CN117057362A - 基于人工智能的意图识别方法、装置、设备及存储介质 - Google Patents
基于人工智能的意图识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117057362A CN117057362A CN202311036705.4A CN202311036705A CN117057362A CN 117057362 A CN117057362 A CN 117057362A CN 202311036705 A CN202311036705 A CN 202311036705A CN 117057362 A CN117057362 A CN 117057362A
- Authority
- CN
- China
- Prior art keywords
- target
- text data
- training
- intention recognition
- intention
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 174
- 238000012545 processing Methods 0.000 claims abstract description 109
- 238000010276 construction Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000002372 labelling Methods 0.000 claims description 58
- 238000012360 testing method Methods 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 18
- 239000003795 chemical substances by application Substances 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 23
- 230000008569 process Effects 0.000 description 25
- 238000004891 communication Methods 0.000 description 9
- 238000003058 natural language processing Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013140 knowledge distillation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本申请属于人工智能领域与金融科技领域,涉及一种基于人工智能的意图识别方法,包括:获取对话文本数据;基于预训练语言模型与聚类算法对对话文本数据进行数据构造生成目标文本集;对目标文本集进行预处理得到样本集;通过样本集对预训练模型进行训练,得到符合目标条件的意图识别模型;通过意图识别模型对获取的目标对话文本数据进行意图识别处理生成意图识别结果。本申请还提供一种基于人工智能的意图识别装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,意图识别模型可存储于区块链中。本申请可应用于金融领域的意图识别场景,提高了意图识别模型的训练效率,并实现了使用意图识别模型对对话文本数据进行精确的意图识别处理。
Description
技术领域
本申请涉及人工智能开发技术领域与金融科技领域,尤其涉及基于人工智能的意图识别方法、装置、计算机设备及存储介质。
背景技术
目前在保险公司中,保险营销和客户经营更多需要基于目标进行团队管理,团队长给坐席制定目标并下发,坐席通过电话,微信,IM等沟通渠道进行销售展业。然而团队长只能根据少量的粗放式指标,且仅有电话沟通这单一渠道的指标进行销售管理,如电话联络客户的数量、互动的频次、通话的时长,通话的次数等。团队长缺乏对坐席营销过程的管控,无法全面了解现场坐席真正的执行情况,尤其是关于微信,IM等沟通渠道。因此,当下急需一套保险销售过程中的精细化行为管理体系,以有效掌握员工真实执行情况,并进一步制定针对性业务策略,从而提升整体销售效果。而搭建一套关于营销过程的精细化行为管理体系,本质上就是在销售过程中对客户、坐席的沟通数据进行意图识别。销售过程中的意图识别本质上属于文本分类问题,其中构建样本文本数据的质量直接影响意图识别的效果。然而在意图识别过程中,意图识别模型的训练和测试使用的样本文本数据需要大量的标注人力,从而导致意图识别模型训练的效率低下。且现有采用进行意图识别的深度学习模型的种类也具有随机性,从而无法保证意图识别的准确度。
发明内容
本申请实施例的目的在于提出一种基于人工智能的意图识别方法、装置、计算机设备及存储介质,以解决现有的意图识别模型的训练和测试使用的样本文本数据需要大量的标注人力,从而导致意图识别模型训练的效率低下。且现有采用进行意图识别的深度学习模型的种类也具有随机性,从而无法保证意图识别的准确度的技术问题。
为了解决上述技术问题,本申请实施例提供一种基于人工智能的意图识别方法,采用了如下所述的技术方案:
获取与目标业务关联的对话文本数据;
基于预设的预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理,生成对应的目标文本集;
对所述目标文本集进行预处理得到样本集;
通过所述样本集对预设的预训练模型进行训练,得到符合目标条件的意图识别模型;
获取待处理的客户与坐席之间的目标对话文本数据;
通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,生成与所述目标对话文本数据对应的意图识别结果。
进一步的,所述基于预设的预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理,生成对应的目标文本集的步骤,具体包括:
对所述对话文本数据进行切片处理,得到处理后的对话文本数据;
使用所述预训练语言模型对所述处理后的对话文本数据进行向量表征,得到对应的向量数据;
基于所述聚类算法对所述向量数据进行聚类处理,得到对应的聚类结果;
基于预设的意图类别对所述聚类结果进行标注处理,得到对应的标注数据;
将所述标注数据作为所述目标文本集。
进一步的,所述基于预设的意图类别对所述聚类结果进行标注处理,得到对应的标注数据的步骤,具体包括:
获取预设的意图类别;其中,所述意图类别的数量包括多个;
将所述意图类别与所述聚类结果填充至目标页面中,并展示所述目标页面;
获取预设的标注信息,并向目标用户推送所述标注信息;
接收所述目标用户,基于所述意图类别在所述目标页面输入的与所述聚类结果对应的标注操作处理,得到所述标注数据。
进一步的,所述对所述目标文本集进行预处理得到样本集的步骤,具体包括:
基于预设的分词器对所述目标文本集进行词语划分,得到对应的第一文本数据;
基于预设的分词器词典对所述第一文本数据进行词语映射,得到对应的第二文本数据;
对所述第二文本数据进行标准化处理得到第三文本数据;
基于目标格式对所述第三文本数据进行格式转化,得到所述样本集。
进一步的,所述样本集包括训练集、验证集与测试集;所述通过所述样本集对预设的预训练模型进行训练,得到符合目标条件的意图识别模型的步骤,具体包括:
基于预设的损失函数与优化器,使用所述训练集分别对预设的多个预训练模型进行训练,得到多个训练后的第一预训练模型;
分别使用所述验证集对各所述第一预训练模型进行模型评估,得到多个评估后的第二预训练模型;
从所有所述第二预训练模型中筛选出评估效果符合预设的最优条件的第三预训练模型;
使用所述测试集对所述第三预训练模型进行测试;
若测试通过,则将所述第三预训练模型作为所述意图识别模型。
进一步的,所述通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,生成与所述目标对话文本数据对应的意图识别结果的步骤,具体包括:
将所述目标对话文本数据输入至所述意图识别模型内;
通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,得到对应的多个意图标签;
从所有所述意图标签中筛选出分数最大的目标意图标签;
将所述目标意图标签作为与所述目标对话文本数据对应的所述意图识别结果。
进一步的,所述获取与目标业务关联的对话文本数据的步骤,具体包括:
确定目标时间周期;
调用与所述目标业务对应的目标数据库;
从所述目标数据库中获取与所述目标时间周期对应的指定对话文本数据;
将所述指定对话文本数据作为所述对话文本数据。
为了解决上述技术问题,本申请实施例还提供一种基于人工智能的意图识别装置,采用了如下所述的技术方案:
第一获取模块,用于获取与目标业务关联的对话文本数据;
第一处理模块,用于基于预设的预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理,生成对应的目标文本集;
第二处理模块,用于对所述目标文本集进行预处理得到样本集;
训练模块,用于通过所述样本集对预设的预训练模型进行训练,得到符合目标条件的意图识别模型;
第二获取模块,用于获取待处理的客户与坐席之间的目标对话文本数据;
第三处理模块,用于通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,生成与所述目标对话文本数据对应的意图识别结果。
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:
获取与目标业务关联的对话文本数据;
基于预设的预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理,生成对应的目标文本集;
对所述目标文本集进行预处理得到样本集;
通过所述样本集对预设的预训练模型进行训练,得到符合目标条件的意图识别模型;
获取待处理的客户与坐席之间的目标对话文本数据;
通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,生成与所述目标对话文本数据对应的意图识别结果。
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:
获取与目标业务关联的对话文本数据;
基于预设的预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理,生成对应的目标文本集;
对所述目标文本集进行预处理得到样本集;
通过所述样本集对预设的预训练模型进行训练,得到符合目标条件的意图识别模型;
获取待处理的客户与坐席之间的目标对话文本数据;
通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,生成与所述目标对话文本数据对应的意图识别结果。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例首先获取与目标业务关联的对话文本数据;然后基于预设的预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理,生成对应的目标文本集;之后对所述目标文本集进行预处理得到样本集;后续通过所述样本集对预设的预训练模型进行训练,得到符合目标条件的意图识别模型;进一步获取待处理的客户与坐席之间的目标对话文本数据;最后通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,生成与所述目标对话文本数据对应的意图识别结果。本申请实施例在获取到与目标业务关联的对话文本数据后,基于预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理可以快速生成所需的目标文本集,从而无需大量的标注人力来进行标注得到文本集,进而提高后续的意图识别模型的训练效率。之后使用对目标文本集进行预处理得到的样本集来对预设的预训练模型进行训练,以训练得到能够准确处理意图识别分类任务的意图识别模型。后续再使用意图识别模型对待处理的目标对话文本数据进行精确的意图识别处理,可以实现快速生成与所述目标对话文本数据对应的意图识别结果,有效地保证了生成的意图识别结果的准确度。
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根据本申请的基于人工智能的意图识别方法的一个实施例的流程图;
图3是根据本申请的基于人工智能的意图识别装置的一个实施例的结构示意图;
图4是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 Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts 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基于人工智能的意图识别方法一般由服务器/终端设备执行,相应地,基于人工智能的意图识别装置一般设置于服务器/终端设备中。
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。
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基于人工智能的意图识别方法的一个实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。本申请实施例提供的基于人工智能的意图识别方法能够应用于任意一种需要进行意图识别的场景中,则该基于人工智能的意图识别方法能够应用于这些场景的产品中,例如,金融保险领域中的意图识别。所述的基于人工智能的意图识别方法,包括以下步骤:
步骤S201,获取与目标业务关联的对话文本数据。
在本实施例中,基于人工智能的意图识别方法运行于其上的电子设备(例如图1所示的服务器/终端设备),可以通过有线连接方式或者无线连接方式获取与目标业务关联的对话文本数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。在金融领域的保险营销场景下,上述目标业务具体为保险营销业务,上述对话文本数据则可为保险营销的电销场景下的对话文本数据。其中,上述获取与目标业务关联的对话文本数据的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S202,基于预设的预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理,生成对应的目标文本集。
在本实施例中,上述预训练语言模型具体可采用基于MiniLM的预训练模型。基于MiniLM的预训练模型是面向预训练模型的任务无关知识蒸馏(Task-agnosticDistillation)技术、裁剪(Pruning)技术、量化(Quantization)技术为核心的模型。上述聚类算法具体可采用kmeans++聚类算法。基于预训练语言模型与聚类算法对所述对话文本数据进行数据构造处理构建得到的目标文本集,能够有效真实地反应实际生产现场坐席使用的对话,并捕捉到数据内在的聚类结构。其中,上述基于预设的预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理,生成对应的目标文本集的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S203,对所述目标文本集进行预处理得到样本集。
在本实施例中,上述对所述目标文本集进行预处理得到样本集的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S204,通过所述样本集对预设的预训练模型进行训练,得到符合目标条件的意图识别模型。
在本实施例中,上述预训练模型具体可采用ERNIE3.0模型。文心大模型之ERNIE3.0作为百亿参数知识增强的大模型,除了从海量文本数据中学习词汇、结构、语义等知识外,还从大规模知识图谱中学习。因此EasyDL NLP任务在中文模型训练上表现出更优质的效果。小样本快捷训练:文心大模型ERNIE3.0同时处理语言理解和语言生成任务,通过少量训练数据即可达到良好的训练效果。当前EasyDL NLP标注量可降低至原先的20%。任务效果领先:文心大模型ERNIE 3.0一举刷新54个中文NLP任务基准,包含情感分析、观点抽取、阅读理解、文本摘要、对话生成、数学运算等任务。经过权威公开数据集验证,各类NLP任务平均精度高达90%以上。其中,上述通过所述样本集对预设的预训练模型进行训练,得到符合目标条件的意图识别模型的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。另外,训练生成的意图识别模型,解决了现有方法需要对样本集大量标注,且在营销过程中难以有效利用沟通对话数据的问题,实现了模型在意图识别应用上准确率的提升,为公司高效、智能、精准地为不同客户群体制定合理的营销策略提供了有利的指导,提供了坐席执行的管理抓手的手段。
步骤S205,获取待处理的客户与坐席之间的目标对话文本数据。
在本实施例中,可通过查询与目标业务对应的目标数据库,以从该目标数据库中获取待处理的客户与坐席之间的对话文本数据。
步骤S206,通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,生成与所述目标对话文本数据对应的意图识别结果。
在本实施例中,上述通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,生成与所述目标对话文本数据对应的意图识别结果的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。其中,在基于意图识别模型的使用得到了所述目标对话文本数据对应的意图识别结果后,可进一步根据意图识别结果从而制定相应的业务策略,以有助提高首日,首周的转化率。具体可基于客户和坐席的意图识别结果,公司可以根据客户意图制定相应的业务销售策略,并根据坐席的意图掌握销售过程的执行情况,从而有效提升转化率,及公司的市场竞争力、渗透率等。
本申请首先获取与目标业务关联的对话文本数据;然后基于预设的预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理,生成对应的目标文本集;之后对所述目标文本集进行预处理得到样本集;后续通过所述样本集对预设的预训练模型进行训练,得到符合目标条件的意图识别模型;进一步获取待处理的客户与坐席之间的目标对话文本数据;最后通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,生成与所述目标对话文本数据对应的意图识别结果。本申请在获取到与目标业务关联的对话文本数据后,基于预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理可以快速生成所需的目标文本集,从而无需大量的标注人力来进行标注得到文本集,进而提高后续的意图识别模型的训练效率。之后使用对目标文本集进行预处理得到的样本集来对预设的预训练模型进行训练,以训练得到能够准确处理意图识别分类任务的意图识别模型。后续再使用意图识别模型对待处理的目标对话文本数据进行精确的意图识别处理,可以实现快速生成与所述目标对话文本数据对应的意图识别结果,有效地保证了生成的意图识别结果的准确度。
在一些可选的实现方式中,步骤S202包括以下步骤:
对所述对话文本数据进行切片处理,得到处理后的对话文本数据。
在本实施例中,通过对所述对话文本数据进行切片处理,以将对话文本数据切分为多轮对话形式的文本数据。
使用所述预训练语言模型对所述处理后的对话文本数据进行向量表征,得到对应的向量数据。
在本实施例中,上述预训练语言模型具体为基于MiniLM的预训练模型,通过使用所述预训练语言模型对所述处理后的对话文本数据进行向量表征,以对对话文本数据进行句向量化,从而得到对应的向量数据。
基于所述聚类算法对所述向量数据进行聚类处理,得到对应的聚类结果。
在本实施例中,上述聚类算法具体为kmeans++算法,通过使用kmeans++算法对所述向量数据进行向量化聚类处理,从而输出相应的聚类结果。其中,聚类结果属于同一意图类别则进行合并。由于聚类结果相比于对话文本数据的数量大大减少,故能够使得后续可以使用较少的人力进行数据标注。
基于预设的意图类别对所述聚类结果进行标注处理,得到对应的标注数据。
在本实施例中,上述基于预设的意图类别对所述聚类结果进行标注处理,得到对应的标注数据的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
将所述标注数据作为所述目标文本集。
本申请通过对所述对话文本数据进行切片处理,得到处理后的对话文本数据;然后使用所述预训练语言模型对所述处理后的对话文本数据进行向量表征,得到对应的向量数据;之后基于所述聚类算法对所述向量数据进行聚类处理,得到对应的聚类结果;后续基于预设的意图类别对所述聚类结果进行标注处理,得到对应的标注数,并将所述标注数据作为所述目标文本集。本申请通过基于预设的预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理,可以有效较少对于对话文本数据的标注处理工作量,实现快速地生成对应的经过文本标注后的目标文本集,提高了目标文本集的生成效率。
在本实施例的一些可选的实现方式中,所述基于预设的意图类别对所述聚类结果进行标注处理,得到对应的标注数据,包括以下步骤:
获取预设的意图类别。
在本实施例中,所述意图类别的数量包括多个。
将所述意图类别与所述聚类结果填充至目标页面中,并展示所述目标页面。
在本实施例中,上述目标页面可为根据实际的标记处理需求预先构建的页面。
获取预设的标注信息,并向目标用户推送所述标注信息。
在本实施例中,所述标注信息为根据实际的标记处理需求预先编写生成的用于提醒进行文本数据标注的信息。上述目标用户可指标注人员。
接收所述目标用户,基于所述意图类别在所述目标页面输入的与所述聚类结果对应的标注操作处理,得到所述标注数据。
在本实施例中,目标用户可以通过查阅所有意图类别,并从所有意图类别中筛选出与聚类结果匹配的意图类别对所有聚类结果进行标注操作处理,以完成标注数据的生成。
本申请通过获取预设的意图类别;然后将所述意图类别与所述聚类结果填充至目标页面中,并展示所述目标页面;之后获取预设的标注信息,并向目标用户推送所述标注信息;后续接收所述目标用户,基于所述意图类别在所述目标页面输入的与所述聚类结果对应的标注操作处理,得到所述标注数据。本申请通过自动将获取到的意图类别与预先生成的标注信息进行展示,以辅助目标用户对聚类结果进行标注处理,以实现快速地生成相应的标注数据。由于聚类结果相比于对话文本数据的数量大大减少,故能够使得后续可以使用较少的人力进行数据标注,从而可以有效较少对于对话文本数据的标注处理工作量,提高了目标文本集的生成效率。
在一些可选的实现方式中,步骤S203包括以下步骤:
基于预设的分词器对所述目标文本集进行词语划分,得到对应的第一文本数据。
在本实施例中,上述分词器可采用现有的分词器。上述第一文本数据为由多个词语构成的文本数据。
基于预设的分词器词典对所述第一文本数据进行词语映射,得到对应的第二文本数据。
在本实施例中,可通过使用上述分词器将所述第一文本数据中包含的每个词语映射为分词器词典中的索引ID。词语的索引ID用于方便模型后续根据该ID找到该词语对应的向量表示。其中,分词器与分词器词典具有对应关系。
对所述第二文本数据进行标准化处理得到第三文本数据。
在本实施例中,上述标准化处理至少可包括文本截取和填充、词到词号的转化等处理。
基于目标格式对所述第三文本数据进行格式转化,得到所述样本集。
在本实施例中,上述目标格式具体可为minbatch格式。
本申请通过基于预设的分词器对所述目标文本集进行词语划分,得到对应的第一文本数据;然后基于预设的分词器词典对所述第一文本数据进行词语映射,得到对应的第二文本数据;之后对所述第二文本数据进行标准化处理得到第三文本数据;后续基于目标格式对所述第三文本数据进行格式转化,得到所述样本集。本申请基于分词器与分词器词典对目标文本集进行词语划分与词语映射处理,进而对得到的文本数据进行标准化处理与格式化转换处理,以完成对于目标文本集的预处理,保证了生成的样本集的准确度,以便后续可以使用该样本来顺利快捷地进行对于预训练模型的训练过程。
在一些可选的实现方式中,所述样本集包括训练集、验证集与测试集;步骤S204包括以下步骤:
基于预设的损失函数与优化器,使用所述训练集分别对预设的多个预训练模型进行训练,得到多个训练后的第一预训练模型。
在本实施例中,上述预训练模型具体为ERNIE3.0模型。在将训练集输入至预训练模型后,先对训练集进行文本序列编码,获得文本的表示。ERNIE3.0结构与大多基于Transformer的模型相似,预训练模型不能直接在文本分类任务上使用,输入文本在预训练模型多层编码后,CLS输出向量后接入线性层作为文本分类器,用文本分类任务数据进行微调训练文本分类器,以使预训练模型更懂该文本分类任务。其中,上述损失函数具体采用Modified Huber Loss损失函数,上述优化器具体采用Adam优化器,通过使用训练集对预训练模型进行训练,并使用损失函数与优化器对预训练模型进行模型参数训练,以得到相应的训练后的第一预训练模型。
分别使用所述验证集对各所述第一预训练模型进行模型评估,得到多个评估后的第二预训练模型。
在本实施例中,在第一预训练模型的训练郭总红,可每隔log_steps打印一条训练日志,每隔eval_steps在验证集上对各所述第一预训练模型进行一次模型评估,且保存在训练过程中评估效果最好的模型。
从所有所述第二预训练模型中筛选出评估效果符合预设的最优条件的第三预训练模型。
在本实施例中,上述最优条件的第三预训练模型是指所有所述第二预训练模型中评估效果最好的模型。
使用所述测试集对所述第三预训练模型进行测试。
在本实施例中,通过使用测试集对训练过程中表现最好的第三预训练模型进行评价,以测试第三预训练模型的训练效果。
若测试通过,则将所述第三预训练模型作为所述意图识别模型。
本申请通过基于预设的损失函数与优化器,使用所述训练集分别对预设的多个预训练模型进行训练,得到多个训练后的第一预训练模型;然后分别使用所述验证集对各所述第一预训练模型进行模型评估,得到多个评估后的第二预训练模型;之后从所有所述第二预训练模型中筛选出评估效果符合预设的最优条件的第三预训练模型;后续使用所述测试集对所述第三预训练模型进行测试;若测试通过,则将所述第三预训练模型作为所述意图识别模型。本申请基于预设的损失函数与优化器的使用,利用样本集中的训练集、验证集与测试集对预设的多个预训练模型进行训练、验证与测试处理,可以实现从所有预训练模型中筛选出训练效果最好的模型作为最终的意图识别模型,保证了意图识别模型的筛选准确度,有利于后续使用该意图识别模型目标对话文本数据进行准确的意图识别处理,从而保证生成的与目标对话文本数据对应的意图识别结果的准确度。
在本实施例的一些可选的实现方式中,步骤S206包括以下步骤:
将所述目标对话文本数据输入至所述意图识别模型内。
通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,得到对应的多个意图标签。
在本实施例中,在意图识别模型对目标对话文本数据进行意图识别处理后,会输出与该目标对话文本数据对应的多个意图标签,且各个意图标签会有一个对应的分数。
从所有所述意图标签中筛选出分数最大的目标意图标签。
在本实施例中,可通过对所有意图标签的分数进行比较,以从所有所述意图标签中筛选出分数最大的意图标签,得到上述目标意图标签。
将所述目标意图标签作为与所述目标对话文本数据对应的所述意图识别结果。
本申请通过将所述目标对话文本数据输入至所述意图识别模型内;然后通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,得到对应的多个意图标签;后续从所有所述意图标签中筛选出分数最大的目标意图标签,并将所述目标意图标签作为与所述目标对话文本数据对应的所述意图识别结果。本申请通过由对话文本数据构建的目标文本集来训练得到的意图识别模型对所述目标对话文本数据进行意图识别处理,可以快速地生成与所述目标对话文本数据对应的意图识别结果,提高了对于对话文本数据的意图识别的处理效率,保证了生成的意图识别结果的准确度。
在本实施例的一些可选的实现方式中,步骤S201包括以下步骤:
确定目标时间周期。
在本实施例中,对于上述目标时间周期的取值不做具体限定,可根据实际的业务使用需求进行设置,例如可为距离当前时间的前三个月。
调用与所述目标业务对应的目标数据库。
在本实施例中,对于不同类型的业务,会预先构建有用于存储不同业务类型的业务数据的数据库。示例性的,如果目标业务为保险营销业务,则上述目标数据库为设置用于存储保险营销业务的保险营销数据的数据库。
从所述目标数据库中获取与所述目标时间周期对应的指定对话文本数据。
在本实施例中,可基于上述目标时间周期对上述目标数据库进行数据查询,以查找出与所述目标时间周期对应的指定对话文本数据。
将所述指定对话文本数据作为所述对话文本数据。
本申请通过确定目标时间周期;然后调用与所述目标业务对应的目标数据库;后续从所述目标数据库中获取与所述目标时间周期对应的指定对话文本数据,并将所述指定对话文本数据作为所述对话文本数据。本申请基于目标数据库的使用,可以实现快速便捷地从目标数据库中查询出与所述目标时间周期对应的对话文本数据,提高了对话文本数据的获取效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
需要强调的是,为进一步保证上述意图识别模型的私密和安全性,上述意图识别模型还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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一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。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种基于人工智能的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3所示,本实施例所述的基于人工智能的意图识别装置300包括:第一获取模块301、第一处理模块302、第二处理模块303、训练模块304、第二获取模块305以及第三处理模块306。其中:
第一获取模块301,用于获取与目标业务关联的对话文本数据;
第一处理模块302,用于基于预设的预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理,生成对应的目标文本集;
第二处理模块303,用于对所述目标文本集进行预处理得到样本集;
训练模块304,用于通过所述样本集对预设的预训练模型进行训练,得到符合目标条件的意图识别模型;
第二获取模块305,用于获取待处理的客户与坐席之间的目标对话文本数据;
第三处理模块306,用于通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,生成与所述目标对话文本数据对应的意图识别结果。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的意图识别方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一处理模块302包括:
第一处理子模块,用于对所述对话文本数据进行切片处理,得到处理后的对话文本数据;
第二处理子模块,用于使用所述预训练语言模型对所述处理后的对话文本数据进行向量表征,得到对应的向量数据;
第三处理子模块,用于基于所述聚类算法对所述向量数据进行聚类处理,得到对应的聚类结果;
第四处理子模块,用于基于预设的意图类别对所述聚类结果进行标注处理,得到对应的标注数据;
将所述标注数据作为所述目标文本集。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的意图识别方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第四处理子模块包括:
第一获取单元,用于获取预设的意图类别;其中,所述意图类别的数量包括多个;
展示单元,用于将所述意图类别与所述聚类结果填充至目标页面中,并展示所述目标页面;
第二获取单元,用于获取预设的标注信息,并向目标用户推送所述标注信息;
处理单元,用于接收所述目标用户,基于所述意图类别在所述目标页面输入的与所述聚类结果对应的标注操作处理,得到所述标注数据。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的意图识别方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第二处理模块303包括:
划分子模块,用于基于预设的分词器对所述目标文本集进行词语划分,得到对应的第一文本数据;
映射子模块,用于基于预设的分词器词典对所述第一文本数据进行词语映射,得到对应的第二文本数据;
第五处理子模块,用于对所述第二文本数据进行标准化处理得到第三文本数据;
转化子模块,用于基于目标格式对所述第三文本数据进行格式转化,得到所述样本集。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的意图识别方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,所述样本集包括训练集、验证集与测试集;训练模块304包括:
训练子模块,用于基于预设的损失函数与优化器,使用所述训练集分别对预设的多个预训练模型进行训练,得到多个训练后的第一预训练模型;
评估子模块,用于分别使用所述验证集对各所述第一预训练模型进行模型评估,得到多个评估后的第二预训练模型;
第一筛选子模块,用于从所有所述第二预训练模型中筛选出评估效果符合预设的最优条件的第三预训练模型;
测试子模块,用于使用所述测试集对所述第三预训练模型进行测试;
第二确定子模块,用于若测试通过,则将所述第三预训练模型作为所述意图识别模型。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的意图识别方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第三处理模块306,包括:
输入子模块,用于将所述目标对话文本数据输入至所述意图识别模型内;
第六处理子模块,用于通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,得到对应的多个意图标签;
第二筛选子模块,用于从所有所述意图标签中筛选出分数最大的目标意图标签;
第二确定子模块,用于将所述目标意图标签作为与所述目标对话文本数据对应的所述意图识别结果。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的意图识别方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一获取模块301,包括:
第三确定子模块,用于确定目标时间周期;
调用子模块,用于调用与所述目标业务对应的目标数据库;
获取子模块,用于从所述目标数据库中获取与所述目标时间周期对应的指定对话文本数据;
第四确定子模块,用于将所述指定对话文本数据作为所述对话文本数据。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的意图识别方法的步骤一一对应,在此不再赘述。
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4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,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41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41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4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41还可以既包括所述计算机设备4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41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如基于人工智能的意图识别方法的计算机可读指令等。此外,所述存储器41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42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42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述基于人工智能的意图识别方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先获取与目标业务关联的对话文本数据;然后基于预设的预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理,生成对应的目标文本集;之后对所述目标文本集进行预处理得到样本集;后续通过所述样本集对预设的预训练模型进行训练,得到符合目标条件的意图识别模型;进一步获取待处理的客户与坐席之间的目标对话文本数据;最后通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,生成与所述目标对话文本数据对应的意图识别结果。本申请实施例在获取到与目标业务关联的对话文本数据后,基于预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理可以快速生成所需的目标文本集,从而无需大量的标注人力来进行标注得到文本集,进而提高后续的意图识别模型的训练效率。之后使用对目标文本集进行预处理得到的样本集来对预设的预训练模型进行训练,以训练得到能够准确处理意图识别分类任务的意图识别模型。后续再使用意图识别模型对待处理的目标对话文本数据进行精确的意图识别处理,可以实现快速生成与所述目标对话文本数据对应的意图识别结果,有效地保证了生成的意图识别结果的准确度。
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至少一个处理器执行,以使所述至少一个处理器执行如上述的基于人工智能的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:
本申请实施例中,首先获取与目标业务关联的对话文本数据;然后基于预设的预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理,生成对应的目标文本集;之后对所述目标文本集进行预处理得到样本集;后续通过所述样本集对预设的预训练模型进行训练,得到符合目标条件的意图识别模型;进一步获取待处理的客户与坐席之间的目标对话文本数据;最后通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,生成与所述目标对话文本数据对应的意图识别结果。本申请实施例在获取到与目标业务关联的对话文本数据后,基于预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理可以快速生成所需的目标文本集,从而无需大量的标注人力来进行标注得到文本集,进而提高后续的意图识别模型的训练效率。之后使用对目标文本集进行预处理得到的样本集来对预设的预训练模型进行训练,以训练得到能够准确处理意图识别分类任务的意图识别模型。后续再使用意图识别模型对待处理的目标对话文本数据进行精确的意图识别处理,可以实现快速生成与所述目标对话文本数据对应的意图识别结果,有效地保证了生成的意图识别结果的准确度。
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)
1.一种基于人工智能的意图识别方法,其特征在于,包括下述步骤:
获取与目标业务关联的对话文本数据;
基于预设的预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理,生成对应的目标文本集;
对所述目标文本集进行预处理得到样本集;
通过所述样本集对预设的预训练模型进行训练,得到符合目标条件的意图识别模型;
获取待处理的客户与坐席之间的目标对话文本数据;
通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,生成与所述目标对话文本数据对应的意图识别结果。
2.根据权利要求1所述的基于人工智能的意图识别方法,其特征在于,所述基于预设的预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理,生成对应的目标文本集的步骤,具体包括:
对所述对话文本数据进行切片处理,得到处理后的对话文本数据;
使用所述预训练语言模型对所述处理后的对话文本数据进行向量表征,得到对应的向量数据;
基于所述聚类算法对所述向量数据进行聚类处理,得到对应的聚类结果;
基于预设的意图类别对所述聚类结果进行标注处理,得到对应的标注数据;
将所述标注数据作为所述目标文本集。
3.根据权利要求2所述的基于人工智能的意图识别方法,其特征在于,所述基于预设的意图类别对所述聚类结果进行标注处理,得到对应的标注数据的步骤,具体包括:
获取预设的意图类别;其中,所述意图类别的数量包括多个;
将所述意图类别与所述聚类结果填充至目标页面中,并展示所述目标页面;
获取预设的标注信息,并向目标用户推送所述标注信息;
接收所述目标用户,基于所述意图类别在所述目标页面输入的与所述聚类结果对应的标注操作处理,得到所述标注数据。
4.根据权利要求1所述的基于人工智能的意图识别方法,其特征在于,所述对所述目标文本集进行预处理得到样本集的步骤,具体包括:
基于预设的分词器对所述目标文本集进行词语划分,得到对应的第一文本数据;
基于预设的分词器词典对所述第一文本数据进行词语映射,得到对应的第二文本数据;
对所述第二文本数据进行标准化处理得到第三文本数据;
基于目标格式对所述第三文本数据进行格式转化,得到所述样本集。
5.根据权利要求1所述的基于人工智能的意图识别方法,其特征在于,所述样本集包括训练集、验证集与测试集;所述通过所述样本集对预设的预训练模型进行训练,得到符合目标条件的意图识别模型的步骤,具体包括:
基于预设的损失函数与优化器,使用所述训练集分别对预设的多个预训练模型进行训练,得到多个训练后的第一预训练模型;
分别使用所述验证集对各所述第一预训练模型进行模型评估,得到多个评估后的第二预训练模型;
从所有所述第二预训练模型中筛选出评估效果符合预设的最优条件的第三预训练模型;
使用所述测试集对所述第三预训练模型进行测试;
若测试通过,则将所述第三预训练模型作为所述意图识别模型。
6.根据权利要求1所述的基于人工智能的意图识别方法,其特征在于,所述通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,生成与所述目标对话文本数据对应的意图识别结果的步骤,具体包括:
将所述目标对话文本数据输入至所述意图识别模型内;
通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,得到对应的多个意图标签;
从所有所述意图标签中筛选出分数最大的目标意图标签;
将所述目标意图标签作为与所述目标对话文本数据对应的所述意图识别结果。
7.根据权利要求1所述的基于人工智能的意图识别方法,其特征在于,所述获取与目标业务关联的对话文本数据的步骤,具体包括:
确定目标时间周期;
调用与所述目标业务对应的目标数据库;
从所述目标数据库中获取与所述目标时间周期对应的指定对话文本数据;
将所述指定对话文本数据作为所述对话文本数据。
8.一种基于人工智能的意图识别装置,其特征在于,包括:
第一获取模块,用于获取与目标业务关联的对话文本数据;
第一处理模块,用于基于预设的预训练语言模型与预设的聚类算法对所述对话文本数据进行数据构造处理,生成对应的目标文本集;
第二处理模块,用于对所述目标文本集进行预处理得到样本集;
训练模块,用于通过所述样本集对预设的预训练模型进行训练,得到符合目标条件的意图识别模型;
第二获取模块,用于获取待处理的客户与坐席之间的目标对话文本数据;
第三处理模块,用于通过所述意图识别模型对所述目标对话文本数据进行意图识别处理,生成与所述目标对话文本数据对应的意图识别结果。
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7中任一项所述的基于人工智能的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7中任一项所述的基于人工智能的意图识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311036705.4A CN117057362A (zh) | 2023-08-16 | 2023-08-16 | 基于人工智能的意图识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311036705.4A CN117057362A (zh) | 2023-08-16 | 2023-08-16 | 基于人工智能的意图识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117057362A true CN117057362A (zh) | 2023-11-14 |
Family
ID=88663990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311036705.4A Pending CN117057362A (zh) | 2023-08-16 | 2023-08-16 | 基于人工智能的意图识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057362A (zh) |
-
2023
- 2023-08-16 CN CN202311036705.4A patent/CN117057362A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112328761B (zh) | 一种意图标签设置方法、装置、计算机设备及存储介质 | |
CN108121699B (zh) | 用于输出信息的方法和装置 | |
CN112863683A (zh) | 基于人工智能的病历质控方法、装置、计算机设备及存储介质 | |
CN112925911B (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN112836521A (zh) | 问答匹配方法、装置、计算机设备及存储介质 | |
CN113627797A (zh) | 入职员工画像生成方法、装置、计算机设备及存储介质 | |
CN115757731A (zh) | 对话问句改写方法、装置、计算机设备及存储介质 | |
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 | |
CN113723077B (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 | |
CN114398466A (zh) | 基于语义识别的投诉分析方法、装置、计算机设备及介质 | |
CN117275466A (zh) | 一种业务意图识别方法、装置、设备及其存储介质 | |
CN112669850A (zh) | 语音质量检测方法、装置、计算机设备及存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN116563034A (zh) | 基于人工智能的购买预测方法、装置、设备及存储介质 | |
CN116453125A (zh) | 基于人工智能的数据录入方法、装置、设备及存储介质 | |
CN115238077A (zh) | 基于人工智能的文本分析方法、装置、设备及存储介质 | |
CN115730603A (zh) | 基于人工智能的信息提取方法、装置、设备及存储介质 | |
CN114637831A (zh) | 基于语义分析的数据查询方法及其相关设备 | |
CN117057362A (zh) | 基于人工智能的意图识别方法、装置、设备及存储介质 | |
CN117788051A (zh) | 基于人工智能的客户偏好分析方法、装置、设备及介质 | |
CN116934506A (zh) | 一种用户行为预测方法、装置、计算机设备及存储介质 | |
CN117235260A (zh) | 基于人工智能的文本标注方法、装置、设备及存储介质 | |
CN116542780A (zh) | 基于人工智能的数据分析方法、装置、设备及存储介质 | |
CN116821298A (zh) | 一种应用于投保信息的关键词自动识别方法、及相关设备 | |
CN116166858A (zh) | 基于人工智能的信息推荐方法、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 |