CN113792549A - 一种用户意图识别的方法、装置、计算机设备及存储介质 - Google Patents

一种用户意图识别的方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113792549A
CN113792549A CN202111091403.8A CN202111091403A CN113792549A CN 113792549 A CN113792549 A CN 113792549A CN 202111091403 A CN202111091403 A CN 202111091403A CN 113792549 A CN113792549 A CN 113792549A
Authority
CN
China
Prior art keywords
sample
weight
word segmentation
segmentation
calculating
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
Application number
CN202111091403.8A
Other languages
English (en)
Other versions
CN113792549B (zh
Inventor
吴智炜
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 Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China 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 Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202111091403.8A priority Critical patent/CN113792549B/zh
Publication of CN113792549A publication Critical patent/CN113792549A/zh
Application granted granted Critical
Publication of CN113792549B publication Critical patent/CN113792549B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种用户意图识别的方法、装置、计算机设备和存储介质，属于人工智能技术领域，本申请通过对获取到的训练样本进行分词处理，得到样本分词，基于预设的第一权重算法计算样本分词的第一分词权重，基于预设的第二权重算法计算样本分词的第二分词权重，基于样本分词、第一分词权重以及第二分词权重对初始识别模型进行训练，得到用户意图识别模型，在进行用户意图识别时，获取用户的关联信息，并将关联信息导入训练好的用户意图识别模型，输出用户意图识别结果。此外，本申请还涉及区块链技术，用户的关联信息可存储于区块链中。本申请能够显著提升了用户意图识别模型的识别精度，提高用户的的使用体验。

Description

一种用户意图识别的方法、装置、计算机设备及存储介质
技术领域
本申请属于人工智能技术领域，具体涉及一种用户意图识别的方法、装置、计算机设备和存储介质。
背景技术
近年来，随着整体经济环境增长放缓，B2B企业也处于转型阶段，传统依靠电话黄页、网络搜索、朋友推荐的传统销售模式已触及瓶颈，获客困难、成单率低是现有B2B企业普遍面临的问题。另外，销售团队的高流动性，且企业级产品销售的复杂性，使得B2B企业对新销售的培养成本会非常高。
因此，如何更精准地找到潜在客户，降低获客成本，同时降低新销售的培养成本，提升销售成单率，从而快速提升销售业绩成为每个B2B企业必须要解决的问题。现有的部分B2B企业通过用户意图识别来寻找潜在客户，但目前用户意图识别方案通常通过卷积神经网络直接学习用户关联信息的文本特征，以预测用户是否存在购买意愿，但仅通过用户关联信息的文本特征的用户意图识别模型的准确度不高，难以寻找真实存在购买意愿的潜在客户。
发明内容
本申请实施例的目的在于提出一种用户意图识别的方法、装置、计算机设备及存储介质，以解决现有用户意图识别方案仅通过用户关联信息的文本特征识别用户意图存在的准确度不高。
为了解决上述技术问题，本申请实施例提供一种用户意图识别的方法，采用了如下所述的技术方案：
一种用户意图识别的方法，包括：
通过网络爬虫爬取第一目标用户的关联信息，并将所述第一目标用户的关联信息作为初始识别模型的训练样本；
对所述训练样本进行分词处理，得到样本分词；
基于预设的第一权重算法计算所述样本分词的第一分词权重；
基于预设的第二权重算法计算所述样本分词的第二分词权重；
基于所述样本分词、所述第一分词权重以及所述第二分词权重对所述初始识别模型进行训练，得到用户意图识别模型；
接收用户意图识别指令，获取第二目标用户的关联信息，并将所述第二目标用户的关联信息导入所述用户意图识别模型，输出用户意图识别结果。
进一步地，所述预设的第一权重算法为TF-IDF算法，所述基于预设的第一权重算法计算所述样本分词的第一分词权重的步骤，具体包括：
计算所述样本分词的词频，以及计算所述样本分词的逆文档频率；
基于所述样本分词的词频和所述样本分词的逆文档频率，计算所述样本分词的第一分词权重。
进一步地，所述计算所述样本分词的词频，以及计算所述样本分词的逆文档频率的步骤，具体包括：
确定所述样本分词所在的文档，得到目标文档，其中，所述训练样本包括若干个文档；
统计所述样本分词在所述目标文档中的出现次数，得到第一分词数，以及统计所述样本分词在所述训练样本的所有文档中的出现次数总和，得到第二分词数；
基于所述第一分词数和所述第二分词数，利用所述TF-IDF算法计算所述样本分词的词频；
统计所述目标文档的数量，得到第一文档数量，以及统计所述训练样本中的文档总数，得到第二文档数量；
基于所述第一文档数量和所述第二文档数量，利用所述TF-IDF算法计算所述样本分词的逆文档频率。
进一步地，所述预设的第二权重算法计算为特征权值算法，所述基于预设的第二权重算法计算所述样本分词的第二分词权重的步骤，具体包括：
为所述样本分词赋予相同的初始权重；
对赋予所述初始权重后的样本分词进行分类，得到若干个样本分词组合；
基于所述特征权重算法，分别计算若干个所述样本分词组合中每一个样本分词的第二分词权重。
进一步地，所述基于所述特征权重算法，分别计算若干个所述样本分词组合中每一个样本分词的第二分词权重的步骤，具体包括：
计算同一类别的样本分词组合中样本分词的相似度，得到第一相似度；
计算不同类别的样本分词组合中样本分词的相似度，得到第二相似度；
计算所述第一相似度和所述第二相似度的相似度差值，并比对所述相似度差值与预设阈值；
当所述相似度差值小于所述预设阈值时，上调所述样本分词的第二分词权重；
当所述相似度差值大于或等于所述预设阈值时，下调所述样本分词的第二分词权重。
进一步地，所述初始识别模型包括编码层和解码层，所述基于所述样本分词、所述第一分词权重以及所述第二分词权重对所述初始识别模型进行训练，得到用户意图识别模型的步骤，具体包括：
对所述样本分词进行向量转化，得到所述样本分词的词向量；
基于所述第一分词权重对所述词向量中各个维度的数值进行调整，得到初始输入向量；
将所述初始输入向量输入到所述编码层，得到特征编码向量，以及将所述特征编码向量输入到所述解码层，得到特征解码向量；
基于所述第二分词权重对所述特征解码向量中各个维度的数值进行调整，得到生成初始识别模型的输出结果；
基于所述输出结果对所述初始识别模型进行迭代更新，得到所述用户意图识别模型。
进一步地，所述初始识别模型包括若干个编码层和若干个解码层，其中，每一个编码层均对应解码层，所述将所述初始输入向量输入到所述编码层，得到特征编码向量，以及将所述特征编码向量输入到所述解码层，得到特征解码向量的步骤，具体包括：
将所述初始输入向量依次输入到各个所述编码层，获取各个所述编码层输出的特征编码向量；
将各个所述编码层输出的特征编码向量导入到与各个所述编码层相互对应的解码层中，得到各个解码层输出的特征解码向量。
为了解决上述技术问题，本申请实施例还提供一种用户意图识别的装置，采用了如下所述的技术方案：
一种用户意图识别的装置，包括：
样本采集模块，包括通过网络爬虫爬取第一目标用户的关联信息，并将所述第一目标用户的关联信息作为初始识别模型的训练样本；
分词处理模块，包括对所述训练样本进行分词处理，得到样本分词；
第一权重计算模块，包括基于预设的第一权重算法计算所述样本分词的第一分词权重；
第二权重计算模块，包括基于预设的第二权重算法计算所述样本分词的第二分词权重；
模型训练模块，包括基于所述样本分词、所述第一分词权重以及所述第二分词权重对所述初始识别模型进行训练，得到用户意图识别模型；
意图识别模块，包括接收用户意图识别指令，获取第二目标用户的关联信息，并将所述第二目标用户的关联信息导入所述用户意图识别模型，输出用户意图识别结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上述所述的用户意图识别的方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的用户意图识别的方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请公开了一种用户意图识别的方法、装置、计算机设备和存储介质，属于人工智能技术领域，本申请通过预设的网络爬虫爬取用于模型训练的训练样本，通过训练样本进行分词处理，得到样本分词，然后通过预设的TF-I DF算法计算样本分词的文本权重，以及通过预设的特征权值算法计算样本分词的语义权重，在进行用户意图识别模型训练时，通过使用添加文本权重和语义权重对模型进行综合训练，使得训练好的用户意图识别模型同时学习样本分词的文本特征和语义特征，显著提升了用户意图识别模型的识别精度，提高了用户的的使用体验。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请可以应用于其中的示例性系统架构图；
图2示出了根据本申请的用户意图识别的方法的一个实施例的流程图；
图3示出了根据本申请的用户意图识别的装置的一个实施例的结构示意图；
图4示出了根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器，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(Content Delivery Network，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。
需要说明的是，本申请实施例所提供的用户意图识别的方法一般由服务器执行，相应地，用户意图识别的装置一般设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的用户意图识别的的方法的一个实施例的流程图。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。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述的用户意图识别的方法，包括以下步骤：
S201，通过网络爬虫爬取第一目标用户的关联信息，并将所述第一目标用户的关联信息作为初始识别模型的训练样本。
其中，第一目标用户为已知的具有购买意愿或者不具有购买意愿的用户群体，获取第一目标用户的关联信息，并将第一目标用户的关联信息作为模型的训练样本，以训练一个用户意图识别模型，第一目标用户的关联信息包括基本信息、关注信息、提问信息和答题信息，关联信息为文本信息，用户的关联信息可以通过开发人员自行编写爬虫或者利用开放的API从微博、知乎、贴吧等公共社交网站中获取。
在训练用户意图识别模型时，通过网络爬虫爬取具有购买意愿或者不具有购买意愿的用户群体的关联信息，其中，关联信息包括基本信息、关注信息、提问信息和答题信息，上述每种信息均能够体现用户对于某种产品的购买意愿，如基本信息包括昵称、居住地、教育程度等，基本信息一般不会对是否具有购买倾向起到决定性的作用；关注信息如关注的话题、问题、专栏等等，关注信息能最直观的展现用户的喜好、关注点所在，从用户的当前关注信息中有很大可能提取到用户的购买意愿；用户的答题信息可以反映用户的特长，但可能不是反映用户的兴趣点所在；用户的提问信息可能能反映用户的某种需求，有很大可能存在用户的购买意愿。
具体的，服务器通过预设的网络爬虫爬取已知的具有购买意愿或者不具有购买意愿的第一目标用户的关联信息，其中，第一目标用户的关联信息包括基本信息、关注信息、提问信息和答题信息，并将第一目标用户的关联信息作为初始识别模型的训练样本。
S202，对所述训练样本进行分词处理，得到样本分词。
具体的，服务器根据第一目标用户的购买意愿情况对训练样本进行标注，并对标注后的训练样本进行分词处理，得到样本分词，以及去除样本分词中的停用词和标点符号。本申请具体的实施例中，可以通过机器学习分词算法或语义识别分词算法对训练样本进行分词处理，如采用隐马尔可夫模型实现训练样本分词处理，得到样本分词。
S203，基于预设的第一权重算法计算所述样本分词的第一分词权重。
其中，预设的第一权重算法为TF-IDF算法，TF-IDF(term frequency–inversedocument frequency)是一种用于信息检索与数据挖掘的常用加权技术。TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。TF-IDF加权的各种形式常被搜索引擎应用，作为文件与用户查询之间相关程度的度量或评级。
具体的，服务器基于预设的TF-IDF算法计算样本分词的第一分词权重，其中，第一分词权重为样本分词的文本特征权重。
S204，基于预设的第二权重算法计算所述样本分词的第二分词权重。
其中，预设的第二权重算法计算为特征权值算法(Relief算法)，Relief算法从任意一个特征数据组合D中随机选择一个样本R，然后从D中寻找最近邻样本H，称为Near Hit，从其他特征数据组合中寻找最近邻样本M，称为NearMiss，然后根据以下规则更新每个特征的权重：如果R和Near Hit在某个特征上的距离小于R和Near Miss上的距离，这里的距离即两个特征数据之间的相似度，则说明该特征对区分同类和不同类的最近邻是有益的，则增加该特征的权重；反之，如果R和Near Hit在某个特征的距离大于R和Near Miss上的距离，说明该特征对区分同类和不同类的最近邻起负面作用，则降低该特征的权重。以上过程重复m次，最后得到各特征的平均权重，特征的权重越大，表示该特征的分类能力越强，反之，表示该特征分类能力越弱。Relief算法的运行时间随着样本的抽样次数m和原始特征个数N的增加线性增加，因而运行效率非常高。
具体的，服务器基于预设的Relief算法计算样本分词的第二分词权重，其中，第一分词权重为样本分词的语义特征权重。服务器通过使用特征权值算法分类计算每个样本分词的语义特征权重，在训练用户意图识别模型时，通过添加上述语义特征权重进行训练，使得用户意图识别模型学习语义特征分析功能，可以更加准确的预测用户意图。
S205，基于所述样本分词、所述第一分词权重以及所述第二分词权重对所述初始识别模型进行训练，得到用户意图识别模型。
具体的，服务器在进行用户意图识别之前，需要训练用户意图识别模型，服务器基于样本分词、第一分词权重以及第二分词权重对初始识别模型进行训练，得到一个能同时获得样本分词的文本特征和语义特征的用户意图识别模型，通过使用添加文本权重和语义权重对模型进行综合训练，以显著提升了用户意图识别模型的识别精度，提高了用户的的使用体验。
S206，接收用户意图识别指令，获取第二目标用户的关联信息，并将所述第二目标用户的关联信息导入所述用户意图识别模型，输出用户意图识别结果。
具体的，当存在用户意图识别需求时，服务器接收用户从用户终端上传的用户意图识别指令，获取第二目标用户的关联信息，并将第二目标用户的关联信息导入用户意图识别模型，输出用户意图识别结果。
在本实施例中，用户意图识别的方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收用户意图识别指令。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
本申请公开了一种用户意图识别的方法，属于人工智能技术领域，本申请通过预设的网络爬虫爬取用于模型训练的训练样本，通过训练样本进行分词处理，得到样本分词，然后通过预设的TF-IDF算法计算样本分词的文本权重，以及通过预设的特征权值算法计算样本分词的语义权重，在进行用户意图识别模型训练时，通过使用添加文本权重和语义权重对模型进行综合训练，使得训练好的用户意图识别模型同时学习样本分词的文本特征和语义特征，显著提升了用户意图识别模型的识别精度，提高了用户的的使用体验。
进一步地，所述预设的第一权重算法为TF-IDF算法，所述基于预设的第一权重算法计算所述样本分词的第一分词权重的步骤，具体包括：
计算所述样本分词的词频，以及计算所述样本分词的逆文档频率；
基于所述样本分词的词频和所述样本分词的逆文档频率，计算所述样本分词的第一分词权重。服务器通过计算样本分词的TF，以及计算样本分词的IDF，并基于样本分词的TF和样本分词的IDF，采用预设的TF-IDF算法计算样本分词的第一分词权重。其中，TF是词频(Term Frequency)，IDF是逆文本频率(Inverse Document Frequency)。
进一步地，所述计算所述样本分词的词频，以及计算所述样本分词的逆文档频率的步骤，具体包括：
确定所述样本分词所在的文档，得到目标文档，其中，所述训练样本包括若干个文档；
统计所述样本分词在所述目标文档中的出现次数，得到第一分词数，以及统计所述样本分词在所述训练样本的所有文档中的出现次数总和，得到第二分词数；
基于所述第一分词数和所述第二分词数，利用所述TF-IDF算法计算所述样本分词的词频；
统计所述目标文档的数量，得到第一文档数量，以及统计所述训练样本中的文档总数，得到第二文档数量；
基于所述第一文档数量和所述第二文档数量，利用所述TF-IDF算法计算所述样本分词的逆文档频率。
具体的，服务器对训练样本进行分词处理，得到多个样本分词后，依次确定每一个样本分词所在的文档，得到目标文档，其中，训练样本包括多个文档，统计每一个样本分词在对应的目标文档中的出现次数，得到第一分词数，以及统计所有样本分词在训练样本的所有文档中的出现次数总和，得到第二分词数，基于第一分词数和第二分词数，计算样本分词的词频。
具体的，词频TF的计算公式如下：
Figure BDA0003267627520000111
其中，tfi,j为样本分词ti的词频，ni,j为样本分词ti在某个文本dj中的出现次数，∑knk,j为k个样本分词在所有文档中的出现次数总和。服务器统计目标文档的数量，得到第一文档数量，以及统计训练样本中的文档总数，得到第二文档数量，基于第一文档数量和第二文档数量，计算样本分词的逆文档频率。逆文本频率IDF的计算公式如下：
Figure BDA0003267627520000121
其中，idfi,j为样本分词ti的逆文本频率指数，|D|为训练样本中的文档总数，|{j:ti∈dj}|包含样本分词ti的文档数量。
在上述实施例中，通过预设的TF-IDF算法计算样本分词文本特征权重，在进行用户意图识别模型训练时，通过文本特征权重使得训练好的用户意图识别模型学习样本分词的文本特征的能力。
进一步地，所述预设的第二权重算法计算为特征权值算法，所述基于预设的第二权重算法计算所述样本分词的第二分词权重的步骤，具体包括：
为所述样本分词赋予相同的初始权重；
对赋予所述初始权重后的样本分词进行分类，得到若干个样本分词组合；
基于所述特征权重算法，分别计算若干个所述样本分词组合中每一个样本分词的第二分词权重。
具体的，对训练样本进行分词处理，一般会得到多个个样本分词，服务器先为每一个样本分词赋予相同的初始权重，如初始权重设置为“0.5”，再对赋予初始权重后的样本分词进行分类，得到若干个样本分词组合，如根据样本分词所属的类型进行分类，得到基本信息分词组合、关注信息分词组合、提问信息分词组合和答题信息分词组合，最后基于特征权重算法，计算各个样本分词组合中每一个样本分词的第二分词权重。
进一步地，所述基于所述特征权重算法，分别计算若干个所述样本分词组合中每一个样本分词的第二分词权重的步骤，具体包括：
计算同一类别的样本分词组合中样本分词的相似度，得到第一相似度；
计算不同类别的样本分词组合中样本分词的相似度，得到第二相似度；
基于所述第一相似度和所述第二相似度对所述样本分词的初始权重进行调整，得到每一个所述样本分词的第二分词权重。
进一步地，所述基于所述第一相似度和所述第二相似度对所述样本分词的初始权重进行调整，得到每一个所述样本分词的第二分词权重的步骤，具体包括：
计算所述第一相似度和所述第二相似度的相似度差值，并比对所述相似度差值与预设阈值；
当所述相似度差值小于所述预设阈值时，上调所述样本分词的第二分词权重；
当所述相似度差值大于或等于所述预设阈值时，下调所述样本分词的第二分词权重。
具体的，服务器先计算同一类别的样本分词组合中两个样本分词的相似度，得到第一相似度，然后计算不同类别的样本分词组合中两个样本分词的相似度，得到第二相似度，基于第一相似度和第二相似度对每一个样本分词的初始权重进行调整，得到每一个样本分词的第二分词权重。例如，取计算某一个样本分词的第一相似度和第二相似度的差值，当其第一相似度和第二相似度的差值小于预设阈值时，上调其初始权重，上调幅度可以提前预设，如“0.1”；当其第一相似度和第二相似度的差值大于或等于预设阈值时，下调其初始权重。
在上述实施例中，通过预设的特征权值算法计算样本分词语义特征权重，在进行用户意图识别模型训练时，通过语义特征权重使得训练好的用户意图识别模型学习样本分词的语义特征的能力。
进一步地，所述初始识别模型包括编码层和解码层，所述基于所述样本分词、所述第一分词权重以及所述第二分词权重对所述初始识别模型进行训练，得到用户意图识别模型的步骤，具体包括：
对所述样本分词进行向量转化，得到所述样本分词的词向量；
基于所述第一分词权重对所述词向量中各个维度的数值进行调整，得到初始输入向量；
将所述初始输入向量输入到所述编码层，得到特征编码向量，以及将所述特征编码向量输入到所述解码层，得到特征解码向量；
基于所述第二分词权重对所述特征解码向量中各个维度的数值进行调整，得到生成初始识别模型的输出结果；
基于所述输出结果对所述初始识别模型进行迭代更新，得到所述用户意图识别模型。
其中，初始识别模型采用Transformer网络架构进行构建，其中，Transformer网络包含编码层和解码层，通过Transformer网络的编码层对输入向量进行编码，使得编码层学习输入向量的特征，通过Transformer网络的解码层对编码特征进行分析，输出用户意图预测结果。
具体的，服务器先对样本分词进行向量转化，得到样本分词的词向量，然后基于第一分词权重对词向量中各个维度的数值进行调整，得到初始输入向量，再将初始输入向量输入到编码层，得到特征编码向量，以及将特征编码向量输入到解码层，得到特征解码向量，使得模型学习训练样本的文本特征，接着服务器再基于第二分词权重对特征解码向量中各个维度的数值进行调整，得到初始识别模型的输出结果，并基于输出结果对初始识别模型进行迭代更新，得到所述用户意图识别模型。
进一步地，所述初始识别模型包括若干个编码层和若干个解码层，其中，每一个编码层均对应解码层，所述将所述初始输入向量输入到所述编码层，得到特征编码向量，以及将所述特征编码向量输入到所述解码层，得到特征解码向量的步骤，具体包括：
将所述初始输入向量依次输入到各个所述编码层，获取各个所述编码层输出的特征编码向量；
将各个所述编码层输出的特征编码向量导入到与各个所述编码层相互对应的解码层中，得到各个解码层输出的特征解码向量。
具体的，Transformer网络架构是一种基于“U”型的神经网络架构，其中，Transformer网络架构包括若干个编码层和若干个解码层，每一个编码层均与一个解码层相互对应，编码层输出的特征编码向量会被送至对应的解码层进行解码，通过一个“U”型的编码-解码网络结构，使得用户意图识别模型可以完整的获得输入向量在各个维度的特征。
在上述实施例中，通过使用添加文本权重和语义权重对模型进行综合训练，使得模型在获得样本分词的文本特征的同时，结合语义特征进行分析，得到更加准确的用户意图预测结果，最后通过用户意图预测结果和训练样本的标注结果进行模型迭代，得到成熟的用户意图识别模型。
本申请公开了一种用户意图识别的方法，属于人工智能技术领域，本申请通过预设的网络爬虫爬取用于模型训练的训练样本，通过训练样本进行分词处理，得到样本分词，然后通过预设的TF-IDF算法计算样本分词的文本权重，以及通过预设的特征权值算法计算样本分词的语义权重，在进行用户意图识别模型训练时，通过使用添加文本权重和语义权重对模型进行综合训练，使得训练好的用户意图识别模型同时学习样本分词的文本特征和语义特征，显著提升了用户意图识别模型的识别精度，提高了用户的的使用体验。
需要强调的是，为进一步保证上述用户的关联信息的私密和安全性，上述用户的关联信息还可以存储于一区块链的节点中。
本申请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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种用户意图识别的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的用户意图识别的装置包括：
样本采集模块301，包括通过网络爬虫爬取第一目标用户的关联信息，并将所述第一目标用户的关联信息作为初始识别模型的训练样本；
分词处理模块302，包括对所述训练样本进行分词处理，得到样本分词；
第一权重计算模块303，包括基于预设的第一权重算法计算所述样本分词的第一分词权重；
第二权重计算模块304，包括基于预设的第二权重算法计算所述样本分词的第二分词权重；
模型训练模块305，包括基于所述样本分词、所述第一分词权重以及所述第二分词权重对所述初始识别模型进行训练，得到用户意图识别模型；
意图识别模块306，包括接收用户意图识别指令，获取第二目标用户的关联信息，并将所述第二目标用户的关联信息导入所述用户意图识别模型，输出用户意图识别结果。
进一步地，所述预设的第一权重算法为TF-IDF算法，所述第一权重计算模块303具体包括：
第一计算单元，用于计算所述样本分词的词频，以及计算所述样本分词的逆文档频率；
第二计算单元，用于基于所述样本分词的词频和所述样本分词的逆文档频率，计算所述样本分词的第一分词权重。
进一步地，所述第一计算单元具体包括：
文档识别子单元，用于确定所述样本分词所在的文档，得到目标文档，其中，所述训练样本包括若干个文档；
次数统计子单元，用于统计所述样本分词在所述目标文档中的出现次数，得到第一分词数，以及统计所述样本分词在所述训练样本的所有文档中的出现次数总和，得到第二分词数；
词频计算子单元，用于基于所述第一分词数和所述第二分词数，利用所述TF-IDF算法计算所述样本分词的词频；
文档统计子单元，用于统计所述目标文档的数量，得到第一文档数量，以及统计所述训练样本中的文档总数，得到第二文档数量；
逆文档频率计算子单元，用于基于所述第一文档数量和所述第二文档数量，利用所述TF-IDF算法计算所述样本分词的逆文档频率。
进一步地，所述预设的第二权重算法计算为特征权值算法，所述第二权重计算模块304的步骤，具体包括：
权重赋值单元，用于为所述样本分词赋予相同的初始权重；
分词分类单元，用于对赋予所述初始权重后的样本分词进行分类，得到若干个样本分词组合；
特征权值计算单元，用于基于所述特征权重算法，分别计算若干个所述样本分词组合中每一个样本分词的第二分词权重。
进一步地，所述特征权值计算单元具体包括：
第一相似度计算子单元，用于计算同一类别的样本分词组合中样本分词的相似度，得到第一相似度；
第二相似度计算子单元，用于计算不同类别的样本分词组合中样本分词的相似度，得到第二相似度；
差值比对单元，用于计算所述第一相似度和所述第二相似度的相似度差值，并比对所述相似度差值与预设阈值；
第一比对结果单元，用于当所述相似度差值小于所述预设阈值时，上调所述样本分词的第二分词权重；
第二比对结果单元，用于当所述相似度差值大于或等于所述预设阈值时，下调所述样本分词的第二分词权重。
进一步地，所述初始识别模型包括编码层和解码层，所述模型训练模块305具体包括：
向量转化单元，用于对所述样本分词进行向量转化，得到所述样本分词的词向量；
第一调整单元，用于基于所述第一分词权重对所述词向量中各个维度的数值进行调整，得到初始输入向量；
编码解码单元，用于将所述初始输入向量输入到所述编码层，得到特征编码向量，以及将所述特征编码向量输入到所述解码层，得到特征解码向量；
第二调整单元，用于基于所述第二分词权重对所述特征解码向量中各个维度的数值进行调整，得到生成初始识别模型的输出结果；
迭代更新单元，用于基于所述输出结果对所述初始识别模型进行迭代更新，得到所述用户意图识别模型。
进一步地，所述初始识别模型包括若干个编码层和若干个解码层，其中，每一个编码层均对应解码层，所述编码解码单元具体包括：
特征编码子单元，用于将所述初始输入向量依次输入到各个所述编码层，获取各个所述编码层输出的特征编码向量；
特征解码子单元，用于将各个所述编码层输出的特征编码向量导入到与各个所述编码层相互对应的解码层中，得到各个解码层输出的特征解码向量。
本申请公开了一种用户意图识别的装置，属于人工智能技术领域，本申请通过预设的网络爬虫爬取用于模型训练的训练样本，通过训练样本进行分词处理，得到样本分词，然后通过预设的TF-IDF算法计算样本分词的文本权重，以及通过预设的特征权值算法计算样本分词的语义权重，在进行用户意图识别模型训练时，通过使用添加文本权重和语义权重对模型进行综合训练，使得训练好的用户意图识别模型同时学习样本分词的文本特征和语义特征，显著提升了用户意图识别模型的识别精度，提高了用户的的使用体验。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41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、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如用户意图识别的方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述用户意图识别的方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请公开了一种计算机设备，属于人工智能技术领域，本申请通过预设的网络爬虫爬取用于模型训练的训练样本，通过训练样本进行分词处理，得到样本分词，然后通过预设的TF-IDF算法计算样本分词的文本权重，以及通过预设的特征权值算法计算样本分词的语义权重，在进行用户意图识别模型训练时，通过使用添加文本权重和语义权重对模型进行综合训练，使得训练好的用户意图识别模型同时学习样本分词的文本特征和语义特征，显著提升了用户意图识别模型的识别精度，提高了用户的的使用体验。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的用户意图识别的方法的步骤。
本申请公开了一种存储介质，属于人工智能技术领域，本申请通过预设的网络爬虫爬取用于模型训练的训练样本，通过训练样本进行分词处理，得到样本分词，然后通过预设的TF-IDF算法计算样本分词的文本权重，以及通过预设的特征权值算法计算样本分词的语义权重，在进行用户意图识别模型训练时，通过使用添加文本权重和语义权重对模型进行综合训练，使得训练好的用户意图识别模型同时学习样本分词的文本特征和语义特征，显著提升了用户意图识别模型的识别精度，提高了用户的的使用体验。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种用户意图识别的方法，其特征在于，包括：
通过网络爬虫爬取第一目标用户的关联信息，并将所述第一目标用户的关联信息作为初始识别模型的训练样本；
对所述训练样本进行分词处理，得到样本分词；
基于预设的第一权重算法计算所述样本分词的第一分词权重；
基于预设的第二权重算法计算所述样本分词的第二分词权重；
基于所述样本分词、所述第一分词权重以及所述第二分词权重对所述初始识别模型进行训练，得到用户意图识别模型；
接收用户意图识别指令，获取第二目标用户的关联信息，并将所述第二目标用户的关联信息导入所述用户意图识别模型，输出用户意图识别结果。
2.如权利要求1所述的用户意图识别的方法，其特征在于，所述预设的第一权重算法为TF-IDF算法，所述基于预设的第一权重算法计算所述样本分词的第一分词权重的步骤，具体包括：
计算所述样本分词的词频，以及计算所述样本分词的逆文档频率；
基于所述样本分词的词频和所述样本分词的逆文档频率，计算所述样本分词的第一分词权重。
3.如权利要求2所述的用户意图识别的方法，其特征在于，所述计算所述样本分词的词频，以及计算所述样本分词的逆文档频率的步骤，具体包括：
确定所述样本分词所在的文档，得到目标文档，其中，所述训练样本包括若干个文档；
统计所述样本分词在所述目标文档中的出现次数，得到第一分词数，以及统计所述样本分词在所述训练样本的所有文档中的出现次数总和，得到第二分词数；
基于所述第一分词数和所述第二分词数，利用所述TF-IDF算法计算所述样本分词的词频；
统计所述目标文档的数量，得到第一文档数量，以及统计所述训练样本中的文档总数，得到第二文档数量；
基于所述第一文档数量和所述第二文档数量，利用所述TF-IDF算法计算所述样本分词的逆文档频率。
4.如权利要求1所述的用户意图识别的方法，其特征在于，所述预设的第二权重算法计算为特征权值算法，所述基于预设的第二权重算法计算所述样本分词的第二分词权重的步骤，具体包括：
为所述样本分词赋予相同的初始权重；
对赋予所述初始权重后的样本分词进行分类，得到若干个样本分词组合；
基于所述特征权重算法，分别计算若干个所述样本分词组合中每一个样本分词的第二分词权重。
5.如权利要求4所述的用户意图识别的方法，其特征在于，所述基于所述特征权重算法，分别计算若干个所述样本分词组合中每一个样本分词的第二分词权重的步骤，具体包括：
计算同一类别的样本分词组合中样本分词的相似度，得到第一相似度；
计算不同类别的样本分词组合中样本分词的相似度，得到第二相似度；
计算所述第一相似度和所述第二相似度的相似度差值，并比对所述相似度差值与预设阈值；
当所述相似度差值小于所述预设阈值时，上调所述样本分词的第二分词权重；
当所述相似度差值大于或等于所述预设阈值时，下调所述样本分词的第二分词权重。
6.如权利要求1至5任意一项所述的用户意图识别的方法，其特征在于，所述初始识别模型包括编码层和解码层，所述基于所述样本分词、所述第一分词权重以及所述第二分词权重对所述初始识别模型进行训练，得到用户意图识别模型的步骤，具体包括：
对所述样本分词进行向量转化，得到所述样本分词的词向量；
基于所述第一分词权重对所述词向量中各个维度的数值进行调整，得到初始输入向量；
将所述初始输入向量输入到所述编码层，得到特征编码向量，以及将所述特征编码向量输入到所述解码层，得到特征解码向量；
基于所述第二分词权重对所述特征解码向量中各个维度的数值进行调整，得到生成初始识别模型的输出结果；
基于所述输出结果对所述初始识别模型进行迭代更新，得到所述用户意图识别模型。
7.如权利要求6所述的用户意图识别的方法，其特征在于，所述初始识别模型包括若干个编码层和若干个解码层，其中，每一个编码层均对应解码层，所述将所述初始输入向量输入到所述编码层，得到特征编码向量，以及将所述特征编码向量输入到所述解码层，得到特征解码向量的步骤，具体包括：
将所述初始输入向量依次输入到各个所述编码层，获取各个所述编码层输出的特征编码向量；
将各个所述编码层输出的特征编码向量导入到与各个所述编码层相互对应的解码层中，得到各个解码层输出的特征解码向量。
8.一种用户意图识别的装置，其特征在于，包括：
样本采集模块，包括通过网络爬虫爬取第一目标用户的关联信息，并将所述第一目标用户的关联信息作为初始识别模型的训练样本；
分词处理模块，包括对所述训练样本进行分词处理，得到样本分词；
第一权重计算模块，包括基于预设的第一权重算法计算所述样本分词的第一分词权重；
第二权重计算模块，包括基于预设的第二权重算法计算所述样本分词的第二分词权重；
模型训练模块，包括基于所述样本分词、所述第一分词权重以及所述第二分词权重对所述初始识别模型进行训练，得到用户意图识别模型；
意图识别模块，包括接收用户意图识别指令，获取第二目标用户的关联信息，并将所述第二目标用户的关联信息导入所述用户意图识别模型，输出用户意图识别结果。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的用户意图识别的方法的步骤。
10.一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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的用户意图识别的方法的步骤。
CN202111091403.8A 2021-09-17 2021-09-17 一种用户意图识别的方法、装置、计算机设备及存储介质 Active CN113792549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111091403.8A CN113792549B (zh) 2021-09-17 2021-09-17 一种用户意图识别的方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111091403.8A CN113792549B (zh) 2021-09-17 2021-09-17 一种用户意图识别的方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN113792549A true CN113792549A (zh) 2021-12-14
CN113792549B CN113792549B (zh) 2023-08-08

Family

ID=79183822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111091403.8A Active CN113792549B (zh) 2021-09-17 2021-09-17 一种用户意图识别的方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113792549B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040049498A1 (en) * 2002-07-03 2004-03-11 Dehlinger Peter J. Text-classification code, system and method
US20070046983A1 (en) * 2005-08-23 2007-03-01 Hull Jonathan J Integration and Use of Mixed Media Documents
CN109815492A (zh) * 2019-01-04 2019-05-28 平安科技（深圳）有限公司 一种基于识别模型的意图识别方法、识别设备及介质
CN110232183A (zh) * 2018-12-07 2019-09-13 腾讯科技（深圳）有限公司 关键词提取模型训练方法、关键词提取方法、装置及存储介质
CN112434524A (zh) * 2020-11-20 2021-03-02 腾讯科技（深圳）有限公司 一种文本信息处理方法、装置、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040049498A1 (en) * 2002-07-03 2004-03-11 Dehlinger Peter J. Text-classification code, system and method
US20070046983A1 (en) * 2005-08-23 2007-03-01 Hull Jonathan J Integration and Use of Mixed Media Documents
CN110232183A (zh) * 2018-12-07 2019-09-13 腾讯科技（深圳）有限公司 关键词提取模型训练方法、关键词提取方法、装置及存储介质
CN109815492A (zh) * 2019-01-04 2019-05-28 平安科技（深圳）有限公司 一种基于识别模型的意图识别方法、识别设备及介质
CN112434524A (zh) * 2020-11-20 2021-03-02 腾讯科技（深圳）有限公司 一种文本信息处理方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113792549B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN110046304B (zh) 一种用户推荐方法和装置
US11062089B2 (en) Method and apparatus for generating information
US20200081908A1 (en) Internet text mining-based method and apparatus for judging validity of point of interest
CN107491547A (zh) 基于人工智能的搜索方法和装置
CN107220386A (zh) 信息推送方法和装置
CN107256267A (zh) 查询方法和装置
CN110825956A (zh) 一种信息流推荐方法、装置、计算机设备及存储介质
CN104899322A (zh) 搜索引擎及其实现方法
CN108334489B (zh) 文本核心词识别方法和装置
CN110827112B (zh) 深度学习的商品推荐方法、装置、计算机设备及存储介质
CN113434636B (zh) 基于语义的近似文本搜索方法、装置、计算机设备及介质
CN112863683A (zh) 基于人工智能的病历质控方法、装置、计算机设备及存储介质
CN112231569A (zh) 新闻推荐方法、装置、计算机设备及存储介质
CN113627797A (zh) 入职员工画像生成方法、装置、计算机设备及存储介质
CN113420212A (zh) 基于深度特征学习的推荐方法、装置、设备及存储介质
CN113806588A (zh) 搜索视频的方法和装置
CN113505601A (zh) 一种正负样本对构造方法、装置、计算机设备及存储介质
CN113987125A (zh) 基于神经网络的文本结构化信息提取方法、及其相关设备
CN116109373A (zh) 金融产品的推荐方法、装置、电子设备和介质
CN115438149A (zh) 一种端到端模型训练方法、装置、计算机设备及存储介质
CN113569118A (zh) 自媒体推送方法、装置、计算机设备及存储介质
CN112182390A (zh) 一种函件推送方法、装置、计算机设备及存储介质
CN113361248B (zh) 一种文本的相似度计算的方法、装置、设备及存储介质
JP2023554210A (ja) インテリジェント推奨用のソートモデルトレーニング方法及び装置、インテリジェント推奨方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム
CN114969371A (zh) 一种联合知识图谱的热度排序方法及装置

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