[發(fā)明專利]查詢意圖標注方法、裝置、設備及存儲介質

在審

• 申請?zhí)枺?/td>: 201710677139.3
• 申請日: 2017-08-09
• 公開（公告）號: CN110019696A
• 公開（公告）日: 2019-07-16
• 發(fā)明（設計）人: 陸永帥
• 申請（專利權）人: 百度在線網絡技術(北京)有限公司
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F16/33
• 代理公司: 北京鴻德海業(yè)知識產權代理事務所(普通合伙) 11412
• 代理人: 袁媛

1.一種查詢意圖標注方法，其特征在于，包括：

對待標注的查詢query進行分詞處理；

利用預先訓練得到的詞向量模型，分別確定出各詞的詞向量；

根據(jù)各詞的詞向量確定出所述query的query向量；

將所述query向量輸入給預先訓練得到的標注模型，得到輸出的意圖標注結果。

2.根據(jù)權利要求1所述的方法，其特征在于，

所述根據(jù)各詞的詞向量確定出所述query的query向量包括：

計算各詞的詞向量的平均值；

將計算結果作為所述query向量。

3.根據(jù)權利要求1所述的方法，其特征在于，

所述標注模型包括：深度殘差網絡模型；

所述深度殘差網絡模型由輸入層、一維卷積層、第一殘差模塊、第二殘差模塊、第三殘差模塊、全連接層以及輸出層組成。

4.根據(jù)權利要求3所述的方法，其特征在于，

每個殘差模塊中輸入的特征經過池化層后分為一條主徑和一條捷徑；

所述主徑上包括三個一維卷積層，其中前兩個一維卷積層的卷積核數(shù)相同，第三個一維卷積層的卷積核數(shù)翻倍；

所述捷徑上包括一個一維卷積層，卷積核數(shù)等于所述主徑上的第三個一維卷積層的卷積核數(shù)；

所述主徑和所述捷徑輸出的特征經過融合層的加和融合后作為殘差模塊的輸出。

5.根據(jù)權利要求3所述的方法，其特征在于，

所述全連接層中包括3層；

所述輸出層通過softmax得到所述意圖標注結果。

6.根據(jù)權利要求4所述的方法，其特征在于，

該方法進一步包括：

對每個一維卷積層和池化層輸出的特征分別進行批歸一化操作。

7.根據(jù)權利要求4所述的方法，其特征在于，

該方法進一步包括：

在每個一維卷積層和全連接層之后均采用ReLU作為激活函數(shù)。

8.根據(jù)權利要求3所述的方法，其特征在于，

訓練得到所述詞向量模型包括：

利用獲取到的語料訓練得到所述詞向量模型；

訓練得到所述深度殘差網絡模型包括：

獲取帶有意圖標注結果的query集合；

將所述query集合中的各query作為訓練樣本，訓練得到所述深度殘差網絡模型。

9.一種查詢意圖標注裝置，其特征在于，包括：分詞單元、向量生成單元以及標注單元；

所述分詞單元，用于對待標注的查詢query進行分詞處理，將得到的各詞發(fā)送給所述向量生成單元；

所述向量生成單元，用于利用預先訓練得到的詞向量模型，分別確定出各詞的詞向量，并根據(jù)各詞的詞向量確定出所述query的query向量，將所述query向量發(fā)送給所述標注單元；

所述標注單元，用于將所述query向量輸入給預先訓練得到的標注模型，得到輸出的意圖標注結果。

10.根據(jù)權利要求9所述的裝置，其特征在于，

所述向量生成單元計算各詞的詞向量的平均值，將計算結果作為所述query向量。

11.根據(jù)權利要求9所述的裝置，其特征在于，

所述標注模型包括：深度殘差網絡模型；

所述深度殘差網絡模型由輸入層、一維卷積層、第一殘差模塊、第二殘差模塊、第三殘差模塊、全連接層以及輸出層組成。