[发明专利]意图识别方法、装置、计算设备及存储介质

说明书

本申请公开了一种意图识别方法，该方法包括：获取用户回答文本，其中，用户回答文本对应一个目标意图问题；将用户回答文本输入意图识别模型的目标分层加权层，获得加权特征向量，其中，意图识别模型包括多个分层加权层和多个分类层，目标分层加权层与用户回答文本的目标意图问题存在对应关系；将加权特征向量输入意图识别模型的目标分类层，得到用户回答文本的分类结果，其中，目标分类层与用户回答文本的目标意图问题存在对应关系。本申请实施例通过对特征提取层的M维特征向量进行加权求和，再将得到的加权特征向量输入到目标意图问题对应的分类层中，提升了意图识别的准确率。

技术领域

本申请涉及人工智能(artificial intelligence，AI)技术领域，尤其涉及一种意图识别方法、装置、计算设备及存储介质。

背景技术

意图识别是自然语言处理(nature language process，NLP)中的一项子任务，简单来说，就是通过分类的办法将句子分到相应的候选意图中。意图识别常见于任务型对话系统、AI面试等场景。例如，对话系统提出某个问题，然后用户给出了一句回答，系统则需要通过这句回答识别出用户的意图，以便进行回复或者开启下一轮对话。在一个对话场景或AI面试场景中，系统往往会有很多个意图问题，而每个意图问题对应的候选意图集也不一样，所以要分别对每个意图问题的用户回答进行意图识别。

在上述具有多个意图问题的场景下，往往是一个意图问题对应一个BERT模型，导致系统需要的模型数量较多、硬件资源消耗大，而且意图识别的准确率不够高。

发明内容

本申请实施例提供了一种意图识别方法、装置、计算设备及存储介质，实现了多个意图问题场景下的意图识别，通过对特征提取层输出的M维特征向量进行加权求和，充分利用了特征提取层中的不同网络层所提取的信息，提升了意图识别的准确率，而且需要的模型数量少，减少了资源消耗。

第一方面，本申请提供了一种意图识别方法，该方法包括：获取用户回答文本，其中，用户回答文本对应一个目标意图问题；将用户回答文本输入意图识别模型的目标分层加权层，获得加权特征向量，其中，意图识别模型包括多个分层加权层和多个分类层，目标分层加权层与用户回答文本的目标意图问题存在对应关系；将加权特征向量输入意图识别模型的目标分类层，得到用户回答文本的分类结果，其中，目标分类层与用户回答文本的目标意图问题存在对应关系。

第二方面，本申请提供了一种意图识别装置，该装置包括：获取模块，用于获取用户回答文本，其中，用户回答文本对应一个目标意图问题；处理模块，用于将用户回答文本输入意图识别模型的目标分层加权层，获得加权特征向量，其中，意图识别模型包括多个分层加权层和多个分类层，目标分层加权层与用户回答文本的目标意图问题存在对应关系；处理模块还用于，将加权特征向量输入意图识别模型的目标分类层，得到用户回答文本的分类结果，其中，目标分类层与用户回答文本的目标意图存在对应关系。

第三方面，本申请提供了一种计算设备，包括处理器和存储器，所述处理器和存储器可通过总线相互连接，也可以集成在一起。该处理器执行存储器中存储的代码实现如第一方面所描述的方法。

第四方面，本申请提供了一种计算机可读存储介质，包括程序或指令，当上述程序或指令在计算机设备上运行时，可使上述计算机设备执行如第一方面所描述的方法。

可以看到，本申请实施例通过将特征提取层的M维特征向量输入目标分层加权层中进行加权求和，然后将得到的加权特征向量输入目标分类层，获得最终的分类结果。由于特征提取层的不同网络层的侧重点不同、所提取的信息不同，因此，该方法通过加权求和充分利用了特征提取层不同层的特征表征能力，综合了不同层所提取的信息，从而提升了意图识别的准确率。该方法在具有多个意图问题的场景下，也只需要使用一个特征提取层，不同意图问题的用户回答都可以通过同一个特征提取层进行特征提取，减小了模型规模，而且仅需要一个意图识别模型，减少了模型数量，降低了模型管理难度，硬件资源消耗小。

附图说明