用于终端的意图识别方法、装置、设备及存储介质制造方法及图纸

本申请涉及语义解析领域，具体使用了基于卷积神经网络训练的意图识别模型识别意图，并公开了一种用于终端的意图识别方法、装置、设备及存储介质，所述方法包括：采集用户的语音信息以得到待识别语料，并获取多个意图代表语料；将待识别语料分别与多个意图代表语料进行组合，得到多个对比组；将对比组输入语言模型，分别得到对比组中待识别语料和意图代表语料对应的编码向量；将待识别语料和意图代表语料对应的编码向量分别输入预先训练的意图识别模型中，得到待识别语料对应的多个相似度；确定多个相似度中的最大相似度对应意图代表语料的意图为目标意图，并基于目标意图向用户显示匹配的内容。

Intention recognition method, device, equipment and storage medium for terminal

【技术实现步骤摘要】
用于终端的意图识别方法、装置、设备及存储介质
本申请涉及信息提取领域，尤其涉及一种用于终端的意图识别方法、装置、设备及存储介质。
技术介绍
对话系统是人工智能领域最重要的应用之一，意图识别是对话系统的核心，随着深度学习和自然语言技术的发展，可以使用自然语言处理模型对用户意图进行识别。但目前，在训练用于意图识别的自然语言处理模型时，需要预先准备大量与该领域相关的语料数据。而对于某些特殊领域，例如，对于老年人领域，由于老年人不习惯电子设备等原因导致已知语料数据较少，在利用这些已知语料数据训练自然语言处理模型时，训练得到的模型的意图预测的准确性不高。因此，如何提高训练得到的意图预测模型的意图预测准确率成为亟待解决的问题。
技术实现思路
本申请提供了一种用于终端的意图识别方法、装置、设备及存储介质，以提高训练得到的意图预测模型的意图预测准确率。第一方面，本申请提供了一种用于终端的意图识别方法，所述方法包括：采集用户的语音信息以得到待识别语料，并获取多个意图代表语料；将所述待识别语料分别与多个所述意图代表语料进行组合，得到多个对比组，每个所述对比组中包括所述待识别语料和一个所述意图代表语料；将所述对比组输入语言模型，以分别得到所述对比组中所述待识别语料和意图代表语料对应的编码向量；将所述待识别语料和意图代表语料对应的编码向量分别输入预先训练的意图识别模型中，以得到所述待识别语料对应的多个相似度，其中，所述意图识别模型是基于卷积神经网络预先训练得到的；<br>确定多个所述相似度中的最大相似度对应意图代表语料的意图为目标意图，并基于所述目标意图向所述用户显示与所述目标意图匹配的内容。第二方面，本申请还提供了一种用于终端的意图识别装置，所述装置包括：语料获取模块，用于采集用户的语音信息以得到待识别语料，并获取多个意图代表语料；语料组合模块，用于将所述待识别语料分别与多个所述意图代表语料进行组合，得到多个对比组，每个所述对比组中包括所述待识别语料和一个所述意图代表语料；向量转换模块，用于将所述对比组输入语言模型，以分别得到所述对比组中所述待识别语料和意图代表语料对应的编码向量；相似度计算模块，用于将所述待识别语料和意图代表语料对应的编码向量分别输入预先训练的意图识别模型中，以得到所述待识别语料对应的多个相似度，其中，所述意图识别模型是基于卷积神经网络预先训练得到的；意图确定模块，用于确定多个所述相似度中的最大相似度对应意图代表语料的意图为目标意图，并基于所述目标意图向所述用户显示与所述目标意图匹配的内容。第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的用于终端的意图识别方法。第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的用于终端的意图识别方法。本申请公开了一种用于终端的意图识别方法、装置、设备及存储介质，通过采集用户的语音信息以得到待识别语料，并且获取多个意图代表语料，并基于获取到的待识别语料和多个意图代表语料建立多个对比组，再利用语言模型将各个对比组中的待识别语料和意图代表语料转换为编码向量，随即将编码向量输入预先训练的意图识别模型，得到待识别语料对应的多个相似度，最终从多个相似度中确定最大值所对应的意图代表语料的意图为目标意图，最终基于该目标意图向用户显示与目标意图匹配的内容。通过将语料信息转换为编码向量来对意图进行判断，提高意图识别的准确率。附图说明为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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他的附图。图1是本申请实施例提供的一种意图识别模型的训练方法的示意流程图；图2是图1中提供的一种意图识别模型的训练方法的子步骤示意流程图；图3是本申请实施例提供的一种用于终端的意图识别方法的示意流程图；图4是图3中提供的一种用于终端的意图识别方法的子步骤示意流程图；图5是本申请的实施例还提供一种意图识别模型训练装置的示意性框图；图6是本申请的实施例还提供一种用于终端的意图识别装置的示意性框图；图7为本申请一实施例提供的一种计算机设备的结构示意性框图。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。附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。本申请的实施例提供了一种用于终端的意图识别方法、装置、计算机设备及存储介质。该用于终端的意图识别方法可在语料较少的场景下，完成对用户意图的识别，满足对于垂直场景的需求。为了便于描述，本申请以智慧养老场景进行详细说明。下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。请参阅图1，图1是本申请实施例提供的一种意图识别模型的训练方法的示意流程图。该意图识别模型是基于卷积神经网络进行模型训练得到的。如图1所示，该意图识别模型的训练方法，用于训练出意图识别模型以便应用在用于终端的意图识别方法上。其中，该训练方法包括步骤S101至步骤S104。S101、获取多个样本数据。具体地，所述样本数据包括所述样本数据所代表的意图，所述样本数据是指作为样本的样本语料信息，样本语料信息为文本信息。其中，样本数据具体的是指当前能够获取到的与智慧养老领域相关的已知语料信息。例如，意图类别可以为养老院、糖尿病、高血压等老年人有关的词语。样本语料信息可以如：“老年人糖尿病会导致便秘么？”。S102、对所述样本数据进行两两分组，以得到多个训练集。具体地，对样本数据进行分组，具体的可以是从多个样本数据中任意取出两个样本数据，从而将取出的样本数据作为一个训练集。在具体实施过本文档来自技高网...

【技术保护点】
1.一种用于终端的意图识别方法，其特征在于，包括：/n采集用户的语音信息以得到待识别语料，并获取多个意图代表语料；/n将所述待识别语料分别与多个所述意图代表语料进行组合，得到多个对比组，每个所述对比组中包括所述待识别语料和一个所述意图代表语料；/n将所述对比组输入语言模型，以分别得到所述对比组中所述待识别语料和意图代表语料对应的编码向量；/n将所述待识别语料和意图代表语料对应的编码向量分别输入预先训练的意图识别模型中，以得到所述待识别语料对应的多个相似度，其中，所述意图识别模型是基于卷积神经网络预先训练得到的；/n确定多个所述相似度中的最大相似度对应意图代表语料的意图为目标意图，并基于所述目标意图向所述用户显示与所述目标意图匹配的内容。/n

【技术特征摘要】
1.一种用于终端的意图识别方法，其特征在于，包括：
采集用户的语音信息以得到待识别语料，并获取多个意图代表语料；
将所述待识别语料分别与多个所述意图代表语料进行组合，得到多个对比组，每个所述对比组中包括所述待识别语料和一个所述意图代表语料；
将所述对比组输入语言模型，以分别得到所述对比组中所述待识别语料和意图代表语料对应的编码向量；
将所述待识别语料和意图代表语料对应的编码向量分别输入预先训练的意图识别模型中，以得到所述待识别语料对应的多个相似度，其中，所述意图识别模型是基于卷积神经网络预先训练得到的；
确定多个所述相似度中的最大相似度对应意图代表语料的意图为目标意图，并基于所述目标意图向所述用户显示与所述目标意图匹配的内容。


2.根据权利要求1所述的用于终端的意图识别方法，其特征在于，还包括：
获取多个样本数据,所述样本数据包括所述样本数据所代表的意图；
对所述样本数据进行两两分组，以得到多个训练集；
将所述训练集分别输入语言模型，以得到每个所述训练集对应的两个编码向量；
将两个所述编码向量和所述样本数据所代表的意图输入卷积神经网络进行训练，以得到意图识别模型。


3.根据权利要求2所述的用于终端的意图识别方法，其特征在于，所述将两个所述编码向量和所述样本数据所代表的意图输入卷积神经网络进行训练，包括：
将两个所述编码向量输入卷积神经网络的卷积层进行特征提取，以得到两个与所述编码向量对应的样本特征；
将两个所述样本特征和所述样本数据所代表的意图输入卷积神经网络进行训练。


4.根据权利要求2所述的用于终端的意图识别方法，其特征在于，还包括：
对所述样本数据进行两两分组，以得到多个测试集，根据所述测试集对训练得到的所述意图识别模型进行测试。


5.根据权利要求1所述的用于终端的意图识别方法，其特征在于，所述将所述待识别语料分别与多个所述意图代表语料进行组合，得到多个对比组，包括：
对多个所述意图代表语料进行多次不放回抽样；
将每次抽样得到的一个所...

【专利技术属性】
技术研发人员：孙思，曹锋铭，
申请(专利权)人：平安国际智慧城市科技股份有限公司，
类型：发明
国别省市：广东;44