意图识别方法、系统、装置及存储介质制造方法及图纸

本公开涉及智能语义技术领域，提供了一种意图识别方法、系统、装置及存储介质。该方法包括：将意图模板中的实体的类型定义为与具体业务场景相应的实体类型名称；将意图模板中实体对应的位置用实体类型名称进行占位替代，占位替代后生成的意图模板为占位替代文本，将全部占位替代文本经过模型训练并进行编码，将全部占位替代文本经过编码后的向量存入到向量索引库中；接收到用户输入的文本后，通过命名实体的识别将文本中的相关实体替换为实体类型名称，并与用户输入文本同时在向量索引库中进行语义检索，将搜索到的经过排序后的用户意图结果返回给用户。本公开能够实现对通用意图的识别，提高了识别广度和精准度，架构简单，资源利用率高。利用率高。利用率高。

【技术实现步骤摘要】
意图识别方法、系统、装置及存储介质


[0001]本公开涉及智能语义
，尤其涉及一种意图识别方法、系统、装置及存储介质。

技术介绍

[0002]在对话机器人(智能客服)的意图识别中，一些复杂的业务场景需要支持通用意图，即形如「XXX订单查询」这样的意图，其中「XXX」可替换为任意一种实体(比如京东、天猫、喜茶、沃尔玛等)，所有替换后的意图最终指向的都是同一个意图「订单查询」。
[0003]业界常见方案：1.对于一种通用意图，将其想要支持的实体都搭配以不同的话术，生成大量相似句，并配置在意图的同义句中；在进行意图识别时，将输入的意图与所有的意图及其同义句进行比对。这样做的缺点是：a)当一种意图对应的话术很多，实体也很多时，其同义句的组成会是前两者的笛卡尔积，如5种话术以及100种实体(比如商品名称)，总共会生成5*100＝500个同义句。这会带来非常大的存储资源消耗，并在进行意图识别时，巨幅增加检索和匹配的计算资源需求，降低系统性能；b)对于同一种实体类型，每一个相关的通用意图都需要把带实体的相似句配置一次，造成了极大的人力浪费；c)真实业务场景中，并不是每一个意图都是通用意图，如上所述的方案在模型训练时，会认为所有的实体都是同一含义，或者认为实体的真实含义不重要，导致丧失了对实体本身含义的捕捉能力，当不同实体对应不同意图，比如「京东客服电话是多少」和「天猫客服电话是多少」时，会认为两者的语义相同，导致识别错误。2.另一种常见做法是引入事先配置的意图模板，当用户输入和模板完全匹配时，直接给出模板对应的意图，而不进行后续的模型识别，这样做的缺点是：a)只能做字面检索，不支持语义检索；b)仅支持精确匹配，无法对模板进行泛化，比如模板配置了「XX怎么充值」，无法对形如「XX咋充咧？」这样的问句进行泛化支持；c)由于不支持泛化，依然需要大量人工来配置大量模板，造成资源浪费。
[0004]提出一种同时支持字面和语义检索的泛化性强的通用意图解决方案，减轻意图知识维护难度，增益检索效果。

技术实现思路

[0005]有鉴于此，本公开实施例提供了一种意图识别方法、系统、装置及计算机程序可读存储介质，以解决现有技术中的存储资源配置和计算冗余、系统性能下降、意图识别错误、意图检索的通用性较差、资源浪费等问题。
[0006]本公开实施例的第一方面，提供了一种意图识别方法，包括以下步骤：
[0007]在具体业务场景中，将意图模板中的实体的类型定义为与具体业务场景相应的实体类型名称，实体类型名称为实体的对象名称；
[0008]将意图模板中实体对应的位置用与具体业务场景相应的实体类型名称进行占位替代，占位替代后生成占位替代文本，形成占位替代后的意图模板，将全部占位替代文本经过模型训练并进行编码，将全部占位替代文本经过编码后的向量存入到向量索引库中；
[0009]接收到用户输入的文本后，通过命名实体的识别将文本中的相关实体替换为与具体业务场景相应的实体类型名称，将替换后的用户输入文本和替换前的用户输入文本同时在向量索引库中进行语义搜索，将搜索到的用户意图结果进行排序，将搜索到的经过排序后的用户意图结果返回给用户。
[0010]本公开实施例的第二方面，提供了一种意图识别方法，包括：
[0011]在具体业务场景中，将意图模板中的实体的类型定义为与具体业务场景相应的实体类型名称，实体类型名称为实体的对象名称；
[0012]将意图模板中实体对应的位置用与具体业务场景相应的实体类型名称进行占位替代，占位替代后生成占位替代文本，形成占位替代后的意图模板，将全部占位替代文本经过模型训练并进行编码，将全部占位替代文本经过编码后的向量存入到向量索引库：elasticsearch、或者faiss中；
[0013]接收到用户输入的文本后，通过命名实体的识别将文本中的相关实体替换为与具体业务场景相应的实体类型名称，将替换后的用户输入文本和替换前的用户输入文本同时在向量索引库：elasticsearch、或者faiss中进行语义搜索，将搜索到的用户意图结果进行排序，将搜索到的经过排序后的用户意图结果返回给用户。
[0014]本公开实施例的第三方面，提供了一种意图识别方法，包括：
[0015]在具体业务场景中，将意图模板中的实体的类型定义为与具体业务场景相应的实体类型名称，实体类型名称为实体的对象名称；
[0016]将意图模板中实体对应的位置用与具体业务场景相应的实体类型名称进行占位替代，占位替代后生成占位替代文本，形成占位替代后的意图模板，将全部占位替代文本经过模型训练并进行编码，将全部占位替代文本经过编码后的向量存入到向量索引库：elasticsearch、或者faiss中；
[0017]接收到用户输入的文本后，通过命名实体的识别将文本中的相关实体替换为与具体业务场景相应的实体类型名称，将替换后的用户输入文本和替换前的用户输入文本同时在向量索引库：elasticsearch、或者faiss中进行语义搜索，分别计算替换前的用户输入文本和替换后的用户输入文本与向量索引库中所有的文本向量的余弦距离，该余弦距离用于表征意图识别的相似度，将搜索到的用户意图结果进行排序，将搜索到的经过排序后的用户意图结果返回给用户。
[0018]本公开实施例的第四方面，提供了一种系统，包括：包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0019]本公开实施例的第五方面，提供了一种装置，包括：包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0020]本公开实施例的第六方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0021]本公开实施例与现有技术相比存在的有益效果是：通过将意图模板中实体对应的位置用实体类型名称进行占位替代，将全部占位替代文本经过模型训练并进行编码后存入到向量索引库中，无论一个通用意图需要对应多少种实体，只要能有一个实体类型集能代
表这类实体，就能简单方便地使用实体类型进行配置，避免实体枚举以及过程中的遗漏，整体配置架构简单，资源利用率高，此外，通过命名实体的识别将文本中的相关实体替换为实体类型名称，并与用户输入的的文本同时在向量索引库：elasticsearch、或者faiss中进行语义检索，能够提高意图语义识别的广度和精准度，还能够进行语义的泛化检索，大大提高了意图识别效率，最终的意图识别效果较好。
附图说明
[0022]为了更清楚地说明本公开实施例中的技术方案，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，下面描述中的附图仅仅是本公开的一些实施例，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的附图。
[0023]图1是本公开实施例的应用场景的场本文档来自技高网...

【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：在具体业务场景中，将意图模板中的实体的类型定义为与具体业务场景相应的实体类型名称，所述实体类型名称为实体的对象名称；将意图模板中实体对应的位置用所述与具体业务场景相应的实体类型名称进行占位替代，占位替代后生成占位替代文本，形成占位替代后的意图模板，将全部占位替代文本经过模型训练并进行编码，将全部占位替代文本经过编码后的向量存入到向量索引库中；接收到用户输入的文本后，通过命名实体的识别将文本中的相关实体替换为与具体业务场景相应的实体类型名称，将替换后的用户输入文本和替换前的用户输入文本同时在所述向量索引库中进行语义搜索，将搜索到的用户意图结果进行排序，将搜索到的经过排序后的用户意图结果返回给用户。2.根据权利要求1所述的意图识别方法，其特征在于，所述向量索引库包括elasticsearch，或者faiss。3.根据权利要求2所述的意图识别方法，其特征在于，将所述替换前的用户输入文本和所述替换后的用户输入文本同时在所述向量索引库中进行语义检索，分别计算所述替换前的用户输入文本和所述替换后的用户输入文本与向量索引库中所有的文本向量的余弦距离，该余弦距离用于表征意图识别的相似度，将搜索到的用户意图结果按照得分大小进行排序，将搜索到的经过排序后的用户意图结果结果返回给用户。4.根据权利要求2所述的意图识别方法，其特征在于，其特征在于，将所述替换前的用户输入文本和所述替换后的用户输入文本同时在所述向量索引库中进行语义检索，分别计算所述替换前的用户输入文本和所述替换后的用户输入文本与向量索引库中所有的文本向量的欧氏距离或者曼哈顿距离，该欧氏距离或者曼哈顿距离用于表征意图识别的相似度，将搜索到的用户意图结果按照得分大小进行排序，将搜索到的经过排...

【专利技术属性】
技术研发人员：武文杰，袁子涵，
申请(专利权)人：深圳集智数字科技有限公司，
类型：发明
国别省市：