CN115221323A - 基于意图识别模型的冷启动处理方法、装置、设备及介质 - Google Patents

基于意图识别模型的冷启动处理方法、装置、设备及介质 Download PDF

Info

Publication number
CN115221323A
CN115221323A CN202210869686.2A CN202210869686A CN115221323A CN 115221323 A CN115221323 A CN 115221323A CN 202210869686 A CN202210869686 A CN 202210869686A CN 115221323 A CN115221323 A CN 115221323A
Authority
CN
China
Prior art keywords
service
corpus
intention
model
business
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
CN202210869686.2A
Other languages
English (en)
Inventor
吴青松
陈范曙
王燕蒙
王少军
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 Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210869686.2A priority Critical patent/CN115221323A/zh
Publication of CN115221323A publication Critical patent/CN115221323A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/151—Transformation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/169—Annotation, e.g. comment data or footnotes
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种基于意图识别模型的冷启动处理方法，包括：获取历史业务语料，利用文本聚类模型对历史业务语料进行业务归类，得到业务类簇；提取业务类簇的中心语句和关键词，对业务类簇进行业务语料的筛选，得到业务语料意图；对业务语料意图进行语料批量标注，得到标注语料；对意图识别模型进行训练，得到业务意图识别模型；对业务意图识别模型进行模型上线，得到意图识别上线模型，根据意图识别上线模型对业务进行冷启动。此外，本发明还涉及区块链技术，历史业务语料可存储于区块链的节点。本发明还提出一种基于意图识别模型的冷启动处理装置、电子设备以及存储介质。本发明可以提高业务的启动效率。

Description

基于意图识别模型的冷启动处理方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于意图识别模型的冷启动处理方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人们业务需求的多样化，识别不同的业务意图就格外重要，但为了识别出不同的业务意图，提高业务意图识别的准确性，需要构建业务意图识别模型，以进行业务意图的识别。
现有的意图识别模型中多为业务运营人员需要根据业务详情梳理出业务流程和步骤，归纳出该业务流程中的意图，例如，用户购买保险时，需要一系列的流程步骤。实际应用中，需要将实际业务中出现的业务流程用不同的表达方法表现出来，仅考虑表达方法的多样性，可能导致语料之间就会出现较多的语义混淆，模型识别率会很低，从而对进行业务启动的效率较低。
发明内容
本发明提供一种基于意图识别模型的冷启动处理方法、装置及计算机可读存储介质，其主要目的在于解决进行业务启动的效率较低的问题。
为实现上述目的，本发明提供的一种基于意图识别模型的冷启动处理方法，包括：
获取历史业务语料，以及利用预设的文本聚类模型对所述历史业务语料进行业务归类，得到业务类簇；
提取所述业务类簇的中心语句和关键词，以及根据所述中心语句和所述关键词对所述业务类簇进行业务语料的筛选，得到业务语料意图；
对所述业务语料意图进行语料批量标注，得到标注语料；
将所述业务语料意图和所述标注语料输入至预设的意图识别模型进行训练，得到业务意图识别模型；
对所述业务意图识别模型进行模型上线，得到意图识别上线模型，以及根据所述意图识别上线模型对业务进行冷启动。
可选地，所述利用预设的文本聚类模型对所述历史业务语料进行业务归类，得到业务类簇，包括：
对所述历史业务语料进行分词处理，得到业务语料分词；
将所述业务语料分词中的停用词进行过滤，得到业务语料过滤分词；
利用预设的向量转换模型将所述业务语料过滤分词进行向量转换，得到业务语料向量；
利用预设的文本聚类模型根据预设的类簇数目和预设的业务语义对所述业务语料向量进行业务划分，得到业务类簇。
可选地，所述利用预设的文本聚类模型根据所述类簇数目和预设的业务语义对所述业务语料向量进行业务划分，得到业务类簇，包括：
根据所述类簇数目和所述业务语义选取业务语料向量为初始的聚类中心；
计算每个未被选取的所述业务语料向量与所述聚类中心的距离值；
选取距离值最小的业务语料向量为更新业务语料向量；
汇集所述更新业务语料向量为业务类簇，并返回计算每个未被选取的所述业务语料向量与所述聚类中心的距离值的步骤，直至所有业务语料向量完成汇集。
可选地，所述及根据所述中心语句和所述关键词对所述业务类簇进行业务语料的筛选，得到业务语料意图，包括：
利用预设的层次分析法确定所述中心语句和所述关键词的第一指标权重；
确定所述业务类簇中业务语料的第二指标权重；
计算所述第一权重和所述第二权重的绝对差值；
选取绝对差值最小的业务语料为所述业务语料意图。
可选地，所述利用预设的层次分析法确定所述中心语句和所述关键词的第一指标权重，包括：
利用所述层次分析法构建所述中心语句和所述关键词的层次化模型；
根据所述层次化模型确定所述中心语句和所述关键词的特征矩阵；
计算所述特征矩阵的权重向量；
对所述权重向量进行归一化处理，得到所述中心语句和所述关键词的第一指标权重。
可选地，，所述将所述业务语料意图和所述标注语料输入至预设的意图识别模型进行训练，得到业务意图识别模型，包括：
将所述业务语料意图和所述标注语料输入至所述意图识别模型，得到业务意图数据集；
根据所述业务意图数据集和预设的损失函数计算所述意图识别模型的损失值；
当所述损失值小于预设的损失阈值时，输出当前的意图识别模型为业务意图识别模型。
可选地，所述对所述业务意图识别模型进行模型上线，得到意图识别上线模型，包括：
将待分析的业务意图输入至所述业务意图识别模型进行意图识别，得到意图语料；
计算所述意图语料与预设数据库中意图语料的的相似度；
确定相似度最高的意图语料为预设的业务场景对应的业务意图语料；
根据所述业务意图语料确定意图识别上线模型。
为了解决上述问题，本发明还提供一种基于意图识别模型的冷启动处理装置，所述装置包括：
历史业务语料归类模块，用于获取历史业务语料，以及利用预设的文本聚类模型对所述历史业务语料进行业务归类，得到业务类簇；
业务语料筛选模块，用于提取所述业务类簇的中心语句和关键词，以及根据所述中心语句和所述关键词对所述业务类簇进行业务语料的筛选，得到业务语料意图；
业务语料意图标注模块，用于对所述业务语料意图进行语料批量标注，得到标注语料；
意图识别模型训练模块，用于将所述业务语料意图和所述标注语料输入至预设的意图识别模型进行训练，得到业务意图识别模型；
业务意图识别模型上线模块，用于对所述业务意图识别模型进行模型上线，得到意图识别上线模型，以及根据所述意图识别上线模型对业务进行冷启动。
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计算机程序，所述计算机程序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所述的基于意图识别模型的冷启动处理方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于意图识别模型的冷启动处理方法。
本发明实施例能够从历史业务语料中收集真实的业务语料，通过文本聚类模型将业务语料归类为多个不同的类簇，得到业务类簇，对所述业务类簇进行业务语料标注，快速构建出意图识别模型所需要的意图和语料，将所述意图和语料输入模型，能够训练出业务意图识别模型，降低冷启动过程中对于标注语料的数量要求，缩短业务冷启动的准备时间。因此本发明提出的基于意图识别模型的冷启动处理方法，可以解决对业务进行启动的效率较低。
附图说明
图1为本发明一实施例提供的基于意图识别模型的冷启动处理方法的流程示意图；
图2为本发明一实施例提供的归类历史业务语料的流程示意图；
图3为本发明一实施例提供的筛选业务语料的流程示意图；
图4为本发明一实施例提供的基于意图识别模型的冷启动处理装置的功能模块图；
图5为本发明一实施例提供的实现所述基于意图识别模型的冷启动处理方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于意图识别模型的冷启动处理方法。所述基于意图识别模型的冷启动处理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于意图识别模型的冷启动处理方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery 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。
参照图1所示，为本发明一实施例提供的基于意图识别模型的冷启动处理方法的流程示意图。在本实施例中，所述基于意图识别模型的冷启动处理方法包括：
S1、获取历史业务语料，以及利用预设的文本聚类模型对所述历史业务语料进行业务归类，得到业务类簇；
本发明实施例中，所述历史业务语料是指从不同业务记录中收集的真实语料，在业务中会有各种历史数据，例如，对话记录、通话日志等。
详细地，可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先确定的存储区域抓取存储的历史业务语料，所述存储区域包括但不限于数据库、区块链节点、网络缓存。
进一步地，在收集的真实业务语料或者历史日志中，有可能包含一些无用的信息、或者语料过长等情况，需要从中筛选符合要求的业务语料，对所述业务语料进行断句、纠错等处理，以便文本聚类时能够保证业余语料之间没有交叉和混淆。
本发明实施例中，参图2所示，所述利用预设的文本聚类模型对所述历史业务语料进行业务归类，得到业务类簇，包括：
S21、对所述历史业务语料进行分词处理，得到业务语料分词；
S22、将所述业务语料分词中的停用词进行过滤，得到业务语料过滤分词；
S23、利用预设的向量转换模型将所述业务语料过滤分词进行向量转换，得到业务语料向量；
S24、利用预设的文本聚类模型根据预设的类簇数目和预设的业务语义对所述业务语料向量进行业务划分，得到业务类簇。
详细地，可利用具有分词处理功能的ICTCLAS(中文分词工具)对所述历史业务语料进行分词处理，其中，分词处理是根据句子或文章中的语法结构将其中包含的词一个一个地划分开来。
具体地，所述停用词是指在这些词汇中存在一些对文本内容识别意义不大的词，比如“的、地、在、那么、如果”等一些不具有实在意义的介词、副词、连词等虚词，其中，词性过滤是指根据分词结果的词性标注信息，只保留名词、动词、量词等具有实在意义的词，去掉没有实在意义的虚词。
进一步地，利用预设的向量转换模型将所述业务语料过滤分词进行向量转换，得到业务语料向量，所述向量转换模型包括但不限于word2vec模型、Bert模型，其中，所述类簇数目参数可以动态调整，如果所述类簇数目为k，即将包含n个语料数量的集合划分成k组，每组代表一个簇。
本发明实施例中，所述文本聚类模型是将相似度较大的文本聚在同一个类中，而相似度较小的聚在不同的类中，基于向量空间模型的相似性度量方法，所述文本聚类模型，其中，所述文本聚类模型包括但不限于k均值方法。
本发明实施例中，所述利用预设的文本聚类模型根据所述类簇数目和预设的业务语义对所述业务语料向量进行业务划分，得到业务类簇，包括：根据所述类簇数目和所述业务语义选取业务语料向量为初始的聚类中心；计算每个未被选取的所述业务语料向量与所述聚类中心的距离值；选取距离值最小的业务语料向量为更新业务语料向量；汇集所述更新业务语料向量为业务类簇，并返回计算每个未被选取的所述业务语料向量与所述聚类中心的距离值的步骤，直至所有业务语料向量完成汇集。
详细地，所述计算每个未被选取的所述业务语料向量与所述聚类中心的距离值，包括：
利用如下距离值算法计算所述业务语料向量与所述聚类中心的距离值：
Figure BDA0003760078870000061
其中，D为所述距离值，t为所述聚类中心的向量，ki为第i个未被选取的业务语料向量。
示例性地，假如类簇数目是k，语料向量为n，在所述业务语料向量中选取k个语料向量作为初始的聚类中心，计算余下的n-k个业务语料向量与所述聚类中心的距离值，将距离值小的业务语料向量更新至类簇数目中，最后将更新后的业务语料向量作为业务类簇。
S2、提取所述业务类簇的中心语句和关键词，以及根据所述中心语句和所述关键词对所述业务类簇进行业务语料的筛选，得到业务语料意图；
本发明实施例中，所述中心语句和关键词是根据业务类型和业务语义进行中心语句和关键词的选择，用于剔除业务意图不相符的业务语料。例如，在办理银行业务时，所述中心语句可以是业务人员办理银行卡等，所述关键词可以是银行卡，存折，取钱，存钱等，在进行投资时，可以根据基金、投资者、市场、风险、产品等关键词在所述业务类簇中进行业务语料的选择。
详细地，可利用具有数据抓取功能的计算机语句(如java语句、python语句等)提取所述业务类簇的中心语句和关键词。
本发明实施例中，参图3所示，所述及根据所述中心语句和所述关键词对所述业务类簇进行业务语料的筛选，得到业务语料意图，包括：
S31、利用预设的层次分析法确定所述中心语句和所述关键词的第一指标权重；
S32、确定所述业务类簇中业务语料的第二指标权重；
S33、计算所述第一权重和所述第二权重的绝对差值；
S34、选取绝对差值最小的业务语料为所述业务语料意图。
具体地，所述层次分析法，简称AHP，是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法，是一种层次权重决策分析方法。
详细地，所述利用预设的层次分析法确定所述中心语句和所述关键词的第一指标权重，包括：利用所述层次分析法构建所述中心语句和所述关键词的层次化模型；根据所述层次化模型确定所述中心语句和所述关键词的特征矩阵；计算所述特征矩阵的权重向量；对所述权重向量进行归一化处理，得到所述中心语句和所述关键词的第一指标权重。
详细地，确定所述业务类簇中业务语料的第二指标权重与所述利用预设的层次分析法确定确定所述中心语句和所述关键词的第一指标权重的步骤一致，在此不再赘述。
S3、对所述业务语料意图进行语料批量标注，得到标注语料；
本发明实施例中，语料标注是对原始浯料进行加工，把各种表示语言特征的标签标注在相应的语言成分上，以便于计算机的识别和读取。包括：实体标注、词性标注、句法标注、分类标注、情感标注、篇章关系标注等，其中，可利用运营或标注人员对所述业务语料意图进行语料批量标注，得到标注语料，所述批量标注就是对业务类簇进行标注。
本发明其中一个实际应用场景中，根据所述业务类簇的中心语句和关键词，剔除业务意图不相符的语料，将剩余其他的语料通过运营或标注人员标注为正确的业务意图。通常情况下，一个经验丰富的运营人员一天只能标注200条语句，但通过批量标注，一天能标注1200条以上。将语料根据业务场景进行标注，例如，用户要进行购买车保险时，首先要选择保险产品，了解此保险产品的保险额度，最终选择要购买的保险产品。标注人员根据业务场景对保险、保险产品、保险额度等关键词进行标注，根据业务意图进行语料标注，可以更好地训练业务意图识别模型。
S4、将所述业务语料意图和所述标注语料输入至预设的意图识别模型进行训练，得到业务意图识别模型；
本发明实施例中，所述业务意图识别模型可以根据不同的业务场景识别出用户的业务意图，例如，“我想办一张储蓄卡”、“我的银行卡丢了”的描述都可以根据意图识别模型识别出用户可能会办银行卡。
本发明实施例中，所述将所述业务语料意图和所述标注语料输入至预设的意图识别模型进行训练，得到业务意图识别模型，包括：将所述业务语料意图和所述标注语料输入至所述意图识别模型，得到业务意图数据集；根据所述业务意图数据集和预设的损失函数计算所述意图识别模型的损失值；当所述损失值小于预设的损失阈值时，输出当前的意图识别模型为业务意图识别模型。
具体地，所述根据所述业务意图数据集和预设的损失函数计算所述意图识别模型的损失值，包括：
所述预设的损失函数如下所示：
Figure BDA0003760078870000091
其中，L(s)为损失值，ti ′为所述业务意图数据集中的业务意图数据，yi为预设的真实业务意图数据，k为所述业务意图数据集的样本数量。
S5、对所述业务意图识别模型进行模型上线，得到意图识别上线模型，以及根据所述意图识别上线模型对业务进行冷启动。
本发明实施例中，冷启动是指标注语料的数量少，缺乏有价值的数据，当所述业务语料之间出现较多的语义混淆，所述业务意图识别模型的识别率就会降低，业务进行冷启动的准备时间也会很长。
详细地，所述模型上线是指简化并使用该业务意图识别模型的识别能力，使其能快速、高效地对未知的数据进行操作，以获得预期的结果。
本发明实施例中，所述对所述业务意图识别模型进行模型上线，得到意图识别上线模型，包括：将待分析的业务意图输入至所述业务意图识别模型进行意图识别，得到意图语料；计算所述意图语料与预设数据库中意图语料的的相似度；确定相似度最高的意图语料为预设的业务场景对应的业务意图语料；根据所述业务意图语料确定意图识别上线模型。
详细地，当所述待分析业务意图输入至所述业务意图识别模型可以得到与预设的数据库中的业务意图语料相似，根据所述业务意图语料就可以确定意图识别上线模型，说明所述意图识别上线模型可以根据所述业务意图识别出业务意图语料，从而使业务的启动效率提高，提高用户对于业务办理的满意度。
本发明实施例中，根据所述意图识别上线模型可以降低冷启动过程中对于标注语料的数量要求，缩减冷启动的准备时间，大大降低冷启动技术门槛和标注成本，加快业务的启动和上线周期，使企业和服务快速实现智能化，以实现根据所述意图识别上线模型对业务进行冷启动。
本发明实施例能够从历史业务语料中收集真实的业务语料，通过文本聚类模型将业务语料归类为多个不同的类簇，得到业务类簇，对所述业务类簇进行业务语料标注，快速构建出意图识别模型所需要的意图和语料，将所述意图和语料输入模型，能够训练出业务意图识别模型，降低冷启动过程中对于标注语料的数量要求，缩短业务冷启动的准备时间。因此本发明提出的基于意图识别模型的冷启动处理方法，可以解决对业务进行启动的效率较低。
如图4所示，是本发明一实施例提供的基于意图识别模型的冷启动处理装置的功能模块图。
本发明所述基于意图识别模型的冷启动处理装置100可以安装于电子设备中。根据实现的功能，所述基于意图识别模型的冷启动处理装置100可以包括历史业务语料归类模块101、业务语料筛选模块102、业务语料意图标注模块103、意图识别模型训练模块104及业务意图识别模型上线模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述历史业务语料归类模块101，用于获取历史业务语料，以及利用预设的文本聚类模型对所述历史业务语料进行业务归类，得到业务类簇；
所述业务语料筛选模块102，用于提取所述业务类簇的中心语句和关键词，以及根据所述中心语句和所述关键词对所述业务类簇进行业务语料的筛选，得到业务语料意图；
所述业务语料意图标注模块103，用于对所述业务语料意图进行语料批量标注，得到标注语料；
所述意图识别模型训练模块104，用于将所述业务语料意图和所述标注语料输入至预设的意图识别模型进行训练，得到业务意图识别模型；
所述业务意图识别模型上线模块105，用于对所述业务意图识别模型进行模型上线，得到意图识别上线模型，以及根据所述意图识别上线模型对业务进行冷启动。
详细地，本发明实施例中所述基于意图识别模型的冷启动处理装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于意图识别模型的冷启动处理方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于意图识别模型的冷启动处理方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于意图识别模型的冷启动处理程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于意图识别模型的冷启动处理程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于意图识别模型的冷启动处理程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中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，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于意图识别模型的冷启动处理程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取历史业务语料，以及利用预设的文本聚类模型对所述历史业务语料进行业务归类，得到业务类簇；
提取所述业务类簇的中心语句和关键词，以及根据所述中心语句和所述关键词对所述业务类簇进行业务语料的筛选，得到业务语料意图；
对所述业务语料意图进行语料批量标注，得到标注语料；
将所述业务语料意图和所述标注语料输入至预设的意图识别模型进行训练，得到业务意图识别模型；
对所述业务意图识别模型进行模型上线，得到意图识别上线模型，以及根据所述意图识别上线模型对业务进行冷启动。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取历史业务语料，以及利用预设的文本聚类模型对所述历史业务语料进行业务归类，得到业务类簇；
提取所述业务类簇的中心语句和关键词，以及根据所述中心语句和所述关键词对所述业务类簇进行业务语料的筛选，得到业务语料意图；
对所述业务语料意图进行语料批量标注，得到标注语料；
将所述业务语料意图和所述标注语料输入至预设的意图识别模型进行训练，得到业务意图识别模型；
对所述业务意图识别模型进行模型上线，得到意图识别上线模型，以及根据所述意图识别上线模型对业务进行冷启动。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于意图识别模型的冷启动处理方法，其特征在于，所述方法包括：
获取历史业务语料，以及利用预设的文本聚类模型对所述历史业务语料进行业务归类，得到业务类簇；
提取所述业务类簇的中心语句和关键词，以及根据所述中心语句和所述关键词对所述业务类簇进行业务语料的筛选，得到业务语料意图；
对所述业务语料意图进行语料批量标注，得到标注语料；
将所述业务语料意图和所述标注语料输入至预设的意图识别模型进行训练，得到业务意图识别模型；
对所述业务意图识别模型进行模型上线，得到意图识别上线模型，以及根据所述意图识别上线模型对业务进行冷启动。
2.如权利要求1所述的基于意图识别模型的冷启动处理方法，其特征在于，所述利用预设的文本聚类模型对所述历史业务语料进行业务归类，得到业务类簇，包括：
对所述历史业务语料进行分词处理，得到业务语料分词；
将所述业务语料分词中的停用词进行过滤，得到业务语料过滤分词；
利用预设的向量转换模型将所述业务语料过滤分词进行向量转换，得到业务语料向量；
利用预设的文本聚类模型根据预设的类簇数目和预设的业务语义对所述业务语料向量进行业务划分，得到业务类簇。
3.如权利要求2所述的基于意图识别模型的冷启动处理方法，其特征在于，所述利用预设的文本聚类模型根据所述类簇数目和预设的业务语义对所述业务语料向量进行业务划分，得到业务类簇，包括：
根据所述类簇数目和所述业务语义选取业务语料向量为初始的聚类中心；
计算每个未被选取的所述业务语料向量与所述聚类中心的距离值；
选取距离值最小的业务语料向量为更新业务语料向量；
汇集所述更新业务语料向量为业务类簇，并返回计算每个未被选取的所述业务语料向量与所述聚类中心的距离值的步骤，直至所有业务语料向量完成汇集。
4.如权利要求1所述的基于意图识别模型的冷启动处理方法，其特征在于，所述及根据所述中心语句和所述关键词对所述业务类簇进行业务语料的筛选，得到业务语料意图，包括：
利用预设的层次分析法确定所述中心语句和所述关键词的第一指标权重；
确定所述业务类簇中业务语料的第二指标权重；
计算所述第一权重和所述第二权重的绝对差值；
选取绝对差值最小的业务语料为所述业务语料意图。
5.如权利要求4所述的基于意图识别模型的冷启动处理方法，其特征在于，所述利用预设的层次分析法确定所述中心语句和所述关键词的第一指标权重，包括：
利用所述层次分析法构建所述中心语句和所述关键词的层次化模型；
根据所述层次化模型确定所述中心语句和所述关键词的特征矩阵；
计算所述特征矩阵的权重向量；
对所述权重向量进行归一化处理，得到所述中心语句和所述关键词的第一指标权重。
6.如权利要求1至5中任一项所述的基于意图识别模型的冷启动处理方法，其特征在于，所述将所述业务语料意图和所述标注语料输入至预设的意图识别模型进行训练，得到业务意图识别模型，包括：
将所述业务语料意图和所述标注语料输入至所述意图识别模型，得到业务意图数据集；
根据所述业务意图数据集和预设的损失函数计算所述意图识别模型的损失值；
当所述损失值小于预设的损失阈值时，输出当前的意图识别模型为业务意图识别模型。
7.如权利要求1所述的基于意图识别模型的冷启动处理方法，其特征在于，所述对所述业务意图识别模型进行模型上线，得到意图识别上线模型，包括：
将待分析的业务意图输入至所述业务意图识别模型进行意图识别，得到意图语料；
计算所述意图语料与预设数据库中意图语料的的相似度；
确定相似度最高的意图语料为预设的业务场景对应的业务意图语料；
根据所述业务意图语料确定意图识别上线模型。
8.一种基于意图识别模型的冷启动处理装置，其特征在于，所述装置包括：
历史业务语料归类模块，用于获取历史业务语料，以及利用预设的文本聚类模型对所述历史业务语料进行业务归类，得到业务类簇；
业务语料筛选模块，用于提取所述业务类簇的中心语句和关键词，以及根据所述中心语句和所述关键词对所述业务类簇进行业务语料的筛选，得到业务语料意图；
业务语料意图标注模块，用于对所述业务语料意图进行语料批量标注，得到标注语料；
意图识别模型训练模块，用于将所述业务语料意图和所述标注语料输入至预设的意图识别模型进行训练，得到业务意图识别模型；
业务意图识别模型上线模块，用于对所述业务意图识别模型进行模型上线，得到意图识别上线模型，以及根据所述意图识别上线模型对业务进行冷启动。
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计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于意图识别模型的冷启动处理方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于意图识别模型的冷启动处理方法。
CN202210869686.2A 2022-07-21 2022-07-21 基于意图识别模型的冷启动处理方法、装置、设备及介质 Pending CN115221323A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210869686.2A CN115221323A (zh) 2022-07-21 2022-07-21 基于意图识别模型的冷启动处理方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210869686.2A CN115221323A (zh) 2022-07-21 2022-07-21 基于意图识别模型的冷启动处理方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115221323A true CN115221323A (zh) 2022-10-21

Family

ID=83613590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210869686.2A Pending CN115221323A (zh) 2022-07-21 2022-07-21 基于意图识别模型的冷启动处理方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115221323A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115408509A (zh) * 2022-11-01 2022-11-29 杭州一知智能科技有限公司 一种意图识别方法、系统、电子设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115408509A (zh) * 2022-11-01 2022-11-29 杭州一知智能科技有限公司 一种意图识别方法、系统、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN114648392B (zh) 基于用户画像的产品推荐方法、装置、电子设备及介质
CN115002200B (zh) 基于用户画像的消息推送方法、装置、设备及存储介质
CN112988963B (zh) 基于多流程节点的用户意图预测方法、装置、设备及介质
CN113157927A (zh) 文本分类方法、装置、电子设备及可读存储介质
CN113704429A (zh) 基于半监督学习的意图识别方法、装置、设备及介质
CN113821622A (zh) 基于人工智能的答案检索方法、装置、电子设备及介质
CN113268615A (zh) 资源标签生成方法、装置、电子设备及存储介质
CN114416939A (zh) 智能问答方法、装置、设备及存储介质
CN115510188A (zh) 文本关键词关联方法、装置、设备及存储介质
CN117520503A (zh) 基于llm模型的金融客服对话生成方法、装置、设备及介质
CN112632264A (zh) 智能问答方法、装置、电子设备及存储介质
CN113344125B (zh) 长文本匹配识别方法、装置、电子设备及存储介质
CN114756669A (zh) 问题意图的智能分析方法、装置、电子设备及存储介质
CN114840684A (zh) 基于医疗实体的图谱构建方法、装置、设备及存储介质
CN115221323A (zh) 基于意图识别模型的冷启动处理方法、装置、设备及介质
CN113806492A (zh) 基于语义识别的记录生成方法、装置、设备及存储介质
CN112560427A (zh) 问题扩展方法、装置、电子设备及介质
CN114708073B (zh) 一种围标串标智能检测方法、装置、电子设备及存储介质
CN113590845B (zh) 基于知识图谱的文献检索方法、装置、电子设备及介质
CN115510219A (zh) 话术推荐方法、装置、电子设备及存储介质
CN112069322B (zh) 文本多标签分析方法、装置、电子设备及存储介质
CN114780688A (zh) 基于规则匹配的文本质检方法、装置、设备及存储介质
CN115358817A (zh) 基于社交数据的智能产品推荐方法、装置、设备及介质
CN115146064A (zh) 意图识别模型优化方法、装置、设备及存储介质
CN114996400A (zh) 裁判文书处理方法、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