CN115169360A - 基于人工智能的用户意图识别方法及相关设备 - Google Patents

基于人工智能的用户意图识别方法及相关设备 Download PDF

Info

Publication number
CN115169360A
CN115169360A CN202210929415.1A CN202210929415A CN115169360A CN 115169360 A CN115169360 A CN 115169360A CN 202210929415 A CN202210929415 A CN 202210929415A CN 115169360 A CN115169360 A CN 115169360A
Authority
CN
China
Prior art keywords
hyperbolic
communication
text
intention
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
CN202210929415.1A
Other languages
English (en)
Inventor
张跃威
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 Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty 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 Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202210929415.1A priority Critical patent/CN115169360A/zh
Publication of CN115169360A publication Critical patent/CN115169360A/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
    • 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
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • 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 Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Machine Translation (AREA)

Abstract

本申请提出一种基于人工智能的用户意图识别方法、装置、电子设备及存储介质，基于人工智能的用户意图识别方法包括：储存各用户的沟通文本和沟通文本的意图标签得到文本数据库，沟通文本的意图标签为用户需要咨询的预设问题；基于文本数据库训练第一双曲嵌入网络以获取第二双曲嵌入网络；基于第二双曲嵌入网络获取文本数据库中各沟通文本在双曲空间中的双曲向量；基于所有沟通文本的双曲向量和意图标签计算每一种意图标签的双曲标准向量；采集待识别沟通文本，将待识别沟通文本输入第二双曲嵌入网络得到待识别双曲向量，并对比待识别双曲向量和每一种意图标签的双曲标准向量以获取意图识别结果。本申请能够提高意图识别的准确性。

Description

基于人工智能的用户意图识别方法及相关设备
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于人工智能的用户意图识别方法、装置、电子设备及存储介质。
背景技术
双曲空间是黎曼几何中流形空间(manifold space)的一种，它是一种曲率小于0的非欧氏空间，相对于欧氏空间而言，双曲空间具有更大的容量，更适合表达树状结构、层次结构的数据，通过将数据嵌入到双曲空间，可以捕获数据潜在的层次关系。
智能客服是一种使用自然语言与用户进行交流的人工智能信息系统，智能客服需要对用户提出的问题进行语义分析得到用户意图的识别结果，并以拟人化的方式与用户沟通，向用户提供信息咨询等相关服务。
目前，通常使用预训练的语言模型将用户提出的问题映射至欧氏空间以获取语义向量，并基于语义向量得到意图识别结果，然而，由于欧氏空间不能表达不同问题之间的层次结构，故这种方式获取的语义向量不能学习到意图之间的层级关系，导致意图识别的准确性降低。
发明内容
鉴于以上内容，有必要提出一种基于人工智能的用户意图识别方法及相关设备，以解决如何提高意图识别的准确性这一技术问题，其中，相关设备包括基于人工智能的用户意图识别装置、电子设备及存储介质。
本申请提供基于人工智能的用户意图识别方法，所述方法包括：
储存每一个用户的沟通文本和沟通文本的意图标签以获取文本数据库，所述沟通文本的意图标签为所述沟通文本对应的用户需要咨询的预设问题的ID信息；
基于所述文本数据库训练第一双曲嵌入网络以获取第二双曲嵌入网络；
基于所述第二双曲嵌入网络获取所述文本数据库中每一个沟通文本在双曲空间中的双曲向量；
基于所有沟通文本的双曲向量和意图标签计算每一种意图标签的双曲标准向量；
采集待识别沟通文本，将所述待识别沟通文本输入所述第二双曲嵌入网络以获取待识别双曲向量，并对比所述待识别双曲向量和每一种意图标签的双曲标准向量以获取所述待识别沟通文本的意图识别结果。
在一些实施例中，所述储存每一个用户的沟通文本和沟通文本的意图标签以获取文本数据库，包括：
依据业务场景设置多个预设问题和每一个预设问题的ID信息，所述预设问题的ID信息为所述预设问题的唯一标识；
在人工客服与用户的单次沟通记录中，若用户的咨询问题为所述多个预设问题中的任意一个，则采集所述单次沟通记录中所述咨询问题之前的沟通记录作为沟通文本，并将预设问题的ID信息作为所述沟通文本的意图标签，得到一组训练样本；
遍历每一个人工客服与所有用户的所有单次沟通记录以获取多组训练样本；
储存所有训练样本以获取文本数据库。
在一些实施例中，所述基于所述文本数据库训练第一双曲嵌入网络以获取第二双曲嵌入网络包括：
搭建第一双曲嵌入网络；
从所述文本数据库的所有沟通文本中随机选取一个沟通文本作为目标文本，并将所述目标文本的意图标签作为目标意图标签；
将所述文本数据库中同一意图标签的所有沟通文本作为所述意图标签的沟通文本集，所述沟通文本集与不同意图标签的数量相同；
从每一种意图标签的沟通文本集中随机选取一个待匹配沟通文本，所述目标意图标签对应的待匹配沟通文本与所述目标文本构成一组正样本对，将所述目标意图标签之外的每一个待匹配沟通文本与所述目标文本构成多组负样本对；
基于所述正样本对和所述多组负样本对计算预设损失函数的数值；
基于所述预设损失函数和黎曼优化器更新所述第一双曲嵌入网络，完成一次训练；
不断从所述文本数据库中选取新的目标文本以完成多次训练，当所述预设损失函数的数值不再变化时，停止训练得到第二双曲嵌入网络，所述第二双曲嵌入网络的输入为沟通文本，输出为所述沟通文本在双曲空间中的双曲向量，所述双曲向量可以表示沟通文本在双曲空间中的语义特征。
在一些实施例中，所述基于所述正样本对和所述多组负样本对计算预设损失函数的数值包括：
将所述正样本对中的两个沟通文本依次输入所述第一双曲嵌入网络以获取每一个沟通文本的输出结果；
计算所述正样本对中两个沟通文本的输出结果在双曲空间中的双曲距离作为正样本距离，所述双曲距离满足关系式：
Figure BDA0003780989610000031
其中，u和v分别表示所述正样本对中的两个沟通文本的输出结果，
Figure BDA0003780989610000032
为莫比乌斯加法，c为所述双曲空间的预设曲率，
Figure BDA0003780989610000033
表示计算
Figure BDA0003780989610000034
的欧氏距离，d(u,v)为u和v的双曲距离；
按照相同的方法计算每一组负样本对中两个沟通文本的输出结果在双曲空间中的双曲距离以获取每一组负样本对的负样本距离；
基于所述正样本距离和所述负样本距离计算预设损失函数的数值，所述预设损失函数满足关系式：
Figure BDA0003780989610000035
其中，d+表示正样本距离，N为负样本对的数量，
Figure BDA0003780989610000041
为第j组负样本对的负样本距离，Loss为预设损失函数的数值。
在一些实施例中，所述基于所述预设损失函数和黎曼优化器更新所述第一双曲嵌入网络，完成一次训练，包括：
基于所述预设损失函数计算所述第一双曲嵌入网络的参数在双曲空间中的黎曼梯度，所述黎曼梯度满足关系式：
Figure BDA0003780989610000042
其中，θ为所述第一双曲嵌入网络的参数；
Figure BDA0003780989610000043
表示所述预设损失函数对θ求导，得到所述第一双曲嵌入网络的参数在欧氏空间中的梯度值；c为所述双曲空间的预设曲率，g(θ)为第一双曲嵌入网络的参数的黎曼梯度；
基于所述黎曼梯度和黎曼优化器更新所述第一双曲嵌入网络的参数，所述更新过程满足关系式：
θ′＝θ-ηtg(θ)
其中，θ′为所述第一双曲嵌入网络更新后的参数，θ为所述第一双曲嵌入网络更新前的参数，ηt为预设学习率。
在一些实施例中，所述基于所有沟通文本的双曲向量和意图标签计算每一种意图标签的双曲标准向量包括：
将同一意图标签的所有沟通文本作为所述意图标签的沟通文本集；
获取目标意图标签的沟通文本集中每一个沟通文本的双曲向量以获取所述目标意图标签的双曲向量集合，所述目标意图标签为所有意图标签中的任意一个；
计算所述目标意图标签的双曲向量集合中所有双曲向量的均值作为所述目标意图标签的双曲标准向量，所述双曲标准向量满足关系式：
Figure BDA0003780989610000044
其中，M为目标意图标签的双曲向量集合中所有双曲向量的数量，hk为目标意图标签的双曲向量集合中第k个双曲向量，
Figure BDA0003780989610000045
为目标意图标签的双曲标准向量，
Figure BDA0003780989610000051
为双曲空间中的莫比乌斯加，c为所述双曲空间的预设曲率；
遍历所有意图标签以获取每一种意图标签的双曲标准向量。
在一些实施例中，所述对比所述待识别双曲向量和每一种意图标签的双曲标准向量以获取所述待识别沟通文本的意图识别结果包括：
计算所述待识别双曲向量与每一种意图标签的双曲标准向量的双曲距离；
选取所有双曲距离的最小值对应的意图标签作为所述待识别沟通文本的意图识别结果。
本申请实施例还提供一种基于人工智能的用户意图识别装置，所述装置包括：
储存单元，用于储存每一个用户的沟通文本和沟通文本的意图标签以获取文本数据库，所述沟通文本的意图标签为所述沟通文本对应的用户需要咨询的预设问题的ID信息；
训练单元，用于基于所述文本数据库训练第一双曲嵌入网络以获取第二双曲嵌入网络；
获取单元，用于基于所述第二双曲嵌入网络获取所述文本数据库中每一个沟通文本在双曲空间中的双曲向量；
计算单元，用于基于所有沟通文本的双曲向量和意图标签计算每一种意图标签的双曲标准向量；
意图识别单元，用于采集待识别沟通文本，将所述待识别沟通文本输入所述第二双曲嵌入网络以获取待识别双曲向量，并对比所述待识别双曲向量和每一种意图标签的双曲标准向量以获取所述待识别沟通文本的意图识别结果。
本申请实施例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；
处理器，执行所述存储器中存储的指令以实现所述的基于人工智能的用户意图识别方法。
本申请实施例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所述的基于人工智能的用户意图识别方法。
综上，本申请获取不同沟通文本在双曲空间中的双曲向量，得到不同沟通文本之间的层次关系，进一步依据沟通文本的意图标签得到每一种意图标签对应的双曲标准向量，对比待识别沟通文本的双曲向量与每一种意图标签的双曲标准向量在双曲空间中的距离即可得到意图识别结果，能够借助双曲空间中对层次关系的表达能力，提高意图识别的准确性。
附图说明
图1是本申请所涉及的基于人工智能的用户意图识别方法的较佳实施例的流程图。
图2是本申请所涉及的基于人工智能的用户意图识别装置的较佳实施例的功能模块图。
图3是本申请所涉及的基于人工智能的用户意图识别方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本申请的目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请，所述描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
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。本文中在本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。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例提供一种基于人工智能的用户意图识别方法，可应用于一个或者多个电子设备中，电子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(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
电子设备可以是任何一种可与客户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
电子设备还可以包括网络设备和/或客户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。
电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
如图1所示，是本申请基于人工智能的用户意图识别方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
S10，储存每一个用户的沟通文本和沟通文本的意图标签以获取文本数据库，所述沟通文本的意图标签为所述沟通文本对应的用户需要咨询的预设问题的ID信息。
在一个可选的实施例中，所述储存每一个用户的沟通文本和沟通文本的意图标签以获取文本数据库，包括：
依据业务场景设置多个预设问题和每一个预设问题的ID信息，所述预设问题的ID信息为所述预设问题的唯一标识；
在人工客服与用户的单次沟通记录中，若用户的咨询问题为所述多个预设问题中的任意一个，则采集所述单次沟通记录中所述咨询问题之前的沟通记录作为沟通文本，并将预设问题的ID信息作为所述沟通文本的意图标签，得到一组训练样本；
遍历每一个人工客服与所有用户的所有单次沟通记录以获取多组训练样本；
储存所有训练样本以获取文本数据库。
其中，所述多个预设问题包括预设业务场景下用户咨询的与业务相关的所有问题，所述预设问题的ID信息为整型数据，所述预设问题的ID信息与所述预设问题一一对应。
示例性的，假设业务场景为保险领域，在人工客服与用户的单次沟通记录中，若用户在第5句的咨询问题为ID信息为6的预设问题：“保费为多少？”，则采集所述单次沟通记录中第1句到第4句作为沟通文本，并将6作为所述沟通文本的意图标签，得到一组训练样本；若该用户在第8句的咨询问题为ID信息为4的预设问题：“如何续保？”，则采集所述单次沟通记录中第1句到第7句作为新的沟通文本，并将4作为所述新的沟通文本的意图标签，得到另一组训练样本。
如此，依据人工客服与所有用户的沟通记录得到文本数据库，文本数据库包括多个沟通文本以及所述沟通文本的意图标签，为实现用户意图识别提供数据基础。
S11，基于所述文本数据库训练第一双曲嵌入网络以获取第二双曲嵌入网络。
在一个可选的实施例中，所述基于所述文本数据库训练第一双曲嵌入网络以获取第二双曲嵌入网络包括：
搭建第一双曲嵌入网络；
从所述文本数据库的所有沟通文本中随机选取一个沟通文本作为目标文本，并将所述目标文本的意图标签作为目标意图标签；
将所述文本数据库中同一意图标签的所有沟通文本作为所述意图标签的沟通文本集，所述沟通文本集与不同意图标签的数量相同；
从每一种意图标签的沟通文本集中随机选取一个待匹配沟通文本，所述目标意图标签对应的待匹配沟通文本与所述目标文本构成一组正样本对，将所述目标意图标签之外的每一个待匹配沟通文本与所述目标文本构成多组负样本对；
基于所述正样本对和所述多组负样本对计算预设损失函数的数值；
基于所述预设损失函数和黎曼优化器更新所述第一双曲嵌入网络，完成一次训练；
不断从所述文本数据库中选取新的目标文本以完成多次训练，当所述预设损失函数的数值不再变化时，停止训练得到第二双曲嵌入网络，所述第二双曲嵌入网络的输入为沟通文本，输出为所述沟通文本在双曲空间中的双曲向量，所述双曲向量可以表示沟通文本在双曲空间中的语义特征。
该可选的实施例中，所述第一双曲嵌入网络的输入为沟通文本，预期的输出为所述沟通文本在双曲空间中的双曲向量，所述第一双曲嵌入网络可以为Bert网络、LSTM网络、RNN网络、GRU网络中的任意一个，本申请不做限制。
该可选的实施例中，所述第一双曲嵌入网络中的参数为随机的初始化参数，为了约束所述第一双曲嵌入网络的输出为准确的双曲向量，需要依据预设损失函数对所述第一双曲嵌入网络进行训练以更新所述第一双曲嵌入网络中的参数，得到所述第二双曲嵌入网络，所述第二双曲嵌入网络的输入为沟通文本，输出为所述沟通文本在双曲空间中的双曲向量，所述双曲向量可以表示沟通文本在双曲空间中的语义特征。
在一个可选的实施例中，所述基于所述正样本对和所述多组负样本对计算预设损失函数的数值包括：
将所述正样本对中的两个沟通文本依次输入所述第一双曲嵌入网络以获取每一个沟通文本的输出结果；
计算所述正样本对中两个沟通文本的输出结果在双曲空间中的双曲距离作为正样本距离，所述双曲距离满足关系式：
Figure BDA0003780989610000101
其中，u和v分别表示所述正样本对中的两个沟通文本的输出结果，
Figure BDA0003780989610000102
为莫比乌斯加法，c为所述双曲空间的预设曲率，
Figure BDA0003780989610000103
表示计算
Figure BDA0003780989610000104
的欧氏距离，d(u,v)为u和v的双曲距离；
按照相同的方法计算每一组负样本对中两个沟通文本的输出结果在双曲空间中的双曲距离以获取每一组负样本对的负样本距离；
基于所述正样本距离和所述负样本距离计算预设损失函数的数值，所述预设损失函数满足关系式：
Figure BDA0003780989610000105
其中，d+表示正样本距离，N为负样本对的数量，
Figure BDA0003780989610000106
为第j组负样本对的负样本距离，Loss为预设损失函数的数值。
该可选的实施例中，所述双曲空间的预设曲率c的取值为1，所述莫比乌斯加法(
Figure BDA0003780989610000107
addition)满足关系：
Figure BDA0003780989610000108
其中，c表示双曲空间的预设曲率，x和y为双曲空间中的任意两个向量，<x,y>为x和y的内积，‖x‖表示计算x的欧氏距离。
需要说明的是，当所述双曲空间的预设曲率取值为1时，所述双曲空间为庞加莱球模型(Poincaré模型)。
在一个可选的实施例中，所述基于所述预设损失函数和黎曼优化器更新所述第一双曲嵌入网络，完成一次训练，包括：
基于所述预设损失函数计算所述第一双曲嵌入网络的参数在双曲空间中的黎曼梯度，所述黎曼梯度满足关系式：
Figure BDA0003780989610000109
其中，θ为所述第一双曲嵌入网络的参数；
Figure BDA00037809896100001010
表示所述预设损失函数对θ求导，得到所述第一双曲嵌入网络的参数在欧氏空间中的梯度值；c为所述双曲空间的预设曲率，g(θ)为第一双曲嵌入网络的参数的黎曼梯度；
基于所述黎曼梯度和黎曼优化器更新所述第一双曲嵌入网络的参数，所述更新过程满足关系式：
θ′＝θ-ηtg(θ)
其中，θ′为所述第一双曲嵌入网络更新后的参数，θ为所述第一双曲嵌入网络更新前的参数，ηt为预设学习率。
其中，所述预设学习率取值为0.001。
如此，利用双曲距离构建的预设损失函数完成第一双曲嵌入网络的训练，得到第二双曲嵌入网络，所述第二双曲嵌入网络能够将沟通文本映射至双曲空间中，得到沟通文本在双曲空间中的双曲向量。
S12，基于所述第二双曲嵌入网络获取所述文本数据库中每一个沟通文本在双曲空间中的双曲向量。
在一个可选的实施例中，将所述文本数据库中每一个沟通文本输入所述第二双曲嵌入网络得每一个沟通文本在双曲空间中的双曲向量，所述双曲向量可以反应不同沟通文本之间的层次关系。
如此，得到每一个沟通文本在双曲空间中的双曲向量，双曲向量摆脱了欧氏空间对表征能力的束缚，可以反应不同沟通文本之间的层次关系。
S13，基于所有沟通文本的双曲向量和意图标签计算每一种意图标签的双曲标准向量。
在一个可选的实施例中，所述基于所有沟通文本的双曲向量和意图标签计算每一种意图标签的双曲标准向量包括：
将同一意图标签的所有沟通文本作为所述意图标签的沟通文本集；
获取目标意图标签的沟通文本集中每一个沟通文本的双曲向量以获取所述目标意图标签的双曲向量集合，所述目标意图标签为所有意图标签中的任意一个；
计算所述目标意图标签的双曲向量集合中所有双曲向量的均值作为所述目标意图标签的双曲标准向量，所述双曲标准向量满足关系式：
Figure BDA0003780989610000121
其中，M为目标意图标签的双曲向量集合中所有双曲向量的数量，hk为目标意图标签的双曲向量集合中第k个双曲向量，
Figure BDA0003780989610000122
为目标意图标签的双曲标准向量，
Figure BDA0003780989610000123
为双曲空间中的莫比乌斯加，c为所述双曲空间的预设曲率；
遍历所有意图标签以获取每一种意图标签的双曲标准向量。
其中，所述双曲空间的预设曲率c的取值为1。
如此，基于同种意图标签的所有沟通文本的双曲向量得到每一种意图标签的双曲标准向量，为实现用户意图识别提供基础。
S14，采集待识别沟通文本，将所述待识别沟通文本输入所述第二双曲嵌入网络以获取待识别双曲向量，并对比所述待识别双曲向量和每一种意图标签的双曲标准向量以获取所述待识别沟通文本的意图识别结果。
在一个可选的实施例中，所述待识别沟通文本为任意一个用户与智能客服沟通过程中产生的实时沟通文本；将所述待识别沟通文本输入所述第二双曲嵌入网络得到所述待识别沟通文本的双曲向量，将所述待识别沟通文本的双曲向量作为待识别双曲向量。
在一个可选的实施例中，所述对比所述待识别双曲向量和每一种意图标签的双曲标准向量以获取所述待识别沟通文本的意图识别结果包括：
计算所述待识别双曲向量与每一种意图标签的双曲标准向量的双曲距离；
选取所有双曲距离的最小值对应的意图标签作为所述待识别沟通文本的意图识别结果。
其中，所述意图识别结果为用户与智能客服沟通过程中该用户想要咨询的预设问题。
如此，在用户与智能客服沟通的过程中，使用第二双曲嵌入网络得到实时沟通文本在双曲空间中的双曲向量，对比该双曲向量和每一种意图标签的双曲标准向量之间的双曲距离，得到准确的意图识别结果，进而提高与智能客服沟通过程中的用户体验。
由以上技术方案可以看出，本申请获取不同沟通文本在双曲空间中的双曲向量，得到不同沟通文本之间的层次关系，进一步依据沟通文本的意图标签得到每一种意图标签对应的双曲标准向量，对比待识别沟通文本的双曲向量与每一种意图标签的双曲标准向量在双曲空间中的距离即可得到意图识别结果，能够借助双曲空间中对层次关系的表达能力，提高意图识别的准确性。
请参见图2，图2是本申请基于人工智能的用户意图识别装置的较佳实施例的功能模块图。基于人工智能的用户意图识别装置11包括储存单元110、训练单元111、获取单元112、计算单元113、意图识别单元114。本申请所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
在一个可选的实施例中，储存单元110用于储存每一个用户的沟通文本和沟通文本的意图标签以获取文本数据库，所述沟通文本的意图标签为所述沟通文本对应的用户需要咨询的预设问题的ID信息。
在一个可选的实施例中，所述储存每一个用户的沟通文本和沟通文本的意图标签以获取文本数据库，包括：
依据业务场景设置多个预设问题和每一个预设问题的ID信息，所述预设问题的ID信息为所述预设问题的唯一标识；
在人工客服与用户的单次沟通记录中，若用户的咨询问题为所述多个预设问题中的任意一个，则采集所述单次沟通记录中所述咨询问题之前的沟通记录作为沟通文本，并将预设问题的ID信息作为所述沟通文本的意图标签，得到一组训练样本；
遍历每一个人工客服与所有用户的所有单次沟通记录以获取多组训练样本；
储存所有训练样本以获取文本数据库。
其中，所述多个预设问题包括预设业务场景下用户咨询的与业务相关的所有问题，所述预设问题的ID信息为整型数据，所述预设问题的ID信息与所述预设问题一一对应。
示例性的，假设业务场景为保险领域，在人工客服与用户的单次沟通记录中，若用户在第5句的咨询问题为ID信息为6的预设问题：“保费为多少？”，则采集所述单次沟通记录中第1句到第4句作为沟通文本，并将6作为所述沟通文本的意图标签，得到一组训练样本；若该用户在第8句的咨询问题为ID信息为4的预设问题：“如何续保？”，则采集所述单次沟通记录中第1句到第7句作为新的沟通文本，并将4作为所述新的沟通文本的意图标签，得到另一组训练样本。
在一个可选的实施例中，训练单元111用于基于所述文本数据库训练第一双曲嵌入网络以获取第二双曲嵌入网络。
在一个可选的实施例中，所述基于所述文本数据库训练第一双曲嵌入网络以获取第二双曲嵌入网络包括：
搭建第一双曲嵌入网络；
从所述文本数据库的所有沟通文本中随机选取一个沟通文本作为目标文本，并将所述目标文本的意图标签作为目标意图标签；
将所述文本数据库中同一意图标签的所有沟通文本作为所述意图标签的沟通文本集，所述沟通文本集与不同意图标签的数量相同；
从每一种意图标签的沟通文本集中随机选取一个待匹配沟通文本，所述目标意图标签对应的待匹配沟通文本与所述目标文本构成一组正样本对，将所述目标意图标签之外的每一个待匹配沟通文本与所述目标文本构成多组负样本对；
基于所述正样本对和所述多组负样本对计算预设损失函数的数值；
基于所述预设损失函数和黎曼优化器更新所述第一双曲嵌入网络，完成一次训练；
不断从所述文本数据库中选取新的目标文本以完成多次训练，当所述预设损失函数的数值不再变化时，停止训练得到第二双曲嵌入网络，所述第二双曲嵌入网络的输入为沟通文本，输出为所述沟通文本在双曲空间中的双曲向量，所述双曲向量可以表示沟通文本在双曲空间中的语义特征。
该可选的实施例中，所述第一双曲嵌入网络的输入为沟通文本，预期的输出为所述沟通文本在双曲空间中的双曲向量，所述第一双曲嵌入网络可以为Bert网络、LSTM网络、RNN网络、GRU网络中的任意一个，本申请不做限制。
该可选的实施例中，所述第一双曲嵌入网络中的参数为随机的初始化参数，为了约束所述第一双曲嵌入网络的输出为准确的双曲向量，需要依据预设损失函数对所述第一双曲嵌入网络进行训练以更新所述第一双曲嵌入网络中的参数，得到所述第二双曲嵌入网络，所述第二双曲嵌入网络的输入为沟通文本，输出为所述沟通文本在双曲空间中的双曲向量，所述双曲向量可以表示沟通文本在双曲空间中的语义特征。
在一个可选的实施例中，所述基于所述正样本对和所述多组负样本对计算预设损失函数的数值包括：
将所述正样本对中的两个沟通文本依次输入所述第一双曲嵌入网络以获取每一个沟通文本的输出结果；
计算所述正样本对中两个沟通文本的输出结果在双曲空间中的双曲距离作为正样本距离，所述双曲距离满足关系式：
Figure BDA0003780989610000151
其中，u和v分别表示所述正样本对中的两个沟通文本的输出结果，
Figure BDA0003780989610000152
为莫比乌斯加法，c为所述双曲空间的预设曲率，
Figure BDA0003780989610000153
表示计算
Figure BDA0003780989610000154
的欧氏距离，d(u,v)为u和v的双曲距离；
按照相同的方法计算每一组负样本对中两个沟通文本的输出结果在双曲空间中的双曲距离以获取每一组负样本对的负样本距离；
基于所述正样本距离和所述负样本距离计算预设损失函数的数值，所述预设损失函数满足关系式：
Figure BDA0003780989610000155
其中，d+表示正样本距离，N为负样本对的数量，
Figure BDA0003780989610000156
为第j组负样本对的负样本距离，Loss为预设损失函数的数值。
该可选的实施例中，所述双曲空间的预设曲率c的取值为1，所述莫比乌斯加法(
Figure BDA0003780989610000161
addition)满足关系：
Figure BDA0003780989610000162
其中，c表示双曲空间的预设曲率，x和y为双曲空间中的任意两个向量，<x,y>为x和y的内积，‖x‖表示计算x的欧氏距离。
需要说明的是，当所述双曲空间的预设曲率取值为1时，所述双曲空间为庞加莱球模型(Poincaré模型)。
在一个可选的实施例中，所述基于所述预设损失函数和黎曼优化器更新所述第一双曲嵌入网络，完成一次训练，包括：
基于所述预设损失函数计算所述第一双曲嵌入网络的参数在双曲空间中的黎曼梯度，所述黎曼梯度满足关系式：
Figure BDA0003780989610000163
其中，θ为所述第一双曲嵌入网络的参数；
Figure BDA0003780989610000164
表示所述预设损失函数对θ求导，得到所述第一双曲嵌入网络的参数在欧氏空间中的梯度值；c为所述双曲空间的预设曲率，g(θ)为第一双曲嵌入网络的参数的黎曼梯度；
基于所述黎曼梯度和黎曼优化器更新所述第一双曲嵌入网络的参数，所述更新过程满足关系式：
θ′＝θ-ηtg(θ)
其中，θ′为所述第一双曲嵌入网络更新后的参数，θ为所述第一双曲嵌入网络更新前的参数，ηt为预设学习率。
其中，所述预设学习率取值为0.001。
在一个可选的实施例中，获取单元112用于基于所述第二双曲嵌入网络获取所述文本数据库中每一个沟通文本在双曲空间中的双曲向量。
在一个可选的实施例中，将所述文本数据库中每一个沟通文本输入所述第二双曲嵌入网络得每一个沟通文本在双曲空间中的双曲向量，所述双曲向量可以反应不同沟通文本之间的层次关系。
在一个可选的实施例中，计算单元113用于基于所有沟通文本的双曲向量和意图标签计算每一种意图标签的双曲标准向量。
在一个可选的实施例中，所述基于所有沟通文本的双曲向量和意图标签计算每一种意图标签的双曲标准向量包括：
将同一意图标签的所有沟通文本作为所述意图标签的沟通文本集；
获取目标意图标签的沟通文本集中每一个沟通文本的双曲向量以获取所述目标意图标签的双曲向量集合，所述目标意图标签为所有意图标签中的任意一个；
计算所述目标意图标签的双曲向量集合中所有双曲向量的均值作为所述目标意图标签的双曲标准向量，所述双曲标准向量满足关系式：
Figure BDA0003780989610000171
其中，M为目标意图标签的双曲向量集合中所有双曲向量的数量，hk为目标意图标签的双曲向量集合中第k个双曲向量，
Figure BDA0003780989610000172
为目标意图标签的双曲标准向量，
Figure BDA0003780989610000173
为双曲空间中的莫比乌斯加，c为所述双曲空间的预设曲率；
遍历所有意图标签以获取每一种意图标签的双曲标准向量。
其中，所述双曲空间的预设曲率c的取值为1。
在一个可选的实施例中，意图识别单元114用于采集待识别沟通文本，将所述待识别沟通文本输入所述第二双曲嵌入网络以获取待识别双曲向量，并对比所述待识别双曲向量和每一种意图标签的双曲标准向量以获取所述待识别沟通文本的意图识别结果。
在一个可选的实施例中，所述待识别沟通文本为任意一个用户与智能客服沟通过程中产生的实时沟通文本；将所述待识别沟通文本输入所述第二双曲嵌入网络，即可获取所述待识别沟通文本的双曲向量。
在一个可选的实施例中，所述对比所述待识别双曲向量和每一种意图标签的双曲标准向量以获取所述待识别沟通文本的意图识别结果包括：
计算所述待识别双曲向量与每一种意图标签的双曲标准向量的双曲距离；
选取所有双曲距离的最小值对应的意图标签作为所述待识别沟通文本的意图识别结果。
其中，所述意图识别结果为用户与智能客服沟通过程中该用户想要咨询的预设问题。
由以上技术方案可以看出，本申请获取不同沟通文本在双曲空间中的双曲向量，得到不同沟通文本之间的层次关系，进一步依据沟通文本的意图标签得到每一种意图标签对应的双曲标准向量，对比待识别沟通文本的双曲向量与每一种意图标签的双曲标准向量在双曲空间中的距离即可得到意图识别结果，能够借助双曲空间中对层次关系的表达能力，提高意图识别的准确性。
请参见图3，是本申请实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行所述储器中存储的计算机可读指令以实现上述任一实施例所述的基于人工智能的用户意图识别方法。
在一个可选的实施例中，电子设备1还包括总线、存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于人工智能的用户意图识别程序。
图3仅示出了具有存储器12和处理器13的电子设备1，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。
结合图1，电子设备1中的所述存储器12存储多个计算机可读指令以实现一种基于人工智能的用户意图识别方法，所述处理器13可执行所述多个指令从而实现：
储存每一个用户的沟通文本和沟通文本的意图标签以获取文本数据库，所述沟通文本的意图标签为所述沟通文本对应的用户需要咨询的预设问题的ID信息；
基于所述文本数据库训练第一双曲嵌入网络以获取第二双曲嵌入网络；
基于所述第二双曲嵌入网络获取所述文本数据库中每一个沟通文本在双曲空间中的双曲向量；
基于所有沟通文本的双曲向量和意图标签计算每一种意图标签的双曲标准向量；
采集待识别沟通文本，将所述待识别沟通文本输入所述第二双曲嵌入网络以获取待识别双曲向量，并对比所述待识别双曲向量和每一种意图标签的双曲标准向量以获取所述待识别沟通文本的意图识别结果。
具体地，所述处理器13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。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，电子设备1可以是总线型结构，也可以是星形结构，电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。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。存储器12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。存储器12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(Secure Digital,SD)卡、闪存卡(Flash Card)等。存储器12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，例如基于人工智能的用户意图识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13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。处理器13是电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的用户意图识别程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的用户意图识别方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成储存单元110、训练单元111、获取单元112、计算单元113、意图识别单元114。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(Processor)执行本申请各个实施例所述的基于人工智能的用户意图识别方法的部分。
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。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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)、随机存储器及其他存储器等。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
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。
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。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
本申请实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的用户意图识别方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，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，在本申请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。
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。说明书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申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种基于人工智能的用户意图识别方法，其特征在于，所述方法包括：
储存每一个用户的沟通文本和沟通文本的意图标签以获取文本数据库，所述沟通文本的意图标签为所述沟通文本对应的用户需要咨询的预设问题的ID信息；
基于所述文本数据库训练第一双曲嵌入网络以获取第二双曲嵌入网络；
基于所述第二双曲嵌入网络获取所述文本数据库中每一个沟通文本在双曲空间中的双曲向量；
基于所有沟通文本的双曲向量和意图标签计算每一种意图标签的双曲标准向量；
采集待识别沟通文本，将所述待识别沟通文本输入所述第二双曲嵌入网络以获取待识别双曲向量，并对比所述待识别双曲向量和每一种意图标签的双曲标准向量以获取所述待识别沟通文本的意图识别结果。
2.如权利要求1所述的基于人工智能的用户意图识别方法，其特征在于，所述储存每一个用户的沟通文本和沟通文本的意图标签以获取文本数据库，包括：
依据业务场景设置多个预设问题和每一个预设问题的ID信息，所述预设问题的ID信息为所述预设问题的唯一标识；
在人工客服与用户的单次沟通记录中，若用户的咨询问题为所述多个预设问题中的任意一个，则采集所述单次沟通记录中所述咨询问题之前的沟通记录作为沟通文本，并将预设问题的ID信息作为所述沟通文本的意图标签，得到一组训练样本；
遍历每一个人工客服与所有用户的所有单次沟通记录以获取多组训练样本；
储存所有训练样本以获取文本数据库。
3.如权利要求1所述的基于人工智能的用户意图识别方法，其特征在于，所述基于所述文本数据库训练第一双曲嵌入网络以获取第二双曲嵌入网络包括：
搭建第一双曲嵌入网络；
从所述文本数据库的所有沟通文本中随机选取一个沟通文本作为目标文本，并将所述目标文本的意图标签作为目标意图标签；
将所述文本数据库中同一意图标签的所有沟通文本作为所述意图标签的沟通文本集，所述沟通文本集与不同意图标签的数量相同；
从每一种意图标签的沟通文本集中随机选取一个待匹配沟通文本，所述目标意图标签对应的待匹配沟通文本与所述目标文本构成一组正样本对，将所述目标意图标签之外的每一个待匹配沟通文本与所述目标文本构成多组负样本对；
基于所述正样本对和所述多组负样本对计算预设损失函数的数值；
基于所述预设损失函数和黎曼优化器更新所述第一双曲嵌入网络，完成一次训练；
不断从所述文本数据库中选取新的目标文本以完成多次训练，当所述预设损失函数的数值不再变化时，停止训练得到第二双曲嵌入网络，所述第二双曲嵌入网络的输入为沟通文本，输出为所述沟通文本在双曲空间中的双曲向量，所述双曲向量可以表示沟通文本在双曲空间中的语义特征。
4.如权利要求3所述的基于人工智能的用户意图识别方法，其特征在于，所述基于所述正样本对和所述多组负样本对计算预设损失函数的数值包括：
将所述正样本对中的两个沟通文本依次输入所述第一双曲嵌入网络以获取每一个沟通文本的输出结果；
计算所述正样本对中两个沟通文本的输出结果在双曲空间中的双曲距离作为正样本距离，所述双曲距离满足关系式：
Figure FDA0003780989600000021
其中，u和v分别表示所述正样本对中的两个沟通文本的输出结果，
Figure FDA0003780989600000022
为莫比乌斯加法，c为所述双曲空间的预设曲率，
Figure FDA0003780989600000023
表示计算
Figure FDA0003780989600000024
的欧氏距离，d(u,v)为u和v的双曲距离；
按照相同的方法计算每一组负样本对中两个沟通文本的输出结果在双曲空间中的双曲距离以获取每一组负样本对的负样本距离；
基于所述正样本距离和所述负样本距离计算预设损失函数的数值，所述预设损失函数满足关系式：
Figure FDA0003780989600000031
其中，d+表示正样本距离，N为负样本对的数量，
Figure FDA0003780989600000032
为第j组负样本对的负样本距离，Loss为预设损失函数的数值。
5.如权利要求3所述的基于人工智能的用户意图识别方法，其特征在于，所述基于所述预设损失函数和黎曼优化器更新所述第一双曲嵌入网络，完成一次训练，包括：
基于所述预设损失函数计算所述第一双曲嵌入网络的参数在双曲空间中的黎曼梯度，所述黎曼梯度满足关系式：
Figure FDA0003780989600000033
其中，θ为所述第一双曲嵌入网络的参数；
Figure FDA0003780989600000034
表示所述预设损失函数对θ求导，得到所述第一双曲嵌入网络的参数在欧氏空间中的梯度值；c为所述双曲空间的预设曲率，g(θ)为第一双曲嵌入网络的参数的黎曼梯度；
基于所述黎曼梯度和黎曼优化器更新所述第一双曲嵌入网络的参数，所述更新过程满足关系式：
θ′＝θ-ηtg(θ)
其中，θ′为所述第一双曲嵌入网络更新后的参数，θ为所述第一双曲嵌入网络更新前的参数，ηt为预设学习率。
6.如权利要求1所述的基于人工智能的用户意图识别方法，其特征在于，所述基于所有沟通文本的双曲向量和意图标签计算每一种意图标签的双曲标准向量包括：
将同一意图标签的所有沟通文本作为所述意图标签的沟通文本集；
获取目标意图标签的沟通文本集中每一个沟通文本的双曲向量以获取所述目标意图标签的双曲向量集合，所述目标意图标签为所有意图标签中的任意一个；
计算所述目标意图标签的双曲向量集合中所有双曲向量的均值作为所述目标意图标签的双曲标准向量，所述双曲标准向量满足关系式：
Figure FDA0003780989600000041
其中，M为目标意图标签的双曲向量集合中所有双曲向量的数量，hk为目标意图标签的双曲向量集合中第k个双曲向量，
Figure FDA0003780989600000042
为目标意图标签的双曲标准向量，
Figure FDA0003780989600000043
为双曲空间中的莫比乌斯加，c为所述双曲空间的预设曲率；
遍历所有意图标签以获取每一种意图标签的双曲标准向量。
7.如权利要求1所述的基于人工智能的用户意图识别方法，其特征在于，所述对比所述待识别双曲向量和每一种意图标签的双曲标准向量以获取所述待识别沟通文本的意图识别结果包括：
计算所述待识别双曲向量与每一种意图标签的双曲标准向量的双曲距离；
选取所有双曲距离的最小值对应的意图标签作为所述待识别沟通文本的意图识别结果。
8.一种基于人工智能的用户意图识别装置，其特征在于，所述装置包括：
储存单元，用于储存每一个用户的沟通文本和沟通文本的意图标签以获取文本数据库，所述沟通文本的意图标签为所述沟通文本对应的用户需要咨询的预设问题的ID信息；
训练单元，用于基于所述文本数据库训练第一双曲嵌入网络以获取第二双曲嵌入网络；
获取单元，用于基于所述第二双曲嵌入网络获取所述文本数据库中每一个沟通文本在双曲空间中的双曲向量；
计算单元，用于基于所有沟通文本的双曲向量和意图标签计算每一种意图标签的双曲标准向量；
意图识别单元，用于采集待识别沟通文本，将所述待识别沟通文本输入所述第二双曲嵌入网络以获取待识别双曲向量，并对比所述待识别双曲向量和每一种意图标签的双曲标准向量以获取所述待识别沟通文本的意图识别结果。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的基于人工智能的用户意图识别方法。
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中任一项所述的基于人工智能的用户意图识别方法。
CN202210929415.1A 2022-08-03 2022-08-03 基于人工智能的用户意图识别方法及相关设备 Pending CN115169360A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210929415.1A CN115169360A (zh) 2022-08-03 2022-08-03 基于人工智能的用户意图识别方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210929415.1A CN115169360A (zh) 2022-08-03 2022-08-03 基于人工智能的用户意图识别方法及相关设备

Publications (1)

Publication Number Publication Date
CN115169360A true CN115169360A (zh) 2022-10-11

Family

ID=83476603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210929415.1A Pending CN115169360A (zh) 2022-08-03 2022-08-03 基于人工智能的用户意图识别方法及相关设备

Country Status (1)

Country Link
CN (1) CN115169360A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115688742A (zh) * 2022-12-08 2023-02-03 宋杨 基于人工智能的用户数据分析方法及ai系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115688742A (zh) * 2022-12-08 2023-02-03 宋杨 基于人工智能的用户数据分析方法及ai系统
CN115688742B (zh) * 2022-12-08 2023-10-31 北京国联视讯信息技术股份有限公司 基于人工智能的用户数据分析方法及ai系统

Similar Documents

Publication Publication Date Title
CN112417096B (zh) 问答对匹配方法、装置、电子设备及存储介质
CN112860848B (zh) 信息检索方法、装置、设备及介质
CN113656547B (zh) 文本匹配方法、装置、设备及存储介质
CN115237802A (zh) 基于人工智能的模拟测试方法及相关设备
CN111798123A (zh) 基于人工智能的合规性评价方法、装置、设备及介质
CN113283675A (zh) 指标数据分析方法、装置、设备及存储介质
CN110597956A (zh) 一种搜索方法、装置及存储介质
CN115222443A (zh) 客户群体划分方法、装置、设备及存储介质
CN114037545A (zh) 客户推荐方法、装置、设备及存储介质
CN112507095A (zh) 基于弱监督学习的信息识别方法及相关设备
CN115063589A (zh) 基于知识蒸馏的车辆部件分割方法及相关设备
CN112214515A (zh) 数据自动匹配方法、装置、电子设备及存储介质
CN114706985A (zh) 文本分类方法、装置、电子设备及存储介质
CN112214588A (zh) 多意图识别方法、装置、电子设备及存储介质
CN113342977B (zh) 发票图像分类方法、装置、设备及存储介质
CN115169360A (zh) 基于人工智能的用户意图识别方法及相关设备
CN114860742A (zh) 基于人工智能的ai客服交互方法、装置、设备及介质
CN112395401B (zh) 自适应负样本对采样方法、装置、电子设备及存储介质
CN114581177B (zh) 产品推荐方法、装置、设备及存储介质
CN116150185A (zh) 基于人工智能的数据标准提取方法、装置、设备及介质
CN116757207A (zh) 基于人工智能的icd自动编码方法及相关设备
CN113627186B (zh) 基于人工智能的实体关系检测方法及相关设备
CN116503608A (zh) 基于人工智能的数据蒸馏方法及相关设备
CN113240325B (zh) 数据处理方法、装置、设备及存储介质
CN113516205B (zh) 基于人工智能的员工稳定性分类方法及相关设备

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