CN113850078A - 基于机器学习的多意图识别方法、设备及可读存储介质 - Google Patents
基于机器学习的多意图识别方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113850078A CN113850078A CN202111150317.XA CN202111150317A CN113850078A CN 113850078 A CN113850078 A CN 113850078A CN 202111150317 A CN202111150317 A CN 202111150317A CN 113850078 A CN113850078 A CN 113850078A
- Authority
- CN
- China
- Prior art keywords
- intention
- recognition model
- corpus
- intent
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000010801 machine learning Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000014509 gene expression Effects 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 103
- 238000012545 processing Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 230000000306 recurrent effect Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000006735 deficit Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- G06N20/00—Machine learning
-
- 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
-
- 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)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及一种人工智能技术领域,提供一种基于机器学习的多意图识别方法、装置、电子设备及计算机可读存储介质,其中方法包括:通过语料生成模型对包含多个意图的对话进行语料标注,获取所述对话中每个意图相对应的意图语料;通过所述意图语料训练预先构建的多意图识别模型;通过训练后的多意图识别模型识别人机对话的客户端表达语句中的多个意图。本发明主要目的在于通过transformer和rnn构成的多意图识别模型,准确识别客户的多个意图,从而解决现有意图识别过程中不能准确同时识别多个意图的问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于机器学习的多意图识别方法、装置、电子设备及计算机可读存储介质。
背景技术
在对话机器人与客户对话时,客户表达的语句有时并非一个意图,而是多个,如:我在忙,你是哪位?这个对话中包含两个意图:客户忙、询问机器人身份。因此,对话机器人需要具备识别客户同时输入中的多个意图的能力。
目前,传统的多意图方法多为SVM(Support Vector Machine,支持向量机)、RNN(Recurrent Neural Network,循环神经网络)、CNN(Convolutional NeuralNetwor,卷积神经网络)、BERT(BidirectionalEncoder Representations from Transformer,双向转换器来训练深度双向表示)等直接对客户输入进行编码,然后对编码好的向量分类输出,上述方法适合单意图分类,但对于多意图识别,上述方法都没有考虑到意图之间的关联性,会忽略重要的语义信息。
为解决上述问题,本发明亟需提供一种基于机器学习的多意图识别方法。
发明内容
本发明提供一种基于机器学习的多意图识别方法、装置、电子设备及计算机可读存储介质,其主要目的在于通过transformer和rnn构成的多意图识别模型,准确识别客户的多个意图,从而解决现有意图识别过程中不能准确同时识别多个意图的问题。
为实现上述目的,本发明提供的一种基于机器学习的多意图识别方法,应用于电子设备,所述方法包括:
对包含多个意图的对话进行语料标注,获取所述对话中每个意图相对应的意图语料;
通过所述意图语料训练预先构建的多意图识别模型,其中,
通过所述多意图识别模型的transformer编码器对所述意图语料进行编码,获取特征向量,
通过所述多意图识别模型的循环神经网络对所述特征向量进行预测处理,获取n个意图,其中,n大于等于2,
通过损失函数对获取的n个意图进行处理,获取意图损伤,
通过所述意图损伤对所述多意图识别模型进行传播训练,获取训练完成的多意图识别模型;
通过训练后的多意图识别模型识别人机对话的客户端表达语句中的多个意图。
可选地,所述通过所述多意图识别模型的transformer编码器对所述意图语料进行编码,获取特征向量,包括:
通过glove词向量公式对所述意图语料进行预训练,获取映射在同一向量空间中的所述意图语料中单词的词向量;
采用字符级卷积神经网络对获取的单词的词向量进行处理,获取字段嵌入;
将所述词向量和所述字段嵌入进行拼接,形成所述特征向量。
可选地,所述glove词向量公式为:
其中,Pij为共现概率;υi、υj为词向量;f为权重函数。
可选地,所述通过所述多意图识别模型的循环神经网络对所述特征向量进行预测处理,获取n个意图,包括:
将所述特征向量输入到所述循环神经网络,通过所述循环神经网络对所述特征向量进行预测处理,获取第一个意图;
将获取的第一个意图输入到所述循环神经网络,通过所述循环神经网络对所述第一个意图进行预测处理,获取第二个意图;
循环上述步骤,直至所述循环神经网络输出结束标记,循环停止,获取第n个意图,其中,n大于等于2。
可选地,所述损失函数公式为:
其中,q(xi)为预测第i条意图的概率;
p(xi)为标注第i条意图的值,标注为1,未标注为0。
可选地,所述通过所述意图损伤对所述多意图识别模型进行传播训练,获取训练完成的多意图识别模型,包括:
利用梯度下降算法计算所述意图损伤对所述多意图识别模型的每个参数的导数;
根据每个参数的倒数,更新所述多意图识别模型的参数值,以使得所述多意图识别模型输出符合标注的意图;
重复更新所述多意图识别模型的参数值的过程,直至所述意图损伤减小预设值,停止对所述多意图识别模型的每个参数更新,获取训练完成的多意图识别模型。
为了解决上述问题,本发明还提供一种基于机器学习的多意图识别装置,所述装置包括:
意图语料获取模块,用于对包含多个意图的对话进行语料标注,获取所述对话中每个意图相对应的意图语料;
模型训练模块,用于通过所述意图语料训练预先构建的多意图识别模型;其中,所述模型训练模块包括:特征向量获取模块、意图获取模块、意图损失获取模块和模型训练模块;
其中,所述特征向量获取模块,用于通过所述多意图识别模型的transformer编码器对所述意图语料进行编码,获取特征向量;
所述意图获取模块,用于通过所述多意图识别模型的循环神经网络对所述特征向量进行预测处理,获取n个意图,其中,n大于等于2;
所述意图损失获取模块,用于通过损失函数对获取的n个意图进行处理,获取意图损伤;
所述模型训练完成模块,用于通过所述意图损伤对所述多意图识别模型进行传播训练,获取训练完成的多意图识别模型;
意图识别模块,用于通过训练后的多意图识别模型识别人机对话的客户端表达语句中的多个意图。
可选地,所述特征向量获取模块包括词向量获取模块、字段嵌入获取模块和特征向量形成模块,其中,
所述词向量获取模块,用于通过glove词向量公式对所述意图语料进行预训练,获取映射在同一向量空间中的所述意图语料中单词的词向量;
所述字段嵌入获取模块,用于采用字符级卷积神经网络对获取的单词的词向量进行处理,获取字段嵌入;
所述特征向量形成模块,用于将所述词向量和所述字段嵌入进行拼接,形成所述特征向量。
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:
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上述的基于机器学习的多意图识别方法的步骤。
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机器学习的多意图识别方法。
本发明实施例通过对包含多个意图的对话进行语料标注,获取所述对话中每个意图相对应的意图语料;通过所述意图语料训练预先构建的多意图识别模型,其中,通过所述多意图识别模型的transformer编码器对所述意图语料进行编码,获取特征向量,通过所述多意图识别模型的循环神经网络对所述特征向量进行预测处理,获取n个意图,通过损失函数对获取的n个意图进行处理,获取意图损伤,通过所述意图损伤对所述多意图识别模型进行传播训练,获取训练完成的多意图识别模型;通过训练后的多意图识别模型识别人机对话的客户端表达语句中的多个意图。本发明主要目的在于通过transformer和rnn构成的多意图识别模型,准确识别客户的多个意图,从而解决现有意图识别过程中不能准确同时识别多个意图的问题。
附图说明
图1为本发明一实施例提供的基于机器学习的多意图识别方法的流程示意图;
图2为本发明一实施例提供的基于机器学习的多意图识别装置的模块示意图;
图3为本发明一实施例提供的实现基于机器学习的多意图识别方法的电子设备的内部结构示意图。
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
在下面的描述中,许多具体的细节被阐述。然而,应当理解的是,本发明的实施例可以在没有这些具体细节的情况下实现。在其他实例中,众所周知的方法、结构、和技术没有被详细地示出,以免模糊对本说明书的理解。对“一个实施例”、“实施例”、“示例性实施例”、“各种实施例”等等的参考表示本发明所描述的该实施例可包括特定的特征、结构、或特性,但并不是每一个实施例都必须包括该特定特征、结构、或特性。此外,短语“在一个实施例中”的反复使用不一定是指同一个实施例,尽管有可能是。
如本文所使用的,除非另外指明,使用序数形容词“第一”、“第二”、“第三”等等来描述公共的物体仅表明类似物体的不同实例正被参考,并且不意图暗示如此描述的该物体必须依照给定的顺序,无论在时间上、空间上、顺序上还是任何其他的方式。
如本文所使用的,除非另外指明,术语“移动设备”和/或“设备”一般是指无线通信设备,并且更具体地指以下的一个或多个:便携式电子设备、电话(例如,蜂窝式电话、智能手机)、计算机(例如,膝上型电脑、平板电脑)、便携式媒体播放器、个人数字助理(PDA)、或具有联网能力的任何其他电子设备。
对本申请实施例进行进一步详细说明之前,对本申请实施例中涉及的名词和术语进行说明,本申请实施例中涉及的名词和术语适用于如下的解释。
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。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。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、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。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
机器学习(Machine Learning,简称ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本发明提供一种基于机器学习的多意图识别方法。参照图1所示,为本发明一实施例提供的基于机器学习的多意图识别方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,基于机器学习的多意图识别方法,包括:
S1:对包含多个意图的对话进行语料标注,获取所述对话中每个意图相对应的意图语料;
S2:通过所述意图语料训练预先构建的多意图识别模型,其中,通过所述意图语料训练预先构建的多意图识别模型的过程包括:
S21:通过所述多意图识别模型的transformer编码器对所述意图语料进行编码,获取特征向量,
S22:通过所述多意图识别模型的循环神经网络对所述特征向量进行预测处理,获取n个意图,其中,n大于等于2,
S23:通过损失函数对获取的n个意图进行处理,获取意图损伤,
S24:通过所述意图损伤对所述多意图识别模型进行传播训练,获取训练完成的多意图识别模型;
S3:通过训练后的多意图识别模型识别人机对话的客户端表达语句中的多个意图。
在本发明的实施例中,采用transformer编码器对客户输入进行编码,并采用RNN对多意图的输出进行处理,即利用已经识别的意图来预测下一个意图,从而提高多意图识别的准确率。
在步骤S1中,在本发明的实施例中,获取对话中每个意图相对应的意图语料,可以通过语料生成模型获取,其中,获取的具体过程为标注每个意图对应的语句作为意图种子语料;通过标注模型将所述意图种子语料标注为训练意图语料;通过所述训练意图语料训练预先构建的意图语料生成模型;通过训练后的意图语料生成模型将人机对话的客户端表达语句生成多个意图语料。
其中,需要说明的是,上述为具体实现通过语料生成模型获取对话中每个意图相对应的意图语料的具体的过程,在本发明的实施例中,获取对话中每个意图相对应的意图语料并不限于上述采用语料生成模型获取,在具体应用中,可以选择合适的方式或者方法获取对话中每个意图相对应的意图语料,在此不再一一赘述。
在步骤S2中,所述通过所述意图语料训练预先构建的多意图识别模型,包括如下步骤:
S21:通过所述多意图识别模型的transformer编码器对所述意图语料进行编码,获取特征向量;
S22:通过所述多意图识别模型的循环神经网络对所述特征向量进行预测处理,获取n个意图,其中,n大于等于2;
S23:通过损失函数对获取的n个意图进行处理,获取意图损伤;
S24:通过所述意图损伤对所述多意图识别模型进行传播训练,获取训练完成的多意图识别模型。
在步骤S21中,利用transformer编码器将输入的将获取的意图语料编码成m*n维的特征向量Xf。
所述通过所述多意图识别模型的transformer编码器对所述意图语料进行编码,获取特征向量,包括:
通过glove词向量公式对所述意图语料进行预训练,获取映射在同一向量空间中的所述意图语料中单词的词向量;
采用字符级卷积神经网络对获取的单词的词向量进行处理,获取字段嵌入;
将所述词向量和所述字段嵌入进行拼接,形成所述特征向量。
3、如权利要求2所述的基于机器学习的多意图识别方法,其特征在于,所述glove词向量公式为:
其中,Pij为共现概率;υi、υj为词向量;f为权重函数。其中,Transformer有6个编码器和6个解码器,该编码器包含两个子层:多头自注意层和一个全连接层。该解码器包含三个子层,一个多头自注意层,一个能够执行编码器输出的多头自注意的附加层,以及一个全连接层。所有编码器/解码器的输入和输出标记都使用学习过的嵌入转换成向量。然后将这些输入嵌入传入进行位置编码。其中,位置编码,Transformer的架构不包含任何递归或卷积,因此没有词序的概念。输入序列中的所有单词都被输入到网络中,没有特殊的顺序或位置,都同时流经编码器和解码器堆栈。
在步骤S22中,所述通过所述多意图识别模型的循环神经网络对所述特征向量进行预测处理,获取n个意图,包括如下步骤:
S221:将所述特征向量输入到所述循环神经网络,通过所述循环神经网络对所述特征向量进行预测处理,获取第一个意图;
S222:将获取的第一个意图输入到所述循环神经网络,通过所述循环神经网络对所述第一个意图进行预测处理,获取第二个意图;
S223:循环上述步骤,直至所述循环神经网络输出结束标记,循环停止,获取第n个意图,其中,n大于等于2。
在本发明的实施例中,将X(特征向量)f和[START]输入到RNN(循环神经网络),循环神经网络预测出第一个意图y1,再将y1意图输入到RNN,RNN预测出第二个意图y2,重复上述步骤直到RNN输出<END>标记,循环停止,最终可以得到多个意图标签y1,y2等等,这些意图即为客户输入的多意图。
在步骤S23中,通过损失函数对获取的n个意图进行处理,获取意图损伤,其中,损失函数为:
其中,q(xi)为预测某意图的概率;
p(xi)为标注该意图的值,标注为1,未标注为0。
在本发明的实施例中,举例说明如下:
客户输入:我在忙,你是哪位?
标注意图:客户忙|询问机器人身份
客户忙 | 询问机器人身份 | 询问来电目的 | |
标注意图 | 1 | 1 | 0 |
模型预测 | 0.8 | 0.1 | 0.7 |
根据上述表格所示,意图损坏为:
Loss=-(1*log(0.8)+1*log(0.1)+0*log(0.7))
在步骤S24中,所述通过所述意图损伤对所述多意图识别模型进行传播训练,获取训练完成的多意图识别模型,包括:
根据梯度下降算法、所述意图损伤对所述多意图识别模型的参数进行多次调整,直至所述意图损伤达到预设值,停止对所述多意图识别模型的训练,以获取训练后的多意图识别模型。
在本发明的实施例中,利用梯度下降算法计算loss对多意图识别模型每个参数的导数,更新参数值,以使得模型输出更符合标注意图;重复上述过程很多次,直至loss减小到一定值(预设值),停止训练,即得到多意图识别模型。
在步骤S3中,通过训练好的多意图识别模型识用户表达语句中的多个意图。也就是说,利用训练好的多意图识别模型预测客户多意图,只需要将客户新的输入给到多意图识别模型中,即依次预测出该客户的意图。
具体地,所述通过所述意图损伤对所述多意图识别模型进行传播训练,获取训练完成的多意图识别模型,包括:
利用梯度下降算法计算所述意图损伤对所述多意图识别模型的每个参数的导数;
根据每个参数的倒数,更新所述多意图识别模型的参数值,以使得所述多意图识别模型输出符合标注的意图;
重复更新所述多意图识别模型的参数值的过程,直至所述意图损伤减小至预设值,停止对所述多意图识别模型的每个参数更新,获取训练完成的多意图识别模型。
本发明实施例通过通过语料生成模型对包含多个意图的对话进行语料标注,获取所述对话中每个意图相对应的意图语料;通过所述意图语料训练预先构建的多意图识别模型,其中,通过所述多意图识别模型的transformer编码器对所述意图语料进行编码,获取特征向量,通过所述多意图识别模型的循环神经网络对所述特征向量进行预测处理,获取n个意图,其中,n大于等于2,通过损失函数对获取的n个意图进行处理,获取意图损伤,通过所述意图损伤对所述多意图识别模型进行传播训练,获取训练完成的多意图识别模型;通过训练后的多意图识别模型识别人机对话的客户端表达语句中的多个意图。本发明主要目的在于通过transformer和rnn构成的多意图识别模型,准确识别客户的多个意图,从而解决现有意图识别过程中不能准确同时识别多个意图的问题。
如图2所示,是本发明基于机器学习的意图语料生成装置的功能模块图。本发明所述基于机器学习的多意图识别装置100可以安装于电子设备中。根据实现的功能,所述基于机器学习的多意图识别装置100可以包括:意图语料获取模块101、模型训练模块102和意图识别模块103。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:
意图语料获取模块101,用于通过语料生成模型对包含多个意图的对话进行语料标注,获取所述对话中每个意图相对应的意图语料;
模型训练模块102,用于通过所述意图语料训练预先构建的多意图识别模型;其中,所述模型训练模块102包括:特征向量获取模块1021、意图获取模块1022、意图损失获取模块1023和模型训练模块1024;
其中,所述特征向量获取模块1021,用于通过所述多意图识别模型的transformer编码器对所述意图语料进行编码,获取特征向量;
所述意图获取模块1022,用于通过所述多意图识别模型的循环神经网络对所述特征向量进行预测处理,获取n个意图,其中,n大于等于2;
所述意图损失获取模块1023,用于通过损失函数对获取的n个意图进行处理,获取意图损伤;
所述模型训练完成模块1024,用于通过所述意图损伤对所述多意图识别模型进行传播训练,获取训练完成的多意图识别模型;
意图识别模块103,用于通过训练后的多意图识别模型识别人机对话的客户端表达语句中的多个意图。
其中,所述特征向量获取模块包括词向量获取模块、字段嵌入获取模块和特征向量形成模块,其中,
所述词向量获取模块,用于通过glove词向量公式对所述意图语料进行预训练,获取映射在同一向量空间中的所述意图语料中单词的词向量;
所述字段嵌入获取模块,用于采用字符级卷积神经网络对获取的单词的词向量进行处理,获取字段嵌入;
所述特征向量形成模块,用于将所述词向量和所述字段嵌入进行拼接,形成所述特征向量。
本发明实施例通过通过语料生成模型对包含多个意图的对话进行语料标注,获取所述对话中每个意图相对应的意图语料;通过所述意图语料训练预先构建的多意图识别模型,其中,通过所述多意图识别模型的transformer编码器对所述意图语料进行编码,获取特征向量,通过所述多意图识别模型的循环神经网络对所述特征向量进行预测处理,获取n个意图,其中,n大于等于2,通过损失函数对获取的n个意图进行处理,获取意图损伤,通过所述意图损伤对所述多意图识别模型进行传播训练,获取训练完成的多意图识别模型;通过训练后的多意图识别模型识别人机对话的客户端表达语句中的多个意图。本发明主要目的在于通过transformer和rnn构成的多意图识别模型,准确识别客户的多个意图,从而解决现有意图识别过程中不能准确同时识别多个意图的问题。
如图3所示,是本发明实现基于机器学习的多意图识别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和总线,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,如基于机器学习的多意图识别程序12。
其中,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1的内部存储单元,例如该电子设备1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1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,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1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1的应用软件及各类数据,例如数据稽核程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。存储器可以存储内容,该内容可由电子设备显示或被发送到其他设备(例如,耳机)以由其他设备来显示或播放。存储器还可以存储从其他设备接收的内容。该来自其他设备的内容可由电子设备显示、播放、或使用,以执行任何必要的可由电子设备和/或无线接入点中的计算机处理器或其他组件实现的任务或操作。
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(Control Unit),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(例如数据稽核程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。电子还可包括芯片组(未示出),其用于控制一个或多个处理器与用户设备的其他组件中的一个或多个之间的通信。在特定的实施例中,电子设备可基于架构或架构,并且处理器和芯片集可来自处理器和芯片集家族。该一个或多个处理器104还可包括一个或多个专用集成电路(ASIC)或专用标准产品(ASSP),其用于处理特定的数据处理功能或任务。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,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。
此外,网络和I/O接口可包括一个或多个通信接口或网络接口设备,以提供经由网络(未示出)在电子设备和其他设备(例如,网络服务器)之间的数据传输。通信接口可包括但不限于:人体区域网络(BAN)、个人区域网络(PAN)、有线局域网(LAN)、无线局域网(WLAN)、无线广域网(WWAN)、等等。用户设备102可以经由有线连接耦合到网络。然而,无线系统接口可包括硬件或软件以广播和接收消息,其使用Wi-Fi直连标准和/或IEEE 802.11无线标准、蓝牙标准、蓝牙低耗能标准、Wi-Gig标准、和/或任何其他无线标准和/或它们的组合。
无线系统可包括发射器和接收器或能够在由IEEE 802.11无线标准所支配的操作频率的广泛范围内操作的收发器。通信接口可以利用声波、射频、光学、或其他信号来在电子设备与其他设备(诸如接入点、主机、服务器、路由器、读取设备、和类似物)之间交换数据。网络118可包括但不限于:因特网、专用网络、虚拟专用网络、无线广域网、局域网、城域网、电话网络、等等。
显示器可包括但不限于液晶显示器、发光二极管显示器、或由在美国马萨诸塞州剑桥城的E Ink公司(E Ink Corp.of Cambridge,Massachusetts)所制造的E-InkTM显示器。该显示器可用于将内容以文本、图像、或视频的形式显示给用户。在特定的实例中,该显示器还可以作为触控屏显示器操作,其可以使得用户能够藉由使用某些手指或手势来触摸屏幕以启动命令或操作。
图3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3示出的结构并不构成对所述电子设备3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1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1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。
进一步地,所述电子设备1还可以包括网络接口,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1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,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1中处理的信息以及用于显示可视化的用户界面。
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存储的基于机器学习的多意图识别程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
通过语料生成模型对包含多个意图的对话进行语料标注,获取所述对话中每个意图相对应的意图语料;
通过所述意图语料训练预先构建的多意图识别模型,其中,
通过所述多意图识别模型的transformer编码器对所述意图语料进行编码,获取特征向量,
通过所述多意图识别模型的循环神经网络对所述特征向量进行预测处理,获取n个意图,其中,n大于等于2,
通过损失函数对获取的n个意图进行处理,获取意图损伤,
通过所述意图损伤对所述多意图识别模型进行传播训练,获取训练完成的多意图识别模型;
通过训练后的多意图识别模型识别人机对话的客户端表达语句中的多个意图。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。需要强调的是,为进一步保证上述每组待处理语义单元的相似度语义处理结果的私密和安全性,上述每组待处理语义单元的相似度语义处理还可以存储于一区块链的节点中。
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取存储介质中。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)。
在本发明的实施例中,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机器学习的多意图识别方法的步骤,具体方法如下:
通过语料生成模型对包含多个意图的对话进行语料标注,获取所述对话中每个意图相对应的意图语料;
通过所述意图语料训练预先构建的多意图识别模型,其中,
通过所述多意图识别模型的transformer编码器对所述意图语料进行编码,获取特征向量,
通过所述多意图识别模型的循环神经网络对所述特征向量进行预测处理,获取n个意图,其中,n大于等于2,
通过损失函数对获取的n个意图进行处理,获取意图损伤,
通过所述意图损伤对所述多意图识别模型进行传播训练,获取训练完成的多意图识别模型;
通过训练后的多意图识别模型识别人机对话的客户端表达语句中的多个意图。
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。
以上参考根据本发明的示例性实施例的系统和方法和/或计算机程序产品的框图和流程图描述了本发明的某些实施例。应当理解的是,框图和流程图中的一个或多个方框、以及在框图和流程图中的方框的组合,可以分别由计算机可执行程序指令实现。同样地,根据本发明的一些实施例,框图和流程图中的一些方框可以不必按照所呈现的顺序执行,或者甚至可以完全不需要执行。
这些计算机可执行程序指令可以被加载到通用计算机、专用计算机、处理器、或其他可编程数据处理装置上以产生特定机器,使得在计算机、处理器、或其他可编程数据处理装置上执行的指令创建用于实现在流程图方框或多个方框中所指定的一个或多个功能的构件。这些计算机程序产品还可以存储在计算机可读存储器中,其可以指导计算机或其他可编程数据处理装置以特定的方式运行,使得存储在计算机可读存储器中的指令产生制品,该制品包括实现在流程图的方框或多个方框中指定的一个或多个功能的指令构件。例如,本发明的实施例可提供计算机程序产品,其包括其中包含有计算机可读程序代码或程序指令的计算机可用介质,所述计算机可读程序代码适于被执行以实现在流程图方框或多个方框中指定的一个或多个功能。计算机程序指令还可以被加载到计算机或其他可编程数据处理装置上,以致使一系列操作元素或步骤在计算机或其他可编程装置上执行易产生计算机实现的程序,使得在计算机或其他可编程装置上执行的指令提供用于实现在流程图方框或多个方框中指定的功能的元素或步骤。
相应地,框图或流程图中的方框支持用以执行指定功能的构件的组合、用于执行指定功能的元素或步骤与用于执行指定功能的程序指令构件的组合。还应当理解的是,框图和流程图中的每个方框以及框图和流程图中的方框的组合可由执行指定功能、元素或步骤的专用的基于硬件的计算机系统实现,或由专用硬件或计算机指令的组合实现。
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。
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。
虽然本发明的某些实施例已经结合目前被认为是最实用的且各式各样的实施例进行了描述,但应当理解,本发明并不限于所公开的实施例,而是意在覆盖包含在所附权利要求书的范围之内的各种修改和等价布置。虽然本文采用了特定的术语,但它们仅以一般性和描述性的意义使用,而不是用于限制的目的。
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)
1.一种基于机器学习的多意图识别方法,应用于电子设备,其特征在于,所述方法包括:
对包含多个意图的对话进行语料标注,获取所述对话中每个意图相对应的意图语料;
通过所述意图语料训练预先构建的多意图识别模型,其中,
通过所述多意图识别模型的transformer编码器对所述意图语料进行编码,获取特征向量,
通过所述多意图识别模型的循环神经网络对所述特征向量进行预测处理,获取n个意图,其中,n大于等于2,
通过损失函数对获取的n个意图进行处理,获取意图损伤,
通过所述意图损伤对所述多意图识别模型进行传播训练,获取训练完成的多意图识别模型;
通过训练后的多意图识别模型识别人机对话的客户端表达语句中的多个意图。
2.如权利要求1所述的基于机器学习的多意图识别方法,其特征在于,所述通过所述多意图识别模型的transformer编码器对所述意图语料进行编码,获取特征向量,包括:
通过glove词向量公式对所述意图语料进行预训练,获取映射在同一向量空间中的所述意图语料中单词的词向量;
采用字符级卷积神经网络对获取的单词的词向量进行处理,获取字段嵌入;
将所述词向量和所述字段嵌入进行拼接,形成所述特征向量。
4.如权利要求1所述的基于机器学习的多意图识别方法,其特征在于,所述通过所述多意图识别模型的循环神经网络对所述特征向量进行预测处理,获取n个意图,包括:
将所述特征向量输入到所述循环神经网络,通过所述循环神经网络对所述特征向量进行预测处理,获取第一个意图;
将获取的第一个意图输入到所述循环神经网络,通过所述循环神经网络对所述第一个意图进行预测处理,获取第二个意图;
循环上述步骤,直至所述循环神经网络输出结束标记,循环停止,获取第n个意图,其中,n大于等于2。
6.如权利要求1所述的基于机器学习的多意图识别方法,其特征在于,所述通过所述意图损伤对所述多意图识别模型进行传播训练,获取训练完成的多意图识别模型,包括:
利用梯度下降算法计算所述意图损伤对所述多意图识别模型的每个参数的导数;
根据每个参数的倒数,更新所述多意图识别模型的参数值,以使得所述多意图识别模型输出符合标注的意图;
重复更新所述多意图识别模型的参数值的过程,直至所述意图损伤减小至预设值,停止对所述多意图识别模型的每个参数更新,获取训练完成的多意图识别模型。
7.一种基于机器学习的多意图识别装置,其特征在于,所述装置包括:
意图语料获取模块,用于对包含多个意图的对话进行语料标注,获取所述对话中每个意图相对应的意图语料;
模型训练模块,用于通过所述意图语料训练预先构建的多意图识别模型;其中,所述模型训练模块包括:特征向量获取模块、意图获取模块、意图损失获取模块和模型训练模块;
其中,所述特征向量获取模块,用于通过所述多意图识别模型的transformer编码器对所述意图语料进行编码,获取特征向量;
所述意图获取模块,用于通过所述多意图识别模型的循环神经网络对所述特征向量进行预测处理,获取n个意图,其中,n大于等于2;
所述意图损失获取模块,用于通过损失函数对获取的N个意图进行处理,获取意图损伤;
所述模型训练完成模块,用于通过所述意图损伤对所述多意图识别模型进行传播训练,获取训练完成的多意图识别模型;
意图识别模块,用于通过训练后的多意图识别模型识别人机对话的客户端表达语句中的多个意图。
8.如权利要求7所述的基于机器学习的多意图识别装置,其特征在于,
所述特征向量获取模块包括词向量获取模块、字段嵌入获取模块和特征向量形成模块,其中,
所述词向量获取模块,用于通过glove词向量公式对所述意图语料进行预训练,获取映射在同一向量空间中的所述意图语料中单词的词向量;
所述字段嵌入获取模块,用于采用字符级卷积神经网络对获取的单词的词向量进行处理,获取字段嵌入;
所述特征向量形成模块,用于将所述词向量和所述字段嵌入进行拼接,形成所述特征向量。
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6中任一所述的基于机器学习的多意图识别方法的步骤。
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6中任一所述的基于机器学习的多意图识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150317.XA CN113850078A (zh) | 2021-09-29 | 2021-09-29 | 基于机器学习的多意图识别方法、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150317.XA CN113850078A (zh) | 2021-09-29 | 2021-09-29 | 基于机器学习的多意图识别方法、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113850078A true CN113850078A (zh) | 2021-12-28 |
Family
ID=78977097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111150317.XA Pending CN113850078A (zh) | 2021-09-29 | 2021-09-29 | 基于机器学习的多意图识别方法、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850078A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776870A (zh) * | 2023-08-26 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 意图识别方法、装置、计算机设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783801A (zh) * | 2018-12-14 | 2019-05-21 | 厦门快商通信息技术有限公司 | 一种电子装置、多标签分类方法及存储介质 |
CN110837738A (zh) * | 2019-09-24 | 2020-02-25 | 平安科技(深圳)有限公司 | 相似问识别方法、装置、计算机设备及存储介质 |
CN110866098A (zh) * | 2019-10-29 | 2020-03-06 | 平安科技(深圳)有限公司 | 基于transformer和lstm的机器阅读方法、装置及可读存储介质 |
CN111400438A (zh) * | 2020-02-21 | 2020-07-10 | 镁佳(北京)科技有限公司 | 用户多意图的识别方法及装置,存储介质及车辆 |
CN111738016A (zh) * | 2020-06-28 | 2020-10-02 | 中国平安财产保险股份有限公司 | 多意图识别方法及相关设备 |
CN111984780A (zh) * | 2020-09-11 | 2020-11-24 | 深圳市北科瑞声科技股份有限公司 | 多意图识别模型训练方法和多意图识别方法及相关装置 |
-
2021
- 2021-09-29 CN CN202111150317.XA patent/CN113850078A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783801A (zh) * | 2018-12-14 | 2019-05-21 | 厦门快商通信息技术有限公司 | 一种电子装置、多标签分类方法及存储介质 |
CN110837738A (zh) * | 2019-09-24 | 2020-02-25 | 平安科技(深圳)有限公司 | 相似问识别方法、装置、计算机设备及存储介质 |
CN110866098A (zh) * | 2019-10-29 | 2020-03-06 | 平安科技(深圳)有限公司 | 基于transformer和lstm的机器阅读方法、装置及可读存储介质 |
CN111400438A (zh) * | 2020-02-21 | 2020-07-10 | 镁佳(北京)科技有限公司 | 用户多意图的识别方法及装置,存储介质及车辆 |
CN111738016A (zh) * | 2020-06-28 | 2020-10-02 | 中国平安财产保险股份有限公司 | 多意图识别方法及相关设备 |
CN111984780A (zh) * | 2020-09-11 | 2020-11-24 | 深圳市北科瑞声科技股份有限公司 | 多意图识别模型训练方法和多意图识别方法及相关装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776870A (zh) * | 2023-08-26 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 意图识别方法、装置、计算机设备及介质 |
CN116776870B (zh) * | 2023-08-26 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 意图识别方法、装置、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553162B (zh) | 一种意图识别的方法以及相关装置 | |
CN111755078B (zh) | 药物分子属性确定方法、装置及存储介质 | |
CN112989800A (zh) | 基于Bert的篇章的多意图识别方法、设备及可读存储介质 | |
CN111695354A (zh) | 基于命名实体的文本问答方法、装置及可读存储介质 | |
CN113722483B (zh) | 话题分类方法、装置、设备及存储介质 | |
CN114822812A (zh) | 角色对话模拟方法、装置、设备及存储介质 | |
CN111666415A (zh) | 话题聚类方法、装置、电子设备及存储介质 | |
CN113807973B (zh) | 文本纠错方法、装置、电子设备及计算机可读存储介质 | |
CN113096242A (zh) | 虚拟主播生成方法、装置、电子设备及存储介质 | |
CN113641830B (zh) | 模型预训练方法、装置、电子设备和存储介质 | |
CN112559687A (zh) | 问题识别及查询方法、装置、电子设备及存储介质 | |
WO2023040742A1 (zh) | 文本数据的处理方法、神经网络的训练方法以及相关设备 | |
CN111475645B (zh) | 知识点标注方法、装置及计算机可读存储介质 | |
CN113761190A (zh) | 文本识别方法、装置、计算机可读介质及电子设备 | |
CN114880449B (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
CN114385817A (zh) | 实体关系的识别方法、设备及可读存储介质 | |
CN114662484A (zh) | 语义识别方法、装置、电子设备及可读存储介质 | |
CN114780701A (zh) | 自动问答匹配方法、装置、计算机设备及存储介质 | |
CN113850078A (zh) | 基于机器学习的多意图识别方法、设备及可读存储介质 | |
CN112632264A (zh) | 智能问答方法、装置、电子设备及存储介质 | |
CN114548114B (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
WO2023178979A1 (zh) | 问题标注方法、装置、电子设备及存储介质 | |
CN116341646A (zh) | Bert模型的预训练方法、装置、电子设备及存储介质 | |
CN114398896A (zh) | 信息录入方法、装置、电子设备及计算机可读存储介质 | |
CN114547308A (zh) | 文本处理的方法、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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40062903 Country of ref document: HK |