一种语义意图识别方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种语义意图识别方法、装置、设备及存储介质，所述方法包括：获取文本信息；将所述文本信息输入意图识别模型进行意图识别处理，得到所述文本信息的意图信息；获取所述文本信息中与所述意图信息匹配的关键词信息；基于所述匹配的关键词信息确定与所述意图信息相匹配的语义信息。其中，所述意图识别模型包括：特征输入转换层、两层的多线性特征学习层、卷积层和输出层，多线性特征学习层的学习权重数据为一维线性权重向量。利用本申请实施例提供的技术方案可以大大降低模型学习过程中的计算复杂度，同时可以学习到多维度的文本特征信息，保证模型对意图的识别准确率，且结合意图来进行语义的分析，可以更好的提高语义理解的准确率。

A Semantic Intention Recognition Method, Device, Equipment and Storage Media

【技术实现步骤摘要】
一种语义意图识别方法、装置、设备及存储介质
本申请涉及互联网通信
，尤其涉及一种语义意图识别方法、装置、设备及存储介质。
技术介绍
随着人工智能技术的发展，深度学习在许多领域都得到了广泛的应用。例如，在语音助手技术中，可以利用深度学习对用户输入的语音信息或文本信息进行语义意图的识别，进而迅速做出回应，例如和用户聊天，或者根据指令帮用户操控智能设备等。目前，在利用深度学习进行语义意图识别时，为了保证语义意图识别的准确率，往往设计复杂度较高的神经网络模型(例如多头注意力机制MultiHeadAtention)网络层越多，复杂度越高，神经网络准确率会越好。但对于语音助手等人与机器实时交互的应用场景中，对响应速度与准确率都有很高的要求，现有的复杂度较高的神经网络模型往往采用多维矩阵作为权重矩阵，计算复杂度高，无法兼顾识别准确率和处理速度。因此，需要提供更有效的方案，以在保证语义意图识别的准确率的同时，降低神经网络模型的计算复杂度，提升处理速度。
技术实现思路
本申请提供了一种语义意图识别方法、装置、设备及存储介质，可以大大降低模型学习过程中的计算复杂度，同时可以学习到多维度的文本特征信息，保证模型对意图的识别准确率，且结合意图来进行语义的分析，可以更好的提高语义理解的准确率。一方面，本申请提供了一种语义意图识别方法，所述方法包括：获取文本信息；将所述文本信息输入意图识别模型进行意图识别处理，得到所述文本信息的意图信息；获取所述文本信息中与所述意图信息匹配的关键词信息；基于所述匹配的关键词信息确定与所述意图信息相匹配的语义信息。其中，所述意图识别模型包括：特征输入转换层、两层的多线性特征学习层、卷积层和输出层，所述多线性特征学习层的学习权重数据为一维线性权重向量。另一方面提供了一种语义意图识别装置，所述装置包括：文本信息获取模块，用于获取文本信息；意图识别处理模块，用于语义将所述文本信息输入意图识别模型进行意图识别处理，得到所述文本信息的意图信息；关键词信息获取模块，用于获取所述文本信息中与所述意图信息匹配的关键词信息；语义信息确定模块，用于基于所述匹配的关键词信息确定与所述意图信息相匹配的语义信息。其中，所述意图识别模型包括：特征输入转换层、两层的多线性特征学习层、卷积层和输出层，所述多线性特征学习层的学习权重数据为一维线性权重向量。另一方面提供了一种语义意图识别设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述的语义意图识别方法。另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述的语义意图识别方法。本申请提供的语义意图识别方法、装置、设备及存储介质，具有如下技术效果：本申请通过在意图识别模型中设置两层，以一维线性权重向量为学习权重数据(权重矩阵)的多线性特征学习层，可以大大降低模型学习过程中的计算复杂度，且可以学习到多维度的文本特征信息，提高模型的识别准确率。在基于该意图识别模型进行文本信息的意图识别时，可以快速准确地识别出文本信息的意图信息；然后，基于意图信息进行语义的识别，可以大大提高语义识别的准确率。在实际应用中，可以轻松应对语音助手等人机实时交互场景，对响应速度与准确率的高要求。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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它附图。图1是本申请实施例提供的一种应用环境的示意图；图2是本申请实施例提供的一种语义意图识别方法的流程示意图；图3是本申请实施例提供的一种意图识别模型的结构示意图；图4是本申请实施例提供的一种特征输入转换层的结构示意图；图5是本申请实施例提供的一种多线性特征学习层的结构示意图；图6是本申请实施例提供的一种基于特征输入转换层得到的文本特征矩阵与一维线性权重向量进行多维度文本特征学习的方法流程示意图；图7是本申请实施例提供的一种获取所述文本信息中与所述意图信息匹配的关键词信息的方法流程示意图；图8是本申请实施例提供的一种基于所述匹配的关键词信息确定与所述意图信息相匹配的语义信息的方法流程示意图；图9是本申请实施例提供的另一种语义意图识别方法的流程示意图；图10是本申请实施例提供的一种语义意图识别方法的应用场景的示意图；图11是本申请实施例提供的一种语义意图识别装置的结构示意图；图12是本申请实施例提供的一种客户端的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。请参阅图1，图1是本申请实施例提供的一种应用环境的示意图，如图1所示，该应用环境至少可以包括服务器01和客户端02。具体的，本说明书实施例中，所述服务器01可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群。服务器01可以包括有网络通信单元、处理器和存储器等等。具体的，所述服务器01可以用于训练意图识别模型。具体的，本说明书实施例中，所述客户端02可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备等类型的实体设备，也可以包括运行于实体设备中的软体，例如一些服务商提供给用户的网页页面，也可以为该些服务商提供给用户的应用。具体的，所述客户端02可以用于基于服务器01训练的意图识别模型进行意图识别以及语义识别。此外，需要说明的是，在实际应用中，客户端02还可以结合识别出的语义意图与用户聊天，或者执行相应的操作等。以下介绍本申请一种语义意图识别方法，图2是本申请实施例提供的一种语义意图识别方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，所述方法可以包括：S201本文档来自技高网...

【技术保护点】
1.一种语义意图识别方法，其特征在于，所述方法包括：获取文本信息；将所述文本信息输入意图识别模型进行意图识别处理，得到所述文本信息的意图信息；获取所述文本信息中与所述意图信息匹配的关键词信息；基于所述匹配的关键词信息确定与所述意图信息相匹配的语义信息；其中，所述意图识别模型包括：特征输入转换层、两层的多线性特征学习层、卷积层和输出层，所述多线性特征学习层的学习权重数据为一维线性权重向量。

【技术特征摘要】
1.一种语义意图识别方法，其特征在于，所述方法包括：获取文本信息；将所述文本信息输入意图识别模型进行意图识别处理，得到所述文本信息的意图信息；获取所述文本信息中与所述意图信息匹配的关键词信息；基于所述匹配的关键词信息确定与所述意图信息相匹配的语义信息；其中，所述意图识别模型包括：特征输入转换层、两层的多线性特征学习层、卷积层和输出层，所述多线性特征学习层的学习权重数据为一维线性权重向量。2.根据权利要求1所述的方法，其特征在于，所述多线性特征学习层包括：多线性注意力学习单元、第一归一化相加处理单元、门控制单元、前向学习单元和第二归一化相加处理单元；其中，所述多线性注意力学习单元用于基于特征输入转换层得到的文本特征矩阵与一维线性权重向量进行多维度文本特征学习。3.根据权利要求1所述的方法，其特征在于，所述基于特征输入转换层得到的文本特征矩阵与一维线性权重向量进行多维度文本特征学习包括：对所述特征输入转换层输出的词向量与第一一维线性权重向量进行点积归一化处理；基于第二一维线性权重向量和第三一维线性权重向量对点积归一化处理后的特征向量和所述特征输入转换层输出的词向量进行线性变换处理；基于预设阈值函数对所述线性变化处理后的特征向量进行阈值映射处理；基于阈值映射处理后的特征向量、点积归一化处理后的特征向量和所述特征输入转换层输出的词向量确定所述文本信息的多维度文本特征向量。4.根据权利要求1所述的方法，其特征在于，所述意图识别模型包括采用下述方式确定：获取标注有意图标识的文本信息；基于所述标注有意图标识的文本信息对预设深度学习模型进行训练得到所述意图识别模型；其中，所述意图标识至少包括下述之一：下单意图标识、指示支付意图标识、指定支付工具意图标识、会话结束意图标识、备注意图标识、取消订单意图标识、增减指定对象意图标识。5.根据权利要求1所述的方法，其特征在于，当所述意图信息包括下单意图时，所述获取所述文本信息中与所述意图信息匹配的关键词信息包括：对所述文本信息进行分词处理，得到文本信息中的分词词语；基于预设词性备注库对所述分词词语进行词性分析，得到所述分词词语的词性；基于所述分词词语的词性确定与所述意图信息匹配的关键词信息；其中，所述预设词性备注库包括具有词性备注的词语。6.根据权利要求1所述的方法，其特征在于，当所述意图信息包括下单意图时，所述基于所述匹配的关键词信息确定与所述意图信息相匹配的语义信息包括：基于所述匹配的关键词信息生成与所述意图信息相匹配的文本短句；对所述文本短句进行语义分析，得到所述文本短句的语义信息；将所述文本短句的语义信息作为所述与所述意图信息相匹配的语义信息。7.根据权利要求6所述的方法，其特征在于，当所述文本短句的语义信息...

【专利技术属性】
技术研发人员：王星星，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44