CN113722457A - 意图识别方法以及装置、存储介质、电子装置 - Google Patents

Abstract

本申请公开了一种意图识别方法以及装置、存储介质、电子装置。该方法包括接收用户的输入信息；基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果，其中所述预设语义匹配规则至少包括如下之一：基于句子向量的语义匹配规则、基于预设模板的语义匹配规则，所述基于句子向量的语义匹配规则是基于相似度计算模型通过机器学习训练得到的，所述基于预设模板的语义匹配规则是基于预先配置的模板文件和预设对话引擎自定义得到的；根据所述语义识别结果，判断在当前意图场景中用户的意图。本申请解决了在基于智能化人机对话平台配置机器人时，无法配置复杂表达的逻辑，从而影响意图识别准确性以及识别效率的技术问题。本申请可适用于复杂场景的意图识别。

Description

意图识别方法以及装置、存储介质、电子装置

技术领域

本申请涉及人工智能领域，具体而言，涉及一种意图识别方法以及装置、存储介质、电子装置。

背景技术

基于智能化人机对话平台，机器人可以实现在与用户沟通的过程中实时进行语义识别，挖掘用户意图，并根据预置的话术与用户进行沟通交流。

发明人发现，机器人在进行意图识别的过程中，如果对于某些意图无法准确理解或者获取，会影响对上下文信息的理解，进而造成意图识别的准确性、效率，影响用户体验。

针对相关技术中在基于智能化人机对话平台配置机器人时，无法配置复杂表达的逻辑，从而影响意图识别准确性以及识别效率的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种意图识别方法以及装置、存储介质、电子装置，以解决在基于智能化人机对话平台配置机器人时，无法配置复杂表达的逻辑，从而影响意图识别准确性以及识别效率的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种意图识别方法。

根据本申请的意图识别方法包括：接收用户的输入信息；基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果，其中所述预设语义匹配规则至少包括如下之一：基于句子向量的语义匹配规则、基于预设模板的语义匹配规则，所述基于句子向量的语义匹配规则是基于相似度计算模型通过机器学习训练得到的，所述基于预设模板的语义匹配规则是基于预先配置的模板文件和预设对话引擎自定义得到的；根据所述语义识别结果，判断在当前意图场景中用户的意图。

进一步地，基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果，还包括：在判断基于句子向量的语义匹配规则无法匹配所述输入信息的情况下，采用所述基于预设模板的语义匹配规则匹配所述输入信息；按照所述预先配置的模板文件组成的语句以及相应的所述预设对话引擎，得到所述输入信息匹配的语义识别结果。

进一步地，所述基于句子向量的语义匹配规则，包括：根据待识别的语义，确定第一语句；根据所述第一语句的句子向量，得到与所述第一语句相似的第二语句；和/或，根据待识别的语义，确定第一关键字或词语；根据所述第一关键字或词语，得到与第一关键字或词语相似的第二关键字或词语；基于所述相似度计算模型通过机器学习训练得到所述基于句子向量的语义匹配规则，其中，所述相似度计算模型至少包括：第一语句、第二语句、第一关键词或词语、第二关键词或词语的训练集。

进一步地，所述基于预设模板的语义匹配规则，包括：确定需要进行语义匹配的待匹配区域；根据所述待匹配区域，关联出标签类型以及参数信息；根据所述待匹配区域、所述标签类型以及所述参数信息，得到所述基于预设模板的语义匹配规则，并基于识别的所述当前意图场景中用户的意图中携带的目标信息在上下文中赋值。

进一步地，所述根据所述待匹配区域、所述标签类型以及所述参数信息，得到所述基于预设模板的语义匹配规则包括：所述根据所述待匹配区域、所述标签类型以及所述参数信息按照如下方式组合配置：{{标签类型:参数信息1,参数信息2,参数信息3...}}其中，所述标签类型包括：实体类标签、模块类标签，所述参数信息做为变量在流程节点中使用。

进一步地，所述基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果，其中所述预设语义匹配规则至少包括如下之一：基于句子向量的语义匹配规则、基于预设模板的语义匹配规则，所述基于句子向量的语义匹配规则是基于相似度计算模型通过机器学习训练得到的，所述基于预设模板的语义匹配规则是基于预先配置的模板文件和预设对话引擎自定义得到的，包括：基于所述句子向量的语义匹配规则和/或所述基于预设模板的语义匹配规则，进行内容可视化的配置；其中，所述内容可视化至少包括如下之一：意图识别配置、实体提取配置、问答库配置、对话流程配置。

进一步地，还包括：基于智能对话交互系统接收用户的输入信息，其中，所述智能对话交互系统包括：用于自然语言处理的可编程代码数据、业务数据，所述用于自然语言处理的可编程代码数据与所述业务数据之间相互分离，所述业务数据包括预先配置的业务逻辑，所述用于自然语言处理的可编程代码数据包括已封装的逻辑组件；基于所述基于预设语义匹配规则、所述业务数据以及所述用于自然语言处理的可编程代码数据，判断所述在当前意图场景中用户的意图。

为了实现上述目的，根据本申请的另一方面，提供了一种意图识别装置。

根据本申请的意图识别装置包括：接收模块，用于接收用户的输入信息；匹配模块，用于基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果，其中所述预设语义匹配规则至少包括如下之一：基于句子向量的语义匹配规则、基于预设模板的语义匹配规则，所述基于句子向量的语义匹配规则是基于相似度计算模型通过机器学习训练得到的，所述基于预设模板的语义匹配规则是基于预先配置的模板文件和预设对话引擎自定义得到的；意图模块，用于根据所述语义识别结果，判断在当前意图场景中用户的意图。

为了实现上述目的，根据本申请的又一方面，提供了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计算机程序，其中，所述计算机程序被设置为运行时执行所述方法。

为了实现上述目的，根据本申请的再一方面，提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述的方法。

在本申请实施例中意图识别方法以及装置、存储介质、电子装置，采用接收用户的输入信息的方式，通过基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果，由于所述预设语义匹配规则至少包括如下之一：基于句子向量的语义匹配规则、基于预设模板的语义匹配规则，所述基于句子向量的语义匹配规则是基于相似度计算模型通过机器学习训练得到的，所述基于预设模板的语义匹配规则是基于预先配置的模板文件和预设对话引擎自定义得到的，达到了根据所述语义识别结果，判断在当前意图场景中用户的意图的目的，从而实现了提高意图识别准确率和效率的技术效果，进而解决了在基于智能化人机对话平台配置机器人时，无法配置复杂表达的逻辑，从而影响意图识别准确性以及识别效率的技术问题。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的意图识别方法的硬件系统结构示意图；

图2是根据本申请实施例的意图识别方法流程示意图；

图3是根据本申请实施例的意图识别装置结构示意图；

图4是根据本申请优选实施例的意图识别方法流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请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，以便这里描述的本申请的实施例。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。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如图1所示，是本申请实施例的意图识别方法的硬件系统结构示意图。其包括：用户端100、服务端200以及基于智能对话交互系统300。所述用户端100包括多个，可以实现并发访问。所述服务端200中加载或配置基于智能对话交互系统300。所述基于智能对话交互系统300的目的在于实时进行语义识别，挖掘用户意图，根据预置的话术与用户进行沟通交流。

在本申请的实施例中，提供的意图识别方法，可以通过所述基于智能对话交互系统300配置用以意图识别的机器人，挖掘出用户意图。

实施例一

如图2所示，该方法包括如下的步骤S201至步骤S203：

步骤S201，接收用户的输入信息；

步骤S202，基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果，其中所述预设语义匹配规则至少包括如下之一：基于句子向量的语义匹配规则、基于预设模板的语义匹配规则，所述基于句子向量的语义匹配规则是基于相似度计算模型通过机器学习训练得到的，所述基于预设模板的语义匹配规则是基于预先配置的模板文件和预设对话引擎自定义得到的；

步骤S203，根据所述语义识别结果，判断在当前意图场景中用户的意图。

从以上的描述中，可以看出，本申请实现了如下技术效果：

采用接收用户的输入信息的方式，通过基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果，由于所述预设语义匹配规则至少包括如下之一：基于句子向量的语义匹配规则、基于预设模板的语义匹配规则，所述基于句子向量的语义匹配规则是基于相似度计算模型通过机器学习训练得到的，所述基于预设模板的语义匹配规则是基于预先配置的模板文件和预设对话引擎自定义得到的，达到了根据所述语义识别结果，判断在当前意图场景中用户的意图的目的，从而实现了提高意图识别准确率和效率的技术效果，进而解决了在基于智能化人机对话平台配置机器人时，无法配置复杂表达的逻辑，从而影响意图识别准确性以及识别效率的技术问题。

在所述步骤S202中基于预设的智能化人机对话平台接收用户输入信息。所述用户输入信息需要进一步通过人机对话从而挖掘用户意图。

作为一种可选地实施方式，所述智能化人机对话平台是预先配置得到的。

作为一种可选地实施方式，所述智能化人机对话平台可以是移动端应用程序、小程序中的智能客服等，在本申请中并不进行具体限定。

在所述步骤S202中会基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果。可以理解，所述基于预设语义匹配规则是可以通过所述智能化人机对话平台进行配置、更改的。

作为一种可选地实施方式，所述预设语义匹配规则至少包括如下之一：基于句子向量的语义匹配规则、基于预设模板的语义匹配规则。所述基于句子向量的语义匹配规则可以通过所述智能化人机对话平台进行配置、优化。所述基于预设模板的语义匹配规则可以通过所述智能化人机对话平台进行复杂逻辑的表达。

作为一种优选地实施方式，所述基于句子向量的语义匹配规则是基于相似度计算模型通过机器学习训练得到的。可以理解，所述相似度计算模型可以通过多种现有技术中的方式实现，在本申请中并不进行具体限定。

作为一种优选地实施方式，所述基于预设模板的语义匹配规则是基于预先配置的模板文件和预设对话引擎自定义得到的。可以理解，通过所述模板文件、所述预设对话引擎可以优化配置，并且可用于识别复杂意图。

在所述步骤S203中根据所述语义识别结果，判断出在当前意图场景中用户的意图，在当前意图场景中用户的意图可能是一个或者多个，并且随用户与机器人对话的进行而发生变化。

作为一种可选地实施方式，对于所述当前意图场景，通过全局变量的方式在上下文中进行同步。

作为一种可选地实施方式，当每次判断出当前意图场景中用户的意图时会在上下文中进行同步。

作为本实施例中的优选，基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果，还包括：在判断基于句子向量的语义匹配规则无法匹配所述输入信息的情况下，采用所述基于预设模板的语义匹配规则匹配所述输入信息；按照所述预先配置的模板文件组成的语句以及相应的所述预设对话引擎，得到所述输入信息匹配的语义识别结果。

具体实施时，在意图以及问答中，通过所述智能化人机对话平台过配置额规则模板的方式来定义可以匹配的用户表述的内容，从而可以实现通过规则的方式快速建立识别能力，对于复杂或者特特殊情况(逻辑)能够比较好的做针对性处理。

首先，使用基于句子向量的语义匹配规则进行匹配，然后，在判断基于句子向量的语义匹配规则无法匹配所述输入信息的情况下会采用所述基于预设模板的语义匹配规则匹配所述输入信息。最后，按照所述预先配置的模板文件组成的语句以及相应的所述预设对话引擎得到所述输入信息匹配的语义识别结果。

作为本实施例中的优选，所述基于句子向量的语义匹配规则，包括：根据待识别的语义，确定第一语句；根据所述第一语句的句子向量，得到与所述第一语句相似的第二语句；和/或，根据待识别的语义，确定第一关键字或词语；根据所述第一关键字或词语，得到与第一关键字或词语相似的第二关键字或词语；基于所述相似度计算模型通过机器学习训练得到所述基于句子向量的语义匹配规则，其中，所述相似度计算模型至少包括：第一语句、第二语句、第一关键词或词语、第二关键词或词语的训练集。

具体实施时，所述基于句子向量的语义匹配规则需要考虑语句、词语以及关键词等方面的相似度情况。也就是说，可以通过列举的方式列举出可能具有相同或相似意图表示的语句、词语以及关键词等。同时，为了提高效率，可以通过机器学习预先学习得到的相似度计算模型用于输出相似的语句、词语或者关键词。即可以根据待识别的语义，确定第一语句；根据所述第一语句的句子向量，得到与所述第一语句相似的第二语句。

比如，接收用户的输入信息之后，基于预设语义匹配规则在预训练相似度计算模型，通过查找目标文字和库中比较相近的记录，去理解用户的意思。比如“查快递”、“我想查快递到哪了”、“快递在哪”等都表明查快递的意思，通过一系列预处理模式，当用户输入“查快递”不相同但是相似的同样句子、关键词或者词语会被匹配。

此外，还可以所述基于句子向量的语义匹配规则可以根据根据待识别的语义，确定第一关键字或词语；根据所述第一关键字或词语，得到与第一关键字或词语相似的第二关键字或词语；基于所述相似度计算模型通过机器学习训练得到所述基于句子向量的语义匹配规则，其中，所述相似度计算模型至少包括：第一语句、第二语句、第一关键词或词语、第二关键词或词语的训练集。由于在训练集中包括了第一语句、第二语句、第一关键词或词语、第二关键词或词语的训练集数据，通过训练之后可以得到基于句子向量的语义匹配规则的学习模型。

作为本实施例中的优选，所述基于预设模板的语义匹配规则，包括：确定需要进行语义匹配的待匹配区域；根据所述待匹配区域，关联出标签类型以及参数信息；根据所述待匹配区域、所述标签类型以及所述参数信息，得到所述基于预设模板的语义匹配规则，并基于识别的所述当前意图场景中用户的意图中携带的目标信息在上下文中赋值。

具体实施时，对于一些特殊场景，需要基于语义匹配准确获取得到相关信息。首先，确定出需要进行语义匹配的待匹配区域，可以理解这个待匹配区域是指在人机交互过程中的需要进行语义匹配的目标区域。其次，基于所述待匹配区域，可以关联出标签类型以及参数信息，然后，根据所述待匹配区域、所述标签类型以及所述参数信息，得到所述基于预设模板的语义匹配规则，可以理解这个语义匹配规则是基于非业务逻辑的匹配规则，主要在于语义匹配并识别。最后，基于识别的所述当前意图场景中用户的意图中携带的目标信息在上下文中赋值。从而可以满足一些特殊场景，不会出现语义识别的偏差或者用户获取想要的答案/回复的情况。

比如用户输入为“查询从北京邮寄到上海的尾号是123的快递”，由于这类的说话是无法使用相似度、深度学习来进行模糊计算的，是须要精准的给出尾号是123快递的配送结果。

又比如，用户输入为“查询手机尾号是456的余额”，由于这类的说话是无法使用相似度、深度学习来进行模糊计算的，是须要精准的给出尾号是456的余额查询结果。

作为本实施例中的优选，所述根据所述待匹配区域、所述标签类型以及所述参数信息，得到所述基于预设模板的语义匹配规则包括：所述根据所述待匹配区域、所述标签类型以及所述参数信息按照如下方式组合配置：{{标签类型:参数信息1,参数信息2,参数信息3...}}其中，所述标签类型包括：实体类标签、模块类标签，所述参数信息做为变量在流程节点中使用。

具体实施时，基于根据所述待匹配区域、所述标签类型以及所述参数信息，得到所述基于预设模板的语义匹配规则的优选，提供模板文件。

所述根据所述待匹配区域、所述标签类型以及所述参数信息按照如下方式组合配置：{{标签类型:参数信息1,参数信息2,参数信息3...}}其中，所述标签类型包括：实体类标签、模块类标签，并且所述参数信息可以做为变量在流程节点中使用。

比如，所述待匹配区域可以采用一对左括号右括号“{{}}”来表示需要语法匹配的模板部分。即//{{}}框定了需要匹配识别的部分。

又比如，所述标签类型可以在“{{}}”中冒号":"左侧为标签类型；

所述实体类标签，可以使用“@”表示；比如，你好{{@sys.year}}，//“你好2020”这句话就会被匹配上。

所述模块类标签，可以使用“$"表示。比如，算法模型是{{$letter:name,len＝0-10}}，//"算法模型是LSTM"的query就会被匹配上。

所述参数信息可以在“{{}}”中冒号":"右侧为参数区。可以设置多个参数区，在参数区包括但不限于，预设需要提取的参数名字、预设需要确定的模块长度、预设模块中的必要或非必要特征内容。

比如，在所述基于预设模板的语义匹配规则生效时，想要将”手机号是13211112222“能够进行匹配到结果，并赋值给phone_num这个参数；

[手机号号码手机]是？{{$digit:phone_num,len＝11-11}}

匹配结果是匹配上了用户的query，同时赋值给了phone_num，在上下文中可以使用phone_num做为变量在流程节点中进行使用。

又比如，在所述基于预设模板的语义匹配规则生效时，想要对”从北京到上海的机票“能够进行匹配到，并赋值给始发站和终点站这两个参数，即：

[从？][{{@sys.city:start}}这里][前往到去]{{@sys.city:end}}？出发？的机票？

匹配结果是匹配上了用户的query，同时赋值给了start和end，在上下文中我们可以使用start和end做为变量在流程节点中进行使用。

作为本实施例中的优选，所述基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果，其中所述预设语义匹配规则至少包括如下之一：基于句子向量的语义匹配规则、基于预设模板的语义匹配规则，所述基于句子向量的语义匹配规则是基于相似度计算模型通过机器学习训练得到的，所述基于预设模板的语义匹配规则是基于预先配置的模板文件和预设对话引擎自定义得到的，包括：基于所述句子向量的语义匹配规则和/或所述基于预设模板的语义匹配规则，进行内容可视化的配置；其中，所述内容可视化至少包括如下之一：意图识别配置、实体提取配置、问答库配置、对话流程配置。

具体实施时，基于所述句子向量的语义匹配规则和/或所述基于预设模板的语义匹配规则时，可自定义配置的内容是可视化的，所述内容可视化可以包括但不限于意图识别配置、实体提取配置、问答库配置、对话流程配置。也就是说，对于意图识别配置、实体提取配置、问答库配置、对话流程配置都可以采用可视化的方式进行配置，从而简化了第三方用户配置时的流程，降低了第三方用户配置时的难度。

作为本实施例中的优选，还包括：基于智能对话交互系统接收用户的输入信息，其中，所述智能对话交互系统包括：用于自然语言处理的可编程代码数据、业务数据，所述用于自然语言处理的可编程代码数据与所述业务数据之间相互分离，所述业务数据包括预先配置的业务逻辑，所述用于自然语言处理的可编程代码数据包括已封装的逻辑组件；基于所述基于预设语义匹配规则、所述业务数据以及所述用于自然语言处理的可编程代码数据，判断所述在当前意图场景中用户的意图。

具体实施时，基于所述智能对话交互系统获取第一用户的输入信息。

在所述智能对话交互系统中至少包括用于自然语言处理的可编程代码数据以及所述业务数据。并且，将所述用于自然语言处理的可编程代码数据与所述业务数据之间相互分离。

具体而言，将NLP自然语言处理与业务数据分割，从而使用者无需编程的知识，只需要通过系统进行业务逻辑的配置，即可在配置得到一个对话交互机器人。

作为一种可选地实施方式，所述智能对话交互系统中的业务数据是预先配置的，并且可预先配置对话交互机器人获取得到所述第一用户的输入信息。

作为一种可选地实施方式，所述智能对话交互系统可以是移动端应用程序、小程序中的智能客服等，在本申请中并不进行具体限定。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例二

根据本申请实施例，还提供了一种用于实施上述方法的意图识别装置，如图3所示，该装置包括：

接收模块301，用于接收用户的输入信息；

匹配模块302，用于基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果，其中所述预设语义匹配规则至少包括如下之一：基于句子向量的语义匹配规则、基于预设模板的语义匹配规则，所述基于句子向量的语义匹配规则是基于相似度计算模型通过机器学习训练得到的，所述基于预设模板的语义匹配规则是基于预先配置的模板文件和预设对话引擎自定义得到的；

意图模块303，用于根据所述语义识别结果，判断在当前意图场景中用户的意图。

在所述接收模块301中基于预设的智能化人机对话平台接收用户输入信息。所述用户输入信息需要进一步通过人机对话从而挖掘用户意图。

作为一种可选地实施方式，所述智能化人机对话平台是预先配置得到的。

作为一种可选地实施方式，所述智能化人机对话平台可以是移动端应用程序、小程序中的智能客服等，在本申请中并不进行具体限定。

在所述匹配模块302中会基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果。可以理解，所述基于预设语义匹配规则是可以通过所述智能化人机对话平台进行配置、更改的。

作为一种可选地实施方式，所述预设语义匹配规则至少包括如下之一：基于句子向量的语义匹配规则、基于预设模板的语义匹配规则。所述基于句子向量的语义匹配规则可以通过所述智能化人机对话平台进行配置、优化。所述基于预设模板的语义匹配规则可以通过所述智能化人机对话平台进行复杂逻辑的表达。

作为一种优选地实施方式，所述基于句子向量的语义匹配规则是基于相似度计算模型通过机器学习训练得到的。可以理解，所述相似度计算模型可以通过多种现有技术中的方式实现，在本申请中并不进行具体限定。

作为一种优选地实施方式，所述基于预设模板的语义匹配规则是基于预先配置的模板文件和预设对话引擎自定义得到的。可以理解，通过所述模板文件、所述预设对话引擎可以优化配置，并且可用于识别复杂意图。

在所述意图模块303中根据所述语义识别结果，判断出在当前意图场景中用户的意图，在当前意图场景中用户的意图可能是一个或者多个，并且随用户与机器人对话的进行而发生变化。

作为一种可选地实施方式，对于所述当前意图场景，通过全局变量的方式在上下文中进行同步。

作为一种可选地实施方式，当每次判断出当前意图场景中用户的意图时会在上下文中进行同步。

显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

为了更好的理解上述意图识别方法流程，以下结合优选实施例对上述技术方案进行解释说明，但不用于限定本发明实施例的技术方案。

本申请实施例中的意图识别方法，能够基于基于句子向量的语义匹配规则和/或基于预设模板的语义匹配规则，实现基于预设语义匹配规则，并得到所述输入信息匹配的语义识别结果，提高了意图识别准确率和效率。

如图4所示，是本申请实施例中意图识别方法的流程示意图，实现的具体过程包括如下步骤：

步骤S201，接收用户的输入信息；

步骤S202，基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果，其中所述预设语义匹配规则至少包括如下之一：基于句子向量的语义匹配规则、基于预设模板的语义匹配规则，所述基于句子向量的语义匹配规则是基于相似度计算模型通过机器学习训练得到的，所述基于预设模板的语义匹配规则是基于预先配置的模板文件和预设对话引擎自定义得到的；

步骤S2021，判断基于句子向量的语义匹配规则是否匹配所述输入信息；

步骤S2022，在判断基于句子向量的语义匹配规则匹配所述输入信息的情况下，直接使用基于句子向量的语义匹配规则进行匹配；

所述基于句子向量的语义匹配规则，包括：

根据待识别的语义，确定第一语句；

根据所述第一语句的句子向量，得到与所述第一语句相似的第二语句；

和/或，

根据待识别的语义，确定第一关键字或词语；

根据所述第一关键字或词语，得到与第一关键字或词语相似的第二关键字或词语；

基于所述相似度计算模型通过机器学习训练得到所述基于句子向量的语义匹配规则，其中，所述相似度计算模型至少包括：第一语句、第二语句、第一关键词或词语、第二关键词或词语的训练集。

步骤S2023，在判断基于句子向量的语义匹配规则无法匹配所述输入信息的情况下，采用所述基于预设模板的语义匹配规则匹配所述输入信息；

所述基于预设模板的语义匹配规则，包括：

确定需要进行语义匹配的待匹配区域；

根据所述待匹配区域，关联出标签类型以及参数信息；

根据所述待匹配区域、所述标签类型以及所述参数信息，得到所述基于预设模板的语义匹配规则，并基于识别的所述当前意图场景中用户的意图中携带的目标信息在上下文中赋值。

所述根据所述待匹配区域、所述标签类型以及所述参数信息，得到所述基于预设模板的语义匹配规则包括：

所述根据所述待匹配区域、所述标签类型以及所述参数信息按照如下方式组合配置：

{{标签类型:参数信息1,参数信息2,参数信息3...}}

其中，所述标签类型包括：实体类标签、模块类标签，所述参数信息做为变量在流程节点中使用。

步骤S2024，按照所述预先配置的模板文件组成的语句以及相应的所述预设对话引擎，得到所述输入信息匹配的语义识别结果；

步骤S203，根据所述语义识别结果，判断在当前意图场景中用户的意图。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种意图识别方法，其特征在于，包括：

接收用户的输入信息；

基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果，其中所述预设语义匹配规则至少包括如下之一：基于句子向量的语义匹配规则、基于预设模板的语义匹配规则，所述基于句子向量的语义匹配规则是基于相似度计算模型通过机器学习训练得到的，所述基于预设模板的语义匹配规则是基于预先配置的模板文件和预设对话引擎自定义得到的；

根据所述语义识别结果，判断在当前意图场景中用户的意图。

2.根据权利要求1所述的方法，其特征在于，基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果，还包括：

在判断基于句子向量的语义匹配规则无法匹配所述输入信息的情况下，采用所述基于预设模板的语义匹配规则匹配所述输入信息；

按照所述预先配置的模板文件组成的语句以及相应的所述预设对话引擎，得到所述输入信息匹配的语义识别结果。

3.根据权利要求2所述的方法，其特征在于，所述基于句子向量的语义匹配规则，包括：

根据待识别的语义，确定第一语句；

根据所述第一语句的句子向量，得到与所述第一语句相似的第二语句；

和/或，

根据待识别的语义，确定第一关键字或词语；

根据所述第一关键字或词语，得到与第一关键字或词语相似的第二关键字或词语；

基于所述相似度计算模型通过机器学习训练得到所述基于句子向量的语义匹配规则，其中，所述相似度计算模型至少包括：第一语句、第二语句、第一关键词或词语、第二关键词或词语的训练集。

4.根据权利要求2所述的方法，其特征在于，所述基于预设模板的语义匹配规则，包括：

确定需要进行语义匹配的待匹配区域；

根据所述待匹配区域，关联出标签类型以及参数信息；

根据所述待匹配区域、所述标签类型以及所述参数信息，得到所述基于预设模板的语义匹配规则，并基于识别的所述当前意图场景中用户的意图中携带的目标信息在上下文中赋值。

5.根据权利要求4所述的方法，其特征在于，所述根据所述待匹配区域、所述标签类型以及所述参数信息，得到所述基于预设模板的语义匹配规则包括：

所述根据所述待匹配区域、所述标签类型以及所述参数信息按照如下方式组合配置：

{{标签类型:参数信息1,参数信息2,参数信息3...}}

其中，所述标签类型包括：实体类标签、模块类标签，所述参数信息做为变量在流程节点中使用。

6.根据权利要求1所述的方法，其特征在于，所述基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果，其中所述预设语义匹配规则至少包括如下之一：基于句子向量的语义匹配规则、基于预设模板的语义匹配规则，所述基于句子向量的语义匹配规则是基于相似度计算模型通过机器学习训练得到的，所述基于预设模板的语义匹配规则是基于预先配置的模板文件和预设对话引擎自定义得到的，包括：

基于所述句子向量的语义匹配规则和/或所述基于预设模板的语义匹配规则，进行内容可视化的配置；

其中，所述内容可视化至少包括如下之一：意图识别配置、实体提取配置、问答库配置、对话流程配置。

7.根据权利要求1所述的方法，其特征在于，还包括：

基于智能对话交互系统接收用户的输入信息，其中，所述智能对话交互系统包括：用于自然语言处理的可编程代码数据、业务数据，所述用于自然语言处理的可编程代码数据与所述业务数据之间相互分离，所述业务数据包括预先配置的业务逻辑，所述用于自然语言处理的可编程代码数据包括已封装的逻辑组件；

基于所述基于预设语义匹配规则、所述业务数据以及所述用于自然语言处理的可编程代码数据，判断所述在当前意图场景中用户的意图。

8.一种意图识别装置，其特征在于，包括：

接收模块，用于接收用户的输入信息；

匹配模块，用于基于预设语义匹配规则，得到所述输入信息匹配的语义识别结果，其中所述预设语义匹配规则至少包括如下之一：基于句子向量的语义匹配规则、基于预设模板的语义匹配规则，所述基于句子向量的语义匹配规则是基于相似度计算模型通过机器学习训练得到的，所述基于预设模板的语义匹配规则是基于预先配置的模板文件和预设对话引擎自定义得到的；

意图模块，用于根据所述语义识别结果，判断在当前意图场景中用户的意图。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项所述的方法。

10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项所述的方法。

Images