CN111737987A - 意图识别方法、装置、设备及存储介质 - Google Patents
意图识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111737987A CN111737987A CN202010591745.5A CN202010591745A CN111737987A CN 111737987 A CN111737987 A CN 111737987A CN 202010591745 A CN202010591745 A CN 202010591745A CN 111737987 A CN111737987 A CN 111737987A
- Authority
- CN
- China
- Prior art keywords
- intention
- sentence
- recognized
- conversation
- topic
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- 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
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了一种意图识别方法、装置、设备及存储介质,所述方法包括:获取对话数据中的待识别语句;将待识别语句输入至意图识别模型,得到意图识别结果;基于意图识别结果的第一置信度,通过对话数据的对话主题,确定待识别语句的意图;其中,对话主题是通过主题识别模型对对话数据中发生在待识别语句之前的历史语句进行识别得到的。本申请在意图识别时,不需要引入大量与待识别语句无关的上下文信息,且基于对话数据的对话主题识别用户的意图,提高了意图识别的准确度。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种意图识别方法、装置、设备及存储介质。
背景技术
意图识别也即基于用户的真实需求,反馈用户所需的信息,如:用户输入查询“****”的信息,但是与“****”对应的既有新闻又有图片还有游戏,通过意图识别获取用户的真实需求是游戏,则反馈用户与****相关的游戏。意图识别提高了信息的处理效率,使得人们的生活更加方便。
随着人工智能(Artificial Intelligence,AI)的飞速发展,可将意图识别应用于聊天机器人,聊天机器人能够根据用户输入的信息判断用户的真实意图。但是,聊天机器人根据用户输入的信息直接判断用户的真实意图,可能由于输入的信息不充分,不能准确地确定用户的意图。
相关技术,为了更加准确地确定用户的真实意图,提及结合用户输入的信息的上下文信息来理解用户的真实意图,但是该方式很难准确界定上下文信息的引入长度,引入长度过多可能会对意图识别造成干扰,引入数量过少则不能充分理解用户的意图。
基于此,本申请提供一种意图识别方法来提高意图识别的准确度。
发明内容
本申请的主要目的在于提供一种意图识别方法、装置、设备及存储介质,旨在提高意图识别的准确度。
为实现上述目的,第一方面,本申请提供一种意图识别方法,所述意图识别方法包括:
获取对话数据中的待识别语句;
将待识别语句输入至意图识别模型,得到意图识别结果;
基于意图识别结果的第一置信度,通过对话数据的对话主题,确定待识别语句的意图;其中,对话主题是通过主题识别模型对对话数据中发生在待识别语句之前的历史语句进行识别得到的。
本申请中,在进行意图识别时,先获取对话数据中的待识别语句,将待识别语句输入到意图识别模型中进行意图识别,获取意图识别的结果,之后基于意图识别结果的第一置信度,以及主题识别模型确定的对话主题,确定待识别语句的意图,该方式基于对话主题对待识别语句的意图进行识别,能够充分的利用对话数据的信息,且无需直接使用待识别语句的上下文信息确定待识别语句的意图,该方式不但减少了与待识别语句无关的非必要信息引入数量,而且还提高了意图识别的准确性。
可选地,在确定第一置信度不低于第一阈值时,则将意图识别结果确定为待识别语句的意图;在确定第一置信度低于第一阈值,且对话主题的第二置信度不低于第二阈值时,则将对话主题和待识别语句输入至意图识别模型,确定待识别语句的意图。
该方式基于意图识别结果的置信度和对话主题的置信度,确定待识别语句的意图,更加准确可靠。
可选地,在确定第一置信度低于第一阈值,且第二置信度低于第二阈值时,则获取对话数据的对话场景;其中,对话场景是根据场景识别模型确定的;根据对话场景、对话主题以及待识别语句,确定第一反馈语句;根据第一反馈语句,确定待识别语句的意图。
该方式基于意图识别结果和对话主题的置信度,确定待识别语句的意图,更加准确可靠。
可选地,确定第一反馈语句之前,还需确定对话场景的第三置信度不低于第三阈值,且对话场景与对话主题相匹配。
该方式在确定待识别语句的意图时,不仅结合了对话主题信息还结合了对话场景信息,使得意图识别更加准确可靠。
可选地,在确定第三置信度不低于第三阈值,且对话场景与对话主题不匹配时,则根据对话场景的历史语料库确定第二反馈语句;根据第二反馈语句,确定待识别语句的意图。
该方式在确定待识别语句的意图时,不仅结合了对话主题信息还结合了对话场景信息,使得意图识别更加准确可靠。
可选地,对话主题通过以下方式确定:
通过主题识别模型对对话数据中的历史语句进行识别,得到对话数据至少一个对话主题;将距离待识别语句发生时刻最近的对话主题确定为对话主题。
该方式可以准确地确定对话主题,且基于确定的对话主题对待识别语句进行意图识别更加准确可靠。
可选地,对话场景通过以下方式确定:
通过场景识别模型对对话数据中的历史语句进行识别,得到对话数据至少一个对话场景;将距离待识别语句发生时刻最近的对话场景确定为对话场景。
该方式可以准确地确定对话场景,基于确定的对话场景对待识别语句进行意图识别更加准确可靠。
可选地,针对至少一个历史语句,通过主题识别模型对历史语句进行特征提取,获取历史语句对应的特征向量;对特征向量进行分类得到对话数据的对话主题。
通过该方式对历史语句进行数据处理便于获取对话主题的类型。
可选地,针对至少一个历史语句,通过场景识别模型对历史语句进行特征提取,获取历史语句对应的特征向量;对特征向量进行分类得到对话数据的对话场景。
通过该方式对历史语句进行数据处理便于获取对话场景的类型。
第二方面,本申请提供一种意图识别装置,所述意图识别装置包括:获取模块、第一确定模块以及第二确定模块。
获取模块,用于获取对话数据中的待识别语句;第一确定模块,用于将待识别语句输入至意图识别模型,得到意图识别结果;第二确定模块,用于基于意图识别结果的第一置信度,通过对话数据的对话主题,确定待识别语句的意图;其中,对话主题是通过主题识别模型对对话数据中发生在待识别语句之前的历史语句进行识别得到的。
针对意图识别装置的有益效果可参照第一方面中意图识别方法的描述,在此不在赘述。
第三方面,本申请提供一种意图识别设备,所述意图识别设备包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现如第一方面中任一的意图识别方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如第一方面中任一的意图识别方法的步骤。
附图说明
图1为本申请实施例提供的意图识别方法的应用场景示意图;
图2为本申请实施例提供的意图识别方法的流程示意图;
图3为本申请实施例提供的意图识别方法的流程示意图;
图4为本申请实施例提供的意图识别装置的结构示意图;
图5为本申请实施例提供的意图识别设备的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如背景技术所述,相关技术中,为了准确识别用户的意图,结合用户输入信息的上下文信息来理解用户的真实意图,但是上下文信息包含的信息并不一定有利于准确确定用户的意图,如:聊天机器人接收到的信息为“我该怎么办”,聊天机器人并不清楚用户的意图,搜索到用户在“我该怎么办”之前输入的信息为“我吃饭我回家我爱工作我洗澡”,但是基于“我吃饭我回家我爱工作我洗澡”依然不能确定用户所要表达的“我该怎么办”的真实意图是什么。
基于此,本申请提出一种意图识别方法,来提高意图识别的准确度。
参阅图1示出的意图识别的应用场景,该应用场景中包括:聊天机器人、用户以及服务器,用户与聊天机器人对话,聊天机器人可对将对话数据传输至服务器进行信息处理,服务器提取对话数据中待识别语句后,对待识别语句进行数据处理,确定待识别语句的意图。其中,服务器与聊天机器人可通过无线通信连接还可通过有线通信连接,在此不做具体限制。在实际应用时,若数据处理量不大的情况下,也可通过聊天机器人的处理器来进行数据处理从而确定待识别语句的意图。
待识别语句也即对话数据中需要确定意图的语句,需要说明的是,待识别语句可以为对话数据中的任一句话,也可为对话数据中指定的某句话,如用户向聊天机器人说了3句话分别为“你好”“我是123”“我今年3岁半”,这3句话均可以作为待识别语句,也可直接将“我今年3岁半”作为待识别语句。待识别语句还可为对话数据中涉及指定关键词语的语句,如将带有关键词兔子的语句作为待识别语句,如用户向聊天机器人说了4句话分别为“我是小兔子”“兔子耳朵长”“兔子尾巴短”“小猫钓鱼”,由于前三句话中均具有关键词“兔子”,故可将前3句话作为待识别语句。亦或者,用户所说的疑问句也可以作为待识别语句,如“你叫什么名字?”“你家住在哪里?”等带有疑问句的问句均可作为待识别语句。在实际应用时,具体将那些语句作为待识别语句,可根据意图识别的设备的实际需求进行设定,如:若需要意图识别的设备为客服机器人,那么为了便于客服机器人获悉用户的需求,可将对话数据中的对话均作为待识别语句;若需要意图识别的设备为问题回复机器人,那么可将用户所说的带有疑问句的问句作为待识别语句;若需要意图识别的设备为关键词信息提取机器人,为了提取关键词对应的信息可将带有关键词的语句均作为待识别语句。
此外需要说明的是,在应用本申请意图识别的方法时,并不限定图1中的应用场景,还可以应用于其他通过对话数据反馈信息的场景中,如:智能客服。
下面具体介绍本申请的意图识别方法,需要说明的是,具有数据处理功能的智能设备或服务器均可作为执行主体来执行本申请的方案,其中,智能设备包括:聊天机器人、手机等。本申请以执行主体为聊天机器人为例进行说明,参阅图2所示的意图识别方法的流程示意图,聊天机器人可先执行步骤201,获取对话数据中的待识别语句。在执行步骤201后,执行步骤202,将待识别语句输入至意图识别模型,得到意图识别结果。之后,执行步骤203,基于意图识别结果的第一置信度,通过对话数据的对话主题,确定待识别语句的意图;其中,对话主题是通过主题识别模型对对话数据中发生在待识别语句之前的历史语句进行识别得到的。
需要说明的是,聊天机器人在与用户交流的过程中可以提取对话数据中的待识别语句,并将待识别语句输入至意图识别模型进行意图识别得到意图识别结果,基于意图识别结果的置信度以及对话数据的对话主题,确定待识别语句的意图。其中,意图识别模型为预先训练好的识别模型,通过该意图识别模型可以识别待识别语句的意图,该意图识别模型可通过传统机器学习算法,基于深度学习算法来实现,也可通过可以识别语义的模型来实现,在此不做具体限定。但是,聊天机器人直接通过意图识别模型识别待识别语句的语义,可能不能很好地确定待识别语句的意图,本申请在意图识别时结合了对话主题进行识别,使得意图识别更加准确可靠。对话主题是与待识别语句有关联的信息,可以通过对话主题间接反映待识别语句的意图,如:待识别语句为“我该怎么办”,若确定当前对话的主题为“还款失败”,基于此,聊天机器人确定用户可能要咨询“还款失败我要怎么办”,则可问询“您是否要咨询还款失败怎么办”。
另外,第一置信度作为意图识别结果可靠性指标,在意图识别时若不参考该意图识别结果的第一置信度直接根据对话主题以及意图识别结果确定待识别语句的意图,待识别语句的意图的准确度很难保证。本申请参考第一置信度以便聊天机器人可在判断意图识别结果可靠性的情况下,结合对话主题确定待识别语句的意图,而并非盲目地基于意图识别模型的意图识别结果判断待识别语句的意图,故而使得本申请确定的待识别语句的意图更加准确可靠。
在应用本申请的方案进行意图识别时,先获取对话数据中的待识别语句,将待识别语句输入到意图识别模型中进行意图识别,获取意图识别的结果,之后基于意图识别结果的第一置信度,以及主题识别模型确定的对话主题,确定待识别语句的意图,该方式基于对话主题对待识别语句的意图进行识别,能够充分的利用对话数据的信息,且无需直接使用待识别语句的上下文信息确定待识别语句的意图,该方式不但减少了与待识别语句无关的非必要信息引入数量,而且还提高了意图识别的准确性。
在一个实施例中,对话主题可通过以下方式确定:
聊天机器人可通过主题识别模型对对话数据中的历史语句进行识别,得到对话数据中至少一个对话主题;将距离待识别语句发生时刻最近的对话主题确定为对话主题。
如:聊天机器人对对话数据中待识别语句之前的历史语句通过主题识别模型进行识别确定的对话主题,依照时间先后顺序包括以下三个主题“还款失败”、“逾期”以及“还款时间”。假定待识别语句为“我该怎么确定”,则距离待识别语句发生时刻最近的对话主题为“还款时间”,那么可将“还款时间”确定为对话主题。
在一个实施例中,在确定第一置信度不低于第一阈值时,则可将意图识别结果确定待识别语句的意图。在确定第一置信度低于第一阈值,且对话主题的第二置信度不低于第二阈值时,则可将对话主题和待识别语句输入至意图识别模型,确定待识别语句的意图。
另外,意图识别模型在输出意图识别结果时,同时也会输出用于表征该意图识别结果可靠性指标的第一置信度,以便聊天机器人可根据第一置信度确定意图识别结果的可靠性。且主题识别模型在输出对话主题时,同时也会输出用于表征该对话主题可靠性指标的第二置信度,以便聊天机器人可根据第二置信度确定对话主题的可靠性。第二置信度作为对话主题的可靠性指标,在意图识别时若不参考该对话主题的第二置信度直接根据对话主题以及意图识别结果确定待识别语句的意图,待识别语句的意图的准确度很难保证。本申请参考第一置信度以及第二置信度以便聊天机器人可在判断意图识别结果可靠性以及对话主题可靠性的情况下,确定的待识别语句的意图,故而通过该方式使得待识别语句的意图确定更加准确。下面结合具体实施例进行说明:
如:待识别语句为“没带身份证该怎么办”,将“没带身份证该怎么办”输入至意图识别模型,输出的意图识别结果为“坐火车没带身份证怎么办”,若第一置信度为“90%”,第一阈值为“80%”,可知第一置信度不低于第一阈值,则获悉该意图识别结果可靠,则将坐火车没带身份证怎么办作为待识别语句的意图识;若一置信度为“50%”,第一阈值为“80%”,可知第一置信度低于第一阈值,则获悉该意图识别结果不可靠,则需要根据对话主题来确定待识别语句的真实意图,假定此时的对话主题为“坐飞机”,且该对话主题的第二置信度为“80%”,第二阈值为“70%”,第二置信度不低于第二阈值,故而可结合对话主题对待识别语句进行识别,将对话主题和待识别语句共同输入至意图识别模型,可得到待识别语句的意图为:坐飞机没带身份证怎么办。
接续上述的实例,聊天机器人通过意图识别模型对“我该怎么确定”进行意图识别,得到意图识别结果为“我该怎么确定上班时间”,且该意图识别结果的置信度不低于或等于第一阈值,也即意图识别结果的可信度较高,则将“我该怎么确定上班时间”作为待识别语句的意图。但是若该意图识别结果的置信度小于第一阈值,则确定对话主题“还款时间”的置信度,若对话主题“还款时间”的置信度大于或等于第二阈值,基于对话主题“还款时间”以及待识别语句“我该怎么确定”,来确定待识别语句的意图。
在一个实施例中,在确定第一置信度低于第一阈值,且第二置信度低于第二阈值时,则获取对话数据的对话场景;其中,对话场景是根据场景识别模型确定的;根据对话场景、对话主题以及待识别语句,确定第一反馈语句;并根据第一反馈语句确定待识别语句的意图。
需要说明的是,场景识别模型在输出对话场景时,同时也会输出用于表征该对话场景可靠性指标的第三置信度,以便聊天机器人可根据第三置信度确定对话场景的可靠性。第三置信度作为对话场景的可靠性指标,在意图识别时若不参考该对话场景的第三置信度直接根据对话场景、对话主题以及意图识别结果确定待识别语句的意图,待识别语句的意图的准确度很难保证。本申请参考第一置信度、第二置信度以及第三置信度以便聊天机器人可在判断意图识别结果可靠性、对话主题可靠性以及对话场景可靠性的情况下确定的待识别语句的意图,故而通过该方式使得待识别语句的意图确定更加准确。如:待识别语句为“我该怎么办”,将“我该怎么办”输入至意图识别模型,输出的意图识别结果为“考试不及格我该怎么办”,若第一置信度为“20%”,第一阈值为“80%”,可知第一置信度低于第一阈值,则获悉该意图识别结果不可靠;假定此时的对话主题为“还款失败”,且该对话主题的第二置信度为“60%”,第二阈值为“70%”,第二置信度低于第二阈值,则需要获取对话数据的对话场景,若该场景为“还款”,且对话场景的第三置信度为“60%”大于第三阈值“50%”,则可基于该对话场景、对话主题以及待识别语句共同确定待识别语句的意图,由于对话主题的可靠性不高,则可通过反馈“您是否想咨询还款失败怎么办?”的疑问句来确定待识别语句的意图。
需要说明的是,对话场景通过以下方式确定:
聊天机器人通过场景识别模型对对话数据中的历史语句进行识别,得对话数据至少一个对话场景;将距离待识别语句发生时刻最近的对话场景确定为对话场景。
如:聊天机器人对对话数据中待识别语句之前的历史语句通过场景识别模型进行识别确定的对话场景,依照时间先后顺序包括以下三个场景“还款”、“借款”以及“买保险”。假定待识别语句为“我该怎么确定”,则距离待识别语句发生时刻最近的对话场景为“买保险”,那么可将“买保险”确定为对话场景。
另外,聊天机器人根据对话场景、对话主题以及待识别语句,确定第一反馈语句,如:待识别语句为“我该怎么确定”、对话场景为“买保险”、对话主题为“保险种类”,聊天机器人可反馈“您是否想咨询如何确定购买保险的种类”,通过反馈“您是否想咨询如何确定购买保险的种类”确定待识别语句的意图是咨询保险的种类。
此外,在确定第一反馈语句之前,聊天机器人还可确定对话场景的第三置信度不低于第三阈值,且对话场景与对话主题相匹配。
需要说明的是,对话场景和对话主题相匹配时,确定的意图的准确度更高,如:聊天机器人确定的对话场景“买保险”的置信度不低于或等于第三阈值,对话主题为“吃西餐”,语句为“我该怎么办”,由于对话场景和对话主题不匹配,聊天机器人则很难确定意图,若对话主题为“还款失败”,聊天机器人可基本判断用户要咨询买保分期还款失败的情况,可反馈“您是否想咨询买保险分期还款失败怎么办”来确定用户的意图。
另外,还要说明的是,在确定第三置信度不低于第三阈值,且对话场景与对话主题不匹配时,则根据对话场景的历史语料库确定第二反馈语句;并根据第二反馈语确定待识别语句的意图。
接续上述实例,聊天机器人确定的对话场景“买保险”的置信度不低于或等于第三阈值,对话主题为“吃西餐”,语句为“我该怎么办”,由于对话场景和对话主题不匹配,聊天机器人可基于对话场景的历史语料库,反馈“您是否想咨询买保险的问题”。
在一个实施例中,意图识别模型、主题识别模型以及场景识别模型的模型参数均是基于带标签的至少一个历史语句的不断训练得到的。针对意图识别模型,可基于标注意图识别结果的历史语句对意图识别模型进行训练,得到意图识别模型的参数;针对主题识别模型,可基于标注对话主题的历史语句对主题识别模型进行训练,得到主题识别模型的参数;针对场景识别模型,可基于标注对话场景的历史语句对场景识别模型进行训练,得到场景识别模型的参数。
通过意图识别模型对历史语句进行特征提取后,获取历史语句的特征向量后,并基于特征向量进行分类可得到对话数据的意图识别结果;通过主题识别模型对历史语句进行特征提取后,获取历史语句的特征向量后,并基于特征向量进行分类可得到对话数据的对话主题;通过场景识别模型对历史语句进行特征提取后,获取历史语句的特征向量后,并基于特征向量进行分类可得到对话数据的对话场景。
本申请中,意图识别模型、主题识别模型以及场景识别模型以双向编码器变换(Bidirectional Encoder Representations from Transformers,BERT)模型和深度神经网络(Deep Neural Networks,DNN)模型实现为例进行说明,但在实际应用中并不限定于本申请示例的模型,下面以主题识别模型训练过程为例进行说明包括如下步骤:
步骤1:对历史语句进行预处理,针对历史语句中的每条语句,在每条语句的句首置[CLS]标签,句末置[SEP]标签,同时将语句设置为指定长度,对长度不够的语句用[PAD]标签补齐,对超过指定长语句截断成指定长度,将语句按照字符进行切分,并转换为身份识别码(Identity document,ID)形式,得到预处理好的语句。
步骤2:将预处理好的语句输入到预训练模型BERT模型中,得到语句的向量表示也即语句的特征向量,然后将语句的特征向量输入到DNN模型中进行训练,得到语句对应的对话主题。
步骤3:将得到的语句对应的对话主题,与预先标注的语句的对话主题进行比对,基于比对结果来调整DNN模型的参数,直到DNN模型收敛或者DNN模型的输出结果的可信度满足预设的阈值需求为止。
针对意图识别模型以及场景识别模型也是类似的训练方法,仅仅预先对语句标注为意图识别结果以及对话场景,在此不在详述。
另外,由于意图识别模型、主题识别模型以及场景识别模型均是基于预训练模型BERT来实现的。在训练意图识别模型、主题识别模型以及场景识别模型时,可参照如下的方式:
步骤1:将历史语句预处理后输入到场景识别模型中进行训练,得到微调(finetune)好的BERT模型1。
步骤2:基于预处理好的历史语句,将微调(finetune)好的BERT模型1的模型参数作为主题识别模型中BERT模型2的初始化参数进行训练,得到微调(finetune)好的BERT模型2。
步骤3:基于预处理好的历史语句,将微调(finetune)好的BERT模型2的模型参数作为意图识别模型中BERT模型3的初始化参数进行训练,得到微调(finetune)好的BERT模型3。
需要说明的是,由于意图识别模型、主题识别模型以及场景识别模型均需通过BERT模型对同一领域的数据(如:同一段对话数据)进行预处理,其中,微调(finetune)好的BERT模型2的模型参数相对于微调(finetune)好BERT模型1的模型参数仅细微调整,微调(finetune)好的BERT模型3的模型参数相对于微调(finetune)好BERT模型2的模型参数仅细微调整,故而基于上述的方式训练BERT模型更有利于提高模型的训练效率。
接下来结合图3对本申请提供的方案进行说明,聊天机器人在执行意图识别的方法时,可先执行步骤301,获取对话数据中的待识别语句。之后执行步骤302,将待识别语句输入至意图识别模型,得到意图识别结果。
步骤303,确定意图识别结果的第一置信度是否低于第一阈值。若否,则执行步骤304,若是,则执行步骤305。
步骤304,将意图识别结果确定为待识别语句的意图。
步骤305,确定对话主题的第二置信度是否低于第二阈值。若否,则执行步骤306,若是,则执行步骤307。
步骤306,将对话主题和待识别语句输入至意图识别模型,确定待识别语句的意图。
步骤307,获取对话数据的对话场景。
步骤308,确定对话主题的第三置信度是否低于第三阈值。若否,则执行步骤309,若是,则执行步骤310。
步骤309,确定对话场景与对话主题是否相匹配;若否,则执行步骤311,若是,则执行步骤312。
步骤310,无法确定待识别语句的意图。
步骤311,据对话场景的历史语料库确定第二反馈语句;其中,第二反馈语句用于确定待识别语句的意图。
步骤312,根据对话场景、对话主题以及待识别语句,确定第一反馈语句,其中,第一反馈语句用于确定待识别语句的意图。
在实际应用时,聊天机器人可对用户输入的待识别语句通过意图识别模型直接进行理解,若意图识别结果置信度不低于第一阈值,则直接将该意图识别结果作为待识别语句的意图;若意图识别模型没有识别结果或者置信度低于第一阈值,则确定用户对话主题,若存在一个置信度不低于第二阈值的对话主题则将对话主题以及待识别语句输入至意图识别模型进行意图识别,确定待识别语句的意图。如,用户输入的待识别语句是“我该怎么办”,意图识别模型无法直接识别出意图,但是通过主题识别模型得到对话主题是“还款失败”,则结合主题可以得到用户输入“我该怎么办”要表达的是“我还款失败了该怎么办”。
若意图识别模型没有识别结果或者置信度低于第一阈值或者当前对话无所属对话主题或对话主题的置信度低于第二阈值,则确定用户当前对话场景,若存在一个置信度不低于第三阈值的对话场景且存在置信度不低于第二阈值的对话主题,且对话主题属于对话场景,则结合对话场景、对话主题、待识别语句对用户进行反问,如当前对话场景为“还款”,对话主题为“还款失败”,用户的输入待识别语句为“我该怎么办”,则反馈用户“您是不是想咨询还款失败了该怎么办”;若不存在置信度低于第二阈值的对话主题或者该对话主题不属于对话场景,则结合对话场景和前语句推断一个最常问的问题来问询用户,如当前对话场景为“还款”,待识别语句是“我该怎么办”,根据历史语料库,该对话场景下用户说“我该怎么办”最常表达的意图是“还款失败了我该怎么办”,这时聊天机器人可问询用户“您是不是想咨询还款失败了该怎么办”;若当前对话无所属对话场景或者无高置信度对话场景,这输出无法理解。
基于同样的构思,本申请实施例提供一种意图识别装置如图4所示,包括获取模块41、第一确定模块42以及第二确定模块43。
其中,获取模块41,用于获取对话数据中的待识别语句。第一确定模块42,用于将待识别语句输入至意图识别模型,得到意图识别结果。第二确定模块43,用于基于意图识别结果的第一置信度,通过对话数据的对话主题,确定待识别语句的意图;其中,对话主题是通过主题识别模型对对话数据中发生在待识别语句之前的历史语句进行识别得到的。
在介绍了本申请示例性实施方式中的意图识别方法、装置之后,接下来,介绍本申请的另一示例性实施方式的意图识别设备。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中,根据本申请的意图识别设备可以至少包括至少一个处理器、以及至少一个存储器。其中,存储器存储有计算机程序,当计算机程序被处理器执行时,使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的意图识别方法中的步骤。例如,处理器可以执行如图2中所示的步骤201-步骤203。
下面参照图5来描述根据本申请的这种实施方式的意图识别设备50。图5显示的意图识别设备50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5所示,意图识别设备50以通用智能终端的形式表现。意图识别设备50的组件可以包括但不限于:上述至少一个处理器51、上述至少一个存储器52、连接不同系统组件(包括存储器52和处理器51)的总线53。
总线53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、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。存储器52可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)521和/或高速缓存存储器522,还可以进一步包括只读存储器(ROM)523。存储器52还可以包括具有一组(至少一个)程序模块524的程序/实用工具525,这样的程序模块524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。
意图识别设备50也可以与一个或多个外部设备54(例如键盘、指向设备等)通信,和/或与使得该意图识别设备50能与一个或多个其它智能终端进行通信的任何设备(例如路由器、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55进行。并且,意图识别设备50还可以通过网络适配器56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)通信。如图所示,网络适配器56通过总线53与用于意图识别设备50的其它模块通信。应当理解,尽管图中未示出,可以结合意图识别设备50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、冗余处理器、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。
在一些可能的实施方式中,本申请提供的意图识别方法的各个方面还可以实现为一种程序产品的形式,其包括计算机程序,当程序产品在计算机设备上运行时,计算机程序用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的意图识别方法中的步骤。例如,处理器可以执行如图2中所示的步骤201-步骤203。
程序产品可以采用一个或多个可读介质的任意组合。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。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。
本申请的实施方式的用于意图识别的程序产品可采用便携式紧凑盘只读存储器(CD-ROM)并包括计算机程序,并可在智能终端上运行。但本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可被指令执行系统、装置或者器件使用或者与其结合使用。
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,其中承载了可读计算机程序。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。可读信号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。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供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步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种意图识别方法,其特征在于,包括:
获取对话数据中的待识别语句;
将所述待识别语句输入至意图识别模型,得到意图识别结果;
基于所述意图识别结果的第一置信度,通过所述对话数据的对话主题,确定所述待识别语句的意图;其中,所述对话主题是通过主题识别模型对所述对话数据中发生在所述待识别语句之前的历史语句进行识别得到的。
2.根据权利要求1所述的方法,其特征在于,所述基于所述意图识别结果的第一置信度,通过所述对话数据的对话主题,确定所述待识别语句的意图之前,还包括:
在确定所述第一置信度不低于第一阈值时,则将所述意图识别结果确定为所述待识别语句的意图;
所述基于所述意图识别结果的第一置信度,通过所述对话数据的对话主题,确定所述待识别语句的意图,包括:
在确定所述第一置信度低于所述第一阈值,且所述对话主题的第二置信度不低于第二阈值时,则将所述对话主题和所述待识别语句输入至所述意图识别模型,确定所述待识别语句的意图。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
在确定所述第一置信度低于所述第一阈值,且所述第二置信度低于所述第二阈值时,则获取所述对话数据的对话场景;其中,所述对话场景是根据场景识别模型确定的;
根据所述对话场景、所述对话主题以及所述待识别语句,确定第一反馈语句;
根据所述第一反馈语句,确定所述待识别语句的意图。
4.根据权利要求3所述的方法,其特征在于,所述确定第一反馈语句之前,还包括:
确定所述对话场景的第三置信度不低于第三阈值,且所述对话场景与所述对话主题相匹配。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在确定所述第三置信度不低于所述第三阈值,且所述对话场景与所述对话主题不匹配时,则根据所述对话场景的历史语料库确定第二反馈语句;
根据所述第二反馈语句,确定所述待识别语句的意图。
6.根据权利要求1至5任一所述的方法,其特征在于,所述对话主题通过以下方式确定:
通过所述主题识别模型对所述对话数据中的历史语句进行识别,得到所述对话数据至少一个对话主题;
将距离所述待识别语句发生时刻最近的对话主题确定为所述对话主题。
7.根据权利要求3至5任一所述的方法,其特征在于,所述对话场景通过以下方式确定:
通过所述场景识别模型对所述对话数据中的历史语句进行识别,得到所述对话数据至少一个对话场景;
将距离所述待识别语句发生时刻最近的对话场景确定为所述对话场景。
8.一种意图识别装置,其特征在于,包括:
获取模块,用于获取对话数据中的待识别语句;
第一确定模块,用于将所述待识别语句输入至意图识别模型,得到意图识别结果;
第二确定模块,用于基于所述意图识别结果的第一置信度,通过所述对话数据的对话主题,确定所述待识别语句的意图;其中,所述对话主题是通过主题识别模型对所述对话数据中发生在所述待识别语句之前的历史语句进行识别得到的。
9.一种意图识别设备,其特征在于,所述意图识别设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的意图识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的意图识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010591745.5A CN111737987B (zh) | 2020-06-24 | 2020-06-24 | 意图识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010591745.5A CN111737987B (zh) | 2020-06-24 | 2020-06-24 | 意图识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111737987A true CN111737987A (zh) | 2020-10-02 |
CN111737987B CN111737987B (zh) | 2023-01-20 |
Family
ID=72651156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010591745.5A Active CN111737987B (zh) | 2020-06-24 | 2020-06-24 | 意图识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111737987B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182189A (zh) * | 2020-10-10 | 2021-01-05 | 网易(杭州)网络有限公司 | 一种对话处理方法、装置、电子设备及存储介质 |
CN112966077A (zh) * | 2021-02-26 | 2021-06-15 | 北京三快在线科技有限公司 | 对话状态的确定方法、装置、设备及存储介质 |
CN112966108A (zh) * | 2021-03-08 | 2021-06-15 | 北京百度网讯科技有限公司 | 检测数据和训练分类模型的方法、装置、设备和存储介质 |
CN113240438A (zh) * | 2021-05-11 | 2021-08-10 | 京东数字科技控股股份有限公司 | 意图识别方法、设备、存储介质及程序产品 |
CN113268578A (zh) * | 2021-06-24 | 2021-08-17 | 中国平安人寿保险股份有限公司 | 文本语义的识别方法、装置、计算机设备及存储介质 |
CN115658891A (zh) * | 2022-10-18 | 2023-01-31 | 支付宝(杭州)信息技术有限公司 | 一种意图识别的方法、装置、存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3469592A2 (en) * | 2016-06-13 | 2019-04-17 | Microsoft Technology Licensing LLC | Intent recognition and emotional text-to-speech learning system |
CN110334201A (zh) * | 2019-07-18 | 2019-10-15 | 中国工商银行股份有限公司 | 一种意图识别方法、装置及系统 |
CN110457449A (zh) * | 2019-07-05 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 在线训练模型的方法、装置、设备及存储介质 |
US20190377794A1 (en) * | 2018-06-07 | 2019-12-12 | Alibaba Group Holding Limited | Method and apparatus for determining user intent |
CN110717514A (zh) * | 2019-09-06 | 2020-01-21 | 平安国际智慧城市科技股份有限公司 | 会话意图识别方法、装置、计算机设备和存储介质 |
-
2020
- 2020-06-24 CN CN202010591745.5A patent/CN111737987B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3469592A2 (en) * | 2016-06-13 | 2019-04-17 | Microsoft Technology Licensing LLC | Intent recognition and emotional text-to-speech learning system |
US20190377794A1 (en) * | 2018-06-07 | 2019-12-12 | Alibaba Group Holding Limited | Method and apparatus for determining user intent |
CN110457449A (zh) * | 2019-07-05 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 在线训练模型的方法、装置、设备及存储介质 |
CN110334201A (zh) * | 2019-07-18 | 2019-10-15 | 中国工商银行股份有限公司 | 一种意图识别方法、装置及系统 |
CN110717514A (zh) * | 2019-09-06 | 2020-01-21 | 平安国际智慧城市科技股份有限公司 | 会话意图识别方法、装置、计算机设备和存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182189A (zh) * | 2020-10-10 | 2021-01-05 | 网易(杭州)网络有限公司 | 一种对话处理方法、装置、电子设备及存储介质 |
CN112966077A (zh) * | 2021-02-26 | 2021-06-15 | 北京三快在线科技有限公司 | 对话状态的确定方法、装置、设备及存储介质 |
CN112966108A (zh) * | 2021-03-08 | 2021-06-15 | 北京百度网讯科技有限公司 | 检测数据和训练分类模型的方法、装置、设备和存储介质 |
CN112966108B (zh) * | 2021-03-08 | 2024-03-12 | 北京百度网讯科技有限公司 | 检测数据和训练分类模型的方法、装置、设备和存储介质 |
CN113240438A (zh) * | 2021-05-11 | 2021-08-10 | 京东数字科技控股股份有限公司 | 意图识别方法、设备、存储介质及程序产品 |
CN113268578A (zh) * | 2021-06-24 | 2021-08-17 | 中国平安人寿保险股份有限公司 | 文本语义的识别方法、装置、计算机设备及存储介质 |
CN113268578B (zh) * | 2021-06-24 | 2023-08-29 | 中国平安人寿保险股份有限公司 | 文本语义的识别方法、装置、计算机设备及存储介质 |
CN115658891A (zh) * | 2022-10-18 | 2023-01-31 | 支付宝(杭州)信息技术有限公司 | 一种意图识别的方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111737987B (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111737987B (zh) | 意图识别方法、装置、设备及存储介质 | |
CN111028827B (zh) | 基于情绪识别的交互处理方法、装置、设备和存储介质 | |
CN112100349B (zh) | 一种多轮对话方法、装置、电子设备及存储介质 | |
CN111930940A (zh) | 一种文本情感分类方法、装置、电子设备及存储介质 | |
CN108447471A (zh) | 语音识别方法及语音识别装置 | |
CN110019742B (zh) | 用于处理信息的方法和装置 | |
CN111261151B (zh) | 一种语音处理方法、装置、电子设备及存储介质 | |
CN106230689A (zh) | 一种语音信息交互的方法、装置及服务器 | |
CN107844470B (zh) | 一种语音数据处理方法及其设备 | |
CN111178081B (zh) | 语义识别的方法、服务器、电子设备及计算机存储介质 | |
CN111161726B (zh) | 一种智能语音交互方法、设备、介质及系统 | |
WO2023147733A1 (zh) | 问答方法、装置、电子设备和计算机可读存储介质 | |
CN110890088B (zh) | 语音信息反馈方法、装置、计算机设备和存储介质 | |
WO2021073179A1 (zh) | 命名实体的识别方法和设备、以及计算机可读存储介质 | |
CN113674742B (zh) | 人机交互方法、装置、设备以及存储介质 | |
CN114120978A (zh) | 情绪识别模型训练、语音交互方法、装置、设备及介质 | |
CN112669842A (zh) | 人机对话控制方法、装置、计算机设备及存储介质 | |
CN112632248A (zh) | 问答方法、装置、计算机设备和存储介质 | |
CN114118100A (zh) | 用于生成对话语句的方法、装置、设备、介质和程序产品 | |
CN113590778A (zh) | 智能客服意图理解方法、装置、设备及存储介质 | |
CN112364622A (zh) | 对话文本分析方法、装置、电子装置及存储介质 | |
CN111402864A (zh) | 语音处理方法及电子设备 | |
CN111210824A (zh) | 语音信息处理方法、装置、电子设备及存储介质 | |
CN113051384A (zh) | 基于对话的用户画像抽取方法及相关装置 | |
CN111625636B (zh) | 一种人机对话的拒绝识别方法、装置、设备、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |