智能交互方法和系统技术领域
本发明涉及人工智能技术领域，具体涉及一种智能交互方法和系统。
背景技术
随着人工智能技术的不断发展以及人们对于交互体验要求的不断提高，智能交互
方式已逐渐开始替代一些传统的人机交互方式，并且已成为一个研究热点。现有的智能交
互方式仅能对当前请求信息进行简单的语义分析以获取大概的意图信息，并根据所获取的
意图信息确定应答信息。即，可用于语义分析的当前请求信息被限定在了知识库已存储的
标准问中，这样的交互方式死板且用户体验差。同时，即使通过现有的智能交互方式获取了
当前请求信息对应的意图信息，也并不代表着获取到了用户的真实想法。例如在负责信用
卡账单催款的电话智能客服场景中，若当前请求信息为标准问“我会马上还款”，那么所获
取的意图信息可为“准备还款”。但若该用户之前的信用记录较差，那么该用户的真实想法
很可能是仍不会还款。此时若仅根据意图信息“准备还款”就放慢了催款的频率和力度，则
无法达到很好的账单催款效果。因此若仅根据所获取的意图信息进行应答，应答方式过于
单一，因而无法达到很好的交互效果。
发明内容
有鉴于此，本发明实施例提供了一种智能交互方法和系统，解决了现有的智能交
互方式仅根据所获取的意图信息进行应答而导致的应答方式过于单一且交互效果差的问
题。
本发明一实施例提供的一种智能交互方法包括：
获取用户静态信息和当前请求信息；
对所述当前请求信息进行意图分析，得到所述当前请求信息对应的意图信息；
获取与所述用户静态信息对应的交互背景信息；以及
根据所述意图信息和所述交互背景信息获取并向用户发送应答信息。
本发明一实施例提供的一种智能交互系统包括：
交互模块，配置为执行交互过程，获取用户静态信息和当前请求信息；
知识库，配置为存储意图信息、交互背景信息和应答信息；
意图分析模块，配置为对所述交互模块获取的当前请求信息进行意图分析，从所
述知识库中获取与所述当前请求信息对应的意图信息；
背景获取模块，配置为从所述知识库中获取所述用户静态信息对应的交互背景信
息；以及，
应答决策模块，配置为根据所述意图信息和所述交互背景信息从所述知识库中获
取对应的应答信息，通过所述交互模块向用户发送所述应答信息。
本发明实施例提供的一种智能交互方法和系统，在获取当前请求信息所对应的意
图信息的基础上，还要获取与用户静态信息对应的交互背景信息，并将所获取的意图信息
与交互背景信息相结合来获取对应的应答信息。由于交互背景信息是与用户静态信息相对
应的，因此结合语义层面的意图信息和用户静态信息层面的交互背景信息可更准确的判断
用户的真实想法，所获取的应答信息也会根据不同用户所具备的不同用户静态信息而有所
差别。由此实现了更智能化且更多元化的应答方式，提高了智能交互效果。
附图说明
图1所示为本发明一实施例提供的一种智能交互方法的流程示意图。
图2所示为本发明一实施例提供的一种智能交互方法中获取意图信息的流程示意
图。
图3所示为本发明一实施例提供的一种智能交互方法中根据用户静态信息获取交
互背景信息的流程示意图。
图4所示为本发明一实施例提供的智能交互方法中根据意图信息和与用户静态信
息所对应的交互背景信息获取对应的应答信息的流程示意图。
图5所示为本发明一实施例提供的一种智能交互系统的结构示意图。
图6所示为本发明另一实施例提供的一种智能交互系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本
发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实
施例，都属于本发明保护的范围。
图1所示为本发明一实施例提供的一种智能交互方法的流程示意图。如图1所示，
该方法包括：
步骤101：获取用户静态信息和当前请求信息。
当前请求信息为用户发出的包含着用户语义层面上意图的消息，可以是文本或语
音格式。后续需要根据该当前请求信息生成对应的应答信息返回给用户，以完成一个层级
的智能交互过程。然而该当前请求信息并不一定能代表用户的真实意图，因此还需要获取
用户静态信息来辅助判断用户的真实意图，并给出更为合理的应答信息。
用户静态信息为与用户相关的一些静态信息，可通过用户输入获取，例如通过多
层级的交互过程获取，也可通过第三方直接获取，例如直接从银行存储的用户数据中获取。
为便于理解，以信用卡催款的业务场景为例，用户静态信息的内容就可如下表一所示：
表一
如上表一所示，用户静态信息被分为了信用卡业务属性、用户身份信息、信用卡卡
种、当前账期、欠款总金额以及当前已还款金额六种静态信息分类。然而，这些静态信息分
类可以是在获取用户静态信息时就已经分类好的，也可以是在获取用户静态信息之后再通
过执行分类过程获取的。同时，静态信息分类的数量也可根据具体的业务场景而调整，本发
明对静态信息分类的具体形式不做限定。这些所获取的用户静态信息仅是与用户信用记录
相关的原始数据，为了能够获取这些原始数据背后所反映出的用户信用程度，则需要获取
与用户静态信息对应的交互背景信息作为后续确定合理的应答信息的依据。
步骤102：对该当前请求信息进行意图分析，得到该当前请求信息对应的意图信
息。
该意图信息对应的是当前请求信息的语义层面所反映出的意图，但并不一定代表
用户的真实想法，因此才需要后续结合与用户静态信息所对应的交互背景信息来综合确定
对应的应答信息。
意图信息的获取方式可通过文本分析的方式实现。具体而言，可首先将当前请求
信息的文本内容与多个预设的语义模板进行匹配以确定匹配的语义模板，该匹配过程可通
过文本相似度计算的方式实现。如图2所示，该意图信息的获取方式具体可包括如下步骤：
步骤1021：将当前请求信息的文本内容与多个预设的语义模板之间进行相似度计
算，然后将相似度最高的语义模板作为匹配的语义模板。
由于用户所发出的当前请求信息往往并非使用的是标准问，而是标准问的一些变
形的形式，即为扩展问。因此，对于智能语义识别而言，知识库里需要有标准问的扩展问，该
扩展问与标准问表达形式有略微差异，但是表达相同的含义。因此，在本发明一实施例中，
语义模板可为表示某一种语义内容的一个或多个抽象语义表达式的集合，由开发人员根据
预定的规则结合语义内容生成，即通过一个语义模板就可描述所对应语义内容的多种不同
表达方式的语句，以应对当前请求信息的文本内容可能的多种变形。这样将当前请求信息
的文本内容与预设的语义模板进行匹配，避免了利用仅能描述一种表达方式的“标准问”来
识别用户消息时的局限性。
每一个抽象语义表达式主要可包括语义成分词和语义规则词。语义成分词由语义
成分符表示，当这些语义成分符被填充了相应的值(即内容)后可以表达各式各样的具体语
义。
抽象语义的语义成分符可包括：
[concept]：表示主体或客体成份的词或短语。
比如：“彩铃如何开通”中的“彩铃”。
[action]：表示动作成分的词或短语。
比如：“信用卡如何办理”中的“办理”。
[attribute]：表示属性成份的词或短语。
比如：“iphone有哪些颜色”中的“颜色”。
[adjective]：表示修饰成分的词或短语。
比如：“冰箱哪个品牌便宜”中的“便宜”。
一些主要的抽象语义类别示例有：
概念说明[concept]是什么
属性构成[concept]有哪些[attribute]
行为方式[concept]如何[action]
行为地点[concept]在什么地方[action]
行为原因[concept]为什么会[action]
行为预测[concept]会不会[action]
行为判断[concept]有没有[attribute]
属性状况[concept]的[attribute]是不是[adjective]
属性判断[concept]是不是有[attribute]
属性原因[concept]的[attribute]为什么这么[adjective]
概念比较[concept1]和[concept2]的区别在哪里
属性比较[concept1]和[concept2]的[attribute]有什么不同之处
问句在抽象语义层面的成份判断可以通过词性标注来做一般的评判，concept对
应的词性为名词，action对应的词性为动词、attribute对应的词性为名词、adjective对应
的是形容词。
以类别为“行为方式”的抽象语义[concept]如何[action]为例，该类别的抽象语
义集合下可包括多条抽象语义表达式：
抽象语义类别：行为方式
抽象语义表达式：
a.[concept][需要|应该？][如何]<才[可以]？><进行？>[action]
b.{[concept]～[action]}
c.[concept]<的？>[action]<方法|方式|步骤？>
d.<有哪些|有什么|有没有><通过|用|在>[concept][action]<的？>[方法]
e.[如何][action]～[concept]
上述a、b、c、d四个抽象语义表达式都是用来描述“行为方式”这一抽象语义类别
的。语义符号“|”表示“或”关系，语义符号“？”表示该成分可有可无。
应当理解，虽然上面给出了一些语义成分词、语义规则词和语义符号的示例，但语
义成分词的具体内容和词类，语义规则词的具体内容和词类以及语义符号的定义和搭配都
可由开发人员根据该智能交互方法所应用的具体交互业务场景而预设，本发明对此并不做
限定。
在本发明一实施例中，根据当前请求信息的文本内容确定匹配的语义模板的相似
度计算过程可采用如下计算方法中的一种或多种：编辑距离计算方法，n-gram计算方法，
JaroWinkler计算方法以及Soundex计算方法。在一进一步实施例中，当识别出当前请求信
息的文本内容中的语义成分词和语义规则词时，当前请求信息和语义模板中所包括语义成
分词和语义规则词还可被转化成简化的文本字符串，以提高语义相似度计算的效率。
在本发明一实施例中，如前所述，语义模板可由语义成分词和语义规则词构成，而
这些语义成分词和语义规则词又与这些词语在语义模板中的词性以及词语之间的语法关
系有关，因此该相似度计算过程可具体为：先识别出当前请求信息文本中的词语、词语的词
性以及语法关系，然后根据词语的词性以及语法关系识别出其中的语义成分词和语义规则
词，再将所识别出的语义成分词和语义规则词引入向量空间模型以计算当前请求信息的文
本内容与多个预设的语义模板之间的多个相似度。在本发明一实施例中，可以如下分词方
法中的一种或多种识别当前请求信息的文本内容中的词语、词语的词性以及词语之间的语
法关系：隐马尔可夫模型方法、正向最大匹配方法、逆向最大匹配方法以及命名实体识别方
法。
在本发明一实施例中，如前所述，语义模板可为表示某一种语义内容的多个抽象
语义表达式的集合，此时通过一个语义模板就可描述所对应语义内容的多种不同表达方式
的语句，以对应同一标准问的多个扩展问。因此在计算当前请求信息的文本内容与预设的
语义模板之间的语义相似度时，需要计算当前请求信息的文本内容与多个预设的语义模板
各自展开的至少一个扩展问之间的相似度，然后将相似度最高的扩展问所对应的语义模板
作为匹配的语义模板。这些展开的扩展问可根据语义模板所包括的语义成分词和/或语义
规则词和/或语义符号而获得。
步骤1022：获取与该匹配的语义模板对应的意图信息。
在找到了与当前请求信息的文本内容相匹配的语义模板后，即可获取与匹配的语
义模板对应的意图信息，其中语义模板与意图信息之间的对应关系为预先建立，同一意图
信息可对应一个或多个所述语义模板。如下表二所示。
表二
在本发明一实施例中，若当前请求信息为语音消息，而需要采取文本相似度计算
的方式来获取匹配的语义模板时，还需要先将当前请求信息转化为文本消息。
步骤103：获取与该用户静态信息对应的交互背景信息。
交互背景信息所反映的是与当前请求信息的语义内容无关的与用户本身的静态
属性相关的信息。该交互背景信息既可以是直接通过第三方获取的，也可以是根据用户静
态信息而实时获取的。
仍以信用卡催款的业务场景为例，用户静态信息仅是与用户信用记录相关的原始
数据，为了能够获取这些原始数据背后所反映出的用户信用程度，则需要获取与用户静态
信息对应的交互背景信息作为后续确定合理应答信息的依据。依据上表一所示的用户静态
信息可获取的交互背景信息就可如下表三所示：
表三
上表三所示的交互背景信息包括信用卡业务属性、当前账期、欠账历史状态以及
还款历史状态四种交互背景项，其中每种交互背景项的具体内容又包括多种交互背景内
容，例如交互背景项“还款历史状态”就可包括“完全未还”、“部分还款”和“间隔还款”三种
交互背景内容，交互背景项“信用卡业务属性”除了包括“信用卡欠款”的交互背景内容外，
还可包括“新信用卡申请”、“信用卡额度查询”、“信用卡还款”以及“信用卡注销”等其他交
互背景内容。但具体交互背景项和交互背景内容的数量和内容都可根据具体的业务场景而
调整，本发明对此不做限定。
在本发明一实施例中，交互背景信息并非是根据用户静态信息直接获取的，而是
需要先对所述用户静态信息做分类处理，然后再基于该分类处理的结果获取与所述用户静
态信息对应的交互背景信息。具体而言，如图3所示，该交互背景信息的获取步骤可包括如
下步骤：
步骤1031：将用户静态信息划分为至少一个静态信息分类。
对于上述信用卡催款业务场景下，该静态信息分类的划分过程就是获取上表一所
示内容的过程。具体的划分过程可通过大数据和分类模型实现，在此不再赘述。
步骤1032：根据用户静态信息所包括的静态信息分类确定该用户静态信息所匹配
的所有交互背景内容，其中每个交互背景内容根据至少一个静态信息分类所确定。
具体而言，当获取到用户静态信息所有的静态信息分类时，其中有的静态信息分
类可直接匹配到一种交互背景项的交互背景内容中，即该交互背景内容仅根据一个静态信
息分类就可直接确定。例如，交互背景项“信用卡业务属性”的交互背景内容“信用卡欠款”
就可根据静态信息分类“信用卡业务属性”的具体内容“信用卡欠款”而直接确定。而有的交
互背景内容则需要根据多个静态信息分类才能确定，例如，交互背景项“还款历史状态”的
交互背景内容就必须综合“当前账期”、“欠款总金额”和“当前已还款金额”三个静态信息分
类的内容才能确定。
在本发明一实施例中，上述根据用户静态信息获取交互背景内容的过程可通过预
先建立用户静态信息和交互背景内容之间对应关系来实现，其中具体的对应关系可基于业
务专家给出的训练集在大数据平台中进行分类训练产生。此外，随着实际业务特性的改变，
还可以重新提交新的训练集进行分类训练以形成新的对应关系。
应当理解，交互背景信息的具体内容与用户静态信息的具体内容相关，而用户静
态信息根据所适用的应用场景不同可包含不同的数据内容。本发明对用户静态信息以及与
对应的交互背景信息的具体内容并不做限定。
步骤104：根据该意图信息和该交互背景信息获取并向用户发送应答信息。
结合该交互背景信息和意图信息可更准确的判断用户可能的真实想法。这样所获
取的应答信息也会根据不同用户所具备的不同用户静态信息而有所差别。由此实现了更多
元化的应答方式以及更好的智能交互效果。
图4所示为本发明一实施例提供的智能交互方法中根据意图信息和与用户静态信
息所对应的交互背景信息获取对应的应答信息的流程示意图。如图4所示，该应答信息的获
取流程包括如下步骤：
步骤1041：根据意图信息和交互背景信息获取对应的应答标识。
在本发明一实施例中，应答标识可具体为应答语气标识，该应答语气标识按照语
气从轻到重可划分为至少两种分类。仍以上述信用卡催款的业务场景为例，应答语气标识
的具体内容可如下表四所示：
表四
如上表四所示，对于同一个意图信息“没钱还款”，在不同的交互背景信息下所确
定的应答语气标识是有所不同的。具体而言，当根据用户静态信息所确定的交互背景信息
为“M2期，从未欠账，部分还款”时，说明当前用户是有较好的信用记录的，而且M1期已经还
款了一部分，现在无法还款可能是由其他因素导致的，此时所确定的应答语气标识可为“友
情提醒”；而当根据用户静态信息所确定的交互背景信息为“M2期，曾经欠账，完全未还”时，
说明当前用户的信用记录较差，而且之前的M1期也仍未还款，此时所对应的应答信息可为
“严厉提醒”。
步骤1042：根据意图信息和应答标识获取对应的应答信息。
在获取了应答标识后，根据意图信息和应答标识二者即可确定最终需要回复给用
户的应答信息。在本发明一实施例中，当与用户的交互方式基于语音实现，而该应答信息为
文本形式时，还需要将该应答信息转换为语音消息发送给用户。
以上表所示的应答语气标识为例，最终所确定的应答信息的具体内容可如下表五
所示：
表五
由此可见，通过引入应答标识来确定应答信息，实现了更加灵活的应答方式，相比
于仅仅根据意图信息确定应答信息，可实现更智能化的交互效果。
在本发明一实施例中，应答信息也可根据应答标识直接获取，而不必参考意图信
息。例如，对于意图信息“没钱还款”，当交互背景信息显示当前用户有较好的信用记录时，
此时所确定的应答标识可具体为“友情提醒还款”，而并非简单的“友情提醒”。这样根据该
应答标识可直接确定内容为“务必记得三天内还清您的欠款”的应答信息，而不必再参考意
图信息“没钱还款”了。由此可见，在这种情况下，应答标识的具体内容更为多样化，应答标
识的具体内容与意图信息的具体内容在语义层面上会存在一定对应关系，而并非是简单的
量化变量，因此在确定对应的应答信息时仅参考应答标识的具体内容即可。
应当理解，为了能完成上述获取应答标识以及应答信息的过程，意图信息和交互
背景信息与应答标识之间的对应关系，意图信息和应答标识与应答信息之间的对应关系，
以及应答标识与应答信息之间的对应关系都可为预先建立。上述对应关系的具体构建形式
可通过大数据分类和聚类技术实现，在此不再赘述。
应当理解，虽然在上述的实施例中，应答标识具体为应答语气标识，但在其他的应
用场景中，应答标识可能对应其他与具体交互业务相关的内容。例如，应答标识还可具体包
括：应答声调标识，该应答声调标识按照声调从低到高划分为至少两种分类；和/或，应答语
速标识，该应答语速标识按照语速从慢到快划分为至少两种分类；和/或，应答音量标识，该
应答音量标识按照音量从小到大划分为至少两种分类。本发明对应答标识的具体内容并不
做限定。
此外还应当理解，本发明实施例所提供的智能交互方法其实是实现了一种高度智
能化的智能交互策略，每次交互过程都可被看做是一个根据当前请求信息获取意图信息，
并结合意图信息和交互背景信息获取对应的应答信息并反馈给用户的过程。用户在收到应
答信息后，又会发出新的当前请求信息，此时又开始一个新的获取并反馈应答信息的过程，
如此反复循环直至完成整个智能交互过程。还应当理解，该智能交互方法可被应用到不同
的业务交互场景中，根据业务交互场景的具体需要不同，开发人员可调整该智能交互方法
中各步骤的顺序、省略其中的某些步骤或具象化其中的语义模板、意图信息、用户静态信
息、交互场景信息、应答标识和应答信息等概念所限定的具体内容，本发明对此不做限定。
图5所示为本发明一实施例提供的一种智能交互系统的结构示意图。如图5所示，
该智能交互系统50包括：交互模块51、知识库52、意图分析模块53、背景获取模块54和应答
决策模块55。其中的知识库52存储有意图信息、交互背景信息和应答信息。交互模块51用于
执行交互过程，获取用户静态信息和当前请求信息。意图分析模块53对交互模块51获取的
当前请求信息进行意图分析，从知识库52中获取与当前请求信息对应的意图信息。背景获
取模块54从知识库52中获取用户静态信息对应的交互背景信息。应答决策模块55根据意图
分析模块53所获取的意图信息和背景获取模块54所获取的交互背景信息从知识库52中获
取对应的应答信息，并通过交互模块51向用户发送应答信息。
在本发明一实施例中，意图分析模块53的意图信息获取方式可通过文本分析的方
式实现。具体而言，可首先将当前请求信息的文本内容与多个预设的语义模板进行匹配以
确定匹配的语义模板，该匹配过程可通过文本相似度计算的方式实现。
由此可见，本发明实施例所提供的智能交互系统50结合了语义层面的意图信息和
用户静态信息层面的交互背景信息，可更准确的判断用户的真实想法，所获取的应答信息
也会根据不同用户所具备的不同用户静态信息而有所差别。由此实现了更智能化且更多元
化的应答方式，提高了智能交互效果。
在本发明一实施例中，知识库52可存储有预先建立的意图信息和交互背景信息与
应答标识之间的对应关系，并存储预先建立的意图信息和应答标识与应答信息之间的对应
关系。此时，如图6所示，应答决策模块55可包括：应答标识获取单元551以及控制单元552。
应答标识获取单元551基于知识库52，根据意图信息和交互背景信息获取对应的应答标识；
控制单元552基于知识库52，根据意图信息和应答标识获取对应的应答信息。
在本发明另一实施例中，知识库52可存储有预先建立的意图信息和交互背景信息
与应答标识之间的对应关系，并存储预先建立的应答标识与应答信息之间的对应关系。此
时，应答决策模块55中的应答标识获取单元551基于知识库52，根据意图信息和交互背景信
息获取对应的应答标识；控制单元552基于知识库52，根据应答标识获取对应的应答信息。
由此可见，通过引入应答标识来确定应答信息，实现了更加灵活的应答方式，相比于仅仅根
据意图信息确定应答信息，可实现更智能化的交互效果。
在本发明一实施例中，意图信息和交互背景信息与应答标识之间的对应关系、和/
或意图信息和应答标识与应答信息之间的对应关系、和/或应答标识与应答信息之间的对
应关系通过大数据分类和聚类技术预先建立。
在本发明一实施例中，应答标识可对应与具体交互业务内容相关的属性。例如，应
答标识可具体包括：应答语气标识，该应答语气标识按照语气从轻到重划分为至少两种分
类；和/或，应答声调标识，该应答声调标识按照声调从低到高划分为至少两种分类；和/或，
应答语速标识，该应答语速标识按照语速从慢到快划分为至少两种分类；和/或，应答音量
标识，该应答音量标识按照音量从小到大划分为至少两种分类。然而，本发明对应答标识的
具体内容并不做限定。
在本发明一实施例中，为了能够获取用户静态信息背后所反映出的交互背景信
息，则需要先将用户静态信息进行分类处理，此时背景获取模块54可进一步配置为，对用户
静态信息做分类处理，基于分类处理的结果从知识库52中获取用户静态信息对应的交互背
景信息。
在本发明一实施例中，交互背景信息可包括至少一种交互背景项，其中每种交互
背景项包括至少一种交互背景内容。
在本发明一实施例中，如图6所示，背景获取模块54可包括：分类单元541以及获取
单元542。分类单元541用于将用户静态信息划分为至少一个静态信息分类，获取单元542根
据用户静态信息所包括的静态信息分类确定用户静态信息所匹配的所有交互背景内容，其
中每个交互背景内容根据至少一个静态信息分类所确定。具体而言，当获取单元542获取到
用户静态信息所有的静态信息分类时，有的静态信息分类可直接匹配到一种交互背景项的
交互背景内容中，即该交互背景内容仅根据一个静态信息分类就可直接确定，而有的交互
背景内容则需要根据多个静态信息分类才能确定。
在本发明一实施例中，用户静态信息可划分为以下静态信息分类中的一种或多
种：信用卡业务属性、用户身份信息、信用卡卡种、当前账期、欠款总金额以及当前已还款金
额；和/或，交互背景信息可包括以下交互背景项中的一种或多种：信用卡业务属性、当前账
期、欠账历史状态以及还款历史状态。信用卡业务属性可包括以下交互背景内容中的一种
或多种：信用卡欠款、新信用卡申请、信用卡额度查询、信用卡还款以及信用卡注销；欠账历
史状态可包括以下两种交互背景内容：从未欠账和曾经欠账；还款历史状态可包括以下交
互背景内容中的一种或多种：完全未还、部分还款和间隔还款。应当理解，交互背景信息的
具体内容与用户静态信息的具体内容相关，而用户静态信息根据所适用的应用场景不同可
包含不同的数据内容。本发明对用户静态信息以及与对应的交互背景信息的具体内容并不
做限定。
在本发明一实施例中，交互模块51可通过接收用户输入或通过与第三方交互来获
取用户静态信息，例如直接从银行存储的用户数据中获取。
在本发明一实施例中，如图6所示，意图分析模块53可包括：匹配单元531以及意图
确定单元532。匹配单元531用于将当前请求信息的文本内容与多个预设的语义模板进行匹
配以确定匹配的语义模板，意图确定单元532用于获取与匹配的语义模板对应的意图信息，
其中预设的语义模板与意图信息之间的对应关系为预先建立，并存储在知识库52中，同一
意图信息对应一个或多个语义模板。由于用户所发出的当前请求信息往往并非使用的是标
准问，而是标准问的一些变形的形式，即为扩展问。因此，对于智能语义识别而言，知识库里
需要有标准问的扩展问，该扩展问与标准问表达形式有略微差异，但是表达相同的含义。在
本发明一实施例中，语义模板可为表示某一种语义内容的一个或多个抽象语义表达式的集
合，由开发人员根据预定的规则结合语义内容生成，即通过一个语义模板就可描述所对应
语义内容的多种不同表达方式的语句，以应对当前请求信息的文本内容可能的多种变形。
这样将当前请求信息的文本内容与预设的语义模板进行匹配，避免了利用仅能描述一种表
达方式的“标准问”来识别用户消息时的局限性。
在本发明一实施例中，匹配单元531根据当前请求信息的文本内容确定匹配的语
义模板的过程可通过相似度计算过程实现，此时匹配单元531将当前请求信息的文本内容
与多个预设的语义模板之间进行相似度计算，将相似度最高的语义模板作为匹配的语义模
板。
在本发明一实施例中，匹配单元531所进行的相似度计算过程可采用如下计算方
法中的一种或多种实现：编辑距离计算方法，n-gram计算方法，JaroWinkler计算方法以及
Soundex计算方法。在一进一步实施例中，当识别出当前请求信息的文本内容中的语义成分
词和语义规则词时，当前请求信息和语义模板中所包括语义成分词和语义规则词还可被转
化成简化的文本字符串，以提高语义相似度计算的效率。
在本发明一实施例中，当前请求信息为语音消息，而意图分析模块53是需要根据
文本内容进行意图分析的，此时交互模块51包括：文本转化单元，配置为将当前请求信息转
化为文本消息。
在本发明一实施例中，当与用户的交互方式基于语音实现，而所获取的应答信息
为文本形式时，交互模块51可包括：语音转化单元，配置为应答信息转换为语音消息发送给
用户。
应当理解，上述实施例所提供的智能交互系统50中记载的每个模块或单元都与前
述的一个方法步骤相对应。由此，前述的方法步骤描述的操作和特征同样适用于该智能交
互系统50及其中所包含的对应的模块和单元，重复的内容在此不再赘述。
本发明的教导还可以实现为一种计算机可读存储介质的计算机程序产品，包括计
算机程序代码，当计算机程序代码由处理器执行时，其使得处理器能够按照本发明实施方
式的方法来实现如本文实施方式的智能交互方法。计算机存储介质可以为任何有形媒介，
例如软盘、CD-ROM、DVD、硬盘驱动器、甚至网络介质等。
应当理解，虽然以上描述了本发明实施方式的一种实现形式可以是计算机程序产
品，但是本发明的实施方式的方法或装置可以被依软件、硬件、或者软件和硬件的结合来实
现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行
系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的方
法和设备可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如
磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或
电子信号载体的数据载体上提供了这样的代码。本发明的方法和装置可以由诸如超大规模
集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编
程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软
件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
应当理解，尽管在上文的详细描述中提及了装置的若干模块或单元，但是这种划
分仅仅是示例性而非强制性的。实际上，根据本发明的示例性实施方式，上文描述的两个或
更多模块/单元的特征和功能可以在一个模块/单元中实现，反之，上文描述的一个模块/单
元的特征和功能可以进一步划分为由多个模块/单元来实现。此外，上文描述的某些模块/
单元在某些应用场景下可被省略。
应当理解，为了不模糊本发明的实施方式，说明书仅对一些关键、未必必要的技术
和特征进行了描述，而可能未对一些本领域技术人员能够实现的特征做出说明。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精
神和原则之内，所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。