CN107346340A - 一种用户意图识别方法及系统 - Google Patents
一种用户意图识别方法及系统 Download PDFInfo
- Publication number
- CN107346340A CN107346340A CN201710537736.6A CN201710537736A CN107346340A CN 107346340 A CN107346340 A CN 107346340A CN 201710537736 A CN201710537736 A CN 201710537736A CN 107346340 A CN107346340 A CN 107346340A
- Authority
- CN
- China
- Prior art keywords
- dialog text
- user view
- user
- network model
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9032—Query formulation
- G06F16/90332—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种用户意图识别方法及系统,该方法包括:获取用户输入的对话文本;将对话文本进行分字处理,得到对话文本的汉字串;将汉字串输入至双向循环神经网络模型来确定用户意图。本发明通过将对话文本分割为汉字串,将汉字串输入至双向循环神经网络模型来确定用户意图,通过字向量可以有效改善语音识别的误识别、分词错误、低词频等对用户意图识别精度的影响,双向循环神经网络模型可以使从字表示词,进而表示句子,且可以方便的使用用户的对话历史信息,提高用户意图识别系统的成功率和用户体验。
Description
技术领域
本发明涉及数据交互技术领域,特别是涉及一种用户意图识别方法及系统。
背景技术
近年随着语音识别、人机对话、自然语言处理等技术迅猛发展。用户意图识别是对这一类助手型对话产品来说极为重要,且又极具挑战的一项任务。用户意图识别是从用户的输入(语音识别结果)中理解用户的需求,例如:用户1:北京明天的天气如何?意图1:查询天气;用户2:明天上午10:00有个会,请在9:50的时候提醒我一下,多谢!意图2:设置闹钟;用户3:请帮忙播放琅琊榜,意图2:播放视频。
传统的方法首先获取用户输入的对话文本;然后对文本进行分词;再分别计算文本中每个词的词向量;最后将词向量输入预先训练好的传统模型,例如:朴素贝叶斯、逻辑回归模型、支持向量机等,或神经网络模型,例如:前向神经网络、循环神经网络、卷积神经网络等来判断当前的用户意图。为节省内存和模型的训练速度,传统的基于词的方法通常预先定义一个大小合适的词典(即词频大于某个阈值的词集合),因此一旦输入中包括不在词典中词(有可能是语音识别的误识别、或者分词错误造成的),系统即有可能不能正确地识别用户意图。例如:训练数据为:帮忙搜索美剧(语音识别结果:帮忙搜索美剧;分词结果:帮忙搜索美剧);测试数据1为:请打开英剧(语音识别结果:请你打开英剧;分词结果:请打开英剧);测试数据2为:请搜索没剧(语音识别结果:请搜索没剧;分词结果:请搜索没剧),对于测试数据1,如果训练数据中没有出现过“英剧”这个词,用户对话意图系统可能就无法正确判断用户意图;而测试数据2是由于语音识别的错误,可能无法正确判断用户意图。因此,使用传统的词向量进行语音识别容易造成误识别,由于低频次、新词和俚语等的词或分词错误均对用户意图识别系统对用户意图的识别精度的影响,从而降低用户意图系统的成功率和用户体验。
发明内容
本发明的目的在于提出一种用户意图识别方法及系统,以解决现有技术中传统的分词方法来识别用户对话意图,由于低频次、新词和俚语等的词或分词错误均对用户对话意图系统对对话文本的识别精度的影响,从而降低用户意图系统的成功率和用户体验的问题。
为达到上述目的,本发明提供了以下技术方案:
一种用户意图识别方法,包括:
获取用户输入的对话文本;
将所述对话文本进行分字处理,得到所述对话文本的汉字串;
将所述汉字串输入至双向循环神经网络模型来确定用户意图,所述双向循环神经网络模型包括:前向循环神经网络模型和后向循环神经网络模型。
其中,所述获取用户输入的对话文本,具体为:
获取用户输入的语音会话;
采用语音转文字引擎将所述语音会话转换为对话文本。
优选的,在所述将所述汉字串输入至双向循环神经网络模型来确定用户意图步骤之前,还包括:
采用由多条不同对话文本及其对应的用户意图组成的对话样本进行训练,获得预先训练的所述双向循环神经网络模型。
其中,所述将所述汉字串输入至双向循环神经网络模型来确定用户意图,具体为:
接收所述分字处理后得到的所述对话文本中的汉字串;
对所述汉字串中的多个汉字进行字向量的计算,得到多个字向量;
针对所述多个字向量,通过所述前向循环神经网络模型计算所述对话文本的前向表示,以及通过所述后向循环神经网络模型计算所述对话文本的后向表示;
根据所述前向表示和所述后向表示进行全连接计算,得到所述对话文本的句子表示;
根据所述句子表示采用softmax分类器预测所述对话文本的用户意图。
其中,所述根据所述句子表示采用softmax分类器预测所述对话文本的用户意图,具体为:
采用softmax分类器计算所述对话文本在所有用户意图上的分布函数;
根据所述分布函数计算所述所有用户意图对应的用户意图概率;
将所述用户意图概率最大的用户意图作为所述对话文本的用户意图输出。
一种用户意图识别系统,包括:
获取模块,用于获取用户输入的对话文本;
分字处理模块,用于将所述对话文本进行分字处理,得到所述对话文本的汉字串;
意图确定模块,用于将所述汉字串输入至双向循环神经网络模型来确定用户意图,所述双向循环神经网络模型包括:前向循环神经网络模型和后向循环神经网络模型。
其中,所述获取模块包括:
获取单元,用于获取用户输入的语音会话;
转换单元,用于采用语音转文字引擎将所述语音会话转换为对话文本。
优选的,还包括:
训练模块,用于采用由多条不同对话文本及其对应的用户意图组成的对话样本进行训练,获得预先训练的所述双向循环神经网络模型。
其中,所述意图确定模块包括:
接收单元,用于接收所述分字处理后得到的所述对话文本中的汉字串;
第一计算单元,用于对所述汉字串中的多个汉字进行字向量的计算,得到多个字向量;
第二计算单元,用于针对所述多个字向量,通过所述前向循环神经网络模型计算所述对话文本的前向表示,以及通过所述后向循环神经网络模型计算所述对话文本的后向表示;
第三计算单元,用于根据所述前向表示和所述后向表示进行全连接计算,得到所述对话文本的句子表示;
预测单元,用于根据所述句子表示采用softmax分类器预测所述对话文本的用户意图。
其中,所述预测单元包括:
第四计算单元,用于采用softmax分类器计算所述对话文本在所有用户意图上的分布函数;
第五计算单元,用于用于根据所述分布函数计算所述所有用户意图对应的用户意图概率;
输出单元,用于将所述用户意图概率最大的用户意图作为所述对话文本的用户意图输出。
经由上述的技术方案可知,与现有技术相比,本发明公开了一种用户意图识别方法及系统,该方法包括:获取用户输入的对话文本;将对话文本进行分字处理,得到对话文本的汉字串;将汉字串输入至双向循环神经网络模型来确定用户意图。本发明通过将对话文本分割为多个字的汉字串,将汉字串输入至双向循环神经网络模型来确定用户对话意图,通过字向量可以有效改善语音识别的误识别、分词错误、低词频等对用户意图识别精度的影响,双向循环神经网络模型可以使从字表示词,进而表示句子,且可以方便的使用用户的对话历史信息,提高用户意图识别系统的成功率和用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种用户意图识别方法流程示意图;
图2为本发明实施例提供的图1中的步骤S103的具体流程图;
图3为本发明实施例提供的用户意图识别流程示意图;
图4为本发明实施例提供的一种用户意图识别系统结构示意图;
图5为本发明实施例提供的图4中的意图确定单元403的具体结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅附图1,图1为本发明实施例提供的一种用户意图识别方法流程示意图。如图1所示,本发明公开了一种用户意图识别方法,该方法具体包括如下步骤:
S101、获取用户输入的对话文本。
在本申请中本步骤,可以直接获取用户输入的对话文本,以通过文本形式与用户进行对话。考虑到在智能机器人等领域应用时,用户往往是通过语音进行对话的,因此,在本发明提供的一个实施例中,所述获取用户输入的对话文本,包括:
获取用户输入的语音会话;采用语音转文字引擎将所述语音会话转换为对话文本,从而可以实现与用户通过语音进行人机互动。
需要说明的是,语音转文字引擎可以直接将接受到的语音信息转换文本信息,该语音转文字引擎属于本领域比较成熟的技术,在此不再进行详细的赘述。
S102、将对话文本进行分字处理,得到对话文本的汉字串。
在本申请中本步骤可以直接将获取的对话文本按照字进行分字处理,得到对话文本中的多个字的汉字串,汉字串是由将一个句子进行分字处理后得到的多个字组成的。
对于分字处理,例如:训练数据为:帮忙搜索美剧(语音识别结果:帮忙搜索美剧;分字结果:帮忙搜索美剧);测试数据1为:请打开英剧(语音识别结果:请你打开英剧;分字结果:请打开英剧);测试数据2为:请搜索没剧(语音识别结果:请搜索没剧;分字结果:请搜索没剧)。通过分字处理,可以将对话文本分割为多个汉字串,为后续的双向循环神经网络模型做基础分割。
S103、将汉字串输入至双向循环神经网络模型来确定用户意图,双向循环神经网络模型包括:前向循环神经网络模型和后向循环神经网络模型。
具体的,前向循环神经网络模型和后向循环神经网络模型可以使用ElmanNetworks、Jordan Networks、Gated Recurrent Unit或LSTM等。
在本申请中,在将汉字串输入至双向循环神经网络模型来确定用户意图步骤之前,还包括:
采用由多条不同对话文本及其对应的用户意图组成的对话样本进行训练,获得预先训练的双向神经网络模型。且使用交叉熵(cross-entropy)为损失函数和back-propagation through time算法更新模型中的参数矩阵和参数向量。
具体的,请参阅附图2,图2为本发明实施例提供的整体框架和算法示意图。其中,双向循环神经网络模型的原理和工作流程如下:
如图2所示,双向循环神经网络模型主要包括5个部分:(1)计算基于字的向量,即字向量L表示字的个数,图2的示例中L=6);(2)基于字向量的前向循环神经网络模型学习句子的前向表示hL;(3)基于字向量的后向循环神经网络模型学习句子的后向表示h0;(4)基于全连接学习句子表示hs;(5)使用softmax预测用户对话意图。
其中,请参阅附图3,图3为本发明实施例提供的图1中的步骤S103的具体流程图。如图3所示,将汉字串输入至双向循环神经网络模型来确定当前的用户意图,具体为:
S301、接收分字处理后得到的对话文本中的汉字串。
在本申请中,接收用户输入的对话文本S,先将对话文本按字切分,得到S=C0C1…Ci,其中Ci表示第i个字。
S302、对汉字串中的多个汉字进行字向量的计算,得到多个字向量。
通过映射矩阵P,字向量Ci被表示为一个dc维的向量
S303、针对多个字向量,通过前向循环神经网络模型计算对话文本的前向表示,以及通过后向循环神经网络模型计算对话文本的后向表示。
在本申请中,前向循环神经网络模型计算句子的前向表示可以使用ElmanNetworks,Jordan Networks,Gated Recurrent Unit,或者Long Short-term Memory。本实施中,只介绍Elman Network是如何得到hL。如:其中,hL:dh维隐层向量;Wxh:dh*dh维参数矩阵;Whh:dh*dh维参数矩阵;bf:dh维参数向量。因此,循环神经网络的输入包括当前的输入字符还包括网络在上一个时刻的输出。理论上,循环神经网络模型能够记忆任何长度的历史数据,即对话历史数据。
对于后向循环神经网络模型和前向循环神经网络模型具有同样的结构,不同点是后向循环审计经网络是从句子的最后一个字Ci向前计算,直至C0得到句子的后向表示h0。
S304、根据前向表示和后向表示进行全连接计算,得到对话文本的句子表示。
全连接用于结合前向表示hL和后向表示h0得到最终的句子表示hs。hs=Wf*hL+Wb*h0。其中,Wf:dh*dh维参数矩阵;Wb:dh*dh维参数矩阵。
S305、根据句子表示采用softmax分类器预测对话文本的用户意图。
在本申请中,根据句子表示采用softmax分类器预测对话文本的用户意图,具体为:
采用softmax分类器计算对话文本在所有用户意图上的分布函数;
根据分布函数计算所有用户意图对应的用户意图概率;
将用户意图概率最大的用户意图作为对话文本的用户意图输出。
p(y=k|hs)表示用户输入属于第k个用户意图的概率,L是用户意图的个数,最后输出概率最大用户对话意图。
本实施例公开了一种用户意图识别方法,该方法包括:获取用户输入的对话文本;将对话文本进行分字处理,得到对话文本的汉字串;将汉字串输入至双向循环神经网络模型来确定用户意图。本发明通过将对话文本分割为汉字串,将汉字串输入至双向循环神经网络模型来确定用户意图,通过字向量可以有效改善语音识别的误识别、分词错误、低词频等对用户意图识别精度的影响,双向循环神经网络模型可以使从字表示词,进而表示句子,且可以方便的使用用户的对话历史信息,提高用户意图识别系统的成功率和用户体验。
请参阅附图4,图4为本发明实施例提供的一种用户意图识别系统结构示意图。如图4所示,本发明公开了一种用户意图识别系统,该系统具体包括如下结构:
获取模块,用于获取用户输入的对话文本;
分字处理模块,用于将对话文本进行分字处理,得到对话文本的汉字串;
意图确定模块,用于将汉字串输入至双向循环神经网络模型来确定用户意图,双向循环神经网络模型包括:前向循环神经网络模型和后向循环神经网络模型。
其中,所述获取模块401包括:
获取单元,用于获取用户输入的语音会话;
转换单元,用于采用语音转文字引擎将语音会话转换为对话文本。
优选的,还包括:
训练模块,用于采用由多条不同对话文本及其对应的用户意图组成的对话样本进行训练,获得预先训练的双向循环神经网络模型。
请参阅附图5,图5为本发明实施例提供的图4中的意图确定模块403的具体结构示意图。如图5所示,所述意图确定模块403包括:
接收单元501,用于接收分字处理后得到的对话文本中的汉字串;
第一计算单元502,用于对汉字串中的多个汉字进行字向量的计算,得到多个字向量;
第二计算单元503,用于针对多个字向量,通过前向循环神经网络模型计算对话文本的前向表示,以及通过后向循环神经网络模型计算对话文本的后向表示;
第三计算单元504,用于根据前向表示和后向表示进行全连接计算,得到对话文本的句子表示;
预测单元505,用于根据句子表示采用softmax分类器预测对话文本的用户意图。
其中,上述预测单元505包括:
第四计算单元,用于采用softmax分类器计算对话文本在所有用户意图上的分布函数;
第五计算单元,用于根据分布函数计算所有用户意图对应的用户意图概率;
输出单元,用于将用户意图概率最大的用户意图作为对话文本的用户意图输出。
本实施例公开了一种用户意图识别系统,该方法通过获取模块获取用户输入的对话文本;分字处理模块将对话文本进行分字处理,得到对话文本的汉字串;意图确定模块将汉字串输入至双向循环神经网络模型来确定用户意图。本发明通过分字处理模块将对话文本分割为汉字串,意图确定模块将汉字串输入至双向循环神经网络模型来确定用户意图,通过字向量可以有效改善语音识别的误识别、分词错误、低词频等对用户意图识别精度的影响,双向循环神经网络模型可以使从字表示词,进而表示句子,且可以方便的使用用户的对话历史信息,提高用户意图识别系统的成功率和用户体验。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括上述要素的物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种用户意图识别方法,其特征在于,包括:
获取用户输入的对话文本;
将所述对话文本进行分字处理,得到所述对话文本的汉字串;
将所述汉字串输入至双向循环神经网络模型来确定用户意图,所述双向循环神经网络模型包括:前向循环神经网络模型和后向循环神经网络模型。
2.根据权利要求1所述的方法,其特征在于,所述获取用户输入的对话文本,具体为:
获取用户输入的语音会话;
采用语音转文字引擎将所述语音会话转换为对话文本。
3.根据权利要求1所述的方法,其特征在于,在所述将所述汉字串输入至双向循环神经网络模型来确定用户意图步骤之前,还包括:
采用多条不同对话文本及其对应的用户意图组成的对话样本进行训练,获得预先训练的所述双向循环神经网络模型。
4.根据权利要求1所述的方法,其特征在于,所述将所述汉字串输入至双向循环神经网络模型来确定用户意图,具体为:
接收所述分字处理后得到的所述对话文本中的汉字串;
对所述汉字串中的多个汉字进行字向量的计算,得到多个字向量;
针对所述多个字向量,通过所述前向循环神经网络模型计算所述对话文本的前向表示,以及通过所述后向循环神经网络模型计算所述对话文本的后向表示;
根据所述前向表示和所述后向表示进行全连接计算,得到所述对话文本的句子表示;
根据所述句子表示采用softmax分类器预测所述对话文本的用户意图。
5.根据权利要求4所述的方法,其特征在于,所述根据所述句子表示采用softmax分类器预测所述对话文本的用户意图,具体为:
采用softmax分类器计算所述对话文本在所有用户意图上的分布函数;
根据所述分布函数计算所述所有用户意图对应的用户意图概率;
将所述用户意图概率最大的用户意图作为所述对话文本的用户意图输出。
6.一种用户意图识别系统,其特征在于,包括:
获取模块,用于获取用户输入的对话文本;
分字处理模块,用于将所述对话文本进行分字处理,得到所述对话文本的汉字串;
意图确定模块,用于将所述汉字串输入至双向循环神经网络模型来确定用户意图,所述双向循环神经网络模型包括:前向循环神经网络模型和后向循环神经网络模型。
7.根据权利要求6所述的系统,其特征在于,所述获取单元包括:
获取单元,用于获取用户输入的语音会话;
转换单元,用于采用语音转文字引擎将所述语音会话转换为对话文本。
8.根据权利要求6所述的系统,其特征在于,还包括:
训练模块,用于采用由多条不同对话文本及其对应的用户意图组成的对话样本进行训练,获得预先训练的所述双向循环神经网络模型。
9.根据权利要求6所述的系统,其特征在于,所述意图确定模块包括:
接收单元,用于接收所述分字处理后得到的所述对话文本中的汉字串;
第一计算单元,用于对所述汉字串中的多个汉字进行字向量的计算,得到多个字向量;
第二计算单元,用于针对所述多个字向量,通过所述前向循环神经网络模型计算所述对话文本的前向表示,以及通过所述后向循环神经网络模型计算所述对话文本的后向表示;
第三计算单元,用于根据所述前向表示和所述后向表示进行全连接计算,得到所述对话文本的句子表示;
预测单元,用于根据所述句子表示采用softmax分类器预测所述对话文本的用户意图。
10.根据权利要求9所述的系统,其特征在于,所述预测单元包括:
第四计算单元,用于采用softmax分类器计算所述对话文本在所有用户意图上的分布函数;
第五计算单元,用于根据所述分布函数计算所述所有用户意图对应的用户意图概率;
输出单元,用于将所述用户意图概率最大的用户意图作为所述对话文本的用户意图输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710537736.6A CN107346340A (zh) | 2017-07-04 | 2017-07-04 | 一种用户意图识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710537736.6A CN107346340A (zh) | 2017-07-04 | 2017-07-04 | 一种用户意图识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107346340A true CN107346340A (zh) | 2017-11-14 |
Family
ID=60256835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710537736.6A Pending CN107346340A (zh) | 2017-07-04 | 2017-07-04 | 一种用户意图识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107346340A (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108227565A (zh) * | 2017-12-12 | 2018-06-29 | 深圳和而泰数据资源与云技术有限公司 | 一种信息处理方法、终端及计算机可读介质 |
CN108268442A (zh) * | 2017-12-19 | 2018-07-10 | 芋头科技(杭州)有限公司 | 一种语句意图预测方法及系统 |
CN108647239A (zh) * | 2018-04-04 | 2018-10-12 | 顺丰科技有限公司 | 对话意图识别方法及装置、设备和存储介质 |
CN108829667A (zh) * | 2018-05-28 | 2018-11-16 | 南京柯基数据科技有限公司 | 一种基于记忆网络的多轮对话下的意图识别方法 |
CN109192201A (zh) * | 2018-09-14 | 2019-01-11 | 苏州亭云智能科技有限公司 | 基于双模型识别的语音领域命令理解方法 |
CN109241261A (zh) * | 2018-08-30 | 2019-01-18 | 武汉斗鱼网络科技有限公司 | 用户意图识别方法、装置、移动终端及存储介质 |
CN109241265A (zh) * | 2018-09-17 | 2019-01-18 | 四川长虹电器股份有限公司 | 一种面向多轮查询的领域识别方法及系统 |
CN109285030A (zh) * | 2018-08-29 | 2019-01-29 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、终端及计算机可读存储介质 |
CN109741751A (zh) * | 2018-12-11 | 2019-05-10 | 上海交通大学 | 面向智能语音控制的意图识别方法及装置 |
CN109783823A (zh) * | 2019-03-07 | 2019-05-21 | 百度在线网络技术(北京)有限公司 | 语音监控方法、装置、设备及计算机可读介质 |
CN109800296A (zh) * | 2019-01-21 | 2019-05-24 | 四川长虹电器股份有限公司 | 一种基于用户真实意图的语意模糊识别方法 |
CN109829153A (zh) * | 2019-01-04 | 2019-05-31 | 平安科技(深圳)有限公司 | 基于卷积神经网络的意图识别方法、装置、设备及介质 |
CN109858022A (zh) * | 2019-01-04 | 2019-06-07 | 平安科技(深圳)有限公司 | 一种用户意图识别方法、装置、计算机设备及存储介质 |
CN109857844A (zh) * | 2018-12-29 | 2019-06-07 | 北京三快在线科技有限公司 | 基于点餐对话文本的意图识别方法、装置、电子设备 |
CN109933704A (zh) * | 2019-03-15 | 2019-06-25 | 杭州一骑轻尘信息技术有限公司 | 车辆咨询信息处理方法及装置 |
CN110019725A (zh) * | 2017-12-22 | 2019-07-16 | 科沃斯商用机器人有限公司 | 人机交互方法、系统及其电子设备 |
CN110110058A (zh) * | 2019-04-22 | 2019-08-09 | 南京硅基智能科技有限公司 | 一种外呼机器人的意向打分方法及系统 |
CN110119353A (zh) * | 2019-04-18 | 2019-08-13 | 上海蔚来汽车有限公司 | 测试数据生成方法、装置以及控制器和介质 |
CN110162610A (zh) * | 2019-04-16 | 2019-08-23 | 平安科技(深圳)有限公司 | 机器人智能应答方法、装置、计算机设备及存储介质 |
CN110209791A (zh) * | 2019-06-12 | 2019-09-06 | 百融云创科技股份有限公司 | 一种多轮对话智能语音交互系统及装置 |
CN110299140A (zh) * | 2019-06-18 | 2019-10-01 | 浙江百应科技有限公司 | 一种基于智能对话的关键内容提取算法 |
CN110322895A (zh) * | 2018-03-27 | 2019-10-11 | 亿度慧达教育科技(北京)有限公司 | 语音评测方法及计算机存储介质 |
CN110490867A (zh) * | 2019-08-22 | 2019-11-22 | 四川大学 | 基于深度学习的金属增材制造成形尺寸实时预测方法 |
CN110909543A (zh) * | 2019-11-15 | 2020-03-24 | 广州洪荒智能科技有限公司 | 意图识别方法、装置、设备及介质 |
WO2020232867A1 (zh) * | 2019-05-21 | 2020-11-26 | 平安科技(深圳)有限公司 | 唇语识别方法、装置、计算机设备及存储介质 |
CN112464674A (zh) * | 2020-12-16 | 2021-03-09 | 四川长虹电器股份有限公司 | 一种字级别的文本意图识别方法 |
WO2021143018A1 (zh) * | 2020-01-16 | 2021-07-22 | 平安科技(深圳)有限公司 | 意图识别方法、装置、设备及计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105786798A (zh) * | 2016-02-25 | 2016-07-20 | 上海交通大学 | 一种人机交互中自然语言意图理解方法 |
CN105975455A (zh) * | 2016-05-03 | 2016-09-28 | 成都数联铭品科技有限公司 | 基于双向递归神经网络的信息分析系统 |
-
2017
- 2017-07-04 CN CN201710537736.6A patent/CN107346340A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105786798A (zh) * | 2016-02-25 | 2016-07-20 | 上海交通大学 | 一种人机交互中自然语言意图理解方法 |
CN105975455A (zh) * | 2016-05-03 | 2016-09-28 | 成都数联铭品科技有限公司 | 基于双向递归神经网络的信息分析系统 |
Non-Patent Citations (3)
Title |
---|
OLIVIER MORILLOT 等: "New baseline correction algorithm for text-line recognition with bidirectional recurrent neural networks", 《JOURNAL OF ELECTRONIC IMAGING》 * |
孟奎 等: "基于字符级循环网络的查询意图识别模型", 《计算机工程》 * |
张英 等: "基于循环神经网络的互联网短文本情感要素抽取", 《中原工学院学报》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108227565A (zh) * | 2017-12-12 | 2018-06-29 | 深圳和而泰数据资源与云技术有限公司 | 一种信息处理方法、终端及计算机可读介质 |
CN108268442A (zh) * | 2017-12-19 | 2018-07-10 | 芋头科技(杭州)有限公司 | 一种语句意图预测方法及系统 |
CN110019725A (zh) * | 2017-12-22 | 2019-07-16 | 科沃斯商用机器人有限公司 | 人机交互方法、系统及其电子设备 |
CN110322895A (zh) * | 2018-03-27 | 2019-10-11 | 亿度慧达教育科技(北京)有限公司 | 语音评测方法及计算机存储介质 |
CN108647239A (zh) * | 2018-04-04 | 2018-10-12 | 顺丰科技有限公司 | 对话意图识别方法及装置、设备和存储介质 |
CN108829667A (zh) * | 2018-05-28 | 2018-11-16 | 南京柯基数据科技有限公司 | 一种基于记忆网络的多轮对话下的意图识别方法 |
CN109285030A (zh) * | 2018-08-29 | 2019-01-29 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、终端及计算机可读存储介质 |
CN109241261A (zh) * | 2018-08-30 | 2019-01-18 | 武汉斗鱼网络科技有限公司 | 用户意图识别方法、装置、移动终端及存储介质 |
CN109192201A (zh) * | 2018-09-14 | 2019-01-11 | 苏州亭云智能科技有限公司 | 基于双模型识别的语音领域命令理解方法 |
CN109241265A (zh) * | 2018-09-17 | 2019-01-18 | 四川长虹电器股份有限公司 | 一种面向多轮查询的领域识别方法及系统 |
CN109741751A (zh) * | 2018-12-11 | 2019-05-10 | 上海交通大学 | 面向智能语音控制的意图识别方法及装置 |
CN109857844B (zh) * | 2018-12-29 | 2022-01-14 | 北京三快在线科技有限公司 | 基于点餐对话文本的意图识别方法、装置、电子设备 |
CN109857844A (zh) * | 2018-12-29 | 2019-06-07 | 北京三快在线科技有限公司 | 基于点餐对话文本的意图识别方法、装置、电子设备 |
WO2020140612A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技(深圳)有限公司 | 基于卷积神经网络的意图识别方法、装置、设备及介质 |
CN109829153A (zh) * | 2019-01-04 | 2019-05-31 | 平安科技(深圳)有限公司 | 基于卷积神经网络的意图识别方法、装置、设备及介质 |
CN109858022A (zh) * | 2019-01-04 | 2019-06-07 | 平安科技(深圳)有限公司 | 一种用户意图识别方法、装置、计算机设备及存储介质 |
CN109800296B (zh) * | 2019-01-21 | 2022-03-01 | 四川长虹电器股份有限公司 | 一种基于用户真实意图的语意模糊识别方法 |
CN109800296A (zh) * | 2019-01-21 | 2019-05-24 | 四川长虹电器股份有限公司 | 一种基于用户真实意图的语意模糊识别方法 |
CN109783823A (zh) * | 2019-03-07 | 2019-05-21 | 百度在线网络技术(北京)有限公司 | 语音监控方法、装置、设备及计算机可读介质 |
CN109933704A (zh) * | 2019-03-15 | 2019-06-25 | 杭州一骑轻尘信息技术有限公司 | 车辆咨询信息处理方法及装置 |
CN110162610A (zh) * | 2019-04-16 | 2019-08-23 | 平安科技(深圳)有限公司 | 机器人智能应答方法、装置、计算机设备及存储介质 |
CN110119353B (zh) * | 2019-04-18 | 2023-10-10 | 上海蔚来汽车有限公司 | 测试数据生成方法、装置以及控制器和介质 |
CN110119353A (zh) * | 2019-04-18 | 2019-08-13 | 上海蔚来汽车有限公司 | 测试数据生成方法、装置以及控制器和介质 |
CN110110058A (zh) * | 2019-04-22 | 2019-08-09 | 南京硅基智能科技有限公司 | 一种外呼机器人的意向打分方法及系统 |
WO2020232867A1 (zh) * | 2019-05-21 | 2020-11-26 | 平安科技(深圳)有限公司 | 唇语识别方法、装置、计算机设备及存储介质 |
CN110209791A (zh) * | 2019-06-12 | 2019-09-06 | 百融云创科技股份有限公司 | 一种多轮对话智能语音交互系统及装置 |
CN110209791B (zh) * | 2019-06-12 | 2021-03-26 | 百融云创科技股份有限公司 | 一种多轮对话智能语音交互系统及装置 |
CN110299140A (zh) * | 2019-06-18 | 2019-10-01 | 浙江百应科技有限公司 | 一种基于智能对话的关键内容提取算法 |
CN110490867A (zh) * | 2019-08-22 | 2019-11-22 | 四川大学 | 基于深度学习的金属增材制造成形尺寸实时预测方法 |
CN110909543A (zh) * | 2019-11-15 | 2020-03-24 | 广州洪荒智能科技有限公司 | 意图识别方法、装置、设备及介质 |
WO2021143018A1 (zh) * | 2020-01-16 | 2021-07-22 | 平安科技(深圳)有限公司 | 意图识别方法、装置、设备及计算机可读存储介质 |
CN112464674A (zh) * | 2020-12-16 | 2021-03-09 | 四川长虹电器股份有限公司 | 一种字级别的文本意图识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107346340A (zh) | 一种用户意图识别方法及系统 | |
US11194972B1 (en) | Semantic sentiment analysis method fusing in-depth features and time sequence models | |
CN110532355B (zh) | 一种基于多任务学习的意图与槽位联合识别方法 | |
CN112633010B (zh) | 基于多头注意力和图卷积网络的方面级情感分析方法及系统 | |
CN106503805A (zh) | 一种基于机器学习的双模态人人对话情感分析系统及其方法 | |
CN106098059A (zh) | 可定制语音唤醒方法及系统 | |
CN108255805A (zh) | 舆情分析方法及装置、存储介质、电子设备 | |
CN107798140A (zh) | 一种对话系统构建方法、语义受控应答方法及装置 | |
CN111475655B (zh) | 一种基于配电网知识图谱的电力调度文本实体链接方法 | |
CN111967272B (zh) | 基于语义对齐的视觉对话生成系统 | |
CN106297773A (zh) | 一种神经网络声学模型训练方法 | |
CN113505200B (zh) | 一种结合文档关键信息的句子级中文事件检测的方法 | |
CN111914555B (zh) | 基于Transformer结构的自动化关系抽取系统 | |
CN110991290A (zh) | 基于语义指导与记忆机制的视频描述方法 | |
CN111695338A (zh) | 基于人工智能的面试内容精炼方法、装置、设备及介质 | |
CN107679225A (zh) | 一种基于关键词的回复生成方法 | |
CN111709244A (zh) | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 | |
CN111816169A (zh) | 中英语种混杂语音识别模型训练方法和装置 | |
CN111428481A (zh) | 一种基于深度学习的实体关系抽取方法 | |
CN115617955A (zh) | 分级预测模型训练方法、标点符号恢复方法及装置 | |
CN113032541A (zh) | 一种基于bert并融合句群检索的答案抽取方法 | |
CN109933773A (zh) | 一种多重语义语句解析系统及方法 | |
CN115062139A (zh) | 一种对话文本摘要模型自动搜索方法 | |
CN114743143A (zh) | 一种基于多概念知识挖掘的视频描述生成方法及存储介质 | |
CN112349294B (zh) | 语音处理方法及装置、计算机可读介质、电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171114 |
|
RJ01 | Rejection of invention patent application after publication |