CN117493563A - 一种会话意图分析方法、装置、设备及其存储介质 - Google Patents

一种会话意图分析方法、装置、设备及其存储介质 Download PDF

Info

Publication number
CN117493563A
CN117493563A CN202311351184.1A CN202311351184A CN117493563A CN 117493563 A CN117493563 A CN 117493563A CN 202311351184 A CN202311351184 A CN 202311351184A CN 117493563 A CN117493563 A CN 117493563A
Authority
CN
China
Prior art keywords
conversation
model
intention
conversation intention
sentence
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
CN202311351184.1A
Other languages
English (en)
Inventor
方海祺
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 CN202311351184.1A priority Critical patent/CN117493563A/zh
Publication of CN117493563A publication Critical patent/CN117493563A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Machine Translation (AREA)

Abstract

本申请实施例属于金融科技技术领域，应用于问答对话场景中，涉及一种会话意图分析方法、装置、设备及其存储介质，包括获取目标数据集，目标数据集中集合元素都已标注了明确的会话意图类别；对目标数据集进行预处理，并根据预设的采样策略获取模型训练集；将模型训练集输入到待学习的会话意图分析模型内，进行模型学习，获得学习完成的会话意图分析模型；获取新获取的首句会话文本；将所述首句会话文本输入到学习完成的会话意图分析模型，获得并根据模型输出结果，确定所述首句会话文本的会话意图类别。采用已标注的首句会话文本作为模型训练集，进行模型学习，从而预测出新的首句会话文本的会话意图，保证了会话意图分析结果的准确性。

Description

一种会话意图分析方法、装置、设备及其存储介质
技术领域
本申请涉及金融科技技术领域，应用于问答对话场景中，尤其涉及一种会话意图分析方法、装置、设备及其存储介质。
背景技术
随着互联网的飞速发展，各行各业都在依托互联网寻求行业突破点，近年来，金融行业也正在围绕着互联网进行线上业务拓展。虽然，金融行业一直在围绕着互联网进行线上拓展，但是，仍然有传统的金融服务项，不能完全被取代。例如，电销客服人员，依然是用户进行金融业务咨询的主要方式。
人工客服可以很方便的理解用户的会话意图，但是容易产生极大的人工成本，因此，产生了智能AI客服来替代人工客服以降低人工成本。但是在理解用户的会话意图上，智能AI客服远远不如人工客服，通过业务整理，金融行业发现用户通过IM沟通工具发起的首句会话文本往往携带用户的意图，如果采用人工整理方式归类用户意图，会消耗大量的人力物力，而且在用户量较大时，人工归类也容易出现错误，使得会话意图的预测结果不够科学、快速和准确。
发明内容
本申请实施例的目的在于提出一种会话意图分析方法、装置、设备及其存储介质，以解决现有技术进行会话意图分析，不仅会消耗大量的人力物力，还会造成会话意图的预测结果不够科学、快速和准确的问题。
为了解决上述技术问题，本申请实施例提供会话意图分析方法，采用了如下所述的技术方案：
一种会话意图分析方法，包括下述步骤：
获取目标数据集，其中，所述目标数据集由所有用户发起的首句会话文本分别作为集合元素而构成，所述目标数据集中集合元素都已标注了明确的会话意图类别；
对所述目标数据集进行预处理，并根据预设的采样策略获取模型训练集，其中，所述预处理包括去除表情符号、停用词、表情图片；
将所述模型训练集输入到待学习的会话意图分析模型内，进行模型学习，获得学习完成的会话意图分析模型；
获取预测数据，其中，所述预测数据为新获取的目标用户的首句会话文本；
将所述新获取的目标用户的首句会话文本输入到所述学习完成的会话意图分析模型，获得并根据模型输出结果，确定所述新获取的目标用户的首句会话文本的会话意图类别。
进一步的，所述根据预设的采样策略获取模型训练集的步骤，具体包括：
根据随机采样方式，从所述目标数据集采集到预设第一比例的样本数据，作为模型训练集；
在执行所述将所述模型训练集输入到待学习的会话意图分析模型内，进行模型学习，获得学习完成的会话意图分析模型的步骤之前，所述方法还包括：
预先根据会话意图类别的数量，构建等量的会话意图类别分类器，其中，所述会话意图类别根据实际业务场景的不同划分而成，其中，所述会话意图类别分类器为SVM分类器；
分别为每个会话意图类别分类器设置输出节点，获得待学习的会话意图分析模型；
所述将所述模型训练集输入到待学习的会话意图分析模型内，进行模型学习，获得学习完成的会话意图分析模型的步骤，具体包括：
根据所述会话意图分析模型内预设的分词处理组件对所述模型训练集进行分词处理，获得分词结果；
采用卡方统计算法对所述分词结果进行统计分析，分析所有会话意图类别分别对应的特征词，构建特征词集；
采用词语逆频率算法，分别计算所有特征词的权重值；
根据所述所有会话意图类别分别对应的特征词以及所述所有特征词的权重值，进行加权求和，获得所有会话意图类别分别对应的综合权重；
根据所有会话意图类别分别对应的综合权重设置每个会话意图类别分类器的分类权重，获得学习完成的会话意图分析模型。
进一步的，在执行所述根据所述会话意图分析模型内预设的分词处理组件对所述模型训练集进行分词处理，获得分词结果的步骤之后，所述方法还包括：
根据所述模型训练集中集合元素标注的会话意图类别，确定所有分词分别对应的所有会话意图类别；
所述采用卡方统计算法对所述分词结果进行统计分析，分析所有会话意图类别分别对应的特征词，构建特征词集的步骤，具体包括：
根据所述卡方统计算法公式：分别计算所有分词分别与不同会话意图类别的相关性，获得相关性计算结果，其中，A表示第一条件和第二条件都为真时的首句会话文本数量，B表示所述第一条件为假，所述第二条件为真时的首句会话文本数量，C表示所述第一条件为真，所述第二条件为假时的首句会话文本数量，D表示所述第一条件和所述第二条件都为假时的首句会话文本数量，N表示所述模型训练集中集合元素的总数量，N＝A+B+C+D，所述第一条件为当前首句会话文本属于目标会话意图类别，所述第二条件为当前首句会话文本中包含了目标分词；
根据预设的相关性阈值和所述相关性计算结果，从所述分词结果中筛选出所有会话意图类别分别对应的特征词，构建特征词集。
进一步的，所述采用词语逆频率算法，分别计算所有特征词的权重值的步骤，具体包括：
根据词语逆频率算法公式：分别计算所有特征词的权重值，其中，i表示特征词的编号，m表示特征词的总数量，j表示文本的编号，ni,j表示特征词ti在文本j中出现的频率，∑knk,j表示所有特征词在文本j中出现的频率之和，nti表示特征词ti在所述模型训练集出现的次数，/>表示所有特征词在所述模型训练集出现的总次数。
进一步的，所述根据所述所有会话意图类别分别对应的特征词以及所述所有特征词的权重值，进行加权求和，获得所有会话意图类别分别对应的综合权重的步骤，具体包括：
步骤401，依次选择不同的会话意图类别作为目标会话意图类别；
步骤402，识别目标会话意图类别所对应的特征词集；
步骤403，依次获取所述特征词集内每个特征词的权重值；
步骤404，采用加权求和方式，计算所述特征词集内所有特征词的总权重值作为所述目标会话意图类别所对应的综合权重；
步骤405，循环执行步骤401至步骤404，直到获得所有会话意图类别分别所对应的综合权重，停止循环。
进一步的，在执行所述将所述模型训练集输入到待学习的会话意图分析模型内，进行模型学习，获得学习完成的会话意图分析模型的步骤之后，所述方法还包括：
步骤501，根据随机采样方式，从所述目标数据集采集到预设第二比例的样本数据，作为模型验证集；
步骤502，将所述模型验证集输入到所述学习完成的会话意图分析模型；
步骤503，根据所述分词处理组件对所述模型验证集中所有元素分别进行分词处理，获得所有元素对应的分词结果；
步骤504，根据所述模型验证集中集合元素标注的会话意图类别，确定所述模型验证集中所有元素分别对应的会话意图类别，作为实际会话意图结果；
步骤505，基于所有元素对应的分词结果，识别出所有元素分别包含的特征词；
步骤506，根据所有特征词分别对应的会话意图类别，以及所有特征词分别对应的权重值，通过加权求和运算，获得所述模型验证集中所有元素分别对应的会话意图类别，作为验证会话意图结果；
步骤507，采用预设的相似度算法，计算所述验证会话意图结果与所述实际会话意图结果的相似度；
步骤508，若所述相似度不满足预设的相似度阈值条件，则模型验证失败，重新执行步骤202至步骤203，进行模型增量式学习，并重新执行步骤501至步骤507，进行模型验证；
步骤509，直到所述相似度满足预设的相似度阈值条件，模型验证成功，停止模型验证。
进一步的，所述将所述新获取的目标用户的首句会话文本输入到所述学习完成的会话意图分析模型，获得并根据模型输出结果，确定所述新获取的目标用户的首句会话文本的会话意图类别的步骤，具体包括：
根据所述分词处理组件对所述新获取的目标用户的首句会话文本进行分词处理，获得分词结果；
通过所述分词结果，识别出所述新获取的目标用户的首句会话文本中包含的特征词；
根据所有特征词分别对应的会话意图类别，以及所有特征词分别对应的权重值，通过加权求和运算，确定所述新获取的目标用户的首句会话文本的会话意图类别，作为预测会话意图类别；
识别所述预测会话意图类别所对应的会话意图类别分类器，并将所述预测会话意图类别作为输出结果通过所述会话意图类别分类器的输出节点输出；
通过解析所述输出结果，获得所述预测会话意图类别；
将所述预测会话意图类别确定为所述新获取的目标用户的首句会话文本的会话意图类别。
为了解决上述技术问题，本申请实施例还提供会话意图分析装置，采用了如下所述的技术方案：
一种会话意图分析装置，包括：
目标数据集获取模块，用于获取目标数据集，其中，所述目标数据集由所有用户发起的首句会话文本分别作为集合元素而构成，所述目标数据集中集合元素都已标注了明确的会话意图类别；
模型训练集获取模块，用于对所述目标数据集进行预处理，并根据预设的采样策略获取模型训练集，其中，所述预处理包括去除表情符号、停用词、表情图片；
模型学习模块，用于将所述模型训练集输入到待学习的会话意图分析模型内，进行模型学习，获得学习完成的会话意图分析模型；
预测数据获取模块，用于获取预测数据，其中，所述预测数据为新获取的目标用户的首句会话文本；
会话意图类别确定模块，用于将所述新获取的目标用户的首句会话文本输入到所述学习完成的会话意图分析模型，获得并根据模型输出结果，确定所述新获取的目标用户的首句会话文本的会话意图类别。
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会话意图分析方法的步骤。
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会话意图分析方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例所述会话意图分析方法，通过获取目标数据集，所述目标数据集中集合元素都已标注了明确的会话意图类别；对所述目标数据集进行预处理，并根据预设的采样策略获取模型训练集；将所述模型训练集输入到待学习的会话意图分析模型内，进行模型学习，获得学习完成的会话意图分析模型；获取预测数据，其中，所述预测数据为新获取的目标用户的首句会话文本；将所述新获取的目标用户的首句会话文本输入到所述学习完成的会话意图分析模型，获得并根据模型输出结果，确定所述新获取的目标用户的首句会话文本的会话意图类别。采用已标注的首句会话文本作为模型训练集，进行模型学习，从而预测出新的首句会话文本的会话意图，保证了会话意图分析结果的准确性。
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是根据本申请的会话意图分析方法的一个实施例的流程图；
图3是图2所示步骤203的一个具体实施例的流程图；
图4是图3所示步骤304的一个具体实施例的流程图；
图5是本申请实施例中所述的会话意图分析方法中模型验证方法的一个具体实施例的流程图；
图6是图2所示步骤205的一个具体实施例的流程图；
图7是根据本申请的会话意图分析装置的一个实施例的结构示意图；
图8是图7所示模型学习模块703的一个具体实施例的结构示意图；
图9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 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会话意图分析方法一般由服务器/终端设备执行，相应地，会话意图分析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会话意图分析方法的一个实施例的流程图。所述的会话意图分析方法，包括以下步骤：
步骤201，获取目标数据集，其中，所述目标数据集由所有用户发起的首句会话文本分别作为集合元素而构成，所述目标数据集中集合元素都已标注了明确的会话意图类别。
步骤202，对所述目标数据集进行预处理，并根据预设的采样策略获取模型训练集，其中，所述预处理包括去除表情符号、停用词、表情图片。
本实施例中，所述根据预设的采样策略获取模型训练集的步骤，具体包括：根据随机采样方式，从所述目标数据集采集到预设第一比例的样本数据，作为模型训练集。
步骤203，将所述模型训练集输入到待学习的会话意图分析模型内，进行模型学习，获得学习完成的会话意图分析模型。
本实施例中，在执行所述将所述模型训练集输入到待学习的会话意图分析模型内，进行模型学习，获得学习完成的会话意图分析模型的步骤之前，所述方法还包括：预先根据会话意图类别的数量，构建等量的会话意图类别分类器，其中，所述会话意图类别根据实际业务场景的不同划分而成，其中，所述会话意图类别分类器为SVM分类器；分别为每个会话意图类别分类器设置输出节点，获得待学习的会话意图分析模型。
继续参考图3，图3是图2所示步骤203的一个具体实施例的流程图，包括：
步骤301，根据所述会话意图分析模型内预设的分词处理组件对所述模型训练集进行分词处理，获得分词结果；
本实施例中，在执行所述根据所述会话意图分析模型内预设的分词处理组件对所述模型训练集进行分词处理，获得分词结果的步骤之后，所述方法还包括：根据所述模型训练集中集合元素标注的会话意图类别，确定所有分词分别对应的所有会话意图类别。
步骤302，采用卡方统计算法对所述分词结果进行统计分析，分析所有会话意图类别分别对应的特征词，构建特征词集；
本实施例中，所述采用卡方统计算法对所述分词结果进行统计分析，分析所有会话意图类别分别对应的特征词，构建特征词集的步骤，具体包括：根据所述卡方统计算法公式：分别计算所有分词分别与不同会话意图类别的相关性，获得相关性计算结果，其中，A表示第一条件和第二条件都为真时的首句会话文本数量，B表示所述第一条件为假，所述第二条件为真时的首句会话文本数量，C表示所述第一条件为真，所述第二条件为假时的首句会话文本数量，D表示所述第一条件和所述第二条件都为假时的首句会话文本数量，N表示所述模型训练集中集合元素的总数量，N＝A+B+C+D，所述第一条件为当前首句会话文本属于目标会话意图类别，所述第二条件为当前首句会话文本中包含了目标分词；根据预设的相关性阈值和所述相关性计算结果，从所述分词结果中筛选出所有会话意图类别分别对应的特征词，构建特征词集。
其中，越大，说明目标分词和目标会话意图类别具有较强的相关性，/>越小，说明目标分词和目标会话意图类别间的相关性较弱。
具体的，所述根据预设的相关性阈值和所述相关性计算结果，从所述分词结果中筛选出所有会话意图类别分别对应的特征词，构建特征词集的步骤，具体包括：将所述相关性计算结果与所述相关性阈值进行大小关系比较，筛选出相关性计算结果大于所述相关性阈值时的目标分词作为所述目标会话意图类别的特征词；获得所述目标会话意图类别对应的所有特征词，构建出所述目标会话意图类别对应的特征词集；将所有目标会话意图类别依次作为目标会话意图类别，进行特征词集构建，获得所有会话意图类别分别对应的特征词集。
通过采用所述卡方统计算法公式，从所述分词结果中筛选出所有会话意图类别分别对应的特征词，较以往特征词筛选方式，仅仅只筛选出了目标会话意图类别对应的强相关性分词作为特征词，避免了盲目将所有分词都作为特征词，使得模型学习和预测结果更加快速准确，更加快速和精准的识别出会话文本的意图信息。
步骤303，采用词语逆频率算法，分别计算所有特征词的权重值；
本实施例中，所述采用词语逆频率算法，分别计算所有特征词的权重值的步骤，具体包括：根据词语逆频率算法公式： 分别计算所有特征词的权重值，其中，i表示特征词的编号，m表示特征词的总数量，j表示文本的编号，ni,j表示特征词ti在文本j中出现的频率，∑knk,j表示所有特征词在文本j中出现的频率之和，nti表示特征词ti在所述模型训练集出现的次数，/>表示所有特征词在所述模型训练集出现的总次数。
步骤304，根据所述所有会话意图类别分别对应的特征词以及所述所有特征词的权重值，进行加权求和，获得所有会话意图类别分别对应的综合权重；
继续参考图4，图4是图3所示步骤304的一个具体实施例的流程图，包括：
步骤401，依次选择不同的会话意图类别作为目标会话意图类别；
步骤402，识别目标会话意图类别所对应的特征词集；
步骤403，依次获取所述特征词集内每个特征词的权重值；
步骤404，采用加权求和方式，计算所述特征词集内所有特征词的总权重值作为所述目标会话意图类别所对应的综合权重；
步骤405，循环执行步骤401至步骤404，直到获得所有会话意图类别分别所对应的综合权重，停止循环。
步骤305，根据所有会话意图类别分别对应的综合权重设置每个会话意图类别分类器的分类权重，获得学习完成的会话意图分析模型。
在上述模型学习步骤中，通过采用卡方统计算法，确定出所有会话意图类别分别包含的特征词，通过词语逆频率算法，分别计算所有特征词的权重值，根据所述所有会话意图类别分别对应的特征词以及所述所有特征词的权重值，进行加权求和，获得所有会话意图类别分别对应的综合权重，获得学习完成的会话意图分析模型。采用卡方统计算法，确定出所有会话意图类别分别包含的特征词，较以往筛选出强相关性的分词作为特征词，使得模型学习和预测结果更加准确，更加快速和精准的识别出会话文本的意图信息。
继续参考图5，在执行完步骤203之后，所述的会话意图分析方法还包括一种模型验证方法，图5是本申请实施例中所述的会话意图分析方法中模型验证方法的一个具体实施例的流程图，包括：
步骤501，根据随机采样方式，从所述目标数据集采集到预设第二比例的样本数据，作为模型验证集；
步骤502，将所述模型验证集输入到所述学习完成的会话意图分析模型；
步骤503，根据所述分词处理组件对所述模型验证集中所有元素分别进行分词处理，获得所有元素对应的分词结果；
步骤504，根据所述模型验证集中集合元素标注的会话意图类别，确定所述模型验证集中所有元素分别对应的会话意图类别，作为实际会话意图结果；
步骤505，基于所有元素对应的分词结果，识别出所有元素分别包含的特征词；
步骤506，根据所有特征词分别对应的会话意图类别，以及所有特征词分别对应的权重值，通过加权求和运算，获得所述模型验证集中所有元素分别对应的会话意图类别，作为验证会话意图结果；
步骤507，采用预设的相似度算法，计算所述验证会话意图结果与所述实际会话意图结果的相似度；
本实施例中，所述预设的相似度算法，具体可以为余弦相似度算法，首先，获取所述模型验证集中所有元素分别对应的实际会话意图结果，根据元素与实际会话意图结果间的对应关系构建键值对形式的链表，再获得所述模型验证集中所有元素分别对应的验证会话意图结果，根据元素与验证会话意图结果间的对应关系构建键值对形式的链表，之后，通过余弦相似度算法计算这两条链表的相似度。显然，键值对形式的数据一致的数量越多，说明所述验证会话意图结果与所述实际会话意图结果一致的数量越多，则模型学习效果越好。
步骤508，若所述相似度不满足预设的相似度阈值条件，则模型验证失败，重新执行步骤202至步骤203，进行模型增量式学习，并重新执行步骤501至步骤507，进行模型验证；
步骤509，直到所述相似度满足预设的相似度阈值条件，模型验证成功，停止模型验证。
通过模型增量式学习方式，对所述会话意图分析模型进行学习效果验证和调整，使得后续投入预测的模型处于学习成功的状态，保证了会话意图分析的准确性。所述模型增量式学习指的是模型验证失败时，重新执行步骤202至步骤203，进行模型学习，将本次学习结果和在先的学习结果作为模型的整体学习结果。
步骤204，获取预测数据，其中，所述预测数据为新获取的目标用户的首句会话文本。
步骤205，将所述新获取的目标用户的首句会话文本输入到所述学习完成的会话意图分析模型，获得并根据模型输出结果，确定所述新获取的目标用户的首句会话文本的会话意图类别。
继续参考图6，图6是图2所示步骤205的一个具体实施例的流程图，包括：
步骤601，根据所述分词处理组件对所述新获取的目标用户的首句会话文本进行分词处理，获得分词结果；
步骤602，通过所述分词结果，识别出所述新获取的目标用户的首句会话文本中包含的特征词；
步骤603，根据所有特征词分别对应的会话意图类别，以及所有特征词分别对应的权重值，通过加权求和运算，确定所述新获取的目标用户的首句会话文本的会话意图类别，作为预测会话意图类别；
步骤604，识别所述预测会话意图类别所对应的会话意图类别分类器，并将所述预测会话意图类别作为输出结果通过所述会话意图类别分类器的输出节点输出；
步骤605，通过解析所述输出结果，获得所述预测会话意图类别；
步骤606，将所述预测会话意图类别确定为所述新获取的目标用户的首句会话文本的会话意图类别。
通过采用卡方统计算法，确定出所有会话意图类别分别包含的特征词，通过词语逆频率算法，分别计算所有特征词的权重值，根据所述所有会话意图类别分别对应的特征词以及所述所有特征词的权重值，进行加权求和，获得所有会话意图类别分别对应的综合权重，获得学习完成的会话意图分析模型。采用卡方统计算法，确定出所有会话意图类别分别包含的特征词，较以往筛选出强相关性的分词作为特征词，使得模型学习和预测结果更加准确，更加快速和精准的识别出会话文本的意图信息。通过模型增量式学习方式，对所述会话意图分析模型进行学习效果验证和调整，使得后续投入预测的模型处于学习成功的状态，保证了会话意图分析的准确性。
本申请通过采用卡方统计算法，确定出所有会话意图类别分别包含的特征词，通过词语逆频率算法，分别计算所有特征词的权重值，根据所述所有会话意图类别分别对应的特征词以及所述所有特征词的权重值，进行加权求和，获得所有会话意图类别分别对应的综合权重，获得学习完成的会话意图分析模型。采用卡方统计算法，确定出所有会话意图类别分别包含的特征词，较以往筛选出强相关性的分词作为特征词，使得模型学习和预测结果更加准确，更加快速和精准的识别出会话文本的意图信息。通过模型增量式学习方式，对所述会话意图分析模型进行学习效果验证和调整，使得后续投入预测的模型处于学习成功的状态，保证了会话意图分析的准确性。
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、大会话意图分析技术、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，通过获取目标数据集，目标数据集中集合元素都已标注了明确的会话意图类别；对目标数据集进行预处理，并根据预设的采样策略获取模型训练集；将模型训练集输入到待学习的会话意图分析模型内，进行模型学习，获得学习完成的会话意图分析模型；获取新获取的首句会话文本；将所述首句会话文本输入到学习完成的会话意图分析模型，获得并根据模型输出结果，确定所述首句会话文本的会话意图类别。采用已标注的首句会话文本作为模型训练集，进行模型学习，从而预测出新的首句会话文本的会话意图，不仅减少了人力物力消耗，还保证了会话意图分析结果的准确性。
进一步参考图7，作为对上述图2所示方法的实现，本申请提供了会话意图分析装置的一个实施例，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7所示，本实施例所述的会话意图分析装置700包括：目标数据集获取模块701、模型训练集获取模块702、模型学习模块703、预测数据获取模块704和会话意图类别确定模块705。其中：
目标数据集获取模块701，用于获取目标数据集，其中，所述目标数据集由所有用户发起的首句会话文本分别作为集合元素而构成，所述目标数据集中集合元素都已标注了明确的会话意图类别；
模型训练集获取模块702，用于对所述目标数据集进行预处理，并根据预设的采样策略获取模型训练集，其中，所述预处理包括去除表情符号、停用词、表情图片；
模型学习模块703，用于将所述模型训练集输入到待学习的会话意图分析模型内，进行模型学习，获得学习完成的会话意图分析模型；
预测数据获取模块704，用于获取预测数据，其中，所述预测数据为新获取的目标用户的首句会话文本；
会话意图类别确定模块705，用于将所述新获取的目标用户的首句会话文本输入到所述学习完成的会话意图分析模型，获得并根据模型输出结果，确定所述新获取的目标用户的首句会话文本的会话意图类别。
在本实施例的一些具体实施方式中，所述的会话意图分析装置700还包括学习结果验证模块。所述的学习结果验证模块用于根据随机采样方式，从所述目标数据集采集到预设第二比例的样本数据，作为模型验证集，还用于将所述模型验证集输入到所述学习完成的会话意图分析模型，还用于根据所述分词处理组件对所述模型验证集中所有元素分别进行分词处理，获得所有元素对应的分词结果，还用于根据所述模型验证集中集合元素标注的会话意图类别，确定所述模型验证集中所有元素分别对应的会话意图类别，作为实际会话意图结果，还用于基于所有元素对应的分词结果，识别出所有元素分别包含的特征词，还用于根据所有特征词分别对应的会话意图类别，以及所有特征词分别对应的权重值，通过加权求和运算，获得所述模型验证集中所有元素分别对应的会话意图类别，作为验证会话意图结果，还用于采用预设的相似度算法，计算所述验证会话意图结果与所述实际会话意图结果的相似度，还用于若所述相似度不满足预设的相似度阈值条件，则模型验证失败，重新执行模型学习步骤，进行模型增量式学习，并重新执行模型验证步骤，进行模型验证，还用于直到所述相似度满足预设的相似度阈值条件，模型验证成功，停止模型验证。
继续参考图8，图8是图7所示模型学习模块703的一个具体实施例的结构示意图，所述模型学习模块703包括分词处理子模块801、特征词分析子模块802、权重值计算子模块803、综合权重获取子模块804和分类权重设置子模块805。其中：
分词处理子模块801，用于根据所述会话意图分析模型内预设的分词处理组件对所述模型训练集进行分词处理，获得分词结果；
特征词分析子模块802，用于采用卡方统计算法对所述分词结果进行统计分析，分析所有会话意图类别分别对应的特征词，构建特征词集；
权重值计算子模块803，用于采用词语逆频率算法，分别计算所有特征词的权重值；
综合权重获取子模块804，用于根据所述所有会话意图类别分别对应的特征词以及所述所有特征词的权重值，进行加权求和，获得所有会话意图类别分别对应的综合权重；
分类权重设置子模块805，用于根据所有会话意图类别分别对应的综合权重设置每个会话意图类别分类器的分类权重，获得学习完成的会话意图分析模型。
本申请通过采用卡方统计算法，确定出所有会话意图类别分别包含的特征词，通过词语逆频率算法，分别计算所有特征词的权重值，根据所述所有会话意图类别分别对应的特征词以及所述所有特征词的权重值，进行加权求和，获得所有会话意图类别分别对应的综合权重，获得学习完成的会话意图分析模型。采用卡方统计算法，确定出所有会话意图类别分别包含的特征词，较以往筛选出强相关性的分词作为特征词，使得模型学习和预测结果更加准确，更加快速和精准的识别出会话文本的意图信息。通过模型增量式学习方式，对所述会话意图分析模型进行学习效果验证和调整，使得后续投入预测的模型处于学习成功的状态，保证了会话意图分析的准确性。
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，例如一种会话意图分析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、或其他会话意图分析芯片。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，例如运行所述会话意图分析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，应用于问答对话场景中。本申请通过采用卡方统计算法，确定出所有会话意图类别分别包含的特征词，通过词语逆频率算法，分别计算所有特征词的权重值，根据所述所有会话意图类别分别对应的特征词以及所述所有特征词的权重值，进行加权求和，获得所有会话意图类别分别对应的综合权重，获得学习完成的会话意图分析模型。采用卡方统计算法，确定出所有会话意图类别分别包含的特征词，较以往筛选出强相关性的分词作为特征词，使得模型学习和预测结果更加准确，更加快速和精准的识别出会话文本的意图信息。通过模型增量式学习方式，对所述会话意图分析模型进行学习效果验证和调整，使得后续投入预测的模型处于学习成功的状态，保证了会话意图分析的准确性。
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会话意图分析方法的步骤。
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，应用于问答对话场景中。本申请通过采用卡方统计算法，确定出所有会话意图类别分别包含的特征词，通过词语逆频率算法，分别计算所有特征词的权重值，根据所述所有会话意图类别分别对应的特征词以及所述所有特征词的权重值，进行加权求和，获得所有会话意图类别分别对应的综合权重，获得学习完成的会话意图分析模型。采用卡方统计算法，确定出所有会话意图类别分别包含的特征词，较以往筛选出强相关性的分词作为特征词，使得模型学习和预测结果更加准确，更加快速和精准的识别出会话文本的意图信息。通过模型增量式学习方式，对所述会话意图分析模型进行学习效果验证和调整，使得后续投入预测的模型处于学习成功的状态，保证了会话意图分析的准确性。
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)

1.一种会话意图分析方法，其特征在于，包括下述步骤：
获取目标数据集，其中，所述目标数据集由所有用户发起的首句会话文本分别作为集合元素而构成，所述目标数据集中集合元素都已标注了明确的会话意图类别；
对所述目标数据集进行预处理，并根据预设的采样策略获取模型训练集，其中，所述预处理包括去除表情符号、停用词、表情图片；
将所述模型训练集输入到待学习的会话意图分析模型内，进行模型学习，获得学习完成的会话意图分析模型；
获取预测数据，其中，所述预测数据为新获取的目标用户的首句会话文本；
将所述新获取的目标用户的首句会话文本输入到所述学习完成的会话意图分析模型，获得并根据模型输出结果，确定所述新获取的目标用户的首句会话文本的会话意图类别。
2.根据权利要求1所述的会话意图分析方法，其特征在于，所述根据预设的采样策略获取模型训练集的步骤，具体包括：
根据随机采样方式，从所述目标数据集采集到预设第一比例的样本数据，作为模型训练集；
在执行所述将所述模型训练集输入到待学习的会话意图分析模型内，进行模型学习，获得学习完成的会话意图分析模型的步骤之前，所述方法还包括：
预先根据会话意图类别的数量，构建等量的会话意图类别分类器，其中，所述会话意图类别根据实际业务场景的不同划分而成，其中，所述会话意图类别分类器为SVM分类器；
分别为每个会话意图类别分类器设置输出节点，获得待学习的会话意图分析模型；
所述将所述模型训练集输入到待学习的会话意图分析模型内，进行模型学习，获得学习完成的会话意图分析模型的步骤，具体包括：
根据所述会话意图分析模型内预设的分词处理组件对所述模型训练集进行分词处理，获得分词结果；
采用卡方统计算法对所述分词结果进行统计分析，分析所有会话意图类别分别对应的特征词，构建特征词集；
采用词语逆频率算法，分别计算所有特征词的权重值；
根据所述所有会话意图类别分别对应的特征词以及所述所有特征词的权重值，进行加权求和，获得所有会话意图类别分别对应的综合权重；
根据所有会话意图类别分别对应的综合权重设置每个会话意图类别分类器的分类权重，获得学习完成的会话意图分析模型。
3.根据权利要求2所述的会话意图分析方法，其特征在于，在执行所述根据所述会话意图分析模型内预设的分词处理组件对所述模型训练集进行分词处理，获得分词结果的步骤之后，所述方法还包括：
根据所述模型训练集中集合元素标注的会话意图类别，确定所有分词分别对应的所有会话意图类别；
所述采用卡方统计算法对所述分词结果进行统计分析，分析所有会话意图类别分别对应的特征词，构建特征词集的步骤，具体包括：
根据所述卡方统计算法公式：分别计算所有分词分别与不同会话意图类别的相关性，获得相关性计算结果，其中，A表示第一条件和第二条件都为真时的首句会话文本数量，B表示所述第一条件为假，所述第二条件为真时的首句会话文本数量，C表示所述第一条件为真，所述第二条件为假时的首句会话文本数量，D表示所述第一条件和所述第二条件都为假时的首句会话文本数量，N表示所述模型训练集中集合元素的总数量，N＝A+B+C+D，所述第一条件为当前首句会话文本属于目标会话意图类别，所述第二条件为当前首句会话文本中包含了目标分词；
根据预设的相关性阈值和所述相关性计算结果，从所述分词结果中筛选出所有会话意图类别分别对应的特征词，构建特征词集。
4.根据权利要求2所述的会话意图分析方法，其特征在于，所述采用词语逆频率算法，分别计算所有特征词的权重值的步骤，具体包括：
根据词语逆频率算法公式：分别计算所有特征词的权重值，其中，i表示特征词的编号，m表示特征词的总数量，j表示文本的编号，ni,j表示特征词ti在文本j中出现的频率，∑knk,j表示所有特征词在文本j中出现的频率之和，nti表示特征词ti在所述模型训练集出现的次数，/>表示所有特征词在所述模型训练集出现的总次数。
5.根据权利要求2所述的会话意图分析方法，其特征在于，所述根据所述所有会话意图类别分别对应的特征词以及所述所有特征词的权重值，进行加权求和，获得所有会话意图类别分别对应的综合权重的步骤，具体包括：
步骤401，依次选择不同的会话意图类别作为目标会话意图类别；
步骤402，识别目标会话意图类别所对应的特征词集；
步骤403，依次获取所述特征词集内每个特征词的权重值；
步骤404，采用加权求和方式，计算所述特征词集内所有特征词的总权重值作为所述目标会话意图类别所对应的综合权重；
步骤405，循环执行步骤401至步骤404，直到获得所有会话意图类别分别所对应的综合权重，停止循环。
6.根据权利要求2所述的会话意图分析方法，其特征在于，在执行所述将所述模型训练集输入到待学习的会话意图分析模型内，进行模型学习，获得学习完成的会话意图分析模型的步骤之后，所述方法还包括：
步骤501，根据随机采样方式，从所述目标数据集采集到预设第二比例的样本数据，作为模型验证集；
步骤502，将所述模型验证集输入到所述学习完成的会话意图分析模型；
步骤503，根据所述分词处理组件对所述模型验证集中所有元素分别进行分词处理，获得所有元素对应的分词结果；
步骤504，根据所述模型验证集中集合元素标注的会话意图类别，确定所述模型验证集中所有元素分别对应的会话意图类别，作为实际会话意图结果；
步骤505，基于所有元素对应的分词结果，识别出所有元素分别包含的特征词；
步骤506，根据所有特征词分别对应的会话意图类别，以及所有特征词分别对应的权重值，通过加权求和运算，获得所述模型验证集中所有元素分别对应的会话意图类别，作为验证会话意图结果；
步骤507，采用预设的相似度算法，计算所述验证会话意图结果与所述实际会话意图结果的相似度；
步骤508，若所述相似度不满足预设的相似度阈值条件，则模型验证失败，重新执行步骤202至步骤203，进行模型增量式学习，并重新执行步骤501至步骤507，进行模型验证；
步骤509，直到所述相似度满足预设的相似度阈值条件，模型验证成功，停止模型验证。
7.根据权利要求2所述的会话意图分析方法，其特征在于，所述将所述新获取的目标用户的首句会话文本输入到所述学习完成的会话意图分析模型，获得并根据模型输出结果，确定所述新获取的目标用户的首句会话文本的会话意图类别的步骤，具体包括：
根据所述分词处理组件对所述新获取的目标用户的首句会话文本进行分词处理，获得分词结果；
通过所述分词结果，识别出所述新获取的目标用户的首句会话文本中包含的特征词；
根据所有特征词分别对应的会话意图类别，以及所有特征词分别对应的权重值，通过加权求和运算，确定所述新获取的目标用户的首句会话文本的会话意图类别，作为预测会话意图类别；
识别所述预测会话意图类别所对应的会话意图类别分类器，并将所述预测会话意图类别作为输出结果通过所述会话意图类别分类器的输出节点输出；
通过解析所述输出结果，获得所述预测会话意图类别；
将所述预测会话意图类别确定为所述新获取的目标用户的首句会话文本的会话意图类别。
8.一种会话意图分析装置，其特征在于，包括：
目标数据集获取模块，用于获取目标数据集，其中，所述目标数据集由所有用户发起的首句会话文本分别作为集合元素而构成，所述目标数据集中集合元素都已标注了明确的会话意图类别；
模型训练集获取模块，用于对所述目标数据集进行预处理，并根据预设的采样策略获取模型训练集，其中，所述预处理包括去除表情符号、停用词、表情图片；
模型学习模块，用于将所述模型训练集输入到待学习的会话意图分析模型内，进行模型学习，获得学习完成的会话意图分析模型；
预测数据获取模块，用于获取预测数据，其中，所述预测数据为新获取的目标用户的首句会话文本；
会话意图类别确定模块，用于将所述新获取的目标用户的首句会话文本输入到所述学习完成的会话意图分析模型，获得并根据模型输出结果，确定所述新获取的目标用户的首句会话文本的会话意图类别。
9.一种计算机设备，其特征在于，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中任一项所述的会话意图分析方法的步骤。
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中任一项所述的会话意图分析方法的步骤。
CN202311351184.1A 2023-10-17 2023-10-17 一种会话意图分析方法、装置、设备及其存储介质 Pending CN117493563A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311351184.1A CN117493563A (zh) 2023-10-17 2023-10-17 一种会话意图分析方法、装置、设备及其存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311351184.1A CN117493563A (zh) 2023-10-17 2023-10-17 一种会话意图分析方法、装置、设备及其存储介质

Publications (1)

Publication Number Publication Date
CN117493563A true CN117493563A (zh) 2024-02-02

Family

ID=89666812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311351184.1A Pending CN117493563A (zh) 2023-10-17 2023-10-17 一种会话意图分析方法、装置、设备及其存储介质

Country Status (1)

Country Link
CN (1) CN117493563A (zh)

Similar Documents

Publication Publication Date Title
CN112632385B (zh) 课程推荐方法、装置、计算机设备及介质
CN112863683B (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
CN114780727A (zh) 基于强化学习的文本分类方法、装置、计算机设备及介质
CN113722438B (zh) 基于句向量模型的句向量生成方法、装置及计算机设备
CN112671985A (zh) 基于深度学习的坐席质检方法、装置、设备及存储介质
CN114817478A (zh) 基于文本的问答方法、装置、计算机设备及存储介质
CN117234505A (zh) 一种交互页面生成方法、装置、设备及其存储介质
CN116701593A (zh) 基于GraphQL的中文问答模型训练方法及其相关设备
CN116610784A (zh) 一种保险业务场景问答推荐方法及其相关设备
CN116796729A (zh) 基于特征强化的文本推荐方法、装置、设备及存储介质
CN116450943A (zh) 基于人工智能的话术推荐方法、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
CN113569741A (zh) 图像试题的答案生成方法、装置、电子设备及可读介质
CN117493563A (zh) 一种会话意图分析方法、装置、设备及其存储介质
CN112069807A (zh) 文本数据的主题提取方法、装置、计算机设备及存储介质
CN115250200B (zh) 服务授权认证方法及其相关设备
CN116340864B (zh) 一种模型漂移检测方法、装置、设备及其存储介质
CN114238583B (zh) 自然语言处理方法、装置、计算机设备及存储介质
CN117932082A (zh) 一种文本内容指代消解方法、装置、设备及其存储介质
CN117217369A (zh) 一种服务项目预测方法、装置、计算机设备及其存储介质
CN117391782A (zh) 一种广告投放方法、装置、设备及其存储介质
CN116993516A (zh) 一种理赔模型解释优化方法、装置、设备及其存储介质
CN117290503A (zh) 一种服务质量评价方法、装置、设备及其存储介质
CN117076775A (zh) 资讯数据的处理方法、装置、计算机设备及存储介质
CN115826973A (zh) 列表页面的生成方法、装置、计算机设备及存储介质

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