一种改进的DRNN模型的意图识别方法及装置制造方法及图纸

本发明专利技术公开了一种改进的DRNN模型的意图识别方法及装置，该方法包括如下步骤：步骤SS1：将输入序列输入到DRNN循环神经网络中进行阻断信息流动，使输入序列传递固定的步长K；步骤SS2：将DRNN循环神经网络的每个隐层标识送入MLP多层感知器中，来抽取更高层的特征信息；步骤SS3：通过Max Pooling池化操作来抽取整个输入序列的文本中最重要的特征信息；步骤SS4：通过一层MLP多层感知器送入softmax逻辑回归模型中进行分类，输出文本分类结果。本发明专利技术通过改进的DRNN（Disconnected Recurrent Neural Networks）进行意图识别分类，以提高文本分类的准确性，使相关技术在实际应用场景中达到更好效果。

【技术实现步骤摘要】
一种改进的DRNN模型的意图识别方法及装置
本专利技术涉及一种改进的DRNN模型的意图识别方法及装置，属于文本分类识别

技术介绍
目前随着各类数据的不断积累，经常存在海量数据中发现特定信息的需求，而对于海量信息，从文本语义层面进行处理是较为合理的方法，文本分类可以帮助业务人员进行相关业务信息分类，并可发现关注信息。文本分类（TextClassification，TC）是用算法对文本所包含的内容进行自动的分析，从而识别出不同文本的类别，因此文本分类根据标签的个数分为二分类、多分类、多标签分类、层次标签分类。文本分类不仅可以协助人们管理和解决复杂的海量数据，还可以帮助人们从海量的数据中快速地获取用户需要的信息，推动人工智能产业的发展。文本分类技术的研究对于高效地管理海量数据以及后序充分利用这些数据都存在极具现实的意义。
技术实现思路
本专利技术的目的在于，克服现有技术存在的技术缺陷，解决上述技术问题，提出一种改进的DRNN模型的意图识别方法及装置，通过改进的DRNN（DisconnectedRecurrentNeura本文档来自技高网...

【技术保护点】
1.一种改进的DRNN模型的意图识别方法，其特征在于，包括如下步骤：/n步骤SS1：将输入序列输入到DRNN循环神经网络中进行阻断信息流动，使输入序列传递固定的步长K；/n步骤SS2：将DRNN循环神经网络的每个隐层标识送入MLP多层感知器中，来抽取更高层的特征信息；/n步骤SS3：通过Max Pooling池化操作来抽取整个输入序列的文本中最重要的特征信息；/n步骤SS4：通过一层MLP多层感知器送入softmax逻辑回归模型中进行分类，输出文本分类结果。/n

【技术特征摘要】
1.一种改进的DRNN模型的意图识别方法，其特征在于，包括如下步骤：
步骤SS1：将输入序列输入到DRNN循环神经网络中进行阻断信息流动，使输入序列传递固定的步长K；
步骤SS2：将DRNN循环神经网络的每个隐层标识送入MLP多层感知器中，来抽取更高层的特征信息；
步骤SS3：通过MaxPooling池化操作来抽取整个输入序列的文本中最重要的特征信息；
步骤SS4：通过一层MLP多层感知器送入softmax逻辑回归模型中进行分类，输出文本分类结果。


2.根据权利要求1所述的一种改进的DRNN模型的意图识别方法，其特征在于，所述DRNN循环神经网络，采用GRU门控循环网络作为循环单元，而构建得到的DGRU断开门控循环模型。


3.根据权利要求1所述的一种改进的DRNN模型的意图识别方法，其特征在于，所述DGRU断开门控循环模型包括：
特征表达模块，用于使用一系列的1维卷积核生成输入序列的特征表达；
网络层构建模块，用于使用注意机制构建网络层；
编解码模块，用于通过解码计算最大条件概率，从而完成嵌套实体的识别；
所述特征表达模块与所述网络层构建模块连接，所述网络层构建模块与所述编解码模块连接。


4.根据权利要求3所述的一种改进的DRNN模型的意图识别方法，其特征在于，所述编解码模块采用基于双向GRU门控循环网络或者LSTM长短期记忆网络构成的编码器和解码器。

<...

【专利技术属性】
技术研发人员：杨晶超，李娅强，刘发强，柳林，李鹏，倪江帆，张震，冯象雷，戚梦苑，孙旭东，
申请(专利权)人：国家计算机网络与信息安全管理中心，讯飞智元信息科技有限公司，
类型：发明
国别省市：北京;11