[发明专利]用于特定领域的人机对话理解方法与系统及相关设备

说明书

本发明涉及人工智能领域，具体涉及一种用于特定领域的人机对话理解方法与系统及相关设备，目的在于提高对话理解的准确率。本发明人机对话系统的对话理解方法，接收用户当前输入词并将该词映射到向量空间；使用语义表示层，将历史词向量、语义标注信息、意图类别信息表示成向量；使用语义标注层获得当前词的语义标签；使用意图识别层获得当前词的意图类别。在模型训练时，引入了额外的词性信息，使用词性预测层预测下一个输入词的词性，通过对语义标注、意图识别、词性预测三个任务进行联合处理，充分利用三个任务间共享的语义信息，并使其互相提升；本发明逻辑清晰、效率高、准确率高，妥善解决了现有人机对话系统无法有效进行实时对话理解的技术问题。

技术领域

本发明涉及人工智能领域，具体涉及一种用于特定领域的人机对话理解方法与系统及相关设备。

背景技术

对话理解是人机对话系统中的一项重要任务，包括语义标注和意图识别两个子任务。语义标注指的是为用户输入语句中的每个词分配一个语义标签，意图识别指的是判断每条用户输入语句的意图。

人机对话系统中的用户输入语句多为口语，且比较简短，具有句子形式多变，不统一的特点，使得语义标注和意图识别变得尤为困难。

现有的技术主要包括以下几种：

(1)传统的机器学习方法：该方法将语义标注任务视作序列标注问题，将意图识别任务视作多分类问题，并且将这两个问题分别进行处理。对于语义标注任务，该方法主要使用HMM(Hidden Markov Model，隐马尔科夫模型)和CRF(Conditional Random Field，条件随机场)进行处理；对于意图识别任务，主要使用支持向量机(SVM)进行处理。该方法的缺陷在于，模型的效果极大程度受到特征选择的影响，且特征选择的过程需要耗费大量的时间。并且，该方法忽略了语义信息，在复杂的对话理解任务中表现欠佳。

(2)基于深度学习的方法：该方法使用RNN(Recurrent Neural Networks，循环神经网络)、CNN(Convolutional Neural Networks，卷积神经网络)等深度模型，对用户输入进行建模，并分析其语义标签和意图类别。该方法的优点在于，不再受到特征选取的影响，并且可以利用浅层语义信息。但其缺陷在于，仍然将语义标注和意图识别两个任务单独处理，没有充分利用两个任务间共享的语义信息。

(3)基于联合深度学习的方法：该方法使用RNN、CNN等深度模型，对语义标注、意图识别两个任务进行联合处理。处理过程中，利用了在两个任务间共享的语义信息。但是，该方法仍然局限于使用用户输入的文本信息，导致两个任务间共享的语义信息未被充分利用。

发明内容

为了解决现有技术中的上述问题，本发明提出了一种用于特定领域的人机对话理解方法与系统及相关设备，提高了对话理解的正确率。

本发明的第一方面，提出一种用于特定领域的人机对话理解方法，包括以下步骤：

步骤S1，获取用户在当前时刻输入的一个词，通过训练好的人机对话理解模型，计算该词对应的意图类别；

步骤S2，判断当前语句是否结束，若是，则以最后时刻的意图类别作为当前语句的意图类别；否则，转至步骤S1；

其中，

所述人机对话理解模型，包括：词向量层、语义表示层、语义标注层和意图识别层；

所述人机对话理解模型的训练方法为：

步骤A1，从训练数据集中读取一条训练语句；

步骤A2，按先后顺序从当前的训练语句中读取一个词，通过所述人机对话理解模型，得到该词对应的语义表示、语义标注信息和意图类别；