CN112560505A - 一种对话意图的识别方法、装置、电子设备及存储介质 - Google Patents

一种对话意图的识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112560505A
CN112560505A CN202011449389.XA CN202011449389A CN112560505A CN 112560505 A CN112560505 A CN 112560505A CN 202011449389 A CN202011449389 A CN 202011449389A CN 112560505 A CN112560505 A CN 112560505A
Authority
CN
China
Prior art keywords
sentence
support
sample
word
vector
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
Application number
CN202011449389.XA
Other languages
English (en)
Inventor
郭洪杰
张红阳
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 CN202011449389.XA priority Critical patent/CN112560505A/zh
Publication of CN112560505A publication Critical patent/CN112560505A/zh
Priority to JP2021145446A priority patent/JP7309798B2/ja
Priority to US17/476,177 priority patent/US20220044081A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/26—Techniques for post-processing, e.g. correcting the recognition result
    • G06V30/262—Techniques for post-processing, e.g. correcting the recognition result using context analysis, e.g. lexical, syntactic or semantic context
    • G06V30/274—Syntactic or semantic context, e.g. balancing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/19007—Matching; Proximity measures
    • G06V30/19093—Proximity measures, i.e. similarity or distance measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • 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
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • 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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1822—Parsing for meaning understanding

Landscapes

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

Abstract

本申请公开了一种对话意图的识别方法、装置、电子设备及存储装置，涉及人工智能、深度学习等机器学习技术领域。该方案为：获取待预测意图类别的样本句子和多个已标注意图类别的支撑句子；将样本句子和支撑句子输入至预先训练好的意图识别模型中，意图识别模型根据样本句子和支撑句子生成样本句子对应的样本句子向量和支撑句子对应的类别向量，计算样本句子向量和类别向量之间的匹配度，根据多个匹配度得到样本句子的预测意图类别。本申请结合小样本学习技术，降低了意图识别模型对支撑句子规模的依赖程度，避免了基于少量支撑句子进行识别时导致的过拟合现象，确保了对话意图识别结果的准确率，提高了对话意图的识别过程中的可靠性。

Description

一种对话意图的识别方法、装置、电子设备及存储介质
技术领域
本申请的实施例总体上涉及数据处理技术领域，并且更具体地涉及人工智能、深度学习等机器学习技术领域。
背景技术
近年来，随着对话领域相关技术的兴起，对话意图的识别也逐渐成为了重要的研究方向之一。在对话意图的识别过程中，通常依赖标注数据作为对话意图识别的基础。
然而，现有技术中的对话意图的识别方法，特别是在真实的对话场景的冷启动阶段中，由于标注数据规模极小，势必会因极易产生过拟合(Overfitting)现象导致对话意图的识别结果准确率极低。因此，如何提高对话意图的识别结果的准确率，已成为了重要的研究方向之一。
发明内容
本申请提供了一种对话意图的识别方法、装置、电子设备及存储介质。
根据第一方面，提供了一种对话意图的识别方法，包括：
获取待预测意图类别的样本句子和多个已标注意图类别的支撑句子；
将所述样本句子和所述支撑句子输入至预先训练好的意图识别模型中，所述意图识别模型根据所述样本句子和所述支撑句子生成所述样本句子对应的样本句子向量和所述支撑句子对应的类别向量，计算所述样本句子向量和所述类别向量之间的匹配度，根据多个所述匹配度得到所述样本句子的预测意图类别。
根据第二方面，提供了一种对话意图的识别装置，包括：
获取模块，用于获取待预测意图类别的样本句子和多个已标注意图类别的支撑句子；
生成模块，用于将所述样本句子和所述支撑句子输入至预先训练好的意图识别模型中，所述意图识别模型根据所述样本句子和所述支撑句子生成所述样本句子对应的样本句子向量和所述支撑句子对应的类别向量，计算所述样本句子向量和所述类别向量之间的匹配度，根据多个所述匹配度得到所述样本句子的预测意图类别。
根据第三方面，提供了一种电子设备，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本申请第一方面所述的对话意图的识别方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请第一方面所述的对话意图的识别方法。
根据第五方面，提供了一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现本申请第一方面所述的对话意图的识别方法的步骤。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
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是一种支撑句子分为多个不同类别的示意图；
图3是根据本申请第二实施例的示意图；
图4是一种特征提取处理过程的示意图；
图5是根据本申请第三实施例的示意图；
图6是根据本申请第四实施例的示意图；
图7是根据本申请第五实施例的示意图；
图8是一种生成样本词向量序列过程的示意图；
图9是根据本申请第六实施例的示意图；
图10是根据本申请第七实施例的示意图；
图11是根据本申请第八实施例的示意图；
图12是根据本申请第九实施例的示意图；
图13是一种获取类别向量过程的示意图；
图14是一种对向量对进行打分过程的示意图；
图15是根据本申请第九实施例的示意图；
图16是用来实现本申请实施例的对话意图的识别方法的对话意图的识别装置的框图；
图17是用来实现本申请实施例的对话意图的识别方法的对话意图的识别装置的框图；
图18是用来实现本申请实施例的对话意图的识别的电子设备的框图。
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。
以下对本申请的方案涉及的技术领域进行简要说明：
AI(Artificial Intelligence，人工智能)，是研究使计算机来模拟人生的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术，也有软件层面的技术。人工智能硬件技术一般包括计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图谱技术等几大方面。
DL(Deep Learning，深度学习)，是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
ML(Machine Learning，机器学习)，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。
下面参考附图描述本申请实施例的对话意图的识别方法、装置、电子设备及存储介质。
图1是根据本申请第一实施例的示意图。其中，需要说明的是，本申请实施例的对话意图的识别方法的执行主体为对话意图的识别装置，对话意图的识别装置具体可以为硬件设备，或者硬件设备中的软件等。其中，硬件设备例如终端设备、服务器等。如图1所示，本实施例提出的对话意图的识别方法，包括如下步骤：
S101、获取待预测意图类别的样本句子和多个已标注意图类别的支撑句子。
本申请实施例中，可以通过判断待预测意图类别的样本句子是否属于已有的某个对话意图的过程，实现对话意图的识别。即言，可以通过判断待预测意图类别的样本句子是否属于其中一个已标注意图类别的支撑句子的过程，实现对话意图的识别。
其中，待预测意图类别的样本句子，可以为输入的任一未标注意图类别的句子。
其中，已标注意图类别的支撑句子，可以为携带有意图类别标注的任一句子。需要说明的是，如图2所示，支撑句子可以按照已有的标签分为多个不同类别。
S102、将样本句子和支撑句子输入至预先训练好的意图识别模型中，意图识别模型根据样本句子和支撑句子生成样本句子对应的样本句子向量和支撑句子对应的类别向量，计算样本句子向量和类别向量之间的匹配度，根据多个匹配度得到样本句子的预测意图类别。
需要说明的是，对话意图的识别，本质上是一个分类任务。常见的意图识别模型主要包括以下两类，一类是基于分类思想的意图识别模型，即将待预测意图类别的样本句子输入模型，模型直接给出样本句子对应的意图标签；另一类是基于匹配思想的意图识别模型，即将输入的样本句子与每一个已标注意图类别的支撑句子组成句子对(Pair Wise)，得到若干个句子对，然后将每个句子对输入意图识别模型中，模型可以给出句子对的匹配分数，并选择分数最高的句子对，进而将句子对中已标注意图类别的支撑句子对应的意图类别作为样本句子的预测意图类别。
然而，由于对大量句子进行标注耗时耗力，使得在对话意图的识别过程中，已标注意图类别的支撑句子通常为少量样本。即言，在对话意图的识别过程中，通常需要基于少量支撑句子，进行小样本学习(Few Shot Learning)。
现有技术中，小样本学习普遍存在“领域转移”(Domain Shift)的问题。当源领域和目标领域的数据分布较大差异时，无法将已经学到知识应用于新的领域，小样本学习的效果往往不佳。
由此，本申请中，为了缓解“领域转移”的问题、避免小样本学习导致过拟合(Overfitting)现象，进而降低对话意图的识别结果的准确率，本申请提出的对话意图的识别方式，能够将基于小样本的DL(Deep Learning，深度学习)技术应用于对话意图的识别中，降低基于匹配思想的意图识别模型对支撑句子规模的依赖程度。
其中，过拟合现象，指的是为了得到一致假设而使假设变得过度严格的现象。
本申请中提出的意图识别模型，区别于现有基于匹配思想的意图识别模型，构建了意图类别和待预测意图类别的样本句子的向量对，通过计算每个向量对的分数，并选择分数最高的意图类别，能够得到样本句子的预测意图类别。可选地，将获取到的样本句子和支撑句子作为输入，输入至预先训练好的意图识别模型中，可以得到样本句子的预测意图类别。
根据本申请实施例的对话意图的识别方法，可以通过获取待预测意图类别的样本句子和多个已标注意图类别的支撑句子，并将样本句子和支撑句子输入至预先训练好的意图识别模型中，意图识别模型根据样本句子和支撑句子生成样本句子对应的样本句子向量和支撑句子对应的类别向量，计算样本句子向量和类别向量之间的匹配度，进而根据多个匹配度得到样本句子的预测意图类别。由此，本申请结合小样本学习技术，降低了意图识别模型对支撑句子的规模的依赖程度，避免了少量已标注意图类别的支撑句子导致的过拟合现象，确保了对话意图识别结果的准确率，提升了快速进行对话意图识别的能力，提高了对话意图的识别过程中的可靠性和效率。
需要说明的是，本申请中，在试图根据样本句子和支撑句子生成支撑句子对应的类别向量时，可以结合特征提取、类别向量生成处理，生成支撑句子对应的类别向量。
图3是根据本申请第二实施例的示意图。如图3所示，在上一实施例的基础上，根据样本句子和支撑句子生成支撑句子对应的类别向量的过程，包括如下步骤：
S301、根据样本句子和支撑句子生成支撑句子对应的支撑句子向量。
需要说明的是，在ML(Machine Learning，机器学习)中，特征学习或表征学习是学习一个特征的技术的集合，即将原始数据转换成为能够被机器学习来有效开发的一种形式。本申请实施例中，结合应用了表征学习技术的特征提取处理，能够将自然语言文本进行序列化，然后经过深度网络模型，得到了文本的向量表示，即支撑句子对应的支撑句子向量。
如图4所示，特征提取处理主要包括输入层处理和表示层处理。
其中，输入层，由多种粒度的特征组成。输入层，包括分词、词性标注和命名实体识别，进而通过进行向量映射，可以得到混合特征的词向量。本申请实施例中，输入层使用了多种不同特征，能够为意图识别模型提供多种不同的先验信息。
其中，表示层，主要由句子编码器(Query Encoder)和多种注意力机制(AttentionMechanism)组成。本申请实施例中，句子编码器能够从句子的浅层语义特征中提取深层语义信息，以将句子进行向量化，得到句子向量。
需要说明的是，本申请中对于句子编码器的具体选型不作限定，可以根据实际情况进行设定。可选地，可以使用常见的基于LSTM(Long Short Term Memory，长短期记忆网络)的模型作为句子编码器。
S302、根据支撑句子向量生成支撑句子对应的类别向量。
需要说明的是，支撑句子可以按照已有的标签分为多个不同类别，每个类别有不确定数量的句子。类别向量，指的是由相同标签的特征向量组成的向量，可以使用特征向量的加权和进行表示。
根据本申请实施例的对话意图的识别方法，可以通过根据样本句子和支撑句子生成支撑句子对应的支撑句子向量，并根据支撑句子向量生成支撑句子对应的类别向量，使得基于多种注意力机制及先验的度量方法的引入，减缓了领域转移的问题，提高了意图识别模型在新领域数据上的效果，进一步提高了对话意图的识别过程中的可靠性和效率。
本申请实施例中，在根据样本句子和支撑句子生成支撑句子对应的支撑句子向量后，可以根据支撑句子向量，获取支撑句子对应的特征向量的加权和，以作为对应的类别向量。
作为一种可能的实现方式，如图5所示，在上一实施例的基础上，上述步骤S301中根据样本句子和支撑句子生成支撑句子对应的支撑句子向量的过程，包括如下步骤：
S501、根据样本句子生成对应的样本词向量序列。
可选地，可以通过对样本句子进行分词处理、词性标注以及命名实体识别，生成样本句子对应的样本词向量序列。
S502、根据支撑句子生成对应的支撑词向量序列。
可选地，可以通过对支撑句子进行分词处理、词性标注以及命名实体识别，生成支撑句子对应的支撑词向量序列。
S503、将样本词向量序列输入至时间循环神经网络序列模型中，得到样本句子中样本单词的输出隐状态。
本申请实施例中，可以将样本词向量序列作为输入，输入至时间循环神经网络序列模型中，例如LSTM模型，得到样本句子中样本单词的输出隐状态。
可选地，可以将样本词向量序列输入至LSTM模型中，通过将标准化处理后的样本词向量序列输入到隐藏层中，可以得到样本句子中样本单词的输出隐状态。
S504、将支撑词向量序列输入至时间循环神经网络序列模型中，得到支撑句子中支撑单词的输出隐状态。
本申请实施例中，可以将支撑词向量序列作为输入，输入至时间循环神经网络序列模型中，例如LSTM模型，得到支撑句子中支撑单词的输出隐状态。
可选地，可以将支撑词向量序列输入至LSTM模型中，通过将标准化处理后的支撑词向量序列输入到隐藏层中，可以得到支撑句子中支撑单词的输出隐状态。
S505、根据样本单词的输出隐状态和支撑单词的输出隐状态，生成支撑句子对应的输出向量序列。
本申请实施例中，可以将句间注意力机制(Inter Sentence AttentionMechanism)应用于样本句子和支撑句子之间，获取样本句子和支撑句子之间的影响。
举例而言，样本句子Q由q个单词组成，支撑句子S由s个单词组成。在经过LSTM后，样本句子Q的每个单词的输出隐状态为h_q,i,支撑句子S的每个单的输出隐状态为h_s,i。
可选地，可以基于余弦距离作为相似性公式，获取样本句子Q和支撑句子S中每个单词的输出隐状态的相似性，以得到一个q*s的相似性矩阵A。
进一步地，针对样本句子Q中的第i个单词的输出向量，以及支撑句子S中的第j个单词的输出向量，可以通过以下公式，生成样本句子对应的输出向量序列和支撑句子对应的输出向量序列：
Figure BDA0002826181180000071
其中，a_ij为样本句子Q的第i个单词和支撑句子S的第j个单词之间的输出隐状态相似度。
S506、根据支撑句子对应的输出向量序列生成支撑句子向量。
本申请实施例中，可以在表示层中引入基于统计的注意力机制(StatisticsAttention Mechanism)，并依次对支撑句子对应的输出向量序列进行加权，将序列向量转化为句子向量，以生成支撑句子向量。
作为一种可能的实现方式，如图6所示，在上一实施例的基础上，上述步骤S101中根据样本句子和支撑句子生成样本句子对应的样本句子向量的过程，包括如下步骤：
S601、根据样本句子生成对应的样本词向量序列。
S602、根据支撑句子生成对应的支撑词向量序列。
S603、将样本词向量序列输入至时间循环神经网络序列模型中，得到样本句子中样本单词的输出隐状态。
S604、将支撑词向量序列输入至时间循环神经网络序列模型中，得到支撑句子中支撑单词的输出隐状态。
S605、根据样本单词的输出隐状态和支撑单词的输出隐状态，生成支撑句子对应的输出向量序列。
该步骤S601～S605与上述实施例中的步骤S501～S505相同，此处不再赘述。
S606、根据样本句子对应的输出向量序列生成样本句子向量。
本申请实施例中，可以在表示层中引入基于统计的注意力机制，并依次对样本句子对应的输出向量序列进行加权，将序列向量转化为句子向量，以生成样本句子向量。
根据本申请实施例的对话意图的识别方法，可以通过根据样本句子生成对应的样本词向量序列并根据支撑句子生成对应的支撑词向量序列，然后将样本词向量序列输入至时间循环神经网络序列模型中，得到样本句子中样本单词的输出隐状态，将支撑词向量序列输入至时间循环神经网络序列模型中，得到支撑句子中支撑单词的输出隐状态，根据样本单词的输出隐状态和支撑单词的输出隐状态，生成样本句子对应的输出向量序列和支撑句子对应的输出向量序列，进而根据样本句子对应的输出向量序列生成样本句子向量并根据支撑句子对应的输出向量序列生成支撑句子向量，使得本申请分别对样本句子Q和支撑句子S的输出序列向量进行表示，在两个句子间加入了交互，融入了交互信息，进一步提高了对话意图的识别过程中的可靠性和效率。
需要说明的是，本申请中，输入层处理能够分别对输入的样本句子和支撑句子进行处理，以得到混合特征的词向量序列。
下面分别针对样本句子和支撑句子，对词向量序列的生成过程进行解释说明。
针对样本句子，作为一种可能的实现方式，如图7所示，在上一实施例的基础上，上述步骤S501中根据样本句子生成对应的样本词向量序列的过程，包括如下步骤：
S701、对样本句子进行分词处理，得到多个样本单词。
可选地，可以按照预先设定的预设分词处理规则，对样本句子进行分词处理，得到多个样本单词。其中，预设分词处理规则可以根据实际情况进行设定。其中，按照预先设定的预设分词处理规则对对样本句子进行分词处理的具体方式为现有技术，此处不再进行赘述。
举例而言，针对样本句子Q，可以按照预设分词规则，将样本句子Q分成q个单词。
S702、对样本单词进行词性标注，得到样本单词词性。
可选地，可以将样本单词输入预先训练好的词性标注模型中，以得到样本单词词性。其中，将样本单词输入预先训练好的词性标注模型中对样本单词进行词性标注的具体方式为现有技术，此处不再进行赘述。
S703、对样本单词进行命名实体识别，得到样本单词命名实体。
可选地，可以将样本单词输入预先训练好的命名实体识别模型中，以得到样本单词命名实体。其中，将样本单词输入预先训练好的样本单词命名实体模型中对样本单词进行样本单词命名实体的具体方式为现有技术，此处不再进行赘述。
S704、根据样本单词、样本单词词性和样本单词命名实体，生成样本句子对应的样本词向量序列。
需要说明的是，每个单词对应一个词向量，每个句子对应一个词向量序列。由此，本申请实施例中，如图8所示，在获取到样本单词、样本单词词性和样本单词命名实体后，可以根据样本单词、样本单词词性和样本单词命名实体，进行向量映射得到混合特征的样本句子对应的样本词向量序列。
针对支撑句子，作为一种可能的实现方式，如图9所示，在上一实施例的基础上，上述步骤S502中根据支撑句子生成对应的支撑词向量序列的过程，包括如下步骤：
S901、对支撑句子进行分词处理，得到多个支撑单词。
可选地，可以按照预先设定的预设分词处理规则，对支撑句子进行分词处理，得到多个支撑单词。其中，预设分词处理规则可以根据实际情况进行设定。其中，按照预先设定的预设分词处理规则对对支撑句子进行分词处理的具体方式为现有技术，此处不再进行赘述。
举例而言，针对支撑句子S，可以按照预设分词规则，将支撑句子S分成s个单词。
S902、对支撑单词进行词性标注，得到支撑单词词性。
可选地，可以将支撑单词输入预先训练好的词性标注模型中，以得到支撑单词词性。其中，将支撑单词输入预先训练好的词性标注模型中对支撑单词进行词性标注的具体方式为现有技术，此处不再进行赘述。
S903、对支撑单词进行命名实体识别，得到支撑单词命名实体。
可选地，可以将支撑单词输入预先训练好的命名实体识别模型中，以得到支撑单词命名实体。其中，将支撑单词输入预先训练好的样本单词命名实体模型中对支撑单词进行支撑单词命名实体的具体方式为现有技术，此处不再进行赘述。
S904、根据支撑单词、支撑单词词性和支撑单词命名实体，生成支撑句子对应的支撑词向量序列。
本申请实施例中，在获取到支撑单词、支撑单词词性和支撑单词命名实体后，可以根据支撑单词、支撑单词词性和支撑单词命名实体，进行向量映射得到混合特征的支撑句子对应的支撑词向量序列。
根据本申请实施例的对话意图的识别方法，可以通过对输入的样本句子和支撑句子，分别进行分词处理，对分词得到的每个单词进行词性标注和命名实体识别，进而将前述三种特征进行向量映射，能够得到混合特征的词向量序列。
需要说明的是，本申请中，可以基于统计的注意力机制，根据序列向量得到句子向量。
下面分别针对样本句子和支撑句子，对句子向量的生成过程进行解释说明。
针对样本句子，作为一种可能的实现方式，如图10所示，在上一实施例的基础上，上述步骤S606中根据样本句子对应的输出向量序列生成样本句子向量的过程，包括如下步骤：
S1001、获取样本句子中样本单词在语料库中的样本词频和样本逆文档频率。
本申请实施例中，可以对元训练阶段的大规模语料进行统计，以获取样本句子中样本单词在语料库中的样本词频(TF)和样本逆文档频率(IDF)。其中，TF指的是针对语料库的词频，而非针对文章的词频。
可选地，可以通过以下公式，用样本单词在语料库中出现的次数除以语料库的单词总数，以获取TF样本：
Figure BDA0002826181180000101
可选地，可以通过以下公式，将以10为底数的语料库中句子总数与语料库中出现该样本单词的句子数的商的对数，作为IDF样本：
Figure BDA0002826181180000102
S1002、根据样本词频和样本逆文档频率生成样本单词对应的输出向量的权重。
需要说明的是，根据重尾分布原则，在语料库中出现频率较少的单词，往往具有更大的信息熵，对语义影响更大；出现频率高的单词往往是虚词等无实际含义的类型，对语义影响较少。由此可知，单词在语料库中的TF越小，单词的影响越大。同理，如果一个单词在很多句子中出现，说明这个单词往往信息熵更大。由此可知，单词的文档频率越小，IDF越大，影响也越大。
本申请实施例中，可以通过采用全连接层处理，将统计信息TF样本和IDF样本进行了组合，得到了基于统计信息的样本单词对应的输出向量的权重，可选地，可以通过如下公式获取权重：
Importance样本＝tanh(W1*TF样本+W2*IDF样本+b)
其中，参数W1、W2和b均可以通过训练进行确定。
S1003、根据样本句子对应的输出向量序列中的输出向量和对应的权重，生成样本句子向量。
本申请实施例中，可以根据样本句子对应的输出向量序列中的输出向量和对应的权重，依次对序列进行加权，以生成样本句子向量。
针对支撑句子，作为一种可能的实现方式，如图11所示，在上一实施例的基础上，上述步骤S506中根据支撑句子对应的输出向量序列生成支撑句子向量的过程，包括如下步骤：
S1101、获取支撑句子中支撑单词在语料库中的支撑词频和支撑逆文档频率。
可选地，可以通过以下公式，用支撑单词在语料库中出现的次数除以语料库的单词总数，以获取TF支撑：
Figure BDA0002826181180000103
可选地，可以通过以下公式，将以10为底数的语料库中句子总数与语料库中出现该支撑单词的句子数的商的对数，作为IDF支撑：
Figure BDA0002826181180000111
S1102、根据支撑词频和支撑逆文档频率生成支撑单词对应的输出向量的权重。
本申请实施例中，可以通过采用全连接层处理，将统计信息TF支撑和IDF支撑进行了组合，得到了基于统计信息的支撑单词对应的输出向量的权重，可选地，可以通过如下公式获取权重：
Importance支撑＝tanh(W1*TF支撑+W2*IDF支撑+b)
S1103、根据支撑句子对应的输出向量序列中的输出向量和对应的权重，生成支撑句子向量。
本申请实施例中，可以根据支撑句子对应的输出向量序列中的输出向量和对应的权重，依次对序列进行加权，以生成支撑句子向量。
根据本申请实施例的对话意图的识别方法，可以通过计算样本句子的每个单词的TF、IDF，以及支撑句子的每个单词的TF、IDF，根据TF、IDF以及权重计算公式，得到序列向量对应的权重，进而依次对序列进行加权，能够分别得到样本句子和支撑句子的句子向量。由此，本申请采用基于统计的注意力机制，根据序列向量得到句子向量，融合了统计信息，从而能够更好地编码得到句子向量，进一步提高了对话意图的识别过程中的可靠性和效率。
进一步地，本申请中，在试图根据支撑句子向量生成支撑句子对应的类别向量时，可以根据同一标注意图类别的支撑句子向量生成该标注意图类别对应的类别向量。
作为一种可能的实现方式，如图12所示，在上一实施例的基础上，上述步骤S302中根据样本句子对应的输出向量序列生成样本句子向量的过程，包括如下步骤：
S1201、获取同一标注意图类别的支撑句子向量。
需要说明的是，由于数据按照标注意图可以分为多个标注意图类别，每个类别对应不确定数量的支撑句子。由此，本申请实施例中，在通过特征提取处理后，每一个句子得到一个对应的特征向量，此种情况下，可以获取同一标注意图类别的支撑句子向量。
S1202、根据同一标注意图类别的支撑句子向量生成该标注意图类别对应的类别向量。
本申请实施例中，类别向量生成过程中引入了注意力层，通过注意力层，可以得到每一个句子的特征向量的权重。如图13所示，通过计算输入样本与每一条类别样本向量之间的余弦相似度，可以得到每一条类别样本向量的权重。进一步地，根据同一标注意图类别的支撑句子向量的加权表示，可以获取该标注意图类别对应的类别向量。
根据本申请实施例的对话意图的识别方法，可以通过获取同一标注意图类别的支撑句子向量，并根据同一标注意图类别的支撑句子向量生成该标注意图类别对应的类别向量。由此，本申请在类别向量生成过程中引入了注意力层，通过相似度计算，能够准确地获取不同标注意图类别对应的类别向量，进一步提高了对话意图的识别过程中的可靠性和效率。
需要说明的是，本申请中，在试图根据多个匹配度得到样本句子的预测意图类别时，可以按照预先设定的确定策略，确定预测意图类别。其中，预先设定的确定策略可以根据实际情况进行设定。
作为一种可能的实现方式，可以通过对类别向量和样本句子的句子向量进行打分，以计算样本句子和支撑句子之间的匹配程度，进而将多个匹配度中最大匹配度对应的类别向量的标注意图类别，确定为样本句子的预测意图类别。
可选地，在得到类别向量和样本句子的句子向量后，可以获取每个向量对之间的打分，分值在0到1之间。每个任务中包含有n个标注意图类别的支撑句子。
进一步地，通过进行类别向量生成处理，可以得到n个类别向量，进而可以得到n个向量对，此种情况下，可以对每个向量对进行模型推理和打分，进而将多个匹配度中最大匹配度对应的类别向量的标注意图类别，确定为样本句子的预测意图类别。
需要说明的是，本申请中对于对向量对进行打分的具体方式不作限定，可以根据实际情况进行设定。
可选地，如图14所示，在试图对向量对进行打分时，可以采用4种相似度计算方式，并将前述4个相似度公式进行加权融合，以得到对向量对进行打分的结果。
下面分别很对4种相似度计算方式进行解释说明。
针对基于全连接层的相似度计算方式，可以将样本句子的句子向量和类别向量进行拼接，通过全连接层，并使用Sigmod激活函数，得到样本句子的句子向量和类别向量之间的相似度。
可选地，相似度S1可以通过以下公式进行获取：
S1＝Sigmod(W*Concat(Q，C))
其中，参数W可以通过训练进行确定、Q表示样本句子的句子向量、C表示类别向量。
针对基于余弦距离的相似度计算方式，可以使用余弦距离公式计算样本句子的句子向量和类别向量之间的相似度。
可选地，相似度S2可以通过以下公式进行获取：
Figure BDA0002826181180000131
针对基于欧式距离的相似度计算方式，可以使用欧式距离公式计算样本句子的句子向量和类别向量之间的相似度。同时,为了防止数值爆炸，可以加入激活函数对欧式距离值进行缩放。
可选地，相似度S3可以通过以下公式进行获取：
Figure BDA0002826181180000132
针对基于双线性层的相似度计算方式，可以引入中间的参数矩阵，使得样本句子的句子向量Q和类别向量S之间产出交互，从而得到相似性分数。
可选地，相似度S4可以通过以下公式进行获取：
S4＝Sigmod(Q*W*S)
进一步地，可以引入全连接层，并通过如下公式，对多个不同的相似度分数进行加权融合处理：
Figure BDA0002826181180000133
根据本申请实施例的对话意图的识别方法，可以通过对类别向量和样本句子的句子向量进行打分，以计算样本句子和支撑句子之间的匹配程度，进而将多个匹配度中最大匹配度对应的类别向量的标注意图类别，确定为样本句子的预测意图类别，确保了预测意图类别的准确率，进一步提高了对话意图的识别过程中的可靠性和效率。
需要说明的是，本申请中，意图识别模型是预先训练得到的。其中，在本申请的实施例中，如图15所示，可通过以下方式预先建立意图识别模型：
S1501、获取已标注意图类别的第一训练句子和多个第二训练句子。
其中，第一训练句子和第二训练句子可预先收集，以便后续进行模型的训练。其中，第二训练句子的数量可预先设定，例如获取100个第二训练句子。
S1502、将第一训练句子和第二训练句子输入至待训练的意图识别模型中，得到第一训练句子对应的预测意图类别。
本申请实施例中，可以将第一训练句子和第二训练句子作为输入，输入至待训练的意图识别模型中，模型可以输出第一训练句子对应的预测意图类别。
S1503、根据第一训练句子对应的预测意图类别和第一训练句子对应的标注意图类别的差异，调整待训练的意图识别模型中的模型参数，并返回获取已标注意图类别的第一训练句子和多个第二训练句子步骤，直至第一训练句子对应的预测意图类别和第一训练句子对应的标注意图类别的差异符合预设的训练结束条件，将最后一次调整模型参数后的待训练的意图识别模型确定为训练好的意图识别模型。
其中，预设的训练结束条件可以根据实际情况进行设定。
需要说明的是，在模型层面上，本申请中的意图识别模型中涉及到的训练句子和训练句子对应的预测意图类别是一个相对封闭的几何，只要前期数据准备足够充分，那训练句子和训练句子对应的预测意图类别集合就是一个相对完备的集合，保证训练句子和训练句子对应的预测意图类别的完备性；模型训练的可行性：模型中各个步骤的输入输出的物理含义和依赖关系明确，并且有大量成熟的方案可以建模这类依赖关系，因此模型是可训练且预期是能够收敛的。
与上述几种实施例提供的对话意图的识别方法相对应，本申请的一个实施例还提供一种对话意图的识别装置，由于本申请实施例提供的对话意图的识别装置与上述几种实施例提供的对话意图的识别方法相对应，因此在对话意图的识别方法的实施方式也适用于本实施例提供的对话意图的识别装置，在本实施例中不再详细描述。
图16是根据本申请一个实施例的对话意图的识别装置的结构示意图。
如图16所示，该对话意图的识别装置1600，包括：第一获取模块1610和生成模块1620。其中：
第一获取模块1610，用于获取待预测意图类别的样本句子和多个已标注意图类别的支撑句子；
生成模块1620，用于将所述样本句子和所述支撑句子输入至预先训练好的意图识别模型中，所述意图识别模型根据所述样本句子和所述支撑句子生成所述样本句子对应的样本句子向量和所述支撑句子对应的类别向量，计算所述样本句子向量和所述类别向量之间的匹配度，根据多个所述匹配度得到所述样本句子的预测意图类别。
图17是根据本申请另一个实施例的对话意图的识别装置的结构示意图。
如图17所示，该对话意图的识别装置1700，包括：第一获取模块1710和生成模块1720。其中生成模块1720，包括：
第一生成子模块1721，用于根据所述样本句子和所述支撑句子生成所述支撑句子对应的支撑句子向量；
第二生成子模块1722，用于根据所述支撑句子向量生成所述支撑句子对应的所述类别向量。
可选地，第一生成子模块1721，包括：
第一生成单元17211，用于根据所述样本句子生成对应的样本词向量序列；
第二生成单元17212，用于根据所述支撑句子生成对应的支撑词向量序列；
第一输入单元17213，用于将所述样本词向量序列输入至时间循环神经网络序列模型中，得到所述样本句子中样本单词的输出隐状态；
第二输入单元17214，用于将所述支撑词向量序列输入至所述时间循环神经网络序列模型中，得到所述支撑句子中支撑单词的输出隐状态；
第三生成单元17215，用于根据所述样本单词的输出隐状态和所述支撑单词的输出隐状态，生成所述支撑句子对应的输出向量序列；
第一输出单元17216，用于根据所述支撑句子对应的输出向量序列生成所述支撑句子向量。
可选地，生成模块1720还包括第三生成子模块1723，包括：
第四生成单元17231，用于根据所述样本句子生成对应的样本词向量序列；
第五生成单元17232，用于根据所述支撑句子生成对应的支撑词向量序列；
第三输入单元17233，用于将所述样本词向量序列输入至时间循环神经网络序列模型中，得到所述样本句子中样本单词的输出隐状态；
第四输入单元17234，用于将所述支撑词向量序列输入至所述时间循环神经网络序列模型中，得到所述支撑句子中支撑单词的输出隐状态；
第六生成单元17235，用于根据所述样本单词的输出隐状态和所述支撑单词的输出隐状态，生成所述样本句子对应的输出向量序列；
第二输出单元17236，用于根据所述样本句子对应的输出向量序列生成所述样本句子向量。
进一步地，第一生成单元17211和第四生成单元17231，还用于：
对所述样本句子进行分词处理，得到多个所述样本单词；
对所述样本单词进行词性标注，得到样本单词词性；
对所述样本单词进行命名实体识别，得到样本单词命名实体；
根据所述样本单词、所述样本单词词性和所述样本单词命名实体，生成所述样本句子对应的所述样本词向量序列。
进一步地，第二生成单元17212和第五生成单元17232，还用于：
对所述支撑句子进行分词处理，得到多个所述支撑单词；
对所述支撑单词进行词性标注，得到支撑单词词性；
对所述支撑单词进行命名实体识别，得到支撑单词命名实体；
根据所述支撑单词、所述支撑单词词性和所述支撑单词命名实体，生成所述支撑句子对应的所述支撑词向量序列。
进一步地，第二输出子单元17236，还用于：
获取所述样本句子中所述样本单词在语料库中的样本词频和样本逆文档频率；
根据所述样本词频和所述样本逆文档频率生成所述样本单词对应的输出向量的权重；
根据所述样本句子对应的输出向量序列中的输出向量和对应的权重，生成所述样本句子向量。
可选地，第一输出子单元17216，还用于：
获取所述支撑句子中所述支撑单词在语料库中的支撑词频和支撑逆文档频率；
根据所述支撑词频和所述支撑逆文档频率生成所述支撑单词对应的输出向量的权重；
根据所述支撑句子对应的输出向量序列中的输出向量和对应的权重，生成所述支撑句子向量。
进一步地，第二生成单元17212，包括：
第一获取子单元172121，用于获取同一标注意图类别的所述支撑句子向量；
第一生成子单元172122，用于根据同一标注意图类别的所述支撑句子向量生成该标注意图类别对应的所述类别向量。
进一步地，生成模块1720，还包括：
确定子模块1724，用于将多个所述匹配度中最大匹配度对应的所述类别向量的标注意图类别，确定为所述样本句子的预测意图类别。
进一步地，对话意图的识别装置1700，还包括：
第二获取模块1730，用于获取已标注意图类别的第一训练句子和多个第二训练句子；
输入模块1740，用于将所述第一训练句子和所述第二训练句子输入至待训练的意图识别模型中，得到所述第一训练句子对应的预测意图类别；
确定模块1750，用于根据所述第一训练句子对应的预测意图类别和所述第一训练句子对应的标注意图类别的差异，调整所述待训练的意图识别模型中的模型参数，并返回所述获取已标注意图类别的第一训练句子和多个第二训练句子步骤，直至所述第一训练句子对应的预测意图类别和所述第一训练句子对应的标注意图类别的差异符合预设的训练结束条件，将最后一次调整模型参数后的所述待训练的意图识别模型确定为所述训练好的意图识别模型。
需要说明的是，第一获取模块1710和生成模块1720与第一获取模块1610和生成模块1620具有相同功能和结构。
根据本申请实施例的对话意图的识别方法，可以通过获取待预测意图类别的样本句子和多个已标注意图类别的支撑句子，并将样本句子和支撑句子输入至预先训练好的意图识别模型中，意图识别模型根据样本句子和支撑句子生成样本句子对应的样本句子向量和支撑句子对应的类别向量，计算样本句子向量和类别向量之间的匹配度，进而根据多个匹配度得到样本句子的预测意图类别。由此，本申请结合小样本学习技术，降低了意图识别模型对支撑句子的规模的依赖程度，避免了少量已标注意图类别的支撑句子导致的过拟合现象，确保了对话意图识别结果的准确率，提升了快速进行对话意图识别的能力，提高了对话意图的识别过程中的可靠性和效率。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图18所示，是根据本申请实施例的对话意图的识别的电子设备的框图。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、个人数字助理、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，个人数字处理、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18所示，该电子设备包括：一个或多个处理器1810、存储器1820，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图18中以一个处理器1810为例。
存储器1820即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的对话意图的识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的对话意图的识别方法。
存储器1820作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的对话意图的识别方法对应的程序指令/模块(例如，附图16所示的第一获取模块1610和生成模块1620)。处理器1810通过运行存储在存储器1820中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的对话意图的识别方法。
存储器1820可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据定位电子设备的使用所创建的数据等。此外，存储器1820可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1820可选包括相对于处理器1810远程设置的存储器，这些远程存储器可以通过网络连接至定位电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
对话意图的识别的电子设备还可以包括：输入装置1830和输出装置1840。处理器1810、存储器1820、输入装置1830和输出装置1840可以通过总线或者其他方式连接，图18中以通过总线连接为例。
输入装置1830可接收输入的数字或字符信息，以及产生与定位电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1840可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处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、专用ASIC(专用集成电路)、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。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
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)、互联网以及区块链网络。
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。服务端可以是云服务器，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。
本申请还提供一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，实现如上所述的对话意图的识别方法。
根据本申请实施例的对话意图的识别方法，可以通过获取待预测意图类别的样本句子和多个已标注意图类别的支撑句子，并将样本句子和支撑句子输入至预先训练好的意图识别模型中，意图识别模型根据样本句子和支撑句子生成样本句子对应的样本句子向量和支撑句子对应的类别向量，计算样本句子向量和类别向量之间的匹配度，进而根据多个匹配度得到样本句子的预测意图类别。由此，本申请结合小样本学习技术，降低了意图识别模型对支撑句子的规模的依赖程度，避免了少量已标注意图类别的支撑句子导致的过拟合现象，确保了对话意图识别结果的准确率，提升了快速进行对话意图识别的能力，提高了对话意图的识别过程中的可靠性和效率。
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，本发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 (25)

1.一种对话意图的识别方法，包括：
获取待预测意图类别的样本句子和多个已标注意图类别的支撑句子；
将所述样本句子和所述支撑句子输入至预先训练好的意图识别模型中，所述意图识别模型根据所述样本句子和所述支撑句子生成所述样本句子对应的样本句子向量和所述支撑句子对应的类别向量，计算所述样本句子向量和所述类别向量之间的匹配度，根据多个所述匹配度得到所述样本句子的预测意图类别。
2.根据权利要求1所述的识别方法，根据所述样本句子和所述支撑句子生成所述支撑句子对应的类别向量，包括：
根据所述样本句子和所述支撑句子生成所述支撑句子对应的支撑句子向量；
根据所述支撑句子向量生成所述支撑句子对应的所述类别向量。
3.根据权利要求2所述的识别方法，所述根据所述样本句子和所述支撑句子生成所述支撑句子对应的支撑句子向量，包括：
根据所述样本句子生成对应的样本词向量序列；
根据所述支撑句子生成对应的支撑词向量序列；
将所述样本词向量序列输入至时间循环神经网络序列模型中，得到所述样本句子中样本单词的输出隐状态；
将所述支撑词向量序列输入至所述时间循环神经网络序列模型中，得到所述支撑句子中支撑单词的输出隐状态；
根据所述样本单词的输出隐状态和所述支撑单词的输出隐状态，生成所述支撑句子对应的输出向量序列；根据所述支撑句子对应的输出向量序列生成所述支撑句子向量。
4.根据权利要求1所述的识别方法，所述根据所述样本句子和所述支撑句子生成所述样本句子对应的样本句子向量，包括：
根据所述样本句子生成对应的样本词向量序列；
根据所述支撑句子生成对应的支撑词向量序列；
将所述样本词向量序列输入至时间循环神经网络序列模型中，得到所述样本句子中样本单词的输出隐状态；
将所述支撑词向量序列输入至所述时间循环神经网络序列模型中，得到所述支撑句子中支撑单词的输出隐状态；
根据所述样本单词的输出隐状态和所述支撑单词的输出隐状态，生成所述样本句子对应的输出向量序列；
根据所述样本句子对应的输出向量序列生成所述样本句子向量。
5.根据权利要求3-4所述的识别方法，所述根据所述样本句子生成对应的样本词向量序列，包括：
对所述样本句子进行分词处理，得到多个所述样本单词；
对所述样本单词进行词性标注，得到样本单词词性；
对所述样本单词进行命名实体识别，得到样本单词命名实体；
根据所述样本单词、所述样本单词词性和所述样本单词命名实体，生成所述样本句子对应的所述样本词向量序列。
6.根据权利要求3-4所述的识别方法，所述根据所述支撑句子生成对应的支撑词向量序列，包括：
对所述支撑句子进行分词处理，得到多个所述支撑单词；
对所述支撑单词进行词性标注，得到支撑单词词性；
对所述支撑单词进行命名实体识别，得到支撑单词命名实体；
根据所述支撑单词、所述支撑单词词性和所述支撑单词命名实体，生成所述支撑句子对应的所述支撑词向量序列。
7.根据权利要求4所述的识别方法，所述根据所述样本句子对应的输出向量序列生成所述样本句子向量，包括：
获取所述样本句子中所述样本单词在语料库中的样本词频和样本逆文档频率；
根据所述样本词频和所述样本逆文档频率生成所述样本单词对应的输出向量的权重；
根据所述样本句子对应的输出向量序列中的输出向量和对应的权重，生成所述样本句子向量。
8.根据权利要求3所述的识别方法，所述根据所述支撑句子对应的输出向量序列生成所述支撑句子向量，包括：
获取所述支撑句子中所述支撑单词在语料库中的支撑词频和支撑逆文档频率；
根据所述支撑词频和所述支撑逆文档频率生成所述支撑单词对应的输出向量的权重；
根据所述支撑句子对应的输出向量序列中的输出向量和对应的权重，生成所述支撑句子向量。
9.根据权利要求2所述的识别方法，所述根据所述支撑句子向量生成所述支撑句子对应的所述类别向量，包括：
获取同一标注意图类别的所述支撑句子向量；
根据同一标注意图类别的所述支撑句子向量生成该标注意图类别对应的所述类别向量。
10.根据权利要求1所述的识别方法，所述根据多个所述匹配度得到所述样本句子的预测意图类别，包括：
将多个所述匹配度中最大匹配度对应的所述类别向量的标注意图类别，确定为所述样本句子的预测意图类别。
11.根据权利要求1所述的识别方法，还包括：
获取已标注意图类别的第一训练句子和多个第二训练句子；
将所述第一训练句子和所述第二训练句子输入至待训练的意图识别模型中，得到所述第一训练句子对应的预测意图类别；
根据所述第一训练句子对应的预测意图类别和所述第一训练句子对应的标注意图类别的差异，调整所述待训练的意图识别模型中的模型参数，并返回所述获取已标注意图类别的第一训练句子和多个第二训练句子步骤，直至所述第一训练句子对应的预测意图类别和所述第一训练句子对应的标注意图类别的差异符合预设的训练结束条件，将最后一次调整模型参数后的所述待训练的意图识别模型确定为所述训练好的意图识别模型。
12.一种对话意图的识别装置，包括：
第一获取模块，用于获取待预测意图类别的样本句子和多个已标注意图类别的支撑句子；
生成模块，用于将所述样本句子和所述支撑句子输入至预先训练好的意图识别模型中，所述意图识别模型根据所述样本句子和所述支撑句子生成所述样本句子对应的样本句子向量和所述支撑句子对应的类别向量，计算所述样本句子向量和所述类别向量之间的匹配度，根据多个所述匹配度得到所述样本句子的预测意图类别。
13.根据权利要求12所述的识别装置，所述生成模块，包括：
第一生成子模块，用于根据所述样本句子和所述支撑句子生成所述支撑句子对应的支撑句子向量；
第二生成子模块，用于根据所述支撑句子向量生成所述支撑句子对应的所述类别向量。
14.根据权利要求13所述的识别装置，所述第一生成子模块，包括：
第一生成单元，用于根据所述样本句子生成对应的样本词向量序列；
第二生成单元，用于根据所述支撑句子生成对应的支撑词向量序列；
第一输入单元，用于将所述样本词向量序列输入至时间循环神经网络序列模型中，得到所述样本句子中样本单词的输出隐状态；
第二输入单元，用于将所述支撑词向量序列输入至所述时间循环神经网络序列模型中，得到所述支撑句子中支撑单词的输出隐状态；
第三生成单元，用于根据所述样本单词的输出隐状态和所述支撑单词的输出隐状态，生成所述支撑句子对应的输出向量序列；
第一输出单元，用于根据所述支撑句子对应的输出向量序列生成所述支撑句子向量。
15.根据权利要求12所述的识别装置，所述生成模块还包括第三生成子模块，包括：
第四生成单元，用于根据所述样本句子生成对应的样本词向量序列；
第五生成单元，用于根据所述支撑句子生成对应的支撑词向量序列；
第三输入单元，用于将所述样本词向量序列输入至时间循环神经网络序列模型中，得到所述样本句子中样本单词的输出隐状态；
第四输入单元，用于将所述支撑词向量序列输入至所述时间循环神经网络序列模型中，得到所述支撑句子中支撑单词的输出隐状态；
第六生成单元，用于根据所述样本单词的输出隐状态和所述支撑单词的输出隐状态，生成所述样本句子对应的输出向量序列；
第二输出单元，用于根据所述样本句子对应的输出向量序列生成所述样本句子向量。
16.根据权利要求14-15所述的识别装置，所述第一生成单元和所述第四生成单元，还用于：
对所述样本句子进行分词处理，得到多个所述样本单词；
对所述样本单词进行词性标注，得到样本单词词性；
对所述样本单词进行命名实体识别，得到样本单词命名实体；
根据所述样本单词、所述样本单词词性和所述样本单词命名实体，生成所述样本句子对应的所述样本词向量序列。
17.根据权利要求14-15所述的识别装置，所述第二生成单元和所述第五生成单元，还用于：
对所述支撑句子进行分词处理，得到多个所述支撑单词；
对所述支撑单词进行词性标注，得到支撑单词词性；
对所述支撑单词进行命名实体识别，得到支撑单词命名实体；
根据所述支撑单词、所述支撑单词词性和所述支撑单词命名实体，生成所述支撑句子对应的所述支撑词向量序列。
18.根据权利要求15所述的识别装置，所述第二输出单元，还用于：
获取所述样本句子中所述样本单词在语料库中的样本词频和样本逆文档频率；
根据所述样本词频和所述样本逆文档频率生成所述样本单词对应的输出向量的权重；
根据所述样本句子对应的输出向量序列中的输出向量和对应的权重，生成所述样本句子向量。
19.根据权利要求15所述的识别装置，所述第一输出单元，还用于：
获取所述支撑句子中所述支撑单词在语料库中的支撑词频和支撑逆文档频率；
根据所述支撑词频和所述支撑逆文档频率生成所述支撑单词对应的输出向量的权重；
根据所述支撑句子对应的输出向量序列中的输出向量和对应的权重，生成所述支撑句子向量。
20.根据权利要求14所述的识别装置，所述第二生成单元，包括：
第一获取子单元，用于获取同一标注意图类别的所述支撑句子向量；
第一生成子单元，用于根据同一标注意图类别的所述支撑句子向量生成该标注意图类别对应的所述类别向量。
21.根据权利要求12所述的识别装置，所述生成模块，还包括：
确定子模块，用于将多个所述匹配度中最大匹配度对应的所述类别向量的标注意图类别，确定为所述样本句子的预测意图类别。
22.根据权利要求12所述的识别装置，还包括：
第二获取模块，用于获取已标注意图类别的第一训练句子和多个第二训练句子；
输入模块，用于将所述第一训练句子和所述第二训练句子输入至待训练的意图识别模型中，得到所述第一训练句子对应的预测意图类别；
确定模块，用于根据所述第一训练句子对应的预测意图类别和所述第一训练句子对应的标注意图类别的差异，调整所述待训练的意图识别模型中的模型参数，并返回所述获取已标注意图类别的第一训练句子和多个第二训练句子步骤，直至所述第一训练句子对应的预测意图类别和所述第一训练句子对应的标注意图类别的差异符合预设的训练结束条件，将最后一次调整模型参数后的所述待训练的意图识别模型确定为所述训练好的意图识别模型。
23.一种电子设备，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1-11中任一项所述的对话意图的识别方法。
24.一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1-11中任一项所述的对话意图的识别方法。
25.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-11任一项所述方法的步骤。
CN202011449389.XA 2020-12-09 2020-12-09 一种对话意图的识别方法、装置、电子设备及存储介质 Pending CN112560505A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011449389.XA CN112560505A (zh) 2020-12-09 2020-12-09 一种对话意图的识别方法、装置、电子设备及存储介质
JP2021145446A JP7309798B2 (ja) 2020-12-09 2021-09-07 対話意図の認識方法及び装置、電子機器並びに記憶媒体
US17/476,177 US20220044081A1 (en) 2020-12-09 2021-09-15 Method for recognizing dialogue intention, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011449389.XA CN112560505A (zh) 2020-12-09 2020-12-09 一种对话意图的识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112560505A true CN112560505A (zh) 2021-03-26

Family

ID=75061591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011449389.XA Pending CN112560505A (zh) 2020-12-09 2020-12-09 一种对话意图的识别方法、装置、电子设备及存储介质

Country Status (3)

Country Link
US (1) US20220044081A1 (zh)
JP (1) JP7309798B2 (zh)
CN (1) CN112560505A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989003A (zh) * 2021-04-01 2021-06-18 网易（杭州）网络有限公司 意图识别方法、装置、处理设备及介质
CN113723111A (zh) * 2021-09-04 2021-11-30 中国科学院新疆理化技术研究所 一种小样本意图识别方法、装置、设备及存储介质
WO2023227030A1 (zh) * 2022-05-24 2023-11-30 中国电信股份有限公司 一种意图识别方法、装置、存储介质和电子设备

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114676689A (zh) * 2022-03-09 2022-06-28 青岛海尔科技有限公司 语句文本的识别方法和装置、存储介质及电子装置
CN115906835B (zh) * 2022-11-23 2024-02-20 之江实验室 一种基于聚类和对比学习的中文问句文本表示学习的方法
CN116542256B (zh) * 2023-07-05 2024-02-06 广东数业智能科技有限公司 一种融合对话上下文信息的自然语言理解方法与装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019205318A1 (zh) * 2018-04-25 2019-10-31 平安科技（深圳）有限公司 舆情信息分类方法、装置、计算机设备和存储介质
CN111178537A (zh) * 2019-12-09 2020-05-19 华为技术有限公司 一种特征提取模型训练方法及设备
CN111767737A (zh) * 2019-05-30 2020-10-13 北京京东尚科信息技术有限公司 文本意图相似度确定方法、装置、电子设备和存储介质
CN111860580A (zh) * 2020-06-09 2020-10-30 北京百度网讯科技有限公司 识别模型获取及类别识别方法、装置及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100174539A1 (en) * 2009-01-06 2010-07-08 Qualcomm Incorporated Method and apparatus for vector quantization codebook search
US9842106B2 (en) 2015-12-04 2017-12-12 Mitsubishi Electric Research Laboratories, Inc Method and system for role dependent context sensitive spoken and textual language understanding with neural networks
CN107562816B (zh) * 2017-08-16 2021-02-09 苏州狗尾草智能科技有限公司 用户意图自动识别方法及装置
JP6894534B2 (ja) 2017-10-31 2021-06-30 ▲騰▼▲訊▼科技（深▲セン▼）有限公司 情報処理方法及び端末、コンピュータ記憶媒体
JP2019204268A (ja) 2018-05-23 2019-11-28 株式会社日立製作所 ニューラルネットワークを用いた情報処理方法、システムおよびその構築システム
US11061954B2 (en) 2018-09-21 2021-07-13 Salesforce.Com, Inc. Intent classification system
CN111563209B (zh) 2019-01-29 2023-06-30 株式会社理光 一种意图识别的方法、装置及计算机可读存储介质
JP7096199B2 (ja) 2019-05-16 2022-07-05 ヤフー株式会社 情報処理装置、情報処理方法、およびプログラム
KR20190098928A (ko) * 2019-08-05 2019-08-23 엘지전자 주식회사 음성 인식 방법 및 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019205318A1 (zh) * 2018-04-25 2019-10-31 平安科技（深圳）有限公司 舆情信息分类方法、装置、计算机设备和存储介质
CN111767737A (zh) * 2019-05-30 2020-10-13 北京京东尚科信息技术有限公司 文本意图相似度确定方法、装置、电子设备和存储介质
CN111178537A (zh) * 2019-12-09 2020-05-19 华为技术有限公司 一种特征提取模型训练方法及设备
CN111860580A (zh) * 2020-06-09 2020-10-30 北京百度网讯科技有限公司 识别模型获取及类别识别方法、装置及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989003A (zh) * 2021-04-01 2021-06-18 网易（杭州）网络有限公司 意图识别方法、装置、处理设备及介质
CN112989003B (zh) * 2021-04-01 2023-04-18 网易（杭州）网络有限公司 意图识别方法、装置、处理设备及介质
CN113723111A (zh) * 2021-09-04 2021-11-30 中国科学院新疆理化技术研究所 一种小样本意图识别方法、装置、设备及存储介质
CN113723111B (zh) * 2021-09-04 2023-11-14 中国科学院新疆理化技术研究所 一种小样本意图识别方法、装置、设备及存储介质
WO2023227030A1 (zh) * 2022-05-24 2023-11-30 中国电信股份有限公司 一种意图识别方法、装置、存储介质和电子设备

Also Published As

Publication number Publication date
JP7309798B2 (ja) 2023-07-18
JP2022003537A (ja) 2022-01-11
US20220044081A1 (en) 2022-02-10

Similar Documents

Publication Publication Date Title
CN112560479B (zh) 摘要抽取模型训练方法、摘要抽取方法、装置和电子设备
EP4024232A1 (en) Text processing model training method, and text processing method and apparatus
CN112560505A (zh) 一种对话意图的识别方法、装置、电子设备及存储介质
Wu et al. Fine-grained image captioning with global-local discriminative objective
KR20210040851A (ko) 텍스트 인식 처리 방법, 장치, 전자 기기 및 저장매체
KR101754473B1 (ko) 문서를 이미지 기반 컨텐츠로 요약하여 제공하는 방법 및 시스템
CN112507715A (zh) 确定实体之间关联关系的方法、装置、设备和存储介质
CN111259671B (zh) 文本实体的语义描述处理方法、装置及设备
EP3822842A2 (en) Method and apparatus for generating semantic representation model, electronic device, and storage medium
CN112528001B (zh) 一种信息查询方法、装置及电子设备
Islam et al. Exploring video captioning techniques: A comprehensive survey on deep learning methods
CN111241838B (zh) 文本实体的语义关系处理方法、装置及设备
CN112287698B (zh) 篇章翻译方法、装置、电子设备和存储介质
CN112528677A (zh) 一种语义向量提取模型的训练方法、装置及电子设备
CN112541362B (zh) 一种泛化处理的方法、装置、设备和计算机存储介质
CN111326251A (zh) 一种问诊问题输出方法、装置以及电子设备
WO2022187063A1 (en) Cross-modal processing for vision and language
CN115359383B (zh) 跨模态特征提取、检索以及模型的训练方法、装置及介质
Liu et al. Sign language recognition from digital videos using feature pyramid network with detection transformer
CN111708864A (zh) 一种用户评论文本情感分析方法及装置
CN114444462B (zh) 模型训练方法及人机交互方法、装置
Song et al. avtmNet: adaptive visual-text merging network for image captioning
CN114782722A (zh) 图文相似度的确定方法、装置及电子设备
Bao et al. Question generation with doubly adversarial nets
CN111860580B (zh) 识别模型获取及类别识别方法、装置及存储介质

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