[论文解读] An ontology-based chatbot for crises management: use case coronavirus

Khouloud Hwerbi|arXiv (Cornell University)|Nov 2, 2020

Advanced Text Analysis Techniques参考文献 49被引用 4

一句话总结

本文提出了一款名为'COVID Assistant'的基于本体的聊天机器人，用于在COVID-19疫情期间进行危机管理，整合了网络爬虫、有限状态机、关键词提取以及经过训练的NLP模型，以提供实时、准确的信息。该系统实现了全天候可用性，并通过Uppaal进行正式验证，确保对话状态的可达性、安全性和活性。

ABSTRACT

Today is the era of intelligence in machines. With the advances in Artificial Intelligence, machines have started to impersonate different human traits, a chatbot is the next big thing in the domain of conversational services. A chatbot is a virtual person who is capable to carry out a natural conversation with people. They can include skills that enable them to converse with the humans in audio, visual, or textual formats. Artificial intelligence conversational entities, also called chatbots, conversational agents, or dialogue system, are an excellent example of such machines. Obtaining the right information at the right time and place is the key to effective disaster management. The term "disaster management" encompasses both natural and human-caused disasters. To assist citizens, our project is to create a COVID Assistant to provide the need of up to date information to be available 24 hours. With the growth in the World Wide Web, it is quite intelligible that users are interested in the swift and relatedly correct information for their hunt. A chatbot can be seen as a question-and-answer system in which experts provide knowledge to solicit users. This master thesis is dedicated to discuss COVID Assistant chatbot and explain each component in detail. The design of the proposed chatbot is introduced by its seven components: Ontology, Web Scraping module, DB, State Machine, keyword Extractor, Trained chatbot, and User Interface.

研究动机与目标

• 为应对COVID-19疫情期间对及时、准确且可访问信息的迫切需求。
• 设计一款在危机场景中具备高可靠性与上下文感知能力的聊天机器人，实现全天候运行。
• 通过本体整合结构化知识，结合来自网络源的动态学习与经过训练的NLP模型。
• 对聊天机器人的对话逻辑进行形式化验证，确保正确性、安全性及无死锁行为。
• 提供一种可扩展、可伸缩的架构，适用于更广泛的灾难管理场景。

提出的方法

• 在OWL中开发了特定领域的本体（CVIO），用于表示关于COVID-19的医学、流行病学及行政知识。
• 实现了网络爬虫模块，动态地从官方来源提取并填充最新数据至本体中。
• 设计了有限状态机（FSM），用于建模聊天机器人的对话流程，管理用户输入状态，如症状查询、国家状态查询及一般性问题。
• 集成了使用ChatterBot训练的聊天机器人，采用基于AIML的意图识别与响应生成。
• 采用关键词提取技术，将用户查询映射到适当的本体概念和FSM状态。
• 通过模型检测，使用Uppaal验证了系统的行为正确性，确认了可达性、安全性和活性属性。

实验结果

研究问题

• RQ1 如何设计基于本体的聊天机器人，以确保在公共卫生危机期间实现实时、准确且上下文感知的响应？
• RQ2 在危机聊天机器人系统中，知识表示、动态数据摄入与对话管理的最佳组合是什么？
• RQ3 形式化验证技术（如模型检测）能否确保聊天机器人对话逻辑的可靠性和正确性？
• RQ4 结合规则驱动、训练模型与本体驱动组件的混合架构，如何提升响应质量与系统鲁棒性？
• RQ5 实现灾难响应聊天机器人全天候可用性与可扩展性的关键组件与设计模式是什么？

主要发现

• 聊天机器人成功将本体（CVIO）与来自网络爬虫的实时数据相结合，确保了信息的及时更新与交付。
• 有限状态机实现了对多样化用户查询（包括症状、国家状态与一般信息）的结构化、上下文感知对话管理。
• 使用Uppaal的形式化验证确认，该系统无死锁，并保证在所有有效状态转换下均能生成响应。
• 通过时序逻辑公式验证了可达性、安全性和活性属性，所有属性均被确认有效（在Uppaal中标记为绿色）。
• 并行执行仿真表明，多个聊天机器人实例可无冲突地并发运行，支持系统可扩展性。
• 系统实现了完整的全天候运行可用性，在测试的对话场景中未报告任何故障。