DE10100725C1 - Automatisches Dialogsystem mit Datenbanksprachmodell - Google Patents

Abstract

Die Erfindung bezieht sich auf ein automatisiertes Dialogsystem zum gesprochenen Abfragen eines Datenbankeintrags, der mehrere für seine Abfrage vorgesehene Bestandteile enthält, wobei die Spracherkennung (3) einer sprachlichen Äußerung zum Abfragen des Datenbankeintrags durch ein Sprachmodell (6) unterstützt wird, das vor dem Beginn des Dialoges erstellt wurde, zu dem die sprachliche Äußerung gehört, und daß das korrelierte Auftreten der für die Abfrage vorgesehenen Bestandteile des Datenbankeintrags in den sprachlichen Äußerungen des Dialoges modelliert.

Description

Die Erfindung bezieht sich auf ein automatisches Dialogsystem zur gesprochenen Daten­ bankabfrage. Solche Dialogsysteme werden u. a. zur Erteilung von Auskünften oder auch zur Erledigung von Bankgeschäften über Telefon oder an öffentlichen Benutzerterminals verwendet. Bekannte Systeme sind z. B. das Fahrplanauskunftssystem der Schweizer Bah­ nen und das Flugauskunftssystem der Deutschen Lufthansa. Aber auch die IVR-Systeme (Interactive Voice Response) verschiedener Anbieter wie z. B. von Periphonics gehören dazu. Allen diesen Systemen ist gemeinsam, dass ein Benutzer in einen gesprochenen Dia­ log mit einer Maschine tritt, um die von ihm gewünschten Auskünfte zu erhalten bzw. die von ihm gewünschten Transaktionen durchzuführen. Neben der sprachlichen Interaktion werden in neueren Systemen auch noch weitere Medien wie z. B. visuelle Bildschirmaus­ gaben oder das Versenden eines Telefaxes angeboten.

Ein automatisches Dialogsystem zur gesprochenen Abfrage von z. B. Telefonbucheinträgen (directory inquiries) ist beispielsweise aus der WO 96/13030 A2 bekannt. Dort wird u. a. ein Dialogschema beschrieben, dem ein Benutzer zu folgen hat, um von dem automatischen System die Telefonnummer einer in der Telefondatenbank gelisteten Person (im Engli­ schen auch als "residential listing" bezeichnet) zu erhalten. Dazu muss der Benutzer nach­ einander in einzelnen Dialogbeiträgen (im Englischen auch als "turns" bezeichnet) die Stadt (town), die Straße (road) und den Nachnamen (surname) angeben.

Das Dialogsystem verknüpft diese Angaben beispielsweise miteinander, indem es zu jeder sprachlichen Äußerung des Benutzers mittels Spracherkennung eine Liste von möglichen Erkennungsergebnissen aufstellt, die eine genügende Ähnlichkeit (meet a prescribed threshold of similarity) mit der jeweiligen sprachlichen Äußerung besitzen, und diese Lis­ ten mit der Telefondatenbank (directory database) abgleicht. Dieser Abgleich führt dann zu einer (möglicherweise leeren) Liste von Datenbankeinträgen (directory entries), deren jeweilige Stadt, Straße und Nachname eine genügende Ähnlichkeit mit den jeweiligen sprachlichen Äußerungen des Benutzers besitzen.

Ist die Anzahl der so bestimmten Datenbankeinträge klein genug, z. B. kleiner als 3, so gibt das Dialogsystem dem Benutzer diese Datenbankeinträge einschließlich der jeweiligen Te­ lefonnummern bekannt. Anderenfalls kann das System weitere Informationen wie z. B. eine Buchstabierung des Städtenamens vom Benutzer anfordern, die dann in ähnlicher Weise mit den schon erhaltenen Informationen und ggf mit der Datenbank verknüpft werden. Ein solches Vorgehen ist aber auch dann möglich, wenn einer der vorhergehenden Erkennungsschritte entweder gar kein Ergebnis liefert oder nur eines, was sehr unähnlich zu der entsprechenden sprachlichen Äußerung des Benutzers ist. Eine weitere Einsatzmög­ lichkeit der Abfrage zusätzlicher Informationen ergibt sich, wenn die gesammelten Infor­ mationen sich nicht mit der Datenbank abgleichen lassen, d. h., wenn sich kein zu diesen Informationen passender Datenbankeintrag bestimmen lässt. Versagen alle Möglichkeiten des automatischen Systems, dem Benutzer die gewünschte Information zu geben, weil z. B. der Benutzer im o. g. Fall keine weiteren Informationen geben kann, so kann der Benutzer zu einem Menschen (human operator) verbunden werden, der die Anfrage weiter bearbei­ tet.

Die Tatsache, dass sich eine Anfrage eines Benutzers erwartungsgemäß auf einen in der Datenbank enthaltenen Eintrag bezieht, lässt sich zur Erhöhung der Erkennungsgenauig­ keit in den o. g. Spracherkennungsschritten benutzen. Die WO 96/13030 A2 schlägt dazu zwei Methoden vor. Zum einen lässt sich das Vokabular für den nächsten Erkennungs­ schritt entsprechend der schon bekannten Informationen zusammenstellen. Sind z. B. die möglichen Städte bereits erkannt worden, so wird das Vokabular für den Straßenerken­ nungsschritt nur aus den Straßen zusammengestellt, die in der Datenbank zu Einträgen mit den bekannten Städten gehören (compile road list). Zum anderen können die einzel­ nen Wörter dieses Vokabulars auch noch untereinander gewichtet werden (pre-weight the recognition network). Dazu erhalten die Straßen, die zu Städten gehören, die eine größere Ähnlichkeit mit der gesprochenen Äußerung der Stadt aufweisen, ein höheres Gewicht als diejenigen von Städten mit geringerer Ähnlichkeit.

Solche Gewichtungen von Vokabularworten und von Folgen von Vokabularworten werden in der Spracherkennung als Sprachmodell (language model) bezeichnet, vgl. dazu auch die Veröffentlichung "DJ Attwater and SJ Whittaker: Issues in large-vocabulary interactive speech systems. BT Technology Journal 14(1996), No. 1, pp. 177-186, Jan. 1996". Die WO 96/13030 A2 beschreibt, dass solche Sprachmodelle außer von der Datenbank und den schon erhaltenen Erkennungsergebnissen der Benutzeräußerungen auch noch von weiteren Umständen wie z. B. der Nummer des Anrufen bei telephonischen Auskunftssystemen oder auch von der Tageszeit abhängen können.

In der WO 96/13030 A2 werden die nach dem ersten Erkennungsschritt bei den weiteren Erkennungsschritten verwendeten Vokabularien und ggf. Sprachmodelle dynamisch aus der Datenbank (unter Berücksichtigung der bereits erhaltenen Erkennungsergebnisse) be­ rechnet. Im obigen Beispiel wird also nach der Städtenamenerkennung das Straßenvoka­ bular und dessen Sprachmodell dynamisch aus der Datenbank gewonnen. Da das Dialog­ system den Benutzer jedoch nicht allzu lange auf seine Reaktionen warten lassen darf, er­ fordert ein solches Vorgehen zum einen eine enge Kopplung des Spracherkennungssys­ tems, zu dem das Vokabular und das Sprachmodell gerechnet werden, mit der Datenbank. Zum anderen werden jedoch auch speziell hergestellte Datenbanken benötigt, da die z. Z. in Benutzung befindlichen Datenbanken nicht in der Lage sind, die benötigten Informati­ onen in der erforderlichen kurzen Zeit zu liefern.

So muss die Datenbank bei der dynamischen Erstellung des Straßenvokabulars z. B. in der Lage sein, innerhalb kurzer Zeit sämtliche Straßen zu liefern, die zu den aus der Städteer­ kennung erhaltenen einer oder mehreren Städten gehören. Diese Funktionalität ist völlig untypisch und erfordert daher viel Zeit für die z. Z. benutzten Datenbanken, die dafür vorgesehen sind, z. B. auf die Eingabe der Stadt und des Nachnamens hin nur die relativ wenigen passenden Einträge mit dieser Stadt und diesem Nachnamen herauszugeben.

Aufgabe der Erfindung ist es daher, ein automatisches Dialogsystem zur gesprochenen Datenbankabfrage der eingangs genannten Art zu schaffen, das ohne diese enge Kopplung zwischen Spracherkennungssystem und Datenbank auskommt und auch mit den z. Z. be­ nutzten Datenbanken zusammenarbeiten kann, sich aber dennoch die Vorteile einer ver­ besserten Erkennungsleistung durch die Verwendung von Sprachmodellen zunutze macht.

Diese Aufgabe wird gelöst durch ein automatisches Dialogsystem zum gesprochenen Ab­ fragen eines Datenbankeintrags, der mehrere für seine Abfrage vorgesehene Bestandteile enthält, wobei die Spracherkennung einer sprachlichen Äußerung zum Abfragen des Da­ tenbankeintrags durch ein Sprachmodell unterstützt wird, das vor dem Beginn des Dialo­ ges erstellt wurde, zu dem die sprachliche Äußerung gehört, und das das korrelierte Auf­ treten der für die Abfrage vorgesehenen Bestandteile des Datenbankeintrags in den sprach­ lichen Äußerungen des Dialoges modelliert. Indem das Sprachmodell vor dem Beginn des Dialoges erstellt wird, entfällt die Anforderung, dass die Entnahme der entsprechenden Informationen aus der Datenbank schnell erfolgen muss. Daher kann man auf die enge Kopplung zwischen Spracherkennungssystem und Datenbank verzichten, und es können auch die z. Z. benutzten Datenbanken verwendet werden.

Die abhängigen Ansprüche 2 bis 4 beanspruchen spezielle Ausgestaltungen des innerhalb des automatischen Dialogsystems zur gesprochenen Datenbankabfrage verwendeten Sprachmodells. Welche dieser Ausführungsformen sich in der Praxis besonders vorteilhaft einsetzen lassen, richtet sich nach den Kenntnissen über das Benutzerverhalten und nach den zur Verfügung stehenden Hardware- und Softwareressourcen des Dialogsystems.

Die Erfindung bezieht sich in Anspruch 5 jedoch auch auf ein Spracherkennungssystem zur Spracherkennung einer sprachlichen Äußerung zum gesprochenen Abfragen eines Da­ tenbankeintrags, der mehrere für seine Abfrage vorgesehene Bestandteile enthält, wobei das Spracherkennungssystem durch ein Sprachmodell unterstützt wird, das vor dem Beginn des Dialoges erstellt wurde, zu dem die sprachliche Äußerung gehört, und das das korrelierte Auftreten der für die Abfrage vorgesehenen Bestandteile des Datenbankeintrags in den sprachlichen Äußerungen des Dialoges modelliert. Ein solches Spracherkennungssystem kann z. B. als Systemkomponente eines erfindungsgemäßen Dialogsystems zur gesproche­ nen Datenbankabfrage benutzt werden.

In Anspruch 6 bezieht sich die Erfindung auf ein Sprachmodell zur Unterstützung der Spracherkennung einer sprachlichen Äußerung zum gesprochenen Abfragen eines Daten­ bankeintrags, der mehrere für seine Abfrage vorgesehene Bestandteile enthält, wobei das Sprachmodell vor dem Beginn des Dialoges erstellt wurde, zu dem die sprachliche Äußerung gehört, und wobei das Sprachmodell das korrelierte Auftreten der für die Abfrage vorgesehenen Bestandteile des Datenbankeintrags in den sprachlichen Äußerungen des Dialoges modelliert. Ein solches Sprachmodell lässt sich z. B. innerhalb eines erfindungs­ gemäßen Dialogsystems zur gesprochenen Datenbankabfrage verwenden.

Die Erfindung bezieht sich in Anspruch 7 aber auch auf ein Verfahren zum gesprochenen Abfragen eines Datenbankeintrags, der mehrere für seine Abfrage vorgesehene Bestandteile enthält, wobei die Spracherkennung einer sprachlichen Äußerung zum Abfragen des Da­ tenbankeintrags durch ein Sprachmodell unterstützt wird, das vor dem Beginn des Dialo­ ges erstellt wurde, zu dem die sprachliche Äußerung gehört, und das das korrelierte Auf­ treten der für die Abfrage vorgesehenen Bestandteile des Datenbankeintrags in den sprach­ lichen Äußerungen des Dialoges modelliert.

Diese und weitere Aspekte und Vorteile der Erfindung werden im Folgenden an Hand der Ausführungsbeispiele und insbesondere an Hand der beigefügten Zeichnungen näher er­ läutert. Es zeigen

Fig. 1 eine Ausführungsform eines erfindungsgemäßen Dialogsystems zur gesprochenen Datenbankabfrage,

Fig. 2 einen Auszug aus dem Firmenteil eines Telefonbuches einer Stadt,

Fig. 3 eine mögliche Abarbeitung einer gesprochenen Datenbankabfrage in Form eines Flussdiagramms.

Fig. 1 zeigt eine Ausführungsform eines erfindungsgemäßen Dialogsystems zur gesproche­ nen Datenbankabfrage. Ein Telefonanruf eines Systembenutzers läuft an der mit dem öf­ fentlichen Telefonnetz gekoppelten Telefonschnittstelle 1 auf, die mit der Netzwerk­ schnittstellen- und Ein-/Ausgabe-Kontrolleinheit 2, an der der Anruf entgegengenommen und zentral bearbeitet wird, bidirektional verbunden ist. Die Netzwerkschnittstellen- und Ein-/Ausgabe-Kontrolleinheit 2 übergibt eine sprachliche Äußerung des Benutzers an das Spracherkennungssystem 3, das die Äußerung unter Benutzung des Sprachmodells 6 erkennt, d. h. die für die Datenbankabfrage relevanten Bestandteile aus der sprachlichen Äußerung extrahiert.

Diese Erkennung im Spracherkennungssystem 3 besteht üblicherweise zunächst aus einer Überführung der gesprochenen Äußerung in Text, dem sogenannten Sprache-zu-Text (englisch: speech-to-text) oder der Spracherkennung im engeren Sinne. Dabei kann entwe­ der nur eine einzige Texthypothese für die sprachliche Äußerung erzeugt werden oder aber auch eine Menge verschiedener solcher Texthypothesen, die dann z. B. in Form soge­ nannter N-best Listen oder in Form von Wortgraphen organisiert werden. Zusätzlich kön­ nen solche Texthypothesen noch mit Bewertungen versehen werden, die z. B. mit der Ähnlichkeit der Texthypothese zur gesprochenen Äußerung korrespondieren.

Darf der Benutzer als Vokabular nur Worte verwenden, die als für die Abfrage vorgesehene Bestandteile jeweiliger Einträge in der Datenbank enthalten sind, so genügt bis auf die Behandlung von Buchstabierungen der Sprache-zu-Text Schritt bereits. Darf der Benutzer darüber hinaus jedoch auch noch andere Worte, z. B. solche zur Begrüßung, verwenden, so müssen im Spracherkennungssystem 3 die Texthypothesen noch auf die für die Daten­ bankabfrage relevanten Bestandteile reduziert werden. Dazu sind im Bereich der Spracher­ kennung verschiedene Methoden bekannt: Es lassen sich z. B. die irrelevanten Worte durch allgemeine Füllwortmodelle abdecken (garbage modelling, word spotting) oder man kann Methoden des Sprachverstehens (speech understanding) wie z. B. Grammatiken auf die Texthypothesen anwenden.

Darf ein Benutzer auch Buchstabierungen oder Teilbuchstabierungen von Worten ver­ wenden, die als für die Abfrage vorgesehene Bestandteile jeweiliger Einträge in der Daten­ bank enthalten sind, so müssen diese in die ihnen entsprechenden Bestandteile des Daten­ bankeintrags umgesetzt werden. Sagt ein Benutzer z. B. "Meyer mit E. Y." so zeigt die In­ formation "mit E. Y." an, dass eines gesuchten Datenbankbestandteile die Buchstabefolge "E. Y" enthält. Zur sprachmodellmäßigen Verarbeitung solcher Konstrukte können bei­ spielsweise wieder Grammatiken oder auch Zustandsautomaten herangezogen werden.

Das Ergebnis des Spracherkennungssystems 3 ist in diesen Fällen eine einzige oder eine Menge von alternativen Erkennungshypothesen der sprachlichen Äußerung, wobei die Hypothesen auf ihre für die Datenbankabfrage relevanten Bestandteile reduziert wurden. Weiter können auch diese Hypothesen je nach Systemgestaltung mit Bewertungen verse­ hen werden, die beispielsweise etwas über die Wahrscheinlichkeiten aussagen, dass die je­ weiligen Hypothesen richtig erkannt wurden.

Das Spracherkennungssystem 3 übergibt den bzw. die Erkennungshypothesen an die Dia­ logkontrolleinheit 4, die die während des Dialogs vom Benutzer mitgeteilten Informatio­ nen sammelt, bei genügendem Informationsstand eine Abfrage der Datenbank 7 durch­ führt und die nächste Dialogaktion des Systems plant. Dazu übergibt sie an die Sprachaus­ gabeeinheit 5 den Inhalt der nächsten Systemmitteilung an den Benutzer. Dabei kann sie z. B. den Text der nächsten Systemmitteilung oder aber auch nur eine semantische Beschrei­ bung davon übermitteln. Entsprechend übernimmt die Sprachausgabeeinheit 5 die Aufga­ be, den Text in Sprache zu überführen (englisch: text-to-speech) bzw. zusätzlich noch zu­ erst den Text aus der semantischen Beschreibung zu gewinnen.

Die Sprachausgabeeinheit 5 übergibt die nächste Systemmitteilung als Sprache an die Netzwerkschnittstellen- und Ein-/Ausgabe-Kontrolleinheit 2, von der sie über die Telefon­ schnittstelle 1 schließlich an den Benutzer weitergegeben wird.

Als Verfeinerung der oben beschriebenen Vorgehensweise im Dialogsystem zur gesproche­ nen Datenbankabfrage ist in Fig. 1 noch Folgendes dargestellt: Die Netzwerkschnittstellen- und Ein-/Ausgabe-Kontrolleinheit 2 kann der Dialogkontrolleinheit 4 noch weitere Infor­ mationen übergeben. Dies können z. B. die Telefonnummer des Anrufers oder auch nur eine Kennung der Region, aus der der Anruf kommt, sein. Entsprechend dieser Informati­ onen kann die Dialogkontrolleinheit 4 z. B. unterschiedliche Sprachmodelle 6 auswählen. Z. B. beobachtet man in der Praxis, dass Anrufer aus einer großen Stadt, die eine Bahnver­ bindung erfragen wollen, üblicherweise von dieser Stadt aus oder zu dieser Stadt hin fahren wollen. Dies lässt sich bei der Aufbereitung und/oder bei der Benutzung der Sprachmo­ delle vorteilhaft zur Senkung der Erkennungsfehlerrate verwenden. Um diese Funktionalität benutzen zu können, muss die Sprachmodellkomponente 6 entsprechend für die Auf­ nahme der benötigten Sprachmodelle ausgelegt werden.

Die Sprachmodelle 6 können jedoch auch noch von anderen Gegebenheiten abhängig ge­ macht werden, so z. B. von der Tageszeit oder dem Wochentag. Im obigen Bahnaus­ kunftsbeispiel beobachtet man wesentlich verschiedene Verkehrsströme zwischen Ar­ beitstagen und z. B. den Sonntagen. Das Vorliegen solcher Gegebenheiten kann sowohl von der Dialogkontrolleinheit 4 wahrgenommen und an die Sprachmodelle 6 weitergege­ ben werden, oder die Sprachmodelle 6 können dies selbst überwachen.

Für den Fachmann ist es offensichtlich, dass die in Fig. 1 dargestellten und oben beschrie­ benen Möglichkeiten der Systemgestaltung nur einige von vielen möglichen Varianten darstellen. So wird in manchen Systemen die Sprachverstehenskomponente auch als sepa­ rater Block untergebracht, der auch ein eigenes Sprachmodell verwenden kann, das von dem für die Sprache-zu-Text Komponente verschieden ist. Insbesondere wird hier auch auf die in der WO 96/13030 A2 beschriebenen und auch für diese Erfindung anwendbaren weite­ ren Möglichkeiten zur Systemausformung hingewiesen.

Weiter ist für den Fachmann ersichtlich, dass aus Übersichtlichkeitsgründen viele Detailas­ pekte des Systems weder in Fig. 1 dargestellt noch besprochen wurden. So muss das System natürlich der Tatsache Rechnung tragen, dass eine hohe Zahl von Anrufen nicht zum Sys­ temzusammenbruch führt, oder dass stark verrauschte gesprochene Äußerungen nicht zu einer Überlastung des Spracherkennungssystems 3 führen. Entsprechende Kommunikati­ onsprotokolle und Fehlerbehandlungen sind vorgesehen. So wird es üblicherweise z. B. auch eine Kommunikationsrichtung vom Spracherkennungssystem 3 zur Netzwerkschnitt­ stellen- und Ein-/Ausgabe-Kontrolleinheit 2 geben, auf der das Spracherkennungssystem 3 seine Bereitschaft mitteilen kann, die nächste gesprochene Äußerung zu verarbeiten. Wei­ ter sind, wie oben bei der Besprechung des in der WO 96/13030 A2 dargestellten Standes der Technik erwähnt, Ausweichmechanismen für den Fall vorzusehen, dass z. B. das Spracher­ kennungssystem 3 beispielsweise aufgrund von schwierigen akustischen Bedingungen ü­ berhaupt kein Erkennungsergebnis für eine sprachliche Äußerung erzeugt.

Weiter können während des Betriebs des Dialogsystems statistische Daten z. B. über das Anrufverhalten der Benutzer gesammelt und zur Anpassung der Sprachmodelle 6 verwen­ det werden. Schließlich deutet in Fig. 1 die gestrichelte Verbindung der Datenbank 7 zu den Sprachmodellen 6 an, dass die Sprachmodelle 6 unter Benutzung der in der Daten­ bank 7 enthaltenen Informationen generiert wurden.

Mit Hilfe der Fig. 2 und 3 wird die Arbeitsweise des Dialogsystems zur gesprochenen Da­ tenbankabfrage anhand des Beispiels der Abfrage der Telefonnummer einer Firma (eng­ lisch: business white pages) näher erläutert. Dazu zeigt Fig. 2 einen Auszug aus dem Fir­ menteil eines Telefonbuches einer Stadt. Es sind vier Datenbankeinträge dargestellt, die insbesondere folgende Kennzeichen aufweisen: Die Nachnamen der Firmeneigner sind einander akustisch recht ähnlich und daher leicht verwechselbar. Weiter tragen drei der Firmen die Bezeichnung "Sanitär" in ihrem Datenbankeintrag.

Fig. 3 zeigt die Abarbeitung einer gesprochenen Datenbankabfrage in Form eines Flussdia­ gramms. Die Abarbeitung startet im Startblock 10, worauf im Prozessblock 11 dem Benut­ zer die Frage gestellt wird, ob er die Telefonnummer einer Privatperson (englisch: white pages query) oder die einer Firma (englisch: business white pages query) erfragen möchte. Entsprechend der erkannten Benutzerantwort verzweigt die Kontrolle nach dem Entschei­ dungsblock 12. Möchte der Benutzer die Telefonnummer einer Privatperson, so erfolgt die weitere Abarbeitung in dem in Fig. 3 nicht näher aufgelösten Block 13. Möchte er aber die Telefonnummer einer Firma, so wird ihm als nächstes im Block 14 die Frage nach der Stadt gestellt, in der die Firma bzw. die Zweigstelle der Firma ansässig ist, deren Nummer er erfragen möchte.

Die Benutzerantwort wird erkannt und eine Liste der erkannten Städtenamen mit genü­ gend hoher Bewertung erstellt. Dabei wird für den weiteren Verlauf angenommen, dass die Liste nicht leer ist. Der Fall, dass die Erkennung versagt hat, wird hier also nicht weiter ausgeführt. Ist die Anzahl der erkannten Städtenamen in der Liste nicht klein genug, z. B. nicht kleiner als 3, was im Block 15 entschieden wird, so versucht das System, die Städte­ auswahl näher einzugrenzen. Dieses Vorgehen verhindert, dass in den nachfolgenden Schritten zwischen einer zu großen Zahl von Datenbankeinträgen entschieden werden muss.

Um die Städteauswahl näher einzugrenzen, wird zunächst im Block 16 durch Aktualisie­ rung eines Zählers festgehalten, wie oft bereits versucht wurde, eine weitere Frage zur Stadt zu stellen. Weiter kann dort auch festgehalten werden, welche Fragen bereits zu der Stadt gestellt wurden. Sodann wird im Block 17 durch Auswertung der Information von Block 16 entschieden, ob eine weitere Nachfrage nach der Stadt noch vorgenommen wer­ den soll. Ist das nicht der Fall, so wird in dieser Ausführungsform der Erfindung die weite­ re Gesprächsführung mit dem Benutzer einem menschlichen Bediener im hier nicht weiter erläuterten Block 18 überlassen. Anderenfalls wird dem Benutzer im Block 19 eine weitere Frage nach der Stadt gestellt, z. B. wird nach einer Buchstabierung der Stadt, nach anderen z. B. großen Städten in der Nähe oder auch einfach nur um eine Wiederholung des Städ­ tenamens gebeten. Zur Verarbeitung solch zusätzlicher umschreibender Information wie z. B. der Angabe anderer großer Städte in der Nähe müssen dann ggf. Methoden der künstlichen Intelligenz herangezogen werden, die man architektonisch beispielsweise bei der Dialogkontrolle 4 der Fig. 1 ansiedeln kann.

Sodann wird in Block 15 wieder entschieden, ob die Städteliste jetzt klein genug ist. Die Eingrenzung des Städtenamens durch die Abarbeitung der Blöcke 16, 17 und 19 wird da­ bei so oft wiederholt, bis entweder die Übergabe des Gespräches an den menschlichen Be­ diener in Block 18 erfolgt, oder aber die Städteliste durch Block 15 als klein genug bewer­ tet wird. Ist dies der Fall, die Städteliste also klein genug, so wird dem Benutzer im Block 20 die Frage nach der Firma gestellt, deren Nummer er erfragen möchte. In Block 21 wird dann entschieden, ob das Dialogsystem genug Informationen für eine er­ folgversprechende Datenbankanfrage besitzt. Z. B. kann das System verlangen, dass der Benutzer ihm zumindest einen Bestandteil der Firmentätigkeit, beispielsweise "Sanitär", und einen Bestandteil des Firmennamens, z. B. "Meyer", mitteilt. Im Falle der Verwen­ dung mehrerer genügend hoch bewerteter Erkennungsalternativen bedeutet das z. B. wie im Fall der oben beschriebenen Städteerkennung, dass die Liste der möglichen Alternativen klein genug ist.

Erscheint dem System die Information für eine Datenbankabfrage nicht erfolgverspre­ chend, so wird anlog wie bei der Einschränkung der Städteauswahl verfahren: Im Block 22 wird ein Zähler aktualisiert, wie oft bereits eine Präzisierung der Firmeninformation ver­ sucht wurde. Weiter wird festgehalten, welche Fragen bereits zu der Firma gestellt wurden. In Block 23 wird sodann durch Auswertung der Information von Block 22 entschieden, ob noch weiter nach der Firma gefragt werden soll. Ist das nicht der Fall, so wird in dieser Ausführungsform der Erfindung die weitere Gesprächsführung mit dem Benutzer wieder einem menschlichen Bediener in Block 18 überlassen. Anderenfalls wird dem Benutzer im Block 24 eine weitere Frage nach der Firma gestellt, z. B. wird nach einer Buchstabierung des Firmennamens, nach anderen Bestandteilen des Firmennamens und/oder der Firmen­ tätigkeit oder auch einfach nur um eine Wiederholung des Firmennamens gebeten.

Sodann wird in Block 21 wieder entschieden, ob die Datenbankanfrage jetzt erfolgverspre­ chend erscheint. Die Präzisierung der Firmeninformation durch die Abarbeitung der Blö­ cke 22, 23 und 24 wird dabei so oft wiederholt, bis entweder die Übergabe des Gespräches an den menschlichen Bediener in Block 18 erfolgt, oder aber die Datenbankanfrage durch Block 21 als erfolgversprechend bewertet wird. Ist dies der Fall, erscheint also die Daten­ bankanfrage erfolgversprechend, so wird diese im Block 25 durchgeführt. Im Block 26 wird dann entschieden, ob die Anzahl der zurückgelieferten Datenbankeinträge mit einer genügend hohen Bewertung klein genug ist, also z. B. kleiner als 3. Ist dies nicht der Fall, so tritt das System wieder in Block 22 ein, um nach dem oben beschriebenen Verfahren die Firmeninformation weiter zu präzisieren bzw. an einen menschlichen Bediener in Block 18 abzugeben.

Ist aber, ggf. nach wiederholtem Eintritt in Block 26, die Anzahl der zurückgelieferten Datenbankeinträge mit einer genügend hohen Bewertung klein genug, so werden dem Benutzer im Block 27 die gefundenen Datenbankeinträge einschließlich ihrer Telefon­ nummern angesagt. Danach wird die Abarbeitung des Verfahrens im Endblock 28 been­ det. Dazu kann das System dem Benutzer eine Abschiedsbotschaft ansagen und das Tele­ fongespräch beenden. Es kann aber auch dem Benutzer die Möglichkeit zu einer erneuten Anfrage geben, um bei entsprechendem Benutzerwunsch dann z. B. wieder in Block 11 einzutreten.

Die Benutzerantworten und ihre Spracherkennung sind in Fig. 3 nicht explizit dargestellt. Es versteht sich aber, dass nach jeder Systemaufforderung in den Blöcken 11, 14, 19, 20 und 24 eine Benutzerantwort erwartet wird. Die Spracherkennung dieser Benutzerant­ worten wird durch ein erfindungsgemäßes Sprachmodell unterstützt, das vor dem Beginn des Dialoges erstellt wurde, zu dem die sprachliche Äußerung gehört, und das das korre­ lierte Auftreten der für die Abfrage vorgesehenen Bestandteile des Datenbankeintrags in den sprachlichen Äußerungen des Dialoges modelliert.

Ein solches Sprachmodell wird vor dem Beginn des Dialogs mit dem Benutzer unter Be­ nutzung der Datenbank und ggf. unter Zugrundelegung weiterer Anrufstatistiken erstellt. Während des Dialoges erfolgen keine Datenbankanfragen zur Anpassung des Sprachmo­ dells, wodurch die Notwendigkeit einer eng mit dem Spracherkennungssystem gekoppelten und schnell reagierenden Datenbank entfällt.

Es besteht die Möglichkeit, das Sprachmodell vor dem Beginn eines Dialogs z. B. an die bis dahin beobachtete Anrufstatistik und/oder an veränderte Datenbanken anzupassen oder komplett neu zu erstellen. Da solche Anpassungen oder Neuerstellungen je nach ihrem Ausmaß sehr aufwendig und zeitraubend sein können, wird man sie üblicherweise in Zeit­ räume verlegen, in denen das System nur wenige Anfragen bearbeiten muss, also beispiels­ weise in die Stunden zwischen Mitternacht und dem frühen Morgen.

Ein erfindungsgemäßes, das Spracherkennungssystem unterstützendes Sprachmodell mo­ delliert das korrelierte Auftreten der für die Abfrage vorgesehenen Bestandteile eines Da­ tenbankeintrags in sprachlichen Äußerungen. Solche Korrelationen bestehen beispielsweise darin, dass die meisten Firmen und insbesondere große Firmen in großen Städten ansässig sind, d. h. dass bei einer Firmenanfrage die Wahrscheinlichkeit steigt, dass der Benutzer eine Telefonnummer in einer großen Stadt erfragen will. Weiter zeigen Anrufstatistiken, dass die meisten Benutzer Telefonnummern erfragen, die auch in der Datenbank vorhan­ den sind. D. h., die Wahrscheinlichkeit für das gemeinsame Auftreten von Bestandteilen, die zu einem nicht existenten Datenbankeintrag führen würden, ist nur klein.

Für die Modellierung korreliert auftretender Bestandteile der für die Abfrage vorgesehenen Bestandteile eines Datenbankeintrags in sprachlichen Äußerungen kommt es dabei nicht darauf an, ob diese Bestandteile zusammen in einer sprachlichen Äußerung auftreten oder ob sie über mehrere Äußerungen verstreut sind. So wurde z. B. in Fig. 3 in Block 14 die Stadt, aus der eine Telefonnummer gewünscht wird, separat abgefragt, während die Frage nach der Firma in Block 20 ohne nähere Einschränkung gestellt wurde. Daher ist zu er­ warten, dass viele Benutzer die Stadt auch separat nennen werden, z. B. "Berlin", während sie wahrscheinlich mehrere Bestandteile des Firmeneintrags gleichzeitig sagen werden, z. B. "Ich möchte die Firma Mayr, Schlosserei". Das Sprachmodell kann jedoch auch hier Be­ wertungen für die jeweilige Gesamtinformation abgeben, also bei der Städteerkennung für die Gesamtinformation "Firma, Stadt: Berlin" und bei der Firmenerkennung für "Firma, Stadt: Berlin, Mayr, Schlosserei".

Weiterhin kann das Sprachmodell auch berücksichtigen, dass die Informationen in ver­ schiedenen sprachlichen Äußerungen gegeben wurden, es kann also die Grenzen der sprachlichen Äußerungen modellieren. Andererseits kann es, z. B. aus Vereinfachungs­ gründen, auch nur die Informationen innerhalb einer sprachlichen Äußerung bewerten.

Um das Gesagte anhand eines Beispieles näher zu erläutern und um mögliche Ausfüh­ rungsformen von Sprachmodellen einzuführen, werden im Folgenden die in Fig. 2 darge­ stellten Datenbankeinträge benutzt. Dazu wird vereinfachend nur die relative Bewertung der vier in Fig. 2 gezeigten Einträge zueinander betrachtet, d. h. dass z. B. die Frage nach der Städteauswahl für diese Erläuterung nicht betrachtet wird.

Es besteht dann zum ersten die Möglichkeit, alle in der Datenbank enthaltenen Einträge mit der Bewertung 1 zu versehen, während alle übrigen Bestandteilkombinationen, die keine Entsprechung in einem Datenbankeintrag finden, die Bewertung 0 erhalten. Dies kann so interpretiert werden, dass das Sprachmodell nur zwischen den in der Datenbank enthaltenen Einträgen als "erlaubt" und allen übrigen Bestandteilkombinationen als "nicht erlaubt" unterscheidet. Im Beispiel der Fig. 2 erhält man so u. a. die in der folgenden Ta­ belle gezeigten Bewertungen.

Als zweite Möglichkeit kann die Bewertung 0 für die nicht in der Datenbank enthaltenen Bestandteilkombinationen beibehalten werden, während man bei den in der Datenbank enthaltenen Einträgen ihre relativen Häufigkeiten berücksichtigt. Für die obigen Beispiele erhält man die in der folgenden Tabelle gezeigten Bewertungen.

Die Bewertung von "Sanitär" ergibt sich dabei zu 3/4, weil das Wort "Sanitär" in 3 der 4 Datenbankeinträge auftaucht. Entsprechend taucht die Bestandteilkombination "Sanitär, Paul" in 2 der 4 Einträge auf, ihre Bewertung ergibt sich also zu 2/4 = 1/2. Ebenso be­ kommt die Bestandteilkombination "Geyer, Paul, Sanitär, Gas- und Wasserinstallation" die Bewertung 1/4. Dabei wurde hier davon ausgegangen, dass die Reihenfolge der Be­ standteile in der Bestandteilkombination ohne Bedeutung ist, das Sprachmodell also nur das Vorhandensein eines Bestandteiles in der Bestandteilkombination bewertet. Dies ist aber für die Erfindung nicht notwendig. So können beispielsweise in einer anderen Ausführungsform die Bewertungen von "Sanitär, Paul" und "Paul, Sanitär" voneinander ab­ weichen, um z. B. eine beobachtete Benutzerpräferenz zu modellieren.

Eine dritte Möglichkeit für die Sprachmodellbewertungen ist, den nicht in der Daten­ bank enthaltenen Bestandteilkombinationen eine Bewertung entsprechend der bei den Benutzern beobachteten relativen Häufigkeit solcher Kombinationen zuzuweisen. Für die in der Datenbank enthaltenen Einträge kann man weiter ihre relativen Häufigkeiten ver­ wenden. So kann man beispielsweise die in der folgenden Tabelle gezeigten Bewertungen erhalten.

Dabei wurde angenommen, das die Benutzer nie Vornamen (Karl) und Branchenbezeich­ nungen (Sanitär) verwenden, die nicht in der Datenbank enthalten sind, dass aber gewisse Wahrscheinlichkeiten bestehen, dass Vor-/Nachnamenkombinationen (Geyer, Otto), Vor­ namen-/Branchenkombinationen (Sanitär, Paul) und komplette Firmenbezeichnungen (Geyer, Paul, Sanitär, Gas- und Wasserinstallation; Mayr, Elfriede, Sanitär) auftauchen, die nicht zu Datenbankeinträgen gehören.

Die technischen Verfahren zur Schätzung der beschriebenen Sprachmodelle aus der Da­ tenbank und z. B. Benutzungsstatistiken sind einem Fachmann hinlänglich bekannt. Als Beispiele werden hier stellvertretend die sogenannten N-Gramm-Sprachmodelle und die stochastischen Grammatiken erwähnt. Die Möglichkeit, das ein Benutzer auch Bestand­ teilkombinationen verwendet, die nicht zu einem Datenbankeintrag gehören, lässt sich z. B. durch sogenanntes Discounting berücksichtigen.

Claims (7)

1. Automatisches Dialogsystem zum gesprochenen Abfragen eines Datenbankeintrags, der mehrere für seine Abfrage vorgesehene Bestandteile enthält, wobei die Spracherken­ nung (3) einer sprachlichen Äußerung zum Abfragen des Datenbankeintrags durch ein Sprachmodell (6) unterstützt wird, das vor dem Beginn des Dialoges erstellt wurde, zu dem die sprachliche Äußerung gehört, und das das korrelierte Auftreten der für die Abfrage vorgesehenen Bestandteile des Datenbankeintrags in den sprachlichen Äußerungen des Dialoges modelliert.

2. Automatisches Dialogsystem zur gesprochenen Datenbankabfrage nach Anspruch 1, dadurch gekennzeichnet,
dass das Sprachmodell (6) dem Auftreten mehrerer Bestandteile eines Datensatzes in den sprachlichen Äußerungen, der in der abgefragten Datenbank enthalten ist, die Be­ wertung 1 ("erlaubt") zuweist, und
dass das Sprachmodell (6) dem Auftreten mehrerer Bestandteile eines Datensatzes in den sprachlichen Äußerungen, der nicht in der abgefragten Datenbank enthalten ist, die Bewertung 0 ("nicht erlaubt") zuweist.

3. Automatisches Dialogsystem zur gesprochenen Datenbankabfrage nach Anspruch 1, dadurch gekennzeichnet,
dass das Sprachmodell (6) dem Auftreten mehrerer Bestandteile eines Datensatzes in den sprachlichen Äußerungen, der in der abgefragten Datenbank enthalten ist, eine Bewertung entsprechend ihrer relativen Häufigkeit in der abgefragten Datenbank zu­ weist, und
dass das Sprachmodell (6) dem Auftreten mehrerer Bestandteile eines Datensatzes in den sprachlichen Äußerungen, der nicht in der abgefragten Datenbank enthalten ist, die Bewertung "0" ("nicht erlaubt") zuweist.

4. Automatisches Dialogsystem zur gesprochenen Datenbankabfrage nach Anspruch 1, dadurch gekennzeichnet,
dass das Sprachmodell (6) dem Auftreten mehrerer Bestandteile eines Datensatzes in den sprachlichen Äußerungen, der in der abgefragten Datenbank enthalten ist, eine Bewertung entsprechend ihrer relativen Häufigkeit in der abgefragten Datenbank zu­ weist, und
dass das Sprachmodell (6) dem Auftreten mehrerer Bestandteile eines Datensatzes in den sprachlichen Äußerungen, der nicht in der abgefragten Datenbank enthalten ist, eine Bewertung entsprechend der relativen Häufigkeit solcher sprachlichen Äußerun­ gen zuweist.

5. Spracherkennungssystem (3) zur Spracherkennung einer sprachlichen Äußerung zum gesprochenen Abfragen eines Datenbankeintrags, der mehrere für seine Abfrage vorgesehe­ ne Bestandteile enthält, wobei das Spracherkennungssystem (3) durch ein Sprachmodell (6) unterstützt wird, das vor dem Beginn des Dialoges erstellt wurde, zu dem die sprachliche Äußerung gehört, und das das korrelierte Auftreten der für die Abfrage vorgesehenen Be­ standteile des Datenbankeintrags in den sprachlichen Äußerungen des Dialoges modelliert.

6. Sprachmodell (6) zur Unterstützung der Spracherkennung (3) einer sprachlichen Äuße­ rung zum gesprochenen Abfragen eines Datenbankeintrags, der mehrere für seine Abfrage vorgesehene Bestandteile enthält, wobei das Sprachmodell (6) vor dem Beginn des Dialoges erstellt wurde, zu dem die sprachliche Äußerung gehört, und wobei das Sprachmodell (6) das korrelierte Auftreten der für die Abfrage vorgesehenen Bestandteile des Datenbankein­ trags in den sprachlichen Äußerungen des Dialoges modelliert.

7. Verfahren zum gesprochenen Abfragen eines Datenbankeintrags, der mehrere für seine Abfrage vorgesehene Bestandteile enthält, wobei die Spracherkennung (3) einer sprachli­ chen Äußerung zum Abfragen des Datenbankeintrags durch ein Sprachmodell (6) unter­ stützt wird, das vor dem Beginn des Dialoges erstellt wurde, zu dem die sprachliche Äuße­ rung gehört, und das das korrelierte Auftreten der für die Abfrage vorgesehenen Bestand­ teile des Datenbankeintrags in den sprachlichen Äußerungen des Dialoges modelliert.