CN115658891B - 一种意图识别的方法、装置、存储介质及电子设备 - Google Patents

Abstract

本说明书公开了一种意图识别的方法、装置、存储介质及电子设备。该意图识别的方法包括：将获取到的待识别语句输入预先训练的意图识别模型中，以通过意图识别模型，对待识别语句中包含的专有词进行提取，以及，确定待识别语句对应的基础语义信息，确定符合该基础语义信息对应语意下的专有词类型，并在提取到的各专有词中，确定属于该专有词类型的专有词，作为目标专有词，进而根据目标专有词，对待识别语句进行意图识别。

Description

一种意图识别的方法、装置、存储介质及电子设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种意图识别的方法、装置、存储介质及电子设备。

背景技术

随着科技的发展，人机交互技术也在诸如隐私保护、智能对话等领域得到了广泛的应用，而人机交互的重点则在于对用户的意图进行分析，从而理解用户所表达的意思，进而执行相应的交互动作与用户进行交互。在实际应用中，通常会出现一些专有名词，如城市名称(如城市A、城市B)、专业词汇(如甘油酯、羟基乙酸等)以及各种电商名称等，在意图识别的过程中，通常会将这些专有名词作为先验知识，当匹配到交互语句中出现专有名词后，则可以直接将匹配到的专有名词加入到最终的意图识别结果中。

然而，目前的意图识别方法并不能准确的确定出待识别语句的语义信息，甚至会出现错误的识别结果，从而执行错误的交互动作或者交互指令，严重影响了用户体验。

发明内容

本说明书提供一种意图识别的方法、装置、存储介质及电子设备。以对待识别语句进行准确的意图识别。

本说明书采用下述技术方案：

本说明书提供了一种意图识别的方法，包括：

获取待识别语句；

将所述待识别语句输入预先训练的意图识别模型中，以通过所述意图识别模型，对所述待识别语句中包含的专有词进行提取，以及，确定所述待识别语句对应的基础语义；

确定所述基础语义对应的专有词类型，并在提取到的各专有词中，确定属于所述专有词类型的专有词，作为目标专有词；

根据所述目标专有词，对所述待识别语句进行意图识别。

可选地，确定所述基础语义对应的专有词类型，具体包括：

根据所述待识别语句对应的基础语义，确定不同专有词类型的专有词在所述待识别语句中的重要程度；

根据所述重要程度，确定所述基础语义对应的专有词类型。

可选地，根据所述目标专有词，对所述待识别语句进行意图识别，具体包括：

根据所述待识别语句对应的基础语义，对所述待识别语句进行意图识别，得到所述待识别语句的基础意图识别结果；

根据所述目标专有词以及所述基础意图识别结果，得到针对所述待识别语句的意图识别结果。

可选地，根据所述目标专有词以及所述基础意图识别结果，得到针对所述待识别语句的意图识别结果，具体包括：

根据所述目标专有词中包含的各字符在所述待识别语句中对应的位置，确定所述目标专有词中包含的各字符对应的位置编码；

根据所述目标专有词中包含的各字符对应的位置编码，将所述目标专有词添加到所述基础意图识别结果中，得到针对所述待识别语句的意图识别结果。

可选地，所述方法还包括：

若提取到的各专有词中不包含所述基础语义对应的专有词类型的专有词，则根据所述待识别语句对应的基础语义，对所述待识别语句进行意图识别。

可选地，所述意图识别模型包括：第一子网络和第二子网络；

确定所述待识别语句对应的基础语义，具体包括：

通过所述第一子网络，确定所述待识别语句对应的基础语义；

确定所述基础语义对应的专有词类型，具体包括：

通过所述第一子网络，确定所述基础语义对应的专有词类型；

在提取到的各专有词中，确定属于所述专有词类型的专有词，作为目标专有词，具体包括：

通过所述第二子网络，在提取到的各专有词中，确定属于所述专有词类型的专有词，作为目标专有词。

可选地，通过所述第二子网络，在提取到的各专有词中，确定属于与所述待识别语句相匹配的专有词类型的专有词，作为目标专有词，具体包括：

针对提取出的每个专有词，根据该专有词对应的专有词类型，确定该专有词对应的类型编码；

将该专有词对应的类型编码输入所述第二子网络，以通过所述第二子网络，确定该专有词对应的类型编码是否为与所述待识别语句相匹配的专有词类型对应的类型编码；

若是，则将该专有词作为目标专有词。

可选地，训练所述意图识别模型，具体包括：

获取历史语句；

将所述历史语句输入待训练的意图识别模型中，以通过所述意图识别模型，对所述历史语句中包含的专有词进行提取，以及，确定所述历史语句对应的历史基础语义；

确定所述历史基础语义对应的专有词类型，作为候选专有词类型；

以最小化所述候选专有词类型，与所述历史基础语义实际对应专有词类型之间的偏差为优化目标，对所述意图识别模型进行训练。

本说明书提供了一种意图识别的装置，包括：

获取模块，获取待识别语句；

输入模块，将所述待识别语句输入预先训练的意图识别模型中，以通过所述意图识别模型，对所述待识别语句中包含的专有词进行提取，以及，确定所述待识别语句对应的基础语义；

确定模块，确定所述基础语义对应的专有词类型，并在提取到的各专有词中，确定属于所述专有词类型的专有词，作为目标专有词；

识别模块，根据所述目标专有词，对所述待识别语句进行意图识别。

可选地，所述确定模块具体用于，根据所述待识别语句对应的基础语义，确定不同专有词类型的专有词在所述待识别语句中的重要程度；

根据所述重要程度，确定符合所述基础语义对应语意下的专有词类型。

可选地，所述识别模块具体用于，根据所述待识别语句对应的基础语义，对所述待识别语句进行意图识别，得到所述待识别语句的基础意图识别结果；根据所述目标专有词以及所述基础意图识别结果，得到针对所述待识别语句的意图识别结果。

可选地，所述识别模块具体用于，根据所述目标专有词中包含的各字符在所述待识别语句中对应的位置，确定所述目标专有词中包含的各字符对应的位置编码；根据所述目标专有词中包含的各字符对应的位置编码，将所述目标专有词添加到所述基础意图识别结果中，得到针对所述待识别语句的意图识别结果。

可选地，所述识别模块还用于，若提取到的各专有词中不包含所述基础语义对应的专有词类型的专有词，则根据所述待识别语句对应的基础语义，对所述待识别语句进行意图识别。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述意图识别的方法。

本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述意图识别的方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的意图识别的方法中，将获取到的待识别语句输入预设的意图识别模型中，以通过意图识别模型，对待识别语句中包含的专有词进行提取，以及，确定待识别语句对应的基础语义信息，确定符合该基础语义信息对应语意下的专有词类型，并在提取到的各专有词中，确定属于该专有词类型的专有词，作为目标专有词，进而根据目标专有词，对待识别语句进行意图识别。

从上述方法可以看出，本方案在意图识别的过程中，能够根据待识别语句的语义，判断提取到的专有词是为基础语义对应的专有词类型的专有词，并且只有当提取到的专有词属于基础语义对应的专有词类型时，才会根据该专有词对待识别语句进行意图识别，相比于目前直接将专有词加入意图识别结果的方法，本方案进一步提高了意图识别的准确性，进而提高用户体验。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附

图中：

图1为本说明书中提供的一种意图识别的方法的流程示意图；

图2为本说明书中提供的一种意图识别的过程示意图；

图3为本说明书中提供的一种意图识别的装置的示意图；

图4为本说明书中提供的一种对应于图1的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中提供的一种意图识别的方法的流程示意图，包括以下步骤：

S100：获取待识别语句。

在人机交互的场景下，诸如智能客服、智能对话机器人等服务端中设置的意图识别模型通常会对根据采集到的对话语句来进行意图识别，以确定用户的对话意图，进而根据意图识别结果来对执行相应的交互动作，如对用户的对话进行语音回复或者文字回复、向用户展示相应的信息等。

在实际应用中，通常会出现一些特殊的语句，其中会出现多个专有词，并且这些专有词有一定的重叠，从而对模型的识别结果造成误导，例如，在语句“谁是这场比赛的新冠军？”中，会出现医学词汇“新冠”，以及竞技词汇“冠军”这两个专有词，而这两个专有词中只有一个符合当前语句的语意，也就是“冠军”，但是意图识别模型在进行意图识别的过程中，专有词“新冠”很有可能对最终的识别结果造成一定的误导，尤其是对于一些刚刚上线或是刚刚投入使用的应用以及产品，由于用户产生的数据较少，所以应用的意图识别模型训练并不充分，这些特殊的语句很可能使模型产生错误的意图识别结果，从而错误的将专有词“新冠”加入到最终的意图识别结果中。

除此之外，实际应用中还会存在一些其他的情况，对意图识别模型的意图识别结果造成干扰，如在短视频平台的内容审核场景下，通常会根据用户的文案或是语音内容来判断用户发布的内容是否存在异常，以及时对异常内容进行屏蔽处理，在此过程中，如果用户的文案为“我从来没有从事过异常事务”这种带有否定语意的语句，并且该“异常事务”为专有词，则该专有词很有可能对意图识别结果造成影响，使意图识别模型忽略原文案的否定语意，误认为用户从事了“异常事务”从而将用户发布的内容进行屏蔽。

再例如，当完整的语句中包含有多个意图不同的子语句时，每个子语句对应的意图都可能对最终整个语句对应的意图识别结果造成影响，例如，当语句为“我在买东西，给我的哈士奇买吃的。”，如果直接将专有名词“哈士奇”加入到最终的语意识别结果，很有可能导致最终识别出的用户意图为用户在购买哈士奇，而不是给哈士奇买吃的。

因此，为了避免这些特殊的语句导致意图识别模型最终的意图识别结果出现误差，本说明书提供了一种意图识别的方法，从而得到更为准确的意图识别结果，其中，需要先获取待识别语句。

在本说明书中，上述待识别语句可以为用户在诸如智能客服的业务平台输入的文字、语音，或是从用户的语音中提取到的文本内容。此外，待识别语句也可以为用于智能对话的终端设备(如智能音箱、智能机器人等)通过自身安装的传感器(如音频采集器等)采集到的用户的对话。当然，该待识别语句还可以为诸如内容审核场景下，用户发布的文案或者从音视频中提取到的文本内容等，本说明书对此不做具体限定。

另外，本说明书用于实现意图识别的方法的执行主体，可以指服务器等设置于业务平台的指定设备，当然，也可以是指上述用于智能对话的终端设备，为了便于描述，本说明书仅以服务器是执行主体为例，对本说明书提供的一种意图识别的方法进行说明。

S102：将所述待识别语句输入预先训练的意图识别模型中，以通过所述意图识别模型，对所述待识别语句中包含的专有词进行提取，以及，确定所述待识别语句对应的基础语义。

获取待识别语句后，服务器可以将该待识别语句输入预先训练的意图识别模型中，其中，该意图识别模型可以包含有第一子网络以及第二子网络，第一子网络用于根据待识别语句，确定待识别语句对应的基础语义，以及，确定在待识别语句的基础语义下，与待识别语句相匹配的专有词类型，作为该基础语义对应的专有词类型。第二子网络用于，在提取到的各专有词中，确定属于该专有词类型的专有词，作为目标专有词，关于第二子网络将在下文进行详细的描述，在此处不做过多的赘述。

第一子网络中设置有特征提取层，从而提取待识别语句对应的语句特征。该特征提取层可以采用Bert模型作为特征提取器，当然，也可以采用其他模型作为特征提取器，本说明书对此不做具体限定。

具体的，将待识别语句输入意图识别模型后，服务器可以先通过意图识别模型对待识别语句中出现的专有词进行确定以及提取，其中，服务器中可以设置有专有词词库，该专有词词库中包含有预先填加到其中的专有词，这些专有词的专有词类型可以包括：网络用语、城市名称、化学成分名称、专业词汇、电商名称、竞技词汇等，本说明书对此不做具体限定。

当服务器在专有词词库中匹配到待识别语句中出现的专有词后，可以通过意图识别模型对确定出的专有词进行提取，并将提取到的专有词与待识别语句进行拼接，得到拼接后语句。其中，服务器可以将提取到的专有词拼接到待识别语句第一个字符之前，当然，也可以将提取到的专有词拼接到待识别语句的其他位置，本说明书对此不做具体限定。为了便于理解，本说明书提供了一种特征提取的过程示意图，如图2所示。

图2为本说明书中提供的一种特征提取的过程示意图。

以待识别语句为“谁是这场比赛的新冠军？”为例，其中，输入到Bert模型中的每个字符都对应有一个字符token，而当意图识别模型从中提取到“新冠”和“冠军”两个专有词时，可以将这两个专有词对应的字符token与待识别语句进行拼接，从而得到拼接后语句“新冠冠军谁是这场比赛的新冠军？”

由于在将待识别语句输入到Bert模型中时，每一个字符还对应有相应的位置编码，因此，服务器可以根据专有词中包含的每个字符在待识别语句中的位置，确定专有词中包含的每个字符对应的位置编码，以便于根据该位置编码将确定出的专有词添加到待识别语句对应待识别结果的对应位置上。还以上述待识别语句为“谁是这场比赛的新冠军？”为例，此时待识别语句中，每个字符对应的位置编码依次为0、1、2……10，其中“新冠”对应的位置编码为7、8，“冠军”对应的位置编码为8、9，因此，拼接后语句对应的位置编码为7、8、8、9、0、1、2……10。

此外，由于确定出的每个专有词对应的专有词类型不同，服务器可以确定出每个专有词对应的类型编码，从而准确的区分不同专有词对应的专有词类型，如当医学词汇对应的类型编码为1，而竞技词汇对应类型编码为2时，则专有词“新冠”对应的类型编码为1，而专有词“冠军”对应的类型编码为2。

而后服务器可以将包含有各字符对应的字符token，各字符对应的位置编码以及提取到的专有词对应的类型编码的拼接后语句输入到第一子网络中的特征提取层(Bert模型)，进而通过Bert模型中的池化层，输出待识别语句对应的语句特征和提取到的各专有词对应的语句特征。

与此同时，第一子网络还可以通过该Bert模型，确定待识别语句对应的基础语义，该基础语义用于表征待识别语句的上下文、时间、空间、情景、对象、话语前提等语境或语意因素。

另外，在使用上述意图识别模型之前，还需要先对该意图识别模型进行训练，用于训练意图识别模型的执行主体可以为诸如服务器等指定设备，本说明书对此不做具体限定。

具体的，服务器可以获取训练样本，并且该训练样本中包含有用户的历史语句，而后服务器可以将该历史语句输入待训练的意图识别模型中，以通过意图识别模型，对该历史语句中包含的专有词进行提取并确定历史语句对应的历史基础语义，进而确定该历史基础语义对应的专有词类型，作为候选专有词类型。而后服务器可以以最小化候选专有词类型，与历史基础语义对应的实际专有词类型之间的偏差为优化目标，对意图识别模型进行训练，直至满足训练目标。其中，历史基础语义实际对应专有词类型可以采用人工标注的方式进行标注，当然，也可以通过相应的标注模型自动进行标注，本说明书对此不做具体限定。

此外，服务器还可以根据上述候选专有词，对待识别语句进行意图识别，得到待识别语句的意图识别结果，进而以最小化该意图识别结果和历史语句的实际意图之间的偏差，以及最小化候选专有词类型与历史基础语义实际对应的专有词类型之间的偏差为优化目标，对意图识别模型进行训练，直至满足训练目标。

其中，训练目标可以为意图识别模型收敛至预设范围，或是达到预设训练次数，从而能够准确的确定出符合待识别语句语义对应语意下的实际专有词类型，保证意图识别模型能够准确的对待识别语句进行意图识别。其中，上述预设范围以及预设训练次数可以根据实际情况进行设定，本说明书对此不做具体限定。

S104：确定所述基础语义对应的专有词类型，并在提取到的各专有词中，确定属于所述专有词类型的专有词，作为目标专有词。

确定待识别语句对应的基础语义后，服务器可以通过第一子网络，确定该基础语义对应的专有词类型。

具体的，第一子网络可以根据该基础语义，确定不同类型专有词在待识别语句中的重要程度，进而根据该重要程度，确定该基础语义对应的专有词类型。如在待识别语句“谁是这场比赛的新冠军？”中，很显然在该待识别语句的语意及语境下，竞技词汇的重要程度要高于医学词汇，所以该基础语义对应的专有词类型为竞技词汇。

当然，第一子网络也可以直接根据该基础语义信息，确定该基础语义对应的专有词类型。

进一步的，服务器可以通过意图识别模型的第二子网络，在提取到的各专有词中，确定属于基础语义对应的专有词类型的专有词，作为目标专有词。

具体的，服务器可以将提取到的各专有词对应的类型编码输入到第二子网络中，从而通过第二子网络，确定该专有词对应的类型编码是否为与待识别语句相匹配的专有词类型对应的类型编码，若是，则将该专有词作为目标专有词。

S106：根据所述目标专有词，对所述待识别语句进行意图识别。

确定出属于基础语义对应的专有词类型的目标专有词后，服务器即可根据该目标专有词，对待识别语句进行意图识别。

具体的，服务器可以根据待识别语句对应的基础语义，对待识别语句进行意图识别，得到待识别语句的基础意图识别结果(即不包含有专有词的意图识别结果)，而后服务器可以根据该目标专有词对应的位置编码，将该目标专有词添加到基础意图识别结果的对应位置上，从而得到针对待识别语句的意图识别结果。

而若提取到的各专有词中不包含基础语义对应的专有词类型的专有词，换句话说，提取到的专有词中没有一个与待识别语句相匹配，则意图识别模型在确定意图识别结果时可以不使用其中任何一个专有词，而是直接根据待识别语句对应的基础语义，对待识别语句进行意图识别，并将基础意图识别结果作为针对待识别语句的意图识别结果。

例如，在内容审核场景下，如果待识别语句中包含有否定的语意，而若意图识别模型认为确定出的每个专有词都不属于基础语义对应的专有词类型，则可以不使用任何一个专有词添加到最终的意图识别结果，这样就能避免由于语句中的否定语意而对待识别语句进行误判断，导致错误的将用户发布的内容进行屏蔽或删除。

需要说明的是，如果服务器在待识别语句中确定出两个以上的专有词，则对于每个专有词，该专有词只会受到待识别语句的影响，并不会受到其他专有词的影响，而对于待识别语句，该待识别语句的语义只与该待识别语句本身有关，并不会被提取到的专有词所影响。

确定针对待识别语句的意图识别结果后，服务器即可根据该意图识别结果，执行相应的交互动作，如进行文字、语音回复，根据语意识别结果打开相应的应用程序，或是根据该意图识别结果对用户发布的内容进行处理等。

从上述方法可以看出，本方案在意图识别的过程中，能够根据待识别语句的语义，判断提取到的专有词是为基础语义对应的专有词类型的专有词，并且只有当提取到的专有词属于基础语义对应的专有词类型时，才会根据该专有词对待识别语句进行意图识别，相比于目前直接将专有词加入意图识别结果的方法，本方案进一步提高了意图识别的准确性，进而提高用户体验。

以上为本说明书的一个或多个实施意图识别的方法，基于同样的思路，本说明书还提供了相应的意图识别的装置，如图3所示。

图3为本说明书提供的一种意图识别的装置的示意图，包括：

获取模块300，用于获取待识别语句；

输入模块302，用于将所述待识别语句输入预先训练的意图识别模型中，以通过所述意图识别模型，对所述待识别语句中包含的专有词进行提取，以及，确定所述待识别语句对应的基础语义；

确定模块304，用于所述基础语义对应的专有词类型，并在提取到的各专有词中，确定属于所述专有词类型的专有词，作为目标专有词；

识别模块306，用于根据所述目标专有词，对所述待识别语句进行意图识别。

可选地，所述确定模块304具体用于，根据所述待识别语句对应的基础语义，确定不同专有词类型的专有词在所述待识别语句中的重要程度；根据所述重要程度，确定符合所述基础语义对应语意下的专有词类型。

可选地，所述识别模块306具体用于，根据所述待识别语句对应的基础语义，对所述待识别语句进行意图识别，得到所述待识别语句的基础意图识别结果；根据所述目标专有词以及所述基础意图识别结果，得到针对所述待识别语句的意图识别结果。

可选地，所述识别模块306具体用于，根据所述目标专有词中包含的各字符在所述待识别语句中对应的位置，确定所述目标专有词中包含的各字符对应的位置编码；根据所述目标专有词中包含的各字符对应的位置编码，将所述目标专有词添加到所述基础意图识别结果中，得到针对所述待识别语句的意图识别结果。

可选地，所述识别模块306还用于，若提取到的各专有词中不包含所述基础语义对应的专有词类型的专有词，则根据所述待识别语句对应的基础语义，对所述待识别语句进行意图识别。

可选地，所述意图识别模型包括：第一子网络和第二子网络；

所述输入模块302具体用于，通过所述第一子网络，确定所述待识别语句对应的基础语义；

所述确定模块304具体用于，通过所述第一子网络，确定所述基础语义对应的专有词类型；

所述确定模块304具体用于，通过所述第二子网络，在提取到的各专有词中，确定属于所述专有词类型的专有词，作为目标专有词。

可选地，所述确定模块304具体用于，针对提取出的每个专有词，根据该专有词对应的专有词类型，确定该专有词对应的类型编码；将该专有词对应的类型编码输入所述第二子网络，以通过所述第二子网络，确定该专有词对应的类型编码是否为与所述待识别语句相匹配的专有词类型对应的类型编码；若是，则将该专有词作为目标专有词。

可选地，所述装置还包括：训练模块308；

所述训练模块308具体用于，获取历史语句；将所述历史语句输入待训练的意图识别模型中，以通过所述意图识别模型，对所述历史语句中包含的专有词进行提取，以及，确定所述历史语句对应的历史基础语义；确定所述历史基础语义对应的专有词类型，作为候选专有词类型；以最小化所述候选专有词类型，与所述历史语义实际对应的专有词类型之间的偏差为优化目标，对所述意图识别模型进行训练。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种意图识别的方法。

本说明书还提供了图4所示的一种对应于图1的电子设备的示意结构图。如图4所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的意图识别的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书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说明书，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。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (15)

1.一种意图识别的方法，包括：

获取待识别语句；

将所述待识别语句输入预先训练的意图识别模型中，以通过所述意图识别模型，对所述待识别语句中包含的专有词进行提取，以及，确定所述待识别语句对应的基础语义；

确定所述基础语义对应的专有词类型，并在提取到的各专有词中，确定属于所述专有词类型的专有词，作为目标专有词，不同专有词类型的专有词对应不同的领域的词汇；

根据所述目标专有词，对所述待识别语句进行意图识别。

2.如权利要求1所述的方法，确定所述基础语义对应的专有词类型，具体包括：

根据所述待识别语句对应的基础语义，确定不同专有词类型的专有词在所述待识别语句中的重要程度；

根据所述重要程度，确定所述基础语义对应的专有词类型。

3.如权利要求1所述的方法，根据所述目标专有词，对所述待识别语句进行意图识别，具体包括：

根据所述待识别语句对应的基础语义，对所述待识别语句进行意图识别，得到所述待识别语句的基础意图识别结果；

根据所述目标专有词以及所述基础意图识别结果，得到针对所述待识别语句的意图识别结果。

4.如权利要求3所述的方法，根据所述目标专有词以及所述基础意图识别结果，得到针对所述待识别语句的意图识别结果，具体包括：

根据所述目标专有词中包含的各字符在所述待识别语句中对应的位置，确定所述目标专有词中包含的各字符对应的位置编码；

根据所述目标专有词中包含的各字符对应的位置编码，将所述目标专有词添加到所述基础意图识别结果中，得到针对所述待识别语句的意图识别结果。

5.如权利要求1所述的方法，所述方法还包括：

若提取到的各专有词中不包含所述基础语义对应的专有词类型的专有词，则根据所述待识别语句对应的基础语义，对所述待识别语句进行意图识别。

6.如权利要求1所述的方法，所述意图识别模型包括：第一子网络和第二子网络；

确定所述待识别语句对应的基础语义，具体包括：

通过所述第一子网络，确定所述待识别语句对应的基础语义；

确定所述基础语义对应的专有词类型，具体包括：

通过所述第一子网络，确定所述基础语义对应的专有词类型；

在提取到的各专有词中，确定属于所述专有词类型的专有词，作为目标专有词，具体包括：

通过所述第二子网络，在提取到的各专有词中，确定属于所述专有词类型的专有词，作为目标专有词。

7.如权利要求6所述的方法，通过所述第二子网络，在提取到的各专有词中，确定属于与所述待识别语句相匹配的专有词类型的专有词，作为目标专有词，具体包括：

针对提取出的每个专有词，根据该专有词对应的专有词类型，确定该专有词对应的类型编码；

将该专有词对应的类型编码输入所述第二子网络，以通过所述第二子网络，确定该专有词对应的类型编码是否为与所述待识别语句相匹配的专有词类型对应的类型编码；

若是，则将该专有词作为目标专有词。

8.如权利要求1所述的方法，训练所述意图识别模型，具体包括：

获取历史语句；

将所述历史语句输入待训练的意图识别模型中，以通过所述意图识别模型，对所述历史语句中包含的专有词进行提取，以及，确定所述历史语句对应的历史基础语义；

确定所述历史基础语义对应的专有词类型，作为候选专有词类型；

以最小化所述候选专有词类型，与所述历史基础语义实际对应的专有词类型之间的偏差为优化目标，对所述意图识别模型进行训练。

9.一种意图识别的装置，包括：

获取模块，获取待识别语句；

输入模块，将所述待识别语句输入预先训练的意图识别模型中，以通过所述意图识别模型，对所述待识别语句中包含的专有词进行提取，以及，确定所述待识别语句对应的基础语义；

确定模块，确定所述基础语义对应的专有词类型，并在提取到的各专有词中，确定属于所述专有词类型的专有词，作为目标专有词，不同专有词类型的专有词对应不同的领域的词汇；

识别模块，根据所述目标专有词，对所述待识别语句进行意图识别。

10.如权利要求9所述的装置，所述确定模块具体用于，根据所述待识别语句对应的基础语义，确定不同专有词类型的专有词在所述待识别语句中的重要程度；

根据所述重要程度，确定符合所述基础语义对应语意下的专有词类型。

11.如权利要求9所述的装置，所述识别模块具体用于，根据所述待识别语句对应的基础语义，对所述待识别语句进行意图识别，得到所述待识别语句的基础意图识别结果；根据所述目标专有词以及所述基础意图识别结果，得到针对所述待识别语句的意图识别结果。

12.如权利要求11所述的装置，所述识别模块具体用于，根据所述目标专有词中包含的各字符在所述待识别语句中对应的位置，确定所述目标专有词中包含的各字符对应的位置编码；根据所述目标专有词中包含的各字符对应的位置编码，将所述目标专有词添加到所述基础意图识别结果中，得到针对所述待识别语句的意图识别结果。

13.如权利要求9所述的装置，所述识别模块还用于，若提取到的各专有词中不包含所述基础语义对应的专有词类型的专有词，则根据所述待识别语句对应的基础语义，对所述待识别语句进行意图识别。

14.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～8任一项所述的方法。

15.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～8任一项所述的方法。