[发明专利]面向期货问答的用户意图识别方法和系统

权利要求书

1.一种面向期货问答的用户意图识别方法，其特征在于，所述方法包括：

获取用户问句，通过预设实体识别模型对所述用户问句进行分词和实体识别；

根据所述实体识别的结果，通过粗分类语言模型对所述用户问句进行预测，确定所述用户问句的用户意图类别；

若所述用户意图类别为客服类意图类别，则根据标准客服问句，通过最近邻相似计算逐级细分识别；

若所述用户意图类别为行情类意图类别，则依次识别所述用户问句的数据查询范围、查询库表和查询字段；

若所述用户意图类别为资讯类意图类别，则抽取识别所述用户问句的意图主体标签，以及分类识别所述用户问句的情感极性标签；

若所述用户意图类别为指令类意图类别，则依次识别所述用户问句的意图类型和意图槽位；

若所述用户意图类别为投顾类意图类别，则采用预训练语言模型对所述用户问句进行进一步微调细分识别。

2.根据权利要求1所述的方法，其特征在于，通过预设实体识别模型对所述用户问句进行分词和实体识别包括：

构建期货用户意图类别体系，根据各用户意图类别归类确定期货行业的语义词典；

通过词嵌入模型计算所述用户问句中每个字的词向量，将所述词向量分别输入预训练深度模型与CRF序列标注模型中，基于BI序列标签体系标注出所述用户问句中的实体

再构建所述语义词典的Trie树对所述实体进行最大前缀匹配识别，采用正则表达式对时间数字进行识别；

最后采用开源分词工具对所述用户问句进行分词识别，完成对所述用户问句的分词和实体识别。

3.根据权利要求1所述的方法，其特征在于，通过粗分类语言模型对所述用户问句进行预测，确定所述用户问句的用户意图类别包括：

通过基于Tansformer注意力机制的Bert预训练语言模型，结合所述用户问句的N条上下文问句，确定所述用户问句的用户意图类别。

4.根据权利要求1所述的方法，其特征在于，则根据标准客服问句，通过最近邻相似计算逐级细分识别包括：

向量化标准客服问句，按照所述标准客服问句的层级，建立每个层级的层级细分意图的向量化表示，

通过Consine相似度算法计算所述用户问句与若干一级细分意图的相似度，识别出所述用户问句的最佳一级细分意图，再在所述最佳一级细分意图的层级细分意图中逐级细分识别。

5.根据权利要求1所述的方法，其特征在于，则依次识别所述用户问句的数据查询范围、查询库表和查询字段包括：

通过TextCNN分类模型识别出所述用户问句的数据查询范围；

再通过Biaffine双仿射模型将所述用户问句中的实体与所述数据查询范围内的数据库表字段进行语义对齐，利用tanh函数得到关联匹配度并识别出具体的查询库表；

在所述查询库表中，通过TextCNN分类模型识别出所述用户问句的查询字段。

6.根据权利要求1所述的方法，其特征在于，则抽取识别所述用户问句的意图主体标签，以及分类识别所述用户问句的情感极性标签包括：

通过CRF序列标注模型与语义词典，抽取识别出所述用户问句的意图主体，再采用正则表达式识别出所述用户问句的资讯时间；

再通过Bert预训练语言模型识别出所述用户问句的情感极性标签和意图事件标签。

7.根据权利要求1所述的方法，其特征在于，则依次识别所述用户问句的意图类型和意图槽位包括：

通过CharCNN模型识别出所述用户问句的意图类型，根据所述意图类型，从所述用户问句的分词和实体识别的结果中确定潜在实体；

通过预设匹配规则从所述潜在实体中匹配出意图槽位；

对于未能匹配出意图槽位的，通过基于注意力机制的RNN模型识别出意图槽位。

8.根据权利要求1所述的方法，其特征在于，则采用预训练语言模型对所述用户问句进行进一步微调细分识别包括：

通过Bert Fine-Tuning模型和Softmax分类器对所述用户问句进行进一步微调细分识别。

9.一种面向期货问答的用户意图识别系统，其特征在于，所述系统包括命名实体识别模块、第一意图识别模块和第二意图识别模块；

所述命名实体识别模块获取用户问句，通过预设实体识别模型对所述用户问句进行分词和实体识别；

所述第一意图识别模块根据所述实体识别的结果，通过粗分类语言模型对所述用户问句进行预测，确定所述用户问句的用户意图类别；

所述第二意图识别模块，用于若所述用户意图类别为客服类意图类别，则根据标准客服问句，通过最近邻相似计算逐级细分识别；若所述用户意图类别为行情类意图类别，则依次识别所述用户问句的数据查询范围、查询库表和查询字段；若所述用户意图类别为资讯类意图类别，则抽取识别所述用户问句的意图主体标签，以及分类识别所述用户问句的情感极性标签；若所述用户意图类别为指令类意图类别，则依次识别所述用户问句的意图类型和意图槽位；若所述用户意图类别为投顾类意图类别，则采用预训练语言模型对所述用户问句进行进一步微调细分识别。