本发明专利技术涉及数据分析技术，揭露了一种用户意图分析方法，包括：获取用户的输入文本，将所述输入文本转化为语义向量；对所述语义向量进行意图预测，得到所述输入文本的预测意图标签；利用特征提取网络对所述预测意图标签进行特征提取，根据提取到的特征生成多个目标意图；计算所述多个目标意图中各目标意图的优先度；根据所述优先度从所述多个目标意图中选取预设数量的目标意图为用户意图。此外，本发明专利技术还涉及区块链技术，所述印章记录可存储于区块链的节点。本发明专利技术还提出一种用户意图分析装置、电子设备以及计算机可读存储介质。本发明专利技术可以提高识别用户意图的准确性。可以提高识别用户意图的准确性。可以提高识别用户意图的准确性。
【技术实现步骤摘要】
用户意图分析方法、装置、电子设备及计算机存储介质
[0001]本专利技术涉及数据分析
，尤其涉及一种用户意图分析方法、装置、电子设备及计算机可读存储介质。
技术介绍
[0002]随着智能客服的广泛应用，越来越多的公司或企业使用智能机器人对用户的提问进行自动答复。自动答复过程中，如何根据用户的提问准确地识别出用户的意图是越来越被人们所关注的重点。
[0003]现有的自动答复过程中对用户意图进行识别的方法多为基于相似度算法计算用户的提问与预先设定的标准提问的相似度，以根据相似度识别出用户提问的意图。但由于不同用户的语言表达习惯不一致，因此对于同一意图，不同的用户在表达上差异较大，导致了现有方法在利用相似度识别用户意图时的识别精确度不高。
技术实现思路
[0004]本专利技术提供一种用户意图分析方法、装置及计算机可读存储介质，其主要目的在于解决对用户意图进行识别的精确性不高的问题。
[0005]为实现上述目的，本专利技术提供的一种用户意图分析方法，包括：
[0006]获取用户的输入文本，将所述输入文本转化为语义向量；
[0007]对所述语义向量进行意图预测，得到所述输入文本的预测意图标签；
[0008]利用特征提取网络对所述预测意图标签进行特征提取，根据提取到的特征生成多个目标意图；
[0009]计算所述多个目标意图中各目标意图的优先度；
[0010]根据所述优先度从所述多个目标意图中选取预设数量的目标意图为用户意图。
[0011]可选地，所述将所述输入文本转化为语义向量，包括：
[0012]构建文本向量化模型；
[0013]获取历史文本，对所述历史文本进行预设实体标记，得到训练文本；
[0014]利用所述训练文本对所述文本向量化模型进行迭代训练，直至所述文本向量化模型收敛，得到训练完成的文本向量化模型；
[0015]利用训练完成的文本向量化模型对所述输入文本进行转化，得到所述输入文本的语义向量。
[0016]可选地，所述对所述历史文本进行预设实体标记，得到训练文本，包括：
[0017]根据预设实体构建包含非预设实体字符标签、预设实体开始字符标签、预设实体中间字符标签的标签集合；
[0018]利用所述标签集合中的标签对所述历史文本中的每个字符进行标记，得到训练文本。
[0019]可选地，所述利用所述训练文本对所述文本向量化模型进行迭代训练，直至所述
文本向量化模型收敛，包括：
[0020]将所述训练文本输入至所述文本向量化模型进行向量转化，得到预测文本向量；
[0021]获取所述训练文本对应的标准文本向量；
[0022]计算所述预测文本向量与所述标准文本向量之间的损失值，当所述损失值小于预设损失阈值时，确定所述文本向量化模型收敛。
[0023]可选地，所述利用特征提取网络对所述预测意图标签进行特征提取，包括：
[0024]通过特征提取网络的可视层标记所述预测意图标签的数据表征；
[0025]通过特征提取网络的隐藏层利用机器学习算法对所述可视层标记的数据表征进行特征提取。
[0026]可选地，所述通过特征提取网络的隐藏层利用机器学习算法对所述可视层标记的数据表征进行特征提取，包括：
[0027]利用如下所述机器学习算法对所述可视层标记的数据表征进行特征提取：
[0028][0029]其中，h为对所述可视层描述的数据表征进行特征提取得到的数据特征， Y为所述数据表征，w为所述可视层与所述隐藏层之间的权值矩阵，b为所述隐藏层的偏置向量。
[0030]可选地，所述对所述语义向量进行意图预测，得到所述输入文本的预测意图标签，包括：
[0031]构建包含多层下采样层的意图预测网络；
[0032]利用所述意图预测网络中的前向下采样层对所述语义向量进行下采样，得到前向语义特征；
[0033]利用所述特征筛选模型中的后向下采样层对所述前向语义特征进行下采样，得到后向语义特征；
[0034]对获得的前向语义特征和后向语义特征进行特征融合，得到融合语义特征；
[0035]将所述融合语义特征作为所述输入文本的预测意图标签。
[0036]为了解决上述问题，本专利技术还提供一种用户意图分析装置，所述装置包括：
[0037]向量转化模块，用于获取用户的输入文本，将所述输入文本转化为语义向量；
[0038]意图预测模块，用于对所述语义向量进行意图预测，得到所述输入文本的预测意图标签；
[0039]特征提取模块，用于利用特征提取网络对所述预测意图标签进行特征提取，根据提取到的特征生成多个目标意图；
[0040]优先度计算模块，用于计算所述多个目标意图中各目标意图的优先度；
[0041]意图筛选模块，用于根据所述优先度选取预设数量的目标意图为用户意图。
[0042]为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：
[0043]存储器，存储至少一个指令；及
[0044]处理器，执行所述存储器中存储的指令以实现上述所述的用户意图分析方法。
[0045]为了解决上述问题，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述
所述的用户意图分析方法。
[0046]本专利技术实施例通过获取用户的输入文本，将输入文本转化为语义向量，将输入文本转化为语义向量，可实现将文本信息进行数值化，有利于提高后续对输入文本进行分析的效率；对语义向量进行意图预测，得到输入文本的预测意图标签，可减少包含大量语义的语义向量中的数据量，有利于提高后续对用户意图进行分析的效率和精确性；利用特征提取网络对预测意图标签进行特征提取并根据提取到的特征生成多个目标意图，实现了利用提取的特征对用户进行意图预测，提高了对用户意图进行预测的精确性；通过计算优先度，并按照优先度的大小将多个目标意图进行排序、筛选，有利于提高筛选出的目标意图的精确性。因此本专利技术提出的用户意图分析方法、装置、电子设备及计算机可读存储介质，可以解决对用户意图进行识别的精确性不高的问题。
附图说明
[0047]图1为本专利技术一实施例提供的用户意图分析方法的流程示意图；
[0048]图2为本专利技术一实施例提供的用户意图分析装置的功能模块图；
[0049]图3为本专利技术一实施例提供的实现所述用户意图分析方法的电子设备的结构示意图。
[0050]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0051]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0052]本申请实施例提供一种用户意图分析方法。所述用户意图分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用户意图分析方法，其特征在于，所述方法包括：获取用户的输入文本，将所述输入文本转化为语义向量；对所述语义向量进行意图预测，得到所述输入文本的预测意图标签；利用特征提取网络对所述预测意图标签进行特征提取，根据提取到的特征生成多个目标意图；计算所述多个目标意图中各目标意图的优先度；根据所述优先度从所述多个目标意图中选取预设数量的目标意图为用户意图。2.如权利要求1所述的用户意图分析方法，其特征在于，所述将所述输入文本转化为语义向量，包括：构建文本向量化模型；获取历史文本，对所述历史文本进行预设实体标记，得到训练文本；利用所述训练文本对所述文本向量化模型进行迭代训练，直至所述文本向量化模型收敛，得到训练完成的文本向量化模型；利用训练完成的文本向量化模型对所述输入文本进行转化，得到所述输入文本的语义向量。3.如权利要求2所述的用户意图分析方法，其特征在于，所述对所述历史文本进行预设实体标记，得到训练文本，包括：根据预设实体构建包含非预设实体字符标签、预设实体开始字符标签、预设实体中间字符标签的标签集合；利用所述标签集合中的标签对所述历史文本中的每个字符进行标记，得到训练文本。4.如权利要求2所述的用户意图分析方法，其特征在于，所述利用所述训练文本对所述文本向量化模型进行迭代训练，直至所述文本向量化模型收敛，包括：将所述训练文本输入至所述文本向量化模型进行向量转化，得到预测文本向量；获取所述训练文本对应的标准文本向量；计算所述预测文本向量与所述标准文本向量之间的损失值，当所述损失值小于预设损失阈值时，确定所述文本向量化模型收敛。5.如权利要求1所述的用户意图分析方法，其特征在于，所述利用特征提取网络对所述预测意图标签进行特征提取，包括：通过特征提取网络的可视层标记所述预测意图标签的数据表征；通过特征提取网络的隐藏层利用机器学习算法对所述可视层标记的数据表征进行特征提取。6.如权利要求5所述的用户意图分析方法，其...
【专利技术属性】
技术研发人员：李志韬，王健宗，程宁，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。