[发明专利]一种自然语言对话系统意图深度学习方法

权利要求书

1.一种自然语言对话系统意图深度学习方法，其特征在于，包括：

获取待解析的对话文本信息和用户在描述该对话文本信息时的语音信号；

确定所述对话文本信息中每个分词的词向量；

对语音信号根据对话文本信息中的每个分词进行切分获得语音切分信号，然后根据情绪识别模型与语音切分信号对应的词向量进行情绪标定；

根据意图识别模型和所述词向量，生成与所述对话文本信息的意图类型；

获取与所述意图类型对应的意图要素抽取模型；

根据所述意图要素抽取模型和所述词向量，从所述对话文本信息中确定出表达所述意图类型所需要的意图要素的关键词信息；

根据深度学习模型和词向量的情绪标定对对应的关键词信息进行程度或者反转调整，并输出结果；

获取用户在接收到输出结果时的反馈信息，并判断反馈信息的认同度，当反馈信息出现低认同度时，深度学习模型再次进行调整，直至出现高认同度。

2.根据权利要求1所述的自然语言对话系统意图深度学习方法，所述确定所述对话文本信息中每个分词的词向量，包括：

对所述对话文本信息进行分词，以生成所述对话文本信息的分词结果；

根据所述分词结果生成所述对话文本信息中每个分词的词向量。

3.根据权利要求2所述的自然语言对话系统意图深度学习方法，所述意图识别模型是基于长短时记忆的循环神经网络预先建立的，所述意图识别模型包括多个LSTM单元，所述根据意图识别模型和所述词向量，生成与所述对话文本信息的意图类型，包括：

在当前分词为第一个分词时，获取第一初始隐向量，并将所述第一初始隐向量和第一个分词的词向量输入第一个LSTM单元，以通过所述LSTM单元生成所述当前分词的第一隐向量；

在当前分词为第i个分词时，获取第i-1个分词的第一隐向量，并将所述第i-1个分词的第一隐向量和所述第i个分词的词向量输入第i个LSTM单元，以通过所述第i个LSTM单元生成所述第i个分词的第一隐向量，其中，i为大于或者等于2，且小于N的正整数，其中，N为所述文本信息中分词的总数；

获取第N个分词的第一隐向量，并根据所述第N个分词的第一隐向量确定出所述文本信息所表达的候选意图类型及其对应的概率信息；

根据所述候选意图类型所对应的概率信息，确定出所述对话文本信息的意图类型。

4.根据权利要求3所述的一种自然语言对话系统意图深度学习方法，其特征在于：所述根据情绪识别模型与语音切分信号对应的词向量进行情绪标定包括：

根据语音切分信号中声音大小，确定语音切分信号的声音权重；

预先采集用户在朗读预设文字时升调和降调习惯，获得用户音调标本；

根据语音切分信号与用户音调标本的偏差值，确定语音切分信号的音调权重；

对语音切分信号加权后排序，并确定与语音切分信号对应的词向量的排序；

判断对应词向量的词性，若词性为体词或代词性，则情绪标定为中性；若词性为谓词性，则情绪标定为加深；若词性为副词性，则情绪标定为加深或者反转。

5.根据权利要求4所述的一种自然语言对话系统意图深度学习方法，其特征在于：

所述获取用户在接收到输出结果时的反馈信息，并判断反馈信息的认同度，包括：

获取用户在输出前的面部表情作为表情基准；

获取用户在接收到输出结果时的表情作为第一表情；

若表情基准和第一表情通过表情识别模型均识别为负面情绪，且程度无变化，或者表情基准为负面情绪，第一表情为正面情绪，则表征高认同度；

若表情基准和第一表情通过表情识别模型均识别为负面情绪，且程度更加负面，或者表情基准为正面情绪，第一表情为负面情绪，则表征低认同度。