CN112328763A - 意图识别的方法、装置、对话方法和系统 - Google Patents

Abstract

本公开提供了一种意图识别的方法。该方法包括获取来自用户的对话数据；利用意图识别模型，对对话数据进行意图识别，以得到意图识别结果；确定对话数据的多个要素信息；以及在意图识别结果与多个要素信息匹配的情况下，输出意图识别结果。本公开还提供了一种对话方法、系统、计算设备及介质。

Description

意图识别的方法、装置、对话方法和系统

技术领域

本公开涉及计算机技术领域，更具体地，涉及一种意图识别的方法、装置、对话方法、系统、计算设备及介质。

背景技术

在对话系统工作的过程中，提问者每句话都带有一定的意图，应答方即对话系统根据对方的意图进行回答。相关技术采用文本分类的方法进行意图识别，即对包含提问者问题的文本集按照一定的分类体系或标准进行自动分类标记，这种方法属于一种基于分类体系的自动分类方法。这种方法所采用的意图识别模型基于典型的监督学习算法，意图识别模型的输出是输入的文本集属于每一个分类的概率。

相关技术通过意图识别模型输出的概率值来确定对话数据的意图识别结果是否可信，即首先人为设定一个阈值，当意图识别模型输出的概率值大于这个阈值就认为结果可信，否则认为结果不可信。

相关技术中至少存在如下问题，意图分析的可解释性差，意图识别的准确率低，导致识别效果较差。

发明内容

有鉴于此，本公开提供了一种意图识别的方法、装置、对话方法、系统、计算设备及介质。

本公开的一个方面提供了一种意图识别的方法，包括：获取来自用户的对话数据；利用意图识别模型，对所述对话数据进行意图识别，以得到意图识别结果；确定所述对话数据的多个要素信息；以及在所述意图识别结果与所述多个要素信息匹配的情况下，输出所述意图识别结果。

根据本公开的实施例，所述多个要素信息包括业务类型和动作类型；所述确定所述对话数据的多个要素信息包括：利用业务分类模型，确定所述对话数据的业务类型；以及利用动作分类模型，确定所述对话数据的动作类型。

根据本公开的实施例，所述多个要素信息还包括状态信息；所述确定所述对话数据的多个要素信息还包括：获取所述用户的订单状态和/或服务单状态，作为所述状态信息。

根据本公开的实施例，所述方法还包括：从知识库中获取与所述意图识别结果对应的预设维度信息；以及若确定所述预设维度信息与所述要素信息一致，则确定所述意图识别结果与所述要素信息匹配。

根据本公开的实施例，所述方法还包括：在所述意图识别结果与所述要素信息不匹配的情况下，展示所述不匹配的要素信息。

本公开的另一个方面提供了一种对话方法，包括：获取来自用户的对话数据；利用意图识别模型，对所述对话数据进行意图识别，以得到意图识别结果；确定所述对话数据的多个要素信息；在所述意图识别结果与所述多个要素信息匹配的情况下，根据所述意图识别结果，生成应答信息，并向所述用户展示所述应答信息；以及在所述意图识别结果与所述多个要素信息不匹配的情况下，生成反问信息，并向所述用户展示所述反问信息。

本公开的另一个方面提供了一种意图识别的装置，包括：获取模块，用于获取用户的对话数据；识别模块，用于利用意图识别模型，对所述对话数据进行意图识别，以得到意图识别结果；确定模块，用于确定所述对话数据的多个要素信息；以及输出模块，用于在所述意图识别结果与所述多个要素信息匹配的情况下，输出所述意图识别结果。

本公开的另一个方面提供了一种对话系统，包括：获取模块，用于获取用户的对话数据；识别模块，用于利用意图识别模型，对所述对话数据进行意图识别，以得到意图识别结果；确定模块，用于确定所述对话数据的多个要素信息；应答模块，用于在由所述意图识别的装置输出的意图识别结果与多个要素信息匹配的情况下，根据所述意图识别结果，生成应答信息，并向所述用户展示所述应答信息；以及反问模块，用于在由所述意图识别的装置输出的意图识别结果与多个要素信息不匹配的情况下，生成反问信息，并向所述用户展示所述反问信息。

本公开的另一个方面提供了一种计算设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

根据本公开的实施例，确定文本数据的多个要素信息，通过判断意图识别结果与多个要素信息是否匹配来确定意图识别结果是否可信，从而实现从多维角度对文本意图进行分析，可以保证意图识别准确率，增加意图识别结果的可解释性，达到较好的识别效果。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的可以应用意图识别的方法的示例性系统架构；

图2示意性示出了根据本公开的实施例的意图识别的方法的流程图；

图3示意性示出了根据本公开另一实施例的意图识别的方法的流程图；

图4示意性示出了根据本公开的实施例的对话方法流程图；

图5示意性示出了根据本公开的实施例的意图识别的装置的框图；

图6示意性示出了根据本公开的实施例的对话系统的框图；以及

图7示意性示出了根据本公开实施例的适于实现本公开实施例的方法的计算机系统的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开的实施例提供了一种意图识别的方法以及能够应用该方法的装置。该方法包括获取来自用户的对话数据；利用意图识别模型，对对话数据进行意图识别，以得到意图识别结果；确定对话数据的多个要素信息；以及在意图识别结果与多个要素信息匹配的情况下，输出意图识别结果。

图1示意性示出了根据本公开实施例的可以应用意图识别的方法的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和对话系统105。网络104用以在终端设备101、102、103和对话系统105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与对话系统105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

对话系统105可以对用户利用终端设备101、102、103发送的对话信息进行意图识别，生成意图识别结果，并确定对话信息的多个要素信息，根据多个要素信息判断意图识别结果的可信性，然后根据可信性，确定应答数据，并将应答数据反馈给终端设备。

需要说明的是，本公开实施例所提供的意图识别的方法一般可以由对话系统105执行。相应地，本公开实施例所提供的意图识别的装置一般可以设置于对话系统105中。本公开实施例所提供的意图识别的方法也可以由不同于对话系统105且能够与终端设备101、102、103和/或对话系统105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的意图识别的装置也可以设置于不同于对话系统105且能够与终端设备101、102、103和/或对话系统105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开的实施例的意图识别的方法的流程图。

如图2所示，该方法包括在操作S210，获取来自用户的对话数据。

根据本公开的实施例，对话数据例如可以为用户通过终端设备发送给对话系统的数据，包含用户想要询问的问题。

然后，在操作S220，利用意图识别模型，对对话数据进行意图识别，以得到意图识别结果。

根据本公开的实施例，意图识别模型可以用于确定对话数据中所属的意图。意图识别模型的输入为对话数据，输出为对话数据所属的意图。意图识别模型例如可以为卷积神经网络模型、长短期记忆网络模型、BERT模型等文本分类模型。需要说明的是，上述列出的各个模型仅为示例，在实际应用中，意图识别模型还可以采用其他类型的文本分类模型，本公开对此不作具体的限定。

根据本公开的实施例，在构建意图识别模型前，可以对文本分类模型所基于的分类体系进行设置，分类体系包含了相关场景下对话数据可能包含的所有用户意图。

示例性地，本实施例中，分类体系包括售前问题、售中问题和售后问题三大类。其中，售前问题包括商品使用、支付方式等分类，售中问题包括订单查询、配送查询等分类、售后问题包括退、换、修等分类。

在确定分类体系后，可以使用对话系统的历史对话消息作为训练数据，并对训练数据进行标注，然后使用标注后的训练数据训练意图识别模型。经过训练后的意图识别模型可以用于将输入的文本数据分类到分类体系中某个具体分类中。

根据本公开的实施例，通过将对话数据输入意图识别模型，可以得到该对话数据属于各分类的概率。从这些概率中确定最大的概率，该最大的概率所对应的分类即为该对话数据的意图识别结果。

在操作S230，确定对话数据的多个要素信息。

可以理解的是，一个意图可以由多个维度的要素信息组成。基于此，本实施例中，可以将用户的意图分为业务类型、动作类型和状态消息等维度的要素信息。其中，业务类型可以包括订单、商品、运费等，业务动作类型可以包括查询、退、换、修等，状态信息可以包括刚下单、已收到货、已退货等。示例性地，本实施例中，将业务类型和动作类型作为必要维度，将状态信息等其他要素信息作为可选维度。

根据本公开的实施例，预先训练有业务分类模型和动作分类模型，分别用于识别对话数据中涉及的业务类型和动作类型。其中，业务分类模型的输入为对话数据，输出为该对话数据中涉及的业务类型。动作分类模型的输入为对话数据，输出为该对话数据中涉及的动作类型。本实施例中，可以利用业务分类模型，确定对话数据的业务类型，可以利用动作分类模型，确定对话数据的动作类型。

根据本公开另一实施例，可以将设置状态信息也作为要素信息，具体地，可以从数据库中查询用户的订单状态和/或服务单状态，作为状态信息。

需要说明的是，上述要素信息仅为示例，在实际应用中，还可以使用例如用户注册信息和用户画像等其他信息作为要素信息。

在操作S240，在意图识别结果与多个要素信息匹配的情况下，输出意图识别结果。

根据本公开的实施例，可以通过以下操作确定意图识别结果与多个要素信息是否匹配：从知识库中获取与意图识别结果对应的预设维度信息，若确定预设维度信息与要素信息全部一致，则确定意图识别结果与要素信息匹配，若存在至少一个要素信息与预设维度信息不一致，则确定意图识别结果与要素信息不匹配。

根据本公开的实施例，确定文本数据的多个要素信息，通过判断意图识别结果与多个要素信息是否匹配来确定意图识别结果是否可信，从而实现从多维角度对文本意图进行分析，可以保证意图识别准确率，增加意图识别结果的可解释性，达到较好的识别效果。

根据本公开的另一实施例，可以在意图识别结果与要素信息不匹配的情况下，展示不匹配的要素信息，从而能够帮助相关人员确定识别失败的原因。

下面参考图3，结合具体实施例对图2所示的方法做进一步说明。本领域技术人员可以理解，以下示例实施例仅用于理解本公开，本公开并不局限于此。

图3示意性示出了根据本公开另一实施例的意图识别的方法的流程图。如图3所示，意图识别的过程涉及意图分类模型、多维度A模型和多维度B模型三个文本分类模型和一个知识库。其中，意图分类模型(也称意图识别模型)用于识别文本数据中所包含的意图，输入为包含用户问题的文本数据，输出为用户问题所属意图。多维度A模型用于判断用户问题中的动作类型(Action，简称A)。多维度B模型用于判断用户问题中的业务类型(Business，简称B)。知识库用于记录意图分类模型中每一个分类所对应的动作类型和业务类型。

首先获取用户输入的文本数据，将文本数据分别输入意图分类模型、多维度A模型和多维度B模型。意图分类模型输出概率最大的分类(TOP1)作为意图识别结果，多维度A模型输出与文本数据对应的动作类型，多维度B模型输出与文本数据对应的业务类型。然后在知识库中查询与意图识别结果对应的动作类型和业务类型。然后将知识库中查询到的动作类型与多维度A模型输出的动作类型进行匹配，并将知识库中查询到的业务类型与多维度B模型输出的业务类型进行匹配。若两个匹配过程均匹配成功，则对意图识别结果置信；否则，对意图识别结果不置信。

根据本公开的实施例，由于多维度A/B模型只需要识别单一维度的信息，其识别的分类体系较少，且易于区分，从而保证了识别的准确率。

本公开的实施例的意图识别方法能够更方便的用于不同业务场景中，并且当判断意图分类模型是否可信时，其判断逻辑是完全可解释的，例如当判断得到意图识别结果不可信时，可以知道不可信是具体由哪一维度不匹配导致的。

此外，本公开的实施例的意图识别方法不依赖模型的输出概率，只要求模型整体准确率有保障，不需要关注各个分类的概率值，整体逻辑更简单。

图4示意性示出了根据本公开的实施例的对话方法流程图。

如图4所示，除了操作S210～S230之外，该方法包括操作S410～S430。

在操作S410，判断在意图识别结果与多个要素信息是否匹配。若匹配，则执行操作S420，若有至少一个不匹配，则执行S430。

在操作S420，在意图识别结果与多个要素信息匹配的情况下，根据意图识别结果，生成应答信息，并向用户展示应答信息。

在操作S430，在意图识别结果与多个要素信息不匹配的情况下，生成反问信息，并向用户展示反问信息。

在对话系统工作的过程中，存在两种会导致分类结果不可信的情况：1、最初梳理的分类体系不够完善，当输入的文本数据表达的是一种分类体系之外的意图时，意图分类模型针对该文本数据的意图识别结果必定是错误；2、意图分类模型本身识别错误，例如应该属于A分类的意图被识别到B分类。

由于以上两种情况的存在，通过得到意图识别算法输出后进一步判断结果是否可信，如果可信则直接使用识别结果进行应答，否则需要进行必要的反问，让用户进一步澄清意图，从而获取真实可信的意图。

图5示意性示出了根据本公开的实施例的意图识别的装置的框图。

如图5所示，装置500包括获取模块510、识别模块520、确定模块530和输出模块540。

获取模块510，可以用于获取用户的对话数据。

识别模块520，可以用于利用意图识别模型，对对话数据进行意图识别，以得到意图识别结果。

确定模块530，可以用于确定对话数据的多个要素信息。

输出模块540，可以用于在意图识别结果与多个要素信息匹配的情况下，输出意图识别结果。

根据本公开的实施例，确定文本数据的多个要素信息，通过判断意图识别结果与多个要素信息是否匹配来确定意图识别结果是否可信，从而实现从多维角度对文本意图进行分析，可以保证意图识别准确率，增加意图识别结果的可解释性，达到较好的识别效果。

图6示意性示出了根据本公开的实施例的对话系统的框图。

如图6所示，对话系统600包括获取模块610、识别模块620、确定模块630、应答模块640和反问模块650。

获取模块610，用于获取用户的对话数据。

识别模块620，用于利用意图识别模型，对对话数据进行意图识别，以得到意图识别结果。

确定模块630，用于确定对话数据的多个要素信息。

应答模块640，用于在由意图识别的装置输出的意图识别结果与多个要素信息匹配的情况下，根据意图识别结果，生成应答信息，并向用户展示应答信息。

反问模块650，用于在由意图识别的装置输出的意图识别结果与多个要素信息不匹配的情况下，生成反问信息，并向用户展示反问信息。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，获取模块510、识别模块520、确定模块530、输出模块540、获取模块610、识别模块620、确定模块630、应答模块640和反问模块650中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块510、识别模块520、确定模块530、输出模块540、获取模块610、识别模块620、确定模块630、应答模块640和反问模块650中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块510、识别模块520、确定模块530、输出模块540、获取模块610、识别模块620、确定模块630、应答模块640和反问模块650中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图7示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的方框图。图7示出的计算机系统仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，根据本公开实施例的计算机系统700包括处理器701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 703中，存储有系统700操作所需的各种程序和数据。处理器701、ROM 702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，系统700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。系统700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (10)

1.一种意图识别的方法，包括：

获取来自用户的对话数据；

利用意图识别模型，对所述对话数据进行意图识别，以得到意图识别结果；

确定所述对话数据的多个要素信息；以及

在所述意图识别结果与所述多个要素信息匹配的情况下，输出所述意图识别结果。

2.根据权利要求1所述的方法，其中，所述多个要素信息包括业务类型和动作类型；

所述确定所述对话数据的多个要素信息包括：

利用业务分类模型，确定所述对话数据的业务类型；以及

利用动作分类模型，确定所述对话数据的动作类型。

3.根据权利要求2所述的方法，其中，所述多个要素信息还包括状态信息；

所述确定所述对话数据的多个要素信息还包括：

获取所述用户的订单状态和/或服务单状态，作为所述状态信息。

4.根据权利要求1所述的方法，还包括：

从知识库中获取与所述意图识别结果对应的预设维度信息；以及

若确定所述预设维度信息与所述要素信息一致，则确定所述意图识别结果与所述要素信息匹配。

5.根据权利要求1所述的方法，还包括：

在所述意图识别结果与所述要素信息不匹配的情况下，展示所述不匹配的要素信息。

6.一种对话方法，包括：

获取来自用户的对话数据；

利用意图识别模型，对所述对话数据进行意图识别，以得到意图识别结果；

确定所述对话数据的多个要素信息；

在所述意图识别结果与所述多个要素信息匹配的情况下，根据所述意图识别结果，生成应答信息，并向所述用户展示所述应答信息；以及

在所述意图识别结果与所述多个要素信息不匹配的情况下，生成反问信息，并向所述用户展示所述反问信息。

7.一种意图识别的装置，包括：

获取模块，用于获取用户的对话数据；

识别模块，用于利用意图识别模型，对所述对话数据进行意图识别，以得到意图识别结果；

确定模块，用于确定所述对话数据的多个要素信息；以及

输出模块，用于在所述意图识别结果与所述多个要素信息匹配的情况下，输出所述意图识别结果。

8.一种对话系统，包括：

获取模块，用于获取用户的对话数据；

识别模块，用于利用意图识别模型，对所述对话数据进行意图识别，以得到意图识别结果；

确定模块，用于确定所述对话数据的多个要素信息；

应答模块，用于在由所述意图识别的装置输出的意图识别结果与多个要素信息匹配的情况下，根据所述意图识别结果，生成应答信息，并向所述用户展示所述应答信息；以及

反问模块，用于在由所述意图识别的装置输出的意图识别结果与多个要素信息不匹配的情况下，生成反问信息，并向所述用户展示所述反问信息。

9.一种计算设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至6中任一项的方法。

10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1至6中任一项的方法。

Images