智能对话中多意图语义识别方法技术

本发明专利技术公开了一种智能对话中多意图语义识别方法，包括：模型初始化、模型调用、模型更新；所述模型初始化对于每一类对话场景，训练一个独立的意图模型，模型分类分别为：情感分类模型、意图分类模型、意图模型；模型调用意图处理服务步骤如下：(1)文本清洗，(2)意图分类，(3)意图分拆，(4)意图筛选，(5)意图排序，(6)多意图合并。模型更新训练的输入为：对话质检、真实对话学习。本发明专利技术实现了一种针对复杂意图的智能识别算法，提高了智能对话的意图识别准确率，极大提升了对话效果。极大提升了对话效果。极大提升了对话效果。

【技术实现步骤摘要】
智能对话中多意图语义识别方法


[0001]本专利技术涉及一种智能对话中多意图语义识别方法，属于语义识别


技术介绍

[0002]人工智能技术目前已普遍应用于各行各业。在企业通讯领域，智能对话相关应用已可以大规模的代替人工，大大节约了企业用人成本。而其中自然语义理解(NLP)技术成为最关键的因素，是否能准确识别用户意图，很大程度上决定了对话的质量。对于客户意图的识别，目前有许多算法在使用。但这些算法或模型都存在一个典型的问题，即对于越复杂的用户对话，越难以准确理解客户的意图。或者客户在对话中表达了多种意图，但是现有技术只能识别出其中某种意图。

技术实现思路

[0003]本专利技术的目的在于提供一种智能对话中多意图语义识别方法，更加有效和准确的应用于自然语义处理(NLP，NativeLanguageProcess)过程中的复杂意图识别，以解决目前在智能对话领域客户意图识别不准，导致对话效果不佳、影响对话质量的问题。通过对意图识别模型的学习与训练，以提升意图识别准确率，给客户带来更好的对话体验。
[0004]本专利技术的目的通过以下技术方案予以实现：
[0005]一种智能对话中多意图语义识别方法，包括：模型初始化、模型调用、模型更新；
[0006]1)模型初始化：对于每一类对话场景，训练一个独立的意图模型，所需语料为问题库或聚类，聚类即相似文本的集合；语料来源于历史语料整理、历史对话学习；
[0007]模型分类:模型分为三类，分别为：情感分类模型、意图分类模型、意图模型；
[0008]意图分类模型用以判断客户对话的意愿方向，分为：肯定、否定、中性，不同对话场景只需维护一个模型；
[0009]情感分类模型用以判断客户对话的情感极性，分为：消极、积极、中性，不同对话场景只需维护一个模型；
[0010]意图模型用以判断客户具体的细分意图，意图模型因对话场景不同而不同，需要针对不同的对话场景单独训练，每个问题或聚类都是一个意图，意图模型会输出其中一个或多个意图，意图附有分值，分值区间为0
‑
100，与训练语料近似度越接近分值越高；
[0011]2)模型调用：
[0012]发起一个智能外呼任务时，调用意图处理服务，意图处理服务访问训练好的模型，意图处理服务步骤如下：
[0013](1)文本清洗：
[0014]在处理文本之前，去除无用词汇；
[0015](2)意图分类：
[0016]经过文本清洗后的完整客户对话，称为整句；
[0017]将整句送入意图分类模型，得到整句的意图分类为肯定、否定、中性中的某一种；
[0018]将整句送入情感分类模型，得到整句的情感极性为积极、消极、中性中的某一种；
[0019](3)意图分拆：
[0020]对整句按照标点符号进行分拆，得到多个分句；将整句和每一个分句送入意图模型，根据与不同意图的模型近似度打分，即计算各句与模型文本的向量值，计算值越接近分值越高，从而得到多个意图，以及对应意图的分值，分值范围为0
‑
100；
[0021](4)意图筛选：
[0022]剔除分数较低者：剔除意图分值低于65分的意图；
[0023]剔除极性相反者：如果分拆后的分句意图与整句意图极性相反，将意图极性相反的分句删除；
[0024](5)意图排序：
[0025]在意图分拆步骤中，每一个意图都有分值；
[0026]若筛选后的意图均为聚类，则取聚类最高分者作为最终意图；
[0027]若筛选后的意图均为问题，则取问题最高分者作为最终意图；
[0028]若筛选后的意图同时包含聚类和问题，则取决于对话流程中定义的优先级，即问题回答优先还是聚类回答优先，按照优先级设定取最高分者作为最终意图；
[0029](6)多意图合并：
[0030]若对话中设定问题回答优先，则拼接所有问题的答案作为客户回复，但意图判定仍取最高分者。
[0031]3)模型更新：
[0032]模型更新训练的输入为：对话质检、真实对话学习。
[0033]本专利技术的目的还可以通过以下技术措施来进一步实现：
[0034]前述智能对话中多意图语义识别方法，步骤3)模型更新中，所述对话质检即通过人工质检机器人实际与客户的真实对话文本，发现其中意图识别不准确的对话片断，重新进行标注和修正，再把这部分文本重新放到模型训练集中进行训练，提高模型的精确性。
[0035]前述智能对话中多意图语义识别方法，步骤3)模型更新中，针对意图未识别者，对未识别者进行全量的自动化归类，即自动检索生成全量的未识别文本库，然后对这部分内容进行人工标注，重新投入模型训练。
[0036]与现有技术相比，本专利技术的有益效果是：
[0037]1.意图模型仅需少量语料即可实现冷启动，传统的做法需要大量的人工标注，需要耗费较多的人力。
[0038]2.意图模型的语料更新，可以通过系统的自动归类进行整理，结合人工审核后批量添加，可维护性高。
[0039]3.意图模型结合意图分类模型，对意图进行分拆，可以准确得到客户真实意图，在复杂对话的意图判定时具有更高的识别准确率。
[0040]本专利技术可用于智能语音外呼、智能在线客服、呼入式机器人等智能对话场景。本专利技术实现了一种针对复杂意图的智能识别算法，提高了智能对话的意图识别准确率，极大提升了对话效果，可以有效增加客户成单率、提升客户满意度，从而达成企业业务目标。
附图说明
[0041]图1是本专利技术的模型生成算法流程图；
[0042]图2是模型调用流程图；
[0043]图3是多意图模型生成流程示意图；
[0044]图4是模型优化更新流程图；
[0045]图5是模型应用的产品架构图；
[0046]图6是业务流程图；
[0047]图7是平台系统架构图；
[0048]图8是多意图模型产品软件架构图。
具体实施方式
[0049]下面结合附图和具体实施例对本专利技术作进一步说明。
[0050]本专利技术提供了如下技术方案：由业务人员或系统发起意图识别模型的训练，模型经验证发布后，在对话流程中调用，再结合多意图判定方法，最终得到用户真实意图。
[0051]该过程主要分为三个阶段：模型初始化、模型调用、模型更新。
[0052]1.模型初始化，如图1所示；
[0053]模型训练的基础数据来源于谷歌BERT(BidrectionalEncoderRepresentationsfrom Transformer)语言模型开源预训练数据库、行业知识库以及历史对话数据，具有通用性。
[0054]对于每一类对话场景，均需要训练一个独立的意图模型。为了获得一个可用的意图模型，首先必须准备充足的语料。语料的表现形式一般是问题库或聚类(相似文本的集合)。语料的来源主要有两种，一种是历史语料本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能对话中多意图语义识别方法，其特征在于，包括：模型初始化、模型调用、模型更新；1)模型初始化：对于每一类对话场景，训练一个独立的意图模型，所需语料为问题库或聚类，聚类即相似文本的集合；语料来源于历史语料整理、历史对话学习；模型分类:模型分为三类，分别为：情感分类模型、意图分类模型、意图模型；意图分类模型用以判断客户对话的意愿方向，分为：肯定、否定、中性，不同对话场景只需维护一个模型；情感分类模型用以判断客户对话的情感极性，分为：消极、积极、中性，不同对话场景只需维护一个模型；意图模型用以判断客户具体的细分意图，意图模型因对话场景不同而不同，需要针对不同的对话场景单独训练，每个问题或聚类都是一个意图，意图模型会输出其中一个或多个意图，意图附有分值，分值区间为0
‑
100，与训练语料近似度越接近分值越高；2)模型调用：发起一个智能外呼任务时，调用意图处理服务，意图处理服务访问训练好的模型，意图处理服务步骤如下：(1)文本清洗：在处理文本之前，去除无用词汇；(2)意图分类：经过文本清洗后的完整客户对话，称为整句；将整句送入意图分类模型，得到整句的意图分类为肯定、否定、中性中的某一种；将整句送入情感分类模型，得到整句的情感极性为积极、消极、中性中的某一种；(3)意图分拆：对整句按照标点符号进行分拆，得到多个分句；将整句和每一个分句送入意图模型，根据与不同意图的模型近似度打分，即计算各句与...

【专利技术属性】
技术研发人员：周立，汪聪，任语，高兴武，李传虎，
申请(专利权)人：南京易米云通网络科技有限公司，
类型：发明
国别省市：