JP2022003537A - 対話意図の認識方法及び装置、電子機器並びに記憶媒体 - Google Patents

Abstract

【課題】対話意図の認識モデルのサポート文の規模に対する依存度を低減させ、少量のサポート文に基づいて認識することによる過剰適合現象を回避し、対話意図の認識結果の正確率を確保し、対話意図の認識プロセスにおける信頼性を向上させる対話意図の認識方法、認識装置、電子機器、記憶媒体及びプログラムを提供する。【解決手段】方法は、意図カテゴリ予測対象のサンプル文及び複数の意図カテゴリがタグ付けされたサポート文を取得し、サンプル文及びサポート文を事前トレーニング済みの意図認識モデルに入力し、意図認識モデルはサンプル文及びサポート文に基づいてサンプル文に対応するサンプル文ベクトル及びサポート文に対応するカテゴリベクトルを生成し、サンプル文ベクトルとカテゴリベクトルとの間のマッチング度を計算し、複数のマッチング度に基づいてサンプル文の予測意図カテゴリを取得する。【選択図】図１

Description

本出願の実施例は、全体としてデータ処理の技術分野に関し、より具体的には、人工知能、深層学習などの機械学習の技術分野に関する。

近年、対話分野の関連技術が興ってきたに伴い、対話意図の認識も重要な研究方向の１つになってきている。対話意図の認識プロセスにおいて、通常、対話意図認識の基礎としてタグ付けデータに依存している。

しかしながら、従来技術における対話意図の認識方法は、特に現実的な対話シナリオのコールドブート段階では、タグ付けデータの規模が非常に小さいため、過剰適合（Ｏｖｅｒｆｉｔｔｉｎｇ）現象が非常に発生しやすいことにより、対話意図の認識結果の非常に低い正確率をいきおい引き起こすことになる。そのため、対話意図の認識結果の正確率をいかに向上させるかは重要な研究方向の１つとなっている。

本出願は、対話意図の認識方法及び装置、電子機器並びに記憶媒体を提供する。

第１の態様によれば、対話意図の認識方法を提供し、この認識方法は、意図カテゴリ予測対象のサンプル文及び複数の意図カテゴリがタグ付けされたサポート文を取得するステップと、前記サンプル文及び前記サポート文を事前トレーニング済みの意図認識モデルに入力し、前記意図認識モデルは前記サンプル文及び前記サポート文に基づいて前記サンプル文に対応するサンプル文ベクトル及び前記サポート文に対応するカテゴリベクトルを生成し、前記サンプル文ベクトルと前記カテゴリベクトルとのマッチング度を計算し、複数の前記マッチング度に基づいて前記サンプル文の予測意図カテゴリを取得するステップと、を含む。

第２の態様によれば、対話意図の認識装置を提供し、この装置は、意図カテゴリ予測対象のサンプル文及び複数の意図カテゴリがタグ付けされたサポート文を取得するための取得モジュールと、前記サンプル文及び前記サポート文を事前トレーニング済みの意図認識モデルに入力し、前記意図認識モデルは前記サンプル文及び前記サポート文に基づいて前記サンプル文に対応するサンプル文ベクトル及び前記サポート文に対応するカテゴリベクトルを生成し、前記サンプル文ベクトルと前記カテゴリベクトルとのマッチング度を計算し、複数の前記マッチング度に基づいて前記サンプル文の予測意図カテゴリを取得するための生成モジュールと、を備える。

第３の態様によれば、電子機器を提供し、この電子機器は、少なくとも１つのプロセッサと、前記少なくとも１つのプロセッサと通信可能に接続されるメモリとを備え、ここで、前記メモリは、前記少なくとも１つのプロセッサによって実行可能な命令を記憶しており、前記命令は、少なくとも１つのプロセッサが本出願の第１の態様に記載された対話意図の認識方法を実行できるように、前記少なくとも１つのプロセッサによって実行される。

第４の態様によれば、コンピュータ命令が記憶されている非一時的なコンピュータ読み取り可能な記憶媒体を提供し、前記コンピュータ命令は前記コンピュータに本出願の第１の態様に記載の対話意図の認識方法を実行させるために用いられる。

第５の態様によれば、コンピュータプログラムを含むコンピュータプログラム製品であって、前記コンピュータプログラムがプロセッサによって実行されると、本出願の第１の態様に記載された対話意図の認識方法のステップが実現されることを特徴とするコンピュータプログラム製品を提供する。
第６の態様によれば、コンピュータプログラムを提供し、前記コンピュータプログラムは、コンピュータに本出願の第１の態様に記載の対話意図の認識方法を実行させる。

この部分に記載されている内容は、本出願の実施例の肝心な、又は重要な特徴を特定することを意図しておらず、本出願の範囲を限定するものでもないことを理解すべきである。本出願の他の特徴は、以下の明細書を通じて容易に理解される。

図面は、本技術案をよりよく理解するために用いられ、本出願を限定するものではない。
本出願の第１の実施例による概略図である。 サポート文を複数の異なるカテゴリに分ける概略図である。 本出願の第２の実施例による概略図である。 特徴抽出処理プロセスの概略図である。 本出願の第３の実施例による概略図である。 本出願の第４の実施例による概略図である。 本出願の第５の実施例による概略図である。 サンプル単語ベクトル系列の生成プロセスの概略図である。 本出願の第６の実施例による概略図である。 本出願の第７の実施例による概略図である。 本出願の第８の実施例による概略図である。 本出願の第９の実施例による概略図である。 カテゴリベクトルの取得プロセスの概略図である。 ベクトルペアの採点プロセスの概略図である。 本出願の第９の実施例による概略図である。 本出願の実施例の対話意図の認識方法を実現するための対話意図の認識装置のブロック図である。 本出願の実施例の対話意図の認識方法を実現するための対話意図の認識装置のブロック図である。 本出願の実施例の対話意図の認識を実現するための電子機器のブロック図である。

以下、図面を参照しながら、本出願の例示的な実施例について説明し、理解を容易にするためにその中には本出願の実施例の様々な詳細事項が含まれており、それらは単なる例示的なものと見なされるべきである。したがって、当業者は、本出願の範囲及び精神から逸脱することなく、ここで説明される実施例に対して様々な変更と修正を行うことができる。同様に、わかりやすく且つ簡潔にするために、以下の説明では、周知の機能及び構造の説明を省略する。

以下、本出願の解決手段に係る技術分野について簡単に説明する。

ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ、人工知能）は、コンピュータが人間の思惟過程とインテリジェントな挙動（例えば学習、推論、考え、計画など）を模擬するように研究している学科であり、ハードウェアレベルの技術もソフトウェアレベルの技術もある。人工知能のハードウェア技術は、一般的に、コンピュータビジョン技術、音声認識技術、自然言語処理技術及び機械学習／深層学習、ビッグデータ処理技術、知識マップ技術などのいくつかの面を含む。

ＤＬ（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ、深層学習）は、サンプルデータの内在的ルール及び表示レベルを学習するものであり、これらの学習過程において取得された情報は、文字、画像及び音声などのデータの解釈に大きく寄与するものである。その最終目標は、ロボットが人間のように解析と学習能力を持つことができ、文字、画像及び音声などのデータを認識できるようにすることである。深層学習は複雑な機械学習アルゴリズムであり、音声と画像認識の面において果たした効果は、従来の関連技術をはるかに超える。

ＭＬ（Ｍａｃｈｉｎｅ Ｌｅａｒｉｎｇ、機械学習）は、多分野をまたがっている学科であり、確率論、統計学、近似論、凸解析、計算複雑性理論など、多くの学科に関する。コンピュータが新たな知識又は技能を取得し、既存の知識構造を再構築して自己の性能を絶えず改善させるために、どのように人間の学習挙動を模擬又は実現するかについて専門に研究している。それは人工知能のコアであり、コンピュータをインテリジェントにする根本的方法である。

以下、図面を参照しながら、本出願の実施例の対話意図の認識方法及び装置、電子機器並びに記憶媒体を説明する。

図１は本出願の第１の実施例による概略図である。なお、ここで、本出願の実施例の対話意図の認識方法の実行主体は対話意図の認識装置であり、対話意図の認識装置は、具体的にはハードウェア機器、又はハードウェア機器におけるソフトウェアなどであってもよい。ここで、ハードウェア機器は、例えば端末機器、サーバなどである。図１に示すように、本実施例にて提供される対話意図の認識方法は、以下のステップＳ１０１〜Ｓ１０２を含む。

Ｓ１０１、意図カテゴリ予測対象のサンプル文及び複数の意図カテゴリがタグ付けされたサポート文を取得する。

本出願の実施例では、意図カテゴリ予測対象のサンプル文が既存のある対話意図に属するか否かを判断するプロセスにより、対話意図の認識を実現することができる。すなわち、意図カテゴリ予測対象のサンプル文が、その中の１つの意図カテゴリがタグ付けされたサポート文に属するか否かを判断するプロセスにより、対話意図の認識を実現することができる。

ここで、意図カテゴリ予測対象のサンプル文は、入力されたいずれかの意図カテゴリがタグ付けされていない文であってもよい。

ここで、意図カテゴリがタグ付けされたサポート文は、意図カテゴリタグを持ついずれかの文であってもよい。なお、図２に示すように、サポート文は既存のタグに基づいて複数の異なるカテゴリに分けることができる。

Ｓ１０２、サンプル文及びサポート文を事前トレーニング済みの意図認識モデルに入力し、意図認識モデルはサンプル文及びサポート文に基づいてサンプル文に対応するサンプル文ベクトル及びサポート文に対応するカテゴリベクトルを生成し、サンプル文ベクトルとカテゴリベクトルとのマッチング度を計算し、複数のマッチング度に基づいてサンプル文の予測意図カテゴリを取得する。

なお、対話意図の認識は、本質的には分類タスクである。一般的な意図認識モデルは主に以下の２つの種類を含み、１つの種類は、分類思想に基づく意図認識モデルであり、すなわち、意図カテゴリ予測対象のサンプル文をモデルに入力し、モデルがサンプル文に対応する意図タグを直接与えるものであり、もう１つの種類は、マッチング思想に基づく意図認識モデルであり、すなわち、入力されたサンプル文と意図カテゴリがタグ付けされた各サポート文で文ペア（Ｐａｉｒ Ｗｉｓｅ）を構成し、いくつかの文ペアを取得し、続いて各文ペアを意図認識モデルに入力し、モデルが文ペアのマッチングスコアを与え、スコアが最も高い文ペアを選択し、さらに文ペアにおける意図カテゴリがタグ付けされたサポート文に対応する意図カテゴリをサンプル文の予測意図カテゴリとするものである。

しかしながら、大量の文にタグを付けるには時間も労力も費やすため、対話意図の認識プロセスにおいて、意図カテゴリがタグ付けされたサポート文は、通常、少量のサンプルである。すなわち、対話意図の認識プロセスにおいて、通常、少量のサポート文に基づいて、少数ショット学習（Ｆｅｗ Ｓｈｏｔ Ｌｅａｒｎｉｎｇ）を行う必要がある。

従来技術では、少数ショット学習には一般的に「ドメインシフト」（Ｄｏｍａｉｎ Ｓｈｉｆｔ）という問題が存在する。ソースドメインとターゲットドメインのデータ分布が大きく異なる場合、既に学習した知識を新たなドメインに適用することができず、少数ショット学習の効果が好ましくない場合は多い。

これにより、本出願では、「ドメインシフト」の問題を緩和し、少数ショット学習による過剰適合（Ｏｖｅｒｆｉｔｔｉｎｇ）現象を回避し、さらに対話意図の認識結果の正確率を低下させるために、本出願にて提供される対話意図の認識方式は、少サンプルに基づくＤＬ（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ、深層学習）技術を対話意図の認識に適用し、マッチング思想に基づく意図認識モデルのサポート文の規模に対する依存度を低下させることができる。

ここで、過剰適合現象とは、一致する仮定を得るために、仮定が過度に厳しくなるようにさせる現象である。

本出願にて提供される意図認識モデルは、従来のマッチング思想に基づく意図認識モデルとは異なり、意図カテゴリと意図カテゴリ予測対象のサンプル文とのベクトルペアを構築し、各ベクトルペアのスコアを計算し、スコアが最も高い意図カテゴリを選択することにより、サンプル文の予測意図カテゴリを取得することができる。任意選択的に、取得したサンプル文及びサポート文を入力として、事前トレーニング済みの意図認識モデルに入力すると、サンプル文の予測意図カテゴリを取得することができる。

本出願の実施例の対話意図の認識方法によれば、意図カテゴリ予測対象のサンプル文及び複数の意図カテゴリがタグ付けされたサポート文を取得し、サンプル文及びサポート文を事前トレーニング済みの意図認識モデルに入力し、意図認識モデルはサンプル文及びサポート文に基づいてサンプル文に対応するサンプル文ベクトル及びサポート文に対応するカテゴリベクトルを生成し、サンプル文ベクトルとカテゴリベクトルとの間のマッチング度を計算し、さらに、複数のマッチング度に基づいてサンプル文の予測意図カテゴリを取得することができる。これにより、本出願は少数ショット学習技術と組み合わせて、意図認識モデルのサポート文の規模に対する依存度を低減させ、少量の意図カテゴリがタグ付けされたサポート文による過剰適合現象を回避し、対話意図の認識結果の正確率を確保し、対話意図の認識を高速に行う能力を向上させ、対話意図の認識プロセスにおける信頼性及び効率を向上させる。

なお、本出願では、サンプル文及びサポート文に基づいてサポート文に対応するカテゴリベクトルを生成しようとする場合、特徴抽出と、カテゴリベクトル生成処理と組み合わせて、サポート文に対応するカテゴリベクトルを生成することができる。

図３は本出願の第２の実施例による概略図である。図３に示すように、前の実施例を基にして、サンプル文及びサポート文に基づいてサポート文に対応するカテゴリベクトルを生成するプロセスは、以下のステップＳ３０１〜Ｓ３０２を含む。

Ｓ３０１、サンプル文及びサポート文に基づいてサポート文に対応するサポート文ベクトルを生成する。

なお、ＭＬ（Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ、機械学習）において、特徴学習又は表現学習は特徴を学習する技術の集合であり、すなわちメタデータを、機械によって学習して効果的に開発することができる形式に変換する。本出願の実施例では、表現学習技術を適用した特徴抽出処理と組み合わせて、自然言語テキストを系列化し、続いてディープネットワークモデルを経由し、テキストのベクトル表現、すなわちサポート文に対応するサポート文ベクトルを取得することができる。

図４に示すように、特徴抽出処理は、主に、入力層処理と、プレゼンテーション層処理とを含む。

ここで、入力層は、複数種の粒度の特徴から構成される。入力層は、単語分割、品詞タグ付け及び名前付きエンティティ認識を含み、さらにベクトルマッピングを行うことにより、混合特徴の単語ベクトルを得ることができる。本出願の実施例では、入力層は複数種の異なる特徴を用い、意図認識モデルに複数種の異なる事前情報を提供することができる。

ここで、プレゼンテーション層は、主に文エンコーダ（Ｑｕｅｒｙ Ｅｎｃｏｄｅｒ）及び複数種類の注意メカニズム（Ａｔｔｅｎｔｉｏｎ Ｍｅｃｈａｎｉｓｍ）から構成される。本出願の実施例では、文エンコーダは文の浅い層意味特徴から深層意味情報を抽出して、文をベクトル化し、文ベクトルを得ることができる。

なお、本出願において文エンコーダの具体的な型式の選択について限定せず、実際の状況に応じて設定することができる。任意選択的に、一般的なＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ、長・短期記憶ネットワーク）に基づくモデルを用いて文エンコーダとすることができる。

Ｓ３０２、サポート文ベクトルに基づいてサポート文に対応するカテゴリベクトルを生成する。

なお、サポート文は既存のタグに基づいて複数の異なるカテゴリに分けることができ、カテゴリごとに不確定数の文を有する。カテゴリベクトルとは、同じタグの特徴ベクトルからなるベクトルであり、特徴ベクトルの加重和を用いて表すことができる。

本出願の実施例の対話意図の認識方法によれば、サンプル文及びサポート文に基づいてサポート文に対応するサポート文ベクトルを生成し、サポート文ベクトルに基づいてサポート文に対応するカテゴリベクトルを生成することにより、複数種の注意メカニズム及び事前に基づく計量方法の導入には、ドメインシフトの問題を緩和し、新たなドメインデータにおける意図認識モデルの効果を向上させ、さらに対話意図の認識プロセスにおける信頼性及び効率を向上させることができる。

本出願の実施例では、サンプル文及びサポート文に基づいてサポート文に対応するサポート文ベクトルを生成した後、サポート文ベクトルに基づいて、サポート文に対応する特徴ベクトルの加重和を取得して、対応するカテゴリベクトルとすることができる。

可能な実現形態として、図５に示すように、前の実施例を基にして、上記ステップＳ３０１における、サンプル文及びサポート文に基づいてサポート文に対応するサポートベクトルを生成するプロセスは、以下のステップＳ５０１〜Ｓ５０６を含む。

Ｓ５０１、サンプル文に基づいて対応するサンプル単語ベクトル系列を生成する。

任意選択的に、サンプル文に対して単語分割処理、品詞タグ付け及び名前付きエンティティ認識を行うことにより、サンプル文に対応するサンプル単語ベクトル系列を生成することができる。

Ｓ５０２、サポート文に基づいて対応するサポート単語ベクトル系列を生成する。

任意選択的に、サポート文に対して単語分割処理、品詞タグ付け及び名前付きエンティティ認識を行うことにより、サポート文に対応するサポート単語ベクトル系列を生成することができる。

Ｓ５０３、サンプル単語ベクトル系列を再帰型ニューラルネットワークによる時系列モデルに入力し、サンプル文のサンプル単語の出力隠れ状態を取得する。

本出願の実施例では、サンプル単語ベクトル系列を入力とし、例えばＬＳＴＭモデルのような再帰型ニューラルネットワークによる時系列モデルに入力し、サンプル文のサンプル単語の出力隠れ状態を取得することができる。

任意選択的に、サンプル単語系列をＬＳＴＭモデルに入力し、正規化されたサンプル単語系列を隠れ層に入力することにより、サンプル文のサンプル単語の出力隠れ状態を取得することができる。

Ｓ５０４、サポート単語ベクトル系列を再帰型ニューラルネットワークによる時系列モデルに入力し、サポート文のサポート単語の出力隠れ状態を取得する。

本出願の実施例では、サポート単語ベクトル系列を入力とし、例えばＬＳＴＭモデルのような再帰型ニューラルネットワークによる時系列モデルに入力し、サポート文のサポート単語の出力隠れ状態を取得することができる。

任意選択的に、サポート単語系列をＬＳＴＭモデルに入力し、正規化されたサポート単語系列を隠れ層に入力することにより、サポート文のサポート単語の出力隠れ状態を取得することができる。

Ｓ５０５、サンプル単語の出力隠れ状態及びサポート単語の出力隠れ状態に基づいて、サポート文に対応する出力ベクトル系列を生成する。

本出願の実施例では、文間注意メカニズム（Ｉｎｔｅｒ Ｓｅｎｔｅｎｃｅ Ａｔｔｅｎｔｉｏｎ Ｍｅｃｈａｎｉｓｍ）をサンプル文とサポート文との間に適用し、サンプル文とサポート文との間の影響を取得することができる。

例えば、サンプル文Ｑは、ｑ個の単語から構成され、サポート文Ｓは、ｓ個の単語から構成される。ＬＳＴＭ経過後、サンプル文Ｑの各単語の出力隠れ状態はｈ＿ｑ，ｉであり、サポート文Ｓの各単語の出力隠れ状態はｈ＿ｓ，ｉである。

任意選択的に、コサイン距離を類似度計算式とすることに基づいて、サンプル文Ｑと、サポート文Ｓにおける各単語の出力隠れ状態の類似度を取得して、ｑ＊ｓの類似度行列Ａを得ることができる。

さらに、サンプル文Ｑにおけるｉ番目の単語の出力ベクトル、及びサポート文Ｓにおけるｊ番目の単語の出力ベクトルについて、以下の式により、サンプル文に対応する出力ベクトル系列、及びサポート文に対応する出力ベクトル系列を生成することができる。

ここで、ａ＿ｉｊは、サンプル文Ｑのｉ番目の単語と、サポート文Ｓのｊ番目の単語との間の出力隠れ状態類似度である。

Ｓ５０６、サポート文に対応する出力ベクトル系列に基づいてサポート文ベクトルを生成する。

本出願の実施例では、プレゼンテーション層に統計に基づく注意メカニズム（Ｓｔａｔｉｓｔｉｃｓ Ａｔｔｅｎｔｉｏｎ Ｍｅｃｈａｎｉｓｍ）を導入し、サポート文に対応する出力ベクトル系列に対して重み付けを順に行い、系列ベクトルを文ベクトルに変換して、サポート文ベクトルを生成することができる。

可能な実現形態として、図６に示すように、前の実施例を基にして、上記ステップＳ１０１における、サンプル文及びサポート文に基づいてサンプル文に対応するサンプル文ベクトルを生成するプロセスは、以下のステップＳ６０１〜Ｓ６０６を含む。

Ｓ６０１、サンプル文に基づいて対応するサンプル単語ベクトル系列を生成する。

Ｓ６０２、サポート文に基づいて対応するサポート単語ベクトル系列を生成する。

Ｓ６０３、サンプル単語ベクトル系列を再帰型ニューラルネットワークによる時系列モデルに入力し、サンプル文のサンプル単語の出力隠れ状態を取得する。

Ｓ６０４、サポート単語ベクトル系列を再帰型ニューラルネットワークによる時系列モデルに入力し、サポート文のサポート単語の出力隠れ状態を取得する。

Ｓ６０５、サンプル単語の出力隠れ状態及びサポート単語の出力隠れ状態に基づいて、サポート文に対応する出力ベクトル系列を生成する。

このステップＳ６０１〜Ｓ６０５は上記実施例におけるステップＳ５０１〜Ｓ５０５と同じであり、ここでは重複する説明を省略する。

Ｓ６０６、サンプル文に対応する出力ベクトル系列に基づいてサンプル文ベクトルを生成する。

本出願の実施例では、プレゼンテーション層に統計に基づく注意メカニズムを導入し、サンプル文に対応する出力ベクトル系列に対して重み付けを順に行い、系列ベクトルを文ベクトルに変換して、サンプル文ベクトルを生成することができる。

本出願の実施例の対話意図の認識方法によれば、サンプル文に基づいて対応するサンプル単語ベクトル系列を生成し、サポート文に基づいて対応するサポート単語ベクトル系列を生成し、続いてサンプル単語ベクトル系列を再帰型ニューラルネットワークによる時系列モデルに入力し、サンプル文のサンプル単語の出力隠れ状態を取得して、サポート単語ベクトル系列を再帰型ニューラルネットワークによる時系列モデルに入力し、サポート文のサポート単語の出力隠れ状態を取得して、サンプル単語の出力隠れ状態及びサポート単語の出力隠れ状態に基づいて、サンプル文に対応する出力ベクトル系列及びサポート文に対応する出力ベクトル系列を生成し、さらに、サンプル文に対応する出力ベクトル系列に基づいてサンプル文ベクトルを生成し、サポート文に対応する出力ベクトル系列に基づいてサポート文ベクトルを生成することにより、本出願はサンプル文Ｑ及びサポート文Ｓの出力列ベクトルをそれぞれ表示し、２つの文の間にインタラクションを加え、インタラクション情報を溶け込み、さらに対話意図の認識プロセスにおける信頼性及び効率を向上させる。

なお、本出願では、入力層処理は入力されたサンプル文及びサポート文をそれぞれ処理し、混合特徴の単語ベクトル系列を得ることができる。

以下、サンプル文及びサポート文について、単語ベクトル系列の生成プロセスをそれぞれ解釈しかつ説明する。

サンプル文について、可能な実現形態として、図７に示すように、前の実施例を基にして、上記ステップＳ５０１における、サンプル文に基づいて対応するサンプル単語ベクトル系列を生成するプロセスは、以下のステップＳ７０１〜Ｓ７０４を含む。

Ｓ７０１、サンプル文に対して単語分割処理を行い、複数のサンプル単語を取得する。

任意選択的に、予め設定された単語分割処理ルールに従って、サンプル文に対して単語分割処理を行い、複数のサンプル単語を取得することができる。ここで、予め設定された単語分割処理ルールは実際の状況に応じて設定することができる。ここで、予め設定された単語分割処理ルールに従って、サンプル文に対して単語分割処理を行う具体的な方式は従来技術であり、ここで重複する説明を省略する。

例えば、サンプル文Ｑについて、予め設定された単語分割ルールに従って、サンプル文Ｑをｑ個の単語に分割することができる。

Ｓ７０２、サンプル単語に対して品詞タグ付けを行い、サンプル単語の品詞を取得する。

任意選択的に、サンプル単語を事前トレーニング済みの品詞タグ付けモデルに入力して、サンプル単語の品詞を取得する。ここで、サンプル単語を事前トレーニング済みの品詞タグ付けモデルに入力してサンプル単語に対して品詞タグ付けを行う具体的な方式は従来技術であり、ここで重複する説明を省略する。

Ｓ７０３、サンプル単語に対して名前付きエンティティ認識を行い、サンプル単語の名前付きエンティティを取得する。

任意選択的に、サンプル単語を事前トレーニング済みの名前付きエンティティ認識モデルに入力して、サンプル単語の名前付きエンティティを取得する。ここで、サンプル単語を事前トレーニング済みのサンプル単語の名前付きエンティティモデルに入力してサンプル単語に対してサンプル単語の名前付きエンティティを行う具体的な方式は従来技術であり、ここで重複する説明を省略する。

Ｓ７０４、サンプル単語、サンプル単語の品詞及びサンプル単語の名前付きエンティティに基づいて、サンプル文に対応するサンプル単語ベクトル系列を生成する。

なお、各単語は１つの単語ベクトルに対応し、各文は１つの単語ベクトル系列に対応する。これにより、本出願の実施例では、図８に示すように、サンプル単語、サンプル単語の品詞及びサンプル単語の名前付きエンティティを取得した後、サンプル単語、サンプル単語の品詞及びサンプル単語の名前付きエンティティに基づいて、ベクトルマッピングを行って混合特徴のサンプル文に対応するサンプル単語ベクトル系列を得ることができる。

サポート文について、可能な実現形態として、図９に示すように、前の実施例を基にして、上記ステップＳ５０２における、サポート文に基づいて対応するサポート単語ベクトル系列を生成するプロセスは、以下のステップＳ９０１〜Ｓ９０４を含む。

Ｓ９０１、サポート文に対して単語分割処理を行い、複数のサポート単語を取得する。

任意選択的に、予め設定された単語分割処理ルールに従って、サポート文に対して単語分割処理を行い、複数のサポート単語を取得することができる。ここで、予め設定された単語分割処理ルールは実際の状況に応じて設定することができる。ここで、予め設定された単語分割処理ルールに従って、サポート文に対して単語分割処理を行う具体的な方式は従来技術であり、ここで重複する説明を省略する。

例えば、サポート文Ｓについて、予め設定された単語分割ルールに従って、サポート文Ｓをｓ個の単語に分割することができる。

Ｓ９０２、サポート単語に対して品詞タグ付けを行い、サポート単語の品詞を取得する。

任意選択的に、サポート単語を事前トレーニング済みの品詞タグ付けモデルに入力して、サポート単語の品詞を取得する。ここで、サポート単語を事前トレーニング済みの品詞タグ付けモデルに入力してサポート単語に対して品詞タグ付けを行う具体的な方式は従来技術であり、ここで重複する説明を省略する。

Ｓ９０３、サポート単語に対して名前付きエンティティ認識を行い、サポート単語の名前付きエンティティを取得する。

任意選択的に、サポート単語を事前トレーニング済みの名前付きエンティティ認識モデルに入力して、サポート単語の名前付きエンティティを取得する。ここで、サポート単語を事前トレーニング済みのサンプル単語の名前付きエンティティモデルに入力してサポート単語に対してサポート単語の名前付きエンティティを行う具体的な方式は従来技術であり、ここで重複する説明を省略する。

Ｓ９０４、サポート単語、サポート単語の品詞及びサポート単語の名前付きエンティティに基づいて、サポート文に対応するサポート単語ベクトル系列を生成する。

本出願の実施例では、サポート単語、サポート単語の品詞及びサポート単語の名前付きエンティティを取得した後、サポート単語、サポート単語の品詞及びサポート単語の名前付きエンティティに基づいて、ベクトルマッピングを行って混合特徴のサポート文に対応するサポート単語ベクトル系列を得ることができる。

本出願の実施例の対話意図の認識方法によれば、入力されたサンプル文及びサポート文に対して、単語分割処理をそれぞれ行い、単語分割により得られた単語ごとに品詞タグ付け及び名前付きエンティティ認識を行い、さらに前述した２種類の特徴に対してベクトルマッピングを行うことにより、混合特徴の単語ベクトル系列を得ることができる。

なお、本出願では、統計に基づく注意メカニズムにより、系列ベクトルに基づいて文ベクトルを得ることができる。

以下、サンプル文及びサポート文について、文ベクトルの生成プロセスをそれぞれ解釈しかつ説明する。

サンプル文について、可能な実現形態として、図１０に示すように、前の実施例を基にして、上記ステップＳ６０６における、サンプル文に対応する出力ベクトル系列に基づいてサンプル文ベクトルを生成するプロセスは、以下のステップＳ１００１〜Ｓ１００３を含む。

Ｓ１００１、コーパスにおけるサンプル文のサンプル単語の出現頻度及びサンプル逆文書頻度を取得する。

本出願の実施例では、メタトレーニング段階の大規模な言語材料を統計して、コーパスにおけるサンプル文のサンプル単語の出現頻度（ＴＦ）及びサンプル逆文書頻度（ＩＤＦ）を取得することができる。ここで、ＴＦはコーパスを対象とする単語の出現頻度であり、文章を対象とする単語の出現頻度ではない。

任意選択的に、以下の式により、コーパスにおけるサンプル単語の出現回数をコーパスの単語合計数で割って、ＴＦサンプルを取得することができる。

任意選択的に、以下の式により、１０を底数とするコーパスにおける文合計数と、コーパスにおける、このサンプル単語が出現する文数との商の対数を、ＩＤＦサンプルとすることができる。

Ｓ１００２、サンプル単語の出現頻度及びサンプル逆文書頻度に基づいてサンプル単語に対応する出力ベクトルの重みを生成する。

なお、裾の重い分布の原則に基づいて、コーパスにおいて出現する頻度が少ない単語は、より大きい情報エントロピーを有することが多く、意味に対する影響がより大きく、出現する頻度が高い単語は、虚詞など、実際の意味がないタイプであることが多く、意味に対する影響が少ない。これから分かるように、コーパスにおける単語のＴＦが小さいほど、単語の影響が大きくなる。同様に、１つの単語が多くの文に出現する場合は、この単語の情報エントロピーがより大きいことを示す。これから分かるように、単語の文書頻度が小さいほど、ＩＤＦが大きくなり、影響も大きくなる。

本出願の実施例では、完全接続層処理を用いて、統計情報のＴＦサンプル及びＩＤＦサンプルを組み合わせることにより、統計情報に基づくサンプル単語に対応する出力ベクトルの重みを得ることができ、任意選択的に、以下の式により重みを取得することができる。
Ｉｍｐｏｒｔａｎｃｅサンプル＝ｔａｎｈ（Ｗ１＊ＴＦサンプル＋Ｗ２＊ＩＤＦサンプル＋ｂ）

ここで、パラメータＷ１、Ｗ２及びｂはいずれもトレーニングにより決定することができる。

Ｓ１００３、サンプル文に対応する出力ベクトル系列内の出力ベクトル及び対応する重みに基づいて、サンプル文ベクトルを生成する。

本出願の実施例では、サンプル文に対応する出力ベクトル系列内の出力ベクトル及び対応する重みに基づいて、系列に対して重み付けを順に行って、サンプル文ベクトルを生成することができる。

サンプル文について、可能な実現形態として、図１１に示すように、前の実施例を基にして、上記ステップＳ５０６における、サポート文に対応する出力ベクトル系列に基づいてサポート文ベクトルを生成するプロセスは、以下のステップＳ１１０１〜Ｓ１１０３を含む。

Ｓ１１０１、コーパスにおけるサポート文のサポート単語の出現頻度及びサポート逆文書頻度を取得する。

任意選択的に、以下の式により、コーパスにおけるサポート単語の出現回数をコーパスの単語合計数で割って、ＴＦサポートを取得することができる。

任意選択的に、以下の式により、１０を底数とするコーパスにおける文合計数と、コーパスにおける、このサポート単語が出現する文数との商の対数を、ＩＤＦサポートとすることができる。

Ｓ１１０２、サポート単語の出現頻度及びサポート逆文書頻度に基づいてサポート単語に対応する出力ベクトルの重みを生成する。

本出願の実施例では、完全接続層処理を用いて、統計情報のＴＦサポート及びＩＤＦサポートを組み合わせることにより、統計情報に基づくサポート単語に対応する出力ベクトルの重みを得ることができ、任意選択的に、以下の式により重みを取得することができる。
Ｉｍｐｏｒｔａｎｃｅサポート＝ｔａｎｈ（Ｗ１＊ＴＦサポート＋Ｗ２＊ＩＤＦサポート＋ｂ）

Ｓ１１０３、サポート文に対応する出力ベクトル系列内の出力ベクトル及び対応する重みに基づいて、サポート文ベクトルを生成する。

本出願の実施例では、サポート文に対応する出力ベクトル系列内の出力ベクトル及び対応する重みに基づいて、系列に対して重み付けを順に行って、サポート文ベクトルを生成することができる。

本出願の実施例の対話意図の認識方法によれば、サンプル文の各単語のＴＦ、ＩＤＦ、及びサポート文の各単語のＴＦ、ＩＤＦを計算し、ＴＦ、ＩＤＦ、及び重み計算式に基づいて、系列ベクトルに対応する重みを得て、さらに系列に対して重み付けを順に行うことにより、サンプル文及びサポート文の文ベクトルをそれぞれ得ることができる。これにより、本出願は統計に基づく注意メカニズムを用い、系列ベクトルに基づいて文ベクトルを得て、統計情報を溶け込み、それにより、よりよく符号化して文ベクトルを得ることができ、さらに対話意図の認識プロセスにおける信頼性及び効率を向上させる。

さらに、本出願では、サポート文ベクトルに基づいてサポート文に対応するカテゴリベクトルを生成しようとする場合、同一のタグ付け意図カテゴリのサポート文ベクトルに基づいて、このタグ付け意図カテゴリに対応するカテゴリベクトルを生成することができる。

可能な実現形態として、図１２に示すように、前の実施例を基にして、上記ステップＳ３０２における、サンプル文に対応する出力ベクトル系列に基づいてサンプル文ベクトルを生成するプロセスは、以下のステップＳ１２０１〜Ｓ１２０２を含む。

Ｓ１２０１、同一のタグ付け意図カテゴリのサポート文ベクトルを取得する。

なお、データはタグ付け意図に応じて複数のタグ付け意図カテゴリに分けることができるため、カテゴリごとに不確定数のサポート文が対応する。これにより、本出願の実施例では、特徴抽出処理により、各文は１つの対応する特徴ベクトルを得て、このような場合、同一のタグ付け意図カテゴリのサポート文ベクトルを取得することができる。

Ｓ１２０２、同一のタグ付け意図カテゴリのサポート文ベクトルに基づいてこのタグ付け意図カテゴリに対応するカテゴリベクトルを生成する。

本出願の実施例では、カテゴリベクトルの生成プロセスに注意層を導入し、注意層により、各文の特徴ベクトルの重みを得ることができる。図１３に示すように、入力サンプルと各カテゴリサンプルベクトルとのコサイン類似度を計算することにより、各カテゴリサンプルベクトルの重みを得ることができる。さらに、同一のタグ付け意図カテゴリのサポート文ベクトルの重み付け表現に基づいて、このタグ付け意図カテゴリに対応するカテゴリベクトルを取得することができる。

本出願の実施例の対話意図の認識方法によれば、同一のタグ付け意図カテゴリのサポート文ベクトルを取得し、同一のタグ付け意図カテゴリのサポート文ベクトルに基づいてこのタグ付け意図カテゴリに対応するカテゴリベクトルを生成することができる。これにより、本出願はカテゴリベクトル生成プロセスに注意層を導入し、類似度計算により、異なるタグ付け意図カテゴリに対応するカテゴリベクトルを正確に取得することができ、さらに対話意図の認識プロセスにおける信頼性及び効率を向上させる。

なお、本出願では、複数のマッチング度に基づいてサンプル文の予測意図カテゴリを取得しようとする場合、予め設定された決定ポリシに従って予測意図カテゴリを決定することができる。ここで、予め設定された決定ポリシは、実際の状況に応じて設定することができる。

可能な実現形態として、カテゴリベクトル及びサンプル文の文ベクトルを採点することにより、サンプル文とサポート文との間のマッチング度を計算し、さらに複数のマッチング度のうち最も高いマッチング度に対応するカテゴリベクトルのタグ付け意図カテゴリを、サンプル文の予測意図カテゴリとして決定することができる。

任意選択的に、カテゴリベクトル及びサンプル文の文ベクトルを得た後、各ベクトルペアの間のスコアを取得することができ、スコアは０から１の間である。各タスクにはｎ個のタグ付け意図カテゴリのサポート文が含まれる。

さらに、カテゴリベクトル生成処理を行うことにより、ｎ個のカテゴリベクトルを得ることができ、さらにｎ個のベクトルペアを得ることができ、このような場合に、ベクトルペアごとにモデル推定及び採点を行うことができ、さらに複数のマッチング度のうち最も高いマッチング度に対応するカテゴリベクトルのタグ付け意図カテゴリを、サンプル文の予測意図カテゴリとして決定することができる。

なお、本出願では、ベクトルペアを採点する具体的な方式について限定せず、実際の状況に応じて設定することができる。

任意選択的に、図１４に示すように、ベクトルペアを採点しようとする場合、４種類の類似度計算方式を用い、前記４種類の類似度計算式に対して重み付け統合を行って、ベクトルペアを採点する結果を得ることができる。

以下、４種類の類似度計算方式についてそれぞれ説明する。

完全接続層に基づく類似度計算方式について、サンプル文の文ベクトルとカテゴリベクトルをスティッチングし、完全接続層を経由するとともに、Ｓｉｇｍｏｄ活性化関数を用い、サンプル文の文ベクトルとカテゴリベクトルとの間の類似度を得ることができる。

任意選択的に、類似度Ｓ１は以下の式により取得することができる。

ここで、パラメータＷはトレーニングにより決定することができ、Ｑはサンプル文の文ベクトルを表し、Ｃはカテゴリベクトルを表す。

コサイン距離に基づく類似度計算方式について、コサイン距離計算式を用いてサンプル文の文ベクトルとカテゴリベクトルとの間の類似度を計算することができる。

任意選択的に、類似度Ｓ２は以下の式により取得することができる。

ユークリッド距離に基づく類似度計算方式について、ユークリッド距離計算式を用いて、サンプル文の文ベクトルとカテゴリベクトルとの間の類似度を計算することができる。また、数値爆発を防止するために、活性化関数を加えてユークリッド距離値を拡大縮小することができる。

任意選択的に、類似度Ｓ３は以下の式により取得することができる。

バイリニア層に基づく類似度計算方式について、中間のパラメータ行列を導入することで、サンプル文の文ベクトルＱとカテゴリベクトルＳとの間にインタラクションを発生させ、それにより類似度スコアを得ることができる。

任意選択的に、類似度Ｓ３は以下の式により取得することができる。

さらに、完全接続層を導入し、以下の式により、複数の異なる類似度スコアに対して重み付け統合処理を行うことができる。

本出願の実施例の対話意図の認識方法によれば、カテゴリベクトル及びサンプル文の文ベクトルを採点することにより、サンプル文とサポート文との間のマッチング度を計算し、さらに複数のマッチング度のうち最も高いマッチング度に対応するカテゴリベクトルのタグ付け意図カテゴリを、サンプル文の予測意図カテゴリとして決定することができ、予測意図カテゴリの正確率を確保し、さらに対話意図の認識プロセスにおける信頼性及び効率を向上させる。

なお、本出願では、意図認識モデルは事前トレーニング済みのものである。ここで、本出願の実施例では、図１５に示すように、以下の方式により意図認識モデルを予め作成することができる。

Ｓ１５０１、意図カテゴリがタグ付けされた第１のトレーニング文及び複数の第２のトレーニング文を取得する。

ここで、第１のトレーニング文及び第２のトレーニング文は、後続するモデルのトレーニングを行うように、予め収集することができる。ここで、第２のトレーニング文の数は予め設定することができ、例えば１００個の第２のトレーニング文を取得する。

Ｓ１５０２、第１のトレーニング文及び第２のトレーニング文をトレーニング対象の意図認識モデルに入力し、第１のトレーニング文に対応する予測意図カテゴリを取得する。

本出願の実施例では、第１のトレーニング文及び第２のトレーニング文を入力とし、トレーニング対象の意図認識モデルに入力することができ、モデルは第１のトレーニング文に対応する予測意図カテゴリを出力することができる。

Ｓ１５０３、第１のトレーニング文に対応する予測意図カテゴリと第１のトレーニング文に対応するタグ付け意図カテゴリとの差が予め設定されたトレーニング終了条件に合致するまで、第１のトレーニング文に対応する予測意図カテゴリと第１のトレーニング文に対応するタグ付け意図カテゴリとの差に基づいて、トレーニング対象の意図認識モデルのモデルパラメータを調整し、意図カテゴリがタグ付けされた第１のトレーニング文及び複数の第２のトレーニング文を取得するステップに戻り、最終回のモデルパラメータが調整されたトレーニング対象の意図認識モデルをトレーニング済みの意図認識モデルとして決定する。

ここで、予め設定されたトレーニング終了条件は実際の状況に応じて設定することができる。

なお、モデルの面では、本出願における意図認識モデルに係るトレーニング文及びトレーニング文に対応する予測意図カテゴリは相対的に閉じた幾何であり、前期のデータが十分に用意されれば、トレーニング文とトレーニング文に対応する予測意図カテゴリの集合は相対的に完全な集合であり、トレーニング文とトレーニング文に対応する予測意図カテゴリの完全性を保証する。モデルトレーニングの実行可能性：モデルにおける各ステップの入出力の物理的な意味及び依存関係が明確であり、そしてこのような依存関係をモデリング可能な成熟した解決手段が多く、したがって、モデルはトレーニング可能であり、且つ収束可能であることが期待されている。

上記のいくつかの実施例にて提供される対話意図の認識方法に対応して、本出願の一実施例は対話意図の認識装置をさらに提供し、本出願の実施例にて提供される対話意図の認識装置は上記のいくつかの実施例にて提供される対話意図の認識方法に対応するため、対話意図の認識方法の実施例形態は本実施例にて提供される対話意図の認識装置にも適用し、本実施例では詳細な説明を省略する。

図１６は本出願の一実施例による対話意図の認識装置の概略構造図である。

図１６に示すように、この対話意図の認識装置１６００は、第１の取得モジュール１６１０及び生成モジュール１６２０を備える。ここで、第１の取得モジュール１６１０は、意図カテゴリ予測対象のサンプル文及び複数の意図カテゴリがタグ付けされたサポート文を取得するために用いられ、生成モジュール１６２０は、前記サンプル文及び前記サポート文を事前トレーニング済みの意図認識モデルに入力し、前記意図認識モデルは前記サンプル文及び前記サポート文に基づいて前記サンプル文に対応するサンプル文ベクトル及び前記サポート文に対応するカテゴリベクトルを生成し、前記サンプル文ベクトルと前記カテゴリベクトルとのマッチング度を計算し、複数の前記マッチング度に基づいて前記サンプル文の予測意図カテゴリを取得するために用いられる。

図１７は本出願の別の実施例による対話意図の認識装置の概略構造図である。

図１７に示すように、この対話意図の認識装置１７００は、第１の取得モジュール１７１０及び生成モジュール１７２０を備える。ここで、生成モジュール１７２０は、前記サンプル文及び前記サポート文に基づいて前記サポート文に対応するサポート文ベクトルを生成するための第１の生成サブモジュール１７２１と、前記サポート文ベクトルに基づいて前記サポート文に対応する前記カテゴリベクトルを生成するための第２の生成サブモジュール１７２２と、を備える。

任意選択的に、第１の生成サブモジュール１７２１は、前記サンプル文に基づいて対応するサンプル単語ベクトル系列を生成するための第１の生成ユニット１７２１１と、前記サポート文に基づいて対応するサポート単語ベクトル系列を生成するための第２の生成ユニット１７２１２と、前記サンプル単語ベクトル系列を再帰型ニューラルネットワークによる時系列モデルに入力し、前記サンプル文のサンプル単語の出力隠れ状態を取得するための第１の入力ユニット１７２１３と、前記サポート単語ベクトル系列を前記再帰型ニューラルネットワークによる時系列モデルに入力し、前記サポート文のサポート単語の出力隠れ状態を取得するための第２の入力ユニット１７２１４と、前記サンプル単語の出力隠れ状態及び前記サポート単語の出力隠れ状態に基づいて、前記サポート文に対応する出力ベクトル系列を生成するための第３の生成ユニット１７２１５と、前記サポート文に対応する出力ベクトル系列に基づいて前記サポート文ベクトルを生成するための第１の出力ユニット１７２１６と、を備える。

任意選択的に、生成モジュール１７２０は第３の生成サブモジュール１７２３をさらに備え、第３の生成サブモジュール１７２３は、前記サンプル文に基づいて対応するサンプル単語ベクトル系列を生成するための第４の生成ユニット１７２３１と、前記サポート文に基づいて対応するサポート単語ベクトル系列を生成するための第５の生成ユニット１７２３２と、前記サンプル単語ベクトル系列を再帰型ニューラルネットワークによる時系列モデルに入力し、前記サンプル文のサンプル単語の出力隠れ状態を取得するための第３の入力ユニット１７２３３と、前記サポート単語ベクトル系列を前記再帰型ニューラルネットワークによる時系列モデルに入力し、前記サポート文のサポート単語の出力隠れ状態を取得するための第４の入力ユニット１７２３４と、前記サンプル単語の出力隠れ状態及び前記サポート単語の出力隠れ状態に基づいて、前記サンプル文に対応する出力ベクトル系列を生成するための第６の生成ユニット１７２３５と、前記サンプル文に対応する出力ベクトル系列に基づいて前記サンプル文ベクトルを生成するための第２の出力ユニット１７２３６と、を備える。

さらに、第１の生成ユニット１７２１１及び第４の生成ユニット１７２３１は、さらに、前記サンプル文に対して単語分割処理を行い、複数の前記サンプル単語を取得して、前記サンプル単語に対して品詞タグ付けを行い、サンプル単語の品詞を取得して、前記サンプル単語に対して名前付きエンティティ認識を行い、サンプル単語の名前付きエンティティを取得して、前記サンプル単語、前記サンプル単語の品詞及び前記サンプル単語の名前付きエンティティに基づいて、前記サンプル文に対応する前記サンプル単語ベクトル系列を生成するために用いられる。

さらに、第２の生成ユニット１７２１２及び第５の生成ユニット１７２３２は、さらに、前記サポート文に対して単語分割処理を行い、複数の前記サポート単語を取得して、前記サポート単語に対して品詞タグ付けを行い、サポート単語の品詞を取得して、前記サポート単語に対して名前付きエンティティ認識を行い、サポート単語の名前付きエンティティを取得して、前記サポート単語、前記サポート単語の品詞及び前記サポート単語の名前付きエンティティに基づいて、前記サポート文に対応する前記サポート単語ベクトル系列を生成するために用いられる。

さらに、第２の出力ユニット１７２３６は、コーパスにおける前記サンプル文の前記サンプル単語の出現頻度及びサンプル逆文書頻度を取得し、前記サンプル単語の出現頻度及び前記サンプル逆文書頻度に基づいて前記サンプル単語に対応する出力ベクトルの重みを生成し、前記サンプル文に対応する出力ベクトル系列内の出力ベクトル及び対応する重みに基づいて、前記サンプル文ベクトルを生成するために用いられる。

任意選択的に、第１の出力ユニット１７２１６は、さらに、コーパスにおける前記サポート文の前記サポート単語の出現頻度及びサポート逆文書頻度を取得し、前記サポート単語の出現頻度及び前記サポート逆文書頻度に基づいて前記サポート単語に対応する出力ベクトルの重みを生成し、前記サポート文に対応する出力ベクトル系列内の出力ベクトル及び対応する重みに基づいて、前記サポート文ベクトルを生成するために用いられる。

さらに、第２の生成ユニット１７２１２は、同一のタグ付け意図カテゴリの前記サポート文ベクトルを取得するための第１の取得サブユニット１７２１２１と、同一のタグ付け意図カテゴリの前記サポート文ベクトルに基づいてこのタグ付け意図カテゴリに対応する前記カテゴリベクトルを生成するための第１の生成サブユニット１７２１２２と、を備える。

さらに、生成モジュール１７２０は、複数の前記マッチング度のうち最も高いマッチング度に対応する前記カテゴリベクトルのタグ付け意図カテゴリを、前記サンプル文の予測意図カテゴリとして決定するための決定サブモジュール１７２４を備える。

さらに、対話意図の認識装置１７００は、意図カテゴリがタグ付けされた第１のトレーニング文及び複数の第２のトレーニング文を取得するための第２の取得モジュール１７３０と、前記第１のトレーニング文及び前記第２のトレーニング文をトレーニング対象の意図認識モデルに入力し、前記第１のトレーニング文に対応する予測意図カテゴリを取得するための入力モジュール１７４０と、前記第１のトレーニング文に対応する予測意図カテゴリと前記第１のトレーニング文に対応するタグ付け意図カテゴリとの差が予め設定されたトレーニング終了条件に合致するまで、前記第１のトレーニング文に対応する予測意図カテゴリと前記第１のトレーニング文に対応するタグ付け意図カテゴリとの差に基づいて、前記トレーニング対象の意図認識モデルのモデルパラメータを調整し、意図カテゴリがタグ付けされた第１のトレーニング文及び複数の第２のトレーニング文を取得するステップに戻り、最終回のモデルパラメータが調整された前記トレーニング対象の意図認識モデルを前記トレーニング済みの意図認識モデルとして決定するための決定モジュール１７５０と、を備える。

なお、第１の取得モジュール１７１０及び生成モジュール１７２０は、第１の取得モジュール１６１０及び生成モジュール１６２０と同じ機能及び構造を有する。

本出願の実施例による対話意図の認識方法は、意図カテゴリ予測対象のサンプル文及び複数の意図カテゴリがタグ付けされたサポート文を取得し、サンプル文及びサポート文を事前トレーニング済みの意図認識モデルに入力し、意図認識モデルはサンプル文及びサポート文に基づいてサンプル文に対応するサンプル文ベクトル及びサポート文に対応するカテゴリベクトルを生成し、サンプル文ベクトルとカテゴリベクトルとの間のマッチング度を計算し、さらに、複数のマッチング度に基づいてサンプル文の予測意図カテゴリを取得する。これにより、本出願は少数ショット学習技術と組み合わせて、意図認識モデルのサポート文の規模に対する依存度を低減させ、少量の意図カテゴリがタグ付けされたサポート文による過剰適合現象を回避し、対話における意図認識結果の正確率を確保し、対話意図の認識を高速に行う能力を向上させ、対話意図の認識プロセスにおける信頼性及び効率を向上させる。

本出願の実施例によれば、本出願は電子機器及び読み取り可能な記憶媒体をさらに提供する。
本出願の実施例によれば、本出願は、コンピュータプログラムを提供し、コンピュータプログラムは、コンピュータに本出願によって提供される対話意図の認識方法を実行させる。

図１８に示すように、本出願の実施例の対話意図の認識による電子機器のブロック図である。電子機器は、例えば、ラップトップコンピュータ、デスクトップコンピュータ、ワークステーション、パーソナルディジタルアシスタント、サーバ、ブレードサーバ、メインフレームコンピュータ及び他の適切なコンピュータなど、様々な形態のデジタルコンピュータを表すことを意図する。電子機器はさらに、例えば、携帯情報端末、携帯電話、スマートフォン、ウェアラブルデバイス及び他の同様のコンピューティング装置など、様々な形態の移動体装置を表すことができる。本明細書に示されるコンポーネント、それらの接続及び関係、並びにそれらの機能は、単なる例であり、本明細書に記載及び／又は請求される本出願の実施を限定することを意図しない。

図１８に示すように、この電子機器は、１つ又は複数のプロセッサ１８１０と、メモリ１８２０と、各コンポーネントを接続するためのインタフェースであって、高速インタフェースと低速インタフェースを備えるものとを備える。各コンポーネントは異なるバスによって相互接続され、共通のマザーボード上に実装されてもよく、又は必要に応じて他の方式で実装されてもよい。プロセッサは、電子機器内で実行される、ＧＵＩのグラフィックス情報を外部入力／出力装置（例えば、インタフェースに結合された表示機器）上に表示させるようにメモリ内又はメモリ上に記憶された命令を含む命令を処理することができる。他の実施形態では、必要に応じて、複数のプロセッサ及び／又は複数のバスを、複数のメモリとともに使用することができる。また、それぞれの機器が必要な操作の一部を提供する（例えば、サーバアレイ、ブレードサーバ群、又はマルチプロセッサシステムとする）複数の電子機器を接続することができる。図１８において、１つのプロセッサ１８１０を例とする。

メモリ１８２０は、本出願にて提供される非一時的なコンピュータ読み取り可能な記憶媒体である。ここで、前記メモリは、少なくとも１つのプロセッサが本出願にて提供される対話意図の認識方法を実行するように、前記少なくとも１つのプロセッサによって実行可能な命令を記憶している。本出願の非一時的なコンピュータ読み取り可能な記憶媒体は、本出願にて提供される対話意図の認識方法をコンピュータに実行させるためのコンピュータ命令を記憶する。

非一時的なコンピュータ読み取り可能な記憶媒体として、メモリ１８２０は、例えば本出願の実施例における対話意図の認識方法に対応するプログラム命令／モジュール（例えば、図１６に示す第１の取得モジュール１６１０及び生成モジュール１６２０）のような非一時的なソフトウェアプログラム、非一時的なコンピュータ実行可能なプログラム及びモジュールを記憶するために用いることができる。プロセッサ１８１０は、メモリ１８２０に記憶された非一時的なソフトウェアプログラム、命令及びモジュールを実行することにより、サーバの様々な機能アプリケーション及びデータ処理を実行し、すなわち上記方法の実施例における対話意図の認識方法を実現する。

メモリ１８２０は、オペレーティングシステム、少なくとも１つの機能に必要なアプリケーションプログラムを記憶可能なプログラム記憶領域と、測位電子機器の利用に応じて作成されるデータなどを記憶可能なデータ記憶領域とを含むことができる。さらに、メモリ１８２０は、高速ランダムアクセスメモリを備えることができ、さらに、例えば少なくとも１つの磁気ディスク記憶装置、フラッシュメモリ、又は他の非一時的なソリッドステート記憶装置のような非一時的なメモリを備えることができる。いくつかの実施例では、メモリ１８２０は、任意選択的に、プロセッサ１８１０に対して遠隔に設置されるメモリを備え、これらの遠隔メモリはネットワークを介して測位電子機器に接続することができる。上記ネットワークの例はインターネット、企業イントラネット、ローカルエリアネットワーク、移動体通信ネットワーク及びこれらの組み合わせを含むが、これらに限定されない。

対話意図の認識の電子機器は、さらに、入力装置１８３０と出力装置１８４０を備えることができる。プロセッサ１８１０とメモリ１８２０と入力装置１８３０と出力装置１８４０はバス又は他の方式により接続することができ、図１８においてバスにより接続することを例とする。

入力装置１８３０は入力された数字又は文字情報を受信し、測位電子機器のユーザ設定及び機能制御に関連するキー信号入力を生成することができ、例えばタッチパネル、キーパッド、マウス、トラックパッド、タッチパッド、ポインティングスティック、１つ又は複数のマウスボタン、トラックボール、ジョイスティックなどの入力装置が挙げられる。出力装置１８４０は、表示機器、補助照明装置（例えば、ＬＥＤ）及び触覚フィードバック装置（例えば、振動モータ）などを備えることができる。この表示機器は、液晶ディスプレイ（ＬＣＤ）、発光ダイオード（ＬＥＤ）ディスプレイ及びプラズマディスプレイを備えるが、これらに限定されない。いくつかの実施形態では、表示機器はタッチパネルであってもよい。

ここで説明されるシステム及び技術の様々な実施形態は、デジタル電子回路システム、集積回路システム、特定用途向けＡＳＩＣ（特定用途向け集積回路）、コンピュータハードウェア、ファームウェア、ソフトウェア、及び／又はこれらの組み合わせで実現することができる。これらの様々な実施形態は、１つ又は複数のコンピュータプログラム内で実施されることを含むことができ、この１つ又は複数のコンピュータプログラムは、少なくとも１つのプログラマブルプロセッサを備えるプログラマブルシステム上で実行及び／又は解釈することができ、このプログラマブルプロセッサは、専用又は汎用のプログラマブルプロセッサであってもよく、記憶システム、少なくとも１つの入力装置、及び少なくとも１つの出力装置からデータ及び命令を受信し、この記憶システム、この少なくとも１つの入力装置、及びこの少なくとも１つの出力装置にデータ及び命令を送信することができる。

これらのコンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、又はコードとも呼ばれる）は、プログラマブルプロセッサの機械命令を含み、高度プロセス及び／又はオブジェクト指向プログラミング言語、及び／又はアセンブリ／機械語でこれらのコンピュータプログラムを実行することができる。本明細書で使用される「機械読み取り可能な媒体」及び「コンピュータ読み取り可能な媒体」という用語は、プログラマブルプロセッサに機械命令及び／又はデータを提供するための任意のコンピュータプログラム製品、機器、及び／又は装置（例えば、磁気ディスク、光ディスク、メモリ、プログラマブルロジック装置（ＰＬＤ））を指し、機械読み取り可能な信号としての機械命令を受信する機械読み取り可能な媒体を含む。用語の「機械読み取り可能な信号」は、機械命令及び／又はデータをプログラマブルプロセッサに提供するための任意の信号を指す。

ユーザとのインタラクションを提供するために、ここで説明されるシステム及び技術をコンピュータ上で実施することができ、このコンピュータは、ユーザに情報を表示するための表示装置（例えば、ＣＲＴ（陰極線管）やＬＣＤ（液晶ディスプレイ）モニタ）と、キーボード及びポインティングデバイス（例えば、マウス又はトラックボール）であって、ユーザがこのキーボード及びこのポインティングデバイスによりコンピュータに入力を提供可能なものと、を有する。他の種類の装置は、ユーザとのインタラクションを提供するために用いることもでき、例えば、ユーザに提供されるフィードバックは、任意の形態の感知フィードバック（例えば、視覚フィードバック、聴覚フィードバック、又は触覚フィードバック）であってもよく、また、任意の形態（音響入力、音声入力、又は触覚入力を含む）でユーザからの入力を受信することができる。

ここで説明されるシステム及び技術は、バックエンドコンポーネントを備えるコンピューティングシステム（例えば、データサーバとする）、又はミドルウェアコンポーネントを備えるコンピューティングシステム（例えば、アプリケーションサーバ）、又はフロントエンドコンポーネントを備えるコンピューティングシステム（例えば、グラフィカルユーザインタフェース又はウェブブラウザを有するユーザコンピュータであり、ユーザは、このグラフィカルユーザインタフェース又はこのウェブブラウザによってここで説明されるシステム及び技術の実施形態とインタラクションできる）、又はこのようなバックエンドコンポーネントと、ミドルウェアコンポーネントと、フロントエンドコンポーネントとの任意のグループみ合わせを備えるコンピューティングシステムで実施される。任意の形態又は媒体のデジタルデータ通信（例えば、通信ネットワーク）によってシステムのコンポーネントを相互接続することができる。通信ネットワークの例は、ローカルエリアネットワーク（ＬＡＮ）と、ワイドエリアネットワーク（ＷＡＮ）と、インターネットと、ブロックチェーンネットワークとを含む。

コンピュータシステムは、クライアントとサーバとを備えることができる。クライアントとサーバは、一般的に、互いに離れており、通常、通信ネットワークを介してインタラクションする。対応するコンピュータ上で実行され、且つ互いにクライアント−サーバの関係を有するコンピュータプログラムによって、クライアントとサーバとの関係が生成される。サーバ側はクラウドサーバであってもよく、クラウドコンピューティングサーバ又はクラウドホストとも呼ばれ、クラウドコンピューティングサービスシステムにおけるホスト製品であり、従来の物理ホストとＶＰＳサービス（「Ｖｉｒｔｕａｌ Ｐｒｉｖａｔｅ Ｓｅｒｖｅｒ」、又は略称「ＶＰＳ」）において存在する、管理の難易度が高く、業務拡張性が低いという欠点を解決するためのものである。サーバは分散システムのサーバ、又はブロックチェーンと結び付けたサーバであってもよい。

本出願は、コンピュータプログラム製品であって、前記コンピュータプログラム製品におけるプロセッサが実行すると、以上説明したような対話意図の認識方法を実現するコンピュータプログラム製品をさらに提供する。

本出願の実施例による対話意図の認識方法は、意図カテゴリ予測対象のサンプル文及び複数の意図カテゴリがタグ付けされたサポート文を取得し、サンプル文及びサポート文を事前トレーニング済みの意図認識モデルに入力し、意図認識モデルはサンプル文及びサポート文に基づいてサンプル文に対応するサンプル文ベクトル及びサポート文に対応するカテゴリベクトルを生成し、サンプル文ベクトルとカテゴリベクトルとの間のマッチング度を計算し、さらに、複数のマッチング度に基づいてサンプル文の予測意図カテゴリを取得する。これにより、本出願は少数ショット学習技術と組み合わせて、意図認識モデルのサポート文の規模に対する依存度を低減させ、少量の意図カテゴリがタグ付けされたサポート文による過剰適合現象を回避し、対話における意図認識結果の正確率を確保し、対話意図の認識を高速に行う能力を向上させ、対話意図の認識プロセスにおける信頼性及び効率を向上させる。

以上に示される様々な形態のフローを使用して、ステップを新たに順序付け、追加、又は削除することが可能であることを理解すべきである。例えば、本出願に記載されている各ステップは、並列に実行してもよいし、順次実行してもよいし、異なる順序で実行してもよいが、本出願に開示されている技術案が所望する結果を実現することができる限り、本明細書ではこれに限定されない。

上記の具体的な実施形態は、本出願の保護範囲を限定するものではない。当業者であれば、設計要件と他の要因によって、様々な修正、グループみ合わせ、サブコンビネーション、及び代替を行うことができることを理解すべきである。本出願の精神及び原則内で行われる任意の修正、同等の置換、及び改善などは、いずれも本出願の保護範囲内に含まれるべきである。

Claims (26)

1. 意図カテゴリ予測対象のサンプル文及び複数の意図カテゴリがタグ付けされたサポート文を取得するステップと、
   前記サンプル文及び前記サポート文を事前トレーニング済みの意図認識モデルに入力し、前記意図認識モデルが前記サンプル文及び前記サポート文に基づいて前記サンプル文に対応するサンプル文ベクトル及び前記サポート文に対応するカテゴリベクトルを生成し、前記サンプル文ベクトルと前記カテゴリベクトルとのマッチング度を計算し、複数の前記マッチング度に基づいて、前記サンプル文の予測意図カテゴリを取得するステップと、
   を含む、対話意図の認識方法。
2. 前記サンプル文及び前記サポート文に基づいて、前記サポート文に対応するカテゴリベクトルを生成するステップが、
   前記サンプル文及び前記サポート文に基づいて、前記サポート文に対応するサポート文ベクトルを生成するステップと、
   前記サポート文ベクトルに基づいて、前記サポート文に対応する前記カテゴリベクトルを生成するステップと、
   を含む請求項１に記載の認識方法。
3. 前記サンプル文及び前記サポート文に基づいて、前記サポート文に対応するサポート文ベクトルを生成するステップが、
   前記サンプル文に基づいて、対応するサンプル単語ベクトル系列を生成するステップと、
   前記サポート文に基づいて、対応するサポート単語ベクトル系列を生成するステップと、
   前記サンプル単語ベクトル系列を再帰型ニューラルネットワークによる時系列モデルに入力して、前記サンプル文のサンプル単語の出力隠れ状態を取得するステップと、
   前記サポート単語ベクトル系列を前記再帰型ニューラルネットワークによる時系列モデルに入力して、前記サポート文のサポート単語の出力隠れ状態を取得するステップと、
   前記サンプル単語の出力隠れ状態及び前記サポート単語の出力隠れ状態に基づいて、前記サンプル文に対応する出力ベクトル系列を生成するステップと、
   前記サポート文に対応する出力ベクトル系列に基づいて、前記サポート文ベクトルを生成するステップと、
   を含む請求項２に記載の認識方法。
4. 前記サンプル文及び前記サポート文に基づいて、前記サンプル文に対応するサンプル文ベクトルを生成するステップが、
   前記サンプル文に基づいて、対応するサンプル単語ベクトル系列を生成するステップと、
   前記サポート文に基づいて、対応するサポート単語ベクトル系列を生成するステップと、
   前記サンプル単語ベクトル系列を再帰型ニューラルネットワークによる時系列モデルに入力して、前記サンプル文のサンプル単語の出力隠れ状態を取得するステップと、
   前記サポート単語ベクトル系列を前記再帰型ニューラルネットワークによる時系列モデルに入力して、前記サポート文のサポート単語の出力隠れ状態を取得するステップと、
   前記サンプル単語の出力隠れ状態及び前記サポート単語の出力隠れ状態に基づいて、前記サンプル文に対応する出力ベクトル系列を生成するステップと、
   前記サンプル文に対応する出力ベクトル系列に基づいて、前記サンプル文ベクトルを生成するステップと、
   を含む請求項１に記載の認識方法。
5. 前記サンプル文に基づいて、対応するサンプル単語ベクトル系列を生成するステップが、
   前記サンプル文に対して単語分割処理を行って、複数の前記サンプル単語を取得するステップと、
   前記サンプル単語に対して品詞タグ付けを行って、サンプル単語の品詞を取得するステップと、
   前記サンプル単語に対して名前付きエンティティ認識を行って、サンプル単語の名前付きエンティティを取得するステップと、
   前記サンプル単語、前記サンプル単語の品詞及び前記サンプル単語の名前付きエンティティに基づいて、前記サンプル文に対応する前記サンプル単語ベクトル系列を生成するステップと、
   を含む請求項３又は４に記載の認識方法。
6. 前記サポート文に基づいて、対応するサポート単語ベクトル系列を生成するステップが、
   前記サポート文に対して単語分割処理を行って、複数の前記サポート単語を取得するステップと、
   前記サポート単語に対して品詞タグ付けを行って、サポート単語の品詞を取得するステップと、
   前記サポート単語に対して名前付きエンティティ認識を行って、サポート単語の名前付きエンティティを取得するステップと、
   前記サポート単語、前記サポート単語の品詞及び前記サポート単語の名前付きエンティティに基づいて、前記サポート文に対応する前記サポート単語ベクトル系列を生成するステップと、
   を含む請求項３又は４に記載の認識方法。
7. 前記サンプル文に対応する出力ベクトル系列に基づいて、前記サンプル文ベクトルを生成するステップが、
   コーパスにおける前記サンプル文の前記サンプル単語の出現頻度及びサンプル逆文書頻度を取得するステップと、
   前記サンプル単語の出現頻度及び前記サンプル逆文書頻度に基づいて、前記サンプル単語に対応する出力ベクトルの重みを生成するステップと、
   前記サンプル文に対応する出力ベクトル系列内の出力ベクトル及び対応する重みに基づいて、前記サンプル文ベクトルを生成するステップと、
   を含む請求項４に記載の認識方法。
8. 前記サポート文に対応する出力ベクトル系列に基づいて、前記サポート文ベクトルを生成するステップが、
   コーパスにおける前記サポート文の前記サポート単語の出現頻度及びサポート逆文書頻度を取得するステップと、
   前記サポート単語の出現頻度及び前記サポート逆文書頻度に基づいて、前記サポート単語に対応する出力ベクトルの重みを生成するステップと、
   前記サポート文に対応する出力ベクトル系列内の出力ベクトル及び対応する重みに基づいて、前記サポート文ベクトルを生成するステップと、
   を含む請求項３に記載の認識方法。
9. 前記サポート文ベクトルに基づいて、前記サポート文に対応する前記カテゴリベクトルを生成するステップが、
   同一のタグ付け意図カテゴリの前記サポート文ベクトルを取得するステップと、
   同一のタグ付け意図カテゴリの前記サポート文ベクトルに基づいて、このタグ付け意図カテゴリに対応する前記カテゴリベクトルを生成するステップと、
   を含む請求項２に記載の認識方法。
10. 前記複数の前記マッチング度に基づいて、前記サンプル文の予測意図カテゴリを取得するステップが、
    複数の前記マッチング度のうち最も高いマッチング度に対応する前記カテゴリベクトルのタグ付け意図カテゴリを、前記サンプル文の予測意図カテゴリとして決定するステップを含む請求項１に記載の認識方法。
11. 意図カテゴリがタグ付けされた第１のトレーニング文及び複数の第２のトレーニング文を取得するステップと、
    前記第１のトレーニング文及び前記第２のトレーニング文をトレーニング対象の意図認識モデルに入力して、前記第１のトレーニング文に対応する予測意図カテゴリを取得するステップと、
    前記第１のトレーニング文に対応する予測意図カテゴリと前記第１のトレーニング文に対応するタグ付け意図カテゴリとの差が予め設定されたトレーニング終了条件に合致するまで、前記第１のトレーニング文に対応する予測意図カテゴリと前記第１のトレーニング文に対応するタグ付け意図カテゴリとの差に基づいて、前記トレーニング対象の意図認識モデルのモデルパラメータを調整し、前記意図カテゴリがタグ付けされた第１のトレーニング文及び複数の第２のトレーニング文を取得するステップに戻り、最終回のモデルパラメータが調整された前記トレーニング対象の意図認識モデルを前記トレーニング済みの意図認識モデルとして決定するステップと、
    を含む請求項１に記載の認識方法。
12. 意図カテゴリ予測対象のサンプル文及び複数の意図カテゴリがタグ付けされたサポート文を取得するための第１の取得モジュールと、
    前記サンプル文及び前記サポート文を事前トレーニング済みの意図認識モデルに入力し、前記意図認識モデルが前記サンプル文及び前記サポート文に基づいて前記サンプル文に対応するサンプル文ベクトル及び前記サポート文に対応するカテゴリベクトルを生成し、前記サンプル文ベクトルと前記カテゴリベクトルとのマッチング度を計算し、複数の前記マッチング度に基づいて、前記サンプル文の予測意図カテゴリを取得するための生成モジュールと、
    を備える、対話意図の認識装置。
13. 前記生成モジュールが、
    前記サンプル文及び前記サポート文に基づいて、前記サポート文に対応するサポート文ベクトルを生成するための第１の生成サブモジュールと、
    前記サポート文ベクトルに基づいて、前記サポート文に対応する前記カテゴリベクトルを生成するための第２の生成サブモジュールと、
    を備える請求項１２に記載の認識装置。
14. 前記第１の生成サブモジュールが、
    前記サンプル文に基づいて、対応するサンプル単語ベクトル系列を生成するための第１の生成ユニットと、
    前記サポート文に基づいて、対応するサポート単語ベクトル系列を生成するための第２の生成ユニットと、
    前記サンプル単語ベクトル系列を再帰型ニューラルネットワークによる時系列モデルに入力して、前記サンプル文のサンプル単語の出力隠れ状態を取得するための第１の入力ユニットと、
    前記サポート単語ベクトル系列を前記再帰型ニューラルネットワークによる時系列モデルに入力して、前記サポート文のサポート単語の出力隠れ状態を取得するための第２の入力ユニットと、
    前記サンプル単語の出力隠れ状態及び前記サポート単語の出力隠れ状態に基づいて、前記サポート文に対応する出力ベクトル系列を生成するための第３の生成ユニットと、
    前記サポート文に対応する出力ベクトル系列に基づいて、前記サポート文ベクトルを生成するための第１の出力ユニットと、
    を備える請求項１３に記載の認識装置。
15. 前記生成モジュールが、第３の生成サブモジュールを備え、
    前記第３の生成サブモジュールが、
    前記サンプル文に基づいて、対応するサンプル単語ベクトル系列を生成するための第４の生成ユニットと、
    前記サポート文に基づいて、対応するサポート単語ベクトル系列を生成するための第５の生成ユニットと、
    前記サンプル単語ベクトル系列を再帰型ニューラルネットワークによる時系列モデルに入力して、前記サンプル文のサンプル単語の出力隠れ状態を取得するための第３の入力ユニットと、
    前記サポート単語ベクトル系列を前記再帰型ニューラルネットワークによる時系列モデルに入力して、前記サポート文のサポート単語の出力隠れ状態を取得するための第４の入力ユニットと、
    前記サンプル単語の出力隠れ状態及び前記サポート単語の出力隠れ状態に基づいて、前記サンプル文に対応する出力ベクトル系列を生成するための第６の生成ユニットと、
    前記サンプル文に対応する出力ベクトル系列に基づいて、前記サンプル文ベクトルを生成するための第２の出力ユニットと、
    を備える請求項１２に記載の認識装置。
16. 前記第１の生成ユニット及び前記第４の生成ユニットが、
    前記サンプル文に対して単語分割処理を行って、複数の前記サンプル単語を取得し、
    前記サンプル単語に対して品詞タグ付けを行って、サンプル単語の品詞を取得し、
    前記サンプル単語に対して名前付きエンティティ認識を行って、サンプル単語の名前付きエンティティを取得し、
    前記サンプル単語、前記サンプル単語の品詞及び前記サンプル単語の名前付きエンティティに基づいて、前記サンプル文に対応する前記サンプル単語ベクトル系列を生成する請求項１４又は１５に記載の認識装置。
17. 前記第２の生成ユニット及び前記第５の生成ユニットが、
    前記サポート文に対して単語分割処理を行って、複数の前記サポート単語を取得し、
    前記サポート単語に対して品詞タグ付けを行って、サポート単語の品詞を取得し、
    前記サポート単語に対して名前付きエンティティ認識を行って、サポート単語の名前付きエンティティを取得し、
    前記サポート単語、前記サポート単語の品詞及び前記サポート単語の名前付きエンティティに基づいて、前記サポート文に対応する前記サポート単語ベクトル系列を生成する請求項１４又は１５に記載の認識装置。
18. 前記第２の出力ユニットが、
    コーパスにおける前記サンプル文の前記サンプル単語のサンプル単語の出現頻度及びサンプル逆文書頻度を取得し、
    前記サンプル単語の出現頻度及び前記サンプル逆文書頻度に基づいて、前記サンプル単語に対応する出力ベクトルの重みを生成し、
    前記サンプル文に対応する出力ベクトル系列内の出力ベクトル及び対応する重みに基づいて、前記サンプル文ベクトルを生成する請求項１５に記載の認識装置。
19. 前記第１の出力ユニットが、
    コーパスにおける前記サポート文の前記サポート単語のサポート単語の出現頻度及びサポート逆文書頻度を取得し、
    前記サポート単語の出現頻度及び前記サポート逆文書頻度に基づいて、前記サポート単語に対応する出力ベクトルの重みを生成し、
    前記サポート文に対応する出力ベクトル系列内の出力ベクトル及び対応する重みに基づいて、前記サポート文ベクトルを生成する請求項１５に記載の認識装置。
20. 前記第２の生成ユニットが、
    同一のタグ付け意図カテゴリの前記サポート文ベクトルを取得するための第１の取得サブユニットと、
    同一のタグ付け意図カテゴリの前記サポート文ベクトルに基づいて、このタグ付け意図カテゴリに対応する前記カテゴリベクトルを生成するための第１の生成サブユニットと、
    を備える請求項１４に記載の認識装置。
21. 前記生成モジュールが、
    複数の前記マッチング度のうち最も高いマッチング度に対応する前記カテゴリベクトルのタグ付け意図カテゴリを、前記サンプル文の予測意図カテゴリとして決定するための決定サブモジュールを備える請求項１２に記載の認識装置。
22. 意図カテゴリがタグ付けされた第１のトレーニング文及び複数の第２のトレーニング文を取得するための第２の取得モジュールと、
    前記第１のトレーニング文及び前記第２のトレーニング文をトレーニング対象の意図認識モデルに入力して、前記第１のトレーニング文に対応する予測意図カテゴリを取得するための入力モジュールと、
    前記第１のトレーニング文に対応する予測意図カテゴリと前記第１のトレーニング文に対応するタグ付け意図カテゴリとの差が予め設定されたトレーニング終了条件に合致するまで、前記第１のトレーニング文に対応する予測意図カテゴリと前記第１のトレーニング文に対応するタグ付け意図カテゴリとの差に基づいて、前記トレーニング対象の意図認識モデルのモデルパラメータを調整し、前記意図カテゴリがタグ付けされた第１のトレーニング文及び複数の第２のトレーニング文を取得するステップに戻り、最終回のモデルパラメータが調整された前記トレーニング対象の意図認識モデルを前記トレーニング済みの意図認識モデルとして決定するための決定モジュールと、
    を備える請求項１２に記載の認識装置。
23. 少なくとも１つのプロセッサと、
    該少なくとも１つのプロセッサと通信可能に接続されるメモリと、
    を備え、
    前記メモリには、前記少なくとも１つのプロセッサによって実行可能な命令が記憶され、前記命令が、前記少なくとも１つのプロセッサが請求項１から１１のいずれか一項に記載の対話意図の認識方法を実行できるように、前記少なくとも１つのプロセッサによって実行される電子機器。
24. コンピュータ命令が記憶されている非一時的なコンピュータ読み取り可能な記憶媒体であって、
    前記コンピュータ命令が、コンピュータに請求項１から１１のいずれか一項に記載の対話意図の認識方法を実行させる非一時的なコンピュータ読み取り可能な記憶媒体。
25. コンピュータプログラムを備えるコンピュータプログラム製品であって、
    前記コンピュータプログラムがプロセッサによって実行される場合、請求項１から１１のいずれか一項に記載の方法のステップが実現されるコンピュータプログラム製品。
26. コンピュータに請求項１〜１１のいずれか一項に記載の対話意図の認識方法を実行させるコンピュータプログラム。
    

Images