Nothing Special   »   [go: up one dir, main page]

CN111738016B - 多意图识别方法及相关设备 - Google Patents

多意图识别方法及相关设备 Download PDF

Info

Publication number
CN111738016B
CN111738016B CN202010600015.7A CN202010600015A CN111738016B CN 111738016 B CN111738016 B CN 111738016B CN 202010600015 A CN202010600015 A CN 202010600015A CN 111738016 B CN111738016 B CN 111738016B
Authority
CN
China
Prior art keywords
sentence
intent
identified
sub
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.)
Active
Application number
CN202010600015.7A
Other languages
English (en)
Other versions
CN111738016A (zh
Inventor
张思亮
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 CN202010600015.7A priority Critical patent/CN111738016B/zh
Publication of CN111738016A publication Critical patent/CN111738016A/zh
Application granted granted Critical
Publication of CN111738016B publication Critical patent/CN111738016B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及人工智能，提供一种多意图识别方法及相关设备。所述多意图识别方法基于单意图语句生成语句样本；用所述语句样本训练断句模型；获取待识别语句；用所述断句模型标注所述待识别语句的多个待识别子语句，使每个待识别子语句对应单个意图；用训练后的意图识别模型分别识别所述多个待识别子语句的意图。本发明提升了多意图识别的准确率和效率。

Description

多意图识别方法及相关设备
技术领域
本发明涉及人工智能技术领域，具体涉及一种多意图识别方法、装置、计算机设备及计算机可读存储介质。
背景技术
意图识别是自然语言理解的重要组成部分，意图识别可以反映客户真实的想法，可以在智能对话机器人中帮助机器人识别客户想法，然后做出决策。意图识别的准确率直接影响了机器人下一步决策，提升意图识别准确率可以提升交互体验。意图识别的效率，也会影响机器人做出适当反应的时间。
但是在实际交互过程中，客户往往一句话中包含多种意图，所以机器人应该识别出客户多个意图，从而进行下一步决策。如何从待识别语句中准确并高效地识别出多个意图成为待解决的问题。
发明内容
鉴于以上内容，有必要提出一种多意图识别方法、装置、计算机设备及计算机可读存储介质，其可以识别待识别语句的多个意图，提升多意图识别的准确率和效率。
本申请的第一方面提供一种多意图识别方法，所述多意图识别方法包括：
基于单意图语句生成语句样本；
用所述语句样本训练断句模型；
获取待识别语句；
用所述断句模型标注所述待识别语句的多个待识别子语句，使每个待识别子语句对应单个意图；
用训练后的意图识别模型分别识别所述多个待识别子语句的意图。
另一种可能的实现方式中，所述基于单意图语句生成语句样本包括：
从单意图语句集获取多个单意图语句；
将所述多个单意图语句组合为中间语句；
从预设字编码表获取所述中间语句中的每个字的第一向量；
根据词性生成所述中间语句中的每个字的第二向量；
获取所述中间语句中的每个字在预设知识图谱中的第三向量；
拼接所述中间语句中的每个字的第一向量、第二向量和第三向量，得到所述中间语句中的每个字的字向量；
依字序组合所述中间语句中的每个字的字向量，得到所述语句样本，所述语句样本中的每个字向量对应一个断句标签。
另一种可能的实现方式中，在所述从单意图语句集获取多个单意图语句之前，所述方法还包括：
将单意图语音信息转化为文本信息；
获取所述文本信息中的各个动词、各个名词；
查询各个动词的近义词和各个名词的近义词；
用各个动词的近义词替换各个动词，用各个名词的近义词替换各个名词，得到多个目标语句；
将所述多个目标语句加入所述单意图语句集。
另一种可能的实现方式中，所述断句模型包括：
基于BERT、双向长短期记忆网络和条件随机场的模型，所述用所述语句样本训练断句模型包括：
对BERT进行预训练，得到预训练后的BERT模型；
用所述预训练后的BERT模型根据所述语句样本计算第一输出；
用所述双向长短期记忆网络根据所述第一输出计算第二输出；
用条件随机场根据所述第二输出计算第三输出；
根据所述第三输出与所述语句样本的标签的差值优化所述双向长短期记忆网络和所述条件随机场的参数。
另一种可能的实现方式中，所述意图识别模型可以包括：
支持向量机或深度神经网络，用于根据各个待识别子语句的向量表示识别各个待识别子语句的意图。
另一种可能的实现方式中，所述多意图识别方法还包括：
在识别每个待识别子语句的意图时，获取每个待识别子语句的意图向量；
用训练后的领域识别模型以所述待识别子语句的意图向量为输入，输出所述待识别子语句的领域向量；
用所述待识别子语句中的每个字的字向量分别拼接领域向量，得到所述待识别子语句中的每个字的拼接字向量；
依字序组合所述待识别子语句中的每个字的拼接字向量，得到所述待识别子语句的中间向量表示；
将上述待识别子语句的中间向量表示输入训练后的槽位识别模型，得到所述待识别子语句的槽位；
根据所述待识别语句的多个意图和槽位确定所述多个意图中的每个意图是否可执行。
另一种可能的实现方式中，所述根据所述待识别语句的多个意图和槽位确定所述多个意图中的每个意图是否可执行包括：
对于所述多个意图中的给定意图，获取可执行路径集合和所述给定意图的预设槽位数；
当所述可执行路径集合中不存在所述给定意图，或所述给定意图的槽位数小于所述预设槽位数，或所述多个意图中存在与所述给定意图矛盾的目标意图时，确定所述给定意图不可执行；
当所述可执行路径集合中存在所述给定意图，且所述给定意图的槽位数等于所述预设槽位数，且所述多个意图中不存在与所述给定意图矛盾的目标意图时，确定所述给定意图可执行。
本申请的第二方面提供一种多意图识别装置，所述多意图识别装置包括：
生成模块，用于基于单意图语句生成语句样本；
训练模块，用于用所述语句样本训练断句模型；
获取模块，用于获取待识别语句；
标注模块，用于用所述断句模型标注所述待识别语句的多个待识别子语句，使每个待识别子语句对应单个意图；
识别模块，用于用训练后的意图识别模型分别识别所述多个待识别子语句的意图。
本申请的第三方面提供一种计算机设备，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述多意图识别方法。
本申请的第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述多意图识别方法。
本发明用所述断句模型标注所述待识别语句的多个待识别子语句，使每个待识别子语句对应单个意图；用训练后的意图识别模型分别识别所述多个待识别子语句的意图。通过将待识别语句标注为多个待识别子语句，增强了多意图识别的准确率；通过用训练后的意图识别模型分别识别所述多个待识别子语句的意图，提升了多意图识别的效率。因此，本发明实现了识别待识别语句的多个意图，提升了多意图识别的准确率和效率。
附图说明
图1是本发明实施例提供的多意图识别方法的流程图。
图2是本发明实施例提供的多意图识别装置的结构图。
图3是本发明实施例提供的计算机设备的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
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发明的技术领域的技术人员通常理解的含义相同。本文中在本发明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，不是旨在于限制本发明。
优选地，本发明的多意图识别方法应用在一个或者多个计算机设备中。所述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(Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，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。
实施例一
图1是本发明实施例一提供的多意图识别方法的流程图。所述多意图识别方法应用于计算机设备，用于识别待识别语句的多个意图。
如图1所示，所述多意图识别方法包括：
101，基于单意图语句生成语句样本。
在一具体实施例中，所述基于单意图语句生成语句样本包括：
从单意图语句集获取多个单意图语句；
将所述多个单意图语句组合为中间语句；
从预设字编码表获取所述中间语句中的每个字的第一向量；
根据词性生成所述中间语句中的每个字的第二向量；
获取所述中间语句中的每个字在预设知识图谱中的第三向量；
拼接所述中间语句中的每个字的第一向量、第二向量和第三向量，得到所述中间语句中的每个字的字向量；
依字序组合所述中间语句中的每个字的字向量，得到所述语句样本，所述语句样本中的每个字向量对应一个断句标签。
例如，从单意图语句集获取3个单意图语句，分别为“三者险费用太高了”、“去掉三者险”、“增加涉水险”。将3个单意图语句组合为一个中间语句，中间语句为“三者险费用太高了，去掉三者险，增加涉水险”。从预设字编码表获取该中间语句中的每个字的第一向量。根据词性生成该中间语句中的每个字的第二向量（如名词、动词对应不同的向量）。获取该中间语句中的每个字在预设知识图谱中的第三向量（第三向量是对该字的解释性表达，如“三”字的解释性表达为“数字”，将“数字”的向量表示确定为“三”字的第三向量）。拼接该中间语句中的每个字的第一向量、第二向量和第三向量，得到该中间语句中的每个字的字向量。依字序组合该中间语句中的每个字的字向量，得到所述语句样本，所述语句样本中的每个字向量对应一个断句标签。如，“三者险费用太高了，去掉”的断句标签分别为“B_intentI_intent I_intent I_intent I_intent I_intent I_intent I_intent O B_intent I_intent”。
在一具体实施例中，在所述从单意图语句集获取多个单意图语句之前，所述方法还包括：
将单意图语音信息转化为文本信息；
泛化所述文本信息，得到多个目标语句；
将所述多个目标语句加入所述单意图语句集。
具体地，所述泛化所述文本信息包括：
获取所述文本信息中的各个动词、各个名词；查询每个动词的近义词和每个名词的近义词；用各个动词的近义词替换各个动词，用各个名词的近义词替换各个名词，得到所述多个目标语句。
102，用所述语句样本训练断句模型。
在一具体实施例中，所述断句模型包括：
基于BERT、双向长短期记忆网络和条件随机场的模型；或
基于BERT、BiGRU和条件随机场的模型。
BERT能够捕捉字与字之间的关系，条件随机场能够捕捉标签之间的关系，有利于提升识别精确度。
BERT(Bidirectional Encoder Representations fromTransformers)模型，为谷歌发布的模型，其目的是通过联合调节所有层中的上下文来预训练深度双向表示。BERT模型通过预训练和精调，在11个NLP任务上都取得了很好的效果，同时，其使用的Transformer使得整个模型更加高效，更能捕捉长距离的依赖。
双向长短期记忆网络以BERT模型的输出为输入。在双向长短期记忆网络中将正向LSTM输出的隐状态序列与反向LSTM的在各个位置输出的隐状态进行按位置拼接，得到完整的隐状态序列；在设置dropout后，通过接入一个线性层，将所述隐状态向量降维，得到语句样本的语句样本向量表示。
将所述语句样本向量表示输入条件随机场，得到序列标注结果。条件随机场模型可以进行句子级的序列标注。接入CRF层（即条件随机场）能够利用标签转移概率来做句子级别的标签预测，使得标注过程不再是对各个词独立分类。
当所述断句模型包括基于BERT、双向长短期记忆网络和条件随机场的模型时，所述用所述语句样本训练断句模型包括：
对BERT进行预训练，得到预训练后的BERT模型；
用所述预训练后的BERT模型根据所述语句样本计算第一输出；
用所述双向长短期记忆网络根据所述第一输出计算第二输出；
用条件随机场根据所述第二输出计算第三输出；
根据所述第三输出与所述语句样本的标签的差值优化所述双向长短期记忆网络和所述条件随机场的参数。
103，获取待识别语句。
当用户通过语音办理业务或请求帮助时，可以获取用户录入的语音信息，通过语音识别技术将所述语音信息识别为待识别语句。
当用户对一个说明段落有疑问时，用户可以对说明段落拍照或截屏，得到图片；在获取图片后，通过字符识别技术从图片中识别出待识别语句。
还可以接收用户直接输入的待识别语句。
104，用所述断句模型标注所述待识别语句的多个待识别子语句，使每个待识别子语句对应单个意图。
例如，待识别语句为“涉水险没有必要取消涉水险新增车损险”，用所述断句模型标注所述待识别语句，得到所述待识别语句的标签序列“B_intent I_intent I_intent I_intent I_intent I_intent I_intent B_intent I_intent I_intent I_intent I_intent B_intent I_intent I_intent I_intent I_intent”（即，涉水险没有必要，取消涉水险，新增车损险）。得到3个待识别子语句“涉水险没有必要”、“取消涉水险”、“新增车损险”。每个待识别子语句对应了一个意图。
断句模型可以找到每个待识别子语句的起始位置（用B_intent标注）和结束位置（每个B_intent的最后一个I_intent）。从而将多意图的语句按照单个意图进行断句。
105，用训练后的意图识别模型分别识别所述多个待识别子语句的意图。
例如，用训练后的意图识别模型分别识别“涉水险没有必要”、“取消涉水险”、“新增车损险”的意图，分别为“消极评价涉水险”、“退购涉水险”、“购买车损险”。
每个意图为预设标签，与意图识别模型的输出对应。如意图识别模型的输出“100”“010”“001”分别对应的预设标签分别为“消极评价涉水险”、“退购涉水险”、“购买车损险”。
所述意图识别模型的输入为各个待识别子语句的向量表示。
在一具体实施例中，所述意图识别模型可以包括：
支持向量机或深度神经网络。
所述意图识别模型是分类模型。所述意图识别模型用于根据各个待识别子语句的向量表示识别各个待识别子语句的意图。每个待识别子语句的向量表示蕴含该待识别子语句的语义信息（即意图信息），所述意图识别模型提取该待识别子语句的意图特征以对该待识别子语句的意图进行分类。
实施例一的多意图识别方法用所述断句模型标注所述待识别语句的多个待识别子语句，使每个待识别子语句对应单个意图；用训练后的意图识别模型分别识别所述多个待识别子语句的意图。通过将待识别语句标注为多个待识别子语句，增强了多意图识别的准确率；通过用训练后的意图识别模型分别识别所述多个待识别子语句的意图，提升了多意图识别的效率。实施例一提升了多意图识别的准确率和效率。
在另一实施例中，所述多意图识别方法还包括：
在识别每个待识别子语句的意图时，获取每个待识别子语句的意图向量；
用训练后的领域识别模型以所述待识别子语句的意图向量为输入，输出所述待识别子语句的领域向量；
用所述待识别子语句中的每个字的字向量分别拼接领域向量，得到所述待识别子语句中的每个字的拼接字向量；
依字序组合所述待识别子语句中的每个字的拼接字向量，得到所述待识别子语句的中间向量表示；
将上述待识别子语句的中间向量表示输入训练后的槽位识别模型，得到所述待识别子语句的槽位；
根据所述待识别语句的多个意图和槽位确定所述多个意图中的每个意图是否可执行。
所述领域识别模型能够识别每个待识别子语句所属的领域，输出该识别子语句的领域向量。例如，待识别子语句为“涉水险没有必要”，领域识别模型能够识别待识别子语句所属的领域为“涉水险”，特征向量“0002”。再如，待识别子语句为“播放小孙的游泳比赛”，领域识别模型能够识别待识别子语句所属的领域为“运动”，特征向量“00006”。
槽位识别模型是序列标注模型。槽位是所述待识别子语句中带有特定属性的实体词。比如，待识别子语句为“播放小孙的游泳比赛”，槽位为“游泳运动员=小孙”、“比赛类型=游泳比赛”。“播放小孙的游泳比赛”对应的槽位向量为“000000100100000010010010010”，其中两个“100”对应小孙、四个“010”对应游泳比赛。当识别出待识别语句属于“运动”领域后，只需要从运动领域中的槽位进行序列标注（因槽位识别模型的输入包括了领域向量），以缩小槽位的候选范围，提高识别准确率和效率。
在另一实施例中，所述根据所述待识别语句的多个意图和槽位确定所述多个意图中的每个意图是否可执行包括：
对于所述多个意图中的给定意图，获取可执行路径集合和所述给定意图的预设槽位数；
当所述可执行路径集合中不存在所述给定意图，或所述给定意图的槽位数小于所述预设槽位数，或所述多个意图中存在与所述给定意图矛盾的目标意图时，确定所述给定意图不可执行；
当所述可执行路径集合中存在所述给定意图，且所述给定意图的槽位数等于所述预设槽位数，且所述多个意图中不存在与所述给定意图矛盾的目标意图时，确定所述给定意图可执行。
例如，待识别子语句为“播放小孙”，意图为播放视频，预设槽位数为2。该意图的槽位为“游泳运动员=小孙”，槽位数为1，该意图的槽位数1小于所述预设槽位数2，该意图不可执行。
从所述多个意图中任选一个选定意图，当所述选定意图中的动词组与所述给定意图中的动词组语义相反时，将所述选定意图确定为目标意图。
例如，一个选定意图为“播放视频”，给定意图为“停止播放视频”，选定意图中的动词组与给定意图中的动词组语义相反，将选定意图确定为目标意图。
实施例二
图2是本发明实施例二提供的多意图识别装置的结构图。所述多意图识别装置20应用于计算机设备。所述多意图识别装置20用于识别待识别语句的多个意图。
如图2所示，所述多意图识别装置20可以包括生成模块201、训练模块202、获取模块203、标注模块204、识别模块205。
生成模块201，用于基于单意图语句生成语句样本。
在一具体实施例中，所述基于单意图语句生成语句样本包括：
从单意图语句集获取多个单意图语句；
将所述多个单意图语句组合为中间语句；
从预设字编码表获取所述中间语句中的每个字的第一向量；
根据词性生成所述中间语句中的每个字的第二向量；
获取所述中间语句中的每个字在预设知识图谱中的第三向量；
拼接所述中间语句中的每个字的第一向量、第二向量和第三向量，得到所述中间语句中的每个字的字向量；
依字序组合所述中间语句中的每个字的字向量，得到所述语句样本，所述语句样本中的每个字向量对应一个断句标签。
例如，从单意图语句集获取3个单意图语句，分别为“三者险费用太高了”、“去掉三者险”、“增加涉水险”。将3个单意图语句组合为一个中间语句，中间语句为“三者险费用太高了，去掉三者险，增加涉水险”。从预设字编码表获取该中间语句中的每个字的第一向量。根据词性生成该中间语句中的每个字的第二向量（如名词、动词对应不同的向量）。获取该中间语句中的每个字在预设知识图谱中的第三向量（第三向量是对该字的解释性表达，如“三”字的解释性表达为“数字”，将“数字”的向量表示确定为“三”字的第三向量）。拼接该中间语句中的每个字的第一向量、第二向量和第三向量，得到该中间语句中的每个字的字向量。依字序组合该中间语句中的每个字的字向量，得到所述语句样本，所述语句样本中的每个字向量对应一个断句标签。如，“三者险费用太高了，去掉”的断句标签分别为“B_intentI_intent I_intent I_intent I_intent I_intent I_intent I_intent O B_intent I_intent”。
在一具体实施例中，在所述从单意图语句集获取多个单意图语句之前，所述多意图识别装置还包括加入模块，用于将单意图语音信息转化为文本信息；
泛化所述文本信息，得到多个目标语句；
将所述多个目标语句加入所述单意图语句集。
具体地，所述泛化所述文本信息包括：
获取所述文本信息中的各个动词、各个名词；查询每个动词的近义词和每个名词的近义词；用各个动词的近义词替换各个动词，用各个名词的近义词替换各个名词，得到所述多个目标语句。
训练模块202，用于用所述语句样本训练断句模型。
在一具体实施例中，所述断句模型包括：
基于BERT、双向长短期记忆网络和条件随机场的模型；或
基于BERT、BiGRU和条件随机场的模型。
BERT能够捕捉字与字之间的关系，条件随机场能够捕捉标签之间的关系，有利于提升识别精确度。
BERT(Bidirectional Encoder Representations fromTransformers)模型，为谷歌发布的模型，其目的是通过联合调节所有层中的上下文来预训练深度双向表示。BERT模型通过预训练和精调，在11个NLP任务上都取得了很好的效果，同时，其使用的Transformer使得整个模型更加高效，更能捕捉长距离的依赖。
双向长短期记忆网络以BERT模型的输出为输入。在双向长短期记忆网络中将正向LSTM输出的隐状态序列与反向LSTM的在各个位置输出的隐状态进行按位置拼接，得到完整的隐状态序列；在设置dropout后，通过接入一个线性层，将所述隐状态向量降维，得到语句样本的语句样本向量表示。
将所述语句样本向量表示输入条件随机场，得到序列标注结果。条件随机场模型可以进行句子级的序列标注。接入CRF层（即条件随机场）能够利用标签转移概率来做句子级别的标签预测，使得标注过程不再是对各个词独立分类。
当所述断句模型包括基于BERT、双向长短期记忆网络和条件随机场的模型时，所述用所述语句样本训练断句模型包括：
对BERT进行预训练，得到预训练后的BERT模型；
用所述预训练后的BERT模型根据所述语句样本计算第一输出；
用所述双向长短期记忆网络根据所述第一输出计算第二输出；
用条件随机场根据所述第二输出计算第三输出；
根据所述第三输出与所述语句样本的标签的差值优化所述双向长短期记忆网络和所述条件随机场的参数。
获取模块203，用于获取待识别语句。
当用户通过语音办理业务或请求帮助时，可以获取用户录入的语音信息，通过语音识别技术将所述语音信息识别为待识别语句。
当用户对一个说明段落有疑问时，用户可以对说明段落拍照或截屏，得到图片；在获取图片后，通过字符识别技术从图片中识别出待识别语句。
还可以接收用户直接输入的待识别语句。
标注模块204，用于用所述断句模型标注所述待识别语句的多个待识别子语句，使每个待识别子语句对应单个意图。
例如，待识别语句为“涉水险没有必要取消涉水险新增车损险”，用所述断句模型标注所述待识别语句，得到所述待识别语句的标签序列“B_intent I_intent I_intent I_intent I_intent I_intent I_intent B_intent I_intent I_intent I_intent I_intent B_intent I_intent I_intent I_intent I_intent”（即，涉水险没有必要，取消涉水险，新增车损险）。得到3个待识别子语句“涉水险没有必要”、“取消涉水险”、“新增车损险”。每个待识别子语句对应了一个意图。
断句模型可以找到每个待识别子语句的起始位置（用B_intent标注）和结束位置（每个B_intent的最后一个I_intent）。从而将多意图的语句按照单个意图进行断句。
识别模块205，用于用训练后的意图识别模型分别识别所述多个待识别子语句的意图。
例如，用训练后的意图识别模型分别识别“涉水险没有必要”、“取消涉水险”、“新增车损险”的意图，分别为“消极评价涉水险”、“退购涉水险”、“购买车损险”。
每个意图为预设标签，与意图识别模型的输出对应。如意图识别模型的输出“100”“010”“001”分别对应的预设标签分别为“消极评价涉水险”、“退购涉水险”、“购买车损险”。
所述意图识别模型的输入为各个待识别子语句的向量表示。
在一具体实施例中，所述意图识别模型可以包括：
支持向量机或深度神经网络。
所述意图识别模型是分类模型。所述意图识别模型用于根据各个待识别子语句的向量表示识别各个待识别子语句的意图。每个待识别子语句的向量表示蕴含该待识别子语句的语义信息（即意图信息），所述意图识别模型提取该待识别子语句的意图特征以对该待识别子语句的意图进行分类。
实施例二的多意图识别装置20用所述断句模型标注所述待识别语句的多个待识别子语句，使每个待识别子语句对应单个意图；用训练后的意图识别模型分别识别所述多个待识别子语句的意图。通过将待识别语句标注为多个待识别子语句，增强了多意图识别的准确率；通过用训练后的意图识别模型分别识别所述多个待识别子语句的意图，提升了多意图识别的效率。实施例二提升了多意图识别的准确率和效率。
在另一实施例中，所述多意图识别装置还包括确定模块，用于在识别每个待识别子语句的意图时，获取每个待识别子语句的意图向量；
用训练后的领域识别模型以所述待识别子语句的意图向量为输入，输出所述待识别子语句的领域向量；
用所述待识别子语句中的每个字的字向量分别拼接领域向量，得到所述待识别子语句中的每个字的拼接字向量；
依字序组合所述待识别子语句中的每个字的拼接字向量，得到所述待识别子语句的中间向量表示；
将上述待识别子语句的中间向量表示输入训练后的槽位识别模型，得到所述待识别子语句的槽位；
根据所述待识别语句的多个意图和槽位确定所述多个意图中的每个意图是否可执行。
所述领域识别模型能够识别每个待识别子语句所属的领域，输出该识别子语句的领域向量。例如，待识别子语句为“涉水险没有必要”，领域识别模型能够识别待识别子语句所属的领域为“涉水险”，特征向量“0002”。再如，待识别子语句为“播放小孙的游泳比赛”，领域识别模型能够识别待识别子语句所属的领域为“运动”，特征向量“00006”。
槽位识别模型是序列标注模型。槽位是所述待识别子语句中带有特定属性的实体词。比如，待识别子语句为“播放小孙的游泳比赛”，槽位为“游泳运动员=小孙”、“比赛类型=游泳比赛”。“播放小孙的游泳比赛”对应的槽位向量为“000 000 100 100 000 010 010010 010”，其中两个“100”对应小孙、四个“010”对应游泳比赛。当识别出待识别语句属于“运动”领域后，只需要从运动领域中的槽位进行序列标注（因槽位识别模型的输入包括了领域向量），以缩小槽位的候选范围，提高识别准确率和效率。
在另一实施例中，所述根据所述待识别语句的多个意图和槽位确定所述多个意图中的每个意图是否可执行包括：
对于所述多个意图中的给定意图，获取可执行路径集合和所述给定意图的预设槽位数；
当所述可执行路径集合中不存在所述给定意图，或所述给定意图的槽位数小于所述预设槽位数，或所述多个意图中存在与所述给定意图矛盾的目标意图时，确定所述给定意图不可执行；
当所述可执行路径集合中存在所述给定意图，且所述给定意图的槽位数等于所述预设槽位数，且所述多个意图中不存在与所述给定意图矛盾的目标意图时，确定所述给定意图可执行。
例如，待识别子语句为“播放小孙”，意图为播放视频，预设槽位数为2。该意图的槽位为“游泳运动员=小孙”，槽位数为1，该意图的槽位数1小于所述预设槽位数2，该意图不可执行。
从所述多个意图中任选一个选定意图，当所述选定意图中的动词组与所述给定意图中的动词组语义相反时，将所述选定意图确定为目标意图。
例如，一个选定意图为“播放视频”，给定意图为“停止播放视频”，选定意图中的动词组与给定意图中的动词组语义相反，将选定意图确定为目标意图。
实施例三
本实施例提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述多意图识别方法实施例中的步骤，例如图1所示的步骤101-105：
101，基于单意图语句生成语句样本；
102，用所述语句样本训练断句模型；
103，获取待识别语句；
104，用所述断句模型标注所述待识别语句的多个待识别子语句，使每个待识别子语句对应单个意图；
105，用训练后的意图识别模型分别识别所述多个待识别子语句的意图。
或者，该计算机程序被处理器执行时实现上述装置实施例中各模块的功能，例如图2中的模块201-205：
生成模块201，用于基于单意图语句生成语句样本；
训练模块202，用于用所述语句样本训练断句模型；
获取模块203，用于获取待识别语句；
标注模块204，用于用所述断句模型标注所述待识别语句的多个待识别子语句，使每个待识别子语句对应单个意图；
识别模块205，用于用训练后的意图识别模型分别识别所述多个待识别子语句的意图。
实施例四
图3为本发明实施例三提供的计算机设备的示意图。所述计算机设备30包括存储器301、处理器302以及存储在所述存储器301中并可在所述处理器302上运行的计算机程序303，例如多意图识别程序。所述处理器302执行所述计算机程序303时实现上述多意图识别方法实施例中的步骤，例如图1所示的101-105：
101，基于单意图语句生成语句样本；
102，用所述语句样本训练断句模型；
103，获取待识别语句；
104，用所述断句模型标注所述待识别语句的多个待识别子语句，使每个待识别子语句对应单个意图；
105，用训练后的意图识别模型分别识别所述多个待识别子语句的意图。
或者，该计算机程序被处理器执行时实现上述装置实施例中各模块的功能，例如图2中的模块201-205：
生成模块201，用于基于单意图语句生成语句样本；
训练模块202，用于用所述语句样本训练断句模型；
获取模块203，用于获取待识别语句；
标注模块204，用于用所述断句模型标注所述待识别语句的多个待识别子语句，使每个待识别子语句对应单个意图；
识别模块205，用于用训练后的意图识别模型分别识别所述多个待识别子语句的意图。
示例性的，所述计算机程序303可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器301中，并由所述处理器302执行，以完成本方法。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序303在所述计算机设备30中的执行过程。例如，所述计算机程序303可以被分割成图2中的生成模块201、训练模块202、获取模块203、标注模块204、识别模块205，各模块具体功能参见实施例二。
本领域技术人员可以理解，所述示意图3仅仅是计算机设备30的示例，并不构成对计算机设备30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机设备30还可以包括输入输出设备、网络接入设备、总线等。
所称处理器302可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器302也可以是任何常规的处理器等，所述处理器302是所述计算机设备30的控制中心，利用各种接口和线路连接整个计算机设备30的各个部分。
所述存储器301可用于存储所述计算机程序303，所述处理器302通过运行或执行存储在所述存储器301内的计算机程序或模块，以及调用存储在存储器301内的数据，实现所述计算机设备30的各种功能。所述存储器301可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据计算机设备30的使用所创建的数据等。此外，存储器301可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart MediaCard，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述计算机设备30集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本发明各个实施例所述多意图识别方法的部分步骤。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他模块或步骤，单数不排除复数。系统权利要求中陈述的多个模块或装置也可以由一个模块或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (8)

1.一种多意图识别方法，其特征在于，所述多意图识别方法包括：
基于单意图语句生成语句样本；
用所述语句样本训练断句模型；
获取待识别语句；
用所述断句模型标注所述待识别语句的多个待识别子语句，使每个待识别子语句对应单个意图；
用训练后的意图识别模型分别识别所述多个待识别子语句的意图；
所述多意图识别方法还包括：在识别每个待识别子语句的意图时，获取每个待识别子语句的意图向量；用训练后的领域识别模型以所述待识别子语句的意图向量为输入，输出所述待识别子语句的领域向量；用所述待识别子语句中的每个字的字向量分别拼接领域向量，得到所述待识别子语句中的每个字的拼接字向量；依字序组合所述待识别子语句中的每个字的拼接字向量，得到所述待识别子语句的中间向量表示；将上述待识别子语句的中间向量表示输入训练后的槽位识别模型，得到所述待识别子语句的槽位；根据所述待识别语句的多个意图和槽位确定所述多个意图中的每个意图是否可执行；
其中，所述根据所述待识别语句的多个意图和槽位确定所述多个意图中的每个意图是否可执行包括：对于所述多个意图中的给定意图，获取可执行路径集合和所述给定意图的预设槽位数；当所述可执行路径集合中不存在所述给定意图，或所述给定意图的槽位数小于所述预设槽位数，或所述多个意图中存在与所述给定意图矛盾的目标意图时，确定所述给定意图不可执行；当所述可执行路径集合中存在所述给定意图，且所述给定意图的槽位数等于所述预设槽位数，且所述多个意图中不存在与所述给定意图矛盾的目标意图时，确定所述给定意图可执行。
2.如权利要求1所述的多意图识别方法，其特征在于，所述基于单意图语句生成语句样本包括：
从单意图语句集获取多个单意图语句；
将所述多个单意图语句组合为中间语句；
从预设字编码表获取所述中间语句中的每个字的第一向量；
根据词性生成所述中间语句中的每个字的第二向量；
获取所述中间语句中的每个字在预设知识图谱中的第三向量；
拼接所述中间语句中的每个字的第一向量、第二向量和第三向量，得到所述中间语句中的每个字的字向量；
依字序组合所述中间语句中的每个字的字向量，得到所述语句样本，所述语句样本中的每个字向量对应一个断句标签。
3.如权利要求2所述的多意图识别方法，其特征在于，在所述从单意图语句集获取多个单意图语句之前，所述方法还包括：
将单意图语音信息转化为文本信息；
获取所述文本信息中的各个动词、各个名词；
查询各个动词的近义词和各个名词的近义词；
用各个动词的近义词替换各个动词，用各个名词的近义词替换各个名词，得到多个目标语句；
将所述多个目标语句加入所述单意图语句集。
4.如权利要求1所述的多意图识别方法，其特征在于，所述断句模型包括基于BERT、双向长短期记忆网络和条件随机场的模型，所述用所述语句样本训练断句模型包括：
对BERT进行预训练，得到预训练后的BERT模型；
用所述预训练后的BERT模型根据所述语句样本计算第一输出；
用所述双向长短期记忆网络根据所述第一输出计算第二输出；
用条件随机场根据所述第二输出计算第三输出；
根据所述第三输出与所述语句样本的标签的差值优化所述双向长短期记忆网络和所述条件随机场的参数。
5.如权利要求1所述的多意图识别方法，其特征在于，所述意图识别模型包括：
支持向量机或深度神经网络，用于根据各个待识别子语句的向量表示识别各个待识别子语句的意图。
6.一种多意图识别装置，其特征在于，所述装置包括用于实现如权利要求1-5中任一项所述多意图识别方法的模块，所述多意图识别装置包括：
生成模块，用于基于单意图语句生成语句样本；
训练模块，用于用所述语句样本训练断句模型；
获取模块，用于获取待识别语句；
标注模块，用于用所述断句模型标注所述待识别语句的多个待识别子语句，使每个待识别子语句对应单个意图；
识别模块，用于用训练后的意图识别模型分别识别所述多个待识别子语句的意图。
7.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1-5中任一项所述多意图识别方法。
8.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述多意图识别方法。
CN202010600015.7A 2020-06-28 2020-06-28 多意图识别方法及相关设备 Active CN111738016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010600015.7A CN111738016B (zh) 2020-06-28 2020-06-28 多意图识别方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010600015.7A CN111738016B (zh) 2020-06-28 2020-06-28 多意图识别方法及相关设备

Publications (2)

Publication Number Publication Date
CN111738016A CN111738016A (zh) 2020-10-02
CN111738016B true CN111738016B (zh) 2023-09-05

Family

ID=72651489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010600015.7A Active CN111738016B (zh) 2020-06-28 2020-06-28 多意图识别方法及相关设备

Country Status (1)

Country Link
CN (1) CN111738016B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112214588B (zh) * 2020-10-16 2024-04-02 深圳赛安特技术服务有限公司 多意图识别方法、装置、电子设备及存储介质
CN112580368B (zh) * 2020-12-25 2023-09-26 网易（杭州）网络有限公司 会话文本的意图序列识别方法、装置、设备及存储介质
CN112818996A (zh) * 2021-01-29 2021-05-18 青岛海尔科技有限公司 指令识别方法和装置、存储介质及电子设备
CN113158692B (zh) * 2021-04-22 2023-09-12 中国平安财产保险股份有限公司 基于语义识别的多意图处理方法、系统、设备及存储介质
CN113064997B (zh) * 2021-04-22 2024-05-07 中国平安财产保险股份有限公司 基于bert模型的意图分析方法、装置、设备及介质
CN113343677B (zh) * 2021-05-28 2023-04-07 中国平安人寿保险股份有限公司 一种意图识别方法、装置、电子设备及存储介质
CN115440200B (zh) * 2021-06-02 2024-03-12 上海擎感智能科技有限公司 车机系统的控制方法及控制系统
CN113515611B (zh) * 2021-06-22 2022-04-26 镁佳(北京)科技有限公司 一种任务型多意图对话的意图识别方法和识别系统
CN113850078B (zh) * 2021-09-29 2024-06-18 平安科技（深圳）有限公司 基于机器学习的多意图识别方法、设备及可读存储介质
CN114943306A (zh) * 2022-06-24 2022-08-26 平安普惠企业管理有限公司 意图分类方法、装置、设备及存储介质
CN117524215A (zh) * 2023-09-26 2024-02-06 镁佳(北京)科技有限公司 语音意图识别方法、装置、计算机设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2014201250A1 (en) * 2011-04-21 2014-03-27 Accenture Global Services Limited Analysis system for test artifact generation
CN109597993A (zh) * 2018-11-30 2019-04-09 深圳前海微众银行股份有限公司 语句分析处理方法、装置、设备以及计算机可读存储介质
CN109918680A (zh) * 2019-03-28 2019-06-21 腾讯科技（上海）有限公司 实体识别方法、装置及计算机设备
CN110502608A (zh) * 2019-07-05 2019-11-26 平安科技（深圳）有限公司 基于知识图谱的人机对话方法及人机对话装置
CN110659366A (zh) * 2019-09-24 2020-01-07 Oppo广东移动通信有限公司 语义解析方法、装置、电子设备以及存储介质
CN110674314A (zh) * 2019-09-27 2020-01-10 北京百度网讯科技有限公司 语句识别方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10303768B2 (en) * 2015-05-04 2019-05-28 Sri International Exploiting multi-modal affect and semantics to assess the persuasiveness of a video

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2014201250A1 (en) * 2011-04-21 2014-03-27 Accenture Global Services Limited Analysis system for test artifact generation
CN109597993A (zh) * 2018-11-30 2019-04-09 深圳前海微众银行股份有限公司 语句分析处理方法、装置、设备以及计算机可读存储介质
CN109918680A (zh) * 2019-03-28 2019-06-21 腾讯科技（上海）有限公司 实体识别方法、装置及计算机设备
CN110502608A (zh) * 2019-07-05 2019-11-26 平安科技（深圳）有限公司 基于知识图谱的人机对话方法及人机对话装置
CN110659366A (zh) * 2019-09-24 2020-01-07 Oppo广东移动通信有限公司 语义解析方法、装置、电子设备以及存储介质
CN110674314A (zh) * 2019-09-27 2020-01-10 北京百度网讯科技有限公司 语句识别方法及装置

Also Published As

Publication number Publication date
CN111738016A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN111738016B (zh) 多意图识别方法及相关设备
Uc-Cetina et al. Survey on reinforcement learning for language processing
CN110717339B (zh) 语义表示模型的处理方法、装置、电子设备及存储介质
KR102577514B1 (ko) 텍스트 창작 방법, 텍스트 창작 장치, 전자 기기 및 저장 매체
CN112487182B (zh) 文本处理模型的训练方法、文本处理方法及装置
US11093707B2 (en) Adversarial training data augmentation data for text classifiers
US20210256390A1 (en) Computationally efficient neural network architecture search
CN111831813B (zh) 对话生成方法、装置、电子设备及介质
WO2022188584A1 (zh) 基于预训练语言模型的相似语句生成方法和装置
CN112541060B (zh) 一种基于对抗训练的端到端任务型对话学习框架和方法
CN111739520B (zh) 一种语音识别模型训练方法、语音识别方法、装置
CA3207902C (en) Auditing citations in a textual document
CN110674260B (zh) 语义相似模型的训练方法、装置、电子设备和存储介质
US20220414463A1 (en) Automated troubleshooter
CN111144093B (zh) 一种智能文本处理方法、装置、电子设备及存储介质
Saha et al. Towards sentiment aided dialogue policy learning for multi-intent conversations using hierarchical reinforcement learning
Li et al. Intention understanding in human–robot interaction based on visual-NLP semantics
CN114722832A (zh) 一种摘要提取方法、装置、设备以及存储介质
CN113705207A (zh) 语法错误识别方法及装置
Yan et al. Empowering conversational AI is a trip to Mars: Progress and future of open domain human-computer dialogues
CN118132687A (zh) 语句处理和类目模型的训练方法、装置、设备及介质
CN117235205A (zh) 命名实体识别方法、装置及计算机可读存储介质
CN114357964A (zh) 主观题评分方法、模型的训练方法、计算机设备及存储介质
CN114298032A (zh) 文本标点检测方法、计算机设备及存储介质
KR102731307B1 (ko) 신경망을 이용한 자연어의 변환 방법, 장치 및 명령어들을 저장한 기록 매체

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
GR01 Patent grant
GR01 Patent grant