CN113486674A - 基于人工智能的针对多轮对话进行语义分析的方法和装置 - Google Patents
基于人工智能的针对多轮对话进行语义分析的方法和装置 Download PDFInfo
- Publication number
- CN113486674A CN113486674A CN202110735380.3A CN202110735380A CN113486674A CN 113486674 A CN113486674 A CN 113486674A CN 202110735380 A CN202110735380 A CN 202110735380A CN 113486674 A CN113486674 A CN 113486674A
- Authority
- CN
- China
- Prior art keywords
- sample
- sentence
- semantic analysis
- vector
- word
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 131
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- 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
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及一种基于人工智能的针对多轮对话进行语义分析的方法和装置,获取样本多轮对话数据,对各样本语句进行分词处理,得到各样本语句中的各个样本词语,得到各样本语句的句向量,将当前样本语句的句向量与各历史样本语句的句向量分别进行组合,得到句向量集合,并对句向量集合进行向量编码,得到上下文编码向量,根据上下文编码向量构建语义分析训练集,根据语义分析训练集,对语义分析模型进行训练,根据训练得到的语义分析模型进行语义分析。利用样本多轮对话数据中的当前样本语句和历史样本语句,即结合多轮对话数据中的上下文信息进行语义识别,相较于只对当前一轮对话中的语句进行语义分析,语义分析的准确性得到很大的提升。
Description
技术领域
本发明涉及一种基于人工智能的针对多轮对话进行语义分析的方法和装置。
背景技术
在与智能机器人进行人机交互时,通常需要与智能机器人进行多轮对话,智能机器人根据多轮对话进行语义分析时,通常只对当前一轮对话中的语句进行语义分析,由于各轮对话之间通常存在很密切的关联,因此,这种语义分析方法的准确性较低。
发明内容
本发明提供一种基于人工智能的针对多轮对话进行语义分析的方法和装置,用于解决现有的针对多轮对话进行语义分析的方法的准确性较低的技术问题。
一种基于人工智能的针对多轮对话进行语义分析的方法,包括:
获取样本多轮对话数据,所述样本多轮对话数据中的各样本语句包括当前样本语句和至少一个历史样本语句;
基于预设的词语数据库,对各样本语句进行分词处理,得到各样本语句中的各个样本词语;
根据各样本语句中的各个样本词语,得到各样本语句的句向量;
将所述当前样本语句的句向量与各历史样本语句的句向量分别进行组合,得到句向量集合,并对所述句向量集合进行向量编码,得到上下文编码向量;
构建语义分析训练集,所述语义分析训练集包括所述上下文编码向量,并根据所述语义分析训练集,对语义分析模型进行训练;
根据训练得到的语义分析模型进行语义分析。
优选地,所述基于预设的词语数据库,对各样本语句进行分词处理,得到各样本语句中的各个样本词语,具体为:
对于任意一个样本语句,将该样本语句输入至所述词语数据库中,获取该样本语句中存在于所述词语数据库中的各个词语,得到的各个词语为该样本语句中的各个样本词语。
优选地,所述将该样本语句输入至所述词语数据库中,获取该样本语句中存在于所述词语数据库中的各个词语,得到的各个词语为该样本语句中的各个样本词语,具体为:
将该样本语句输入至所述词语数据库中,获取该样本语句中存在于所述词语数据库中的各个初始词语;
获取各个初始词语在所述样本多轮对话数据中出现的次数;
根据预设次数阈值,获取所述各个初始词语中的出现次数大于或者等于所述预设次数阈值的初始词语,获取得到的初始词语为该样本语句中的样本词语。
优选地,所述根据各样本语句中的各个样本词语,得到各样本语句的句向量,具体为:
对于任意一个样本语句,将该样本语句中的各个样本词语进行向量转换,得到对应的词向量;
根据各个样本词语对应的词向量,以及各个样本词语在该样本语句中的顺序,对各个样本词语对应的词向量进行排序,得到词向量序列;
对所述词向量序列进行向量转换,得到该样本语句的句向量。
优选地,所述将该样本语句中的各个样本词语进行向量转换,得到对应的词向量,具体为:
获取各个样本词语在所述样本多轮对话数据中出现的次数;
根据各个样本词语在所述样本多轮对话数据中的出现次数,将各个样本词语进行向量转换成对应维度的词向量。
优选地,所述将所述当前样本语句的句向量与各历史样本语句的句向量分别进行组合,得到句向量集合,具体为:
根据向量矢量相加算法,将所述当前样本语句的句向量与各历史样本语句的句向量分别进行组合,得到句向量集合。
优选地,所述对所述句向量集合进行向量编码,得到上下文编码向量,具体为:
将所述句向量集合输入至预设的全连接神经网络,得到句向量序列数据;
将所述句向量序列数据输入至预设的序列编码器中进行编码处理,得到所述上下文编码向量。
优选地,所述语义分析训练集的构建过程,包括:
根据所述样本多轮对话数据中的各样本语句在所述样本多轮对话数据中的顺序,以及所述上下文编码向量,构建所述语义分析训练集。
一种基于人工智能的针对多轮对话进行语义分析的装置,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所可执行代码时,实现上述基于人工智能的针对多轮对话进行语义分析的方法。
本发明提供的基于人工智能的针对多轮对话进行语义分析的方法的技术效果包括:对各样本语句进行分词处理,得到各样本语句中的各个样本词语,根据各样本语句中的各个样本词语,得到各样本语句的句向量,将当前样本语句的句向量与各历史样本语句的句向量分别进行组合,得到句向量集合,并对句向量集合进行向量编码,得到上下文编码向量,以包含上下文编码向量的语义分析训练集对语义分析模型进行训练,就可以根据训练得到的语义分析模型进行语义分析。因此,本发明提供的基于人工智能的针对多轮对话进行语义分析的方法,需要利用样本多轮对话数据中的当前样本语句和历史样本语句,即结合多轮对话数据中的上下文信息进行语义识别,相较于只对当前一轮对话中的语句进行语义分析,语义分析的准确性得到很大的提升。
附图说明
图1是本发明提供的一种基于人工智能的针对多轮对话进行语义分析的方法的流程图。
具体实施方式
本实施例提供一种基于人工智能的针对多轮对话进行语义分析的方法,该基于人工智能的针对多轮对话进行语义分析的方法对应的终端设备可以为智能机器人、智能移动终端等等。
如图1所示,该基于人工智能的针对多轮对话进行语义分析的方法包括如下步骤:
步骤1:获取样本多轮对话数据,所述样本多轮对话数据中的各样本语句包括当前样本语句和至少一个历史样本语句:
获取样本多轮对话数据,样本多轮对话数据为语义分析模型的训练基础。样本多轮对话数据包括至少两个样本语句,样本语句的具体个数由实际需要进行设置。由于样本多轮对话数据中的各样本语句之间具有先后顺序,因此,可以将样本多轮对话数据中的最后一个样本语句定义为当前样本语句,将当前样本语句之前的各个样本语句定义为历史样本语句。因此,样本多轮对话数据中的各样本语句包括当前样本语句和至少一个历史样本语句。
应当理解,各样本语句的具体内容由实际应用场景决定。
步骤2:基于预设的词语数据库,对各样本语句进行分词处理,得到各样本语句中的各个样本词语:
预设有一个词语数据库,该词语数据库中包括至少两个词语,词语个数以及各个词语的具体内容由实际需要进行设置。对样本语句可以按照已有的分词器进行分词处理。由于各个样本语句的分词处理过程相同,以下以任一个样本语句进行说明。对于任意一个样本语句,将该样本语句输入至词语数据库中,具体是将该样本语句分词得到的各个词语输入词语数据库中,将该样本语句分词得到的各个词语与词语数据库中的各个词语进行比对,获取该样本语句中存在于词语数据库中的各个词语,得到的各个词语为该样本语句中的各个样本词语。
本实施例中,将该样本语句输入至词语数据库中,获取该样本语句中存在于词语数据库中的各个词语定义为初始词语。然后获取各个初始词语在样本多轮对话数据中出现的次数,即在所有的样本语句中出现的次数。预设有一个次数阈值,该预设次数阈值由实际需要进行具体设置。获取各个初始词语中的出现次数大于或者等于预设次数阈值的初始词语,获取得到的初始词语为该样本语句中的样本词语。因此,在根据词语数据库得到各个词语之后,找到其中出现次数比较多的词语,删去出现次数比较少的词语,这些出现次数比较少的词语可能会干扰语义分析过程,进而影响后续的语义分析的准确性,因此,删去出现次数比较少的词语,只保留出现次数比较多的词语,可以提升语义分析的准确性。应当理解,在获取到该样本语句中的各个样本词语之后,还可以获取各个样本词语在该样本语句中的顺序。
通过上述过程,可以得到各个样本语句中的各个样本词语,以及各个样本词语在对应的样本语句中的顺序。
步骤3:根据各样本语句中的各个样本词语,得到各样本语句的句向量:
根据各样本语句中的各个样本词语,得到各样本语句的句向量。由于各个样本语句的句向量的获取过程相同,以下以任一个样本语句为例进行说明。
对于任意一个样本语句,将该样本语句中的各个样本词语进行向量转换,得到对应的词向量。应当理解,根据词语得到词向量的转换过程为已有转换过程,比如采用基于神经网络的语言模型(word2vec、fasttest、ELMo等)得到词向量。本实施例中,可以先获取各个样本词语在样本多轮对话数据中出现的次数,然后根据各个样本词语在样本多轮对话数据中的出现次数,将各个样本词语转换成对应维度的词向量。词向量的维度由对应样本词语在样本多轮对话数据中的出现次数决定,次数不同,维度不同。通过这种词向量的转换方式可以提升词向量的可靠性,进而提升句向量的可靠性。
根据各个样本词语对应的词向量,以及各个样本词语在该样本语句中的顺序,对各个样本词语对应的词向量进行排序,得到词向量序列。应当理解,各个样本词语对应的词向量也按照各个样本词语在该样本语句中的顺序进行排序。
最后,对得到的词向量序列进行向量转换,得到该样本语句的句向量。通过上述过程,可以得到各个样本语句的句向量,即得到当前样本语句的句向量,以及各个历史样本语句的句向量。
步骤4:将所述当前样本语句的句向量与各历史样本语句的句向量分别进行组合,得到句向量集合,并对所述句向量集合进行向量编码,得到上下文编码向量:
将当前样本语句的句向量与各历史样本语句的句向量分别进行组合,得到句向量集合,本实施例中,可以根据向量矢量相加算法,将当前样本语句的句向量与各历史样本语句的句向量分别进行组合,得到句向量集合。其中,若当前样本语句的句向量为an,各历史样本语句的句向量分别是a1、a2、…、an-1,那么,句向量集合中包括n-1个组合,各组合分别为(an,a1)、(an,a2)、(an,a3)、…、(an,an-1)。
作为一个具体实施方式,将句向量集合输入至预设的全连接神经网络,得到句向量序列数据。然后,将得到的句向量序列数据输入至预设的序列编码器中进行编码处理,得到上下文编码向量。其中,序列编码器可以为循环神经网络。因此,上下文编码向量是根据样本多轮对话数据中的所有的样本语句得到的特征向量,包含样本多轮对话数据中所有的样本语句的相关特征。
步骤5:构建语义分析训练集,所述语义分析训练集包括所述上下文编码向量,并根据所述语义分析训练集,对语义分析模型进行训练:
根据得到的上下文编码向量构建语义分析训练集,本实施例中,除了包含上下文编码向量,语义分析训练集还可以包括样本多轮对话数据中的各样本语句在样本多轮对话数据中的顺序,因此,根据样本多轮对话数据中的各样本语句在样本多轮对话数据中的顺序,以及上下文编码向量,构建语义分析训练集。根据语义分析训练集,对语义分析模型进行训练。
构建得到的语义分析训练集中既包含样本多轮对话数据中上下文之间的特征,又包含各样本语句之间的顺序特征,从而提高了语义分析模型训练的准确性。那么,根据语义分析训练集,利用训练得到的语义分析模型进行语义分析的话,能够提升语义分析的准确性。
步骤6:根据训练得到的语义分析模型进行语义分析:
根据训练得到的语义分析模型进行语义分析,具体为:将实际的多轮对话输入至训练得到的语义分析模型中,就可以进行语义分析,输出比较准确的语义分析结果。
本实施例中,根据训练得到的语义分析模型进行语义分析得到的语义分析结果之后,基于人工智能的针对多轮对话进行语义分析的方法还包括如下步骤:
将经过语义分析得到的语义分析结果存储在本地,并且发送至后台服务器。其中,本地是指执行该方法的终端设备。
将语义分析结果存储在本地,具体为:获取语义分析结果中的关键字,将关键字输入至预设的分类数据库中,得到关键字所处的类别。其中,分类数据库包括至少两个关键字,以及各关键字对应的类别。根据语义分析结果对应的类别,将语义分析结果存储至本地中与该类别相对应的存储区域内。应当理解,本地设置有与分类数据库中的类别相同个数的存储区域,并且,各类别与各存储区域一一对应。
将语义分析结果发送至后台服务器,具体为:将语义分析结果与对应的终端设备的身份标识进行数据叠加,得到语义分析结果数据包,将该语义分析结果数据包发送至后台服务器。
本实施例还提供一种基于人工智能的针对多轮对话进行语义分析的装置,包括存储器和处理器,存储器中存储有可执行代码,处理器执行所可执行代码时,实现上文中的基于人工智能的针对多轮对话进行语义分析的方法,由于该方法在上文已给出了详细说明,不再赘述。
Claims (9)
1.一种基于人工智能的针对多轮对话进行语义分析的方法,其特征在于,包括:
获取样本多轮对话数据,所述样本多轮对话数据中的各样本语句包括当前样本语句和至少一个历史样本语句;
基于预设的词语数据库,对各样本语句进行分词处理,得到各样本语句中的各个样本词语;
根据各样本语句中的各个样本词语,得到各样本语句的句向量;
将所述当前样本语句的句向量与各历史样本语句的句向量分别进行组合,得到句向量集合,并对所述句向量集合进行向量编码,得到上下文编码向量;
构建语义分析训练集,所述语义分析训练集包括所述上下文编码向量,并根据所述语义分析训练集,对语义分析模型进行训练;
根据训练得到的语义分析模型进行语义分析。
2.根据权利要求1所述的基于人工智能的针对多轮对话进行语义分析的方法,其特征在于,所述基于预设的词语数据库,对各样本语句进行分词处理,得到各样本语句中的各个样本词语,具体为:
对于任意一个样本语句,将该样本语句输入至所述词语数据库中,获取该样本语句中存在于所述词语数据库中的各个词语,得到的各个词语为该样本语句中的各个样本词语。
3.根据权利要求2所述的基于人工智能的针对多轮对话进行语义分析的方法,其特征在于,所述将该样本语句输入至所述词语数据库中,获取该样本语句中存在于所述词语数据库中的各个词语,得到的各个词语为该样本语句中的各个样本词语,具体为:
将该样本语句输入至所述词语数据库中,获取该样本语句中存在于所述词语数据库中的各个初始词语;
获取各个初始词语在所述样本多轮对话数据中出现的次数;
根据预设次数阈值,获取所述各个初始词语中的出现次数大于或者等于所述预设次数阈值的初始词语,获取得到的初始词语为该样本语句中的样本词语。
4.根据权利要求1所述的基于人工智能的针对多轮对话进行语义分析的方法,其特征在于,所述根据各样本语句中的各个样本词语,得到各样本语句的句向量,具体为:
对于任意一个样本语句,将该样本语句中的各个样本词语进行向量转换,得到对应的词向量;
根据各个样本词语对应的词向量,以及各个样本词语在该样本语句中的顺序,对各个样本词语对应的词向量进行排序,得到词向量序列;
对所述词向量序列进行向量转换,得到该样本语句的句向量。
5.根据权利要求4所述的基于人工智能的针对多轮对话进行语义分析的方法,其特征在于,所述将该样本语句中的各个样本词语进行向量转换,得到对应的词向量,具体为:
获取各个样本词语在所述样本多轮对话数据中出现的次数;
根据各个样本词语在所述样本多轮对话数据中的出现次数,将各个样本词语进行向量转换成对应维度的词向量。
6.根据权利要求1所述的基于人工智能的针对多轮对话进行语义分析的方法,其特征在于,所述将所述当前样本语句的句向量与各历史样本语句的句向量分别进行组合,得到句向量集合,具体为:
根据向量矢量相加算法,将所述当前样本语句的句向量与各历史样本语句的句向量分别进行组合,得到句向量集合。
7.根据权利要求1所述的基于人工智能的针对多轮对话进行语义分析的方法,其特征在于,所述对所述句向量集合进行向量编码,得到上下文编码向量,具体为:
将所述句向量集合输入至预设的全连接神经网络,得到句向量序列数据;
将所述句向量序列数据输入至预设的序列编码器中进行编码处理,得到所述上下文编码向量。
8.根据权利要求1所述的基于人工智能的针对多轮对话进行语义分析的方法,其特征在于,所述语义分析训练集的构建过程,包括:
根据所述样本多轮对话数据中的各样本语句在所述样本多轮对话数据中的顺序,以及所述上下文编码向量,构建所述语义分析训练集。
9.一种基于人工智能的针对多轮对话进行语义分析的装置,包括存储器和处理器,所述存储器中存储有可执行代码,其特征在于,所述处理器执行所可执行代码时,实现如权利要求1-8任一项所述的基于人工智能的针对多轮对话进行语义分析的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735380.3A CN113486674A (zh) | 2021-06-30 | 2021-06-30 | 基于人工智能的针对多轮对话进行语义分析的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735380.3A CN113486674A (zh) | 2021-06-30 | 2021-06-30 | 基于人工智能的针对多轮对话进行语义分析的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113486674A true CN113486674A (zh) | 2021-10-08 |
Family
ID=77936935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110735380.3A Pending CN113486674A (zh) | 2021-06-30 | 2021-06-30 | 基于人工智能的针对多轮对话进行语义分析的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486674A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115358213A (zh) * | 2022-10-20 | 2022-11-18 | 阿里巴巴(中国)有限公司 | 模型数据处理及模型预训练方法、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425640A (zh) * | 2012-05-14 | 2013-12-04 | 华为技术有限公司 | 一种多媒体问答系统及方法 |
CN108337139A (zh) * | 2018-01-29 | 2018-07-27 | 广州索答信息科技有限公司 | 家电语音控制方法、电子设备、存储介质及系统 |
CN109947918A (zh) * | 2019-03-12 | 2019-06-28 | 南京邮电大学 | 面向智能客服对话场景的语义分析方法 |
CN110704588A (zh) * | 2019-09-04 | 2020-01-17 | 平安科技(深圳)有限公司 | 基于长短期记忆网络的多轮对话语义分析方法和系统 |
CN112906403A (zh) * | 2021-04-25 | 2021-06-04 | 中国平安人寿保险股份有限公司 | 语义分析模型训练方法、装置、终端设备及存储介质 |
CN112948558A (zh) * | 2021-03-10 | 2021-06-11 | 中国人民解放军国防科技大学 | 面向开放域对话系统的上下文增强的问题生成方法及装置 |
-
2021
- 2021-06-30 CN CN202110735380.3A patent/CN113486674A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425640A (zh) * | 2012-05-14 | 2013-12-04 | 华为技术有限公司 | 一种多媒体问答系统及方法 |
CN108337139A (zh) * | 2018-01-29 | 2018-07-27 | 广州索答信息科技有限公司 | 家电语音控制方法、电子设备、存储介质及系统 |
CN109947918A (zh) * | 2019-03-12 | 2019-06-28 | 南京邮电大学 | 面向智能客服对话场景的语义分析方法 |
CN110704588A (zh) * | 2019-09-04 | 2020-01-17 | 平安科技(深圳)有限公司 | 基于长短期记忆网络的多轮对话语义分析方法和系统 |
CN112948558A (zh) * | 2021-03-10 | 2021-06-11 | 中国人民解放军国防科技大学 | 面向开放域对话系统的上下文增强的问题生成方法及装置 |
CN112906403A (zh) * | 2021-04-25 | 2021-06-04 | 中国平安人寿保险股份有限公司 | 语义分析模型训练方法、装置、终端设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
代文韬等: "基于知识图谱的保险领域对话系统构建", 《电子技术应用》, vol. 45, no. 09, pages 18 - 21 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115358213A (zh) * | 2022-10-20 | 2022-11-18 | 阿里巴巴(中国)有限公司 | 模型数据处理及模型预训练方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241251B (zh) | 一种会话交互方法 | |
CN111108501B (zh) | 一种基于上下文的多轮对话方法、装置、设备及存储介质 | |
CN109344242B (zh) | 一种对话问答方法、装置、设备及存储介质 | |
CN110874401B (zh) | 信息处理方法、模型训练方法、装置、终端及计算设备 | |
CN114245203B (zh) | 基于剧本的视频剪辑方法、装置、设备及介质 | |
CN110543554A (zh) | 针对多轮对话的分类方法和装置 | |
CN110570879A (zh) | 基于情绪识别的智能会话方法、装置及计算机设备 | |
WO2004072862A1 (en) | System for predicting speec recognition accuracy and development for a dialog system | |
CN111223476B (zh) | 语音特征向量的提取方法、装置、计算机设备和存储介质 | |
CN111538809B (zh) | 一种语音服务质量检测方法、模型训练方法及装置 | |
CN111259130B (zh) | 用于在对话中提供答复语句的方法及装置 | |
CN110689881A (zh) | 语音识别方法、装置、计算机设备和存储介质 | |
CN112257437A (zh) | 语音识别纠错方法、装置、电子设备和存储介质 | |
CN113270103A (zh) | 基于语义增强的智能语音对话方法、装置、设备及介质 | |
CN111724766B (zh) | 语种识别方法、相关设备及可读存储介质 | |
CN112632248A (zh) | 问答方法、装置、计算机设备和存储介质 | |
CN110717021A (zh) | 人工智能面试中获取输入文本和相关装置 | |
CN110175330B (zh) | 一种基于注意力机制的命名实体识别方法 | |
CN115064154A (zh) | 混合语言语音识别模型的生成方法及装置 | |
CN111400340A (zh) | 一种自然语言处理方法、装置、计算机设备和存储介质 | |
CN113486674A (zh) | 基于人工智能的针对多轮对话进行语义分析的方法和装置 | |
CN114416948A (zh) | 一种基于语义感知的一对多对话生成方法及装置 | |
CN111933125B (zh) | 联合模型的语音识别方法、装置和计算机设备 | |
CN112906403A (zh) | 语义分析模型训练方法、装置、终端设备及存储介质 | |
CN110795531B (zh) | 一种意图识别方法、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 |