CN113723114A - 基于多意图识别的语义分析方法、装置、设备及存储介质 - Google Patents

基于多意图识别的语义分析方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113723114A
CN113723114A CN202111011805.2A CN202111011805A CN113723114A CN 113723114 A CN113723114 A CN 113723114A CN 202111011805 A CN202111011805 A CN 202111011805A CN 113723114 A CN113723114 A CN 113723114A
Authority
CN
China
Prior art keywords
corpus
semantic
user
user corpus
vector
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
Application number
CN202111011805.2A
Other languages
English (en)
Inventor
莫琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Puhui Enterprise Management Co Ltd
Original Assignee
Ping An Puhui Enterprise Management Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Puhui Enterprise Management Co Ltd filed Critical Ping An Puhui Enterprise Management Co Ltd
Priority to CN202111011805.2A priority Critical patent/CN113723114A/zh
Publication of CN113723114A publication Critical patent/CN113723114A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种基于多意图识别的语义分析方法，包括：对获取的用户语料进行分词，并利用分词结果构建向量矩阵，根据向量矩阵判断该用户语料是否包含多重语义，当不包含多重语义时，重新获取用户语语料；当包含多重语义时，分别利用多个语义识别模型对包含多重语义的用户语料进行语义识别，并根据每一个模型输出的识别结果进行综合决策，确定用户意图。此外，本发明还涉及区块链技术，用户语料可存储于区块链的节点。本发明还提出一种基于多意图识别的语义分析装置、电子设备以及存储介质。本发明可以解决进行语义识别时的精确度较低的问题。

Description

基于多意图识别的语义分析方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于多意图识别的语义分析方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人工智能技术的不断发展，越来越多的智能产品应用到我们的日常生活中，例如智能音箱、智能客服、智能电话销售、私人手机助理Siri等。为了让只能产品更好地理解用户的表达，进而对用户的问题作出正确应答，自然语言理解(Natural LanguageUnderstanding,NLU)起到了重要的作用，而意图识别是自然语言理解的子模块，也是智能对话系统构成的关键。
现有的意图识别主要为单意图识别，即根据用户语料识别出单一的用户意图，单很多时候用户表达的一句话中不仅含有一个意图，而是多种意图，比如，用户说：“我不需要你们家的产品，利息太高了”。这句话同时表达了用户的不想使用该产品的意图和对产品利息不满意的意图。因此，如何实现对用户语料中多意图的识别，成为了亟待解决的问题。
发明内容
本发明提供一种基于多意图识别的语义分析方法、装置及计算机可读存储介质，其主要目的在于解决进行语义识别时的精确度较低的问题。
为实现上述目的，本发明提供的一种基于多意图识别的语义分析方法，包括：
获取用户语料，对所述用户语料进行分词处理，得到语料分词；
利用所述语料分词生成所述用户语料的向量矩阵，利用预先构建的分类模型根据所述向量矩阵判断所述用户语料是否包含多重语义；
当所述用户语料不包含多重语义，重新获取用户语料并返回对所述用户语料进行分词处理的步骤；
当所述用户语料包含多重语义，利用预设的多个语义识别模型分别对所述用户语料进行语义识别，得到每一个语义识别模型输出的识别结果，所述识别结果包含所述用户语料与多个预设的语义标签的距离值；
从所述语义标签中逐个选取其中一个语义标签为目标标签，根据所述距离值统计所述目标标签与所述用户语料的距离值总和，并将所述距离值总和大于预设阈值的语义标签汇集为所述用户语料的用户意图。
可选地，所述对所述用户语料进行分词处理，得到语料分词，包括：
对所述用户语料进行无意词删除，得到标准语料；
将所述标准语料按照不同的数据长度在预设的词典中进行检索，汇集从所述词典中检索到的与所述标准语料中相同的词语为所述用户语料的语料分词。
可选地，所述利用所述语料分词生成所述用户语料的向量矩阵，包括：
将所述语料分词中每一个分词转换为分词向量，对所述分词向量进行长度统一化处理，得到统一长度向量；
将每一个所述统一长度向量作为行向量进行拼接，得到所述用户语料的向量矩阵。
可选地，所述对所述分词向量进行长度统一化处理，得到统一长度向量，包括：
统计每一个所述分词向量的向量长度，确定所述向量长度最大的分词向量为目标向量；
利用预设参数将所述分词向量中每一个向量的向量长度延长至所述目标向量的向量长度，得到统一长度向量。
可选地，所述利用预先构建的分类模型根据所述向量矩阵判断所述用户语料是否包含多重语义，包括：
获取预设的降维矩阵，将所述降维矩阵与所述向量矩阵进行乘积运算，得到所述向量矩阵的低维矩阵；
利用预设的分类模型对所述低维矩阵进行卷积及池化操作，得到所述低维矩阵的低维特征表达；
将所述低维特征表达映射至预先构建的高维空间，得到所述低维矩阵的高维特征表达；
计算所述高维特征表达与预设的多语义标签的匹配值；
当所述匹配值小于或等于预设匹配阈值，则确定所述用户语料不包含多重语义；
当所述匹配值大于所述预设匹配阈值，则确定所述用户语料包含多重语义。
可选地，所述利用预设的多个语义识别模型分别对所述用户语料进行语义识别，得到每一个语义识别模型输出的识别结果，包括：
从预设多个语义识别模型中逐个选取其中一个为目标模型，利用所述目标模型提取所述用户语料的语义特征；
根据所述语义特征分别计算所述用户语料与多个预设的语义标签之间的距离值；
汇集所有语义识别模型输出的所述用户语料与多个预设的语义标签之间的距离值为识别结果。
可选地，所述根据所述语义特征分别计算所述用户语料与多个预设的语义标签之间的距离值，包括：
利用如下距离算法计算所述用户语料与多个预设的语义标签之间的距离值：
Figure BDA0003238686720000031
其中，Di为所述用户语料与第i个语义标签的距离值，P为所述用户语料的语义特征，Qi为第i个语义标签。
为了解决上述问题，本发明还提供一种基于多意图识别的语义分析装置，所述装置包括：
语料分词模块，用于获取用户语料，对所述用户语料进行分词处理，得到语料分词；
语义判断模块，用于利用所述语料分词生成所述用户语料的向量矩阵，利用预先构建的分类模型根据所述向量矩阵判断所述用户语料是否包含多重语义；
语料获取模块，用于当所述用户语料不包含多重语义，重新获取用户语料并返回对所述用户语料进行分词处理的步骤；
语义分析模块，用于当所述用户语料包含多重语义，利用预设的多个语义识别模型分别对所述用户语料进行语义识别，得到每一个语义识别模型输出的识别结果，所述识别结果包含所述用户语料与多个预设的语义标签的距离值；
意图识别模块，用于从所述语义标签中逐个选取其中一个语义标签为目标标签，根据所述距离值统计所述目标标签与所述用户语料的距离值总和，并将所述距离值总和大于预设阈值的语义标签汇集为所述用户语料的用户意图。
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意图识别的语义分析方法。
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意图识别的语义分析方法。
本发明实施例能够利用多个语义识别模型分别对用户语料进行语义识别，并结合每一个语义识别模型的输出结果，识别出该用户语料中的多个语义，进而实现了多语义识别，提高了语义识别的精确度。因此本发明提出的基于多意图识别的语义分析方法、装置、电子设备及计算机可读存储介质，可以解决进行语义识别时的精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于多意图识别的语义分析方法的流程示意图；
图2为本发明一实施例提供的计算匹配值的流程示意图；
图3为本发明一实施例提供的选取第二用户画像的流程示意图；
图4为本发明一实施例提供的基于多意图识别的语义分析装置的功能模块图；
图5为本发明一实施例提供的实现所述基于多意图识别的语义分析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意图识别的语义分析方法。所述基于多意图识别的语义分析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，所述基于多意图识别的语义分析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。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于多意图识别的语义分析方法的流程示意图。在本实施例中，所述基于多意图识别的语义分析方法包括：
S1、获取用户语料，对所述用户语料进行分词处理，得到语料分词。
本发明实施例中，所述用户语料可以为用户在对某事物进行描述时产生的任何语句。
例如，用户在与客户进行电话沟通时，产生的语音信息；或者，用户购买产品或服务后，对该产品或服务做出评价时产生的文本信息等。
本发明实施例中，可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先构建的存储区域抓取用户授权可被获取的用户语料，所述存储区域包括但不限于：数据库、区块链节点、网络缓存。
本发明实施例中，由于所述用户语料中可能包含大量的语句，且每个语句的长度可能较长，若直接对所述用户语料进行分析，会占用大量的计算资源，因此，可对所述用户语料进行分词处理，将所述用户语料划分为语料分词，以提高后续对用户语料进行分析的效率。
本发明其中一个实施例中，所述对所述用户语料进行分词处理，得到语料分词，包括：
对所述用户语料进行无意词删除，得到标准语料；
将所述标准语料按照不同的数据长度在预设的词典中进行检索，汇集从所述词典中检索到的与所述标准语料中相同的词语为所述用户语料的语料分词。
详细地，所述无意词是指没有实际语言含义的词语，例如，语气词、拟声词、结构助词等词语，由于用户在产生所述用户语料时，该用户语料中可能包含一些无意词，且该无意词不包含用户想要表达的实际含义，因此，可通过将所述用户语料中的无意词进行删除，实现对用户语料的数据量的减少，便于提高后续对用户语料进行分析的效率和精确度。
具体地，所述词典为预先构建的包含多个标准分词的词典，可将无意词删除后的所述用户语料，按照不同的数据长度在所述词典中进行检索，当检索到与所述用户语料中相同的词语时，则确认检索到的词语为所述用户语料的语料分词。
S2、利用所述语料分词生成所述用户语料的向量矩阵。
本发明实施例中，由于所述语料分词依旧为文本形式，若直接对该语料分词进行处理，依旧会占用大量的计算资源，导致分析的效率低下，因此，可将所述语料分词中每一个分词进行向量转换，并将转换得到的向量拼接为用户语料的向量矩阵，进而对所述向量矩阵进行分析，以提高分析的效率。
本发明实施例中，所述利用所述语料分词生成所述用户语料的向量矩阵，包括：
将所述语料分词中每一个分词转换为分词向量，对所述分词向量进行长度统一化处理，得到统一长度向量；
将每一个所述统一长度向量作为行向量进行拼接，得到所述用户语料的向量矩阵。
详细地，可利用预设的word2vec算法、bert算法、one-hot算法将所述语料分词中每一个分词转换为分词向量。
本发明实施例中，由于所述语料分词中包含多个分词，且每一个分词转换得到的分词向量的长度不一定相同，因此，为了后续对分词进行分析时的便捷性，可利用预设参数将所述分词向量中每一个向量的向量长度延长为统一的长度。
本发明实施例中，所述对所述分词向量进行长度统一化处理，得到统一长度向量，包括：
统计每一个所述分词向量的向量长度，确定所述向量长度最大的分词向量为目标向量；
利用预设参数将所述分词向量中每一个向量的向量长度延长至所述目标向量的向量长度，得到统一长度向量。
例如，所述分词向量中包括分词向量A：(1,2)，分词向量B：(2,5,6,8)，和分词向量C：(6,3,9)；其中，分词向量A的向量长度为2，分词向量B的向量长度为4，分词向量C的长度为3，则可选取分词向量B为目标向量，当预设参数为0时，可利用该预设参数将分词向量A延长为(1,2,0,0)，利用该预设参数将分词向量C延长为(6,3,9,0)。
进而，可将延长后分词向量A、分词向量B和分词向量C分别作为行向量，拼接为如下向量矩阵：
Figure BDA0003238686720000071
进一步地，本发明实施例可利用预先构建的分类模型根据所述向量矩阵判断所述用户语料是否包含多重语义，所述分类模型包括但不限于：RNN网络模型、SVM模型等。
S3、利用预先构建的分类模型根据所述向量矩阵判断所述用户语料是否包含多重语义。
本发明其中一个实施例中，参图2所示，所述利用预先构建的分类模型根据所述向量矩阵判断所述用户语料是否包含多重语义，包括：
S21、获取预设的降维矩阵，将所述降维矩阵与所述向量矩阵进行乘积运算，得到所述向量矩阵的低维矩阵；
S22、利用预设的分类模型对所述低维矩阵进行卷积及池化操作，得到所述低维矩阵的低维特征表达；
S23、将所述低维特征表达映射至预先构建的高维空间，得到所述低维矩阵的高维特征表达；
S24、计算所述高维特征表达与预设的多语义标签的匹配值；
S25、判断所述匹配值是否大于预设匹配阈值；
当所述匹配值小于或等于预设匹配阈值，则执行S26、确定所述用户语料不包含多重语义；
当所述匹配值大于所述预设匹配阈值，则执行S27、确定所述用户语料包含多重语义。
示例性地，所述降维矩阵可以如下：
Figure BDA0003238686720000081
其中，ωm，n为预设的权重系数。
详细地，可通过调整作数降维矩阵中各元素的权重值，并将所述降维矩阵与所述向量矩阵进行乘积运算，以实现对所述向量矩阵的数据维度的降低，进而提高后续对向量矩阵进行分析时的效率。
具体地，利用预设的分类模型对所述低维矩阵进行卷积及池化操作，可提取出所述低维矩阵的低维特征，通过卷积及池化，可实现对所述低维矩阵的再次降维，有利于提高从所述低维矩阵中提取出的低维特征的精确度。
进一步地，由于所述低维特征的可分类性较低，因此，可通过预设的映射函数将所述低维特征映射至预设的高维空间。其中，所述预设函数包括但不限于高斯函数、map函数。
例如，将在二维空间中以坐标(x,y)表达的低维特征，映射至预先构建的三维空间中以(x,y,z)的形式进行表达。
本发明实施例中，所述计算所述高维特征表达与预设的多语义标签的匹配值，包括：
利用如下匹配值算法计算所述高维特征表达与预设的多语义标签的匹配值：
Figure BDA0003238686720000082
其中，P为所述匹配值，a为所述高维特征表达，b为所述多语义标签。
本发明实施例中，当所述匹配值小于或等于预设匹配阈值，则确定所述用户语料不包含多重语义，当所述匹配值大于所述预设匹配阈值，则确定所述用户语料包含多重语义。
当所述用户语料不包含多重语义，返回S1、重新获取用户语料并返回对所述用户语料进行分词处理的步骤。
本发明实施例中，当所述用户语料中不包含多重语义，则说明该用户语料为单一语义的用户语料，无需对所述用户语料进行多重语义的分析，可重新获取新的用户语料，并返回对所述用户语料进行分词处理的步骤。
当所述用户语料包含多重语义，执行S4、利用预设的多个语义识别模型分别对所述用户语料进行语义识别，得到每一个语义识别模型输出的识别结果，所述识别结果包含所述用户语料与多个预设的语义标签的距离值。
本发明其中一个实际应用场景中，由于不同的模型的分析能力有限，且模型精确度不一致，因此，当所述用户语料包含多重语义时，可利用预设的多个语义识别模型分别对所述用户语料进行语义识别，得到每一个语义识别模型输出的所述用户语料与多个预设的语义标签之间的距离值。
详细地，所述语义识别模型可以为训练完成的TextCNN、TextRNN、TextRCNN等具有文本语义识别功能的人工智能模型。
本发明实施例中，参图3所示，所述利用预设的多个语义识别模型分别对所述用户语料进行语义识别，得到每一个语义识别模型输出的识别结果，包括：
S31、从预设多个语义识别模型中逐个选取其中一个为目标模型，利用所述目标模型提取所述用户语料的语义特征；
S32、根据所述语义特征分别计算所述用户语料与多个预设的语义标签之间的距离值；
S33、汇集所有语义识别模型输出的所述用户语料与多个预设的语义标签之间的距离值为识别结果。
详细地，所述利用所述目标模型提取所述用户语料的语义特征的步骤，与S2中提取所述用户语料的高维特征表达的步骤一致，在此不做赘述。
具体地，所述根据所述语义特征分别计算所述用户语料与多个预设的语义标签之间的距离值，包括：
利用如下距离算法计算所述用户语料与多个预设的语义标签之间的距离值：
Figure BDA0003238686720000101
其中，Di为所述用户语料与第i个语义标签的距离值，P为所述用户语料的语义特征，Qi为第i个语义标签。
本发明实施例中，利用多个语义识别模型分别对所述用户语料进行处理，有利于后续分析时，结合每一个语义识别模型的输出结果，提高分析的精确度。
S5、从所述语义标签中逐个选取其中一个语义标签为目标标签，根据所述距离值统计所述目标标签与所述用户语料的距离值总和，并将所述距离值总和大于预设阈值的语义标签汇集为所述用户语料的用户意图。
本发明实施例中，可从所述语义标签中逐个选取其中一个语义标签为目标标签，并根据所述目标标签对应的每一个语义识别模型的输出结果，来计算所述用户语料与所述目标标签之间的距离值总和，进而根据该距离值总和选取语义标签为所述用户语料的用户意图。
例如，存在语义标签a、语义标签b和语义标签c，多个语义识别模型包括模型A和模型B。
其中，模型A输出的识别结果为：用户语料与语义标签a之间的距离值为60，用户语料与语义标签b之间的距离值为50，用户语料与语义标签c之间的距离值为20。
模型B输出的识别结果为：用户语料与语义标签a之间的距离值为40，用户语料与语义标签b之间的距离值为60，用户语料与语义标签c之间的距离值为50。
则可计算得到语义标签a在模型A和模型B的输出结果中，与用户语料的距离值总和为100，语义标签b在模型A和模型B的输出结果中，与用户语料的距离值总和为110，语义标签c在模型A和模型B的输出结果中，与用户语料的距离值总和为70，当预设阈值为80时，则确定所述用户语料包含的语义为语义标签a和语义标签b。
本发明实施例能够利用多个语义识别模型分别对用户语料进行语义识别，并结合每一个语义识别模型的输出结果，识别出该用户语料中的多个语义，进而实现了多语义识别，提高了语义识别的精确度。因此本发明提出的基于多意图识别的语义分析方法，可以解决进行语义识别时的精确度较低的问题。
如图4所示，是本发明一实施例提供的基于多意图识别的语义分析装置的功能模块图。
本发明所述基于多意图识别的语义分析装置100可以安装于电子设备中。根据实现的功能，所述基于多意图识别的语义分析装置100可以包括语料分词模块101、语义判断模块102、语料获取模块103、语义分析模块104及意图识别模块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：
所述语料分词模块101，用于获取用户语料，对所述用户语料进行分词处理，得到语料分词；
所述语义判断模块102，用于利用所述语料分词生成所述用户语料的向量矩阵，利用预先构建的分类模型根据所述向量矩阵判断所述用户语料是否包含多重语义；
所述语料获取模块103，用于当所述用户语料不包含多重语义，重新获取用户语料并返回对所述用户语料进行分词处理的步骤；
所述语义分析模块104，用于当所述用户语料包含多重语义，利用预设的多个语义识别模型分别对所述用户语料进行语义识别，得到每一个语义识别模型输出的识别结果，所述识别结果包含所述用户语料与多个预设的语义标签的距离值；
所述意图识别模块105，用于从所述语义标签中逐个选取其中一个语义标签为目标标签，根据所述距离值统计所述目标标签与所述用户语料的距离值总和，并将所述距离值总和大于预设阈值的语义标签汇集为所述用户语料的用户意图。
详细地，本发明实施例中所述基于多意图识别的语义分析装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于多意图识别的语义分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于多意图识别的语义分析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、通信总线12以及通信接口13，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，如基于多意图识别的语义分析程序。
其中，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(ControlUnit)，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(例如执行基于多意图识别的语义分析程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
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的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，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的应用软件及各类数据，例如基于多意图识别的语义分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，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。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。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与其他电子设备之间建立通信连接。所述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中处理的信息以及用于显示可视化的用户界面。
图5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5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。
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存储的基于多意图识别的语义分析程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取用户语料，对所述用户语料进行分词处理，得到语料分词；
利用所述语料分词生成所述用户语料的向量矩阵，利用预先构建的分类模型根据所述向量矩阵判断所述用户语料是否包含多重语义；
当所述用户语料不包含多重语义，重新获取用户语料并返回对所述用户语料进行分词处理的步骤；
当所述用户语料包含多重语义，利用预设的多个语义识别模型分别对所述用户语料进行语义识别，得到每一个语义识别模型输出的识别结果，所述识别结果包含所述用户语料与多个预设的语义标签的距离值；
从所述语义标签中逐个选取其中一个语义标签为目标标签，根据所述距离值统计所述目标标签与所述用户语料的距离值总和，并将所述距离值总和大于预设阈值的语义标签汇集为所述用户语料的用户意图。
具体地，所述处理器10对上述指令的具体实现方法可参考附图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：
获取用户语料，对所述用户语料进行分词处理，得到语料分词；
利用所述语料分词生成所述用户语料的向量矩阵，利用预先构建的分类模型根据所述向量矩阵判断所述用户语料是否包含多重语义；
当所述用户语料不包含多重语义，重新获取用户语料并返回对所述用户语料进行分词处理的步骤；
当所述用户语料包含多重语义，利用预设的多个语义识别模型分别对所述用户语料进行语义识别，得到每一个语义识别模型输出的识别结果，所述识别结果包含所述用户语料与多个预设的语义标签的距离值；
从所述语义标签中逐个选取其中一个语义标签为目标标签，根据所述距离值统计所述目标标签与所述用户语料的距离值总和，并将所述距离值总和大于预设阈值的语义标签汇集为所述用户语料的用户意图。
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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
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。第一、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)

1.一种基于多意图识别的语义分析方法，其特征在于，所述方法包括：
获取用户语料，对所述用户语料进行分词处理，得到语料分词；
利用所述语料分词生成所述用户语料的向量矩阵，利用预先构建的分类模型根据所述向量矩阵判断所述用户语料是否包含多重语义；
当所述用户语料不包含多重语义，重新获取用户语料并返回对所述用户语料进行分词处理的步骤；
当所述用户语料包含多重语义，利用预设的多个语义识别模型分别对所述用户语料进行语义识别，得到每一个语义识别模型输出的识别结果，所述识别结果包含所述用户语料与多个预设的语义标签的距离值；
从所述语义标签中逐个选取其中一个语义标签为目标标签，根据所述距离值统计所述目标标签与所述用户语料的距离值总和，并将所述距离值总和大于预设阈值的语义标签汇集为所述用户语料的用户意图。
2.如权利要求1所述的基于多意图识别的语义分析方法，其特征在于，所述对所述用户语料进行分词处理，得到语料分词，包括：
对所述用户语料进行无意词删除，得到标准语料；
将所述标准语料按照不同的数据长度在预设的词典中进行检索，汇集从所述词典中检索到的与所述标准语料中相同的词语为所述用户语料的语料分词。
3.如权利要求1所述的基于多意图识别的语义分析方法，其特征在于，所述利用所述语料分词生成所述用户语料的向量矩阵，包括：
将所述语料分词中每一个分词转换为分词向量，对所述分词向量进行长度统一化处理，得到统一长度向量；
将每一个所述统一长度向量作为行向量进行拼接，得到所述用户语料的向量矩阵。
4.如权利要求1所述的基于多意图识别的语义分析方法，其特征在于，所述对所述分词向量进行长度统一化处理，得到统一长度向量，包括：
统计每一个所述分词向量的向量长度，确定所述向量长度最大的分词向量为目标向量；
利用预设参数将所述分词向量中每一个向量的向量长度延长至所述目标向量的向量长度，得到统一长度向量。
5.如权利要求1所述的基于多意图识别的语义分析方法，其特征在于，所述利用预先构建的分类模型根据所述向量矩阵判断所述用户语料是否包含多重语义，包括：
获取预设的降维矩阵，将所述降维矩阵与所述向量矩阵进行乘积运算，得到所述向量矩阵的低维矩阵；
利用预设的分类模型对所述低维矩阵进行卷积及池化操作，得到所述低维矩阵的低维特征表达；
将所述低维特征表达映射至预先构建的高维空间，得到所述低维矩阵的高维特征表达；
计算所述高维特征表达与预设的多语义标签的匹配值；
当所述匹配值小于或等于预设匹配阈值，则确定所述用户语料不包含多重语义；
当所述匹配值大于所述预设匹配阈值，则确定所述用户语料包含多重语义。
6.如权利要求1所述的基于多意图识别的语义分析方法，其特征在于，所述利用预设的多个语义识别模型分别对所述用户语料进行语义识别，得到每一个语义识别模型输出的识别结果，包括：
从预设多个语义识别模型中逐个选取其中一个为目标模型，利用所述目标模型提取所述用户语料的语义特征；
根据所述语义特征分别计算所述用户语料与多个预设的语义标签之间的距离值；
汇集所有语义识别模型输出的所述用户语料与多个预设的语义标签之间的距离值为识别结果。
7.如权利要求1至6任一项所述的基于多意图识别的语义分析方法，其特征在于，所述根据所述语义特征分别计算所述用户语料与多个预设的语义标签之间的距离值，包括：
利用如下距离算法计算所述用户语料与多个预设的语义标签之间的距离值：
Figure FDA0003238686710000031
其中，Di为所述用户语料与第i个语义标签的距离值，P为所述用户语料的语义特征，Qi为第i个语义标签。
8.一种基于多意图识别的语义分析装置，其特征在于，所述装置包括：
语料分词模块，用于获取用户语料，对所述用户语料进行分词处理，得到语料分词；
语义判断模块，用于利用所述语料分词生成所述用户语料的向量矩阵，利用预先构建的分类模型根据所述向量矩阵判断所述用户语料是否包含多重语义；
语料获取模块，用于当所述用户语料不包含多重语义，重新获取用户语料并返回对所述用户语料进行分词处理的步骤；
语义分析模块，用于当所述用户语料包含多重语义，利用预设的多个语义识别模型分别对所述用户语料进行语义识别，得到每一个语义识别模型输出的识别结果，所述识别结果包含所述用户语料与多个预设的语义标签的距离值；
意图识别模块，用于从所述语义标签中逐个选取其中一个语义标签为目标标签，根据所述距离值统计所述目标标签与所述用户语料的距离值总和，并将所述距离值总和大于预设阈值的语义标签汇集为所述用户语料的用户意图。
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意图识别的语义分析方法。
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意图识别的语义分析方法。
CN202111011805.2A 2021-08-31 2021-08-31 基于多意图识别的语义分析方法、装置、设备及存储介质 Pending CN113723114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111011805.2A CN113723114A (zh) 2021-08-31 2021-08-31 基于多意图识别的语义分析方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111011805.2A CN113723114A (zh) 2021-08-31 2021-08-31 基于多意图识别的语义分析方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113723114A true CN113723114A (zh) 2021-11-30

Family

ID=78679667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111011805.2A Pending CN113723114A (zh) 2021-08-31 2021-08-31 基于多意图识别的语义分析方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113723114A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114733195A (zh) * 2022-04-07 2022-07-12 平安科技（深圳）有限公司 基于双边适配的游戏资源配置方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108804512A (zh) * 2018-04-20 2018-11-13 平安科技（深圳）有限公司 文本分类模型的生成装置、方法及计算机可读存储介质
CN109388793A (zh) * 2017-08-03 2019-02-26 阿里巴巴集团控股有限公司 实体标注方法、意图识别方法及对应装置、计算机存储介质
CN109684626A (zh) * 2018-11-16 2019-04-26 深思考人工智能机器人科技（北京）有限公司 语义识别方法、模型、存储介质和装置
US10565317B1 (en) * 2019-05-07 2020-02-18 Moveworks, Inc. Apparatus for improving responses of automated conversational agents via determination and updating of intent
CN112183061A (zh) * 2020-09-28 2021-01-05 云知声智能科技股份有限公司 一种多意图口语理解方法、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109388793A (zh) * 2017-08-03 2019-02-26 阿里巴巴集团控股有限公司 实体标注方法、意图识别方法及对应装置、计算机存储介质
CN108804512A (zh) * 2018-04-20 2018-11-13 平安科技（深圳）有限公司 文本分类模型的生成装置、方法及计算机可读存储介质
CN109684626A (zh) * 2018-11-16 2019-04-26 深思考人工智能机器人科技（北京）有限公司 语义识别方法、模型、存储介质和装置
US10565317B1 (en) * 2019-05-07 2020-02-18 Moveworks, Inc. Apparatus for improving responses of automated conversational agents via determination and updating of intent
CN112183061A (zh) * 2020-09-28 2021-01-05 云知声智能科技股份有限公司 一种多意图口语理解方法、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨春妮;冯朝胜;: "结合句法特征和卷积神经网络的多意图识别模型", 计算机应用, vol. 38, no. 07, pages 1839 - 1845 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114733195A (zh) * 2022-04-07 2022-07-12 平安科技（深圳）有限公司 基于双边适配的游戏资源配置方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN112380870A (zh) 用户意图分析方法、装置、电子设备及计算机存储介质
CN113157927B (zh) 文本分类方法、装置、电子设备及可读存储介质
CN114398557B (zh) 基于双画像的信息推荐方法、装置、电子设备及存储介质
CN113592605B (zh) 基于相似产品的产品推荐方法、装置、设备及存储介质
CN113821622B (zh) 基于人工智能的答案检索方法、装置、电子设备及介质
CN112559687A (zh) 问题识别及查询方法、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
CN114840684A (zh) 基于医疗实体的图谱构建方法、装置、设备及存储介质
CN114138243A (zh) 基于开发平台的功能调用方法、装置、设备及存储介质
CN113886708A (zh) 基于用户信息的产品推荐方法、装置、设备及存储介质
CN113723114A (zh) 基于多意图识别的语义分析方法、装置、设备及存储介质
CN112632264A (zh) 智能问答方法、装置、电子设备及存储介质
CN116340516A (zh) 实体关系的聚类提取方法、装置、设备及存储介质
CN113806492B (zh) 基于语义识别的记录生成方法、装置、设备及存储介质
CN114780688A (zh) 基于规则匹配的文本质检方法、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
CN115186188A (zh) 基于行为分析的产品推荐方法、装置、设备及存储介质
CN114595321A (zh) 问题标注方法、装置、电子设备及存储介质
CN114708073A (zh) 一种围标串标智能检测方法、装置、电子设备及存储介质
CN113626605A (zh) 信息分类方法、装置、电子设备及可读存储介质
CN113344674A (zh) 基于用户购买力的产品推荐方法、装置、设备及存储介质
CN113656703B (zh) 基于新上线课程的智能推荐方法、装置、设备及存储介质
CN113706204B (zh) 基于深度学习的权益发放方法、装置、设备及存储介质
CN111680513B (zh) 特征信息的识别方法、装置及计算机可读存储介质

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