CN110647622A - 交互数据有效性识别方法和装置 - Google Patents
交互数据有效性识别方法和装置 Download PDFInfo
- Publication number
- CN110647622A CN110647622A CN201910936231.6A CN201910936231A CN110647622A CN 110647622 A CN110647622 A CN 110647622A CN 201910936231 A CN201910936231 A CN 201910936231A CN 110647622 A CN110647622 A CN 110647622A
- Authority
- CN
- China
- Prior art keywords
- interactive
- training
- interaction
- data
- sample data
- 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
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 427
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 172
- 230000003993 interaction Effects 0.000 claims abstract description 146
- 238000012795 verification Methods 0.000 claims description 50
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种交互数据有效性识别方法和装置,其中,方法包括:获取多个交互样本数据;提取多个交互样本数据中的每个交互样本数据的多组交互因子;根据多组交互因子中的每组交互因子计算对应的交互特征;根据与多组交互因子对应的多个交互特征训练生成交互识别模型,以便于根据交互识别模型的识别结果确定交互数据的有效性。由此,实现了对交互数据的有效性的精确识别,提高了人工智能技术的智能化程度,解决了现有技术中,对场景中的所有语音信息响应导致智能化程度不高的技术问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种交互数据有效性识别方法和装置。
背景技术
随着人工智能技术的进步,人工智能应用在智能机器人上已经成为一种主流趋势,智能机器人基于采集到的用户语音数据,执行对应的指令。
相关技术中,机器人采用拾音设备采集周围的语音信息,基于采集到的语音信息识别控制指令,然而,拾音设备采集到的语音信息无法对语音信息进行筛选,采集到的语音信息即包含噪音信息,也包含不是对机器人发送的语音信息,因此,导致机器人的误执行,影响人工智能的智能化程度。
发明内容
本发明提出一种交互数据有效性识别方法和装置,以解决现有技术中,对场景中的所有语音信息响应导致智能化程度不高的技术问题。
本发明一方面实施例提出了一种交互数据有效性识别方法,包括以下步骤:获取多个交互样本数据;提取所述多个交互样本数据中的每个交互样本数据的多组交互因子;根据所述多组交互因子中的每组交互因子计算对应的交互特征;根据与所述多组交互因子对应的多个交互特征训练生成交互识别模型,以便于根据所述交互识别模型的识别结果确定交互数据的有效性。
另外,本发明实施例的交互数据有效性识别方法,还包括如下附加的技术特征:
在本发明的一种可能的实现方式中,所述根据与所述多组交互因子对应的多个交互特征训练生成交互识别模型,包括:确定所述多个交互样本数据中的多个训练交互样本数据和多个验证交互样本数据;根据所述多个训练交互样本数据和所述多个验证交互样本数据对应的交互特征,训练生成所述交互识别模型。
在本发明的一种可能的实现方式中,所述根据所述多个训练交互样本数据和所述多个验证交互样本数据对应的交互特征,训练生成所述交互识别模型,包括:根据所述多个训练交互样本数据中的部分训练交互样本数据对应的交互特征,训练生成初始交互识别模型;将所述多个验证交互样本数据中的至少部分验证交互样本数据对应的交互特征,输入所述初始交互识别模型获取识别结果;将所述识别结果与所述至少部分验证交互样本数据对应的标注识别结果匹配,判断所述匹配度是否大于预设阈值;若所述匹配度小于等于所述预设阈值,则在所述多个训练交互样本数据中的剩余部分训练交互样本数据中确定至少部分训练交互样本数据;根据所述至少部分训练交互样本数据对应的交互特征训练所述初始交互识别模型,直至所述匹配度大于所述预设阈值则将训练生成的所述初始交互识别模型作为所述交互识别模型。
在本发明的一种可能的实现方式中,所述根据所述多个训练交互样本数据和所述多个验证交互样本数据对应的交互特征,训练生成所述交互识别模型,包括:根据所述多个训练交互样本数据的交互特征对初始交互识别模型进行多轮训练,并在对所述初始交互识别模型进行多轮训练时,将所述多个验证交互样本数据的交互特征输入每一轮训练生成的候选交互识别模型;获取所述每一轮训练生成的候选交互识别模型的识别结果与所述多个验证交互样本数据对应的标注识别结果的匹配度;从第二轮训练开始,将所述每一轮训练生成的候选交互识别模型对应的匹配度与上一轮训练生成的候选交互识别模型对应的匹配度比较;当所述每一轮训练生成的候选交互识别模型对应的匹配度小于所述上一轮训练生成的候选交互识别模型对应的匹配度时,将所述上一轮训练生成的候选交互识别模型确定为所述交互识别模型。
在本发明的一种可能的实现方式中,所述多个交互特征包括:交互数据本身特征、包含所述交互数据的多轮对话特征、音频特征中的多种。
本发明另一方面实施例提出了一种交互数据有效性识别方法包括:获取待识别交互数据;提取所述待识别交互数据中的多个交互特征;将所述多个交互特征输入预设的交互识别模型,获取所述交互数据识别模型输出的有效性概率;当所述有效性概率大于预设阈值时,确定所述待识别交互数据是有效交互数据。
本发明又一方面实施例提出了一种交互数据有效性识别装置,包括:第一获取模块,用于获取多个交互样本数据;第一提取模块,用于提取所述多个交互样本数据中的每个交互样本数据的多组交互因子;计算模块,用于根据所述多组交互因子中的每组交互因子计算对应的交互特征;训练模块,用于根据与所述多组交互因子对应的多个交互特征训练生成交互识别模型,以便于根据所述交互识别模型的识别结果确定交互数据的有效性。
另外,本发明实施例的交互数据有效性识别装置,还包括如下附加的技术特征:
在本发明的一种可能的实现方式中,所述训练模块,具体用于:确定所述多个交互样本数据中的多个训练交互样本数据和多个验证交互样本数据;根据所述多个训练交互样本数据和所述多个验证交互样本数据对应的交互特征,训练生成所述交互识别模型。
在本发明的一种可能的实现方式中,所述训练模块,具体用于:
根据所述多个训练交互样本数据中的部分训练交互样本数据对应的交互特征,训练生成初始交互识别模型;将所述多个验证交互样本数据中的至少部分验证交互样本数据对应的交互特征,输入所述初始交互识别模型获取识别结果;将所述识别结果与所述至少部分验证交互样本数据对应的标注识别结果匹配,判断所述匹配度是否大于预设阈值;若所述匹配度小于等于所述预设阈值,则在所述多个训练交互样本数据中的剩余部分训练交互样本数据中确定至少部分训练交互样本数据;根据所述至少部分训练交互样本数据对应的交互特征训练所述初始交互识别模型,直至所述匹配度大于所述预设阈值则将训练生成的所述初始交互识别模型作为所述交互识别模型。
在本发明的一种可能的实现方式中,所述训练模块,具体用于:根据所述多个训练交互样本数据的交互特征对初始交互识别模型进行多轮训练,并在对所述初始交互识别模型进行多轮训练时,将所述多个验证交互样本数据的交互特征输入每一轮训练生成的候选交互识别模型;获取所述每一轮训练生成的候选交互识别模型的识别结果与所述多个验证交互样本数据对应的标注识别结果的匹配度;从第二轮训练开始,将所述每一轮训练生成的候选交互识别模型对应的匹配度与上一轮训练生成的候选交互识别模型对应的匹配度比较;当所述每一轮训练生成的候选交互识别模型对应的匹配度小于所述上一轮训练生成的候选交互识别模型对应的匹配度时,将所述上一轮训练生成的候选交互识别模型确定为所述交互识别模型。
本发明还一方面实施例提出了一种交互数据有效性识别装置,包括:第二获取模块,用于获取待识别交互数据;第二提取模块,用于提取所述待识别交互数据中的多个交互特征;所述第二获取模块,还用于将所述多个交互特征输入预设的交互识别模型,获取所述交互数据识别模型输出的有效性概率;确定模块,用于当所述有效性概率大于预设阈值时,确定所述待识别交互数据是有效交互数据。
本发明又一方面实施例提出了一种电子设备,包括处理器和存储器;其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如上述实施例所述的交互数据有效性识别方法。
本发明再一方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述实施例所述的交互数据有效性识别方法。
本发明实施例提供的技术方案,至少包括如下技术效果:
获取多个交互样本数据,提取多个交互样本数据中的每个交互样本数据的多组交互因子,根据多组交互因子中的每组交互因子计算对应的交互特征,进而,根据与多组交互因子对应的多个交互特征训练生成交互识别模型,以便于根据交互识别模型的识别结果确定交互数据的有效性。由此,实现了对交互数据的有效性的精确识别,提高了人工智能技术的智能化程度。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例所提供的一种交互数据有效性识别方法的流程示意图;
图2为根据本发明一个实施例的交互特征确定流程图;
图3为根据本发明另一个实施例的交互特征确定流程图;
图4是根据本发明一个实施例的交互识别模型的训练过程示意图;
图5是根据本发明另一个实施例的交互识别模型的训练过程示意图;
图6是根据本发明又一个实施例的交互识别模型的训练过程示意图;
图7为本发明实施例所提供的另一种交互数据有效性识别方法的流程示意图;
图8为本发明实施例提供的一种交互数据有效性识别装置的结构示意图;
图9为本发明实施例提供的另一种交互数据有效性识别装置的结构示意图;以及
图10是根据本发明一个实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的交互数据有效性识别方法和装置。本发明实施例的交互数据有效性识别方法应用在基于人工智能技术的产品上,该产品可以基于与用户之间的交互数据实现指令的执行。下述实施例中,为了便于说明以该产品为机器人为例。
针对上述背景技术中提到的,现有技术中,用户在与机器人等人工智能产品的交互过程中,机器人无法区分有效的语音数据从而导致智能化程度不高的技术问题,本发明提出了一种对语音数据的有效性进行识别的技术方案。
具体而言,图1为本发明实施例所提供的一种交互数据有效性识别方法的流程示意图。
如图1所示,该交互数据有效性识别方法包括以下步骤:
步骤101,获取多个交互样本数据。
本实施例中,预先获取多个交互样本数据,以便于基于交互样本数据挖掘出有效的语音数据的特征,便与后续对有效语音数据的精确识别,其中,所谓有效的语音数据可以理解为用户对机器人发送的语音数据等。
为了提高后续有效的语音数据的识别效率,该多个交互样本数据可以来源于使用对应机器人等产品的用户在不同的场景中对机器人等产品发送的有效的交互数据,该交互数据除了包含上述的语音数据之外,还可以包括其他数据,比如人脸图像、红外生理特征信息等,在此不作限制。
当然,为了提高识别的鲁棒性,该多个交互样本数据也可以来源于不同生理特征的多个用户。
步骤102,提取多个交互样本数据中的每个交互样本数据的多组交互因子。
步骤103,根据多组交互因子中的每组交互因子计算对应的交互特征。
具体的,提取多个交互样本数据中每个交互样本数据的多组交互因子,该交互因子可以理解为体现交互特征的交互样本数据中的具体子数据,进而,基于每组交互因子确定对应的交互特征。
需要强调的是,本实施例中确定每个交互样本数据的多个交互特征,以便于从多个维度定义交互样本数据,便于后续识别加护数据的有效性的准确性,其中,多个交互特征包括但不限于交互数据本身特征、包含所述交互数据的多轮对话特征、音频特征中的多种。
具体而言,如图2所示,提取多个交互样本数据中每个交互样本数据的多组交互因子,其中,多组交互因子中的每组交互因子对应于一个交互特征,每组交互因子可以为多个,由此,充分挖掘交互样本数据的特点,寻找可能体现出有效交互样本数据的交互特征。
举例而言,如图3所示,当多个交互特征包括交互数据本身特征、包含交互数据的多轮对话特征、音频特征时,交互数据本身特征的交互因子包括“用户是否回答机器人的对话”、“对话时长”、“对话的句种(疑问句、祈使句、陈述句)”、“对话长度(比如字符长度)”等,包含交互数据的多轮对话特征的交互因子包括“唤醒时间段”、“唤醒时间段内其他对话的数目”等,音频特征的交互因子包括“Mel频率倒谱系数MFCC”等与机器人对话时的音频特征。
在获取多组交互因子后,可以基于多组交互因子的特征向量确定交互特征,也可以基于每组交互因子中每个交互因子的归一化值确定交互特征。当然,在计算交互特征时,也可以基于不同的交互因子对交互特征的影响程度设置不同的权重。
步骤104,根据与多组交互因子对应的多个交互特征训练生成交互识别模型,以便于根据交互识别模型的识别结果确定交互数据的有效性。
具体的,根据与多组交互因子对应的多个交互特征训练生成交互识别模型,以便于根据交互识别模型的识别结果确定交互数据的有效性,其中,训练完毕的交互数据识别模型可以基于输入的交互数据输出该交互数据的有效性,该有效性结果可以是有效的概率值,也可以是有效的文字结果等。
在实际训练时,为了提高训练的交互识别模型的有效性,可以将多个训练交互样本数据划分为验证交互样本数据和训练交互样本数据来训练。
作为一种可能的实现方式,如图4所示,确定多个交互样本数据中的多个训练交互样本数据和多个验证交互样本数据,可以平均将多个交互样本数据划分为多个训练交互样本数据和多个验证交互样本数据,也可以按照较高的比例划分出多个交互样本数据作为多个训练交互样本数据,以保证训练的强度,并将剩余的交互样本数据作为多个验证交互样本数据。当然,为了提高验证的精确性,也可以预先提取每个交互样本数据的样本特征,将样本特征最符合有效性特征的多个交互样本数据作为多个验证交互样本数据。
进一步的,根据多个训练交互样本数据和多个验证交互样本数据对应的交互特征,训练生成交互识别模型。
具体而言,作为一种可能的实现方式,如图5所示,根据多个训练交互样本数据中的部分训练交互样本数据对应的所有的交互特征(图中仅仅示出了提取部分训练交互样本数据训练的实施例),训练生成初始交互识别模型,进而,将多个验证交互样本数据中的至少部分验证交互样本数据(图中仅仅示出了提取部分验证交互样本数据验证的实施例)对应的交互特征,输入初始交互识别模型获取识别结果,将识别结果与至少部分验证交互样本数据对应的标注识别结果匹配,判断匹配度是否大于预设阈值,比如,有效性识别的概率是否一致等,则进入下一轮训练过程,若匹配度小于等于预设阈值,则在多个训练交互样本数据中的剩余部分训练交互样本数据中确定至少部分训练交互样本数据,根据至少部分训练交互样本数据对应的交互特征训练初始交互识别模型,直至匹配度大于预设阈值则将训练生成的初始交互识别模型作为交互识别模型。其中,后续选取训练交互样本数据中的剩余部分训练交互样本数据时,为了提高训练效率,每次选取的训练交互样本数据量相对较少,因而,保证后续多轮训练也可以在剩余部分训练样本数据中寻找到相应数量的交互样本数据,当然,在实际执行过程中,后续选择的训练交互样本数据也可以和前面训练过程中选择的训练交互样本数据具有重复部分,在此不作限制。
若匹配度大于等于预设阈值,则将初始交互识别模型作为训练完成的交互识别模型,结束对交互识别模型的训练。由此,不用一开始就用所有的训练交互样本数据训练模型,提高了训练效率,避免了交互识别模型训练时的过拟合,其中,图5中仅仅示出了两轮训练过程。
在上述实施例中,在使用验证交互样本数据验证时,可以根据参与验证的交互样本数据的大部分的匹配度结果,确定交互识别模型的程序,而不用全部的参与验证的交互样本数据的大部分的匹配度都大于预设阈值。
作为另一种可能的实现方式,如图6所示,在训练过程中,根据多个训练交互样本数据的交互特征对初始交互识别模型进行多轮训练,并在对初始交互识别模型进行多轮训练时,将多个验证交互样本数据的交互特征输入每一轮训练生成的候选交互识别模型,进而,获取每一轮训练生成的候选交互识别模型的识别结果与多个验证交互样本数据对应的标注识别结果的匹配度,其中,识别结果和标注识别结果可以是具体的识别概率等,从第二轮训练开始,将每一轮训练生成的候选交互识别模型对应的匹配度与上一轮训练生成的候选交互识别模型对应的匹配度比较,当每一轮训练生成的候选交互识别模型对应的匹配度小于上一轮训练生成的候选交互识别模型对应的匹配度时,表明对交互识别模型的训练发生了过拟合,从而,停止对交互识别模型的训练,将上一轮训练生成的候选交互识别模型确定为交互识别模型。
在上述训练过程中,为了进一步防止过拟合,还可以使用贝叶斯优化进行交互识别模型的超参数调整。
在训练完成交互识别模型后,该识别模型的识别结果在不同的验证场景中的准确率较高,证明了本发明中交互识别模型的实用性,本方案可有效提取出用户与机器之间的有效交互数据,并且保证了一定的准确率,更为关键的是,本方案提取出的有效交互数据可描述总体有效数据分布,原因是交互特征提取过程中,本方案仅从用户行为和对话本身出发,数据均为最原始数据,没有任何人工干预和运营。
对服务机器人来说,获得这样一份有效数据益处无穷,举例而言,不但可提高有效交互率,基于机器人的指令执行可以反应机器人实际被使用的比例;并且从有效交互的对话中,可以了解到用户对机器人提问的问题集中在哪里,对商场而言,可以知道最关心商场什么问题。
具体而言,在训练完成交互识别模型后,机器人可以根据拾音设备等获取待识别交互数据,提取待识别交互数据中的多个交互特征,比如提取待识别交互数据中的交互数据本身特征、包含交互数据的多轮对话特征、音频特征,进而,将多个交互特征输入交互识别模型,获取交互识别模型输出的有效性概率,当有效性概率大于预设阈值时,确定待识别交互数据是有效交互数据。从而,基于该有效交互数据进行关键词识别、语义识别等,确定该有效技术数据对应的控制指令,以便于响应该控制指令。
基于上述实施例,本发明交互数据有效性识别方法中,运行机器学习方法解决了用户与机器人之间的有效交互数据的识别问题,多方位的利用了有效交互数据的交互因子构造交互特征,提高了有效交互数据的识别准确性。
综上,本发明实施例的交互数据有效性识别方法,获取多个交互样本数据,提取多个交互样本数据中的每个交互样本数据的多组交互因子,根据多组交互因子中的每组交互因子计算对应的交互特征,进而,根据与多组交互因子对应的多个交互特征训练生成交互识别模型,以便于根据交互识别模型的识别结果确定交互数据的有效性。由此,实现了对交互数据的有效性的精确识别,提高了人工智能技术的智能化程度。
为了实现上述实施例,本发明还提出了另一种交互数据有效性识别方法。
图7是本发明一个实施例的交互数据有效性识别方法的流程图,如图7所示,该方法包括:
步骤201,获取待识别交互数据。
具体的,机器人可以根据拾音设备等获取待识别交互数据。
步骤202,提取待识别交互数据中的多个交互特征。
具体的,多个交互特征可包括提取待识别交互数据中的交互数据本身特征、包含交互数据的多轮对话特征、音频特征。
步骤203,将多个交互特征输入预设的交互识别模型,获取交互数据识别模型输出的有效性概率。
其中,本实施例的交互识别模型可以是上述实施例训练得到的,也可以是是通过其他训练方式训练得到的,该交互识别模型可以输出有效性概率。
步骤204,当有效性概率大于预设阈值时,确定待识别交互数据是有效交互数据。
具体的,当有效性概率大于预设阈值时,确定待识别交互数据是有效交互数据。从而,基于该有效交互数据进行关键词识别、语义识别等,确定该有效技术数据对应的控制指令,以便于响应该控制指令。
综上,本发明实施例的交互数据有效性识别方法,运行机器学习方法解决了用户与机器人之间的有效交互数据的识别问题,多方位的利用了有效交互数据的交互因子构造交互特征,提高了有效交互数据的识别准确性。
为了实现上述实施例,本发明还提出一种交互数据有效性识别装置。
图8为本发明实施例提供的一种交互数据有效性识别装置的结构示意图。
如图8所示,该交互数据有效性识别装置包括:第一获取模块100、第一提取模块200、计算模块300和训练模块400。
其中,第一获取模块100,用于获取多个交互样本数据。
第一提取模块200,用于提取多个交互样本数据中的每个交互样本数据的多组交互因子。
计算模块300,用于根据多组交互因子中的每组交互因子计算对应的交互特征。
训练模块400,用于根据与多组交互因子对应的多个交互特征训练生成交互识别模型,以便于根据交互识别模型的识别结果确定交互数据的有效性。
进一步地,在本发明实施例的一种可能的实现方式中,训练模块400具体用于:
确定多个交互样本数据中的多个训练交互样本数据和多个验证交互样本数据;
根据多个训练交互样本数据和多个验证交互样本数据对应的交互特征,训练生成交互识别模型。
在本发明实施例中,训练模块400具体用于:根据多个训练交互样本数据中的部分训练交互样本数据对应的交互特征,训练生成初始交互识别模型;
将多个验证交互样本数据中的至少部分验证交互样本数据对应的交互特征,输入初始交互识别模型获取识别结果;
将识别结果与至少部分验证交互样本数据对应的标注识别结果匹配,判断匹配度是否大于预设阈值;
若匹配度小于等于预设阈值,则在多个训练交互样本数据中的剩余部分训练交互样本数据中确定至少部分训练交互样本数据;
根据至少部分训练交互样本数据对应的交互特征训练初始交互识别模型,直至匹配度大于预设阈值则将训练生成的初始交互识别模型作为交互识别模型。
在本发明实施例中,训练模块400具体用于:根据多个训练交互样本数据的交互特征对初始交互识别模型进行多轮训练,并在对初始交互识别模型进行多轮训练时,将多个验证交互样本数据的交互特征输入每一轮训练生成的候选交互识别模型;
获取每一轮训练生成的候选交互识别模型的识别结果与多个验证交互样本数据对应的标注识别结果的匹配度;
从第二轮训练开始,将每一轮训练生成的候选交互识别模型对应的匹配度与上一轮训练生成的候选交互识别模型对应的匹配度比较;
当每一轮训练生成的候选交互识别模型对应的匹配度小于上一轮训练生成的候选交互识别模型对应的匹配度时,将上一轮训练生成的候选交互识别模型确定为交互识别模型。
需要说明的是,前述对交互数据有效性识别方法实施例的解释说明也适用于该实施例的交互数据有效性识别装置,此处不再赘述。
综上,本发明实施例的交互数据有效性识别装置,获取多个交互样本数据,提取多个交互样本数据中的每个交互样本数据的多组交互因子,根据多组交互因子中的每组交互因子计算对应的交互特征,进而,根据与多组交互因子对应的多个交互特征训练生成交互识别模型,以便于根据交互识别模型的识别结果确定交互数据的有效性。由此,实现了对交互数据的有效性的精确识别,提高了人工智能技术的智能化程度。
基于上述实施例,本发明实施例还提供了一种交互数据有效性识别装置的可能的实现方式,如图9所示,交互数据有效性识别装置包括:第二获取模块500、第二提取模块600、确定模块700。
本发明实施例中,第二获取模块500,用于获取待识别交互数据。
第二提取模块600,用于提取待识别交互数据中的多个交互特征。
第二获取模块600,还用于将多个交互特征输入预设的交互识别模型,获取交互数据识别模型输出的有效性概率;
确定模块700,用于当有效性概率大于预设阈值时,确定待识别交互数据是有效交互数据。
综上,本发明实施例的交互数据有效性识别装置,运行机器学习方法解决了用户与机器人之间的有效交互数据的识别问题,多方位的利用了有效交互数据的交互因子构造交互特征,提高了有效交互数据的识别准确性。
为了实现上述实施例,本发明实施例还提出一种电子设备,包括处理器和存储器;
其中,处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,以用于实现如上述实施例所描述的交互数据有效性识别方法。
图10示出了适于用来实现本发明实施方式的示例性电子设备的框图。图10显示的电子设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图10未显示,通常称为“硬盘驱动器”)。尽管图10中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多数量据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
为了实现上述实施例,本发明实施例还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例所描述的交互数据有效性识别方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种交互数据有效性识别方法,其特征在于,包括以下步骤:
获取多个交互样本数据;
提取所述多个交互样本数据中的每个交互样本数据的多组交互因子;
根据所述多组交互因子中的每组交互因子计算对应的交互特征;
根据与所述多组交互因子对应的多个交互特征训练生成交互识别模型。
2.如权利要求1所述的方法,其特征在于,所述根据与所述多组交互因子对应的多个交互特征训练生成交互识别模型,包括:
确定所述多个交互样本数据中的多个训练交互样本数据和多个验证交互样本数据;
根据所述多个训练交互样本数据和所述多个验证交互样本数据对应的交互特征,训练生成所述交互识别模型。
3.如权利要求2所述的方法,其特征在于,所述根据所述多个训练交互样本数据和所述多个验证交互样本数据对应的交互特征,训练生成所述交互识别模型,包括:
根据所述多个训练交互样本数据中的部分训练交互样本数据对应的交互特征,训练生成初始交互识别模型;
将所述多个验证交互样本数据中的至少部分验证交互样本数据对应的交互特征,输入所述初始交互识别模型获取识别结果;
将所述识别结果与所述至少部分验证交互样本数据对应的标注识别结果匹配,判断所述匹配度是否大于预设阈值;
若所述匹配度小于等于所述预设阈值,则在所述多个训练交互样本数据中的剩余部分训练交互样本数据中确定至少部分训练交互样本数据;
根据所述至少部分训练交互样本数据对应的交互特征训练所述初始交互识别模型,直至所述匹配度大于所述预设阈值则将训练生成的所述初始交互识别模型作为所述交互识别模型。
4.如权利要求2所述的方法,其特征在于,所述根据所述多个训练交互样本数据和所述多个验证交互样本数据对应的交互特征,训练生成所述交互识别模型,包括:
根据所述多个训练交互样本数据的交互特征对初始交互识别模型进行多轮训练,并在对所述初始交互识别模型进行多轮训练时,将所述多个验证交互样本数据的交互特征输入每一轮训练生成的候选交互识别模型;
获取所述每一轮训练生成的候选交互识别模型的识别结果与所述多个验证交互样本数据对应的标注识别结果的匹配度;
从第二轮训练开始,将所述每一轮训练生成的候选交互识别模型对应的匹配度与上一轮训练生成的候选交互识别模型对应的匹配度比较;
当所述每一轮训练生成的候选交互识别模型对应的匹配度小于所述上一轮训练生成的候选交互识别模型对应的匹配度时,将所述上一轮训练生成的候选交互识别模型确定为所述交互识别模型。
5.如权利要求1-4任一所述的方法,其特征在于,所述多个交互特征包括:
交互数据本身特征、包含所述交互数据的多轮对话特征、音频特征中的多种。
6.一种交互数据有效性识别方法,其特征在于,包括以下步骤:
获取待识别交互数据;提取所述待识别交互数据中的多个交互特征;
将所述多个交互特征输入预设的交互识别模型,获取所述交互数据识别模型输出的有效性概率;
当所述有效性概率大于预设阈值时,确定所述待识别交互数据是有效交互数据。
7.一种交互数据有效性识别装置,其特征在于,包括:
第一获取模块,用于获取多个交互样本数据;
第一提取模块,用于提取所述多个交互样本数据中的每个交互样本数据的多组交互因子;
计算模块,用于根据所述多组交互因子中的每组交互因子计算对应的交互特征;
训练模块,用于根据与所述多组交互因子对应的多个交互特征训练生成交互识别模型。
8.一种交互数据有效性识别装置,其特征在于,包括:
第二获取模块,用于获取待识别交互数据;
第二提取模块,用于提取所述待识别交互数据中的多个交互特征;
所述第二获取模块,还用于将所述多个交互特征输入预设的交互识别模型,获取所述交互数据识别模型输出的有效性概率;
确定模块,用于当所述有效性概率大于预设阈值时,确定所述待识别交互数据是有效交互数据。
9.一种电子设备,其特征在于,包括处理器和存储器;
其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如权利要求1-5中任一所述或6的交互数据有效性识别方法。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一或6所述的交互数据有效性识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910936231.6A CN110647622A (zh) | 2019-09-29 | 2019-09-29 | 交互数据有效性识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910936231.6A CN110647622A (zh) | 2019-09-29 | 2019-09-29 | 交互数据有效性识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110647622A true CN110647622A (zh) | 2020-01-03 |
Family
ID=69011995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910936231.6A Pending CN110647622A (zh) | 2019-09-29 | 2019-09-29 | 交互数据有效性识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647622A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111984123A (zh) * | 2020-08-19 | 2020-11-24 | 北京鲸世科技有限公司 | 脑电数据交互方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320738A (zh) * | 2017-12-18 | 2018-07-24 | 上海科大讯飞信息科技有限公司 | 语音数据处理方法及装置、存储介质、电子设备 |
CN108509619A (zh) * | 2018-04-04 | 2018-09-07 | 科大讯飞股份有限公司 | 一种语音交互方法及设备 |
CN109214386A (zh) * | 2018-09-14 | 2019-01-15 | 北京京东金融科技控股有限公司 | 用于生成图像识别模型的方法和装置 |
CN109326289A (zh) * | 2018-11-30 | 2019-02-12 | 深圳创维数字技术有限公司 | 免唤醒语音交互方法、装置、设备及存储介质 |
CN109671435A (zh) * | 2019-02-21 | 2019-04-23 | 三星电子(中国)研发中心 | 用于唤醒智能设备的方法和装置 |
CN110008973A (zh) * | 2018-11-23 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种模型训练方法、基于模型确定目标用户的方法及装置 |
CN110188720A (zh) * | 2019-06-05 | 2019-08-30 | 上海云绅智能科技有限公司 | 一种基于卷积神经网络的目标检测方法及系统 |
-
2019
- 2019-09-29 CN CN201910936231.6A patent/CN110647622A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320738A (zh) * | 2017-12-18 | 2018-07-24 | 上海科大讯飞信息科技有限公司 | 语音数据处理方法及装置、存储介质、电子设备 |
CN108509619A (zh) * | 2018-04-04 | 2018-09-07 | 科大讯飞股份有限公司 | 一种语音交互方法及设备 |
CN109214386A (zh) * | 2018-09-14 | 2019-01-15 | 北京京东金融科技控股有限公司 | 用于生成图像识别模型的方法和装置 |
CN110008973A (zh) * | 2018-11-23 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种模型训练方法、基于模型确定目标用户的方法及装置 |
CN109326289A (zh) * | 2018-11-30 | 2019-02-12 | 深圳创维数字技术有限公司 | 免唤醒语音交互方法、装置、设备及存储介质 |
CN109671435A (zh) * | 2019-02-21 | 2019-04-23 | 三星电子(中国)研发中心 | 用于唤醒智能设备的方法和装置 |
CN110188720A (zh) * | 2019-06-05 | 2019-08-30 | 上海云绅智能科技有限公司 | 一种基于卷积神经网络的目标检测方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111984123A (zh) * | 2020-08-19 | 2020-11-24 | 北京鲸世科技有限公司 | 脑电数据交互方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106683680B (zh) | 说话人识别方法及装置、计算机设备及计算机可读介质 | |
CN107818798B (zh) | 客服服务质量评价方法、装置、设备及存储介质 | |
CN107622770B (zh) | 语音唤醒方法及装置 | |
CN109887497B (zh) | 语音识别的建模方法、装置及设备 | |
CN107221326B (zh) | 基于人工智能的语音唤醒方法、装置和计算机设备 | |
CN110033760B (zh) | 语音识别的建模方法、装置及设备 | |
CN106057206B (zh) | 声纹模型训练方法、声纹识别方法及装置 | |
CN108829894B (zh) | 口语词识别和语义识别方法及其装置 | |
CN109034069B (zh) | 用于生成信息的方法和装置 | |
CN107731228A (zh) | 英文语音信息的文本转换方法和装置 | |
CN110363220B (zh) | 行为类别检测方法、装置、电子设备和计算机可读介质 | |
CN109785846B (zh) | 单声道的语音数据的角色识别方法及装置 | |
CN112232276B (zh) | 一种基于语音识别和图像识别的情绪检测方法和装置 | |
CN113838460A (zh) | 视频语音识别方法、装置、设备和存储介质 | |
CN107483445A (zh) | 一种静默声纹识别注册方法、装置、服务器和存储介质 | |
CN103943111A (zh) | 一种身份识别的方法及装置 | |
CN110020163B (zh) | 基于人机交互的搜索方法、装置、计算机设备和存储介质 | |
CN116363250A (zh) | 一种图像生成方法及系统 | |
CN112699671B (zh) | 一种语言标注方法、装置、计算机设备和存储介质 | |
CN113808612A (zh) | 语音处理方法、设备及存储介质 | |
WO2024093578A1 (zh) | 语音识别方法、装置、电子设备、存储介质及计算机程序产品 | |
CN110647622A (zh) | 交互数据有效性识别方法和装置 | |
CN110874554A (zh) | 动作识别方法、终端设备、服务器、系统及存储介质 | |
CN104199545A (zh) | 一种基于口型执行预设操作的方法及装置 | |
CN108897872B (zh) | 对话处理方法、装置、计算机设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200103 |