[發明專利]人機交互方法和裝置

在審

• 申請號: 201910048474.6
• 申請日: 2019-01-18
• 公開（公告）號: CN111538817A
• 公開（公告）日: 2020-08-14
• 發明（設計）人: 王穎帥;李曉霞;苗詩雨
• 申請（專利權）人: 北京京東尚科信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F16/33;G06F40/211;G06F40/30
• 代理公司: 中原信達知識產權代理有限責任公司 11219
• 代理人: 張一軍;馮培培

1.一種人機交互方法，其特征在于，所述方法包括：

對客戶端輸入的語句信息進行特征提取，以構建文本特征向量；

將所述文本特征向量輸入第一深度學習模型，以識別所述語句信息所屬的場景類別；

將所述文本特征向量輸入第二深度學習模型，以識別所述語句信息中的槽位信息；

根據所述場景類別和所述槽位信息獲取對應的搜索結果，并將所述對應的搜索結果返回至所述客戶端。

2.根據權利要求1所述的方法，其特征在于，所述對客戶端輸入的語句信息進行特征提取，以構建文本特征向量的步驟包括：

從所述語句信息中提取多種特征；其中，所述多種特征包括字特征、詞特征和上下文特征；根據每種特征查詢詞典，以獲取該特征的向量表示；將所述多種特征的向量表示進行融合，以得到所述文本特征向量。

3.根據權利要求2所述的方法，其特征在于，所述多種特征還包括關鍵詞特征；以及，

所述將所述多種特征的向量表示進行融合，以得到所述文本特征向量的步驟包括：對于字特征中的每個字來說，如果當前字單獨構成詞特征中的一個詞，則在當前字的向量表示之后拼接該詞的向量表示，如果當前字不單獨構成詞特征中的一個詞，則在作為共同構成詞中最后一個字的向量表示后面拼接該詞的向量表示，以得到字詞特征向量的融合結果；將上下文特征的向量表示、關鍵詞的向量表示依次與所述字詞特征向量的融合結果進行拼接，以得到所述文本特征向量。

4.根據權利要求1所述的方法，其特征在于，所述第一深度學習模型為卷積神經網絡模型。

5.根據權利要求1所述的方法，其特征在于，所述第二深度學習模型由長短期記憶模型和條件隨機場模型構成。

6.一種人機交互裝置，其特征在于，所述裝置包括：

構建模塊，用于對客戶端輸入的語句信息進行特征提取，以構建文本特征向量；

場景識別模塊，用于將所述文本特征向量輸入第一深度學習模型，以識別所述語句信息所屬的場景類別；

槽位識別模塊，用于將所述文本特征向量輸入第二深度學習模型，以識別所述語句信息中的槽位信息；

獲取模塊，用于根據所述場景類別和所述槽位信息獲取對應的搜索結果，并將所述對應的搜索結果返回至所述客戶端。

7.根據權利要求6所述的裝置，其特征在于，所述構建模塊對客戶端輸入的語句信息進行特征提取，以構建文本特征向量包括：

所述構建模塊從所述語句信息中提取多種特征；其中，所述多種特征包括字特征、詞特征和上下文特征；所述構建模塊根據每種特征查詢詞典，以獲取該特征的向量表示；所述構建模塊將所述多種特征的向量表示進行融合，以得到所述文本特征向量。

8.根據權利要求7所述的裝置，其特征在于，所述多種特征還包括關鍵詞特征；以及，

所述構建模塊將所述多種特征的向量表示進行融合，以得到所述文本特征向量包括：對于字特征中的每個字來說，如果當前字單獨構成詞特征中的一個詞，則所述構建模塊在當前字的向量表示之后拼接該詞的向量表示，如果當前字不單獨構成詞特征中的一個詞，則所述構建模塊在作為共同構成詞中最后一個字的向量表示后面拼接該詞的向量表示，以得到字詞特征向量的融合結果；所述構建模塊將上下文特征的向量表示、關鍵詞的向量表示依次與所述字詞特征向量的融合結果進行拼接，以得到所述文本特征向量。

9.根據權利要求6所述的裝置，其特征在于，所述場景識別模塊采用的第一深度學習模型為卷積神經網絡模型。

10.根據權利要求6所述的裝置，其特征在于，所述槽位識別模塊采用的第二深度學習模型由長短期記憶模型和條件隨機場模型構成。