意图识别方法、装置及计算机可读存储介质制造方法及图纸

本申请公开了一种意图识别方法、装置及计算机可读存储介质，包括：对待识别语句进行分词，获得对应的分词结果；根据分词结果查询预设知识图谱，获取分词结果中的至少部分分词对应的第一实体、与第一实体直接相连的至少一第二实体以及第一实体与第二实体之间的关系；基于预设知识图谱中的各实体以及各实体之间关系的编号，获取至少部分分词分别对应的实体向量和关系向量；将各分词分别对应的实体向量和关系向量拼接后进行全连接层的转换，得到对待识别语句的基于词的表示向量；根据基于词的表示向量，通过预先训练的意图识别模型进行意图识别，获得对待识别语句的识别结果。如此，提升了意图识别的准确性和稳定性。了意图识别的准确性和稳定性。了意图识别的准确性和稳定性。

【技术实现步骤摘要】
意图识别方法、装置及计算机可读存储介质


[0001]本专利技术涉及计算机应用
，特别是涉及一种意图识别方法、装置及计算机可读存储介质。

技术介绍

[0002]在对话领域，意图识别任务是一个应用广泛且比较成熟的任务，当前可用的意图识别模型有很多，比如LSTM、GRU、TextCNN、Bert等。而这些模型主要是针对一个相对稳定的数据集，且其主要针对的数据是文本数据。然而，对于小样本问题和新词发现问题，现有的意图识别方法的准确性和稳定性有待提升。

技术实现思路

[0003]本专利技术的目的在于提供一种意图识别方法、装置及计算机可读存储介质，通过引入知识图谱对待识别语句进行表示，进而基于获得的基于词的表示向量进行意图识别，提升了意图识别的准确性和稳定性。
[0004]为达到上述目的，本专利技术的技术方案是这样实现的：
[0005]第一方面，本专利技术实施例提供了一种意图识别方法，包括：
[0006]对待识别语句进行分词，获得对应的分词结果；
[0007]根据所述分词结果查询预设知识图谱，获取所述分词结果中的至少部分分词对应的第一实体、与所述第一实体直接相连的至少一第二实体以及所述第一实体与所述第二实体之间的关系；
[0008]基于所述预设知识图谱中的各实体以及各实体之间关系的编号，获取所述至少部分分词分别对应的实体向量和关系向量；
[0009]将各所述分词分别对应的所述实体向量和所述关系向量拼接后进行全连接层的转换，得到对所述待识别语句的基于词的表示向量；
[0010]根据所述基于词的表示向量，通过预先训练的意图识别模型进行意图识别，获得对所述待识别语句的识别结果。
[0011]在一实施方式中，所述将各所述分词分别对应的所述实体向量和所述关系向量拼接后进行全连接层的转换，得到对所述待识别语句的基于词的表示向量，包括以下步骤：
[0012]将各所述分词分别对应的实体向量和关系向量进行堆叠，获得各所述分词对应的矩阵；
[0013]将各所述分词对应的矩阵进行拼接后，对拼接后获得的目标矩阵进行全连接层的转换，得到对所述待识别语句的基于词的表示向量。
[0014]在一实施方式中，所述根据所述基于词的表示向量，通过预先训练的意图识别模型进行意图识别，获得对所述待识别语句的识别结果，包括以下步骤：
[0015]获取对所述待识别语句的基于字的表示向量；
[0016]将所述基于词的表示向量和所述基于字的表示向量进行堆叠，获得所述待识别语
句的表示向量；
[0017]将所述待识别语句的表示向量输入预先训练的意图识别模型，获得对所述待识别语句的识别结果。
[0018]在一实施方式中，所述将所述所述基于词的表示向量和所述基于字的表示向量进行堆叠，获得所述待识别语句的表示向量之前，还包括以下步骤：
[0019]设置所述基于词的表示向量与所述基于字的表示向量的维度一致。
[0020]第二方面，本专利技术实施例提供了一种意图识别装置，所述装置包括：
[0021]分词模块，用于对待识别语句进行分词，获得对应的分词结果；
[0022]查询模块，用于根据所述分词结果查询预设知识图谱，获取所述分词结果中的至少部分分词对应的第一实体、与所述第一实体直接相连的至少一第二实体以及所述第一实体与所述第二实体之间的关系；
[0023]获取模块，用于基于所述预设知识图谱中的各实体以及各实体之间关系的编号，获取所述至少部分分词分别对应的实体向量和关系向量；
[0024]处理模块，用于将各所述分词分别对应的所述实体向量和所述关系向量拼接后进行全连接层的转换，得到对所述待识别语句的基于词的表示向量；
[0025]识别模块，用于根据所述基于词的表示向量，通过预先训练的意图识别模型进行意图识别，获得对所述待识别语句的识别结果。
[0026]在一实施方式中，所述处理模块，具体用于：
[0027]将各所述分词分别对应的实体向量和关系向量进行堆叠，获得各所述分词对应的矩阵；
[0028]将各所述分词对应的矩阵进行拼接后，对拼接后获得的目标矩阵进行全连接层的转换，得到对所述待识别语句的基于词的表示向量。
[0029]在一实施方式中，所述获取模块，还用于获取对所述待识别语句的基于字的表示向量；
[0030]所述处理模块，还用于将所述基于词的表示向量和所述基于字的表示向量进行堆叠，获得所述待识别语句的表示向量；
[0031]所述识别模块，用于将所述待识别语句的表示向量输入预先训练的意图识别模型，获得对所述待识别语句的识别结果。
[0032]在一实施方式中，所述处理模块，还用于设置所述基于词的表示向量与所述基于字的表示向量的维度一致。
[0033]第三方面，本专利技术实施例提供了一种意图识别装置，包括：处理器和存储有计算机程序的存储器，在所述处理器运行所述计算机程序时，实现上述所述的意图识别方法。
[0034]第四方面，本专利技术实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面所述的意图识别方法。
[0035]本专利技术实施例提供的意图识别方法、装置及计算机可读存储介质，包括：对待识别语句进行分词，获得对应的分词结果；根据分词结果查询预设知识图谱，获取分词结果中的至少部分分词对应的第一实体、与第一实体直接相连的至少一第二实体以及第一实体与第二实体之间的关系；基于预设知识图谱中的各实体以及各实体之间关系的编号，获取至少部分分词分别对应的实体向量和关系向量；将各所述分词分别对应的实体向量和关系向量
拼接后进行全连接层的转换，得到对待识别语句的基于词的表示向量；根据基于词的表示向量，通过预先训练的意图识别模型进行意图识别，获得对待识别语句的识别结果。如此，通过引入知识图谱对待识别语句进行表示，进而基于获得的基于词的表示向量进行意图识别，提升了意图识别的准确性和稳定性。
附图说明
[0036]图1为本专利技术实施例提供的一种意图识别方法的流程示意图；
[0037]图2为本专利技术实施例中知识图谱的示意图；
[0038]图3为本专利技术实施例提供的一种意图识别装置的结构示意图一；
[0039]图4为本专利技术实施例提供的一种意图识别装置的结构示意图二。
具体实施方式
[0040]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的设备和方法的例子。
[0041]需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种意图识别方法，其特征在于，所述方法包括以下步骤：对待识别语句进行分词，获得对应的分词结果；根据所述分词结果查询预设知识图谱，获取所述分词结果中的至少部分分词对应的第一实体、与所述第一实体直接相连的至少一第二实体以及所述第一实体与所述第二实体之间的关系；基于所述预设知识图谱中的各实体以及各实体之间关系的编号，获取所述至少部分分词分别对应的实体向量和关系向量；将各所述分词分别对应的所述实体向量和所述关系向量拼接后进行全连接层的转换，得到对所述待识别语句的基于词的表示向量；根据所述基于词的表示向量，通过预先训练的意图识别模型进行意图识别，获得对所述待识别语句的识别结果。2.根据权利要求1所述的意图识别方法，所述将各所述分词分别对应的所述实体向量和所述关系向量拼接后进行全连接层的转换，得到对所述待识别语句的基于词的表示向量，包括以下步骤：将各所述分词分别对应的实体向量和关系向量进行堆叠，获得各所述分词对应的矩阵；将各所述分词对应的矩阵进行拼接后，对拼接后获得的目标矩阵进行全连接层的转换，得到对所述待识别语句的基于词的表示向量。3.根据权利要求1或2所述的意图识别方法，所述根据所述基于词的表示向量，通过预先训练的意图识别模型进行意图识别，获得对所述待识别语句的识别结果，包括以下步骤：获取对所述待识别语句的基于字的表示向量；将所述基于词的表示向量和所述基于字的表示向量进行堆叠，获得所述待识别语句的表示向量；将所述待识别语句的表示向量输入预先训练的意图识别模型，获得对所述待识别语句的识别结果。4.根据权利要求3所述的意图识别方法，所述将所述所述基于词的表示向量和所述基于字的表示向量进行堆叠，获得所述待识别语句的表示向量之前，还包括以下步骤：设置所述基于词的表示向量与所述基于字的表示向量的维度一致。5.一种意图识别装置，其特征在于，所述装置包括：分词模块，用...

【专利技术属性】
技术研发人员：王章定，朱亚杰，王波，马伯睿，
申请(专利权)人：合众新能源汽车有限公司，
类型：发明
国别省市：