CN114416971A - 一种基于人工智能的装备意图解析方法、装置及电子设备 - Google Patents

一种基于人工智能的装备意图解析方法、装置及电子设备 Download PDF

Info

Publication number
CN114416971A
CN114416971A CN202111495243.3A CN202111495243A CN114416971A CN 114416971 A CN114416971 A CN 114416971A CN 202111495243 A CN202111495243 A CN 202111495243A CN 114416971 A CN114416971 A CN 114416971A
Authority
CN
China
Prior art keywords
instruction
intention
user
data
equipment
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
CN202111495243.3A
Other languages
English (en)
Inventor
王超
杨辉
孙政洁
滕云
胡盼
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Publication of CN114416971A publication Critical patent/CN114416971A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Machine Translation (AREA)

Abstract

本申请提供一种基于人工智能的装备意图解析方法、装置和电子设备，所述方法中将意图分为主动意图(如用户指令信息)和被动意图(如指令约束条件)，该被动意图主要反映用户属性和装备属性；对主动意图中的意图关键词进行提取后，筛选出被动意图中与所述意图关键词相关度较高的指令限定词，将意图关键词与筛选出的指令限定词进行整合处理，形成交互数据。将该交互数据输入映射数据库中，输出与该交互数据对应的映射参数和行动数据，最后对所述装备发出精准的调控指令。即本发明根据意图的异同性，对意图进行精细的分类，分类后的意图之间的解析过程互相融合、约束，进而提高意图解析的精准度，以更好的应用于装备维护领域。

Description

一种基于人工智能的装备意图解析方法、装置及电子设备
技术领域
本申请涉及意图解析技术领域，尤其涉及一种基于人工智能的装备意图解析方法、装置及电子设备。
背景技术
近年来，人工智能技术在各行各业中都取得了一定的认可，例如在目标检测、网络的智能运维、大数据分析中，我们都可以看到人工智能技术的重要作用。在军事上，人工智能技术也发挥出了巨大的作用。比如基于神经网络自动识别维修过程中拆卸下的零件、利用粒子群优化算法(Particle Swarm optimization,PSO)解决局部最优问题、利用DNN(Deep neural networks)模型进行智能防御，利用YOLO v3(You Only Look Once)算法进行目标检测。
在意图解析方面，自然语言处理中利用分词等方法进行意图识别、网络意图解析中利用分词与北向接口映射相结合的方式进行意图识别等。虽然人工智能技术在意图方面已经有了很多的应用场景，但是在装备保障方面，还没有较为完善的装备意图解析机制。
发明内容
有鉴于此，本申请的目的在于提出一种基于人工智能的装备意图解析方法、装置及电子设备。
基于上述目的，本申请提供了一种基于人工智能的装备意图解析方法，包括：
获取用户的用户指令信息和指令约束条件；
对所述用户指令信息进行预处理，并利用主题模型对预处理后的用户指令信息进行处理，得到意图关键词；利用分词模型对所述指令约束条件进行分词处理，得到多个指令限定词；
利用标准库对所述意图关键词及多个所述指令限定词进行分析，计算出各所述指令限定词与所述意图关键词的相关度；将相关度符合预设条件的指令限定词嵌入意图关键词中，经过主题模型分析形成交互数据；
利用映射数据库获取与所述交互数据对应的映射参数和行动数据；
基于所述映射参数和行动数据对所述装备发出调控指令。
进一步，所述用户包括对所述装备进行远程监控的第一用户和/或对所述装备进行现地操作的第二用户，所述指令约束条件包括反映所述第一用户属性的第一指令约束条件和反映所述装备属性的第二指令约束条件。
进一步，响应于所述用户为所述第一用户，则所述用户指令信息为第一用户指令信息，所述指令约束条件为第一指令约束条件和第二指令约束条件；所述形成交互数据的过程包括：
获取第一用户指令信息、第一指令约束条件和第二指令约束条件；
对所述第一用户指令信息进行预处理，并利用主题模型对预处理后的第一用户指令信息进行处理，得到第一意图关键词；利用分词模型分别对所述第一指令约束条件及第二指令约束条件进行分词处理，得到多个第一指令限定词和第二指令限定词；
利用标准库对所述第一意图关键词及所述第一指令限定词和第二指令限定词进行分析，计算出所述各所述第一指令限定词、第二指令限定词与所述第一意图关键词的相关度；将相关度符合预设条件的第一指令限定词和第二指令限定词嵌入所述第一意图关键词中，经过主题模型分析形成交互数据。
进一步，响应于所述用户为第一用户和第二用户，则所述用户指令信息为第一用户指令信息和第二用户指令信息，所述指令约束条件为第一指令约束条件和第二指令约束条件；形成交互数据的过程包括：
获取第一用户指令信息、第一指令约束条件和第二指令约束条件；
对所述第一用户指令信息进行预处理，并利用主题模型对预处理后的第一用户指令信息进行处理，得到第一意图关键词；利用分词模型分别对所述第一指令约束条件及第二指令约束条件进行分词处理，得到多个第一指令限定词和第二指令限定词；
利用标准库对所述第一意图关键词及所述第一指令限定词进行分析，计算出各所述第一指令限定词与所述第一意图关键词的相关度；
将相关度符合预设条件的第一指令限定词嵌入所述第一意图关键词中，经过主题模型分析形成第一交互数据。
所述第二用户根据所述第一交互数据发出第二用户指令信息；
对所述第二用户指令信息进行预处理，并利用主题模型对预处理后的第二用户指令信息进行处理，得到第二意图关键词；
利用标准库对所述第二意图关键词及各所述第二指令限定词进行分析，计算出各所述第二指令限定词与所述第二意图关键词的相关度；
将相关度符合预设条件的第二指令限定词嵌入所述第二意图关键词中，经过主题模型分析形成交互数据。
进一步，响应于所述用户为第一用户和第二用户，则所述用户指令信息为第一用户指令信息和第二用户指令信息，所述指令约束条件为第一指令约束条件和第二指令约束条件；形成交互数据的过程包括：
获取第一用户指令信息、第二用户指令信息、第一指令约束条件和第二指令约束条件；
分别对所述第一用户指令信息和第二用户指令信息进行预处理，并利用主题模型对预处理后的第一用户指令信息进行处理，得到第一意图关键词，对预处理后的第二用户指令信息进行处理，得到第二意图关键词；利用分词模型分别对所述第一指令约束条件及第二指令约束条件进行分词处理，得到多个第一指令限定词和第二指令限定词；
利用主题模型分别对所述第一意图关键词及所述第一指令限定词、所述第二意图关键词及所述第二指令限定词进行分析，计算出各所述第一指令限定词与所述第一意图关键词的相关度，及各所述第二指令限定词与所述第二意图关键词的相关度；
将相关度符合预设条件的第一指令限定词嵌入所述第一意图关键词中，经过主题模型分析形成第一交互数据；将相关度符合预设条件的第二指令限定词嵌入所述第二意图关键词中，经过主题模型分析形成第二交互数据；
将所述第一交互数据与第二交互数据组合，形成交互数据。
进一步，构建包括多个数据词条的GRU+注意力机制模型用数据集；获取所述第一指令约束条件包括以下步骤：
所述第一用户指令信息更新至双向GRU+注意力机制模型用数据集中；
利用标准库计算各所述数据词条与第一用户指令信息的相关度，将相关度符合预设条件的数据词条作为初始第一指令约束条件；
利用预训练的双向GRU+注意力机制模型对所述初始第一指令约束条件进行处理，得到第一指令约束条件。
进一步，所述双向GRU+注意力机制模型的训练过程包括：
(1)利用词向量矩阵W将所述双向GRU+注意力机制模型用数据集中每一个所述数据词条都编码为向量
Figure BDA0003399495750000031
(2)利用初始双向GRU+注意力机制模型计算每一个所述数据词条的隐状态hit，
Figure BDA0003399495750000032
Figure BDA0003399495750000033
Figure BDA0003399495750000034
(3)将初始双向GRU+注意力机制模型输出的向量输入到初始双向GRU+注意力机制模型的全连接层，得到其隐藏表示uit，
uit＝tanh(Wwhit+bw)
其中，uit＝tanh(Wwhit+bw)、uit＝tanh(Wwhit+bw)分别是注意力机制的权重和偏置；
(4)通过sofamax函数计算出归一化权重αit，
Figure BDA0003399495750000035
其中，uw为单词对句子的贡献度；
(5)归一化权重git进行加权求和，得到所述数据词条的结构信息Ai，及该结构信息Ai的句子表示hsi，
Ai＝∑tαithit；hsi＝tanh(Ai)；
(6)利用softmax函数得到所述数据词条的预测值yi。
Figure BDA0003399495750000041
Figure BDA0003399495750000042
其中，Wsi为矩阵权重，bsi则为偏置，
Figure BDA0003399495750000043
表示在yi的条件概率；
(7)计算数据词条预测值yi与真实值ti的损失函数J(θ)，
Figure BDA0003399495750000044
其中，m为所述数据词条的总数；ti表示的数据词条的真实值；λ是L2正则化参数；θ为函数参数；
(8)最小化所述损失函数J(θ)，得到双向GRU+注意力机制模型。
进一步，获取所述第二指令约束条件的步骤包括：
采用MYSQL数据库对定时或实时更新的反映所述装备属性的数据集进行存储；
在ETL环境中对所述反映所述装备属性的数据集中的数据进行分析和处理，根据数据的趋势，得到装备故障时间可能性信息以及装备故障位置可能性信息；其中，所述装备故障时间可能性信息中包括装备故障时间可能性概率值，所述装备故障位置可能性信息包括装备故障位置可能性概率值；
响应于装备故障时间可能性概率值、装备故障位置可能性概率值达到预设阈值范围内，则对应的装备故障时间可能性信息、装备故障位置可能性信息作为第二指令约束条件。
本发明在在于公开一种基于人工智能的装备意图解析装置，包括：
获取模块，被配置为获取用户的用户指令信息和指令约束条件；
数据处理模块，被配置为对所述用户指令信息进行预处理，并利用主题模型对预处理后的用户指令信息进行处理，得到意图关键词；利用分词模型对所述指令约束条件进行分词处理，得到多个指令限定词；
交互数据模块，被配置为利用标准库对所述意图关键词及多个所述指令限定词进行分析，计算出各所述指令限定词与所述意图关键词的相关度；将相关度符合预设条件的指令限定词嵌入意图关键词中，经过主题模型分析形成交互数据；
映射模块，被配置为利用映射数据库获取与所述交互数据对应的映射参数和行动数据；
指令模块，被配置为基于所述映射参数和行动数据对所述装备发出调控指令。
本发明还在于公开一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的方法。
从上面所述可以看出，本申请提供的基于人工智能的装备意图解析方法、装置和电子设备，所述方法中将意图分为主动意图(如用户指令信息)和被动意图(如指令约束条件)，该主动意图主要为反映用户的主动意图，该被动意图主要为反映用户属性和装备属性；对主动意图中的意图关键词进行提取后，筛选出被动意图中与所述意图关键词相关度较高的指令限定词，之后将意图关键词与筛选出的指令限定词进行整合处理，形成交互数据。将该交互数据输入映射数据库中，输出与该交互数据对应的映射参数和行动数据，最后根据该映射参数和行动数据对所述装备发出精准的调控指令。即本发明根据意图的异同性，对意图进行精细的分类，分类后的意图之间的解析过程互相融合、约束，进而提高意图解析的精准度，以更好的应用于装备维护领域。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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为本申请实施例的基于人工智能的装备意图解析方法过程示意图一；
图2为本申请实施例的基于人工智能的装备意图解析方法过程示意图二；
图3为本申请实施例的基于人工智能的装备意图解析方法过程示意图三；
图4为本申请实施例的基于人工智能的装备意图解析方法过程示意图四；
图5为本申请实施例的第一意图关键词获取过程示意图；
图6为本申请实施例的第一指令约束条件获取过程示意图；
图7为本申请实施例的第二意图关键词获取过程示意图；
图8为本申请实施例的第二指令约束条件获取过程示意图；
图9为本申请实施例的基于人工智能的装备意图解析装置结构示意图；
图10为本申请实施例的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。
需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
相关技术中，电子装备已经成为了现代化生活中不可或缺的一部分，所述电子装备包括但不限于贴片机、电子侦察设备、手机、无人机、飞机的电子通信设备、宇宙飞船的电子通信设备、空间站的电子通信设备。随着各类电子装备的信息化不断发展，如何快速、高效、精准的进行装备自主保障已经成为了一个亟待解决的问题。由于在某些装备中存在“孤岛效应”，即各装备系统之间的信息不兼容，资源未共享，因此针对装备的维修，维修难度较大并且有时维修不及时。另外，在某些装备的远程及现地联动场景中(例如，空间站的地面指挥人员与空间站内操作人员的基于某装备异常报警而产生的联动场景，或者是空间站的地面指挥人员与目标装备的控制系统之间产生的联动场景)，装备的及时维修或者避免故障的出现就变的尤为重要，一旦出现意图解析错误将会造成无法估量的损失。因此在交流的过程中，远程指挥人员与现地操作人员之间、或者是远程指挥人员与目标装备的控制系统之间如何快速的识别对方意图，并对目标装备的控制系统发出精准指示变得无比重要。
通过以上分析，如果需要对目标装备的控制系统发出精准指示，则需要尽快获知远程指挥人员与现地操作人员的意图，相关技术中，远程指挥人员与现地操作人员之间可以进行语音通话沟通相关指示，但是该远程指挥人员一般只会说明其想要目标装备达到的效果，或者是指出目标装备存在的问题，即，远程指挥人员下达的指示可能并不是对于该装备的具体指示；现地操作人员最为了解该目标装备，其基于远程指挥人员的指示，再对该目标装备做出具体指示；当现地操作人员对于远程指挥人员的指示有疑义时，需要与远程指挥人员进行沟通方可下发具体指示，在这种情况下，则可以借助基于人工智能技术的意图分析机制，尽快获知对方意图，以便于在装备保障中能够更好的进行意图解析。
现有技术中已有对于意图解析的方法，例如论文《User intent-oriented videoQoE with emotion detection networking》中，作者通过情绪实时检测网络对用户的情绪进行实时检测。再进行情绪分析并采用奇异值分解(Singular Value Decomposition,SVD)和潜在语义索引(Latent Semantic Indexing,LSI)对用户的意图进行识别，进而增强用户的服务体验。该方法虽能够在很大程度上对用户的意图进行识别，但由于需要对用户情绪的实时检测，导致它的应用范围将会收到极大的限制，同时实时检测将会耗费大量的财力和物力。
另外，中国发明专利CN 108763510 B《意图识别方法、装置、设备及存储介质》中，发明人提出了一种意图识别方法、装置、设备及存储介质。该方法主要可以分为三步：首先从意图中提取出来特征序列，然后将意图的特征序列输入到一个或多个词袋语义分析分类器，通过分类器得到用户意图的分类标签以及对应的分数。最终再根据分类标签以及相应的分数对意图进行确定。在该方法中，发明人设置了多个词袋语义分析分类器并且各个分类器之间没有任何关联性。这将会很大程度上增加工作量，与此同时，由于各个分类器之间并没有关联性，因此对于某些隐含意图的解析效果将会较差。
不难发现，现有技术中对于意图的解析一般只是针对意图本身进行解析，且解析的方式较为复杂，本发明不同于现有的意图解析方法，旨在提出一种简单、快速、精准的意图解析方法，且该方法应用于装备维护领域，具体为将意图分为主动意图(如用户指令信息)和被动意图(如指令约束条件)，该主动意图主要反映发出指令的用户的意图，该被动意图主要反映用户属性和装备属性；对主动意图中的意图关键词进行提取后，筛选出被动意图中与所述意图关键词相关度较高的指令限定词，之后将意图关键词与筛选出的指令限定词进行整合处理，形成交互数据。将该交互数据输入映射数据库中，输出与该交互数据对应的映射参数和行动数据，最后根据该映射参数和行动数据对所述装备发出精准的调控指令。即本发明根据意图的异同性，对意图进行精细的分类，分类后的意图之间的解析过程互相融合、约束，进而提高意图解析的精准度，以更好的应用于装备维护领域。
以下结合具体实施例，并参照附图，对本申请进一步详细说明。
本申请提供一种基于人工智能的装备意图解析方法，参见图1，包括：
S101、获取用户的用户指令信息和指令约束条件；
S102、对所述用户指令信息进行预处理，并利用主题模型对预处理后的用户指令信息进行处理，得到意图关键词；利用分词模型对所述指令约束条件进行分词处理，得到多个指令限定词；
S103、利用标准库对所述意图关键词及多个所述指令限定词进行分析，计算出各所述指令限定词与所述意图关键词的相关度；将相关度符合预设条件的指令限定词嵌入意图关键词中，经过主题模型分析形成交互数据；
S104、利用映射数据库获取与所述交互数据对应的映射参数和行动数据；
S105、基于所述映射参数和行动数据对所述装备发出调控指令。
本实施例中，将意图分为主动意图(如用户指令信息)和被动意图(如指令约束条件)，该主动意图主要反映发出指令的用户的意图，该被动意图主要反映用户属性和装备属性；对主动意图中的意图关键词进行提取后，筛选出被动意图中与所述意图关键词相关度较高的指令限定词，之后将意图关键词与筛选出的指令限定词进行整合处理，形成交互数据。将该交互数据输入映射数据库中，输出与该交互数据对应的映射参数和行动数据，最后根据该映射参数和行动数据对所述装备发出精准的调控指令。即本发明根据意图的异同性，对意图进行精细的分类，分类后的意图之间的解析过程互相融合、约束，进而提高意图解析的精准度，以更好的应用于装备维护领域。
在一些实施例中，所述用户包括对所述装备进行远程监控的第一用户和/或对所述装备进行现地操作的第二用户，所述指令约束条件包括反映所述第一用户属性的第一指令约束条件和反映所述装备属性的第二指令约束条件。
其中，所述第一用户可以为装备的远程监控指挥人员，所述第二用户可以为装备的现地操作人员，以该装备为空间站内装备为例，则第一用户可以为空间站的地面指挥人员，第二用户为空间站内的操作人员，反映所述第一用户属性的第一指令约束条件对第一用户发出的第一用户指令信息进行约束，使得第二用户接收到较为准确的指令；反映所述装备属性的第二指令约束条件对第二用户发出的第二用户指令信息进行约束，使得装备能接受到精准的指令。
且，如果空间站内没有操作人员，则第二用户则不存在，反映所述第一用户属性的第一指令约束条件和反映所述装备属性的第二指令约束条件均用来约束第一用户发出的第一用户指令信息，使得装备能接受到精准的指令。
具体实施时，所述第一用户指令信息可以为远程指挥人员发出的针对目标装备具有指代性质的具体要求或者服务。第一指令约束条件可以为远程指挥人员所在行业中的各类常规标准、常识、标准用语、该行业习惯等数据。第二用户指令信息可以为现地操作人员针对目标装备发出的指令或者要求等数据。第二指令约束条件可以为目标装备在使用过程中的各类使用数据、装备的相关参数、装备的维修数据等。其中，第一用户指令信息可以理解为远程指挥人员的主动意图；第一指令约束条件可以理解为远程指挥人员的被动意图；远程指挥人员的被动意图用以约束远程指挥人员的主动意图；第二用户指令信息可以理解为现地操作人员的主动意图；第二指令约束条件可以理解为现地操作人员的被动意图；现地操作人员的被动意图用以约束现地操作人员的主动意图；上述数据的分类过程实则是对意图的精细划分，该精细划分让我们有了更多的手段和方法针对每种意图的特性进行相应的解析。与此同时，根据意图的内在联系，可以使不同意图的解析之间相互有一定的印证，进而提高意图的解析精确度。
另外，对于上述数据的收集及处理过程如下：
首先，从装备管理处和数据中心获取如下各数据集：反映该行业指挥人员行为习惯以及历史指令数据集；该行业的常规用语、常识数据集；各装备操作人员处理装备时的指令集；各装备的具体参数数据集；各装备维修记录数据集；各装备运行数据集。
其次，因获得的数据集存在数据格式，数据类型以及数据缺失等等问题，需要对相关数据集进行处理，处理过程包括：(1)分别对这几个数据集进行重复值、空值等删除以及缺失值的补全；具体可以利用Python中的numpy和pandas两个最常用的数据处理库进行处理；即，分别读入需要处理的数据集，然后统计其缺失值占数据集的百分比，对于占比较高的，利用该数据集所在行或者列的中位数或者众数进行补全；对于占比较低者，则直接选择删除；且需要对数据集中的空值和重复值进行删除。(2)统一数据集的格式；具体可以利用Python脚本将所有的格式都转换为CSV文件格式，同时利用format()方法对一些数据集格式化以及对数据进行编号等处理。
最后，对处理后的反映该行业指挥人员行为习惯以及历史指令的数据集，行业的常规用语、常识数据集进行封装，并将封装的数据分为两个CSV文件，可以分别作为后续对于第一指令约束条件(即远程指挥人员被动意图)进行解析的模型的训练集及测试集；对处理后的各装备操作人员处理装备时的指令集、各装备的具体参数数据集、各装备维修记录数据集、各装备运行数据集全部写入到MySQL数据库进行存储，可以作为后续对于第二指令约束条件(即装备被动意图)进行解析的数据支撑。
在一些实施例中，参考图2，响应于所述用户为所述第一用户，则所述用户指令信息为第一用户指令信息，所述指令约束条件为第一指令约束条件和第二指令约束条件；所述形成交互数据的过程包括：
S201、获取第一用户指令信息、第一指令约束条件和第二指令约束条件；
S202、对所述第一用户指令信息进行预处理，并利用主题模型对预处理后的第一用户指令信息进行处理，得到第一意图关键词；利用分词模型分别对所述第一指令约束条件及第二指令约束条件进行分词处理，得到多个第一指令限定词和第二指令限定词；
S203、利用标准库对所述第一意图关键词及所述第一指令限定词和第二指令限定词进行分析，计算出所述各所述第一指令限定词、第二指令限定词与所述第一意图关键词的相关度；将相关度符合预设条件的第一指令限定词和第二指令限定词嵌入所述第一意图关键词中，经过主题模型分析形成交互数据；
S204、利用映射数据库获取与所述交互数据对应的映射参数和行动数据；
S205、基于所述映射参数和行动数据对所述装备发出调控指令。
具体实施时，基于目标装备的报警或者是基于对目标装备系统的更新等需求，第一用户可以向应用本实施例意图解析方法的装置输入第一用户指令信息，该装置利用主题模型提取该第一用户指令信息中的第一意图关键词，并利用标准库筛选出所述第一指令约束条件和第二指令约束条件中与该第一意图关键词相关度较高的第一指令限定词和第二指令限定词，将第一意图关键词与第一指令限定词和第二指令限定词进行融合，形成整合数据，该整合数据经数据处理后形成交互数据，将该交互数据输入映射数据库(如维修指南)中，得到维修指南中针对该交互数据中提及问题的具体解决方案及实施所述解决方案过程中的相关参数，将该解决方案及相关参数直接发送给装备，装备执行相关操作。
本实施例中用户仅涉及第一用户(如空间站远程指挥人员)，对于该远程指挥人员发出的第一用户指令信息，由第一指令约束条件和第二指令约束条件同时进行约束，经过本实施例中的意图解析过程，生成准确的交互数据，该交互数据通过映射数据库的映射，可以得到准确的映射参数和行动数据，并基于该映射参数和行动数据向装备发出准确的调控指令。该意图分析过程适合由远程指挥人员直接向目标装备发出指令的情况，装备可以快速、准确的获知远程指挥人员的意图，有利于装备的快速维护。
在一些实施例中，参考图3，响应于所述用户为第一用户和第二用户，则所述用户指令信息为第一用户指令信息和第二用户指令信息，所述指令约束条件为第一指令约束条件和第二指令约束条件；形成交互数据的过程包括：
S301、获取第一用户指令信息、第一指令约束条件和第二指令约束条件；
S302、对所述第一用户指令信息进行预处理，并利用主题模型对预处理后的第一用户指令信息进行处理，得到第一意图关键词；利用分词模型分别对所述第一指令约束条件及第二指令约束条件进行分词处理，得到多个第一指令限定词和第二指令限定词；
S303、利用标准库对所述第一意图关键词及所述第一指令限定词进行分析，计算出各所述第一指令限定词与所述第一意图关键词的相关度；
S304、将相关度符合预设条件的第一指令限定词嵌入所述第一意图关键词中，经过主题模型分析形成第一交互数据；
S305、所述第二用户根据所述第一交互数据发出第二用户指令信息；
S306、对所述第二用户指令信息进行预处理，并利用主题模型对预处理后的第二用户指令信息进行处理，得到第二意图关键词；
S307、利用标准库对所述第二意图关键词及各所述第二指令限定词进行分析，计算出各所述第二指令限定词与所述第二意图关键词的相关度；
S308、将相关度符合预设条件的第二指令限定词嵌入所述第二意图关键词中，经过主题模型分析形成交互数据。
具体实施时，基于目标装备的报警或者是基于对目标装备系统的更新等需求，第一用户可以向应用本实施例意图解析方法的装置输入第一用户指令信息，该装置利用主题模型得到该第一用户指令信息中的第一意图关键词，并利用标准库筛选出所述第一指令约束条件中与该第一意图关键词相关度较高的第一指令限定词，将第一意图关键词与第一指令限定词进行融合，形成第一整合数据，该第一整合数据经数据处理后形成第一交互数据；第二用户可以基于该第一交互数据向应用本实施例意图解析方法的装置输入第一用户指令信息，该装置利用分词模型提取该第二用户指令信息中的第二意图关键词，并利用标准库筛选出所述第二指令约束条件中与该第二意图关键词相关度较高的第二指令限定词，将第二意图关键词与第二指令限定词进行融合，形成第二整合数据，该第二整合数据经数据处理后形成交互数据；将该交互数据输入映射数据库(如维修指南)中，得到维修指南中针对该交互数据中提及问题的具体解决方案及实施所述解决方案过程中的相关参数，将该解决方案及相关参数直接发送给装备，装备执行相关操作。
本实施例中用户涉及第一用户(如空间站的远程指挥人员)和第二用户(如空间站的现地操作人员)，对于该远程指挥人员发出的第一用户指令信息，由第一指令约束条件进行约束；该现地操作人员基于该第一交互数据发出第二用户指令信息，由第二指令约束条件进行约束，经过本实施例中的意图解析过程，生成准确的交互数据，该交互数据通过映射数据库的映射，可以得到准确的映射参数和行动数据，并基于该映射参数和行动数据向装备发出准确的调控指令。该意图分析过程适合远程指挥人员发出指令，现地操作人员需要根据该指令向装备发出最终指令的情况，该分析过程现地操作人员可以快速准确获知远程指挥人员的意图，并传达给装备，有利于装备的快速维护。
在一些实施例中，参考图4，响应于所述用户为第一用户和第二用户，则所述用户指令信息为第一用户指令信息和第二用户指令信息，所述指令约束条件为第一指令约束条件和第二指令约束条件；形成交互数据的过程包括：
S401、获取第一用户指令信息、第二用户指令信息、第一指令约束条件和第二指令约束条件；
S402、分别对所述第一用户指令信息和第二用户指令信息进行预处理，并利用主题模型对预处理后的第一用户指令信息进行处理，得到第一意图关键词，对预处理后的第二用户指令信息进行处理，得到第二意图关键词；利用分词模型分别对所述第一指令约束条件及第二指令约束条件进行分词处理，得到多个第一指令限定词和第二指令限定词；
S403、利用主题模型分别对所述第一意图关键词及所述第一指令限定词、所述第二意图关键词及所述第二指令限定词进行分析，计算出各所述第一指令限定词与所述第一意图关键词的相关度，及各所述第二指令限定词与所述第二意图关键词的相关度；
S404、将相关度符合预设条件的第一指令限定词嵌入所述第一意图关键词中，经过主题模型分析形成第一交互数据；将相关度符合预设条件的第二指令限定词嵌入所述第二意图关键词中，经过主题模型分析形成第二交互数据；
S405、将所述第一交互数据与第二交互数据组合，形成交互数据。
具体实施时，基于目标装备的报警或者是基于对目标装备系统的更新等需求，第一用户及第二用户均可以直接向应用本实施例意图解析方法的装置输入第一用户指令信息及第二用户指令信息(该输入过程可以是同时，也可以有先后)，该装置利用主题模型得到该第一用户指令信息中的第一意图关键词和第二用户指令信息中的第二意图关键词，并利用标准库筛选出所述第一指令约束条件中与该第一意图关键词相关度较高的第一指令限定词，及所述第二指令约束条件中与该第二意图关键词相关度较高的第二指令限定词；将第一意图关键词与第一指令限定词进行融合，形成第一整合数据；将第二意图关键词与第二指令限定词进行融合，形成第二整合数据；利用主题模型分别对该第一整合数据、第二整合数据进行分析后分别形成第一交互数据和第二交互数据；该第一、第二交互数据经数据处理后形成交互数据；将该交互数据输入映射数据库(如维修指南)中，得到维修指南中针对该交互数据中提及问题的具体解决方案及实施所述解决方案过程中的相关参数，将该解决方案及相关参数直接发送给装备，装备执行相关操作。
本实施例中用户涉及第一用户(如空间站的远程指挥人员)和第二用户(如空间站的现地操作人员)，对于该远程指挥人员发出的第一用户指令信息，由第一指令约束条件进行约束；对于现地操作人员发出的第二用户指令信息，由第二指令约束条件进行约束；经过本实施例中的意图解析过程，生成准确的交互数据，该交互数据通过映射数据库的映射，可以得到准确的映射参数和行动数据，并基于该映射参数和行动数据向装备发出准确的调控指令。该意图分析过程适合远程指挥人员和现地操作人员均主动发出指令的情况，该分析过程现地操作人员及远程指挥人员均可以快速准确获知对方的意图，并传达给装备，有利于装备的快速维护。
在一些实施例中，参考图5，对所述第一用户指令信息进行预处理，并利用主题模型对预处理后的第一用户指令信息进行处理，得到第一意图关键词，该过程即为第一用户的主动意图的解析过程，包括：
S501、利用分词模型对所述第一用户指令信息进行分词提取，得到分词结果；
S502、利用语料学习库对所述分词结果进行语料学习；
S503、利用主题模型对语料学习后的分词结果进行第一意图关键词提取。
具体实施时，所述分词模型可以选用HMM模型，HMM模型的训练过程如下：
(1)创建HMM模型；
(2)选取icwb2-data.rar语料库对HMM模型进行训练，该语料库中包含了训练集及测试集(需要注意的是，该训练集及测试集为icwb2-data.rar语料库中现有的，只要能对于HMM模型进行训练即可，无需与该第一用户所在行业相关)；
(3)创建一个HMM类，类中包含状态转移矩阵、发射矩阵、初始矩阵属性。同时在HMM类中定义三个类中函数：读取函数：load()、维特比算法函数：viterbi()、分词函数：cut()。利用读取函数load()读取语料进行训练并且得到中间模型：状态转移矩阵、发射矩阵、初始化矩阵三个矩阵的数据，并且将其保存为.pkl文件。保存完成后，即可对第一用户指令信息进行分词提取。
例如，第一用户指令信息为：“今天天气不太好，A装备的效率未达到指定标准”，将该第一用户指令信息“今天天气不太好，A装备的通信效率未达到指定标准”输入到分词函数cut()中，然后维特比算法函数：viterbi()就会根据三个矩阵数据以及输入的意图返回一个最佳状态序列。之后，cut()函数根据返回的最佳状态序列进行分词。最后输出的分词结果为：“今天，天气，不，太好，A，装备，的，通信，效率，未达到，指定，标准”。
具体实施时，所述语料学习库为NLTK库，该NLTK库对分词结果完成预料学习。进一步具体地，可通过NLTK库，利用FreDist类、collication()方法等进行词频、常见的二词搭配等进行处理。此外，可以进行相关度计算，虚词和符号处理。即上一步的分词结果经过NLTK库的处理之后会得到：“今天，天气，不，太好，A，装备，通信，效率，未达到，指定，标准”。
具体实施时，所述主题模型可以为主题概率分布类模型，如IP-LDA模型，利用IP-LDA模型对语料学习后的分词进行关键词提取。进一步具体地，可根据IP-LDA模型的特性，随机给定主题分布和初始主题概率，计算出该第一用户指令信息中每个分词在所有主题下的分布概率。之后，根据分布概率的大小进行排序，选出概率值最大的词所对应的主题，该主题对应的概率即为循环主题概率，若该循环主题概率与初始主题概率不同，则继续进行迭代，直到相同为止，每次迭代过程中，第一用户指令信息中每个分词在所有主题下的分布概率均会变化，直至迭代截止，选出预设分布概率范围内的分词作为第一意图关键词。
即上一步的语料学习结果经过IP-LDA模型处理后会得到“A，装备，通信，效率，未达到，指定，标准”。
在一些实施例中，参考图6，获取所述第一指令约束条件前需要构建包括多个数据词条的GRU+注意力机制模型用数据集；获取所述第一指令约束条件(即第一用户的被动意图的解析过程)包括以下步骤：
S601、所述第一用户指令信息更新至双向GRU+注意力机制模型用数据集中；
S602、利用标准库计算各所述数据词条与第一用户指令信息的相关度，将相关度符合预设条件的数据词条作为初始第一指令约束条件；
S603、利用预训练的双向GRU+注意力机制模型对所述初始第一指令约束条件进行处理，得到第一指令约束条件。
获取所述第一指令约束条件后，利用HMM分词模型对所述第一指令约束条件进行分词处理，得到多个第一指令限定词。
具体实施时，所述标准库可以为Python中现有的标准库difflib。该标准库可以对数据词条进行有效筛选，避免得到的第一指令约束条件过多，影响后续双向GRU+注意力机制模型的运算速度。
例如，输入到双向GRU+注意力机制模型中的两个初始第一指令约束条件分别为：“2019年1月5日：由于近期有重大人员聚集，因此需提高通信资源”；“2019年11月5日：人员已经离去，因此通信资源无需过高，可恢复至最低通信标准(A类标准)”。输出的结果(即第一指令约束条件)为：“通信系统处于最低标准运行，A装备已运行10个月”。即，通过该模型对输入的第一指令约束条件进行分析，可得到目前通信系统处于何种状态以及标准之下运行。
本实施例中用双向GRU+注意力机制模型对多个初始第一指令约束条件进行意图解析，该GRU+注意力机制模型用数据集为前述实施例提及的反映该行业指挥人员行为习惯以及历史指令的数据集，行业的常规用语、常识数据集，第一用户一旦发出第一用户指令信息，该第一用户指令信息则会作为最新历史数据更新至反映该行业指挥人员行为习惯以及历史指令的数据集中。然后，将数据集内已有的数据词条与该最新历史数据进行相关度比较，筛选出多个初始第一指令约束条件。其中，因GRU+注意力机制模型用数据集中的数据词条一般为远程指挥人员所在行业中的各类常规标准、常识、标准用语、该行业习惯等文本类数据词条，GRU模型(尤其是双向GRU模型)是一个应用广泛的时序问题处理算法，对文本类数据词条具有较好的处理效果。通过双向GRU模型，可得到第一用户指令信息中的每个词语和短语的输入向量。但是在其中也包含了一些与装备保障不相关的向量，例如：虚词，人称代词，问候语等。并非每一个词语和短语都对意图解析起着同等大小的贡献，因此引入了注意力机制对重要的词语和短语进行提炼。即，引入注意力机制，可自适应的结合数据词条内的上下文信息，提取影响第一用户的关键数据特征，使模型能够更加的关注于数据词条中的主要部分，以准确提取第一指令约束条件，该第一指令约束条件用以约束第一用户指令信息，即进而提高对于第一用户指令信息的意图解析精度。
在一些实施例中，所述第一交互数据的形成过程如下：利用标准库对所述第一意图关键词及多个所述第一指令限定词进行分析，计算出各所述第一指令限定词与所述第一意图关键词的相关度；并将相关度符合预设条件的第一指令限定词嵌入第一意图关键词中，经过主题模型分析形成第一交互数据。
其中，所述第一意图关键词为至少一个，且在具体实施时，所述第一意图关键词经常为多个，在进行第一指令限定词与第一意图关键词相关度比较时，多个第一意图关键词会作为一个整体，即多个第一指令限定词会与该整体进行相关度比较，以减少标准库的运算次数。
具体实施时，所述标准库可以为Python中现有的标准库difflib，将第一意图关键词、各第一指令限定词输入标准库difflib中，即可得到各所述第一指令限定词与第一意图关键词的相关度，将相关度符合预设条件的第一指令限定词嵌入第一意图关键词中，经过主题模型分析形成第一整合数据；利用IP-LDA模型对第一整合数据进行解析，得到第一交互数据，进而确定第一用户的意图。例如，第一指令约束条件为：“通信系统处于最低标准下运行，A装备已运行10个月”，利用HMM分词模型对其进行分词处理，处理结果为“通信，系统，处于，最低标准(A类标准)，运行，A,装备，已，运行，10，个，月”。之后将该分词结果作为第一指令限定词嵌入到前述实施例得到的第一意图关键词中去，通过IP-LDA模型的分析，最终可以得到第一用户的意图为：“A，装备，通信，效率，未达到，指定，标准，通信，系统，处于，最低标准(A类标准)”。
在一些实施例中，所述双向GRU+注意力机制模型的训练过程如下：
(1)用词向量矩阵W将双向GRU+注意力机制模型用数据集中每一个所述数据词条都编码为向量
Figure BDA0003399495750000141
即进行向量化。
(2)利用初始双向GRU+注意力机制模型计算每一个所述数据词条的隐状态hit，hit计算过程如下：
Figure BDA0003399495750000142
Figure BDA0003399495750000143
Figure BDA0003399495750000144
公式(1)至(2)分别计算出顺时间循环层和逆时间循环层的隐状态，公式(3)将两者在全连接层拼接起来为最终的隐状态。
(3)将初始双向GRU+注意力机制模型输出的向量输入到所述全连接层，得到其隐藏表示uit，计算过程如下：
uit＝tanh(Wwhit+bw) 公式(4)
其中，uit＝tanh(Wwhit+bw)、uit＝tanh(Wwhit+bw)分别是注意力机制的权重和偏置。
(4)通过sofamax函数计算出归一化权重αit，
Figure BDA0003399495750000145
其中，
Figure BDA0003399495750000146
可以看做是单词对句子的贡献度，在训练中是随机初始化并通过训练得到。
(5)归一化权重αit进行加权求和，得到所述数据词条的结构信息Ai，及该结构信息Ai的句子表示hsi，
Ai＝∑tαithit 公式(6)；hsi＝tanh(Ai) 公式(7)。
(6)利用softmax函数得到所述数据词条的预测值yi，
Figure BDA0003399495750000147
Figure BDA0003399495750000148
其中，Wsi为矩阵权重，bsi则为偏置，
Figure BDA0003399495750000149
表示在yi的条件概率。
(7)计算数据词条预测值yi与真实值ti的损失函数J(θ)，
Figure BDA00033994957500001410
其中，m为所述数据词条的总数；ti表示的数据词条的真实值；λ是L2正则化参数；θ为函数参数。
(8)最小化所述损失函数J(θ)，得到双向GRU+注意力机制模型。
需要说明的是，模型在训练前需要通过调用nn.GRU类以及pytorch中已经包装好的函数，并对神经网络进行初始化，初始化参数可以为向量的维度、GRU层的维度、神经网络的层数、每次训练的样本数，再进行上述(1)至(5)步骤，即可以完成模型训练。在模型的训练过程中，可以使用ReLU作为神经元的激活函数，该函数在非负区间的梯度为常数，因此不存在梯度消失问题(Vanishing Gradient Problem)，这样便会更容易使得模型的收敛速度上维持在一个稳定状态。
之后，对训练好的双向GRU+注意力机制模型进行测试。即将准备好的测试集输入到模型中，看模型指标召回率和预测精度是否符合预期。在测试效果达到要求后，便可以将收集到的第一指令约束条件输入到该模型中，对其进行解析。
在一些实施例中，参考图7，所述对所述第二用户指令信息进行预处理，并利用主题模型对预处理后的第二用户指令信息进行处理，得到第二意图关键词，该过程即为第二用户的主动意图的解析过程，该过程包括：
S701、利用分词模型对所述第二用户指令信息进行分词提取，得到分词结果；
S702、利用预训练的双向-LSTM模型对所述分词结果进行预测，得到第二意图关键词。
其中，双向-LSTM模型为主题预测类模型，LSTM是最常见用于时序问题处理的神经网络算法，其在时序问题上有着很好的应用。
另外，因第二用户指令信息一般为装备的现地操作人员发出的，其对于该设备较为了解，其发出的指令指向性及准确性较强，对于其分析结果可以不做语料学习，即可直接利用预训练的双向-LSTM模型对所述分词结果进行处理，得到第二意图关键词。
其中，所述双向-LSTM模型的训练过程包括：
(1)对数据集进行二次处理。将测试集和训练集的CSV文件进行分词和语料学习处理，并且将其保存为LSTM的输入格式，即[samples，timesteps，features]。
(2)构建并训练双向-LSTM模型，该过程如下：
a、构建双向的LSTM模型并对其进行初始化操作。给定初始化权值矩阵，设置合理的最大迭代训练次数和最小误差值等。
b、在构建好双向的LSTM模型之后，将相应的数据集输入到构建好的双向LSTM中，进行隐藏层状态的计算。该计算过程为，先计算前向隐藏层的隐状态
Figure BDA0003399495750000151
接着又计算了后向隐藏层的隐状态
Figure BDA0003399495750000152
最后在两个隐藏层状态的加权计算下得到最终的预测结果
Figure BDA0003399495750000153
其计算公式如下：
Figure BDA0003399495750000154
Figure BDA0003399495750000155
Figure BDA0003399495750000156
其中，
Figure BDA0003399495750000157
为数据集中的数据，w1是当前神经元的输入到前向隐藏层
Figure BDA0003399495750000158
的权重，w2是上一时刻状态量到当前状态量的权重，ht-1是上一时刻隐藏层状态的输入值，w3是当前神经元的输入到后向隐藏层
Figure BDA0003399495750000161
的权重，w4是下一时刻状态量到当前状态量的权重，ht+1是下一时刻隐藏层状态的输入值；w5是当前神经元的输入到两个隐藏层中前向隐藏层
Figure BDA0003399495750000162
均权重，w6是当前神经元的输入到两个隐藏层中后向隐藏层
Figure BDA0003399495750000163
的权重。
c、根据相应的误差项，计算每个权重的梯度，通过梯度下降法优化双向LSTM网络的权重和偏置。
d、使用均方根误差(RMSE)函数作为模型的损失函数：
Figure BDA0003399495750000164
其中，
Figure BDA0003399495750000165
Pit分别代表了预测值和真实值。当损失函数最小化并达到稳定的状态后，便可以认为模型训练结束。
具体的代码执行中中定义了三个函数：拟合双向-LSTM的函数：fit_Bi_lstm()、双向LSTM的预测函数：predict_Bi_lstm()、评价预测模型性能的函数：evaluate_Bi_lstm()
接下来便利用定义的三个函数进行建立双向-LSTM模型，初始化参数，定义变量，开始模型训练，为了避免可能出现的随机性，因此在训练模型时，需要训练多次(如8次)，通过计算多次模型的平均值对模型的性能进行评价。
(3)在模型的性能达到期望之后，利用测试集对模型开始测试，将测试集的输出结果与数据本身进行对比，若测试效果达到预期，则预测模型训练完成。
所述第二用户指令信息为装备的主动意图，是在装备的被动意图(即第二指令约束条件)出现异常或者远程指挥人员对装备的操作人员发出了具体且明确的指令时才会产生。当装备的被动意图出现了异常时，装备操作人员根据装备的被动意图的解析结果发出第二用户指令信息，例如第二用户指令信息为：“通信中视频出现卡顿，将通信系统的质量标准进行提升”，利用HMM模型对该第二用户指令信息进行分词处理，然后利用已经训练好的双向-LSTM模型对分词结果进行预测分析，得到最终的解析结果(即第二意图关键词)：“通信，视频，出现，卡顿，通信系统，质量，提升，一级”。
在一些实施例中，参考图8，获取所述第二指令约束条件的过程(即对装备被动意图的解析过程)，包括：
S801、采用MYSQL数据库对定时或实时更新的反映所述装备属性的数据集进行存储；
S802、在ETL环境中对所述反映所述装备属性的数据集中的数据进行分析和处理，根据数据的趋势，得到装备故障时间可能性信息以及装备故障位置可能性信息；其中，所述装备故障时间可能性信息中包括装备故障时间可能性概率值，所述装备故障位置可能性信息包括装备故障位置可能性概率值；
S803、响应于装备故障时间可能性概率值、装备故障位置可能性概率值达到预设阈值范围内，便可以认定该装备将会出现故障或者需要进行某种维修操作等，则对应的装备故障时间可能性信息、装备故障位置可能性信息作为第二指令约束条件。
其中，所述反映所述装备属性的数据集包括各装备操作人员处理装备时的指令集、各装备的具体参数数据集、各装备维修记录数据集、各装备运行数据集等。
获取所述第二指令约束条件后，利用HMM分词模型对所述第二指令约束条件进行分词处理，得到多个第二指令限定词。
在一些实施例中，所述第二交互数据的形成过程如下：利用标准库对所述第二意图关键词及多个所述第二指令限定词进行分析，计算出各所述第二指令限定词与所述第二意图关键词的相关度；将相关度符合预设条件的第二指令限定词嵌入第二意图关键词中，经过主题模型分析形成第二交互数据。
其中，所述第二意图关键词为至少一个，且在具体实施时，所述第二意图关键词经常为多个，在进行第二指令限定词与第二意图关键词相关度比较时，多个第二意图关键词会作为一个整体，即多个第二指令限定词会与该整体进行相关度比较，以减少标准库的运算次数。
具体实施时，所述标准库可以为Python中现有的标准库difflib，将第二意图关键词、各第二指令限定词输入标准库difflib中，即可得到各所述第二指令限定词与第二意图关键词的相关度，将相关度符合预设条件的第二指令限定词嵌入第二意图关键词中，经过主题模型分析形成第二整合数据；利用IP-LDA模型对第二整合数据进行解析，进而确定第二用户的意图。例如，第二指令限定词为“通信，视频，卡顿，概率，高”，第二意图关键词为“通信，视频，出现，卡顿，通信系统，质量，提升，一级”，形成的整合数据为“通信，视频，出现，卡顿，概率，高，通信系统，质量，提升，一级”，利用IP-LDA模型对第二整合数据进行解析后的第二交互数据为：“通信视频出现卡顿，通信系统质量提升一级”。该第二交互数据与第二意图关键词相同，即第二用户发出的第二用户指令较为准确。
在一些实施例中，交互数据的形成过程如下：将所述第一交互数据和第二交互数据进行组合及数据处理，形成交互数据；该过程即为将第一用户的主动意图、第一用户的被动意图、装备的主动意图及装备的被动意图等四种意图联合解析的过程，在组合之后，便可以得到最终针对装备维修的意图。如前述实施例举例所述，第一交互数据为：“A装备通信效率未达到指定标准，通信系统处于最低标准(A类标准)”，第二交互数据为：“通信视频出现卡顿，通信系统质量提升一级”。对该两种交互数据进行组合，便可以得到最终针对装备的意图：“A装备通信效率未达到指定标准，通信中视频出现卡顿现象，因此将A装备的通信系统的质量标准提升至B类”。
在一些实施例中，映射参数和行动数据的获取过程包括：利用映射数据库获取与所述交互数据对应的映射参数和行动数据；该过程为在得到针对装备维修的最终维修意图(即交互数据)之后，需要将其映射为具体的维修行动和维修指令。
其中，所述映射数据库可以为包含绝大部分常见的维修行动指导和维修指令的维修指南。根据维修指南对解析的装备维修意图进行映射，形成最终的维修行动和维修指令。
其中，所述行动数据可以为维修指南中针对交互数据中提及问题的具体解决方案，所述映射参数可以为维修指南中实施所述解决方案过程中的相关参数。
例如，经过四种意图联合解析，得到的装备维修意图为：“A装备通信效率未达到指定标准，通信中视频出现卡顿现象，因此将A装备的通信系统的质量标准提升至B类”。在维修指南中得到的行动数据为：“辐射范围异常：利用检测工具对天线是否损坏进行检查，观察天线是否被遮挡，查看天线相关线路是否有开裂等，B类通信”；得到的映射参数为“时延不高于xxms、丢包率不高于xx％、阻塞率不得高于xx％、抖动不得高于xxms””。在得到具体的行动数据和映射参数后，反馈给现地操作人员，让其进行具体的操作，若装备的智能化以及自动化程度较高，也可以将具体的行动数据和映射参数转为具体的机器代码直接发送到装备端进行运维。
另外，在四种意图联合解析过程中，可能会出现意图冲突，例如：远程指挥人员的主动意图和被动意图的冲突、装备的主动意图和装备的被动意图之间的冲突。针对可能出现的意图冲突，本申请提出了一种意图冲突处理机制。当主动意图和被动意图发生冲突时，系统会向主动意图发出者发送再次确认信号，在得到明确的改动主动意图信号之前，皆以被动意图服从主动意图进行意图解析。当远程指挥人员主动意图和现地操作人员的主动意图发生冲突时，系统根据设定判别远程指挥人员的等级，当达到系统的设定等级后，现地操作人员的主动意图服从远程指挥人员主动意图，并且将最终执行结果发送给远程指挥人员。反之，远程指挥人员主动意图服从现地操作人员的主动意图，并且将最终执行结果发送给现地操作人员。
需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种基于人工智能的装备意图解析装置，参考图9，所述装置包括：
获取模块901，被配置为获取用户的用户指令信息和指令约束条件；
数据处理模块902，被配置为对所述用户指令信息进行预处理，并利用主题模型对预处理后的用户指令信息进行处理，得到意图关键词；利用分词模型对所述指令约束条件进行分词处理，得到多个指令限定词；
交互数据模块903，被配置为利用标准库对所述意图关键词及多个所述指令限定词进行分析，计算出各所述指令限定词与所述意图关键词的相关度；将相关度符合预设条件的指令限定词嵌入意图关键词中，经过主题模型分析形成交互数据；
映射模块904，被配置为利用映射数据库获取与所述交互数据对应的映射参数和行动数据；
指令模块905，被配置为基于所述映射参数和行动数据对所述装备发出调控指令。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的装备意图解析方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的装备意图解析方法。
图10示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040利用总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在利用软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以利用有线方式(例如USB、网线等)实现通信，也可以利用无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的装备意图解析方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的装备意图解析方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的装备意图解析方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、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)

1.一种基于人工智能的装备意图解析方法，其特征在于，包括：
获取用户的用户指令信息和指令约束条件；
对所述用户指令信息进行预处理，并利用主题模型对预处理后的用户指令信息进行处理，得到意图关键词；利用分词模型对所述指令约束条件进行分词处理，得到多个指令限定词；
利用标准库对所述意图关键词及多个所述指令限定词进行分析，计算出各所述指令限定词与所述意图关键词的相关度；将相关度符合预设条件的指令限定词嵌入意图关键词中，经过主题模型分析形成交互数据；
利用映射数据库获取与所述交互数据对应的映射参数和行动数据；
基于所述映射参数和行动数据对所述装备发出调控指令。
2.根据权利要求1所述的方法，其特征在于，所述用户包括对所述装备进行远程监控的第一用户和/或对所述装备进行现地操作的第二用户，所述指令约束条件包括反映所述第一用户属性的第一指令约束条件和反映所述装备属性的第二指令约束条件。
3.根据权利要求2所述的方法，其特征在于，响应于所述用户为所述第一用户，则所述用户指令信息为第一用户指令信息，所述指令约束条件为第一指令约束条件和第二指令约束条件；所述形成交互数据的过程包括：
获取第一用户指令信息、第一指令约束条件和第二指令约束条件；
对所述第一用户指令信息进行预处理，并利用主题模型对预处理后的第一用户指令信息进行处理，得到第一意图关键词；利用分词模型分别对所述第一指令约束条件及第二指令约束条件进行分词处理，得到多个第一指令限定词和第二指令限定词；
利用标准库对所述第一意图关键词及所述第一指令限定词和第二指令限定词进行分析，计算出所述各所述第一指令限定词、第二指令限定词与所述第一意图关键词的相关度；将相关度符合预设条件的第一指令限定词和第二指令限定词嵌入所述第一意图关键词中，经过主题模型分析形成交互数据。
4.根据权利要求2所述的方法，其特征在于，响应于所述用户为第一用户和第二用户，则所述用户指令信息为第一用户指令信息和第二用户指令信息，所述指令约束条件为第一指令约束条件和第二指令约束条件；形成交互数据的过程包括：
获取第一用户指令信息、第一指令约束条件和第二指令约束条件；
对所述第一用户指令信息进行预处理，并利用主题模型对预处理后的第一用户指令信息进行处理，得到第一意图关键词；利用分词模型分别对所述第一指令约束条件及第二指令约束条件进行分词处理，得到多个第一指令限定词和第二指令限定词；
利用标准库对所述第一意图关键词及所述第一指令限定词进行分析，计算出各所述第一指令限定词与所述第一意图关键词的相关度；
将相关度符合预设条件的第一指令限定词嵌入所述第一意图关键词中，经过主题模型分析形成第一交互数据；
所述第二用户根据所述第一交互数据发出第二用户指令信息；
对所述第二用户指令信息进行预处理，并利用主题模型对预处理后的第二用户指令信息进行处理，得到第二意图关键词；
利用标准库对所述第二意图关键词及各所述第二指令限定词进行分析，计算出各所述第二指令限定词与所述第二意图关键词的相关度；
将相关度符合预设条件的第二指令限定词嵌入所述第二意图关键词中，经过主题模型分析形成交互数据。
5.根据权利要求2所述的方法，其特征在于，响应于所述用户为第一用户和第二用户，则所述用户指令信息为第一用户指令信息和第二用户指令信息，所述指令约束条件为第一指令约束条件和第二指令约束条件；形成交互数据的过程包括：
获取第一用户指令信息、第二用户指令信息、第一指令约束条件和第二指令约束条件；
分别对所述第一用户指令信息和第二用户指令信息进行预处理，并利用主题模型对预处理后的第一用户指令信息进行处理，得到第一意图关键词，对预处理后的第二用户指令信息进行处理，得到第二意图关键词；利用分词模型分别对所述第一指令约束条件及第二指令约束条件进行分词处理，得到多个第一指令限定词和第二指令限定词；
利用主题模型分别对所述第一意图关键词及所述第一指令限定词、所述第二意图关键词及所述第二指令限定词进行分析，计算出各所述第一指令限定词与所述第一意图关键词的相关度，及各所述第二指令限定词与所述第二意图关键词的相关度；
将相关度符合预设条件的第一指令限定词嵌入所述第一意图关键词中，经过主题模型分析形成第一交互数据；将相关度符合预设条件的第二指令限定词嵌入所述第二意图关键词中，经过主题模型分析形成第二交互数据；
将所述第一交互数据与第二交互数据组合，形成交互数据。
6.根据权利要求2-5任一所述的方法，其特征在于，构建包括多个数据词条的GRU+注意力机制模型用数据集；获取所述第一指令约束条件包括以下步骤：
所述第一用户指令信息更新至双向GRU+注意力机制模型用数据集中；
利用标准库计算各所述数据词条与第一用户指令信息的相关度，将相关度符合预设条件的数据词条作为初始第一指令约束条件；
利用预训练的双向GRU+注意力机制模型对所述初始第一指令约束条件进行处理，得到第一指令约束条件。
7.根据权利要求6所述的方法，其特征在于，所述双向GRU+注意力机制模型的训练过程包括：
(1)利用词向量矩阵W将所述双向GRU+注意力机制模型用数据集中每一个所述数据词条都编码为向量
Figure FDA0003399495740000021
(2)利用初始双向GRU+注意力机制模型计算每一个所述数据词条的隐状态hit，
Figure FDA0003399495740000022
Figure FDA0003399495740000031
Figure FDA0003399495740000032
(3)将初始双向GRU+注意力机制模型输出的向量输入到初始双向GRU+注意力机制模型的全连接层，得到其隐藏表示uit，
uit＝tanh(Wwhit+bw)
其中，uit＝tanh(Wwhit+bw)、uit＝tanh(Wwhit+bw)分别是注意力机制的权重和偏置；
(4)通过sofamax函数计算出归一化权重αit，
Figure FDA0003399495740000033
其中，uw为单词对句子的贡献度；
(5)归一化权重αit进行加权求和，得到所述数据词条的结构信息Ai，及该结构信息Ai的句子表示hsi，
Ai＝∑tαithit；hsi＝tanh(Ai)；
(6)利用softmax函数得到所述数据词条的预测值yi。
Figure FDA0003399495740000034
Figure FDA0003399495740000035
其中，Wsi为矩阵权重，bsi则为偏置，
Figure FDA0003399495740000036
表示在yi的条件概率；
(7)计算数据词条预测值yi与真实值ti的损失函数J(θ)，
Figure FDA0003399495740000037
其中，m为所述数据词条的总数；ti表示的数据词条的真实值；是L2正则化参数；θ为函数参数；
(8)最小化所述损失函数J(θ)，得到双向GRU+注意力机制模型。
8.根据权利要求1所述的方法，其特征在于，获取所述第二指令约束条件的步骤包括：
采用MYSQL数据库对定时或实时更新的反映所述装备属性的数据集进行存储；
在ETL环境中对所述反映所述装备属性的数据集中的数据进行分析和处理，根据数据的趋势，得到装备故障时间可能性信息以及装备故障位置可能性信息；其中，所述装备故障时间可能性信息中包括装备故障时间可能性概率值，所述装备故障位置可能性信息包括装备故障位置可能性概率值；
响应于装备故障时间可能性概率值、装备故障位置可能性概率值达到预设阈值范围内，则对应的装备故障时间可能性信息、装备故障位置可能性信息作为第二指令约束条件。
9.一种基于人工智能的装备意图解析装置，其特征在于，包括：
获取模块，被配置为获取用户的用户指令信息和指令约束条件；
数据处理模块，被配置为对所述用户指令信息进行预处理，并利用主题模型对预处理后的用户指令信息进行处理，得到意图关键词；利用分词模型对所述指令约束条件进行分词处理，得到多个指令限定词；
交互数据模块，被配置为利用标准库对所述意图关键词及多个所述指令限定词进行分析，计算出各所述指令限定词与所述意图关键词的相关度；将相关度符合预设条件的指令限定词嵌入意图关键词中，经过主题模型分析形成交互数据；
映射模块，被配置为利用映射数据库获取与所述交互数据对应的映射参数和行动数据；
指令模块，被配置为基于所述映射参数和行动数据对所述装备发出调控指令。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任意一项所述的方法。
CN202111495243.3A 2021-11-10 2021-12-08 一种基于人工智能的装备意图解析方法、装置及电子设备 Pending CN114416971A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111327186 2021-11-10
CN2021113271868 2021-11-10

Publications (1)

Publication Number Publication Date
CN114416971A true CN114416971A (zh) 2022-04-29

Family

ID=81264927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111495243.3A Pending CN114416971A (zh) 2021-11-10 2021-12-08 一种基于人工智能的装备意图解析方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114416971A (zh)

Similar Documents

Publication Publication Date Title
KR102235051B1 (ko) 이미지-텍스트 매칭 모델을 위한 트레이닝 방법, 양방향 검색 방법 및 관련 장치
US11468246B2 (en) Multi-turn dialogue response generation with template generation
US11948058B2 (en) Utilizing recurrent neural networks to recognize and extract open intent from text inputs
US20190370659A1 (en) Optimizing neural network architectures
CN109766557B (zh) 一种情感分析方法、装置、存储介质及终端设备
CN110046706B (zh) 模型生成方法、装置及服务器
WO2020236483A1 (en) Cross-lingual information retrieval and information extraction
US20220100963A1 (en) Event extraction from documents with co-reference
CN113627447A (zh) 标签识别方法、装置、计算机设备、存储介质及程序产品
US20220100772A1 (en) Context-sensitive linking of entities to private databases
EP4060526A1 (en) Text processing method and device
US20220100967A1 (en) Lifecycle management for customized natural language processing
US20190164083A1 (en) Categorical Data Transformation and Clustering for Machine Learning using Natural Language Processing
WO2022072237A1 (en) Lifecycle management for customized natural language processing
CN113627197B (zh) 文本的意图识别方法、装置、设备及存储介质
CN114416971A (zh) 一种基于人工智能的装备意图解析方法、装置及电子设备
CN117296064A (zh) 计算环境中的可解释人工智能
CN114580399A (zh) 文本纠错方法、装置、电子设备及存储介质
CN111967253A (zh) 一种实体消歧方法、装置、计算机设备及存储介质
US20240037373A1 (en) OneShot Neural Architecture and Hardware Architecture Search
CN112860652B (zh) 作业状态预测方法、装置和电子设备
CN116050465B (zh) 文本理解模型的训练方法和文本理解方法、装置
CN112270179B (zh) 一种实体识别方法、装置及电子设备
CN117151247B (zh) 机器学习任务建模的方法、装置、计算机设备和存储介质
US11921768B1 (en) Iterative theme discovery and refinement in text

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