[发明专利]一种语义意图识别方法、装置、设备及存储介质

说明书

本申请公开了一种语义意图识别方法、装置、设备及存储介质，所述方法包括：获取文本信息；将所述文本信息输入意图识别模型进行意图识别处理，得到所述文本信息的意图信息；获取所述文本信息中与所述意图信息匹配的关键词信息；基于所述匹配的关键词信息确定与所述意图信息相匹配的语义信息。其中，所述意图识别模型包括：特征输入转换层、两层的多线性特征学习层、卷积层和输出层，多线性特征学习层的学习权重数据为一维线性权重向量。利用本申请实施例提供的技术方案可以大大降低模型学习过程中的计算复杂度，同时可以学习到多维度的文本特征信息，保证模型对意图的识别准确率，且结合意图来进行语义的分析，可以更好的提高语义理解的准确率。

技术领域

本申请涉及互联网通信技术领域，尤其涉及一种语义意图识别方法、装置、设备及存储介质。

背景技术

随着人工智能技术的发展，深度学习在许多领域都得到了广泛的应用。例如，在语音助手技术中，可以利用深度学习对用户输入的语音信息或文本信息进行语义意图的识别，进而迅速做出回应，例如和用户聊天，或者根据指令帮用户操控智能设备等。

目前，在利用深度学习进行语义意图识别时，为了保证语义意图识别的准确率，往往设计复杂度较高的神经网络模型(例如多头注意力机制MultiHead Atention)网络层越多，复杂度越高，神经网络准确率会越好。但对于语音助手等人与机器实时交互的应用场景中，对响应速度与准确率都有很高的要求，现有的复杂度较高的神经网络模型往往采用多维矩阵作为权重矩阵，计算复杂度高，无法兼顾识别准确率和处理速度。因此，需要提供更有效的方案，以在保证语义意图识别的准确率的同时，降低神经网络模型的计算复杂度，提升处理速度。

发明内容

本申请提供了一种语义意图识别方法、装置、设备及存储介质，可以大大降低模型学习过程中的计算复杂度，同时可以学习到多维度的文本特征信息，保证模型对意图的识别准确率，且结合意图来进行语义的分析，可以更好的提高语义理解的准确率。

一方面，本申请提供了一种语义意图识别方法，所述方法包括：

获取文本信息；

将所述文本信息输入意图识别模型进行意图识别处理，得到所述文本信息的意图信息；

获取所述文本信息中与所述意图信息匹配的关键词信息；

基于所述匹配的关键词信息确定与所述意图信息相匹配的语义信息。

其中，所述意图识别模型包括：特征输入转换层、两层的多线性特征学习层、卷积层和输出层，所述多线性特征学习层的学习权重数据为一维线性权重向量。

另一方面提供了一种语义意图识别装置，所述装置包括：

文本信息获取模块，用于获取文本信息；

意图识别处理模块，用于语义将所述文本信息输入意图识别模型进行意图识别处理，得到所述文本信息的意图信息；

关键词信息获取模块，用于获取所述文本信息中与所述意图信息匹配的关键词信息；

语义信息确定模块，用于基于所述匹配的关键词信息确定与所述意图信息相匹配的语义信息。

其中，所述意图识别模型包括：特征输入转换层、两层的多线性特征学习层、卷积层和输出层，所述多线性特征学习层的学习权重数据为一维线性权重向量。

另一方面提供了一种语义意图识别设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述的语义意图识别方法。