CN110766085A - 基于自定义场景的槽位识别模型训练方法及装置 - Google Patents
基于自定义场景的槽位识别模型训练方法及装置 Download PDFInfo
- Publication number
- CN110766085A CN110766085A CN201911030632.1A CN201911030632A CN110766085A CN 110766085 A CN110766085 A CN 110766085A CN 201911030632 A CN201911030632 A CN 201911030632A CN 110766085 A CN110766085 A CN 110766085A
- Authority
- CN
- China
- Prior art keywords
- slot position
- existing
- scene
- slot
- user
- 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
- 238000012549 training Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000015654 memory Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 230000004308 accommodation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本公开一种基于自定义场景的槽位识别模型训练方法、装置、电子设备和计算机可读存储介质。其中方法包括:根据自定义场景确定所需的槽位;其中,槽位包括已有槽位和新增槽位;对于已有槽位从已有词典中选取可填充的词典,对于新增槽位从已有词典或自定义词典中选取可填充的词典;为每个槽位填充相应的值;根据每个槽位的值生成第一训练数据;采用第一训练数据对已有场景对应的槽位识别模型进行训练优化。本公开实施例基于已有场景的已有槽位,通过槽位复用可以生成足量的训练数据,并采用训练数据进行训练得到自定义场景的槽位识别模型,使得自定义场景的槽位识别模型具有较好的槽位识别功能。
Description
技术领域
本公开涉及人工智能技术领域,特别是涉及一种基于自定义场景的槽位识别模型训练方法、装置和计算机可读存储介质。
背景技术
在智能设备领域中,面向任务型的对话系统越来越依赖于基于深度学习的槽位填充模型。从用户语言中识别场景中特定的槽位是口语理解(Spoken LanguageUnderstanding,SLU)的重要任务之一。槽位填充模型中的口语理解系统通常包括两个子任务,场景分类和槽位填充。其中,场景分类是用户想要执行的任务场景,槽位是指场景所作用的实体。例如,用户指令为“播放周杰伦的七里香”,其中的场景是“播放音乐”,该场景下定义了两个槽位分别是“歌手”和“歌曲”,在指令中对应的值是“周杰伦”和“七里香”。
SLU技术的快速发展使得智能设备,例如Siri、Alexa、小度、以及小爱同学这样的智能助手的功能变得越来越强大。同时,由于不同的用户使用智能设备的场景不用,越来越多的智能设备已经能够支持用户自定义需求。
在槽位填充这一问题上,对于用户的自定义场景,主要面临如下两个重要的问题:一是训练数据不充足,现有的槽位填充模型,都需要大量已标记的训练数据,但是对于用户自定义的场景没有获取大量数据的途径,因此在用户自定义的场景下很难得到比较精确的槽位填充模型。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开解决的技术问题是提供一种基于自定义场景的槽位识别模型训练方法,以至少部分地解决现有技术中对于用户自定义的场景没有获取大量数据的途径,在用户自定义的场景下很难得到比较精确的槽位填充模型的技术问题。此外,还提供一种基于自定义场景的槽位识别模型训练装置、基于自定义场景的槽位识别模型训练硬件装置、计算机可读存储介质和基于自定义场景的槽位识别模型训练终端。
为了实现上述目的,根据本公开的一个方面,提供以下技术方案:
一种基于自定义场景的槽位识别模型训练方法,包括:
根据自定义场景确定所需的槽位;其中,所述槽位包括复用槽位和新增槽位;且所述复用槽位为复用的已有场景中的已有槽位;
对于所述复用槽位从所述已有槽位对应的已有词典中选取可填充的词典,对于所述新增槽位从已有词典或自定义词典中选取可填充的词典;
根据所述自定义场景可用的用户指令模式和所选词典,为每个槽位填充相应的值;
根据所述每个槽位的值生成第一训练数据;
采用所述第一训练数据训练得到所述自定义场景的槽位识别模型。
进一步的,所述采用所述第一训练数据训练得到所述自定义场景的槽位识别模型,包括:
采用所述第一训练数据对所述已有场景对应的槽位识别模型进行训练优化,得到所述自定义场景的槽位识别模型。
进一步的,所述方法还包括:
使用用户指令对所述自定义场景的槽位识别模型进行迭代优化。
进一步的,所述方法还包括:
为用户提供所述自定义词典的接口。
进一步的,所述方法还包括:
为用户提供自定义所述用户指令的接口。
进一步的,所述方法还包括:
根据所述所需的槽位确定槽位属性;
当确定所述已有场景中存在与所述槽位属性相同的已有槽位时,确定所述槽位属性对应的槽位为复用槽位,用以复用所述已有槽位;
当确定所述已有场景中不存在与所述槽位属性相同的已有槽位时,确定所述槽位属性对应的槽位为新增槽位。一种基于自定义场景的槽位识别模型训练装置,包括:
槽位确定模块,用于根据自定义场景确定所需的槽位;其中,所述槽位包括复用槽位和新增槽位;且所述复用槽位为复用的已有场景中的已有槽位;
词典选取模块,用于对于所述复用槽位从所述已有槽位对应的已有词典中选取可填充的词典,对于所述新增槽位从已有词典或自定义词典中选取可填充的词典;
槽位填充模块,用于根据所述自定义场景可用的用户指令模式和所选词典,为每个槽位填充相应的值;
数据生成模块,用于根据所述每个槽位的值生成第一训练数据;
模型训练模块,用于采用所述第一训练数据训练得到所述自定义场景的槽位识别模型。
进一步的,所述模型训练模块具体用于:
采用所述第一训练数据对所述已有场景对应的槽位识别模型进行训练优化,得到所述自定义场景的槽位识别模型。
进一步的,所述装置还包括:
模型优化模块,用于使用所述用户指令对所述自定义场景的槽位识别模型进行迭代优化。
进一步的,所述装置还包括:
第一自定义模块,用于为用户提供所述自定义词典的接口。
进一步的,所述装置还包括:
第二自定义模块,用于为用户提供自定义所述用户指令的接口。
进一步的,所述装置还包括:
槽位类型确定模块,用于根据所述所需的槽位确定槽位属性;当确定所述已有场景中存在与所述槽位属性相同的已有槽位时,确定所述槽位属性对应的槽位为复用槽位,用以复用所述已有槽位;当确定所述已有场景中不存在与所述槽位属性相同的已有槽位时,确定所述槽位属性对应的槽位为新增槽位。为了实现上述目的,根据本公开的一个方面,提供以下技术方案:
一种电子设备,包括:
存储器,用于存储非暂时性计算机可读指令;以及
处理器,用于运行所述计算机可读指令,使得所述处理器执行时实现上述任一项所述的基于自定义场景的槽位识别模型训练方法。
为了实现上述目的,根据本公开的一个方面,提供以下技术方案:
一种计算机可读存储介质,用于存储非暂时性计算机可读指令,当所述非暂时性计算机可读指令由计算机执行时,使得所述计算机执行上述任一项所述的基于自定义场景的槽位识别模型训练方法。
为了实现上述目的,根据本公开的又一个方面,还提供以下技术方案:
一种基于自定义场景的槽位识别模型训练终端,包括上述任一基于自定义场景的槽位识别模型训练装置。
本公开实施例基于已有场景的已有槽位,通过槽位复用可以生成足量的训练数据,并采用训练数据进行训练得到自定义场景的槽位识别模型,使得自定义场景的槽位识别模型具有较好的槽位识别功能。
上述说明仅是本公开技术方案的概述,为了能更清楚了解本公开的技术手段,而可依照说明书的内容予以实施,并且为让本公开的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为根据本公开一个实施例的基于自定义场景的槽位识别模型训练方法的流程示意图;
图2为根据本公开一个实施例的基于自定义场景的槽位识别模型训练装置的结构示意图;
图3为根据本公开一个实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
实施例一
为了解决现有技术中对于用户自定义的场景没有获取大量数据的途径,在用户自定义的场景下很难得到比较精确的槽位填充模型的技术问题,本公开实施例提供一种基于自定义场景的槽位识别模型训练方法。如图1所示,该基于自定义场景的槽位识别模型训练方法主要包括如下步骤S11至步骤S15。
步骤S11:根据自定义场景确定所需的槽位;其中,所述槽位包括复用槽位和新增槽位;且所述复用槽位为复用的已有场景中的已有槽位。
其中,自定义场景为现有的智能设备中没有的场景。其中,智能设备可以为智能音箱、智能手表或智能手机等。例如,对于智能音箱,其目前支持的场景即已有场景包括放音乐、定闹钟、查天气、订机票等,而没有订酒店场景,如果要使该智能音箱支持订酒店场景,就需要用户自定义该场景。
具体的,可以对自定义场景中的用户指令进行语义识别,根据语义识别结果确定对应的槽位。例如,可以采用现有技术中的自然语言语义识别算法对用户指令进行识别,获取到用户指令中的词语,根据获取的词语确定槽位。以订酒店场景为例,如果用户指令为:
我想订一个2019年10月1日到2019年10月8日在北京的宾馆。
我想在北京定一个2019年10月1日的酒店。
我想在某宾馆定一个2019年10月1日到2019年10月8日的房间。
则通过语义识别,可以确定对应的槽位包括入住时间、离开时间、城市和酒店名。步骤S12:对于所述复用槽位从所述已有槽位对应的已有词典中选取可填充的词典,对于所述新增槽位从已有词典或自定义词典中选取可填充的词典。
对于自定义场景中的已有槽位即复用的已有场景中的槽位,可以从已有词典中勾选可填充该槽位的词典。对于新增槽位,用户可以从已有词典中直接进行勾选,也可以自定义词典,然后从自定义词典中选取可填充的词典。例如,订酒店场景,可以自定义词典,包括酒店词典、民宿词典、青年旅舍词典等。
步骤S13:根据所述自定义场景可用的用户指令模式和所选词典,为每个槽位填充相应的值。
对于自定义场景,可以用户自定义一些用户指令,根据这些用户指令为每个槽位填充相应的值。以订酒店为例,可自定义如下用户指令:
我想订一个[入住时间]到[离开时间]在[城市]的宾馆。
我想在[城市]定一个[入住时间]的酒店。
我想在[酒店名]定一个[入住时间]到[离开时间]的房间。
对于订酒店场景中槽位入住时间可以从订机票场景中的出发时间中选择时间、槽位离开时间可以从订机票场景中的到达时间中选择时间、槽位城市可以从订机票场景中的出发城市或到达城市中选择城市、对于新增槽位酒店,可以从自定义词典中选择酒店。
步骤S14:根据所述每个槽位的值生成第一训练数据。
以订酒店场景为例,由于酒店是一个新增槽位,其对应的数据量有限,但是该场景下其余的槽位入住时间、离开时间和城市由于复用了已有场景中的槽位,这些复用的槽位对应的数据量是巨大的,因此由此生成的该自定义场景对应的训练数据也是巨大的。其中生成的训练数据可以是语句,可以是短语,可以是语句中的部分,也可以是通过词语、语句重组形成的语句或语句部分。
步骤S15:采用所述第一训练数据训练得到所述自定义场景的槽位识别模型。
具体的,可采用现有的神经网络学习算法或深度学习神经网络算法(例如基于双向长短时间记忆网络的条件随机场算法(Bidirectional Long Short Term MemoryConditional Random Field,Bi-LSTM-CRF)对第一训练数据进行训练,得到所述自定义场景的槽位识别模型。
本公开实施例基于已有场景的已有槽位,通过槽位复用可以生成足量的训练数据,并采用训练数据进行训练得到自定义场景的槽位识别模型,使得自定义场景的槽位识别模型具有较好的槽位识别功能。在一个可选的实施例中,步骤S15具体包括:
采用所述第一训练数据对所述已有场景对应的槽位识别模型进行训练优化,得到所述自定义场景的槽位识别模型。
基于上述步骤S14中的训练数据,对已有场景对应的槽位识别模型进行训练优化,使得已有场景对应的槽位识别模型学习新增槽位的信息,使其具备识别自定义场景的槽位的功能,并且使得自定义场景的槽位识别模型不仅可以利用已有场景的槽位识别模型快速启动,同时具备很好的扩展和泛化能力。
其中,已有场景对应的槽位识别模型的训练过程主要包括以下步骤:
步骤S16:根据所述已有场景确定已有槽位。
具体的根据所述已有场景确定已有槽位的方法与上述自定义场景类似,具体参见上述步骤S11的相关描述,这里不再赘述。
其中,已有场景可以为一个或多个场景。例如,放音乐、定闹钟、查天气、订机票等场景。例如,放音乐场景所需的槽位包括歌手、歌曲、专辑、类型等,定闹钟场景所需的槽位包括时间、事件等,订机票场景所需的槽位包括出发城市、到达城市、出发时间、到达时间等。
步骤S17:根据所述已有槽位的实体性质划分词典,并为每个已有槽位填充相应的值。
根据实体性质划分词典,其粒度可与槽位不同,应比槽位划分粒度更细。并为每个槽位勾选相应词典,根据词典为每个已有槽位填充相应的值。例如歌手这个槽位可以勾选的词典有、歌手、演员、乐队等,时间、出发时间和到达时间这些槽位可以勾选的词典有日期、节日等。
步骤S18:根据所述每个已有槽位的值生成第二训练数据。
步骤S19:对所述第二训练数据进行训练得到所述已有场景对应的槽位识别模型。
提取出所有已知场景中的槽位的值,并基于所有已知场景的训练数据,训练一个槽位识别模型。具体选择神经网络深度学习模型,例如Bi-LSTM-CRF算法进行训练。
在一个可选的实施例中,所述方法还包括:
使用用户指令对所述自定义场景的槽位识别模型进行迭代优化。
为了使自定义场景的槽位识别模型具有更好的识别能力及提高识别准确度,可以使用用户指令对所述自定义场景的槽位识别模型进行迭代优化。
在一个可选的实施例中,所述方法还包括:
为用户提供所述自定义词典的接口。
该步骤针对新增槽位,为用户提供所述自定义词典的接口,以便用户自定义新增槽位对应的词典。
在一个可选的实施例中,所述方法还包括:
为用户提供自定义所述用户指令的接口。
该步骤针对新增槽位,为用户提供自定义所述用户指令的接口,以便用户自定义新增槽位对应的用户指令。
在一个可选的实施例中,所述方法还包括:
根据所述所需的槽位确定槽位属性;当确定所述已有场景中存在与所述槽位属性相同的已有槽位时,确定所述槽位属性对应的槽位为复用槽位,用以复用所述已有槽位;当确定所述已有场景中不存在与所述槽位属性相同的已有槽位时,确定所述槽位属性对应的槽位为新增槽位。
其中,槽位属性包括时间(例如,出发时间、到达时间、制定的时间、入住时间或离开时间等)、位置(例如,城市、国家等)、住宿(例如,宾馆、旅店、酒店等)、名人(例如,歌手、电影明星、历史人物、科学家等)、音乐(例如,歌曲、专辑等)、影片(例如,电影、短视频、电视剧等)等。具体的,以上述订酒店场景为例,可以确定对应的槽位包括入住时间、离开时间、城市和酒店名。其中,槽位入住时间和槽位离开时间的槽位属性均为时间,槽位酒店的槽位属性为住宿,槽位城市的槽位属性为位置。
对于已有场景放音乐的槽位歌手的槽位属性为名人、歌曲的槽位属性为音乐等。对于已有场景定闹钟槽位时间的槽位属性为时间。对于已有场景订机票所需的槽位出发城市、到达城市的槽位属性为位置,出发时间、到达时间的槽位属性均为时间等。
由于订酒店场景所需的槽位入住时间、离开时间与订机票所需的槽位出发时间、到达时间的槽位属性都是时间,因此,订酒店场景所需的槽位入住时间、离开时间可以复用订机票中的已有槽位出发时间、到达时间。由于订酒店场景所需的槽位城市与订机票所需的槽位城市的槽位属性都是位置,因此,订酒店场景所需的槽位城市可以复用订机票中的已有槽位城市即出发城市或到达城市。
而槽位酒店的槽位属性为住宿,在已有场景中不存在具备此槽位属性的已知槽位,因此其是一个新增槽位,需要自定义该槽位及该槽位对应的词典即自定义词典。该自定义词典为酒店名集合。
本领域技术人员应能理解,在上述各个实施例的基础上,还可以进行明显变型(例如,对所列举的模式进行组合)或等同替换。
在上文中,虽然按照上述的顺序描述了基于自定义场景的槽位识别模型训练方法实施例中的各个步骤,本领域技术人员应清楚,本公开实施例中的步骤并不必然按照上述顺序执行,其也可以倒序、并行、交叉等其他顺序执行,而且,在上述步骤的基础上,本领域技术人员也可以再加入其他步骤,这些明显变型或等同替换的方式也应包含在本公开的保护范围之内,在此不再赘述。
下面为本公开装置实施例,本公开装置实施例可用于执行本公开方法实施例实现的步骤,为了便于说明,仅示出了与本公开实施例相关的部分,具体技术细节未揭示的,请参照本公开方法实施例。
实施例二
为了解决现有技术中对于用户自定义的场景没有获取大量数据的途径,在用户自定义的场景下很难得到比较精确的槽位填充模型的技术问题,本公开实施例提供一种基于自定义场景的槽位识别模型训练装置。该装置可以执行上述实施例一所述的基于自定义场景的槽位识别模型训练方法实施例中的步骤。如图2所示,该装置主要包括:槽位确定模块21、词典选取模块22、槽位填充模块23、数据生成模块24和模型训练模块25;其中,
槽位确定模块21用于根据自定义场景确定所需的槽位;其中,所述槽位包括复用槽位和新增槽位;且所述复用槽位为复用的已有场景中的已有槽位;
词典选取模块22用于对于所述复用槽位从所述已有槽位对应的已有词典中选取可填充的词典,对于所述新增槽位从已有词典或自定义词典中选取可填充的词典;
槽位填充模块23用于根据所述自定义场景可用的用户指令模式和所选词典,为每个槽位填充相应的值;
数据生成模块24用于根据所述每个槽位的值生成第一训练数据;
模型训练模块25用于采用所述第一训练数据训练得到所述自定义场景的槽位识别模型。
进一步的,所述模型训练模块25具体用于:采用所述第一训练数据对所述已有场景对应的槽位识别模型进行训练优化,得到所述自定义场景的槽位识别模型。
进一步的,所述装置还包括:模型优化模块26;其中,
模型优化模块26用于使用所述用户指令对所述自定义场景的槽位识别模型进行迭代优化。
进一步的,所述装置还包括:第一自定义模块27;其中,
第一自定义模块27用于为用户提供所述自定义词典的接口。
进一步的,所述装置还包括:第二自定义模块28;其中,
第二自定义模块28用于为用户提供自定义所述用户指令的接口。
进一步的,所述装置还包括:槽位类型确定模块29;其中,
槽位类型确定模块29用于根据所述所需的槽位确定槽位属性;当确定所述已有场景中存在与所述槽位属性相同的已有槽位时,确定所述槽位属性对应的槽位为复用槽位,用以复用所述已有槽位;当确定所述已有场景中不存在与所述槽位属性相同的已有槽位时,确定所述槽位属性对应的槽位为新增槽位。
有关基于自定义场景的槽位识别模型训练装置实施例的工作原理、实现的技术效果等详细说明可以参考前述基于自定义场景的槽位识别模型训练方法实施例中的相关说明,在此不再赘述。
实施例三
下面参考图3,其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置306加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置306;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置306被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:根据自定义场景确定所需的槽位;其中,所述槽位包括复用槽位和新增槽位;且所述复用槽位为复用的已有场景中的已有槽位;对于所述复用槽位从所述已有槽位对应的已有词典中选取可填充的词典,对于所述新增槽位从已有词典或自定义词典中选取可填充的词典;根据所述自定义场景可用的用户指令模式和所选词典,为每个槽位填充相应的值;根据所述每个槽位的值生成第一训练数据;采用所述第一训练数据训练得到所述自定义场景的槽位识别模型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (14)
1.一种基于自定义场景的槽位识别模型训练方法,其特征在于,包括:
根据自定义场景确定所需的槽位;其中,所述槽位包括复用槽位和新增槽位;且所述复用槽位为复用的已有场景中的已有槽位;
对于所述复用槽位从所述已有槽位对应的已有词典中选取可填充的词典,对于所述新增槽位从已有词典或自定义词典中选取可填充的词典;
根据所述自定义场景可用的用户指令模式和所选词典,为每个槽位填充相应的值;
根据所述每个槽位的值生成第一训练数据;
采用所述第一训练数据训练得到所述自定义场景的槽位识别模型。
2.根据权利要求1所述的方法,其特征在于,所述采用所述第一训练数据训练得到所述自定义场景的槽位识别模型,包括:
采用所述第一训练数据对所述已有场景对应的槽位识别模型进行训练优化,得到所述自定义场景的槽位识别模型。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
使用用户指令对所述自定义场景的槽位识别模型进行迭代优化。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
为用户提供所述自定义词典的接口。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
为用户提供自定义所述用户指令模式的接口。
6.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
根据所述所需的槽位确定槽位属性;
当确定所述已有场景中存在与所述槽位属性相同的已有槽位时,确定所述槽位属性对应的槽位为复用槽位,用以复用所述已有槽位;
当确定所述已有场景中不存在与所述槽位属性相同的已有槽位时,确定所述槽位属性对应的槽位为新增槽位。
7.一种基于自定义场景的槽位识别模型训练装置,其特征在于,包括:
槽位确定模块,用于根据自定义场景确定所需的槽位;其中,所述槽位包括复用槽位和新增槽位;且所述复用槽位为复用的已有场景中的已有槽位;
词典选取模块,用于对于所述复用槽位从所述已有槽位对应的已有词典中选取可填充的词典,对于所述新增槽位从已有词典或自定义词典中选取可填充的词典;
槽位填充模块,用于根据所述自定义场景可用的用户指令模式和所选词典,为每个槽位填充相应的值;
数据生成模块,用于根据所述每个槽位的值生成第一训练数据;
模型训练模块,用于采用所述第一训练数据训练得到所述自定义场景的槽位识别模型。
8.根据权利要求7所述的装置,其特征在于,所述模型训练模块具体用于:
采用所述第一训练数据对所述已有场景对应的槽位识别模型进行训练优化,得到所述自定义场景的槽位识别模型。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括:
模型优化模块,用于使用用户指令对所述自定义场景的槽位识别模型进行迭代优化。
10.根据权利要求7-9任一项所述的装置,其特征在于,所述装置还包括:
第一自定义模块,用于为用户提供所述自定义词典的接口。
11.根据权利要求7-9任一项所述的装置,其特征在于,所述装置还包括:
第二自定义模块,用于为用户提供自定义所述用户指令的接口。
12.根据权利要求7-9任一项所述的装置,其特征在于,所述装置还包括:
槽位类型确定模块,用于根据所述所需的槽位确定槽位属性;当确定所述已有场景中存在与所述槽位属性相同的已有槽位时,确定所述槽位属性对应的槽位为复用槽位,用以复用所述已有槽位;当确定所述已有场景中不存在与所述槽位属性相同的已有槽位时,确定所述槽位属性对应的槽位为新增槽位。
13.一种电子设备,包括:
存储器,用于存储非暂时性计算机可读指令;以及
处理器,用于运行所述计算机可读指令,使得所述处理器执行时实现根据权利要求1-6任一项所述的基于自定义场景的槽位识别模型训练方法。
14.一种计算机可读存储介质,用于存储非暂时性计算机可读指令,当所述非暂时性计算机可读指令由计算机执行时,使得所述计算机执行权利要求1-6任一项所述的基于自定义场景的槽位识别模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911030632.1A CN110766085A (zh) | 2019-10-28 | 2019-10-28 | 基于自定义场景的槽位识别模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911030632.1A CN110766085A (zh) | 2019-10-28 | 2019-10-28 | 基于自定义场景的槽位识别模型训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766085A true CN110766085A (zh) | 2020-02-07 |
Family
ID=69334138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911030632.1A Pending CN110766085A (zh) | 2019-10-28 | 2019-10-28 | 基于自定义场景的槽位识别模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766085A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959256A (zh) * | 2018-06-29 | 2018-12-07 | 北京百度网讯科技有限公司 | 短文本的生成方法、装置、存储介质和终端设备 |
CN110309507A (zh) * | 2019-05-30 | 2019-10-08 | 深圳壹账通智能科技有限公司 | 测试语料生成方法、装置、计算机设备和存储介质 |
-
2019
- 2019-10-28 CN CN201911030632.1A patent/CN110766085A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959256A (zh) * | 2018-06-29 | 2018-12-07 | 北京百度网讯科技有限公司 | 短文本的生成方法、装置、存储介质和终端设备 |
CN110309507A (zh) * | 2019-05-30 | 2019-10-08 | 深圳壹账通智能科技有限公司 | 测试语料生成方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
ANKUR BAPNA等: "Towards Zero-Shot Frame Semantic Parsing for Domain Scaling", 《ARXIV:1707.02363V1》 * |
SU ZHU等: "SEMANTIC PARSER ENHANCEMENT FOR DIALOGUE DOMAIN EXTENSION WITH LITTLE DATA", 《IEEE》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110971969B (zh) | 视频配乐方法、装置、电子设备及计算机可读存储介质 | |
US20230298562A1 (en) | Speech synthesis method, apparatus, readable medium, and electronic device | |
CN111274368B (zh) | 槽位填充方法及装置 | |
CN110516159B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
EP4343583A1 (en) | Text input method and apparatus, and electronic device and storage medium | |
CN111883117A (zh) | 语音唤醒方法及装置 | |
CN111667810B (zh) | 多音字语料的获取方法、装置、可读介质和电子设备 | |
CN112929746A (zh) | 视频生成方法和装置、存储介质和电子设备 | |
CN113051933B (zh) | 模型训练方法、文本语义相似度确定方法、装置和设备 | |
US20230315990A1 (en) | Text detection method and apparatus, electronic device, and storage medium | |
CN111723289B (zh) | 信息推荐方法及装置 | |
CN113628097A (zh) | 图像特效配置方法、图像识别方法、装置及电子设备 | |
CN111916050A (zh) | 语音合成方法、装置、存储介质和电子设备 | |
CN112651231B (zh) | 口语信息处理方法、装置和电子设备 | |
CN110766085A (zh) | 基于自定义场景的槽位识别模型训练方法及装置 | |
CN113935418A (zh) | 视频生成方法及设备 | |
CN114564606A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN112669816A (zh) | 模型的训练方法、语音识别方法、装置、介质及设备 | |
CN111159535A (zh) | 资源获取方法及装置 | |
CN112102801A (zh) | 一种主旋律的生成方法、装置、电子设备及存储介质 | |
CN115374320B (zh) | 文本匹配方法、装置、电子设备、计算机介质 | |
CN117743555B (zh) | 答复决策信息发送方法、装置、设备和计算机可读介质 | |
CN116974684B (zh) | 地图页面布局方法、装置、电子设备与计算机可读介质 | |
CN111562864B (zh) | 显示图片方法、电子设备和计算机可读介质 | |
CN117389544B (zh) | 一种人工智能的数据建模方法、装置、介质和设备 |
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: 20200207 |
|
RJ01 | Rejection of invention patent application after publication |