论文部分内容阅读
随着人工智能的发展,语音识别技术和自然语言处理技术越来越成熟,许多公司推出了一系列智能助手产品。这些技术和产品极大地影响着人们的生活,使得人类和计算机可以直接交流。人与智能助手通过自然语言沟通很可能成为一种主流的人机交互方式。在这样的背景下,智能助手在工程应用领域存在巨大的应用前景。在车间场景中,,相比较于通过键盘和触摸屏手动输入工程信息,通过智能助手直接命令可以作为查询和检索一些工程数据时的替代方式。本文设计开发了一款Alexa技能作为工程数据的检索应用,旨在利用亚马逊的智能助手Alexa对工程数据进行操作。用户可以利用语音命令智能助手,对数据库中的工程数据执行查询、添加及修改操作,并可以使用后退和帮助的功能。亚马逊为开发人员提供了大量用于开发Alexa技能的平台和产品。亚马逊开发者控制台可以用来设计技能的交互模型,Lambda平台用于设计技能所需的计算服务,Dynamo DB作为数据库用于保存所有工程数据。本文采用上述三种工具对技能的交互模型、计算服务和数据库进行开发,并将这些部分组合形成了最后的技能。经过测试,本文所设计的Alexa技能可以实现所需的功能。此外,Alexa与用户进行的交互的过程中存在着一些不足之处,尤其是在用户的命令意图识别方面。技能开发者必须准备好完备的命令语句范例,当用户的话语符合命令范例的格式时,才能使Alexa识别用户话语的意图。这导致了很多不符合格式的命令无法被智能助手识别。针对智能助手与用户交互过程中对用户命令的意图识别能力不足的问题,本文提出了一种基于门控循环单元(GRU)的双向循环神经网络(BiRNN)模型对智能助手的命令文本进行意图识别。首先利用将命令文本转化为词向量模型并加入词嵌入模型,作为该命令文本意图识别模型的输入,其次利用循环神经网络对文本的语义特征进行分析,最终通过Softmax分类器对结果进行意图分类,进行意图识别。为了验证所提出的模型的准确性,本文使用上述Alexa技能以及Maluuba公司的交互模型中的命令语句范例作为数据集,进行了模型的训练和测试。通过与其他意图分类识别模型的对比分析,本文所设计的意图识别优化模型的准确度有明显提升。实验结果表明,所提出的模型最高可达到94.7%的识别率,可以有效帮助智能助手识别原有模型中无法识别的命令内容,提高传统智能助手产品的综合性能。