CN116842130A - 数据检索方法、模型训练方法、装置及设备 - Google Patents
数据检索方法、模型训练方法、装置及设备 Download PDFInfo
- Publication number
- CN116842130A CN116842130A CN202310706644.1A CN202310706644A CN116842130A CN 116842130 A CN116842130 A CN 116842130A CN 202310706644 A CN202310706644 A CN 202310706644A CN 116842130 A CN116842130 A CN 116842130A
- Authority
- CN
- China
- Prior art keywords
- query
- text
- intent
- intention
- instruction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012549 training Methods 0.000 title claims abstract description 30
- 230000004044 response Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 108010001267 Protein Subunits Proteins 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 239000000463 material Substances 0.000 description 21
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- 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
- G06F40/295—Named entity recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种数据检索方法、模型训练方法、装置及设备,涉及人工智能领域,具体涉及自然语言处理、深度学习、智能推荐技术,可应用在智慧城市、智慧政务场景下。实现方案为:获取用户输入的查询文本和指令文本;基于查询文本,识别获得查询文本中的至少一个实体词;基于查询文本、指令文本以及至少一个实体词,确定用户的至少一个查询意图;以及基于至少一个查询意图和至少一个实体词进行数据检索,以获得目标数据。
Description
技术领域
本公开涉及人工智能领域,具体涉及自然语言处理、深度学习、智能推荐技术,可应用在智慧城市、智慧政务场景下,具体涉及一种数据检索方法、意图识别模型的训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
随着大数据时代的到来,数据检索方法变得越来越重要。数据检索广泛应用于各个领域,例如电子商务、社交媒体和检索引擎等。传统的数据检索方法通常基于关键词检索,它通过匹配查询中的关键词和数据库中的数据来进行检索。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种数据检索方法、意图识别模型的训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种数据检索方法,包括:获取用户输入的查询文本和指令文本,指令文本用于限定所要检索的数据的类别;基于查询文本,识别获得查询文本中的至少一个实体词;基于查询文本、指令文本以及至少一个实体词,确定用户的至少一个查询意图;以及基于至少一个查询意图和至少一个实体词进行数据检索,以获得目标数据。
根据本公开的另一方面,提供了一种意图识别模型的训练方法,包括:获取至少一个样本数据,至少一个样本数据中的每个样本数据包括查询文本、指令文本以及至少一个查询意图标签,指令文本用于限定所要检索的数据的类别;针对至少一个样本数据中的每个样本数据,执行下述操作:基于该样本数据对应的查询文本,识别获得该查询文本中的至少一个实体词;基于该样本数据对应的查询文本、指令文本以及至少一个实体词,利用意图识别模型预测获得至少一个意图预测结果;以及基于至少一个意图预测结果和该样本数据对应的至少一个查询意图标签,调整意图识别模型的至少一个参数。
根据本公开的另一方面,提供了一种数据检索装置,包括:第一获取单元,被配置为获取用户输入的查询文本和指令文本,指令文本用于限定所要检索的数据的类别;识别单元,被配置为基于查询文本,识别获得查询文本中的至少一个实体词;确定单元,被配置为基于查询文本、指令文本以及至少一个实体词,确定用户的至少一个查询意图;以及检索单元,被配置为基于至少一个查询意图和至少一个实体词进行数据检索,以获得目标数据。
根据本公开的另一方面,提供了一种意图识别模型的训练装置,包括:第一获取单元,被配置为获取至少一个样本数据,至少一个样本数据中的每个样本数据包括查询文本、指令文本以及至少一个查询意图标签,指令文本用于限定所要检索的数据的类别;执行单元,被配置为针对至少一个样本数据中的每个样本数据,执行下述子单元执行的操作,执行单元包括:识别子单元,被配置为基于该样本数据对应的查询文本,识别获得该查询文本中的至少一个实体词;预测子单元,被配置为基于该样本数据对应的查询文本、指令文本以及至少一个实体词,利用意图识别模型预测获得至少一个意图预测结果;以及调整子单元,被配置为基于至少一个意图预测结果和该样本数据对应的至少一个查询意图标签,调整意图识别模型的至少一个参数。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述数据检索方法或意图识别模型的训练方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行上述数据检索方法或意图识别模型的训练方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现上述数据检索方法或意图识别模型的训练方法。
根据本公开的一个或多个实施例,能够使得意图识别更加精准,更加符合用户实际需求,进而提升后续数据检索的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性***的示意图;
图2示出了根据本公开的实施例的数据检索方法的流程图;
图3示出了根据本公开的实施例的确定至少一个查询意图的流程图;
图4示出了根据本公开的示例性实施例的数据检索方法的流程框图;
图5示出了根据本公开的实施例的获得目标数据的流程图;
图6示出了根据本公开的实施例的意图识别模型的训练方法的流程图;
图7示出了根据本公开的实施例的数据检索装置的结构框图;
图8示出了根据本公开的实施例的意图识别模型的训练装置的结构框图;
图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性***100的示意图。参考图1,该***100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行上述数据检索方法或意图识别模型的训练方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的***配置是可能的,其可以与***100不同。因此,图1是用于实施本文所描述的各种方法的***的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来获取用户的查询文本和指令文本。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏***、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作***,例如MICROSOFT Windows、APPLE iOS、类UNIX操作***、Linux或类Linux操作***(例如GOOGLE Chrome OS);或包括各种移动操作***,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏***可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作***的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作***以及任何商业上可用的服务器操作***的一个或多个操作***。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式***的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
***100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件***支持的常规存储库。
图1的***100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
根据一些实施例,如图2所示,提供了一种数据检索方法,包括:
步骤S201、获取用户输入的查询文本和指令文本,指令文本用于限定所要检索的数据的类别;
步骤S202、基于查询文本,识别获得查询文本中的至少一个实体词;
步骤S203、基于查询文本、指令文本以及至少一个实体词,确定用户的至少一个查询意图;以及
步骤S204、基于至少一个查询意图和至少一个实体词进行数据检索,以获得目标数据。
由此,通过在意图识别时引入指令文本,能够通过指令文本对查询文本的意图进行进一步纠正,从而使得意图识别更加精准,更加符合用户实际需求,进而提升后续数据检索的准确性。
在一些实施例中,上述数据检索方法可以应用于单一表格检索、多表格检索等应用场景。例如,对于政务搜索场景中,数据以结构化文本(例如多个表格)的形式存储,上述数据检索方法可以应用于上述领域中的有关档案对象的检索中。
在一些实施例中,首先可以获取用户输入的查询文本和指令文本。在一些示例性实施例中,查询文本例如可以为“名叫XX的人”。
在一些实施例中,指令文本可以用于限定所要检索的数据的类别。在一些示例性实施例中,指令文本例如可以为限定所要检索的数据的类别为人物基本信息、视图信息等。例如,关于搜索人物基本信息的指令文本可以包括“找人”、“搜人”、“搜人信息”等,关于搜索视图信息的指令文本可以包括“搜照片”、“搜视图”、“找视觉数据”等。
在一些实施例中,指令文本一定程度上能反应用户的查询意图,通过基于指令文本与查询文本相结合进行查询意图识别,能够对用户通过自然语言表达的查询文本起到参考和纠正的作用,进而提升意图识别的准确率。
在一些实施例中,可以通过应用预训练的命名实体识别模型进行查询文本中的实体词的识别。例如,针对“XX时间从XX地点采购的物资A”进行命名实体识别,可以分别识别出实体词“XX时间”、“XX地点”、“物资A”,其分别对应实体“时间”、“地点”、“物资”。
在一些实施例中,基于查询文本,识别获得查询文本中的至少一个实体词可以包括:利用经训练的第一命名实体识别模型,识别查询文本中的操作指令词;以及响应于在查询文本中识别到至少一个操作指令词,利用经训练的第二命名实体识别模型,识别筛除至少一个操作指令词后的第一查询文本,以获得至少一个实体词。
由此,在提取实体词之前,首先对查询文本中的指令词进行识别并过滤,从而能够避免在提取实体词时将指令词识别为实体词,而影响后续数据检索的精确度。
在一些实施例中,用户在输入查询文本时,通常会引入一些与检索操作相关的操作指令词,例如“搜索名为XXX的员工”,其中包含操作指令词“搜索……的员工”,这种操作指令词如被误识别为实体词,则可能影响后续目标数据的召回。
因此,可以首先基于包含对操作指令词进行标注后的样本查询文本的样本数据集,训练一个用于对操作指令词进行识别标注的第一命名实体识别模型。
在对查询文本进行实体词识别之前,可以首先利用经训练的第一命名实体识别模型,识别查询文本中的操作指令词;随后,将查询文本中的操作指令词从查询文本中滤除,并利用经训练的第二命名实体识别模型,识别筛除操作指令词后的第一查询文本,从而获得查询文本中的实体词,以用于下游目标数据的召回和排序。
在一些实施例中,也可以将筛除操作指令词后的第一查询文本以及识别得到的实体词一并输入下游目标数据召回模块和排序模块,从而通过更加准确、丰富的语义信息,对目标数据进行召回和排序。
在一些实施例中,基于查询文本、指令文本以及至少一个实体词,确定用户的至少一个查询意图可以包括:响应于经训练的意图识别模型可用并且查询文本与第一预置列表中的每个预置查询文本均不匹配,将查询文本、指令文本以及至少一个实体词输入意图识别模型,以获取意图识别模型输出的至少一个意图识别结果,以作为至少一个查询意图,其中,第一预置列表中的至少一个预置查询文本包括应用意图识别模型所获得的意图识别结果存在错误的至少一个历史查询文本。
在一些实施例中,响应于可以获取到预先训练好的意图识别模型时(也即意图识别模型可用),可以将查询文本、指令文本以及至少一个实体词输入到一个预先训练好的意图识别模型,以获得该模型输出的至少一个查询意图。
在一些实施例中,可以在应用模型之前,首先判断查询文本与第一预置列表中的预置查询文本是否匹配,从而确定当前查询文本是否为意图识别模型在前序处理中存在识别错误的查询文本。当确定该查询文本未被预存在该列表中,则将上述信息输入到模型中,以获得相应的查询意图。
在一些示例性实施例中,查询文本、指令文本以及至少一个实体词可以按照预设格式进行拼接后,输入模型。其中,预设格式例如可以为“[时间][地点][SEP]查询文本[SEP]指令文本”,其中:SEP为分隔符。
由此,通过设置第一预置列表,从而将经复核或用户反馈时发现的模型存在识别错误的历史查询文本过滤掉,并将其余查询文本应用经训练的意图识别模型进行意图识别,从而提升意图识别的效率和准确度,进而提升后续数据检索的效率及准确度。
在一些实施例中,如图3所示,基于查询文本、指令文本以及至少一个实体词,确定用户的至少一个查询意图还包括:
步骤S301、响应于满足下述条件中的至少一者:意图识别模型不可用以及查询文本与第一预置列表中的第一预置查询文本匹配,获取多个句式模板,多个句式模板中的每个句式模板对应至少一个预设查询意图;
步骤S302、针对多个句式模板中的每个句式模板,响应于该句式模板中包括与至少一个实体词中的第一实体词的实体类型对应的词槽,将第一实体词填入词槽,以获得第一查询句式;以及
步骤S303、针对多个句式模板中的每个句式模板,至少基于第一查询句式和查询文本,确定第一匹配度;以及
步骤S304、获取查询文本对应的至少一个第一查询句式中的第一匹配度最高的第一查询句式,以将该第一查询句式对应的句式模板对应的至少一个预设查询意图作为至少一个查询意图。
由此,在无法获取到意图识别模型(例如因为网络信号中断而导致无法从线上获得意图识别模型),和/或意图识别模型获得的识别结果不准确的情况下,通过应用模板匹配的方式进行意图识别,从而能够准确地对模型无法准确识别的个例进行处理,提升了意图识别的准确度,保障数据检索的稳定性和可靠性,提升后续数据检索的准确度。
在一些实施例中,可以预先定义好多个句式模板,并定义每个句式模板对应的查询意图。其中,每个句式模板包括至少一个实体词槽,一些句式模板中也可以包含至少一个预设关键词。
在一些实施例中,可以将由查询文本中提取的实体词,填写到每个与该实体词对应的实体词槽中,从而获得填写后的至少一个第一查询句式。随后,可以通过计算每个第一查询句式与查询文本之间的第一匹配度,从而确定其中与查询文本最匹配的句式模板,并将该句式模板对应的预设查询意图作为查询文本的查询意图。
在一些示例性实施例中,查询文本例如为“XX时间通过飞机运输到XX地点的物资A”,句式模板例如可以为“[时间]飞机[地点][物资]”,该模板对应的查询意图可以为“查通过飞机运输的物资(Flight_Property)”。其中,[时间]、[地点]、[物资]为实体词槽,“飞机”为关键词。
对于上述句式模板,可以将实体词填写到相应词槽后,对获得的第一查询句式“XX时间飞机XX地点物资A”与查询文本进行语义相似度计算,从而确定第一匹配度。
在一些示例性实施例中,查询文本例如为“XX时间通过飞机运输到XX地点的物资A”,句式模板例如可以为“[时间].*乘飞机.*的.*物资”,其中,[时间]为实体词槽,“乘飞机”、“物资”为关键词。
对于上述句式模板,可以将实体词填写到相应词槽后,对获得的第一查询句式“XX时间.*乘飞机.*的.*物资”与查询文本进行正则匹配,从而确定第一匹配度。
在一些实施例中,至少基于第一查询句式和查询文本,确定第一匹配度可以包括:基于第一查询句式和由指令文本和查询文本组成的第二查询句式,确定第一匹配度。
由此,通过同时应用指令文本和查询文本进行模板匹配,以进行意图识别,从而能够进一步提升模板匹配这种识别方式的意图识别准确度。
图4示出了根据本公开的示例性实施例的数据检索方法的流程框图。
在一些示例性实施例中,如图4所示,数据检索方法可以包括:步骤S401、基于查询文本,识别获得查询文本中的至少一个实体词;步骤S402、判断是否满足预设条件,其中,预设条件包括经训练的意图识别模型可用并且查询文本与第一预置列表中的每个预置查询文本均不匹配;步骤S403、响应于满足预设条件,将查询文本、指令文本以及至少一个实体词输入意图识别模型,以获取意图识别模型输出的至少一个意图识别结果,以作为至少一个查询意图;步骤S404、响应于未满足预设条件,基于模板匹配的方式确定查询文本对应的至少一个查询意图;以及步骤S405、基于至少一个查询意图和至少一个实体词进行数据检索,以获得目标数据。
在一些实施例中,至少一个查询意图的数量为多个并且包含对应于预设意图体系中的不同层级的多个第一意图,预设意图体系包括至少一个上级意图以及与至少一个上级意图中每个对应的至少一个下级意图。
基于查询文本、指令文本以及至少一个实体词,确定用户的至少一个查询意图还可以包括:针对多个第一意图中的每个下级意图,响应于多个第一意图中不包括该下级意图对应的上级意图,将该下级意图从多个第一意图中删除,以更新至少一个查询意图。
由此,通过设置多层级查询意图,对于下级查询意图难以识别的情况,能够使其至少匹配到上级标签,从而避免意图识别失败,提升意图识别及数据检索的整体方案的可靠性;同时,对于下级标签可能匹配不准确的问题,可以通过同时匹配到的上级标签进行校正(当在识别得到的多个意图中,未找到下级意图对应的上级意图时,则判断下级意图识别不准确,以上级意图为准进行后续表格检索),从而提升意图识别的准确性。
在一些示例性实施例中,预设意图体系可以包括上级标签“查运输的物资(Trip_Property)”,其下级标签例如可以包括“查通过飞机运输的物资(Flight_Property)”、“查通过火车运输的物资(Train_Property)”。
在一些实施例中,数据检索包括在多个表格中进行表格数据检索,至少一个查询意图包括多跳查询意图,多跳查询意图包括多个子意图以及多个子意图之间的查询依赖关系,多个子意图包括第一子意图以及依赖于第一子意图的第二子意图,基于至少一个查询意图和至少一个实体词进行数据检索,以获得目标数据包括:
针对至少一个查询意图中的每个查询意图,执行下述操作:
步骤S501、响应于该查询意图为多跳查询意图,基于该多跳查询意图中的第一子意图,在多个表格中确定至少一个第一表格;
步骤S502、基于至少一个实体词,对至少一个第一表格进行表格数据检索,以获取至少一个第一数据;
步骤S503、基于该多跳查询意图中的第二子意图,在多个表格中确定至少一个第二表格;以及
步骤S504、基于至少一个实体词以及至少一个第一数据,对至少一个第二表格进行表格数据检索,以获取至少一个第二数据;以及
步骤S505、基于至少一个查询意图中每个查询意图相应的至少一个第二数据,获取目标数据。
在一些实施例中,对于多表格查询的应用场景中,查询意图可以包括单表格查询意图,例如查询文本“叫XX的人”对应的查询意图可以为“人基础信息”。
在一些实施例中,对于多表格查询的应用场景中,可以将需要依次查询多个表格中的表格数据,并且针对后序表格的检索需要依据检索前序表格所获得的数据进行检索的情况对应的查询意图设置为多跳意图。
在一些实施例中,多跳意图例如可以为“一同运输的物资(Property_Same_Trip)”,其可以对应的查询文本例如为“与物资A一同运输的物资”。该多跳意图可以包括三个子意图“物资-交通工具-物资”,并且相邻的前后两个子意图之间存在查询依赖关系,也即首先需要在物资表格中对“物资A”进行查询,并基于查询结果,在交通工具表格中查询用于运输物资A的交通工具,进而基于上述查询结果,查询与物资A一同运输的物资。
由此,通过设置多跳查询意图,通过将多个子意图及其依赖关系集成在一个多跳意图中,从而能够基于意图识别模型直接获取一个多跳意图,提升识别效率的同时,避免现有技术中,由于查询文本的表述语序的不同而导致的依赖关系混乱的问题,提升了意图识别以及后续表格检索的准确性。
在一些实施例中,可以将上述所有类型的查询意图置于同一查询意图库中,并基于上述方法在标签库中进行召回,从而确定查询文本的查询意图。
在一些实施例中,指令文本和查询意图存在一个多对多的关系,例如,指令文本“搜视图信息”可以对应查询意图“搜入库视图”、“搜人视图”等,查询意图“搜入库信息”也可对应指令文本“搜视图信息”、“搜物资信息”、“搜人信息”等。
在一些实施例中,如图6所示,提供了一种意图识别模型的训练方法,包括:
步骤S601、获取至少一个样本数据,至少一个样本数据中的每个样本数据包括查询文本、指令文本以及至少一个查询意图标签,指令文本用于限定所要检索的数据的类别;
针对至少一个样本数据中的每个样本数据,执行下述操作:
步骤S602、基于该样本数据对应的查询文本,识别获得该查询文本中的至少一个实体词;
步骤S603、基于该样本数据对应的查询文本、指令文本以及至少一个实体词,利用意图识别模型预测获得至少一个意图预测结果;以及
步骤S604、基于至少一个意图预测结果和该样本数据对应的至少一个查询意图标签,调整意图识别模型的至少一个参数。
由此,通过应用基于该方法训练得到的意图识别模型,能够在意图识别时引入指令文本,通过指令文本对查询文本的意图进行进一步纠正,从而使得意图识别更加精准,更加符合用户实际需求,进而提升后续数据检索的准确性。
在一些实施例中,至少一个样本数据的数量为多个,获取至少一个样本数据可以包括:获取至少一个第一查询文本以及至少一个第一查询文本对应的至少一个原始指令文本,至少一个第一查询文本中的每个第一查询文本对应至少一个第一意图标签;针对至少一个第一查询文本中的每个第一查询文本,执行下述操作:将该第一查询文本对应的原始指令文本输入预训练语言模型中,以获得预训练语言模型输出至少一个第一指令文本,至少一个第一指令文本中每个第一指令文本与原始指令文本的语义相似度大于预设阈值;以及基于该第一查询文本、该第一查询文本对应的原始指令文本和至少一个第一指令文本,获取多个第一样本数据,多个第一样本数据中的每个的样本标签为该第一查询文本对应的至少一个第一意图标签;以及基于至少一个第一查询文本中的每个第一查询文本对应的多个第一样本数据,获取至少一个样本数据。
由此,基于预训练语言模型进行指令文本的泛化,从而能够基于少量的指令文本,获得更丰富多变的样本指令文本,能够提升模型的意图识别准确度,使模型能够适应用户多变的表达方式。
在一些实施例中,可以首先构造少量初始指令集,并标注初始指令集与查询意图的映射关系。在一些实施例中,初始指令集还可以从储存有存在识别错误的指令的指令集中获取。
随后,应用预训练语言模型对原始指令文本进行分析并输出与原始指令文本语义相近的至少一个第一指令文本,并基于每个第一指令文本和相应的查询文本构成一个新的样本数据,从而能够基于少量的指令文本,获得更丰富多变的样本指令文本,能够提升模型的意图识别准确度,使模型能够适应用户多变的表达方式。
在一些实施例中,可以分别获取第一查询文本和原始指令文本各自的至少一个泛化文本,进而进行随机组合,从而对样本数据进行进一步的泛化,从而使模型可以覆盖更丰富的表述方式。
在一些实施例中,基于该样本数据对应的查询文本、指令文本以及至少一个实体词,利用意图识别模型预测获得至少一个意图预测结果可以包括:基于该样本数据对应的指令文本以及至少一个实体词中的至少一者以及该样本数据对应的查询文本,按照第一预设句式模板构造第一查询句式;以及将第一查询句式输入意图识别模型,以获得意图识别模型输出的至少一个意图预测结果。
由此,基于样本数据及句式模板,进行样本文本的构建,从而能够基于少量的样本数据,获得更丰富多变的样本数据,能够提升模型的意图识别准确度,使模型能够适应用户多变的表达方式。
在一些实施例中,可以对样本数据中的指令文本、查询文本、实体词等进行简单地顺序拼接,并将其输入到模型中,从而获得预测结果。
在一些实施例中,可以预设多个句式模板,其中,句式模板中包括至少一个实体词槽。可以将样本数据中的指令文本、查询文本、实体词等填入到句式模板中的相应的词槽中,从而获得经过重新构造的查询句式。通过将冲寻构造的句式输入模型,并基于预测结果进行训练,能够进一步提升样本数据的多样性,提升模型的意图识别准确度,使模型能够适应用户多变的表达方式。
在一些实施例中,至少一个样本数据包括第二样本数据,第二样本数据对应的至少一个查询意图标签的数量为多个并且包含对应于预设意图体系中的不同层级的多个第二意图标签,预设意图体系包括至少一个上级意图以及与至少一个上级意图中每个对应的至少一个下级意图。
由此,通过设置多层级查询意图,对于下级查询意图难以识别的情况,能够使其至少匹配到上级标签,从而避免意图识别失败,提升意图识别及数据检索的整体方案的可靠性;同时,对于下级标签可能匹配不准确的问题,可以通过同时匹配到的上级标签进行校正(当在识别得到的多个意图中,未找到下级意图对应的上级意图时,则判断下级意图识别不准确,以上级意图为准进行后续表格检索),从而提升意图识别的准确性。
在一些实施例中,至少一个样本数据包括第三样本数据,第三样本数据对应的至少一个查询意图标签包括多跳查询意图标签,多跳查询意图标签包括多个子意图以及多个子意图之间的查询依赖关系。
由此,通过设置多跳查询意图,通过将多个子意图及其依赖关系定义在一个多跳意图中,从而能够基于意图识别模型直接获取一个多跳意图,提升识别效率的同时,避免现有技术中,由于查询文本的表述语序的不同而导致的依赖关系混乱的问题,提升了意图识别以及后续表格检索的准确性
在一些实施例中,如图7所示,提供了一种数据检索装置700,包括:
第一获取单元710,被配置为获取用户输入的查询文本和指令文本,指令文本用于限定所要检索的数据的类别;
识别单元720,被配置为基于查询文本,识别获得查询文本中的至少一个实体词;
确定单元730,被配置为基于查询文本、指令文本以及至少一个实体词,确定用户的至少一个查询意图;以及
检索单元740,被配置为基于至少一个查询意图和至少一个实体词进行数据检索,以获得目标数据。
其中,数据检索装置700的单元710~单元740所执行的操作与上述数据检索方法中的步骤S201~S204的操作类似,在此不做赘述。
在一些实施例中,确定单元可以包括:第一获取子单元,被配置为响应于经训练的意图识别模型可用并且查询文本与第一预置列表中的每个预置查询文本均不匹配,将查询文本、指令文本以及至少一个实体词输入意图识别模型,以获取意图识别模型输出的至少一个意图识别结果,以作为至少一个查询意图,其中,第一预置列表中的至少一个预置查询文本包括应用意图识别模型所获得的意图识别结果存在错误的至少一个历史查询文本。
在一些实施例中,确定单元可以包括:第二获取子单元,被配置为响应于满足下述条件中的至少一者:意图识别模型不可用以及查询文本与第一预置列表中的第一预置查询文本匹配,获取多个句式模板,多个句式模板中的每个句式模板对应至少一个预设查询意图;执行子单元,被配置为针对多个句式模板中的每个句式模板,执行下述操作:响应于该句式模板中包括与至少一个实体词中的第一实体词的实体类型对应的词槽,将第一实体词填入词槽,以获得第一查询句式;以及至少基于第一查询句式和查询文本,确定第一匹配度;以及第三获取子单元,被配置为获取查询文本对应的至少一个第一查询句式中的第一匹配度最高的第一查询句式,以将该第一查询句式对应的句式模板对应的至少一个预设查询意图作为至少一个查询意图。
在一些实施例中,至少基于第一查询句式和查询文本,确定第一匹配度可以包括:基于第一查询句式和由指令文本和查询文本组成的第二查询句式,确定第一匹配度。
在一些实施例中,如图8所示,提供了一种意图识别模型的训练装置800,包括:
第一获取单元810,被配置为获取至少一个样本数据,至少一个样本数据中的每个样本数据包括查询文本、指令文本以及至少一个查询意图标签,指令文本用于限定所要检索的数据的类别;
执行单元820,被配置为针对至少一个样本数据中的每个样本数据,执行下述子单元执行的操作,执行单元820包括:
识别子单元821,被配置为基于该样本数据对应的查询文本,识别获得该查询文本中的至少一个实体词;
预测子单元822,被配置为基于该样本数据对应的查询文本、指令文本以及至少一个实体词,利用意图识别模型预测获得至少一个意图预测结果;以及
调整子单元823,被配置为基于至少一个意图预测结果和该样本数据对应的至少一个查询意图标签,调整意图识别模型的至少一个参数。
其中,意图识别模型的训练装置800的单元810、单元820以及子单元821~子单元823所执行的操作与上述意图识别模型的训练方法中的步骤S601~S604的操作类似,在此不做赘述。
根据本公开的实施例,还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图9,现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,电子设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM903中,还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905,包括:输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备,输入单元906可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如上述数据检索方法或意图识别模型的训练方法。例如,在一些实施例中,上述数据检索方法或意图识别模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的数据检索方法或意图识别模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述数据检索方法或意图识别模型的训练方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、***和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (20)
1.一种数据检索方法,包括:
获取用户输入的查询文本和指令文本,所述指令文本用于限定所要检索的数据的类别;
基于所述查询文本,识别获得所述查询文本中的至少一个实体词;
基于所述查询文本、所述指令文本以及所述至少一个实体词,确定所述用户的至少一个查询意图;以及
基于所述至少一个查询意图和所述至少一个实体词进行数据检索,以获得目标数据。
2.根据权利要求1所述的方法,其中,所述基于所述查询文本、所述指令文本以及所述至少一个实体词,确定所述用户的至少一个查询意图包括:
响应于经训练的意图识别模型可用并且所述查询文本与第一预置列表中的每个预置查询文本均不匹配,将所述查询文本、所述指令文本以及所述至少一个实体词输入所述意图识别模型,以获取所述意图识别模型输出的至少一个意图识别结果,以作为所述至少一个查询意图,其中,
所述第一预置列表中的至少一个预置查询文本包括应用所述意图识别模型所获得的意图识别结果存在错误的至少一个历史查询文本。
3.根据权利要求2所述的方法,其中,所述基于所述查询文本、所述指令文本以及所述至少一个实体词,确定所述用户的至少一个查询意图包括:
响应于满足下述条件中的至少一者:所述意图识别模型不可用以及所述查询文本与所述第一预置列表中的第一预置查询文本匹配,获取多个句式模板,所述多个句式模板中的每个句式模板对应至少一个预设查询意图;
针对所述多个句式模板中的每个句式模板,执行下述操作:
响应于该句式模板中包括与所述至少一个实体词中的第一实体词的实体类型对应的词槽,将所述第一实体词填入所述词槽,以获得第一查询句式;以及
至少基于所述第一查询句式和所述查询文本,确定第一匹配度;以及
获取所述查询文本对应的至少一个第一查询句式中的第一匹配度最高的第一查询句式,以将该第一查询句式对应的句式模板对应的至少一个预设查询意图作为所述至少一个查询意图。
4.根据权利要求3所述的方法,其中,所述至少基于所述第一查询句式和所述查询文本,确定第一匹配度包括:
基于所述第一查询句式和由所述指令文本和所述查询文本组成的第二查询句式,确定所述第一匹配度。
5.根据权利要求1-4中任一项所述的方法,其中,所述基于所述查询文本,识别获得所述查询文本中的至少一个实体词包括:
利用经训练的第一命名实体识别模型,识别所述查询文本中的操作指令词;以及
响应于在所述查询文本中识别到至少一个操作指令词,利用经训练的第二命名实体识别模型,识别筛除所述至少一个操作指令词后的第一查询文本,以获得所述至少一个实体词。
6.根据权利要求1-5中任一项所述的方法,其中,所述至少一个查询意图的数量为多个并且包含对应于预设意图体系中的不同层级的多个第一意图,所述预设意图体系包括至少一个上级意图以及与所述至少一个上级意图中每个对应的至少一个下级意图,所述基于所述查询文本、所述指令文本以及所述至少一个实体词,确定所述用户的至少一个查询意图还包括:
针对所述多个第一意图中的每个下级意图,响应于所述多个第一意图中不包括该下级意图对应的上级意图,将该下级意图从所述多个第一意图中删除,以更新所述至少一个查询意图。
7.根据权利要求1-6中任一项所述的方法,其中,所述数据检索包括在多个表格中进行表格数据检索,所述至少一个查询意图包括多跳查询意图,所述多跳查询意图包括多个子意图以及所述多个子意图之间的查询依赖关系,所述多个子意图包括第一子意图以及依赖于所述第一子意图的第二子意图,所述基于所述至少一个查询意图和所述至少一个实体词进行数据检索,以获得目标数据包括:
针对所述至少一个查询意图中的每个查询意图,执行下述操作:
响应于该查询意图为多跳查询意图,基于该多跳查询意图中的第一子意图,在所述多个表格中确定至少一个第一表格;
基于所述至少一个实体词,对所述至少一个第一表格进行表格数据检索,以获取至少一个第一数据;
基于该多跳查询意图中的第二子意图,在所述多个表格中确定至少一个第二表格;以及
基于所述至少一个实体词以及所述至少一个第一数据,对所述至少一个第二表格进行表格数据检索,以获取至少一个第二数据;以及
基于所述至少一个查询意图中每个查询意图相应的至少一个第二数据,获取所述目标数据。
8.一种意图识别模型的训练方法,所述方法包括:
获取至少一个样本数据,所述至少一个样本数据中的每个样本数据包括查询文本、指令文本以及至少一个查询意图标签,所述指令文本用于限定所要检索的数据的类别;
针对所述至少一个样本数据中的每个样本数据,执行下述操作:
基于该样本数据对应的查询文本,识别获得该查询文本中的至少一个实体词;
基于该样本数据对应的查询文本、指令文本以及所述至少一个实体词,利用所述意图识别模型预测获得至少一个意图预测结果;以及
基于所述至少一个意图预测结果和该样本数据对应的至少一个查询意图标签,调整所述意图识别模型的至少一个参数。
9.根据权利要求8所述的方法,其中,所述基于该样本数据对应的查询文本、指令文本以及所述至少一个实体词,利用所述意图识别模型预测获得至少一个意图预测结果包括:
基于该样本数据对应的指令文本以及所述至少一个实体词中的至少一者以及该样本数据对应的查询文本,按照第一预设句式模板构造第一查询句式;以及
将所述第一查询句式输入所述意图识别模型,以获得所述意图识别模型输出的所述至少一个意图预测结果。
10.根据权利要求8或9所述的方法,其中,所述至少一个样本数据的数量为多个,所述获取至少一个样本数据包括:
获取至少一个第一查询文本以及所述至少一个第一查询文本对应的至少一个原始指令文本,所述至少一个第一查询文本中的每个第一查询文本对应至少一个第一意图标签;
针对所述至少一个第一查询文本中的每个第一查询文本,执行下述操作:
将该第一查询文本对应的原始指令文本输入预训练语言模型中,以获得所述预训练语言模型输出至少一个第一指令文本,所述至少一个第一指令文本中每个第一指令文本与所述原始指令文本的语义相似度大于预设阈值;以及
基于该第一查询文本、该第一查询文本对应的原始指令文本和至少一个第一指令文本,获取多个第一样本数据,所述多个第一样本数据中的每个的样本标签为该第一查询文本对应的至少一个第一意图标签;以及
基于所述至少一个第一查询文本中的每个第一查询文本对应的多个第一样本数据,获取所述至少一个样本数据。
11.根据权利要求8至10中任一项所述的方法,其中,所述至少一个样本数据包括第二样本数据,所述第二样本数据对应的至少一个查询意图标签的数量为多个并且包含对应于预设意图体系中的不同层级的多个第二意图标签,所述预设意图体系包括至少一个上级意图以及与所述至少一个上级意图中每个对应的至少一个下级意图。
12.根据权利要求8至11中任一项所述的方法,其中,所述至少一个样本数据包括第三样本数据,所述第三样本数据对应的至少一个查询意图标签包括多跳查询意图标签,所述多跳查询意图标签包括多个子意图以及所述多个子意图之间的查询依赖关系。
13.一种数据检索装置,包括:
第一获取单元,被配置为获取用户输入的查询文本和指令文本,所述指令文本用于限定所要检索的数据的类别;
识别单元,被配置为基于所述查询文本,识别获得所述查询文本中的至少一个实体词;
确定单元,被配置为基于所述查询文本、所述指令文本以及所述至少一个实体词,确定所述用户的至少一个查询意图;以及
检索单元,被配置为基于所述至少一个查询意图和所述至少一个实体词进行数据检索,以获得目标数据。
14.根据权利要求13所述的装置,其中,所述确定单元包括:
第一获取子单元,被配置为响应于经训练的意图识别模型可用并且所述查询文本与第一预置列表中的每个预置查询文本均不匹配,将所述查询文本、所述指令文本以及所述至少一个实体词输入所述意图识别模型,以获取所述意图识别模型输出的至少一个意图识别结果,以作为所述至少一个查询意图,其中,
所述第一预置列表中的至少一个预置查询文本包括应用所述意图识别模型所获得的意图识别结果存在错误的至少一个历史查询文本。
15.根据权利要求14所述的装置,其中,所述确定单元还包括:
第二获取子单元,被配置为响应于满足下述条件中的至少一者:所述意图识别模型不可用以及所述查询文本与所述第一预置列表中的第一预置查询文本匹配,获取多个句式模板,所述多个句式模板中的每个句式模板对应至少一个预设查询意图;
执行子单元,被配置为针对所述多个句式模板中的每个句式模板,执行下述操作:
响应于该句式模板中包括与所述至少一个实体词中的第一实体词的实体类型对应的词槽,将所述第一实体词填入所述词槽,以获得第一查询句式;以及
至少基于所述第一查询句式和所述查询文本,确定第一匹配度;以及
第三获取子单元,被配置为获取所述查询文本对应的至少一个第一查询句式中的第一匹配度最高的第一查询句式,以将该第一查询句式对应的句式模板对应的至少一个预设查询意图作为所述至少一个查询意图。
16.根据权利要求15所述的装置,其中,所述至少基于所述第一查询句式和所述查询文本,确定第一匹配度包括:
基于所述第一查询句式和由所述指令文本和所述查询文本组成的第二查询句式,确定所述第一匹配度。
17.一种意图识别模型的训练装置,所述装置包括:
第一获取单元,被配置为获取至少一个样本数据,所述至少一个样本数据中的每个样本数据包括查询文本、指令文本以及至少一个查询意图标签,所述指令文本用于限定所要检索的数据的类别;
执行单元,被配置为针对所述至少一个样本数据中的每个样本数据,执行下述子单元执行的操作,所述执行单元包括:
识别子单元,被配置为基于该样本数据对应的查询文本,识别获得该查询文本中的至少一个实体词;
预测子单元,被配置为基于该样本数据对应的查询文本、指令文本以及所述至少一个实体词,利用所述意图识别模型预测获得至少一个意图预测结果;以及
调整子单元,被配置为基于所述至少一个意图预测结果和该样本数据对应的至少一个查询意图标签,调整所述意图识别模型的至少一个参数。
18.一种电子设备,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指令,所述指令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权利要求1-12中任一项所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-12中任一项所述的方法。
20.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310706644.1A CN116842130A (zh) | 2023-06-14 | 2023-06-14 | 数据检索方法、模型训练方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310706644.1A CN116842130A (zh) | 2023-06-14 | 2023-06-14 | 数据检索方法、模型训练方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116842130A true CN116842130A (zh) | 2023-10-03 |
Family
ID=88173537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310706644.1A Pending CN116842130A (zh) | 2023-06-14 | 2023-06-14 | 数据检索方法、模型训练方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842130A (zh) |
-
2023
- 2023-06-14 CN CN202310706644.1A patent/CN116842130A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114595686B (zh) | 知识抽取方法、知识抽取模型的训练方法及装置 | |
CN113656587B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN116501960B (zh) | 内容检索方法、装置、设备及介质 | |
CN116521841B (zh) | 用于生成回复信息的方法、装置、设备及介质 | |
CN116028605B (zh) | 逻辑表达式生成方法、模型训练方法、装置及介质 | |
WO2023142406A1 (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
KR20230006601A (ko) | 정렬 방법, 정렬 모델의 트레이닝 방법, 장치, 전자 기기 및 매체 | |
CN115168545A (zh) | 群组搜索方法、装置、电子设备及介质 | |
CN116541536B (zh) | 知识增强的内容生成***、数据生成方法、设备和介质 | |
CN114547270B (zh) | 文本处理方法、文本处理模型的训练方法、装置和设备 | |
CN114219046B (zh) | 模型训练方法、匹配方法、装置、***、电子设备和介质 | |
CN113868453B (zh) | 对象推荐方法和装置 | |
CN114238745A (zh) | 一种提供搜索结果的方法及装置、电子设备和介质 | |
CN116842130A (zh) | 数据检索方法、模型训练方法、装置及设备 | |
CN114118067A (zh) | 术语名词纠错方法及装置、电子设备和介质 | |
CN114281990A (zh) | 文档分类方法及装置、电子设备和介质 | |
CN115809364B (zh) | 对象推荐方法和模型训练方法 | |
CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
CN115879468B (zh) | 基于自然语言理解的文本要素提取方法、装置和设备 | |
CN112954025B (zh) | 基于分层知识图谱推送信息方法、装置、设备、介质 | |
CN113641933B (zh) | 异常网页识别方法、异常站点识别方法及装置 | |
CN114861071B (zh) | 对象推荐方法和装置 | |
CN116070711B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN116361484A (zh) | 知识抽取方法、知识抽取模型的训练方法及装置 | |
CN115203544A (zh) | 推荐方法及装置、电子设备和介质 |
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 |