[发明专利]电力用户意图识别方法、装置、计算机设备和存储介质

权利要求书

1.一种电力用户意图识别方法，所述方法包括：

获取智能助理的与待识别电力用户意图数据相同类别的多个当前标注数据，从所述多个当前标注数据选出M个数据，形成当前支撑集，从所述多个当前标注数据的剩余数据中选出N个数据，形成当前查询集；

将所述当前支撑集和所述当前查询集输入预先训练好的编码-归纳-关系模型，以使所述编码-归纳-关系模型具备区分所述待识别电力用户意图数据的类别意图的能力；

将所述待识别电力用户意图数据，输入到已具备区分所述待识别电力用户意图数据的类别意图的能力的编码-归纳-关系模型，得到所述待识别电力用户意图数据的意图识别结果。

2.根据权利要求1所述的方法，其特征在于，所述获取智能助理的与待识别电力用户意图数据相同类别的多个当前标注数据，包括：

从所述智能助理对应的信息域运营管理系统的系统日志中，获取与待识别电力用户意图数据相同类别的多个当前电力用户对话数据；

分别根据各当前电力用户对话数据的电力用户意图进行对应的当前电力用户对话数据的意图标注，得到所述多个当前标注数据。

3.根据权利要求1或2所述的方法，其特征在于，所述编码-归纳-关系模型的训练过程包括：

从所述智能助理对应的信息域运营管理系统的系统日志获取电力用户对话数据，根据所述电力用户对话数据获得包括多个类别的样本的样本集；

从所述样本集中的样本划分出训练集；

在所述训练集随机抽取C个类别，且每个类别随机抽取K个样本，构成本轮训练支撑集；

在所述训练集的所述C个类别的剩余样本中随机抽取多个样本，构成本轮训练查询集；

将所述本轮训练支撑集的样本输入到编码-归纳-关系模型，通过最小化本轮训练查询集的损失更新所述编码-归纳-关系模型的模型参数；

在本轮训练结束时，若所述本轮训练查询集的损失未满足最小化条件，返回在所述训练集随机抽取C个类别，且每个类别随机抽取K个样本，构成本轮训练支撑集的步骤；

在本轮训练结束时，若所述本轮训练查询集的损失满足所述最小化条件，将本轮训练得到的编码-归纳-关系模型作为训练好的编码-归纳-关系模型。

4.根据权利要求3所述的方法，其特征在于，所述编码-归纳-关系模型包括编码模块、归纳模块和关系模块；

所述编码模块用于提取输入样本的语义特征，得到样本语义向量；优选地，所述编码模块采用基于注意力机制的LSTM模型；

所述归纳模块用于从各轮训练的支撑集的样本语义向量中归纳出类别特征，得到类向量；优选地，所述归纳模块采用胶囊网络动态表征所述类向量，通过动态路由算法获得同一类别下的不同样本对所述类向量的贡献；

所述关系模块用于度量各轮训练的查询集和所述类向量的语义关系。

5.根据权利要求3所述的方法，其特征在于，所述编码-归纳-关系模型的训练过程还包括：

从所述样本集中的样本划分出测试集，所述测试集和所述训练集没有交集；

用所述测试集对所述训练好的编码-归纳-关系模型进行测试，获得测试结果；

若所述测试结果不满足测试成功条件，输出提示信息。

6.根据权利要求5所述的方法，其特征在于，所述编码-归纳-关系模型的训练过程还包括：

获取所述电力用户对话数据的生成时间信息，根据所述生成时间信息将所述电力用户对话数据划分为所述训练集和所述测试集；

优选地，所述根据所述生成时间信息将所述电力用户对话数据划分为所述训练集和所述测试集，包括：

根据所述生成时间信息确定起始时刻和终止时刻；

将所述起始时刻和所述终止时刻之间的目标时段按时间顺序划分为设定数目的子时段；

分别将各子时段划分为第一子时段和第二子时段，其中，不同子时段的各第一子时段的时长值均相等，不同子时段的各第二子时段的时长值均相等，或者，不同所述子时段的所述第一子时段和所述第二子时段的比值均相同；

将生成时间落入各第一子时段的电力用户对话数据划分到所述训练集；

将生成时间落入各第二子时段的电力用户对话数据划分到所述测试集。