[發明專利]場景對話文本識別方法、裝置以及終端

有效

• 申請號: 201810716111.0
• 申請日: 2018-06-29
• 公開（公告）號: CN108897723B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 曹宇慧;馮仕堃;何徑舟
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06F40/30
• 分類號: G06F40/30;G06F40/289;G06F40/14;G06F16/33;G06N3/08
• 代理公司: 北京市鑄成律師事務所 11313
• 代理人: 王珺;武晨燕

1.一種場景對話文本識別方法，其特征在于，包括：

將場景對話文本輸入至長短記憶型遞歸神經網絡模型中，依次通過詞向量轉換層、詞向量求和層、長短記憶型遞歸神經網絡層、全連接層和輸出層，得到對話語義連貫特征分數；所述場景對話文本包括多輪對話；所述長短記憶型遞歸神經網絡模型用于接收所述場景對話文本中的長語句，所述長語句是文本長度大于對話長度閾值的語句；

將所述場景對話文本輸入至特征抽取器中，生成對話特征參量；

將所述對話語義連貫特征分數和所述對話特征參量輸入至梯度提升數融合模型中，得到優質交互的概率值；

如果所述優質交互的概率值大于優質交互閾值時，則所述場景對話文本是優質交互文本；

其中，將場景對話文本輸入至長短記憶型遞歸神經網絡模型中，得到對話語義連貫特征分數，包括：

將所述場景對話文本中的每條對話語句進行切詞，并將切詞后得到的各個分詞轉化為詞向量；

將每條所述對話語句包含的所述詞向量進行相加，生成與所述對話語句對應的語句特征向量；

將各個所述語句特征向量輸入至所述長短記憶型遞歸神經網絡層中，生成對話特征向量；

將所述對話特征向量輸入至全連接層，輸出連貫性類別和非連貫性類別；

將所述連貫性類別和所述非連貫性類別輸入至多類別邏輯回歸函數中計算對應的概率值，得到所述對話語義連貫特征分數。

2.根據權利要求1所述的方法，其特征在于，按照對所述場景對話文本中的對話順序將所述語句特征向量輸入至所述長短記憶型遞歸神經網絡層中。

3.根據權利要求1所述的方法，其特征在于，所述對話特征參量包括多輪對話的輪次、每輪對話中交互次數、回復的文本長度和對話主題實體詞中的至少一項。

4.一種場景對話文本識別裝置，其特征在于，包括：

連貫特征分數生成模塊，用于將場景對話文本輸入至長短記憶型遞歸神經網絡模型中，依次通過詞向量轉換層、詞向量求和層、長短記憶型遞歸神經網絡層、全連接層和輸出層，得到對話語義連貫特征分數；所述場景對話文本包括多輪對話；所述長短記憶型遞歸神經網絡模型用于接收所述場景對話文本中的長語句，所述長語句是文本長度大于對話長度閾值的語句；

對話特征參量抽取模塊，用于將所述場景對話文本輸入至特征抽取器中，生成對話特征參量；

優質交互概率值模塊，用于將所述對話語義連貫特征分數和所述對話特征參量輸入至梯度提升數融合模型中，得到優質交互的概率值；

優質交互結果判斷模塊，用于如果所述優質交互的概率值大于優質交互閾值時，則所述場景對話文本是優質交互文本；

其中，所述連貫特征分數生成模塊包括：

詞向量轉換單元，用于將所述場景對話文本中的每條對話語句進行切詞，并將切詞后得到的各個分詞轉化為詞向量；

詞向量相加單元，用于將每條所述對話語句包含的所述詞向量進行相加，生成與所述對話語句對應的語句特征向量；

對話特征提取單元，用于將各個所述語句特征向量輸入至所述長短記憶型遞歸神經網絡層中，生成對話特征向量；

全連接計算單元，用于將所述對話特征向量輸入至全連接層，輸出連貫性類別和非連貫性類別；

特征分數計算單元，用于將所述連貫性類別和所述非連貫性類別輸入至多類別邏輯回歸函數中計算對應的概率值，得到所述對話語義連貫特征分數。

5.一種場景對話文本識別終端，其特征在于，包括：

一個或多個處理器；

存儲器，用于存儲一個或多個程序；

當所述一個或多個程序被所述一個或多個處理器執行時，使得所述一個或多個處理器實現如權利要求1-3中任一所述的方法。

6.一種計算機可讀存儲介質，其存儲有計算機程序，其特征在于，該程序被處理器執行時實現如權利要求1-3中任一所述的方法。