CN116187335A - 意图识别方法、装置、存储介质及电子设备 - Google Patents
意图识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116187335A CN116187335A CN202211657527.2A CN202211657527A CN116187335A CN 116187335 A CN116187335 A CN 116187335A CN 202211657527 A CN202211657527 A CN 202211657527A CN 116187335 A CN116187335 A CN 116187335A
- Authority
- CN
- China
- Prior art keywords
- intention
- text corpus
- target
- keyword
- intention recognition
- 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
Images
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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Character Input (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种意图识别方法、装置、存储介质及电子设备,其中方法包括:获取待进行意图识别的文本语料;将所述文本语料分别与规则模板进行匹配,获得匹配结果;在所述匹配结果为匹配到与所述语料文本对应的目标规则模板的情况下,基于所述目标规则模板识别获得所述文本语料中的意图识别结果;在所述匹配结果为未匹配到对应的目标规则模板的情况下,基于已训练的意图识别模型,对所述文本语料进行意图识别,获得意图识别结果。本发明中的方法能够使得最终的意图识别结果更加的精准。
Description
技术领域
本发明涉及人工智能以及自然语言理解技术领域,尤其涉及一种意图识别方法、装置、存储介质及电子设备。
背景技术
随着智能化终端的不断发展,语音交互***以及智能客服等***已经普遍应用在各类智能化终端。在语音交互***或智能客服***中,能否准确地理解用户的意图,是整个交互/问答过程关键。因此各种意图识别方法应运而生。
但是,目前意图识别方法通常是直接套用深度学习模型,或者利用时序模型对一句话的进行意思解析,由此这种单一采用模型进行意图识别的方法存在识别结果不够精准的问题。
发明内容
有鉴于此,本发明提供了一种意图识别方法、装置、存储介质及电子设备,用于解决现有技术中的意图识别不够精准的问题。为达上述之一或部分或全部目的或是其他目的,本发明提出一种意图识别方法,包括:
获取待进行意图识别的文本语料;
将所述文本语料分别与规则模板进行匹配,获得匹配结果;
在所述匹配结果为匹配到与所述语料文本对应的目标规则模板的情况下,基于所述目标规则模板识别获得所述文本语料中的意图识别结果;
在所述匹配结果为未匹配到对应的目标规则模板的情况下,基于已训练的意图识别模型,对所述文本语料进行意图识别,获得意图识别结果。
为解决上述问题,本发明提供一种意图识别装置,包括:
获取模块,用于获取待进行意图识别的文本语料;
匹配模块,用于将所述文本语料分别与规则模板进行匹配,获得匹配结果;
第一识别模块,用于在所述匹配结果为匹配到与所述语料文本对应的目标规则模板的情况下,基于所述目标规则模板识别获得所述文本语料中的意图识别结果;
第二识别模块,用于在所述匹配结果为未匹配到对应的目标规则模板的情况下,基于已训练的意图识别模型,对所述文本语料进行意图识别,获得意图识别结果。
优选地,各所述规则模板包括若干单词槽位;所述匹配模块用于:
基于所述文本语料获取若干关键词,基于各所述关键词分别与各规则模板中的单词槽位进行匹配;
在各所述关键词在同一规则模板中均匹配到对应的单词槽位的情况下,确定匹配到所述目标规则模板;
在各所述关键词在任一规则模板中未同时匹配到对应的单词槽位的情况下,确定未匹配到目标规则模板。
优选地,各所述规则模板包括与各单词槽位组对应的意图标签;所述第一获得模块用于:
基于所述目标规则模板中的各目标单词槽位所对应的关键词、以及各目标单词槽位组对应的目标意图标签,获得意图识别结果。
优选地,所述第二获得模块用于:获取所述文本语料中的各关键词以及与各所述关键词对应的意图标签;
基于各所述关键词以及与各所述关键词对应的意图标签,利用所述意图识别模型计算获得各所述关键词对应于各所述意图标签的概率;
基于各所述关键词对应于各所述意图标签的概率确定第一目标意图标签,以获得意图识别结果。
优选地,所述第二获得模块还用于:在基于各所述关键词对应于各所述意图标签的概率确定第一目标意图标签之后,基于所述文本语料中的连接关系词对所述文本语料进行拆分,获得若干子文本语料;
获取各子文本语料的关键词,以及与各关键词对应的意图标签;
基于各子文本语料的关键词以及与各关键词对应的意图标签,分别基于已训练的意图识别模型,对各所述子文本语料进行意图识别,获得与各子文本语料对应的第二目标意图标签;
基于各所述第一目标意图标签以及各所述第二目标意图标签,获得所述意图识别结果。
优选地,所述意图识别装置还包括分析模块,所述分析模块用于,在获得目标意图标签之后,对所述文本语料中的各关键词进行依存关系分析,获得包含动作关键词以及控制设备关键词的目标对应关系;
基于各所述目标对应关系以及各所述目标对应关系中动作关键词对应的目标意图标签,获得所述意图识别结果。
优选地,所述意图识别装置还包括训练模块,所述训练模块用于:在所述获取待进行意图识别的文本语料之前,训练获得所述意图识别模型,所述训练模块具体用于:
获取若干样本文本语料以及与各样本文本语料对应的样本意图标签;基于预设关键词与各所述预设关键词对应的关键词意图标签,利用初始意图识别模型,计算所述样本文本语料中各所述关键词对应于各关键词意图标签对应的概率;基于所述概率确定当前意图识别结果;基于所述当前意图识别结果与所述样本意图标签之间的差异,对所述初始意图识别模型中的模型参数进行调整,直至满足训练条件时停止训练,得到已训练的意图识别模型。
为解决上述问题,本发明提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述意图识别方法的步骤。
为解决上述问题,本发明提供一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现上述任一项所述意图识别方法的步骤。
为解决上述问题,本发明提供一种计算机程序产品或计算机程序,所述计算机程序产品或计算机程序包括计算机指令,所述计算机指令存储在计算机可读存储介质中;所述计算机设备的处理器从所述计算机可读存储介质读取所述计算机指令,所述处理器执行所述计算机指令时实现本发明各实施例的意图识别方法中的步骤。
本发明中的意图识别方法、装置、存储介质及电子设备,通过采用规则模板与意图识别模型相结合的方式,来对文本语料进行意图识别,能够使得最终的意图识别结果更加的精准,解决了现有技术中,单一的采用模型进行意图识别造成的识别结果不准确的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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他的附图。
其中:
图1为一个实施例中的应用环境示意图;
图2为一个实施例中的一种网关设备的硬件结构框图;
图3为一个实施例中一种意图识别方法的流程图;
图4(a)为一个实施例中的文本语料query为:帮我打开灯和空调的划分示意图;
图4(b)为一个实施例中的文本语料query为:帮我打开灯和关闭空调的划分示意图;
图5为本发明又一实施例一种意图识别方法的流程图;
图6为本发明另一实施例一种意图识别方法的流程图;
图7为本发明另一实施例一种意图识别装置的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,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,都属于本发明保护的范围。
本发明中的意图识别方法,可以应用于如图1所示的应用环境中。该实施环境为一物联网平台,该物联网平台包括终端100、网关200以及部署在网关200中的物联网设备300。其中,终端100可以是台式计算机、笔记本计算机、平板计算机、智能手机、智能音箱、智能控制面板或者其他可实施网络连接的电子设备,在此不进行限定。终端100与网关200之间建立网络连接,在一种实施方式中,终端100与网关200之间通过2G/3G/4G/5G、WIFI等建立网络连接。通过该网络连接与网关200交互,进而使得用户借助此终端100控制接入网关200的物联网设备执行相应动作。物联网设备300接入物联网平台中网关200,并通过其自身所配置的通信模块与网关200通信,进而受控于网关200。
在一种实施方式中,物联网设备300可以通过局域网络接入网关200,从而部署于网关200中。物联网设备300通过局域网络接入网关200的过程包括,由网关200首先建立一个局域网络,物联网设备300通过连接该网关200,从而接入该网关200建立的局域网络中。所述局域网络包括:ZIGBEE或者蓝牙。物联网设备300可以是智能打印机、智能传真机、智能摄像机、智能空调、智能冰箱、智能音响、智能电视、智能电灯等智能家居设备,或者配置了通信模块(例如ZIGBEE模块、Wi-Fi模块、蓝牙通信模块等)的人体传感器、门窗传感器、温湿度传感器、水浸传感器、天然气报警器、烟雾报警器、墙壁开关、墙壁插座、无线开关无线墙贴开关、魔方控制器、窗帘电机等设备,在此不进行限定。
终端100可以接收用户发出的语音信息,并对语音信息进行语音识别,得到与语音信息对应的待进行意图识别的文本语料。终端100则进一步将文本语料分别与规则模板进行匹配,获得匹配结果;在匹配结果为匹配到与语料文本对应的目标规则模板的情况下,基于目标规则模板识别获得文本语料中的意图识别结果;在匹配结果为未匹配到对应的目标规则模板的情况下,基于已训练的意图识别模型,对文本语料进行意图识别,获得一个或多个意图识别结果。终端100进而可以根据一个或多个意图识别结果确定对应的一个或多个语音指令,若该语音指令是针对一个或多个物联网设备300的控制指令,终端100则将该控制指令发送至网关200,网关200则基于该控制指令控制对应的一个或多个物联网设备300执行相应的动作。
本实施例中,通过根据识别出的一个或多个意图分别生成相对应的一个或多个控制指令,并分别控制相对应的一个或多个受控设备,如上述的物联网设备,由此能够精准识别出一句话里面的多个意图,进而能够准确地控制相应的多个受控设备,实现多设备多操作的语义理解处理。
图2是根据一示例性实施例示出的一种网关设备的硬件结构框图。此网关设备适用于图1所示的实施环境。需要说明的是,该网关只是一个适配于本发明的示例,不能认为是提供了对本发明的使用范围的任何限制。该网关也不能解释为需要依赖于或者必须具有图2中示出的示例性的网关200中的一个或者多个组件。
该网关200的硬件结构可因配置或者性能的不同而产生较大的差异,如图所示,网关200包括:电源210、界面230、至少一存储器250、以及至少一中央处理器(CPU,CentralProcessing Units)270。其中,界面230包括至少一有线或无线网络界面231、至少一串并转换界面233、至少一输入输出界面235以及至少一USB界面237等,用于与外部设备通信。存储器250作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等。其上所存储的资源包括操作***251、应用程序253或者数据255等。
在一个实施例中,本发明提供一种意图识别方法,以该方法应用于电子设备为例进行说明,该电子设备具体可以是图1中的终端、网关、智能音箱、智能控制面板等设备。如图3所示,本实施例中的方法包括以下步骤:
步骤S101,获取待进行意图识别的文本语料。
本步骤中,意图识别是指:确定用户想要达到的某种目的,比如电子设备根据用户的文本语料判断这个用户是获取天气信息、还是设定闹钟,或者是设备控制、延时控制等用户目的。文本语料具体是指文本形式的单词、短语或若干句子。具体地,电子设备可以通过获取用户的语音信息来获得文本语料。
例如终端设备采集用户的语音信息,然后终端设备对语音信息进行语音识别和文本转换,以此来获得相应的文本语料。本步骤中文本语料例如可以为:“帮我打开空调”、“打开电视机,一个小时后关闭它”、“帮我打开客厅的灯和空调,关闭电视机,一个小时后全部关闭它们”等等。
步骤S102,将所述文本语料分别与规则模板进行匹配,获得匹配结果。
本步骤中规则模板具体是指包含有若干单词槽位以及意图标签的模板文件。其中,各单词槽位用于指示单词在规则模板中的位置。规则模板可以是根据经验通过人工/专家总结来预先生产的。
电子设备在与规则模板进行匹配时,具体可以先从文本语料中提取获得关键词,然后将各关键词与规则模板中的各单词槽位进行匹配,从而获得匹配结果。
步骤S103,在所述匹配结果为匹配到与所述语料文本对应的目标规则模板的情况下,基于所述目标规则模板识别获得所述文本语料中的意图识别结果。
本步骤中当电子设备匹配到与文本语料对应的目标规则模板之后,就可以根据该规则模板中的意图标签,来直接获得意图识别结果。具体的,各规则模板中预先建立有各单词槽位组与意图标签的映射关系。其中意图标签是指预先为规则模板配置的意图,即预先配置的用户想要达到的目的信息,比如对应“设备控制”、“延时控制”等标签信息。
其中,单词槽位组是由若干单词槽位集合构成的,具体可以为不同的单词槽位组配置不同的意图标签,其中意图标签例如可以为设备控制、延时控制等。由此,在匹配到目标规则模板之后,就可以获取该规则模板中各单词槽位组,然后基于各单词槽位组获取与各单词槽位组对应的意图标签,从而获得所述文本语料的意图识别结果。
步骤S104,在所述匹配结果为未匹配到与所述语料文本对应的目标规则模板的情况下,基于已训练的意图识别模型,对所述文本语料进行意图识别,获得意图识别结果。
可以理解,已训练的意图识别模型是具有意图识别能力的机器学习模型。
本步骤中,当匹配结果中不带有目标规则模板时,则说明该文本语料中各关键词未同时出现在同一规则模板中,由此,无法直接基于规则模板来直接获得意图识别结果,因此则可以利用预先训练获得意图识别模型来对文本语料中的意图进行识别,具体的,可以基于意图识别模型计算出各所述关键词对应于个意图标签的概率,然后基于各意图标签的概率大小确定大于预定概率值的意图标签为目标意图标签,和/或确定概率最高的几个意图标签为目标意图标签,进而获得意图识别结果。
本实施例中的意图识别方法,通过采用规则模板与意图识别模型相结合的方式,来对文本语料进行意图识别,能够使得最终的意图识别结果更加的精准,解决了现有技术中,单一的采用模型进行意图识别造成的识别结果不准确的问题。并且由于采用规则模板进行意图识别,并且规则模板中可以同时配置有多个意图标签,由此可以基于匹配到的目标规则模板快速、准确的获得多个意图标签,进而获得多个意图。
本发明在又一实施例中,终端设备在将所述文本语料分别与各预定的规则模板进行匹配时,可以基于所述文本语料获取若干关键词,基于各所述关键词以及各所述关键词所属的单词类型分别与各规则模板中的单词槽位进行匹配;在各所述关键词在同一规则模板中均匹配到对应的单词槽位的情况下,确定匹配到所述目标规则模板;在各所述关键词在任一规则模板中未同时匹配到对应的单词槽位的情况下,确定未匹配到目标规则模板。
其中,单词槽位用于指示单词在规则模板中的位置。也就是,可以预先为规则模板中的各单词槽位配置单词类型。单词类型可以指各单词槽位所对应的单词的词性信息,例如可以为名词、动词、形容词、助词等等。
由此,在从文本预料中提取若干关键词之后,就可以基于各关键词的单词类型与规则模板中各单词槽位的单词类型进行对比,当关键词的单词类型与某一单词槽位的单词类型一致时,则确定该关键词与该单词槽位匹配成功,即确定该关键词匹配到单词槽位,从而获得匹配结果。在具体实施过程中,可以预先基于经验设定若干规则模板,各规则模板中配置有单词槽位以及意图标签,例如有如下两个规则模板:
规则模板一:[D:action][D:device1][D:time];
规则模板二:[D:action][D:device1][D:and][D:action][D:device2]。
其中D表示单词即关键词;action、device、分别表示单词类型,例如action表示单词类型为动作/动词,device表示单词类型为设备/名词。由此当文本语料中获取到关键词“打开”、“浴霸”、“关闭”以及“电视”时,就确定关键词“打开”与“[D:action]”这个单词槽位匹配,关键词“浴霸”与“[D:device1]”这个单词槽位匹配,关键词“关闭”与“[D:action]”这个单词槽位匹配,关键词“电视”与“[D:device2]”这个单词槽位匹配,因此确定各关键词在规则模板一种同时匹配到单词槽位,由此就可以匹配到规则模板一为目标规则模板。
本实施例中通过根据单词类型将各关键词分别与各规则模板中的单词槽位进行匹配,能够使得匹配结果更加准确,为后续基于匹配结果精准的获得意图识别结果奠定了基础。
本发明在又一实施例中,可以预先基于各规则模板中的单词槽位构建单词槽位组,然后为各单词槽位组配置对应的意图标签。由此,在确定目标匹配到目标规则目标之后,就可以基于所述目标规则模板中的各目标单词槽位所对应的关键词、以及各目标单词槽位组对应的目标意图标签,获得意图识别结果。例如确定目标规则模板中有a、b、c、d、e这5个单词槽位,其中单词槽位为(a、b)对应意图标签1,单词槽位组(c、d)对应意图标签2,单词槽位组(e)对应意图标签3,
当确定关键词A对应单词槽位a,关键词B对应单词槽位b,关键词对应单词槽位e时,则可以确定目标单词槽位组为(a、b)以及(e),由此就可以获取这两个单词槽位组对应的意图标签1以及意图标签3为目标意图标签,进而获得意图识别结果。
再如,某一规则模板可以为:
[D:action][D:device1][D:and][D:action][D:device2][W:0-1]。
其中,为0-1各单词槽位(即[D:action][D:device1]这2个单词槽位)所组成的单词槽位组配置“device_control第一设备控制”的意图标签;为3-4各单词槽位(即[D:action][D:device2]这2个单词槽位)所组成的单词槽位组配置“device_control第二设备控制”的意图标签。本实施例中通过为各单词槽位组配置意图,便于后续在匹配获得的目标规则模板时,能够基于目标规则模板中的意图快速、准确的获得意图识别结果。
本发明另一实施例中,在基于已训练的意图识别模型,对所述文本语料进行意图识别,获得意图识别结果时,可以先获取所述文本语料中的各关键词以及与各所述关键词对应的意图标签;基于各所述关键词以及与各所述关键词对应的意图标签,利用所述意图识别模型计算获得各所述关键词对应于各所述意图标签的概率;基于各所述关键词对应于各所述意图标签的概率确定第一目标意图标签,以获得意图识别结果。
本实施例中,关键词例如可以为除了形容词、关系词、辅助词、副词、介词、连词、助词、叹词、拟声词等之外的单词或字,例如关键词的词性可以为动词、名词、代词、量词等词性。
本实施中的意图识别模型可以包括:长短期记忆递归神经网络模块(Bi-directional Long Short-Term Memory,英文简称BLSTM,由前向长短期记忆递归神经网络与后向长短期记忆递归神经网络组合而成),意图注意力(Intent Attention)模块、以及槽门(Slot Gate)模块。其中,输入方面,Word Sequence单词字符串,除了单纯的一个charembedding(字符特征)外,多加一层pre_label embedding(预标签特征)的方法。其中,charembedding就是每个字的特征矢量(这里直接使用bert的char embedding每个字768维作为初始化),pre_label embedding为词库(预打标签,写在词库里的词典)的embedding(每个标签对应一个embedding(嵌入特征),同样是768维,这里使用随机初始化作为矢量的初始化)。
也就是,单词子字符串(Word Sequence)=每个字的特征矢量(char embedding)+意图标签(pre_label embedding)。标注和模型输出方面,由于intent的yI的输出为意图标签大小的矢量,如:yI【0.01,0.5,0.4,0.09】,意图标签总共只有4个,假设为【天气,设备控制,延时控制,闹钟】,其中取超出一定阈值的作为最终意图识别结果。所以最终的意图输出为“设备控制-延时控制”(该意图识别结果为两个意图,以“-”作为分割符号)。
本实施例中在获得关键词之后,通过基于意图识别模型计算出各所述关键词对应于个意图标签的概率,然后基于各意图标签的概率大小确定大于预定概率的意图标签为目标意图标签,和/或确定概率最高的几个意图标签为目标意图标签,能够使得获得意图识别结果更加精准。
本发明在另一实施例中,为了提高意图识别结果的准确性,在基于各所述关键词对应于各所述意图标签的概率确定第一目标意图标签之后,还可以进一步利用已训练的意图识别模型对文本语料进行二次意图识别,具体二次意图识别过程如下:基于所述文本语料中的连接关系词对所述文本语料进行拆分,获得若干子文本语料;获取各子文本语料的关键词,以及与各关键词对应的意图标签;基于各子文本语料的关键词以及与各关键词对应的意图标签,分别基于已训练的意图识别模型,对各所述子文本语料进行意图识别,获得与各子文本语料对应的第二目标意图标签;基于各所述第一目标意图标签以及各所述第二目标意图标签,获得所述意图识别结果。
具体的,例如帮文本语料为:我打开灯并关闭电视。由此电子设备就可以根据连接关系词“并”对这个文本语料进行拆分,获得第一子文本语料“帮我打开灯”,以及第二子文本语料“关闭电视”。接着电子设备就可以获取第一子文本语料中的关键词“打开”和“灯”,获取第二子文本语料中的关键词“关闭”和“电视”。
然后电子设备基于第一文本语料的关键词“打开”和“灯”,以及“设备控制”、“延时控制”以及“闹钟”等意图标签,利用已训练的意图识别模型计算“打开”和“灯”分别对应于“设备控制”、“延时控制”以及“闹钟”的概率,从而确定出第一子文本语料对应的第二目标意图标签。
同理,后续电子设备还会基于第二文本语料的关键词“关闭”和“电视”,以及“设备控制”、“延时控制”以及“闹钟”等意图标签,利用已训练的意图识别模型计算“关闭”和“电视”分别对应于“设备控制”、“延时控制”以及“闹钟”的概率,从而确定出第一子文本语料对应的第二目标意图标签。
其中,连接关系词具体是指用于连接两个句子的单词,例如可以为“并且”、“同时”、“然后”等等单词。通过根据连接关系词对文本语料中的多个句子进行拆分,能够使得拆分结果根据准确,即准确的获得各子文本语料。例如文本语料为“帮我打开灯然后一个小时后关闭它哈”,则可以根据连接关系词“然后”对这句话进行拆分,获得两个子文本语料,一个文本语料为:“帮我打开灯”,另一个文本语料为“一个小时后关闭它哈”。
电子设备根据连接关系词对文本语料进行拆分,获得若干子文本语料之后,就利用已训练的意图识别模型分别对各子文本语料进行意图识别,以此来获得与个子文本语料对应的意图标签。具体的,利用意图识别模型对子文本语料进行意图识别的原理与利用意图识别模型对未拆分前的文本语料进行意图识别的原理一致,在此不再赘述。
本实施例中,通过利用意图识别模型分别对拆解前的文本语料和拆解后的文本语料进行双重意图识别,能够使得意图识别结果根据准确、可靠。
在本发明又一实施中,在获得目标意图标签之后,还可以对所述文本语料中的各关键词进行依存关系分析,获得包含动作关键词以及控制设备关键词的目标对应关系;基于各所述目标对应关系以及各所述目标对应关系中动作关键词对应的目标意图标签,获得所述意图识别结果。
在具体实施过程中,可以基于预定依存句法分析方式,对所述文本语料中的各关键词进行依存关系分析,即分析出各关键词在句子中的成分,例如分析处关键在句子中是主语、谓语、宾语、补语还是状语等,通过确定个关键词在句子中的成分,即确定了各关键词之间的关系。预定的依存句法分析方式可以为汉语言处理包(Han Language Processing;英文简称:Hanlp)的依存句法分析方法。例如文本语料query为“帮我打开灯和空调”,对该文本语料进行依存关系分析示意图可以如图4(a)所示,通过依存句法分析方式能够分析出文本语料中的“灯”和“空调”都是“打开”动作的直接宾语,所以“灯”和“空调”对应“打开”动作,由此就可以获得“灯”与“打开”的对应关系,以及“空调”与“打开”的对应关系。
再如文本语料query为“帮我打开灯关闭空调”则对该文本语料进行依存关系分析示意图可以如图4(b)所示,通过依存句法分析方式能够分析出“灯”是“打开”的宾语,“空调”是“关闭”的宾语。由此就可以获得“灯”与“打开”的对应关系,以及“空调”与“关闭”的对应关系,因此获得对应设备和动作得对应关系。本实施例中,通过获得包含控制动作以及控制对象的完整意图内容,使得后续获得意图识别结果根据全面、准确。
本发明在另一实施例中,可以预先训练获得意图识别模型,具体模型训练过程为:获取若干样本文本语料以及与各样本文本语料对应的样本意图标签;基于预设关键词与各所述预设关键词对应的关键词意图标签,利用初始意图识别模型,计算所述样本文本语料中各所述关键词对应于各关键词意图标签对应的概率;基于所述概率确定当前意图识别结果;基于所述当前意图识别结果与所述样本意图标签之间的差异,对所述初始意图识别模型中的模型参数进行调整,直至满足训练条件时停止训练,得到已训练的意图识别模型。
本实施例中,样本文本语料可以从历史意图识别的人机对话中采集获得,也可以由人工根据各语境设置获得等。其中,样本意图标签表示已知的、用户想要达到的目的信息,也即预先标注的意图标签。
具体地,可以预先针对词库中的一些预设关键词,标注出各预设关键词对应的关键词意图标签。例如,“温度”属于“天气”意图;“打开灯”是属于“设备控制”意图;“一个小时后关闭”属于“延时控制”意图等等。
例如,样本文本语料为“关闭灯并在一个小时后关闭它打开空调”可以为该样本文本语料配置样本意图识别结果为“设备控制”以及“延时控制”。由此,就可以基于该样本文本语料中的“灯”、“打开”、“关闭”以及“一个小时”这几个关键词,以及这几个关键词对应的关键词意图标签“设备控制”、“延时控制”、“天气”、“闹钟”、“定时提醒”,利用初始意图识别模型计算获得各关键词对应于各关键词意图标签的概率。
例如计算获得“设备控制”的概率为0.3,“延时控制”的概率为0.2、“天气”的概率为0.4、“闹钟”的概率为0.05、“定时提醒”的概率为0.05。则确定“天气”对应的概率最大,因此可以获得当前意图识别结果为“天气”,而样本意图标签为“设备控制”,则确定当前意图识别结果与样本意图标签存在差异,并计算出当前意图识别结果与样本意图标签之间的差异损失,并基于该差异损失对该初始意图识别模型中的模型参数进行调整,然后重复上述步骤,直至满足训练条件,则停止模型训练,从而获得已训练的具有较为精准的意图识别能力的意图识别模型。可以理解,训练条件可以是当前意图识别结果与样本意图标签之间的结果准确率达到预设阈值、或者训练次数达到预定次数阈值等等本申请对此不做限定。
本实施例中,通过训练获得意图识别模型,能够后续在未匹配到规则模板的情况下,也能基于该模型识别获得意图识别结果,避免了在未匹配到规则模板时,无法识别出用户意图的问题。
本发明又一实施例提供一种意图识别方法,如图5所示,包括如下步骤:
步骤S201,基于若干样本文本语料以及与各样本文本语料对应的样本意图识别结果,对初始意图识别模型进行训练,获得意图识别模型。
步骤S202,构建若干规则模板;其中,各所述规则模板包括:若干单词槽位以及与各单词槽位组对应的意图标签;各所述单词槽位分别配置有单词类型信息。
本步骤中,具体可以基于业务经验数据来预先建立若干规则模板,以此来为后续基于规则模板对文本语料进行意图匹配提供保障。
本步骤在具体实施过程中,某一个规则模板具体可以如下所示:
[D:passive][D:action][D:device][D:and][D:time][D:action][D:refer][W:0-1];
0-2@device_control|||4-6@delay_control。
其中D表示单词即关键词。passive、action、device、time、refer分别表示单词类型。其中passive代表单词类型为客套词,action表示单词类型为动,device表示单词类型为设备,time表示单词类型为时间,refer表示单词类型为代词。[W:0-1]表示规则模板0-1,即规则模板的序号。
“0-2@device_control”表示为该规则模板配置的意图标签,即为0-2个单词槽位(即[D:passive][D:action][D:device]这3个单词槽位)所组成的单词槽位组配置“device_control设备控制”的意图标签。
“|||”代表这个规则模板还有其他意图标签。
“4-6@delay_control”表示为该规则模板配置的意图标签,即4-6个单词槽位(即[D:time][D:action][D:refer]这3个单词槽位)所组成的单词槽位组配置“delay_control延时设备控制”的意图标签。也就是[D:time][D:action][D:refer]子句的意图为delay_control。
步骤S203,获取待进行意图识别的文本语料。
本步骤中具体终端设备可以获取用户的语音信息,然后对语音信息进行文本转换,以此来获得相应的文本语料。本步骤中文本语料例如可以为:“帮我打开空调”、“帮打开空调和音响,一个小时后关闭音响”、“帮我打开客厅的灯和空调,关闭电视机,一个小时后全部关闭它们”等等。
步骤S204,基于所述文本语料获取若干关键词,基于各所述关键词以及各所述关键词所属的单词类型分别与各规则模板中的单词槽位的单词类型进行匹配;在各所述关键词在同一规则模板中均匹配到对应的单词槽位的情况下,确定匹配到所述目标规则模板,执行步骤S205;在各所述关键词在任一规则模板中未同时匹配到对应的单词槽位的情况下,确定未匹配到目标规则模板,执行步骤S206。
本步骤中,以规则模板为如下进行举例说明。即某一规则模板为:[D:passive][D:action][D:device][D:and][D:time][D:action][D:refer][W:0-1];0-2@device_control|||4-6@delay_control。
其中,0-2单词槽位组成的槽位组的意图标签为“设备控制”,4-6单词槽位组成的槽位组的意图标签为“延时设备控制”。当语料文本为“打开电视机,一个小时后全部关闭他”。通过进行规则模板匹配,可以将关键词“打开”配到规则模板中[D:action]这个单词槽位,将“电视机”匹配到规则模板中[D:device]这个单词槽位,将关键词“一个小时”匹配到规则模板中[D:time]这个单词槽位,将关键词“它”匹配到规则模板中[D:refer]这个单词槽位,由此可以确定上述这条规则模板为目标规则模板。
步骤S205,基于所述目标规则模板中的各目标单词槽位所对应的关键词、以及各目标单词槽位组对应的目标意图标签,获得至少一个意图识别结果。
本步骤中,当终端设备匹配到目标规则模板之后,就可以具有目标规则模板来获得意图识别结果,例如匹配到下述规则模板:
[D:passive][D:action][D:device][D:and][D:time][D:action][D:refer][W:0-1];0-2@device_control|||4-6@delay_control;
则可以根据该规则模板中,各单词槽位组的意图标签来获得意图识别结果,即获得“设备控制”以及“设备延时控制”这两个意图识别结果。
步骤S206,获取所述文本语料中的各关键词以及与各所述关键词对应的意图标签;基于各所述关键词以及与各所述关键词对应的意图标签,利用所述意图识别模型计算获得各所述关键词对应于各所述意图标签的概率;基于各所述关键词对应于各所述意图标签的概率确定第一目标意图标签。
步骤S207,基于所述文本语料中的连接关系词对所述文本语料进行拆分,获得若干子文本语料;获取各子文本语料的关键词,以及与各关键词对应的意图标签;基于各子文本语料的关键词以及与各关键词对应的意图标签,分别基于已训练的意图识别模型,对各所述子文本语料进行意图识别,获得与各子文本语料对应的第二目标意图标签;于各所述第一目标意图标签以及各所述第二目标意图标签,获得目标意图标签。
本步骤中,通过进一步对所述文本语料进行拆分获得若干子文本语料,然后利用意图识别模型分别对各子文本语料进行意图识别,从而获得意图识别结果,然后将文本语料拆分后所获得的意图识别结果与未拆分所获得的意图识别结果进行比较,如果二者一致,则取模型结果。如果二者不一致,则判断文本语料拆解后所对应的意图识别结果中每句话单句意图识别得分的高低,即判断意图识别结果中意图示签的概率,如果均超过设定阈值,则取文本语料拆解后所对应的第二目标意图标签为最终的目标意图标签,否则取文本语料拆解前所对应的第一目标意图标签为最终的目标意图标签。
步骤S208,对所述文本语料中的各关键词进行依存关系分析,获得包含动作关键词以及控制设备关键词的目标对应关系;基于各所述目标对应关系以及各所述目标对应关系中动作关键词对应的目标意图标签,获得所述意图识别结果。
本实施例中,为了使得最终的意图识别结果更加的全面,在获得目标意图标签之后,还可以进行依赖关系分析,以获得与各意图标签对应的目标设备对象及目标操作,即获得与各意图标签对应的设备关键词对象及动作关键词。具体可以基于预定的依存句法分析方式对所述文本语料中的各关键词进行依存关系分析,获得包含动作关键词以及控制设备关键词的目标对应关系;其中,预定的依存句法分析方式可以为汉语言处理包(HanLanguage Processing;英文简称:Hanlp)的依存句法分析方法。
本实施例中的依赖关系分析是在规则匹配和模型识别意图之后进行下一个步骤操作,这个步骤通过拿到上一轮识别后的意图和词槽标签,然后对词槽进行依赖分析。进行了依赖分析才能真正知道每个query中对设备是对应要执行什么动作。例如“帮我打开灯和空调”可以得到目标对应关系为:空调对应的动作是打开,灯对应的动作也是打开。再如“帮我打开灯、空调在1个小时关闭”。可以得到目标对应关系为:灯的动作是打开,空调的动作是关闭。
以下结合具体的应用场景进行说明,如图6所示,本实施例中的意图识别方法包括:
步骤一、电子设备中的语音助手获取待进行意图识别的文本语料,然后将文本语料转换成字符串query;
步骤二、电子设备中的语音助手利用规则模板对query进行匹配,如匹配成功,则直接获得意图识别结果;否则执行步骤三;
步骤三、电子设备中的语音助手利用模型对query进行意图识别,获得第一意图识别结果;该第一意图识别结果中包含至少一个意图标签;
步骤四、电子设备中的语音助手判断query是否存在标志词/连接关系词;若不存在标志词,则将步骤三获得的第一意图识别结果作为最终的意图识别结果;若存在标志词,则执行步骤五;
步骤五、电子设备中的语音助手根据标志词/连接关系词对query进行拆解,获得若干子query并利用意图识别模型进行识别,获得第二意图识别结果;该第二意图识别结果中包含至少一个意图标签;
步骤六、电子设备中的语音助手结合第一意图识别结果和第二意图识别结果,获得最终的目标意图识别结果;
本步骤中电子设备可以将第一意图识别结果和第二意图识别结果进行比较,在确定二者一致的情况下,则可以将第一意图识别结果或第二意图识别结果作为最终的目标意图识别结果;在二者不一致的情况下,则可以根据第一意图识别结果中的意图标签概率值,以及第二意图识别结果中意图示签的概率值,确定概率值均高于预定值的为最终的目标意图标签,然后确定相应的意图识别结果为最终的意图识别结果。
步骤七、电子设备中的语音助手对文本语料进行依赖关系挖掘/分析,获得动作与设备对象的对应关系。
本实施例中,当电子设备中的语音助手获得最终的目标意图识别结果,以及语料文本中动作与设备对象的对应关系之后,就可以确定对应的一个或多个语音指令,然后基于语音指令对智能家居中的窗帘、灯、电视、音箱等等设备进行控制,或者将控制指令发送至网关,由网关基于控制指令控制对相应的家居设备进行控制。
本实施例中的方法,解决现目前语音助手语义理解的瓶颈,即目前大多数语音助手产品只能进行简单的句子语义的理解,比如,打开空调,关闭灯光等简单的只有一个意思的语义。本发明可以实现更为人性化无障碍的语音助手语义理解,使得智能家居***对用户的语音分析更加精准,进而能够根据准确的对智能设备进行控制。
本发明另一实施例提供一种意图识别装置,如图7所示,包括:
获取模块11,用于获取待进行意图识别的文本语料;
匹配模块12,用于将所述文本语料分别与规则模板进行匹配,获得匹配结果;
第一识别模块13,用于在所述匹配结果为匹配到与所述语料文本对应的目标规则模板的情况下,基于所述目标规则模板识别获得所述文本语料中的意图识别结果;
第二识别模块14,用于在所述匹配结果为未匹配到对应的目标规则模板的情况下,基于已训练的意图识别模型,对所述文本语料进行意图识别,获得意图识别结果。
本实施例在具体实施过程中,各所述规则模板包括若干单词槽位;所述匹配模块用于:
基于所述文本语料获取若干关键词,基于各所述关键词分别与各规则模板中的单词槽位进行匹配;
在各所述关键词在同一规则模板中均匹配到对应的单词槽位的情况下,确定匹配到所述目标规则模板;
在各所述关键词在任一规则模板中未同时匹配到对应的单词槽位的情况下,确定未匹配到目标规则模板。
本实施例在具体实施过程中,各所述规则模板包括与各单词槽位组对应的意图标签;所述第一获得模块用于:
基于所述目标规则模板中的各目标单词槽位所对应的关键词、以及各目标单词槽位组对应的目标意图标签,获得意图识别结果。
本实施例在具体实施过程中,所述第二获得模块用于:获取所述文本语料中的各关键词以及与各所述关键词对应的意图标签;
基于各所述关键词以及与各所述关键词对应的意图标签,利用所述意图识别模型计算获得各所述关键词对应于各所述意图标签的概率;
基于各所述关键词对应于各所述意图标签的概率确定第一目标意图标签,以获得意图识别结果。
本实施例在具体实施过程中,所述第二获得模块还用于:在基于各所述关键词对应于各所述意图标签的概率确定第一目标意图标签之后,基于所述文本语料中的连接关系词对所述文本语料进行拆分,获得若干子文本语料;
获取各子文本语料的关键词,以及与各关键词对应的意图标签;
基于各子文本语料的关键词以及与各关键词对应的意图标签,分别基于已训练的意图识别模型,对各所述子文本语料进行意图识别,获得与各子文本语料对应的第二目标意图标签;
基于各所述第一目标意图标签以及各所述第二目标意图标签,获得所述意图识别结果。
本实施例在具体实施过程中,所述意图识别装置还包括分析模块,所述分析模块用于,在获得目标意图标签之后,对所述文本语料中的各关键词进行依存关系分析,获得包含动作关键词以及控制设备关键词的目标对应关系;
基于各所述目标对应关系以及各所述目标对应关系中动作关键词对应的目标意图标签,获得所述意图识别结果。
本实施例在具体实施过程中,所述意图识别装置还包括训练模块,所述训练模块用于:在所述获取待进行意图识别的文本语料之前,训练获得所述意图识别模型,所述训练模块具体用于:
获取若干样本文本语料以及与各样本文本语料对应的样本意图标签;基于预设关键词与各所述预设关键词对应的关键词意图标签,利用初始意图识别模型,计算所述样本文本语料中各所述关键词对应于各关键词意图标签对应的概率;基于所述概率确定当前意图识别结果;基于所述当前意图识别结果与所述样本意图标签之间的差异,对所述初始意图识别模型中的模型参数进行调整,直至满足训练条件时停止训练,得到已训练的意图识别模型。
本实施例中的意图识别装置,通过采用规则模板与意图识别模型相结合的方式,来对文本语料进行意图识别,能够使得最终的意图识别结果更加的精准,解决了现有技术中,单一的采用模型进行意图识别造成的识别结果不准确的问题。
本发明另一实施提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任意意图识别方法的实施例,本实施例在此不再重复赘述。
本实施例中的存储介质,通过采用规则模板与意图识别模型相结合的方式,来对文本语料进行意图识别,能够使得最终的意图识别结果更加的精准,解决了现有技术中,单一的采用模型进行意图识别造成的识别结果不准确的问题。
本发明另一实施提供一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现上述任意意图识别方法的实施例,本实施例在此不再重复赘述。
本实施例中的电子设备,通过采用规则模板与意图识别模型相结合的方式,来对文本语料进行意图识别,能够使得最终的意图识别结果更加的精准,解决了现有技术中,单一的采用模型进行意图识别造成的识别结果不准确的问题。
本发明另一实施提供一种计算机程序产品或计算机程序,所述计算机程序产品或计算机程序包括计算机指令,所述计算机指令存储在计算机可读存储介质中;所述计算机设备的处理器从所述计算机可读存储介质读取所述计算机指令,所述处理器执行所述计算机指令时实现上述任意意图识别方法的实施例,本实施例在此不再重复赘述。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种意图识别方法,其特征在于,包括:
获取待进行意图识别的文本语料;
将所述文本语料分别与规则模板进行匹配,获得匹配结果;
在所述匹配结果为匹配到与所述语料文本对应的目标规则模板的情况下,基于所述目标规则模板识别获得所述文本语料中的意图识别结果;
在所述匹配结果为未匹配到对应的目标规则模板的情况下,基于已训练的意图识别模型,对所述文本语料进行意图识别,获得意图识别结果。
2.如权利要求1所述的方法,其特征在于,各所述规则模板包括若干单词槽位;所述将所述文本语料分别与规则模板进行匹配,获得匹配结果,包括:
基于所述文本语料获取若干关键词,基于各所述关键词分别与各规则模板中的单词槽位进行匹配;
在各所述关键词在同一规则模板中均匹配到对应的单词槽位的情况下,确定匹配到所述目标规则模板;
在各所述关键词在任一规则模板中未同时匹配到对应的单词槽位的情况下,确定未匹配到目标规则模板。
3.如权利要求1所述的方法,其特征在于,各所述规则模板包括与各单词槽位组对应的意图标签;
所述基于所述目标规则模板识别获得所述文本语料中的意图识别结果,包括:
基于所述目标规则模板中的各目标单词槽位所对应的关键词、以及各目标单词槽位组对应的目标意图标签,获得意图识别结果。
4.如权利要求1所述的方法,其特征在于,所述基于已训练的意图识别模型,对所述文本语料进行意图识别,获得意图识别结果,包括:
获取所述文本语料中的各关键词以及与各所述关键词对应的意图标签;
基于各所述关键词以及与各所述关键词对应的意图标签,利用所述意图识别模型计算获得各所述关键词对应于各所述意图标签的概率;
基于各所述关键词对应于各所述意图标签的概率确定第一目标意图标签,以获得意图识别结果。
5.如权利要求4所述的方法,其特征在于,在基于各所述关键词对应于各所述意图标签的概率确定第一目标意图标签之后,所述方法还包:
基于所述文本语料中的连接关系词对所述文本语料进行拆分,获得若干子文本语料;
获取各子文本语料的关键词,以及与各关键词对应的意图标签;
基于各子文本语料的关键词以及与各关键词对应的意图标签,分别基于已训练的意图识别模型,对各所述子文本语料进行意图识别,获得与各子文本语料对应的第二目标意图标签;
基于各所述第一目标意图标签以及各所述第二目标意图标签,获得所述意图识别结果。
6.如权利要求3-5任意一项所述的方法,其特征在于,在获得目标意图标签之后,所述方法还包括:
对所述文本语料中的各关键词进行依存关系分析,获得包含动作关键词以及控制设备关键词的目标对应关系;
基于各所述目标对应关系以及各所述目标对应关系中动作关键词对应的目标意图标签,获得所述意图识别结果。
7.如权利要求1-5任意一项所述的方法,其特征在于,在所述获取待进行意图识别的文本语料之前,所述方法还包括:训练获得所述意图识别模型,包括:
获取若干样本文本语料以及与各样本文本语料对应的样本意图标签;
基于预设关键词与各所述预设关键词对应的关键词意图标签,利用初始意图识别模型,计算所述样本文本语料中各所述关键词对应于各关键词意图标签对应的概率;
基于所述概率确定所述样本文本语料对应的当前意图识别结果;
基于所述当前意图识别结果与所述样本意图标签之间的差异,对所述初始意图识别模型中的模型参数进行调整,直至满足训练条件时停止训练,得到已训练的意图识别模型。
8.一种意图识别装置,其特征在于,包括:
获取模块,用于获取待进行意图识别的文本语料;
匹配模块,用于将所述文本语料分别与规则模板进行匹配,获得匹配结果;
第一识别模块,用于在所述匹配结果为匹配到与所述语料文本对应的目标规则模板的情况下,基于所述目标规则模板识别获得所述文本语料中的意图识别结果;
第二识别模块,用于在所述匹配结果为未匹配到对应的目标规则模板的情况下,基于已训练的意图识别模型,对所述文本语料进行意图识别,获得意图识别结果。
9.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-7任一项所述的方法的步骤。
10.一种电子设备,其特征在于,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现上述权利要求1-7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211657527.2A CN116187335A (zh) | 2022-12-22 | 2022-12-22 | 意图识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211657527.2A CN116187335A (zh) | 2022-12-22 | 2022-12-22 | 意图识别方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116187335A true CN116187335A (zh) | 2023-05-30 |
Family
ID=86441309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211657527.2A Pending CN116187335A (zh) | 2022-12-22 | 2022-12-22 | 意图识别方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187335A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662555A (zh) * | 2023-07-28 | 2023-08-29 | 成都赛力斯科技有限公司 | 一种请求文本处理方法、装置、电子设备及存储介质 |
-
2022
- 2022-12-22 CN CN202211657527.2A patent/CN116187335A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662555A (zh) * | 2023-07-28 | 2023-08-29 | 成都赛力斯科技有限公司 | 一种请求文本处理方法、装置、电子设备及存储介质 |
CN116662555B (zh) * | 2023-07-28 | 2023-10-20 | 成都赛力斯科技有限公司 | 一种请求文本处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Keneshloo et al. | Deep reinforcement learning for sequence-to-sequence models | |
WO2021093449A1 (zh) | 基于人工智能的唤醒词检测方法、装置、设备及介质 | |
CN111914568B (zh) | 文本修辞句的生成方法、装置、设备及可读存储介质 | |
CN112288075B (zh) | 一种数据处理方法及相关设备 | |
Brants | TnT-a statistical part-of-speech tagger | |
CN109410927A (zh) | 离线命令词与云端解析结合的语音识别方法、装置和*** | |
Räsänen | Computational modeling of phonetic and lexical learning in early language acquisition: Existing models and future directions | |
Mirkovic et al. | Where does gender come from? Evidence from a complex inflectional system | |
KR20200021429A (ko) | 오디오 중의 키 프레이즈를 인식하기 위한 방법과 장치, 기기 및 매체 | |
CN111710337B (zh) | 语音数据的处理方法、装置、计算机可读介质及电子设备 | |
WO2007075374A2 (en) | Automatic grammar generation using distributedly collected knowledge | |
CN114596844B (zh) | 声学模型的训练方法、语音识别方法及相关设备 | |
CN114676255A (zh) | 文本处理方法、装置、设备、存储介质及计算机程序产品 | |
CN110210036A (zh) | 一种意图识别方法及装置 | |
Bahcevan et al. | Deep neural network architecture for part-of-speech tagging for turkish language | |
CN116187335A (zh) | 意图识别方法、装置、存储介质及电子设备 | |
CN116541493A (zh) | 基于意图识别的交互应答方法、装置、设备、存储介质 | |
CN116069916A (zh) | 旅游景点问答*** | |
CN111126084A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN111968646B (zh) | 一种语音识别方法及装置 | |
CN111931503B (zh) | 信息抽取方法及装置、设备、计算机可读存储介质 | |
Nair et al. | Enabling remote school education using knowledge graphs and deep learning techniques | |
GB2604317A (en) | Dialogue management | |
CN116757195A (zh) | 一种基于提示学习的隐性情感识别方法 | |
CN116978367A (zh) | 语音识别方法、装置、电子设备和存储介质 |
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 |