CN111400473A - 意图识别模型的训练方法及装置、存储介质及电子设备 - Google Patents
意图识别模型的训练方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111400473A CN111400473A CN202010191431.6A CN202010191431A CN111400473A CN 111400473 A CN111400473 A CN 111400473A CN 202010191431 A CN202010191431 A CN 202010191431A CN 111400473 A CN111400473 A CN 111400473A
- Authority
- CN
- China
- Prior art keywords
- data
- sample data
- intention
- user
- negative sample
- 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
- 238000012549 training Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000003993 interaction Effects 0.000 claims abstract description 61
- 230000014509 gene expression Effects 0.000 claims description 38
- 238000010586 diagram Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 235000015220 hamburgers Nutrition 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 240000008415 Lactuca sativa Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000012045 salad Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
Images
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
- G06F16/33—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
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种意图识别模型的训练方法及装置、存储介质及电子设备。意图识别模型的训练方法，包括：获取存储的交互日志数据，所述交互日志数据包括多组用户交互数据，每组用户交互数据包括：用户查询数据、推荐意图数据列表及用户从所述推荐意图数据列表中选择的用户选择数据；基于各组用户交互数据，生成第一正样本数据及第一负样本数据；基于预设的第一配置信息，获取知识库中的第二正样本数据及第二负样本数据；以及基于所述第一正样本数据、第一负样本数据、第二正样本数据及第二负样本数据，对意图识别模型进行训练；其中，所述意图识别模型用于对用户输入的查询语句进行意图识别。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及一种意图识别模型的训练方法及装置、存储介质及电子设备。
背景技术
随着人工智能技术的不断发展，用户意图识别被广泛应用于诸如智能客服、客服机器人等场景中。机器通过分析用户意图，使用自然语言与用户进行交互，为其提供服务。
图1是根据一示例示出的智能客服交互页面的示意图。如图1所示，机器通过意图识别模块对用户输入的查询(query)进行分析，与候选意图进行相似度匹配，并从中选取出用户想要表达的真正意图，反馈给用户。
在相关技术中，使用了基于模型的意图识别方法，如基于一些相似度模型，将用户输入的查询与候选意图进行相似度计算，通过评分并排序的方法来判别用户意图。该方法虽然具有泛化能力强，无需人工配置相关规则等优点，但基于模型识别的准确度严重依赖于训练数据。因此，如何为相似度模型提供精确的训练数据，成为提升意图识别准确度的关键技术。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种意图识别模型的训练方法及装置、存储介质及电子设备，至少在一定程度上克服相关技术中意图识别准确度低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种意图识别模型的训练方法，包括：获取存储的交互日志数据，所述交互日志数据包括多组用户交互数据，每组用户交互数据包括：用户查询数据、推荐意图数据列表及用户从所述推荐意图数据列表中选择的用户选择数据；基于各组用户交互数据，生成第一正样本数据及第一负样本数据；基于预设的第一配置信息，获取知识库中的第二正样本数据及第二负样本数据；以及基于所述第一正样本数据、第一负样本数据、第二正样本数据及第二负样本数据，对意图识别模型进行训练；其中，所述意图识别模型用于对用户输入的查询语句进行意图识别。
在本公开一个实施例中，基于各组用户交互数据，生成第一正样本数据及第一负样本数据，包括：将所述用户查询数据与所述用户选择数据组成第一正样本数据；及基于预设的第二配置信息，将所述用户查询数据分别与所述推荐意图数据列表中未被选择的全部或部分意图数据，组成第一负样本数据。
在本公开一个实施例中，所述交互日志数据不包括用户从所述推荐意图数据列表中选择所述用户选择数据后，再转入人工操作的用户交互数据。
在本公开一个实施例中，所述第二配置信息用于配置所述第一负样本数据的比例，所述比例包括选取用于组成所述第一负样本数据的、所述推荐意图数据列表中未被选择的意图数据的选取比例。
在本公开一个实施例中，所述第二正样本数据包括：所述知识库中各意图分别与各意图下不同表述数据组成的样本数据及各意图下不同表述数据相互组成的样本数据；所述第二负样本数据包括：所述知识库中各意图分别与预选的其他意图下不同表述数据组成的样本数据及各意图下不同表述数据分别与预选的其他意图下不同预选表述数据相互组成的样本数据。
在本公开一个实施例中，所述第一配置信息用于配置所述第二负样本数据的比例，所述比例包括：所述预选的其他意图的选取比例和/或所述预选表述数据的选取比例。
在本公开一个实施例中，所述意图识别模型包括相似度模型。
根据本公开的另一个方面，提供一种意图识别模型的训练装置，包括：数据获取模块，用于获取存储的交互日志数据，所述交互日志数据包括多组用户交互数据，每组用户交互数据包括：用户查询数据、推荐意图数据列表及用户从所述推荐意图数据列表中选择的用户选择数据；样本生成模块，用于基于各组用户交互数据，生成第一正样本数据及第一负样本数据；样本获取模块，用于基于预设的第一配置信息，获取知识库中的第二正样本数据及第二负样本数据；以及模型训练模块，用于基于所述第一正样本数据、第一负样本数据、第二正样本数据及第二负样本数据，对意图识别模型进行训练；其中，所述意图识别模型用于对用户输入的查询语句进行意图识别。
根据本公开的再一个方面，提供一种计算机设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的意图识别模型的训练方法。
根据本公开的又一个方面，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上述的意图识别模型的训练方法。
本公开实施例提供的意图识别模型的训练方法，基于知识库中数据与用户交互数据的结合，获得用于训练意图识别模型的训练数据。一方面避免了使用人工标注所产生的人力成本，另一方面提升了训练数据的精准性，使得意图识别的准确度更高。
进一步地，基于用户交互数据可以获得具有不同相关程度的负样本，与通过知识库采样出的完全不相关的负样本一起作为意图识别模型的训练集，可以起到相互补充的作用，进一步提升意图识别的准确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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是根据一示例示出的智能客服交互页面的示意图。
图2是本公开一个示例性实施例提供的计算机***的结构示意图。
图3示出本公开实施例中一种意图识别模型的训练方法的流程图。
图4是根据一示例示出的知识库的示意图。
图5是根据一示例示出的意图识别模型的训练示意图。
图6示出本公开实施例中另一种意图识别模型的训练方法的流程图。
图7是根据一示例示出的用户查询数据与推荐意图数据列表的示意图。
图8示出本公开实施例中一种意图识别模型的训练装置的示意图。
图9示出本公开实施例中一种电子设备的结构示意图。
图10示出本公开实施例中一种计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
此外，在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
在相关技术中，通常可以通过两种方式生成训练数据：
一种是通过人工的方式为用户查询数据标注其意图，形成查询数据与意图数据的数据对。但这种方式在训练数据规模庞大时，所需要耗费的人力成本较高，并且标注的速度也无法满足模型迭代更新上线的需求。
另一种是通过对***中的知识库进行采样来获取训练数据；当需要对用户查询数据进行匹配时，先从知识库中召回一些候选意图，再将用户查询数据与候选意图组成数据对，作为相似度模型的训练数据。这种方式通过在相同的意图之内采集正样本，不同意图之间采集负样本，从而获得大量训练数据。然而因为知识库本身是正样本友好的，这种方式在生成正样本时，数据较准确；但在生成负样本时，由于是在不同意图之间采样，总是极其不相关的。例如基于知识库生成的负样本训练数据对有可能是“我能申请退款吗(查询)，汉堡不要(意图)”。这会给待训练模型一个错觉，只有完全不相关的文本才是负样本。而事实上有一些意图和查询在一定程度上相关，但又不是同一个意思，例如“我成申请退款吗(查询)，查询退款进度(意图)”。
本公开实施例提供的方案，提供了一种意图识别模型的训练方法及装置，基于知识库中数据与用户交互数据的结合，获得用于训练意图识别模型的训练数据，一方面避免了使用人工标注所产生的人力成本，另一方面提升了训练数据的精准性，使得意图识别的准确度更高。
为了便于理解，下面首先对本公开涉及到的几个名词进行解释。
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***。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。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***、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、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。本公开实施例主要涉及其中的自然语言处理技术及机器学习/深度学习技术。
自然语言处理(Nature Language processing，NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、意图识别、机器人问答、知识图谱等技术。
机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本公开实施例提供的方案涉及人工智能的意图识别及机器学习等技术，具体通过如下实施例进行说明：
图2是本公开一个示例性实施例提供的计算机***的结构示意图。该***包括：若干个终端120和服务器集群140。
终端120可以是手机、游戏主机、平板电脑、电子书阅读器、智能眼镜、MP4(MovingPicture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、智能家居设备、AR(Augmented Reality，增强现实)设备、VR(Virtual Reality，虚拟现实)设备等移动终端，或者，终端120也可以是个人计算机(Personal Computer，PC)，比如膝上型便携计算机和台式计算机等等。
终端120与服务器集群140之间通过通信网络相连。可选的，通信网络是有线网络或无线网络。
服务器集群140是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心。服务器集群140用于为提供意图识别模型的训练方法的应用程序提供后台服务。
可选地，不同的终端120中安装的应用程序的客户端是相同的，或两个终端120上安装的应用程序的客户端是不同控制***平台的同一类型应用程序的客户端。基于终端平台的不同，该应用程序的客户端的具体形态也可以不同，比如，该应用程序客户端可以是手机客户端、PC客户端或者全球广域网(World Wide Web，Web)客户端等。
服务器集群140通过终端120中的不同客户端获取与用户的交互数据。
本领域技术人员可以知晓，上述终端120的数量可以更多或更少。比如上述终端可以仅为一个，或者上述终端为几十个或几百个，或者更多数量。本公开实施例对终端的数量和设备类型不加以限定。
可选的，该***还可以包括管理设备(图2未示出)，该管理设备与服务器集群140之间通过通信网络相连。可选的，通信网络是有线网络或无线网络。
可选的，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language，HTML)、可扩展标记语言(ExtensibleMarkupLanguage，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(InternetProtocolSecurity，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
下面，将结合附图及实施例对本公开示例实施例中的意图识别模型的训练方法的各个步骤进行更详细的说明。
图3示出本公开实施例中一种意图识别模型的训练方法的流程图。本公开实施例提供的方法可以由任意具备计算处理能力的电子设备执行，例如如图2中的服务器集群140。在下面的举例说明中，以服务器集群140为执行主体进行示例说明。
如图3所示，意图识别模型的训练方法10包括：
在步骤S102中，获取存储的交互日志数据。
以智能客服为例，交互日志数据记录了过去一段时间，用户与智能客服之间进行交互的多组交互数据。
如图2所示，每组用户交互数据如可以包括：用户查询数据、智能客服推荐的意图数据列表及用户从推荐意图数据列表中选择的用户选择数据。
用户在与智能客服交互的过程中，如果发生了转人工服务的行为，说明智能客服为用户推荐的意图数据列表可能没有用户期望的意图，因此用户转为请求人工服务。为了提升数据的精确性，在一些实施例中，交互日志数据可以丢弃在交互过程中有转人工行为的数据，而仅保留没有发生转人工行为的数据。
在步骤S104中，基于各组用户交互数据，生成第一正样本数据及第一负样本数据。
基于各组用户交互数据，分别生成第一正样本数据及第一负样本数据。例如，可以从每组用户交互数据中，将用户查询数据与用户选择数据组成第一正样本数据，而将用户查询数据分别与用户未选择的推荐意图列表中的其他各意图组成不同的第一负样本。
在步骤S106中，基于预设的第一配置信息，获取知识库中的第二正样本数据及第二负样本数据。
例如，在一些实施例中，第二正样本数据包括：知识库中各意图分别与各意图下不同表述数据组成的样本数据及各意图下不同表述数据相互组成的样本数据。
第二负样本数据包括：知识库中各意图分别与预选的其他意图下不同表述数据组成的样本数据及各意图下不同表述数据分别与预选的其他意图下不同预选表述数据相互组成的样本数据。
图4是根据一示例示出的知识库的示意图。
如图4所示，在每种类别(如外卖、SASS、酒店等)下，不同意图均对应多种表述。意图与其对应的不同表述，可以分别组成不同的第二正样本。例如，意图“我要申请退款”与表述1“我能申请退款吗”可以组成正样本1。
此外，同一意图对应的不同表述之间，也可以分别组成不同的第二正样本。例如，意图“我要申请退款”对应的表述1“我能申请退款嘛”与表述2“退钱吧”之间，可以组成正样本2。
各意图下不同表述数据分别与预选的其他意图下的不同预选表述之间可以形成第二负样本数据。如图4所示，意图“我要申请退款”对应的表述2“退钱吧”与意图“我要追加备注”对应的表述1“汉堡不要沙拉”之间可以形成负样本1，意图“我要申请退款”对应的表述2“退钱吧”与意图“如何连接打印机”对应的表述1“怎么设置打印机”之间可以形成负样本2。
此外，各意图与其他预选意图下不同表述数据也可以组成第二负样本。如图4中，意图“我要追加备述”与意图“我要申请退款”对应的表述2“退钱吧”组成负样本3。
其中，第一配置信息如可以用于配置上述的预选意图及预选意图对应的预选表述。例如，可以基于比例进行配置，以意图“我要申请退款”为例，可以从其他意图中选取一定比例(如30％，50％，70％等)的预选意图，按照上述方式组成第二负样本数据。或者也可以从其他意图中直接通过配置指定出预选意图。
类似地，预选意图下的预选表述也可以根据配置比例或直接指定等方式确定出。
上述比例在实际应用中，可以根据实际需求进行配置，本公开不以此为限。
在步骤S108中，基于第一正样本数据、第一负样本数据、第二正样本数据及第二负样本数据，对意图识别模型进行训练。
图5是根据一示例示出的意图识别模型的训练示意图。
如图5所示，基于上述的第一正样本数据、第一负样本数据、第二正样本数据及第二负样本数据后构建意图识别模型的训练数据集，并基于该训练数据集对意图识别模型进行训练。
该意图识别模型用于对用户输入的查询语句进行意图识别。
在一些实施例中，该意图识别模型包括相似度模型，如DSSM、CDSSM、Seq2Seq、Transformer、Bert等相似度模型。
本公开实施例提供的意图识别模型的训练方法，基于知识库中数据与用户交互数据的结合，获得用于训练意图识别模型的训练数据。一方面避免了使用人工标注所产生的人力成本，另一方面提升了训练数据的精准性，使得意图识别的准确度更高。
图6示出本公开实施例中另一种意图识别模型的训练方法的流程图。与图3所示的意图识别模型的训练方法不同的是，图6所示的方法进一步提供了如何基于各组用户交互数据，生成第一正样本数据及第一负样本数据的实施例，也即进一步提供了步骤S104的一种具体实施方式。
参考图6，步骤S104包括：
在步骤S1042中，将用户查询数据与用户选择数据组成第一正样本数据。
图7是根据一示例示出的用户查询数据与推荐意图数据列表的示意图。
以图7中所示的示例为例，当用户输出的查询数据为“他没找到位置”时，智能客服例如通过交互界面给出的推荐意图数据包括：“定位地址不准确”、“骑手不认识路”、“定位如何开启或关闭”、“配送慢/超时”、“如何查询配送状态”。用户例如通过点击交互界面，选择了其中的“骑手不认识路”，也即用户选择数据为“骑手不认识路”。
可以将用户查询数据“他没找到位置”与用户选择数据“骑手不认识路”组成第一正样本数据，即图7中的正样本1。
通过该方式获得的正样本数据，由于是由用户实时输入的查询数据与其自己选择的选择数据构成，可以直接反应用户意图，正样本准确度高。
在步骤S1044中，基于预设的第二配置信息，将用户查询数据分别与推荐意图数据列表中未被选择的全部或部分意图数据，组成第一负样本数据。
仍以图7为例，将用户查询数据分别与推荐意图数据列表中未被选择的全部或部分意图数据，组成第一负样本数据。
例如，将用户查询数据“他没找到位置”分别与意图推荐数据“定位地址不准确”、“定位如何开启或关闭”及“配送慢/超时”组成负样本1、负样本2及负样本3。
其中，负样本1(“他没找到位置”，“定位地址不准确”)可以被认为是强相关的，因为意图“定位地址不准确”大概率即为查询数据“他没找到位置”的起因，并且在文本信息中两者都含有“位置”的相关描述。
负样本3(“他没找到位置”，“配送慢/超时”)也可以被认为是相关的，因为意图“配送慢/超时”与大概率是用户查询数据“他没找到位置”的结果。
负样本2(“他没找到位置”，“定位如何开启或关闭”)则被认为是弱相关的，因为虽然两者仅是文本信息中都包含了“位置”的相关描述，但从语义层面而言，两者并没有太多的关联性。
这些不同相关程度的负样本与通过知识库采样出的完全不相关的负样本一起作为意图识别模型的训练集，可以起到相互补充的作用。
第二配置信息例如可以用于配置第一负样本数据的比例。该比例包括选取用于组成第一负样本数据的、推荐意图数据列表中未被选择的意图数据的选取比例。
也即，通过第二配置信息，可以对第一负样本数据的采样比例进行配置。
联合上述的第一配置信息与第二配置信息，可以设计不同的策略，以分别从用户交互数据与知识库中对负样本数据进行采样。本公开实施例提供了可以对不同来源的负样本的比例进行配置的机制，但具体的配置可以根据实际需求来进行设置，本公开不以此为限。
需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图8示出本公开实施例中一种意图识别模型的训练装置的示意图。图8所示的意图识别模型的训练装置例如可以应用于图2中的服务器集群140中。
参考图8，意图识别模型的训练装置20包括：数据获取模块202、样本生成模块204、样本获取模块206及模型训练模块208。
其中，数据获取模块202用于获取存储的交互日志数据，交互日志数据包括多组用户交互数据，每组用户交互数据包括：用户查询数据、推荐意图数据列表及用户从推荐意图数据列表中选择的用户选择数据。
样本生成模块204用于基于各组用户交互数据，生成第一正样本数据及第一负样本数据。
样本获取模块206用于基于预设的第一配置信息，获取知识库中的第二正样本数据及第二负样本数据。
模型训练模块208用于基于第一正样本数据、第一负样本数据、第二正样本数据及第二负样本数据，对意图识别模型进行训练。
其中，意图识别模型用于对用户输入的查询语句进行意图识别。
在一些实施例中，样本生成模块204包括：正样本生成单元及负样本生成单元。其中，正样本生成单元用于将用户查询数据与用户选择数据组成第一正样本数据；负样本生成单元用于基于预设的第二配置信息，将用户查询数据分别与推荐意图数据列表中未被选择的全部或部分意图数据，组成第一负样本数据。
在一些实施例中，交互日志数据不包括用户从推荐意图数据列表中选择用户选择数据后，再转入人工操作的用户交互数据。
在一些实施例中，第二配置信息用于配置第一负样本数据的比例，比例包括选取用于组成第一负样本数据的、推荐意图数据列表中未被选择的意图数据的选取比例。
在一些实施例中，第二正样本数据包括：知识库中各意图分别与各意图下不同表述数据组成的样本数据及各意图下不同表述数据相互组成的样本数据；第二负样本数据包括：知识库中各意图分别与预选的其他意图下不同表述数据组成的样本数据及各意图下不同表述数据分别与预选的其他意图下不同预选表述数据相互组成的样本数据。
在一些实施例中，第一配置信息用于配置第二负样本数据的比例，比例包括：预选的其他意图的选取比例和/或预选表述数据的选取比例。
在一些实施例中，意图识别模型包括相似度模型。
本公开实施例提供的意图识别模型的训练装置，基于知识库中数据与用户交互数据的结合，获得用于训练意图识别模型的训练数据。一方面避免了使用人工标注所产生的人力成本，另一方面提升了训练数据的精准性，使得意图识别的准确度更高。
进一步地，基于用户交互数据可以获取具有不同相关程度的负样本，与通过知识库采样出的完全不相关的负样本一起作为意图识别模型的训练集，可以起到相互补充的作用，进一步提升意图识别的准确度。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为***、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“***”。
下面参照图9来描述根据本公开的这种实施方式的电子设备800。图9显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同***组件(包括存储单元820和处理单元810)的总线830。
其中，存储单元存储有程序代码，程序代码可以被处理单元810执行，使得处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元810可以执行如图3中所示的S102，获取存储的交互日志数据；S104，基于各组用户交互数据，生成第一正样本数据及第一负样本数据；S106，基于预设的第一配置信息，获取知识库中的第二正样本数据及第二负样本数据；S108，基于第一正样本数据、第一负样本数据、第二正样本数据及第二负样本数据，对意图识别模型进行训练。
存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图10所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种意图识别模型的训练方法，其特征在于，包括：
获取存储的交互日志数据，所述交互日志数据包括多组用户交互数据，每组用户交互数据包括：用户查询数据、推荐意图数据列表及用户从所述推荐意图数据列表中选择的用户选择数据；
基于各组用户交互数据，生成第一正样本数据及第一负样本数据；
基于预设的第一配置信息，获取知识库中的第二正样本数据及第二负样本数据；以及
基于所述第一正样本数据、所述第一负样本数据、所述第二正样本数据及所述第二负样本数据，对意图识别模型进行训练；
其中，所述意图识别模型用于对用户输入的查询语句进行意图识别。
2.根据权利要求1所述的方法，其特征在于，基于各组用户交互数据，生成第一正样本数据及第一负样本数据，包括：
将所述用户查询数据与所述用户选择数据组成第一正样本数据；及
基于预设的第二配置信息，将所述用户查询数据分别与所述推荐意图数据列表中未被选择的全部或部分意图数据，组成第一负样本数据。
3.根据权利要求2所述的方法，其特征在于，所述交互日志数据不包括用户从所述推荐意图数据列表中选择所述用户选择数据后，再转入人工操作的用户交互数据。
4.根据权利要求2所述的方法，其特征在于，所述第二配置信息用于配置所述第一负样本数据的比例，所述比例包括选取用于组成所述第一负样本数据的、所述推荐意图数据列表中未被选择的意图数据的选取比例。
5.根据权利要求1所述的方法，其特征在于，所述第二正样本数据包括：所述知识库中各意图分别与各意图下不同表述数据组成的样本数据及各意图下不同表述数据相互组成的样本数据；
所述第二负样本数据包括：所述知识库中各意图分别与预选的其他意图下不同表述数据组成的样本数据及各意图下不同表述数据分别与预选的其他意图下不同预选表述数据相互组成的样本数据。
6.根据权利要求5所述的方法，其特征在于，所述第一配置信息用于配置所述第二负样本数据的比例，所述比例包括：所述预选的其他意图的选取比例和/或所述预选表述数据的选取比例。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述意图识别模型包括相似度模型。
8.一种意图识别模型的训练装置，其特征在于，包括：
数据获取模块，用于获取存储的交互日志数据，所述交互日志数据包括多组用户交互数据，每组用户交互数据包括：用户查询数据、推荐意图数据列表及用户从所述推荐意图数据列表中选择的用户选择数据；
样本生成模块，用于基于各组用户交互数据，生成第一正样本数据及第一负样本数据；
样本获取模块，用于基于预设的第一配置信息，获取知识库中的第二正样本数据及第二负样本数据；以及
模型训练模块，用于基于所述第一正样本数据、第一负样本数据、第二正样本数据及第二负样本数据，对意图识别模型进行训练；
其中，所述意图识别模型用于对用户输入的查询语句进行意图识别。
9.一种计算机设备，包括：存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令，其特征在于，所述处理器执行所述可执行指令时实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机可执行指令，其特征在于，所述可执行指令被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010191431.6A CN111400473A (zh) | 2020-03-18 | 2020-03-18 | 意图识别模型的训练方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010191431.6A CN111400473A (zh) | 2020-03-18 | 2020-03-18 | 意图识别模型的训练方法及装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111400473A true CN111400473A (zh) | 2020-07-10 |
Family
ID=71428842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010191431.6A Pending CN111400473A (zh) | 2020-03-18 | 2020-03-18 | 意图识别模型的训练方法及装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111400473A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111970150A (zh) * | 2020-08-20 | 2020-11-20 | 北京达佳互联信息技术有限公司 | 日志信息的处理方法、装置、服务器及存储介质 |
| CN112328891A (zh) * | 2020-11-24 | 2021-02-05 | 北京百度网讯科技有限公司 | 训练搜索模型的方法、搜索目标对象的方法及其装置 |
| CN112417132A (zh) * | 2020-12-17 | 2021-02-26 | 南京大学 | 一种利用谓宾信息筛选负样本的新意图识别方法 |
| CN113407689A (zh) * | 2021-06-15 | 2021-09-17 | 北京三快在线科技有限公司 | 一种模型训练和业务执行的方法及装置 |
| US20220310084A1 (en) * | 2021-03-24 | 2022-09-29 | Adobe Inc. | Extensible search, content, and dialog management system with human-in-the-loop curation |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106294341A (zh) * | 2015-05-12 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 一种智能问答***及其主题判别方法和装置 |
| CN108230007A (zh) * | 2017-11-28 | 2018-06-29 | 北京三快在线科技有限公司 | 一种用户意图的识别方法、装置、电子设备及存储介质 |
| CN109871446A (zh) * | 2019-01-31 | 2019-06-11 | 平安科技（深圳）有限公司 | 意图识别中的拒识方法、电子装置及存储介质 |
| CN110377720A (zh) * | 2019-07-26 | 2019-10-25 | 中国工商银行股份有限公司 | 智能多轮交互方法和*** |
| CN110717536A (zh) * | 2019-09-30 | 2020-01-21 | 北京三快在线科技有限公司 | 一种生成训练样本的方法及装置 |
-
2020
- 2020-03-18 CN CN202010191431.6A patent/CN111400473A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106294341A (zh) * | 2015-05-12 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 一种智能问答***及其主题判别方法和装置 |
| CN108230007A (zh) * | 2017-11-28 | 2018-06-29 | 北京三快在线科技有限公司 | 一种用户意图的识别方法、装置、电子设备及存储介质 |
| CN109871446A (zh) * | 2019-01-31 | 2019-06-11 | 平安科技（深圳）有限公司 | 意图识别中的拒识方法、电子装置及存储介质 |
| CN110377720A (zh) * | 2019-07-26 | 2019-10-25 | 中国工商银行股份有限公司 | 智能多轮交互方法和*** |
| CN110717536A (zh) * | 2019-09-30 | 2020-01-21 | 北京三快在线科技有限公司 | 一种生成训练样本的方法及装置 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111970150A (zh) * | 2020-08-20 | 2020-11-20 | 北京达佳互联信息技术有限公司 | 日志信息的处理方法、装置、服务器及存储介质 |
| CN111970150B (zh) * | 2020-08-20 | 2023-08-18 | 北京达佳互联信息技术有限公司 | 日志信息的处理方法、装置、服务器及存储介质 |
| CN112328891A (zh) * | 2020-11-24 | 2021-02-05 | 北京百度网讯科技有限公司 | 训练搜索模型的方法、搜索目标对象的方法及其装置 |
| CN112328891B (zh) * | 2020-11-24 | 2023-08-01 | 北京百度网讯科技有限公司 | 训练搜索模型的方法、搜索目标对象的方法及其装置 |
| CN112417132A (zh) * | 2020-12-17 | 2021-02-26 | 南京大学 | 一种利用谓宾信息筛选负样本的新意图识别方法 |
| CN112417132B (zh) * | 2020-12-17 | 2023-11-17 | 南京大学 | 一种利用谓宾信息筛选负样本的新意图识别方法 |
| US20220310084A1 (en) * | 2021-03-24 | 2022-09-29 | Adobe Inc. | Extensible search, content, and dialog management system with human-in-the-loop curation |
| US11948566B2 (en) * | 2021-03-24 | 2024-04-02 | Adobe Inc. | Extensible search, content, and dialog management system with human-in-the-loop curation |
| CN113407689A (zh) * | 2021-06-15 | 2021-09-17 | 北京三快在线科技有限公司 | 一种模型训练和业务执行的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109165249B (zh) | 数据处理模型构建方法、装置、服务器和用户端 | |
| US10579654B2 (en) | Method and device for generating online question paths from existing question banks using a knowledge graph | |
| CN111400473A (zh) | 意图识别模型的训练方法及装置、存储介质及电子设备 | |
| US11899681B2 (en) | Knowledge graph building method, electronic apparatus and non-transitory computer readable storage medium | |
| CN116935169B (zh) | 文生图模型训练方法以及文生图方法 | |
| CN111666416B (zh) | 用于生成语义匹配模型的方法和装置 | |
| CN109918627B (zh) | 文本生成方法、装置、电子设备及存储介质 | |
| CN113590776B (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
| CN109564573A (zh) | 来自计算机应用元数据的平台支持集群 | |
| CN116127020A (zh) | 生成式大语言模型训练方法以及基于模型的搜索方法 | |
| CN115131698B (zh) | 视频属性确定方法、装置、设备及存储介质 | |
| CN111563158A (zh) | 文本排序方法、排序装置、服务器和计算机可读存储介质 | |
| CN113761220A (zh) | 信息获取方法、装置、设备及存储介质 | |
| CN113806487A (zh) | 基于神经网络的语义搜索方法、装置、设备和存储介质 | |
| CN111324715A (zh) | 问答机器人的生成方法和装置 | |
| CN110837549B (zh) | 一种信息处理方法、装置及存储介质 | |
| CN110795544B (zh) | 内容搜索方法、装置、设备和存储介质 | |
| CN110222144A (zh) | 文本内容提取方法、装置、电子设备及存储介质 | |
| CN111931034B (zh) | 数据搜索方法、装置、设备及存储介质 | |
| CN110807097A (zh) | 分析数据的方法和装置 | |
| CN109190116A (zh) | 语义解析方法、***、电子设备及存储介质 | |
| CN116955591A (zh) | 用于内容推荐的推荐语生成方法、相关装置和介质 | |
| US20200159824A1 (en) | Dynamic Contextual Response Formulation | |
| US20220300836A1 (en) | Machine Learning Techniques for Generating Visualization Recommendations | |
| CN112749553B (zh) | 视频文件的文本信息处理方法、装置和服务器 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200710 |