CN112232068A - 一种意图识别方法、装置、电子设备及存储介质 - Google Patents
一种意图识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112232068A CN112232068A CN202011062489.7A CN202011062489A CN112232068A CN 112232068 A CN112232068 A CN 112232068A CN 202011062489 A CN202011062489 A CN 202011062489A CN 112232068 A CN112232068 A CN 112232068A
- Authority
- CN
- China
- Prior art keywords
- intention
- information
- identified
- vector
- preset
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- 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
- G06F16/355—Class or cluster creation or modification
-
- 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
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)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Machine Translation (AREA)
Abstract
本公开提供一种意图识别方法、装置、电子装置以及存储介质,包括以下步骤:获取待识别信息;对待识别信息进行识别,得到待识别信息分别对应于意图向量;其中,意图向量中包括多个表征值,每一表征值均至少对应一个预设意图;根据多个表征值判断待识别信息对应的意图;若多个表征值均小于或等于判定值,则待识别信息为无意图信息。一种意图识别方法、装置电子设备以及存储介质,在应用时,首先对待识别信息进行识别得到意图向量,意图向量中的每一表征值,均对应一个预设意图,且所有预设意图均可以为正向意图,如此,对待识别信息进行识别时,就针对预设意图的表征值进行分析计算即可,减小了运算的复杂度,提升了运算效率也提高了准确率。
Description
技术领域
本发明涉及自然语言理解领域,尤其涉及一种意图识别方法、装置、电子设备及存储介质。
背景技术
对话***是常用的功能性***,在***的训练中加入无意图的负样本进行训练,训练后的***能同时提升正负意图的识别率。
常见的方法中,在多意图类别识别问题中,除了业务关心的N(N>1)个意图类别,常常还伴有无标签无意图的文本输入,以往的做法是把无意图类别作为“other”类,加入到标签体系中,成为N+1分类任务,在预测时再判断如果是“other”则为无意图输入。但是这样在进行意图向量的计算时,也需要对应计算“other”类对应的数值,这样就会加大意图向量计算的复杂度,也会影响运算效率,同时在标签体系的建立时也会加大难度。
发明内容
有鉴于此,本发明提供一种意图识别方法、装置、电子设备及存储介质,旨在提供一种在意图向量计算时,不需要计算“other”类的方法。
根据本申请的一方面,本申请提供一种意图识别方法,包括以下步骤:
获取待识别信息;
对所述待识别信息进行识别,得到所述待识别信息对应的意图向量;其中,所述意图向量中包括多个表征值,每一表征值均至少对应一个预设意图;
根据多个所述表征值判断所述待识别信息对应的意图;
其中,所述根据多个所述表征值判断所述待识别信息对应的意图,包括:
若多个所述表征值均小于或等于判定值,则所述待识别信息为无意图信息。
在本公开的一种示例性实施例中,所述判定值根据所述意图向量得到。
在本公开的一种示例性实施例中,所述根据多个所述表征值判断所述待识别信息对应的意图,还包括:
获取多个所述表征值中的最大值;
若所述最大值大于所述判定值,则所述最大值所对应的预设意图为所述待识别信息对应的意图。
在本公开的一种示例性实施例中,所述判定值根据下述公式得到:
B=1/N+a*std(y);
其中,B为所述判定值,N为所述预设意图的数量,a为超参数,std(y)为所述意图向量的标准差。
在本公开的一种示例性实施例中,所述方法还包括:
设置样本策略,所述样本策略中包括多个所述预设意图;
其中,所述样本策略至少规定了每一所述预设意图的标准向量,且所述意图向量的计算与所述标准向量相关。
在本公开的一种示例性实施例中,每一所述表征值为其对应的预设意图的概率向量。
根据本申请的一方面,本申请提供一种意图识别装置,包括:
获取模块,用于获取待识别信息;
识别模块,用于对所述待识别信息进行识别,得到所述待识别信息分别对应于意图向量;其中,所述意图向量中包括多个表征值,每一表征值均至少对应一个预设意图;
判断模块,用于根据多个所述表征值判断所述待识别信息对应的意图;
其中,所述根据多个所述表征值判断所述待识别信息对应的意图,包括:
若多个所述表征值均小于或等于判定值,则所述待识别信息为无意图信息。
在本公开的一种示例性实施例中,所述判定值根据所述意图向量得到;
具体地,所述判定值根据下述公式得到:
B=1/N+a*std(y);
其中,B为所述判定值,N为所述预设意图的数量,a为超参数,std(y)为所述意图向量的标准差。
根据本申请的一方面,本申请提供一种电子设备,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任一项所述的意图识别方法。
根据本申请的一方面,本申请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任一项所述的意图识别方法。
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。
本申请提供一种意图识别方法、装置电子设备以及存储介质,在应用时,首先对待识别信息进行识别得到意图向量,意图向量中的每一表征值,均对应一个预设意图,且所有预设意图均可以为正向意图,如此,对待识别信息进行识别时,就针对预设意图的表征值进行分析计算即可,减小了运算的复杂度,提升了运算效率也提高了准确率。在判断该待识别信息是否为无意图信息时,只需将意图向量中的表征值与判定值作比较即可判断出待识别信息是否为无意图信息。如此,在计算意图向量时,也不用专门针对无意图进行计算。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它的附图。
图1为本实施提供的一种意图识别方法的流程示意图;
图2为本实施提供的一种意图识别装置的示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合;并且,基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
本示例实施方式中首先提供了一种意图识别方法,该意图识别方法可以运行于对话***,也可应用于AI模型之中。当然,应用的AI模型也是可以运行在诸如服务器、云端、PC机等具有一定算力的***上。本示例性实施例中对此不做特殊限定。参考图1所示,该意图识别方法可以包括以下步骤:
步骤S110,获取待识别信息。
步骤S130,对所述待识别信息进行识别,得到所述待识别信息对应的意图向量。
其中,所述意图向量中包括多个表征值,每一表征值均至少对应一个预设意图。
步骤S150,根据多个所述表征值判断所述待识别信息对应的意图。
其中,步骤S150可以包括步骤S151;
步骤S151,若多个所述表征值均小于或等于判定值,则所述待识别信息为无意图信息。
在具体实施时,本实施例可用于智能对话***中,用于识别用户的意图。在建立标签体系时,每一标签可对应一个预设意图,以三个标签举例,可以预设三个预设意图,分别为意图1、意图2和意图3,相应的,意图向量中也会对应有三个表征值,分别与三个预设意图对应,且每一表征值均代表了对应预设意图的概率向量。如此,可以看出,意图向量中,没有无意图的对应项,如此,也就不用在意图向量的计算时单独进行计算,减小了意图向量的计算难度。在本实施例中,意图向量的计算公式可采用常用的计算公式或计算模型进行计算,本实施例中不加限定。
具体地,当意图向量中的每一表征值,均小于判定值时,也就是说多个表征值中的最大值小于判定值时,即可确定待识别信息在每一预设意图的概率均没有达到一个阈值,故而待识别信息为无意图信息。
综上,本实施例提供的意图识别方法在应用时,首先对待识别信息进行识别得到意图向量,意图向量中的每一表征值,均对应一个预设意图,且所有预设意图均可以为正向意图,如此,对待识别信息进行识别时,就针对预设意图的表征值进行分析计算即可,减小了运算的复杂度,提升了运算效率也提高了准确率。在判断该待识别信息是否为无意图信息时,只需将意图向量中的表征值与判定值作比较即可判断出待识别信息是否为无意图信息。如此,在计算意图向量时,也不用专门针对无意图进行计算。
在本公开的一种示例性实施例中,步骤S151中的判定值,可以根据意图向量得到。可以看出,本实施例中,判定值并不是一个预设的固定值,而是根据每一个待识别信息识别出的意图向量计算得到的。如此,根据每一待识别信息动态的调整判定值,能够使得对意图判定更加准确,提高意图判断的精确性。
具体地,判定值可以根据意图向量中的每一表征值计算得到,也就是说,判定值的设定与每一预设意图的表征向量均存在一定的关联,使得计算出的判定值能够更好更精准为无意图的判断提供帮助。
进一步地,本实施例中还提供判定值的一种可行的计算公式,具体为:
所述判定值根据下述公式得到:
B=1/N+a*std(y);
其中,B为所述判定值,N为所述预设意图的数量,a为超参数,std(y)为所述意图向量的标准差。具体地,Y表示意图向量,std(y)可以根据意图向量中的每一表征值计算得到。此处对超参数进行名词解释,在机器学***均值或方差等,本领域技术人员能够在本实施例的思想下进行适当的调整。
在本公开的一种示例性实施例中,在步骤S150中,还可以包括:
步骤S152,获取多个所述表征值中的最大值;
步骤S153,若所述最大值大于所述判定值,则所述最大值所对应的预设意图为所述待识别信息对应的意图。
在具体实施时,当识别信息为有意图的信息时(或有对应的预设意图时),其意图向量中的多个表征值中,至少会有一个大于判定值。此时,在进行最终的意图确定时可以选择表征值中最大值对应的预设向量作为待识别信息的意图。
在其他实施例中,在多个表征值均大于判定值时,可以再设立一个单独的筛选规则对大于判定值的多个表征值进行筛选或计算,以得出最终输出的意图。进一步地,当多个表征值均大于判定值时,且其中最大的两个表征值数值相同时,可同时输出两个意图,或采用其他算法二次计算意图向量,再对二次计算的意图向量进行分析,得到最终确定的意图。其中,对二次计算的意图向量进行分析也可以采用步骤S151-步骤S153的方法。
在本公开的一种示例性实施例中,所述方法还包括:
步骤S170,设置样本策略,所述样本策略中包括多个所述预设意图;
其中,所述样本策略至少规定了每一所述预设意图的标准向量,且所述意图向量的计算与所述标准向量相关。
步骤S170可以在步骤S110之前进行。样本策略主要用于对预设意图的明确,表明出每一预设意图的标准向量及对应的句式进行规定,以使得AI模型能够根据样本策略和用户提供的样本进行训练,本实施例中提供一种简略的样本策略以供参考:
其中,意图向量话表示中的每一向量中的一个数值,均对应一个意图。其中,每一预设意图的标准向量也是用于计算待识别信息对应的意图向量。即,标准句式对应的标准向量是计算待识别信息对应的意图向量的基础数据。模型在进行训练时,根据基础数据作为理论依据进行学习,并最终能够计算出待识别信息对应的意图向量。
本公开还提供了一种意图识别装置。参考图2所示,该意图识别装置可以包括获取模块获取摸块210、识别模块22和判断模块230。
获取模块210,用于获取待识别信息;
识别模块220,用于对所述待识别信息进行识别,得到所述待识别信息分别对应于意图向量;其中,所述意图向量中包括多个表征值,每一表征值均至少对应一个预设意图;
判断模块230,用于根据多个所述表征值判断所述待识别信息对应的意图;
其中,所述根据多个所述表征值判断所述待识别信息对应的意图,包括:
若多个所述表征值均小于或等于判定值,则所述待识别信息为无意图信息。
具体地,在本公开的一种示例性实施例中,所述判定值根据所述意图向量得到;
其中,所述判定值根据下述公式得到:
B=1/N+a*std(y);
其中,B为所述判定值,N为所述预设意图的数量,a为超参数,std(y)为所述意图向量的标准差。其中,Y表示意图向量,std(y)可以根据意图向量中的每一表征值计算得到。此处对超参数进行名词解释,在机器学习的上下文中,超参数是在开始学习过程之前设置值的参数,而不是通过训练得到的参数数据。通常情况下,需要对超参数进行优化,给学习机选择一组最优超参数,以提高学习的性能和效果。超参数的选择可以根据实际情况进行设置和调整。
本实施例提供的意图识别装置在应用时,首先对待识别信息进行识别得到意图向量,意图向量中的每一表征值,均对应一个预设意图,且所有预设意图均可以为正向意图,如此,对待识别信息进行识别时,就针对预设意图的表征值进行分析计算即可,减小了运算的复杂度,提升了运算效率也提高了准确率。在判断该待识别信息是否为无意图信息时,只需将意图向量中的表征值与判定值作比较即可判断出待识别信息是否为无意图信息。如此,在计算意图向量时,也不用专门针对无意图进行计算。
上述意图识别装置中各模块的具体细节已经在对应的意图识别方法中进行了详细的描述,因此此处不再赘述。
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。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
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、移动终端、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,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为***、方法或程序产品。因此,本发明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“***”。
电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于:上述至少一个处理单元、上述至少一个存储单元、连接不同***组件(包括存储单元和处理单元)的总线。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元执行,使得所述处理单元执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元可以执行如图1中所示的步骤S110,获取待识别信息。步骤S130,对所述待识别信息进行识别,得到所述待识别信息分别对应于意图向量。步骤S150,根据多个所述表征值判断所述待识别信息对应的意图。
存储单元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)和/或高速缓存存储单元,还可以进一步包括只读存储单元(ROM)。
存储单元还可以包括具有一组(至少一个)程序模块的程序/实用工具,这样的程序模块包括但不限于: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。
电子设备也可以与一个或多个外部设备(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交互的设备通信,和/或与使得该电子设备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)接口进行。并且,电子设备还可以通过网络适配器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,网络适配器通过总线与电子设备的其它模块通信。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,本发明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,当所述程序产品在终端设备上运行时,所述程序代码用于使所述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发明各种示例性实施方式的步骤。
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。
所述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发明操作的程序代码,所述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)。
此外,上述附图仅是根据本发明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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种意图识别方法,其特征在于,包括以下步骤:
获取待识别信息;
对所述待识别信息进行识别,得到所述待识别信息对应的意图向量;其中,所述意图向量中包括多个表征值,每一表征值均至少对应一个预设意图;
根据多个所述表征值判断所述待识别信息对应的意图;
其中,所述根据多个所述表征值判断所述待识别信息对应的意图,包括:
若多个所述表征值均小于或等于判定值,则所述待识别信息为无意图信息。
2.根据权利要求1所述的意图识别方法,其特征在于,所述判定值根据所述意图向量得到。
3.根据权利要求1所述的意图识别方法,其特征在于,所述根据多个所述表征值判断所述待识别信息对应的意图,还包括:
获取多个所述表征值中的最大值;
若所述最大值大于所述判定值,则所述最大值所对应的预设意图为所述待识别信息对应的意图。
4.根据权利要求1所述的意图识别方法,其特征在于,
所述判定值根据下述公式得到:
B=1/N+a*std(y);
其中,B为所述判定值,N为所述预设意图的数量,a为超参数,std(y)为所述意图向量的标准差。
5.根据权利要求1所述的意图识别方法,其特征在于,所述方法还包括:
设置样本策略,所述样本策略中包括多个所述预设意图;
其中,所述样本策略至少规定了每一所述预设意图的标准向量,且所述意图向量的计算与所述标准向量相关。
6.根据权利要求1所述的意图识别方法,其特征在于,每一所述表征值为其对应的预设意图的概率向量。
7.一种意图识别装置,其特征在于,包括:
获取模块,用于获取待识别信息;
识别模块,用于对所述待识别信息进行识别,得到所述待识别信息分别对应于意图向量;其中,所述意图向量中包括多个表征值,每一表征值均至少对应一个预设意图;
判断模块,用于根据多个所述表征值判断所述待识别信息对应的意图;
其中,所述根据多个所述表征值判断所述待识别信息对应的意图,包括:
若多个所述表征值均小于或等于判定值,则所述待识别信息为无意图信息。
8.根据权利要求7所述的意图识别装置,其特征在于,所述判定值根据所述意图向量得到;
具体地,所述判定值根据下述公式得到:
B=1/N+a*std(y);
其中,B为所述判定值,N为所述预设意图的数量,a为超参数,std(y)为所述意图向量的标准差。
9.一种电子设备,其特征在于,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权利要求1-6任一项所述的意图识别方法。
10.一种计算机可读存储介质,其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权利要求1-6任一项所述的意图识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011062489.7A CN112232068B (zh) | 2020-09-30 | 2020-09-30 | 一种意图识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011062489.7A CN112232068B (zh) | 2020-09-30 | 2020-09-30 | 一种意图识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232068A true CN112232068A (zh) | 2021-01-15 |
CN112232068B CN112232068B (zh) | 2023-05-05 |
Family
ID=74121165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011062489.7A Active CN112232068B (zh) | 2020-09-30 | 2020-09-30 | 一种意图识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232068B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815314A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种意图识别方法、识别设备及计算机可读存储介质 |
CN109815492A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种基于识别模型的意图识别方法、识别设备及介质 |
CN111274797A (zh) * | 2020-01-13 | 2020-06-12 | 平安国际智慧城市科技股份有限公司 | 用于终端的意图识别方法、装置、设备及存储介质 |
-
2020
- 2020-09-30 CN CN202011062489.7A patent/CN112232068B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815314A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种意图识别方法、识别设备及计算机可读存储介质 |
CN109815492A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种基于识别模型的意图识别方法、识别设备及介质 |
CN111274797A (zh) * | 2020-01-13 | 2020-06-12 | 平安国际智慧城市科技股份有限公司 | 用于终端的意图识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112232068B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241418B (zh) | 基于随机森林的异常用户识别方法及装置、设备、介质 | |
US11004012B2 (en) | Assessment of machine learning performance with limited test data | |
CN111143226B (zh) | 自动化测试方法及装置、计算机可读存储介质、电子设备 | |
CN109871315B (zh) | 基于机器学习的***升级失败的诊断方法及装置 | |
CN111460250B (zh) | 用于画像的数据的清洗方法、装置、介质及电子设备 | |
CN109947924B (zh) | 对话***训练数据构建方法、装置、电子设备及存储介质 | |
CN110363121B (zh) | 指纹图像处理方法及装置、存储介质和电子设备 | |
CN109657056B (zh) | 目标样本获取方法、装置、存储介质及电子设备 | |
WO2020173270A1 (zh) | 用于分析数据的方法、设备和计算机存储介质 | |
CN112783508B (zh) | 文件的编译方法、装置、设备以及存储介质 | |
CN110458383B (zh) | 需求处理服务化的实现方法、装置及计算机设备、存储介质 | |
CN112232068B (zh) | 一种意图识别方法、装置、电子设备及存储介质 | |
US20220400121A1 (en) | Performance monitoring in the anomaly detection domain for the it environment | |
CN113408632A (zh) | 提高图像分类准确性的方法、装置、电子设备及存储介质 | |
CN109918293B (zh) | ***测试方法及装置、电子设备、计算机可读存储介质 | |
CN113901456A (zh) | 一种用户行为安全性预测方法、装置、设备及介质 | |
CN113112311A (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
CN113590774A (zh) | 事件查询方法、装置以及存储介质 | |
CN113791391B (zh) | 一种干扰特征参数识别方法、装置、存储及设备 | |
CN110647519B (zh) | 对测试样本中的缺失属性值进行预测的方法及装置 | |
CN112597491B (zh) | 一种缓冲区溢出攻击的检测方法及电子设备 | |
CN115238805B (zh) | 异常数据识别模型的训练方法及相关设备 | |
CN113553407B (zh) | 事件追溯方法、装置、电子设备及存储介质 | |
CN113361712B (zh) | 特征确定模型的训练方法、语义分析方法、装置及电子设备 | |
CN113961405B (zh) | 状态切换指令验证方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |