CN112507712B - 建立槽位识别模型与槽位识别的方法、装置 - Google Patents

建立槽位识别模型与槽位识别的方法、装置 Download PDF

Info

Publication number
CN112507712B
CN112507712B CN202011459031.5A CN202011459031A CN112507712B CN 112507712 B CN112507712 B CN 112507712B CN 202011459031 A CN202011459031 A CN 202011459031A CN 112507712 B CN112507712 B CN 112507712B
Authority
CN
China
Prior art keywords
word
slot
text
result
training
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.)
Active
Application number
CN202011459031.5A
Other languages
English (en)
Other versions
CN112507712A (zh
Inventor
张红阳
郭洪杰
焦振宇
孙叔琦
常月
李婷婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011459031.5A priority Critical patent/CN112507712B/zh
Publication of CN112507712A publication Critical patent/CN112507712A/zh
Application granted granted Critical
Publication of CN112507712B publication Critical patent/CN112507712B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种建立槽位识别模型与槽位识别的方法、装置，涉及自然语言处理、深度学习领域。本申请在建立槽位识别模型时：获取训练数据；根据预设词表得到各训练文本中各词槽的第一槽位信息；确定各训练文本中各词槽的候选槽位信息；根据各训练文本的分词结果、各分词是否为词槽的二值结果、意图信息、各词槽的候选槽位信息与各词槽的槽位标注结果得到槽位识别模型。本申请在识别槽位时：获取待识别文本；根据预设词表得到待识别文本中的多个词槽以及各词槽的第一槽位信息；确定各词槽的候选槽位信息；将待识别文本的分词结果、各分词是否为词槽的二值结果、意图信息、各词槽的候选槽位信息输入槽位识别模型，得到待识别文本的槽位识别结果。

Description

建立槽位识别模型与槽位识别的方法、装置
技术领域
本申请涉及计算机技术领域，尤其涉及自然语言处理、深度学习技术领域中的一种建立槽位识别模型与槽位识别的方法、装置、电子设备和可读存储介质。
背景技术
在人机对话交互过程中，机器需要理解对话语句的语义。目前通常采用意图和槽位的结构化表示方法来表示用户对话的语义信息。基于神经网络模型进行分类和序列标注任务，可以实现对话语句的意图和槽位识别，得到一条对话的意图和槽位。
但是，现有技术中的神经网络模型需要大量的标注数据才能够较好地识别某个对话的槽位，若是所获取的标注数据较少，则训练神经网络模型得到的槽位识别模型的效果较差，从而导致槽位识别模型的训练成本较高、训练效率较低。
发明内容
本申请为解决技术问题所采用的技术方案是提供一种建立槽位识别模型的方法，包括：获取训练数据，所述训练数据中包含多个训练文本以及各训练文本中各词槽的槽位标注结果；根据预设词表，得到各训练文本中各词槽的第一槽位信息；从所述各训练文本中各词槽的第一槽位信息中确定各训练文本中各词槽的候选槽位信息；根据各训练文本的分词结果、各训练文本中各分词是否为词槽的二值结果、各训练文本的意图信息、各训练文本中各词槽的候选槽位信息与各训练文本中各词槽的槽位标注结果，训练神经网络模型，得到槽位识别模型。
本申请为解决技术问题所采用的技术方案是提供一种槽位识别的方法，包括：获取待识别文本；根据预设词表，得到所述待识别文本中的多个词槽以及各词槽的第一槽位信息；从各词槽的第一槽位信息中确定各词槽的候选槽位信息；将所述待识别文本的分词结果、所述待识别文本中各分词是否为词槽的二值结果、所述待识别文本的意图信息、所述待识别文本中各词槽的候选槽位信息作为槽位识别模型的输入，根据所述槽位识别模型的输出结果得到所述待识别文本的槽位识别结果
本申请为解决技术问题所采用的技术方案是提供一种建立槽位识别模型的装置，包括：第一获取单元，用于获取训练数据，所述训练数据中包含多个训练文本以及各训练文本中各词槽的槽位标注结果；第一处理单元，用于根据预设词表，得到各训练文本中各词槽的第一槽位信息；第一确定单元，用于从所述各训练文本中各词槽的第一槽位信息中确定各训练文本中各词槽的候选槽位信息；训练单元，用于根据各训练文本的分词结果、各训练文本中各分词是否为词槽的二值结果、各训练文本的意图信息、各训练文本中各词槽的候选槽位信息与各训练文本中各词槽的槽位标注结果，训练神经网络模型，得到槽位识别模型。
本申请为解决技术问题所采用的技术方案是提供一种槽位识别的装置，包括：第二获取单元，用于获取待识别文本；第二处理单元，用于根据预设词表，得到所述待识别文本中的多个词槽以及各词槽的第一槽位信息；第二确定单元，用于从各词槽的第一槽位信息中确定各词槽的候选槽位信息；识别单元，用于将所述待识别文本的分词结果、所述待识别文本中各分词是否为词槽的二值结果、所述待识别文本的意图信息、所述待识别文本中各词槽的候选槽位信息作为槽位识别模型的输入，根据所述槽位识别模型的输出结果得到所述待识别文本的槽位识别结果
一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述方法。
一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述建立槽位识别模型的方法，或者，实现根据上述槽位识别的方法。
上述申请中的一个实施例具有如下优点或有益效果：本申请能够降低槽位识别模型的训练成本，提升槽位识别模型的训练效率。因为采用了通过结合训练文本中各词槽的候选槽位信息来训练神经网络模型，从而将槽位序列标注多分类的复杂问题变为一个给定候选槽位的排序问题，实现了降低训练成本、提升训练效率的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的示意图；
图2是根据本申请第二实施例的示意图；
图3是根据本申请第三实施例的示意图；
图4是根据本申请第四实施例的示意图；
图5是根据本申请第五实施例的示意图；
图6是用来实现本申请实施例的建立槽位识别模型与槽位识别的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请第一实施例的示意图。如图1中所示，本实施例的建立槽位识别模型的方法，具体可以包括如下步骤：
S101、获取训练数据，所述训练数据中包含多个训练文本以及各训练文本中各词槽的槽位标注结果；
S102、根据预设词表，得到各训练文本中各词槽的第一槽位信息；
S103、从所述各训练文本中各词槽的第一槽位信息中确定各训练文本中各词槽的候选槽位信息；
S104、根据各训练文本的分词结果、各训练文本中各分词是否为词槽的二值结果、各训练文本的意图信息、各训练文本中各词槽的候选槽位信息与各训练文本中各词槽的槽位标注结果，训练神经网络模型，得到槽位识别模型。
本实施例的建立槽位识别模型的方法，通过结合训练文本中各词槽的候选槽位信息来训练神经网络模型，从而将槽位序列标注多分类的复杂问题变为一个给定候选槽位的排序问题，极大地降低了神经网络模型处理问题的难度，提升了槽位识别模型的训练效率，且无需获取大量的标注数据，降低了槽位识别模型的训练成本。
本实施例执行S101获取的训练文本中的各词槽，具体为训练文本中能够与相应的槽位对应的字、词语或者短语，各训练文本中的词槽可以为一个，也可以为多个。举例来说，若训练文本为“从北京到上海”，则该训练文本中的词槽可以为“北京”与“上海”，其中词槽“北京”的槽位标注结果可以为“user_from”，词槽“上海”的槽位标注结果可以为“user_to”。
另外，本实施例在执行S101获取训练数据之后，还可以包含以下内容：针对每个训练文本，确定该训练文本中各词槽对应的预设词表；使用对应各词槽的预设词表中的内容来分别替换训练文本中的各词槽之后，将替换结果加入到训练数据中。
也就是说，本实施例还能够通过预设词表来扩充训练数据中训练文本的数量，仅改变训练文本中的各词槽，而不会改变训练文本中各词槽的槽位标注结果，从而增加训练文本的数量，提升神经网络模型的训练效果。
本实施例在执行S101获取了训练数据之后，执行S102根据预设词表，得到各训练文本中各词槽的第一槽位信息。
其中，本实施例执行S102时使用的预设词表是预先建立的，不同的预设词表对应不同的槽位，每个预设词表对应唯一的槽位，各预设词表中包含多个字、词语或者短语，不同的预设词表中可以包含相同的字、词语或者短语，即同一个字、词语或者短语可能位于多个预设词表中。
举例来说，与槽位“user_from”对应的预设词表中可以包含吉林、长春、吉林长春、北京等内容，与槽位“user_to”对应的预设词表中可以包含吉林、长春、吉林长春、北京等内容。
具体地，本实施例在执行S102根据预设词表，得到各训练文本中各词槽的第一槽位信息时，可以采用的可选实现方式为：确定各训练文本中各词槽位于的预设词表，即确定训练文本中各词槽出现在哪些预设词表；将与所确定的预设词表对应的槽位，作为各训练文本中各词槽的第一槽位信息。
也就是说，本实施例通过预先建立与槽位对应的预设词表的方式，根据词槽位于的预设词表，能够快速地得到训练文本中各词槽的第一槽位信息，提升了所得到的第一槽位信息的准确性。
举例来说，若训练文本中词槽“北京”位于预设词表1、预设词表2以及预设词表3中，若预设词表1对应的槽位为“user_from”、预设词表2对应的槽位为“user_to”、预设词表3对应的槽位为“user_poi”，则词槽“北京”的第一槽位信息为user_from、user_to与user_poi。
本实施例在执行S102得到各训练文本中各词槽的第一槽位信息之后，执行S103从所得到的各训练文本中各词槽的第一槽位信息中确定各训练文本中各词槽的候选槽位信息。
具体地，本实施例在执行S103从各训练文本中各词槽的第一槽位信息中确定各训练文本中各词槽的候选槽位信息时，可以采用的可选实现方式为：针对每个训练文本，确定该训练文本的意图信息；从该训练文本中各词槽的第一槽位信息中选取与所确定的意图信息相匹配的槽位，作为该训练文本中各词槽的候选槽位信息，其中，不同的意图信息会与不同的槽位类型相对应。
举例来说，若训练文本中词槽“北京”的第一槽位信息为user_from、user_to与user_poi，若训练文本的意图信息为ROUTE(即寻路意图)，对应ROUTE的槽位类型为user_from与user_to，则将第一槽位信息中的user_poi过滤，将user_from与user_to作为词槽“北京”的候选槽位信息。
也就是说，本实施例通过训练文本的意图信息来确定训练文本中各词槽的候选槽位信息，使得所确定的候选槽位信息与训练文本更加相关，能够提升所确定的候选槽位信息的准确性。
本实施例在执行S103确定了各训练文本中各词槽的候选槽位信息之后，执行S104根据各训练文本的分词结果、各训练文本中各分词是否为词槽的二值结果、各训练文本的意图信息、各训练文本中各词槽的候选槽位信息与各训练文本中各词槽的槽位标注结果，训练神经网络模型，得到槽位识别模型。
现有技术通常仅会通过带有槽位标注结果的训练文本来训练神经网络模型，因此需要获取大量的标注数据才能够完成槽位识别模型的建立。而本实施例由于结合了训练文本中各词槽的候选槽位信息，从而将神经网络模型的训练由槽位序列标注多分类的问题变为给定候选槽位的排序问题，降低了神经网络模型的训练难度，且使得神经网络模型的训练无需获取大量的标注数据，在小样本的情况下也能够训练得到槽位识别模型。
其中，本实施例中的训练文本中各分词是否为词槽的二值结果，具体为训练文本的分词结果中属于词槽的分词的二值结果为1，不属于词槽的分词的二值结果为0。
举例来说，若训练文本为“从吉林长春到上海”，训练文本的分词结果为“从”、“吉林长春”、“到”与“上海”，若该训练文本中的词槽为“吉林长春”与“上海”，则该训练文本中各分词是否为词槽的二值结果为“0101”，分词“从”与“到”的位置处为0，其他位置处为1。
具体地，本实施例在执行S104根据各训练文本的分词结果、各训练文本中各分词是否为词槽的二值结果、各训练文本的意图信息、各训练文本中各词槽的候选槽位信息与各训练文本中各词槽的槽位标注结果，训练神经网络模型，得到槽位识别模型时，可以采用的可选实现方式为：针对每个训练文本，将该训练文本的分词结果、该训练文本中各分词是否为词槽的二值结果、该训练文本的意图信息映射为向量，例如通过embedding的方式将上述内容分别映射为向量；根据各分词的向量与各分词是否为词槽的二值结果的向量之间的拼接向量，得到各分词的状态向量，例如将各分词的拼接向量输入到BiLSTM，BiLSTM使用该训练文本的意图信息的向量对各拼接向量进行计算，得到各分词的状态向量；根据该训练文本的意图信息的向量与各分词的状态向量进行注意力机制的计算，得到各属于词槽的分词的第一计算结果，该第一计算结果即为训练文本中各属于词槽的分词的注意力机制的计算结果；根据该训练文本的意图信息的向量对各属于词槽的分词的第一计算结果进行归一化，得到各属于词槽的分词的第二计算结果，该第二计算结果即为训练文本中各属于词槽的分词的归一化结果，例如将意图信息的向量与各属于词槽的分词的第一计算结果输入softmax层，将softmax层的输出结果作为各属于词槽的分词的第二计算结果；使用该训练文本中各词槽的候选槽位信息对各属于词槽的分词的第二计算结果进行过滤，将过滤结果作为该训练文本中各词槽的槽位预测结果；根据该训练文本中各词槽的槽位预测结果与该训练文本中各词槽的槽位标注结果计算损失函数，在确定计算得到的损失函数收敛的情况下，完成对神经网络模型的训练，得到槽位识别模型。
其中，本实施例在执行S104根据该训练文本的意图信息的向量与各分词的状态向量进行注意力机制的计算，得到各属于词槽的分词的第一计算结果时，可以采用的可选实现方式为：根据各属于词槽的分词的状态向量与该训练文本的意图信息的向量之间的拼接向量，得到各属于词槽的分词的查询向量，例如将拼接向量输入全连接层，将全连接层的输出结果作为查询向量；将各分词的状态向量作为键矩阵与值矩阵；根据各属于词槽的分词的查询向量、键矩阵、值矩阵与分词的数量进行注意力机制的计算，得到各属于词槽的分词的第一计算结果。
其中，本实施例执行S104时可以使用以下公式计算各属于词槽的分词的第一计算结果：
在公式中：Attention(Q,K,V)为属于词槽的分词的第一计算结果；Q为查询向量；K为键矩阵；V为值矩阵；dk为分词的数量。
另外，为了能够进一步提升神经网络模型的训练效率，本实施例在执行S104根据各分词的向量与各分词是否为词槽的二值结果的向量之间的拼接向量，得到各分词的状态向量时，可以采用的可选实现方式为：随机生成噪声向量；将所生成的噪声向量与各分词的向量相加之后，根据各分词的向量相加结果与各分词是否为词槽的二值结果的向量之间的拼接向量，得到各分词的状态向量。
也就是说，本实施例在进行神经网络模型的训练时，通过向分词的向量中添加噪声向量，从而干扰分词的语义，使得模型在识别分词的槽位时需要更多地关注分词的上下文信息，而不是仅关注分词本身，从而增强了槽位识别模型的识别能力，提升了槽位识别模型的识别准确性。
通过本实施例所提供的上述方法，通过结合训练文本中各词槽的候选槽位信息来训练神经网络模型，从而将槽位序列标注多分类的复杂问题变为一个给定候选槽位的排序问题，极大地降低了神经网络模型处理问题的难度，提升了槽位识别模型的训练效率，且无需获取大量的标注数据，在小样本的情况下也能够训练得到效果较好的槽位识别模型。
图2是根据本申请第二实施例的示意图。如图2中所示，本实施例的槽位识别的方法，具体可以包括如下步骤：
S201、获取待识别文本；
S202、根据预设词表，得到所述待识别文本中的多个词槽以及各词槽的第一槽位信息；
S203、从各词槽的第一槽位信息中确定各词槽的候选槽位信息；
S204、将所述待识别文本的分词结果、所述待识别文本中各分词是否为词槽的二值结果、所述待识别文本的意图信息、所述待识别文本中各词槽的候选槽位信息作为槽位识别模型的输入，根据所述槽位识别模型的输出结果得到所述待识别文本的槽位识别结果。
本实施例的槽位识别的方法，通过“候选+识别”两个阶段来实现对于待识别文本的槽位识别，通过获取待识别文本中的词槽及其对应的候选槽位信息，使得槽位识别模型能够更加快速地完成槽位识别，且提升了所得到的槽位识别结果的准确性。
本实施例在执行S202根据预设词表得到待识别文本中的多个词槽以及各词槽的第一槽位信息时，可以采用的可选实现方式为：对所获取的待识别文本进行分词，得到分词结果；将分词结果中位于预设词表中的分词作为待识别文本的词槽，并将各词槽位于的预设词表对应的槽位作为各词槽的第一槽位信息。
本实施例执行S202时所使用的预设词表与执行S102时所使用的预设词表相同，在此不进行赘述。
另外，本实施例在执行S202对所获取的待识别文本进行分词时，可以按照不同的分割粒度对待识别文本进行分词，得到对应不同分割粒度的分词结果，即本实施例可能会得到对应同一个文本的多个分词结果。若本实施例得到了多个分词结果，则可以分别根据各分词结果，确定待识别文本中的多个词槽以及各词槽的第一槽位信息。
举例来说，若待识别文本为“从吉林长春到上海”，则本实施例得到的分词结果可以为“从”、“吉林”、“长春”、“到”与“上海”，所得到的分词结果还可以为“从”、“吉林长春”、“到”与“上海”。
本实施例在执行S202得到待识别文本中的多个词槽以及各词槽的第一槽位信息之后，执行S203从各词槽的第一槽位信息中确定各词槽的候选槽位信息。
具体地，本实施例在执行S203从各词槽的第一槽位信息中确定各词槽的候选槽位信息时，可以采用的可选实现方式为：确定待识别文本的意图信息；从各词槽的第一槽位信息中选取与所确定的意图信息相匹配的槽位，作为各词槽的候选槽位信息，其中，不同的意图信息会与不同的槽位类型相对应。
本实施例在执行S203确定了各词槽的候选槽位信息之后，执行S204将待识别文本的分词结果、待识别文本中各分词是否为词槽的二值结果、待识别文本的意图信息、待识别文本中各词槽的候选槽位信息作为槽位识别模型的输入，根据槽位识别模型的输出结果得到待识别文本的槽位识别结果。
具体地，本实施例在执行S204将待识别文本的分词结果、待识别文本中各分词是否为词槽的二值结果、待识别文本的意图信息、待识别文本中各词槽的候选槽位信息作为槽位识别模型的输入，根据槽位识别模型的输出结果得到待识别文本的槽位识别结果时，可以采用的可选实现方式为：将待识别文本的分词结果、待识别文本中各分词是否为词槽的二值结果、待识别文本的意图信息映射为向量；根据各分词的向量与各分词是否为词槽的二值结果的向量之间的拼接向量，得到各分词的状态向量；根据待识别文本的意图信息的向量与各分词的状态向量进行注意力机制的计算，得到各属于词槽的分词的第一计算结果；根据待识别文本的意图信息的向量对各属于词槽的分词的第一计算结果进行归一化，得到各属于词槽的分词的第二计算结果；使用待识别文本中各词槽的候选槽位信息对各属于词槽的分词的第二计算结果进行过滤，根据槽位识别模型输出的过滤结果得到待识别文本中各词槽的槽位识别结果。
本实施例在执行S204得到待识别文本中各属于词槽的分词的第一计算结果、第二计算结果时的过程与执行S104得到训练文本中各属于词槽的分词的第一计算结果、第二计算结果时的过程相同，在此不进行赘述。
可以理解的是，若本实施例执行S202得到了待识别文本对应不同分割粒度的多个分词结果，则本实施例在执行S204根据槽位识别模型得到待识别文本的槽位识别结果时，可以采用的可选实现方式为：确定各分词结果的分割粒度得分；将分割粒度得分最高的分词结果对应的槽位识别结果，作为待识别文本的最终槽位识别结果。
其中，本实施例在执行S204确定各分词结果的分割粒度得分时，可以采用的可选实现方式为：根据各分词结果中位于首尾的两个分词的状态向量之间的拼接向量，得到各分词结果的分割粒度得分，例如使用sigmoid函数来计算各分词结果中位于首尾的两个分词的状态向量之间的拼接向量，将计算结果作为各分词结果的分割粒度得分。
举例来说，若分词结果为“从”、“吉林”、“长春”、“到”与“上海”的分割粒度得分为0.8，槽位识别结果为“吉林：user_from”、“吉林：user_from”与“上海：user_to”；若分词结果为“从”、“吉林长春”、“到”与“上海”的分割粒度得分为0.9，槽位识别结果为“吉林长春：user_from”与“上海：user_to”，则本实施例将“吉林长春：user_from”与“上海：user_to”作为待识别文本的最终槽位识别结果。
也就是说，本实施例在得到了多个分词结果的情况下，也能够根据各分词结果的分割粒度得分，来得到待识别文本的最终槽位识别结果，进一步提升了槽位识别的准确性。
图3是根据本申请第三实施例的示意图。图3中示出了本实施例在进行槽位识别时的流程图：
若待识别文本为“从吉林长春到上海”，分词结果为“从吉林长春到上海”，若待识别文本的意图信息为“ROUTE”；将各分词与各分词是否为词槽的二值结果进行拼接之后，输入槽位识别模型中的BiLSTM层，BiLSTM层根据意图信息计算得到各分词的状态向量，h1、h2、h3与h4分别为对应分词“从”、“吉林长春”、“到”与“上海”的状态向量；以属于词槽的分词“吉林长春”为例，将意图信息与各分词的状态向量输入注意力层(attention层)，得到属于词槽的分词“吉林长春”的第一计算结果；将意图信息与属于词槽的分词“吉林长春”的第一计算结果输入归一化层(softmax层)，得到属于词槽的分词“吉林长春”的第二计算结果(user_from为0.9，user_to为0.1)，若“吉林长春”的候选槽位信息为“user_from”与“user_to”，则将“user_from”作为“吉林长春”的槽位识别结果；本实施例还可以将分词结果位于首尾的两个分词的状态向量h1与h2输入sigmoid层，将sigmoid层的输出结果0.9作为该分词结果的分割粒度得分。
图4是根据本申请第四实施例的示意图。如图4中所示，本实施例的建立槽位识别模型的装置，包括：
第一获取单元401、用于获取训练数据，所述训练数据中包含多个训练文本以及各训练文本中各词槽的槽位标注结果；
第一处理单元402、用于根据预设词表，得到各训练文本中各词槽的第一槽位信息；
第一确定单元403、用于从所述各训练文本中各词槽的第一槽位信息中确定各训练文本中各词槽的候选槽位信息；
训练单元404、用于根据各训练文本的分词结果、各训练文本中各分词是否为词槽的二值结果、各训练文本的意图信息、各训练文本中各词槽的候选槽位信息与各训练文本中各词槽的槽位标注结果，训练神经网络模型，得到槽位识别模型。
第一获取单元401获取的训练文本中的各词槽，具体为训练文本中能够与相应的槽位对应的字、词语或者短语，各训练文本中的词槽可以为一个，也可以为多个。
另外，第一获取单元401在获取训练数据之后，还可以包含以下内容：针对每个训练文本，确定该训练文本中各词槽对应的预设词表；使用对应各词槽的预设词表中的内容来分别替换训练文本中的各词槽之后，将替换结果加入到训练数据中。
本实施例在由第一获取单元401获取了训练数据之后，由第一处理单元402根据预设词表，得到各训练文本中各词槽的第一槽位信息。
其中，第一处理单元402使用的预设词表是预先建立的，不同的预设词表对应不同的槽位，每个预设词表对应唯一的槽位，各预设词表中包含多个字、词语或者短语，不同的预设词表中可以包含相同的字、词语或者短语，即同一个字、词语或者短语可能位于多个预设词表中。
具体地，第一处理单元402在根据预设词表，得到各训练文本中各词槽的第一槽位信息时，可以采用的可选实现方式为：确定各训练文本中各词槽位于的预设词表；将与所确定的预设词表对应的槽位，作为各训练文本中各词槽的第一槽位信息。
本实施例在由第一处理单元402得到各训练文本中各词槽的第一槽位信息之后，由第一确定单元403从所得到的各训练文本中各词槽的第一槽位信息中确定各训练文本中各词槽的候选槽位信息。
具体地，第一确定单元403在从各训练文本中各词槽的第一槽位信息中确定各训练文本中各词槽的候选槽位信息时，可以采用的可选实现方式为：针对每个训练文本，确定该训练文本的意图信息；从该训练文本中各词槽的第一槽位信息中选取与所确定的意图信息相匹配的槽位，作为该训练文本中各词槽的候选槽位信息，其中，不同的意图信息会与不同的槽位类型相对应。
本实施例在由第一确定单元403确定了各训练文本中各词槽的候选槽位信息之后，由训练单元404根据各训练文本的分词结果、各训练文本中各分词是否为词槽的二值结果、各训练文本的意图信息、各训练文本中各词槽的候选槽位信息与各训练文本中各词槽的槽位标注结果，训练神经网络模型，得到槽位识别模型。
具体地，训练单元404在根据各训练文本的分词结果、各训练文本中各分词是否为词槽的二值结果、各训练文本的意图信息、各训练文本中各词槽的候选槽位信息与各训练文本中各词槽的槽位标注结果，训练神经网络模型，得到槽位识别模型时，可以采用的可选实现方式为：针对每个训练文本，将该训练文本的分词结果、该训练文本中各分词是否为词槽的二值结果、该训练文本的意图信息映射为向量；根据各分词的向量与各分词是否为词槽的二值结果的向量之间的拼接向量，得到各分词的状态向量；根据该训练文本的意图信息的向量与各分词的状态向量进行注意力机制的计算，得到各属于词槽的分词的第一计算结果；根据该训练文本的意图信息的向量对各属于词槽的分词的第一计算结果进行归一化，得到各属于词槽的分词的第二计算结果；使用该训练文本中各词槽的候选槽位信息对各属于词槽的分词的第二计算结果进行过滤，将过滤结果作为该训练文本中各词槽的槽位预测结果；根据该训练文本中各词槽的槽位预测结果与该训练文本中各词槽的槽位标注结果计算损失函数，在确定计算得到的损失函数收敛的情况下，完成对神经网络模型的训练，得到槽位识别模型。
其中，训练单元404在根据该训练文本的意图信息的向量与各分词的状态向量进行注意力机制的计算，得到各属于词槽的分词的第一计算结果时，可以采用的可选实现方式为：根据各属于词槽的分词的状态向量与该训练文本的意图信息的向量之间的拼接向量，得到各属于词槽的分词的查询向量；将各分词的状态向量作为键矩阵与值矩阵；根据各属于词槽的分词的查询向量、键矩阵、值矩阵与分词的数量进行注意力机制的计算，得到各属于词槽的分词的第一计算结果。
其中，训练单元404可以使用以下公式计算各属于词槽的分词的第一计算结果：
在公式中：Attention(Q,K,V)为属于词槽的分词的第一计算结果；Q为查询向量；K为键矩阵；V为值矩阵；dk为分词的数量。
另外，为了能够进一步提升神经网络模型的训练效率，训练单元404在根据各分词的向量与各分词是否为词槽的二值结果的向量之间的拼接向量，得到各分词的状态向量时，可以采用的可选实现方式为：随机生成噪声向量；将所生成的噪声向量与各分词的向量相加之后，根据各分词的向量相加结果与各分词是否为词槽的二值结果的向量之间的拼接向量，得到各分词的状态向量。
图5是根据本申请第五实施例的示意图。如图5中所示，本实施例的槽位识别的装置，包括：
第二获取单元501、用于获取待识别文本；
第二处理单元502、用于根据预设词表，得到所述待识别文本中的多个词槽以及各词槽的第一槽位信息；
第二确定单元503、用于从各词槽的第一槽位信息中确定各词槽的候选槽位信息；
识别单元504、用于将所述待识别文本的分词结果、所述待识别文本中各分词是否为词槽的二值结果、所述待识别文本的意图信息、所述待识别文本中各词槽的候选槽位信息作为槽位识别模型的输入，根据所述槽位识别模型的输出结果得到所述待识别文本的槽位识别结果。
第二处理单元502在根据预设词表得到待识别文本中的多个词槽以及各词槽的第一槽位信息时，可以采用的可选实现方式为：对所获取的待识别文本进行分词，得到分词结果；将分词结果中位于预设词表中的分词作为待识别文本的词槽，并将各词槽位于的预设词表对应的槽位作为各词槽的第一槽位信息。
第二处理单元502在对所获取的待识别文本进行分词时，可以按照不同的分割粒度对待识别文本进行分词，得到对应不同分割粒度的分词结果。若本实施例得到了多个分词结果，则第二处理单元502可以分别根据各分词结果，确定待识别文本中的多个词槽以及各词槽的第一槽位信息。
本实施例在由第二处理单元502得到待识别文本中的多个词槽以及各词槽的第一槽位信息之后，由第二确定单元503从各词槽的第一槽位信息中确定各词槽的候选槽位信息。
具体地，第二确定单元503在从各词槽的第一槽位信息中确定各词槽的候选槽位信息时，可以采用的可选实现方式为：确定待识别文本的意图信息；从各词槽的第一槽位信息中选取与所确定的意图信息相匹配的槽位，作为各词槽的候选槽位信息，其中，不同的意图信息会与不同的槽位类型相对应。
本实施例在由第二确定单元503确定了各词槽的候选槽位信息之后，由识别单元504将待识别文本的分词结果、待识别文本中各分词是否为词槽的二值结果、待识别文本的意图信息、待识别文本中各词槽的候选槽位信息作为槽位识别模型的输入，根据槽位识别模型的输出结果得到待识别文本的槽位识别结果。
具体地，识别单元504在将待识别文本的分词结果、待识别文本中各分词是否为词槽的二值结果、待识别文本的意图信息、待识别文本中各词槽的候选槽位信息作为槽位识别模型的输入，根据槽位识别模型的输出结果得到待识别文本的槽位识别结果时，可以采用的可选实现方式为：将待识别文本的分词结果、待识别文本中各分词是否为词槽的二值结果、待识别文本的意图信息映射为向量；根据各分词的向量与各分词是否为词槽的二值结果的向量之间的拼接向量，得到各分词的状态向量；根据待识别文本的意图信息的向量与各分词的状态向量进行注意力机制的计算，得到各属于词槽的分词的第一计算结果；根据待识别文本的意图信息的向量对各属于词槽的分词的第一计算结果进行归一化，得到各属于词槽的分词的第二计算结果；使用待识别文本中各词槽的候选槽位信息对各属于词槽的分词的第二计算结果进行过滤，根据槽位识别模型输出的过滤结果得到待识别文本中各词槽的槽位识别结果。
可以理解的是，若第二处理单元502得到了待识别文本对应不同分割粒度的多个分词结果，则识别单元504在根据槽位识别模型得到待识别文本的槽位识别结果时，可以采用的可选实现方式为：确定各分词结果的分割粒度得分；将分割粒度得分最高的分词结果对应的槽位识别结果，作为待识别文本的最终槽位识别结果。
其中，识别单元504在确定各分词结果的分割粒度得分时，可以采用的可选实现方式为：根据各分词结果中位于首尾的两个分词的状态向量之间的拼接向量，得到各分词结果的分割粒度得分。
根据本申请的实施例，本申请还提供了一种电子设备、一种计算机可读存储介质以及一种计算机程序产品。
图6示出了可以用来实施本申请的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如建立槽位识别模型的方法或者槽位识别的方法。例如，在一些实施例中，建立槽位识别模型的方法或者槽位识别的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM603并由计算单元601执行时，可以执行上文描述的建立槽位识别模型的方法或者槽位识别的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行建立槽位识别模型的方法或者槽位识别的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(“Virtual Private Server”，或简称“VPS”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (19)

1.一种建立槽位识别模型的方法，包括：
获取训练数据，所述训练数据中包含多个训练文本以及各训练文本中各词槽的槽位标注结果；
根据预设词表，得到各训练文本中各词槽的第一槽位信息；
从所述各训练文本中各词槽的第一槽位信息中确定各训练文本中各词槽的候选槽位信息；
根据各训练文本的分词结果、各训练文本中各分词是否为词槽的二值结果、各训练文本的意图信息、各训练文本中各词槽的候选槽位信息与各训练文本中各词槽的槽位标注结果，训练神经网络模型，得到槽位识别模型；
所述从所述各训练文本中各词槽的第一槽位信息中确定各训练文本中各词槽的候选槽位信息包括：
针对每个训练文本，确定该训练文本的意图信息；
从该训练文本中各词槽的第一槽位信息中选取与所确定的意图信息相匹配的槽位，作为该训练文本中各词槽的候选槽位信息。
2.根据权利要求1所述的方法，其中，所述根据预设词表，得到各训练文本中各词槽的第一槽位信息包括：
确定各训练文本中各词槽位于的预设词表；
将与所确定的预设词表对应的槽位，作为所述各训练文本中各词槽的第一槽位信息。
3.根据权利要求1所述的方法，其中，所述根据各训练文本的分词结果、各训练文本中各分词是否为词槽的二值结果、各训练文本的意图信息、各训练文本中各词槽的候选槽位信息与各训练文本中各词槽的槽位标注结果，训练神经网络模型，得到槽位识别模型包括：
针对每个训练文本，将该训练文本的分词结果、该训练文本中各分词是否为词槽的二值结果、该训练文本的意图信息映射为向量；
根据各分词的向量与各分词是否为词槽的二值结果的向量之间的拼接向量，得到各分词的状态向量；
根据该训练文本的意图信息的向量与各分词的状态向量进行注意力机制的计算，得到各属于词槽的分词的第一计算结果；
根据该训练文本的意图信息的向量对各属于词槽的分词的第一计算结果进行归一化，得到各属于词槽的分词的第二计算结果；
使用该训练文本中各词槽的候选槽位信息对各属于词槽的分词的第二计算结果进行过滤，将过滤结果作为该训练文本中各词槽的槽位预测结果；
根据该训练文本中各词槽的槽位预测结果与该训练文本中各词槽的槽位标注结果计算损失函数，在确定计算得到的损失函数收敛的情况下，完成对神经网络模型的训练，得到槽位识别模型。
4.根据权利要求3所述的方法，其中，所述根据该训练文本的意图信息的向量与各分词的状态向量进行注意力机制的计算，得到各属于词槽的分词的第一计算结果包括：
根据各属于词槽的分词的状态向量与该训练文本的意图信息的向量之间的拼接向量，得到各属于词槽的分词的查询向量；
将各分词的状态向量作为键矩阵与值矩阵；
根据各属于词槽的分词的查询向量、键矩阵、值矩阵与分词的数量进行注意力机制的计算，得到各属于词槽的分词的第一计算结果。
5.根据权利要求1所述的方法，还包括，
在获取训练数据之后，针对每个训练文本，确定该训练文本中各词槽对应的预设词表；
使用对应各词槽的预设词表中的内容来分别替换训练文本中的各词槽之后，将替换结果加入到所述训练数据中。
6.根据权利要求3所述的方法，其中，所述根据各分词的向量与各分词是否为词槽的二值结果的向量之间的拼接向量，得到各分词的状态向量包括：
随机生成噪声向量；
将所生成的噪声向量与各分词的向量相加之后，根据各分词的向量相加结果与各分词是否为词槽的二值结果的向量之间的拼接向量，得到各分词的状态向量。
7.一种槽位识别方法，包括：
获取待识别文本；
根据预设词表，得到所述待识别文本中的多个词槽以及各词槽的第一槽位信息；
从各词槽的第一槽位信息中确定各词槽的候选槽位信息；
将所述待识别文本的分词结果、所述待识别文本中各分词是否为词槽的二值结果、所述待识别文本的意图信息、所述待识别文本中各词槽的候选槽位信息作为槽位识别模型的输入，根据所述槽位识别模型的输出结果得到所述待识别文本的槽位识别结果；
所述槽位识别模型根据权利要求1至6中任一项预先训练得到。
8.根据权利要求7所述的方法，其中，所述根据预设词表，得到所述待识别文本中的多个词槽以及各词槽的第一槽位信息包括：
对所述待识别文本进行分词，得到分词结果；
将分词结果中位于预设词表中的分词作为所述待识别文本的词槽，并将各词槽位于的预设词表对应的槽位作为各词槽的第一槽位信息。
9.根据权利要求7所述的方法，其中，所述从各词槽的第一槽位信息中确定各词槽的候选槽位信息包括：
确定所述待识别文本的意图信息；
从各词槽的第一槽位信息中选取与所确定的意图信息相匹配的槽位，作为各词槽的候选槽位信息。
10.根据权利要求7所述的方法，其中，所述将所述待识别文本的分词结果、所述待识别文本中各分词是否为词槽的二值结果、所述待识别文本的意图信息、所述待识别文本中各词槽的候选槽位信息作为槽位识别模型的输入，根据所述槽位识别模型的输出结果得到所述待识别文本的槽位识别结果包括：
将待识别文本的分词结果、待识别文本中各分词是否为词槽的二值结果、待识别文本的意图信息映射为向量；
根据各分词的向量与各分词是否为词槽的二值结果的向量之间的拼接向量，得到各分词的状态向量；
根据待识别文本的意图信息的向量与各分词的状态向量进行注意力机制的计算，得到各属于词槽的分词的第一计算结果；
根据待识别文本的意图信息的向量对各属于词槽的分词的第一计算结果进行归一化，得到各属于词槽的分词的第二计算结果；
使用待识别文本中各词槽的候选槽位信息对各属于词槽的分词的第二计算结果进行过滤，根据槽位识别模型输出的过滤结果得到待识别文本中各词槽的槽位识别结果。
11.根据权利要求10所述的方法，其中，所述根据所述槽位识别模型的输出结果得到所述待识别文本的槽位识别结果包括：
确定各分词结果的分割粒度得分；
将分割粒度得分最高的分词结果对应的槽位识别结果，作为所述待识别文本的最终槽位识别结果。
12.根据权利要求11所述的方法，其中，所述确定各分词结果的分割粒度得分包括：
根据各分词结果中位于首尾的两个分词的状态向量之间的拼接向量，得到各分词结果的分割粒度得分。
13.一种建立槽位识别模型的装置，包括：
第一获取单元，用于获取训练数据，所述训练数据中包含多个训练文本以及各训练文本中各词槽的槽位标注结果；
第一处理单元，用于根据预设词表，得到各训练文本中各词槽的第一槽位信息；
第一确定单元，用于从所述各训练文本中各词槽的第一槽位信息中确定各训练文本中各词槽的候选槽位信息；
训练单元，用于根据各训练文本的分词结果、各训练文本中各分词是否为词槽的二值结果、各训练文本的意图信息、各训练文本中各词槽的候选槽位信息与各训练文本中各词槽的槽位标注结果，训练神经网络模型，得到槽位识别模型；
所述第一确定单元在从所述各训练文本中各词槽的第一槽位信息中确定各训练文本中各词槽的候选槽位信息时，具体执行：
针对每个训练文本，确定该训练文本的意图信息；
从该训练文本中各词槽的第一槽位信息中选取与所确定的意图信息相匹配的槽位，作为该训练文本中各词槽的候选槽位信息。
14.根据权利要求13所述的装置，其中，所述训练单元在根据各训练文本的分词结果、各训练文本中各分词是否为词槽的二值结果、各训练文本的意图信息、各训练文本中各词槽的候选槽位信息与各训练文本中各词槽的槽位标注结果，训练神经网络模型，得到槽位识别模型时，具体执行：
针对每个训练文本，将该训练文本的分词结果、该训练文本中各分词是否为词槽的二值结果、该训练文本的意图信息映射为向量；
根据各分词的向量与各分词是否为词槽的二值结果的向量之间的拼接向量，得到各分词的状态向量；
根据该训练文本的意图信息的向量与各分词的状态向量进行注意力机制的计算，得到各属于词槽的分词的第一计算结果；
根据该训练文本的意图信息的向量对各属于词槽的分词的第一计算结果进行归一化，得到各属于词槽的分词的第二计算结果；
使用该训练文本中各词槽的候选槽位信息对各属于词槽的分词的第二计算结果进行过滤，将过滤结果作为该训练文本中各词槽的槽位预测结果；
根据该训练文本中各词槽的槽位预测结果与该训练文本中各词槽的槽位标注结果计算损失函数，在确定计算得到的损失函数收敛的情况下，完成对神经网络模型的训练，得到槽位识别模型。
15.一种槽位识别装置，包括：
第二获取单元，用于获取待识别文本；
第二处理单元，用于根据预设词表，得到所述待识别文本中的多个词槽以及各词槽的第一槽位信息；
第二确定单元，用于从各词槽的第一槽位信息中确定各词槽的候选槽位信息；
识别单元，用于将所述待识别文本的分词结果、所述待识别文本中各分词是否为词槽的二值结果、所述待识别文本的意图信息、所述待识别文本中各词槽的候选槽位信息作为槽位识别模型的输入，根据所述槽位识别模型的输出结果得到所述待识别文本的槽位识别结果；
所述槽位识别模型根据权利要求13至14中任一项预先训练得到。
16.根据权利要求15所述的装置，其中，所述识别单元在将所述待识别文本的分词结果、所述待识别文本中各分词是否为词槽的二值结果、所述待识别文本的意图信息、所述待识别文本中各词槽的候选槽位信息作为槽位识别模型的输入，根据所述槽位识别模型的输出结果得到所述待识别文本的槽位识别结果时，具体执行：
将待识别文本的分词结果、待识别文本中各分词是否为词槽的二值结果、待识别文本的意图信息映射为向量；
根据各分词的向量与各分词是否为词槽的二值结果的向量之间的拼接向量，得到各分词的状态向量；
根据待识别文本的意图信息的向量与各分词的状态向量进行注意力机制的计算，得到各属于词槽的分词的第一计算结果；
根据待识别文本的意图信息的向量对各属于词槽的分词的第一计算结果进行归一化，得到各属于词槽的分词的第二计算结果；
使用待识别文本中各词槽的候选槽位信息对各属于词槽的分词的第二计算结果进行过滤，根据槽位识别模型输出的过滤结果得到待识别文本中各词槽的槽位识别结果。
17.根据权利要求15所述的装置，其中，所述识别单元在根据所述槽位识别模型的输出结果得到所述待识别文本的槽位识别结果时，具体执行：
确定各分词结果的分割粒度得分；
将分割粒度得分最高的分词结果对应的槽位识别结果，作为所述待识别文本的最终槽位识别结果。
18.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-12中任一项所述的方法。
CN202011459031.5A 2020-12-11 2020-12-11 建立槽位识别模型与槽位识别的方法、装置 Active CN112507712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011459031.5A CN112507712B (zh) 2020-12-11 2020-12-11 建立槽位识别模型与槽位识别的方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011459031.5A CN112507712B (zh) 2020-12-11 2020-12-11 建立槽位识别模型与槽位识别的方法、装置

Publications (2)

Publication Number Publication Date
CN112507712A CN112507712A (zh) 2021-03-16
CN112507712B true CN112507712B (zh) 2024-01-26

Family

ID=74973827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011459031.5A Active CN112507712B (zh) 2020-12-11 2020-12-11 建立槽位识别模型与槽位识别的方法、装置

Country Status (1)

Country Link
CN (1) CN112507712B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111026842A (zh) * 2019-11-29 2020-04-17 微民保险代理有限公司 自然语言处理方法、自然语言处理装置及智能问答系统
WO2020107765A1 (zh) * 2018-11-30 2020-06-04 深圳前海微众银行股份有限公司 语句分析处理方法、装置、设备以及计算机可读存储介质
CN111309915A (zh) * 2020-03-03 2020-06-19 爱驰汽车有限公司 联合学习的自然语言训练方法、系统、设备及存储介质
CN111581968A (zh) * 2020-05-07 2020-08-25 携程计算机技术（上海）有限公司 口语理解模型的训练方法、识别方法、系统、设备及介质
CN111681647A (zh) * 2020-06-10 2020-09-18 北京百度网讯科技有限公司 用于识别词槽的方法、装置、设备以及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020107765A1 (zh) * 2018-11-30 2020-06-04 深圳前海微众银行股份有限公司 语句分析处理方法、装置、设备以及计算机可读存储介质
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
CN111026842A (zh) * 2019-11-29 2020-04-17 微民保险代理有限公司 自然语言处理方法、自然语言处理装置及智能问答系统
CN111309915A (zh) * 2020-03-03 2020-06-19 爱驰汽车有限公司 联合学习的自然语言训练方法、系统、设备及存储介质
CN111581968A (zh) * 2020-05-07 2020-08-25 携程计算机技术（上海）有限公司 口语理解模型的训练方法、识别方法、系统、设备及介质
CN111681647A (zh) * 2020-06-10 2020-09-18 北京百度网讯科技有限公司 用于识别词槽的方法、装置、设备以及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于BERT-BiLSTM-CRF模型的中文实体识别;谢腾;杨俊安;刘辉;;计算机系统应用(07);全文 *

Also Published As

Publication number Publication date
CN112507712A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112926306B (zh) 文本纠错方法、装置、设备以及存储介质
CN112466288A (zh) 语音识别方法、装置、电子设备及存储介质
CN113407698B (zh) 意图识别模型的训练与意图识别的方法、装置
CN113553412B (zh) 问答处理方法、装置、电子设备和存储介质
CN113407610B (zh) 信息抽取方法、装置、电子设备和可读存储介质
CN114490998A (zh) 文本信息的抽取方法、装置、电子设备和存储介质
CN114416976A (zh) 文本标注方法、装置及电子设备
CN113408273B (zh) 文本实体识别模型的训练与文本实体识别方法、装置
CN112699237B (zh) 标签确定方法、设备和存储介质
CN111368066A (zh) 获取对话摘要的方法、装置和计算机可读存储介质
CN116662484A (zh) 一种文本正则化方法、装置、设备以及存储介质
CN114758649B (zh) 一种语音识别方法、装置、设备和介质
CN112507712B (zh) 建立槽位识别模型与槽位识别的方法、装置
CN114090885B (zh) 产品标题核心词提取方法、相关装置及计算机程序产品
CN113204616B (zh) 文本抽取模型的训练与文本抽取的方法、装置
CN112541557B (zh) 生成式对抗网络的训练方法、装置及电子设备
CN114549695A (zh) 图像生成方法、装置、电子设备及可读存储介质
CN114067805A (zh) 声纹识别模型的训练与声纹识别方法及装置
CN114119972A (zh) 模型获取及对象处理方法、装置、电子设备及存储介质
CN112966513A (zh) 用于实体链接的方法和装置
CN112580620A (zh) 标志图片处理方法、装置、设备和介质
CN113032540B (zh) 人机交互方法、装置、设备和存储介质
CN116244413B (zh) 新意图确定方法、设备和存储介质
CN112560481B (zh) 语句处理方法、设备和存储介质
CN116069914B (zh) 训练数据的生成方法、模型训练方法以及装置

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