[發明專利]意圖實體信息抽取方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202011310526.1
• 申請日: 2020-11-20
• 公開（公告）號: CN112417886A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 左彬靖
• 申請（專利權）人: 平安普惠企業管理有限公司
• 主分類號: G06F40/30
• 分類號: G06F40/30;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 深圳市世聯合知識產權代理有限公司 44385
• 代理人: 汪琳琳

本申請實施例屬于人工智能領域，涉及一種意圖實體信息抽取方法及其相關設備，包括獲取初始文本數據，對初始文本數據進行預處理，得到待處理文本數據；將待處理文本數據輸入至初始訓練模型中，得到訓練意圖信息和訓練實體信息，根據訓練意圖信息和訓練實體信息對初始訓練模型進行訓練，得到初始識別模型；從初始識別模型中抽取預設個數的網絡層，將抽取后的初始識別模型作為意圖識別模型；在接收到目標文本數據時，根據意圖識別模型對目標文本數據進行識別，得到目標文本數據的意圖結果和實體信息。此外，本申請還涉及區塊鏈技術，意圖結果可存儲于區塊鏈中。本申請實現了對意圖實體信息的精確抽取。

技術領域

本申請涉及人工智能技術領域，尤其涉及一種意圖實體信息抽取方法、裝置、計算機設備及存儲介質。

背景技術

隨著大數據和人工智能的發展，智能客服已經成為電商、出行等各個領域的一個關鍵組成部分，在金融領域，智能客服也被廣泛應用到用戶數據的審批過程當中。通過獲取目標對象的表述內容，對該表述內容進行識別，可以對目標對象進行進一步的判別與分類。

當前，在意圖理解領域中，主要分為文本分類和實體提取兩大模塊?，F有的文本分類模型包括預訓練模型和長短期記憶網絡模型等，實體提取模型包括隱馬爾可夫等模型。其中，預訓練模型由于其優秀的語義理解能力，很快在自然語言處理領域取得了不錯的效果，因此被廣泛使用。但是在工程應用中，預訓練模型占用的顯存大，模型推理速度慢，導致智能客服的響應時間長，并且由于神經網絡模型只能抽取特定的實體，對某些不定的實體信息無法提取，最終導致文本意圖和實體抽取準確率低的問題。

發明內容

本申請實施例的目的在于提出一種意圖實體信息抽取方法、裝置、計算機設備及存儲介質，以解決文本意圖和實體抽取準確率低下的技術問題。

為了解決上述技術問題，本申請實施例提供一種意圖實體信息抽取方法，采用了如下所述的技術方案：

獲取初始文本數據，對所述初始文本數據進行預處理，得到待處理文本數據；

獲取預設的初始訓練模型，將所述待處理文本數據輸入至所述初始訓練模型中，得到訓練意圖信息和訓練實體信息，根據所述訓練意圖信息和所述訓練實體信息對所述初始訓練模型進行訓練，在所述初始訓練模型訓練完成時，確定所述初始訓練模型為初始識別模型；

從所述初始識別模型中抽取預設個數的網絡層，將抽取后的初始識別模型作為意圖識別模型；

在接收到目標文本數據時，根據所述意圖識別模型對所述目標文本數據進行識別，得到所述目標文本數據的意圖結果和實體信息。

進一步的，所述初始訓練模型包括編碼層、轉換層、全連接層和條件隨機場模型處理層，所述將所述待處理文本數據輸入至所述初始訓練模型中，得到訓練意圖信息和訓練實體信息的步驟具體包括：

將所述待處理文本數據輸入至所述編碼層，經過所述轉換層和所述全連接層，輸出得到所述訓練意圖信息；

將所述待處理文本數據輸入至所述編碼層，經過所述轉換層和所述條件隨機場模型處理層，輸出得到所述訓練實體信息。

進一步的，所述根據所述訓練意圖信息和所述訓練實體信息對所述初始訓練模型進行訓練的步驟具體包括：

獲取所述待處理文本數據的標準意圖信息和標準實體信息，根據所述標準意圖信息和所述訓練意圖信息計算第一損失函數，根據所述標準實體信息和所述訓練實體信息計算第二損失函數，根據所述第一損失函數和所述第二損失函數計算總損失函數，在所述總損失函數收斂時，確定所述初始訓練模型為待驗證模型；

獲取測試文本，根據所述測試文本對所述待驗證模型進行驗證，在所述待驗證模型對所述測試文本的驗證通過率大于等于預設閾值時，確定所述初始訓練模型訓練完成。