CN114661910B 一种意图识别方法、装置、电子设备及存储介质 （平安科技（深圳）有限公司）

道福安社区益田路5033号平安金融中US2021326531A1,202据原始意图样本数据获取第一目标意图样本数在确定待识别输入数据为非长尾输入数据的情2根据原始意图样本数据获取第一目标意图样本数据；其中，所对所述抽象泛化实体词和所述意图匹配结果排序数据进行逻辑组合根据所述原始意图样本数据获取第二目标意图样本数据；其中，本数据包括长尾输入样本数据和意图标记结根据所述第二目标意图样本数据对所述预训练神经网络模型进行训根据所述第一意图识别模型和所述第二意图识别模型构建目标意在确定待识别输入数据为非长尾输入数据的情况下，将所述在确定待识别输入数据为长尾输入数据的情况下，将所述根据非长尾输入数据筛选规则从所述原始意图样本数据中筛选所述非长尾输入样本根据所述意图匹配泛化字典的字典元素构建输入数据编辑距根据所述输入数据编辑距离计算模块和所述意图匹配泛化字典构建所述第一意图识3在确定所述待识别输入数据的数据长度小于或等于预设数据所述待识别输入数据的输入数据分类结果为非长尾在确定所述待识别输入数据的数据长度大于所述预设数据长度述待识别输入数据的输入数据分类结果为长尾抽象泛化实体词获取模块，用于对所述非长尾输入样本意图匹配泛化字典生成模块，用于对所述抽象泛化实体第一意图识别模型构建模块，用于根据所述意图匹配泛化字典构建第一意图识别模预训练神经网路模型获取模块，用于根据预训练样本数据对预第二目标意图样本数据获取模块，用于根据所述原始意图样第二意图识别模型获取模块，用于根据所述第二目待识别非长尾输入数据输入模块，用于在确定待识别输入数据为非长非长尾输入数据意图识别结果输出模块，用于根据所述第一意图识待识别长尾输入数据输入模块，用于在确定待识别输入数据为长尾输入数据的情况长尾输入数据意图识别结果输出模块，用于根据所述第二意图识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1-6中任一项所述的9.一种计算机存储介质，所述计算机可读存储介令用于使处理器执行时实现权利要求1-6中任一项所4[0001]本发明实施例涉及信息处理等人工智能技术领域，尤其涉及一种意图识别方法、询意图，在理解query时，需要使用很多不同策略挖掘背后的需求。因此，如何正确识别别方法在处理query时，基本采用一刀切的原则，并没有对query区分长尾query和非长尾本数据包括非长尾输入样本数据和意图匹配结果排[0014]第一样本数据获取模块，用于根据原始意图样本数据获取第一目标意图样本数5[0025]本发明实施例通过根据原始意图样本数据获取包括非长尾输入样本数据和意图别输入数据的意图识别结果，解决现有意图识别方法存在的意图理解准确率较低的问题，[0026]应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特6员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范[0038]图1是本发明实施例一提供的一种意图识别方法的流程图，本实施例可适用于根模拟真实用户发出query数据等，本发明实施例并不对意图数据的数据类型以及生成方式进行限定。输入样本数据也即需要意图理解的样本数据，例如可以是用户输入的query数7据可以是用户对APP针对功能模块搜索数据反馈的功能模块的点击频次的统针对对话语音数据反馈的响应语音结果的认可度的浆#商品#”。[0050]其中，意图匹配泛化字典可以对非长尾输入样本数据提供意图匹配结果排序数对非长尾输入样本数据查找意图理解结果的8匹配单元和各备选意图理解结果组合为该非长尾输入样本数据的在意图匹配泛化字典中[0066]本发明实施例通过根据原始意图样本数据获取包括非长尾输入样本数据和意图9别输入数据的意图识别结果，解决现有意图识别方法存在的意图理解准确率较低的问题，[0068]图2是本发明实施例二提供的一种意图识别方法的流程图，本实施例以上述实施意图识别模型以及构建第二意图识别模型和目标意图识别模型的多种具体可选的实现方[0076]在一个具体的例子中，假设关联意图反馈数据为应用功[0077]在一个具体的例子中，假设非长尾输入样本数据为“晚上睡觉脚抽筋是怎么回[0084]在一个具体的例子中，以用户query样本数据中包括身体部位和疾病实体词为例[0086]上述意图匹配泛化字典的数据结果对同时具有身体部位和疾病实体的query具有[0095]具体的，第一意图识别模型可以首先基于实体词字典对意图输出对象的输入象泛化实体词之间编辑距离最小的字典元素包括的意图作为输入query的意图。可以理解[0100]在本发明实施例中，针对长尾输入样本数据可以采用神经网络模型进行意图识[0101]在一个具体的例子中，假设预设神经网络模型为BERT(BidirectionalEncoder行预训练可以包括两个预训练任务，一个是MLM(MaskedLanguageModel，掩码语言模型)预训练任务，还有一个是NSP(NextSentencePMLM预训练任务可以理解成完形填空任务，可以随机mask每一个句子中一定数量(如句子中子对A和B，其中50％的数据B是A的其中一个断句，剩余50％的数据B是语料库中随机选择需要准时吃饭。上述预训练过程可以使得预训练神经网络模型理解两个句子之间的关系，从而能让预训练神经网络模型更好的适应上述数据处理的任务。样本数据对BERT模型进行训练时，可以通过CrossEntropy损失函数和BP(Back的特征表示能力，可以学习到文本中深层的语义信息。使用BERT对长尾输入数据进行[0103]S2110、根据所述第一意图识别模型和所述第二意图识别模型构建目标意图识别[0108]在获取到待识别输入数据之后，为了确定对待识别输入数据进行意图识别的模行意图识别，通过目标意图识别模型的第二意图识别模型对长尾的输入数据进行意图识[0121]第一样本数据获取模块410，用于根据原始意图样本数据获取第一目标意图样本[0123]意图匹配泛化字典生成模块430，用于对所述抽象泛化实体词和所述意图匹配结[0124]第一意图识别模型构建模块440，用于根据所述意图匹配泛化字典构建第一意图[0125]待识别输入数据输入模块450，用于在确定待识别输入数据为非长尾输入数据的[0126]意图识别结果输出模块460，用于根据所述第一意图识别模型输出所述待识别输[0127]本发明实施例通过根据原始意图样本数据获取包括非长尾输入样本数据和意图别输入数据的意图识别结果，解决现有意图识别方法存在的意图理解准确率较低的问题，[0135]由于上述所介绍的意图识别装置为可以执行本发明实施例中的意图识别方法的[0137]图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种如因特网的计算机网络和/或各种电信网络与其他设[0140]处理器11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。处理器11机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器[0143]用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合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[0146]可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算在由计算机处理器执行时用于执行本发明上述实施例任一OnlyMemory，ROM)、可擦式可编程只读存储器(ErasableProgrammableReadOnly[0