CN113407698B - 意图识别模型的训练与意图识别的方法、装置 - Google Patents
意图识别模型的训练与意图识别的方法、装置 Download PDFInfo
- Publication number
- CN113407698B CN113407698B CN202110736458.3A CN202110736458A CN113407698B CN 113407698 B CN113407698 B CN 113407698B CN 202110736458 A CN202110736458 A CN 202110736458A CN 113407698 B CN113407698 B CN 113407698B
- Authority
- CN
- China
- Prior art keywords
- intention
- training
- result
- text
- neural network
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 288
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims abstract description 90
- 230000011218 segmentation Effects 0.000 claims abstract description 57
- 238000002372 labelling Methods 0.000 claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 39
- 239000013598 vector Substances 0.000 claims description 110
- 230000006870 function Effects 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
- Character Discrimination (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种意图识别模型的训练与意图识别的方法、装置,涉及自然语言处理、深度学习等人工智能技术领域。意图识别模型的训练方法包括:获取包含多个训练文本与多个训练文本的第一标注意图的训练数据;构建包含特征提取层与第一识别层的神经网络模型;根据多个训练文本的分词结果与多个训练文本的第一标注意图,训练所述神经网络模型,得到意图识别模型。意图识别的方法包括:获取待识别文本;将所述待识别文本的分词结果输入意图识别模型,根据所述意图识别模型的输出结果,得到所述待识别文本的第一意图结果与第二意图结果。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及自然语言处理、深度学习等人工智能技术领域。提供了一种意图识别模型的训练与意图识别的方法、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意图。但现有技术在识别对话语句的意图时,通常仅会识别出对话语句的句子级别意图与词语级别意图中的一种,无法同时识别出对话语句的句子级别意图与词语级别意图。
发明内容
根据本公开的第一方面,提供了一种意图识别模型的训练方法,包括:获取包含多个训练文本与多个训练文本的第一标注意图的训练数据;构建包含特征提取层与第一识别层的神经网络模型,所述第一识别层用于根据候选意图的语义向量与所述特征提取层输出的训练文本中每个分词的第一语义向量,输出训练文本的第一意图结果与训练文本中每个分词与候选意图之间的分数;根据多个训练文本的分词结果与多个训练文本的第一标注意图,训练所述神经网络模型,得到意图识别模型。
根据本公开的第二方面,提供了一种意图识别的方法,包括:获取待识别文本;将所述待识别文本的分词结果输入意图识别模型,根据所述意图识别模型的输出结果,得到所述待识别文本的第一意图结果与第二意图结果。
根据本公开的第三方面,提供了一种意图识别模型的训练装置,包括:第一获取单元,用于获取包含多个训练文本与多个训练文本的第一标注意图的训练数据;构建单元,用于构建包含特征提取层与第一识别层的神经网络模型,所述第一识别层用于根据候选意图的语义向量与所述特征提取层输出的训练文本中每个分词的第一语义向量,输出训练文本的第一意图结果与训练文本中每个分词与候选意图之间的分数;训练单元,用于根据多个训练文本的分词结果与多个训练文本的第一标注意图,训练所述神经网络模型,得到意图识别模型。
根据本公开的第四方面,提供了一种意图识别的装置,包括:第二获取单元,用于获取待识别文本;识别单元,用于将所述待识别文本的分词结果输入意图识别模型,根据所述意图识别模型的输出结果,得到所述待识别文本的第一意图结果与第二意图结果。
根据本公开的第五方面,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如上所述的方法。
根据本公开的第六方面,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,其中,所述计算机指令用于使所述计算机执行如上所述的方法。
根据本公开的第七方面,提供了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如上所述的方法。
由以上技术方案可以看出,本实施例通过构建包含特征提取层与第一识别层的神经网络模型,并设置候选意图的语义向量的方式,使得训练得到的意图识别模型除了能够识别文本的句子级别意图之外,还能够识别文本的词语级别意图,从而提升了意图识别模型的识别性能。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是根据本公开第五实施例的示意图;
图6是根据本公开第六实施例的示意图;
图7是用来实现本公开实施例的意图识别模型的训练与意图识别的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和机构的描述。
图1是根据本公开第一实施例的示意图。如图1所示,本实施例的意图识别模型的训练方法,具体可以包括如下步骤:
S101、获取包含多个训练文本与多个训练文本的第一标注意图的训练数据;
S102、构建包含特征提取层与第一识别层的神经网络模型,所述第一识别层用于根据候选意图的语义向量与所述特征提取层输出的训练文本中每个分词的第一语义向量,输出训练文本的第一意图结果与训练文本中每个分词与候选意图之间的分数;
S103、根据多个训练文本的分词结果与多个训练文本的第一标注意图,训练所述神经网络模型,得到意图识别模型。
本实施例的意图识别模型的训练方法,通过构建包含特征提取层与第一识别层的神经网络模型,并设置候选意图的语义向量的方式,使得神经网络模型中的第一识别层能够根据候选意图的语义向量与特征提取层的输出结果,输出训练文本的第一意图结果与训练文本中每个分词与候选意图之间的分数,而根据训练文本中每个分词与候选意图之间的分数,还能够得到与训练文本中每个分词所对应的意图,因此训练得到的意图识别模型除了能够识别文本的句子级别意图之外,还能够识别文本的词语级别意图,从而提升了意图识别模型的识别性能。
本实施例执行S101所获取的训练数据中,多个训练文本的第一标注意图,即为多个训练文本的句子级别意图的标注结果;每个训练文本可以对应一个第一标注意图,也可以对应多个第一标注意图。
举例来说,若训练文本为“打开导航走高速”,若该训练文本的分词结果为“打开”、“导航”、“走”与“高速”,则该训练文本的第一标注意图可以包含“NAVI”与“HIGHWAY”,该训练文本的第二标注意图可以包含对应“打开”的“NAVI”、对应“导航”的“NAVI”、对应“走”的“HIGHWAY”与对应“高速”的“HIGHWAY”。
本实施例在执行S101获取了包含多个训练文本、多个训练文本的第一标注意图的训练数据之后,执行S102构建包含特征提取层与第一识别层的神经网络模型。
本实施例在执行S102构建神经网络模型时,还可以预先设置多个候选意图,以及与每个候选意图所对应的语义向量,候选意图的语义向量用于表示候选意图的语义,其会随着神经网络模型的训练而不断进行更新。
具体地,本实施例执行S102构建的神经网络模型中,特征提取层在根据所输入的训练文本的分词结果,输出训练文本中每个分词的第一语义向量时,可以采用的可选实现方式为:针对每个训练文本,得到该训练文本中每个分词的词向量,例如对分词进行嵌入(embedding)处理,得到分词的词向量;根据每个分词的词向量,分别得到每个分词的编码结果与注意力计算结果,例如将词向量输入双向长短期记忆网络(Bi-Lstm)编码器来得到编码结果,将词向量输入多头注意力层来得到注意力计算结果;对每个分词的编码结果与注意力计算结果之间的拼接结果进行解码,将解码结果作为每个分词的第一语义向量,例如将拼接结果输入长短期记忆网络(Lstm)解码器来得到解码结果。
本实施例在执行S102将词向量输入多头注意力层得到注意力计算结果时,可以使用三个不同的线性层对词向量进行变换,分别得到Q(queries matrices,查询矩阵)、K(keys matrices,键值矩阵)与V(values matrices),进而根据所得到的Q、K与V,得到每个分词的注意力计算结果。
其中,本实施例可以使用以下公式得到每个分词的注意力计算结果:
在公式中:C表示分词的注意力计算结果;Q表示查询矩阵;K表示键值矩阵;V表示值矩阵;dk表示分词的数量。
具体地,本实施例执行S102构建的神经网络模型中,第一识别层在根据候选意图的语义向量与特征提取层输出的训练文本中每个分词的第一语义向量,输出训练文本的第一意图结果与训练文本中每个分词与候选意图之间的分数时,可以采用的可选实现方式为:针对每个训练文本,根据该训练文本中每个分词的第一语义向量与候选意图的语义向量,得到每个分词的第二语义向量以及每个分词与候选意图之间的分数,其中每个分词与候选意图之间的分数可以为两者之间的注意力分值;根据每个分词的第二语义向量进行分类,将分类结果作为训练文本的第一意图结果,例如将分词的第二语义向量经过线性层变换之后输入分类器,由分类器得到每个候选意图的分数,进而选取分数超过预设阈值的候选意图作为训练文本的第一意图结果。
其中,本实施例在执行S102得到每个分词的第二语义向量时,可以将候选意图的语义向量经过线性层变换所得到的结果作为Q,将分词的第一语义向量经过两个不同的线性层变换所得到的结果分别作为K和V,进而根据所得到的Q、K与V计算得到每个分词的第二语义向量。
本实施例在执行S102构建包含特征提取层与第一识别层的神经网络模型之后,执行S103根据多个训练文本的分词结果与多个训练文本的第一标注意图,训练神经网络模型,得到意图识别模型。
本实施例执行S103训练得到的意图识别模型,能够根据所输入的文本的分词结果,输出该文本的句子级别意图与词语级别意图。
具体地,本实施例在执行S103根据多个训练文本的分词结果与多个训练文本的第一标注意图,训练神经网络模型,得到意图识别模型时,可以采用的可选实现方式为:分别将多个训练文本的分词结果输入神经网络模型,得到神经网络模型针对每个训练文本输出的第一意图结果;根据多个训练文本的第一意图结果与多个训练文本的第一标注意图计算损失函数值;根据计算得到的损伤函数值调整神经网络模型的参数与候选意图的语义向量,在确定计算得到的损伤函数值收敛的情况下,完成对神经网络模型的训练,得到意图识别模型。
也就是说,本实施例在训练神经网络模型的过程中,还会不断地调整候选意图的语义向量,使得候选意图的语义向量能够更加准确地表示候选意图的语义,进而提高了在根据候选意图的语义向量与训练文本中各分词的第一语义向量得到训练文本的第一意图结果时的准确性。
图2是根据本公开第二实施例的示意图。如图2所示,本实施例的意图识别模型的训练方法,具体可以包括如下步骤:
S201、获取包含多个训练文本、多个训练文本的第一标注意图与多个训练文本的第二标注意图的训练数据;
S202、构建包含特征提取层、第一识别层与第二识别层的神经网络模型,所述第二识别层用于根据所述特征提取层输出的训练文本中每个分词的第一语义向量,输出训练文本的第二意图结果;
S203、根据多个训练文本的分词结果、多个训练文本的第一标注意图与多个训练文本的第二标注意图,训练所述神经网络模型,得到意图识别模型。
也就是说,本实施例所获取的训练数据中还会包含训练文本的第二标注意图,并相应地构建包含第二识别层的神经网络模型,从而根据包含有第一标注意图与第二标注意图的训练文本训练得到意图识别模型,通过本实施例训练得到的意图识别模型,无需根据第一识别层所输出的训练文本中每个分词与候选意图之间的分数来得到训练文本中每个分词的意图识别结果,进一步提升了意图识别模型在进行意图识别时的效率。
本实施例执行S201所获取的训练数据中,多个训练文本的第二标注意图,即为多个训练文本的词语级别意图;每个训练文本中的一个分词与一个第二标注意图相对应。
本实施例执行S202构建的神经网络模型中,第二识别层在根据特征特征提取层输出的训练文本中每个分词的第一语义向量,输出训练文本的第二意图结果时,可以采用的可选实现方式为:针对每个训练文本,分别根据该训练文本中每个分词的第一语义向量进行分类,将每个分词的分类结果作为该训练文本的第二意图结果,例如将每个分词的第一语义向量经过线性层变换之后输入分类器,由分类器得到每个候选意图的分数,进而选取分数超过预设阈值的候选意图作为该分词对应的第二意图结果。
本实施例在执行S203根据多个训练文本的分词结果、多个训练文本的第一标注意图与多个训练文本的第二标注意图,训练神经网络模型,得到意图识别模型时,可以采用的可选实现方式为:分别将多个训练文本的分词结果输入神经网络模型,得到神经网络模型针对每个训练文本输出的第一意图结果与第二意图结果;根据多个训练文本的第一意图结果与多个训练文本的第一标注意图计算第一损失函数值,根据多个训练文本的第二意图结果与多个训练文本的第二标注意图计算第二损失函数值;根据计算得到的第一损伤函数值与第二损失函数值调整神经网络模型的参数与候选意图的语义向量,在确定计算得到的第一损伤函数值与第二损失函数值收敛的情况下,完成对神经网络模型的训练,得到意图识别模型。
图3是根据本公开第三实施例的示意图。如图3所示,本实施例的意图识别的方法,具体可以包括如下步骤:
S301、获取待识别文本;
S302、将所述待识别文本的分词结果输入意图识别模型,根据所述意图识别模型的输出结果,得到所述待识别文本的第一意图结果与第二意图结果。
也就是说,本实施例使用预先训练得到的意图识别模型对待识别文本进行意图识别,由于该意图识别模型能够输出待识别文本的句子级别意图与词语级别意图,因此丰富了所识别得到的意图的种类,提升了意图识别的准确性。
由于本实施例所使用的意图识别模型可能是通过不同的训练方式所得到的,若是通过构建包含第二识别层的神经网络模型与包含第二标注意图的训练数据所训练得到的,则本实施例在将待识别文本的分词结果输入意图识别模型之后,该意图识别模型可以通过第一识别层来输出第一意图结果,通过第二识别层来输出第二意图结果。
若是未通过构建包含第二识别层的神经网络模型与包含第二标注意图的训练数据所训练得到的,则本实施例在将待识别文本的分词结果输入意图识别模型之后,该意图识别模型通过第一识别层来输出第一意图结果与待识别文本中各分词与候选意图之间的分数,本实施例在执行S302根据意图识别模型的输出结果得到第二意图结果时,可以采用的可选实现方式为:根据意图识别模型所输出的待识别文本中各分词与候选意图之间的分数,得到待识别文本的第二意图结果,例如本实施例可以根据各分词与候选意图之间的分数构成分数矩阵,进而使用维特比(viterbi)算法进行搜索得到对应每个分词的第二意图结果。
图4是根据本公开第四实施例的示意图。图4示出了本实施例在进行意图识别时的流程图:若待识别文本为“打开导航走高速”,若该待识别文本的分词结果为“打开”、“导航”、“走”与“高速”,若候选意图包含“NAVI”、“HIGHWAY”与“POI”,各候选意图的语义向量分别为l1、l2与l3;将待识别文本的分词结果输入意图识别模型,意图识别模型中的特征提取层将每个分词结果的词向量经过编码器层、注意力层、连接层与解码器层之后,得到对应“打开”的第一语义向量h1、对应“导航”的第一语义向量h2、对应“走”的第一语义向量h3与对应“高速”的第一语义向量h4;然后将各分词结果的第一语义向量输入第二识别层,得到由第二识别层所输出的对应各分词结果的第二意图结果为“NAVI”、“NAVI”、“HIGHWAY”与“HIGHWAY”;将对应各分词的第一语义向量与各候选意图的语义向量输入第一识别层,得到由第一识别层所输出的对应待识别文本的第一意图结果为“NAVI”、“HIGHWAY”;另外,第一识别层还会输出待识别文本中的各分词结果与候选意图之间的分数,例如图4中左侧的分数矩阵。
图5是根据本公开第五实施例的示意图。如图5所示,本实施例的意图识别模型的训练装置500,包括:
第一获取单元501、用于获取包含多个训练文本与多个训练文本的第一标注意图的训练数据;
构建单元502、用于构建包含特征提取层与第一识别层的神经网络模型,所述第一识别层用于根据候选意图的语义向量与所述特征提取层输出的训练文本中每个分词的第一语义向量,输出训练文本的第一意图结果与训练文本中每个分词与候选意图之间的分数;
训练单元503、用于根据多个训练文本的分词结果与多个训练文本的第一标注意图,训练所述神经网络模型,得到意图识别模型。
第一获取单元501所获取的训练数据中,多个训练文本的第一标注意图,即为多个训练文本的句子级别意图的标注结果;每个训练文本可以对应一个第一标注意图,也可以对应多个第一标注意图。
第一获取单元501在获取训练数据时,还可以获取多个训练文本的第二标注意图,即为多个训练文本的词语级别意图;每个训练文本中的一个分词与一个第二标注意图相对应。
第一获取单元501在获取了训练数据之后,由构建单元502构建包含特征提取层与第一识别层的神经网络模型。
构建单元502在构建神经网络模型时,还可以预先设置多个候选意图,以及与每个候选意图所对应的语义向量,候选意图的语义向量用于表示候选意图的语义,其会随着神经网络模型的训练而不断进行更新。
具体地,构建单元502构建的神经网络模型中,特征提取层在根据所输入的训练文本的分词结果,输出训练文本中每个分词的第一语义向量时,可以采用的可选实现方式为:针对每个训练文本,得到该训练文本中每个分词的词向量;根据每个分词的词向量,分别得到每个分词的编码结果与注意力计算结果;对每个分词的编码结果与注意力计算结果之间的拼接结果进行解码,将解码结果作为每个分词的第一语义向量。
构建单元502在将词向量输入多头注意力层得到注意力计算结果时,可以使用三个不同的线性层对词向量进行变换,分别得到Q(queries matrices,查询矩阵)、K(keysmatrices,键值矩阵)与V(values matrices),进而根据所得到的Q、K与V,得到每个分词的注意力计算结果。
具体地,构建单元502构建的神经网络模型中,第一识别层在根据候选意图的语义向量与特征提取层输出的训练文本中每个分词的第一语义向量,输出训练文本的第一意图结果与训练文本中每个分词与候选意图之间的分数时,可以采用的可选实现方式为:针对每个训练文本,根据该训练文本中每个分词的第一语义向量与候选意图的语义向量,得到每个分词的第二语义向量以及每个分词与候选意图之间的分数,其中每个分词与候选意图之间的分数可以为两者之间的注意力分值;根据每个分词的第二语义向量进行分类,将分类结果作为训练文本的第一意图结果。
其中,构建单元502得到每个分词的第二语义向量时,可以将候选意图的语义向量经过线性层变换所得到的结果作为Q,将分词的第一语义向量经过两个不同的线性层变换所得到的结果分别作为K和V,进而根据所得到的Q、K与V计算得到每个分词的第二语义向量。
构建单元502还可以构建包含第二识别层的神经网络模型,第二识别层在根据特征特征提取层输出的训练文本中每个分词的第一语义向量,输出训练文本的第二意图结果时,可以采用的可选实现方式为:针对每个训练文本,分别根据该训练文本中每个分词的第一语义向量进行分类,将每个分词的分类结果作为该训练文本的第二意图结果。
本实施例在由构建单元502构建包含特征提取层与第一识别层的神经网络模型之后,由训练单元503根据多个训练文本的分词结果与多个训练文本的第一标注意图,训练神经网络模型,得到意图识别模型。
具体地,训练单元503在根据多个训练文本的分词结果与多个训练文本的第一标注意图,训练神经网络模型,得到意图识别模型时,可以采用的可选实现方式为:分别将多个训练文本的分词结果输入神经网络模型,得到神经网络模型针对每个训练文本输出的第一意图结果;根据多个训练文本的第一意图结果与多个训练文本的第一标注意图计算损失函数值;根据计算得到的损伤函数值调整神经网络模型的参数与候选意图的语义向量,在确定计算得到的损伤函数值收敛的情况下,完成对神经网络模型的训练,得到意图识别模型。
也就是说,本实施例在训练神经网络模型的过程中,还会不断地调整候选意图的语义向量,使得候选意图的语义向量能够更加准确地表示候选意图的语义,进而提高了在根据候选意图的语义向量与训练文本中各分词的第一语义向量得到训练文本的第一意图结果时的准确性。
训练单元503在根据多个训练文本的分词结果、多个训练文本的第一标注意图与多个训练文本的第二标注意图,训练神经网络模型,得到意图识别模型时,可以采用的可选实现方式为:分别将多个训练文本的分词结果输入神经网络模型,得到神经网络模型针对每个训练文本输出的第一意图结果与第二意图结果;根据多个训练文本的第一意图结果与多个训练文本的第一标注意图计算第一损失函数值,根据多个训练文本的第二意图结果与多个训练文本的第二标注意图计算第二损失函数值;根据计算得到的第一损伤函数值与第二损失函数值调整神经网络模型的参数与候选意图的语义向量,在确定计算得到的第一损伤函数值与第二损失函数值收敛的情况下,完成对神经网络模型的训练,得到意图识别模型。
图6是根据本公开第六实施例的示意图。如图6所示,本实施例的意图识别的装置600,包括:
第二获取单元601、用于获取待识别文本;
识别单元602、用于将所述待识别文本的分词结果输入意图识别模型,根据所述意图识别模型的输出结果,得到所述待识别文本的第一意图结果与第二意图结果。
由于本实施例所使用的意图识别模型可能是通过不同的训练方式所得到的,若是通过构建包含第二识别层的神经网络模型与包含第二标注意图的训练数据所训练得到的,则识别单元602在将待识别文本的分词结果输入意图识别模型之后,该意图识别模型可以通过第一识别层来输出第一意图结果,通过第二识别层来输出第二意图结果。
若是未通过构建包含第二识别层的神经网络模型与包含第二标注意图的训练数据所训练得到的,则识别单元602在将待识别文本的分词结果输入意图识别模型之后,该意图识别模型通过第一识别层来输出第一意图结果与待识别文本中各分词与候选意图之间的分数,识别单元602在根据意图识别模型的输出结果得到第二意图结果时,可以采用的可选实现方式为:根据意图识别模型所输出的待识别文本中各分词与候选意图之间的分数,得到待识别文本的第二意图结果。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图7所示,是根据本公开实施例的意图识别模型的训练与意图识别的方法的电子设备的框图。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/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如意图识别模型的训练与意图识别的方法。例如,在一些实施例中,意图识别模型的训练与意图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708。
在一些实施例中,计算机程序的部分或者全部可以经由ROM702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的意图识别模型的训练与意图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701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行意图识别模型的训练与意图识别的方法。
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、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。
用于实施本公开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。
在本公开的上下文中,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)和互联网。
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,本公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (20)
1.一种意图识别模型的训练方法,包括:
获取包含多个训练文本与多个训练文本的第一标注意图的训练数据;
构建包含特征提取层与第一识别层的神经网络模型,所述第一识别层用于根据候选意图的语义向量与所述特征提取层输出的训练文本中每个分词的第一语义向量,输出训练文本的第一意图结果与训练文本中每个分词与候选意图之间的分数,所述神经网络模型中所述候选意图的语义向量用于表示候选意图的语义,其会随着所述神经网络模型的训练而进行更新;
根据多个训练文本的分词结果与多个训练文本的第一标注意图,训练所述神经网络模型,得到意图识别模型。
2.根据权利要求1所述的方法,其中,所述特征提取层输出训练文本中每个分词的第一语义向量包括:
针对每个训练文本,得到该训练文本中每个分词的词向量;
根据每个分词的词向量,分别得到每个分词的编码结果与注意力计算结果;
对每个分词的编码结果与注意力计算结果之间的拼接结果进行解码,将解码结果作为每个分词的第一语义向量。
3.根据权利要求1所述的方法,其中,所述第一识别层根据候选意图的语义向量与所述特征提取层输出的训练文本中每个分词的第一语义向量,输出训练文本的第一意图结果与训练文本中每个分词与候选意图之间的分数包括:
针对每个训练文本,根据该训练文本中每个分词的第一语义向量与候选意图的语义向量,得到每个分词的第二语义向量以及每个分词与候选意图之间的分数;
根据每个分词的第二语义向量进行分类,将分类结果作为训练文本的第一意图结果。
4.根据权利要求1所述的方法,其中,所述根据多个训练文本的分词结果与多个训练文本的第一标注意图,训练所述神经网络模型,得到意图识别模型包括:
分别将多个训练文本的分词结果输入所述神经网络模型,得到所述神经网络模型针对每个训练文本输出的第一意图结果;
根据多个训练文本的第一意图结果与多个训练文本的第一标注意图,计算损失函数值;
根据计算得到的损伤函数值调整所述神经网络模型的参数与所述候选意图的语义向量,直至所述神经网络模型收敛,得到所述意图识别模型。
5.根据权利要求1所述的方法,其中,所述获取多个训练文本与多个训练文本的第一标注意图的训练数据包括:
获取包含多个训练文本、多个训练文本的第一标注意图与多个训练文本的第二标注意图的训练数据。
6.根据权利要求5所述的方法,其中,所述构建包含特征提取层与第一识别层的神经网络模型包括:
构建包含特征提取层、第一识别层与第二识别层的神经网络模型,所述第二识别层用于根据所述特征提取层输出的训练文本中每个分词的第一语义向量,输出训练文本的第二意图结果。
7.根据权利要求6所述的方法,其中,所述根据多个训练文本的分词结果与多个训练文本的第一标注意图,训练所述神经网络模型,得到意图识别模型包括:
分别将多个训练文本的分词结果输入所述神经网络模型,得到所述神经网络模型针对每个训练文本输出的第一意图结果与第二意图结果;
根据多个训练文本的第一意图结果与多个训练文本的第一标注意图计算第一损失函数值,根据多个训练文本的第二意图结果与多个训练文本的第二标注意图计算第二损失函数值;
根据计算得到的第一损伤函数值与第二损失函数值调整所述神经网络模型的参数与所述候选意图的语义向量,直至所述神经网络模型收敛,得到所述意图识别模型。
8.一种意图识别的方法,包括:
获取待识别文本;
将所述待识别文本的分词结果输入意图识别模型,根据所述意图识别模型的输出结果,得到所述待识别文本的第一意图结果与第二意图结果;
其中,所述意图识别模型是根据权利要求1-7中任一项方法预先训练得到的。
9.根据权利要求8所述的方法,其中,所述根据所述意图识别模型的输出结果,得到所述待识别文本的第二意图结果包括:
根据所述意图识别模型输出的所述待识别文本中各分词与候选意图之间的分数,得到所述待识别文本的第二意图结果。
10.一种意图识别模型的训练装置,包括:
第一获取单元,用于获取包含多个训练文本与多个训练文本的第一标注意图的训练数据;
构建单元,用于构建包含特征提取层与第一识别层的神经网络模型,所述第一识别层用于根据候选意图的语义向量与所述特征提取层输出的训练文本中每个分词的第一语义向量,输出训练文本的第一意图结果与训练文本中每个分词与候选意图之间的分数,所述神经网络模型中所述候选意图的语义向量用于表示候选意图的语义,其会随着所述神经网络模型的训练而进行更新;
训练单元,用于根据多个训练文本的分词结果与多个训练文本的第一标注意图,训练所述神经网络模型,得到意图识别模型。
11.根据权利要求10所述的装置,其中,所述构建单元构建的特征提取层,在输出训练文本中每个分词的第一语义向量时,具体执行:
针对每个训练文本,得到该训练文本中每个分词的词向量;
根据每个分词的词向量,分别得到每个分词的编码结果与注意力计算结果;
对每个分词的编码结果与注意力计算结果之间的拼接结果进行解码,将解码结果作为每个分词的第一语义向量。
12.根据权利要求10所述的装置,其中,所述构建单元构建的第一识别层,在根据候选意图的语义向量与所述特征提取层输出的训练文本中每个分词的第一语义向量,输出训练文本的第一意图结果与训练文本中每个分词与候选意图之间的分数时,具体执行:
针对每个训练文本,根据该训练文本中每个分词的第一语义向量与候选意图的语义向量,得到每个分词的第二语义向量以及每个分词与候选意图之间的分数;
根据每个分词的第二语义向量进行分类,将分类结果作为训练文本的第一意图结果。
13.根据权利要求10所述的装置,其中,所述训练单元在根据多个训练文本的分词结果与多个训练文本的第一标注意图,训练所述神经网络模型,得到意图识别模型时,具体执行:
分别将多个训练文本的分词结果输入所述神经网络模型,得到所述神经网络模型针对每个训练文本输出的第一意图结果;
根据多个训练文本的第一意图结果与多个训练文本的第一标注意图,计算损失函数值;
根据计算得到的损伤函数值调整所述神经网络模型的参数与所述候选意图的语义向量,直至所述神经网络模型收敛,得到所述意图识别模型。
14.根据权利要求10所述的装置,其中,所述第一获取单元在获取多个训练文本与多个训练文本的第一标注意图的训练数据时,具体执行:
获取包含多个训练文本、多个训练文本的第一标注意图与多个训练文本的第二标注意图的训练数据。
15.根据权利要求14所述的装置,其中,所述构建单元在构建包含特征提取层与第一识别层的神经网络模型时,具体执行:
构建包含特征提取层、第一识别层与第二识别层的神经网络模型,所述第二识别层用于根据所述特征提取层输出的训练文本中每个分词的第一语义向量,输出训练文本的第二意图结果。
16.根据权利要求15所述的装置,其中,所述训练单元在根据多个训练文本的分词结果与多个训练文本的第一标注意图,训练所述神经网络模型,得到意图识别模型时,具体执行:
分别将多个训练文本的分词结果输入所述神经网络模型,得到所述神经网络模型针对每个训练文本输出的第一意图结果与第二意图结果;
根据多个训练文本的第一意图结果与多个训练文本的第一标注意图计算第一损失函数值,根据多个训练文本的第二意图结果与多个训练文本的第二标注意图计算第二损失函数值;
根据计算得到的第一损伤函数值与第二损失函数值调整所述神经网络模型的参数与所述候选意图的语义向量,直至所述神经网络模型收敛,得到所述意图识别模型。
17.一种意图识别的装置,包括:
第二获取单元,用于获取待识别文本;
识别单元,用于将所述待识别文本的分词结果输入意图识别模型,根据所述意图识别模型的输出结果,得到所述待识别文本的第一意图结果与第二意图结果;
其中,所述意图识别模型是根据权利要求10-16中任一项装置预先训练得到的。
18.根据权利要求17所述的装置,其中,所述识别单元在根据所述意图识别模型的输出结果,得到所述待识别文本的第二意图结果时,具体执行:
根据所述意图识别模型输出的所述待识别文本中各分词与候选意图之间的分数,得到所述待识别文本的第二意图结果。
19.一种电子设备,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1-9中任一项所述的方法。
20.一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1-9中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110736458.3A CN113407698B (zh) | 2021-06-30 | 2021-06-30 | 意图识别模型的训练与意图识别的方法、装置 |
JP2022033969A JP2023007373A (ja) | 2021-06-30 | 2022-03-04 | 意図識別モデルの訓練及び意図識別の方法及び装置 |
US17/825,303 US20230004798A1 (en) | 2021-06-30 | 2022-05-26 | Intent recognition model training and intent recognition method and apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110736458.3A CN113407698B (zh) | 2021-06-30 | 2021-06-30 | 意图识别模型的训练与意图识别的方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113407698A CN113407698A (zh) | 2021-09-17 |
CN113407698B true CN113407698B (zh) | 2022-08-23 |
Family
ID=77680552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110736458.3A Active CN113407698B (zh) | 2021-06-30 | 2021-06-30 | 意图识别模型的训练与意图识别的方法、装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230004798A1 (zh) |
JP (1) | JP2023007373A (zh) |
CN (1) | CN113407698B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330364B (zh) * | 2021-12-27 | 2022-11-11 | 北京百度网讯科技有限公司 | 模型训练方法、意图识别方法、装置和电子设备 |
CN114785842B (zh) * | 2022-06-22 | 2022-08-30 | 北京云迹科技股份有限公司 | 基于语音交换系统的机器人调度方法、装置、设备及介质 |
CN117909508B (zh) * | 2024-03-20 | 2024-07-02 | 成都赛力斯科技有限公司 | 意图识别方法、模型训练方法、装置、设备及存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108763510B (zh) * | 2018-05-30 | 2021-10-15 | 北京五八信息技术有限公司 | 意图识别方法、装置、设备及存储介质 |
WO2020056621A1 (zh) * | 2018-09-19 | 2020-03-26 | 华为技术有限公司 | 一种意图识别模型的学习方法、装置及设备 |
US10963652B2 (en) * | 2018-12-11 | 2021-03-30 | Salesforce.Com, Inc. | Structured text translation |
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 |
CN113330511B (zh) * | 2019-04-17 | 2022-04-22 | 深圳市欢太科技有限公司 | 语音识别方法、装置、存储介质及电子设备 |
CN110287283B (zh) * | 2019-05-22 | 2023-08-01 | 中国平安财产保险股份有限公司 | 意图模型训练方法、意图识别方法、装置、设备及介质 |
CN110909136B (zh) * | 2019-10-10 | 2023-05-23 | 百度在线网络技术(北京)有限公司 | 满意度预估模型的训练方法、装置、电子设备及存储介质 |
CN111143561B (zh) * | 2019-12-26 | 2023-04-07 | 北京百度网讯科技有限公司 | 意图识别模型训练方法、装置及电子设备 |
US10978053B1 (en) * | 2020-03-03 | 2021-04-13 | Sas Institute Inc. | System for determining user intent from text |
CN111814058A (zh) * | 2020-08-20 | 2020-10-23 | 深圳市欢太科技有限公司 | 基于用户意图的推送方法、装置、电子设备及存储介质 |
CN112541079A (zh) * | 2020-12-10 | 2021-03-23 | 杭州远传新业科技有限公司 | 多意图识别方法、装置、设备及介质 |
CN112905893B (zh) * | 2021-03-22 | 2024-01-12 | 北京百度网讯科技有限公司 | 搜索意图识别模型的训练方法、搜索意图识别方法及装置 |
-
2021
- 2021-06-30 CN CN202110736458.3A patent/CN113407698B/zh active Active
-
2022
- 2022-03-04 JP JP2022033969A patent/JP2023007373A/ja active Pending
- 2022-05-26 US US17/825,303 patent/US20230004798A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2023007373A (ja) | 2023-01-18 |
US20230004798A1 (en) | 2023-01-05 |
CN113407698A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113407698B (zh) | 意图识别模型的训练与意图识别的方法、装置 | |
CN112466288B (zh) | 语音识别方法、装置、电子设备及存储介质 | |
EP4064277B1 (en) | Method and apparatus for training speech recognition model, device and storage medium | |
CN112528655B (zh) | 关键词生成方法、装置、设备及存储介质 | |
CN113053367A (zh) | 语音识别方法、语音识别的模型训练方法以及装置 | |
CN113887627A (zh) | 噪音样本的识别方法、装置、电子设备以及存储介质 | |
US20230114673A1 (en) | Method for recognizing token, electronic device and storage medium | |
CN112559885A (zh) | 地图兴趣点的训练模型确定方法、装置及电子设备 | |
CN115640520B (zh) | 跨语言跨模态模型的预训练方法、设备和存储介质 | |
CN113743101A (zh) | 文本纠错方法、装置、电子设备和计算机存储介质 | |
CN113361523A (zh) | 文本确定方法、装置、电子设备和计算机可读存储介质 | |
CN115358243A (zh) | 多轮对话识别模型的训练方法、装置、设备及存储介质 | |
CN113408273B (zh) | 文本实体识别模型的训练与文本实体识别方法、装置 | |
CN113129869B (zh) | 语音识别模型的训练与语音识别的方法、装置 | |
CN114861637A (zh) | 拼写纠错模型生成方法和装置、拼写纠错方法和装置 | |
CN114861758A (zh) | 多模态数据处理方法、装置、电子设备及可读存储介质 | |
CN114758649B (zh) | 一种语音识别方法、装置、设备和介质 | |
CN114973279B (zh) | 手写文本图像生成模型的训练方法、装置和存储介质 | |
CN112507712B (zh) | 建立槽位识别模型与槽位识别的方法、装置 | |
CN113204616B (zh) | 文本抽取模型的训练与文本抽取的方法、装置 | |
CN114067805A (zh) | 声纹识别模型的训练与声纹识别方法及装置 | |
CN114023310A (zh) | 应用于语音数据处理的方法、装置及计算机程序产品 | |
CN113641724A (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
CN112632999A (zh) | 命名实体识别模型获取及命名实体识别方法、装置及介质 | |
CN114896993B (zh) | 翻译模型的生成方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |