[发明专利]一种基于深度学习的意图识别方法

说明书

一种基于深度学习的对话系统意图识别方法，从对话语料中通过词频权重抽取关键词作为意图识别的规则，将预进行意图识别的对话D用规则进行匹配得到意图分类结果P_A；用对话语料训练深度学习模型CNN‑BLSTM，所述深度学习模型CNN‑BLSTM融合了卷积神经网络CNN与双向长短期记忆网络BLSTM，然后用训练后的深度学习模型CNN‑BLSTM，识别对话D，得到预意图分类结果P_B；最后，通过将意图分类结果P_A和意图分类结果P_B进行线性融合，得到对话D最终的意图。本发明能有效提高用户意图识别的准确度。

技术领域

本发明属于人机对话系统技术领域，特别涉及一种基于深度学习的意图识别方法。

背景技术

人机对话系统是人工智能领域的核心技术之一，它即将成为一种新的人机交互的方式，具有重大的研究价值。人们长期以来都在追求能用自然语言和计算机进行交流，因为这有着重大的意义：人们可以用自己最熟悉最习惯的语言来使用计算机，与计算机进行交互，不需要再去花大量的时间学习和适应计算机语言。随着互联网时代的到来，人机对话系统的使用需求大大增加。例如被广泛应用于网购中的智能客服，不仅极大地提高了人和计算机的沟通效率，还方便了人们的生活和工作。各大科技巨头也纷纷加入智能对话系统的研究行列并推出相关的产品如：苹果的siri、微软的Cortana、百度的小度等。也许在不久的将来，人们将不再使用目前主流的输入设备，自然语言将会取而代之成为最广泛使用的人机交互方式。人机自然语言的交互的主要步骤包括：语音识别、自然语言理解、对话状态跟踪、自然语言生成、语音合成。

自然语言理解是人机对话系统中关键的一个模块，其作用是把用户对计算机说的自然语言转换成计算机能够理解的语义表示，达到理解用户自然语言的目的。要理解用户说的话，就必须知道用户自然语言所涉及的领域或者用户想表达的意图，用户意图识别就是采用分类的方法达到上述目的。用户意图识别准确率的提高，会极大地帮助对话系统生成合理的回复。

在人机对话系统中，用户意图的正确识别是对话系统生成合理回复的基础。如果用户的意图无法判断正确，对话系统就会生成答非所问的回复，这样的回复也就没有任何意义。因此对于对话系统的性能提升、增加用户体验，准确识别用户的意图显得尤为重要。除此之外，准确地判断用户意图，商用智能对话系统能向用户提供有用的消费、娱乐、产品等推荐，具有很大的商业价值。综上所述，用户意图识别具有很重要的研究价值和研究意义。

发明内容

本发明所要解决的问题是，利用深度学习技术和以提高用户意图识别的准确度。

本发明的技术方案提供一种基于深度学习的对话系统意图识别方法，首先，从对话语料中通过词频权重抽取关键词作为意图识别的规则，将预进行意图识别的对话D用规则进行匹配得到意图分类结果P_A；用对话语料训练深度学习模型CNN-BLSTM，所述深度学习模型CNN-BLSTM融合了卷积神经网络CNN与双向长短期记忆网络BLSTM，然后用训练后的深度学习模型CNN-BLSTM，识别对话D，得到意图分类结果P_B；最后，通过将意图分类结果P_A和意图分类结果P_B进行线性融合，得到对话D最终的意图。

而且，所述从对话语料中通过词频权重抽取关键词作为意图识别的规则，包括对每个类别进行以下处理，

进行分词处理，并统计得到该类别下所有词条的数目N，将所有的词条组成一个词表，并统计出该类别中，第i个词出现的次数W_i、句子的总条数M以及第j条句子的长度L_j，i＝1,2,3…N，j＝1,2,3…M；

计算出该类别下句子的平均长度AveL，计算公式如下，

计算出第i个词的词频权重F_i如下，