CN112328748A - 一种用于保险配置意图识别的方法 - Google Patents
一种用于保险配置意图识别的方法 Download PDFInfo
- Publication number
- CN112328748A CN112328748A CN202011256504.1A CN202011256504A CN112328748A CN 112328748 A CN112328748 A CN 112328748A CN 202011256504 A CN202011256504 A CN 202011256504A CN 112328748 A CN112328748 A CN 112328748A
- Authority
- CN
- China
- Prior art keywords
- sentences
- similarity
- standard
- model
- insurance configuration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000011176 pooling Methods 0.000 claims abstract description 11
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 6
- 238000003058 natural language processing Methods 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3347—Query execution using vector based model
-
- 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
- G06F16/3346—Query execution using probabilistic model
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种用于保险配置意图识别的方法,该方法为:首先,选取一些标准句子,对这些句子进行扩充,得到一个更大的标准句子集;然后对于实际的发言句子与这些句子进行相似度的计算,大于某一个阈值就算匹配成功,并打上提出了保险配置思路的标签。相似度的计算是利用孪生神经网络对用户发言的文本信息进行建模,其中使用NLP领域的Bert模型,将句子转换为一个向量,并经过池化层和全连接层,输出的2个向量进行相似度计算,得到两个句子的相似度。本发明提供了一种算法,通过计算文本的相似度,来为用户打上标签,识别用户发言的文本信息里是否有关保险配置思路,从而为用户提供更有针对性的服务打下基础。
Description
技术领域
本发明涉及一种机器学习和NLP领域的关于保险配置意图识别的算法,具体地,涉及一种用于保险配置意图识别的方法。
背景技术
机器学习是一门多学科交叉专业,涵盖概率论知识,统计学知识,近似理论知识和复杂算法知识,使用计算机作为工具并致力于真实实时的模拟人类学习方式,并将现有内容进行知识结构划分来有效提高学习效率。
机器学习有下面几种定义:
(1)机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能,特别是如何在经验学习中改善具体算法的性能。
(2)机器学习是对能通过经验自动改进的计算机算法的研究。
(3)机器学习是用数据或以往的经验,以此优化计算机程序的性能标准。
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系,但又有重要的区别。自然语言处理并不是一般地研究自然语言,而在于研制能有效地实现自然语言通信的计算机系统,特别是其中的软件系统。因而它是计算机科学的一部分。
自然语言处理(NLP,Natural Language Processing)是计算机科学,人工智能,语言学关注计算机和人类(自然)语言之间的相互作用的领域。
在自然语言处理过程中,经常会涉及到如何度量两个文本之间的相似性,文本是一种高维的语义空间,如何对其进行抽象分解,从而能够站在数学角度去量化其相似性。而有了文本之间相似性的度量方式,便可以利用划分法的K-means、基于密度的DBSCAN或者是基于模型的概率方法进行文本之间的聚类分析;另一方面,也可以利用文本之间的相似性对大规模语料进行去重预处理,或者找寻某一实体名称的相关名称(模糊匹配)。而衡量两个字符串的相似性有很多种方法,如最直接的利用hashcode,以及经典的主题模型或者利用词向量将文本抽象为向量表示,再通过特征向量之间的欧式距离或者皮尔森距离进行度量。
将机器学习和NLP用于识别用户发言的文本信息,特别是通过相似度的计算,判断其中是否存在有关保险配置的意图,能够为用户提供更有针对性的服务。
发明内容
本发明的目的是提供一种关于保险配置意图识别的算法,通过计算文本的相似度,来为用户打上标签,识别用户发言的文本信息里是否有关保险配置思路,从而为用户提供更有针对性的服务打下基础。
本发明提供了一种用于保险配置意图识别的方法,其中,所述的方法为:首先,选取一些标准句子,对这些句子进行扩充,得到一个更大的标准句子集;然后对于实际的发言句子与这些句子进行相似度的计算,大于某一个阈值就算匹配成功,并打上提出了保险配置思路的标签。
上述的用于保险配置意图识别的方法,其中,所述的进行相似度的计算是利用孪生神经网络对用户发言的文本信息进行建模,其中使用NLP领域的Bert模型,将句子转换为一个向量,并经过池化层和全连接层,输出的2个向量进行相似度计算,得到两个句子的相似度。
上述的用于保险配置意图识别的方法,其中,所述的方法包含:步骤1、取得具有标准配置思路的若干句子;步骤2、利用此前已有的一期用户的对话数据,采用默认模型,并选择参数度量,从这期数据里找到与步骤1中的若干句子相类似的句子,作为候选的标准句提交,然后经过再标注,得到与步骤1中的若干句子经确认的相似的句子;步骤3、将步骤2所得的句子作为正样本,并从未匹配上的句子中选择一部分作为负样本,构成训练集;步骤4、训练模型;步骤5、利用新一期的用户对话数据,预测其结果,经判断,得到相似与否的结果。
上述的用于保险配置意图识别的方法,其中,所述的步骤2是采用默认的sentence-Bert模型,并用余弦相似度作为度量。
上述的用于保险配置意图识别的方法,其中,所述的步骤4是针对数据集,采用孪生网络算法,对标准句和需要评估的句子分别用Bert模型,得到向量,并经池化和全连接层,得到两个向量,计算相似度。
上述的用于保险配置意图识别的方法,其中,所述的步骤4还包含:计算相似度后,根据已有的标注(y),反向传播,不断地更新参数,训练完成,得到一个经数据集微调的模型。
本发明提供的用于保险配置意图识别的方法具有以下优点:
该方法是一种关于保险配置意图识别的算法,通过选取一些标准句子,对这些句子进行扩充,得到一个更大的标准句子集;然后对于实际的发言句子与这些句子进行相似度的计算,大于某一个阈值就算匹配成功,并打上提出了保险配置思路的标签。相似度的计算是利用孪生神经网络对用户发言(文本信息)进行建模,其中用到了NLP领域的Bert模型,将句子转换为一个向量,并经过池化层和全连接层,输出的2个向量进行相似度计算,得到两个句子的相似度。使用本发明提供的方法还具有:不需要对句子进行过多的标注,能够快速的得到结果,结果较为符合实际结果等优点。
附图说明
图1为本发明的用于保险配置意图识别的方法的示意图。
具体实施方式
以下结合附图对本发明的具体实施方式作进一步地说明。
本发明提供了一种用于保险配置意图识别的方法,该方法为:首先,选取一些标准句子,对这些句子进行扩充,得到一个更大的标准句子集;然后对于实际的发言句子与这些句子进行相似度的计算,大于某一个阈值就算匹配成功,并打上提出了保险配置思路的标签。
相似度的计算是利用孪生神经网络对用户发言的文本信息进行建模,其中使用NLP领域的Bert模型,将句子转换为一个向量,并经过池化层和全连接层,输出的2个向量进行相似度计算,得到两个句子的相似度。
优选地,该方法包含:步骤1、取得具有标准配置思路的若干句子;步骤2、利用此前已有的一期用户或学员的对话数据,采用默认模型,并选择参数度量,从这期数据里找到与步骤1中的若干句子相类似的句子,作为候选的标准句提交,然后经过再标注,得到与步骤1中的若干句子经确认的相似的句子;步骤3、将步骤2所得的句子作为正样本,并从未匹配上的句子中选择一部分作为负样本,构成训练集;步骤4、训练模型;步骤5、利用再新一期的用户或学员的对话数据,通过训练后的模型预测其结果,经判断,得到相似与否的结果。
步骤2是采用默认的sentence-Bert模型,并用余弦相似度作为度量。
步骤4是针对数据集,采用孪生网络算法,对标准句和需要评估的句子分别用Bert模型,得到向量,并经池化和全连接层,得到两个向量,计算相似度。
步骤4还包含:计算相似度后,根据已有的标注(y),反向传播,不断地更新参数,训练完成,得到一个经数据集微调的模型。
孪生神经网络(Siamese neural network),又名双生神经网络,是基于两个人工神经网络建立的耦合构架。孪生神经网络以两个样本为输入,输出其嵌入高维度空间的表征,以比较两个样本的相似程度。狭义的孪生神经网络由两个结构相同,且权重共享的神经网络拼接而成。广义的孪生神经网络,或“伪孪生神经网络(pseudo-siamese network)”,可由任意两个神经网拼接而成。孪生神经网络通常具有深度结构,可由卷积神经网络、循环神经网络等组成。在监督学习范式下,孪生神经网络会最大化不同标签的表征,并最小化相同标签的表征。在自监督或非监督学习范式下,孪生神经网络可以最小化原输入和干扰输入(例如原始图像和该图像的裁减)间的表征。孪生神经网络可以进行小样本/单样本学习(one-shot learning),且不容易被错误样本干扰,因此可用于对容错率要求严格的模式识别问题,例如人像识别、指纹识别、目标追踪等。
Bert(Bidirectional Encoder Representations from Transformers)是一个预训练的模型,Bert的新语言表示模型,它代表Transformer的双向编码器表示。与最近的其他语言表示模型不同,Bert旨在通过联合调节所有层中的上下文来预先训练深度双向表示。因此,预训练的Bert表示可以通过一个额外的输出层进行微调,适用于广泛任务的最先进模型的构建,比如问答任务和语言推理,无需针对具体任务做大幅架构修改。
下面结合实施例对本发明提供的用于保险配置意图识别的方法做更进一步描述。
实施例1
一种用于保险配置意图识别的方法,该方法为:首先,选取一些标准句子,对这些句子进行扩充,得到一个更大的标准句子集;然后对于实际的发言句子与这些句子进行相似度的计算,大于某一个阈值就算匹配成功,并打上提出了保险配置思路的标签。相似度的计算是利用孪生神经网络对用户发言的文本信息进行建模,其中使用NLP领域的Bert模型,将句子转换为一个向量,并经过池化层和全连接层,输出的2个向量进行相似度计算,得到两个句子的相似度。
优选地,该方法包含:
步骤1、得到标准的配置思路的45句句子。
步骤2、利用已有一期的学员对话数据,采用了sentence-Bert模型(默认的模型),用余弦相似度作为度量,从这期数据里找到与此45句句子相类似的句子作为候选的标准句并提交给机器或人工判断。比如提交给业务人员,然后经过业务人员的再标注,得到与这45句句子经人工确认的相似的句子,一共得到174句。
步骤3、对于这174句句子,将它们作为正样本,并从未匹配上的句子中选择一部分作为负样本,构成训练集。
步骤4、训练模型,针对数据集,采用孪生网络算法,对标准句和需要评估的句子分别用Bert模型,得到向量,并经池化和全连接层,得到两个向量,计算相似度。并根据已有的标注(y),反向传播,不断地更新参数,训练完成,得到一个经我们数据集微调的模型。
参见图1所示,孪生网络利用Bert预训练模型,从文本中得到句子(sentence)的向量,并经过池化(pooling),和全连接层(dense),得到2个输出(u,v),并对输出值进行余弦相似度的计算,得到最终相似的概率值。
步骤5、利用新一期学员对话数据,预测其结果,经判断,采用阈值0.9,得到相似与否的结果。
具体代码如下:
本发明提供的用于保险配置意图识别的方法,是一种关于保险配置意图识别的算法,通过计算文本的相似度,来为用户打上标签,识别用户发言的文本信息里是否有关保险配置思路,从而为用户提供更有针对性的服务打下基础。该方法还具有不需要对句子进行过多的标注,能够快速的得到结果,结果较为符合实际结果等优点。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (6)
1.一种用于保险配置意图识别的方法,其特征在于,所述的方法为:首先,选取一些标准句子,对这些句子进行扩充,得到一个更大的标准句子集;然后对于实际的发言句子与这些句子进行相似度的计算,大于某一个阈值就算匹配成功,并打上提出了保险配置思路的标签。
2.如权利要求1所述的用于保险配置意图识别的方法,其特征在于;所述的进行相似度的计算是利用孪生神经网络对用户发言的文本信息进行建模,其中使用NLP领域的Bert模型,将句子转换为一个向量,并经过池化层和全连接层,输出的2个向量进行相似度计算,得到两个句子的相似度。
3.如权利要求2所述的用于保险配置意图识别的方法,其特征在于,所述的方法包含:
步骤1、取得具有标准配置思路的若干句子;
步骤2、利用此前已有的一期用户的对话数据,采用默认模型,并选择参数度量,从这期数据里找到与步骤1中的若干句子相类似的句子,作为候选的标准句提交,然后经过再标注,得到与步骤1中的若干句子经确认的相似的句子;
步骤3、将步骤2所得的句子作为正样本,并从未匹配上的句子中选择一部分作为负样本,构成训练集;
步骤4、训练模型;
步骤5、利用新一期的用户对话数据,预测其结果,经判断,得到相似与否的结果。
4.如权利要求3所述的用于保险配置意图识别的方法,其特征在于,所述的步骤2是采用默认的sentence-Bert模型,并用余弦相似度作为度量。
5.如权利要求3所述的用于保险配置意图识别的方法,其特征在于,所述的步骤4是针对数据集,采用孪生网络算法,对标准句和需要评估的句子分别用Bert模型,得到向量,并经池化和全连接层,得到两个向量,计算相似度。
6.如权利要求5所述的用于保险配置意图识别的方法,其特征在于,所述的步骤4还包含:计算相似度后,根据已有的标注(y),反向传播,不断地更新参数,训练完成,得到一个经数据集微调的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011256504.1A CN112328748A (zh) | 2020-11-11 | 2020-11-11 | 一种用于保险配置意图识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011256504.1A CN112328748A (zh) | 2020-11-11 | 2020-11-11 | 一种用于保险配置意图识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112328748A true CN112328748A (zh) | 2021-02-05 |
Family
ID=74318877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011256504.1A Pending CN112328748A (zh) | 2020-11-11 | 2020-11-11 | 一种用于保险配置意图识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112328748A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113157893A (zh) * | 2021-05-25 | 2021-07-23 | 网易(杭州)网络有限公司 | 多轮对话中意图识别的方法、介质、装置和计算设备 |
CN115329063A (zh) * | 2022-10-18 | 2022-11-11 | 江西电信信息产业有限公司 | 一种用户的意图识别方法及系统 |
CN117010971A (zh) * | 2023-09-28 | 2023-11-07 | 国任财产保险股份有限公司 | 一种基于人像识别的智能健康险提供方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256267A (zh) * | 2017-06-19 | 2017-10-17 | 北京百度网讯科技有限公司 | 查询方法和装置 |
CN109189912A (zh) * | 2018-10-09 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 用户咨询语句库的更新方法及装置 |
CN109344399A (zh) * | 2018-09-14 | 2019-02-15 | 重庆邂智科技有限公司 | 一种基于堆叠双向lstm神经网络的文本相似度计算方法 |
CN109376847A (zh) * | 2018-08-31 | 2019-02-22 | 深圳壹账通智能科技有限公司 | 用户意图识别方法、装置、终端及计算机可读存储介质 |
CN109657232A (zh) * | 2018-11-16 | 2019-04-19 | 北京九狐时代智能科技有限公司 | 一种意图识别方法 |
CN111652000A (zh) * | 2020-05-22 | 2020-09-11 | 重庆大学 | 一种语句相似度判断方法及判断系统 |
CN111737954A (zh) * | 2020-06-12 | 2020-10-02 | 百度在线网络技术(北京)有限公司 | 文本相似度确定方法、装置、设备和介质 |
CN111813910A (zh) * | 2020-06-24 | 2020-10-23 | 平安科技(深圳)有限公司 | 客服问题的更新方法、系统、终端设备及计算机存储介质 |
-
2020
- 2020-11-11 CN CN202011256504.1A patent/CN112328748A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256267A (zh) * | 2017-06-19 | 2017-10-17 | 北京百度网讯科技有限公司 | 查询方法和装置 |
CN109376847A (zh) * | 2018-08-31 | 2019-02-22 | 深圳壹账通智能科技有限公司 | 用户意图识别方法、装置、终端及计算机可读存储介质 |
CN109344399A (zh) * | 2018-09-14 | 2019-02-15 | 重庆邂智科技有限公司 | 一种基于堆叠双向lstm神经网络的文本相似度计算方法 |
CN109189912A (zh) * | 2018-10-09 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 用户咨询语句库的更新方法及装置 |
CN109657232A (zh) * | 2018-11-16 | 2019-04-19 | 北京九狐时代智能科技有限公司 | 一种意图识别方法 |
CN111652000A (zh) * | 2020-05-22 | 2020-09-11 | 重庆大学 | 一种语句相似度判断方法及判断系统 |
CN111737954A (zh) * | 2020-06-12 | 2020-10-02 | 百度在线网络技术(北京)有限公司 | 文本相似度确定方法、装置、设备和介质 |
CN111813910A (zh) * | 2020-06-24 | 2020-10-23 | 平安科技(深圳)有限公司 | 客服问题的更新方法、系统、终端设备及计算机存储介质 |
Non-Patent Citations (3)
Title |
---|
NILS REIMERS 等: "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks", ARXIV:1908.10084, 27 August 2019 (2019-08-27), pages 1 - 11 * |
NILS REIMERS 等: "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks", ARXIV:1908.10084, pages 1 - 11 * |
江燕;侯霞;杨鸿波;: "基于Siamese网络的句子相似度计算方法", 北京信息科技大学学报(自然科学版), no. 03, pages 57 - 61 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113157893A (zh) * | 2021-05-25 | 2021-07-23 | 网易(杭州)网络有限公司 | 多轮对话中意图识别的方法、介质、装置和计算设备 |
CN113157893B (zh) * | 2021-05-25 | 2023-12-15 | 网易(杭州)网络有限公司 | 多轮对话中意图识别的方法、介质、装置和计算设备 |
CN115329063A (zh) * | 2022-10-18 | 2022-11-11 | 江西电信信息产业有限公司 | 一种用户的意图识别方法及系统 |
CN117010971A (zh) * | 2023-09-28 | 2023-11-07 | 国任财产保险股份有限公司 | 一种基于人像识别的智能健康险提供方法及系统 |
CN117010971B (zh) * | 2023-09-28 | 2023-12-05 | 国任财产保险股份有限公司 | 一种基于人像识别的智能健康险提供方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106407333B (zh) | 基于人工智能的口语查询识别方法及装置 | |
CN112328748A (zh) | 一种用于保险配置意图识别的方法 | |
CN108733647B (zh) | 一种基于高斯分布的词向量生成方法 | |
CN111984780A (zh) | 多意图识别模型训练方法和多意图识别方法及相关装置 | |
JP2019153093A (ja) | フレーズ生成関係性推定モデル学習装置、フレーズ生成装置、方法、及びプログラム | |
CN111563143A (zh) | 一种新词的确定方法及装置 | |
CN112988970A (zh) | 一种服务于智能问答系统的文本匹配算法 | |
CN114648016A (zh) | 一种基于事件要素交互与标签语义增强的事件论元抽取方法 | |
CN113496122A (zh) | 命名实体识别方法、装置、设备及介质 | |
CN115905187B (zh) | 一种面向云计算工程技术人员认证的智能化命题系统 | |
Liao et al. | Embedding compression with isotropic iterative quantization | |
CN114357166B (zh) | 一种基于深度学习的文本分类方法 | |
CN113792540B (zh) | 意图识别模型更新方法及相关设备 | |
CN115587595A (zh) | 一种用于病理文本命名的多粒度实体识别方法 | |
Mankolli et al. | A hybrid machine learning method for text analysis to determine job titles similarity | |
Saranya et al. | Text Normalization by Bi-LSTM Model with Enhanced Features to Improve Tribal English Knowledge | |
CN114021658A (zh) | 一种命名实体识别模型的训练方法、应用方法及其系统 | |
CN114398482A (zh) | 一种词典构造方法、装置、电子设备及存储介质 | |
CN113158062A (zh) | 一种基于异构图神经网络的用户意图识别方法及装置 | |
CN114595324A (zh) | 电网业务数据分域的方法、装置、终端和非暂时性存储介质 | |
Nagesh et al. | An exploration of three lightly-supervised representation learning approaches for named entity classification | |
Benkerzaz et al. | The contribution of the neural network to the improvement of speech recognition | |
CN116805059B (zh) | 一种基于大数据的专利分类方法 | |
CN114036946B (zh) | 一种文本特征提取及辅助检索的系统及方法 | |
CN117151069B (zh) | 一种保障方案生成系统 |
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 |