[发明专利]意图识别方法、电子设备及存储介质

说明书

本发明实施例涉及数据处理领域，公开了一种意图识别方法、电子设备及存储介质。本申请的部分实施例中，意图识别方法包括：获取待检测文本；将待检测文本输入意图识别模型，得到待检测文本的意图类别；其中，意图识别模型包括机器学习子模型和深度学习子模型，用于根据机器学习子模块的输出和/或深度学习子模块的识别结果，确定待检测文本的意图类别。这提高了意图识别模型的准确性和/或效率。

技术领域

本发明实施例涉及数据处理领域，特别涉及一种意图识别方法、电子设备及存储介质。

背景技术

人机对话一方面为被服务者提供了更及时的服务，另一方面在企业提高效率、降低成本方面发挥重要作用。而人机对话中关键的一步是在会话过程中准确地识别出用户所关心的垂直领域。相对于其他文本分类任务，具有待选类别多、语句相对口语化等难点，且对响应延迟的要求较为严格。

然而，发明人发现现有技术中至少存在如下问题：目前的意图识别模型的识别效率和/或准确性不高。

发明内容

本发明实施方式的目的在于提供一种意图识别方法、电子设备及存储介质，使得能够提高意图识别模型的准确性和/或效率。

为解决上述技术问题，本发明的实施方式提供了一种意图识别方法，包括以下步骤：获取待检测文本；将待检测文本输入意图识别模型，得到待检测文本的意图类别；其中，意图识别模型包括机器学习子模型和深度学习子模型，用于根据机器学习子模块的输出和/或深度学习子模块的识别结果，确定待检测文本的意图类别；机器学习子模型用于基于机器学习算法，确定机器学习子模型的输入数据属于各意图类别的置信度，深度学习子模型用于基于深度学习算法，确定深度学习子模型的输入数据属于各意图类别的置信度。

本发明的实施方式还提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施方式提及的意图识别方法。

本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述实施方式提及的意图识别方法。

本发明实施方式相对于现有技术而言，由于机器学习算法具有高效率的优点，深度学习算法具有高质量的优点，意图识别模型中同时设置有基于机器学习算法的机器学习子模型和基于深度学习算法的深度学习子模块，可以将两者进行结合，使得意图识别过程更为高效和/或准确。

另外，将待检测文本输入意图识别模型，得到待检测文本的意图类别，具体包括：将待检测文本输入机器学习子模型，确定待检测文本属于各意图类别的第一置信度；根据待检测文本属于各意图类别的第一置信度，确定待检测文本的候选意图类别；根据待检测文本的候选意图类别，对待检测文本进行实体替换；将替换后的待检测文本输入深度学习子模型，确定替换后的待检测文本属于各意图类别的置信度；根据替换后的待检测文本属于各意图类别的置信度，确定待检测文本的意图类别。这降低了实体的搜索空间，提高处理效率。

另外，将待检测文本输入意图识别模型，得到待检测文本的意图类别，具体包括：将待检测文本输入机器学习子模型，确定待检测文本属于各意图类别的第一置信度；判断待检测文本属于各意图类别的第一置信度中最大的第一置信度是否大于第一阈值；若确定是，将最大的第一置信度对应的意图类别，作为待检测文本的意图类别；若确定不是，根据待检测文本属于各意图类别的第一置信度，确定待检测文本的候选意图类别；根据待检测文本的候选意图类别，对待检测文本进行实体替换；将替换后的待检测文本输入深度学习子模型，确定替换后的所述待检测文本属于各意图类别的置信度；根据替换后的待检测文本属于各意图类别的置信度，确定待检测文本的意图类别。这减少了电子设备的计算量，降低了功耗。