CN115759122A - 一种意图识别方法、装置、设备及可读存储介质 - Google Patents

Abstract

本说明书公开了一种意图识别方法、装置、设备及可读存储介质，通过将待识别信息与预设的各关键词进行匹配，得到所述待识别信息匹配的目标关键词，根据所述目标关键词，从所述目标用户的历史对话记录中，查找与所述目标关键词对应的参考输出信息，以及目标用户针对参考输出信息输入的参考回复信息，进而将待识别信息和参考回复信息输入预训练的意图识别模型，得到模型输出的意图作为待识别信息的目标意图。可见，根据待识别信息匹配的目标关键词，查找参考输出信息和参考回复信息的方式，不需要对现有的意图识别模型的训练方式和模型结构做出调整，也可以结合多轮对话进行意图识别，提高了意图识别的准确性以及隐私信息的安全性。

Description

一种意图识别方法、装置、设备及可读存储介质

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方法、装置、设备及可读存储介质。

背景技术

随着人们对隐私数据关注度的提高，人机交互领域也受到了广泛的关注。当前，智能对话系统可通过用户输入的对话数据识别用户的意图，从而输出符合用户意图的智能对话数据，以便与用户进行流畅的沟通。因此，提高识别用户意图的准确性成为亟待解决的问题。

基于此，本说明书提供一种意图识别方法。

发明内容

本说明书提供一种意图识别方法、装置、设备及可读存储介质，以部分的解决现有技术存在的上述问题。

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方法，包括：

接收意图识别请求，确定目标用户针对智能对话系统的输出信息输入的回复信息，作为待识别信息；

将所述待识别信息与预设的各关键词进行匹配，得到所述待识别信息匹配的目标关键词；

根据所述目标关键词以及预设的历史输出信息与关键词之间的对应关系，从所述目标用户的历史对话记录中，查找与所述目标关键词对应的参考输出信息，以及所述目标用户针对所述参考输出信息输入的参考回复信息；

将所述待识别信息与所述参考回复信息作为输入，输入到预先训练的意图识别模型，得到所述意图识别模型输出的意图，作为所述待识别信息的目标意图；

其中，采用下述方法训练所述意图识别模型：

根据智能对话系统与参考用户的指定轮历史对话中，所述智能对话系统输出的历史输出信息以及所述参考用户针对所述历史输出信息输入的历史回复信息，确定第一训练样本，根据所述指定轮历史对话对应的所述参考用户的意图确定所述第一训练样本的标签，根据所述第一训练样本和所述第一训练样本的标签训练所述意图识别模型。

本说明书提供了一种意图识别装置，包括：

接收模块，用于接收意图识别请求，确定目标用户针对智能对话系统的输出信息输入的回复信息，作为待识别信息；

匹配模块，用于将所述待识别信息与预设的各关键词进行匹配，得到所述待识别信息匹配的目标关键词；

查找模块，用于根据所述目标关键词以及预设的历史输出信息与关键词之间的对应关系，从所述目标用户的历史对话记录中，查找与所述目标关键词对应的参考输出信息，以及所述目标用户针对所述参考输出信息输入的参考回复信息；

识别模块，用于将所述待识别信息与所述参考回复信息作为输入，输入到预先训练的意图识别模型，得到所述意图识别模型输出的意图，作为所述待识别信息的目标意图。

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：

本说明提供的意图识别方法中，通过将待识别信息与预设的各关键词进行匹配，得到所述待识别信息匹配的目标关键词，根据所述目标关键词，从所述目标用户的历史对话记录中，查找与所述目标关键词对应的参考输出信息，以及目标用户针对参考输出信息输入的参考回复信息，进而将待识别信息和参考回复信息输入预训练的意图识别模型，得到模型输出的意图作为待识别信息的目标意图。可见，根据待识别信息匹配的目标关键词，查找参考输出信息和参考回复信息的方式，不需要对现有的意图识别模型的训练方式和模型结构做出调整，也可以结合多轮对话进行意图识别，提高了意图识别的准确性。

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为本说明书中一种意图识别方法的流程示意图；

图2为本说明书中一种意图识别方法的流程示意图；

图3为本说明书提供的一种意图识别装置的示意图；

图4为本说明书提供的对应于图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。

另外，需要说明的是，本发明中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。

在人机对话中，用户与智能对话系统之间使用某种对话语言，通过一定的交互方式，完成人与智能对话系统之间的信息交换。在人机对话过程中，智能对话系统通常对用户输入的语音或文本信息进行意图识别得到用户的意图，然后根据意图得到输出结果以完成与用户之间的对话。

但在实际应用中，可能会出现多轮对话中用户在某一轮对话中否认了之前的回答的情况。此时，如果意图识别模型是以单轮对话的对话数据为训练样本，以单轮对话的用户意图为训练样本的标签训练得到的话，则无法针对上述情况输出用户在多轮对话中的意图。而采用多轮对话的对话数据为训练样本，以多轮对话的用户意图为标签训练意图识别模型，在训练过程中存在人工打标困难，模型训练占用计算资源高，预测效率低的问题。

基于此，本说明书提供一种意图识别方法，基于待识别信息和与参考回复信息共同预测出的意图，作为待识别信息对应的目标意图，不需要对现有的意图识别模型的训练方式和模型结构做出调整，也可以结合多轮对话进行意图识别，以提高意图识别的准确性。

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为本说明书提供的一种意图识别方法的流程示意图。

S100：接收意图识别请求，确定目标用户针对智能对话系统的输出信息输入的回复信息，作为待识别信息。

随着互联网技术的快速发展，越来越多的用户通过业务平台进行线上交易业务。同时，可能存在用户遭遇网络诈骗从而进行具有交易风险的线上交易的情况。针对上述情况，业务平台可采用外呼或主动发起对话等方式，通过多轮对话与用户进行信息交换，从而识别用户执行的交易业务是否存在风险，以便即使发现风险并提示用户，避免用户利益收到侵害。

在本说明书实施例中，智能对话系统与目标用户之间的每一轮对话中，可以包含智能对话系统输出的历史输出信息和用户输入的历史回复信息。可选的，通过人机对话的方式确认目标用户是否存在异常行为的场景中，一般由智能对话系统提出问题，由用户输入问题的回答，由此，智能对话系统输出的历史输出信息可以是历史提问，目标用户输入的历史回复信息可以是针对历史提问的历史回答。

具体的，接收意图识别请求，意图识别请求中可以携带目标用户针对智能对话系统的输出信息输入的回复信息，可将回复信息作为待识别信息。其中，目标用户与智能对话系统之间的人机对话的具体方式可以语音、文字、图片等任意现有的人机对话方式，本说明书对此不做限定。

S102：将将所述待识别信息与预设的各关键词进行匹配，得到所述待识别信息匹配的目标关键词。

在智能对话系统与目标用户的人机对话过程中，智能对话系统可能会重复询问用户同一类型的问题。但是在实际应用中，目标用户可能会针对同一类型的提问给出截然不同的回复。例如，“您刚才的交易是为了做刷单任务吗？”和“你是在购物平台上刷单的吗？”，上述两个问题并不完全一致，但类型相同，都是用于询问目标用户是否存在刷单这一异常行为。基于上述实际情况，仅根据单轮对话数据为训练样本训练的意图识别模型，难以从目标用户针对同一类型的提问给出的截然不同的回复中准确识别目标用户的真实意图。

因此，可以预先对历史对话记录中的历史输出信息进行分类，得到历史输出信息对应的关键词，以便确定待识别信息回应的输出信息的类型，并查找到针对同一类型的输出信息目标用户输入的多个回复信息，进而在确定待识别信息对应的目标意图时，结合多轮对话中目标用户针对同一类型的输出信息给出的多个回复信息综合得到待识别信息。

S104：根据所述目标关键词以及预设的历史输出信息与关键词之间的对应关系，从所述目标用户的历史对话记录中，查找与所述目标关键词对应的参考输出信息，以及所述目标用户针对所述参考输出信息输入的参考回复信息。

具体的，可以通过人工标注的方式，得到历史输出信息的关键词，并对历史输出信息进行分类。当然，人工标注的方式要求标注人员的业务水平较高，基于此，还可以根据多轮历史对话记录通过预先训练的分类模型，建立历史输出信息与关键词之间的对应关系，进而对历史输出信息进行分类。其中，一个历史输出信息可以对应于多个关键词，同时，一个关键词可以对应于多个历史输出信息。

进一步的，从目标用户与智能对话系统的历史对话记录中，查找与目标关键词对应的参考输出信息。其中，历史对话记录可以是目标用户与智能对话系统在指定时间段内进行人机对话生成的历史对话记录，指定时间段的具体时长可根据具体的应用场景确定，本说明书不做限定。

于是，通过查找待识别信息匹配的关键词，可以得到与待识别信息回应的输出信息相同类型的参考输出信息，进而可以查找到目标用户在指定时段内与智能对话系统的人机对话中，针对多个相同类型的参考输出信息输入的参考回复信息。通过本说明书实施例中结合历史对话记录中多个参考回复信息识别目标用户的意图的方法，在不改变现有的意图识别模型的模型结构以及训练方法的前提下，就可以实现结合多轮对话识别目标用户意图的目的，既实现了单轮对话预测意图的打标方便、显存占用小、预测速度快的优点，又达到了多轮对话共同预测意图的效果。

S106：将所述待识别信息与所述参考回复信息作为输入，输入到预先训练的意图识别模型，得到所述意图识别模型输出的意图，作为所述待识别信息的目标意图。

在实际应用中，目标用户与智能对话系统之间的人机对话过程中，可能存在目标用户针对同一输出信息的输入不同的回复信息的情况。为了在上述情况下提高意图识别的准确性，通过待识别信息的目标关键词查找参考输出信息，进而确定用户针对同一类型的参考输出信息输入的参考回复信息。

具体的，在本说明书实施例中，将待识别信息与参考回复信息拼接，并将拼接后的信息输入到预先训练的意图识别模型。如果参考回复信息与待识别信息的意图一致，则将参考回复信息与待识别信息输入意图识别模型，模型输出的意图可以与参考回复信息表征的意图相同或相近。如果参考回复信息表征的意图与待识别信息的表征的意图不一致，则将参考回复信息与待识别信息输入意图识别模型，模型输出的意图可能与参考回复信息所表征的意图相反。

在本说明书实施例中，意图识别模型可以采用现有的训练方式进行训练，具体的，采用下述方法训练所述意图识别模型：

根据智能对话系统与参考用户的指定轮历史对话中，所述智能对话系统输出的历史输出信息以及所述参考用户针对所述历史输出信息输入的历史回复信息，确定第一训练样本，根据所述指定轮历史对话对应的所述参考用户的意图确定所述第一训练样本的标签，根据所述第一训练样本和所述第一训练样本的标签训练所述意图识别模型。

可选的，在本说明书实施例中，首先获取智能对话系统和参考用户进行多轮历史对话时的多轮历史对话记录，然后，在上述多轮历史对话记录中选择至少一轮历史对话作为指定轮历史对话，其中，指定轮历史对话的轮数和对话时间本说明书不做限定。也就是说，在本说明书实施例中，意图识别模型可以采用单轮历史对话中的历史输出信息和历史回复信息作为第一训练样本进行训练。当然，也可以采用多轮历史对话中的多个历史输出信息和多个历史回复信息作为第一训练样本进行训练。

于是，意图识别模型的训练样本可以是单轮历史对话记录中的历史输出信息和历史回复信息，训练样本的标签可以是单轮历史对话记录所表征的用户意图，其中，训练样本的标签可以采用现有的任意方式获得，如人工标注。也就是说，本说明书一个或多个实施例中，采用的意图识别模型也可以兼顾单轮对话预测意图的打标方便、显存占用小、预测速度快的优点。

由于在本说明书实施例中，并未对意图识别模型的训练样本及训练样本的标签、模型结构、训练方式等进行更改，而是通过获取待识别信息对应的目标关键词查找待识别信息对应的参考输出信息的方式，确定目标用户在多轮对话中针对同一关键词对应的输出信息的多个参考回复信息，并基于待识别信息与多个参考回复信息综合识别目标用户的意图，以便在目标用户给出不同回复信息时能够结合多轮对话得到目标用户的意图。

本说明提供的意图识别方法中，通过将待识别信息与预设的各关键词进行匹配，得到所述待识别信息匹配的目标关键词，根据所述目标关键词，从所述目标用户的历史对话记录中，查找与所述目标关键词对应的参考输出信息，以及目标用户针对参考输出信息输入的参考回复信息，进而将待识别信息和参考回复信息输入预训练的意图识别模型，得到模型输出的意图作为待识别信息的目标意图。可见，根据待识别信息匹配的目标关键词，查找参考输出信息和参考回复信息的方式，不需要对现有的意图识别模型的训练方式和模型结构做出调整，也可以结合多轮对话进行意图识别，提高了意图识别的准确性。

在本说明书一个或多个实施例中，如图1步骤S102所示将所述待识别信息与预设的各关键词进行匹配，得到所述待识别信息匹配的目标关键词之前，可以基于参考用户与智能对话系统的多轮对话的历史对话记录，确定各关键词与历史输出信息之间的对应关系，具体通过以下步骤实现，如图2所示：

S200：获取参考用户与智能对话系统多轮对话的历史对话记录，其中，每轮历史对话记录中包含所述智能对话系统输出的历史输出信息，以及所述参考用户针对所述历史输出信息输入的历史回复信息。

在实际应用中，预设的历史输出信息与关键词之间的对应关系可以通过人工标注的方式，人工针对每个历史输出信息，从该历史输出信息的文本中，基于该历史输出信息的语义，提取该历史输出信息的至少一个关键词。然而，这种方法对标注人员的业务能力要求过高，可能会出现标注不全或标注错误的问题。由此，本说明书实施例中，通过从历史输出信息的专属回复信息中提取关键词的方式，自动建立各历史输出信息与各关键词之间的对应关系。

其中，参考用户与智能对话系统的多轮对话的历史对话记录，可以是在预设时间段内，多个不同参考用户分别与智能对话系统之间的多轮对话的历史对话记录。各参考用户中可以包含上述目标用户，本说明书对此不做限定。

由于本说明书一个或多个实施例中提供的意图识别方法可以应用在智能反诈系统中识别用户的异常行为的场景中，由此，在每轮历史对话记录中，可以记录智能对话系统输出的历史输出信息，以及参考用户针对历史输出信息输入的历史回复信息。

S202：针对每个历史输出信息，从各历史回复信息中筛选出该历史输出信息对应的各指定回复信息。

具体的，针对每个历史回复信息，将该历史回复信息输入到预训练的分类模型，得到所述分类模型输出的该历史回复信息对应于各历史输出信息的概率。

在人机对话过程中，参考用户针对历史输出信息输入的历史回复信息可以有两种形式，其一为通用回复信息，指该回复信息可用于回应各种类型的输出信息，如“嗯”、“是”和“不是”。其二为专属回复信息，值该回复信息仅可用于回应对应于该回复信息的输出信息，如“我没有刷单”或“我购物了”。通常，专属回复信息可以包含专属回复信息回应的输出信息的类型或者主题，因此，可以通过将通用回复信息剔除，保留专属回复信息，并基于专属回复信息提取关键词的方式，确定专属回复信息对应的历史输出信息的关键词。

其中，分类模型是采用下述方法训练得到的：

第一步：预先针对每轮历史对话记录，以该轮历史对话记录中的历史回复信息为第二训练样本，以该轮历史对话记录中的历史输出信息为所述第二训练样本的标签。

第二步：将所述第二训练样本输入到待训练的分类模型中，得到所述分类模型输出的所述第二训练样本的预测信息。

第三步：以所述第二训练样本的预测信息与所述第二训练样本的标签之间的差异最小化为训练目标，训练所述分类模型。

由此，分类模型可以根据历史回复信息预测该历史回复信息对应于各历史输出信息的概率，通常概率最大的历史输出信息即为该历史回复信息回应的历史输出信息，然而在实际应用中，历史对话记录中存在一定数量的通用回复信息，在分类模型的训练样本中并未剔除通用的回复信息，这就导致，通用的回复信息输入到分类模型中，模型输出的通用的回复信息对应于各历史输出信息的概率通常相近。由此，进一步的，确定该历史回复信息对应于各历史输出信息的概率之间的差异，将差异高于预设差异阈值的各历史回复信息作为各候选信息。

于是，针对每个历史输出信息，根据所述各候选回复信息分别对应于该历史输出信息的概率，从所述各历史回复信息中筛选出该历史输出信息对应的各指定回复信息。

S204：根据该历史输出信息对应的各指定回复信息，确定该历史输出信息对应的至少一个关键词。

具体的，对该历史输出信息对应的各指定回复信息分别进行分词，得到各候选词，将所述各候选词分别输入预训练的意图识别模型，根据所述意图识别模型的输出从所述各候选词中筛选出该历史输出信息对应的至少一个关键词。

例如，历史输出信息为“您刚才的交易是为了做刷单任务吗？”，该历史输出信息的指定回复信息为“我没有刷单。”，则可以将“我没有刷单”分词得到“我”、“没有”和“刷单”单个候选词，进一步的，将这三个候选词分别输入预训练的意图识别模型中，“我”、“没有”这两个关键词由于并不能表征任何用户意图，因此模型针对这两个关键词输出的各意图的概率均较低，而“刷单”这一关键词可以命中“刷单”的异常行为，因此，通过对指定回复信息分词得到候选词，进而从各候选词中筛选出该历史输出信息对应的关键词。

其中，一个历史输出信息可以对应至少一个关键词，一个关键词也可对应于至少一个历史输出信息。

S206：根据各历史输出信息对应的关键词，确定历史输出信息与关键词之间的对应关系。

基于上述方案，通过从参考用户针对各历史输出信息输入的各历史回复信息中通用的历史回复信息剔除，得到各历史输出信息分别对应的指定回复信息，进而从指定回复信息中确定历史输出信息对应的知道一个关键词，从而，建立各历史输出信息与各关键词之间的对应关系。可见，采用非人工建立历史输出信息与关键词之间的对应关系的方式，避免了人工标注时可能会出现的标注不全或标注错误的问题。

在本说明书一个或多个实施例中，所述待识别信息回应的问题为：用于询问所述目标用户是否存在异常行为的问题；

查找与所述目标关键词对应的参考输出信息，以及所述目标用户针对所述参考输出信息输入的参考回复信息之前，还可以确定所述待识别信息包含否定词。

在通过智能对话系统外呼与目标用户进行人机对话确定目标用户是否存在异常行为的场景中，通常情况下，智能对话系统可以输出询问目标用户是否存在异常行为的问题，如果目标用户在多轮对话中的前几轮对话中均针对上述类型的问题给出确定的回复，而在本轮对话中给出了否定的回复，则说明目标用户的对话意图发生的改变，需要针对这种情况重新识别目标用户的意图，进而对目标用户在前几轮对话中的意图进行修正。

在本说明书一个或多个实施例中，在如图1步骤S106所示得到待识别信息的目标意图之后，还可以获取所述参考回复信息对应的所述目标用户的意图，根据所述目标意图，调整所述参考回复信息对应的所述目标用户的意图，以根据调整后的意图判断所述目标用户是否存在异常行为。具体的，可以根据意图识别模型根据拼接后的回复信息输出的目标意图对参考回复信息对应的目标用户的意图进行覆盖、调整等修正。

例如，智能对话系统的输出信息为“您刚才的交易是为了做刷单任务吗？”，目标用户输入的回复信息为“嗯”。此时，目标用户的意图可以被识别为“刷单”。智能对话系统输出“你是在购物平台上刷单的吗？”，目标用户输入的待识别信息为“我没有刷单”。此时，可将“我没有刷单”和“嗯”拼接，并输入到预训练的意图识别模型中，得到意图识别模型的输出的目标用户的意图为“没有刷单”。进而，可以根据意图为“没有刷单”修正历史对话记录中意图为“刷单”的情况，并对修正的历史对话对应的用户的行为重新定义，以便提高判断目标用户是否存在异常行为的准确率。

图3为本说明书提供的一种意图识别装置示意图，具体包括：

接收模块300，用于接收意图识别请求，确定目标用户针对智能对话系统的输出信息输入的回复信息，作为待识别信息；

匹配模块302，用于将所述待识别信息与预设的各关键词进行匹配，得到所述待识别信息匹配的目标关键词；

查找模块304，用于根据所述目标关键词以及预设的历史输出信息与关键词之间的对应关系，从所述目标用户的历史对话记录中，查找与所述目标关键词对应的参考输出信息，以及所述目标用户针对所述参考输出信息输入的参考回复信息；

识别模块306，用于将将所述待识别信息与所述参考回复信息作为输入，输入到预先训练的意图识别模型，得到所述意图识别模型输出的意图，作为所述待识别信息的目标意图。

可选地，所述装置还包括：

对应关系确定模块308，具体用于获取参考用户与智能对话系统多轮对话的历史对话记录，其中，每轮历史对话记录中包含所述智能对话系统输出的历史输出信息，以及所述参考用户针对所述历史输出信息输入的历史回复信息；针对每个历史输出信息，从各历史回复信息中筛选出该历史输出信息对应的各指定回复信息；根据该历史输出信息对应的各指定回复信息，确定该历史输出信息对应的至少一个关键词；根据各历史输出信息对应的关键词，确定历史输出信息与关键词之间的对应关系。

可选地，所述对应关系确定模块308，具体用于针对每个历史回复信息，将该历史回复信息输入到预训练的分类模型，得到所述分类模型输出的该历史回复信息对应于各历史输出信息的概率；确定该历史回复信息对应于各历史输出信息的概率之间的差异，将差异高于预设差异阈值的各历史回复信息作为各候选回复信息；针对每个历史输出信息，根据所述各候选回复信息分别对应于该历史输出信息的概率，从所述各历史回复信息中筛选出该历史输出信息对应的各指定回复信息。

可选地，所述装置还包括：

训练模块310，具体用于预先针对每轮历史对话记录，以该轮历史对话记录中的所述参考用户输入的历史回复信息为第二训练样本，以该轮历史对话记录中所述历史回复信息回应的历史输出信息为所述第二训练样本的标签；将所述第二训练样本输入到待训练的分类模型中，得到所述分类模型输出的所述第二训练样本的预测信息；以所述第二训练样本的预测信息与所述第二训练样本的标签之间的差异最小化为训练目标，训练所述分类模型。

可选地，所述对应关系确定模块308，具体用于对该历史输出信息对应的各指定回复信息分别进行分词，得到各候选词；将所述各候选词分别输入预训练的意图识别模型，根据所述意图识别模型的输出从所述各候选词中筛选出该历史输出信息对应的至少一个关键词。

可选地，所述待识别信息回应的所述智能对话系统的输出信息为：用于询问所述目标用户是否存在异常行为的问题；

可选地，所述查找模块304在所述查找模块304查找与所述目标关键词对应的参考输出信息，以及所述目标用户针对所述参考输出信息输入的参考回复信息之前，还用于确定所述待识别信息包含否定词。

可选地，所述装置还包括：

调整模块312，具体用于获取所述参考回复信息对应的所述目标用户的意图；根据所述目标意图，调整所述参考回复信息对应的所述目标用户的意图，以根据调整后的意图判断所述目标用户是否存在异常行为。

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所示的意图识别方法。

本说明书还提供了图4所示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所示的意图识别方法。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，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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 (16)

1.一种意图识别方法，所述方法包括：

接收意图识别请求，确定目标用户针对智能对话系统的输出信息输入的回复信息，作为待识别信息；

将所述待识别信息与预设的各关键词进行匹配，得到所述待识别信息匹配的目标关键词；

根据所述目标关键词以及预设的历史输出信息与关键词之间的对应关系，从所述目标用户的历史对话记录中，查找与所述目标关键词对应的参考输出信息，以及所述目标用户针对所述参考输出信息输入的参考回复信息；

将所述待识别信息与所述参考回复信息作为输入，输入到预先训练的意图识别模型，得到所述意图识别模型输出的意图，作为所述待识别信息的目标意图；

其中，采用下述方法训练所述意图识别模型：

根据智能对话系统与参考用户的指定轮历史对话中，所述智能对话系统输出的历史输出信息以及所述参考用户针对所述历史输出信息输入的历史回复信息，确定第一训练样本，根据所述指定轮历史对话对应的所述参考用户的意图确定所述第一训练样本的标签，根据所述第一训练样本和所述第一训练样本的标签训练所述意图识别模型。

2.如权利要求1所述的方法，采用下述方法确定历史输出信息与关键词之间的对应关系：

获取参考用户与智能对话系统多轮对话的历史对话记录，其中，每轮历史对话记录中包含所述智能对话系统输出的历史输出信息，以及所述参考用户针对所述历史输出信息输入的历史回复信息；

针对每个历史输出信息，从各历史回复信息中筛选出该历史输出信息对应的各指定回复信息；

根据该历史输出信息对应的各指定回复信息，确定该历史输出信息对应的至少一个关键词；

根据各历史输出信息对应的关键词，确定历史输出信息与关键词之间的对应关系。

3.如权利要求2所述的方法，针对每个历史输出信息，从各历史回复信息中筛选出该历史输出信息对应的各指定回复信息，具体包括：

针对每个历史回复信息，将该历史回复信息输入到预训练的分类模型，得到所述分类模型输出的该历史回复信息对应于各历史输出信息的概率；

确定该历史回复信息对应于各历史输出信息的概率之间的差异，将差异高于预设差异阈值的各历史回复信息作为各候选回复信息；

针对每个历史输出信息，根据所述各候选回复信息分别对应于该历史输出信息的概率，从所述各历史回复信息中筛选出该历史输出信息对应的各指定回复信息。

4.如权利要求3所述的方法，预先训练分类模型，具体包括：

预先针对每轮历史对话记录，以该轮历史对话记录中的所述参考用户输入的历史回复信息为第二训练样本，以该轮历史对话记录中所述历史回复信息回应的历史输出信息为所述第二训练样本的标签；

将所述第二训练样本输入到待训练的分类模型中，得到所述分类模型输出的所述第二训练样本的预测信息；

以所述第二训练样本的预测信息与所述第二训练样本的标签之间的差异最小化为训练目标，训练所述分类模型。

5.如权利要求2所述的方法，根据该历史输出信息对应的各指定回复信息，确定该历史输出信息对应的至少一个关键词，具体包括：

对该历史输出信息对应的各指定回复信息分别进行分词，得到各候选词；

将所述各候选词分别输入预训练的意图识别模型，根据所述意图识别模型的输出从所述各候选词中筛选出该历史输出信息对应的至少一个关键词。

6.如权利要求1所述的方法，所述待识别信息回应的所述智能对话系统的输出信息为：用于询问所述目标用户是否存在异常行为的问题；

查找与所述目标关键词对应的参考输出信息，以及所述目标用户针对所述参考输出信息输入的参考回复信息之前，所述方法还包括：

确定所述待识别信息包含否定词。

7.如权利要求1所述的方法，所述方法还包括：

获取所述参考回复信息对应的所述目标用户的意图；

根据所述目标意图，调整所述参考回复信息对应的所述目标用户的意图，以根据调整后的意图判断所述目标用户是否存在异常行为。

8.一种意图识别装置，包括：

接收模块，用于接收意图识别请求，确定目标用户针对智能对话系统的输出信息输入的回复信息，作为待识别信息；

匹配模块，用于将所述待识别信息与预设的各关键词进行匹配，得到所述待识别信息匹配的目标关键词；

查找模块，用于根据所述目标关键词以及预设的历史输出信息与关键词之间的对应关系，从所述目标用户的历史对话记录中，查找与所述目标关键词对应的参考输出信息，以及所述目标用户针对所述参考输出信息输入的参考回复信息；

识别模块，用于将所述待识别信息与所述参考回复信息作为输入，输入到预先训练的意图识别模型，得到所述意图识别模型输出的意图，作为所述待识别信息的目标意图。

9.如权利要求8所述的装置，所述装置还包括：

对应关系确定模块，具体用于获取参考用户与智能对话系统多轮对话的历史对话记录，其中，每轮历史对话记录中包含所述智能对话系统输出的历史输出信息，以及所述参考用户针对所述历史输出信息输入的历史回复信息；针对每个历史输出信息，从各历史回复信息中筛选出该历史输出信息对应的各指定回复信息；根据该历史输出信息对应的各指定回复信息，确定该历史输出信息对应的至少一个关键词；根据各历史输出信息对应的关键词，确定历史输出信息与关键词之间的对应关系。

10.如权利要求9所述的装置，所述对应关系确定模块，具体用于针对每个历史回复信息，将该历史回复信息输入到预训练的分类模型，得到所述分类模型输出的该历史回复信息对应于各历史输出信息的概率；确定该历史回复信息对应于各历史输出信息的概率之间的差异，将差异高于预设差异阈值的各历史回复信息作为各候选回复信息；针对每个历史输出信息，根据所述各候选回复信息分别对应于该历史输出信息的概率，从所述各历史回复信息中筛选出该历史输出信息对应的各指定回复信息。

11.如权利要求10所述的装置，所述装置还包括：

训练模块，具体用于预先针对每轮历史对话记录，以该轮历史对话记录中的所述参考用户输入的历史回复信息为第二训练样本，以该轮历史对话记录中所述历史回复信息回应的历史输出信息为所述第二训练样本的标签；将所述第二训练样本输入到待训练的分类模型中，得到所述分类模型输出的所述第二训练样本的预测信息；以所述第二训练样本的预测信息与所述第二训练样本的标签之间的差异最小化为训练目标，训练所述分类模型。

12.如权利要求9所述的装置，所述对应关系确定模块，具体用于对该历史输出信息对应的各指定回复信息分别进行分词，得到各候选词；将所述各候选词分别输入预训练的意图识别模型，根据所述意图识别模型的输出从所述各候选词中筛选出该历史输出信息对应的至少一个关键词。

13.如权利要求8所述的装置，所述待识别信息回应的所述智能对话系统的输出信息为：用于询问所述目标用户是否存在异常行为的问题；

所述查找模块在所述查找模块查找与所述目标关键词对应的参考输出信息，以及所述目标用户针对所述参考输出信息输入的参考回复信息之前，还用于确定所述待识别信息包含否定词。

14.如权利要求8所述的装置，所述装置还包括：

调整模块，具体用于获取所述参考回复信息对应的所述目标用户的意图；根据所述目标意图，调整所述参考回复信息对应的所述目标用户的意图，以根据调整后的意图判断所述目标用户是否存在异常行为。

15.一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1～7任一项所述的方法。

16.一种电子设备，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1～7任一项所述的方法。

Images