CN115730597A - 多级语义意图识别方法及其相关设备 - Google Patents

多级语义意图识别方法及其相关设备 Download PDF

Info

Publication number
CN115730597A
CN115730597A CN202211559430.8A CN202211559430A CN115730597A CN 115730597 A CN115730597 A CN 115730597A CN 202211559430 A CN202211559430 A CN 202211559430A CN 115730597 A CN115730597 A CN 115730597A
Authority
CN
China
Prior art keywords
level
intention
semantic
neural network
nodes
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
CN202211559430.8A
Other languages
English (en)
Inventor
黄勇其
陈晓杰
陈步闲
潘劲松
赖勇铨
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 CN202211559430.8A priority Critical patent/CN115730597A/zh
Publication of CN115730597A publication Critical patent/CN115730597A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Machine Translation (AREA)

Abstract

本申请实施例属于金融科技技术领域,应用于金融业务语义意图识别领域中,涉及一种多级语义意图识别方法及其相关设备,包括获取待识别文本;将所述待识别文本输入预训练的分词模型,进行分词处理,将分词处理结果作为所述待识别文本的特征编码;将所述特征编码输入预构建的图神经网络模型,识别出所述待识别文本中包含的多级语义意图,本申请采用ERNIE模型分词处理结果,构建多级意图层级树,再通过多级意图层级树构建图神经网络模型,能够很好的获取多级语义意图之间的依赖信息,使得预测结果更加合理,最终整体提高用户多级意图识别准确率。

Description

多级语义意图识别方法及其相关设备
技术领域
本申请涉及金融科技技术领域,尤其涉及一种多级语义意图识别方法及其相关设备。
背景技术
在智能客服、多轮对话、机器人外呼场景中,能否正确识别用户的语义意图关系到机器人对用户问题回复的质量,也关系到用户的使用体验,只有正确识别了用户语义意图,才能针对具体的语义意图去构造话术,提高回复精准度。
用户的语义意图往往比较复杂,不完全是单一语义意图,经常具有多级语义意图,例如车险销售场景,“询问-保费-三者险”,“询问-保额-商业险-去年”等具有三级或三级以上的语义意图,目前用户的语义意图识别主要是通过构造神经网络进行文本分类,例如基于卷积神经网络、基于LSTM、基于Bert预训练语言模型等,这些模型大多是对用户的输入进行编码,在网络最后一层通过softmax进行类别的概率估计,取出概率值最大的类别作为预测的类别,这种方法对于单一语义意图的识别效果较好,但不能有效识别出用户的多级语义意图,且没有有效利用多级语义意图之间的依赖关系。
发明内容
本申请实施例的目的在于提出一种多级语义意图识别方法及其相关设备,以解决现有技术中不能有效识别出用户的多级语义意图的问题。
为了解决上述技术问题,本申请实施例提供一种多级语义意图识别方法,采用了如下所述的技术方案:
一种多级语义意图识别方法,包括下述步骤:
步骤201,获取待识别文本;
步骤202,将所述待识别文本输入预训练的分词模型,进行分词处理,将分词处理结果作为所述待识别文本的特征编码;
步骤203,获取数据训练集,其中,所述数据训练集由已标注文本中各分词对应意图的文本组成,所述数据训练集中文本为保险业务中的常用对话文本;
步骤204,将所述数据训练集输入初始化的图神经网络模型,构建多级意图层级树;
步骤205,根据预设判断条件,判断所述多级意图层级树中节点个数是否处于稳定状态;
步骤206,若所述多级意图层级树中节点个数处于不稳定状态,则获取新的数据训练集,并重复执行步骤204、步骤205,对所述多级意图层级树进行更新;
步骤207,若所述多级意图层级树中节点个数处于稳定状态,则根据所述多级意图层级树中各节点及各节点间的连接关系,完成所述图神经网络模型的预构建。
步骤208,将所述特征编码输入预构建的图神经网络模型,识别出所述待识别文本中包含的多级语义意图。
进一步的,所述将所述数据训练集输入初始化的图神经网络模型,构建多级意图层级树的步骤,具体包括:
获取所述数据训练集中所有文本中已标记意图的分词;
若任意两个分词在所有文本中不存在句子构造连接关系,且所述两个分词不是同一语义意图的分词,则所述两个分词对应的语义意图间不存在层级关系;
将所述不存在层级关系的语义意图设置在所述多级意图层级树的同一层级,作为所述多级意图层级树中的同层节点;
若任意两个分词在同一文本中存在句子构造连接关系,且所述两个分词不是同一语义意图的分词,则所述两个分词对应的语义意图间存在层级关系;
将所述存在层级关系的语义意图按照所述层级关系设置在所述多级意图层级树的不同层级,作为所述多级意图层级树中的分层节点;
对所述分层节点根据所述层级关系进行层间连线,直到连线完成,则完成当前周期所述多级意图层级树的构建。
进一步的,所述根据所述多级意图层级树中各节点及各节点间的连接关系,完成所述图神经网络模型的预构建的步骤,具体包括:
根据所述多级意图层级树中各节点及各节点间的连接关系,构造除根节点以外其他节点对应的邻接矩阵;
对所述邻接矩阵进行求和运算,获取所述邻接矩阵的度矩阵;
根据已标记意图的分词结果和预设概率算法,统计各分词在所述数据训练集中的权重值;
根据各分词在所述数据训练集中的权重值,构建初始化的分词权重矩阵;
根据图神经网络算法公式:
Figure BDA0003984012360000031
Figure BDA0003984012360000032
完成所述图神经网络模型的预构建,其中,H(l)为多层图神经网络中本层的输出结果,σ为非线性映射函数,n为节点总个数,Ai为第i个节点的邻接矩阵,Di为第i个节点的邻接矩阵的度矩阵,W(l-1)为经多层图神经网络中本层神经网络的上一层神经网络训练之后的分词权重矩阵,H(l-1)为多层图神经网络中本层神经网络的上一层的输出结果,b(l-1)为经多层图神经网络中本层神经网络的上一层神经网络训练之后的偏置项。
进一步的,所述根据预设判断条件,判断所述多级意图层级树中节点个数是否处于稳定状态的步骤,具体包括:
统计同一构建周期内所述多级意图层级树的节点个数变化情况;
若在构建前后所述节点个数未发生变化,则所述多级意图层级树中节点个数已处于稳定状态;
若在构建前后所述节点个数发生变化,则所述多级意图层级树中节点个数还未处于稳定状态。
进一步的,在执行所述根据所述多级意图层级树中各节点及各节点间的连接关系,完成所述图神经网络模型的预构建的步骤之前,所述方法还包括:
根据所述多级意图层级树中各节点间的连接关系,筛选出非叶子节点,其中,所述叶子节点为不存在下级节点的节点;
对各非叶子节点分别构造对应的局部分类器,并为所述局部分类器进行区别命名,其中,所述区别命名方式可以为直接使用各非叶子节点对应的语义意图名称作为所述区别命名。
进一步的,所述将所述特征编码输入预构建的图神经网络模型,识别出所述待识别文本中包含的多级语义意图的步骤,具体包括:
将所述特征编码输入所述预构建的图神经网络模型,识别所述特征编码中各分词结果分别所对应的局部分类器;
根据所述局部分类器,获取所述特征编码中各分词结果分别所对应语义意图;
判断所述特征编码中各分词结果分别所对应语义意图间是否存在多个同级语义意图;
若存在多个同级语义意图,则使用对比学习训练方式为所述多个同级语义意图分别构建正负样本实例,其中,正样本实例的构建方式为从所述数据训练集中随机获取与当前语义意图相同的若干个文本作为正样本实例,负样本实例的构建方式为识别所述当前语义意图对应节点为兄弟节点,从所述数据训练集中随机获取所述兄弟节点的语义意图所对应的若干个文本作为负样本实例;
根据对比学习损失函数:
Figure BDA0003984012360000051
获取所述多个同级语义意图中不同的语义意图分别对应的损失度,其中,zi表示所述待识别文本的特征编码,
Figure BDA0003984012360000052
表示正样本实例的特征编码,
Figure BDA0003984012360000053
表示负样本实例的特征编码,sim方法为用于计算正、负样本实例的特征编码与所述待识别文本的特征编码间相似度的函数方法;
获取所述损失度为最小值时所对应的语义意图,作为所述多个同级语义意图的最终语义意图;
获取所述特征编码中各分词结果所对应的不同级语义意图作为所述待识别文本中包含的多级语义意图。
为了解决上述技术问题,本申请实施例还提供一种多级语义意图识别装置,采用了如下所述的技术方案:
一种多级语义意图识别装置,包括:
识别文本获取模块,用于获取待识别文本;
特征编码获取模块,用于将所述待识别文本输入预训练的分词模型,进行分词处理,将分词处理结果作为所述待识别文本的特征编码;
训练集获取模块,用于获取数据训练集,其中,所述数据训练集由已标注文本中各分词对应意图的文本组成,所述数据训练集中文本为保险业务中的常用对话文本;
多级意图层级树构建模块,用于将所述数据训练集输入初始化的图神经网络模型,构建多级意图层级树;
节点稳定状态判断模块,用于根据预设判断条件,判断所述多级意图层级树中节点个数是否处于稳定状态;
多级意图层级树更新模块,用于若所述多级意图层级树中节点个数处于不稳定状态,则获取新的数据训练集,对所述多级意图层级树进行更新;
图神经网络模型构建模块,用于若所述多级意图层级树中节点个数处于稳定状态,则根据所述多级意图层级树中各节点及各节点间的连接关系,完成所述图神经网络模型的预构建。
语义意图识别模块,用于将所述特征编码输入预构建的图神经网络模型,识别出所述待识别文本中包含的多级语义意图。
进一步的,所述图神经网络模型构建模块包括邻接矩阵构造子模块、度矩阵获取子模块、权重值获取子模块、分词权重矩阵构建子模块和图神经网络模型构建子模块,其中:
所述邻接矩阵构造子模块,用于根据所述多级意图层级树中各节点及各节点间的连接关系,构造除根节点以外其他节点对应的邻接矩阵;
所述度矩阵获取子模块,用于对所述邻接矩阵进行求和运算,获取所述邻接矩阵的度矩阵;
所述权重值获取子模块,用于根据已标记意图的分词结果和预设概率算法,统计各分词在所述数据训练集中的权重值;
所述分词权重矩阵构建子模块,用于根据各分词在所述数据训练集中的权重值,构建初始化的分词权重矩阵;
所述图神经网络模型构建子模块,用于根据图神经网络算法公式:
Figure BDA0003984012360000061
完成所述图神经网络模型的预构建,其中,H(l)为多层图神经网络中本层的输出结果,σ为非线性映射函数,n为节点总个数,Ai为第i个节点的邻接矩阵,Di为第i个节点的邻接矩阵的度矩阵,W(l-1)为经多层图神经网络中本层神经网络的上一层神经网络训练之后的分词权重矩阵,H(l-1)为多层图神经网络中本层神经网络的上一层的输出结果,b(l-1)为经多层图神经网络中本层神经网络的上一层神经网络训练之后的偏置项。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现上述所述的多级语义意图识别方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,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上述所述的多级语义意图识别方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例所述多级语义意图识别方法,获取待识别文本;将所述待识别文本输入预训练的分词模型,进行分词处理,将分词处理结果作为所述待识别文本的特征编码;将所述特征编码输入预构建的图神经网络模型,识别出所述待识别文本中包含的多级语义意图,本申请采用ERNIE模型分词处理结果,构建多级意图层级树,再通过多级意图层级树构建图神经网络模型,能够很好的获取多级语义意图之间的依赖信息,使得预测结果更加合理,最终整体提高用户多级意图识别准确率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的多级语义意图识别方法的一个实施例的流程图;
图3是图2所示步骤204的一种具体实施例的流程图;
图4是图2所示步骤205的一种具体实施例的流程图;
图5是图2所示步骤207的一种具体实施例的流程图;
图6是图5所示步骤501和步骤502的一个具体实施例的示意图;
图7是图2所示步骤208的一种具体实施例的流程图;
图8根据本申请的多级语义意图识别装置的一个实施例的结构示意图;
图9根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
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;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的多级语义意图识别方法一般由服务器/终端设备执行,相应地,多级语义意图识别装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的多级语义意图识别方法的一个实施例的流程图。所述的多级语义意图识别方法,包括以下步骤:
步骤201,获取待识别文本。
本实施例中,所述待识别文本可以为保险业务客户由预设人机交互界面输入的文本内容,也可以为由智能客服对保险业务客户的语音进行转化之后的文本内容。
步骤202,将所述待识别文本输入预训练的分词模型,进行分词处理,将分词处理结果作为所述待识别文本的特征编码。
本实施例中,所述预训练的分词模型为ERNIE模型,ERNIE模型是百度提出的知识增强的语义表示模型,在中文各类任务上取得了很好的效果,通过ERNIE模型得到的句子特征编码具有较好的效果,BERT模型主要是聚焦在针对字或者英文单词粒度的完形填空学习上面,没有充分利用训练数据当中词法结构,语法结构,以及语义信息去学习建模,而ERNIE通过对训练数据中的词法结构,语法结构,语义信息进行统一建模,极大地增强了通用语义表示能力,相较与BERT模型,ERNIE模型对于人名、地名、业务专有名词的预测上,能更好的结合词法结构,语法结构进行语义信息识别,而保险业务本身涉及到多种保险业务专有名词,比如保险、投保、续保、保险、理赔单等,在上述专有词语出现在待识别文本中时,ERNIE模型相比BERT模型更能结合文本本身的词法结构,语法结构进行语义信息识别。
步骤203,获取数据训练集,其中,所述数据训练集由已标注文本中各分词对应意图的文本组成,所述数据训练集中文本为保险业务中的常用对话文本;
采用已标注文本中各分词对应意图的保险业务中的常用对话文本作为数据训练集,保证了能够充分结合金融科技中保险业务场景进行模型训练,使得训练出的模型更加符合保险公司主营业务。
步骤204,将所述数据训练集输入初始化的图神经网络模型,构建多级意图层级树;
继续参考图3,图3是图2所示步骤204的一种具体实施例的流程图,包括:
步骤301,获取所述数据训练集中所有文本中已标记意图的分词;
步骤302,若任意两个分词在所有文本中不存在句子构造连接关系,且所述两个分词不是同一语义意图的分词,则所述两个分词对应的语义意图间不存在层级关系;
步骤303,将所述不存在层级关系的语义意图设置在所述多级意图层级树的同一层级,作为所述多级意图层级树中的同层节点;
步骤304,若任意两个分词在同一文本中存在句子构造连接关系,且所述两个分词不是同一语义意图的分词,则所述两个分词对应的语义意图间存在层级关系;
步骤305,将所述存在层级关系的语义意图按照所述层级关系设置在所述多级意图层级树的不同层级,作为所述多级意图层级树中的分层节点;
步骤306,对所述分层节点根据所述层级关系进行层间连线,直到连线完成,则完成当前周期所述多级意图层级树的构建。
本实施例中,所述句子构造连接关系指的是两个分词之间无间隔词或字符,例如:文本一为“我想咨询保险业务中车险续保报价”,假设已标记意图的分词有保险业务、车险、续保、报价这四个分词,则车险和续保为存在句子构造连接关系,续保和报价也为存在句子构造连接关系,而保险业务与车险、续保、报价之间都存在间隔字符,则不存在句子构造连接关系。
继续以上述文本一,“我想咨询保险业务中车险续保报价”为例,所述对所述分层节点根据所述层级关系进行层间连线的具体实施方式为,车险和续保为存在句子构造连接关系,车险为在先分词,续保为在后分词,且两者语义意图明显不同,车险指的是一种业务名词,续保指的是一种业务动词,因此,在进行多级意图层级树的构建时,车险设置在上层,续保设置在车险的下一层,车险和续保之间进行直接连线,同理,续保和报价也为存在句子构造连接关系,报价设置在续保的下一层,续保和报价之间进行直接连线,车险和报价之间不存在句子构造连接关系,无需在车险和报价之间进行直接连线。
通过数据训练集中已标记意图的分词及各分词间的句子构造连接关系构建多级意图层级树,便于直接结合保险业务中常用业务词语进行树形层级图构建,更加贴合了保险业务场景。同时,对于树形层级图构建不再使用原有预设方式进行层级构建,而是结合分词间的句子构造连接关系进行层级构建,从而间接进行了多级语义意图间的层级构建。
步骤205,根据预设判断条件,判断所述多级意图层级树中节点个数是否处于稳定状态;
继续参考图4,图4是图2所示步骤205的一种具体实施例的流程图,包括:
步骤401,统计同一构建周期内所述多级意图层级树的节点个数变化情况;
步骤402,若在构建前后所述节点个数未发生变化,则所述多级意图层级树中节点个数已处于稳定状态;
步骤403,若在构建前后所述节点个数发生变化,则所述多级意图层级树中节点个数还未处于稳定状态。
通过判断节点个数变化情况是否处于稳定状态,推测出多级意图层级树是否构建完成,若未构建完成,则继续获取新的数据训练集,通过节点更新完成多级意图层级树的更新,保证了多级意图层级树的构建完整性。
步骤206,若所述多级意图层级树中节点个数处于不稳定状态,则获取新的数据训练集,并重复执行步骤204、步骤205,对所述多级意图层级树进行更新;
采用循环的方式,进行多级意图层级树的节点更新,即能避免因训练数据较少,导致多级意图层级树的节点不完整的情况发生,也能避免训练数据过多,导致后期无节点更新,盲目训练的情况发生,科学合理的进行多级意图层级树的训练完善。
步骤207,若所述多级意图层级树中节点个数处于稳定状态,则根据所述多级意图层级树中各节点及各节点间的连接关系,完成所述图神经网络模型的预构建。
继续参考图5,图5是图2所示步骤207的一种具体实施例的流程图,包括:
步骤501,根据所述多级意图层级树中各节点及各节点间的连接关系,构造除根节点以外其他节点对应的邻接矩阵;
本实施例中,所述根节点一般为不代表任何分词对应语义意图的预设源节点,根节点之外的节点才代表分词对应的语义意图,因此在获取各分词在多级意图层级树中对应的邻接矩阵时,先剔除根节点。
本实施例中,在构造除根节点以外其他节点对应的邻接矩阵时,若两个节点具有连接关系,使用1进行表示,两个节点间无连接关系,使用0进行表示。
步骤502,对所述邻接矩阵进行求和运算,获取所述邻接矩阵的度矩阵;
参考图6,图6是图5所示步骤501和步骤502的一个具体实施例的示意图,图中6a示出了第一层节点A、B、C和第二层节点D、E、F间的连接关系,其中,A节点分别与D节点和E节点具有连接关系,B节点分别与E节点和F节点具有连接关系,C节点与D、E、F节点都具有连接关系,图中6b示出了第一层节点A、B、C和第二层节点D、E、F对应的邻接矩阵,节点自身与自身之间无连接关系,应为NULL,但为了与1相对应,将NULL值设置为0,即图中6b内的AA格、BB格、CC格、DD格、EE格和FF格内的值,图中6c示出了所述邻接矩阵6b对应的度矩阵,图中6c的AA格、BB格、CC格、DD格、EE格和FF格内的值分别表示所述邻接矩阵的求和结果。
步骤503,根据已标记意图的分词结果和预设概率算法,统计各分词在所述数据训练集中的权重值;
步骤504,根据各分词在所述数据训练集中的权重值,构建初始化的分词权重矩阵;
步骤505,根据图神经网络算法公式:
Figure BDA0003984012360000141
完成所述图神经网络模型的预构建,其中,H(l)为多层图神经网络中本层的输出结果,σ为非线性映射函数,n为节点总个数,Ai为第i个节点的邻接矩阵,Di为第i个节点的邻接矩阵的度矩阵,W(l-1)为经多层图神经网络中本层神经网络的上一层神经网络训练之后的分词权重矩阵,H(l-1)为多层图神经网络中本层神经网络的上一层的输出结果,b(l-1)为经多层图神经网络中本层神经网络的上一层神经网络训练之后的偏置项。
通过将所述邻接矩阵、度矩阵、权重矩阵和偏置项作为参数,构建图神经网络模型,其中,通过对ERNIE模型的分词结果进行处理获取到初始权重矩阵和初始偏置项,通过对多级意图层级树中各节点及各节点间的连接关系的处理获取到各个节点的邻接矩阵、度矩阵,再通过图神经网络算法构建图神经网络模型,本申请采用ERNIE模型和多级意图层级树相结合的方式构建图神经网络模型,能够很好的获取多级语义意图之间的依赖信息,使得预测结果更加合理,最终整体提高用户多级意图识别准确率。
本实施例中,在执行所述根据所述多级意图层级树中各节点及各节点间的连接关系,完成所述图神经网络模型的预构建的步骤之前,所述方法还包括:根据所述多级意图层级树中各节点间的连接关系,筛选出非叶子节点,其中,所述叶子节点为不存在下级节点的节点;对各非叶子节点分别构造对应的局部分类器,并为所述局部分类器进行区别命名,其中,所述区别命名方式可以为直接使用各非叶子节点对应的语义意图名称作为所述区别命名。
通过对非叶子节点构造局部分类器,便于在进行多级语义意图识别时直接使用对应的分类器,识别输入文本中包含的所有语义意图。
步骤208,将所述特征编码输入预构建的图神经网络模型,识别出所述待识别文本中包含的多级语义意图。
继续参考图7,图7是图2所示步骤208的一种具体实施例的流程图,包括:
步骤701,将所述特征编码输入所述预构建的图神经网络模型,识别所述特征编码中各分词结果分别所对应的局部分类器;
步骤702,根据所述局部分类器,获取所述特征编码中各分词结果分别所对应语义意图;
步骤703,判断所述特征编码中各分词结果分别所对应语义意图间是否存在多个同级语义意图;
步骤704,若存在多个同级语义意图,则使用对比学习训练方式为所述多个同级语义意图分别构建正负样本实例;
本实施例中,正样本实例的构建方式为从所述数据训练集中随机获取与当前语义意图相同的若干个文本作为正样本实例,负样本实例的构建方式为识别所述当前语义意图对应节点为兄弟节点,从所述数据训练集中随机获取所述兄弟节点的语义意图所对应的若干个文本作为负样本实例。
步骤705,根据对比学习损失函数:
Figure BDA0003984012360000161
获取所述多个同级语义意图中不同的语义意图分别对应的损失度,其中,zi表示所述待识别文本的特征编码,
Figure BDA0003984012360000162
表示正样本实例的特征编码,
Figure BDA0003984012360000163
表示负样本实例的特征编码,sim方法为用于计算正、负样本实例的特征编码与所述待识别文本的特征编码间相似度的函数方法;
步骤706,获取所述损失度为最小值时所对应的语义意图,作为所述多个同级语义意图的最终语义意图;
步骤707,获取所述特征编码中各分词结果所对应的不同级语义意图作为所述待识别文本中包含的多级语义意图。
同一级的有些意图边界比较模糊,例如“保费”和“保额”,两个意图指的都是金额,对应语句都涉及到金钱,为了提高此类意图的识别准确率,引入对比学习方法进行联合训练。
对比学习是自监督学习的一种,通过构造相似实例与不相似实例,来训练学习模型,通过这个学习模型,使得相似实例在投影空间中距离比较近,不相似实例则比较远,通过分类器和对比学习的方式,使得不同分类器间分类距离较远,预测结果更加合理,通过对比学习训练,能够提高较难区分意图的分类准确率,最终整体提高用户多级意图识别准确率。
本申请获取待识别文本;将所述待识别文本输入预训练的分词模型,进行分词处理,将分词处理结果作为所述待识别文本的特征编码;将所述特征编码输入预构建的图神经网络模型,识别出所述待识别文本中包含的多级语义意图,本申请采用ERNIE模型分词处理结果,构建多级意图层级树,再通过多级意图层级树构建图神经网络模型,能够很好的获取多级语义意图之间的依赖信息,使得预测结果更加合理,最终整体提高用户多级意图识别准确率。
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。
本申请实施例中,通过分词模型,进行分词处理,将分词处理结果作为所述待识别文本的特征编码;将所述特征编码输入预构建的图神经网络模型,识别出所述待识别文本中包含的多级语义意图,本申请采用ERNIE模型分词处理结果,构建多级意图层级树,再通过多级意图层级树构建图神经网络模型,能够很好的获取多级语义意图之间的依赖信息,使得预测结果更加合理,最终整体提高用户多级意图识别准确率。
进一步参考图8,作为对上述图2所示方法的实现,本申请提供了一种多级语义意图识别装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例所述的多级语义意图识别装置800包括:识别文本获取模块801、特征编码获取模块802、训练集获取模块803、多级意图层级树构建模块804、节点稳定状态判断模块805、多级意图层级树更新模块806、图神经网络模型构建模块807和语义意图识别模块808。其中:
识别文本获取模块801,用于获取待识别文本;
特征编码获取模块802,用于将所述待识别文本输入预训练的分词模型,进行分词处理,将分词处理结果作为所述待识别文本的特征编码;
训练集获取模块803,用于获取数据训练集,其中,所述数据训练集由已标注文本中各分词对应意图的文本组成,所述数据训练集中文本为保险业务中的常用对话文本;
多级意图层级树构建模块804,用于将所述数据训练集输入初始化的图神经网络模型,构建多级意图层级树;
节点稳定状态判断模块805,用于根据预设判断条件,判断所述多级意图层级树中节点个数是否处于稳定状态;
多级意图层级树更新模块806,用于若所述多级意图层级树中节点个数处于不稳定状态,则获取新的数据训练集,对所述多级意图层级树进行更新;
图神经网络模型构建模块807,用于若所述多级意图层级树中节点个数处于稳定状态,则根据所述多级意图层级树中各节点及各节点间的连接关系,完成所述图神经网络模型的预构建;
语义意图识别模块808,用于将所述特征编码输入预构建的图神经网络模型,识别出所述待识别文本中包含的多级语义意图。
在本申请的一些具体的实施方式中,所述多级意图层级树构建模块804包括分词获取子模块、第一判断子模块、同层节点设置子模块、第二判断子模块、分层节点设置子模块和层间连线子模块,其中,
所述分词获取子模块,用于获取所述数据训练集中所有文本中已标记意图的分词;
所述第一判断子模块,用于若任意两个分词在所有文本中不存在句子构造连接关系,且所述两个分词不是同一语义意图的分词,则所述两个分词对应的语义意图间不存在层级关系;
所述同层节点设置子模块,用于将所述不存在层级关系的语义意图设置在所述多级意图层级树的同一层级,作为所述多级意图层级树中的同层节点;
所述第二判断子模块,用于若任意两个分词在同一文本中存在句子构造连接关系,且所述两个分词不是同一语义意图的分词,则所述两个分词对应的语义意图间存在层级关系;
所述分层节点设置子模块,用于将所述存在层级关系的语义意图按照所述层级关系设置在所述多级意图层级树的不同层级,作为所述多级意图层级树中的分层节点;
所述层间连线子模块,用于对所述分层节点根据所述层级关系进行层间连线,直到连线完成,则完成当前周期所述多级意图层级树的构建。
在本申请的一些具体的实施方式中,所述图神经网络模型构建模块807包括邻接矩阵构造子模块、度矩阵获取子模块、权重值获取子模块、分词权重矩阵构建子模块和图神经网络模型构建子模块,其中:
所述邻接矩阵构造子模块,用于根据所述多级意图层级树中各节点及各节点间的连接关系,构造除根节点以外其他节点对应的邻接矩阵;
所述度矩阵获取子模块,用于对所述邻接矩阵进行求和运算,获取所述邻接矩阵的度矩阵;
所述权重值获取子模块,用于根据已标记意图的分词结果和预设概率算法,统计各分词在所述数据训练集中的权重值;
所述分词权重矩阵构建子模块,用于根据各分词在所述数据训练集中的权重值,构建初始化的分词权重矩阵;
所述图神经网络模型构建子模块,用于根据图神经网络算法公式:
Figure BDA0003984012360000201
完成所述图神经网络模型的预构建。
在本申请的一些具体的实施方式中,所述的多级语义意图识别装置800还包括分类器构造模块,所述分类器构造模块用于根据所述多级意图层级树中各节点间的连接关系,筛选出非叶子节点,其中,所述叶子节点为不存在下级节点的节点,对各非叶子节点分别构造对应的局部分类器,并为所述局部分类器进行区别命名,其中,所述区别命名方式可以为直接使用各非叶子节点对应的语义意图名称作为所述区别命名。
本申请获取待识别文本;将所述待识别文本输入预训练的分词模型,进行分词处理,将分词处理结果作为所述待识别文本的特征编码;将所述特征编码输入预构建的图神经网络模型,识别出所述待识别文本中包含的多级语义意图,本申请采用ERNIE模型分词处理结果,构建多级意图层级树,再通过多级意图层级树构建图神经网络模型,能够很好的获取多级语义意图之间的依赖信息,使得预测结果更加合理,最终整体提高用户多级意图识别准确率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图9,图9为本实施例计算机设备基本结构框图。
所述计算机设备9包括通过系统总线相互通信连接存储器9a、处理器9b、网络接口9c。需要指出的是,图中仅示出了具有组件9a-9c的计算机设备9,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机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(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器9a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、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器9a可以是所述计算机设备9的内部存储单元,例如该计算机设备9的硬盘或内存。在另一些实施例中,所述存储器9a也可以是所述计算机设备9的外部存储设备,例如该计算机设备9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器9a还可以既包括所述计算机设备9的内部存储单元也包括其外部存储设备。本实施例中,所述存储器9a通常用于存储安装于所述计算机设备9的操作系统和各类应用软件,例如多级语义意图识别方法的计算机可读指令等。此外,所述存储器9a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器9b在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器9b通常用于控制所述计算机设备9的总体操作。本实施例中,所述处理器9b用于运行所述存储器9a中存储的计算机可读指令或者处理数据,例如运行所述多级语义意图识别方法的计算机可读指令。
所述网络接口9c可包括无线网络接口或有线网络接口,该网络接口9c通常用于在所述计算机设备9与其他电子设备之间建立通信连接。
本实施例提出的计算机设备,属于金融科技技术领域。本申请获取待识别文本;将所述待识别文本输入预训练的分词模型,进行分词处理,将分词处理结果作为所述待识别文本的特征编码;将所述特征编码输入预构建的图神经网络模型,识别出所述待识别文本中包含的多级语义意图,本申请采用ERNIE模型分词处理结果,构建多级意图层级树,再通过多级意图层级树构建图神经网络模型,能够很好的获取多级语义意图之间的依赖信息,使得预测结果更加合理,最终整体提高用户多级意图识别准确率。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被处理器执行,以使所述处理器执行如上述的多级语义意图识别方法的步骤。
本实施例提出的计算机可读存储介质,属于金融科技技术领域。本申请获取待识别文本;将所述待识别文本输入预训练的分词模型,进行分词处理,将分词处理结果作为所述待识别文本的特征编码;将所述特征编码输入预构建的图神经网络模型,识别出所述待识别文本中包含的多级语义意图,本申请采用ERNIE模型分词处理结果,构建多级意图层级树,再通过多级意图层级树构建图神经网络模型,能够很好的获取多级语义意图之间的依赖信息,使得预测结果更加合理,最终整体提高用户多级意图识别准确率。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。

Claims (10)

1.一种多级语义意图识别方法,其特征在于,包括下述步骤:
步骤201,获取待识别文本;
步骤202,将所述待识别文本输入预训练的分词模型,进行分词处理,将分词处理结果作为所述待识别文本的特征编码;
步骤203,获取数据训练集,其中,所述数据训练集由已标注文本中各分词对应意图的文本组成,所述数据训练集中文本为保险业务中的常用对话文本;
步骤204,将所述数据训练集输入初始化的图神经网络模型,构建多级意图层级树;
步骤205,根据预设判断条件,判断所述多级意图层级树中节点个数是否处于稳定状态;
步骤206,若所述多级意图层级树中节点个数处于不稳定状态,则获取新的数据训练集,并重复执行步骤204、步骤205,对所述多级意图层级树进行更新;
步骤207,若所述多级意图层级树中节点个数处于稳定状态,则根据所述多级意图层级树中各节点及各节点间的连接关系,完成所述图神经网络模型的预构建;
步骤208,将所述特征编码输入预构建的图神经网络模型,识别出所述待识别文本中包含的多级语义意图。
2.根据权利要求1所述的多级语义意图识别方法,其特征在于,所述将所述数据训练集输入初始化的图神经网络模型,构建多级意图层级树的步骤,具体包括:
获取所述数据训练集中所有文本中已标记意图的分词;
若任意两个分词在所有文本中不存在句子构造连接关系,且所述两个分词不是同一语义意图的分词,则所述两个分词对应的语义意图间不存在层级关系;
将所述不存在层级关系的语义意图设置在所述多级意图层级树的同一层级,作为所述多级意图层级树中的同层节点;
若任意两个分词在同一文本中存在句子构造连接关系,且所述两个分词不是同一语义意图的分词,则所述两个分词对应的语义意图间存在层级关系;
将所述存在层级关系的语义意图按照所述层级关系设置在所述多级意图层级树的不同层级,作为所述多级意图层级树中的分层节点;
对所述分层节点根据所述层级关系进行层间连线,直到连线完成,则完成当前周期所述多级意图层级树的构建。
3.根据权利要求2所述的多级语义意图识别方法,其特征在于,所述根据所述多级意图层级树中各节点及各节点间的连接关系,完成所述图神经网络模型的预构建的步骤,具体包括:
根据所述多级意图层级树中各节点及各节点间的连接关系,构造除根节点以外其他节点对应的邻接矩阵;
对所述邻接矩阵进行求和运算,获取所述邻接矩阵的度矩阵;
根据已标记意图的分词结果和预设概率算法,统计各分词在所述数据训练集中的权重值;
根据各分词在所述数据训练集中的权重值,构建初始化的分词权重矩阵;
根据图神经网络算法公式:
Figure FDA0003984012350000021
Figure FDA0003984012350000022
完成所述图神经网络模型的预构建,其中,H(l)为多层图神经网络中本层的输出结果,σ为非线性映射函数,n为节点总个数,Ai为第i个节点的邻接矩阵,Di为第i个节点的邻接矩阵的度矩阵,W(l-1)为经多层图神经网络中本层神经网络的上一层神经网络训练之后的分词权重矩阵,H(l-1)为多层图神经网络中本层神经网络的上一层的输出结果,b(l-1)为经多层图神经网络中本层神经网络的上一层神经网络训练之后的偏置项。
4.根据权利要求1所述的多级语义意图识别方法,其特征在于,所述根据预设判断条件,判断所述多级意图层级树中节点个数是否处于稳定状态的步骤,具体包括:
统计同一构建周期内所述多级意图层级树的节点个数变化情况;
若在构建前后所述节点个数未发生变化,则所述多级意图层级树中节点个数已处于稳定状态;
若在构建前后所述节点个数发生变化,则所述多级意图层级树中节点个数还未处于稳定状态。
5.根据权利要求1所述的多级语义意图识别方法,其特征在于,在执行所述根据所述多级意图层级树中各节点及各节点间的连接关系,完成所述图神经网络模型的预构建的步骤之前,所述方法还包括:
根据所述多级意图层级树中各节点间的连接关系,筛选出非叶子节点,其中,所述叶子节点为不存在下级节点的节点;
对各非叶子节点分别构造对应的局部分类器,并为所述局部分类器进行区别命名,其中,所述区别命名方式为直接使用各非叶子节点对应的语义意图名称作为所述区别命名。
6.根据权利要求5所述的多级语义意图识别方法,其特征在于,所述将所述特征编码输入预构建的图神经网络模型,识别出所述待识别文本中包含的多级语义意图的步骤,具体包括:
将所述特征编码输入所述预构建的图神经网络模型,识别所述特征编码中各分词结果分别所对应的局部分类器;
根据所述局部分类器,获取所述特征编码中各分词结果分别所对应语义意图;
判断所述特征编码中各分词结果分别所对应语义意图间是否存在多个同级语义意图;
若存在多个同级语义意图,则使用对比学习训练方式为所述多个同级语义意图分别构建正负样本实例,其中,正样本实例的构建方式为从所述数据训练集中随机获取与当前语义意图相同的若干个文本作为正样本实例,负样本实例的构建方式为识别所述当前语义意图对应节点为兄弟节点,从所述数据训练集中随机获取所述兄弟节点的语义意图所对应的若干个文本作为负样本实例;
根据对比学习损失函数:
Figure FDA0003984012350000041
获取所述多个同级语义意图中不同的语义意图分别对应的损失度,其中,zi表示所述待识别文本的特征编码,
Figure FDA0003984012350000042
表示正样本实例的特征编码,
Figure FDA0003984012350000043
表示负样本实例的特征编码,sim方法为用于计算正、负样本实例的特征编码与所述待识别文本的特征编码间相似度的函数方法;
获取所述损失度为最小值时所对应的语义意图,作为所述多个同级语义意图的最终语义意图;
获取所述特征编码中各分词结果所对应的不同级语义意图作为所述待识别文本中包含的多级语义意图。
7.一种多级语义意图识别装置,其特征在于,包括:
识别文本获取模块,用于获取待识别文本;
特征编码获取模块,用于将所述待识别文本输入预训练的分词模型,进行分词处理,将分词处理结果作为所述待识别文本的特征编码;
训练集获取模块,用于获取数据训练集,其中,所述数据训练集由已标注文本中各分词对应意图的文本组成,所述数据训练集中文本为保险业务中的常用对话文本;
多级意图层级树构建模块,用于将所述数据训练集输入初始化的图神经网络模型,构建多级意图层级树;
节点稳定状态判断模块,用于根据预设判断条件,判断所述多级意图层级树中节点个数是否处于稳定状态;
多级意图层级树更新模块,用于若所述多级意图层级树中节点个数处于不稳定状态,则获取新的数据训练集,对所述多级意图层级树进行更新;
图神经网络模型构建模块,用于若所述多级意图层级树中节点个数处于稳定状态,则根据所述多级意图层级树中各节点及各节点间的连接关系,完成所述图神经网络模型的预构建;
语义意图识别模块,用于将所述特征编码输入预构建的图神经网络模型,识别出所述待识别文本中包含的多级语义意图。
8.根据权利要求7所述的多级语义意图识别装置,其特征在于,所述图神经网络模型构建模块包括邻接矩阵构造子模块、度矩阵获取子模块、权重值获取子模块、分词权重矩阵构建子模块和图神经网络模型构建子模块,其中:
所述邻接矩阵构造子模块,用于根据所述多级意图层级树中各节点及各节点间的连接关系,构造除根节点以外其他节点对应的邻接矩阵;
所述度矩阵获取子模块,用于对所述邻接矩阵进行求和运算,获取所述邻接矩阵的度矩阵;
所述权重值获取子模块,用于根据已标记意图的分词结果和预设概率算法,统计各分词在所述数据训练集中的权重值;
所述分词权重矩阵构建子模块,用于根据各分词在所述数据训练集中的权重值,构建初始化的分词权重矩阵;
所述图神经网络模型构建子模块,用于根据图神经网络算法公式:
Figure FDA0003984012350000051
完成所述图神经网络模型的预构建,其中,H(l)为多层图神经网络中本层的输出结果,σ为非线性映射函数,n为节点总个数,Ai为第i个节点的邻接矩阵,Di为第i个节点的邻接矩阵的度矩阵,W(l-1)为经多层图神经网络中本层神经网络的上一层神经网络训练之后的分词权重矩阵,H(l-1)为多层图神经网络中本层神经网络的上一层的输出结果,b(l-1)为经多层图神经网络中本层神经网络的上一层神经网络训练之后的偏置项。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的多级语义意图识别方法的步骤。
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6中任一项所述的多级语义意图识别方法的步骤。
CN202211559430.8A 2022-12-06 2022-12-06 多级语义意图识别方法及其相关设备 Pending CN115730597A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211559430.8A CN115730597A (zh) 2022-12-06 2022-12-06 多级语义意图识别方法及其相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211559430.8A CN115730597A (zh) 2022-12-06 2022-12-06 多级语义意图识别方法及其相关设备

Publications (1)

Publication Number Publication Date
CN115730597A true CN115730597A (zh) 2023-03-03

Family

ID=85300328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211559430.8A Pending CN115730597A (zh) 2022-12-06 2022-12-06 多级语义意图识别方法及其相关设备

Country Status (1)

Country Link
CN (1) CN115730597A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116485559A (zh) * 2023-06-21 2023-07-25 杭州大鱼网络科技有限公司 一种批量保险业务处理风险监测方法及系统
CN116681810A (zh) * 2023-08-03 2023-09-01 腾讯科技(深圳)有限公司 虚拟对象动作生成方法、装置、计算机设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116485559A (zh) * 2023-06-21 2023-07-25 杭州大鱼网络科技有限公司 一种批量保险业务处理风险监测方法及系统
CN116485559B (zh) * 2023-06-21 2023-09-01 杭州大鱼网络科技有限公司 一种批量保险业务处理风险监测方法及系统
CN116681810A (zh) * 2023-08-03 2023-09-01 腾讯科技(深圳)有限公司 虚拟对象动作生成方法、装置、计算机设备和存储介质
CN116681810B (zh) * 2023-08-03 2023-10-03 腾讯科技(深圳)有限公司 虚拟对象动作生成方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN110347835B (zh) 文本聚类方法、电子装置及存储介质
WO2021027533A1 (zh) 文本语义识别方法、装置、计算机设备和存储介质
WO2021121198A1 (zh) 基于语义相似度的实体关系抽取方法、装置、设备及介质
CN107807968B (zh) 基于贝叶斯网络的问答装置、方法及存储介质
CN115730597A (zh) 多级语义意图识别方法及其相关设备
CN110619051A (zh) 问题语句分类方法、装置、电子设备及存储介质
CN112287069A (zh) 基于语音语义的信息检索方法、装置及计算机设备
CN112926308B (zh) 匹配正文的方法、装置、设备、存储介质以及程序产品
CN111159409A (zh) 基于人工智能的文本分类方法、装置、设备、介质
CN113887237A (zh) 多意图文本的槽位预测方法、装置及计算机设备
CN115438149A (zh) 一种端到端模型训练方法、装置、计算机设备及存储介质
CN112084779A (zh) 用于语义识别的实体获取方法、装置、设备及存储介质
CN116821373A (zh) 基于图谱的prompt推荐方法、装置、设备及介质
CN112906368B (zh) 行业文本增量方法、相关装置及计算机程序产品
CN114444476A (zh) 信息处理方法、装置和计算机可读存储介质
CN113837307A (zh) 数据相似度计算方法、装置、可读介质及电子设备
WO2021063089A1 (zh) 规则匹配方法、规则匹配装置、存储介质及电子设备
CN113723077A (zh) 基于双向表征模型的句向量生成方法、装置及计算机设备
CN113569118A (zh) 自媒体推送方法、装置、计算机设备及存储介质
WO2021217866A1 (zh) 用于ai智能面试的识别的方法、装置、计算机设备及存储介质
CN115730237B (zh) 垃圾邮件检测方法、装置、计算机设备及存储介质
CN112598039A (zh) 获取nlp分类领域阳性样本方法及相关设备
CN114266255B (zh) 基于聚类模型的语料分类方法、装置、设备及存储介质
CN114742058B (zh) 一种命名实体抽取方法、装置、计算机设备及存储介质
CN114117037A (zh) 意图识别方法、装置、设备和存储介质

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