CN114943306A - 意图分类方法、装置、设备及存储介质 - Google Patents

意图分类方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114943306A
CN114943306A CN202210729949.XA CN202210729949A CN114943306A CN 114943306 A CN114943306 A CN 114943306A CN 202210729949 A CN202210729949 A CN 202210729949A CN 114943306 A CN114943306 A CN 114943306A
Authority
CN
China
Prior art keywords
interactive
intention
text
sentence
classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210729949.XA
Other languages
English (en)
Inventor
吴绍锋
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 Puhui Enterprise Management Co Ltd
Original Assignee
Ping An Puhui Enterprise Management Co 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 Puhui Enterprise Management Co Ltd filed Critical Ping An Puhui Enterprise Management Co Ltd
Priority to CN202210729949.XA priority Critical patent/CN114943306A/zh
Publication of CN114943306A publication Critical patent/CN114943306A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/268—Morphological analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及智能决策技术，揭露了一种意图分类方法，包括：获取交互信息，并识别交互信息中交互对象，根据交互对象拆分为交互语句集；对交互语句集进行分词操作，得到交互语句分词文本，并标注每个分词词语的词性；查询交互语句集的意图词语，得到意图标签，对意图标签进行向量编码，得到第一意图特征；根据交互语句分词文本及交互语句分词文本中分词词语的词性，计算第二意图特征；对交互语句分词文本进行向量编码，得到第三意图特征；利用预先训练完成的分类模型融合第一意图特征、第二意图特征以及第三意图特征，并进行意图分类。本发明还提出一种意图分类装置、电子设备以及存储介质。本发明可以提升意图分类时的准确性。

Description

意图分类方法、装置、设备及存储介质
技术领域
本发明涉及智能决策技术领域，尤其涉及一种意图分类方法、装置、设备及存储介质。
背景技术
意图是根据用户的交互信息分析得到的用户购买目的，而意图分类是指通过分析用户购买目的进行购买目的分类的操作。
在电销场景中，通常使用通用的特征工程的分类方法对用户意图进行分类，但上述方法对用户意图进行分类，只获取到交互信息的单一性意图特征，使用单一性意图特征会产生意图分类准确性较低的问题。
发明内容
本发明提供一种意图分类方法、装置、设备及存储介质，其主要目的在于解决进行意图分类时准确性较低的问题。
为实现上述目的，本发明提供的一种意图分类方法，包括：
获取用户的交互信息，将所述交互信息转化为文本格式，得到交互文本；
识别所述交互文本中的交互对象，并根据所述交互对象将所述交互文本拆分为交互语句集；
对所述交互语句集中的每个交互语句进行分词操作，得到多个交互语句分词文本，并标注每个所述交互语句分词文本中分词词语的词性；
根据预构建的意图词语库查询每个所述交互语句分词文本中的意图词语，并将查询到的意图词语在所述交互语句分词文本中进行标记，得到意图标签，对所述意图标签进行向量编码操作，得到第一意图特征；
根据所述交互语句分词文本中分词词语的词性，计算所述交互语句集的第二意图特征；
对每个所述交互语句分词文本进行向量编码操作，得到第三意图特征；
利用预先训练完成的分类模型融合所述第一意图特征、所述第二意图特征以及所述第三意图特征，得到多维意图特征，并对所述多维意图特征进行分类，得到所述交互信息的意图分类结果。
可选地，所述根据所述交互语句分词文本中分词词语的词性，计算所述交互语句集中的第二意图特征，包括：
统计词性相同的所有分词词语在对应的交互语句分词文本中的词语数量；
计算词性相同的分词词语数量占对应的交互语句分词文本中总分词词语数量的比率；
统计每个所述意图标签在每个所述交互语句分词文本中的标签数量；
汇总所述词语数量、所述比率以及所述标签数量，得到所述第二意图特征。
可选地，所述将所述交互信息转化为文本格式，得到交互文本，包括：
对所述交互信息执行语音加窗分帧处理，得到语音帧序列；
提取所述语音帧序列的声学特征；
根据所述声学特征对所述所述交互信息执行解码操作，得到所述交互文本。
可选地，所述根据所述交互对象将所述交互文本拆分为交互语句集，包括：
识别所述交互对象的交互槽位；
查询所述交互槽位中每一次交互操作，并根据每一次所述交互操作将所述交互文本分割成多个交互操作文本，得到所述交互语句集。
可选地，所述利用预先训练完成的分类模型对所述多维意图特征进行分类，包括：
利用所述全连接网络层对所述所述第一意图特征、所述第二意图特征以及所述第三意图特征进行意图特征融合，得到所述多维意图特征；
利用所述softmax层的softmax函数计算所述多维意图特征命中预设的意图分类标签的概率值；
确定所述概率值最大的所述意图分类标签为所述交互信息的意图分类结果。
可选地，所述利用所述softmax层的softmax函数计算所述多维意图特征命中预设的意图分类标签的概率值，包括：
所述softmax函数采用下述函数；
Figure BDA0003712793860000031
其中，Zi为所述softmax层中第i个神经元的输出值，K为所述意图分类标签的数量，softmax(Zi)为所述多维意图特征分类在第c个所述意图分类标签下的概率值。
可选地，所述对每个所述交互语句分词文本进行向量编码操作，得到第三意图特征，包括：
查询每个所述交互语句分词文本中的词语位置以及统计分词文本长度；
根据所述词语位置以及所述分词文本长度，对每个所述交互语句分词文本进行字符编码，得到所述第三意图特征。
为了解决上述问题，本发明还提供一种意图分类装置，所述装置包括：
交互信息处理模块，用于获取用户的交互信息，将所述交互信息转化为文本格式，得到交互文本；识别所述交互文本中的交互对象，并根据所述交互对象将所述交互文本拆分为交互语句集；对所述交互语句集中的每个交互语句进行分词操作，得到多个交互语句分词文本，并标注每个所述交互语句分词文本中分词词语的词性；
意图特征提取模块，用于根据预构建的意图词语库查询每个所述交互语句分词文本中的意图词语，并将查询到的意图词语在所述交互语句分词文本中进行标记，得到意图标签，对所述意图标签进行向量编码操作，得到第一意图特征；根据所述交互语句分词文本中分词词语的词性，计算所述交互语句集的第二意图特征；对每个所述交互语句分词文本进行向量编码操作，得到第三意图特征；
意图分类模块，用于利用预先训练完成的分类模型融合所述第一意图特征、所述第二意图特征以及所述第三意图特征，得到多维意图特征，并对所述多维意图特征进行分类，得到所述交互信息的意图分类结果。为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的意图分类方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的意图分类方法。
本发明实施例将用户的交互信息转换成文本格式，可以将多维信息有效地降维为文本信息，降低交互样本的处理难度，并提升交互信息处理精度，另外，将交互信息根据交互对象拆分为交互语句集，可以方便交互信息中多个意图特征的提取，进一步地，通过对所述意图标签进行向量编码操作，得到第一意图特征，可以获取交互文本中意图标签的词向量特征，提升意图标签分类的维度，再根据每个所述交互语句分词文本及每个所述交互语句分词文本中分词词语的词性，计算所述交互语句集的第二意图特征，可以基于词性维度构建意图特征，扩大意图分类时输入的广度，对每个所述交互语句分词文本进行向量编码操作，得到第三意图特征，可以增加所述交互语句分词文本中的词语位置信息，可以基于分词文本的句子结构进行编码得到意图特征，可丰富意图特征中包括的语义信息，综合上述多个维度的意图特征进行意图分类，可以提升意图分类准确度。
附图说明
图1为本发明一实施例提供的意图分类方法的流程示意图；
图2为本发明一实施例提供的意图分类方法中一个步骤的详细流程示意图；
图3为本发明一实施例提供的意图分类装置的功能模块图；
图4为本发明一实施例提供的实现所述意图分类方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种意图分类方法。所述意图分类方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述意图分类方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的意图分类方法的流程示意图。
在本实施例中，所述意图分类方法包括：
S1、获取用户的交互信息，将所述交互信息转化为文本格式，得到交互文本。
本发明实施例中，所述交互信息是指用户的对话语音信息、对话文本信息以及对话图像信息，其中，所述对话语音信息可以基于用户与智能机器人的语音对话生成，也可基于用户与其他对话主体进行对话而得到的语音信息，所述对话文本信息可以基于用户在智能机器人的交互界面输入生成，所述对话图像信息可以对用户在交互界面的信息交互进行图像截取，得到的图像信息。
本发明实施例通过将所述交互信息转化为文本格式，得到交互文本，可以将多维度的交互信息降维成文本维度信息，可以提高交互信息处理的正确率。
在所述交互信息为对话语音信息时，对所述交互信息执行语音加窗分帧处理，得到语音帧序列；提取所述语音帧序列的声学特征；根据所述声学特征对所述所述交互信息执行解码操作，得到所述交互文本。
在所述交互信息为对话文本信息时，提取所述交互信息中的文本文字，得到所述交互文本。
在所述交互信息为对话图像信息时，对所述交互信息进行图像灰度化处理，得到灰度交互信息；对所述灰度交互信息执行图像二值化处理，得到二值化交互信息；对所述二值化交互信息执行图像平滑处理，并利用基于OCR文字识别技术识别所述二值化交互信息中黑像素块的形状，得到交互文字；汇总所述交互文字，并按照识别顺序进行文字排列，得到所述交互文本。
S2、识别所述交互文本中的交互对象，并根据所述交互对象将所述交互文本拆分为交互语句集。
本发明实施例中，所述交互对象是指交互样本中参与活动的对象，例如，基于用户与智能机器人的语音对话而生成的对话语音信息中，所述交互对象是指用户与智能机器人。
可以理解的是，通常交互信息中保存有交互对象进行交互的详情信息，且每个交互的详情信息都有对应的存储地址。
本发明实施例通过获取所述交互文本对应的信息存储地址；将相同存储地址对应的交互文本归类为同一交互对象，并将相应的存储地址作为所述交互对象的交互槽位。
本发明实施例通过识别所述交互文本中的交互对象，可以实现将交互信息根据交互对象拆分成多个对象信息集，便于交互信息中意图特征的提取。
详细地，所述根据所述交互对象将所述交互文本拆分为交互语句集，包括：识别所述交互对象的交互槽位；查询所述交互槽位中每一次交互操作，并根据每一次所述交互操作将所述交互文本分割成多个交互操作文本，得到所述交互语句集。
本发明实施例中，所述交互槽位是用于对交互对象提供的信息的存储槽位，例如，“小兰：今天是晴天。”，存储所述“今天是晴天。”的存储槽位即是一个交互槽位。
S3、对所述交互语句集中的每个交互语句进行分词操作，得到多个交互语句分词文本，并标注每个所述交互语句分词文本中分词词语的词性。
本发明实施例通过对所述交互语句集中的每个交互语句进行分词操作，将整个语句拆分为多个词或字的组合可以方便语句中的信息提取。
进一步地，可以利用预构建的分词词典对所述交互语句集中的每个交互语句进行分词操作。
本发明实施例中，所述预构建的分词词典是指利用大批量的独立词语构建的词语查询素材库。
S4、根据预构建的意图词语库查询每个所述交互语句分词文本中的意图词语，并将查询到的意图词语在所述交互语句分词文本中进行标记，得到意图标签，对所述意图标签进行向量编码操作，得到第一意图特征。
本发明实施例中，所述预构建的意图词语库是指信贷场景下的各种意图词语数据库，例如，所述意图词语数据库中可包括“利息”“额度”及“投诉”等词语。
本发明实施例中，可以将所述意图标签进行向量编码操作，将意图标签转换成意图特征，可以增加意图特征的维数，提高意图分类的准确率。
详细地，所述对所述意图标签进行向量编码操作，得到第一意图特征，包括：将所述意图标签在预设的词向量编码工具的向量编码空间中进行映射，得到意图标签映射集；计算所述意图标签映射集中每个意图标签的映射向量，得到所述第一意图特征。
本发明实施例中，所述预设的词向量编码工具可以是基于Word2vec的词向量编码工具。
本发明实施例通过对所述意图标签进行向量编码操作，得到第一意图特征，可以获取交互文本中意图标签的词向量特征，提升意图标签分类的维度。
S5、根据所述交互语句分词文本中分词词语的词性，计算所述交互语句集的第二意图特征。
详细地，参照图2所示，所述根据所述交互语句分词文本中分词词语的词性，计算所述交互语句集的第二意图特征，包括以下步骤S50-S53：
S50、统计词性相同的所有分词词语在对应的交互语句分词文本中的词语数量；
S51、计算词性相同的分词词语数量占对应的交互语句分词文本中总分词词语数量的比率；
S52、统计每个所述意图标签在每个所述交互语句分词文本中的标签数量；
S53、汇总所述词语数量、所述比率以及所述标签数量，得到所述第二意图特征。
本发明实施例通过根据所述交互语句分词文本中分词词语的词性，计算所述交互语句集的第二意图特征，可以基于词性维度构建意图特征，扩大意图分类时输入的广度，提升意图分类准确度。
S6、对每个所述交互语句分词文本进行向量编码操作，得到第三意图特征。
详细地，所述对每个所述交互语句分词文本进行向量编码操作，包括：查询每个所述交互语句分词文本中的词语位置以及统计分词文本长度；根据所述词语位置以及所述分词文本长度，对每个所述交互语句分词文本进行字符编码，得到所述第三意图特征。
本发明实施例通过对每个所述交互语句分词文本进行向量编码操作，得到第三意图特征，可以增加所述交互语句分词文本中的词语位置信息，可以基于分词文本的句子结构进行编码得到意图特征，可丰富意图特征中包括的语义信息。
S7、利用预先训练完成的分类模型融合所述第一意图特征、所述第二意图特征以及所述第三意图特征，得到多维意图特征，并对所述多维意图特征进行分类，得到所述交互信息的意图分类结果。
本发明实施例中，所述预先训练完成的分类模型是指利用大量的意图特征进行意图分类训练完成得到的分类模型，其中，所述预先训练完成的分类模型包括卷积层、全连接网络层以及softmax层。
本发明实施例中，所述预先训练完成的分类模型中全连接网络层的层数可根据需求进行动态调整，例如，在本发明中，所述全连接网络层的层数可采用三层，其中预配置第一层全连接网络的神经元数和所述多维意图特征的元素总数量一致，第二层全连接网络的神经元数预设置为2048及预配置第三层全连接网络的神经元数和所述意图标签的类别总数保持一致。
本发明实施例利用预先训练完成的分类模型对所述多维意图特征进行分类，可以保证分类成功的准确率。
作为本发明一实施例，所述对所述多维意图特征进行分类，包括：
利用所述全连接网络层对所述所述第一意图特征、所述第二意图特征以及所述第三意图特征进行意图特征融合，得到所述多维意图特征；
利用所述softmax层的softmax函数计算所述多维意图特征命中预设的意图分类标签的概率值；
确定所述概率值最大的所述意图分类标签为所述交互信息的意图分类结果。
进一步地，所述利用所述softmax层的softmax函数计算所述多维意图特征命中预设的意图分类标签的概率值，包括：
所述softmax函数采用下述函数；
Figure BDA0003712793860000091
其中，Zi为所述softmax层中第i个神经元的输出值，K为所述意图分类标签的数量，softmax(Zi)为所述多维意图特征分类在第c个所述意图分类标签下的概率值。
本发明实施例将用户的交互信息转换成文本格式，可以将多维信息有效地降维为文本信息，降低交互样本的处理难度，并提升交互信息处理精度，另外，将交互信息根据交互对象拆分为交互语句集，可以方便交互信息中多个意图特征的提取，进一步地，通过对所述意图标签进行向量编码操作，得到第一意图特征，可以获取交互文本中意图标签的词向量特征，提升意图标签分类的维度，再根据每个所述交互语句分词文本及每个所述交互语句分词文本中分词词语的词性，计算所述交互语句集的第二意图特征，可以基于词性维度构建意图特征，扩大意图分类时输入的广度，对每个所述交互语句分词文本进行向量编码操作，得到第三意图特征，可以增加所述交互语句分词文本中的词语位置信息，可以基于分词文本的句子结构进行编码得到意图特征，可丰富意图特征中包括的语义信息，综合上述多个维度的意图特征进行意图分类，可以提升意图分类准确度。
并可以提高利用预先训练完成的分类模型对交互样本进行意图分类时的精准度。
如图3所示，是本发明一实施例提供的意图分类装置的功能模块图。
本发明所述意图分类装置100可以安装于电子设备中。根据实现的功能，所述意图分类装置100可以包括交互信息处理模块101、意图特征提取模块102及意图分类模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述交互信息处理模块101，用于获取用户的交互信息，将所述交互信息转化为文本格式，得到交互文本；识别所述交互文本中的交互对象，并根据所述交互对象将所述交互文本拆分为交互语句集；对所述交互语句集中的每个交互语句进行分词操作，得到多个交互语句分词文本，并标注每个所述交互语句分词文本中分词词语的词性；
本发明实施例中，所述交互信息是指用户的对话语音信息、对话文本信息以及对话图像信息，其中，所述对话语音信息可以基于用户与智能机器人的语音对话生成，也可基于用户与其他对话主体进行对话而得到的语音信息，所述对话文本信息可以基于用户在智能机器人的交互界面输入生成，所述对话图像信息可以对用户在交互界面的信息交互进行图像截取，得到的图像信息。
本发明实施例通过将所述交互信息转化为文本格式，得到交互文本，可以将多维度的交互信息降维成文本维度信息，可以提高交互信息处理的正确率。
在所述交互信息为对话语音信息时，对所述交互信息执行语音加窗分帧处理，得到语音帧序列；提取所述语音帧序列的声学特征；根据所述声学特征对所述所述交互信息执行解码操作，得到所述交互文本。
在所述交互信息为对话文本信息时，提取所述交互信息中的文本文字，得到所述交互文本。
在所述交互信息为对话图像信息时，对所述交互信息进行图像灰度化处理，得到灰度交互信息；对所述灰度交互信息执行图像二值化处理，得到二值化交互信息；对所述二值化交互信息执行图像平滑处理，并利用基于OCR文字识别技术识别所述二值化交互信息中黑像素块的形状，得到交互文字；汇总所述交互文字，并按照识别顺序进行文字排列，得到所述交互文本。
本发明实施例中，所述交互对象是指交互样本中参与活动的对象，例如，基于用户与智能机器人的语音对话而生成的对话语音信息中，所述交互对象是指用户与智能机器人。
可以理解的是，通常交互信息中保存有交互对象进行交互的详情信息，且每个交互的详情信息都有对应的存储地址。
本发明实施例通过获取所述交互文本对应的信息存储地址；将相同存储地址对应的交互文本归类为同一交互对象，并将相应的存储地址作为所述交互对象的交互槽位。
本发明实施例通过识别所述交互文本中的交互对象，可以实现将交互信息根据交互对象拆分成多个对象信息集，便于交互信息中意图特征的提取。
详细地，所述根据所述交互对象将所述交互文本拆分为交互语句集，包括：识别所述交互对象的交互槽位；查询所述交互槽位中每一次交互操作，并根据每一次所述交互操作将所述交互文本分割成多个交互操作文本，得到所述交互语句集。
本发明实施例中，所述交互槽位是用于对交互对象提供的信息的存储槽位，例如，“小兰：今天是晴天。”，存储所述“今天是晴天。”的存储槽位即是一个交互槽位。
本发明实施例通过对所述交互语句集中的每个交互语句进行分词操作，将整个语句拆分为多个词或字的组合可以方便语句中的信息提取。
进一步地，可以利用预构建的分词词典对所述交互语句集中的每个交互语句进行分词操作。
本发明实施例中，所述预构建的分词词典是指利用大批量的独立词语构建的词语查询素材库。
所述意图特征提取模块102，用于根据预构建的意图词语库查询每个所述交互语句分词文本中的意图词语，并将查询到的意图词语在所述交互语句分词文本中进行标记，得到意图标签，对所述意图标签进行向量编码操作，得到第一意图特征；根据所述交互语句分词文本中分词词语的词性，计算所述交互语句集的第二意图特征；对每个所述交互语句分词文本进行向量编码操作，得到第三意图特征；
本发明实施例中，所述预构建的意图词语库是指信贷场景下的各种意图词语数据库，例如，所述意图词语数据库中可包括“利息”“额度”及“投诉”等词语。
本发明实施例中，可以将所述意图标签进行向量编码操作，将意图标签转换成意图特征，可以增加意图特征的维数，提高意图分类的准确率。
详细地，所述对所述意图标签进行向量编码操作，得到第一意图特征，包括：将所述意图标签在预设的词向量编码工具的向量编码空间中进行映射，得到意图标签映射集；计算所述意图标签映射集中每个意图标签的映射向量，得到所述第一意图特征。
本发明实施例中，所述预设的词向量编码工具可以是基于Word2vec的词向量编码工具。
本发明实施例通过对所述意图标签进行向量编码操作，得到第一意图特征，可以获取交互文本中意图标签的词向量特征，提升意图标签分类的维度。
详细地，所述根据所述交互语句分词文本中分词词语的词性，计算所述交互语句集的第二意图特征，包括：统计词性相同的所有分词词语在对应的交互语句分词文本中的词语数量；计算词性相同的分词词语数量占对应的交互语句分词文本中总分词词语数量的比率；统计每个所述意图标签在每个所述交互语句分词文本中的标签数量；汇总所述词语数量、所述比率以及所述标签数量，得到所述第二意图特征。
本发明实施例通过根据每所述交互语句分词文本中分词词语的词性，计算所述交互语句集的第二意图特征，可以基于词性维度构建意图特征，扩大意图分类时输入的广度，提升意图分类准确度。
详细地，所述对每个所述交互语句分词文本进行向量编码操作，包括：查询每个所述交互语句分词文本中的词语位置以及统计分词文本长度；根据所述词语位置以及所述分词文本长度，对每个所述交互语句分词文本进行字符编码，得到所述第三意图特征。
本发明实施例通过对每个所述交互语句分词文本进行向量编码操作，得到第三意图特征，可以增加所述交互语句分词文本中的词语位置信息，可以基于分词文本的句子结构进行编码得到意图特征，可丰富意图特征中包括的语义信息。
所述意图分类模块103，用于利用预先训练完成的分类模型融合所述第一意图特征、所述第二意图特征以及所述第三意图特征，得到多维意图特征，并对所述多维意图特征进行分类，得到所述交互信息的意图分类结果。
本发明实施例中，所述预先训练完成的分类模型是指利用大量的意图特征进行意图分类训练完成得到的分类模型，其中，所述预先训练完成的分类模型包括卷积层、全连接网络层以及softmax层。
本发明实施例中，所述预先训练完成的分类模型中全连接网络层的层数可根据需求进行动态调整，例如，在本发明中，所述全连接网络层的层数可采用三层，其中预配置第一层全连接网络的神经元数和所述多维意图特征的元素总数量一致，第二层全连接网络的神经元数预设置为2048及预配置第三层全连接网络的神经元数和所述意图标签的类别总数保持一致。
本发明实施例利用预先训练完成的分类模型对所述多维意图特征进行分类，可以保证分类成功的准确率。
作为本发明一实施例，所述对所述多维意图特征进行分类，包括：
利用所述全连接网络层对所述所述第一意图特征、所述第二意图特征以及所述第三意图特征进行意图特征融合，得到所述多维意图特征；
利用所述softmax层的softmax函数计算所述多维意图特征命中预设的意图分类标签的概率值；
确定所述概率值最大的所述意图分类标签为所述交互信息的意图分类结果。
进一步地，所述利用所述softmax层的softmax函数计算所述多维意图特征命中预设的意图分类标签的概率值，包括：
所述softmax函数采用下述函数；
Figure BDA0003712793860000131
其中，Zi为所述softmax层中第i个神经元的输出值，K为所述意图分类标签的数量，softmax(Zi)为所述多维意图特征分类在第c个所述意图分类标签下的概率值。
如图4所示，是本发明一实施例提供的实现意图分类方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如意图分类程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行意图分类程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如意图分类程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的意图分类程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取用户的交互信息，将所述交互信息转化为文本格式，得到交互文本；
识别所述交互文本中的交互对象，并根据所述交互对象将所述交互文本拆分为交互语句集；
对所述交互语句集中的每个交互语句进行分词操作，得到多个交互语句分词文本，并标注每个所述交互语句分词文本中分词词语的词性；
根据预构建的意图词语库查询每个所述交互语句分词文本中的意图词语，并将查询成功的意图词语在所述交互语句分词文本中进行标记，得到意图标签，对所述意图标签进行向量编码操作，得到第一意图特征；
根据每个所述交互语句分词文本及每个所述交互语句分词文本中分词词语的词性，计算所述交互语句集的第二意图特征；
对每个所述交互语句分词文本进行向量编码操作，得到第三意图特征；
利用预先训练完成的分类模型融合所述第一意图特征、所述第二意图特征以及所述第三意图特征，得到多维意图特征，并对所述多维意图特征进行分类，得到所述交互信息的意图分类结果。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取用户的交互信息，将所述交互信息转化为文本格式，得到交互文本；
识别所述交互文本中的交互对象，并根据所述交互对象将所述交互文本拆分为交互语句集；
对所述交互语句集中的每个交互语句进行分词操作，得到多个交互语句分词文本，并标注每个所述交互语句分词文本中分词词语的词性；
根据预构建的意图词语库查询每个所述交互语句分词文本中的意图词语，并将查询到的意图词语在所述交互语句分词文本中进行标记，得到意图标签，对所述意图标签进行向量编码操作，得到第一意图特征；
根据所述交互语句分词文本中分词词语的词性，计算所述交互语句集的第二意图特征；
对每个所述交互语句分词文本进行向量编码操作，得到第三意图特征；
利用预先训练完成的分类模型融合所述第一意图特征、所述第二意图特征以及所述第三意图特征，得到多维意图特征，并对所述多维意图特征进行分类，得到所述交互信息的意图分类结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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单元，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单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元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。
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。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元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 (10)

1.一种意图分类方法，其特征在于，所述方法包括：
获取用户的交互信息，将所述交互信息转化为文本格式，得到交互文本；
识别所述交互文本中的交互对象，并根据所述交互对象将所述交互文本拆分为交互语句集；
对所述交互语句集中的每个交互语句进行分词操作，得到多个交互语句分词文本，并标注每个所述交互语句分词文本中分词词语的词性；
根据预构建的意图词语库查询每个所述交互语句分词文本中的意图词语，并将查询到的意图词语在所述交互语句分词文本中进行标记，得到意图标签，对所述意图标签进行向量编码操作，得到第一意图特征；
根据所述交互语句分词文本中分词词语的词性，计算所述交互语句集的第二意图特征；
对每个所述交互语句分词文本进行向量编码操作，得到第三意图特征；
利用预先训练完成的分类模型融合所述第一意图特征、所述第二意图特征以及所述第三意图特征，得到多维意图特征，并对所述多维意图特征进行分类，得到所述交互信息的意图分类结果。
2.如权利要求1所述的意图分类方法，其特征在于，所述根据所述交互语句分词文本中分词词语的词性，计算所述交互语句集中的第二意图特征，包括：
统计词性相同的所有分词词语在对应的交互语句分词文本中的词语数量；
计算词性相同的分词词语数量占对应的交互语句分词文本中总分词词语数量的比率；
统计每个所述意图标签在每个所述交互语句分词文本中的标签数量；
汇总所述词语数量、所述比率以及所述标签数量，得到所述第二意图特征。
3.如权利要求1所述的意图分类方法，其特征在于，所述将所述交互信息转化为文本格式，得到交互文本，包括：
对所述交互信息执行语音加窗分帧处理，得到语音帧序列；
提取所述语音帧序列的声学特征；
根据所述声学特征对所述所述交互信息执行解码操作，得到所述交互文本。
4.如权利要求1所述的意图分类方法，其特征在于，所述根据所述交互对象将所述交互文本拆分为交互语句集，包括：
识别所述交互对象的交互槽位；
查询所述交互槽位中每一次交互操作，并根据每一次所述交互操作将所述交互文本分割成多个交互操作文本，得到所述交互语句集。
5.如权利要求1所述的意图分类方法，其特征在于，所述利用预先训练完成的分类模型对所述多维意图特征进行分类，包括：
利用所述全连接网络层对所述所述第一意图特征、所述第二意图特征以及所述第三意图特征进行意图特征融合，得到所述多维意图特征；
利用所述softmax层的softmax函数计算所述多维意图特征命中预设的意图分类标签的概率值；
确定所述概率值最大的所述意图分类标签为所述交互信息的意图分类结果。
6.如权利要求5所述的意图分类方法，其特征在于，所述利用所述softmax层的softmax函数计算所述多维意图特征命中预设的意图分类标签的概率值，包括：
所述softmax函数采用下述函数；
Figure FDA0003712793850000021
其中，Zi为所述softmax层中第i个神经元的输出值，K为所述意图分类标签的数量，softmax(Zi)为所述多维意图特征分类在第c个所述意图分类标签下的概率值。
7.如权利要求1所述的意图分类方法，其特征在于，所述对每个所述交互语句分词文本进行向量编码操作，得到第三意图特征，包括：
查询每个所述交互语句分词文本中的词语位置以及统计分词文本长度；
根据所述词语位置以及所述分词文本长度，对每个所述交互语句分词文本进行字符编码，得到所述第三意图特征。
8.一种意图分类装置，其特征在于，所述装置包括：
交互信息处理模块，用于获取用户的交互信息，将所述交互信息转化为文本格式，得到交互文本；识别所述交互文本中的交互对象，并根据所述交互对象将所述交互文本拆分为交互语句集；对所述交互语句集中的每个交互语句进行分词操作，得到多个交互语句分词文本，并标注每个所述交互语句分词文本中分词词语的词性；
意图特征提取模块，用于根据预构建的意图词语库查询每个所述交互语句分词文本中的意图词语，并将查询到的意图词语在所述交互语句分词文本中进行标记，得到意图标签，对所述意图标签进行向量编码操作，得到第一意图特征；根据所述交互语句分词文本中分词词语的词性，计算所述交互语句集的第二意图特征；对每个所述交互语句分词文本进行向量编码操作，得到第三意图特征；
意图分类模块，用于利用预先训练完成的分类模型融合所述第一意图特征、所述第二意图特征以及所述第三意图特征，得到多维意图特征，并对所述多维意图特征进行分类，得到所述交互信息的意图分类结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的意图分类方法。
10.一种计算机可读存储介质，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至7中任意一项所述的意图分类方法。
CN202210729949.XA 2022-06-24 2022-06-24 意图分类方法、装置、设备及存储介质 Pending CN114943306A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210729949.XA CN114943306A (zh) 2022-06-24 2022-06-24 意图分类方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210729949.XA CN114943306A (zh) 2022-06-24 2022-06-24 意图分类方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114943306A true CN114943306A (zh) 2022-08-26

Family

ID=82911037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210729949.XA Pending CN114943306A (zh) 2022-06-24 2022-06-24 意图分类方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114943306A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115618968A (zh) * 2022-12-02 2023-01-17 北京红棉小冰科技有限公司 新意图发现方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107153672A (zh) * 2017-03-22 2017-09-12 中国科学院自动化研究所 基于言语行为理论的用户交互意图识别方法及***
CN111738016A (zh) * 2020-06-28 2020-10-02 中国平安财产保险股份有限公司 多意图识别方法及相关设备
CN112597312A (zh) * 2020-12-28 2021-04-02 深圳壹账通智能科技有限公司 文本分类方法、装置、电子设备及可读存储介质
CN113064984A (zh) * 2021-04-25 2021-07-02 深圳壹账通智能科技有限公司 意图识别方法、装置、电子设备及可读存储介质
CN114021582A (zh) * 2021-12-30 2022-02-08 深圳市北科瑞声科技股份有限公司 结合语音信息的口语理解方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107153672A (zh) * 2017-03-22 2017-09-12 中国科学院自动化研究所 基于言语行为理论的用户交互意图识别方法及***
CN111738016A (zh) * 2020-06-28 2020-10-02 中国平安财产保险股份有限公司 多意图识别方法及相关设备
CN112597312A (zh) * 2020-12-28 2021-04-02 深圳壹账通智能科技有限公司 文本分类方法、装置、电子设备及可读存储介质
CN113064984A (zh) * 2021-04-25 2021-07-02 深圳壹账通智能科技有限公司 意图识别方法、装置、电子设备及可读存储介质
CN114021582A (zh) * 2021-12-30 2022-02-08 深圳市北科瑞声科技股份有限公司 结合语音信息的口语理解方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115618968A (zh) * 2022-12-02 2023-01-17 北京红棉小冰科技有限公司 新意图发现方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN112597312A (zh) 文本分类方法、装置、电子设备及可读存储介质
CN113157927A (zh) 文本分类方法、装置、电子设备及可读存储介质
CN113704429A (zh) 基于半监督学习的意图识别方法、装置、设备及介质
CN113051356A (zh) 开放关系抽取方法、装置、电子设备及存储介质
CN112988963A (zh) 基于多流程节点的用户意图预测方法、装置、设备及介质
CN113268615A (zh) 资源标签生成方法、装置、电子设备及存储介质
CN112528616A (zh) 业务表单生成方法、装置、电子设备及计算机存储介质
CN112559687A (zh) 问题识别及查询方法、装置、电子设备及存储介质
CN113360768A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN115018588A (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN113344125B (zh) 长文本匹配识别方法、装置、电子设备及存储介质
CN114840684A (zh) 基于医疗实体的图谱构建方法、装置、设备及存储介质
CN113935880A (zh) 政策推荐方法、装置、设备及存储介质
CN114399775A (zh) 文档标题生成方法、装置、设备及存储介质
CN113254814A (zh) 网络课程视频打标签方法、装置、电子设备及介质
CN114943306A (zh) 意图分类方法、装置、设备及存储介质
CN116739001A (zh) 基于对比学习的文本关系提取方法、装置、设备及介质
CN115203364A (zh) 软件故障反馈处理方法、装置、设备及可读存储介质
CN114677526A (zh) 图像分类方法、装置、设备及介质
CN114595321A (zh) 问题标注方法、装置、电子设备及存储介质
CN114385815A (zh) 基于业务需求的新闻筛选方法、装置、设备及存储介质
CN113723114A (zh) 基于多意图识别的语义分析方法、装置、设备及存储介质
CN113706207A (zh) 基于语义解析的订单成交率分析方法、装置、设备及介质
CN112712797A (zh) 语音识别方法、装置、电子设备及可读存储介质
CN112632260A (zh) 智能问答方法、装置、电子设备及计算机可读存储介质

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