基于聊天机器人的知识库管理系统的研究

Research on KBMS Based on ChatBot

伴随着某移动通信设备公司的扩大，该公司的知识也在不断地积累，知识的搜索和知识库的管理成为了公司发展中的一个难题，本文设计与实现了一个聊天机器人帮助管理文件以及能够帮助公司运维人员快速准确定位目标文档的知识库管理系统。本文设计实现的基于聊天机器人的知识库管理系统分为两个端口，机器人设立于该系统的用户Web 端，其关键在于通过意图识别区分运维人员的文档搜索、产品搜索和智能问答的意图，可根据关键词、图片、用户偏好等信息定位相关文档，也可以通过多轮对话的方式查询某个产品，而且可收集和统计公司运维人员的搜索历史等行为，提供个性化文档推荐服务[1-3]。1系统设计思路

本文实现的知识库管理系统包括用户Web 端、后台管理系统两大服务平台，用户Web 端面向公司运维人员，后台管理系统面向后台管理人员。用户Web 端提供文档搜索、文档收藏订阅、文档下载、文档预览、智能问答等服务。后台管理系统可进行文档管理、用户信息管理、机器人管理问答管理、反馈处理等操作，本系统的服务模型如图1所示。

用户Web 端以公司运维人员为主体对象提供服务，公司运维人员可以查看实时搜索热点，使用关键字对文档、问题发起检索，进行文档查看、下载、收藏、订阅，查看相关文档推荐，与服务机器人进行对话，

通过多轮对话对文档进行更加精确的查。

后台管理系统主要为系统管理员服务，包括用户信息管理、文档管理、机器人管理、社区管理四大功能模块。系统管理员可以对公司运维人员信息和文档信息进行管理，可以编辑运维人员信息，文档在线编辑、文档版本更迭。也可对系统中的机器人和问答社区进行管理，可以配置机器人知识库、查看机器人统计数据和未解决问题，设置最佳回答、删除无关问答。2技术路线

系统采用B /S 架构，基于SpringMVC 框架进行开发，分为界面视图层、业务逻辑层和数据访问层三层。机器人采用Python 语言开发，以Chatterbot 为基础框架，结合Rasa_nlu 技术识别运维人员的意图，采用Flask 框架和Json 数据格式与前

端网页进行交互，方便快捷。机器人可以通过语音识别或文字输入获取用户提出的问题，再通过预处理将输入的文本转换为系统语言，再利用百度的文本纠错接口对获取到的文本进行拼写和语法等方面的纠错，对纠错后的文本再进行敏感词过滤，若文本中敏感词过多，将返回警告。接着，将处理后的文本使用Rasa_nlu 的技术进行意图识别，在系统中用户的意图定义主要分为三部分：产品搜索、文档搜索和普通的问答，意图的识别能够准确进行下一步步骤。意图识别成功后将使用对应的方法进行处理，返回最终结果。机器人通过内部严谨的逻辑结构，可以准确地回答用户的问题，满足用户需求。机器人内部流程如图2所示。2.1产品搜索模块

知识库系统中存在着多种不同的产品，包括路由器、交换机、服务器和WLAN 等。对于无线(有线)产品，系统设置了4个通用型参数：交换容量、转发容量、主控槽位、交换网板槽位数。在识别出用户的产品搜索意图后，系统自动设置各参数的词槽,

周煜华

陈德胜

孙

麒(浙江理工大学信息学院计算机科学与技术系，浙江杭州310018)

摘要：随着互联网技术的不断革新，一些移动通信设备公司的产品线越加丰富，版本更多，信息量更大，为了解决运维人员在众多产品文档中查文档效率低的问题，设计与实现了基于聊天机器人的知识库管理系统，关键模块包括智能问答、文档搜索、产品搜索、知识推荐和知识图谱等以辅助运维人员方便地查文档和产品，能够在与运维人员对话过程中理解其意图、精确提取查询条件以及实现在知识图谱优化下的文档推荐。

关键词：文档；产品；推荐；搜索；聊天机器人

抗干扰滤波器

Abstract 押This paper designs and implements a knowledge base management system based on chat robots熏the key modules.It includes intelligent question-and-answer熏document search熏product search熏knowledge recommendation and knowl⁃edge map to assist operators to find documents and products conveniently.It can understand their intentions熏extract query conditions accurately and realize document recommendation under the optimization of knowledge map in the process of di⁃alogue with operators.

Keywords

押document熏product熏recommend熏search熏ChatBot

图1服务模型图

基于聊天机器人的知识库管理系统的研究

124

《工业控制计算机》2019年第32卷第9期

在词槽信息未被填充时，机器人将会询问用户未被填充词槽的信息，用户可以根据机器人的提示不断填充信息，也可以自行选择顺序填充信息，系统将利用Rasa_nlu的实体提取的功能自动识别出参数信息并填充。对于不需要填充的信息，用户也可以不做范围选择，系统将自动忽略该参数的信息。

系统产品搜索还采用图片识别的形式，使用百度的Easydl 平台的分类计数对各产品的图片进行训练，训练后自动生成模型，将生成后的模型应用在系统中。用户可以通过拍照等形式上传设备照片，系统将自动识别出产品设备的型号，并返回相应的产品参数和产品描述文档。

2.2文档搜索模块

文档检索的精度及效率，决定了机器人信息检索的准确性。本论文设计实现的系统使用MySQL数据库进行文档信息存储。为解决在MySQL数据库中文档信息检索全文检索效率低下、精度不高等问题，系统采用Solr企业级全文检索引擎作为系统的信息检索引擎。将MySQL数据库中的检索信息与Solr 引擎进行同步，依托Solr高效率的全文检索能力，提高系统的综合文档信息检索能力。在双引擎综合信息检索基础上，系统引入了Redis高速内存数据库作为系统的文档信息检索缓存。系统将信息检索关键字及检索结果同步到Redis中，借助缓存结构提高系统对热点信息的检索速率。Redis优化的多引擎检索示意图如图3所示。

图3多引擎检索示意图

2.3智能问答模块

机器人的智能问答模块为问答交流的核心，系统中的问答库存有问答对，在识别出用户的问答搜索意图后，系统将与问答库中的问题进行比对获取答案。系统采用了Python中的Chat⁃terbot开源聊天机器人框架，并自行设计实现了逻辑适配器和

问题比对方式。

首先采用TF-IDF算法筛选出问答库中与问题关键词相同

二恶英检测的问题生成问题列表，再对筛选后的问题列表进行问题相似度

比对[4]。问题相似度比对使用了利用知乎问答回复所训练成的Word+Ngram的词向量模型，通过Gensim第三方工具包加载

上述模型。通过引入中文分词包结巴分词对文本进行分词，使用

词向量模型获取分词结果列表中各个词语对应的向量值，如果

在词向量模型中未到某个分词的对应向量，则置0。例如原

句:“NE路由器的二三层模式转换方式”分词后结果：眼'NE'熏'路

由器'熏'的'熏'二三层'熏'模式'熏'转换'熏'方式'演转化为对应词向

量结果如图4示。与用户问的问题:“NE路由器如何进行接口的

二三层模式转换”的词向量对比，有着86.51%的相似度，大于等

于给定的阈值(这里给定的阈值为75%)，因此将其加入到匹配

到的问题列表。最后通过对匹配到问题列表中各问题与原问题

lrx相似度的比对进行降序排序，获得相似度最高的问题，并返回其