[发明专利]基于胶囊网络的意图识别方法及装置

说明书

本发明涉及人工智能，揭露一种基于胶囊网络的意图识别方法，包括：获取交互对话中涉及的交互信息，并将对交互信息进行标注，形成不同维度上的意图标签，将携带有不同维度上意图标签的交互信息进行向量化后输入至胶囊网络模型中进行训练，构建意图识别模型，响应于目标交互对话的意图识别指令，将目标交互对话中交互信息进行向量化后输入至意图识别模型中进行意图识别，得到携带有目标交互对话在不同维度上意图标签的意图识别结果。本发明还涉及区块链技术，意图识别模型的相关数据存储于区块链中。本发明能够针对交互对话的交互信息融合多维度的信息特征进行意图识别，提供更准确的意图识别结果。

技术领域

本发明涉及人工智能，尤其是涉及到基于胶囊网络的意图识别方法、装置、计算机设备及计算机存储介质。

背景技术

智能对话中，意图识别是非常重要的对话实现基础，即明确用户对话目的并进行反馈。在意图识别过程中，需要从用户的文字内容和用户的表情中发现情感和意图。相关技术中，意图识别主要由文本分类判别，但由于语言的博大精深和人类的丰富情感，意图在不同情感下也会有不同的意义。纯文本的方式识别，可能会对歧义意图误判，例如“我不需要”可能表达真的不需要、很厌烦不想再接听电话。情感识别作为另一个分类模块可和意图识别共同使用，情感识别通常分为文本情感识别和人脸情感识别。文本情感识别可根据说话文本识别表征情感的关键词，如喜怒哀乐，并经过文本分类器来判断具体的情感。人脸情感识别根据人的表情判断，如皱眉、笑、哭等，经过图像分类器来判断具体情感。进一步结合情感识别结果输出更细致的意图识别结果。

在实际应用场景中，意图识别和情感识别是两个相互独立的过程，单独人脸表情并不能非常准确捕捉用户的情感，比如皱眉，可能表示疑惑、无语、不耐烦、生气，需要很大量的图片训练，且每个人表情习惯有所不同，同样的，单独的意图识别并未考虑到交互过程中的情感信息，也不能够准确表达真实意图。但是由于交互过程中信息考察较少，即便输出意图和情感两个维度上的标签，也会使得最终意图识别结果存在偏差，影响意图识别的准确率。

发明内容

有鉴于此，本发明提供了一种基于胶囊网络的意图识别方法、装置、计算机设备及计算机存储介质，主要目的在于解决现有技术中意图别和人脸表情识别作为两个相互独立的过程使得最终意图识别结果存在偏差，影响意图识别的准确率的问题。

依据本发明一个方面，提供了一种基于胶囊网络的意图识别方法，该方法包括：

获取交互对话中涉及的交互信息，并对所述交互信息进行标注，形成不同维度上的意图标签；

将携带有不同维度上意图标签的交互信息进行向量化后输入至胶囊网络模型中进行训练，构建意图识别模型，所述意图识别模型结合不同维度的交互信息识别出融合多维度意图标签的意图识别结果，所述胶囊网络模型为包含多个神经元的载体，每个神经元表示交互对话中出现特定实体各种属性，所述属性为不同维度上的信息特征所形成不同类型的实例化参数；

响应于目标交互对话的意图识别指令，将所述目标交互对话中交互信息进行向量化后输入至所述意图识别模型中进行意图识别，得到携带有目标交互对话在不同维度上意图标签的意图识别结果。

在本发明另一实施例中，所述将携带有不同维度上意图标签的交互信息进行向量化后输入至胶囊网络模型中进行训练，构建意图识别模型，具体包括：

从所述交互信息中抽象出文本意图维度上意图标签的信息、文本情感维度上意图标签的信息以及人脸情感维度上意图标签的信息，作为携带有不同维度上意图标签的交互信息；

将所述携带有不同维度上意图标签的交互信息进行量化来表示不同维度上意图标签的向量矩阵输入至胶囊网络模型中进行训练，构建意图识别模型。

在本发明另一实施例中，所述胶囊网络模型由多层结构组成，所述将所述携带有不同维度上意图标签的交互信息进行量化来表示不同维度上意图标签的向量矩阵输入至胶囊网络模型中进行训练，构建意图识别模型，包括：