CN110096595A - 一种基于混合策略的复句用户查询语句的意图识别方法 - Google Patents

Abstract

本发明提供一种基于混合策略的复句用户查询语句的意图识别方法，包括以下步骤：步骤1，根据用户查询复句q，利用语言符号、复句语法规则逐步获取、解析用户查询复句q相对应的候选分句集合C；步骤2，利用传统的用户查询语句的意图识别模型分别对用户查询复句q、用户输入分句集合C进行意图识别，获取用户查询复句的候选意图I_q、候选分句意图集合I_C；步骤3，将用户查询复句的意图I_q与候选分句的意图集合I_C进行逻辑判断；本发明能有效提高用户查询语句为复句时的意图识别准确度，用户意图的正确识别是智能对话系统系统生成合理回复的基础，准确识别用户的意图，能对系统的性能提升、增加用户体验，具有很大价值和研究意义。

Description

一种基于混合策略的复句用户查询语句的意图识别方法

技术领域

本发明涉及人机对话系统技术领域，具体为一种基于混合策略的复句用户查询语句的意图识别方法。

背景技术

人机对话，是人工智能技术领域的一支重要分支，人机对话的目的是使计算机理解人类的自然语言，并和人类进行无障碍的交流。人工智能技术可以使机器替代人类工作，提高工作效率，减轻人类的负担，甚至可以通过理解人类的感情，满足人类的情感和陪伴需求。现在，人工智能已经渗透到人类生活的许多方面，比如亚马逊Echo、阿里天猫精灵、百度小度、小米小爱等各式各样的人工智能音箱和故事机成为各大电商网站的热门产品被用户购买，摆放在千家万户之中。这些智能音响和故事机的设计目的就是为了听懂用户的指令，并且执行用户的指令，比如通过语音控制家电、查询天气、播放音视频资源等，但在实际表现和用户体验上，还不能满足用户对人机交互的期待。

一个完整人机对话系统架构包括语音识别、自然语言理解、对话控制、自然语言生成、语音合成五个模块。任何一个模块技术上的不足，都会影响到人机对话的最终效果。这五个模块是线性传递的，因此越在前面的模块，对最终效果影响越大。自然语言理解属于人机对话系统中的第二个模块，也是复杂度最高，进展最缓慢，最容易造成瓶颈的关键模块。

而对于自然语言理解，内部也可以分为线性的模块，意图识别就是自然语言理解入口的第一个模块。自然语言理解是为了理解用户所说的自然语言并给予回复，意图识别是理解的入口，它是通过分类的方式将用户的意图分为某个具体的模块进行后续独特处理，例如家电控制模块和天气查询分属两个不同的模块，它们要根据内部逻辑进行特殊的处理和回复。

意图识别的准确率，从全局上影响了自然语言处理的效果，如果意图识别不能准确判断用户的意图，将意图分类至正确的模块，后续的任何处理都将没有意义。传统的意图识别任务主要集中于单句识别，通常采用规则与机器学习分类算法结合的模型，对单句识别有效，但对用户输入语句为复句时的意图识别效果往往并不理想。

发明内容

本发明所解决的技术问题在于提供一种基于混合策略的复句用户查询语句的意图识别方法，以解决上述背景技术中提出的问题。

本发明所解决的技术问题采用以下技术方案来实现：基于混合策略的复句用户查询语句的意图识别方法，包括以下步骤：

步骤1，根据用户查询复句q，利用语言符号、复句语法规则逐步获取、解析用户查询复句q相对应的候选分句集合C；

步骤2，利用传统的用户查询语句的意图识别模型分别对用户查询复句q、用户输入分句集合C进行意图识别，获取用户查询复句的候选意图I_q、候选分句意图集合I_C；

步骤3，将用户查询复句的意图I_q与候选分句的意图集合I_C进行逻辑判断；若用户查询复句的意图I_q与候选分句的意图集合I_C均相同，则用户查询复句的意图I_q作为对话系统的意图识别结果输出；若用户查询复句的意图I_q与候选分句的意图集合I_C的某一个意图不同，则利用意图集合{I_q，I_C}中各意图的置信度θ进行判断，获得最终的对话系统意图识别结果。

所述步骤1中根据用户查询复句q，用于逐步获取、解析用户查询复句q相对应的候选分句集合C的语言符号规则、复句语法规则，包括对复句进行以下处理：

总结能够对中文文本片段进行断句的标点符号，生成语言符号模板T_s＝\p{Po}，进而对用户查询复句q进行切分得到初级候选分句集合P＝{P_i|i＝1,2,...,n}；

基于复句的基本类型，生成复句语法规则模板集合T_C＝{T_Cj|j＝1,2,…,m}，模板T_Cj的格式如下，T_Cj＝label#模板＝并列#(？<txt1>.+)(又|也|后|且|并|再)(？<txt2>.+)其中，label表示复句的基本类型，模板用于提取候选分句C₁＝txt1、C₂＝txt2；

利用复句语法规则模板T_C对上述初级候选分句集合P中的每一个候选分句P_i进行处理，得到用户查询复句q的候选分句集合I_C以及分句之间所表示的复句类型label。

所述步骤2中对用户查询复句q、用户输入分句集合C进行意图识别的传统的用户查询语句的意图识别模型包括利用语义规则模板与机器学习算法的分类模型所构成的用户查询语句的意图识别方法、装置，并且根据语法规则模板得到的候选意图识别结果的置信度θ＝1.0，利用机器学习算法的分类模型所得到的候选意图识别结果的置信度θ<1.0。

所述步骤3中用户查询复句的意图I_q与候选分句的意图集合I_C的某一个意图不同时利用意图集合{I_q，I_C}中各意图的得分进行判断，获得最终的对话系统意图识别结果的过程包括以下处理，

删除意图集合I_C中意图识别结果I_i为聊天意图的意图元素以及置信度θ<1.0的意图元素I_i，得到意图集合I_C'；

当或者I_C'中所有意图元素的置信度均小于1.0(即{θ_Ii<1.0|I_i∈I_C'})时，返回用户查询复句的意图I_q；

当用户查询复句的意图I_q置信度时，根据I_C'中各意图元素的相应的复句基本类型label确定最终返回的意图识别结果。

候选分句{C_i,C_j|i≠j}的复句基本类型label_Ci,Cj＝“转折”，输出候选分句C_j的意图识别结果I_Cj；否则，I_C'作为用户输入复句的意图识别结果。

与现有技术相比，本发明的有益效果是：本发明能有效提高用户查询语句为复句时的意图识别准确度，用户意图的正确识别是智能对话系统系统生成合理回复的基础，准确识别用户的意图，能对系统的性能提升、增加用户体验，具有很大价值和研究意义。

附图说明

图1为本发明的意图识别的流程图。

具体实施方式

为了使本发明的实现技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明，在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以两个元件内部的连通。

如图1所示，基于混合策略的复句用户查询语句的意图识别方法，包括以下步骤：

步骤1，根据用户查询复句q，利用语言符号、复句语法规则逐步获取、解析用户查询复句q相对应的候选分句集合C；

步骤2，利用传统的用户查询语句的意图识别模型分别对用户查询复句q、用户输入分句集合C进行意图识别，获取用户查询复句的候选意图I_q、候选分句意图集合I_C；

步骤3，将用户查询复句的意图I_q与候选分句的意图集合I_C进行逻辑判断；若用户查询复句的意图I_q与候选分句的意图集合I_C均相同，则用户查询复句的意图I_q作为对话系统的意图识别结果输出；若用户查询复句的意图I_q与候选分句的意图集合I_C的某一个意图不同，则利用意图集合{I_q，I_C}中各意图的置信度θ进行判断，获得最终的对话系统意图识别结果。

所述步骤1中根据用户查询复句q，用于逐步获取、解析用户查询复句q相对应的候选分句集合C的语言符号规则、复句语法规则，包括对复句进行以下处理：

总结能够对中文文本片段进行断句的标点符号，生成语言符号模板T_s＝\p{Po}，进而对用户查询复句q进行切分得到初级候选分句集合P＝{P_i|i＝1,2,...,n}；

基于复句的十种基本类型，生成复句语法规则模板集合T_C＝{T_Cj|j＝1,2,…,m}，模板T_Cj的格式如下，T_Cj＝label#模板＝并列#(？<txt1>.+)(又|也|后|且|并|再)(？<txt2>.+)其中，label表示复句的基本类型，模板用于提取候选分句C₁＝txt1、C₂＝txt2；

利用复句语法规则模板T_C对上述初级候选分句集合P中的每一个候选分句P_i进行处理，得到用户查询复句q的候选分句集合I_C以及分句之间所表示的复句类型label。

所述步骤2中对用户查询复句q、用户输入分句集合C进行意图识别的传统的用户查询语句的意图识别模型包括利用语义规则模板与机器学习算法的分类模型所构成的用户查询语句的意图识别方法、装置，并且根据语法规则模板得到的候选意图识别结果的置信度θ＝1.0，利用机器学习算法的分类模型所得到的候选意图识别结果的置信度θ<1.0。

所述步骤3中用户查询复句的意图I_q与候选分句的意图集合I_C的某一个意图不同时利用意图集合{I_q，I_C}中各意图的得分进行判断，获得最终的对话系统意图识别结果的过程包括以下处理，

删除意图集合I_C中意图识别结果I_i为聊天意图的意图元素以及置信度θ<1.0的意图元素I_i，得到意图集合I_C'；

当或者I_C'中所有意图元素的置信度均小于1.0(即{θ_Ii<1.0|I_i∈I_C'})时，返回用户查询复句的意图I_q；

当用户查询复句的意图I_q置信度时，根据I_C'中各意图元素的相应的复句基本类型label确定最终返回的意图识别结果。

候选分句{C_i,C_j|i≠j}的复句基本类型label_Ci,Cj＝“转折”，输出候选分句C_j的意图识别结果I_Cj；否则，I_C'作为用户输入复句的意图识别结果。

实施例的具体实现过程如下：

步骤1，对用户查询语句q，进行如下的处理，获得其相应的候选分句集合C：

总结能够对中文文本片段进行断句的标点符号，生成语言符号模板T_s＝\p{Po}，进而对用户查询复句q进行切分得到初级候选分句集合P＝{P_i|i＝1,2,...,n}。譬如，用户查询语句q＝“关闭音乐，电饭煲煮饭并且定时十分钟”，利用T_s得到初级候选分句P₁＝“关闭音乐”，P₂＝“电饭煲煮饭并且定时十分钟”。

利用复句语法规则模板集合T_C＝{T_Cj|j＝1,2,…,m}对上述初级候选分句集合P中的每一个候选分句P_i进行处理，得到用户查询复句q的候选分句集合I_C以及分句之间所表示的复句类型label。

对P₁＝“关闭音乐”进行处理，得到候选分句C₁＝“关闭音乐”；对P₂＝“电饭煲煮饭并且定时十分钟”进行处理，得到候选分句C₂＝“电饭煲煮饭”，候选分句C₃＝“定时十分钟”，并且C₂、C₃对应的复句基本类型label＝“并列”。

步骤2，利用传统的用户查询语句的意图识别模型分别对用户查询复句q、用户输入分句集合C进行意图识别，获取用户查询复句的候选意图I_q、候选分句意图集合I_C；

其中所述的对用户查询复句q、用户输入分句集合C进行意图识别的传统的用户查询语句的意图识别模型包括利用语义规则模板与机器学习算法的分类模型所构成的用户查询语句的意图识别方法、装置，并且根据语法规则模板得到的候选意图识别结果的置信度θ＝1.0，利用机器学习算法的分类模型所得到的候选意图识别结果的置信度θ<1.0。

对q＝“关闭音乐，电饭煲煮饭并且定时十分钟”进行意图识别结果为I_q，置信度为θ_q；对C₁＝“关闭音乐”进行意图识别结果为I₁，置信度为θ₁；对C₂＝“电饭煲煮饭”进行意图识别结果为I₂，置信度为θ₂；对C₃＝“电饭煲煮饭”进行意图识别结果为I₃，置信度为θ₃；

步骤3，用户查询复句的意图I_q与候选分句的意图集合I_C的某一个意图不同时利用意图集合{I_q，I_C}中各意图的得分进行判断，获得最终的对话系统意图识别结果的过程包括以下处理，

删除意图集合I_C中意图识别结果I_i为聊天意图的意图元素以及置信度θ<1.0的意图元素I_i，得到意图集合I_C'；

当或者I_C'中所有意图元素的置信度均小于1.0(即{θ_Ii<1.0|I_i∈I_C'})时，返回用户查询复句的意图I_q；

当用户查询复句的意图I_q置信度时，若候选分句{C_i,C_j|i≠j}的复句基本类型label_Ci,Cj＝“转折”，输出候选分句C_j的意图识别结果I_Cj；否则，I_C'作为用户输入复句的意图识别结果。

根据上述流程可知，若θ_q<1.0，θ₁＝1.0，θ₂＝1.0，θ₃＝1.0，则用户查询语句的意图识别结果为I₁、I₂、I₃。

步骤1是实现基于语言符号、复句语法规则进行匹配，获取用户查询语句相应候选分句集合的过程，步骤2是利用传统意图识别模型分别对用户查询语句、候选分句集合进行意图识别的过程，步骤3是基于混合策略获取用户查询语句最终意图识别结果的过程。

本发明一方面，利用传统的意图识别模型对用户查询复句进行意图识别得到意图分类结果Iq，另一方面，利用传统的图识别模型对基于语言符号、复句语法规则逐步获取、解析用户查询复句q相对应的候选分句集合C进行意图识别得到意图识别结果集合IC，最后，通过判断用户查询复句的意图Iq与候选分句的意图集合IC的置信度θ大小以及复句基本类型label得到最终的复句对话系统意图识别结果。依照本发明所提供的基于混合策略的用户查询复句的人机对话系统意图识别方法，能够有效地解决传统的用户查询语句意图识别模型只考虑用户查询语句为单句、单个意图而忽略了用户查询语句为复句时所表达的多个连续性动作意图。利用语言符号、复句语法的规则对用户查询复句进行切分，能够有效地获取用户查询复句的多个候选意图。此外，将复句基本类型能够准确地衡量各候选意图之间的真正联系，从而选择用户查询复句的真正意图。在多个官方意图识别的数据集上的对比实验结果表明，依照本发明提供的结合语言符号与复句语法规则的混合策略的用户查询复句的意图识别方法，在意图识别精度上实现了显著了的提升。

本发明提出的基于混合策略的用户输入复句的意图识别方法，用于用户输入语句为复句时的意图识别。传统的意图识别任务通常采用规则与机器学习分类算法结合的意图识别模型，能够对用户查询语句进行意图识别，但是对用户输入语句为复句时的意图识别结果不准确。在此基础上，本发明在传统的意图识别模型上融入语言符号规则、复句语法规则的混合逻辑判断。该混合策略能够利用更多的信息来捕获用户查询语句为复句的意图。本发明结合了传统意图识别模型的意图识别结果与基于语言符号规则、复句语法规则逻辑判断的意图识别结果，意图识别结果的置信度与复句基本类型相互补充，进一步提升用户意图识别的准确度。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明的要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于混合策略的复句用户查询语句的意图识别方法，其特征在于：包括以下步骤：

步骤1，根据用户查询复句q，利用语言符号、复句语法规则逐步获取、解析用户查询复句q相对应的候选分句集合C；

步骤2，利用传统的用户查询语句的意图识别模型分别对用户查询复句q、用户输入分句集合C进行意图识别，获取用户查询复句的候选意图I_q、候选分句意图集合I_C；

步骤3，将用户查询复句的意图I_q与候选分句的意图集合I_C进行逻辑判断；若用户查询复句的意图I_q与候选分句的意图集合I_C均相同，则用户查询复句的意图I_q作为对话系统的意图识别结果输出；若用户查询复句的意图I_q与候选分句的意图集合I_C的某一个意图不同，则利用意图集合{I_q，I_C}中各意图的置信度θ进行判断，获得最终的对话系统意图识别结果。

2.根据权利要求1所述的基于混合策略的复句用户查询语句的意图识别方法，其特征在于：所述步骤1中根据用户查询复句q，用于逐步获取、解析用户查询复句q相对应的候选分句集合C的语言符号规则、复句语法规则，包括对复句进行以下处理：

总结能够对中文文本片段进行断句的标点符号，生成语言符号模板T_s＝\p{Po}，进而对用户查询复句q进行切分得到初级候选分句集合P＝{P_i|i＝1,2,...,n}；

基于复句的基本类型，生成复句语法规则模板集合T_C＝{T_Cj|j＝1,2,…,m}，模板T_Cj的格式如下，T_Cj＝label#模板＝并列#(？<txt1>.+)(又|也|后|且|并|再)(？<txt2>.+)其中，label表示复句的基本类型，模板用于提取候选分句C₁＝txt1、C₂＝txt2；

利用复句语法规则模板T_C对上述初级候选分句集合P中的每一个候选分句P_i进行处理，得到用户查询复句q的候选分句集合I_C以及分句之间所表示的复句类型label。

3.根据权利要求1所述的基于混合策略的复句用户查询语句的意图识别方法，其特征在于：所述步骤2中对用户查询复句q、用户输入分句集合C进行意图识别的传统的用户查询语句的意图识别模型包括利用语义规则模板与机器学习算法的分类模型所构成的用户查询语句的意图识别方法、装置，并且根据语法规则模板得到的候选意图识别结果的置信度θ＝1.0，利用机器学习算法的分类模型所得到的候选意图识别结果的置信度θ<1.0。

4.根据权利要求1所述的基于混合策略的复句用户查询语句的意图识别方法，其特征在于：所述步骤3中用户查询复句的意图I_q与候选分句的意图集合I_C的某一个意图不同时利用意图集合{I_q，I_C}中各意图的得分进行判断，获得最终的对话系统意图识别结果的过程包括以下处理：

删除意图集合I_C中意图识别结果I_i为聊天意图的意图元素以及置信度θ<1.0的意图元素I_i，得到意图集合I_C'；

当或者I_C'中所有意图元素的置信度均小于1.0(即{θ_Ii<1.0|I_i∈I_C'})时，返回用户查询复句的意图I_q；

当用户查询复句的意图I_q置信度时，根据I_C'中各意图元素的相应的复句基本类型label确定最终返回的意图识别结果。

5.根据权利要求4所述的基于混合策略的复句用户查询语句的意图识别方法，其特征在于：候选分句{C_i,C_j|i≠j}的复句基本类型label_Ci,Cj＝“转折”，输出候选分句C_j的意图识别结果I_Cj；否则，I_C'作为用户输入复句的意图识别结果。