CN111444722B 基于投票决策的意图分类方法、装置、设备及存储介质 （中国平安人寿保险股份有限公司）

键词，所述待处理文本用于指示输入的咨询信学习的模板语义相似度算法和句法相似度算法2对待处理文本进行关键词提取，获得目标关键词，所述待处理文本将所述目标关键词作为索引检索预置的历史文本，得到与所述目通过基于深度学习的模板语义相似度算法和句法相似度算法计算所述候选历史文本根据所述得分对所述候选历史文本进行排序和投票决策，得到目标别；所述根据所述得分对所述候选历史文本进行排序和投票决策，得到目根据所述权重值按照从大到小的顺序对所述候选历史文本进行排对所述候选排序历史文本进行加权计算，并将加权计算获取所述目标历史文本中的标签信息，识别所述标签信息中预标所述意图类别作为所述待处理文本的目标意图类别；所述通过基于深度学习的模板语义相似度算法和句法相似度算法计算所述候选历史通过双语评估替换分数BLEU算法计算所述待处理文本与所述候选历史文本之间的句通过预置孪生神经网络计算所述待处理文本与所述候选历史文本之间的语义相似分根据预设权重比例计算所述字表相似分数和所述语义相似分数的加通过倒排索引算法创建所述初始关键词和所述初始历史文本之间的对将所述目标关键词作为索引，根据所述索引和所述对应关系对所述历史文本进行检根据所述目标关键词对所述待处理文本和所述历史文本进行语义匹配，得到第二集3通过预置长短期记忆神经网络模型分别对所述待处理文本与所述候选历史文本进行计算所述第一编码信息和所述第二编码信息之间的检索模块，用于将所述目标关键词作为索引检索预置的历史文本，计算模块，用于通过基于深度学习的模板语义相似决策模块，用于根据所述得分对所述候选历史文本进行排序和本的目标意图类别；根据所述权重值按照从大到小的顺序对所述候选历史文本进行排对所述候选排序历史文本进行加权计算，并将加权计算获取所述目标历史文本中的标签信息，识别所述标签信息中预标所述意图类别作为所述待处理文本的目标意图类别；第一计算单元，用于通过双语评估替换分数BLEU算法计算第二计算单元，用于通过预置孪生神经网络计算所述待第三计算单元，用于根据预设权重比例计算所述字表相4创建模块，用于通过倒排索引算法创建所述初始关检索单元，用于将所述目标关键词作为索引，根据所述索引和所述语义匹配单元，用于根据所述目标关键词对所述待处理文本和所并集处理单元，用于将所述第一集合与所述第二集合进行并如权利要求1-5中任意一项所述的基于投票决策使得计算机执行如权利要求1-5中任意一项所述的基于投票决5[0008]通过基于深度学习的模板语义相似度算法和句法相似度算法计算所述候选历史6[0015]获取所述目标历史文本中的标签信息，识别所述标签信并将所述意图类别作为所述待处理文本的目标意[0027]通过双语评估替换分数BLEU算法计算所述待处理文本与所述候选历史文本之间[0028]通过预置孪生神经网络计算所述待处理文本与所述候选历史文本之间的语义相[0031]通过预置长短期记忆神经网络模型分别对所述待处理文本与所述候选历史文本值作为所述待处理文本与所述候选历史文本之间的7理文本的目标意图类别。[0044]获取所述目标历史文本中的标签信息，识别所述标签信并将所述意图类别作为所述待处理文本的目标意8[0060]通过预置长短期记忆神经网络模型分别对所述待处理文本与所述候选历史文本值作为所述待处理文本与所述候选历史文本之间的[0062]本发明实施例的第三方面提供了一种基于投票决策的意图分类设备，包括存储行所述计算机程序时实现上述任一实施方式所述基于投票决策的意并根据句法相似度算法和基于深度学习的模板语义相似度算法计算召回的历史文本的得9[0076]进一步地，上述步骤101可以包括：通过预置分词工具对待处理文本进行分词处候选分词在寿险领域语料中的IDF值(即重要程度值)，根据重要程度值对候选分词进行过[0081]服务器通过预置的搜索引擎ElasticSearch根据目标关键词的字形组成和对应[0084]103、通过基于深度学习的模板语义相似度算法和句法相似度算法计算候选历史[0085]服务器通过基于深度学习的模板语义相似度和句法相似度计算算法对候选历史[0089]预置孪生神经网络的底层网络可通过LSTM或CNN的预置长短期记忆神经网络模型来对输入的句子(待处理文本或候选历史文本)进行建模，两个输入(待处理文本和候选历史文本)经过同一个句子编码器分别得到两个句子表示，最上层利用余弦距离来计算待处[0091]服务器通过基于重要性等价对待的预设规则或得分排序的预设规则对候选文本历史文本不参与后续排序流程，对于“自核未通过怎么办-如果自核不通过怎么办/A类，的目标意图类别。[0099]服务器通过倒排索引算法中的单词词典和倒排文件组合创建初始关键词和初始文本。[0102]205、通过基于深度学习的模板语义相似度算法和句法相似度算法计算候选历史待处理文本的关键词对历史文本进行召回，以及具备较强泛化能力和提高匹配的精确度，还能够在新增意图类别时直接采用新增意图类别对应的关键词进行召回的方式进行新增[0109]计算模块303，用于通过基于深度学习的模板语义相似度算法和句法相似度算法[0111]上述基于投票决策的意图分类装置中各个模块的功能实现与上述基于投票决策[0115]创建模块402，用于通过倒排索引算法创建初始关键词和初始历史文本之间的对[0118]计算模块405，用于通过基于深度学习的模板语义相似度算法和句法相似度算法[0125]上述基于投票决策的意图分类装置中各个模块和各个单元的功能实现与上述基待处理文本的关键词对历史文本进行召回，以及具备较强泛化能力和提高匹配的精确度，还能够在新增意图类别时直接采用新增意图类别对应的关键词进行召回的方式进行新增[0127]上面图3至图4从模块化功能实体的角度对本发明实施例中的基于投票决策的意[0128]图5是本发明实施例提供的一种基于投票决策的意图分类设备的结构示意图，该基于投票决策的意图分类设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，CPU储在存储介质508的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括员可以理解，图5中示出的基于投票决策的意图分类设备结构并不构成对基于投票决策的[0131]处理器501是基于投票决策的意图分类设备的控制中心，可以按照基于投票决策的意图分类方法进行处理。处理器501利用各种接口和线路连接整个基于投票决策的意图从而实现提高意图分类的便捷性的功能。存储介质508和存储器509都是存储数据的载体，[0132]存储器509可用于存储软件程序以及模块，处理器501通过运行存储在存储器509的软件程序以及模块，从而执行基于投票决策的意图分类设备500的各种功能应用以及数存储数据区可存储根据签到管理设备的使用所创建的数据(将目标关键词作为索引检索预存储介质可以是计算机能够存储的任何