CN111144132A - 一种语义识别方法及装置 - Google Patents

Abstract

本申请提供一种语义识别方法及装置，通过预先在模型路由配置库中存储有配置标识与模型路由配置文件的对应关系，模型路由配置文件包含用于标识待访问模型的模型标识和用于标识待访问模型中各个模型的预设调用顺序，待访问模型预先存储在预设模型库中，当面临业务场景发生变化，或者出新的业务场景需求的时候，只需系统开发人员模型路由配置文件中的待访问模型的模型标记和待访问模型中各个模型的预设调用顺序进行代码修改，无需对硬编码程序进行重新开发，降低了的开发成本及时间成本，从而能够更快的满足用户需求。

Description

一种语义识别方法及装置

技术领域

本申请涉及人工智能技术领域，尤其涉及一种语义识别方法及装置。

背景技术

随着AI(Artificial Intelligence，人工智能)和NLP(natural languageprocessing，自然语言理解技术)的不断发展，意图识别(Intention Recognition)和命名实体识别(Named Entity Recognition)是自然语言处理的重要研究领域，在自然语言理解和智能客服的搭建中起到重要的作用，诸如智能客服之类的对话产品的口语对话系统。

目前，针对口语对话系统本身面临的业务场景的多样性和变化性，在面对越来越多的业务场景时，为了实现多个意图识别及命名实体识别的任务，通常需要多模型协调配合，才能完成完整的语义识别。例如，以设置闹钟的场景为例，完整的语义识别包括：先通过二分类模型命中场景(闹钟场景)；然后通过多分类器识别出具体的意图(设置闹钟、查询闹钟或删除闹钟)；最终通过序列标注模型进行命名实体识别。

现有技术中，多模型协调配合方案通用的解决方案主要采用将每个业务场景所涉及的多个模型利用硬编码程序进行实现，同时，还需要通过具体的硬编码程序逻辑来描述多个模型的串行、并行和分支选择等执行逻辑，以多模型协调配合实现意图识别及命名实体识别的任务，为了便于描述，将实现多模型协调配合方案的硬编码程序逻辑称为模型引擎。

可以看出，上述多个模型协调配合方案中，由于业务执行逻辑与程序代码需要高耦合，当面临业务场景发生变化，或者出新的业务场景需求的时候，需要由系统开发人员对硬编码程序进行重新开发，代码设计复杂度很高，需要付出较大的开发成本及时间成本，无法更快的满足用户需求。

发明内容

本申请提供了一种语义识别方法及装置，目的在于解决当面临业务场景发生变化，或者出新的业务场景需求的时候，需要由系统开发人员对硬编码程序进行重新开发，代码设计复杂度很高，需要付出较大的开发成本及时间成本，无法更快的满足用户需求的问题。

为了实现上述目的，本申请提供了以下技术方案：

一种语义识别方法，应用于口语对话系统中的自然语言理解模块，该方法包括：

接收语义识别请求，所述语义识别请求携带有所述语义识别请求所对应的配置标识及待识别数据；

获取所述语义识别请求所对应的配置标识，从预设模型路由配置数据库中查找与所述配置标识对应的模型路由配置文件，所述模型路由配置库中预先存储有配置标识与模型路由配置文件的对应关系，所述模型路由配置文件包含用于标识待访问模型的模型标识和用于标识待访问模型中各个模型的预设调用顺序，所述待访问模型预先存储在预设模型库中；

根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型；

按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果。

优选的，所述模型路由配置文件还包括：所述待访问模型对应的路由配置参数；

则按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果，具体为：

根据所述待访问模型对应的路由配置参数对所述待访问模型进行配置，得到配置后的待访问模型；

将所述配置后的待访问模型存储至所述预设模型库中；

按照所述预设调用顺序，依次调用所述预设模型库中的所述配置后的待访问模型，对所述待识别数据进行语义识别，得到所述语义识别结果。

优选的，所述根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型分别为：领域访问模型、选择最高阈值模型和过滤后续模型；

则所述按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果，具体为：

将所述待识别数据并行的输入至N个领域分类节点，同时调用所述领域访问模型执行分类逻辑，得到N个领域分类结果，其中，N为正整数；

将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择最高阈值模型，获得得分最高的领域名称；

将所述得分最高的领域名称分别输入至M个过滤器节点，同时调用所述过滤后续模型，将所述得分最高的领域名称与各个所述过滤后续模型中配置的领域名称进行匹配，其中，M为正整数，若匹配成功，则执行意图识别和命名实体识别；

将匹配成功对应的意图识别和命名实体识别结果输入至结束节点，执行汇总逻辑，确定领域分类、意图识别和命名实体识别。

优选的，所述选择最高阈值模型为选择大于阈值模型；

则将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择最高阈值模型，获得得分最高的领域名称，具体为：

将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择大于阈值模型，获得得分大于阈值的领域名称。

一种语义识别装置，其特征在于，用于口语对话系统中的自然语言理解模块，该装置包括：

第一处理单元，用于接收语义识别请求，所述语义识别请求携带有所述语义识别请求所对应的配置标识及待识别数据；

第二处理单元，用于获取所述语义识别请求所对应的配置标识，从预设模型路由配置数据库中查找与所述配置标识对应的模型路由配置文件，所述模型路由配置库中预先存储有配置标识与模型路由配置文件的对应关系，所述模型路由配置文件包含用于标识待访问模型的模型标识和用于标识待访问模型中各个模型的预设调用顺序，所述待访问模型预先存储在预设模型库中；

第三处理单元，用于根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型；

第四处理单元，用于按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果。

优选的，所述模型路由配置文件还包括：所述待访问模型对应的路由配置参数；

则第四处理单元，具体用于：

根据所述待访问模型对应的路由配置参数对所述待访问模型进行配置，得到配置后的待访问模型；

将所述配置后的待访问模型存储至所述预设模型库中；

按照所述预设调用顺序，依次调用所述预设模型库中的所述配置后的待访问模型，对所述待识别数据进行语义识别，得到所述语义识别结果。

优选的，所述根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型分别为：领域访问模型、选择最高阈值模型和过滤后续模型；

则所述第四处理单元，具体用于：

将所述待识别数据并行的输入至N个领域分类节点，同时调用所述领域访问模型执行分类逻辑，得到N个领域分类结果，其中，N为正整数；

将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择最高阈值模型，获得得分最高的领域名称；

将所述得分最高的领域名称分别输入至M个过滤器节点，同时调用所述过滤后续模型，将所述得分最高的领域名称与各个所述过滤后续模型中配置的领域名称进行匹配，其中，M为正整数，若匹配成功，则执行意图识别和命名实体识别；

将匹配成功对应的意图识别和命名实体识别结果输入至结束节点，执行汇总逻辑，确定领域分类、意图识别和命名实体识别。

优选的，所述选择最高阈值模型为选择大于阈值模型；

则将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择最高阈值模型，获得得分最高的领域名称，具体为：

将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择大于阈值模型，获得得分大于阈值的领域名称。

一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在的设备执行如上述所述的语义识别方法。

一种电子设备，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如上述所述的语义识别方法。

本申请所述的语义识别方法及装置，本申请预先在模型路由配置库中存储有配置标识与模型路由配置文件的对应关系，所述模型路由配置文件包含用于标识待访问模型的模型标识和用于标识待访问模型中各个模型的预设调用顺序，所述待访问模型预先存储在预设模型库中，本申请在接收到语义识别请求时，由于该语义识别请求携带有对应的配置标识及待识别数据，可以从预设模型路由配置数据库中查找到与所述配置标识对应的模型路由配置文件；然后根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型；最终，按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果。本申请当面临业务场景发生变化，或者出新的业务场景需求的时候，只需系统开发人员模型路由配置文件中的待访问模型的模型标记和待访问模型中各个模型的预设调用顺序进行代码修改，无需对硬编码程序进行重新开发，降低了的开发成本及时间成本，从而能够更快的满足用户需求。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种应用场景示意图；

图2为本申请实施例提供的一种语义识别方法的流程图；

图3为本申请实施例提供的另一种语义识别方法的流程图；

图4为本申请实施例提供的步骤S204的具体实施方式的流程图；

图5为本申请实施例提供的以3个场景的语义识别任务结构图；

图6为本申请实施例提供的一种语义识别装置结构示意图；

图7为本申请实施例公开的一种电子设备结构示意图。

具体实施方式

本申请提供一种语义识别方法及装置，应用于如图1所示的口语对话系统中的NLU11(Natural Language Understanding，自然语言理解模块)，实现意图识别、命名实体识别等流程。该口语对话系统还包括：DM12(Dialogue Management，对话管理引擎模块)、NLG13(Natural Language Generation，自然语言生产模块)等核心模块，在实际的语义识别过程中，终端用户的语音信息输入口语对话系统，经过NLU11进行意图识别、命名实体识别等流程，完成对话状态跟踪，然后DM12基于对话状态跟踪结果调用具体的业务逻辑(查天气，订闹钟)，同时将业务逻辑的执行结果发送至NLG13，最终将业务逻辑的执行结果返回给终端用户。

本申请提供的一种自然语言理解的方法及装置，其目的在于：解决当面临业务场景发生变化，或者出新的业务场景需求的时候，需要由系统开发人员对硬编码程序进行重新开发，代码设计复杂度很高，需要付出较大的开发成本及时间成本，无法更快的满足用户需求的问题。

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，都属于本申请保护的范围。

如图2所示，本申请实施例提供了一种语义识别方法流程图，该方法应用于口语对话系统中的自然语言理解模块，该方法具体包括如下步骤：

步骤S201：接收语义识别请求，所述语义识别请求携带有所述语义识别请求所对应的配置标识及待识别数据。

语义识别请求可以是由用户发送的，也可以是通过其他方式获取得到的，一般是通过终端用户发送给口语对话系统的，上述终端用户可以为平板、智能音响或笔记本等智能设备。该语义识别请求中携带有其所对应的配置标识和待识别数据。如：终端用户输入的语义识别请求为：通过某语义识别系统对“查询闹钟设置在几点？”进行语义识别。

步骤S202：获取所述语义识别请求所对应的配置标识，从预设模型路由配置数据库中查找与所述配置标识对应的模型路由配置文件。

需要说明的是，上述模型路由配置库中预先存储有配置标识与模型路由配置文件的对应关系，即：每个配置标识唯一对应一个模型路由配置文件。该模型路由配置文件中包含有用于标识待访问模型的模型标识和用于标识待访问模型中各个模型的预设调用顺序。如：该模型路由配置文件中包含有待访问模型1的模型标识1、待访问模型2的模型标识2以及待访问模型3的模型标识3，以及预设调用顺序为：2-3-1，即：先访问待访问模型2，然后访问待访问模型3，最后访问待访问模型1。

需要说明的是，预先在预设模型库中存储有所述待访问模型，即预先将待访问模型存储在了预设模型库中，每次语义识别请求访问的待访问模型并非是预设模型库中的所有模型。

步骤S203：根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型。

可以根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型，如上述举例所示，可以确定待访问模型为待访问模型1、待访问模型2、待访问模型3。

步骤S204：按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果。

基于模型路由配置文件的信息，按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，按照所述待访问模型中的配置参数对所述待识别数据进行语义识别，最终得到语义识别结果。

本申请实施例中，预先在模型路由配置库中存储有配置标识与模型路由配置文件的对应关系，所述模型路由配置文件包含用于标识待访问模型的模型标识和用于标识待访问模型中各个模型的预设调用顺序，所述待访问模型预先存储在预设模型库中，本申请在接收到语义识别请求时，由于该语义识别请求携带有对应的配置标识及待识别数据，可以从预设模型路由配置数据库中查找到与所述配置标识对应的模型路由配置文件；然后根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型；最终，按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果。本申请当面临业务场景发生变化，或者出新的业务场景需求的时候，只需系统开发人员模型路由配置文件中的待访问模型的模型标记和待访问模型中各个模型的预设调用顺序进行代码修改，无需对硬编码程序进行重新开发，降低了的开发成本及时间成本，从而能够更快的满足用户需求。

进一步的，如图3所示，本申请提供了另一种语义识别方法流程图，在上述图2所示公开的基础上，本申请实施例中，所述模型路由配置文件还包括：所述待访问模型对应的路由配置参数，则步骤S204：按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果，具体为：

S301：根据所述待访问模型对应的路由配置参数对所述待访问模型进行配置，得到配置后的待访问模型。

若模型路由配置文件中还包括所述待访问模型对应的路由配置参数，即本申请实施例可以对待访问模型进行重新配置，得到配置后的待访问模型。当口语对话系统面临新的场景，或者针对特定的场景口语对话系统的模型调度顺序发生变化时，可以通过调整所述待访问模型对应的路由配置参数，迅速实现新的模型路由的接入。

S302：将所述配置后的待访问模型存储至所述预设模型库中。

S303：按照所述预设调用顺序，依次调用所述预设模型库中的所述配置后的待访问模型，对所述待识别数据进行语义识别，得到所述语义识别结果。

基于模型路由配置文件的信息，按照所述预设调用顺序，依次调用所述预设模型库中的所述配置后的待访问模型，按照所述配置后的待访问模型中的配置参数对所述待识别数据进行语义识别，最终得到语义识别结果。

本申请实施例中，预先在模型路由配置库中存储有配置标识与模型路由配置文件的对应关系，所述模型路由配置文件包含用于标识待访问模型的模型标识、用于标识待访问模型中各个模型的预设调用顺序和所述待访问模型对应的路由配置参数，所述待访问模型预先存储在预设模型库中，本申请在接收到语义识别请求时，由于该语义识别请求携带有对应的配置标识及待识别数据，可以从预设模型路由配置数据库中查找到与所述配置标识对应的模型路由配置文件；然后根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型；之后，根据所述待访问模型对应的路由配置参数对所述待访问模型进行配置，得到配置后的待访问模型，将所述配置后的待访问模型存储至所述预设模型库中；最终，按照所述预设调用顺序，依次调用所述预设模型库中的所述配置后的待访问模型，对所述待识别数据进行语义识别，得到语义识别结果。本申请当面临业务场景发生变化，或者出新的业务场景需求的时候，只需系统开发人员模型路由配置文件中的待访问模型的模型标记、待访问模型中各个模型的预设调用顺序以及待访问模型对应的路由配置参数进行代码修改，无需对硬编码程序进行重新开发，降低了的开发成本及时间成本，从而能够更快的满足用户需求。

进一步的，上述所述根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型分别为：领域访问模型、选择最高阈值模型和过滤后续模型。

如图4所示，上述步骤S204：所述按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果，具体为：

S401：将所述待识别数据并行的输入至N个领域分类节点，同时调用所述领域访问模型执行分类逻辑，得到N个领域分类结果，其中，N为正整数。

S402：将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择最高阈值模型，获得得分最高的领域名称。

可以选择的，上述所述选择最高阈值模型可以为选择大于阈值模型，则将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择最高阈值模型，获得得分最高的领域名称，具体为：

将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择大于阈值模型，获得得分大于阈值的领域名称。

本申请实施例中，通过选择大于阈值模型，可以使得后续多个过滤器节点输出标记至下层的意图分类及命名实体识别，从而实现多领域的语义识别，即将输出结果交给后续的对话引擎结合具体的业务逻辑进行场景判决。

S403：将所述得分最高的领域名称分别输入至M个过滤器节点，同时调用所述过滤后续模型，将所述得分最高的领域名称与各个所述过滤后续模型中配置的领域名称进行匹配，其中，M为正整数，若匹配成功，则执行意图识别和命名实体识别。

S404：将匹配成功对应的意图识别和命名实体识别结果输入至结束节点，执行汇总逻辑，确定领域分类、意图识别和命名实体识别。

意图识别是指在智能客服与终端用户的交互中，基于用户输入的文本信息或者历史记录，对终端用户的意图进行识别和分类，其本质是一个文本分类问题。意图识别在智能客服的对话管理中有重要的作用，智能客服机器人需要根据识别出的意图，对后续的操作进行触发和控制。

当前的意图识别主要的应用场景有两类：(1)在开放型文本的分类中，例如对新闻等文本信息进行场景的分类，如“财经”，“天气”等；(2)在功能相对单一的智能服务机器人中，辅助完成一些相对简单的动作，例如智能车载客服和智能家居客服，如“开灯”，“打开音响”等。

具体的，本申请实施例以3个场景的语义识别任务情况为例，图5中展示了模型路由配置文件中各个模型的调用方式描述为逻辑上的DAG表达，即各个节点和模块的架构关系，每个方框标识节点，每个节点代表一个原子的计算逻辑，包含计算的输入参数，用于执行特定模型访问或者结果汇总逻辑，执行模型访问或者结果汇总的逻辑，可以抽象为特定的模块，圆形表示模块，定义了计算逻辑，模块可以节点间进行共享，模块与节点之间是多对多的关系，具体的描述如图5所示。

图5所展示展示了3种类型的模块，分别为访问模型、计算最大值、过滤器，分别对应的计算逻辑为访问模型，选择最高阈值的模型、过滤后续模型，具体的计算流程：

S1：将用户NLU请求，并行的输入至3个领域节点，同时执行3个领域分类逻辑，获得3个领域分类结果。

S2：将3个领域分类结果，输出至获取领域结果结果，执行计算最大值模型，获得得分最高的领域名称。

S3：将得分最高的领域名称，分别输送至3个过滤器节点，执行过滤后续模型，各个过滤器节点会将输入的领域名称与本节点参数配置的领域名称进行匹配，若匹配成功，则继续触发后续节点执行，若失败则将后续节点进行“截断”。

需要说明的是，过滤器节点的下游节点，理论上只有一组意图分类及命名实体识别可以获得执行机会，其余组别均被“截断”处理。

S4：结束节点汇总被选中的领域分类，意图识别，命令实体识别的输出结果作为最终NLU结果。

值得注意的是，在本申请实施例中，图5中获取领域分类结果节点，也可以选择进行Top K输出，从而可以使得后续多个过滤器节点输出标记至下层的意图分类及命名实体识别，从而实现多领域的语义识别，交给后续的对话引擎结合具体的业务逻辑进行场景判决。

本申请实施例中，各个模块被实现为统一的函数接口，口语对话系统同时可以提供在模块层面的可扩展性，可以在定义模型路由配置时定义新的模板并进行行为注入。

本申请实施例提供的语义识别方法，具备灵活的可扩展性，当面临业务场景发生变化，或者出新的业务场景需求的时候，只需系统开发人员模型路由配置文件中的待访问模型的模型标记、待访问模型中各个模型的预设调用顺序以及待访问模型对应的路由配置参数进行代码修改，无需对硬编码程序进行重新开发，降低了的开发成本及时间成本，从而能够更快的满足用户需求。

请参阅图6，基于上述实施例公开的一种语义识别方法，本实施例对应公开了一种语义识别装置，具体包括：第一处理单元601、第二处理单元602、第三处理单元603和第四处理单元604，其中：

第一处理单元601，用于接收语义识别请求，所述语义识别请求携带有所述语义识别请求所对应的配置标识及待识别数据；

第二处理单元602，用于获取所述语义识别请求所对应的配置标识，从预设模型路由配置数据库中查找与所述配置标识对应的模型路由配置文件，所述模型路由配置库中预先存储有配置标识与模型路由配置文件的对应关系，所述模型路由配置文件包含用于标识待访问模型的模型标识和用于标识待访问模型中各个模型的预设调用顺序，所述待访问模型预先存储在预设模型库中；

第三处理单元603，用于根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型；

第四处理单元604，用于按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果。

优选的，所述模型路由配置文件还包括：所述待访问模型对应的路由配置参数；

则第四处理单元604，具体用于：

根据所述待访问模型对应的路由配置参数对所述待访问模型进行配置，得到配置后的待访问模型；

将所述配置后的待访问模型存储至所述预设模型库中；

按照所述预设调用顺序，依次调用所述预设模型库中的所述配置后的待访问模型，对所述待识别数据进行语义识别，得到所述语义识别结果。

优选的，所述根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型分别为：领域访问模型、选择最高阈值模型和过滤后续模型；

则所述第四处理单元604，具体用于：

将所述待识别数据并行的输入至N个领域分类节点，同时调用所述领域访问模型执行分类逻辑，得到N个领域分类结果，其中，N为正整数；

将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择最高阈值模型，获得得分最高的领域名称；

将所述得分最高的领域名称分别输入至M个过滤器节点，同时调用所述过滤后续模型，将所述得分最高的领域名称与各个所述过滤后续模型中配置的领域名称进行匹配，其中，M为正整数，若匹配成功，则执行意图识别和命名实体识别；

将匹配成功对应的意图识别和命名实体识别结果输入至结束节点，执行汇总逻辑，确定领域分类、意图识别和命名实体识别。

优选的，所述选择最高阈值模型为选择大于阈值模型；

则将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择最高阈值模型，获得得分最高的领域名称，具体为：

将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择大于阈值模型，获得得分大于阈值的领域名称。

所述语义识别装置包括处理器和存储器，上述第一处理单元、第二处理单元、第三处理单元和第四处理单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，预先在模型路由配置库中存储有配置标识与模型路由配置文件的对应关系，所述模型路由配置文件包含用于标识待访问模型的模型标识和用于标识待访问模型中各个模型的预设调用顺序，所述待访问模型预先存储在预设模型库中，当面临业务场景发生变化，或者出新的业务场景需求的时候，只需系统开发人员模型路由配置文件中的待访问模型的模型标记和待访问模型中各个模型的预设调用顺序进行代码修改，无需对硬编码程序进行重新开发，降低了的开发成本及时间成本，从而能够更快的满足用户需求。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述语义识别方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述语义识别方法。

本发明实施例提供了一种电子设备，如图7所示，该电子设备70包括至少一个处理器701、以及与所述处理器连接的至少一个存储器702、总线703；其中，所述处理器701、所述存储器702通过所述总线703完成相互间的通信；处理器701用于调用所述存储器702中的程序指令，以执行上述的所述语义识别方法。

本文中的电子设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

接收语义识别请求，所述语义识别请求携带有所述语义识别请求所对应的配置标识及待识别数据；

获取所述语义识别请求所对应的配置标识，从预设模型路由配置数据库中查找与所述配置标识对应的模型路由配置文件，所述模型路由配置库中预先存储有配置标识与模型路由配置文件的对应关系，所述模型路由配置文件包含用于标识待访问模型的模型标识和用于标识待访问模型中各个模型的预设调用顺序，所述待访问模型预先存储在预设模型库中；

根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型；

按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果。

优选的，所述模型路由配置文件还包括：所述待访问模型对应的路由配置参数；

则按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果，具体为：

根据所述待访问模型对应的路由配置参数对所述待访问模型进行配置，得到配置后的待访问模型；

将所述配置后的待访问模型存储至所述预设模型库中；

按照所述预设调用顺序，依次调用所述预设模型库中的所述配置后的待访问模型，对所述待识别数据进行语义识别，得到所述语义识别结果。

优选的，所述根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型分别为：领域访问模型、选择最高阈值模型和过滤后续模型；

则所述按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果，具体为：

将所述待识别数据并行的输入至N个领域分类节点，同时调用所述领域访问模型执行分类逻辑，得到N个领域分类结果，其中，N为正整数；

将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择最高阈值模型，获得得分最高的领域名称；

将所述得分最高的领域名称分别输入至M个过滤器节点，同时调用所述过滤后续模型，将所述得分最高的领域名称与各个所述过滤后续模型中配置的领域名称进行匹配，其中，M为正整数，若匹配成功，则执行意图识别和命名实体识别；

将匹配成功对应的意图识别和命名实体识别结果输入至结束节点，执行汇总逻辑，确定领域分类、意图识别和命名实体识别。

优选的，所述选择最高阈值模型为选择大于阈值模型；

则将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择最高阈值模型，获得得分最高的领域名称，具体为：

将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择大于阈值模型，获得得分大于阈值的领域名称。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。

Claims (10)

1.一种语义识别方法，其特征在于，应用于口语对话系统中的自然语言理解模块，该方法包括：

接收语义识别请求，所述语义识别请求携带有所述语义识别请求所对应的配置标识及待识别数据；

获取所述语义识别请求所对应的配置标识，从预设模型路由配置数据库中查找与所述配置标识对应的模型路由配置文件，所述模型路由配置库中预先存储有配置标识与模型路由配置文件的对应关系，所述模型路由配置文件包含用于标识待访问模型的模型标识和用于标识待访问模型中各个模型的预设调用顺序，所述待访问模型预先存储在预设模型库中；

根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型；

按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果。

2.根据权利要求1所述的方法，其特征在于，所述模型路由配置文件还包括：所述待访问模型对应的路由配置参数；

则按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果，具体为：

根据所述待访问模型对应的路由配置参数对所述待访问模型进行配置，得到配置后的待访问模型；

将所述配置后的待访问模型存储至所述预设模型库中；

按照所述预设调用顺序，依次调用所述预设模型库中的所述配置后的待访问模型，对所述待识别数据进行语义识别，得到所述语义识别结果。

3.根据权利要求1所述的方法，其特征在于，所述根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型分别为：领域访问模型、选择最高阈值模型和过滤后续模型；

则所述按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果，具体为：

将所述待识别数据并行的输入至N个领域分类节点，同时调用所述领域访问模型执行分类逻辑，得到N个领域分类结果，其中，N为正整数；

将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择最高阈值模型，获得得分最高的领域名称；

将所述得分最高的领域名称分别输入至M个过滤器节点，同时调用所述过滤后续模型，将所述得分最高的领域名称与各个所述过滤后续模型中配置的领域名称进行匹配，其中，M为正整数，若匹配成功，则执行意图识别和命名实体识别；

将匹配成功对应的意图识别和命名实体识别结果输入至结束节点，执行汇总逻辑，确定领域分类、意图识别和命名实体识别。

4.根据权利要求3所述的方法，其特征在于，所述选择最高阈值模型为选择大于阈值模型；

则将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择最高阈值模型，获得得分最高的领域名称，具体为：

将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择大于阈值模型，获得得分大于阈值的领域名称。

5.一种语义识别装置，其特征在于，应用于口语对话系统中的自然语言理解模块，该装置包括：

第一处理单元，用于接收语义识别请求，所述语义识别请求携带有所述语义识别请求所对应的配置标识及待识别数据；

第二处理单元，用于获取所述语义识别请求所对应的配置标识，从预设模型路由配置数据库中查找与所述配置标识对应的模型路由配置文件，所述模型路由配置库中预先存储有配置标识与模型路由配置文件的对应关系，所述模型路由配置文件包含用于标识待访问模型的模型标识和用于标识待访问模型中各个模型的预设调用顺序，所述待访问模型预先存储在预设模型库中；

第三处理单元，用于根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型；

第四处理单元，用于按照所述预设调用顺序，依次调用所述预设模型库中的所述待访问模型，对所述待识别数据进行语义识别，得到语义识别结果。

6.根据权利要求5所述的装置，其特征在于，所述模型路由配置文件还包括：所述待访问模型对应的路由配置参数；

则第四处理单元，具体用于：

根据所述待访问模型对应的路由配置参数对所述待访问模型进行配置，得到配置后的待访问模型；

将所述配置后的待访问模型存储至所述预设模型库中；

按照所述预设调用顺序，依次调用所述预设模型库中的所述配置后的待访问模型，对所述待识别数据进行语义识别，得到所述语义识别结果。

7.根据权利要求5所述的装置，其特征在于，所述根据所述模型路由配置文件中的待访问模型的模型标识确定待访问模型分别为：领域访问模型、选择最高阈值模型和过滤后续模型；

则所述第四处理单元，具体用于：

将所述待识别数据并行的输入至N个领域分类节点，同时调用所述领域访问模型执行分类逻辑，得到N个领域分类结果，其中，N为正整数；

将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择最高阈值模型，获得得分最高的领域名称；

将所述得分最高的领域名称分别输入至M个过滤器节点，同时调用所述过滤后续模型，将所述得分最高的领域名称与各个所述过滤后续模型中配置的领域名称进行匹配，其中，M为正整数，若匹配成功，则执行意图识别和命名实体识别；

将匹配成功对应的意图识别和命名实体识别结果输入至结束节点，执行汇总逻辑，确定领域分类、意图识别和命名实体识别。

8.根据权利要求7所述的方法，其特征在于，所述选择最高阈值模型为选择大于阈值模型；

则将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择最高阈值模型，获得得分最高的领域名称，具体为：

将N个所述领域分类结果输入至获取领域结果节点，同时调用所述选择大于阈值模型，获得得分大于阈值的领域名称。

9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在的设备执行如权利要求1至4中任一项所述的语义识别方法。

10.一种电子设备，其特征在于，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至4中任一项所述的语义识别方法。

Images