CN115270900A - 一种用户意图识别方法和装置、电子设备、存储介质 - Google Patents

Abstract

本申请实施例提供了一种用户意图识别方法和装置、电子设备、存储介质，属于人工智能技术领域。该方法包括：获取待识别的原始意图数据；获取预设的参考意图集；所述参考意图集包括用于表征意图类别的参考意图标签；根据预设的意图识别模型对所述参考意图标签进行编码处理，得到参考意图数据，根据所述意图识别模型对所述原始意图数据进行编码处理，得到初步意图描述；其中，所述意图识别模型通过对比学习训练得到；对所述参考意图数据进行聚类处理，得到聚类中心；根据所述初步意图描述和所述聚类中心进行距离计算，得到目标距离值；根据所述目标距离值和预设距离阈值，得到目标意图。本申请实施例的技术方案，能够提高用户意图识别的准确性。

Description

一种用户意图识别方法和装置、电子设备、存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种用户意图识别方法和装置、电子设备、存储介质。

背景技术

用户意图识别通常应用于对话系统，而对话系统是一种基于自然语言的人机交互系统，通过对话系统，用户可以使用自然语言和计算机进行交互，来完成相关的任务。然而，真实的用户说法千差万别，在对用户的说法进行意图识别时，识别效果不理想，识别出的意图不准确。

发明内容

本申请实施例的主要目的在于提出一种用户意图识别方法和装置、电子设备、存储介质，旨在提高用户意图识别的准确性。

为实现上述目的，本申请实施例的第一方面提出了一种用户意图识别方法，所述方法包括：

获取待识别的原始意图数据；

获取预设的参考意图集；所述参考意图集包括用于表征意图类别的参考意图标签；

根据预设的意图识别模型对所述参考意图标签进行编码处理，得到参考意图数据，根据所述意图识别模型对所述原始意图数据进行编码处理，得到初步意图描述；其中，所述意图识别模型通过对比学习训练得到；

对所述参考意图数据进行聚类处理，得到聚类中心；

根据所述初步意图描述和所述聚类中心进行距离计算，得到目标距离值；其中，所述目标距离值用于表征所述初步意图描述和所述聚类中心的欧氏距离；

根据所述目标距离值和预设距离阈值，得到目标意图；其中，所述目标意图用于表征意图类别。

在一些实施例中，在所述根据预设的意图识别模型对所述参考意图标签进行编码处理，得到参考意图数据，根据所述意图识别模型对所述原始意图数据进行编码处理，得到初步意图描述之前，所述方法还包括：通过对比学习训练所述意图识别模型，具体包括：

获取原始训练数据集；所述原始训练数据集包括至少两个原始训练数据；

根据所述至少两个原始训练数据构建正样本对和负样本对；其中，所述正样本对为包括相同意图类别的样本，所述负样本对为包括不同类别的样本；

根据所述正样本对和所述负样本对对预设的原始识别模型进行对比学习训练处理，得到所述意图识别模型。

在一些实施例中，所述根据所述正样本对和所述负样本对对预设的原始识别模型进行对比学习训练处理，得到所述意图识别模型，包括：

获取所述原始识别模型的目标损失函数；

根据所述原始识别模型对所述正样本对进行特征提取，得到正样本编码数据，根据所述原始识别模型对所述负样本对进行特征提取，得到负样本编码数据；

根据所述正样本编码数据和所述负样本编码数据计算所述目标损失函数的损失值，得到目标损失值；

根据所述目标损失值对所述原始识别模型的参数进行更新处理，得到所述意图识别模型。

在一些实施例中，所述原始识别模型包括embedding层和编码层；

所述根据所述原始识别模型对所述正样本对进行特征提取，得到正样本编码数据，根据所述原始识别模型对所述负样本对进行特征提取，得到负样本编码数据，包括：

根据所述embedding层对所述正样本对进行提取处理，得到正样本数据向量，根据所述embedding层对所述负样本对进行提取处理，得到负样本数据向量；

根据所述编码层对所述正样本数据向量进行编码处理，得到所述正样本编码数据，根据所述编码层对负样本数据向量进行编码处理，得到所述负样本编码数据。

在一些实施例中，所述目标损失函数包括交叉损失函数和对比损失函数；所述根据所述正样本编码数据和所述负样本编码数据计算所述目标损失函数的损失值，得到目标损失值，包括：

根据所述正样本编码数据、所述负样本编码数据和所述对比损失函数，计算得到对比损失值；

根据所述正样本编码数据、所述负样本编码数据和所述交叉损失函数，计算得到交叉损失值；

根据所述交叉损失值和所述对比损失值进行求和计算，得到所述目标损失值。

在一些实施例中，所述根据所述目标距离值和预设距离阈值，得到目标意图，包括：

若多个所述目标距离值均大于所述预设距离阈值，则所述目标意图为所述参考意图集之外的意图；

若存在所述目标距离值小于或等于所述预设距离阈值，则所述目标意图为所述参考意图集之中的所述参考意图标签。

在一些实施例中，在所述若多个所述目标距离值小于或等于所述预设距离阈值，则所述目标意图为所述参考意图集之中的所述参考意图标签之后，所述方法还包括：

获取多个所述目标距离值的最小值，得到目标最小值；

根据所述目标最小值和所述参考意图集进行匹配处理，得到对应的参考意图标签；

将所述参考意图标签作为所述目标意图。

为实现上述目的，本申请实施例的第二方面提出了一种用户意图识别装置，所述装置包括：

第一获取模块，用于获取待识别的原始意图数据；

第二获取模块，用于获取预设的参考意图集；所述参考意图集包括用于表征意图类别的参考意图标签；

编码模块，用于根据预设的意图识别模型对所述参考意图标签进行编码处理，得到参考意图数据，根据所述意图识别模型对所述原始意图数据进行编码处理，得到初步意图描述；其中，所述意图识别模型通过对比学习训练得到；

聚类模块，用于对所述参考意图数据进行聚类处理，得到聚类中心；

计算模块，用于根据所述初步意图描述和所述聚类中心进行距离计算，得到目标距离值；其中，所述目标距离值用于表征所述初步意图描述和所述聚类中心的欧氏距离；

处理模块，用于根据所述目标距离值和预设距离阈值，得到目标意图；其中，所述目标意图用于表征意图类别。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。

本申请提出的用户意图识别方法和装置、电子设备、存储介质，其通过获取待识别的原始意图数据，获取预设的参考意图集；该参考意图集包括用于表征意图类别的参考意图标签；然后，根据预设的意图识别模型对参考意图标签进行编码处理，得到参考意图数据，根据意图识别模型对原始意图数据进行编码处理，得到初步意图描述，该意图识别模型是通过对比学习训练得到的，然后，再对参考意图数据进行聚类处理，得到聚类中心，再根据初步意图描述和聚类中心进行聚类处理，得到聚类中心，最后，再根据目标距离值和预设距离阈值，得到用于表征意图类别的目标意图。本申请实施例的技术方案，通过对比学习的方式训练得到意图识别模型，使得意图识别模型对参考意图标签进行编码处理得到参考意图数据时，以及对原始意图数据进行编码处理，得到初步意图描述时，将同一类的参考意图标签和原始意图数据拉近，而不同类别的参考意图标签和原始意图数据推远，从而提高用户意图识别的准确性；然后，再通过目标距离值和预设距离阈值，得到用于表征意图类别的目标意图，这样设置，有利于有效对用户意图的识别，进一步提高了用户意图识别的准确性。

本申请的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。

图1是本申请实施例提供的用户意图识别方法的第一流程图；

图2是图1中的步骤S600的具体方法的流程图；

图3是本申请实施例提供的用户意图识别方法的第二流程图；

图4是本申请实施例提供的用户意图识别方法的第三流程图；

图5是图4中的步骤S1200的具体方法的流程图；

图6是图5中的步骤S1220的具体方法的流程图；

图7是图5中的步骤S1230的具体方法的流程图；

图8是本申请实施例提供的用户意图识别装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

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。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能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，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。

自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

医疗云(Medical cloud)：医疗云是指在云计算、移动技术、多媒体、4G通信、大数据、以及物联网等新技术基础上，结合医疗技术，使用“云计算”来创建医疗健康服务云平台，实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用于结合，医疗云提高医疗机构的效率，方便居民就医。像现在医院的预约挂号、电子病历、医保等都是云计算与医疗领域结合的产物，医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。

BERT(Bidirectional Encoder Representation from Transformers)模型：BERT模型进一步增加词向量模型泛化能力，充分描述字符级、词级、句子级甚至句间关系特征，基于Transformer构建而成。BERT中有三种Embedding，即Token Embedding，SegmentEmbedding，Position Embedding；其中Token Embeddings 是词向量，第一个单词是CLS标志，可以用于之后的分类任务；Segment Embeddings用来区别两种句子，因为预训练不光做LM还要做以两个句子为输入的分类任务；Position Embeddings，这里的位置词向量不是transfor中的三角函数，而是BERT经过训练学到的。但BERT直接训练一个Positionembedding 来保留位置信息，每个位置随机初始化一个向量，加入模型训练，最后就得到一个包含位置信息的embedding，最后这个Position embedding和word embedding 的结合方式上，BERT选择直接拼接。

embedding：Embedding Layer是与特定自然语言处理上的神经网络模型联合学习的单词嵌入。该嵌入方法将清理好的文本中的单词进行one hot编码(热编码)，向量空间的大小或维度被指定为模型的一部分，例如50、100或300维。向量以小的随机数进行初始化。Embedding Layer用于神经网络的前端，并采用反向传播算法进行监督。被编码过的词映射成词向量，如果使用多层感知器模型MLP，则在将词向量输入到模型之前被级联。如果使用循环神经网络RNN，则可以将每个单词作为序列中的一个输入。这种学习嵌入层的方法需要大量的培训数据，可能很慢，但是可以学习训练出既针对特定文本数据又针对NLP的嵌入模型。Embedding是一种向量表征，是指用一个低维的向量表示一个物体，该物体可以是一个词，或是一个商品，或是一个电影等等；这个Embedding向量的性质是能使距离相近的向量对应的物体有相近的含义，比如Embedding(复仇者联盟)和Embedding(钢铁侠)之间的距离就会很接近，但Embedding(复仇者联盟)和Embedding(乱世佳人)的距离就会远一些。Embedding实质是一种映射，从语义空间到向量空间的映射，同时尽可能在向量空间保持原样本在语义空间的关系，如语义接近的两个词汇在向量空间中的位置也比较接近。Embedding 能够用低维向量对物体进行编码还能保留其含义，常应用于机器学习，在机器学习模型构建过程中，通过把物体编码为一个低维稠密向量再传给DNN，以提高效率。

k-means聚类算法：k-means算法是根据给定的n个数据对象的数据集，构建k个划分聚类的方法，每个划分聚类即为一个簇。该方法将数据划分为n个簇，每个簇至少有一个数据对象，每个数据对象必须属于而且只能属于一个簇。同时要满足同一簇中的数据对象相似度高，不同簇中的数据对象相似度较小。聚类相似度是利用各簇中对象的均值来进行计算的。k-means算法的处理流程如下。首先，随机地选择k个数据对象，每个数据对象代表一个簇中心，即选择 k个初始中心；对剩余的每个对象，根据其与各簇中心的相似度(距离)，将它赋给与其最相似的簇中心对应的簇；然后重新计算每个簇中所有对象的平均值，作为新的簇中心。不断重复以上这个过程，直到准则函数收敛，也就是簇中心不发生明显的变化。通常采用均方差作为准则函数，即最小化每个点到最近簇中心的距离的平方和。新的簇中心计算方法是计算该簇中所有对象的平均值，也就是分别对所有对象的各个维度的值求平均值，从而得到簇的中心点。例如，一个簇包括以下3个数据对象{(6,4,8),(8,2,2),(4,6,2)}，则这个簇的中心点就是((6+8+4)/3,(4+2+6)/3,(8+2+2)/3)＝(6,4,4)。

k-means算法使用距离来描述两个数据对象之间的相似度。距离函数有明式距离、欧氏距离、马式距离和兰氏距离，最常用的是欧氏距离。k-means算法是当准则函数达到最优或者达到最大的迭代次数时即可终止。当采用欧氏距离时，准则函数一般为最小化数据对象到其簇中心的距离的平方和。即采取一下公式 (1)进行计算，公式(1)为：

在公式(1)中，k表示簇的个数，C_i表示第i个簇的中心点，dist(C_i,x)表示 X到的C_i距离。

交叉熵(Cross Entropy)：交叉熵是Shannon信息论中一个重要概念，主要用于度量两个概率分布间的差异性信息。语言模型的性能通常用交叉熵和复杂度(perplexity)来衡量。交叉熵的意义是用该模型对文本识别的难度，或者从压缩的角度来看，每个词平均要用几个位来编码。复杂度的意义是用该模型表示这一文本平均的分支数，其倒数可视为每个词的平均概率。平滑是指对没观察到的N元组合赋予一个概率值，以保证词序列总能通过语言模型得到一个概率值。通常使用的平滑技术有图灵估计、删除插值平滑、Katz平滑和Kneser-Ney 平滑。

对比学习：对比学习是一种自监督学习方法，用于在没有标签的情况下，通过让模型学习哪些数据点相似或不同来学习数据集的一般特征。对比式学习着重于学习同类实例之间的共同特征，区分非同类实例之间的不同之处。与生成式学习比较，对比式学习不需要关注实例上繁琐的细节，只需要在抽象语义级别的特征空间上学会对数据的区分即可，因此模型以及其优化变得更加简单，且泛化能力更强。对比学的目标是学习一个编码器，此编码器对同类数据进行相似的编码，并使不同类的数据的编码结果尽可能的不同。

用户意图识别通常应用于对话系统，而对话系统是一种基于自然语言的人机交互系统，通过对话系统，用户可以使用自然语言和计算机进行交互，来完成相关的任务。然而，真实的用户说法千差万别，在对用户的说法进行意图识别时，识别效果不理想，识别出的意图不准确。

基于此，本申请实施例提供了一种用户意图识别方法和装置、电子设备、存储介质，旨在提高用户意图识别的准确性，并且，能够实现参考意图集以外的用户意图识别。

本申请实施例提供的用户意图识别方法和装置、电子设备、存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的用户意图识别方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的用户意图识别方法，涉及人工智能技术领域。本申请实施例提供的用户意图识别方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、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、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；软件可以是实现用户意图识别方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

下面结合附图对本申请实施例的技术方案作进一步阐述。

第一方面，请参照图1，图1是本申请实施例提供的用户意图识别方法的一个可选的流程图，在本申请的一些实施例中，用户意图识别方法包括步骤S100、步骤S200、步骤S300、步骤S400、步骤S500和步骤S600。应理解，本申请实施例的用户意图识别方法包括但不限于步骤S100至步骤S600，下面结合图1 对这六个步骤进行详细介绍。

步骤S100，获取待识别的原始意图数据；

步骤S200，获取预设的参考意图集；参考意图集包括用于表征意图类别的参考意图标签；

步骤S300，根据预设的意图识别模型对参考意图标签进行编码处理，得到参考意图数据，根据意图识别模型对原始意图数据进行编码处理，得到初步意图描述；其中，意图识别模型通过对比学习训练得到；

步骤S400，对参考意图数据进行聚类处理，得到聚类中心；

步骤S500，根据初步意图描述和聚类中心进行距离计算，得到目标距离值；其中，目标距离值用于表征初步意图描述和聚类中心的欧氏距离；

步骤S600，根据目标距离值和预设距离阈值，得到目标意图；其中，目标意图用于表征意图类别。

本申请实施例的用户意图识别方法，其通过获取待识别的原始意图数据，获取预设的参考意图集；该参考意图集包括用于表征意图类别的参考意图标签；然后，根据预设的意图识别模型对参考意图标签进行编码处理，得到参考意图数据，根据意图识别模型对原始意图数据进行编码处理，得到初步意图描述，该意图识别模型是通过对比学习训练得到的，然后，再对参考意图数据进行聚类处理，得到聚类中心，再根据初步意图描述和聚类中心进行聚类处理，得到聚类中心，最后，再根据目标距离值和预设距离阈值，得到用于表征意图类别的目标意图。本申请实施例的技术方案，通过对比学习的方式训练得到意图识别模型，使得意图识别模型对参考意图标签进行编码处理得到参考意图数据时，以及对原始意图数据进行编码处理，得到初步意图描述时，将同一类的参考意图标签和原始意图数据拉近，而不同类别的参考意图标签和原始意图数据推远，从而提高用户意图识别的准确性；然后，再通过目标距离值和预设距离阈值，得到用于表征意图类别的目标意图，这样设置，有利于有效对用户意图的识别，进一步提高了用户意图识别的准确性。

在一些实施例的步骤S100中，可以通过编写网络爬虫，设置好数据源之后进行有目标性的爬取数据，得到待识别的原始意图数据。需要说明的是，该原始意图数据可以为自然语言文本。该原始意图数据可以医疗领域的用户意图数据，如果是医疗领域的用户意图数据，则可以通过医疗云服务器获取该原始意图数据。

在本申请一些实施例的步骤S200中，参考意图集是预先设置的，可以包括多个不同类别的参考意图标签，参考意图标签用于表征意图类别。例如，在医疗问诊的任务型对话的应用场景中，参考意图集可以包括“闲聊”、“问诊”、“处方询问”等不同类别的参考意图标签。

需要说明的是，可以通过编写网络爬虫，设置好数据源之后进行有目标性的爬取数据，得到参考意图集，当然，参考意图标签也可以通过医疗云服务器获取。

在本申请一些实施例的步骤S300中，通过对比学习训练得到的意图识别模型对原始意图数据和参考意图标签进行编码，得到参考意图数据和初步意图描述，如此，能够将同类别的意图拉的更近，而不同类别的意图推得更远，这样设置，使得参考意图集以外的原始意图数据编码后散落在空间中，以便于后续对用户意图的识别更加准确，也能够更好地判断出参考意图集以外的意图。

在本申请一些实施例的步骤S400中，采取k-means聚类算法对参考意图数据进行聚类处理，得到对应的聚类中心。一个参考意图数据对应一个聚类中心。

在一些实施例的步骤S500中，计算每一个聚类中心和初步意图描述的欧氏距离，得到对应的目标距离值。其中，欧氏距离，指的是多维空间中各点之间的绝对距离。

请参阅图2，在一些实施例中，步骤S600包括步骤S610和步骤S620，应理解，步骤S600包括但不限于步骤S610和步骤S620，下面结合图2对这两个步骤进行详细介绍。

步骤S610，若多个目标距离值均大于预设距离阈值，则目标意图为参考意图集之外的意图；

步骤S620，若存在目标距离值小于或等于预设距离阈值，则目标意图为参考意图集之中的参考意图标签。

具体的，在本实施例中，当所有的目标距离值都大于预设距离阈值，说明待识别的原始意图数据与当前参考意图集中的参考意图标签都相差较远，在这种情况下，将待识别的原始意图数据判断为参考意图集以外的意图，从而实现了领域外的意图识别，而不是现有技术中，将待识别的原始意图数据随机归为某一个参考意图标签。当多个目标距离值中存在一个或者多个目标距离值小于或等于预设距离阈值，在这种情况下说明参考意图集中的某个参考意图标签与待识别的原始意图数据的意图类别相符合，该原始意图数据属于参考意图集中的某一个参考意图标签。通过目标距离值和预设距离阈值之间的判断，从而实现了对用户意图的识别，并且，提高了用户意图识别的准确性。

请参照图3，在步骤S620之后，用户意图识别方法还包括步骤S700、步骤 S800和步骤S900，应理解用户意图识别方法包括但不限于步骤S700、步骤S800 和步骤S900，下面结合图3对这三个步骤进行详细介绍。

步骤S700，获取多个目标距离值的最小值，得到目标最小值；

步骤S800，根据目标最小值和参考意图集进行匹配处理，得到对应的参考意图标签；

步骤S900，将参考意图标签作为目标意图。

具体地，当存在多个目标距离值小于或等于预设距离阈值，则获取多个目标距离值中的最小值，得到目标最小值，然后，根据目标最小值确定对应的聚类中心，从而确定待识别的原始意图数据距离最近的参考意图标签，并且，将该参考意图标签作为待识别的原始意图数据的目标意图，从而实现了用户的意图识别。并且，在本实施例中，通过获取最小的目标距离值，得到目标最小值，并将与目标最小值对应的参考意图标签作为目标意图，这样设置，能够提高用户意图识别的准确性。

请参阅图4，在本申请的一些实施例中，在步骤S300之前，用户意图识别方法还包括：

通过对比学习训练意图识别模型，具体包括但不限于步骤S1000、步骤S1100 和步骤S1200，下面结合图4对这三个步骤进行详细介绍。

步骤S1000，获取原始训练数据集；原始训练数据集包括至少两个原始训练数据；

步骤S1100，根据至少两个原始训练数据构建正样本对和负样本对；其中，正样本对为包括相同意图类别的样本，负样本对为包括不同类别的样本；

步骤S1200，根据正样本对和负样本对对预设的原始识别模型进行对比学习训练处理，得到意图识别模型。

具体地，在本实施例中，原始训练数据集包括至少两个原始训练数据，原始训练数据是用户的说法，首先根据至少两个原始训练数据构建正样本对和负样本对，然后将正样本对和负样本对作为一个batch数据输入至原始识别模型中，以实现对原始识别模型的训练，得到意图识别模型。需要说明的是，原始识别模型可以是BERT模型，也可以是其他的模型。

请参阅图5，在本申请的一些实施例中，步骤S1200具体包括步骤S1210、步骤S1220、步骤S1230和步骤S1240，应理解，步骤S1200包括但不限于步骤 S1210、步骤S1220、步骤S1230和步骤S1240，下面结合图5，对这四个步骤进行详细介绍。

步骤S1210，获取原始识别模型的目标损失函数；

步骤S1220，根据原始识别模型对正样本对进行特征提取，得到正样本编码数据，根据原始识别模型对负样本对进行特征提取，得到负样本编码数据；

步骤S1230，根据正样本编码数据和负样本编码数据计算目标损失函数的损失值，得到目标损失值；

步骤S1240，根据目标损失值对原始识别模型的参数进行更新处理，得到意图识别模型。

在一些实施例的步骤S1210中，原始识别模型的目标损失函数包括交叉损失函数和对比损失函数。通过设置对比损失函数，实现对原始识别模型的训练，能够增强原始识别模型实现领域外意图识别的能力；通过设置交叉损失函数，实现对原始识别模型的训练，能够增强原始识别模型对用户意图识别的能力。本申请实施例的目标损失函数，结合对比损失函数和交叉损失函数实现对原始识别模型的训练，得到意图识别模型，从而实现了参考意图集以外的意图识别，以及提高了用户意图识别的准确性。

请参阅图6，在本申请的一些实施例中，原始识别模型包括embedding层和编码层，步骤S1220包括但不限于S1221和步骤S1222，下面结合图6对这两个步骤进行详细描述。

步骤S1221，根据embedding层对正样本对进行提取处理，得到正样本数据向量，根据embedding层对负样本对进行提取处理，得到负样本数据向量；

步骤S1222，根据编码层对正样本数据向量进行编码处理，得到正样本编码数据，根据编码层对负样本数据向量进行编码处理，得到负样本编码数据。

具体地，在本实施例中，原始识别模型选择BERT结构，该BERT结构包括embedding层和编码层，编码层为contextual encoder。首先将该正样本对输入至embedding层中，以使embedding层对正样本对进行提取处理，得到正样本数据向量，将负样本对输入至embedding层中，以使embedding层对负样本对进行提取处理，得到负样本数据向量，然后，将得到的正样本数据向量和负样本数据向量输入至编码层中，以使编码层对正样本数据向量和负样本数据向量进行编码处理，得到对应的正样本编码数据和负样本编码数据，需要说明的是，该正样本编码数据和负样本编码数据是一个隐藏编码数据。

请参阅图7，在本申请的一些实施例中，目标损失函数包括交叉损失函数和对比损失函数，步骤S1230包括步骤S1231、步骤S1232和步骤S1233，应理解，步骤S1230包括但不限于步骤S1231至步骤S1233，下面结合图7对这三个步骤进行详细介绍。

步骤S1231，根据正样本编码数据、负样本编码数据和对比损失函数，计算得到对比损失值；

步骤S1232，根据正样本编码数据、负样本编码数据和交叉损失函数，计算得到交叉损失值；

步骤S1233，根据交叉损失值和对比损失值进行求和计算，得到目标损失值。

在一些实施例的步骤S1231中，对比损失函数采取公式(2)进行计算，公式(2)具体为：

将前述步骤得到的正样本对和负样本对输入至公式(2)中进行损失值计算，得到对比损失值。

在一些实施例的步骤S1232中，交叉损失函数采取公式(3)进行计算，公式(3)具体为：

将原始编码数据输入至公式(3)中进行交叉熵计算，得到交叉损失值。

在一些实施例的步骤S1233，将交叉损失值和对比损失值进行求和计算，得到目标损失值。即目标损失函数L可以用公式(4)进行表示，公式(4)具体为：

在本实施例中，通过结合对比损失函数和交叉损失函数，得到目标损失函数，以实现对原始识别模型BERT的训练，得到意图识别模型，使得意图识别模型能够更好地实现参考意图集以外的用户意图识别，并且，提高了意图识别模型对用户意图识别的准确性。

在一些实施例的步骤S1240中，通过前述步骤计算得到目标损失值后，通过网络梯度回传至原始识别模型中，以实现对原始识别模型的参数进行更新，从而得到意图识别模型。

请参阅图8，本申请实施例还提供一种用户意图识别装置，可以实现上述用户意图识别方法，该装置包括：第一获取模块1300、第二获取模块1400、编码模块1500、聚类模块1600、计算模块1700和处理模块1800。

第一获取模块1300，用于获取待识别的原始意图数据。

第二获取模块1400，用于获取预设的参考意图集；参考意图集包括用于表征意图类别的参考意图标签。

编码模块1500，用于根据预设的意图识别模型对参考意图标签进行编码处理，得到参考意图数据，根据意图识别模型对原始意图数据进行编码处理，得到初步意图描述；其中，意图识别模型通过对比学习训练得到。

聚类模块1600，用于对参考意图数据进行聚类处理，得到聚类中心。

计算模块1700，用于根据初步意图描述和聚类中心进行距离计算，得到目标距离值；其中，目标距离值用于表征初步意图描述和聚类中心的欧氏距离。

处理模块1800，用于根据目标距离值和预设距离阈值，得到目标意图；其中，目标意图用于表征意图类别。

本申请实施例的用户意图识别装置，其通过获取待识别的原始意图数据，获取预设的参考意图集；该参考意图集包括用于表征意图类别的参考意图标签；然后，根据预设的意图识别模型对参考意图标签进行编码处理，得到参考意图数据，根据意图识别模型对原始意图数据进行编码处理，得到初步意图描述，该意图识别模型是通过对比学习训练得到的，然后，再对参考意图数据进行聚类处理，得到聚类中心，再根据初步意图描述和聚类中心进行聚类处理，得到聚类中心，最后，再根据目标距离值和预设距离阈值，得到用于表征意图类别的目标意图。本申请实施例的技术方案，通过对比学习的方式训练得到意图识别模型，使得意图识别模型对参考意图标签进行编码处理得到参考意图数据时，以及对原始意图数据进行编码处理，得到初步意图描述时，将同一类的参考意图标签和原始意图数据拉近，而不同类别的参考意图标签和原始意图数据推远，从而提高用户意图识别的准确性；然后，再通过目标距离值和预设距离阈值，得到用于表征意图类别的目标意图，这样设置，有利于有效对用户意图的识别，进一步提高了用户意图识别的准确性。

需要说明的是，本申请实施例的用户意图识别装置与前述的用户意图识别方法相对应，该用户意图识别装置的具体实施方式请参照上述用户意图识别方法的具体实施例，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述用户意图识别方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

本申请实施例的电子设备，通过执行上述的用户意图识别方法，其通过获取待识别的原始意图数据，获取预设的参考意图集；该参考意图集包括用于表征意图类别的参考意图标签；然后，根据预设的意图识别模型对参考意图标签进行编码处理，得到参考意图数据，根据意图识别模型对原始意图数据进行编码处理，得到初步意图描述，该意图识别模型是通过对比学习训练得到的，然后，再对参考意图数据进行聚类处理，得到聚类中心，再根据初步意图描述和聚类中心进行聚类处理，得到聚类中心，最后，再根据目标距离值和预设距离阈值，得到用于表征意图类别的目标意图。本申请实施例的技术方案，通过对比学习的方式训练得到意图识别模型，使得意图识别模型对参考意图标签进行编码处理得到参考意图数据时，以及对原始意图数据进行编码处理，得到初步意图描述时，将同一类的参考意图标签和原始意图数据拉近，而不同类别的参考意图标签和原始意图数据推远，从而提高用户意图识别的准确性；然后，再通过目标距离值和预设距离阈值，得到用于表征意图类别的目标意图，这样设置，有利于有效对用户意图的识别，进一步提高了用户意图识别的准确性。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器1900，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，以实现本申请实施例所提供的技术方案；

存储器2000，可以采用只读存储器(Read Only Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器2000可以存储操作系统和其他应用程序，在通过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 2000中，并由处理器1900来调用执行本申请实施例的用户意图识别方法；

输入/输出接口2100，用于实现信息输入及输出；

通信接口2200，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线2300，在设备的各个组件(例如处理器1900、存储器2000、输入/输出接口2100和通信接口2200)之间传输信息；

其中处理器1900、存储器2000、输入/输出接口2100和通信接口2200通过总线2300实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述用户意图识别方法。

本申请实施例的存储介质，其通过执行上述的用户意图识别方法，其通过获取待识别的原始意图数据，获取预设的参考意图集；该参考意图集包括用于表征意图类别的参考意图标签；然后，根据预设的意图识别模型对参考意图标签进行编码处理，得到参考意图数据，根据意图识别模型对原始意图数据进行编码处理，得到初步意图描述，该意图识别模型是通过对比学习训练得到的，然后，再对参考意图数据进行聚类处理，得到聚类中心，再根据初步意图描述和聚类中心进行聚类处理，得到聚类中心，最后，再根据目标距离值和预设距离阈值，得到用于表征意图类别的目标意图。本申请实施例的技术方案，通过对比学习的方式训练得到意图识别模型，使得意图识别模型对参考意图标签进行编码处理得到参考意图数据时，以及对原始意图数据进行编码处理，得到初步意图描述时，将同一类的参考意图标签和原始意图数据拉近，而不同类别的参考意图标签和原始意图数据推远，从而提高用户意图识别的准确性；然后，再通过目标距离值和预设距离阈值，得到用于表征意图类别的目标意图，这样设置，有利于有效对用户意图的识别，进一步提高了用户意图识别的准确性。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-9中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，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。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在 A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a 和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，上述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元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单元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，也可以采用软件功能单元的形式实现。

集成的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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括： U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种用户意图识别方法，其特征在于，所述方法包括：

获取待识别的原始意图数据；

获取预设的参考意图集；所述参考意图集包括用于表征意图类别的参考意图标签；

根据预设的意图识别模型对所述参考意图标签进行编码处理，得到参考意图数据，根据所述意图识别模型对所述原始意图数据进行编码处理，得到初步意图描述；其中，所述意图识别模型通过对比学习训练得到；

对所述参考意图数据进行聚类处理，得到聚类中心；

根据所述初步意图描述和所述聚类中心进行距离计算，得到目标距离值；其中，所述目标距离值用于表征所述初步意图描述和所述聚类中心的欧氏距离；

根据所述目标距离值和预设距离阈值，得到目标意图；其中，所述目标意图用于表征意图类别。

2.根据权利要求1所述的方法，其特征在于，在所述根据预设的意图识别模型对所述参考意图标签进行编码处理，得到参考意图数据，根据所述意图识别模型对所述原始意图数据进行编码处理，得到初步意图描述之前，所述方法还包括：通过对比学习训练所述意图识别模型，具体包括：

获取原始训练数据集；所述原始训练数据集包括至少两个原始训练数据；

根据所述至少两个原始训练数据构建正样本对和负样本对；其中，所述正样本对为包括相同意图类别的样本，所述负样本对为包括不同类别的样本；

根据所述正样本对和所述负样本对对预设的原始识别模型进行对比学习训练处理，得到所述意图识别模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述正样本对和所述负样本对对预设的原始识别模型进行对比学习训练处理，得到所述意图识别模型，包括：

获取所述原始识别模型的目标损失函数；

根据所述原始识别模型对所述正样本对进行特征提取，得到正样本编码数据，根据所述原始识别模型对所述负样本对进行特征提取，得到负样本编码数据；

根据所述正样本编码数据和所述负样本编码数据计算所述目标损失函数的损失值，得到目标损失值；

根据所述目标损失值对所述原始识别模型的参数进行更新处理，得到所述意图识别模型。

4.根据权利要求3所述的方法，其特征在于，所述原始识别模型包括embedding层和编码层；

所述根据所述原始识别模型对所述正样本对进行特征提取，得到正样本编码数据，根据所述原始识别模型对所述负样本对进行特征提取，得到负样本编码数据，包括：

根据所述embedding层对所述正样本对进行提取处理，得到正样本数据向量，根据所述embedding层对所述负样本对进行提取处理，得到负样本数据向量；

根据所述编码层对所述正样本数据向量进行编码处理，得到所述正样本编码数据，根据所述编码层对负样本数据向量进行编码处理，得到所述负样本编码数据。

5.根据权利要求3所述的方法，其特征在于，所述目标损失函数包括交叉损失函数和对比损失函数；所述根据所述正样本编码数据和所述负样本编码数据计算所述目标损失函数的损失值，得到目标损失值，包括：

根据所述正样本编码数据、所述负样本编码数据和所述对比损失函数，计算得到对比损失值；

根据所述正样本编码数据、所述负样本编码数据和所述交叉损失函数，计算得到交叉损失值；

根据所述交叉损失值和所述对比损失值进行求和计算，得到所述目标损失值。

6.根据权利要求1至5任意一项所述的方法，其特征在于，所述根据所述目标距离值和预设距离阈值，得到目标意图，包括：

若多个所述目标距离值均大于所述预设距离阈值，则所述目标意图为所述参考意图集之外的意图；

若存在所述目标距离值小于或等于所述预设距离阈值，则所述目标意图为所述参考意图集之中的所述参考意图标签。

7.根据权利要求6所述的方法，其特征在于，在所述若多个所述目标距离值小于或等于所述预设距离阈值，则所述目标意图为所述参考意图集之中的所述参考意图标签之后，所述方法还包括：

获取多个所述目标距离值的最小值，得到目标最小值；

根据所述目标最小值和所述参考意图集进行匹配处理，得到对应的参考意图标签；

将所述参考意图标签作为所述目标意图。

8.一种用户意图识别装置，其特征在于，所述装置包括：

第一获取模块，用于获取待识别的原始意图数据；

第二获取模块，用于获取预设的参考意图集；所述参考意图集包括用于表征意图类别的参考意图标签；

编码模块，用于根据预设的意图识别模型对所述参考意图标签进行编码处理，得到参考意图数据，根据所述意图识别模型对所述原始意图数据进行编码处理，得到初步意图描述；其中，所述意图识别模型通过对比学习训练得到；

聚类模块，用于对所述参考意图数据进行聚类处理，得到聚类中心；

计算模块，用于根据所述初步意图描述和所述聚类中心进行距离计算，得到目标距离值；其中，所述目标距离值用于表征所述初步意图描述和所述聚类中心的欧氏距离；

处理模块，用于根据所述目标距离值和预设距离阈值，得到目标意图；其中，所述目标意图用于表征意图类别。

9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的用户意图识别方法的步骤。

10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的用户意图识别方法的步骤。

Images