近年来,随着机器人技术的不断发展与逐渐成熟,机器人被广泛应用于各个领域。在商用领域,各种服务机器人开始出现在一些商业广场或购物中心里,为顾客提供导购服务,导购服务包含商品推荐和位置引导两个部分。需要说明的是,本文所提的商品推荐包含商家推荐。在商品推荐方面,商场服务机器人主要通过热门商品的图片展示和商品种类搜索为用户推荐商品,此方式没有考虑到用户的消费倾向与偏好,个性化程度不高。在位置引导方面,商场服务机器人一般是通过“带领”用户的方式帮助用户到达目的位置,然而商场复杂的环境和流动的人群造成机器人移动速度缓慢,引导效率低。针对这些问题,本文的研究内容如下:一方面,为了提高机器人商品推荐服务的个性化程度,本文采用文本挖掘技术从商品的线上评论中提取出商品各种属性的评价信息,再结合用户的偏好提供推荐(用户的偏好通过机器人与之语音交互获取)。具体步骤:(1)从评论中抽取商品属性词。本文提出一种基于混合语义表达的属性词抽取模型(Mutil-semantics CRF),该模型通过引入语义相似度和聚类特征,优化了单词的语义表达。通过与5种基线模型的测试结果对比,本文所提模型的召回率和F1均最高,验证了该模型的有效性;(2)判别评论中属性词的情感极性。由于一条评论可能包含多个属性词,本文提出一种句子切分方法将评论文本按属性词个数进行切分,使每个属性词的描述文本相互独立。实验表明:该句子切分方法能帮助情感分类模型提高对消极情感倾向的识别,进而优化整个模型的识别效果;(3)根据属性词的情感分析结果对商品的各个属性进行评估,并结合用户的偏好进行个性化推荐。本文以商场的餐厅评论为分析样本,构建餐厅各个属性的评估模型,并以此为案例演示了个性化推荐方法的流程。另一方面,为了提高机器人位置引导的效率,本文以多机器人协同的方式为用户提供“接力式”的指引服务,机器人本身不移动,以语音的方式指引用户,具体工作:(1)提出一种基于多机器人协同的商场位置指引方法。该方法根据商场布局与路况部署机器人服务网点,机器人为用户规划最短路径并提供语音指引。用户途经的所有机器人都将共享数据,为用户提供“接力式”的连续指引服务;(2)本文以青岛某一商场为例,根据其地图进行机器人网点的模拟部署,并演示了多机器人协同为用户提供指引服务的流程。