意图识别方法、装置、智能对话平台及存储介质制造方法及图纸

本公开实施例涉及一种意图识别方法、装置、智能对话平台及存储介质，通过获取输入语句中的词语之间的依存关系，并将获取到的依存关系加入到注意力机制中确定得到输入语句中至少部分词语的语义特征向量，然后基于输入语句中至少部分词语的语义特征向量进行意图识别得到输入语句表达的用户意图，根据用户意图执行相应的操作，并反馈操作结果。本公开实施例提供的方案能够提高意图识别的准确性。例提供的方案能够提高意图识别的准确性。例提供的方案能够提高意图识别的准确性。

【技术实现步骤摘要】
意图识别方法、装置、智能对话平台及存储介质


[0001]本公开实施例涉及人工智能
，尤其涉及一种意图识别方法、装置、智能对话平台及存储介质。

技术介绍

[0002]随着人工智能技术的发展，意图识别技术已被广泛应用在各类智能对话平台上。智能对话平台基于意图识别技术能够对用户的语句进行分析和理解，并根据分析结果执行相应的操作。但是，目前意图识别的结果还不够准确，还需要进一步的提升。

技术实现思路

[0003]为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种意图识别方法、装置、智能对话平台及存储介质。
[0004]本公开实施例的第一方面提供了一种意图识别方法，该方法包括：获取输入语句中的词语之间的依存关系；根据词语之间的依存关系结合注意力机制确定得到输入语句中至少部分词语的语义特征向量；基于确定得到的至少部分词语的语义特征向量识别得到输入语句表达的用户意图；根据识别得到的用户意图执行符合用户意图的操作，并反馈相应的操作结果。
[0005]本公开实施例的第二方面提供了一种意图识别装置，该装置包括：
[0006]获取模块，用于获取输入语句中的词语之间的依存关系。
[0007]确定模块，用于根据获取到的依存关系结合注意力机制确定得到输入语句中至少部分词语的语义特征向量。
[0008]识别模块，用于基于确定得到的至少部分词语的语义特征向量识别得到输入语句表达的用户意图。
[0009]执行模块，用于根据用户意图执行符合用户意图的操作，并反馈相应的操作结果。
[0010]本公开实施例的第三方面提供了一种智能对话平台，该智能对话平台，包括存储器和处理器，其中，存储器中存储有计算机程序，当该计算机程序被处理器执行时，处理器可以执行上述第一方面的方法。
[0011]本公开实施例的第四方面提供了一种计算机可读存储介质，该存储介质中存储有计算机程序，当该计算机程序被处理器执行时，处理器可以执行上述第一方面的方法。
[0012]本公开实施例提供的技术方案与现有技术相比具有如下优点：
[0013]本公开实施例，通过获取输入语句中的词语之间的依存关系，并将获取到的依存关系加入到注意力机制中确定得到输入语句中至少部分词语的语义特征向量，然后基于输入语句中的至少部分词语的语义特征向量进行意图识别得到输入语句表达的用户意图，然后根据用户意图执行相应的操作，并反馈操作结果。由于本公开实施例在注意力机制中加入了词语之间的依存关系，该依存关系不但能够将词语的注意力集中在距离词语自身较近的词语上，还能够将词语的注意力集中在距离词语自身较远，但存在语义依存关系的词语
上。因此，将词语之间的依存关系加入到注意力机制之后可以得到准确度更高的语义特征向量，在此基础之上再根据这些语义特征向量进行意图识别就能够得到真实的用户意图，从而提高了意图识别的准确性和用户体验。
附图说明
[0014]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0015]为了更清楚地说明本公开实施例或现有技术中的技术方案，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地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0016]图1是本公开实施例提供的一种人机交互场景的示意图；
[0017]图2是本公开实施例提供的一种意图识别方法的流程示意图；
[0018]图3A是本公开实施例提供的一种词语之间的语义依存关系的示意图；
[0019]图3B是根据图3A中的语义依存关系得到的语义依存关系树的示意图；
[0020]图4A是本公开实施例提供的一种词语之间的依存句法关系的示意图；
[0021]图4B是根据图4A中的依存句法关系得到的依存句法关系树的示意图；
[0022]图5是本公开实施例提供的一种基于注意力机制的语义分析模型的结构示意图；
[0023]图6是本公开实施例提供的一种意图识别方法的流程示意图；
[0024]图7是本公开实施例提供的一种意图识别装置的结构示意图；
[0025]图8是本公开实施例提供的一种智能对话平台的结构示意图。
具体实施方式
[0026]为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
[0027]在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
[0028]为了更好理解本公开实施例的技术方案，首先对本公开实施例涉及的部分技术术语进行介绍：
[0029]BERT：是一种大规模预训练语言模型，该模型可以以汉字或者外文单词为单位对句子进行编码，编码后句子中的每个汉字或者外文单词对应的向量可用于表示该汉字或者外文单词在句子中的语义。
[0030]Transformer：是一种基于注意力机制的文本编码网络结构，该网络结构可以采用注意力机制从句子中提取出对词语理解有帮助的信息，并以此来对句子中的词语进行语义分析。
[0031]语义依存关系：是一种用于表示句子中词语之间的语义关联关系的语义依存结构。
[0032]依存句法关系：是一种用于表示句子中词语之间的句法关系的句法表示结构。
[0033]下面对相关技术提供的意图识别方法以及该方法存在的缺陷进行示例性说明。
[0034]相关技术通常采用基于BERT的意图识别模型来进行意图识别。BERT是一种基于大规模语料训练的多层Transformer语言模型，在该模型中输入语句中的每个词语的注意力只能集中在距离自身距离较近的词语上，而对于距离自身距离较远的词语则无法处理，从而导致了意图识别准确率不高的问题。尤其是对于句子长度较长的语句来说，这个问题尤其明显。
[0035]针对相关技术存在的缺陷，本公开实施例提供了一种意图识别方案。该方案通过将输入语句中的词语之间的依存关系(比如，语义依存关系、依存句法关系等)加入到对输入语句的词语的注意力计算过程中，使得输入语句的意图识别结果的准确性得到提高。
[0036]示例的，图1是本公开实施例提供的一种人机交互场景的示意图，如图1所示，本公开实施例提供的意图识别方案可以被应用在用户与智能对话平台的人机交互场景中。其中，用户11可以是人也可以是设备或者设备上搭载的应用程序。当用户11被具体为设备或者设备上搭载的应用程序时，该设备或者设备上搭载的应用程序具有语音输出能力或者文本输出能力。智能对话平台12可以被示例性的具体为一种智能对话机器人，该机器人可以是虚拟机器人，比如，应用在网站或者应用程序上的问答机器人等，也可以是实体机器人，比如车机、手机、音箱等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种意图识别方法，其特征在于，包括：获取输入语句中的词语之间的依存关系；根据所述依存关系结合注意力机制确定得到所述输入语句中至少部分词语的语义特征向量；基于所述至少部分词语的语义特征向量识别得到所述输入语句表达的用户意图；根据所述用户意图执行符合所述用户意图的操作，并反馈相应的操作结果。2.根据权利要求1所述的方法，其特征在于，所述根据所述依存关系结合注意力机制确定得到所述输入语句中至少部分词语的语义特征向量，包括：根据预设的依存关系与依存关系向量之间的映射关系，获得所述词语之间的依存关系向量；根据所述词语之间的依存关系向量结合注意力机制确定得到所述至少部分词语的语义特征向量。3.根据权利要求2所述的方法，其特征在于，所述词语之间的依存关系包括：语义依存关系，所述词语之间的依存关系向量包括语义依存关系向量；其中，所述语义依存关系向量是指用于表示词语之间语义依存关系的向量。4.根据权利要求3所述的方法，其特征在于，所述根据所述词语之间的依存关系向量结合注意力机制确定得到所述至少部分词语的语义特征向量，包括：将所述词语之间的语义依存关系向量作为所述词语之间的注意力关系的加权量，计算得到所述词语之间的注意力关系打分；根据所述词语之间的注意力关系打分，计算得到所述输入语句中至少部分词语的语义特征向量。5.根据权利要求2所述的方法，其特征在于，所述词语之间的依存关系包括：依存句法关系，所述词语之间的依存关系向量包括依存句法关系向量；其中，所述依存句法关系向量是指用于表示词语之间依存句法关系的向量。6.根据权利要求5所述的方法，其特征在于，所述根据所述词语之间的依存关系向量结合注意力机制确定得到所述至少部分词语的语义特征向量，包括：基于注意力机制计算所述词语之间的注意力关系打分；将所...

【专利技术属性】
技术研发人员：耿瑞莹，黎槟华，李永彬，武玉川，孙健，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：