CN109492079A - 意图识别方法及装置 - Google Patents

Abstract

本申请公开了一种意图识别方法及装置。该方法包括接收用户输入的待识别文档；将所述待识别文档输入预设文本分类器；以及对分类结果执行预设领域修正后输出用户意图。本申请解决了对于意图识别结果准确率较低的技术问题。在本申请的文本分类器采用了fastText模型，并且引入领域实体和领域正则特征，通过引入文本以外的信息提高分类模型的鲁棒性和准确性。此外，本申请适用于任务机器人、小程序以及即时通讯软件等人机对话场景。

Description

意图识别方法及装置

技术领域

本申请涉及意图识别领域，具体而言，涉及一种意图识别方法及装置。

背景技术

意图识别(intent classification)是人机对话系统的重要环节。对于用户说的每一句话，需要先判断用户的意图(intent)，然后根据不同的意图触发相应的任务机器人，以满足用户的多种需求。比如，识别出用户是订餐意图、打车意图还是其他意图，并触发相应的任务机器人。

发明人发现，目前对于用户的消息无法较好地识别出用户意图，进一步无法对用户消息进行精确分类。

针对相关技术中对于意图识别结果准确率较低的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种意图识别方法，以解决对于意图识别结果准确率较低的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种意图识别方法。

根据本申请的意图识别方法包括：接收用户输入的待识别文档；将所述待识别文档输入预设文本分类器；以及对分类结果执行预设领域修正后输出用户意图。

进一步地，接收用户输入的待识别文档包括：将用户输入的问题作为待识别文档执行预处理；根据预处理结果得到文本分类特征；以及将所述文本分类特征作为目标分类器的输入。

进一步地，将所述待识别文档输入预设文本分类器包括：将所述待识别文档作为训练样本，并基于领域实体执行特征提取操作；根据所述特征提取操作结果按照意图分类得到实体类型；以及将所述实体类型加入训练样本训练文本分类器。

进一步地，对分类结果执行预设领域修正后输出用户意图包括：对预设文本分类器的意图分类结果执行基于领域正则的结果修正操作。

进一步地，所述预设文本分类器为fastText模型。

为了实现上述目的，根据本申请的另一方面，提供了一种意图识别装置。

根据本申请的意图识别装置包括：接收模块，用于接收用户输入的待识别文档；输入模块，用于将所述待识别文档输入预设文本分类器；以及修正模块，用于对分类结果执行预设领域修正后输出用户意图。

进一步地，所述接收模块包括：预处理单元，用于将用户输入的问题作为待识别文档执行预处理；分类特征单元，用于根据预处理结果得到文本分类特征；以及输入单元，用于将所述文本分类特征作为目标分类器的输入。

进一步地，所述输入模块包括：提取单元，用于将所述待识别文档作为训练样本，并基于领域实体执行特征提取操作；实体类型单元，用于根据所述特征提取操作结果按照意图分类得到实体类型；以及训练单元，用于将所述实体类型加入训练样本训练文本分类器。

进一步地，所述修正模块用于，对预设文本分类器的意图分类结果执行基于领域正则的结果修正操作。

进一步地，所述输入模块中的预设文本分类器为fastText模型。

在本申请实施例中，采用接收用户输入的待识别文档的方式，通过将所述待识别文档输入预设文本分类器，达到了对分类结果执行预设领域修正后输出用户意图的目的，从而实现了提高用于意图识别的fastText模型文本分类器的鲁棒性和准确性的技术效果，进而解决了对于意图识别结果准确率较低的的技术问题。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的意图识别方法示意图；

图2是根据本申请实施例的意图识别方法示意图；

图3是根据本申请实施例的意图识别方法示意图；

图4是根据本申请实施例的意图识别装置示意图；

图5是根据本申请实施例的意图识别装置示意图；

图6是根据本申请实施例的意图识别装置示意图；以及

图7是根据本申请实施例的意图识别方法流程原理示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如图1所示，该方法包括如下的步骤S102至步骤S106：

步骤S102，接收用户输入的待识别文档；

通常地用户会通过任务机器人、小程序以及即时通讯软件发送用户的请求。接收到用户的请求后，会在服务器接收到用户输入的待识别文档。

需要注意的是，接收用户输入的待识别文档的方式可以是包括多种方式，在本申请中并不进行限定。

还需要注意的是，在接收到用户输入的待识别文档后还可以包括预处理步骤，在预处理步骤中需要得到用于fastText模型的特征。此外，还需要抽取得到领域实体相关的内容。

步骤S104，将所述待识别文档输入预设文本分类器；

将待识别的文档输入到预设文本分类器。通过预设文本分类器能够得到初步的意图识别结果。

优选地，预设文本分类器采用fastText模型。通过将前一步骤采集到的特征输入fastText模型，可以得到分类结果。

步骤S106，对分类结果执行预设领域修正后输出用户意图。

对分类结果执行预设的领域进行修正后输出得到最终的用户意图。

上述方法中基于fastText模型，并通过引入领域实体和/或领域正则来补充额外的特征与信息，进一步提高意图识别的分类准确率。

如图7所示，上述步骤的流程具体包括：首先，对用户请求预处理，得到用于fastText分类的特征，分类的特征可以包括字符粒度的token、字符粒度的n-gram特征、以及抽取到的领域实体。其次，将得到的特征输入fastText模型，得到的意图识别结果。最后，若用户请求匹配到一些领域正则，根据领域正则修正意图分类的结果得到最终的意图识别结果。

引入领域实体特征，可以引入一些字面无法体现的信息，减少模型的误判；引入领域正则，主要作为模型的补充，保证一些模型容易混淆的请求的分类准确率。

从以上的描述中，可以看出，本申请实现了如下技术效果：

在本申请实施例中，采用接收用户输入的待识别文档的方式，通过将所述待识别文档输入预设文本分类器，达到了对分类结果执行预设领域修正后输出用户意图的目的，从而实现了提高用于意图识别的fastText模型文本分类器的鲁棒性和准确性的技术效果，进而解决了对于意图识别结果准确率较低的的技术问题。

根据本申请实施例，作为本实施例中的优选，如图2所示，接收用户输入的待识别文档包括：

步骤S202，将用户输入的问题作为待识别文档执行预处理；

对用户输入的请求进行预处理，得到用于fastText分类的特征。具体地，预处理可以包括：字符粒度的token、字符粒度的n-gram特征、以及抽取到的领域实体等等。

预处理还可以包括：分词、去停用词以及实体抽取等。具体地，词法分析是自然语言处理的一项重要的基础技术，包括分词、词性标注、实体识别等，在本申请中采用的算法结构为基于Bi-LSTM-CRF算法体系。需要注意的是，本领域技术人员可以根据不同的场景进行选择。

需要注意的是，在本申请中并不对具体的预处理步骤进行限定，本领域技术人员可以根据实际使用场景进行配置或选择。

步骤S204，根据预处理结果得到文本分类特征；

预处理结果得到文本分类特征可以是，字符粒度的token、字符粒度的n-gram特征、以及抽取到的领域实体等。

步骤S206，将所述文本分类特征作为目标分类器的输入。

将得到的特征输入目标分类器，得到的意图识别结果。

根据本申请实施例，作为本实施例中的优选，如图3所示，将所述待识别文档输入预设文本分类器包括：

步骤S302，将所述待识别文档作为训练样本，并基于领域实体执行特征提取操作；

步骤S304，根据所述特征提取操作结果按照意图分类得到实体类型；

步骤S306，将所述实体类型加入训练样本训练文本分类器。

由于在分析实验结果时，有的句子仅靠字面的语义信息难以得到正确的分类。比如：“一路向西”这句样本，由于仅靠句子本身的语义信息，分类模型很难知道《一路向西》是一部电影，因此倾向于把它判为“map”意图，而无法将其正确分到“video”意图下。故，这种情况下模型需要额外的信息输入。

又比如，“来一首涛声依旧”，原来用来分类的特征是来“一首涛声依旧”，增加实体特征后变成“来一首涛声依旧<song>”。

在本申请中通过上述步骤基于领域实体的特征提取，对训练数据进行实体抽取，从中选出了N种各意图下可能出现的实体类型，将其作为特征加入训练样本，这样除了字面信息之外，分类模型还可以借助实体信息对样本进行分类。通过引入领域实体特征，可以引入一些字面无法体现的信息，减少模型的误判。

根据本申请实施例，作为本实施例中的优选，对分类结果执行预设领域修正后输出用户意图包括：对预设文本分类器的意图分类结果执行基于领域正则的结果修正操作。

在本申请中引入了基于领域正则的结果修正。通过引入领域正则，可以作为模型的补充，保证一些模型容易混淆的请求的分类准确率。

由于测试样本中存在一些极易混淆的样本。比如：“翻译背首诗”这句样本，由于“背首诗”的特征较强，因此分类模型将其判为了“poetry”意图，而非“translation”意图。故，这种情况下模型也需要输入额外的信息。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

根据本申请实施例，还提供了一种用于实施上述意图识别方法的装置，如图4所示，该装置包括：接收模块10，用于接收用户输入的待识别文档；输入模块20，用于将所述待识别文档输入预设文本分类器；以及修正模块30，用于对分类结果执行预设领域修正后输出用户意图。

本申请实施例的接收模块10中通常地用户会通过任务机器人、小程序以及即时通讯软件发送用户的请求。接收到用户的请求后，会在服务器接收到用户输入的待识别文档。

需要注意的是，接收用户输入的待识别文档的方式可以是包括多种方式，在本申请中并不进行限定。

还需要注意的是，在接收到用户输入的待识别文档后还可以包括预处理步骤，在预处理步骤中需要得到用于fastText模型的特征。此外，还需要抽取得到领域实体相关的内容。

本申请实施例的输入模块20中将待识别的文档输入到预设文本分类器。通过预设文本分类器能够得到初步的意图识别结果。

优选地，预设文本分类器采用fastText模型。通过将前一步骤采集到的特征输入fastText模型，可以得到分类结果。

本申请实施例的修正模块30中对分类结果执行预设的领域进行修正后输出得到最终的用户意图。

上述方法中基于fastText模型，并通过引入领域实体和/或领域正则来补充额外的特征与信息，进一步提高意图识别的分类准确率。

根据本申请实施例，作为本实施例中的优选，如图5所示，所述接收模块包括：预处理单元101，用于将用户输入的问题作为待识别文档执行预处理；分类特征单元102，用于根据预处理结果得到文本分类特征；以及输入单元103，用于将所述文本分类特征作为目标分类器的输入。

本申请实施例的预处理单元101中对用户输入的请求进行预处理，得到用于fastText分类的特征。具体地，预处理可以包括：字符粒度的token、字符粒度的n-gram特征、以及抽取到的领域实体等等。

预处理还可以包括：分词、去停用词以及实体抽取等。具体地，词法分析是自然语言处理的一项重要的基础技术，包括分词、词性标注、实体识别等，在本申请中采用的算法结构为基于Bi-LSTM-CRF算法体系。需要注意的是，本领域技术人员可以根据不同的场景进行选择。

需要注意的是，在本申请中并不对具体的预处理步骤进行限定，本领域技术人员可以根据实际使用场景进行配置或选择。

本申请实施例的分类特征单元102中预处理结果得到文本分类特征可以是，字符粒度的token、字符粒度的n-gram特征、以及抽取到的领域实体等。

本申请实施例的输入单元103中将得到的特征输入目标分类器，得到的意图识别结果。

根据本申请实施例，作为本实施例中的优选，如图6所示，所述输入模块20包括：提取单元201，用于将所述待识别文档作为训练样本，并基于领域实体执行特征提取操作；实体类型单元202，用于根据所述特征提取操作结果按照意图分类得到实体类型；以及训练单元203，用于将所述实体类型加入训练样本训练文本分类器。

所述输入模块20中由于在分析实验结果时，有的句子仅靠字面的语义信息难以得到正确的分类。比如：“一路向西”这句样本，由于仅靠句子本身的语义信息，分类模型很难知道《一路向西》是一部电影，因此倾向于把它判为“map”意图，而无法将其正确分到“video”意图下。故，这种情况下模型需要额外的信息输入。

又比如，“来一首涛声依旧”，原来用来分类的特征是来“一首涛声依旧”，增加实体特征后变成“来一首涛声依旧<song>”。

在本申请中通过上述模块基于领域实体的特征提取，对训练数据进行实体抽取，从中选出了N种各意图下可能出现的实体类型，将其作为特征加入训练样本，这样除了字面信息之外，分类模型还可以借助实体信息对样本进行分类。通过引入领域实体特征，可以引入一些字面无法体现的信息，减少模型的误判。

根据本申请实施例，作为本实施例中的优选，在本申请实施例的修正模块中对分类结果执行预设领域修正后输出用户意图包括：对预设文本分类器的意图分类结果执行基于领域正则的结果修正操作。

在本申请中引入了基于领域正则的结果修正。通过引入领域正则，可以作为模型的补充，保证一些模型容易混淆的请求的分类准确率。

显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种意图识别方法，其特征在于，包括：

接收用户输入的待识别文档；

将所述待识别文档输入预设文本分类器；以及

对分类结果执行预设领域修正后输出用户意图。

2.根据权利要求1所述的意图识别方法，其特征在于，接收用户输入的待识别文档包括：

将用户输入的问题作为待识别文档执行预处理；

根据预处理结果得到文本分类特征；以及

将所述文本分类特征作为目标分类器的输入。

3.根据权利要求1所述的意图识别方法，其特征在于，将所述待识别文档输入预设文本分类器包括：

将所述待识别文档作为训练样本，并基于领域实体执行特征提取操作；

根据所述特征提取操作结果按照意图分类得到实体类型；以及

将所述实体类型加入训练样本训练文本分类器。

4.根据权利要求1所述的意图识别方法，其特征在于，对分类结果执行预设领域修正后输出用户意图包括：

对预设文本分类器的意图分类结果执行基于领域正则的结果修正操作。

5.根据权利要求1所述的意图识别方法，其特征在于，所述预设文本分类器为fastText模型。

6.一种意图识别装置，其特征在于，包括：

接收模块，用于接收用户输入的待识别文档；

输入模块，用于将所述待识别文档输入预设文本分类器；以及

修正模块，用于对分类结果执行预设领域修正后输出用户意图。

7.根据权利要求6所述的意图识别装置，其特征在于，所述接收模块包括：

预处理单元，用于将用户输入的问题作为待识别文档执行预处理；

分类特征单元，用于根据预处理结果得到文本分类特征；以及

输入单元，用于将所述文本分类特征作为目标分类器的输入。

8.根据权利要求6所述的意图识别装置，其特征在于，所述输入模块包括：

提取单元，用于将所述待识别文档作为训练样本，并基于领域实体执行特征提取操作；

实体类型单元，用于根据所述特征提取操作结果按照意图分类得到实体类型；以及

训练单元，用于将所述实体类型加入训练样本训练文本分类器。

9.根据权利要求6所述的意图识别装置，其特征在于，所述修正模块用于，对预设文本分类器的意图分类结果执行基于领域正则的结果修正操作。

10.根据权利要求6所述的意图识别装置，其特征在于，所述输入模块中的预设文本分类器为fastText模型。