CN115146064A - 意图识别模型优化方法、装置、设备及存储介质 - Google Patents
意图识别模型优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115146064A CN115146064A CN202210883771.4A CN202210883771A CN115146064A CN 115146064 A CN115146064 A CN 115146064A CN 202210883771 A CN202210883771 A CN 202210883771A CN 115146064 A CN115146064 A CN 115146064A
- Authority
- CN
- China
- Prior art keywords
- intention
- clustering
- text
- corpus
- recognition model
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 42
- 230000011218 segmentation Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F16/35—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
-
- 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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种意图识别模型优化方法，包括：从意图识别任务中获取拒识语料集合，对拒识语料集合进行文本优化，得到优化语料集合，对优化语料集合中的语料文本进行意图聚类，得到意图聚类结果，对意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合，利用优化训练集合训练待优化意图识别模型，得到优化意图识别模型，对优化意图识别模型进行模型测试，基于测试结果对意图识别任务中的意图识别模型进行优化。此外，本发明还涉及区块链技术，待优化意图识别模型可从区块链的节点中获取。本发明还提出一种意图识别模型优化装置、电子设备以及可读存储介质。本发明可以提高意图识别模型优化的效率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种意图识别模型优化方法、装置、电子设备及可读存储介质。
背景技术
语义理解是人工智能的重要领域，而意图识别能力又是语义理解的核心。通常，在业务的初始上线阶段，由于历史语料的匮乏、标注时间的限制，意图识别模型的识别率往往较低。随着业务的进行，真实的业务语料内容可能会逐渐偏离原始的语料。这些情况都会导致意图识别模型的准确率很难持续提高，甚至还会逐渐降低，直至无法满足业务需求而无法被使用。
现有技术中，虽然运营人员可以根据业务情况，及时添加新的标注语料，但由于无法辨识出新语料和历史语料之间的重合度、差异性，也就无法针对模型缺失的识别能力进行针对性提升，因此，往往需要花费很大的成本和精力进行标注和尝试，才能优化模型能力，使得意图识别模型优化效率较低。
发明内容
本发明提供一种意图识别模型优化方法、装置、电子设备及可读存储介质，其主要目的在于提高意图识别模型优化的效率。
为实现上述目的，本发明提供的一种意图识别模型优化方法，包括：
在接收到意图识别任务时，从所述意图识别任务中获取拒识语料集合，对所述拒识语料集合进行文本优化，得到优化语料集合；
对所述优化语料集合中的语料文本进行意图聚类，得到意图聚类结果；
对所述意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合；
利用所述优化训练集合训练预设的待优化意图识别模型，得到优化意图识别模型，对所述优化意图识别模型进行模型测试，基于测试结果对所述意图识别任务中的意图识别模型进行优化。
可选地，所述从所述意图识别任务中获取拒识语料集合，对所述拒识语料集合进行文本优化，得到优化语料集合，包括：
确定所述意图识别任务中意图识别模型的拒识阈值，利用所述意图识别模型输出所述意图识别任务中语料的识别结果，将所述意图识别模型的识别结果中低于所述拒识阈值的语料作为拒识语料集合；
对所述拒识语料集合中的语料文本进行文本断句及文本纠错处理，得到所述优化语料集合。
可选地，所述对所述优化语料集合中的语料文本进行意图聚类，得到意图聚类结果，包括：
对所述优化语料集合中的语料文本进行文本清洗及文本分词处理，得到文本分词集合；
利用K-Means聚类算法对所述文本分词集合进行意图聚类，得到意图聚类结果。
可选地，所述利用K-Means聚类算法对所述文本分词集合进行意图聚类，得到意图聚类结果，包括：
对所述文本分词集合中的文本进行向量化处理，得到文本向量集合；
从所述文本向量集合中随机选取预设个数的文本向量作为聚类中心；
依次计算所述文本向量集合中每个文本向量到所述聚类中心的距离，并将每个所述文本向量划分到距离最小的聚类中心对应的聚类簇中，得到多个意图聚类簇；
重新计算每个所述意图聚类簇的聚类中心，并返回所述依次计算所述文本向量集合中每个文本向量到所述聚类中心的距离的步骤，直至所有所述意图聚类簇的聚类中心均收敛，获取每个收敛的意图聚类簇对应的聚类标签；
确定所述收敛的意图聚类簇对应的文本及聚类标签为所述意图聚类结果。
可选地，通过下述公式计算每个意图聚类簇的聚类中心：
其中，Ei为第i个聚类中心，Ci为第i个意图聚类簇，x为意图聚类簇中的文本向量。
可选地，所述对所述意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合，包括：
逐一计算所述意图聚类结果中的目标文本与所述意图识别模型对应的意图语料库中语料文本的相似度；
若所述相似度小于预设的相似阈值，确定所述目标文本的混淆结果为混淆文本并删除所述混淆文本，若所述相似度大于等于所述相似阈值，确定所述目标文本的混淆结果为优化文本，将所有所述优化文本添加至所述意图语料库中；
确定添加完所有所述优化文本的意图语料库为所述优化训练集合。
可选地，所述对所述优化意图识别模型进行模型测试，基于测试结果对所述意图识别任务中的意图识别模型进行优化，包括：
获取意图测试集合，利用所述优化意图识别模型输出所述意图测试集合的测试结果；
若所述测试结果不满足预设的优化条件，则返回所述对所述意图聚类结果进行相似度混淆分析的步骤，直至所述测试结果满足预设的优化条件，利用所述优化意图识别模型替换所述意图识别模型。
为了解决上述问题，本发明还提供一种意图识别模型优化装置，所述装置包括：
文本优化模块，用于在接收到意图识别任务时，从所述意图识别任务中获取拒识语料集合，对所述拒识语料集合进行文本优化，得到优化语料集合；
训练集合构建模块，用于对所述优化语料集合中的语料文本进行意图聚类，得到意图聚类结果，对所述意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合；
模型优化模块，用于利用所述优化训练集合训练预设的待优化意图识别模型，得到优化意图识别模型，对所述优化意图识别模型进行模型测试，基于测试结果对所述意图识别任务中的意图识别模型进行优化。
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：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的意图识别模型优化方法。
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识别模型优化方法。
本发明从意图识别任务中获取拒识语料集合，对拒识语料集合进行文本优化，得到优化语料集合，由于优化语料来源于实际的意图识别任务，因此可以提高模型训练的准确性。同时，通过对优化语料集合中的语料文本进行意图聚类，得到意图聚类结果，对意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合，不需要人工进行大量批注，大大提高了意图识别模型优化的效率。因此本发明提出的意图识别模型优化方法、装置、电子设备及计算机可读存储介质，可以提高意图识别模型优化的效率。
附图说明
图1为本发明一实施例提供的意图识别模型优化方法的流程示意图；
图2为图1中其中一个步骤的详细实施流程示意图；
图3为图1中另一个步骤的详细实施流程示意图；
图4为图1中另一个步骤的详细实施流程示意图；
图5为本发明一实施例提供的意图识别模型优化装置的功能模块图；
图6为本发明一实施例提供的实现所述意图识别模型优化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。
本发明实施例提供一种意图识别模型优化方法。所述意图识别模型优化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发明实施例提供的该方法的电子设备中的至少一种。换言之，所述意图识别模型优化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(ContentDelivery 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识别模型优化方法的流程示意图。在本实施例中，所述意图识别模型优化方法包括以下步骤S1-S3：
S1、在接收到意图识别任务时，从所述意图识别任务中获取拒识语料集合，对所述拒识语料集合进行文本优化，得到优化语料集合。
本发明实施例中，所述意图识别任务是指通过意图识别模型来对用户意图进行识别，例如在智能问答客服***中，通过识别用户咨询问题的意图，匹配对应答案供其查看。
详细地，参照图2所示，所述从所述意图识别任务中获取拒识语料集合，对所述拒识语料集合进行文本优化，得到优化语料集合，包括以下步骤S10-S11：
S10、确定所述意图识别任务中意图识别模型的拒识阈值，利用所述意图识别模型输出所述意图识别任务中语料的识别结果，将所述意图识别模型的识别结果中低于所述拒识阈值的语料作为拒识语料集合；
S11、对所述拒识语料集合中的语料文本进行文本断句及文本纠错处理，得到所述优化语料集合。
本发明一可选实施例中，对于不同的意图识别模型可以设置不同的拒识阈值，在实际业务运行时，凡是模型识别结果低于阈值的语料，都会被当成拒识收集起来，由于所有拒识语料来源于现实业务，因此可以保证语料的真实性，提高模型优化训练结果。
本发明一可选实施例中，可以从意图识别任务的实际业务运行日志中实时获取拒识语料集合。
其中，由于拒识语料集合来源于真实业务，例如语音意图识别中需要将语音转化为文本，转化后的文本有可能包含一些无用的信息或者文本过长等情况，因此通过文本断句、纠错等处理来提高优化语料集合的正确性。
本发明一可选实施例中，可以根据句子结束符号(如：“。”，“？”，“！”等)等进行文本断句，若断句后的句子长度小于或等于预设句子阈值，则停止断句，否则再按照句子分隔符号(如：“，”，“；”等)进行断句，直至断句后的句子长度小于或等于预设句子阈值。同时，可以使用中文纠错模型Softmasked-BERT等进行文本纠错。
S2、对所述优化语料集合中的语料文本进行意图聚类，得到意图聚类结果。
本发明实施例中，由于优化语料集合难以直接进行模型优化训练，因此需要先进行意图聚类来对优化语料集合进行细化，提高模型优化训练效率。
详细地，参照图3所示，所述对所述优化语料集合中的语料文本进行意图聚类，得到意图聚类结果，包括以下步骤S20-S21：
S20、对所述优化语料集合中的语料文本进行文本清洗及文本分词处理，得到文本分词集合；
S21、利用K-Means聚类算法对所述文本分词集合进行意图聚类，得到意图聚类结果。
本发明实施例中，所述数据清洗是指去掉标点符号以及文本中一些其他字符，只保留文本中的汉字、数字和英文字母三部分，同时，可以使用jieba分词对清洗后的文本进行分词，得到文本分词集合。
具体地，所述利用K-Means聚类算法对所述文本分词集合进行意图聚类，得到意图聚类结果，包括：
对所述文本分词集合中的文本进行向量化处理，得到文本向量集合；
从所述文本向量集合中随机选取预设个数的文本向量作为聚类中心；
依次计算所述文本向量集合中每个文本向量到所述聚类中心的距离，并将每个所述文本向量划分到距离最小的聚类中心对应的聚类簇中，得到多个意图聚类簇；
重新计算每个所述意图聚类簇的聚类中心，并返回所述依次计算所述文本向量集合中每个文本向量到所述聚类中心的距离的步骤，直至所有所述意图聚类簇的聚类中心均收敛，获取每个收敛的意图聚类簇对应的聚类标签；
确定所述收敛的意图聚类簇对应的文本及聚类标签为所述意图聚类结果。
本发明一可选实施例中，可以使用词频-逆文档频率算法(Term Frequency–Inverse Document Frequency，TF-IDF)将输入的文本分词集合中的文本转化为文本向量表达的序列，并且设定类簇数目K后从所述文本向量集合中随机选取K个文本向量作为聚类中心，将输入的文本按照语义划分为不同的意图聚类簇，每一个意图聚类簇，并基于每一个意图聚类簇中的语料语义设置一个意图进行标注，得到聚类标签，可以快速便捷的实现批量标注。例如，金融领域贷款催收业务，对于某一意图聚类簇A，根据意图聚类簇中的语料文本的语义进行标注，确定聚类标签为“贷款待还”，即意图聚类簇A的“名称”，表示意图聚类簇A中的语料均为“贷款待还”类文本。
本发明实施例中，可以通过下述公式计算每个意图聚类簇的聚类中心：
其中，Ei为第i个聚类中心，Ci为第i个意图聚类簇，x为意图聚类簇中的文本向量。
S3、对所述意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合。
本发明实施例中，将意图聚类结果添加到意图识别模型的已有意图语料库中形成新的意图语料库进行模型训练，同时为了保证已有语料和新添加语料之间没有混淆，通过相似度交叉分析等工具进行混淆分析，将引起混淆的语料进行剔除或移到正确的意图下。
详细地，参照图4所示，所述对所述意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合，包括以下步骤S30-S32：
S30、逐一计算所述意图聚类结果中的目标文本与所述意图识别模型对应的意图语料库中语料文本的相似度；
S31、若所述相似度小于预设的相似阈值，确定所述目标文本的混淆结果为混淆文本并删除所述混淆文本，若所述相似度大于等于所述相似阈值，确定所述目标文本的混淆结果为优化文本，将所有所述优化文本添加至所述意图语料库中；
S32、确定添加完所有所述优化文本的意图语料库为所述优化训练集合。
本发明实施例中，通过相似度混淆分析，可以进一步提高训练数据的准确性，提高模型训练效果。
S4、利用所述优化训练集合训练预设的待优化意图识别模型，得到优化意图识别模型，对所述优化意图识别模型进行模型测试，基于测试结果对所述意图识别任务中的意图识别模型进行优化。
本发明实施例中，利用所述优化训练集合训练待优化意图识别模型，由于优化训练集合的训练数据来自于实际业务，可以大大提高模型训练的适应性及准确性。其中，所述待优化意图识别模型可以为基于传统机器学习算法的模型，如DBN、SVM等，基于深度学习算法的模型，如LSTM、Bi-RNN、Bi-LSTM-CRF等)。
详细地，所述对所述优化意图识别模型进行模型测试，基于测试结果对所述意图识别任务中的意图识别模型进行优化，包括：
获取意图测试集合，利用所述优化意图识别模型输出所述意图测试集合的测试结果；
若所述测试结果不满足预设的优化条件，则返回所述对所述意图聚类结果进行相似度混淆分析的步骤，直至所述测试结果满足预设的优化条件，利用所述优化意图识别模型替换所述意图识别模型。
本发明一可选实施例中，所述测试结果可以为优化意图识别模型输出的准确率、精准率、召回率等，若测试结果满足预设的优化条件(例如，准确率、精准率、召回率大于等于预设的测试阈值)，则安排优化意图识别模型上线，从而替换掉意图识别任务中的旧模型，完成模型优化。
本发明从意图识别任务中获取拒识语料集合，对拒识语料集合进行文本优化，得到优化语料集合，由于优化语料来源于实际的意图识别任务，因此可以提高模型训练的准确性。
同时，通过对优化语料集合中的语料文本进行意图聚类，得到意图聚类结果，对意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合，不需要人工进行大量批注，大大提高了意图识别模型优化的效率。因此本发明提出的意图识别模型优化方法，可以提高意图识别模型优化的效率。
如图5所示，是本发明一实施例提供的意图识别模型优化装置的功能模块图。
本发明所述意图识别模型优化装置100可以安装于电子设备中。根据实现的功能，所述意图识别模型优化装置100可以包括文本优化模块101、训练集合构建模块102及模型优化模块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：
所述文本优化模块101，用于用于在接收到意图识别任务时，从所述意图识别任务中获取拒识语料集合，对所述拒识语料集合进行文本优化，得到优化语料集合；
所述训练集合构建模块102，用于对所述优化语料集合中的语料文本进行意图聚类，得到意图聚类结果，对所述意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合；
所述模型优化模块103，用于利用所述优化训练集合训练预设的待优化意图识别模型，得到优化意图识别模型，对所述优化意图识别模型进行模型测试，基于测试结果对所述意图识别任务中的意图识别模型进行优化。
详细地，所述意图识别模型优化装置100各模块的具体实施方式如下：
步骤一、在接收到意图识别任务时，从所述意图识别任务中获取拒识语料集合，对所述拒识语料集合进行文本优化，得到优化语料集合。
本发明实施例中，所述意图识别任务是指通过意图识别模型来对用户意图进行识别，例如在智能问答客服***中，通过识别用户咨询问题的意图，匹配对应答案供其查看。
详细地，所述从所述意图识别任务中获取拒识语料集合，对所述拒识语料集合进行文本优化，得到优化语料集合，包括：
确定所述意图识别任务中意图识别模型的拒识阈值，利用所述意图识别模型输出所述意图识别任务中语料的识别结果，将所述意图识别模型的识别结果中低于所述拒识阈值的语料作为拒识语料集合；
对所述拒识语料集合中的语料文本进行文本断句及文本纠错处理，得到所述优化语料集合。
本发明一可选实施例中，对于不同的意图识别模型可以设置不同的拒识阈值，在实际业务运行时，凡是模型识别结果低于阈值的语料，都会被当成拒识收集起来，由于所有拒识语料来源于现实业务，因此可以保证语料的真实性，提高模型优化训练结果。
本发明一可选实施例中，可以从意图识别任务的实际业务运行日志中实时获取拒识语料集合。
其中，由于拒识语料集合来源于真实业务，例如语音意图识别中需要将语音转化为文本，转化后的文本有可能包含一些无用的信息或者文本过长等情况，因此通过文本断句、纠错等处理来提高优化语料集合的正确性。
本发明一可选实施例中，可以根据句子结束符号(如：“。”，“？”，“！”等)等进行文本断句，若断句后的句子长度小于或等于预设句子阈值，则停止断句，否则再按照句子分隔符号(如：“，”，“；”等)进行断句，直至断句后的句子长度小于或等于预设句子阈值。同时，可以使用中文纠错模型Softmasked-BERT等进行文本纠错。
步骤二、对所述优化语料集合中的语料文本进行意图聚类，得到意图聚类结果。
本发明实施例中，由于优化语料集合难以直接进行模型优化训练，因此需要先进行意图聚类来对优化语料集合进行细化，提高模型优化训练效率。
详细地，所述对所述优化语料集合中的语料文本进行意图聚类，得到意图聚类结果，包括：
对所述优化语料集合中的语料文本进行文本清洗及文本分词处理，得到文本分词集合；
利用K-Means聚类算法对所述文本分词集合进行意图聚类，得到意图聚类结果。
本发明实施例中，所述数据清洗是指去掉标点符号以及文本中一些其他字符，只保留文本中的汉字、数字和英文字母三部分，同时，可以使用jieba分词对清洗后的文本进行分词，得到文本分词集合。
具体地，所述利用K-Means聚类算法对所述文本分词集合进行意图聚类，得到意图聚类结果，包括：
对所述文本分词集合中的文本进行向量化处理，得到文本向量集合；
从所述文本向量集合中随机选取预设个数的文本向量作为聚类中心；
依次计算所述文本向量集合中每个文本向量到所述聚类中心的距离，并将每个所述文本向量划分到距离最小的聚类中心对应的聚类簇中，得到多个意图聚类簇；
重新计算每个所述意图聚类簇的聚类中心，并返回所述依次计算所述文本向量集合中每个文本向量到所述聚类中心的距离的步骤，直至所有所述意图聚类簇的聚类中心均收敛，获取每个收敛的意图聚类簇对应的聚类标签；
确定所述收敛的意图聚类簇对应的文本及聚类标签为所述意图聚类结果。
本发明一可选实施例中，可以使用词频-逆文档频率算法(Term Frequency–Inverse Document Frequency，TF-IDF)将输入的文本分词集合中的文本转化为文本向量表达的序列，并且设定类簇数目K后从所述文本向量集合中随机选取K个文本向量作为聚类中心，将输入的文本按照语义划分为不同的意图聚类簇，每一个意图聚类簇，并基于每一个意图聚类簇中的语料语义设置一个意图进行标注，得到聚类标签，可以快速便捷的实现批量标注。例如，金融领域贷款催收业务，对于某一意图聚类簇A，根据意图聚类簇中的语料文本的语义进行标注，确定聚类标签为“贷款待还”，即意图聚类簇A的“名称”，表示意图聚类簇A中的语料均为“贷款待还”类文本。
本发明实施例中，可以通过下述公式计算每个意图聚类簇的聚类中心：
其中，Ei为第i个聚类中心，Ci为第i个意图聚类簇，x为意图聚类簇中的文本向量。
步骤三、对所述意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合。
本发明实施例中，将意图聚类结果添加到意图识别模型的已有意图语料库中形成新的意图语料库进行模型训练，同时为了保证已有语料和新添加语料之间没有混淆，通过相似度交叉分析等工具进行混淆分析，将引起混淆的语料进行剔除或移到正确的意图下。
详细地，所述对所述意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合，包括：
逐一计算所述意图聚类结果中的目标文本与所述意图识别模型对应的意图语料库中语料文本的相似度；
若所述相似度小于预设的相似阈值，确定所述目标文本的混淆结果为混淆文本并删除所述混淆文本，若所述相似度大于等于所述相似阈值，确定所述目标文本的混淆结果为优化文本，将所有所述优化文本添加至所述意图语料库中；
确定添加完所有所述优化文本的意图语料库为所述优化训练集合。
本发明实施例中，通过相似度混淆分析，可以进一步提高训练数据的准确性，提高模型训练效果。
步骤四、利用所述优化训练集合训练预设的待优化意图识别模型，得到优化意图识别模型，对所述优化意图识别模型进行模型测试，基于测试结果对所述意图识别任务中的意图识别模型进行优化。
本发明实施例中，利用所述优化训练集合训练待优化意图识别模型，由于优化训练集合的训练数据来自于实际业务，可以大大提高模型训练的适应性及准确性。其中，所述待优化意图识别模型可以为基于传统机器学习算法的模型，如DBN、SVM等，基于深度学习算法的模型，如LSTM、Bi-RNN、Bi-LSTM-CRF等)。
详细地，所述对所述优化意图识别模型进行模型测试，基于测试结果对所述意图识别任务中的意图识别模型进行优化，包括：
获取意图测试集合，利用所述优化意图识别模型输出所述意图测试集合的测试结果；
若所述测试结果不满足预设的优化条件，则返回所述对所述意图聚类结果进行相似度混淆分析的步骤，直至所述测试结果满足预设的优化条件，利用所述优化意图识别模型替换所述意图识别模型。
本发明一可选实施例中，所述测试结果可以为优化意图识别模型输出的准确率、精准率、召回率等，若测试结果满足预设的优化条件(例如，准确率、精准率、召回率大于等于预设的测试阈值)，则安排优化意图识别模型上线，从而替换掉意图识别任务中的旧模型，完成模型优化。
本发明从意图识别任务中获取拒识语料集合，对拒识语料集合进行文本优化，得到优化语料集合，由于优化语料来源于实际的意图识别任务，因此可以提高模型训练的准确性。同时，通过对优化语料集合中的语料文本进行意图聚类，得到意图聚类结果，对意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合，不需要人工进行大量批注，大大提高了意图识别模型优化的效率。因此本发明提出的意图识别模型优化装置，可以提高意图识别模型优化的效率。
如图6所示，是本发明一实施例提供的实现所述意图识别模型优化方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线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，如意图识别模型优化程序。
其中，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(SecureDigital，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，例如意图识别模型优化程序的代码等，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(Control Unit)，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(例如意图识别模型优化程序等)，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。
所述通信接口12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。
所述总线13可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13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。
图6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6示出的结构并不构成对所述电子设备的限定，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。
进一步地，所述电子设备还可以包括网络接口，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。
可选地，该电子设备还可以包括用户接口，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。
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。
所述电子设备中的所述存储器11存储的意图识别模型优化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：
在接收到意图识别任务时，从所述意图识别任务中获取拒识语料集合，对所述拒识语料集合进行文本优化，得到优化语料集合；
对所述优化语料集合中的语料文本进行意图聚类，得到意图聚类结果；
对所述意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合；
利用所述优化训练集合训练预设的待优化意图识别模型，得到优化意图识别模型，对所述优化意图识别模型进行模型测试，基于测试结果对所述意图识别任务中的意图识别模型进行优化。
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：
在接收到意图识别任务时，从所述意图识别任务中获取拒识语料集合，对所述拒识语料集合进行文本优化，得到优化语料集合；
对所述优化语料集合中的语料文本进行意图聚类，得到意图聚类结果；
对所述意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合；
利用所述优化训练集合训练预设的待优化意图识别模型，得到优化意图识别模型，对所述优化意图识别模型进行模型测试，基于测试结果对所述意图识别任务中的意图识别模型进行优化。
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***。
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、机器人技术、生物识别技术、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。
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)
1.一种意图识别模型优化方法，其特征在于，所述方法包括：
在接收到意图识别任务时，从所述意图识别任务中获取拒识语料集合，对所述拒识语料集合进行文本优化，得到优化语料集合；
对所述优化语料集合中的语料文本进行意图聚类，得到意图聚类结果；
对所述意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合；
利用所述优化训练集合训练预设的待优化意图识别模型，得到优化意图识别模型，对所述优化意图识别模型进行模型测试，基于测试结果对所述意图识别任务中的意图识别模型进行优化。
2.如权利要求1所述的意图识别模型优化方法，其特征在于，所述从所述意图识别任务中获取拒识语料集合，对所述拒识语料集合进行文本优化，得到优化语料集合，包括：
确定所述意图识别任务中意图识别模型的拒识阈值，利用所述意图识别模型输出所述意图识别任务中语料的识别结果，将所述意图识别模型的识别结果中低于所述拒识阈值的语料作为拒识语料集合；
对所述拒识语料集合中的语料文本进行文本断句及文本纠错处理，得到所述优化语料集合。
3.如权利要求1中所述的意图识别模型优化方法，其特征在于，所述对所述优化语料集合中的语料文本进行意图聚类，得到意图聚类结果，包括：
对所述优化语料集合中的语料文本进行文本清洗及文本分词处理，得到文本分词集合；
利用K-Means聚类算法对所述文本分词集合进行意图聚类，得到意图聚类结果。
4.如权利要求3所述的意图识别模型优化方法，其特征在于，所述利用K-Means聚类算法对所述文本分词集合进行意图聚类，得到意图聚类结果，包括：
对所述文本分词集合中的文本进行向量化处理，得到文本向量集合；
从所述文本向量集合中随机选取预设个数的文本向量作为聚类中心；
依次计算所述文本向量集合中每个文本向量到所述聚类中心的距离，并将每个所述文本向量划分到距离最小的聚类中心对应的聚类簇中，得到多个意图聚类簇；
重新计算每个所述意图聚类簇的聚类中心，并返回所述依次计算所述文本向量集合中每个文本向量到所述聚类中心的距离的步骤，直至所有所述意图聚类簇的聚类中心均收敛，获取每个收敛的意图聚类簇对应的聚类标签；
确定所述收敛的意图聚类簇对应的文本及聚类标签为所述意图聚类结果。
5.如权利要求4所述的意图识别模型优化方法，其特征在于，通过下述公式计算每个意图聚类簇的聚类中心：
其中，Ei为第i个聚类中心，Ci为第i个意图聚类簇，x为意图聚类簇中的文本向量。
6.如权利要求2所述的意图识别模型优化方法，其特征在于，所述对所述意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合，包括：
逐一计算所述意图聚类结果中的目标文本与所述意图识别模型对应的意图语料库中语料文本的相似度；
若所述相似度小于预设的相似阈值，确定所述目标文本的混淆结果为混淆文本并删除所述混淆文本，若所述相似度大于等于所述相似阈值，确定所述目标文本的混淆结果为优化文本，将所有所述优化文本添加至所述意图语料库中；
确定添加完所有所述优化文本的意图语料库为所述优化训练集合。
7.如权利要求1所述的意图识别模型优化方法，其特征在于，所述对所述优化意图识别模型进行模型测试，基于测试结果对所述意图识别任务中的意图识别模型进行优化，包括：
获取意图测试集合，利用所述优化意图识别模型输出所述意图测试集合的测试结果；
若所述测试结果不满足预设的优化条件，则返回所述对所述意图聚类结果进行相似度混淆分析的步骤，直至所述测试结果满足预设的优化条件，利用所述优化意图识别模型替换所述意图识别模型。
8.一种意图识别模型优化装置，其特征在于，所述装置包括：
文本优化模块，用于在接收到意图识别任务时，从所述意图识别任务中获取拒识语料集合，对所述拒识语料集合进行文本优化，得到优化语料集合；
训练集合构建模块，用于对所述优化语料集合中的语料文本进行意图聚类，得到意图聚类结果，对所述意图聚类结果进行相似度混淆分析，并根据混淆结果构建优化训练集合；
模型优化模块，用于利用所述优化训练集合训练预设的待优化意图识别模型，得到优化意图识别模型，对所述优化意图识别模型进行模型测试，基于测试结果对所述意图识别任务中的意图识别模型进行优化。
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识别模型优化方法。
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识别模型优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210883771.4A CN115146064A (zh) | 2022-07-26 | 2022-07-26 | 意图识别模型优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210883771.4A CN115146064A (zh) | 2022-07-26 | 2022-07-26 | 意图识别模型优化方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115146064A true CN115146064A (zh) | 2022-10-04 |
Family
ID=83414590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210883771.4A Pending CN115146064A (zh) | 2022-07-26 | 2022-07-26 | 意图识别模型优化方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115146064A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115408509A (zh) * | 2022-11-01 | 2022-11-29 | 杭州一知智能科技有限公司 | 一种意图识别方法、***、电子设备和存储介质 |
-
2022
- 2022-07-26 CN CN202210883771.4A patent/CN115146064A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115408509A (zh) * | 2022-11-01 | 2022-11-29 | 杭州一知智能科技有限公司 | 一种意图识别方法、***、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112016304A (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
| CN112597312A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
| CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| 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 | |
| CN113033198B (zh) | 相似文本推送方法、装置、电子设备及计算机存储介质 | |
| CN113157927A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
| CN112883730B (zh) | 相似文本匹配方法、装置、电子设备及存储介质 | |
| CN114511038A (zh) | 虚假新闻检测方法、装置、电子设备及可读存储介质 | |
| CN112528013A (zh) | 文本摘要提取方法、装置、电子设备及存储介质 | |
| CN113378970A (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
| CN113205814A (zh) | 语音数据标注方法、装置、电子设备及存储介质 | |
| CN113887941A (zh) | 业务流程生成方法、装置、电子设备及介质 | |
| CN113821622A (zh) | 基于人工智能的答案检索方法、装置、电子设备及介质 | |
| CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
| CN113658002A (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
| CN115146064A (zh) | 意图识别模型优化方法、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 | |
| CN112801222A (zh) | 基于二分类模型的多分类方法、装置、电子设备及介质 | |
| CN112632264A (zh) | 智能问答方法、装置、电子设备及存储介质 | |
| CN114757154B (zh) | 基于深度学习的作业生成方法、装置、设备及存储介质 | |
| CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
| CN115221274A (zh) | 文本情感分类方法、装置、电子设备及存储介质 | |
| CN115510188A (zh) | 文本关键词关联方法、装置、设备及存储介质 | |
| CN114186028A (zh) | 咨诉工单处理方法、装置、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 |