一种面向任务型对话的多域请求式意图识别方法技术

本发明专利技术提供一种面向任务型对话的多域请求式意图识别方法，该方法通过将请求式意图识别任务建模为配对排序任务，使用简单的双编码器框架及基于多层级相似度的困难负样本挖掘策略，有效提升了该场景下的识别效率及准确率。实验结果表明，本发明专利技术提出的方法相较基线(Baseline)检索模型于DSTC9‑Track1测试集上，识别效率及可见域Top1/Top5准确率有较大提升。此外，该方法兼容基于语义空间的域自适应(Domain Adaption)技术，便于后续对小样本场景的扩展使用。

【技术实现步骤摘要】
一种面向任务型对话的多域请求式意图识别方法
本专利技术涉及对话意图识别和信息检索领域，更具体地，涉及一种面向任务型对话的多域请求式意图识别方法。
技术介绍
对话意图识别又称对话状态跟踪，是任务型对话系统关键模块，旨在理解当前对话的用户意图从而辅助系统回复生成。在任务型对话中，对话状态通常定义为当前激活的用户意图槽值(Slot-Values)。用户意图插槽又可分为信息槽(InformableSlot)和请求槽(RequestableSlot)，信息槽用于记录用户要求的属性条件用于实体搜索，而请求槽记录了用户对指定实体的附加信息请求，用于调用API链接外部知识库(KnowledgeBase，KB)。为在任务型对话中更高效地链接外部知识库，本专利技术更关注请求式意图，即(是否请求，请求域，请求实体)的三元组的识别任务。此前对话意图识别的相关工作(HungLe等)通常建模为多分类任务，不适用于资源受限(LowResource)的场景。对此，Chien-ShengWu等提出基于指针网络(PointerNetwork)进行跨域的迁移学习(Trans本文档来自技高网...

【技术保护点】
1.一种面向任务型对话的多域请求式意图识别方法，其特征在于，包括以下步骤：/nS1：获取对话数据，从对话数据中获取实体ID集合E＝{1，2，...，C}和对话历史U＝{u

【技术特征摘要】
1.一种面向任务型对话的多域请求式意图识别方法，其特征在于，包括以下步骤：
S1：获取对话数据，从对话数据中获取实体ID集合E＝{1，2，...，C}和对话历史U＝{u1，u2，...，ut}，并对对话历史进行分词；
S2：随机采样一批步骤S1已分词的对话历史，与实体ID构成样本对，通过双编码器模型分别对对话历史及实体ID进行特征提取，得到对话历史的查询表征及实体ID的码本表征分别为qi＝E(Ui)∈Rd和Z＝{z1，z2，...，zC}∈R|E|×d；
S3：通过步骤S2得到的批样本对的高维表征，根据实体级层级标签计算样本对重要性，并进行实体级表征三元组的挖掘：
Triplesi，local＝{(qi，zi，qi，1-)，(qi，zi，qi，2-)，...，(qi，zi，qi，M-)}
其中，qi为正样本i对应的查询表征，qi，m-为样本i的第m个负样本对应的查询表征，zi为正样本i锚定的码本表征，最后计算实体级局部损失函数
S4：通过步骤S2得到的批样本对的高维表征，根据域级层级标签计算样本对重要性，并进行域级表征三元组的挖掘：
Triplesglobal＝{(q1，z1，q1-)，(q2，z2，q2-)，...，(qN，zN，qN-)}
其中，qi-为度量空间中与zi相似度最高的异域样本表征，最后计算域级全局损失函数
S5：计算总损失函数，



其中，β、γ为可调参数，为码本损失函数，用于对码本嵌入进行更新，最后，通过总损失函数优化双编码器模型，重复步骤S2-S5直至达到设定的最大迭代次数；
S6：停止迭代双编码器模型，并用于请求式意图识别。


2.根据权利要求1所述的面向任务型对话的多域请求式意图识别方法，其特征在于，步骤S2中的输入对话历史U＝{u1，u2，...，ut}包含多轮交互，每轮交互由用户及发言者的对话语句构成，待识别的意图即为实体ID集合E＝{1，2，...，C}。


3.根据权利要求1所述的面向任务型对话的多域请求式意图识别方法，其特征在于，步骤S3-S4中，对于由输入对话历史和实体ID中构成的样本对，定义度量相似度为两者于度量空间的L2距离，查询表征在度量空间与相应的码本表征进行最近邻匹配：
sim(qi，qj)＝||qi-qj||2



其中，qi，qj为样本(i，j)于度量空间中的查询表征，ze为实体e∈E对应的码本表征。


4.根据权利要求1所述的面向任务型对话的多域请求式意图识别方法，其特征在于，步骤S2的过程为：
实体ID通过码本嵌入矩阵映射...

【专利技术属性】
技术研发人员：谢洪途，林奕全，王国倩，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44