[發明專利]一種語義意圖識別方法、裝置、設備及存儲介質

在審

• 申請號: 201910509538.8
• 申請日: 2019-06-13
• 公開（公告）號: CN110334344A
• 公開（公告）日: 2019-10-15
• 發明（設計）人: 王星星
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F17/27
• 分類號: G06F17/27;G06F16/33;G06N3/04
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郝傳鑫;賈允

本申請公開了一種語義意圖識別方法、裝置、設備及存儲介質，所述方法包括：獲取文本信息；將所述文本信息輸入意圖識別模型進行意圖識別處理，得到所述文本信息的意圖信息；獲取所述文本信息中與所述意圖信息匹配的關鍵詞信息；基于所述匹配的關鍵詞信息確定與所述意圖信息相匹配的語義信息。其中，所述意圖識別模型包括：特征輸入轉換層、兩層的多線性特征學習層、卷積層和輸出層，多線性特征學習層的學習權重數據為一維線性權重向量。利用本申請實施例提供的技術方案可以大大降低模型學習過程中的計算復雜度，同時可以學習到多維度的文本特征信息，保證模型對意圖的識別準確率，且結合意圖來進行語義的分析，可以更好的提高語義理解的準確率。

技術領域

本申請涉及互聯網通信技術領域，尤其涉及一種語義意圖識別方法、裝置、設備及存儲介質。

背景技術

隨著人工智能技術的發展，深度學習在許多領域都得到了廣泛的應用。例如，在語音助手技術中，可以利用深度學習對用戶輸入的語音信息或文本信息進行語義意圖的識別，進而迅速做出回應，例如和用戶聊天，或者根據指令幫用戶操控智能設備等。

目前，在利用深度學習進行語義意圖識別時，為了保證語義意圖識別的準確率，往往設計復雜度較高的神經網絡模型(例如多頭注意力機制MultiHead Atention)網絡層越多，復雜度越高，神經網絡準確率會越好。但對于語音助手等人與機器實時交互的應用場景中，對響應速度與準確率都有很高的要求，現有的復雜度較高的神經網絡模型往往采用多維矩陣作為權重矩陣，計算復雜度高，無法兼顧識別準確率和處理速度。因此，需要提供更有效的方案，以在保證語義意圖識別的準確率的同時，降低神經網絡模型的計算復雜度，提升處理速度。

發明內容

本申請提供了一種語義意圖識別方法、裝置、設備及存儲介質，可以大大降低模型學習過程中的計算復雜度，同時可以學習到多維度的文本特征信息，保證模型對意圖的識別準確率，且結合意圖來進行語義的分析，可以更好的提高語義理解的準確率。

一方面，本申請提供了一種語義意圖識別方法，所述方法包括：

獲取文本信息；

將所述文本信息輸入意圖識別模型進行意圖識別處理，得到所述文本信息的意圖信息；

獲取所述文本信息中與所述意圖信息匹配的關鍵詞信息；

基于所述匹配的關鍵詞信息確定與所述意圖信息相匹配的語義信息。

其中，所述意圖識別模型包括：特征輸入轉換層、兩層的多線性特征學習層、卷積層和輸出層，所述多線性特征學習層的學習權重數據為一維線性權重向量。

另一方面提供了一種語義意圖識別裝置，所述裝置包括：

文本信息獲取模塊，用于獲取文本信息；

意圖識別處理模塊，用于語義將所述文本信息輸入意圖識別模型進行意圖識別處理，得到所述文本信息的意圖信息；

關鍵詞信息獲取模塊，用于獲取所述文本信息中與所述意圖信息匹配的關鍵詞信息；

語義信息確定模塊，用于基于所述匹配的關鍵詞信息確定與所述意圖信息相匹配的語義信息。

其中，所述意圖識別模型包括：特征輸入轉換層、兩層的多線性特征學習層、卷積層和輸出層，所述多線性特征學習層的學習權重數據為一維線性權重向量。

另一方面提供了一種語義意圖識別設備，所述設備包括處理器和存儲器，所述存儲器中存儲有至少一條指令、至少一段程序、代碼集或指令集，所述至少一條指令、所述至少一段程序、所述代碼集或指令集由所述處理器加載并執行以實現如上述的語義意圖識別方法。