【技术实现步骤摘要】
本申请涉及人工智能技术人机对话系统中的自然语言理解领域，尤其涉及一种融合上下文信息的语义意图识别方法、装置、介质和设备。
技术介绍
1、在自然语言处理中，语义意图识别是指从文本中识别出说话者的意图或目的。这是构建智能对话系统、信息检索、情感分析等多种应用的基础。然而，由于语言的复杂性和多样性，以及文本中普遍存在的多义性和上下文依赖性，准确识别文本的语义意图成为一项挑战。传统的语义意图识别方法往往依赖于词汇匹配、句法分析等技术，但这些方法在处理复杂文本时往往并不理想，难以捕捉到文本的深层含义和真实意图。
2、随着人工智能技术的不断演进，用户对智能系统的期待也越来越高。人们期望系统能够像人一样，能够理解和感知对话的上下文，从而做出更加智能、更加人性化的回应。但是，在传统的语义意图识别方法中，系统往往仅根据当前用户输入的语句进行解析，忽略了对话的上下文信息。这种孤立的处理方式在处理简单、直接的请求时或许有效，但在面对复杂、隐晦或含有省略、指代等语言现象的对话时，就容易出现理解偏差。
技术实现思路
1、有鉴于此，本专利技术实施例的目的在于提供一种融合上下文信息的语义意图识别方法、装置、介质和设备，以解决上述存在的问题。
2、为达到上述目的，第一方面，本专利技术实施例提供一种融合上下文信息的语义意图识别方法，包括以下步骤：
3、获取用户输入文本，对所述用户输入文本中的每个词汇和句子进行上下文信息的提取和整合，以构建上下文模型；
4、根据所述上下
5、获取语义意图识别模型；
6、根据所述语义意图识别模型和词汇之间的关联关系、句子之间的逻辑关系以及所述用户输入文本的主题和焦点识别所述用户输入文本的语义意图，并输出语义意图识别的结果。
7、在一些可能的实施方式中，所述的获取语义意图识别模型，具体包括：
8、获取用户历史咨询数据，并对所述用户历史咨询数据进行预处理，获得训练数据集；
9、从所述训练数据集中提取出对用户输入文本的语义意图识别有用的特征；其中，所述有用的特征包括用户输入的文本特征、上文意图分类信息、用户输入文本的位置信息和用户历史行为模式；
10、使用所述有用的特征进行模型训练，获得上下文信息与用户输入文本之间的映射关系，根据所述映射关系构建语义意图识别模型。
11、在一些可能的实施方式中，所述的获取用户历史咨询数据，并对所述用户历史咨询数据进行预处理，获得训练数据集，具体包括：
12、获取用户历史咨询数据；
13、对所述用户历史咨询数据进行清洗处理，所述清洗处理包括去除无关信息和纠正拼写错误并在所述清洗处理的过程中引入噪声容忍算法，得到清洗后的用户历史咨询数据；
14、根据所述用户输入文本的意图，对清洗后的用户历史咨询数据进行标注，生成包含意图标签的训练数据集。
15、在一些可能的实施方式中，所述的从所述训练数据集中提取出对用户输入文本的语义意图识别有用的特征，具体包括：
16、通过词嵌入表示的方式将用户输入文本转换为第一数值向量；
17、通过上下文编码的方式将与所述用户输入文本相关的上下文信息转换为第二数值向量，并将所述第一数值向量与所述第二数值向量进行融合，获得与所述用户输入文本语义意图有用的特征。
18、在一些可能的实施方式中，所述的使用所述有用的特征进行模型训练，获得上下文信息与用户输入文本之间的映射关系，根据所述映射关系构建语义意图识别模型，具体包括：
19、根据所述有用的特征，通过循环神经网络获得用户输入文本和上下文信息的序列信息，并将所述序列信息分别传递给深度神经网络和卷积神经网络；
20、所述卷积神经网络从所述序列信息中提取所述用户输入文本和所述上下文信息的局部特征，并将所述局部特征传递给所述深度神经网络；
21、所述深度神经网络从所述序列信息中提取所述用户输入文本和所述上下文信息的全局特征，并将所述全局特征与所述局部特征进行整合，获得全局特征向量；
22、将上下文信息与所述全局特征向量进行融合，获得融合特征向量，根据所述融合特征向量获取上下文信息与用户输入文本之间的映射关系，根据所述映射关系获得所述语义意图识别模型。
23、在一些可能的实施方式中，所述语义意图识别模型包括：
24、输入层，用于接收所述用户输入文本和所述上下文信息；
25、特征提取层，用于提取所述用户输入文本和所述上下文信息的语义特征；
26、上下文融合层，用于将所述上下文信息的语义特征与用户输入文本的语义特征进行融合，在融合过程中使用注意力机制来动态地分配权重，生成融合特征向量；
27、意图识别层，用于根据分类算法对所述融合特征向量进行意图分类，获得最终的意图识别结果；
28、输出层，用于输出所述最终的意图识别结果。
29、在一些可能的实施方式中，所述方法还包括：
30、将所述语义意图识别模型部署到线上环境中，在所述线上环境中对用户输入文本进行意图识别，获得语义意图识别结果；
31、根据所述语义意图识别结果实时更新所述语义意图识别模型的相关参数。
32、第二方面，本专利技术实施例提供了一种融合上下文信息的语义意图识别装置，所述语义意图识别装置包括：
33、构建模块，用于获取用户输入文本，对所述用户输入文本中的每个词汇和句子进行上下文信息的提取和整合，以构建上下文模型；
34、文本信息获取模块，用于根据所述上下文模型获取所述用户输入文本中的词汇之间的关联关系、句子之间的逻辑关系以及整体文本主题和焦点；
35、模型获取模块，用于语义意图识别模型；
36、识别结果输出模块，用于获取语义意图识别模型，根据所述语义意图识别模型和词汇之间的关联关系、句子之间的逻辑关系以及所述用户输入文本的主题和焦点识别所述用户输入文本的语义意图，并输出语义意图识别的结果。
37、第三方面，本专利技术实施例提供了一种电子设备，包括：
38、一个或多个处理器；
39、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面任意一种所述的一种融合上下文信息的语义意图识别方法。
40、第四方面，本专利技术实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面任意一种所述的一种融合上下文信息的语义意图识别方法。
41、上述技术方案具有如下有益效果：
42、本专利技术通过引入上下文信息，能够更全面地理解用户的语义意图，从而提高识别的准确性。
43、本专利技术通过融合上下文信息的语义意图识别，系统能够更智本文档来自技高网...
【技术保护点】
1.一种融合上下文信息的语义意图识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的语义意图识别方法，其特征在于，所述的获取语义意图识别模型，具体包括：
3.根据权利要求2所述的语义意图识别方法，其特征在于，所述的获取用户历史咨询数据，并对所述用户历史咨询数据进行预处理，获得训练数据集，具体包括：
4.根据权利要求3所述的语义意图识别方法，其特征在于，所述的从所述训练数据集中提取出对用户输入文本的语义意图识别有用的特征，具体包括：
5.根据权利要求3所述的语义意图识别方法，其特征在于，所述的使用所述有用的特征进行模型训练，获得上下文信息与用户输入文本之间的映射关系，根据所述映射关系构建语义意图识别模型，具体包括：
6.根据权利要求5所述的语义意图识别方法，其特征在于，所述语义意图识别模型包括：
7.根据权利要求1所述的语义意图识别方法，其特征在于，所述方法还包括：
8.一种融合上下文信息的语义意图识别装置，其特征在于，所述语义意图识别装置包括：
9.一种电子设备，其特征在于，
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的一种融合上下文信息的语义意图识别方法。
...【技术特征摘要】
1.一种融合上下文信息的语义意图识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的语义意图识别方法，其特征在于，所述的获取语义意图识别模型，具体包括：
3.根据权利要求2所述的语义意图识别方法，其特征在于，所述的获取用户历史咨询数据，并对所述用户历史咨询数据进行预处理，获得训练数据集，具体包括：
4.根据权利要求3所述的语义意图识别方法，其特征在于，所述的从所述训练数据集中提取出对用户输入文本的语义意图识别有用的特征，具体包括：
5.根据权利要求3所述的语义意图识别方法，其特征在于，所述的使用所述有用的特征进行模型训练，获...
【专利技术属性】
技术研发人员：王若曦，周继敏，
申请(专利权)人：北京宇信科技集团股份有限公司，
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。