一种基于深度学习的意图识别方法技术

一种基于深度学习的对话系统意图识别方法，从对话语料中通过词频权重抽取关键词作为意图识别的规则，将预进行意图识别的对话D用规则进行匹配得到意图分类结果PA；用对话语料训练深度学习模型CNN‑BLSTM，所述深度学习模型CNN‑BLSTM融合了卷积神经网络CNN与双向长短期记忆网络BLSTM，然后用训练后的深度学习模型CNN‑BLSTM，识别对话D，得到预意图分类结果PB；最后，通过将意图分类结果PA和意图分类结果PB进行线性融合，得到对话D最终的意图。本发明专利技术能有效提高用户意图识别的准确度。

【技术实现步骤摘要】
一种基于深度学习的意图识别方法
本专利技术属于人机对话系统
，特别涉及一种基于深度学习的意图识别方法。
技术介绍
人机对话系统是人工智能领域的核心技术之一，它即将成为一种新的人机交互的方式，具有重大的研究价值。人们长期以来都在追求能用自然语言和计算机进行交流，因为这有着重大的意义：人们可以用自己最熟悉最习惯的语言来使用计算机，与计算机进行交互，不需要再去花大量的时间学习和适应计算机语言。随着互联网时代的到来，人机对话系统的使用需求大大增加。例如被广泛应用于网购中的智能客服，不仅极大地提高了人和计算机的沟通效率，还方便了人们的生活和工作。各大科技巨头也纷纷加入智能对话系统的研究行列并推出相关的产品如：苹果的siri、微软的Cortana、百度的小度等。也许在不久的将来，人们将不再使用目前主流的输入设备，自然语言将会取而代之成为最广泛使用的人机交互方式。人机自然语言的交互的主要步骤包括：语音识别、自然语言理解、对话状态跟踪、自然语言生成、语音合成。自然语言理解是人机对话系统中关键的一个模块，其作用是把用户对计算机说的自然语言转换成计算机能够理解的语义表示，达到理解用户自然语言的目的本文档来自技高网...

【技术保护点】
1.一种基于深度学习的对话系统意图识别方法，其特征在于：首先，从对话语料中通过词频权重抽取关键词作为意图识别的规则，将预进行意图识别的对话D用规则进行匹配得到意图分类结果PA；用对话语料训练深度学习模型CNN‑BLSTM，所述深度学习模型CNN‑BLSTM融合了卷积神经网络CNN与双向长短期记忆网络BLSTM，然后用训练后的深度学习模型CNN‑BLSTM，识别对话D，得到意图分类结果PB；最后，通过将意图分类结果PA和意图分类结果PB进行线性融合，得到对话D最终的意图。

【技术特征摘要】
1.一种基于深度学习的对话系统意图识别方法，其特征在于：首先，从对话语料中通过词频权重抽取关键词作为意图识别的规则，将预进行意图识别的对话D用规则进行匹配得到意图分类结果PA；用对话语料训练深度学习模型CNN-BLSTM，所述深度学习模型CNN-BLSTM融合了卷积神经网络CNN与双向长短期记忆网络BLSTM，然后用训练后的深度学习模型CNN-BLSTM，识别对话D，得到意图分类结果PB；最后，通过将意图分类结果PA和意图分类结果PB进行线性融合，得到对话D最终的意图。2.根据权利要求1所述基于深度学习的对话系统意图识别方法，其特征在于：所述从对话语料中通过词频权重抽取关键词作为意图识别的规则，包括对每个类别进行以下处理，进行分词处理，并统计得到该类别下所有词条的数目N，将所有的词条组成一个词表，并统计出该类别中，第i个词出现的次数Wi、句子的总条数M以及第j条句子的长度Lj，i＝1,2,3…N，j＝1,2,3…M；计算出该类别下句子的平均长度AveL，计算公式如下，计算出第i个词的词频权重Fi如下，其中，∑S表示对该类别中所有出现第i个词的句子的长度S累加求和；对该类别下的每一个词求得词频权重后，将词表中的每个词条按词频权重从大到小排序，提出选取排名在前的若干词条作为关键词，作为该类别的规则。3.根据权利要求1所述基于深度学习的对话系统意图识别方法，其特征在于：所述用对话语料训练深度学习模型C...

【专利技术属性】
技术研发人员：何婷婷，潘敏，汤丽，王逾凡，孙博，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：湖北,42