CN112988963A - 基于多流程节点的用户意图预测方法、装置、设备及介质 - Google Patents
基于多流程节点的用户意图预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112988963A CN112988963A CN202110189456.7A CN202110189456A CN112988963A CN 112988963 A CN112988963 A CN 112988963A CN 202110189456 A CN202110189456 A CN 202110189456A CN 112988963 A CN112988963 A CN 112988963A
- Authority
- CN
- China
- Prior art keywords
- corpus
- preset
- training
- node
- nodes
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 140
- 239000013598 vector Substances 0.000 claims abstract description 152
- 238000012549 training Methods 0.000 claims abstract description 110
- 238000013145 classification model Methods 0.000 claims abstract description 70
- 239000013604 expression vector Substances 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000013016 damping Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及语义解析技术,揭露了一种基于多流程节点的用户意图预测方法,包括:提取流程节点及对应的语料数据,对语料数据进行流程节点标记后合并,得到训练语料并对无监督模型进行训练,得到标准无监督模型,处理待处理语料,得到语料句向量,对流程节点进行特征编码,得到节点特征向量并与语料句向量进行拼接,得到最终表示向量,对多分类模型进行训练,得到用户意图分类模型并处理待识别数据,得到用户意图。此外,本发明还涉及区块链技术,所述训练语料可存储于区块链的节点。本发明还提出一种基于多流程节点的用户意图预测装置、电子设备以及计算机可读存储介质。本发明可以解决处理存储多个单节点模型进行意图预测导致占用较多内存的问题。
Description
技术领域
本发明涉及语义解析技术领域,尤其涉及一种基于多流程节点的用户意图预测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人工智能的发展,机器可以通过对人类语言进行分析,识别语句的含义,实现人机交互。智能问答为人机交互的一种典型应用,机器需要识别出提用户说的话的意图,才能准确的给出后续的对话。
目前,智能问答的业务场景中一般包括多流程节点。例如在银行催收的业务场景一般需要多轮对话完成催收业务,其中每轮对话称为一个流程节点。例如,第一轮对话中智能客服确认客户身份,客户回答是不是本人;第二轮对话中智能客服与客户交流贷款逾期时间及金额;第三轮对话中智能客服和客户沟通还款时间等。传统的智能客服系统根据语料和用户意图,每轮对话都需要训练一个意图分类模型,但这样需要存储多个单节点模型,在部署上线时会占用较多的内存空间。同时,每过一段时间,需要把用户新产生的语料加入对应节点模型的训练语料中,重新训练模型。在节点数多的时候,单纯人工执行上述操作会非常繁琐,占用大量人力资源。
发明内容
本发明提供一种基于多流程节点的用户意图预测方法、装置及计算机可读存储介质,其主要目的在于解决处理存储多个单节点模型进行意图预测导致占用较多内存的问题。
为实现上述目的,本发明提供的一种基于多流程节点的用户意图预测方法,包括:
获取原始对话数据集,提取所述原始对话数据集中的每个流程节点及流程节点对应的语料数据,并对所述语料数据的流程节点进行标记、合并,得到训练语料;
利用所述训练语料对预设的无监督模型进行训练,得到标准无监督模型,将待处理语料输入至所述标准无监督模型中,得到语料句向量;
对所述流程节点进行特征编码,得到节点特征向量,对所述语料句向量和所述节点特征向量进行拼接处理,得到最终表示向量;
利用所述最终表示向量对预设的多分类模型进行训练,得到用户意图分类模型;
获取待识别数据,将所述待识别数据输入至所述用户意图分类模型中,得到用户意图。
可选地,所述利用所述训练语料对预设的无监督模型进行训练,得到标准无监督模型,包括:
对所述训练语料进行分词处理,得到分词语料集;
利用预设的无监督模型对所述分词语料集进行向量转换,得到语料词向量;
基于图排序算法筛选出所述训练语料的关键分词,将所述训练语料的关键分词对应的语料词向量进行加权求和再平均处理,得到所述训练语料的句向量;
利用预设的损失函数计算所述训练语料的句向量与预设的标准句向量之间的损失值,并判断所述损失值与预设的损失阈值之间的大小;
若所述损失值大于或者等于所述预设的损失阈值,调整所述无监督模型的内部参数,并返回利用所述无监督模型对所述分词语料集进行向量转换的步骤,直至所述损失值小于所述预设的损失阈值,得到标准无监督模型。
可选地,所述基于图排序算法筛选出所述训练语料的关键分词,包括:
根据所述训练语料构建有向有权图;
计算所述有向有权图中多个节点的权重;
将所述有向有权图中权重超过预设阈值的节点作为所述候选关键词集的目标关键词进行汇总,得到所述训练语料的关键分词。
可选地,所述计算所述有向有权图中多个节点的权重包括:
利用下述权重计算公式计算所述多个节点的权重:
其中,WS(Vi)表示节点Vi的权重,d为阻尼系数,In(Vi)为指向节点Vi的第一节点集合,Out(Vj)为节点Vi所指向的第二节点集合,Wji为节点Vi和Vj之间的连接权重。
可选地,所述利用预设的损失函数计算所述训练语料的句向量与预设的标准句向量之间的损失值,包括:
利用下述预设的损失函数计算所述训练语料的句向量与预设的标准句向量之间的损失值:
可选地,所述对所述流程节点进行特征编码,得到节点特征向量,包括:
对所述原始对话数据集中的流程节点进行节点数汇总,得到流程节点总数;
以所述流程节点为预设矩阵的行数,以所述流程节点总数为所述预设矩阵的列数,构建得到初始矩阵向量;
设置所述初始矩阵向量中所述流程节点对应的列数所在的位置为第一数值,其余列数为第二数值,得到节点特征向量。
可选地,所述利用所述最终表示向量对预设的分类模型进行训练,得到用户意图分类模型,包括:
利用所述预设的多分类模型对所述最终表示向量输入进行分类,得到一种或者多种分类意图;
标注所述原始对话数据集中的意图类别,计算所述意图类别和所述分类意图之间的重复度;
当所述重复度小于预设的分类阈值时,对所述预设的分类模型进行迭代更新,重新对所述最终表示向量进行分类;
当所述重复度大于或者等于预设的分类阈值时,得到用户意图分类模型。
为了解决上述问题,本发明还提供一种基于多流程节点的用户意图预测装置,所述装置包括:
训练语料生成模块,用于获取原始对话数据集,提取所述原始对话数据集中的每个流程节点及流程节点对应的语料数据,并对所述语料数据的流程节点进行标记、合并,得到训练语料;
无监督模型训练模块,用于利用所述训练语料对预设的无监督模型进行训练,得到标准无监督模型,将待处理语料输入至所述标准无监督模型中,得到语料句向量;
最终表示向量生成模块,用于对所述流程节点进行特征编码,得到节点特征向量,对所述语料句向量和所述节点特征向量进行拼接处理,得到最终表示向量;
多分类模型训练模块,用于利用所述最终表示向量对预设的多分类模型进行训练,得到用户意图分类模型;
用户意图预测模块,用于获取待识别数据,将所述待识别数据输入至所述用户意图分类模型中,得到用户意图。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于多流程节点的用户意图预测方法。
为了解决上述问题,本发明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中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于多流程节点的用户意图预测方法。
本发明提取所述原始对话数据集中的每个流程节点及其对应的语料数据,并对所述语料数据进行流程节点标记后进行合并,得到训练语料,由于多个流程节点的语料一起进行训练,相当于扩大了训练语料的规模,模型的泛化能力也得到了加强,对所述语料句向量和所述节点特征向量进行拼接处理,得到最终表示向量,利用所述最终表示向量对预设的多分类模型进行训练,得到用户意图分类模型,所述用户意图分类模型在保证模型良好识别效果的同时,简化了模型训练的步骤,减少了存储成本,并且提高了模型的扩展性。因此本发明提出的基于多流程节点的用户意图预测方法、装置、电子设备及计算机可读存储介质,可以解决处理多轮对话时需要存储多个单节点模型进行意图预测从而导致占用较多的内存空间的问题。
附图说明
图1为本发明一实施例提供的基于多流程节点的用户意图预测方法的流程示意图;
图2为本发明一实施例提供的基于多流程节点的用户意图预测装置的功能模块图;
图3为本发明一实施例提供的实现所述基于多流程节点的用户意图预测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于多流程节点的用户意图预测方法。所述基于多流程节点的用户意图预测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于多流程节点的用户意图预测方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的基于多流程节点的用户意图预测方法的流程示意图。在本实施例中,所述基于多流程节点的用户意图预测方法包括:
S1、获取原始对话数据集,提取所述原始对话数据集中的每个流程节点及流程节点对应的语料数据,并对所述语料数据的流程节点进行标记、合并,得到训练语料。
本发明实施例中,所述原始对话数据集可以是智能问答的业务场景下包含的客服人员和客户之间的多轮对话。
详细地,所述原始对话数据集中的每个流程节点可以是所述客服人员和客户之间的每一轮对话,以及对应的语料数据是指每轮对话中客服人员和客户之间对话中客户的回答。
本发明实施例对所述语料数据进行流程节点标记后进行合并,得到训练语料。
S2、利用所述训练语料对预设的无监督模型进行训练,得到标准无监督模型,将待处理语料输入至所述标准无监督模型中,得到语料句向量。
本发明实施例中,所述利用所述训练语料对预设的无监督模型进行训练,得到标准无监督模型,包括:
对所述训练语料进行分词处理,得到分词语料集;
利用预设的无监督模型对所述分词语料集进行向量转换,得到语料词向量;
基于图排序算法筛选出所述训练语料的关键分词,将所述训练语料的关键分词对应的语料词向量进行加权求和再平均处理,得到所述训练语料的句向量;
利用预设的损失函数计算所述训练语料的句向量与预设的标准句向量之间的损失值,并判断所述损失值与预设的损失阈值之间的大小;
若所述损失值大于或者等于所述预设的损失阈值,调整所述无监督模型的内部参数,并返回利用所述无监督模型对所述分词语料集进行向量转换的步骤,直至所述损失值小于所述预设的损失阈值,得到标准无监督模型。
详细地,本发明其中一个实施例可以利用Jieba工具对所述训练语料中每个句子进行分词处理,将每个句子拆分成多个词语,得到分词语料集。
进一步地,所述预设的无监督模型可以是word2vec、doc2vec、fasttext等,本发明实施例中,所述预设的无监督模型为word2vec中的Skip-gram模型。其中,word2vec是一类神经网络模型,基于该模型可为语料库中的单个分词产生一个能表达语义的向量,即词向量。
进一步地,所述基于图排序算法筛选出所述训练语料的关键分词,包括:
根据所述训练语料构建有向有权图;
计算所述有向有权图中多个节点的权重;
将所述有向有权图中权重超过预设阈值的节点作为所述候选关键词集的目标关键词进行汇总,得到所述训练语料的关键分词。
其中,所述有向有权图中的一个节点表示所述训练语料中的一个语料。
详细地,所述计算所述有向有权图中多个节点的权重包括:
利用下述权重计算公式计算所述多个节点的权重:
其中,WS(Vi)表示节点Vi的权重,d为阻尼系数,In(Vi)为指向节点Vi的第一节点集合,Out(Vj)为节点Vi所指向的第二节点集合,Wji为节点Vi和Vj之间的连接权重。
其中,阻尼系数d代表从所述有向有权图中某一特定点指向其他任意点的概率,优选地,所述阻尼系数的取值为0.85。
具体地,本发明实施例中,所述利用预设的损失函数计算所述训练语料的句向量与预设的标准句向量之间的损失值,包括:
利用下述预设的损失函数计算所述训练语料的句向量与预设的标准句向量之间的损失值:
进一步地,本发明实施例判断所述损失值与预设的损失阈值之间的大小,若所述损失值大于或者等于所述预设的损失阈值,调整所述无监督模型的内部参数,直至所述损失值小于所述预设的损失阈值,得到标准无监督模型。
其中,所述无监督模型的内部参数为模型的权重或者模型的梯度参数。
S3、对所述流程节点进行特征编码,得到节点特征向量,对所述语料句向量和所述节点特征向量进行拼接处理,得到最终表示向量。
本发明实施例中,对所述流程节点进行特征编码可以采用独热编码、目标编码、贝叶斯目标编码等方法,其中,本发明利用预设的独热编码对所述流程节点进行特征编码,得到节点特征向量。
具体地,所述对所述流程节点进行特征编码,得到节点特征向量,包括:
对所述原始对话数据集中的流程节点进行节点数汇总,得到流程节点总数;
以所述流程节点为预设矩阵的行数,以所述流程节点总数为所述预设矩阵的列数,构建得到初始矩阵向量;
设置所述初始矩阵向量中所述流程节点对应的列数所在的位置为第一数值,其余列数为第二数值,得到节点特征向量。
例如,所述流程节点总数为5,即假设有五轮对话,那么第一轮对话语料的节点特征向量就是[1,0,0,0,0]。
进一步地,本发明实施例对所述语料句向量和所述节点特征向量进行拼接处理,得到最终表示向量。例如,所述语料句向量为X=[x1,x2,…,xn],所述节点特征向量为Y=[y1,y2,…,yn],其中,n大于等于1,对所述语料句向量X和所述节点特征向量Y进行拼接处理,得到最终表示向量,所述最终表示向量为[X,Y]=[x1,x2,…,xn,y1,y2,…,yn]。
S4、利用所述最终表示向量对预设的多分类模型进行训练,得到用户意图分类模型。
本发明实施例中,所述预设的多分类模型可以为浅层的神经网络或者支持向量机模型。本发明实施例中,对所述多分类模型进行训练得到的用户意图分类模型可以识别出每个流程节点中的用户意图。
详细地,所述利用所述最终表示向量对预设的多分类模型进行训练,得到用户意图分类模型,包括:
利用所述预设的多分类模型对所述最终表示向量输入进行分类,得到一种或者多种分类意图;
标注所述原始对话数据集中的意图类别,计算所述意图类别和所述分类意图之间的重复度;
当所述重复度小于预设的分类阈值时,对所述预设的分类模型进行迭代更新,重新对所述最终表示向量进行分类;
当所述重复度大于或者等于预设的分类阈值时,得到用户意图分类模型。
详细地,本发明实施例通过判断所述每轮客服人员和客户之间对话中客户的回答的实际意图来标注所述原始对话数据集中的意图类别。例如,第一轮对话为:客服人员:“请问您是李先生吗?”,客户:“是的,我是。”,则所述第一轮对话的意图类别为确认身份,第二轮对话为:客服人员:“李先生,这边显示您有一笔一万元的贷款已经逾期一个月了”,客户:“哦,是的,是有一笔”,则所述第二轮对话的意图类别为确认贷款细节等。
S5、获取待识别数据,将所述待识别数据输入至所述用户意图分类模型中,得到用户意图。
本发明实施例中,所述待识别数据为根据对话所处的节点位置生成对应的节点向量,和语料向量拼接后生成的最终表示向量。
本发明实施例将所述待识别数据输入至所述用户意图分类模型中,可以得到所述识别数据包括的多个流程节点中,每个流程节点的用户意图。
本发明提取所述原始对话数据集中的每个流程节点及其对应的语料数据,并对所述语料数据进行流程节点标记后进行合并,得到训练语料,由于多个流程节点的语料一起进行训练,相当于扩大了训练语料的规模,模型的泛化能力也得到了加强,对所述语料句向量和所述节点特征向量进行拼接处理,得到最终表示向量,利用所述最终表示向量对预设的多分类模型进行训练,得到用户意图分类模型,所述用户意图分类模型在保证模型良好识别效果的同时,简化了模型训练的步骤,减少了存储成本,并且提高了模型的扩展性。因此本发明提出的基于多流程节点的用户意图预测方法可以解决处理存储多个单节点模型进行意图预测导致占用较多内存的问题。
如图2所示,是本发明一实施例提供的基于多流程节点的用户意图预测装置的功能模块图。
本发明所述基于多流程节点的用户意图预测装置100可以安装于电子设备中。根据实现的功能,所述基于多流程节点的用户意图预测装置100可以包括训练语料生成模块101、无监督模型训练模块102、最终表示向量生成模块103、多分类模型训练模块104及用户意图预测模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述训练语料生成模块101,用于获取原始对话数据集,提取所述原始对话数据集中的每个流程节点及流程节点对应的语料数据,并对所述语料数据的流程节点进行标记、合并,得到训练语料;
所述无监督模型训练模块102,用于利用所述训练语料对预设的无监督模型进行训练,得到标准无监督模型,将待处理语料输入至所述标准无监督模型中,得到语料句向量;
所述最终表示向量生成模块103,用于对所述流程节点进行特征编码,得到节点特征向量,对所述语料句向量和所述节点特征向量进行拼接处理,得到最终表示向量;
所述多分类模型训练模块104,用于利用所述最终表示向量对预设的多分类模型进行训练,得到用户意图分类模型;
所述用户意图预测模块105,用于获取待识别数据,将所述待识别数据输入至所述用户意图分类模型中,得到用户意图。
详细地,所述基于多流程节点的用户意图预测装置100各模块在由电子设备的处理器所执行时,可以实现一种包括下述步骤的基于多流程节点的用户意图预测方法:
步骤一、所述训练语料生成模块101获取原始对话数据集,提取所述原始对话数据集中的每个流程节点及流程节点对应的语料数据,并对所述语料数据的流程节点进行标记、合并,得到训练语料。
本发明实施例中,所述原始对话数据集可以是智能问答的业务场景下包含的客服人员和客户之间的多轮对话。
详细地,所述原始对话数据集中的每个流程节点可以是所述客服人员和客户之间的每一轮对话,以及对应的语料数据是指每轮对话中客服人员和客户之间对话中客户的回答。
本发明实施例对所述语料数据进行流程节点标记后进行合并,得到训练语料。
步骤二、所述无监督模型训练模块102利用所述训练语料对预设的无监督模型进行训练,得到标准无监督模型,将待处理语料输入至所述标准无监督模型中,得到语料句向量。
本发明实施例中,所述无监督模型训练模块102利用所述训练语料对预设的无监督模型进行训练,得到标准无监督模型,包括:
对所述训练语料进行分词处理,得到分词语料集;
利用预设的无监督模型对所述分词语料集进行向量转换,得到语料词向量;
基于图排序算法筛选出所述训练语料的关键分词,将所述训练语料的关键分词对应的语料词向量进行加权求和再平均处理,得到所述训练语料的句向量;
利用预设的损失函数计算所述训练语料的句向量与预设的标准句向量之间的损失值,并判断所述损失值与预设的损失阈值之间的大小;
若所述损失值大于或者等于所述预设的损失阈值,调整所述无监督模型的内部参数,并返回利用所述无监督模型对所述分词语料集进行向量转换的步骤,直至所述损失值小于所述预设的损失阈值,得到标准无监督模型。
详细地,本发明其中一个实施例可以利用Jieba工具对所述训练语料中每个句子进行分词处理,将每个句子拆分成多个词语,得到分词语料集。
进一步地,所述预设的无监督模型可以是word2vec、doc2vec、fasttext等,本发明实施例中,所述预设的无监督模型为word2vec中的Skip-gram模型。其中,word2vec是一类神经网络模型,基于该模型可为语料库中的单个分词产生一个能表达语义的向量,即词向量。
进一步地,所述基于图排序算法筛选出所述训练语料的关键分词,包括:
根据所述训练语料构建有向有权图;
计算所述有向有权图中多个节点的权重;
将所述有向有权图中权重超过预设阈值的节点作为所述候选关键词集的目标关键词进行汇总,得到所述训练语料的关键分词。
其中,所述有向有权图中的一个节点表示所述训练语料中的一个语料。
详细地,所述计算所述有向有权图中多个节点的权重包括:
利用下述权重计算公式计算所述多个节点的权重:
其中,WS(Vi)表示节点Vi的权重,d为阻尼系数,In(Vi)为指向节点Vi的第一节点集合,Out(Vj)为节点Vi所指向的第二节点集合,Wji为节点Vi和Vj之间的连接权重。
其中,阻尼系数d代表从所述有向有权图中某一特定点指向其他任意点的概率,优选地,所述阻尼系数的取值为0.85。
具体地,本发明实施例中,所述利用预设的损失函数计算所述训练语料的句向量与预设的标准句向量之间的损失值,包括:
利用下述预设的损失函数计算所述训练语料的句向量与预设的标准句向量之间的损失值:
进一步地,本发明实施例判断所述损失值与预设的损失阈值之间的大小,若所述损失值大于或者等于所述预设的损失阈值,调整所述无监督模型的内部参数,直至所述损失值小于所述预设的损失阈值,得到标准无监督模型。
其中,所述无监督模型的内部参数为模型的权重或者模型的梯度参数。
步骤三、所述最终表示向量生成模块103对所述流程节点进行特征编码,得到节点特征向量,对所述语料句向量和所述节点特征向量进行拼接处理,得到最终表示向量。
本发明实施例中,对所述流程节点进行特征编码可以采用独热编码、目标编码、贝叶斯目标编码等方法,其中,本发明利用预设的独热编码对所述流程节点进行特征编码,得到节点特征向量。
具体地,所述对所述流程节点进行特征编码,得到节点特征向量,包括:
对所述原始对话数据集中的流程节点进行节点数汇总,得到流程节点总数;
以所述流程节点为预设矩阵的行数,以所述流程节点总数为所述预设矩阵的列数,构建得到初始矩阵向量;
设置所述初始矩阵向量中所述流程节点对应的列数所在的位置为第一数值,其余列数为第二数值,得到节点特征向量。
例如,所述流程节点总数为5,即假设有五轮对话,那么第一轮对话语料的节点特征向量就是[1,0,0,0,0]。
进一步地,本发明实施例中,所述最终表示向量生成模块103对所述语料句向量和所述节点特征向量进行拼接处理,得到最终表示向量。例如,所述语料句向量为X=[x1,x2,…,xn],所述节点特征向量为Y=[y1,y2,…,yn],其中,n大于等于1,对所述语料句向量X和所述节点特征向量Y进行拼接处理,得到最终表示向量,所述最终表示向量为[X,Y]=[x1,x2,…,xn,y1,y2,…,yn]。
步骤四、所述多分类模型训练模块104利用所述最终表示向量对预设的多分类模型进行训练,得到用户意图分类模型。
本发明实施例中,所述预设的多分类模型可以为浅层的神经网络或者支持向量机模型。本发明实施例中,对所述多分类模型进行训练得到的用户意图分类模型可以识别出每个流程节点中的用户意图。
详细地,所述多分类模型训练模块104利用所述最终表示向量对预设的多分类模型进行训练,得到用户意图分类模型,包括:
利用所述预设的多分类模型对所述最终表示向量输入进行分类,得到一种或者多种分类意图;
标注所述原始对话数据集中的意图类别,计算所述意图类别和所述分类意图之间的重复度;
当所述重复度小于预设的分类阈值时,对所述预设的分类模型进行迭代更新,重新对所述最终表示向量进行分类;
当所述重复度大于或者等于预设的分类阈值时,得到用户意图分类模型。
详细地,本发明实施例通过判断所述每轮客服人员和客户之间对话中客户的回答的实际意图来标注所述原始对话数据集中的意图类别。例如,第一轮对话为:客服人员:“请问您是李先生吗?”,客户:“是的,我是。”,则所述第一轮对话的意图类别为确认身份,第二轮对话为:客服人员:“李先生,这边显示您有一笔一万元的贷款已经逾期一个月了”,客户:“哦,是的,是有一笔”,则所述第二轮对话的意图类别为确认贷款细节等。
步骤五、获取待识别数据,所述用户意图预测模块105将所述待识别数据输入至所述用户意图分类模型中,得到用户意图。
本发明实施例中,所述待识别数据为根据对话所处的节点位置生成对应的节点向量,和语料向量拼接后生成的最终表示向量。
本发明实施例将所述待识别数据输入至所述用户意图分类模型中,可以得到所述识别数据包括的多个流程节点中,每个流程节点的用户意图。
本发明提取所述原始对话数据集中的每个流程节点及其对应的语料数据,并对所述语料数据进行流程节点标记后进行合并,得到训练语料,由于多个流程节点的语料一起进行训练,相当于扩大了训练语料的规模,模型的泛化能力也得到了加强,对所述语料句向量和所述节点特征向量进行拼接处理,得到最终表示向量,利用所述最终表示向量对预设的多分类模型进行训练,得到用户意图分类模型,所述用户意图分类模型在保证模型良好识别效果的同时,简化了模型训练的步骤,减少了存储成本,并且提高了模型的扩展性。因此本发明提出的基于多流程节点的用户意图预测装置可以解决处理存储多个单节点模型进行意图预测导致占用较多内存的问题。
如图3所示,是本发明一实施例提供的实现基于多流程节点的用户意图预测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于多流程节点的用户意图预测程序12。
其中,所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于多流程节点的用户意图预测程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于多流程节点的用户意图预测程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于多流程节点的用户意图预测程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取原始对话数据集,提取所述原始对话数据集中的每个流程节点及流程节点对应的语料数据,并对所述语料数据的流程节点进行标记、合并,得到训练语料;
利用所述训练语料对预设的无监督模型进行训练,得到标准无监督模型,将待处理语料输入至所述标准无监督模型中,得到语料句向量;
对所述流程节点进行特征编码,得到节点特征向量,对所述语料句向量和所述节点特征向量进行拼接处理,得到最终表示向量;
利用所述最终表示向量对预设的多分类模型进行训练,得到用户意图分类模型;
获取待识别数据,将所述待识别数据输入至所述用户意图分类模型中,得到用户意图。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/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,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取原始对话数据集,提取所述原始对话数据集中的每个流程节点及流程节点对应的语料数据,并对所述语料数据的流程节点进行标记、合并,得到训练语料;
利用所述训练语料对预设的无监督模型进行训练,得到标准无监督模型,将待处理语料输入至所述标准无监督模型中,得到语料句向量;
对所述流程节点进行特征编码,得到节点特征向量,对所述语料句向量和所述节点特征向量进行拼接处理,得到最终表示向量;
利用所述最终表示向量对预设的多分类模型进行训练,得到用户意图分类模型;
获取待识别数据,将所述待识别数据输入至所述用户意图分类模型中,得到用户意图。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块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模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于多流程节点的用户意图预测方法,其特征在于,所述方法包括:
获取原始对话数据集,提取所述原始对话数据集中的每个流程节点及流程节点对应的语料数据,并对所述语料数据的流程节点进行标记、合并,得到训练语料;
利用所述训练语料对预设的无监督模型进行训练,得到标准无监督模型,将待处理语料输入至所述标准无监督模型中,得到语料句向量;
对所述流程节点进行特征编码,得到节点特征向量,对所述语料句向量和所述节点特征向量进行拼接处理,得到最终表示向量;
利用所述最终表示向量对预设的多分类模型进行训练,得到用户意图分类模型;
获取待识别数据,将所述待识别数据输入至所述用户意图分类模型中,得到用户意图。
2.如权利要求1所述的基于多流程节点的用户意图预测方法,其特征在于,所述利用所述训练语料对预设的无监督模型进行训练,得到标准无监督模型,包括:
对所述训练语料进行分词处理,得到分词语料集;
利用预设的无监督模型对所述分词语料集进行向量转换,得到语料词向量;
基于图排序算法筛选出所述训练语料的关键分词,将所述训练语料的关键分词对应的语料词向量进行加权求和再平均处理,得到所述训练语料的句向量;
利用预设的损失函数计算所述训练语料的句向量与预设的标准句向量之间的损失值,并判断所述损失值与预设的损失阈值之间的大小;
若所述损失值大于或者等于所述预设的损失阈值,调整所述无监督模型的内部参数,并返回利用所述无监督模型对所述分词语料集进行向量转换的步骤,直至所述损失值小于所述预设的损失阈值,得到标准无监督模型。
3.如权利要求2所述的基于多流程节点的用户意图预测方法,其特征在于,所述基于图排序算法筛选出所述训练语料的关键分词,包括:
根据所述训练语料构建有向有权图;
计算所述有向有权图中多个节点的权重;
将所述有向有权图中权重超过预设阈值的节点作为所述候选关键词集的目标关键词进行汇总,得到所述训练语料的关键分词。
6.如权利要求1至5中任意一项所述的基于多流程节点的用户意图预测方法,其特征在于,所述对所述流程节点进行特征编码,得到节点特征向量,包括:
对所述原始对话数据集中的流程节点进行节点数汇总,得到流程节点总数;
以所述流程节点为预设矩阵的行数,以所述流程节点总数为所述预设矩阵的列数,构建得到初始矩阵向量;
设置所述初始矩阵向量中所述流程节点对应的列数所在的位置为第一数值,其余列数为第二数值,得到节点特征向量。
7.如权利要求1至5中任意一项所述的基于多流程节点的用户意图预测方法,其特征在于,所述利用所述最终表示向量对预设的分类模型进行训练,得到用户意图分类模型,包括:
利用所述预设的多分类模型对所述最终表示向量输入进行分类,得到一种或者多种分类意图;
标注所述原始对话数据集中的意图类别,计算所述意图类别和所述分类意图之间的重复度;
当所述重复度小于预设的分类阈值时,对所述预设的分类模型进行迭代更新,重新对所述最终表示向量进行分类;
当所述重复度大于或者等于预设的分类阈值时,得到用户意图分类模型。
8.一种基于多流程节点的用户意图预测装置,其特征在于,所述装置包括:
训练语料生成模块,用于获取原始对话数据集,提取所述原始对话数据集中的每个流程节点及流程节点对应的语料数据,并对所述语料数据的流程节点进行标记、合并,得到训练语料;
无监督模型训练模块,用于利用所述训练语料对预设的无监督模型进行训练,得到标准无监督模型,将待处理语料输入至所述标准无监督模型中,得到语料句向量;
最终表示向量生成模块,用于对所述流程节点进行特征编码,得到节点特征向量,对所述语料句向量和所述节点特征向量进行拼接处理,得到最终表示向量;
多分类模型训练模块,用于利用所述最终表示向量对预设的多分类模型进行训练,得到用户意图分类模型;
用户意图预测模块,用于获取待识别数据,将所述待识别数据输入至所述用户意图分类模型中,得到用户意图。
9.一种电子设备,其特征在于,所述电子设备包括:
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如权利要求1至7中任意一项所述的基于多流程节点的用户意图预测方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于多流程节点的用户意图预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189456.7A CN112988963B (zh) | 2021-02-19 | 2021-02-19 | 基于多流程节点的用户意图预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189456.7A CN112988963B (zh) | 2021-02-19 | 2021-02-19 | 基于多流程节点的用户意图预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112988963A true CN112988963A (zh) | 2021-06-18 |
CN112988963B CN112988963B (zh) | 2024-05-10 |
Family
ID=76393582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110189456.7A Active CN112988963B (zh) | 2021-02-19 | 2021-02-19 | 基于多流程节点的用户意图预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112988963B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113220828A (zh) * | 2021-04-28 | 2021-08-06 | 平安科技(深圳)有限公司 | 意图识别模型处理方法、装置、计算机设备及存储介质 |
CN113591881A (zh) * | 2021-08-10 | 2021-11-02 | 平安银行股份有限公司 | 基于模型融合的意图识别方法、装置、电子设备及介质 |
CN113704429A (zh) * | 2021-08-31 | 2021-11-26 | 平安普惠企业管理有限公司 | 基于半监督学习的意图识别方法、装置、设备及介质 |
CN113792540A (zh) * | 2021-09-18 | 2021-12-14 | 平安科技(深圳)有限公司 | 意图识别模型更新方法及相关设备 |
CN114398903A (zh) * | 2022-01-21 | 2022-04-26 | 平安科技(深圳)有限公司 | 意图识别方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227722A (zh) * | 2016-09-12 | 2016-12-14 | 中山大学 | 一种基于上市公司公告摘要的自动提取方法 |
CN106777013A (zh) * | 2016-12-07 | 2017-05-31 | 科大讯飞股份有限公司 | 对话管理方法和装置 |
CN109086265A (zh) * | 2018-06-29 | 2018-12-25 | 厦门快商通信息技术有限公司 | 一种语义训练方法、短文本中多语义词消歧方法 |
CN110188349A (zh) * | 2019-05-21 | 2019-08-30 | 清华大学深圳研究生院 | 一种基于抽取式多文档摘要方法的自动化写作方法 |
CN110874401A (zh) * | 2018-08-31 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 信息处理方法、模型训练方法、装置、终端及计算设备 |
CN111078846A (zh) * | 2019-11-25 | 2020-04-28 | 青牛智胜(深圳)科技有限公司 | 一种基于业务场景的多轮对话体系构建方法及系统 |
CN111339308A (zh) * | 2020-05-22 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 基础分类模型的训练方法、装置和电子设备 |
US20200250378A1 (en) * | 2017-10-20 | 2020-08-06 | Alibaba Group Holding Limited | Methods and apparatuses for identifying a user intent of a statement |
US20200344185A1 (en) * | 2019-04-26 | 2020-10-29 | Oracle International Corporation | Directed acyclic graph based framework for training models |
-
2021
- 2021-02-19 CN CN202110189456.7A patent/CN112988963B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227722A (zh) * | 2016-09-12 | 2016-12-14 | 中山大学 | 一种基于上市公司公告摘要的自动提取方法 |
CN106777013A (zh) * | 2016-12-07 | 2017-05-31 | 科大讯飞股份有限公司 | 对话管理方法和装置 |
US20200250378A1 (en) * | 2017-10-20 | 2020-08-06 | Alibaba Group Holding Limited | Methods and apparatuses for identifying a user intent of a statement |
CN109086265A (zh) * | 2018-06-29 | 2018-12-25 | 厦门快商通信息技术有限公司 | 一种语义训练方法、短文本中多语义词消歧方法 |
CN110874401A (zh) * | 2018-08-31 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 信息处理方法、模型训练方法、装置、终端及计算设备 |
US20200344185A1 (en) * | 2019-04-26 | 2020-10-29 | Oracle International Corporation | Directed acyclic graph based framework for training models |
CN110188349A (zh) * | 2019-05-21 | 2019-08-30 | 清华大学深圳研究生院 | 一种基于抽取式多文档摘要方法的自动化写作方法 |
CN111078846A (zh) * | 2019-11-25 | 2020-04-28 | 青牛智胜(深圳)科技有限公司 | 一种基于业务场景的多轮对话体系构建方法及系统 |
CN111339308A (zh) * | 2020-05-22 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 基础分类模型的训练方法、装置和电子设备 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113220828A (zh) * | 2021-04-28 | 2021-08-06 | 平安科技(深圳)有限公司 | 意图识别模型处理方法、装置、计算机设备及存储介质 |
CN113591881A (zh) * | 2021-08-10 | 2021-11-02 | 平安银行股份有限公司 | 基于模型融合的意图识别方法、装置、电子设备及介质 |
CN113591881B (zh) * | 2021-08-10 | 2023-06-02 | 平安银行股份有限公司 | 基于模型融合的意图识别方法、装置、电子设备及介质 |
CN113704429A (zh) * | 2021-08-31 | 2021-11-26 | 平安普惠企业管理有限公司 | 基于半监督学习的意图识别方法、装置、设备及介质 |
CN113792540A (zh) * | 2021-09-18 | 2021-12-14 | 平安科技(深圳)有限公司 | 意图识别模型更新方法及相关设备 |
CN113792540B (zh) * | 2021-09-18 | 2024-03-22 | 平安科技(深圳)有限公司 | 意图识别模型更新方法及相关设备 |
CN114398903A (zh) * | 2022-01-21 | 2022-04-26 | 平安科技(深圳)有限公司 | 意图识别方法、装置、电子设备及存储介质 |
CN114398903B (zh) * | 2022-01-21 | 2023-06-20 | 平安科技(深圳)有限公司 | 意图识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112988963B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112988963B (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
CN113722483A (zh) | 话题分类方法、装置、设备及存储介质 | |
CN113704429A (zh) | 基于半监督学习的意图识别方法、装置、设备及介质 | |
CN113064994A (zh) | 会议质量评估方法、装置、设备及存储介质 | |
CN113886691A (zh) | 基于历史数据的智能推荐方法、装置、电子设备及介质 | |
CN113821622A (zh) | 基于人工智能的答案检索方法、装置、电子设备及介质 | |
CN113887930A (zh) | 问答机器人健康度评估方法、装置、设备及存储介质 | |
CN114880449A (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
CN113360654B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN114610855A (zh) | 对话回复生成方法、装置、电子设备及存储介质 | |
CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
CN114399775A (zh) | 文档标题生成方法、装置、设备及存储介质 | |
CN113808616A (zh) | 语音合规检测方法、装置、设备及存储介质 | |
CN115510188A (zh) | 文本关键词关联方法、装置、设备及存储介质 | |
CN114943306A (zh) | 意图分类方法、装置、设备及存储介质 | |
CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
CN115221323A (zh) | 基于意图识别模型的冷启动处理方法、装置、设备及介质 | |
CN114595321A (zh) | 问题标注方法、装置、电子设备及存储介质 | |
CN114676307A (zh) | 基于用户检索的排序模型训练方法、装置、设备及介质 | |
CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
CN114548114A (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
CN113515591A (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN113806540A (zh) | 文本打标签方法、装置、电子设备及存储介质 | |
CN112712797A (zh) | 语音识别方法、装置、电子设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |