本發(fā)明涉及智能交互，特別涉及基于ai人工智能的智能對話虛擬機(jī)器人交互系統(tǒng)、方法。

背景技術(shù)：

1、智能對話虛擬機(jī)器人(ai-powered?conversational?virtual?robot)是一種通過人工智能技術(shù)實(shí)現(xiàn)的自然語言處理的工具，它可以模擬人類的對話方式與人類進(jìn)行自然交流。這種機(jī)器人可以通過學(xué)習(xí)人類的語言模式和語義來理解和生成對話，從而使得機(jī)器人可以更好地理解和回應(yīng)人類的提問或請求，提高人機(jī)交互的效率和質(zhì)量。智能對話虛擬機(jī)器人可以幫助企業(yè)和個(gè)人更有效地與客戶、員工和公眾溝通。例如，智能客服機(jī)器人可以在電話服務(wù)中心、網(wǎng)站和社交媒體上為客戶提供幫助；智能助手可以在智能音箱和智能手機(jī)上為用戶提供信息和服務(wù)；智能聊天機(jī)器人在在線平臺(tái)上為用戶提供購物和咨詢建議等服務(wù)。

2、然而，智能對話虛擬機(jī)器人也存在一些挑戰(zhàn)。例如，如何確保機(jī)器人可以正確理解用戶輸入的對話含義，這不僅僅依靠于高精度的自然語言理解，很多時(shí)候還需要考慮到對話輸出者的語言情緒。但是，現(xiàn)有的智能對話虛擬機(jī)器人交互技術(shù)在自然語言情感分析方面仍有欠缺，進(jìn)而導(dǎo)致智能對話虛擬機(jī)器人的應(yīng)答效果有待提高。

3、因此，本發(fā)明提出基于ai人工智能的智能對話虛擬機(jī)器人交互系統(tǒng)、方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供基于ai人工智能的智能對話虛擬機(jī)器人交互系統(tǒng)、方法，用以基于ai人工智能對用戶輸入的對話數(shù)據(jù)的多維表達(dá)狀態(tài)特征進(jìn)行分析，獲得用戶最新的所有單維度表達(dá)狀態(tài)特征的影響權(quán)重向量，并基于用戶最新的所有單維度表達(dá)狀態(tài)特征的影響權(quán)重向量和核心內(nèi)容文本，利用人工智能模型技術(shù)，大大提高了智能對話虛擬機(jī)器人的應(yīng)答效果。

2、本發(fā)明提供一種基于ai人工智能的智能對話虛擬機(jī)器人交互系統(tǒng)，包括：

3、對話數(shù)據(jù)解讀模塊，用于在用戶輸入的對話數(shù)據(jù)中提取出用戶最新的多維表達(dá)狀態(tài)特征和核心內(nèi)容文本；

4、權(quán)重矩陣搭建模塊，用于搭建出用戶最新的多維表達(dá)狀態(tài)特征的評價(jià)賦值轉(zhuǎn)換矩陣；

5、權(quán)重向量確定模塊，用于基于用戶最新的多維表達(dá)狀態(tài)特征的評價(jià)賦值轉(zhuǎn)換矩陣生成用戶最新的所有單維度表達(dá)狀態(tài)特征的影響權(quán)重向量；

6、對話智能應(yīng)答模塊，用于基于用戶最新的所有單維度表達(dá)狀態(tài)特征的影響權(quán)重向量和核心內(nèi)容文本以及ai對話應(yīng)答模型，獲得智能對話虛擬機(jī)器人的應(yīng)答信息。

7、優(yōu)選的，對話數(shù)據(jù)解讀模塊，包括：

8、表達(dá)狀態(tài)特征提取子模塊，用于在用戶輸入的對話數(shù)據(jù)中提取出用戶最新的多維表達(dá)狀態(tài)特征；

9、核心內(nèi)容文本提取子模塊，用于在用戶輸入的對話數(shù)據(jù)中提取出用戶最新的核心內(nèi)容文本。

10、優(yōu)選的，表達(dá)狀態(tài)特征提取子模塊，包括：

11、特征類目確定單元，用于確定出用戶輸入的對話數(shù)據(jù)的數(shù)據(jù)類型，并基于預(yù)設(shè)的對話數(shù)據(jù)類型-多維表達(dá)狀態(tài)特征類目列表，確定出用戶輸入的對話數(shù)據(jù)對應(yīng)的所有表達(dá)狀態(tài)特征類；

12、狀態(tài)特征提取單元，用于將用戶輸入的對話數(shù)據(jù)分別輸入至對話數(shù)據(jù)對應(yīng)的每種表達(dá)狀態(tài)特征類對應(yīng)的表達(dá)狀態(tài)特征提取模型，獲得用戶最新的多維表達(dá)狀態(tài)特征。

13、優(yōu)選的，權(quán)重矩陣搭建模塊，包括：

14、特征評價(jià)賦值子模塊，用于對用戶最新的多維表達(dá)狀態(tài)特征中的每個(gè)單維度表達(dá)狀態(tài)特征進(jìn)行評價(jià)賦值，獲得用戶最新的每個(gè)單維度表達(dá)狀態(tài)特征的賦值結(jié)果；

15、權(quán)重矩陣搭建子模塊，用于基于用戶最新的所有單維度表達(dá)狀態(tài)特征的賦值結(jié)果，搭建出用戶最新的多維表達(dá)狀態(tài)特征的評價(jià)賦值轉(zhuǎn)換矩陣，其中，評價(jià)賦值轉(zhuǎn)換矩陣的元素總行數(shù)和元素總列數(shù)與用戶最新的所有單維度表達(dá)狀態(tài)特征的維度總數(shù)相等。

16、優(yōu)選的，特征評價(jià)賦值子模塊，包括：

17、情緒傾向判斷單元，用于判斷出用戶最新的多維表達(dá)狀態(tài)特征中的每個(gè)單維度表達(dá)狀態(tài)特征的情緒傾向，其中，情緒傾向包括積極向和消極向；

18、傾向程度評估單元，用于將用戶最新的多維表達(dá)狀態(tài)特征中的每個(gè)單維度表達(dá)狀態(tài)特征輸入至對應(yīng)情緒傾向的情緒傾向程度評估模型，獲得用戶最新的多維表達(dá)狀態(tài)特征中的每個(gè)單維度表達(dá)狀態(tài)特征的情緒傾向程度評估值；

19、表達(dá)狀態(tài)特征賦值單元，用于基于用戶最新的多維表達(dá)狀態(tài)特征中的每個(gè)單維度表達(dá)狀態(tài)特征的情緒傾向程度評估值，獲得用戶最新的每個(gè)單維度表達(dá)狀態(tài)特征的賦值結(jié)果。

20、優(yōu)選的，表達(dá)狀態(tài)特征賦值單元，包括：

21、第一特征賦值子單元，用于當(dāng)用戶最新的多維表達(dá)狀態(tài)特征中的單維度表達(dá)狀態(tài)特征的情緒傾向?yàn)榉e極向時(shí)，則將對應(yīng)單維度表達(dá)狀態(tài)特征的情緒傾向程度評估值當(dāng)作用戶最新的對應(yīng)單維度表達(dá)狀態(tài)特征的賦值結(jié)果；

22、第二特征賦值子單元，用于當(dāng)用戶最新的多維表達(dá)狀態(tài)特征中的單維度表達(dá)狀態(tài)特征的情緒傾向?yàn)橄麡O向時(shí)，則將對應(yīng)單維度表達(dá)狀態(tài)特征的情緒傾向程度評估值取負(fù)數(shù)后的數(shù)值當(dāng)作用戶最新的對應(yīng)單維度表達(dá)狀態(tài)特征的賦值結(jié)果。

23、優(yōu)選的，權(quán)重矩陣搭建子模塊，包括：

24、賦值結(jié)果排序單元，用于對用戶最新的所有單維度表達(dá)狀態(tài)特征的賦值結(jié)果進(jìn)行任意排序，獲得每個(gè)單維度表達(dá)狀態(tài)特征的序數(shù)值；

25、第一元素確定單元，用于當(dāng)用戶最新的任意兩個(gè)單維度表達(dá)狀態(tài)特征的賦值結(jié)果中的第一單維度表達(dá)狀態(tài)特征的賦值結(jié)果大于第二單維度表達(dá)狀態(tài)特征的賦值結(jié)果時(shí)，則將第一單維度表達(dá)狀態(tài)特征的序數(shù)值對應(yīng)的行序數(shù)、第二單維度表達(dá)狀態(tài)特征的序數(shù)值對應(yīng)的列序數(shù)，在評價(jià)賦值轉(zhuǎn)換矩陣中對應(yīng)的元素確定為1；

26、第二元素確定單元，用于當(dāng)用戶最新的任意兩個(gè)單維度表達(dá)狀態(tài)特征的賦值結(jié)果中的第一單維度表達(dá)狀態(tài)特征的賦值結(jié)果小于第二單維度表達(dá)狀態(tài)特征的賦值結(jié)果時(shí)，則將第一單維度表達(dá)狀態(tài)特征的序數(shù)值對應(yīng)的行序數(shù)、第二單維度表達(dá)狀態(tài)特征的序數(shù)值對應(yīng)的列序數(shù)，在評價(jià)賦值轉(zhuǎn)換矩陣中對應(yīng)的元素確定為0；

27、第三元素確定單元，用于當(dāng)用戶最新的任意兩個(gè)單維度表達(dá)狀態(tài)特征的賦值結(jié)果中的第一單維度表達(dá)狀態(tài)特征的賦值結(jié)果等于第二單維度表達(dá)狀態(tài)特征的賦值結(jié)果時(shí)，則將第一單維度表達(dá)狀態(tài)特征的序數(shù)值對應(yīng)的行序數(shù)、第二單維度表達(dá)狀態(tài)特征的序數(shù)值對應(yīng)的列序數(shù)，在評價(jià)賦值轉(zhuǎn)換矩陣中對應(yīng)的元素確定為0.5；

28、第四元素確定單元，用于將評價(jià)賦值轉(zhuǎn)換矩陣中行序數(shù)和列序數(shù)對應(yīng)相同的所有位置的元素確定為0.5。

29、優(yōu)選的，權(quán)重向量確定模塊，包括：

30、正負(fù)迭代次數(shù)統(tǒng)計(jì)子模塊，用于將評價(jià)賦值轉(zhuǎn)換矩陣中的每個(gè)列向量當(dāng)作用戶最新的每個(gè)單維度表達(dá)狀態(tài)特征的初始向量，統(tǒng)計(jì)出每個(gè)單維度表達(dá)狀態(tài)特征的初始向量中不小于0.5的元素總數(shù)作為每個(gè)單維度表達(dá)狀態(tài)特征的正向迭代次數(shù)，并統(tǒng)計(jì)出每個(gè)單維度表達(dá)狀態(tài)特征的初始向量中小于0.5的元素總數(shù)作為每個(gè)單維度表達(dá)狀態(tài)特征的負(fù)向迭代次數(shù)；

31、影響權(quán)重向量生成子模塊，用于基于所有單維度表達(dá)狀態(tài)特征的正向迭代次數(shù)和負(fù)向迭代次數(shù)以及所有單維度表達(dá)狀態(tài)特征的初始向量，生成用戶最新的所有單維度表達(dá)狀態(tài)特征的影響權(quán)重向量：

32、

33、

34、

35、式中，為用戶最新的所有單維度表達(dá)狀態(tài)特征的維度總數(shù)，為用戶最新的第個(gè)單維度表達(dá)狀態(tài)特征的初始向量中的第個(gè)元素，為用戶最新的第個(gè)單維度表達(dá)狀態(tài)特征的正向迭代次數(shù)，為用戶最新的第個(gè)單維度表達(dá)狀態(tài)特征的負(fù)向迭代次數(shù)。

36、優(yōu)選的，對話智能應(yīng)答模塊，包括：

37、影響權(quán)重確定子模塊，用于將用戶最新的所有單維度表達(dá)狀態(tài)特征的影響權(quán)重向量和評價(jià)賦值轉(zhuǎn)換矩陣每個(gè)單維度表達(dá)狀態(tài)特征的初始向量分別進(jìn)行點(diǎn)乘計(jì)算，獲得每個(gè)單維度表達(dá)狀態(tài)特征的影響權(quán)重；

38、ai模型應(yīng)答子模塊，用于將用戶最新的所有單維度表達(dá)狀態(tài)特征的影響權(quán)重和核心內(nèi)容文本輸入至ai對話應(yīng)答模型，獲得智能對話虛擬機(jī)器人的應(yīng)答信息。

39、本發(fā)明提供一種基于ai人工智能的智能對話虛擬機(jī)器人交互方法，應(yīng)用于以上任一種基于ai人工智能的智能對話虛擬機(jī)器人交互系統(tǒng)，包括：

40、s1：在用戶輸入的對話數(shù)據(jù)中提取出用戶最新的多維表達(dá)狀態(tài)特征和核心內(nèi)容文本；

41、s2：搭建出用戶最新的多維表達(dá)狀態(tài)特征的評價(jià)賦值轉(zhuǎn)換矩陣；

42、s3：基于用戶最新的多維表達(dá)狀態(tài)特征的評價(jià)賦值轉(zhuǎn)換矩陣生成用戶最新的所有單維度表達(dá)狀態(tài)特征的影響權(quán)重向量；

43、s4：基于用戶最新的所有單維度表達(dá)狀態(tài)特征的影響權(quán)重向量和核心內(nèi)容文本以及ai對話應(yīng)答模型，獲得智能對話虛擬機(jī)器人的應(yīng)答信息。

44、本發(fā)明相對于現(xiàn)有技術(shù)產(chǎn)生的有益效果為：基于ai人工智能對用戶輸入的對話數(shù)據(jù)的多維表達(dá)狀態(tài)特征進(jìn)行分析，獲得用戶最新的所有單維度表達(dá)狀態(tài)特征的影響權(quán)重向量，并基于用戶最新的所有單維度表達(dá)狀態(tài)特征的影響權(quán)重向量和核心內(nèi)容文本，利用人工智能模型技術(shù)，大大提高了智能對話虛擬機(jī)器人的應(yīng)答效果。

45、本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過在本技術(shù)文件中所特別指出的結(jié)構(gòu)來實(shí)現(xiàn)和獲得。

46、下面通過附圖和實(shí)施例，對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。