CN111191030A - 基于分类的单句意图识别方法、装置和系统 - Google Patents
基于分类的单句意图识别方法、装置和系统 Download PDFInfo
- Publication number
- CN111191030A CN111191030A CN201911329818.7A CN201911329818A CN111191030A CN 111191030 A CN111191030 A CN 111191030A CN 201911329818 A CN201911329818 A CN 201911329818A CN 111191030 A CN111191030 A CN 111191030A
- Authority
- CN
- China
- Prior art keywords
- single sentence
- intention
- intent
- text
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000013598 vector Substances 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 29
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 14
- 238000011176 pooling Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000012937 correction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06F16/35—Clustering; Classification
-
- 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
-
- 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于分类的单句意图识别方法、装置、系统和存储介质，通过单句意图识别模型对用户的语句进行分类，确定用户的意图，方法包括:预先设置单句意图标签表；识别智能语音机器人与客户的对话，将用户当前语句转化为文本；将转化后的文本输入单句意图识别模型，所述单句意图识别模型输出判断的意图标签。采用该技术方案，通过单句意图识别模型对用户的语句进行分类，根据分类结果确定用户的意图，识别准确率更好，给用户的体验更好。
Description
技术领域
本发明涉及智能识别技术领域，具体而言，涉及一种基于分类的单句意图识别方法、装置和系统。
背景技术
客户服务中心是企业与用户沟通的主要桥梁，提升用户满意度的主要渠道。以前客户服务中心主要以人工客服为主，由专业的客服人员为用户进行服务。随着计算机信息处理技术的发展，越来越多的客户服务中心开始采用智能语音机器人进行回访、电话问卷调查等服务。
目前智能语音机器人与用户进行交流主要依据话术进行，对单句意图识别有较高的要求，需要识别出用户语句的意图，目前常用的算法有逻辑回归、支持向量机、决策树等。但由于语句的前后文本之间有一定联系，目前常用的算法有较大的局限性，存在对用户意图识别准确率不高的问题，导致用户投诉增多的问题。
发明内容
本发明旨在解决现有客户服务中心的语音机器人对用户意图识别率不高，对用户的意图判断错误，导致用户的投诉增多的问题。
为了解决上述技术问题，本发明第一方面提出一种基于分类的单句意图识别方法，包括:
预先设置单句意图标签表；
识别智能语音机器人与客户的对话，将用户当前语句转化为文本；
将转化后的文本输入单句意图识别模型，所述单句意图识别模型输出判断的意图标签。
根据本发明的一种优选实施方式，所述单句意图标签表为多个，不同的意图标签表对应不同的对话主题。
根据本发明的一种优选实施方式，所述单句意图标签表中存储有序号、意图标签以及与意图标签对应的解释。
根据本发明的一种优选实施方式，智能语音机器人与客户对话前会选取对话的主题，并根据所述主题选取对应的单句意图标签表。
根据本发明的一种优选实施方式，将转化后的文本输入单句意图识别模型具体包括：
对转化后的文本进行分词处理，将分词文本转化为词向量；
将所述词向量输入单句意图识别模型。
根据本发明的一种优选实施方式，将分词文本转化为词向量采用word2vec模型。
根据本发明的一种优选实施方式，所述单句意图识别模型采用基于深度学习的TextCNN模型。
根据本发明的一种优选实施方式，所述单句意图识别模型输出判断的意图标签具体包括：
所述TextCNN模型包括卷积层、池化层以及输出层；
将所述词向量输入所述卷积层，所述卷积层对所述词向量进行卷积处理得到单句意图矩阵；
将所述单句意图矩阵输入池化层进行池化计算，对单句意图矩阵进行降维处理，得到单句意图句向量；
将所述单句意图句向量输入输出层，通过softmax函数计算输出意图标签。
本发明的第二方面提出一种基于分类的单句意图识别装置，装置包括:
意图标签设置模块，用于预先设置单句意图标签表；
语句转换模块，用于识别智能语音机器人与客户的对话，将用户当前语句转化为文本；
意图标签判断模块，用于将转化后的文本输入单句意图识别模型，所述单句意图识别模型输出判断的意图标签。
根据本发明的一种优选实施方式，所述单句意图标签表为多个，不同的意图标签表对应不同的对话主题。
根据本发明的一种优选实施方式，所述单句意图标签表中存储有序号、意图标签以及与意图标签对应的解释。
根据本发明的一种优选实施方式，智能语音机器人与客户对话前会选取对话的主题，并根据所述主题选取对应的单句意图标签表。
根据本发明的一种优选实施方式，将转化后的文本输入单句意图识别模型具体包括：
对转化后的文本进行分词处理，将分词文本转化为词向量；
将所述词向量输入单句意图识别模型。
根据本发明的一种优选实施方式，将分词文本转化为词向量采用word2vec模型。
根据本发明的一种优选实施方式，所述单句意图识别模型采用基于深度学习的TextCNN模型。
根据本发明的一种优选实施方式，所述单句意图识别模型输出判断的意图标签具体包括：
所述TextCNN模型包括卷积层、池化层以及输出层；
将所述词向量输入所述卷积层，所述卷积层对所述词向量进行卷积处理得到单句意图矩阵；
将所述单句意图矩阵输入池化层进行池化计算，对单句意图矩阵进行降维处理，得到单句意图句向量；
将所述单句意图句向量输入输出层，通过softmax函数计算输出意图标签。
本发明的第三方面提出一种基于分类的单句意图识别系统，包括：
存储单元，用于存储计算机可执行程序；
处理单元，用于读取所述存储单元中的计算机可执行程序，以执行所述的基于分类的单句意图识别方法。
本发明的第四方面提出一种计算机可读介质，用于存储计算机可读程序，其特征在于，所述计算机可读程序用于执行所述的基于分类的单句意图识别方法。
采用该技术方案，通过单句意图识别模型对用户的语句进行分类，根据分类结果确定用户的意图，识别准确率更好，给用户的体验更好。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明的示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是本发明实施例中基于分类的单句意图识别方法的流程示意图；
图2是本发明实施例中单句意图识别模型的结构示意图；
图3是本发明实施例中基于分类的单句意图识别装置的结构示意图；
图4是本发明实施例中基于分类的单句意图识别系统的框架示意图；
图5是本发明实施例中计算机可读存储介质的结构示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例，虽然各示例性实施例能够以多种具体的方式实施，但不应理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例是为了使本发明的内容更加完整，更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理单元装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
图1是本发明一种基于分类的单句意图识别方法的时序图，如图1所示，本发明方法具有如下步骤：
S101、预先设置单句意图标签表。
在上述技术方案的基础上，进一步地，所述单句意图标签表为多个，不同的意图标签表对应不同的对话主题。
在上述技术方案的基础上，进一步地，所述单句意图标签表中存储有序号、意图标签以及与意图标签对应的解释。
在本实施方式中，由于语音机器人与用户对话的主题有很多种，不同的主题会有不同的内容，识别出的意图会有一定区别，如果意图标签不针对主题进行区分，可能经过单句意图识别模型的运算最后结果比较接近，导致无法准确判断用户的意图。因此针对不同的主题设置不同的单句意图标签表，能够针对不同的主题设置不同的意图标签，判断更加准确。
设置的意图标签表如表1售前咨询意图标签表、表2售后服务意图标签表所示，其中包括需要、意图标签以及说明，在说明中的内容是对意图标签的解释。
表1售前咨询意图标签表
表2售后服务意图标签表
S102、识别智能语音机器人与客户的对话，将用户当前语句转化为文本。
在上述技术方案的基础上，进一步地，智能语音机器人与客户对话前会选取对话的主题，并根据所述主题选取对应的单句意图标签表。
在本实施方式中，智能语音机器人在于客户进行对话前会确定对话主题，选取与主题对应的对话策略，对话策略包括设置有多个节点的策略树，以及每个节点对应的应答文本。在逻辑树中，根据确定的用户当前语句的意图选在下一个节点，对话时，将该节点对应的应答文本转化为语音回应用户。当用户说话时，获取用户的语音，将语音转化为文字。
S103、将转化后的文本输入单句意图识别模型，所述单句意图识别模型输出判断的意图标签。
在上述技术方案的基础上，进一步地，将转化后的文本输入单句意图识别模型具体包括：
对转化后的文本进行分词处理，将分词文本转化为词向量；
将所述词向量输入单句意图识别模型。
在上述技术方案的基础上，进一步地，将分词文本转化为词向量采用word2vec模型。
文本的向量化，即使用数字特征来代表文本，因为计算机无法直接理解人类创造的语言和文字。为了让计算机能够理解文本，我们需要将文本信息映射到一个数值化的语义空间中，这个语义空间我们可以称之为词向量空间。将文本转化为向量有多种算法，比如TF-IDF、BOW、One-Hot、word2vec等等。在本实施方式中，文本的向量化采用word2vec算法，word2vec模型是一个无监督的学习模型，使用未标引的语料集的训练就可以实现文本信息到语义空间的映射。
在本实施方式中，将文本拆分成一个个汉字，根据word2vec模型转化为向量。在其他实施方式中，可以预先设置语意向量库，将所有汉字提前转化为向量进行存储，使用时直接从语意向量库中选取汉字对应的向量。
在上述技术方案的基础上，进一步地，所述单句意图识别模型采用基于深度学习的TextCNN模型。
基于深度学习的TextCNN模型的建立可以采用有监督学习方式或无监督学习方式。在本实施方式中，采用有监督学习的方式进行模型训练。前期的客户服务积累了大量的服务人员与用户的历史沟通记录，将积累的历史沟通记录转化为历史沟通文本。
将历史沟通文本分成三组样本，分别为训练样本、纠正样本和测试样本。采用人工审核的方式，分别对三组样本进行审核，给出意图标签。
使用训练样本对意图识别模型进行训练，获得意图识别模型的参数。
使用纠正样本对意图识别模型进行优化，调整模型的参数，比如正则化参数。
使用测试样本对优化后的意图识别模型进行测试，获得测试结果，将测试结果和人工审核给出的意图标签进行比较，判断意图识别模型及参数是否符合预设的要求。如果符合要求则将当年的意图识别模型用于意图识别；如果不符合要求，则继续对当前模型进行优化和调整，或者重新对样本进行分组建立意图识别模型。
在上述技术方案的基础上，进一步地，所述单句意图识别模型输出判断的意图标签具体包括：
所述TextCNN模型包括卷积层、池化层以及输出层；
将所述词向量输入所述卷积层，所述卷积层对所述词向量进行卷积处理得到单句意图矩阵；
将所述单句意图矩阵输入池化层进行池化计算，对单句意图矩阵进行降维处理，得到单句意图句向量；
将所述单句意图句向量输入输出层，通过softmax函数计算输出意图标签。
图2是单句意图识别模型的结构示意图。在智能语音机器人对话过程中，用户说的话有的长，有的短，而卷积层的输入长度的是一个固定的值，因此设置卷积层的输入长度。由于日常对话中以短句为主，字数很少会超过30个字，所以在本实施方式中，卷积层的输入长度设定为30。当用户说话字数不足30时，需要对空位补零，当字数超过30时需要对语句进行截取。
每个字的向量维度为256，经过卷积层卷积，得到宽度为256，长度诶30的单句意图矩阵。
经过池化层的降维计算，得到单句意图句向量。最后在输出层，也被称为全连接层中，经过softmax函数计算，进行分类，输出意图标签表中的意图标签。
如图3所示，在本实施例中还提供了一种基于分类的单句意图识别装置200，包括：
意图标签设置模块201，用于预先设置单句意图标签表。
在上述技术方案的基础上，进一步地，所述单句意图标签表为多个，不同的意图标签表对应不同的对话主题。
在上述技术方案的基础上，进一步地，所述单句意图标签表中存储有序号、意图标签以及与意图标签对应的解释。
在本实施方式中，由于语音机器人与用户对话的主题有很多种，不同的主题会有不同的内容，识别出的意图会有一定区别，如果意图标签不针对主题进行区分，可能经过单句意图识别模型的运算最后结果比较接近，导致无法准确判断用户的意图。因此针对不同的主题设置不同的单句意图标签表，能够针对不同的主题设置不同的意图标签，判断更加准确。
语句转换模块202，用于识别智能语音机器人与客户的对话，将用户当前语句转化为文本。
在上述技术方案的基础上，进一步地，智能语音机器人与客户对话前会选取对话的主题，并根据所述主题选取对应的单句意图标签表。
在本实施方式中，智能语音机器人在于客户进行对话前会确定对话主题，选取与主题对应的对话策略，对话策略包括设置有多个节点的策略树，以及每个节点对应的应答文本。在逻辑树中，根据确定的用户当前语句的意图选在下一个节点，对话时，将该节点对应的应答文本转化为语音回应用户。当用户说话时，获取用户的语音，将语音转化为文字。
意图标签判断模块203，用于将转化后的文本输入单句意图识别模型，所述单句意图识别模型输出判断的意图标签。
在上述技术方案的基础上，进一步地，将转化后的文本输入单句意图识别模型具体包括：
对转化后的文本进行分词处理，将分词文本转化为词向量；
将所述词向量输入单句意图识别模型。
在上述技术方案的基础上，进一步地，将分词文本转化为词向量采用word2vec模型。
文本的向量化，即使用数字特征来代表文本，因为计算机无法直接理解人类创造的语言和文字。为了让计算机能够理解文本，我们需要将文本信息映射到一个数值化的语义空间中，这个语义空间我们可以称之为词向量空间。将文本转化为向量有多种算法，比如TF-IDF、BOW、One-Hot、word2vec等等。在本实施方式中，文本的向量化采用word2vec算法，word2vec模型是一个无监督的学习模型，使用未标引的语料集的训练就可以实现文本信息到语义空间的映射。
在本实施方式中，将文本拆分成一个个汉字，根据word2vec模型转化为向量。在其他实施方式中，可以预先设置语意向量库，将所有汉字提前转化为向量进行存储，使用时直接从语意向量库中选取汉字对应的向量。
在上述技术方案的基础上，进一步地，所述单句意图识别模型采用基于深度学习的TextCNN模型。
基于深度学习的TextCNN模型的建立可以采用有监督学习方式或无监督学习方式。在本实施方式中，采用有监督学习的方式进行模型训练。前期的客户服务积累了大量的服务人员与用户的历史沟通记录，将积累的历史沟通记录转化为历史沟通文本。
将历史沟通文本分成三组样本，分别为训练样本、纠正样本和测试样本。采用人工审核的方式，分别对三组样本进行审核，给出意图标签。
使用训练样本对意图识别模型进行训练，获得意图识别模型的参数。
使用纠正样本对意图识别模型进行优化，调整模型的参数，比如正则化参数。
使用测试样本对优化后的意图识别模型进行测试，获得测试结果，将测试结果和人工审核给出的意图标签进行比较，判断意图识别模型及参数是否符合预设的要求。如果符合要求则将当年的意图识别模型用于意图识别；如果不符合要求，则继续对当前模型进行优化和调整，或者重新对样本进行分组建立意图识别模型。
在上述技术方案的基础上，进一步地，所述单句意图识别模型输出判断的意图标签具体包括：
所述TextCNN模型包括卷积层、池化层以及输出层；
将所述词向量输入所述卷积层，所述卷积层对所述词向量进行卷积处理得到单句意图矩阵；
将所述单句意图矩阵输入池化层进行池化计算，对单句意图矩阵进行降维处理，得到单句意图句向量；
将所述单句意图句向量输入输出层，通过softmax函数计算输出意图标签。
在智能语音机器人对话过程中，用户说的话有的长，有的短，而卷积层的输入长度的是一个固定的值，因此设置卷积层的输入长度。由于日常对话中以短句为主，字数很少会超过30个字，所以在本实施方式中，卷积层的输入长度设定为30。当用户说话字数不足30时，需要对空位补零，当字数超过30时需要对语句进行截取。
每个字的向量维度为256，经过卷积层卷积，得到宽度为256，长度诶30的单句意图矩阵。
经过池化层的降维计算，得到单句意图句向量。最后在输出层，也被称为全连接层中，经过softmax函数计算，进行分类，输出意图标签表中的意图标签。
如图4所示，本发明的一个实施例中还公开一种基于分类的单句意图识别系统，图4显示的信息处理系统仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
基于分类的单句意图识别系统400，包括存储单元420，用于存储计算机可执行程序；处理单元410，用于读取所述存储单元中的计算机可执行程序，以执行本发明各种实施方式的步骤。
在本实施方式中基于分类的单句意图识别系统400还包括，连接不同系统组件(包括存储单元420和处理单元410)的总线430、显示单元440等。
其中，所述存储单元420存储有计算机可读程序，其可以是源程序或都只读程序的代码。所述程序可以被处理单元410执行，使得所述处理单元410执行本发明各种实施方式的步骤。例如，所述处理单元410可以执行如图1所示的步骤。
所述存储单元420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)4201和/或高速缓存存储单元4202，还可以进一步包括只读存储单元(ROM)4203。所述存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204，这样的程序模块4205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。
总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
基于分类的单句意图识别系统400也可以与一个或多个外部设备470(例如键盘、显示器、网络设备、蓝牙设备等)通信，使得用户能经由这些外部设备470通过输入/输出(I/O)接口450进行与处理单元410进行交互，还可以通过网络适配器460与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)进行。网络适配器460可以通过总线430与基于分类的单句意图识别系统400的其它模块通信。应当明白，尽管图中未示出，基于分类的单句意图识别系统400中可使用其它硬件和/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。
图5是本发明的一个计算机可读介质实施例的示意图。如图5所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储单元(RAM)、只读存储单元(ROM)、可擦式可编程只读存储单元(EPROM或闪存)、光纤、便携式紧凑盘只读存储单元(CD-ROM)、光存储单元件、磁存储单元件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：
S101、预先设置单句意图标签表；
S102、识别智能语音机器人与客户的对话，将用户当前语句转化为文本；
S103、将转化后的文本输入单句意图识别模型，所述单句意图识别模型输出判断的意图标签。通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
所述计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理单元或者数字信号处理单元(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于分类的单句意图识别方法，其特征在于，方法包括:
预先设置单句意图标签表；
识别智能语音机器人与客户的对话，将用户当前语句转化为文本；
将转化后的文本输入单句意图识别模型，所述单句意图识别模型输出判断的意图标签。
2.如权利要求1所述的单句意图识别方法，其特征在于，所述单句意图标签表为多个，不同的意图标签表对应不同的对话主题。
3.如权利要求1-2所述的单句意图识别方法，其特征在于，所述单句意图标签表中存储有序号、意图标签以及与意图标签对应的解释。
4.如权利要求1-3所述的单句意图识别方法，其特征在于，智能语音机器人与客户对话前会选取对话的主题，并根据所述主题选取对应的单句意图标签表。
5.如权利要求1-4所述的单句意图识别方法，其特征在于，将转化后的文本输入单句意图识别模型具体包括：
对转化后的文本进行分词处理，将分词文本转化为词向量；
将所述词向量输入单句意图识别模型。
6.如权利要求1-5所述的单句意图识别方法，其特征在于，将分词文本转化为词向量采用word2vec模型。
7.如权利要求1-6所述的单句意图识别方法，其特征在于，所述单句意图识别模型采用基于深度学习的TextCNN模型。
8.一种基于分类的单句意图识别装置，其特征在于，装置包括:
意图标签设置模块，用于预先设置单句意图标签表；
语句转换模块，用于识别智能语音机器人与客户的对话，将用户当前语句转化为文本；
意图标签判断模块，用于将转化后的文本输入单句意图识别模型，所述单句意图识别模型输出判断的意图标签。
9.一种基于分类的单句意图识别系统，其特征在于，包括：
存储单元，用于存储计算机可执行程序；
处理单元，用于读取所述存储单元中的计算机可执行程序，以执行权利要求1至7中任一项所述的基于分类的单句意图识别方法。
10.一种计算机可读介质，用于存储计算机可读程序，其特征在于，所述计算机可读程序用于执行权利要求1至7中任一项所述的基于分类的单句意图识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911329818.7A CN111191030B (zh) | 2019-12-20 | 2019-12-20 | 基于分类的单句意图识别方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911329818.7A CN111191030B (zh) | 2019-12-20 | 2019-12-20 | 基于分类的单句意图识别方法、装置和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111191030A true CN111191030A (zh) | 2020-05-22 |
| CN111191030B CN111191030B (zh) | 2024-04-26 |
Family
ID=70707424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911329818.7A Active CN111191030B (zh) | 2019-12-20 | 2019-12-20 | 基于分类的单句意图识别方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111191030B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667306A (zh) * | 2020-05-27 | 2020-09-15 | 重庆邮电大学 | 面向定制化生产的客户需求识别方法、系统及终端 |
| CN111883133A (zh) * | 2020-07-20 | 2020-11-03 | 深圳乐信软件技术有限公司 | 客服语音识别方法、装置、服务器及存储介质 |
| CN112035659A (zh) * | 2020-08-12 | 2020-12-04 | 北京字节跳动网络技术有限公司 | 数据处理方法及装置 |
| CN112100328A (zh) * | 2020-08-31 | 2020-12-18 | 广州探迹科技有限公司 | 一种基于多轮对话的意向判断方法 |
| CN112100368A (zh) * | 2020-07-21 | 2020-12-18 | 深思考人工智能科技(上海)有限公司 | 对话交互意图的识别方法和装置 |
| CN112214992A (zh) * | 2020-10-14 | 2021-01-12 | 哈尔滨福涛科技有限责任公司 | 一种基于深度学习和规则结合的记叙文结构分析方法 |
| CN112364664A (zh) * | 2020-11-19 | 2021-02-12 | 北京京东尚科信息技术有限公司 | 意图识别模型的训练及意图识别方法、装置、存储介质 |
| CN112541792A (zh) * | 2020-12-22 | 2021-03-23 | 作业帮教育科技（北京）有限公司 | 一种挖掘用户需求的数据处理方法、装置及电子设备 |
| CN112541068A (zh) * | 2020-12-22 | 2021-03-23 | 携程旅游信息技术（上海）有限公司 | 语音对话的意图识别方法、系统、设备及存储介质 |
| CN113569918A (zh) * | 2021-07-05 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 分类温度调节方法、装置、电子设备及介质 |
| CN114238566A (zh) * | 2021-12-10 | 2022-03-25 | 零犀(北京)科技有限公司 | 一种语音或文本数据的数据增强方法及装置 |
| WO2023173554A1 (zh) * | 2022-03-15 | 2023-09-21 | 平安科技（深圳）有限公司 | 坐席违规话术识别方法、装置、电子设备、存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103000052A (zh) * | 2011-09-16 | 2013-03-27 | 上海先先信息科技有限公司 | 人机互动的口语对话系统及其实现方法 |
| CN104516986A (zh) * | 2015-01-16 | 2015-04-15 | 青岛理工大学 | 一种语句识别方法及装置 |
| CN107403619A (zh) * | 2017-06-30 | 2017-11-28 | 武汉泰迪智慧科技有限公司 | 一种应用于自行车环境的语音控制方法及系统 |
| JP2018185561A (ja) * | 2017-04-24 | 2018-11-22 | 株式会社日立製作所 | 対話支援システム、対話支援方法、及び対話支援プログラム |
| CN110517672A (zh) * | 2018-05-03 | 2019-11-29 | 阿里巴巴集团控股有限公司 | 用户意图识别方法、用户指令执行方法、系统及设备 |
-
2019
- 2019-12-20 CN CN201911329818.7A patent/CN111191030B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103000052A (zh) * | 2011-09-16 | 2013-03-27 | 上海先先信息科技有限公司 | 人机互动的口语对话系统及其实现方法 |
| CN104516986A (zh) * | 2015-01-16 | 2015-04-15 | 青岛理工大学 | 一种语句识别方法及装置 |
| JP2018185561A (ja) * | 2017-04-24 | 2018-11-22 | 株式会社日立製作所 | 対話支援システム、対話支援方法、及び対話支援プログラム |
| CN107403619A (zh) * | 2017-06-30 | 2017-11-28 | 武汉泰迪智慧科技有限公司 | 一种应用于自行车环境的语音控制方法及系统 |
| CN110517672A (zh) * | 2018-05-03 | 2019-11-29 | 阿里巴巴集团控股有限公司 | 用户意图识别方法、用户指令执行方法、系统及设备 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667306A (zh) * | 2020-05-27 | 2020-09-15 | 重庆邮电大学 | 面向定制化生产的客户需求识别方法、系统及终端 |
| CN111883133B (zh) * | 2020-07-20 | 2023-08-29 | 深圳乐信软件技术有限公司 | 客服语音识别方法、装置、服务器及存储介质 |
| CN111883133A (zh) * | 2020-07-20 | 2020-11-03 | 深圳乐信软件技术有限公司 | 客服语音识别方法、装置、服务器及存储介质 |
| CN112100368A (zh) * | 2020-07-21 | 2020-12-18 | 深思考人工智能科技(上海)有限公司 | 对话交互意图的识别方法和装置 |
| CN112100368B (zh) * | 2020-07-21 | 2024-01-26 | 深思考人工智能科技(上海)有限公司 | 对话交互意图的识别方法和装置 |
| CN112035659A (zh) * | 2020-08-12 | 2020-12-04 | 北京字节跳动网络技术有限公司 | 数据处理方法及装置 |
| CN112100328A (zh) * | 2020-08-31 | 2020-12-18 | 广州探迹科技有限公司 | 一种基于多轮对话的意向判断方法 |
| CN112214992A (zh) * | 2020-10-14 | 2021-01-12 | 哈尔滨福涛科技有限责任公司 | 一种基于深度学习和规则结合的记叙文结构分析方法 |
| CN112364664A (zh) * | 2020-11-19 | 2021-02-12 | 北京京东尚科信息技术有限公司 | 意图识别模型的训练及意图识别方法、装置、存储介质 |
| CN112364664B (zh) * | 2020-11-19 | 2023-12-05 | 北京京东尚科信息技术有限公司 | 意图识别模型的训练及意图识别方法、装置、存储介质 |
| CN112541068A (zh) * | 2020-12-22 | 2021-03-23 | 携程旅游信息技术（上海）有限公司 | 语音对话的意图识别方法、系统、设备及存储介质 |
| CN112541792A (zh) * | 2020-12-22 | 2021-03-23 | 作业帮教育科技（北京）有限公司 | 一种挖掘用户需求的数据处理方法、装置及电子设备 |
| CN113569918A (zh) * | 2021-07-05 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 分类温度调节方法、装置、电子设备及介质 |
| CN114238566A (zh) * | 2021-12-10 | 2022-03-25 | 零犀(北京)科技有限公司 | 一种语音或文本数据的数据增强方法及装置 |
| WO2023173554A1 (zh) * | 2022-03-15 | 2023-09-21 | 平安科技（深圳）有限公司 | 坐席违规话术识别方法、装置、电子设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111191030B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111191030B (zh) | 基于分类的单句意图识别方法、装置和系统 | |
| CN109408526B (zh) | Sql语句生成方法、装置、计算机设备及存储介质 | |
| CN108363790B (zh) | 用于对评论进行评估的方法、装置、设备和存储介质 | |
| CN111191000B (zh) | 一种智能语音机器人的对话管理方法、装置和系统 | |
| JP5901001B1 (ja) | 音響言語モデルトレーニングのための方法およびデバイス | |
| CN111177186B (zh) | 基于问题检索的单句意图识别方法、装置和系统 | |
| US20190163691A1 (en) | Intent Based Dynamic Generation of Personalized Content from Dynamic Sources | |
| CN111177350A (zh) | 智能语音机器人的话术形成方法、装置和系统 | |
| CN111177351A (zh) | 基于规则的自然语言表达意图获取方法、装置和系统 | |
| CN110580308B (zh) | 信息审核方法及装置、电子设备、存储介质 | |
| CN112084334B (zh) | 语料的标签分类方法、装置、计算机设备及存储介质 | |
| CN111930792B (zh) | 数据资源的标注方法、装置、存储介质及电子设备 | |
| US11551437B2 (en) | Collaborative information extraction | |
| US20220261545A1 (en) | Systems and methods for producing a semantic representation of a document | |
| CN114528845A (zh) | 异常日志的分析方法、装置及电子设备 | |
| CN111581945A (zh) | 一种基于舆情分析的数据分析方法、装置和系统 | |
| CN113486178A (zh) | 文本识别模型训练方法、文本识别方法、装置以及介质 | |
| CN110309513B (zh) | 一种文本依存分析的方法和装置 | |
| CN112100360B (zh) | 一种基于向量检索的对话应答方法、装置和系统 | |
| CN112989050B (zh) | 一种表格分类方法、装置、设备及存储介质 | |
| CN111241273A (zh) | 文本数据分类方法、装置、电子设备及计算机可读介质 | |
| CN111949777A (zh) | 一种基于人群分类的智能语音对话方法、装置及电子设备 | |
| CN114118068B (zh) | 训练文本数据的扩增方法、装置及电子设备 | |
| CN113362809B (zh) | 语音识别方法、装置和电子设备 | |
| CN112017660B (zh) | 一种智能语音机器人的对话策略构建方法、装置及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |