CN112818996A - 指令识别方法和装置、存储介质及电子设备 - Google Patents
指令识别方法和装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112818996A CN112818996A CN202110130732.2A CN202110130732A CN112818996A CN 112818996 A CN112818996 A CN 112818996A CN 202110130732 A CN202110130732 A CN 202110130732A CN 112818996 A CN112818996 A CN 112818996A
- Authority
- CN
- China
- Prior art keywords
- phrase
- label
- labeling
- control operation
- type
- 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
Images
Classifications
-
- 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
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种指令识别方法和装置、存储介质及电子设备。其中,该方法包括:获取待识别的用户指令字符串;对获取到的用户指令字符串进行切分处理,得到词组序列;通过标签标注模型为词组序列中的每个词组标注标签;其中,标签标注模型为利用多个样本词组及与每个样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型;基于所述标签的类型,确定标注后的词组序列中的至少一个单意图语句;生成与至少一个单意图语句对应的目标控制操作指令,其中,目标控制操作指令用于指示目标对象执行目标控制操作。本发明解决了相关技术中解析用户发出的多意图的指令效率较低的技术问题。
Description
技术领域
本发明涉及通信技术领域,具体而言,涉及一种指令识别方法和装置、存储介质及电子设备。
背景技术
随着人工智能和机器学习技术的发展,智能语音对话系统在多个领域的应用越来越广泛。任务型语音对话系统在解析用户指令时,通常对该指令解析的前提是该任务指令只包含单个意图,然后利用意图分类、槽位抽取等方式对用户指令对应的语义进行分析,进而通过对话管理系统处理后产生需要执行的动作或意图下发到设备控制平台,来控制相应的电子设备执行相应的动作。
然而传统的任务型语音对话系统往往只能处理单个用户自然文本指令,当用户发出的指令字符串中包含多个意图时,通常因为语义分类结果或槽位抽取结果发生错误,进而导致指令执行错误、丢失或失败的情况的发生。因此,在智能语音对话系统领域,存在未能识别或解析用户发出的多意图指令,或解析多意图指令效率较低的技术问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种指令识别方法和装置、存储介质及电子设备,以至少解决相关技术中解析用户发出的多意图的指令效率较低的技术问题。
根据本发明实施例的一个方面,提供了一种指令识别方法,包括:获取待识别的用户指令字符串;对获取到的上述用户指令字符串进行切分处理,得到词组序列;通过标签标注模型为上述词组序列中的每个词组标注标签;其中,上述标签标注模型为利用多个样本词组及与每个上述样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型;基于上述标签的类型,确定标注后的上述词组序列中的至少一个单意图语句;其中,上述单意图语句为包含唯一意图的字符串;生成与上述至少一个单意图语句对应的目标控制操作指令,其中,上述目标控制操作指令用于指示目标对象执行目标控制操作。
根据本发明实施例的另一方面,还提供了一种指令识别装置,包括:获取单元,用于获取待识别的用户指令字符串;切分单元,用于对获取到的上述用户指令字符串进行切分处理,得到词组序列;标注单元,用于通过标签标注模型为上述词组序列中的每个词组标注标签;其中,上述标签标注模型为利用多个样本词组及与每个上述样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型;确定单元,用于根基于上述标签的类型,确定标注后的上述词组序列中的至少一个单意图语句;其中,上述单意图语句为包含唯一意图的字符串;上述;生成单元,用于生成与上述至少一个单意图语句对应的目标控制操作指令,其中,上述目标控制操作指令用于指示目标对象执行目标控制操作。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述的指令识别方法。
根据本发明实施例的又一方面,还提供了一种电子设备,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为通过计算机程序执行上述的指令识别方法。
在本发明实施例中,通过获取待识别的用户指令字符串;对获取到的上述用户指令字符串进行切分处理,得到词组序列;通过标签标注模型为上述词组序列中的每个词组标注标签;其中,上述标签标注模型为利用多个样本词组及与每个上述样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型;基于上述标签的类型,确定标注后的上述词组序列中的至少一个单意图语句;其中,上述单意图语句为包含唯一意图的字符串;生成与上述至少一个单意图语句对应的目标控制操作指令,其中,上述目标控制操作指令用于指示目标对象执行目标控制操作。通过标签标注模型为词组序列的每个词组标注标签;其中,上述标签标注模型为利用多个样本词组及与每个上述样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型的方式,达到了提高解析用户发出的多意图指令效率的目的,从而实现了能够精准解析用户发出的多意图指令,以及提高对识别该多意图指令效率的技术效果,进而解决了相关技术中解析用户发出的多意图的指令效率较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的指令识别方法的应用环境的示意图;
图2是根据本发明实施例的另一种可选的指令识别方法的应用环境的示意图;
图3是根据本发明实施例的一种可选的指令识别方法的流程示意图;
图4是根据本发明实施例的一种可选的指令识别装置的结构示意图;
图5是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种指令识别方法,可选地,作为一种可选的实施方式,上述指令识别方法可以但不限于应用于如图1所示的环境中。该应用环境中包括:与用户进行人机交互的终端设备102、网络104、服务器106。用户108与终端设备102之间可以进行人机交互,终端设备102中运行有指令识别应用客户端。上述终端设备102中包括人机交互屏幕1022,处理器1024及存储器1026。人机交互屏幕1022用于呈现识别出的用户指令字符串;处理器1024用于获取待识别的用户指令字符串。存储器1026用于存储用户指令字符串,及用于存储控制操作指令。
此外,服务器106中包括数据库1062及处理引擎1064,数据库1062中用于存储用户指令字符串,及用于存储控制操作指令。处理引擎1064用于对获取到的用户指令字符串进行切分处理,得到词组序列;通过标签标注模型为词组序列中的每个词组标注标签;基于标签的类型,确定标注后的词组序列中的至少一个单意图语句;生成与至少一个单意图语句对应的目标控制操作指令。
具体过程如以下步骤:假设如图1所示终端设备102中运行有指令识别应用客户端,用户108操作人机交互屏幕1022对输入用户指令字符串(可以通过语音识别识别出用户的语音指令,转换为用户指令字符串),如步骤S102,获取待识别的用户指令字符串。然后执行步骤S104,将上述用户指令字符串通过网络104发送给服务器106。如步骤S106-S112,获取待识别的用户指令字符串;对获取到的用户指令字符串进行切分处理,得到词组序列;通过标签标注模型为词组序列中的每个词组标注标签;其中,标签标注模型为利用多个样本词组及与每个样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型;基于上述标签的类型,确定标注后的上述词组序列中的至少一个单意图语句;其中,上述单意图语句为包含唯一意图的字符串;生成与上述至少一个单意图语句对应的目标控制操作指令,其中,上述目标控制操作指令用于指示目标对象执行目标控制操作。并如步骤S114,通过网络104通知终端设备102,返回上述目标控制操作指令。
作为另一种可选的实施方式,本申请上述指令方法可以应用于图2所示的应用环境中。如图2所示,用户202与用户设备204之间可以进行人机交互。用户设备204中包含有存储器206和处理器208。本实施例中用户设备204可以但不限于参考执行上述终端设备102所执行的操作,以获取目标控制操作指令。
可选地,上述终端设备102和用户设备204可以但不限于为手机、平板电脑、笔记本电脑、PC机等终端,上述网络104可以包括但不限于无线网络或有线网络。其中,该无线网络包括:WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于:广域网、城域网、局域网。上述服务器106可以包括但不限于任何可以进行计算的硬件设备。
可选地,作为一种可选的实施方式,如图3所示,上述指令识别方法包括:
S302,获取待识别的用户指令字符串;
S304,对获取到的用户指令字符串进行切分处理,得到词组序列;
S306,通过标签标注模型为词组序列中的每个词组标注标签;其中,标签标注模型为利用多个样本词组及与每个样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型;
S308,基于标签的类型,确定标注后的词组序列中的至少一个单意图语句;其中,单意图语句为包含唯一意图的字符串;
S310,生成与至少一个单意图语句对应的目标控制操作指令,其中,目标控制操作指令用于指示目标对象执行目标控制操作。
可选地,在本实施例中,上述指令识别方法可以但不限于应用于物联网中对控制多个家居设备智能语音对话系统的指令识别过程中。也就是说,在智能语音对话系统中可以管理的多个家居设备执行不同的动作。这里为示例,本实施中对此不作任何限定。
在步骤S302中,实际应用时,获取待识别的用户指令字符串,可以通过但不限于,通过客户手动输入指令字符串,或通过自动语音识别(Automatic Speech Recognition,ASR)将获取到的用户的语音指令转换为指令字符串;在此不做限定;
在步骤S304中,实际应用时,对获取到的用户指令字符串进行切分处理,得到词组序列,这里词组序列可以包括多个词语的集合或多个字符的集合。例如,用户指令字符串为“帮我打开空调调高温度”;那么将该指令字符串进行切分后,可以得到“帮我”,“打开”,“空调”,“调高”,“温度”的词组序列;也可以得到“帮”“我”,“打”,“开”,“空”,“调”,“高”,“温”,“度”等多个字符的词组序列。
在步骤S306中,实际应用时,通过标签标注模型为词组序列中的每个词组标注标签;在本实施例中,例如,将上述用户指令字符串为“帮我打开空调调高温度”对应的词组序列“帮我”,“打开”,“空调”,“调高”,“温度”进行标注后,得到[起始,中部,结尾,起始,结尾]的标注标签。上述仅为实例,在此不做限定。
在步骤S308中,实际应用时,基于所述标签的类型,确定标注后的所述词组序列中的至少一个单意图语句,在本实施例中,例如,根据[起始,中部,结尾,起始,结尾]的标注标签,可以得到两个单意图语句“帮我打开空调”和“调高温度”。
在步骤S310中,实际应用时,生成与上述至少一个单意图语句对应的目标控制操作指令,其中,目标控制操作指令用于指示目标对象执行目标控制操作,在本实施例中,例如,智能语音对话系统获取到单意图语句“帮我打开空调”和“调高温度”后,将寻找用户账号绑定的空调设备,并输出打开该空调设备以及调高温度的控制指令。进一步控制该空调设备执行上述二项操作。
在本发明实施例中,通过获取待识别的用户指令字符串;对获取到的上述用户指令字符串进行切分处理,得到词组序列;通过标签标注模型为上述词组序列中的每个词组标注标签;其中,上述标签标注模型为利用多个样本词组及与每个上述样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型;基于上述标签的类型,确定标注后的上述词组序列中的至少一个单意图语句;其中,上述单意图语句为包含唯一意图的字符串;生成与上述至少一个单意图语句对应的目标控制操作指令,其中,上述目标控制操作指令用于指示目标对象执行目标控制操作。通过标签标注模型为词组序列的每个词组标注标签;其中,上述标签标注模型为利用多个样本词组及与每个上述样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型的方式,达到了提高解析用户发出的多意图指令效率的目的,从而实现了能够精准解析用户发出的多意图指令,以及提高对识别该多意图指令效率的技术效果,进而解决了相关技术中解析用户发出的多意图的指令效率较低的技术问题。
在一实施例中,步骤S306包括:在标签标注模型中,确定出与词组序列中的每个词组各自对应的位置标签和分类标签;其中,位置标签用于标识词组在单意图语句中的位置,分类标签用于标识词组的语句类别信息;根据确定出的位置标签和分类标签,为每个词组进行标注。
在本实施例中,位置标签可以标识出词组在单意图语句中的位置。例如,将上述用户指令字符串为“帮我打开空调调高温度”对应的词组序列“帮我”,“打开”,“空调”,“调高”,“温度”进行标注后,得到[起始,中部,结尾,起始,结尾]的不同位置的标注标签。分类标签可以为对词组序列中的词组进行分类的标签,例如是否为单意图的词组,或是否为无关信息等。
在一实施例中,步骤S308包括:根据确定出的位置标签和分类标签,为每个词组进行标注,包括:通过标签标注模型依次遍历词组序列中的每个词组,分别执行以下操作:
当确定出词组在单意图语句中的位置的情况下,为词组标注位置标签,其中,位置标签的类型包括:起始标签、中部标签和结尾标签;在本实施例中,起始标签、中部标签和结尾标签可以用英文字符来标识,例如起始标签用英文字符B来进行标识,中部标签和结尾标签可以用英文字符I来标识,上述仅为实例,在此不做限定。例如,将上述用户指令字符串为“帮我打开空调调高温度”对应的词组序列“帮我”,“打开”,“空调”,“调高”,“温度”进行标注后,得到[B,I,I,B,I]的不同位置的标注标签。
当确定出词组为独立的单意图语句的情况下,为词组标注第一类标签,分类标签包括第一类标签,第一类标签用于指示词组为单意图语句;第一类标签可以用英文字符S来进行标识,例如,将用户指令字符串为“调高温度停止”对应的词组序列“调高”,“温度”“停止”,进行标注后,可以得到[B,I,S]的标注标签。
当确定出词组并非单意图语句,且并未确定出词组在单意图语句中的位置的情况下,为词组标注第二类标签,分类标签包括第二类标签,第二类标签用于指示词组为无关信息语句。第二类标签可以用英文字符O来进行标识,例如,将用户指令字符串为“帮我调高温度”对应的词组序列“帮我”“调高”,“温度”,进行标注后,可以得到[O,B,I]的标注标签。
在一实施例中,根据标注后的词组序列识别出多个单意图语句,包括以下至少之一:将标注有起始标签、中部标签和结尾标签的待识别文本序列,确定为单意图语句;在本实施例中,例如词组序列“帮我”,“打开”,“空调”,“调高”,“温度”进行标注后,得到[B,I,I,B,I]的不同位置的标注标签,那么就可以将“帮我打开空调”确定为一单意图语句;“调高温度”为一单意图语句。
将标注有第一类标签的待识别文本序列,确定为单意图语句。在本实例中,例如,将用户指令字符串为“调高温度停止”对应的词组序列“调高”,“温度”“停止”,进行标注后,可以得到[B,I,S]的标注标签。那么就可以将“调高温度”确定为一单意图语句;“停止”为一单意图语句。
在一实施例中,上述指令识别方法还包括:将标注有无关信息标签的所述待识别文本序列,确定为非单意图语句。在本实施例中,第二类标签可以用英文字符O来进行标识,例如,将用户指令字符串为“帮我调高温度”对应的词组序列“帮我”“调高”,“温度”,进行标注后,可以得到[O,B,I]的标注标签。“帮我”为非单意图语句,即无关信息。
在一实施例中,步骤S304还包括:在将获取到的上述用户指令字符串进行分词处理,得到多个待识别的词语。在本实施例中,例如用户指令字符串为“帮我打开空调调高温度”;那么将该指令字符串通过分词处理后,可以得到“帮我”,“打开”,“空调”,“调高”,“温度”的词组序列。
在一实施例中,步骤S304还包括:将获取到的上述用户指令字符串进行分字处理,得到多个待识别的字符。在本实施例中,例如用户指令字符串为“帮我打开空调调高温度”;通过将上述指令字符串进行分字处理,可以得到“帮”“我”,“打”,“开”,“空”,“调”,“高”,“温”,“度”等多个字符的词组序列。
在一实施例中,步骤S310还包括:获取与识别后的上述至少一个单意图语句各自对应的控制操作指令;在上述控制操作指令的数量大于一的情况下,将每个上述控制操作指令进行拼接,得到控制操作指令集;根据上述控制操作指令集指示目标对象执行目标控制操作。在本实施例中,例如智能语音对话系统获取到用户指令字符串为“帮我打开空调调高风速”,控制的设备名称为空调3,那么,语音那么控制操作指令集可以为{打开空调3,调高空调3的风速}。上述指令拼接可以通过如下代码实现:
{
“dev”:{
“name”:“空调3”
},
“params”:{
“domain”:“Dev.airConditioner”,
“action”:“openDevice”
}
}
上述代码为打开设备空调3的控制程序。
{
“dev”:{
“name”:“空调3”
},
“params”:{
“domain”:“Dev.airConditioner”,
“action”:“increaseSpeed”
}
}
将上述控制操作指令进行拼接,可以通过如下代码实现:
{
“dev”:{
“name”:“空调3”
},
“params”:{
“domain”:“Dev.airConditioner”,
“action”:[“openDevice”,“increaseSpeed”]
}
}
根据上述控制操作指令集[“openDevice”,“increaseSpeed”]
指示目标对象物联网(Internet Of Things,IOT)系统平台执行目标控制操作,来打开空调3并调高风速。
在一实施例中,步骤S302之前还包括:获取样本词组集合;为上述样本词组集合中每个样本词组按照类型定义配置上述类型标签;将上述样本词组集合及对应的上述类型标签输入初始化的标签标注模型进行训练,得到训练输出结果,其中,在上述标签标注模型的每次训练过程中,根据上述样本词组的词组内容,确定上述样本词组对应的上述类型标签;在上述训练输出结果指示达到收敛条件的情况下,确定得到用于获取上述样本词组参数集的标签标注模型,其中,上述收敛条件用于指示确定出的上述样本词组的类型标签与上述类型标签所指示的标签类型之间的差异度小于等于第一阈值。通过上述技术手段,可以得到标签标注模型。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
基于上述实施例,在一应用实施例中,本发明实施例的指令识别方法还包括:
单意图短句抽取模型训练包括如下步骤:
1.模型使用序列标注模型,模型的具体算法包括单不限于:条件随机场(Conditional Random Field,简称CRF)模型、隐马尔可夫(Hidden Markov Model,HMM)模型、循环神经网络(Recurrent Neural Network、简称RNN)模型、长短期记忆网络(LongShot Term Memory,简称LSTM)模型、双向长短期记忆模型(Bi-directional Long ShotTerm Memory,简称BiLSTM)、双向语言模型(Bidirectional Encoder Representationfrom Transformer,简称BERT)+条件随机场(Conditional Random Field,简称CRF)模型等。
2.模型的输入为用户指令query字符串文本的token序列,这里的token指的是query经过分词之后的单词,或者query的每一个单字。也就是说,token的序列的生成可以以词为单位,也可以字为单位。
3.模型的预测目标为每一个token对应的标签tag,这里的tag的可选范围为:B、I、S、O四种。B表示单意图短句的起始,I表示单意图短句的中部或结尾,S表示这个token自身为一个单意图短句,O表示无关信息。
4.模型的训练数据为大量经人工标注了B、I、S、O的用户指令query字符串。
上述单意图短句抽取模型的应用过程包括如下内容:
1.用户与任务型对话机器人(智能语音对话系统)进行交互,对话机器人得到用户指令字符串。
2.利用分词或简单分字过程,将指令字符串切分为token序列。
3.利用模型预测token序列中每个token所最有可能对应的B、I、O、S之一。
4.将所有的S或B、I、I..这样的token序列视为单意图短句。
5.向对话系统中依次送入解析出单意图短句。
6.将每一句解析的结果进行拼接后输出。
在本发明实施例中,通过获取待识别的用户指令字符串;对获取到的上述用户指令字符串进行切分处理,得到词组序列;通过标签标注模型为上述词组序列中的每个词组标注标签;其中,上述标签标注模型为利用多个样本词组及与每个上述样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型;根据标注后的上述词组序列识别出多个单意图语句;生成与上述多个单意图语句各自对应的控制操作指令,其中,上述控制操作指令用于指示目标对象执行目标控制操作。通过标签标注模型为词组序列的每个词组标注标签;其中,上述标签标注模型为利用多个样本词组及与每个上述样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型的方式,达到了提高解析用户发出的多意图指令效率的目的,从而实现了能够精准解析用户发出的多意图指令,以及提高对识别该多意图指令效率的技术效果,进而解决了相关技术中解析用户发出的多意图的指令效率较低的技术问题。
根据本发明实施例的另一个方面,还提供了一种用于实施上述指令识别方法的指令识别装置。如图4所示,该装置包括:
获取单元402,用于获取待识别的用户指令字符串;
切分单元404,用于对获取到的上述用户指令字符串进行切分处理,得到词组序列;
标注单元406,用于通过标签标注模型为上述词组序列中的每个词组标注标签;其中,上述标签标注模型为利用多个样本词组及与每个上述样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型;
确定单元408,用于基于上述标签的类型,确定标注后的上述词组序列中的至少一个单意图语句;其中,上述单意图语句为包含唯一意图的字符串;
生成单元410,用于生生成与上述至少一个单意图语句对应的目标控制操作指令,其中,上述目标控制操作指令用于指示目标对象执行目标控制操作。
可选地,在本实施例中,上述指令识别提示方法可以但不限于应用于物联网中对控制多个家居设备的智能语音对话系统的指令识别过程中。也就是说,在智能语音对话系统中可以管理的多个家居设备执行不同的动作。这里为示例,本实施中对此不作任何限定。
在本发明实施例中,获取待识别的用户指令字符串,可以通过但不限于,通过客户手动输入指令字符串,或通过自动语音识别(Automatic Speech Recognition,简称ASR)将获取到的用户的语音指令转换为指令字符串;在此不做限定;
在本发明实施例中,对获取到的用户指令字符串进行切分处理,得到词组序列,这里词组序列可以包括多个词语的集合或多个字符的集合。例如,用户指令字符串为“帮我打开空调调高温度”;那么将该指令字符串进行切分后,可以得到“帮我”,“打开”,“空调”,“调高”,“温度”的词组序列;也可以得到“帮”“我”,“打”,“开”,“空”,“调”,“高”,“温”,“度”等多个字符的词组序列。
在本发明实施例中,通过标签标注模型为词组序列中的每个词组标注标签;在本实施例中,例如,将上述用户指令字符串为“帮我打开空调调高温度”对应的词组序列“帮我”,“打开”,“空调”,“调高”,“温度”进行标注后,得到[起始,中部,结尾,起始,结尾]的标注标签。上述仅为实例,在此不做限定。
在本发明实施例中,基于所述标签的类型,确定标注后的所述词组序列中的至少一个单意图语句,在本实施例中,例如,根据[起始,中部,结尾,起始,结尾]的标注标签,可以得到两个单意图语句“帮我打开空调”和“调高温度”。
在本发明实施例中,生成与上述至少一个单意图语句对应的目标控制操作指令,其中,目标控制操作指令用于指示目标对象执行目标控制操作,在本实施例中,例如,智能语音对话系统获取到单意图语句“帮我打开空调”和“调高温度”后,将寻找用户账号绑定的空调设备,并输出打开该空调设备以及调高温度的控制指令。进一步控制该空调设备执行上述二项操作。
在本发明实施例中,通过获取待识别的用户指令字符串;对获取到的上述用户指令字符串进行切分处理,得到词组序列;通过标签标注模型为上述词组序列中的每个词组标注标签;其中,上述标签标注模型为利用多个样本词组及与每个上述样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型;基于上述标签的类型,确定标注后的上述词组序列中的至少一个单意图语句;其中,上述单意图语句为包含唯一意图的字符串;生成与上述至少一个单意图语句对应的目标控制操作指令,其中,上述目标控制操作指令用于指示目标对象执行目标控制操作。通过标签标注模型为词组序列的每个词组标注标签;其中,上述标签标注模型为利用多个样本词组及与每个上述样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型的方式,达到了提高解析用户发出的多意图指令效率的目的,从而实现了能够精准解析用户发出的多意图指令,以及提高对识别该多意图指令效率的技术效果,进而解决了相关技术中解析用户发出的多意图的指令效率较低的技术问题。
本实施例的其他实例可以参见上述实施例,在此不做赘述。
根据本发明实施例的又一个方面,还提供了一种用于实施上述指令识别方法的电子设备,该电子设备可以是图1所示的终端设备或服务器。如图5所示,该电子设备包括存储器502和处理器504,该存储器502中存储有计算机程序,该处理器504被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取待识别的用户指令字符串;
S2,对获取到的用户指令字符串进行切分处理,得到词组序列;
S3,通过标签标注模型为词组序列中的每个词组标注标签;其中,标签标注模型为利用多个样本词组及与每个样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型;
S4,基于所述标签的类型,确定标注后的所述词组序列中的至少一个单意图语句;其中,所述单意图语句为包含唯一意图的字符串;
S5,生成与所述至少一个单意图语句对应的目标控制操作指令,其中,所述目标控制操作指令用于指示目标对象执行目标控制操作。
可选地,本领域普通技术人员可以理解,图5所示的结构仅为示意,电子装置或电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等电子设备。图5其并不对上述电子装置电子设备的结构造成限定。例如,电子装置电子设备还可包括比图5中所示更多或者更少的组件(如网络接口等),或者具有与图5所示不同的配置。
其中,存储器502可用于存储软件程序以及模块,如本发明实施例中的指令识别方法和装置对应的程序指令/模块,处理器504通过运行存储在存储器502内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的指令识别方法。存储器502可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器502可进一步包括相对于处理器504远程设置的存储器,这些远程存储器可以通过网络连接至终端。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。其中,存储器502具体可以但不限于用于存储用户指令字符串以及控制操作指令等信息。作为一种示例,如图5所示,上述存储器502中可以但不限于包括上述指令识别装置中的获取单元402、切分单元404、标注单元406、确定单元408及生成单元410。此外,还可以包括但不限于上述软指令识别装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置506用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置506包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置506为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子设备还包括:显示器508,用于显示上述用户指令字符串信息;和连接总线510,用于连接上述电子设备中的各个模块部件。
在其他实施例中,上述终端设备或者服务器可以是一个分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成点对点(P2P,Peer To Peer)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
根据本发明的实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取待识别的用户指令字符串;
S2,对获取到的用户指令字符串进行切分处理,得到词组序列;
S3,通过标签标注模型为词组序列中的每个词组标注标签;其中,标签标注模型为利用多个样本词组及与每个样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型;
S4,基于所述标签的类型,确定标注后的所述词组序列中的至少一个单意图语句;其中,所述单意图语句为包含唯一意图的字符串;根据标注后的词组序列识别出多个单意图语句;
S5,生成与所述至少一个单意图语句对应的目标控制操作指令,其中,所述目标控制操作指令用于指示目标对象执行目标控制操作生成与多个单意图语句各自对应的控制操作指令,其中,控制操作指令用于指示目标对象执行目标控制操作。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种指令识别方法,其特征在于,包括:
获取待识别的用户指令字符串;
对获取到的所述用户指令字符串进行切分处理,得到词组序列;
通过标签标注模型为所述词组序列中的每个词组标注标签;其中,所述标签标注模型为利用多个样本词组及与每个所述样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型;
基于所述标签的类型,确定标注后的所述词组序列中的至少一个单意图语句;其中,所述单意图语句为包含唯一意图的字符串;
生成与所述至少一个单意图语句对应的目标控制操作指令,其中,所述目标控制操作指令用于指示目标对象执行目标控制操作。
2.根据权利要求1所述的方法,其特征在于,所述通过标签标注模型为所述词组序列中的每个词组标注标签,包括:
在所述标签标注模型中,确定出与所述词组序列中的每个词组各自对应的位置标签和分类标签;其中,所述位置标签用于标识所述词组在单意图语句中的位置,所述分类标签用于标识所述词组的语句类别信息;
根据确定出的所述位置标签和所述分类标签,为每个所述词组进行标注。
3.根据权利要求2所述的方法,其特征在于,所述根据确定出的所述位置标签和所述分类标签,为每个所述词组进行标注,包括:
通过所述标签标注模型依次遍历所述词组序列中的每个词组,分别执行以下操作:
当确定出所述词组在单意图语句中的位置的情况下,为所述词组标注所述位置标签,其中,所述位置标签的类型包括:起始标签、中部标签和结尾标签;
当确定出所述词组为独立的单意图语句的情况下,为所述词组标注第一类标签,所述分类标签包括所述第一类标签,所述第一类标签用于指示所述词组为单意图语句;
当确定出所述词组并非所述单意图语句,且并未确定出所述词组在单意图语句中的位置的情况下,为所述词组标注第二类标签,所述分类标签包括所述第二类标签,所述第二类标签用于指示所述词组为无关信息语句。
4.根据权利要求3所述的方法,其特征在于,基于所述标签的类型,确定标注后的所述词组序列中的至少一个单意图语句,包括以下至少之一:
将标注有所述起始标签、所述中部标签和所述结尾标签的所述待识别文本序列,确定为所述单意图语句;
将标注有所述第一类标签的所述待识别文本序列,确定为所述单意图语句。
5.根据权利要求1所述的方法,其特征在于,所述对获取到的所述用户指令字符串进行切分处理,得到词组序列,包括:
将获取到的所述用户指令字符串进行分词处理,得到多个待识别的词语。
6.根据权利要求1所述的方法,其特征在于,所述对获取到的所述用户指令字符串进行切分处理,得到词组序列,还包括:
将获取到的所述用户指令字符串进行分字处理,得到多个待识别的字符。
7.根据权利要求1所述的方法,其特征在于,所述生成与所述至少一个单意图语句对应的控制操作指令,包括:
获取与识别后的所述至少一个单意图语句各自对应的控制操作指令;
在所述控制操作指令的数量大于一的情况下,将每个所述控制操作指令进行拼接,得到控制操作指令集;
根据所述控制操作指令集指示目标对象执行目标控制操作。
8.根据权利要求1所述的方法,其特征在于,在所述获取待识别的用户指令字符串之前,还包括:
获取样本词组集合;
为所述样本词组集合中每个样本词组按照类型定义配置所述类型标签;
将所述样本词组集合及对应的所述类型标签输入初始化的标签标注模型进行训练,得到训练输出结果,其中,在所述标签标注模型的每次训练过程中,根据所述样本词组的词组内容,确定所述样本词组对应的所述类型标签;
在所述训练输出结果指示达到收敛条件的情况下,确定得到用于获取所述样本词组参数集的标签标注模型,其中,所述收敛条件用于指示确定出的所述样本词组的类型标签与所述类型标签所指示的标签类型之间的差异度小于等于第一阈值。
9.一种指令识别装置,其特征在于,包括:
获取单元,用于获取待识别的用户指令字符串;
切分单元,用于对获取到的所述用户指令字符串进行切分处理,得到词组序列;
标注单元,用于通过标签标注模型为所述词组序列中的每个词组标注标签;其中,所述标签标注模型为利用多个样本词组及与每个所述样本词组各自匹配的类型标签进行机器训练后,所得到的用于标注样本词组的类型的神经网络模型;
确定单元,用于基于所述标签的类型,确定标注后的所述词组序列中的至少一个单意图语句;
生成单元,用于生成与所述至少一个单意图语句对应的目标控制操作指令,其中,所述目标控制操作指令用于指示目标对象执行目标控制操作。
10.一种计算机可读的存储介质,其特征在于,计算机可读的存储介质包括存储的程序,其中,程序运行时执行权利要求1至8任一项中所述的方法。
11.一种电子设备,包括存储器和处理器,其特征在于,存储器中存储有计算机程序,处理器被设置为通过计算机程序执行权利要求1至8任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110130732.2A CN112818996A (zh) | 2021-01-29 | 2021-01-29 | 指令识别方法和装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110130732.2A CN112818996A (zh) | 2021-01-29 | 2021-01-29 | 指令识别方法和装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112818996A true CN112818996A (zh) | 2021-05-18 |
Family
ID=75860401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110130732.2A Pending CN112818996A (zh) | 2021-01-29 | 2021-01-29 | 指令识别方法和装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818996A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113220737A (zh) * | 2021-05-28 | 2021-08-06 | 平安科技(深圳)有限公司 | 一种数据推荐方法、装置、电子设备及存储介质 |
CN115097738A (zh) * | 2022-06-17 | 2022-09-23 | 青岛海尔科技有限公司 | 基于数字孪生的设备控制方法、装置和存储介质及电子装置 |
CN115440210A (zh) * | 2022-04-27 | 2022-12-06 | 北京罗克维尔斯科技有限公司 | 语音控制方法、装置、设备及介质 |
CN115658891A (zh) * | 2022-10-18 | 2023-01-31 | 支付宝(杭州)信息技术有限公司 | 一种意图识别的方法、装置、存储介质及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664473A (zh) * | 2018-05-11 | 2018-10-16 | 平安科技(深圳)有限公司 | 文本关键信息的识别方法、电子装置及可读存储介质 |
CN109241528A (zh) * | 2018-08-24 | 2019-01-18 | 讯飞智元信息科技有限公司 | 一种量刑结果预测方法、装置、设备及存储介质 |
US20190221206A1 (en) * | 2019-03-27 | 2019-07-18 | Intel Corporation | Spoken keyword detection based utterance-level wake on intent system |
CN111046180A (zh) * | 2019-12-05 | 2020-04-21 | 竹间智能科技(上海)有限公司 | 一种基于文本数据的标签识别方法 |
CN111177341A (zh) * | 2019-12-11 | 2020-05-19 | 江苏艾佳家居用品有限公司 | 一种基于端到端的id+sf模型的用户对话需求提取方法及系统 |
CN111343203A (zh) * | 2020-05-18 | 2020-06-26 | 国网电子商务有限公司 | 一种样本识别模型训练方法、恶意样本提取方法及装置 |
CN111400438A (zh) * | 2020-02-21 | 2020-07-10 | 镁佳(北京)科技有限公司 | 用户多意图的识别方法及装置,存储介质及车辆 |
CN111738016A (zh) * | 2020-06-28 | 2020-10-02 | 中国平安财产保险股份有限公司 | 多意图识别方法及相关设备 |
CN111737989A (zh) * | 2020-06-24 | 2020-10-02 | 深圳前海微众银行股份有限公司 | 一种意图识别方法、装置、设备及存储介质 |
CN111985249A (zh) * | 2020-09-03 | 2020-11-24 | 贝壳技术有限公司 | 语义分析方法、装置、计算机可读存储介质及电子设备 |
-
2021
- 2021-01-29 CN CN202110130732.2A patent/CN112818996A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664473A (zh) * | 2018-05-11 | 2018-10-16 | 平安科技(深圳)有限公司 | 文本关键信息的识别方法、电子装置及可读存储介质 |
CN109241528A (zh) * | 2018-08-24 | 2019-01-18 | 讯飞智元信息科技有限公司 | 一种量刑结果预测方法、装置、设备及存储介质 |
US20190221206A1 (en) * | 2019-03-27 | 2019-07-18 | Intel Corporation | Spoken keyword detection based utterance-level wake on intent system |
CN111046180A (zh) * | 2019-12-05 | 2020-04-21 | 竹间智能科技(上海)有限公司 | 一种基于文本数据的标签识别方法 |
CN111177341A (zh) * | 2019-12-11 | 2020-05-19 | 江苏艾佳家居用品有限公司 | 一种基于端到端的id+sf模型的用户对话需求提取方法及系统 |
CN111400438A (zh) * | 2020-02-21 | 2020-07-10 | 镁佳(北京)科技有限公司 | 用户多意图的识别方法及装置,存储介质及车辆 |
CN111343203A (zh) * | 2020-05-18 | 2020-06-26 | 国网电子商务有限公司 | 一种样本识别模型训练方法、恶意样本提取方法及装置 |
CN111737989A (zh) * | 2020-06-24 | 2020-10-02 | 深圳前海微众银行股份有限公司 | 一种意图识别方法、装置、设备及存储介质 |
CN111738016A (zh) * | 2020-06-28 | 2020-10-02 | 中国平安财产保险股份有限公司 | 多意图识别方法及相关设备 |
CN111985249A (zh) * | 2020-09-03 | 2020-11-24 | 贝壳技术有限公司 | 语义分析方法、装置、计算机可读存储介质及电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113220737A (zh) * | 2021-05-28 | 2021-08-06 | 平安科技(深圳)有限公司 | 一种数据推荐方法、装置、电子设备及存储介质 |
CN115440210A (zh) * | 2022-04-27 | 2022-12-06 | 北京罗克维尔斯科技有限公司 | 语音控制方法、装置、设备及介质 |
CN115097738A (zh) * | 2022-06-17 | 2022-09-23 | 青岛海尔科技有限公司 | 基于数字孪生的设备控制方法、装置和存储介质及电子装置 |
CN115658891A (zh) * | 2022-10-18 | 2023-01-31 | 支付宝(杭州)信息技术有限公司 | 一种意图识别的方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200301954A1 (en) | Reply information obtaining method and apparatus | |
CN111914568B (zh) | 文本修辞句的生成方法、装置、设备及可读存储介质 | |
CN112818996A (zh) | 指令识别方法和装置、存储介质及电子设备 | |
CN106571140B (zh) | 一种基于语音语义的电器智能控制方法及系统 | |
CN112100349A (zh) | 一种多轮对话方法、装置、电子设备及存储介质 | |
CN109920414A (zh) | 人机问答方法、装置、设备和存储介质 | |
CN109920415A (zh) | 基于语音识别的人机问答方法、装置、设备和存储介质 | |
CN108710704B (zh) | 对话状态的确定方法、装置、电子设备及存储介质 | |
CN115328756A (zh) | 一种测试用例生成方法、装置及设备 | |
CN110866093A (zh) | 机器问答方法及装置 | |
CN111339268A (zh) | 实体词识别方法和装置 | |
CN109726397B (zh) | 中文命名实体的标注方法、装置、存储介质和电子设备 | |
CN109948160B (zh) | 短文本分类方法及装置 | |
US20220414463A1 (en) | Automated troubleshooter | |
CN112860919A (zh) | 基于生成模型的数据标注方法、装置、设备及存储介质 | |
CN114626380A (zh) | 实体识别的方法和装置、电子设备和存储介质 | |
CN111554276A (zh) | 语音识别方法、装置、设备及计算机可读存储介质 | |
CN110276080A (zh) | 一种语义处理方法和系统 | |
CN112116910A (zh) | 语音指令的识别方法和装置、存储介质、电子装置 | |
US11036996B2 (en) | Method and apparatus for determining (raw) video materials for news | |
CN113254649A (zh) | 敏感内容识别模型的训练方法、文本识别方法及相关装置 | |
CN113704420A (zh) | 文本中的角色识别方法、装置、电子设备及存储介质 | |
CN116881427A (zh) | 问答处理方法、装置、电子设备及存储介质 | |
CN113792540B (zh) | 意图识别模型更新方法及相关设备 | |
CN115576789A (zh) | 流失用户识别方法和系统 |
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 |