CN110674314B - 语句识别方法及装置 - Google Patents

Abstract

本申请公开了语句识别方法及装置，涉及人机交互技术领域。具体实现方案为：获取待识别的语句以及对应的特征信息，特征信息包括：语句的分词结果、词性识别结果以及实体识别结果；获取训练好的对话理解模型，对话理解模型包括：主干神经网络，与主干神经网络连接的槽位分支，与主干神经网络连接的池化层，与池化层分别连接的意图分支和意图槽位关系分支；将特征信息输入训练好的对话理解模型，获取语句的意图和槽位，从而通过在对话理解模型中添加意图槽位关系分支，使得对话理解模型在训练或者语句识别时能够考虑到意图和槽位之间的关系，提高输出的意图和槽位之间的匹配度，提高对话理解模型的语句识别效率。

Description

语句识别方法及装置

技术领域

本申请涉及数据处理技术领域，具体涉及人机交互技术领域，尤其涉及语言识别方法及装置。

背景技术

目前的对话理解模型，包括有意图分支和槽位分支；意图分支和槽位分支共享部分模型系数。对话理解模型在进行训练时，基于意图分类和槽位标注两个目标函数同时进行训练，但这种训练方法，导致对话理解模型在对语句进行识别时，输出的意图和槽位容易存在不匹配的问题，降低了对话理解模型的语句识别效率。

发明内容

本申请提出一种语句识别方法及装置，通过在对话理解模型中添加意图槽位关系分支，使得对话理解模型在训练或者语句识别时能够考虑到意图和槽位之间的关系，提高输出的意图和槽位之间的匹配度，提高语句识别效率。

本申请一方面实施例提出了一种语句识别方法，包括：获取待识别的语句以及对应的特征信息，所述特征信息包括：所述语句的分词结果、词性识别结果以及实体识别结果；获取训练好的对话理解模型，所述对话理解模型包括：主干神经网络，与所述主干神经网络连接的槽位分支，与所述主干神经网络连接的池化层，与所述池化层分别连接的意图分支和意图槽位关系分支；将所述特征信息输入训练好的对话理解模型，获取所述语句的意图和槽位。

在本申请一个实施例中，所述主干神经网络包括：依次连接的嵌入层、向量拼接层和双向神经网络；所述槽位分支包括：依次连接的第一全连接层和条件随机场网络；所述意图分支包括：依次连接第二全连接层和第一分类网络；所述意图槽位关系分支包括：依次连接的第三全连接层和第二分类网络。

在本申请一个实施例中，所述将所述特征信息输入训练好的对话理解模型，获取所述语句的意图和槽位，包括：将所述特征信息输入训练好的对话理解模型，获取所述语句的意图，以及所述分词结果中各个分词的槽位类型；根据所述分词结果中各个分词的槽位类型，确定所述语句的槽位。

在本申请一个实施例中，所述获取训练好的对话理解模型，包括：获取训练数据和初始的对话理解模型，所述训练数据包括：多个语句样本，语句样本对应的特征信息，以及语句样本的实际意图和实际槽位；采用所述训练数据对初始的对话理解模型进行训练，直至目标函数的数值小于预设阈值，得到训练好的对话理解模型；所述目标函数结合意图分支、槽位分支和意图槽位关系分支的输出建立。

本申请实施例的语句识别方法，通过获取待识别的语句以及对应的特征信息，特征信息包括：语句的分词结果、词性识别结果以及实体识别结果；获取训练好的对话理解模型，对话理解模型包括：主干神经网络，与主干神经网络连接的槽位分支，与主干神经网络连接的池化层，与池化层分别连接的意图分支和意图槽位关系分支；将特征信息输入训练好的对话理解模型，获取语句的意图和槽位，从而通过在对话理解模型中添加意图槽位关系分支，使得对话理解模型在训练或者语句识别时能够考虑到意图和槽位之间的关系，提高输出的意图和槽位之间的匹配度，提高对话理解模型的语句识别效率。

本申请另一方面实施例提出了一种语句识别装置，包括：获取模块，用于获取待识别的语句以及对应的特征信息，所述特征信息包括：所述语句的分词结果、词性识别结果以及实体识别结果；所述获取模块，还用于获取训练好的对话理解模型，所述对话理解模型包括：主干神经网络，与所述主干神经网络连接的槽位分支，与所述主干神经网络连接的池化层，与所述池化层分别连接的意图分支和意图槽位关系分支；输入模块，用于将所述特征信息输入训练好的对话理解模型，获取所述语句的意图和槽位。

在本申请一个实施例中，所述主干神经网络包括：依次连接的嵌入层、向量拼接层和双向神经网络；所述槽位分支包括：依次连接的第一全连接层和条件随机场网络；所述意图分支包括：依次连接第二全连接层和第一分类网络；所述意图槽位关系分支包括：依次连接的第三全连接层和第二分类网络。

在本申请一个实施例中，所述输入模块具体用于，将所述特征信息输入训练好的对话理解模型，获取所述语句的意图，以及所述分词结果中各个分词的槽位类型；根据所述分词结果中各个分词的槽位类型，确定所述语句的槽位。

在本申请一个实施例中，所述获取模块具体用于，获取训练数据和初始的对话理解模型，所述训练数据包括：多个语句样本，语句样本对应的特征信息，以及语句样本的实际意图和实际槽位；采用所述训练数据对初始的对话理解模型进行训练，直至目标函数的数值小于预设阈值，得到训练好的对话理解模型；所述目标函数结合意图分支、槽位分支和意图槽位关系分支的输出建立。

本申请实施例的语句识别装置，通过获取待识别的语句以及对应的特征信息，特征信息包括：语句的分词结果、词性识别结果以及实体识别结果；获取训练好的对话理解模型，对话理解模型包括：主干神经网络，与主干神经网络连接的槽位分支，与主干神经网络连接的池化层，与池化层分别连接的意图分支和意图槽位关系分支；将特征信息输入训练好的对话理解模型，获取语句的意图和槽位，从而通过在对话理解模型中添加意图槽位关系分支，使得对话理解模型在训练或者语句识别时能够考虑到意图和槽位之间的关系，提高输出的意图和槽位之间的匹配度，提高对话理解模型的语句识别效率。

本申请另一方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例的语句识别方法。

本申请另一方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请实施例的语句识别方法。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的示意图；

图2是根据本申请第二实施例的示意图；

图3是用来实现本申请实施例的语句识别方法的电子设备的框图；

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

下面参考附图描述本申请实施例的语句识别方法及装置。

图1是根据本申请第一实施例的示意图。其中，需要说明的是，本实施例提供的语句识别方法的执行主体为语句识别装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在终端设备或者服务器中，该实施例对此不作具体限定。

如图1所示，该语句识别方法可以包括：

步骤101，获取待识别的语句以及对应的特征信息，特征信息包括：语句的分词结果、词性识别结果以及实体识别结果。

本申请中，语句的分词结果为对语句进行分词得到的结果，以语句为“我要听张杰的三生三世”，则一种分词结果可以为“我要听张杰的三生三世”。词性识别结果为对分词结果中各个分词进行的词性标注。以上述语句为例，对应的词性识别结果例如可以为“人称代词动词名词副词名词”。实体识别结果为对分词结果中各个分词进行的实体标注。以上述语句为例，对应的实体识别结果例如可以为“nor nor singer nor music_name”。其中，待识别的语句例如可以为对话中的语句或者用户输入的语句。

步骤102，获取训练好的对话理解模型，对话理解模型包括：主干神经网络，与主干神经网络连接的槽位分支，与主干神经网络连接的池化层，与池化层分别连接的意图分支和意图槽位关系分支。

本申请中，主干神经网络可以包括：依次连接的嵌入层、向量拼接层和双向神经网络。嵌入层用于对分词结果、词性识别结果和实体识别结果进行向量化，得到分词结果对应的向量、词性识别结果对应的向量、实体识别结果对应的向量。向量拼接层用于对上述三个向量进行拼接处理。双向神经网络用于获取拼接后向量的隐层状态向量。

本申请中，槽位分支可以包括：依次连接的第一全连接层和条件随机场网络。第一全连接层用于对隐层状态向量进行降维处理。条件随机场网络用于获取分词结果中各个分词的槽位类型。其中，槽位类型例如可以为nor、music_name、music_singer等。另外，当相连的两个分词可以组合成一个槽位时，例如两个分词“三生”和“三世”可以组合成一个槽位“三生三世”时，“三生”的槽位类型可以为b.music_name，表示槽位的起始点；“三世”的槽位类型可以为i.music_name，表示槽位的终止点。

本申请中，意图分支可以包括：依次连接第二全连接层和第一分类网络。第二全连接层用于在池化层对隐层状态向量进行处理得到池化向量后，对池化向量进行降维处理。第一分类网络用于对降维后的池化向量进行分类，确定意图。

本申请中，意图槽位关系分支可以包括：依次连接的第三全连接层和第二分类网络。第三全连接层用于对池化向量进行降维处理。第二分类网络用于对降维后的池化向量进行分类，确定意图槽位关系向量，该向量中每个维度对应一种意图槽位关系，维度的数值表示待识别的语句是否存在相应的意图槽位关系。例如，数值为1，表示语句存在相应的意图槽位关系；数值为0，表示语句不存在相应的意图槽位关系。

以语句“我要听张杰的三生三世”，且对应的分词结果为“我要听张杰的三生三世”为例，该语句的实际意图为music_play，实际槽位为music_singer、music_name、music_album为例，该语句的实际意图槽位关系可以包括以下关系：music_play-music_singer、music_play-music_name、music_play-music_singer-music_name、music_play-music_album、music_play-music_singer-music_album、music_play-music_album-music_name、music_play-music_singer-music_album-music_name，共十个关系，则实际意图槽位关系向量的维度为10位。需要说明的是，在意图槽位关系向量中，各个维度的顺序不是固定的，也就是说，根据向量只能确定存在的关系数量，而不能确定存在的具体是哪几个关系。

进一步地，本申请中，语句识别装置执行步骤102的过程具体可以为，获取训练数据和初始的对话理解模型，训练数据包括：多个语句样本，语句样本对应的特征信息，以及语句样本的实际意图和实际槽位；采用训练数据对初始的对话理解模型进行训练，直至目标函数的数值小于预设阈值，得到训练好的对话理解模型；目标函数结合意图分支、槽位分支和意图槽位关系分支的输出建立。

其中，目标函数由三部分组成，分别为意图目标函数、槽位目标函数和意图槽位关系目标函数。其中，意图目标函数根据对话理解模型输出的意图和实际意图确定；槽位目标函数根据对话理解模型输出的槽位和实际槽位确定；意图槽位关系目标函数根据实际意图槽位关系的个数和对话理解模型输出的意图槽位关系个数确定。

步骤103，将特征信息输入训练好的对话理解模型，获取语句的意图和槽位。

本申请中，语句识别装置执行步骤103的过程具体可以为，将特征信息输入训练好的对话理解模型，获取语句的意图，以及分词结果中各个分词的槽位类型；根据分词结果中各个分词的槽位类型，确定语句的槽位。

其中，以语句“我要听张杰的三生三世”，且对应的分词结果为“我要听张杰的三生三世”为例，分词“我”的槽位类型为nor，表示“我”不是槽位；分词“张杰”的槽位类型为music_singer，表示“张杰”是槽位，且为歌手名字；分词“三生三世”的槽位类型为music_name，表示分词“三生三世”是槽位，且为歌名称。根据上述各个分词的槽位类型，可以确定语句的槽位为music_singer张杰、歌名称三生三世。

本申请实施例的语句识别方法，通过获取待识别的语句以及对应的特征信息，特征信息包括：语句的分词结果、词性识别结果以及实体识别结果；获取训练好的对话理解模型，对话理解模型包括：主干神经网络，与主干神经网络连接的槽位分支，与主干神经网络连接的池化层，与池化层分别连接的意图分支和意图槽位关系分支；将特征信息输入训练好的对话理解模型，获取语句的意图和槽位，从而通过在对话理解模型中添加意图槽位关系分支，使得对话理解模型在训练或者语句识别时能够考虑到意图和槽位之间的关系，提高输出的意图和槽位之间的匹配度，提高对话理解模型的语句识别效率。

为了实现上述实施例，本申请实施例还提供一种语句识别装置。

图2是根据本申请第二实施例的示意图。如图2所示，该语句识别装置100包括：

获取模块110，用于获取待识别的语句以及对应的特征信息，所述特征信息包括：所述语句的分词结果、词性识别结果以及实体识别结果；

所述获取模块110，还用于获取训练好的对话理解模型，所述对话理解模型包括：主干神经网络，与所述主干神经网络连接的槽位分支，与所述主干神经网络连接的池化层，与所述池化层分别连接的意图分支和意图槽位关系分支；

输入模块120，用于将所述特征信息输入训练好的对话理解模型，获取所述语句的意图和槽位。

在本申请一个实施例中，所述主干神经网络包括：依次连接的嵌入层、向量拼接层和双向神经网络；所述槽位分支包括：依次连接的第一全连接层和条件随机场网络；所述意图分支包括：依次连接第二全连接层和第一分类网络；所述意图槽位关系分支包括：依次连接的第三全连接层和第二分类网络。

在本申请一个实施例中，所述输入模块120具体用于，将所述特征信息输入训练好的对话理解模型，获取所述语句的意图，以及所述分词结果中各个分词的槽位类型；根据所述分词结果中各个分词的槽位类型，确定所述语句的槽位。

在本申请一个实施例中，所述获取模块110具体用于，获取训练数据和初始的对话理解模型，所述训练数据包括：多个语句样本，语句样本对应的特征信息，以及语句样本的实际意图和实际槽位；采用所述训练数据对初始的对话理解模型进行训练，直至目标函数的数值小于预设阈值，得到训练好的对话理解模型；所述目标函数结合意图分支、槽位分支和意图槽位关系分支的输出建立。

其中，需要说明的是，前述对语句识别方法的解释说明也适用于本实施例的语句识别装置，此处不再赘述。

本申请实施例的语句识别装置，通过获取待识别的语句以及对应的特征信息，特征信息包括：语句的分词结果、词性识别结果以及实体识别结果；获取训练好的对话理解模型，对话理解模型包括：主干神经网络，与主干神经网络连接的槽位分支，与主干神经网络连接的池化层，与池化层分别连接的意图分支和意图槽位关系分支；将特征信息输入训练好的对话理解模型，获取语句的意图和槽位，从而通过在对话理解模型中添加意图槽位关系分支，使得对话理解模型在训练或者语句识别时能够考虑到意图和槽位之间的关系，提高输出的意图和槽位之间的匹配度，提高对话理解模型的语句识别效率。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图3所示，是根据本申请实施例的语句识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图3所示，该电子设备包括：一个或多个处理器301、存储器302，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图3中以一个处理器301为例。

存储器302即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的语句识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的语句识别方法。

存储器302作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的语句识别方法对应的程序指令/模块(例如，附图2所示的获取模块110、输入模块120)。处理器301通过运行存储在存储器302中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的语句识别方法。

存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据语句识别的电子设备的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至语句识别的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

语句识别的方法的电子设备还可以包括：输入装置303和输出装置304。处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接，图3中以通过总线连接为例。

输入装置303可接收输入的数字或字符信息，以及产生与语句识别的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置304可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种语句识别方法，其特征在于，包括：

获取待识别的语句以及对应的特征信息，所述特征信息包括：所述语句的分词结果、词性识别结果以及实体识别结果；

获取训练好的对话理解模型，所述对话理解模型包括：主干神经网络，与所述主干神经网络连接的槽位分支，与所述主干神经网络连接的池化层，与所述池化层分别连接的意图分支和意图槽位关系分支；

将所述特征信息输入训练好的对话理解模型，获取所述语句的意图和槽位；其中，所述槽位分支包括：依次连接的第一全连接层和条件随机场网络，其中，所述第一全连接层用于对隐层状态向量进行降维处理，条件随机场网络用于获取分词结果中各个分词的槽位类型；

所述意图分支包括：依次连接第二全连接层和第一分类网络，其中，所述第二全连接层用于在池化层对隐层状态向量进行处理得到池化向量后，对池化向量进行降维处理，所述第一分类网络用于对降维后的池化向量进行分类，确定意图；

所述意图槽位关系分支包括：依次连接的第三全连接层和第二分类网络，其中，所述第三全连接层用于对池化向量进行降维处理， 所述第二分类网络用于对降维后的池化向量进行分类，确定意图槽位关系向量。

2.根据权利要求1所述的方法，其特征在于，

所述主干神经网络包括：依次连接的嵌入层、向量拼接层和双向神经网络。

3.根据权利要求1所述的方法，其特征在于，所述将所述特征信息输入训练好的对话理解模型，获取所述语句的意图和槽位，包括：

将所述特征信息输入训练好的对话理解模型，获取所述语句的意图，以及所述分词结果中各个分词的槽位类型；

根据所述分词结果中各个分词的槽位类型，确定所述语句的槽位。

4.根据权利要求1所述的方法，其特征在于，所述获取训练好的对话理解模型，包括：

获取训练数据和初始的对话理解模型，所述训练数据包括：多个语句样本，语句样本对应的特征信息，以及语句样本的实际意图和实际槽位；

采用所述训练数据对初始的对话理解模型进行训练，直至目标函数的数值小于预设阈值，得到训练好的对话理解模型；所述目标函数结合意图分支、槽位分支和意图槽位关系分支的输出建立。

5.一种语句识别装置，其特征在于，包括：

获取模块，用于获取待识别的语句以及对应的特征信息，所述特征信息包括：所述语句的分词结果、词性识别结果以及实体识别结果；

所述获取模块，还用于获取训练好的对话理解模型，所述对话理解模型包括：主干神经网络，与所述主干神经网络连接的槽位分支，与所述主干神经网络连接的池化层，与所述池化层分别连接的意图分支和意图槽位关系分支，其中，所述槽位分支包括：依次连接的第一全连接层和条件随机场网络，其中，所述第一全连接层用于对隐层状态向量进行降维处理，条件随机场网络用于获取分词结果中各个分词的槽位类型；

所述意图分支包括：依次连接第二全连接层和第一分类网络，其中，所述第二全连接层用于在池化层对隐层状态向量进行处理得到池化向量后，对池化向量进行降维处理，所述第一分类网络用于对降维后的池化向量进行分类，确定意图；

所述意图槽位关系分支包括：依次连接的第三全连接层和第二分类网络，其中，所述第三全连接层用于对池化向量进行降维处理， 第二分类网络用于对降维后的池化向量进行分类，确定意图槽位关系向量；

输入模块，用于将所述特征信息输入训练好的对话理解模型，获取所述语句的意图和槽位。

6.根据权利要求5所述的装置，其特征在于，

所述主干神经网络包括：依次连接的嵌入层、向量拼接层和双向神经网络。

7.根据权利要求5所述的装置，其特征在于，所述输入模块具体用于，

将所述特征信息输入训练好的对话理解模型，获取所述语句的意图，以及所述分词结果中各个分词的槽位类型；

根据所述分词结果中各个分词的槽位类型，确定所述语句的槽位。

8.根据权利要求5所述的装置，其特征在于，所述获取模块具体用于，

获取训练数据和初始的对话理解模型，所述训练数据包括：多个语句样本，语句样本对应的特征信息，以及语句样本的实际意图和实际槽位；

采用所述训练数据对初始的对话理解模型进行训练，直至目标函数的数值小于预设阈值，得到训练好的对话理解模型；所述目标函数结合意图分支、槽位分支和意图槽位关系分支的输出建立。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1－4中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1－4中任一项所述的方法。

Images