CN115470798A - 意图识别模型的训练方法、意图识别方法、装置及设备 - Google Patents
意图识别模型的训练方法、意图识别方法、装置及设备 Download PDFInfo
- Publication number
- CN115470798A CN115470798A CN202211305332.1A CN202211305332A CN115470798A CN 115470798 A CN115470798 A CN 115470798A CN 202211305332 A CN202211305332 A CN 202211305332A CN 115470798 A CN115470798 A CN 115470798A
- Authority
- CN
- China
- Prior art keywords
- intention
- sample
- target
- intent
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000000605 extraction Methods 0.000 claims abstract description 103
- 230000004927 fusion Effects 0.000 claims description 60
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 239000013598 vector Substances 0.000 description 27
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 230000003993 interaction Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种意图识别模型的训练方法、意图识别方法、装置及设备,涉及人工智能技术领域,尤其涉及自然语言处理、深度学习技术领域,可应用于语音识别等场景。具体实现方案为:分别获取至少两个意图预测网络对应的样本文本数据;各所述意图预测网络对应的样本文本数据不同;将所述样本文本数据输入所述通用特征提取网络得到样本文本特征,并将所述样本文本特征输入对应的意图预测网络得到意图预测网络所预测的样本意图;根据意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对所述意图预测网络进行训练;根据至少两个意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对所述通用特征提取网络进行训练。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自然语言处理、深度学习技术领域,可应用于语音识别等场景。
背景技术
随着人工智能技术的发展,许多应用场景下的智能型需求日益增加,因此良好的人机交互必不可少。如何在人机交互过程中识别到用户的真实意图尤为重要。
现有技术中相关意图识别模型的应用场景过于单一,只能覆盖一个场景下的意图问题;并且存在部分意图确定规则,采用规则的方式在不同场景下进行意图识别不通用,迁移性差;而且在模型训练是未灵活使用用户历史文本的表述来推导当前文本的意图,只使用了当前的文本信息。因此,亟需改进。
发明内容
本公开提供了一种意图识别模型的训练方法、意图识别方法、装置及设备。
根据本公开的一方面,提供了一种意图识别模型的训练方法,意图识别模型包括通用特征提取网络和至少两个意图预测网络;至少两个意图预测网络的网络结构相同;该方法包括:
分别获取至少两个意图预测网络对应的样本文本数据;各意图预测网络对应的样本文本数据不同;
将样本文本数据输入通用特征提取网络得到样本文本特征,并将样本文本特征输入对应的意图预测网络得到意图预测网络所预测的样本意图;
根据意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对意图预测网络进行训练;
根据至少两个意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对通用特征提取网络进行训练。
根据本公开的另一方面,提供了一种意图识别方法,该方法包括:
将目标文本数据输入意图识别模型的通用特征提取网络得到目标文本特征,并将目标文本特征分别输入意图识别模型的至少两个意图预测网络,得到至少两个意图预测网络所预测的候选意图;
从至少两个候选意图中确定目标文本数据的目标意图;其中,意图识别模型基于本公开任一实施例所提供的意图识别模型的训练方法训练得到。
根据本公开的另一方面,提供了一种意图识别模型的训练装置,意图识别模型包括通用特征提取网络和至少两个意图预测网络;至少两个意图预测网络的网络结构相同;该装置包括:
样本文本数据确定模块,用于分别获取至少两个意图预测网络对应的样本文本数据;各意图预测网络对应的样本文本数据不同;
样本意图确定模块,用于将样本文本数据输入通用特征提取网络得到样本文本特征,并将样本文本特征输入对应的意图预测网络得到意图预测网络所预测的样本意图;
意图预测网络训练模块,用于根据意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对意图预测网络进行训练;
特征提取网络训练模块,用于根据至少两个意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对通用特征提取网络进行训练。
根据本公开的另一方面,提供了一种意图识别装置,该装置包括:
候选意图确定模块,用于将目标文本数据输入意图识别模型的通用特征提取网络得到目标文本特征,并将目标文本特征分别输入意图识别模型的至少两个意图预测网络,得到至少两个意图预测网络所预测的候选意图;
目标意图确定模块,用于从至少两个候选意图中确定目标文本数据的目标意图;其中,意图识别模型基于本公开任一实施例所提供的意图识别模型的训练装置训练得到。
根据本公开的另一方面,提供了一种电子设备,该电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开任一实施例所提供的意图识别模型的训练方法,或意图识别方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行本公开任一实施例所提供的意图识别模型的训练方法,或意图识别方法。
根据本公开的另一方面,提供了计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现根据本公开任一实施例所提供的意图识别模型的训练方法,或意图识别方法。
根据本公开的技术,能够提高意图识别的准确度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1A是根据本公开实施例提供的一种意图识别模型的训练方法的流程图;
图1B是根据本公开实施例提供的一种意图识别模型的训练过程示意图;
图2A是根据本公开实施例提供的另一种意图识别模型的训练方法的流程图;
图2B是根据本公开实施例提供的一种意图预测网络的预测过程示意图;
图3A是根据本公开实施例提供的又一种意图识别模型的训练方法的流程图;
图3B是根据本公开实施例提供的一种意图识别模型的训练与预测过程示意图;
图4是根据本公开实施例提供的一种意图识别方法的流程图;
图5是根据本公开实施例提供的又一种意图识别方法的流程图;
图6是根据本公开实施例提供的一种意图识别模型的训练装置的结构示意图;
图7是根据本公开实施例提供的一种意图识别装置的结构示意图;
图8是用来实现本公开实施例的意图识别模型的训练方法,或意图识别方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“样本”、“目标”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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明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。
此外,还需要说明的是,本发明的技术方案中,所涉及的待处理数据等的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1A是根据本公开实施例提供的一种意图识别模型的训练方法的流程图。图1B是根据本公开实施例提供的一种意图识别模型的训练过程示意图。本实施例适用于如何对意图识别模型进行训练的情况。该方法可以由意图识别模型的训练装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成于承载意图识别模型的训练功能的电子设备中,比如服务器中。
可选的,意图识别模型包括通用特征提取网络和至少两个意图预测网络;至少两个意图预测网络的网络结构相同。其中,通用特征提取网络用于提取样本文本数据的特征;意图预测网络用于根据所提取到的样本文本数据的特征进行意图预测。
如图1A和图1B所示,本实施例的意图识别模型的训练方法可以包括:
S101,分别获取至少两个意图预测网络对应的样本文本数据;各意图预测网络对应的样本文本数据不同。
本实施例中,样本文本数据可以是对语音数据进行转换后得到的文本数据,可以包括多条文本数据,多条文本数据之间具有时序关系,比如当前样本数据和历史样本数据;其中,当前样本数据是指当前最新的文本数据;历史样本数据是指当前样本数据之前时刻的文本数据。示例性的,在语音识别的多轮会话场景下,当前样本数据是指当前轮对获取到的用户语音数据进行文本转换后的文本数据;历史样本数据是指当前轮之前的设定数量的轮次,对所获取到的用户语音数据进行文本转换后的文本数据。
需要说明的是,样本文本数据可以是从不同场景中获取,例如配置有屏幕设备,以及未配置屏幕设备等。也就是说,样本文本数据来自于不同的意图体系。
意图预测网络是指用于进行意图预测的神经网络,例如可以是全连接网络,具体可以包括至少一层全连接层。示例性的,意图预测网络在进行意图预测时采用sigmod函数进行预测,输出结果为多维预测向量,多维预测向量中的每一维度表示一个标签预测结果,每一维度的值以概率形式表示,即是以多大的概率预测结果为该标签,标签的预测概率属于(0,1)之间;例如输出结果为3维预测向量[0.6,0.8,0.9]表示标签A的预测概率为0.6,对标签B的预测概率为0.8,对标签C的预测概率为0.9。
具体的,可以从不同场景中分别获取至少两个意图预测网络对应的样本文本数据。其中,每个意图预测网络对应的样本文本数据不同。
S102,将样本文本数据输入通用特征提取网络得到样本文本特征,并将样本文本特征输入对应的意图预测网络得到意图预测网络所预测的样本意图。
本实施例中,通用特征提取网络用于提取样本文本数据的特征,可以是编码Encode网络,例如预训练的Transformer模型。
所谓样本文本特征是指经过通用特征提取网络所提取到的文本特征,可以采用矩阵或向量形式表示。
所谓样本意图是指通过意图预测网络所预测得到的意图,可以包括至少一个意图,即可以是意图预测网络输出的多维预测向量中概率预测概率大于预设阈值的标签。
具体的,将样本文本数据输入通用特征提取网络,经过网络学习,得到样本文本特征,之后将样本文本特征输入对应的意图预测网络,经过网络学习预测,得到意图预测网络所预测的样本意图。
例如,意图识别模型包括N个意图预测网络,为意图预测网络1,意图预测网络2,…,意图预测网络N;各意图预测网络对应的样本文本数据分别为样本文本数据1,样本文本数据2,…,样本文本数据N;各意图预测网络对应的样本文本特征分别为样本文本特征1,样本文本特征2,…,样本文本特征N;其中,N为大于1的自然数。可以将样本文本数据1输入通用特征提取网络,得到样本文本特征1,将样本文本特征输入意图预测网络1,得到意图预测网络1所预测的样本意图1。可以将样本文本数据2输入通用特征提取网络,得到样本文本特征2,将样本文本特征输入意图预测网络2,得到意图预测网络2所预测的样本意图2。以此类推,可以将样本文本数据N输入通用特征提取网络,得到样本文本特征N,将样本文本特征输入意图预测网络N,得到意图预测网络N所预测的样本意图N。
S103,根据意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对意图预测网络进行训练。
本实施例中,样本文本数据的意图监督数据是指样本文本数据的标签数据。
具体的,可以基于预设的损失函数,根据意图预测网络所预测的样本意图和样本文本数据的意图监督数据,确定任务训练损失,并采用任务训练损失对意图预测网络进行训练。承接上述例子,可以根据样本意图1和样本文本数据1的意图监督数据,确定任务训练损失1,并采用任务训练损失1对意图预测网络1进行训练,即采用任务训练损失1更新意图预测网络1中的参数。可以根据样本意图2和样本文本数据2的意图监督数据,确定任务训练损失2,并采用任务训练损失2对意图预测网络2进行训练,即采用任务训练损失2更新意图预测网络2中的参数。可以根据样本意图N和样本文本数据N的意图监督数据,确定任务训练损失N,并采用任务训练损失N对意图预测网络N进行训练,即采用任务训练损失N更新意图预测网络N中的参数。
S104,根据至少两个意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对通用特征提取网络进行训练。
具体的,如S103可以得到根据各意图预测网络所预测的样本意图和样本文本数据的意图监督数据,得到各意图预测网络的任务训练损失,之后根据各任务训练损失,确定通用训练损失,对通用特征提取网络进行训练。
也就是说,在对通用特征提取网络进行训练时,考虑的是所有的样本文本数据;在对各意图预测网络进行训练时,考虑的是各意图预测网络对应的样本文本数据。这样分阶段更新意图识别模型的网络参数,在对通用特征提取网络学习时,可以保证表征的共享层即通用特征提取网络可以更好的学习文本特征,不拟合到具体的某个场景的意图任务;各意图预测网络只受其对应的样本文本数据(即特定场景任务)的影响,从而使得意图识别模型的学习过程更加鲁棒。
相比于现有多任务联合训练的常规做法在一个样本文本数据中标注不同意图体系的标签,本公开中支持不同意图体系的样本文本数据同时训练,且在意图识别模型中参数更新时对通用特征提取网络和至少两个意图预测网络的参数进行分开更新,可以间接控制模型效果的鲁棒性,不产生负向影响。
本公开实施例提供的技术方案,通过分别获取至少两个意图预测网络对应的样本文本数据,之后将样本文本数据输入通用特征提取网络得到样本文本特征,并将样本文本特征输入对应的意图预测网络得到意图预测网络所预测的样本意图,进而根据意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对意图预测网络进行训练,并根据至少两个意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对通用特征提取网络进行训练。上述技术方案,相比如现有技术中采用一个总损失对模型进行训练易出现过拟合的问题,本公开中分别对通用特征提取网络和各意图预测网络分阶段进行参数更新,在通用特征提取网络训练时采用所有样本文本数据来确定损失进行训练,可以更好的学习到文本特征,避免过拟合;在各意图预测网络训练时采用其对应的样本文本数据来确定损失进行训练,避免不同场景下意图任务的影响,提高了模型的训练效率。
需要说明的是,本公开中各意图预测网络对应的样本文本数据分别进行模型训练。也就是说,本公开中采用多意图任务联合的方式,采用各自意图任务对应的样本文本数据在一个模型中同时训练,在意图预测网络训练时不共享数据集,对意图识别模型未来的扩展提供了很大的灵活性,开发者可以轻松加入一个新的意图任务,不需要考虑新加入意图任务对应的文本数据融合到已有意图识别模型的问题。
此外,通过多意图任务联合的方式还可以大大减少了意图识别模型的训练、维护和部属的成本。
图2A是根据本公开实施例提供的另一种意图识别模型的训练方法的流程图。图2B是根据本公开实施例提供的一种意图预测网络的预测过程示意图。本实施例在上述实施例的基础上,对“将样本文本数据输入通用特征提取网络得到样本文本特征,并将样本文本特征输入对应的意图预测网络得到意图预测网络所预测的样本意图”进一步优化,提供一种可选实时方案。如图2A和图2B所示,本实施例的意图识别模型的训练方法可以包括:
S201,分别获取至少两个意图预测网络对应的样本文本数据;各意图预测网络对应的样本文本数据不同。
S202,将样本文本数据中的当前样本数据输入通用特征提取网络得到当前样本特征,并将当前样本特征输入对应的意图预测网络得到意图预测网络所预测的当前样本意图。
本实施例中,当前样本特征是指当前样本数据经过通用特征提取网络学习所得到的文本特征,可以采用矩阵或向量形式表示。当前样本意图是指通过意图预测网络对当前样本特征进行学习预测所得到的意图。
具体的,可以将样本文本数据中的当前样本数据输入通用特征提取网络中,经过网络学习,得到当前样本特征,之后可以将当前样本文本特征输入对应的意图预测网络中,经过意图预测网络学习预测,得到意图预测网络所预测的当前样本意图。
S203,将样本文本数据中的历史样本数据输入通用特征提取网络得到历史样本特征,并将历史样本特征输入对应的意图预测网络得到意图预测网络所预测的历史样本意图。
本实施例中,历史样本特征是指历史样本数据经过通用特征提取网络学习所得到的文本特征,可以采用矩阵或向量形式表示。历史样本意图是指通过意图预测网络对历史样本特征进行学习预测所得到的意图。
具体的,可以将样本文本数据中的历史样本数据输入通用特征提取网络中,经过网络学习,得到历史样本特征,之后可以将历史样本文本特征输入对应的意图预测网络中,经过意图预测网络学习预测,得到意图预测网络所预测的历史样本意图。
S204,通过对应的意图预测网络,根据当前样本特征、当前样本意图、历史样本特征和历史样本意图,确定融合样本意图。
本实施例中,融合样本意图是指结合当前样本特征和历史样本特征,通过对应的意图预测网络所预测得到的意图。
一种可选方式,可以基于预设的规则,可以将根据当前样本特征、当前样本意图、历史样本特征和历史样本意图进行拼接,得到融合样本特征,之后将融合样本特征输入对应的意图预测网络中,得到融合样本意图。
S205,将当前样本意图、历史样本意图和融合样本意图,作为意图预测网络所预测的样本意图。
具体的,可以将当前样本意图、历史样本意图和融合样本意图,作为意图预测网络所预测的样本意图。
S206,根据意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对意图预测网络进行训练。
S207,根据至少两个意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对通用特征提取网络进行训练。
本公开实施例提供的技术方案,通过分别获取至少两个意图预测网络对应的样本文本数据,之后将样本文本数据中的当前样本数据输入通用特征提取网络得到当前样本特征,并将当前样本特征输入对应的意图预测网络得到意图预测网络所预测的当前样本意图,并将样本文本数据中的历史样本数据输入通用特征提取网络得到历史样本特征,并将历史样本特征输入对应的意图预测网络得到意图预测网络所预测的历史样本意图,进而通过对应的意图预测网络,根据当前样本特征、当前样本意图、历史样本特征和历史样本意图,确定融合样本意图,将当前样本意图、历史样本意图和融合样本意图,作为意图预测网络所预测的样本意图,最后根据意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对意图预测网络进行训练,并根据至少两个意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对通用特征提取网络进行训练。上述技术方案,确定当前样本特征和历史样本特征,提高了特征的完善性,之后结合当前样本特征和历史样本特征,来进行意图预测,可以提高意图预测的准确性。
在上述实施例的基础上,作为本公开的一种可选方式,通过对应的意图预测网络,根据当前样本特征、当前样本意图、历史样本特征和历史样本意图,确定融合样本意图可以是,采用当前样本意图和历史样本意图,对当前样本特征和历史样本特征进行融合得到融合样本特征;将融合样本特征输入对应的意图预测网络得到意图预测网络所预测的融合样本意图。
具体的,可以基于预设规则,对当前样本意图和历史样本意图进行比对,根据比对结果,对当前样本特征和历史样本特征进行融合得到融合样本特征,之后将融合样本特征输入对应的意图预测网络得到意图预测网络所预测的融合样本意图。
可以理解的是,通过当前样本意图和历史样本意图,对当前样本特征和历史样本特征进行融合得到融合样本特征,再将融合样本特征回输入对应意图预测网络来确定融合样本意图,可以提高意图预测网络的预测能力。
示例性的,采用当前样本意图和历史样本意图,对当前样本特征和历史样本特征进行融合得到融合样本特征还可以是,确定当前样本意图和历史样本意图之间的相似度;根据相似度、当前样本特征和历史样本特征,确定融合样本特征。
具体的,可以计算当前样本意图和历史样本意图之间的相似度,例如,可以计算当前样本意图对应的多维预测向量和历史样本意图的多维预测向量之间的相似度,之后基于预设规则,根据相似度、当前样本特征和历史样本特征,确定融合样本特征,例如可以确定相似度与当前样本特征之间的乘积,确定1减去相似度后结果与历史样本特征之间的乘积,将两个乘积相加,将得到的加和结果,作为融合样本特征。
可以理解的是,引入相似度,即可以确定以多大概率去关注历史样本特征,来确定融合样本特征,在模型训练过程中,可以动态调整相似度,即采用这种自监督方式,可以平衡当前样本特征和历史样本特征之间的时序依赖关系,更加精细化学习文本特征,使得所预测的意图更加准确;同时,相比于现有技术中判断当前文本是否需要关注上文,需要人工标注一部分数据模型才可以学习的方案,本公开中相似度作为一个有用的监督信号,可以避免人工标注,大大节省了人工标注的成本。
需要说明的是,在语音场景下,用户表述的问题用户表述的问题会经过经过语音转文本的过程,受语音模块效果影响,转换过程会存在效果折损,产出的文本表述可能不是用户的真实需求,或者用户语音被截断,关键信息丢失,如“播放小”这种情况,如果上文用户一直要看视频,那么当前“播放小”能是继续要看视频,如果上文是一直需求歌曲,那么“播放小”可能是还是需要听音乐,如何合理的根据用户的上文去推理当前对话轮的意图,本公开中采用了自监督的方式来平衡历史会话和当前会话的关系,从而得出在某个时序的场景下,用户的真正意图。
图3A是根据本公开实施例提供的又一种意图识别模型的训练方法的流程图。本实施例在上述实施例的基础上,对“根据意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对意图预测网络进行训练”进一步优化,提供一种可选实施方案。如图3A所示,本实施例的意图识别模型的训练方法可以包括:
S301,分别获取至少两个意图预测网络对应的样本文本数据;各意图预测网络对应的样本文本数据不同。
S302,将样本文本数据输入通用特征提取网络得到样本文本特征,并将样本文本特征输入对应的意图预测网络得到意图预测网络所预测的样本意图。
S303,根据意图预测网络所预测的当前样本意图和样本文本数据的意图监督数据,确定第一训练损失。
具体的,可以基于预设的损失函数,例如交叉熵损失函数,根据意图预测网络所预测的当前样本意图和样本文本数据的意图监督数据,确定第一训练损失。
S304,根据意图预测网络所预测的历史样本意图和样本文本数据的意图监督数据,确定第二训练损失。
具体的,可以基于预设的损失函数,例如交叉熵损失函数,根据意图预测网络所预测的历史样本意图和样本文本数据的意图监督数据,确定第二训练损失。
S305,根据意图预测网络所预测的融合样本意图和样本文本数据的意图监督数据,确定第三训练损失。
具体的,可以基于预设的损失函数,例如交叉熵损失函数,根据意图预测网络所预测的融合样本意图和样本文本数据的意图监督数据,确定第三训练损失。
S306,根据第一训练损失、第二训练损失和第三训练损失,确定意图预测网络的任务训练损失。
一种可选方式,可以将第一训练损失、第二训练损失和第三训练损失进行求和,将求和结果,作为意图预测网络的任务训练损失。
又一种可选方式,还可与对第一训练损失、第二训练损失和第三训练损失求均值,将均值结果作为意图预测网络的任务训练损失。
S307,采用任务训练损失,对意图预测网络进行训练。
具体的,采用任务训练损失,对意图预测网络进行参数更新。
S308,根据至少两个意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对通用特征提取网络进行训练。
本公开实施例的技术方案,通过分别获取至少两个意图预测网络对应的样本文本数据,之后将样本文本数据输入通用特征提取网络得到样本文本特征,并将样本文本特征输入对应的意图预测网络得到意图预测网络所预测的样本意图,进而根据意图预测网络所预测的当前样本意图和样本文本数据的意图监督数据,确定第一训练损失,根据意图预测网络所预测的历史样本意图和样本文本数据的意图监督数据,确定第二训练损失,根据意图预测网络所预测的融合样本意图和样本文本数据的意图监督数据,确定第三训练损失,并根据第一训练损失、第二训练损失和第三训练损失,确定意图预测网络的任务训练损失,采用任务训练损失,对意图预测网络进行训练,最后根据至少两个意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对通用特征提取网络进行训练。上述技术方案,个意图预测网络对应的不同样本意图来确定任务训练损失,可以提高意图预测网络训练的准确性。
在上述实施例的基础上,作为本公开的一种可选方式,根据至少两个意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对通用特征提取网络进行训练,包括:根据至少两个意图预测网络的任务训练损失确定通用训练损失;采用通用训练损失,对通用特征提取网络进行训练。
具体的,可以对各意图预测网络对应的任务训练损失进行求均值,得到通用训练损失,之后采用通用训练损失,对通用特征提取网络进行训练。
可以理解的是,基于所有的任务训练损失来确定通用训练损失,考虑整体数据,可以提供通用特征提取网络的学习能力。
在上述各实施例的基础上,图3B示出了一种意图识别模型的训练与预测过程示意图。以两个不同设备(展示设备即设备show和扬声器即设备loudspeaker)即两个不同意图体系为两个不同的任务在同一个模型内进行学习示例,分别从设备show和设备loudspeaker中获取各自的样本文本数据,s1、s2、s3…、s8、query;其中,s1、s2、s3…、s8表示历史样本数据,query表示当前样本数据。之后分别将设备show和设备loudspeaker各自的样本文本数据输入通用特征提取网络Encoder(dumi pretraintransformer model),分别得到设备show的样本文本数据的历史样本特征(lstm show)和当前样本特征(Q_E),以及设备loudspeaker的样本文本数据的历史样本特征(lstm loudspeaker)和当前样本特征(Q_E)。
接着,分别将设备show和设备loudspeaker各自对应的历史样本特征和当前样本特征输入各自对应的意图预测网络(Shared fully connect),得到样本意图。具体的,以设备show为例,分别将历史样本特征(lstm show)和当前样本特征(Q_E)输入意图预测网络(Shared fully connect),经过意图预测网络中sigmoid预测得到历史样本意图(Session_E),其对应的多维预测向量为Session distribution,以及当前样本意图(query_E),其对应的多维预测向量为query distribution,并确定历史样本意图对应的多维预测向量(Session distribution)和当前样本意图对应的多维预测向量(query distribution)之间的相似度W,即Session distribution和query distribution之间的distributionsimilarity。进而可以根据相似度W、历史样本特征(lstm show也记为context_show)和当前样本特征(Q_E),确定融合样本特征(1-W)*context_show+W*Q_E,并将融合样本特征输入意图预测网络预测得到融合样本意图(supervised_E)。
设备loudspeaker类似,分别将历史样本特征(lstm loudspeaker)和当前样本特征(Q_E)输入意图预测网络(Shared fully connect),经过意图预测网络中sigmoid预测得到历史样本意图(Session_E),其对应的多维预测向量为Session distribution,以及当前样本意图(query_E),其对应的多维预测向量为query distribution,并确定历史样本意图对应的多维预测向量(Session distribution)和当前样本意图对应的多维预测向量(query distribution)之间的相似度W,即Session distribution和query distribution之间的distribution similarity。进而可以根据相似度W、历史样本特征(lstmloudspeaker也记为context_loudspeaker)和当前样本特征(Q_E),确定融合样本特征(1-W)*context_loudspeaker+W*Q_E,并将融合样本特征输入意图预测网络预测得到融合样本意图(supervised_E)。
进而,根据设备show和设备loudspeaker对应的意图预测网络所预测的样本意图和样本文本数据的意图监督数据,分别对各自的意图预测网络进行训练。以设备show为例,其样本文本数据的意图监督数据记为Show Label interaction matrix,根据意图预测网络所预测的当前样本意图(query_E)和样本文本数据的意图监督数据,确定第一训练损失(q_l),并根据意图预测网络所预测的历史样本意图(Session_E)和样本文本数据的意图监督数据,确定第二训练损失(sess_l),同时根据意图预测网络所预测的融合样本意图(supervised_E)和样本文本数据的意图监督数据,确定第三训练损失(super_l);根据第一训练损失、第二训练损失和第三训练损失,确定意图预测网络的任务训练损失(Loss(sess_l+super_l+q_l)),采用任务训练损失,对意图预测网络进行训练,即对任务层参数更新。
同理,设备loudspeaker,其样本文本数据的意图监督数据记为Loud Labelinteraction matrix,如上设备show确定任务训练损失的过程,确定设备loudspeaker对应的意图预测网络的任务训练损失,并采用任务训练损失对意图预测网络进行训练,即对任务层参数更新。
同时,根据设备show对应的意图预测网络的任务训练损失,和设备loudspeaker对应的意图预测网络的任务训练损失,对通用特征提取网络进行训练,即对通用层参数更新。
需要说明的是,在设备show和设备loudspeaker进行预测(Predict)时,对历史样本意图(session_E)和融合样本意图(supervised_E)进行投票,得到最终预测的意图即Vote(Sess,super)。其中,具体投票方式详见下述实施例。
图4是根据本公开实施例提供的一种意图识别方法的流程图。本实施例适用于如何进行意图识别的情况。该方法可以由意图识别装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成于承载意图识别功能的电子设备中,比如服务器中。如图4所示,本实施例的意图识别方法可以包括:
S401,将目标文本数据输入意图识别模型的通用特征提取网络得到目标文本特征,并将目标文本特征分别输入意图识别模型的至少两个意图预测网络,得到至少两个意图预测网络所预测的候选意图。
本实施例中,目标文本数据是指需要进行意图预测的文本数据,可以包括多条文本数据,多条文件数据具有时序关系,比如当前目标数据和历史目标数据;其中,当前目标数据是指当前时刻获取的文本数据;历史目标数据是指当前时刻之前的一段时间内获取的文本数据。示例性的,在语音识别的多轮回话场景下,当前目标数据是指当前轮对获取到的用户语音数据进行文本转换后的文本数据;历史目标数据是指当前轮之前的设定数量的轮次,对所获取到的用户语音数据进行文本转换后的文本数据
需要说明的是,目标文本数据可以从不同场景中获取,例如配置有屏幕设备,或未批准屏幕设备等。
意图识别模型包括通用特征提取网络和至少两个意图预测网络;可以基于上述任意实施例所提供的意图识别模型的训练方法训练得到。
目标文本特征是指经过通用特征提取网络学习得到的文本特征;可以采用矩阵或向量形式。
候选意图是指通过意图预测网络所预测的意图;候选意图的数量为至少两个,每个意图预测网络输出一个候选意图。
具体的,可以将目标文本数据输入意图识别模型的通用特征提取网络,经过网络学习,得到目标文本特征,之后,将目标文本特征分别输入意图识别模型的至少两个意图预测网络,经过各意图预测网络预测,得到至少两个意图预测网络所预测的候选意图。例如,意图识别模型包括N个意图预测网络,为意图预测网络1,意图预测网络2,…,意图预测网络N;可以将目标文本特征分别输入意图预测网络1,意图预测网络2,…,意图预测网络N,分别得到候选意图1,候选意图2,…,候选意图N。需要说明的是,一个候选意图中可以包括多种意图预测结果。
S402,从至少两个候选意图中确定目标文本数据的目标意图。
本实施例中,目标意图是指最终对目标文本数据的预测结果。
一种可选方式,可以从至少两个候选意图中选择准确率最高的候选意图,作为目标文本数据的目标意图。
又一种可选方式,目标文本数据的获取方式,与各意图预测网络在训练时对应的样本文本数据的获取方式,从至少两个候选意图中确定目标文本数据的目标意图。例如,目标文本数据是对从未配置屏幕设备中获取的语音数据进行转换得到的,则将未配置屏幕设备中获取语音数据进行转换得到的样本文本数据,对应的意图预测网络输出的候选意图,作为目标文本数据的目标意图。也就是说,将与目标文本数据属于同意图体系的样本文本数据,对应的意图预测网络所预测的候选意图,作为目标文本数据的目标意图。
本公开实施例的技术方案,通过将目标文本数据输入意图识别模型的通用特征提取网络得到目标文本特征,并将目标文本特征分别输入意图识别模型的至少两个意图预测网络,得到至少两个意图预测网络所预测的候选意图,之后从至少两个候选意图中确定目标文本数据的目标意图。上述技术方案,通过意图识别模型,可以提高意图预测的准确性。
图5是根据本公开实施例提供的又一种意图识别方法的流程图。本实施例在上述实施例的基础上,对“将目标文本数据输入意图识别模型的通用特征提取网络得到目标文本特征;将目标文本特征分别输入意图识别模型的至少两个意图预测网络,得到意图预测网络所预测的至少两个候选意图”进一步优化,提供一种可选实施方案。如图5所示,本实施例的意图识别方法可以包括:
S501,将目标文本数据中的当前目标数据输入通用特征提取网络得到当前目标特征,并将当前目标特征输入意图预测网络得到意图预测网络所预测的当前目标意图。
本实施例中,当前目标特征是指当前目标数据经过通用特征提取网络学习所得到的文本特征,可以采用矩阵或向量形式表示。当前目标意图是指通过意图预测网络对当前目标特征进行学习预测所得到的意图。
具体的,可以将目标文本数据中的当前目标数据输入通用特征提取网络中,经过网络学习,得到当前目标特征,之后可以将当前目标文本特征输入对应的意图预测网络中,经过意图预测网络学习预测,得到意图预测网络所预测的当前目标意图。
S502,将目标文本数据中的历史目标数据输入通用特征提取网络得到历史目标特征,并将历史目标特征输入意图预测网络得到意图预测网络所预测的历史目标意图。
本实施例中,历史目标特征是指历史目标数据经过通用特征提取网络学习所得到的文本特征,可以采用矩阵或向量形式表示。历史目标意图是指通过意图预测网络对历史目标特征进行学习预测所得到的意图。
具体的,可以将目标文本数据中的历史目标数据输入通用特征提取网络中,经过网络学习,得到历史目标特征,之后可以将历史目标文本特征输入对应的意图预测网络中,经过意图预测网络学习预测,得到意图预测网络所预测的历史目标意图。
S503,通过意图预测网络,根据当前目标特征、当前目标意图、历史目标特征和历史目标意图,确定融合目标意图。
本实施例中,融合目标意图是指结合当前目标特征和历史目标特征,通过对应的意图预测网络所预测得到的意图。
一种可选方式,可以基于预设的规则,可以将根据当前目标特征、当前目标意图、历史目标特征和历史目标意图进行拼接,得到融合目标特征,之后将融合目标特征输入对应的意图预测网络中,得到融合目标意图。
S504,根据历史目标意图和融合目标意图,确定意图预测网络所预测的候选意图。
一种可选方式,可以从历史目标意图和融合目标意图中,确定预测准确度高的意图,作为意图预测网络所预测得到的候选意图。
S505,从至少两个候选意图中确定目标文本数据的目标意图。
本公开实施例提供的技术方案,通过将目标文本数据中的当前目标数据输入通用特征提取网络得到当前目标特征,并将当前目标特征输入意图预测网络得到意图预测网络所预测的当前目标意图,并将目标文本数据中的历史目标数据输入通用特征提取网络得到历史目标特征,并将历史目标特征输入意图预测网络得到意图预测网络所预测的历史目标意图,之后通过意图预测网络,根据当前目标特征、当前目标意图、历史目标特征和历史目标意图,确定融合目标意图,进而根据历史目标意图和融合目标意图,确定意图预测网络所预测的候选意图,从至少两个候选意图中确定目标文本数据的目标意图。上述技术方案,确定当前目标特征和历史目标特征,提高了特征的完善性,之后结合当前目标特征和历史目标特征,来进行意图预测,可以提高意图预测的准确性。
在上述实施例的基础上,作为本公开的一种可选方式,通过意图预测网络,根据当前目标特征、当前目标意图、历史目标特征和历史目标意图,确定融合目标意图,包括:采用当前目标意图和历史目标意图,对当前目标特征和历史目标特征进行融合得到融合目标特征;将融合目标特征输入意图预测网络得到意图预测网络所预测的融合目标意图。
具体的,可以基于预设规则,对当前目标意图和历史目标意图进行比对,根据比对结果,对当前目标特征和历史目标特征进行融合得到融合目标特征,之后将融合目标特征输入对应的意图预测网络得到意图预测网络所预测的融合目标意图。
其中,采用当前目标意图和历史目标意图,对当前目标特征和历史目标特征进行融合得到融合目标特征可以是,确定当前目标意图和历史目标意图之间的相似度;根据相似度、当前目标特征和历史目标特征,确定目标融合特征。
具体的,可以计算当前目标意图和历史目标意图之间的相似度,例如,可以计算当前目标意图对应的多维预测向量和历史目标意图的多维预测向量之间的相似度,之后基于预设规则,根据相似度、当前目标特征和历史目标特征,确定融合目标特征,例如可以确定相似度与当前目标特征之间的乘积,确定1减去相似度后结果与历史目标特征之间的乘积,将两个乘积相加,将得到的加和结果,作为融合目标特征。
可以理解的是,通过当前目标意图和历史目标意图,对当前目标特征和历史目标特征进行融合得到融合目标特征,再将融合目标特征回输入对应意图预测网络来确定融合目标意图,从而为目标意图的确定奠定基础。
在上述实施例的基础上,作为本公开的一种可选方式,根据历史目标意图和融合目标意图,确定意图预测网络所预测的候选意图,包括:对历史目标意图和融合目标意图进行融合;根据融合结果,确定意图预测网络所预测的候选意图。
例如,若历史目标意图和融合目标意图相同,且历史目标意图的预测概率和融合目标意图的预测概率的均值概率大于概率阈值,则将历史目标意图或融合目标意图,作为意图预测网络所预测的候选意图。其中,概率阈值可以由本领域技术人员根据实际情况确定,例如0.5。需要说明的是,若历史目标意图和融合目标意图相同,且历史目标意图的预测概率和融合目标意图的预测概率的均值概率小于概率阈值,则该意图预测网络所预测的候选意图不置信,即不作为目标意图的选择对象。
又如,对历史目标意图对应的多维预测向量,与融合目标意图对应的多维预测向量求均值,得到均值向量,对均值向量中大于概率阈值的预测概率对应的标签,作为候选意图。一个具体的例子,意图预测网络输出标签A,标签B和标签C的多维预测向量,即历史目标意图对应的意图预测网络输出的多维预测向量为[0.9,0.6,0.2],融合目标意图对应的意图预测网络输出多维预测向量为[0.8,0.9,0.3],均值向量[0.85,0.75,0.25],0.85和0.75均大于概率阈值0.5,则将标签A和标签B作为候选意图。
可以理解的是,通过对历史目标意图和融合目标意图进行融合,使得所得到的目标意图更加置信。
图6是根据本公开实施例提供的一种意图识别模型的训练装置的结构示意图。本实施例适用于如何对意图识别模型进行训练的情况。该装置可以采用软件和/或硬件的方式实现,并可集成于承载意图识别模型的训练功能的电子设备中,比如服务器中。
可选的,意图识别模型包括通用特征提取网络和至少两个意图预测网络;至少两个意图预测网络的网络结构相同。其中,通用特征提取网络用于提取样本文本数据的特征;意图预测网络用于根据所提取到的样本文本数据的特征进行意图预测。
如图6所示,本实施例的意图识别模型的训练装置600可以包括:
样本文本数据确定模块601,用于分别获取至少两个意图预测网络对应的样本文本数据;各意图预测网络对应的样本文本数据不同;
样本意图确定模块602,用于将样本文本数据输入通用特征提取网络得到样本文本特征,并将样本文本特征输入对应的意图预测网络得到意图预测网络所预测的样本意图;
意图预测网络训练模块603,用于根据意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对意图预测网络进行训练;
特征提取网络训练模块604,用于根据至少两个意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对通用特征提取网络进行训练。
本公开实施例提供的技术方案,通过分别获取至少两个意图预测网络对应的样本文本数据,之后将样本文本数据输入通用特征提取网络得到样本文本特征,并将样本文本特征输入对应的意图预测网络得到意图预测网络所预测的样本意图,进而根据意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对意图预测网络进行训练,并根据至少两个意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对通用特征提取网络进行训练。上述技术方案,相比如现有技术中采用一个总损失对模型进行训练易出现过拟合的问题,本公开中分别对通用特征提取网络和各意图预测网络分阶段进行参数更新,在通用特征提取网络训练时采用所有样本文本数据来确定损失进行训练,可以更好的学习到文本特征,避免过拟合;在各意图预测网络训练时采用其对应的样本文本数据来确定损失进行训练,避免不同场景下意图任务的影响,提高了模型的训练效率。
进一步地,样本意图确定模块,包括:
当前样本意图确定单元,用于将样本文本数据中的当前样本数据输入通用特征提取网络得到当前样本特征,并将当前样本特征输入对应的意图预测网络得到意图预测网络所预测的当前样本意图;
历史样本意图确定单元,用于将样本文本数据中的历史样本数据输入通用特征提取网络得到历史样本特征,并将历史样本特征输入对应的意图预测网络得到意图预测网络所预测的历史样本意图;
融合样本意图确定单元,用于通过对应的意图预测网络,根据当前样本特征、当前样本意图、历史样本特征、历史样本意图,确定融合样本意图;
样本意图确定单元,用于将当前样本意图、历史样本意图和融合样本意图,作为意图预测网络所预测的样本意图。
进一步地,,融合样本意图确定单元包括:
融合样本特征确定子单元,用于采用当前样本意图和历史样本意图,对当前样本特征和历史样本特征进行融合得到融合样本特征;
融合样本意图确定子单元,用于将融合样本特征输入对应的意图预测网络得到意图预测网络所预测的融合样本意图。
进一步地,融合样本特征确定子单元具体用于:
确定当前样本意图和历史样本意图之间的相似度;
根据相似度、当前样本特征和历史样本特征,确定样本融合特征。
进一步地,意图预测网络训练模块具体用于:
根据意图预测网络所预测的当前样本意图和样本文本数据的意图监督数据,确定第一训练损失;
根据意图预测网络所预测的历史样本意图和样本文本数据的意图监督数据,确定第二训练损失;
根据意图预测网络所预测的融合样本意图和样本文本数据的意图监督数据,确定第三训练损失;
根据第一训练损失、第二训练损失和第三训练损失,确定意图预测网络的任务训练损失;
采用任务训练损失,对意图预测网络进行训练。
进一步地,特征提取网络训练模块具体用于:
根据至少两个意图预测网络的任务训练损失确定通用训练损失;
采用通用训练损失,对通用特征提取网络进行训练。
图7是根据本公开实施例提供的一种意图识别装置的结构示意图。本实施例适用于如何进行意图识别的情况。该装置可以采用软件和/或硬件的方式实现,并可集成于承载意图识别功能的电子设备中,比如服务器中。如图7所示,本实施例的意图识别装置700可以包括:
候选意图确定模块701,用于将目标文本数据输入意图识别模型的通用特征提取网络得到目标文本特征,并将目标文本特征分别输入意图识别模型的至少两个意图预测网络,得到至少两个意图预测网络所预测的候选意图;
目标意图确定模块702,用于从至少两个候选意图中确定目标文本数据的目标意图;其中,意图识别模型基于本公开任一实施例所提供的意图识别模型的训练装置训练得到。
本公开实施例的技术方案,通过将目标文本数据输入意图识别模型的通用特征提取网络得到目标文本特征,并将目标文本特征分别输入意图识别模型的至少两个意图预测网络,得到至少两个意图预测网络所预测的候选意图,之后从至少两个候选意图中确定目标文本数据的目标意图。上述技术方案,通过意图识别模型,可以提高意图预测的准确性。
进一步地,候选意图确定模块,包括:
当前目标意图确定单元,用于将目标文本数据中的当前目标数据输入通用特征提取网络得到当前目标特征,并将当前目标特征输入意图预测网络得到意图预测网络所预测的当前目标意图;
历史目标意图确定单元,用于将目标文本数据中的历史目标数据输入通用特征提取网络得到历史目标特征,并将历史目标特征输入意图预测网络得到意图预测网络所预测的历史目标意图;
融合目标意图确定单元,用于通过意图预测网络,根据当前目标特征、当前目标意图、历史目标特征和历史目标意图,确定融合目标意图;
候选意图确定单元,用于根据历史目标意图和融合目标意图,确定意图预测网络所预测的候选意图。
进一步地,融合目标意图确定单元具体用于:
采用当前目标意图和历史目标意图,对当前目标特征和历史目标特征进行融合得到融合目标特征;
将融合目标特征输入意图预测网络得到意图预测网络所预测的融合目标意图。
进一步地,候选意图确定单元具体用于:
对历史目标意图和融合目标意图进行融合;
根据融合结果,确定意图预测网络所预测的候选意图。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8是用来实现本公开实施例的意图识别模型的训练方法,或意图识别方法的电子设备的框图。图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,电子设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如意图识别模型的训练方法或意图识别方法。例如,在一些实施例中,意图识别模型的训练方法或意图识别方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的意图识别模型的训练方法或意图识别方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行意图识别模型的训练方法或意图识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (23)
1.一种意图识别模型的训练方法,所述意图识别模型包括通用特征提取网络和至少两个意图预测网络;所述至少两个意图预测网络的网络结构相同;所述方法包括:
分别获取至少两个意图预测网络对应的样本文本数据;各所述意图预测网络对应的样本文本数据不同;
将所述样本文本数据输入所述通用特征提取网络得到样本文本特征,并将所述样本文本特征输入对应的意图预测网络得到意图预测网络所预测的样本意图;
根据意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对所述意图预测网络进行训练;
根据至少两个意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对所述通用特征提取网络进行训练。
2.根据权利要求1所述的方法,其中,所述将所述样本文本数据输入所述通用特征提取网络得到样本文本特征,并将所述样本文本特征输入对应的意图预测网络得到意图预测网络所预测的样本意图,包括:
将所述样本文本数据中的当前样本数据输入所述通用特征提取网络得到当前样本特征,并将所述当前样本特征输入对应的意图预测网络得到意图预测网络所预测的当前样本意图;
将所述样本文本数据中的历史样本数据输入所述通用特征提取网络得到历史样本特征,并将所述历史样本特征输入对应的意图预测网络得到意图预测网络所预测的历史样本意图;
通过对应的意图预测网络,根据所述当前样本特征、所述当前样本意图、所述历史样本特征和所述历史样本意图,确定融合样本意图;
将所述当前样本意图、所述历史样本意图和所述融合样本意图,作为所述意图预测网络所预测的样本意图。
3.根据权利要求2所述的方法,其中,所述通过对应的意图预测网络,根据所述当前样本特征、所述当前样本意图、所述历史样本特征和所述历史样本意图,确定融合样本意图,包括:
采用所述当前样本意图和所述历史样本意图,对所述当前样本特征和所述历史样本特征进行融合得到融合样本特征;
将所述融合样本特征输入对应的意图预测网络得到意图预测网络所预测的融合样本意图。
4.根据权利要求3所述的方法,其中,所述采用所述当前样本意图和所述历史样本意图,对所述当前样本特征和所述历史样本特征进行融合得到融合样本特征,包括:
确定所述当前样本意图和所述历史样本意图之间的相似度;
根据所述相似度、所述当前样本特征和所述历史样本特征,确定融合样本特征。
5.根据权利要求2所述的方法,其中,所述根据意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对所述意图预测网络进行训练,包括:
根据意图预测网络所预测的当前样本意图和样本文本数据的意图监督数据,确定第一训练损失;
根据意图预测网络所预测的历史样本意图和样本文本数据的意图监督数据,确定第二训练损失;
根据意图预测网络所预测的融合样本意图和样本文本数据的意图监督数据,确定第三训练损失;
根据所述第一训练损失、所述第二训练损失和所述第三训练损失,确定所述意图预测网络的任务训练损失;
采用所述任务训练损失,对所述意图预测网络进行训练。
6.根据权利要求5所述的方法,其中,所述根据至少两个意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对所述通用特征提取网络进行训练,包括:
根据所述至少两个意图预测网络的任务训练损失确定通用训练损失;
采用所述通用训练损失,对所述通用特征提取网络进行训练。
7.一种意图识别方法,包括:
将目标文本数据输入意图识别模型的通用特征提取网络得到目标文本特征,并将所述目标文本特征分别输入所述意图识别模型的至少两个意图预测网络,得到至少两个意图预测网络所预测的候选意图;
从所述至少两个候选意图中确定所述目标文本数据的目标意图;其中,所述意图识别模型基于权利要求1-6中任一项所述的意图识别模型的训练方法训练得到。
8.根据权利要求7所述的方法,其中,所述将目标文本数据输入意图识别模型的通用特征提取网络得到目标文本特征;将所述目标文本特征分别输入所述意图识别模型的至少两个意图预测网络,得到意图预测网络所预测的至少两个候选意图,包括:
将所述目标文本数据中的当前目标数据输入所述通用特征提取网络得到当前目标特征,并将所述当前目标特征输入意图预测网络得到意图预测网络所预测的当前目标意图;
将所述目标文本数据中的历史目标数据输入所述通用特征提取网络得到历史目标特征,并将所述历史目标特征输入意图预测网络得到意图预测网络所预测的历史目标意图;
通过意图预测网络,根据所述当前目标特征、所述当前目标意图、所述历史目标特征和所述历史目标意图,确定融合目标意图;
根据所述历史目标意图和所述融合目标意图,确定所述意图预测网络所预测的候选意图。
9.根据权利要求8所述的方法,其中,所述通过意图预测网络,根据所述当前目标特征、所述当前目标意图、所述历史目标特征和所述历史目标意图,确定融合目标意图,包括:
采用所述当前目标意图和所述历史目标意图,对所述当前目标特征和所述历史目标特征进行融合得到融合目标特征;
将所述融合目标特征输入意图预测网络得到意图预测网络所预测的融合目标意图。
10.根据权利要求8所述的方法,其中,所述根据所述历史目标意图和所述融合目标意图,确定所述意图预测网络所预测的候选意图,包括:
对所述历史目标意图和所述融合目标意图进行融合;
根据融合结果,确定所述意图预测网络所预测的候选意图。
11.一种意图识别模型的训练装置,所述意图识别模型包括通用特征提取网络和至少两个意图预测网络;所述至少两个意图预测网络的网络结构相同;所述装置包括:
样本文本数据确定模块,用于分别获取至少两个意图预测网络对应的样本文本数据;各所述意图预测网络对应的样本文本数据不同;
样本意图确定模块,用于将所述样本文本数据输入所述通用特征提取网络得到样本文本特征,并将所述样本文本特征输入对应的意图预测网络得到意图预测网络所预测的样本意图;
意图预测网络训练模块,用于根据意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对所述意图预测网络进行训练;
特征提取网络训练模块,用于根据至少两个意图预测网络所预测的样本意图和样本文本数据的意图监督数据,对所述通用特征提取网络进行训练。
12.根据权利要求11所述的装置,其中,所述样本意图确定模块,包括:
当前样本意图确定单元,用于将所述样本文本数据中的当前样本数据输入所述通用特征提取网络得到当前样本特征,并将所述当前样本特征输入对应的意图预测网络得到意图预测网络所预测的当前样本意图;
历史样本意图确定单元,用于将所述样本文本数据中的历史样本数据输入所述通用特征提取网络得到历史样本特征,并将所述历史样本特征输入对应的意图预测网络得到意图预测网络所预测的历史样本意图;
融合样本意图确定单元,用于通过对应的意图预测网络,根据所述当前样本特征、所述当前样本意图、所述历史样本特征和所述历史样本意图,确定融合样本意图;
样本意图确定单元,用于将所述当前样本意图、所述历史样本意图和所述融合样本意图,作为所述意图预测网络所预测的样本意图。
13.根据权利要求12所述的装置,其中,所述融合样本意图确定单元包括:
融合样本特征确定子单元,用于采用所述当前样本意图和所述历史样本意图,对所述当前样本特征和所述历史样本特征进行融合得到融合样本特征;
融合样本意图确定子单元,用于将所述融合样本特征输入对应的意图预测网络得到意图预测网络所预测的融合样本意图。
14.根据权利要求13所述的装置,其中,所述融合样本特征确定子单元具体用于:
确定所述当前样本意图和所述历史样本意图之间的相似度;
根据所述相似度、所述当前样本特征和所述历史样本特征,确定融合样本特征。
15.根据权利要求12所述的装置,其中,所述意图预测网络训练模块具体用于:
根据意图预测网络所预测的当前样本意图和样本文本数据的意图监督数据,确定第一训练损失;
根据意图预测网络所预测的历史样本意图和样本文本数据的意图监督数据,确定第二训练损失;
根据意图预测网络所预测的融合样本意图和样本文本数据的意图监督数据,确定第三训练损失;
根据所述第一训练损失、所述第二训练损失和所述第三训练损失,确定所述意图预测网络的任务训练损失;
采用所述任务训练损失,对所述意图预测网络进行训练。
16.根据权利要求15所述的装置,其中,所述特征提取网络训练模块具体用于:
根据所述至少两个意图预测网络的任务训练损失确定通用训练损失;
采用所述通用训练损失,对所述通用特征提取网络进行训练。
17.一种意图识别装置,包括:
候选意图确定模块,用于将目标文本数据输入意图识别模型的通用特征提取网络得到目标文本特征,并将所述目标文本特征分别输入所述意图识别模型的至少两个意图预测网络,得到至少两个意图预测网络所预测的候选意图;
目标意图确定模块,用于从所述至少两个候选意图中确定所述目标文本数据的目标意图;其中,所述意图识别模型基于权利要求1-6中任一项所述的意图识别模型的训练装置训练得到。
18.根据权利要求17所述的装置,其中,所述候选意图确定模块,包括:
当前目标意图确定单元,用于将所述目标文本数据中的当前目标数据输入所述通用特征提取网络得到当前目标特征,并将所述当前目标特征输入意图预测网络得到意图预测网络所预测的当前目标意图;
历史目标意图确定单元,用于将所述目标文本数据中的历史目标数据输入所述通用特征提取网络得到历史目标特征,并将所述历史目标特征输入意图预测网络得到意图预测网络所预测的历史目标意图;
融合目标意图确定单元,用于通过意图预测网络,根据所述当前目标特征、所述当前目标意图、所述历史目标特征和所述历史目标意图,确定融合目标意图;
候选意图确定单元,用于根据所述历史目标意图和所述融合目标意图,确定所述意图预测网络所预测的候选意图。
19.根据权利要求18所述的装置,其中,所述融合目标意图确定单元具体用于:
采用所述当前目标意图和所述历史目标意图,对所述当前目标特征和所述历史目标特征进行融合得到融合目标特征;
将所述融合目标特征输入意图预测网络得到意图预测网络所预测的融合目标意图。
20.根据权利要求18所述的装置,其中,所述候选意图确定单元具体用于:
对所述历史目标意图和所述融合目标意图进行融合;
根据融合结果,确定所述意图预测网络所预测的候选意图。
21.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的意图识别模型的训练方法,或权利要求7-10所述的意图识别方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-6中任一项所述的意图识别模型的训练方法,或权利要求7-10所述的意图识别方法。
23.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的意图识别模型的训练方法,或权利要求7-10所述的意图识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211305332.1A CN115470798A (zh) | 2022-10-24 | 2022-10-24 | 意图识别模型的训练方法、意图识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211305332.1A CN115470798A (zh) | 2022-10-24 | 2022-10-24 | 意图识别模型的训练方法、意图识别方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115470798A true CN115470798A (zh) | 2022-12-13 |
Family
ID=84336387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211305332.1A Pending CN115470798A (zh) | 2022-10-24 | 2022-10-24 | 意图识别模型的训练方法、意图识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115470798A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628177A (zh) * | 2023-05-22 | 2023-08-22 | 福建省网络与信息安全测评中心 | 针对网络安全平台的交互数据处理方法及系统 |
-
2022
- 2022-10-24 CN CN202211305332.1A patent/CN115470798A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628177A (zh) * | 2023-05-22 | 2023-08-22 | 福建省网络与信息安全测评中心 | 针对网络安全平台的交互数据处理方法及系统 |
CN116628177B (zh) * | 2023-05-22 | 2023-11-14 | 福建省网络与信息安全测评中心 | 针对网络安全平台的交互数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3913545A2 (en) | Method and apparatus for updating parameter of multi-task model, and electronic device | |
CN114942984B (zh) | 视觉场景文本融合模型的预训练和图文检索方法及装置 | |
EP3961476A1 (en) | Entity linking method and apparatus, electronic device and storage medium | |
CN111341299B (zh) | 一种语音处理方法及装置 | |
EP4113357A1 (en) | Method and apparatus for recognizing entity, electronic device and storage medium | |
EP4099333A2 (en) | Method and apparatus for training compound property pediction model, storage medium and computer program product | |
CN115376211B (zh) | 唇形驱动方法、唇形驱动模型的训练方法、装置及设备 | |
CN115455161A (zh) | 对话处理方法、装置、电子设备及存储介质 | |
CN113407850A (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
CN113836268A (zh) | 文档理解方法及装置、电子设备和介质 | |
CN115470798A (zh) | 意图识别模型的训练方法、意图识别方法、装置及设备 | |
EP3910528A2 (en) | Method, apparatus, device, and storage medium for generating response | |
CN113468857B (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
CN113360683A (zh) | 训练跨模态检索模型的方法以及跨模态检索方法和装置 | |
CN109002498B (zh) | 人机对话方法、装置、设备及存储介质 | |
JP2022050615A (ja) | 送電網システムディスパッチングモデルのトレーニング方法、装置、機器及び記憶媒体 | |
CN114254028A (zh) | 事件属性抽取方法、装置、电子设备和存储介质 | |
CN114490969A (zh) | 基于表格的问答方法、装置以及电子设备 | |
CN113222414A (zh) | 模型稳定性的评估方法、装置、电子设备和存储介质 | |
CN115879468B (zh) | 基于自然语言理解的文本要素提取方法、装置和设备 | |
CN113572679B (zh) | 账户亲密度的生成方法、装置、电子设备和存储介质 | |
CN114580543B (zh) | 模型训练方法、交互日志解析方法、装置、设备及介质 | |
CN115827526B (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN115294536B (zh) | 基于人工智能的违章检测方法、装置、设备及存储介质 | |
CN114840656B (zh) | 一种视觉问答方法、装置、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 |