前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >从Java SDK看DuerOS的技能开发

从Java SDK看DuerOS的技能开发

作者头像
半吊子全栈工匠
发布2019-04-25 16:05:25
1.1K0
发布2019-04-25 16:05:25
举报
文章被收录于专栏:喔家ArchiSelf喔家ArchiSelf

DuerOS是对话式AI系统,既然都已经是人工智能了,为什么还要在DuerOS上开发技能服务呢?

温故知新,我们还是要重新审视一下AI,具体可以参见《老码农眼中的简明AI》。从编程的角度看,面向人工智能的应用大约由三部分组成:领域知识、数学算法和计算方式。数学算法和计算已经由类似DuerOS这样的AI系统提供了,但是领域知识涉及到具体的行业知识,业务逻辑,专业术语等等,尤其是业务逻辑,AI系统也难以做到面面俱到。做一个不太恰当的类比,互联网拥有了web技术,但是具体的Web应用服务还是需求开发的,面向对话式AI系统的技能服务也是类似。

面向人的交互

面向协议的DuerOS技能开发》一文中谈到,技能开发基本上可以理解为Web服务开发,只是用户交互的方式发生了改变。

电脑/手机等原来使用键盘/鼠标/触摸屏完成输入,用显示屏幕完成输出,现在基于DuerOS的小度系列产品使用语音对话完成输入,使用扬声器完成音频输出,当然,有屏设备同时支持了原有的功能。

简单地说,传统的交互方式是面向机器的,DuerOS的交互方式是面向人的。

DBP的SDK

为了方便开发者高效地完成技能服务的开发,DuerOS Bot Platform (DBP)提供了多种语言的SDK:Java,JavaScript,PHP,Go以及Python。对程序员而言,实现一个基于HTTP的协议,并不是一个很轻松的事,而使用DBP的SDK,则可以极大的提升开发效率。

我们可以在https://github.com/dueros看到关于DuerOS的各种语言SDK,而Java SDK 就成为了Java程序员的福音。

DBP的Bot-SDK-Java提供了一下主要功能:

  • 封装了DuerOS的request和response
  • 提供了session的简化接口
  • 提供了nlu简化接口
  • 提供了多轮对话开发接口
  • 提供了事件监听接口

需要注意的是,DBP的Java版SDK 需要在Java 8 及以上版本运行,采用Maven作为工程管理工具,同时DBP Java SDK的升级、维护也都通过Maven进行发布,在pom.xml中添加最新版本依赖的示例如下:

代码语言:javascript
复制
<dependency>
    <groupId>com.baidu.dueros</groupId>
    <artifactId>bot-sdk</artifactId>
    <version>1.1.8</version>
</dependency>

DBP Java SDK 浅析

从DBP Java SDK 的POM 文件中可以看到其中的依赖:

  • JUnit 4.11
  • Javax.serverlet 3.0.1
  • Jackson 2.9.7
  • commons-codec 1.6
  • commons-io 2.4
  • commons-digester 2.1
  • 百度的APM SDK 1.1.0

这与一般的Java 工程差别不大,唯一有点特殊的,可能算是APM的SDK了。 对于微服务而言,APM SDK 提供了类似sidecar之类的能力。

DBP Java SDK 工程结构主体包括:

  • bot:技能服务的基类
  • certificate:资源证书的实现
  • data:DBP协议的实体封装
  • model:对请求和响应的封装
  • nlu:对槽位和意图的实现
  • samples: 示例代码

从命名来看,除了data稍显歧义,其他都基本上可以见字知意。

DBP协议的主体——请求和响应

Model目录的request.java 和 response.java 实现了DBP协议中请求和响应的封装。

从面向对象的角度看Request的组成大体如下:

而Response的响应大体是这样的:

各成员变量的意义可以参见《在面向协议的DuerOS技能开发》。DBP协议中的实体分别位于Data目录中的Request 和 Response Package。下面逐一看一下代码中实现的协议实体。

DBP协议Request中的实体

Request中的数据实体可以用户相关,设备相关,对话相关以及消息事件。

用户相关

Account类承载了百度账号的信息,也就是说整个DBP平台的用户体系是基于百度账号的,技能平台可以基于百度账号进行用户的绑定以及用户系统的贯通。

CoordinatesInfo类表达了位置的经纬度,而GeoLocation类承载了不同坐标系的用户位置信息,是LocationInfo 的成员变量。

应用服务相关

AccessToken类用于实现DuerOS设备与DuerOS技能之间的鉴权。

Application类表明了技能服务也就是bot的标识,开发者通过DBP管理平台生成的bot-id就是这里的ApplicationID,而 Appinfo类描述了终端伴侣app的软件信息,成员变量包括包括技能名称,应用包名,版本号及版本名称。

Skillinfo 用于在有屏终端和App 伴侣上的技能呈现,包括了图标Icon类和技能的名称。

终端设备的属性特征

Device类和DeviceInfo类描述了基于DuerOS的终端终端信息,成员变量包括终端的ID以及终端的硬件能力即supportedInterface:

代码语言:javascript
复制
public class SupportedInterfaces {

    private TextInput textInput;
    private VoiceInput voiceInput;
    private VoiceOutput voiceOutput;
    private PlayController playController;
    private AudioPlayer audioPlayer;
    private Alerts alerts;
    private com.baidu.dueros.data.request.supportedInterfaces.Screen screen;
    private SpeakerController speakerController;
    private com.baidu.dueros.data.request.supportedInterfaces.System system;
    private ScreenExtendedCard screenExtendedCard;
    private VideoPlayer videoPlayer;
    private Display display;
    ....

Context是一个比较重要的类,成员变量包括:

  • System类:系统信息包括Application,User,Device以及apiAccessToken和apiEndPoint
  • 音/视频播放器状态
  • 显示屏幕的信息。
对话请求相关

RequestBody类封装了http post中的body,是个基础类,继承关系如下:

LaunchRequest是技能服务生命周期的开始,SessionEndedRequest是技能服务生命周期的终止,IntentRequest 则对应着技能服务处理的消息循环。

IntentRequest 中的成员Query是DuerOS设备语音识别后的结果,成员DialogState代表对话的状态,对应的意图以列表方式表达。

人机交互的对话是Dialog,而会话是session。这里的Session是另一个重要的类,Session ID 是本次多轮对话的唯一标识,更重要的是Session类中属性列表:

代码语言:javascript
复制
private Map<String, String> attributes = new HashMap<String, String>();

该属性列表实现了类似浏览器cookie的功能。

事件

事件是DBP协议中从DuerOS设备端发往技能服务的消息,目前包括显示,音/视频播放器,支付和用户授权事件。显示相关的继承关系如下:

LinkAccountSucceededEvent类对应与协议中的Connections.Response事件,当用户授权完成之后,技能服务会收到此事件。

ButtonClickedEvent和 RadioButtonClickedEvent了实现了Form.ButtonClicked和Form.RadioButtonClicked事件,当用户在有屏设备的表单上点击按钮/单选按钮,技能服务会收到此事件。

ElementSelectedEvent类实现了Display.ElementSelected事件,当用户在有屏设备的列表模版上选择了某一项时,技能服务会收到此事件。

LinkClickedEvent类实现了Screen.LinkClicked事件,如果在卡片或者卡片列表配置了URL地址,当用户点击卡片或者卡片列表时,技能服务会收到此事件。

在Audioplayer 的事件中,AudioPlayerEvent继承自httpbody,而其他事件类均继承自AudioPlayerEvent。

事件名

对应的类

AudioPlayer.PlaybackFailed

PlaybackFailedEvent

AudioPlayer.PlaybackFinished

PlaybackFinishedEvent

AudioPlayer.PlaybackNearlyFinished

PlaybackNearlyFinishedEvent

AudioPlayer.PlaybackPaused

PlaybackPausedEvent

AudioPlayer.PlaybackResumed

PlaybackResumedEvent

AudioPlayer.PlaybackStarted

PlaybackStartedEvent

AudioPlayer.PlaybackStopped

PlaybackStoppedEvent

AudioPlayer.PlaybackStutterFinished

PlaybackStutterFinishedEvent

AudioPlayer.PlaybackStutterStarted

PlaybackStutterStartedEvent

AudioPlayer.ProgressReportDelayElapsed

ProgressReportDelayElapsedEvent

AudioPlayer.ProgressReportIntervalElapsed

ProgressReportIntervalElapsedEvent

类似的,在videoplayer 的事件中,VideoPlayerEvent继承自httpbody,而其他事件类均继承自VideoPlayerEvent。

事件名

对应的类

VideoPlayer.PlaybackFinished

PlaybackFinishedEvent

VideoPlayer.PlaybackNearlyFinished

PlaybackNearlyFinishedEvent

VideoPlayer.PlaybackPaused

PlaybackPausedEvent

VideoPlayer.PlaybackQueueCleared

PlaybackQueueClearedEvent

VideoPlayer.PlaybackResumed

PlaybackResumedEvent

VideoPlayer.PlaybackStarted

PlaybackStartedEvent

VideoPlayer.PlaybackStopped

PlaybackStoppedEvent

VideoPlayer.PlaybackStutterFinished

PlaybackStutterFinishedEvent

VideoPlayer.PlaybackStutterStarted

PlaybackStutterStartedEvent

VedioPlayer.ProgressReportDelayElapsed

ProgressReportDelayElapsedEvent

VideoPlayer.ProgressReportIntervalElapsed

ProgressReportIntervalElapsedEvent

支付及应用内付费涉及到具体的商业模式,ChargeEvent.java 是主要的支付事件,继承自RequestBody类,包括了支付指令的token和详细的支付信息。

凡是涉及到用户隐私的数据或者操作均需用户授权,与用户授权相关的事件有:

代码语言:javascript
复制
PermissionGrantFailedEvent.java 
PermissionGrantedEvent.java 
PermissionRejectedEvent.java    
PermissionRequiredEvent.java

DBP协议Response中的实体

ResponseBody类是响应的核心:

代码语言:javascript
复制
public class ResponseBody {

    // 如果DuerOS仍然会选用当前Bot结果,应该再次下发请求,并将request.determined字段设置为true
    private boolean needDetermine;
    // 表示本次返回的结果是否为兜底结果
    private boolean fallBack;
    // 表示本次返回结果中需要播报的语音信息
    private OutputSpeech outputSpeech;
    // 在需要用户输入时,如果用户没有输入或用户输入内容系统不理解,则播报reprompt内容
    private Reprompt reprompt;
    // Bot输出的Resource内容
    private Resource resource;
    // Bot输出的Card内容,用于在有屏场景下展示
    private Card card;
    // Bot输出的指令,分为: 对DuerOS指令主要是对话指令;其他都是对端的指令
    private List<Directive> directives = new ArrayList<>();
    // 是否需要结束本次会话,DuerOS用于判断是否需要关闭某个打开的Bot,端用于关闭麦克风
    private boolean shouldEndSession;
    // 麦克风是否开启
    private boolean expectSpeech;
    ......
输出相关

Card类主要应用于有屏设备的展示,是个抽象类,派生出多种卡片展示:

  • ImageCard.java
  • LinkAccountCard.java
  • ListCard.java
  • StandardCard.java
  • TextCard.java

语音的输出主要是通过OutputSpeech类来实现,Reprompt的应用场景不同,但在实现上封装了OutputSpeech类。

对于具体的播放资源实体,通过Resource类实现,可以使用各种Entity的各种数据对象,尤其要注意Entity中的token,错误的token设置可能会导致资源无法播放。

会话相关

Session类与Request package中的Session类类似,主要是HashMap的session attribute 列表。

技能服务的指令

和Event 对应, 技能服务返回一系列指令(directive)使DuerOS的设备端完成对应的操作。Directive 是一个抽象类,其他的各种directive大都继承于此。

音视频播放器都保护play.java和stop.java 指令,但是视频播放还有一个ClearQueue.java 的指令。同时,二者都有对媒体内容的封装,例如Stream,AudioItem,VedioItem等。

与对话相关的指令都继承自DialogDirective类,指令对应的类文件如下所示:

事件名

对应的类

Dialog.ElicitSlot

ElicitSlot.java

Dialog.Delegate

Delegate.java

Dialog.ConfirmIntent

ConfirmIntent.java

Dialog.ConfirmSlot

ConfirmSlot

需要注意的是,Delegate代理的是处理逻辑,话术及意图需要通过DBP 平台进行配置。

用户授权的指令包括permission类和AskForPermissionsConsent类。 目前,DBP平台提高了4种类型的用户授权:

代码语言:javascript
复制
    public static final String READ_USER_PROFILE = "READ::USER:PROFILE";
    public static final String READ_DEVICE_LOCATION = "READ::DEVICE:LOCATION";
    public static final String WRITE_SMARTHOME_PRINTER = "WRITE::SMARTHOME:PRINTER";
    public static final String RECORD_SPEECH = "RECORD::SPEECH";

当然,这些授权可以组合传递。

DBP 提供了轻量级的支付体系,类ChargeBaiduPay实现了主要的支付功能,SellerOrderAttributes 是订单的信息。也就是说, DBP 是通过百度的聚合收银台实现了支付特性,用户可以通过支付宝、微信和百度钱包完成支付。

对DuerOS的有屏设备如小度在家而言,DBP的SDK还有完成触摸屏上的人机交互,主要指令只有一个Hint。但是,为了使开发更为高效,在Display.templates中提供了大量的模版可以使用。

NLU相关

NLU的模块主要提供了Intent类和Slot类, 用于描述意图和槽位。

代码语言:javascript
复制
public class Intent {

    // 意图名称
    private final String name;
    // 意图确认状态
    private final ConfirmationStatus confirmationStatus;
    // 意图中的槽位
    private final Map<String, Slot> slots;
    // 意图置信度
    private final int score;
    ......

关于意图和槽位的具体含义,可以参见《感知自然语言理解(NLU)》一文。

技能服务的载体——Bot

Bot 是技能服务的载体,BaseBot是所有Bot的基类,使用Bot-SDK开发的Bot都需要继承这个类。

代码语言:javascript
复制
public class BaseBot {

    // Base子类构造的Response
    protected Response response;
    // Bot收到的Request请求
    private final Request request;
    // 会话信息
    private Session session = new Session();
    // 是否需要结束本次会话
    private boolean shouldEndSession = false;
    // 如果DuerOS仍然会选用当前Bot结果,应该再次下发请求,并将request.determined字段设置为true
    private boolean needDetermine = false;
    // 麦克风开关是否打开
    private boolean expectSpeech = false;
    // 返回的指令
    private List<Directive> directives = new ArrayList<Directive>();
    // 通过NLU解析出来的Intent
    private Intent intent;

    // 是否打开参数验证,默认为false
    private boolean enableCertificate = false;
    // afterSearchScore
    private float afterSearchScore = 1.0f;
    private List<ExpectResponse> expectResponses = new ArrayList<>();
    // 认证签名
    private Certificate certificate;
    // 缓存认证相关信息
    private static ConcurrentHashMap<String, PublicKey> cache = new ConcurrentHashMap<>();
    // 数据统计信息
    public BotMonitor botMonitor;
    ......

BaseBot通过一系列方法完成了对Request/Response的读取和设置,可以通过Serverlet的request来构造BaseBot:

代码语言:javascript
复制
    protected BaseBot(HttpServletRequest request) throws IOException, JsonMappingException {
        certificate = new Certificate(request);
        String message = certificate.getMessage();
        ObjectMapper mapper = new ObjectMapper();
        this.request = mapper.readValue(message, Request.class);
        this.botMonitor = new BotMonitor(message);
        this.session.getAttributes().putAll(this.request.getSession().getAttributes());
    }

BaseBot 还完成了事件的分发,证书验证等功能,是主要的逻辑处理引擎。

AudioPlayer和VideoPlayer继承自BaseBot,主要对DuerOS设备端上传的事件进行具体处理。

DBP Java SDK 的应用

建议采用Maven 来构建工程,这样可以避免库版本的不一致性带来的困扰。

通过DBP Java SDK 构建一个DuerOS技能和开发一个web服务没什么区别,只需要实现对应的Action 和自己的技能服务逻辑即可。

以sample中的个税计算器为例,只有TaxAction.java和TaxBot.java两个文件,但可以看到实现的要点。

Action的实现

TaxAction 继承自HttpServlet,但只实现了http中的3个方法:Head,GET和POST。

在POST方法中实现了技能服务的入口:

代码语言:javascript
复制
 protected void doPost(HttpServletRequest request, HttpServletResponse response)
            throws ServletException, IOException {
        // 根据request创建Bot
        TaxBot bot;
        try {
            bot = new TaxBot(request);
            // 线下调试时,可以关闭签名验证
            // bot.enableVerify();
            bot.disableVerify();

            // 调用bot的run方法
            String responseJson = bot.run();
            // 设置response的编码UTF-8
            response.setCharacterEncoding("UTF-8");
            // 返回response
            response.getWriter().append(responseJson);

            // 打开签名验证
            // bot.enableVerify();

        } catch (Exception e) {
            e.printStackTrace();
            response.getWriter().append(e.toString());
        }
    }

其中,在测试环境中,可以关闭签名的验证。

TaxBot的实现

TaxBot继承自BaseBot,onLaunch()方法是启动对话的入口:

代码语言:javascript
复制
    protected Response onLaunch(LaunchRequest launchRequest) {
        // 新建文本卡片
        TextCard textCard = new TextCard("所得税为您服务");
        // 设置链接地址
        textCard.setUrl("www:....");
        // 设置链接内容
        textCard.setAnchorText("setAnchorText");
        // 添加引导话术
        textCard.addCueWord("欢迎进入");

        // 新建返回的语音内容
        OutputSpeech outputSpeech = new OutputSpeech(SpeechType.PlainText, "所得税为您服务");

        // 构造返回的Response
        Response response = new Response(outputSpeech, textCard);
        return response;
    }

onInent()方法实现了DuerOS处理后的语音意图:

代码语言:javascript
复制
@Override
protected Response onInent(IntentRequest intentRequest) {

    // 判断NLU解析的意图名称是否匹配 inquiry
    if ("inquiry".equals(intentRequest.getIntentName())) {
        // 判断NLU解析解析后是否存在这个槽位
        if (getSlot("monthlysalary") == null) {
            // 询问月薪槽位monthlysalary
            ask("monthlysalary");
            return askSalary();
        } else if (getSlot("location") == null) {
            // 询问城市槽位location
            ask("location");
            return askLocation();
        } else if (getSlot("compute_type") == null) {
            // 询问查询种类槽位compute_type
            ask("compute_type");
            return askComputeType();
        } else {
            // 具体计算方法
            return compute();
        }
    }
    return null;
}

onSessionEnded()方法用于结束会话:

代码语言:javascript
复制
    @Override
    protected Response onSessionEnded(SessionEndedRequest sessionEndedRequest) {

        // 构造TextCard
        TextCard textCard = new TextCard("感谢使用所得税服务");
        textCard.setAnchorText("setAnchorText");
        textCard.addCueWord("欢迎再次使用");

        // 构造OutputSpeech
        OutputSpeech outputSpeech = new OutputSpeech(SpeechType.PlainText, "欢迎再次使用所得税服务");
     
        ListCard listCard = new ListCard();
        StandardCardInfo item1 = new StandardCardInfo("title1", "content1");
        StandardCardInfo item2 = new StandardCardInfo("title2", "content2");
        listCard.addStandardCardInfo(item1);
        listCard.addStandardCardInfo(item2);
        
        // 构造Response
        Response response = new Response(outputSpeech, textCard);

        return response;
    }

具体的,askLocation()和askComputeType()完成槽位的填充,compute()完成具体的个税计算。

当然,开发技能服务需要从开发者注册开始,还需要在DBP的管理平台对意图技能配置单很简单,从注册到配置技能在10分钟内可以完成,详情参考官网:dueros.baidu.com/dbp

小结

为了方便DBP协议实现,可以使用DBP SDK 提高开发的效率,理解SDK的实现方式和原理对于SDK的使用有着很大的帮助,从而,开发者可以方便且高效地发布自己的技能服务。对于尝鲜的用户而言,可以尝试小技能的开发。无需编程,几分钟就可能实现一个自己的小技能。

当然,各种编程语言的DBP SDK还在持续演进中,值得期待。

参考
  • https://dueros.baidu.com/dbp
  • https://github.com/dueros/bot-sdk-java
本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2019-03-22,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 喔家ArchiSelf 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 面向人的交互
  • DBP的SDK
  • DBP Java SDK 浅析
    • DBP协议的主体——请求和响应
      • DBP协议Request中的实体
        • 用户相关
        • 应用服务相关
        • 终端设备的属性特征
        • 对话请求相关
        • 事件
      • DBP协议Response中的实体
        • 输出相关
        • 会话相关
        • 技能服务的指令
      • NLU相关
        • 技能服务的载体——Bot
        • DBP Java SDK 的应用
          • Action的实现
            • TaxBot的实现
            • 小结
            相关产品与服务
            腾讯云小微
            腾讯云小微,是一套腾讯云的智能服务系统,也是一个智能服务开放平台,接入小微的硬件可以快速具备听觉和视觉感知能力,帮助智能硬件厂商实现语音人机互动和音视频服务能力。
            领券
            问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档