CN111949793A - 用户意图识别方法、装置及终端设备 - Google Patents
用户意图识别方法、装置及终端设备 Download PDFInfo
- Publication number
- CN111949793A CN111949793A CN202010812300.5A CN202010812300A CN111949793A CN 111949793 A CN111949793 A CN 111949793A CN 202010812300 A CN202010812300 A CN 202010812300A CN 111949793 A CN111949793 A CN 111949793A
- Authority
- CN
- China
- Prior art keywords
- sentence
- recognized
- entity
- knowledge
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012790 confirmation Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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 Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本申请适用于语音识别技术领域,提供了用户意图识别方法、装置及终端设备,所述方法包括:获取待识别语句,所述待识别语句为文本格式;提取所述待识别语句的实体;确定与提取的所述实体对应的知识特征,所述实体对应的知识特征包括实体的分类信息;根据所述实体对应的知识特征以及已训练的意图识别模型,得到所述待识别语句对应的用户意图。通过上述方法能够更好地识别出采用不同表达方式表达的待识别语句所对应的用户意图,进而减少了需要开发的用户意图识别方法的个数,减少了代码的冗余。
Description
技术领域
本申请属于语音识别技术领域,尤其涉及用户意图识别方法、装置、终端设备及计算机可读存储介质。
背景技术
当前,语音助手应用于生活中的方方面面,覆盖了包含音乐、视频、小说、系统设置等在内的各个领域。针对每个领域的意图识别和槽位提取,不同的算法工程师往往会采用不同的算法解决方案,而不同解决方案的数据处理方式和模型训练方案等都不尽相同,开发工程师需针对不同的算法解决方案单独开发对应的线上预测服务。
现有的意图识别方法中,是直接将待识别语句输入意图识别模型,并得到该意图识别模型输出的用户意图,但由于待识别语句通常是不同的语句,因此,每次新增技能,算法工程师和开发工程师都需重新开发算法解决方案和线上预测服务,从而导致开发周期长,开发和维护成本高,且不同解决方案之间存在相似和交叉,代码存在一定程度的冗余。
故,需要提供一种新的方法以解决上述技术问题。
发明内容
本申请实施例提供了用户意图识别方法,可以解决现有同一个识别算法难以准确识别出用不同表达方式表达的待识别语句所对应的用户意图的问题。
第一方面,本申请实施例提供了一种用户意图识别方法,包括:
获取待识别语句,所述待识别语句为文本格式;
提取所述待识别语句的实体;
确定与提取的所述实体对应的知识特征,所述实体对应的知识特征包括实体的分类信息;
根据所述实体对应的知识特征以及已训练的意图识别模型,得到所述待识别语句对应的用户意图。
本申请实施例与现有技术相比存在的有益效果是:由于实体对应的知识特征包括实体的分类信息,也即,在识别用户意图之前,完成了对实体的分类,得到的分类信息作为待识别语句的先验特征,因此,后续根据实体对应的知识特征和已训练的意图识别模型能够快速得到待识别语句对应的用户意图,也能保证得到的用户意图更准确。并且,由于是结合实体的知识特征确定用户意图,也即,不是直接根据待识别语句确定用户意图,因此能够更好地识别出采用不同表达方式表达的待识别语句所对应的用户意图,进而减少了需要开发的用户意图识别方法的个数,减少了代码的冗余。此外,由于在自然语言理解(NaturalLanguage Understanding,N LU)上游完成对实体的分类,因此,可减小下游对话管理(Dialogue Manage,DM)模块资源获取的难度和耗时,从而提高整个对话链路的高效性。
第二方面,本申请实施例提供了一种用户意图识别装置,包括:
待识别语句获取单元,用于获取待识别语句,所述待识别语句为文本格式;
实体提取单元,用于提取所述待识别语句的实体;
知识特征确定单元,用于确定与提取的所述实体对应的知识特征,所述实体对应的知识特征包括实体的分类信息;
用户意图确定单元,用于根据所述实体对应的知识特征以及已训练的意图识别模型,得到所述待识别语句对应的用户意图。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面所述的方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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。
图1是本申请实施例一提供的用户意图识别方法的流程图;
图2是本申请实施例一提供的已训练的意图识别模型的结构示意图;
图3是本申请实施例二提供的用户意图识别装置的结构示意图;
图4是本申请实施例三提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
实施例一:
目前,现有的用户意图识别方法通常是直接将整个待识别语句输入意图识别模型,即通过直接对整个待识别语句进行识别得到用户意图。但由于不同用户具有不同的表达方式,即对同一个意图,不同用户有不同的表达方式,也即对同一个意图,存在用不同表达方式表达的待识别语句,因此,采用同一个识别算法难以准确识别出用不同表达方式表达的待识别语句所对应的用户意图,现有的解决方案通常是提供多个用户意图识别方法,而多个用户意图识别方法之间存在相似和交叉,代码存在一定程度的冗余。为了解决该技术问题,本申请实施例提供的用户意图识别方法中,在对待识别语句进行识别之前,先提取该待识别语句的实体,再确定与该实体对应的知识特征,最后根据该实体对应的知识特征和已训练的意图识别模型,得到待识别语句对应的用户意图。由于实体对应的知识特征包括实体的分类信息,也即,在识别用户意图之前,完成了对实体的分类,得到的分类信息作为待识别语句的先验特征,因此,后续根据实体对应的知识特征和已训练的意图识别模型能够快速得到待识别语句对应的用户意图,也能保证得到的用户意图更准确。并且,由于是结合实体的知识特征确定用户意图,也即,不是直接根据待识别语句确定用户意图,因此能够更好地识别出采用不同表达方式表达的待识别语句所对应的用户意图,进而减少了需要开发的用户意图识别方法的个数,减少了代码的冗余。
图1示出了本申请实施例提供的一种用户意图识别方法的流程图,该用户意图识别方法应用于终端设备,如车载设备、智能家电等终端设备的语音助手,详述如下:
步骤S11,获取待识别语句,所述待识别语句为文本格式。
具体地,待识别语句为需要识别的用户发出的语句,本实施例中,将待识别语句中的人名、地名、组织机构等作为该待识别语句的实体,一个待识别语句通常包括多个实体。例如,假设待识别语句为“我想看韩寒免费的言情小说三重门”,则该待识别语句的实体为“韩寒”、“免费”、“言情”、“三重门”,上述待识别语句中不是实体的字符,如“我”、“想”、“看”、“的”、“小”、“说”作为该待识别语句的非实体。
步骤S12,提取所述待识别语句的实体。
本实施例中,通过将待识别语句与预设的数据集中的数据比较,根据比较结果得到待识别语句的实体。具体地:
A1、将待识别语句中的各个字符分别与预设的数据集中的数据比较,所述预设的数据集中的数据包括字符和字符串。
A2、对待识别语句中的每一个字符,若所述预设的数据集中存在与所述字符相同的字符,则将字符以及与该字符相邻的字符组合出一个字符串,若预设的数据集中存在与组合出的字符串相同的字符串,则将组合出的字符串以及与该组合出的字符串相邻的字符再次组合出一个字符串,若预设的数据集中存在与再次组合出的字符串相同的字符串,则返回则将组合出的字符串以及与该组合出的字符串相邻的字符再次组合出一个字符串的步骤以及后续步骤,若预设的数据集中不存在与再次组合出的字符串相同的字符串,则将组合出的字符串作为待识别语句中的一个实体。
上述方法中,由于只匹配完整的字符,且匹配最长的字符串,因此,能够提高从待识别语句提取实体的速度。例如,若数据集中的数据是“air”,待识别语句为“This is anairplane”中的“airplane”与“air”是不匹配的字符;若数据集中的数据是“airplane anairplane”,那么匹配的字符串是“an airplane”,也即提取的实体是“an airplane”。
步骤S13,确定与提取的所述实体对应的知识特征,所述实体对应的知识特征包括实体的分类信息。
具体地,预先确定不同实体对应的知识特征,在从待识别语句提取出对应的实体后,将提取的实体与已确定知识特征的实体比较,若已确定知识特征的实体中存在与提取的实体相同的实体,则将与提取的实体相同的实体所对应的知识特征作为提取的实体所对应的知识特征。例如,若知识特征包括分类信息,且预先确定“韩寒”对应的分类信息是“作家、赛车手”,“三重门”对应的分类信息是“书籍名称”,则从待识别语句提取出“韩寒”、“三重门”这些实体后,能够确定“韩寒”对应的分类信息是“作家、赛车手”,“三重门”对应的分类信息是“书籍名称”。
当然,若已确定知识特征的实体中不存在与提取的某个实体相同的实体,则提示用户对提取的该某个实体进行分类。或者,若从待识别语句提取的实体中存在与已确定知识特征的实体不相同的实体,且存在与已确定知识特征的实体相同的实体,则根据与已确定知识特征的实体相同的实体所对应的知识特征确定与已确定知识特征的实体不相同的实体所对应的知识特征。例如,假设“三重门”对应的分类信息是“书籍名称”,从待识别语句提取出“韩寒”、“三重门”这些实体,首先确定“三重门”对应的分类信息是“书籍名称”,再根据“三重门”对应的分类信息“书籍名称”确定“韩寒”的分类信息是“作家”。进一步地,可输出确定的分类信息“作家”,以便用户确认,例如,显示确定的分类信息“作家”,或者,语音播报确定的分类信息“作家”。
在一些实施例中,实体对应的知识特征还可以包括扩展信息,该扩展信息是与实体存在关系的信息。例如,假设实体为“韩寒”,其扩展信息可以包括韩寒的妻子名称、儿女图片等。
步骤S14,根据所述实体对应的知识特征以及已训练的意图识别模型,得到所述待识别语句对应的用户意图。
本实施例中,已训练的意图识别模型用于输出待识别语句对应的用户意图。
本申请实施例中,由于实体对应的知识特征包括实体的分类信息,也即,在识别用户意图之前,完成了对实体的分类,得到的分类信息作为待识别语句的先验特征,因此,后续根据实体对应的知识特征和已训练的意图识别模型能够快速得到待识别语句对应的用户意图,也能保证得到的用户意图更准确。并且,由于是结合实体的知识特征确定用户意图,也即,不是直接根据待识别语句确定用户意图,因此能够更好地识别出采用不同表达方式表达的待识别语句所对应的用户意图,进而减少了需要开发的用户意图识别方法的个数,减少了代码的冗余。此外,由于在自然语言理解(Natural Language Understanding,NLU)上游完成对实体的分类,因此,可减小下游对话管理(Dialogue Manage,DM)模块资源获取的难度和耗时,从而提高整个对话链路的高效性。
在一些实施例中,所述步骤S14,包括:
B1、根据所述实体对应的知识特征和所述实体对应的字符的向量特征确定第一组合特征,所述字符的向量特征用于唯一描述其对应的字符。
B2、将所述第一组合特征输入所述已训练的意图识别模型,得到所述已训练的意图识别模型输出的所述待识别语句对应的用户意图。
上述B1和B2中,一个实体通常对应多个字符,比如,“韩寒”对应2个字符,则“韩寒”对应的字符的向量特征包括“韩”这个字符对应的字符的向量特征,也包括“寒”这个字符对应的字符的向量特征。
本实施例中,可将实体对应的知识特征直接与实体对应的字符的向量特征进行组合,得到第一组合特征,例如,假设“韩”对应的知识特征为“10000”,其对应的字符的向量特征为“XXXXX”,“寒”对应的知识特征为“10000”,其对应的字符的向量特征为“YYYYY”,则“韩寒”对应的第一组合特征为“10000XXXXX”和“10000YYYYY”。
在一些实施例中,考虑到实体在待识别语句的位置不同时,其可能表示不同的意图,因此,为了能够得到更准确的用户意图,则所述用户意图识别方法还包括:
C1、确定与所述待识别语句的非实体对应的知识特征,所述非实体是指所述待识别语句中除了实体后剩余的字符,所述非实体对应的知识特征采用预设字符串表示。
C2、根据所述非实体对应的知识特征和所述非实体对应的字符的向量特征确定第二组合特征。
所述步骤B2,包括:
按照所述待识别语句的字符的顺序,将所述第一组合特征以及所述第二组合特征输入所述已训练的意图识别模型,得到所述已训练的意图识别模型输出的所述待识别语句对应的用户意图。
本实施例中,除了获取实体对应的知识特征,还获取非实体对应的知识特征,并根据非实体对应的知识特征和非实体对应的字符的向量特征确定第二组合特征,这样,当按照待识别语句的字符的顺序,将第一组合特征和第二组合特征输入已训练的意图识别模型后,该已训练的意图识别模型输出的用户意图是结合实体在待识别语句的位置得到的,从而能够提高得到的用户意图的准确率。
在上述实施例中,由于非实体对应的知识特征采用预设字符串表示,因此,已训练的意图识别模型能够通过识别一个知识特征是否为预设字符串,来识别该知识特征是否为非实体对应的知识特征。由于非实体对应的知识特征并不是用户关注的特征,因此,已训练的意图识别模型在判断出知识特征为非实体的知识特征后,将不对该非实体对应的知识特征进行处理,这样,不仅能够获取实体在待识别语句的位置,也能够减少需处理的数据量。在一些实施例中,预设字符串可采用“00000”表示,此时,任一实体对应的知识特征都不为“00000”。
在一些实施例中,为了能够获取不同视野的特征,设置已训练的意图识别模型包括的分支的卷积核的大小不同,即所述已训练的意图识别模型包括至少2个分支,且每个分支的卷积核的大小均不相同。
本实施例中,已训练的意图识别模型为卷积神经网络模型,该卷积神经网络模型包括的各个分支的卷积核的大小均不相同,例如,假设其包括3个分支,则每个分支的卷积核的大小不同。假设已训练的意图识别模型包括3个分支,第一个分支的卷积核的大小可以为3*3,第二个分支的卷积核的大小可以为4*4,第三个分支的卷积核的大小可以为5*5,则已训练的意图识别模型的结构如图2所示,通过每一个分支的卷积核提取出特征,之后对提取的特征进行池化操作,再将三个分支的经过池化操作的特征进行组合,最后对组合后的特征进行分类操作,得到用户意图。
在一些实施例中,在所述步骤S14之后,包括:
输出所述用户意图;若获取到用户针对所述用户意图的确认信息,则输出与所述用户意图关联的关联信息,所述关联信息包括链接地址或音频数据。
具体地,输出用户意图包括:显示文本格式的用户意图和/或,语音播报用户意图。
本实施例中,若显示文本格式的用户意图,则在用户点击确认按钮后,终端设备将获取到用户针对显示的用户意图的确认信息;若语音播报用户意图,则在用户确认,比如用户发出“是的”、“嗯”等词语时,终端设备将获取到用户针对显示的用户意图的确认信息。
上述实施例中,链接地址包括以下至少一种:文档链接地址、音频链接地址、视频链接地址、售卖链接地址等。音频数据可以为与用户意图对应的音频数据。比如,若用户意图为“播放歌曲A”,则输出的音频数据为“歌曲A”。
在一些实施例中,所述步骤S11,包括:
若获取的待识别语句的格式不是文本格式,则将所述待识别语句的格式转换为文本格式。
本实施例中,若获取的待识别语句的格式不是文本格式,比如,是音频格式,则通过语音识别,将待识别语句的格式从音频格式转换问文本格式,以便于后续快速识别出用户意图。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
实施例二:
对应于上文实施例所述的用户意图识别方法,图3示出了本申请实施例提供的用户意图识别装置的结构框图,该用户意图识别装置可应用于终端设备中,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图3,该用户意图识别装置3包括:待识别语句获取单元31、实体提取单元32、知识特征确定单元33、用户意图确定单元34。其中:
待识别语句获取单元31,用于获取待识别语句,所述待识别语句为文本格式。
实体提取单元32,用于提取所述待识别语句的实体。
在一些实施例中,实体提取单元32具体用于:将待识别语句中的各个字符分别与预设的数据集中的数据比较,所述预设的数据集中的数据包括字符和字符串;对待识别语句中的每一个字符,若所述预设的数据集中存在与所述字符相同的字符,则将字符以及与该字符相邻的字符组合出一个字符串,若预设的数据集中存在与组合出的字符串相同的字符串,则将组合出的字符串以及与该组合出的字符串相邻的字符再次组合出一个字符串,若预设的数据集中存在与再次组合出的字符串相同的字符串,则返回则将组合出的字符串以及与该组合出的字符串相邻的字符再次组合出一个字符串的步骤以及后续步骤,若预设的数据集中不存在与再次组合出的字符串相同的字符串,则将组合出的字符串作为待识别语句中的一个实体。
知识特征确定单元33,用于确定与提取的所述实体对应的知识特征,所述实体对应的知识特征包括实体的分类信息。
在一些实施例中,知识特征确定单元33具体用于:预先确定不同实体对应的知识特征,在从待识别语句提取出对应的实体后,将提取的实体与已确定知识特征的实体比较,若已确定知识特征的实体中存在与提取的实体相同的实体,则将与提取的实体相同的实体所对应的知识特征作为提取的实体所对应的知识特征。若已确定知识特征的实体中不存在与提取的某个实体相同的实体,则提示用户对提取的该某个实体进行分类。或者,若从待识别语句提取的实体中存在与已确定知识特征的实体不相同的实体,且存在与已确定知识特征的实体相同的实体,则根据与已确定知识特征的实体相同的实体所对应的知识特征确定与已确定知识特征的实体不相同的实体所对应的知识特征。
在一些实施例中,实体对应的知识特征还可以包括扩展信息,该扩展信息是与实体存在关系的信息。
用户意图确定单元34,用于根据所述实体对应的知识特征以及已训练的意图识别模型,得到所述待识别语句对应的用户意图。
本申请实施例中,由于实体对应的知识特征包括实体的分类信息,也即,在识别用户意图之前,完成了对实体的分类,得到的分类信息作为待识别语句的先验特征,因此,后续根据实体对应的知识特征和已训练的意图识别模型能够快速得到待识别语句对应的用户意图,也能保证得到的用户意图更准确。并且,由于是结合实体的知识特征确定用户意图,也即,不是直接根据待识别语句确定用户意图,因此能够更好地识别出采用不同表达方式表达的待识别语句所对应的用户意图,进而减少了需要开发的用户意图识别方法的个数,减少了代码的冗余。此外,由于在NLU上游完成对实体的分类,因此,可减小下游DM模块资源获取的难度和耗时,从而提高整个对话链路的高效性。
在一些实施例中,所述用户意图确定单元34,包括:
第一组合特征确定模块,用于根据所述实体对应的知识特征和所述实体对应的字符的向量特征确定第一组合特征,所述字符的向量特征用于唯一描述其对应的字符。
用户意图确定模块,用于将所述第一组合特征输入所述已训练的意图识别模型,得到所述已训练的意图识别模型输出的所述待识别语句对应的用户意图。
在一些实施例中,所述用户意图识别装置3还包括:
非实体对应的知识特征确定模块,用意确定与所述待识别语句的非实体对应的知识特征,所述非实体是指所述待识别语句中除了实体后剩余的字符,所述非实体对应的知识特征采用预设字符串表示。
第二组合特征确定模块,用于根据所述非实体对应的知识特征和所述非实体对应的字符的向量特征确定第二组合特征。
所述用户意图确定模块,具体用于:
按照所述待识别语句的字符的顺序,将所述第一组合特征以及所述第二组合特征输入所述已训练的意图识别模型,得到所述已训练的意图识别模型输出的所述待识别语句对应的用户意图。
在一些实施例中,所述已训练的意图识别模型包括至少2个分支,且每个分支的卷积核的大小均不相同。
在一些实施例中,所述用户意图识别装置3还包括:
用户意图输出单元,用于输出所述用户意图。
关联信息输出单元,用于若获取到用户针对所述用户意图的确认信息,则输出与所述用户意图关联的关联信息,所述关联信息包括链接地址或音频数据。
上述实施例中,链接地址包括以下至少一种:文档链接地址、音频链接地址、视频链接地址、售卖链接地址等。音频数据可以为与用户意图对应的音频数据。
在一些实施例中,所述待识别语句获取单元31具体用于:
若获取的待识别语句的格式不是文本格式,则将所述待识别语句的格式转换为文本格式。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
实施例三:
图4为本申请一实施例提供的终端设备的结构示意图。如图4所示,该实施例的终端设备4包括:至少一个处理器40(图4中仅示出一个处理器)、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42,所述处理器40执行所述计算机程序42时实现上述任意各个方法实施例中的步骤:
获取待识别语句,所述待识别语句为文本格式;
提取所述待识别语句的实体;
确定与提取的所述实体对应的知识特征,所述实体对应的知识特征包括实体的分类信息;
根据所述实体对应的知识特征以及已训练的意图识别模型,得到所述待识别语句对应的用户意图。
可选地,所述根据所述实体对应的知识特征以及已训练的意图识别模型,得到所述待识别语句对应的用户意图,包括:
根据所述实体对应的知识特征和所述实体对应的字符的向量特征确定第一组合特征,所述字符的向量特征用于唯一描述其对应的字符;
将所述第一组合特征输入所述已训练的意图识别模型,得到所述已训练的意图识别模型输出的所述待识别语句对应的用户意图。
可选地,所述用户意图识别方法还包括:
确定与所述待识别语句的非实体对应的知识特征,所述非实体是指所述待识别语句中除了实体后剩余的字符,所述非实体对应的知识特征采用预设字符串表示;
根据所述非实体对应的知识特征和所述非实体对应的字符的向量特征确定第二组合特征;
所述将所述第一组合特征输入所述已训练的意图识别模型,得到所述已训练的意图识别模型输出的所述待识别语句对应的用户意图,包括:
按照所述待识别语句的字符的顺序,将所述第一组合特征以及所述第二组合特征输入所述已训练的意图识别模型,得到所述已训练的意图识别模型输出的所述待识别语句对应的用户意图。
可选地,所述已训练的意图识别模型包括至少2个分支,且每个分支的卷积核的大小均不相同。
可选地,在所述根据所述实体对应的知识特征以及已训练的意图识别模型,得到所述待识别语句对应的用户意图之后,包括:
输出所述用户意图;
若获取到用户针对所述用户意图的确认信息,则输出与所述用户意图关联的关联信息,所述关联信息包括链接地址或音频数据。
可选地,所述获取待识别语句,所述待识别语句为文本格式,包括:
若获取的待识别语句的格式不是文本格式,则将所述待识别语句的格式转换为文本格式。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是终端设备4的举例,并不构成对终端设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),该处理器40还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41在一些实施例中可以是所述终端设备4的内部存储单元,例如终端设备4的硬盘或内存。所述存储器41在另一些实施例中也可以是所述终端设备4的外部存储设备,例如所述终端设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种网络设备,该网络设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种用户意图识别方法,其特征在于,包括:
获取待识别语句,所述待识别语句为文本格式;
提取所述待识别语句的实体;
确定与提取的所述实体对应的知识特征,所述实体对应的知识特征包括实体的分类信息;
根据所述实体对应的知识特征以及已训练的意图识别模型,得到所述待识别语句对应的用户意图。
2.如权利要求1所述的用户意图识别方法,其特征在于,所述根据所述实体对应的知识特征以及已训练的意图识别模型,得到所述待识别语句对应的用户意图,包括:
根据所述实体对应的知识特征和所述实体对应的字符的向量特征确定第一组合特征,所述字符的向量特征用于唯一描述其对应的字符;
将所述第一组合特征输入所述已训练的意图识别模型,得到所述已训练的意图识别模型输出的所述待识别语句对应的用户意图。
3.如权利要求2所述的用户意图识别方法,其特征在于,所述用户意图识别方法还包括:
确定与所述待识别语句的非实体对应的知识特征,所述非实体是指所述待识别语句中除了实体后剩余的字符,所述非实体对应的知识特征采用预设字符串表示;
根据所述非实体对应的知识特征和所述非实体对应的字符的向量特征确定第二组合特征;
所述将所述第一组合特征输入所述已训练的意图识别模型,得到所述已训练的意图识别模型输出的所述待识别语句对应的用户意图,包括:
按照所述待识别语句的字符的顺序,将所述第一组合特征以及所述第二组合特征输入所述已训练的意图识别模型,得到所述已训练的意图识别模型输出的所述待识别语句对应的用户意图。
4.如权利要求1所述的用户意图识别方法,其特征在于,所述已训练的意图识别模型包括至少2个分支,且每个分支的卷积核的大小均不相同。
5.如权利要求1所述的用户意图识别方法,其特征在于,在所述根据所述实体对应的知识特征以及已训练的意图识别模型,得到所述待识别语句对应的用户意图之后,包括:
输出所述用户意图;
若获取到用户针对所述用户意图的确认信息,则输出与所述用户意图关联的关联信息,所述关联信息包括链接地址或音频数据。
6.如权利要求1所述的用户意图识别方法,其特征在于,所述获取待识别语句,所述待识别语句为文本格式,包括:
若获取的待识别语句的格式不是文本格式,则将所述待识别语句的格式转换为文本格式。
7.一种用户意图识别装置,其特征在于,包括:
待识别语句获取单元,用于获取待识别语句,所述待识别语句为文本格式;
实体提取单元,用于提取所述待识别语句的实体;
知识特征确定单元,用于确定与提取的所述实体对应的知识特征,所述实体对应的知识特征包括实体的分类信息;
用户意图确定单元,用于根据所述实体对应的知识特征以及已训练的意图识别模型,得到所述待识别语句对应的用户意图。
8.如权利要求7所述的用户意图识别装置,其特征在于,所述用户意图确定单元,包括:
第一组合特征确定模块,用于根据所述实体对应的知识特征和所述实体对应的字符的向量特征确定第一组合特征,所述字符的向量特征用于唯一描述其对应的字符;
用户意图确定模块,用于将所述第一组合特征输入所述已训练的意图识别模型,得到所述已训练的意图识别模型输出的所述待识别语句对应的用户意图。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010812300.5A CN111949793B (zh) | 2020-08-13 | 2020-08-13 | 用户意图识别方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010812300.5A CN111949793B (zh) | 2020-08-13 | 2020-08-13 | 用户意图识别方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111949793A true CN111949793A (zh) | 2020-11-17 |
CN111949793B CN111949793B (zh) | 2024-02-27 |
Family
ID=73343264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010812300.5A Active CN111949793B (zh) | 2020-08-13 | 2020-08-13 | 用户意图识别方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111949793B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541357A (zh) * | 2020-12-24 | 2021-03-23 | 深圳市优必选科技股份有限公司 | 实体识别方法、装置及智能设备 |
WO2024021312A1 (zh) * | 2022-07-28 | 2024-02-01 | 华南理工大学 | 一种基于人机交互的自动编程方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017173773A1 (zh) * | 2016-04-07 | 2017-10-12 | 北京百度网讯科技有限公司 | 信息搜索方法和装置 |
WO2018120889A1 (zh) * | 2016-12-28 | 2018-07-05 | 平安科技(深圳)有限公司 | 输入语句的纠错方法、装置、电子设备及介质 |
WO2019071661A1 (zh) * | 2017-10-09 | 2019-04-18 | 平安科技(深圳)有限公司 | 电子装置、医疗文本实体命名的识别方法、系统及存储介质 |
WO2019153522A1 (zh) * | 2018-02-09 | 2019-08-15 | 卫盈联信息技术(深圳)有限公司 | 智能交互方法、电子装置及存储介质 |
WO2019229768A1 (en) * | 2018-05-28 | 2019-12-05 | Thottapilly Sanjeev | A bot engine for automatic dynamic intent computation |
WO2019242483A1 (zh) * | 2018-06-20 | 2019-12-26 | 华为技术有限公司 | 意图识别方法及设备 |
CN110659366A (zh) * | 2019-09-24 | 2020-01-07 | Oppo广东移动通信有限公司 | 语义解析方法、装置、电子设备以及存储介质 |
CN110674314A (zh) * | 2019-09-27 | 2020-01-10 | 北京百度网讯科技有限公司 | 语句识别方法及装置 |
CN111046667A (zh) * | 2019-11-14 | 2020-04-21 | 深圳市优必选科技股份有限公司 | 一种语句识别方法、语句识别装置及智能设备 |
CN111046653A (zh) * | 2019-11-14 | 2020-04-21 | 深圳市优必选科技股份有限公司 | 一种语句识别方法、语句识别装置及智能设备 |
CN111428483A (zh) * | 2020-03-31 | 2020-07-17 | 华为技术有限公司 | 语音交互方法、装置和终端设备 |
-
2020
- 2020-08-13 CN CN202010812300.5A patent/CN111949793B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017173773A1 (zh) * | 2016-04-07 | 2017-10-12 | 北京百度网讯科技有限公司 | 信息搜索方法和装置 |
WO2018120889A1 (zh) * | 2016-12-28 | 2018-07-05 | 平安科技(深圳)有限公司 | 输入语句的纠错方法、装置、电子设备及介质 |
WO2019071661A1 (zh) * | 2017-10-09 | 2019-04-18 | 平安科技(深圳)有限公司 | 电子装置、医疗文本实体命名的识别方法、系统及存储介质 |
WO2019153522A1 (zh) * | 2018-02-09 | 2019-08-15 | 卫盈联信息技术(深圳)有限公司 | 智能交互方法、电子装置及存储介质 |
WO2019229768A1 (en) * | 2018-05-28 | 2019-12-05 | Thottapilly Sanjeev | A bot engine for automatic dynamic intent computation |
WO2019242483A1 (zh) * | 2018-06-20 | 2019-12-26 | 华为技术有限公司 | 意图识别方法及设备 |
CN110659366A (zh) * | 2019-09-24 | 2020-01-07 | Oppo广东移动通信有限公司 | 语义解析方法、装置、电子设备以及存储介质 |
CN110674314A (zh) * | 2019-09-27 | 2020-01-10 | 北京百度网讯科技有限公司 | 语句识别方法及装置 |
CN111046667A (zh) * | 2019-11-14 | 2020-04-21 | 深圳市优必选科技股份有限公司 | 一种语句识别方法、语句识别装置及智能设备 |
CN111046653A (zh) * | 2019-11-14 | 2020-04-21 | 深圳市优必选科技股份有限公司 | 一种语句识别方法、语句识别装置及智能设备 |
CN111428483A (zh) * | 2020-03-31 | 2020-07-17 | 华为技术有限公司 | 语音交互方法、装置和终端设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541357A (zh) * | 2020-12-24 | 2021-03-23 | 深圳市优必选科技股份有限公司 | 实体识别方法、装置及智能设备 |
CN112541357B (zh) * | 2020-12-24 | 2023-11-24 | 深圳市优必选科技股份有限公司 | 实体识别方法、装置及智能设备 |
WO2024021312A1 (zh) * | 2022-07-28 | 2024-02-01 | 华南理工大学 | 一种基于人机交互的自动编程方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111949793B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111026858B (zh) | 基于项目推荐模型的项目信息处理方法及装置 | |
CN108959247B (zh) | 一种数据处理方法、服务器及计算机可读介质 | |
CN109828906B (zh) | Ui自动化测试方法、装置、电子设备及存储介质 | |
CN111859968A (zh) | 一种文本结构化方法、文本结构化装置及终端设备 | |
CN110929125A (zh) | 搜索召回方法、装置、设备及其存储介质 | |
CN108682421B (zh) | 一种语音识别方法、终端设备及计算机可读存储介质 | |
CN111949793B (zh) | 用户意图识别方法、装置及终端设备 | |
US20190147104A1 (en) | Method and apparatus for constructing artificial intelligence application | |
CN112084752A (zh) | 基于自然语言的语句标注方法、装置、设备及存储介质 | |
CN112925898A (zh) | 基于人工智能的问答方法、装置、服务器及存储介质 | |
CN107506407B (zh) | 一种文件分类、调用的方法及装置 | |
CN112527967A (zh) | 文本匹配方法、装置、终端和存储介质 | |
CN111354354B (zh) | 一种基于语义识别的训练方法、训练装置及终端设备 | |
CN112668325A (zh) | 一种机器翻译增强方法、系统、终端及存储介质 | |
CN109101630B (zh) | 一种应用程序搜索结果的生成方法、装置及设备 | |
CN114970470B (zh) | 文案信息处理方法、装置、电子设备和计算机可读介质 | |
CN110705308A (zh) | 语音信息的领域识别方法、装置、存储介质及电子设备 | |
CN110751510A (zh) | 一种确定推广名单的方法及装置 | |
CN107071553B (zh) | 一种修改视频语音的方法、装置和计算机可读存储介质 | |
CN112541357B (zh) | 实体识别方法、装置及智能设备 | |
CN112908339B (zh) | 一种会议环节定位方法、装置、定位设备及可读存储介质 | |
CN111401034B (zh) | 文本的语义分析方法、语义分析装置及终端 | |
CN114490929A (zh) | 一种招投标信息采集方法、装置、存储介质及终端设备 | |
CN113741864A (zh) | 基于自然语言处理的语义化服务接口自动设计方法与系统 | |
CN107368597B (zh) | 信息输出方法和装置 |
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 |