意图实体信息抽取方法、装置、计算机设备及存储介质
技术领域
本申请涉及人工智能技术领域,尤其涉及一种意图实体信息抽取方法、装置、计算机设备及存储介质。
背景技术
随着大数据和人工智能的发展,智能客服已经成为电商、出行等各个领域的一个关键组成部分,在金融领域,智能客服也被广泛应用到用户数据的审批过程当中。通过获取目标对象的表述内容,对该表述内容进行识别,可以对目标对象进行进一步的判别与分类。
当前,在意图理解领域中,主要分为文本分类和实体提取两大模块。现有的文本分类模型包括预训练模型和长短期记忆网络模型等,实体提取模型包括隐马尔可夫等模型。其中,预训练模型由于其优秀的语义理解能力,很快在自然语言处理领域取得了不错的效果,因此被广泛使用。但是在工程应用中,预训练模型占用的显存大,模型推理速度慢,导致智能客服的响应时间长,并且由于神经网络模型只能抽取特定的实体,对某些不定的实体信息无法提取,最终导致文本意图和实体抽取准确率低的问题。
发明内容
本申请实施例的目的在于提出一种意图实体信息抽取方法、装置、计算机设备及存储介质,以解决文本意图和实体抽取准确率低下的技术问题。
为了解决上述技术问题,本申请实施例提供一种意图实体信息抽取方法,采用了如下所述的技术方案:
获取初始文本数据,对所述初始文本数据进行预处理,得到待处理文本数据;
获取预设的初始训练模型,将所述待处理文本数据输入至所述初始训练模型中,得到训练意图信息和训练实体信息,根据所述训练意图信息和所述训练实体信息对所述初始训练模型进行训练,在所述初始训练模型训练完成时,确定所述初始训练模型为初始识别模型;
从所述初始识别模型中抽取预设个数的网络层,将抽取后的初始识别模型作为意图识别模型;
在接收到目标文本数据时,根据所述意图识别模型对所述目标文本数据进行识别,得到所述目标文本数据的意图结果和实体信息。
进一步的,所述初始训练模型包括编码层、转换层、全连接层和条件随机场模型处理层,所述将所述待处理文本数据输入至所述初始训练模型中,得到训练意图信息和训练实体信息的步骤具体包括:
将所述待处理文本数据输入至所述编码层,经过所述转换层和所述全连接层,输出得到所述训练意图信息;
将所述待处理文本数据输入至所述编码层,经过所述转换层和所述条件随机场模型处理层,输出得到所述训练实体信息。
进一步的,所述根据所述训练意图信息和所述训练实体信息对所述初始训练模型进行训练的步骤具体包括:
获取所述待处理文本数据的标准意图信息和标准实体信息,根据所述标准意图信息和所述训练意图信息计算第一损失函数,根据所述标准实体信息和所述训练实体信息计算第二损失函数,根据所述第一损失函数和所述第二损失函数计算总损失函数,在所述总损失函数收敛时,确定所述初始训练模型为待验证模型;
获取测试文本,根据所述测试文本对所述待验证模型进行验证,在所述待验证模型对所述测试文本的验证通过率大于等于预设阈值时,确定所述初始训练模型训练完成。
进一步的,在所述得到所述目标文本数据的意图结果和实体信息的步骤之后还包括:
定期采集文本实体信息,根据所述文本实体信息建立字典树;
基于所述字典树构建所述文本实体信息的文本实体库。
进一步的,所述根据所述文本实体信息建立字典树的步骤具体包括:
获取所述文本实体信息的标准权重值,确定所述标准权重值为叶子节点,确定所述文本实体信息为非叶子节点;
根据所述叶子节点和所述非叶子节点建立字典树。
进一步的,在所述基于所述字典树构建所述文本实体信息的文本实体库的步骤之后还包括:
在检测到新待检测文本时,根据所述意图识别模型抽取所述新待检测文本的第一实体信息,并赋予所述第一实体信息默认权重值;
根据所述文本实体库获取所述新待检测文本的第二实体信息,以及所述第二实体信息的标准权重值;
根据所述默认权重值和所述标准权重值,确定所述新待检测文本的目标实体信息。
进一步的,所述根据所述默认权重值和所述标准权重值,确定所述新待检测文本的目标实体信息的步骤具体包括:
确定是否存在与所述第一实体信息一致的第二实体信息,在确定存在与所述第一实体信息一致的第二实体信息时,将所述第一实体信息的默认权重值调整为与所述第一实体信息一致的第二实体信息的标准权重值;
确定所有的所述标准权重值中最大权重值对应的实体信息为所述新待检测文本的目标实体信息。
为了解决上述技术问题,本申请实施例还提供一种意图实体信息抽取装置,采用了如下所述的技术方案:
获取模块,用于获取初始文本数据,对所述初始文本数据进行预处理,得到待处理文本数据;
第一训练模块,用于获取预设的初始训练模型,将所述待处理文本数据输入至所述初始训练模型中,得到训练意图信息和训练实体信息,根据所述训练意图信息和所述训练实体信息对所述初始训练模型进行训练,在所述初始训练模型训练完成时,确定所述初始训练模型为初始识别模型;
第二训练模块,用于从所述初始识别模型中抽取预设个数的网络层,将抽取后的初始识别模型作为意图识别模型;
识别模块,用于在接收到目标文本数据时,根据所述意图识别模型对所述目标文本数据进行识别,得到所述目标文本数据的意图结果和实体信息。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,包括存储器和处理器,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可读指令,所述处理器执行所述计算机可读指令时实现上述意图实体信息抽取方法的步骤。
为了解决上述技术问题,本申请实施例还提供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可读指令,所述计算机可读指令被处理器执行时实现上述意图实体信息抽取方法的步骤。
上述意图实体信息抽取方法,通过获取初始文本数据,对初始文本数据进行预处理,得到待处理文本数据,通过对待处理文本数据进行预处理可以减少模型训练的流程,并使得训练得到模型更加精确;而后,获取预设的初始训练模型,将待处理文本数据输入至初始训练模型中,得到训练意图信息和训练实体信息,根据训练意图信息和训练实体信息对初始训练模型进行训练,在初始训练模型训练完成时,确定初始训练模型为初始识别模型,通过初始识别模型可以对文本意图进行精确识别;之后,从初始识别模型中抽取预设个数的网络层,将抽取后的初始识别模型作为意图识别模型,通过对初始识别模型的网络层进行抽取,可以降低模型处理的响应时长,从而提高意图和实体信息的抽取效率;在接收到目标文本数据时,根据意图识别模型对目标文本数据进行识别,得到目标文本数据的意图结果和实体信息,实现了对文本意图和实体信息的准确抽取,提高了文本意图和实体信息抽取的准确率,并且降低了模型处理的响应时长,提高了文本意图和实体信息的识别效率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的意图实体信息抽取方法的一个实施例的流程图;
图3是根据本申请的意图实体信息抽取装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
附图标记:意图实体信息抽取装置300、获取模块301、第一训练模块302、第二训练模块303以及识别模块304。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器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与服务器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,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
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、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的意图实体信息抽取方法一般由服务器/终端设备执行,相应地,意图实体信息抽取装置一般设置于服务器/终端设备中。
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。
继续参考图2,示出了根据本申请的意图实体信息抽取的方法的一个实施例的流程图。所述的意图实体信息抽取方法,包括以下步骤:
步骤S201,获取初始文本数据,对所述初始文本数据进行预处理,得到待处理文本数据;
在本实施例中,初始文本数据为目标意图抽取的文本数据,该初始文本数据可以由目标语音数据转换得到。获取初始文本数据,在得到初始文本数据时,对该初始文本数据进行预处理。其中,预处理包括去除标点符号、过滤特殊字符、半角全角替换等。预处理后的初始文本数据即为待处理文本数据。
步骤S202,获取预设的初始训练模型,将所述待处理文本数据输入至所述初始训练模型中,得到训练意图信息和训练实体信息,根据所述训练意图信息和所述训练实体信息对所述初始训练模型进行训练,在所述初始训练模型训练完成时,确定所述初始训练模型为初始识别模型;
在本实施例中,在得到待处理文本数据时,根据该待处理文本数据对初始训练模型进行训练。具体地,获取该待处理文本数据的训练意图信息和训练实体信息,根据该训练意图信息和训练实体信息计算该初始训练模型的损失函数,在该损失函数收敛时,则确定该初始训练模型为待验证模型。之后,获取测试文本,根据测试文本对待验证模型进行测试。在训练后的初始训练模型对测试文本的验证通过率大于等于预设阈值时,则确定待验证模型为初始识别模型。
步骤S203,从所述初始识别模型中抽取预设个数的网络层,将抽取后的初始识别模型作为意图识别模型;
在本实施例中,在得到初始识别模型时,从该初始识别模型中抽取预设个数的网络层,该网络层为初始识别模型中转换层中的网络层。在初始识别模型中的转换层包括了12层的网络层,从该12层的网络层中抽取预设个数的网络层,如抽取第一层网络、第四层网络、第八层网络和第十二层网络。该抽取后的初始识别模型即为意图识别模型。
步骤S204,在接收到目标文本数据时,根据所述意图识别模型对所述目标文本数据进行识别,得到所述目标文本数据的意图结果和实体信息。
在本实施例中,目标文本数据为接收到的需要进行意图识别和实体识别的文本数据,根据该意图识别模型对获取到的目标文本数据进行意图和实体识别。具体地,该意图识别模型与初始训练模型均包括编码层、转换层、全连接层和条件随机场模型处理层,意图识别模型中转换层的网络层的个数少于初始训练模型中的转换层的网络层的个数。在获取到目标文本数据时,输入该目标文本数据至编码层,经过转换层、全连接层得到目标文本数据的意图结果,经过转换层、条件随机场模型处理层得到目标文本数据的实体信息。
需要强调的是,为进一步保证上述意图结果的私密和安全性,上述意图结果还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本实施例实现了对文本意图和实体信息的准确抽取,提高了文本意图和实体信息抽取的准确率,并且降低了模型处理的响应时长,提高了文本意图和实体信息的识别效率。
在本申请的一些实施例中,上述初始训练模型包括编码层、转换层、全连接层和条件随机场模型处理层,所述将所述待处理文本数据输入至所述初始训练模型中,得到训练意图信息和训练实体信息的步骤具体包括:
将所述待处理文本数据输入至所述编码层,经过所述转换层和所述全连接层,输出得到所述训练意图信息;
将所述待处理文本数据输入至所述编码层,经过所述转换层和所述条件随机场模型处理层,输出得到所述训练实体信息。
在本实施例中,初始训练模型包括编码层、转换层、全连接层和条件随机场模型处理层,条件随机场模型处理层和全连接层并列连接在转换层之后,该转换层则连接在该编码层之后。在得到待处理文本数据时,将待处理文本数据作为训练文本,输入该待处理文本数据至该初始训练模型,基于初始训练模型中的编码层对该待处理文本数据进行编码,得到文本编码,而后将该文本编码进行空间向量的映射,使得该文本编码转换为多维的文本空间向量。之后,通过该初始训练模型中的转换层对该文本空间向量进行识别分类,得到该转换层的输出结果。在得到该转换层的输出结果时,将该输出结果通过全连接层输出得到待处理文本数据的训练意图信息;将该输出结果通过条件随机场模型输出则得到待处理文本数据的训练实体信息。
本实施例通过初始训练模型对待处理文本数据的训练意图信息和训练实体信息进行获取,使得训练之后的模型能够对文本意图和实体进行精确识别,进一步提高了文本意图和实体识别的准确率和识别效率。
在本申请的一些实施例中,上述根据所述训练意图信息和所述训练实体信息对所述初始训练模型进行训练包括:
获取所述待处理文本数据的标准意图信息和标准实体信息,根据所述标准意图信息和所述训练意图信息计算第一损失函数,根据所述标准实体信息和所述训练实体信息计算第二损失函数,根据所述第一损失函数和所述第二损失函数计算总损失函数,在所述总损失函数收敛时,确定所述初始训练模型为待验证模型;
获取测试文本,根据所述测试文本对所述待验证模型进行验证,在所述待验证模型对所述测试文本的验证通过率大于等于预设阈值时,确定所述初始训练模型训练完成。
在本实施例中,在得到待处理文本数据的训练意图信息和训练实体信息时,获取该待处理文本数据对应的标准意图信息和标准实体信息,该标准意图信息和标准实体信息可以为预先设定的意图识别结果。根据该训练意图信息和该标准意图信息计算第一损失函数,根据训练实体信息和标准实体信息计算第二损失函数。在得到该第一损失函数和第二损失函数时,根据该第一损失函数和第二损失函数进行加权求和计算得到总损失函数。根据该总损失函数对初始训练模型进行参数调整,其中,在该总损失函数收敛时,则确定该初始训练模型为待验证模型。该第一损失函数或第二损失函数的计算公式如下所示:
其中,在H(p,q)为第一损失函数时,p(xi)为标准意图信息的概率分布,q(xi)为训练意图信息的概率分布;在H(p,q)为第二损失函数时,p(xi)为标准实体信息的概率分布,q(xi)为训练实体信息的概率分布。
在得到待验证模型时,则获取测试文本,根据测试文本对该待验证模型进行验证。若通过该待验证模型对测试文本输出的意图识别结果和实体识别结果,分别和该测试文本对应的标准意图信息和标准实体信息一致,则确定该待验证模型对该测试文本验证通过。在该待验证模型对该测试文本的验证通过率大于等于预设阈值时,即确定该初始训练模型为初始识别模型。
本实施例通过训练意图信息和训练实体信息对初始训练模型进行训练,提高了模型的训练效率,并使得训练得到的模型能够对文本的意图和实体进行精确而高效地识别。
在本申请的一些实施例中,在上述得到所述目标文本数据的意图结果和实体信息之后还包括:
定期采集文本实体信息,根据所述文本实体信息建立字典树;
基于所述字典树构建所述文本实体信息的文本实体库。
在本实施例中,定期采集文本实体信息,该文本实体信息为意图的对象,如“我要买苹果”中,“买苹果”为意图,“苹果”则为意图对应的对象,即文本实体信息。定期采集文本实体信息,根据定期采集的文本实体信息和该文本实体信息对应的标准权重值建立字典树,将该字典树存储在文本实体库中,该文本实体库中即存储了多个文本实体信息,以及每个文本实体信息对应的标准权重值。
本实施例通过建立文本实体库可以对文本数据的实体信息进行快速采集,根据该实体信息可以进一步地对模型计算得到意图和实体信息进行筛选判断,确保了在对文本进行意图和实体识别时识别的准确率。
在本申请的一些实施例中,上述根据所述文本实体信息建立字典树包括:
获取所述文本实体信息的标准权重值,确定所述标准权重值为叶子节点,确定所述文本实体信息为非叶子节点;
根据所述叶子节点和所述非叶子节点建立字典树。
在本实施例中,获取文本实体信息的标准权重值,不同的文本实体信息可能对应有不同的标准权重值,该标准权重值可通过大数据计算该文本实体信息在同类型中的占比得到。在得到该文本实体信息的标准权重值时,将该标准权重值作为叶子节点,该文本实体信息为非叶子节点,根据该叶子节点和该非叶子节点建立字典树,该字典树被存储在文本实体库中。
本实施例通过建立字典树,实现了对文本实体的规范化管理,使得通过字典树能够快速获取到对应的实体及权重,进一步提高了文本意图和实体的识别效率。
在本申请的一些实施例中,在上述基于所述字典树构建所述文本实体信息的文本实体库之后还包括:
在检测到新待检测文本时,根据所述意图识别模型抽取所述新待检测文本的第一实体信息,并赋予所述第一实体信息默认权重值;
根据所述文本实体库获取所述新待检测文本的第二实体信息,以及所述第二实体信息的标准权重值;
根据所述默认权重值和所述标准权重值,确定所述新待检测文本的目标实体信息。
在本实施例中,新待检测文本与目标文本数据相同,在检测到新待检测文本时,根据意图识别模型对该新待检测文本进行检测,抽取得到该新待检测文本对应的实体信息,即第一实体信息。在得到该第一实体信息时,赋予该第一实体信息默认权重值。根据文本实体库获取该新待检测文本的第二实体信息,以及该第二实体信息关联的标准权重值;根据该标准权重值和默认权重值,即可确定该新待检测文本对应的目标实体信息。
本实施例通过文本实体库获取实体信息及对应的权重值,可以对新待检测文本进行进一步筛选判断,使得最终得到的目标实体信息更加精确。
在本申请的一些实施例中,上述根据所述默认权重值和所述标准权重值,确定所述新待检测文本的目标实体信息包括:
确定是否存在与所述第一实体信息一致的第二实体信息,在确定存在与所述第一实体信息一致的第二实体信息时,将所述第一实体信息的默认权重值调整为与所述第一实体信息一致的第二实体信息的标准权重值;
确定所有的所述标准权重值中最大权重值对应的实体信息为所述新待检测文本的目标实体信息。
在本实施例中,通过字典树抽取可能得到多个第二实体信息,因此,确定第二实体信息中是否存在与该第一实体信息一致的第二实体信息,若该第二实体信息中存在与该第一实体信息一致的第二实体信息,则将第一实体信息的默认权重值调整为第二实体信息对应的标准权重值。在该第一实体信息对应的标准权重值,为得到的所有第二实体信息对应的标准权重值中的最大值时,确定该第一实体信息为新待检测文本的目标实体信息;在该第一实体信息对应的标准权重值,并非得到的所有第二实体信息对应的标准权重值中的最大值时,选取得到的第二实体信息中标准权重值最大的第二实体信息为新待检测文本的目标实体信息。
本实施例实现了对新待检测文本的目标实体信息的精确识别,避免了仅通过模型识别得到实体信息的错误,提高了文本识别的准确率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种意图实体信息抽取装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的意图实体信息抽取装置300包括:获取模块301、第一训练模块302、第二训练模块303以及识别模块304。其中:
获取模块301,用于获取初始文本数据,对所述初始文本数据进行预处理,得到待处理文本数据;
在本实施例中,初始文本数据为目标意图抽取的文本数据,该初始文本数据可以由目标语音数据转换得到。获取初始文本数据,在得到初始文本数据时,对该初始文本数据进行预处理。其中,预处理包括去除标点符号、过滤特殊字符、半角全角替换等。预处理后的初始文本数据即为待处理文本数据。
第一训练模块302,用于获取预设的初始训练模型,将所述待处理文本数据输入至所述初始训练模型中,得到训练意图信息和训练实体信息,根据所述训练意图信息和所述训练实体信息对所述初始训练模型进行训练,在所述初始训练模型训练完成时,确定所述初始训练模型为初始识别模型;
其中,所述第一训练模块302包括:
第一处理单元,用于将所述待处理文本数据输入至所述编码层,经过所述转换层和所述全连接层,输出得到所述训练意图信息;
第二处理单元,用于将所述待处理文本数据输入至所述编码层,经过所述转换层和所述条件随机场模型处理层,输出得到所述训练实体信息。
训练单元,用于获取所述待处理文本数据的标准意图信息和标准实体信息,根据所述标准意图信息和所述训练意图信息计算第一损失函数,根据所述标准实体信息和所述训练实体信息计算第二损失函数,根据所述第一损失函数和所述第二损失函数计算总损失函数,在所述总损失函数收敛时,确定所述初始训练模型为待验证模型;
测试单元,用于获取测试文本,根据所述测试文本对所述待验证模型进行验证,在所述待验证模型对所述测试文本的验证通过率大于等于预设阈值时,确定所述初始训练模型训练完成。
在本实施例中,在得到待处理文本数据时,根据该待处理文本数据对初始训练模型进行训练。具体地,获取该待处理文本数据的训练意图信息和训练实体信息,根据该训练意图信息和训练实体信息计算该初始训练模型的损失函数,在该损失函数收敛时,则确定该初始训练模型为待验证模型。之后,获取测试文本,根据测试文本对待验证模型进行测试。在训练后的初始训练模型对测试文本的验证通过率大于等于预设阈值时,则确定待验证模型为初始识别模型。
第二训练模块303,用于从所述初始识别模型中抽取预设个数的网络层,将抽取后的初始识别模型作为意图识别模型;
在本实施例中,在得到初始识别模型时,从该初始识别模型中抽取预设个数的网络层,该网络层为初始识别模型中转换层中的网络层。在初始识别模型中的转换层包括了12层的网络层,从该12层的网络层中抽取预设个数的网络层,如抽取第一层网络、第四层网络、第八层网络和第十二层网络。该抽取后的初始识别模型即为意图识别模型。
识别模块304,用于在接收到目标文本数据时,根据所述意图识别模型对所述目标文本数据进行识别,得到所述目标文本数据的意图结果和实体信息。
在本实施例中,目标文本数据为接收到的需要进行意图识别和实体识别的文本数据,根据该意图识别模型对获取到的目标文本数据进行意图和实体识别。具体地,该意图识别模型与初始训练模型均包括编码层、转换层、全连接层和条件随机场模型处理层,意图识别模型中转换层的网络层的个数少于初始训练模型中的转换层的网络层的个数。在获取到目标文本数据时,输入该目标文本数据至编码层,经过转换层、全连接层得到目标文本数据的意图结果,经过转换层、条件随机场模型处理层得到目标文本数据的实体信息。
需要强调的是,为进一步保证上述意图结果的私密和安全性,上述意图结果还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本实施例提出的意图实体信息抽取装置还包括:
采集模块,用于定期采集文本实体信息,根据所述文本实体信息建立字典树;
构建模块,用于基于所述字典树构建所述文本实体信息的文本实体库。
其中,所述采集模块包括:
第一确认单元,用于获取所述文本实体信息的标准权重值,确定所述标准权重值为叶子节点,确定所述文本实体信息为非叶子节点;
构建单元,用于根据所述叶子节点和所述非叶子节点建立字典树。
在本实施例中,定期采集文本实体信息,该文本实体信息为意图的对象,如“我要买苹果”中,“买苹果”为意图,“苹果”则为意图对应的对象,即文本实体信息。定期采集文本实体信息,根据定期采集的文本实体信息和该文本实体信息对应的标准权重值建立字典树,将该字典树存储在文本实体库中,该文本实体库中即存储了多个文本实体信息,以及每个文本实体信息对应的标准权重值。
抽取单元,用于在检测到新待检测文本时,根据所述意图识别模型抽取所述新待检测文本的第一实体信息,并赋予所述第一实体信息默认权重值;
获取单元,用于根据所述文本实体库获取所述新待检测文本的第二实体信息,以及所述第二实体信息的标准权重值;
第二确认单元,用于根据所述默认权重值和所述标准权重值,确定所述新待检测文本的目标实体信息。
其中,所述第二确认单元包括:
第一确认子单元,用于确定是否存在与所述第一实体信息一致的第二实体信息,在确定存在与所述第一实体信息一致的第二实体信息时,将所述第一实体信息的默认权重值调整为与所述第一实体信息一致的第二实体信息的标准权重值;
第二确认子单元,用于确定所有的所述标准权重值中最大权重值对应的实体信息为所述新待检测文本的目标实体信息。
在本实施例中,新待检测文本与目标文本数据相同,在检测到新待检测文本时,根据意图识别模型对该新待检测文本进行检测,抽取得到该新待检测文本对应的实体信息,即第一实体信息。在得到该第一实体信息时,赋予该第一实体信息默认权重值。根据文本实体库获取该新待检测文本的第二实体信息,以及该第二实体信息关联的标准权重值;根据该标准权重值和默认权重值,即可确定该新待检测文本对应的目标实体信息。
本实施例提出的意图实体信息抽取装置,实现了对文本意图和实体信息的准确抽取,提高了文本意图和实体信息抽取的准确率,并且降低了模型处理的响应时长,提高了文本意图和实体信息的识别效率。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是,图中仅示出了具有组件61-63的计算机设备6,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备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。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器61可以是所述计算机设备6的内部存储单元,例如该计算机设备6的硬盘或内存。在另一些实施例中,所述存储器61也可以是所述计算机设备6的外部存储设备,例如该计算机设备6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(FlashCard)等。当然,所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中,所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件,例如意图实体信息抽取方法的计算机可读指令等。此外,所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中,所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据,例如运行所述意图实体信息抽取方法的计算机可读指令。
所述网络接口63可包括无线网络接口或有线网络接口,该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本实施例提出的计算机设备,实现了对文本意图和实体信息的准确抽取,提高了文本意图和实体信息抽取的准确率,并且降低了模型处理的响应时长,提高了文本意图和实体信息的识别效率。
本申请还提供了另一种实施方式,即提供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可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的意图实体信息抽取方法的步骤。
本实施例提出的计算机可读存储介质,实现了对文本意图和实体信息的准确抽取,提高了文本意图和实体信息抽取的准确率,并且降低了模型处理的响应时长,提高了文本意图和实体信息的识别效率。
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。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。