物聯網應用中的策略自動生成器

張美楠 鄭濰雯 王驕陽

摘 要：本文圍繞實現物聯網應用領域中的只能家居方面的策略的自動生成展開，旨在將研究小組的項目開發成果，策略自動生成器的軟件開發過程進行描述。開發過程主要包括：基于Python語言實現的各大中文語義開發平臺的中文自然語言分析，其中BosonNLP開發平臺占據主要部分;基于SQL數據庫實現的智能家居領域語言的關鍵詞，近義詞等的統計工作;科大訊飛推出的以語音為核心的人機交互解決方案-AIUI開放平臺，實現智能手機上的語音識別功能;以及基于當前app主流開發工具Android?Studio開發的應用程序-策略自動生成器。項目主要解決的問題，捕獲關于智能家居領域家電控制方向的自然語言。理解語義并作出相應的回饋指令，從而實現語音控制智能家居的目的。

關鍵詞：物聯網;策略自動生成器;BonsonNLP;SQL數據庫;AIUI

本項目內容圍繞實現智能家居等可控智能領域的策略自動生成器展開;此策略自動生成器致力于給出問題的最優解決方案，相較于類似傳統的家居領域的電視遙控器等事先設定好的內部邏輯，此項目致力于實現各個電器的智能控制，最大的特點是使用語音控制家電，捕獲用戶語言中的關鍵信息，實現家居產品的控制工作。（例如，某傳統電器-空調，擺脫了傳統的控制遙控器之后，當前市面上的很多智能音箱等產品已經可以實現語音控制。但是命令中若涉及到繁瑣的不易理解的用戶輸入語言“當室內溫度超過30℃時，請打開空調制冷功能”，“只要室內溫度大于30℃了，就請你打開空調...”可能難以區分）由此，此項目內容中的策略自動生成器致力于針對智能家居領域中的幾個典型家電，基于NLP開放平臺提供的開發者接口，通過大量的語句測試，來統計并豐富指定領域語言流中的關鍵信息，結合中文分詞算法，實現關鍵字提取，進行數據分析，匹配，對智能終端執行控制命令，讓大眾發出的即使再平常的語音指令，也能輕松被機器識別。

一、NLP以及簡單的數據庫

自然語言處理（NLP）是人工智能和語言學領域的一個分支學科，同時也是機器學習中最熱的一個方向之一。試想想，機器可完全明白人類的語言，并且可以嫻熟地使用自然語言與人類溝通，這不就是人工智能的目標？幸好，現在各種文本預處理、文本挖掘技術已日漸成熟，可以幫助我們從文本中提取出更多有意義的信息。此項目主要使用了一款NLP開放平臺-玻森，此團隊專注于中文語義分析技術，其通過自主研發的中文分詞、句法分析、語義聯想和實體識別技術，為開發者提供了簡單、強大、可靠的中文語義分析云端API。

通過此平臺，項目組的成員主要進行了以下一些測試，關鍵詞提取“現在外面的天氣真熱啊”，利用Python執行代碼之后得到的關鍵詞有“天氣，熱”。語義聯想“打開空調”，執行后得到的相近語義有“翻開，拆開等”。針對各種類型的家電產品，首先通過各種中文分析工具，提取出每一條控制語句中的關鍵字，并加之適當的語義分析，將統計結果錄入數據庫，建立一套關于針對智能家居控制領域的語法，便于后續程序的開發。數據庫可以直觀的理解為存放數據的倉庫，那么我們將家電的控制指令中的關鍵字提取出來后，將其存儲于數據庫。想要達到完全智能化的控制，需要通過大量的機器訓練或是提供大量的數據。

二、語音識別平臺

眾所周知，科大訊飛、云知聲、思必馳是幾家專注于語音識別技術的公司，依靠垂直語音技術領域，長期盤踞主流語音市場，擁有先發優勢。那么此次軟件開發過程中，小組成員經過調研后，毫不猶豫的選擇接入了科大訊飛的語音識別平臺技術。AIUI是科大訊飛2015年推出的一套以語音為核心的人機交互解決方案，意在使應用和設備能夠快速具備能聽會說，能理解會思考的能力。此策略自動生成器的最大的功能之一，語音控制智能家居的能力通過接入AIUI得到了簡單方便的實現。

三、程序開發

搭建程序的界面，實現其內部的邏輯功能，建立前后臺的連接，引入各個平臺的API，相信是眾多app開發者最熟悉的操作內容。首先在開發工具的選擇上，小組選擇了當前主流的集成開發工具AS，其擁有完善的插件管理，支持多種代碼管理工具，智能且有GOOGLE官方支持等多項優點。在項目的實際開發過程中，界面的設計上基本沒有遇到什么問題，實際接入AIUI平臺的SDK時，由于項目開發的不熟練，以及官方使用文檔的理解能力不夠，開發初期饒了很多的彎路，但是好在經過大家的共同努力，基本達成了預期的目標成果。用戶輸入一段及其控制語音指令，程序反饋出對應的機器操作指令。實際軟件中已經基本實現了冰箱，空調，電燈，電視機的開關等控制，歡迎感興趣的小伙伴體驗這款（物聯網應用中的）策略自動生成器軟件并提供您寶貴的建議。

四、總結

事實上，想要達到真正的智能，絕不僅僅是簡單的軟件開發，今年早些時候，Google?DeepMind的AlphaGo打敗了韓國的圍棋大師李世乭九段。在媒體描述DeepMind勝利的時候，將人工智能（AI）、機器學習（machine?learning）和深度學習（deep?learning）都用上了。機器學習最基本的做法，是使用算法來解析數據、從中學習，然后對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數據來“訓練”，通過各種算法從數據中學習如何完成任務。盡管我們此次的研究僅僅是針對于簡單易用的軟件的開發，但是站在深遠發展的角度上，我們的下一步目標可能會是深入人工智能領域的研究，畢竟人工智能時代正在悄然改變著我們的生活。

參考文獻：

[1]朱子龍.人工智能技術在電氣自動化控制中的運用探討[J].科技創新與應用，2012（17）：14.

[2]張德.自然語言處理技術在司法過程中的應用研究[J].信息與電腦（理論版），2017（17）.

[3]晏立.從社會需求的角度探索軟件工程教育[J].計算機教育。2008.22：141-142.

[4]侯亞君.計算機語言識別技術應用的探索[J].電腦開發與應用。2014（03）.