一种用户意图识别方法、装置和计算机设备与流程

1.本发明涉及计算机信息处理领域，具体涉及一种用于智能语音机器人的用户意图识别方法、装置和计算机设备。


背景技术：

2.目前智能语音机器人与用户进行交流主要依据话术进行，对单句意图识别有较高的要求，需要识别出用户语句的意图，目前常用的算法有逻辑回归、支持向量机、决策树等。但由于语句的前后文本之间有一定联系，目前常用的算法有较大的局限性，存在对用户意图识别准确率不高的问题，导致用户投诉增多的问题。
3.随着网络技术的快速发展，海量的信息资源以文本的形式存在。如何对这些文本进行有效的分类，从海量的文本中快速、准确、全面的挖掘有效信息，已经成为了自然语言处理研究领域的热点之一。文本分类方法是指按照预先定义的主题类别，为文档集合中的每个文档确定一个类别。文本分类方法属于自然语言处理领域，一般包括数据预处理、文本特征表示、分类器选择及效果评价等步骤，其中文本特征表示与分类器选择最为重要，将直接影响分类结果的准确性。现有技术中，基于传统机器学习的文本分类方法，存在易受数据集偏斜的影响，如某一类别的文档偏多，会导致文本分类不准确。此外，还存在由于特征选择时没有考虑类内、类间分布偏差等导致模型精度较低等问题。
4.因此，有必要提供一种更快速且更精确的用户意图识别方法。


技术实现要素：

5.为了解决现有互联网服务的语音机器人对用户意图识别率不高，对用户意图判断的错误率高，进一步提高意图识别模型的模型精度等的技术问题。本发明的第一方面提供了一种用于智能语音机器人的用户意图识别方法，包括：从所述智能语音机器人与用户之间的历史问答文本中，提取候选特征词，基于所述候选特征词建立特征数据库；构建多个意图识别模型，所述多个意图识别模型均包括在训练过程中更新模型参数；获取待处理用户语音文本，确定相应的意图识别模型；使用所确定的意图识别模型，输出所述待处理用户语音文本的意图预测值。
6.根据本发明的可选实施方式，所述在训练过程中更新模型参数包括：在特定特征词的语义统一性大于设定值，且所述特定特征词的歧义消解的准确率大于特定值时，停止对所述多个意图识别模型进行训练。
7.根据本发明的可选实施方式，还包括：从所述候选特征词中选择与不同互联网服务场景的特定特征词，所述特定特征词包括违约、逾期、延期、询问、互联网资源归还时间、互联网资源归还方式，以及与互联网资源服务申请、认证、使用或催收相关的特征词。
8.根据本发明的可选实施方式，所述确定相应的意图识别模型包括：对所获取的待处理用户语音文本进行分词，得到各词项；根据各词项，判断问答类别，以确定与所述问答类别相对应的意图识别模型。
9.根据本发明的可选实施方式，所述提取候选特征词包括：使用tf
‑
idf方法，对候选特征词进行提取；计算每一个候选特征词的贡献度，确定候选特征词的权重，以选出特定特征词；
10.根据本发明的可选实施方式，所述基于所述候选特征词建立特征数据库包括：所述特征数据库包括从候选特征词中选出的特定特征词、包含特定特征词的文本句以及文本句的句向量，该文本句包括不同语义结构的多个歧义句。
11.根据本发明的可选实施方式，所述建立特征数据库还包括：计算所述多个歧义句的句向量，以及所述特定特征词对各歧义句的贡献度，并使用该贡献度作为所述特定特征词在各歧义句的权重系数。
12.根据本发明的可选实施方式，对所获取的待处理用户语音文本进行分词处理、向量转换，得到多个词项和待处理句向量；将所述待处理句向量与所述特征数据库中的句向量进行相似度计算，确定与待处理用户语音文本相似的歧义句、各词项中特定特征词的贡献度。
13.根据本发明的可选实施方式，根据所输出的意图预测值，以及所述待处理用户语音文本的特定特征词的贡献度，确定与所述待处理用户语音文本相对应的回复句，所述意图预测值用于表征用户意图的概率。
14.此外，本发明的第二方面提供了一种用于智能语音机器人的用户意图识别装置，包括：提取处理模块，用于从所述智能语音机器人与用户之间的历史问答文本中，提取候选特征词，基于所述候选特征词建立特征数据库；模型构建模块，用于构建多个意图识别模型，所述多个意图识别模型均包括在训练过程中更新模型参数；模型确定模块，用于获取待处理用户语音文本，确定相应的意图识别模型；输出模块，用于使用所确定的意图识别模型，输出所述待处理用户语音文本的意图预测值。
15.根据本发明的可选实施方式，还包括参数更新模块，所述参数更新模块用于在特定特征词的语义统一性大于设定值，且所述特定特征词的歧义消解的准确率大于特定值时，停止对所述多个意图识别模型进行训练；模型确定模块，具体用于对所获取的待处理用户语音文本进行分词，得到各词项；根据各词项，判断问答类别，以确定与所述问答类别相对应的意图识别模型。
16.此外，本发明的第三方面提供了一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机程序被所述处理器执行时，所述处理器执行如本发明的第一方面所述的用户意图识别方法。
17.此外，本发明的第四方面提供了一种计算机程序产品，存储有计算机可执行程序，所述计算机可执行程序被执行时，实现如本发明的第一方面所述的用户意图识别方法。
18.有益效果
19.与现有技术相比，本发明通过从所述智能语音机器人与用户之间的历史问答文本中，提取候选特征词，能够得到更有效的特征词，并基于所述候选特征词建立用于用户意图识别的特征数据库，能够有效实现歧义消解以及特定特征词的语义统一性；构建优化模型参数的多个意图别模型，能够提高模型精度；根据待处理用户语音文本确定相应的意图识别模型，并使用所确定的意图识别模型，输出所述待处理用户语音文本的意图预测值，能够更精准地识别用户意图，并能够实现更细粒度的用户意图挖掘。
20.进一步地，通过进一步从候选特征词中选择特定特征词，能够更有效确定特定特征词，以用于辅助智能语音机器人识别用户意图；通过将待处理用户语音文本的句向量和/或各词项与特征数据库中特定特征词和/或歧义句进行相同或相似比对，能够更精确地确定相应的意图识别模型；通过使用所确定的意图识别模型，输出所述待处理用户语音文本的意图预测值，能够更精准地识别用户意图，并能够实现更细粒度的用户意图挖，能够减少意图识别时间，还能够实现快速识别以进一步提升意图识别效率；再通过根据所输出的意图预测值和/或所述贡献度(即所述待处理用户语音文本中特定特征词的贡献度)，确定与所述待处理用户语音文本相对应的回复句，能够有效辅助智能机器人与用户之间的交互，能够进一步有效实现歧义消解以及特定特征词的语义统一性；通过在可视化界面上进行输入、编辑、修改等用户操作，能够更智能化实现特征数据库的构建、意图识别模型的确定选择以及智能语音机器人的增减和其他配置管理。
附图说明
21.为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
22.图1是本发明的用于智能语音机器人的用户意图识别方法的一示例的流程图。
23.图2是本发明的用于智能语音机器人的用户意图识别方法的另一示例的流程图。
24.图3是应用本发明的用于智能语音机器人的用户意图识别方法的可视化界面的一示例的示意图。
25.图4是应用本发明的用于智能语音机器人的用户意图识别方法的可视化界面的另一示例的示意图。
26.图5是本发明的用于智能语音机器人的用户意图识别方法的又一示例的流程图。
27.图6是本发明的用于智能语音机器人的用户意图识别装置的一示例的示意性结构框图。
28.图7是本发明的用于智能语音机器人的用户意图识别装置的另一示例的示意性结构框图。
29.图8是本发明的用于智能语音机器人的用户意图识别装置的又一示例的示意性结构框图。
30.图9是根据本发明的计算机设备的示例性实施例的结构框图。
31.图10是根据本发明的计算机程序产品的示例性实施例的结构框图。
具体实施方式
32.现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
33.在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
34.在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
35.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
36.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
37.应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
38.术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
39.鉴于上述问题，本发明通过从所述智能语音机器人与用户之间的历史问答文本中，提取候选特征词，能够得到更有效的特征词，并基于所述候选特征词建立用于用户意图识别的特征数据库，能够有效实现歧义消解以及特定特征词的语义统一性；构建优化模型参数的多个意图别模型，能够提高模型精度；根据待处理用户语音文本确定相应的意图识别模型，并使用所确定的意图识别模型，输出所述待处理用户语音文本的意图预测值，能够更精准地识别用户意图，并能够实现更细粒度的用户意图挖掘。
40.为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
41.实施例1
42.下面，将参照图1至图5描述本发明的用于智能语音机器人的用户意图识别方法的实施例。
43.图1是本发明的用于智能语音机器人的用户意图识别方法的一示例的流程图。
44.如图1所示，该用户意图识别方法包括如下步骤。
45.步骤s101，从所述智能语音机器人与用户之间的历史问答文本中，提取候选特征词，基于所述候选特征词建立特征数据库。
46.步骤s102，构建多个意图识别模型，所述多个意图识别模型均包括在训练过程中更新模型参数。
47.步骤s103，获取待处理用户语音文本，确定相应的意图识别模型。
48.步骤s104，使用所确定的意图识别模型，输出所述待处理用户语音文本的意图预测值。
49.下面将以在互联网服务中的应用场景为示例对本发明的用户意图识别方法进行说明。
50.需要说明的是，在本发明中，所述互联网服务包括由用户设备(或用户关联设备)
向互联网服务平台的申请而提供例如购物、乘车、地图、外卖、共享单车等的互联网服务资源。例如，资源分配服务、资源使用服务、资源保障服务或互助服务、资源筹集服务、拼团购买以及乘车服务等等。其中，资源是指任何可被利用的物质、信息、时间，信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。
51.首先，在步骤s101中，从所述智能语音机器人与用户之间的历史问答文本中，提取候选特征词，基于所述候选特征词建立特征数据库。
52.具体地，获取不同互联网服务场景下的智能语音机器人与用户之间的历史问答文本，该历史问答文本包括两轮以上的对话文本或对话语音文本。
53.在一实施方式中，获取资源分配服务的应用场景下的智能语音机器人与用户之间的历史问答文本，并根据预设规则，从所述历史问答文本中提取候选特征词。
54.可选地，使用tf
‑
idf方法，对候选特征词进行提取。
55.具体地，使用如下表达式(1)计算每一个词的tf
‑
idf值。
[0056][0057]
其中，tf
i,j
是指在互联网服务应用场景下智能语音机器人与用户之间的某一个类别的历史问答文本(或某一文件)j中的词频，即其中，n
i,j
(即分子部分)是指某个词t
i
在互联网服务应用场景下智能语音机器人与用户之间的某一个类别的历史问答文本(或某一文件)j中出现的频数；∑
k
n
k,j
(即分母部分)是指同一类别的历史问答文本中(或者特定数量的类别的历史问答文本中)所有词的词频数之和；|d|是指同一类别的历史问答文本(或者特定数量的类别的历史问答文本)j的数量；|{j：t
i
∈d
j
}|是指包含词t
i
的所述历史问答文本j的文本数量。
[0058]
需要说明的是，tf
‑
idf(term frequency
–
inverse document frequency，词频
‑
逆向文件频率)是一种用于信息检索与文本挖掘的统计方法。该方法用于评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。
[0059]
具体地，将同一类别的历史问答文本(或者特定数量的类别的历史问答文本)进行分词处理，并计算分词后的各词的tf
‑
idf值。
[0060]
作为一具体实施方式，所述预设规则包括选择所计算的tf
‑
idf值大于设定值的词，作为候选特征词。
[0061]
在另一实施方式中，所述预设规则包括选择所计算的tf
i,j
大于指定词频且所计算的tf
‑
idf值大于设定值的词，作为候选特征词。
[0062]
在又一实施方式中，例如互联网服务包括资源分配服务、资源保障服务和资源筹集服务，根据预设规则从这三个类别的互联网服务的历史问答文本中提取候选特征词。
[0063]
优选地，使用tf
‑
iwf方法，对候选特征词进行提取。
[0064]
具体地，使用如下表达式(2)计算每一个词的tf
‑
iwf值。
[0065][0066]
其中，tf
‑
iwf值是指每一个词逆频率；tf
i,j
是指某一个词t
i
在互联网服务应用场景下智能语音机器人与用户之间的某一个类别的历史问答文本(或某一文件)j中的词频，
即其中，n
i,j
(即分子部分)是指某个词t
i
在互联网服务应用场景下智能语音机器人与用户之间的某一个类别的历史问答文本(或某一文件)j中出现的频数；∑
k
n
k,j
(即分母部分)是指同一类别的历史问答文本中(或者特定数量的类别的历史问答文本中)所有词的词频数之和；iwf
i
是指所有类别的历史问答文本中所有词的总数与待处理文本中词t
i
在所有类别的历史问答文本中(或者特定数量的类别的历史问答文本中)出现的次数之比求对数，即之比求对数，即其中，是指词t
i
所有类别的历史问答文本中(或者特定数量的类别的历史问答文本中)出现的总频数，nt
i
是指在待处理文本中词t
i
出现的总频数。
[0067]
具体地，例如，所述预设规则包括选择所计算的tf
‑
iwf值大于设定值的词，作为候选特征词。
[0068]
再例如，所述预设规则包括选择所计算的tf
i,j
大于指定词频且所计算的tf
‑
iwf值大于设定值的词，作为候选特征词。
[0069]
由此，通过从所述智能语音机器人与用户之间的历史问答文本中，提取候选特征词，能够得到更精确的候选特征词。
[0070]
需要说明的是，在本示例中，所述设定值和所述指定词频均是由业务人员根据历史真实的统计值、平均值等所确定的。但是不限于此，在其他示例中，还可通过其他方式进行确定。
[0071]
进一步地，从所提取的候选特征词中选择与不同互联网服务场景的特定特征词。
[0072]
具体地，计算每一个候选特征词的贡献度，确定候选特征词的权重，以选出特定特征词。
[0073]
对于每个候选特征词的贡献度，通过使用已有的实体库(例如通过人工填充或人工标注的实体词或关键词、行为表征词及包含该实体词或关键词和/或行为表现词的表现行为句，以及具有多种歧义的实体词以及歧义句等)的文本描述转换成词向量和句向量，分别计算每一个候选特征词对实体词或关键词、行为表征词的贡献度，根据所述贡献度确定各候选特征的权重，以选出特定特征词。
[0074]
需要说明的是，在本示例中，所述实体词是指与互联网服务相关的名词和代词。例如，互联网资源、资源归还时间等。所述行为表征词是指向互联网服务评价台申请互联网服务、互联网服务的设备认证、资源归还、资源筹集、资源保障以及资源互助等表征行为的词。
[0075]
对于具有多种歧义的实体词以及歧义句，例如，在一个互联网服务的历史问答文本中用户描述包括两种以上的实体词，则需要判断多个实体词是否是指同一实体。例如，描述1：锤子公司；描述2：锤子成都分公司；描述3：锤子科技有限公司。“锤子”所对应的语义包括两种歧义，其中歧义1：锤子是敲打物体使其移动或变形的工具，常用来敲钉子，矫正或是将物件敲开。歧义2：锤子是一家制造数码消费类产品公司的智能手机产品。
[0076]
需要说明的是，在不同的语境下，用户会对同一实体在语言上有多种描述，即多名和重名现象，因此有必要通过歧义消解逻辑来实现实体统一，通过向量化后数据对比(例如向量相似度和/或上述贡献度等)，判断上述描述1、2和3都是指同一实体，即锤子科技。因此，将上述这种具有多种歧义的特征词提取出来，以用于消解歧义，实现实体统一，由此进
一步提高用户意图识别的准确性。
[0077]
在一实施方式中，根据各候选特征词在不同句子中的相同或相似语义表示，并计算各候选特征词与所述实体词(或关键词)、行为表征词及包含该实体词(或关键词)的相似度，选择所计算的相似度大于指定相似度(例如80％～95％)的候选特征词，作为特定特征词。
[0078]
可选地，使用bert预训练模型，进行文本转向量，得到各候选特征词、以及包含各候选特征词的文本句的语义向量表示，以进行相似度计算。
[0079]
需要说明的是，对于语义向量的转化，上述仅作为示例进行说明，不能理解成对本发明的限制，在其他示例中，还可以使用roberta模型、distilbert模型、xlnet模型等。上述仅作为示例进行说明，不能理解成对本发明的限制。
[0080]
具体地，所述特定特征词包括违约、逾期、延期、询问、互联网资源归还时间、互联网资源归还方式，以及与互联网资源服务申请、认证、使用或催收相关的特征词。
[0081]
需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。
[0082]
接下来，基于所选择的特定特征词、包含特定特征词的文本句以及文本句的句向量，建立特征数据库，其中，该文本句包括不同语义结构的多个歧义句。
[0083]
对于建立特征数据库，还包括筛选与所述特定特征词相关的文本句，并进一步将各特定特征词及其相关的文本句进行向量转换(即文本转向量)，以得到各特定特征词的词向量和文本句向量。
[0084]
具体地，所述特征数据库还包括与特定特征词相对应的对话类别和用户意图类别，以用于识别对话类别和用户意图类别。
[0085]
进一步地，所述建立特征数据库还包括从人工填充或人工标注的特定特征词中，确定具有两种或更多种歧义的特定特征词，并筛选该特定特征词的多个歧义句。
[0086]
更具体地，计算多个歧义句的句向量，以及所述特定特征词对各歧义句的贡献度，并使用该贡献度作为所述特定特征词在各歧义句的权重系数。
[0087]
由此，通过进一步从候选特征词中选择特定特征词，能够更有效确定特定特征词，以用于辅助智能语音机器人识别用户意图。
[0088]
需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。
[0089]
接下来，将具体说明意图识别模型的构建过程。
[0090]
在步骤s102中，构建多个意图识别模型，所述多个意图识别模型均包括在训练过程中更新模型参数。
[0091]
在本示例中，使用深度双向语言模型，构建与智能语音机器人的服务类型相对应的多个意图识别模型。
[0092]
在一实施方式中，例如，构建与用于设备认证的智能语音机器人相对应的第一意图识别模型，与用于资源归还催收的智能语音机器人相对应的第二意图识别模型，与用于通用服务场景的智能语音机器人相对应的第三意图识别模型，等等。
[0093]
需要说明的是，上述深度双向语言模型主要使用双向transformer编码层，并基于注意力机制。所述深度双向语言模型包括自注意力机制(self
‑
attention)和网络(feed fordward neural network)，其中，核心部分是self
‑
attention，能够确定每一个词和当前文本句中其他词之间的关系，而且没有距离限制，由此，能够充分挖掘到每个词的左右上下
文信息，从而得到各词的双向表示。上述仅作为优选示例进行说明，不能理解成对本发明的限制。
[0094]
对于意图识别模型的构建，还包括定义好、坏样本以及建立训练数据集，所述训练数据集包括与各意图识别模型相对应的子训练数据集。例如，使用表示用户意图的意向标签，该意向标签用于表征用户倾向于某一意图类别的概率，例如使用问答类别、多种用户意向类别的多维向量和属于某一意图类别的置信度作为意向标签。
[0095]
例如，对于第一意图识别模型，所述子训练数据集包括标注有第一意图标签的历史用户语音文本，其中，所述第一意图标签用于表征用户设备已认证通过或未认证通过以及问答类别；该历史用户语音文本包括用户输入的包含特定特征词(例如，该特定特征词为注册、认证等)的文本句歧义句、短语(例如，认证通过，申请通过等)以及各个词等等。
[0096]
例如，对于第二意图识别模型，所述子训练数据集包括标注有第二意图标签的历史用户语音文本，其中，该第二意图标签用于表征是否在收到资源归还催收信息之后进行了资源归还以及问答类别；该历史用户语音文本包括用户输入的包含特定特征词(例如，该特定特征词为催收、互联网资源归还时间、互联网资源归还方式等)的文本句歧义句、短语(例如，催收、归还、承担违约金、延期等)以及各个词等等。
[0097]
再例如，对于第三意图识别模型，所述子训练数据集包括标注有第三意图标签的历史用户语音文本，其中，该第三意图标签用于表征是否明白智能语音机器人的文本句或是否有疑问以及问答类别；该历史用户语音文本包括用户输入的包含特定特征词(例如，该特定特征词为询问、在忙、静音等)的文本句歧义句、短语(例如，在忙、静音、未收到等)以及各个词等等。
[0098]
对于每一个意图识别模型均包括执行如下步骤，以在训练过程中更新模型参数。
[0099]
在一可选实施方式中，在特定特征词的语义统一性大于设定值，且所述特定特征词的歧义消解的准确率大于特定值时，停止对相应的意图识别模型进行训练。
[0100]
而在特定特征词的语义统一性小于等于设定值，或者所述特定特征词的歧义消解的准确率大于特定值时，继续对相应的意图识别模型进行训练，直到当特定特征词的语义统一性大于设定值，且所述特定特征词的歧义消解的准确率大于特定值时，再停止对相应的意图识别模型进行训练。由此，能够在训练过程中更新模型参数，以优化模型参数。
[0101]
在另一实施方式中，对于各子训练数据集中的训练数据样本，判断意图的真实标签值与预测值是否一致的步骤。具体地，计算意图的真实标签值和预测值的相对偏差，其中，在所计算的相对偏差小于设定值时，判断意图的真实标签值与预测值一致；而在所计算的相对偏差值大于等于设定值时，判断意图的真实标签值与预测值不一致。由此，能够更精确地判断意图的真实标签值与预测值是否一致。
[0102]
需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制，在其他实施方式中，也可以计算意图的真实标签值与预测值的差值来判断意图的真实标签值与预测值是否一致。在本示例中，所述设定值是由业务人员根据历史真实标签值的统计值所确定的。但是不限于此，在其他示例中，还可通过其他方式进行确定。
[0103]
进一步地，判断与所述意图的真实标签值一致的所述预测值的数量在所有所述训练数据样本的数量的占比是否大于预设占比值。
[0104]
若是，则所述意图识别模型收敛，得到训练完成的意图识别模型。
[0105]
若否，则调整所述意图识别模型中的模型参数，重新通过所述意图识别模型预测所述历史用户的预测值，直至与所述意图的真实标签值一致的所述预测值的数量在所有所述训练数据样本的数量的占比大于预设占比值。
[0106]
需要说明的是，对于上述判断与所述意图的真实标签值一致的所述预测值的数量在所有所述训练数据样本的数量的占比是否大于预设占比值的步骤，还可以包括根据预设循环次数，对循环次数过多增加限制。例如，在大于所述预设循环次数时，停止循环，以限制循环次数过多。上述仅作为示例进行说明，不能理解成对本发明的限制。
[0107]
由此，通过调整模型参数，能够得到更精确的意图识别模型。
[0108]
需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。
[0109]
因此，通过构建多个意图识别模型，并在训练过程中更新模型参数，能够得到更精确的意图识别模型，使用所述意图识别模型根据用户与智能语音机器人的对话文本，计算该用户的意图预测值，能够更精确地识别用户意图，并能够提升了意图识别效率。
[0110]
需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。
[0111]
下面将说明使用所述意图识别模型进行意图识别的具体过程。
[0112]
在步骤s103中，获取待处理用户语音文本，确定相应的意图识别模型。
[0113]
具体地，对所获取的待处理用户语音文本进行分词，得到各词项。根据各词项，判断问答类别。
[0114]
进一步地，对所获取的待处理用户语音文本进行分词处理、向量转换，得到多个词项和待处理句向量。
[0115]
在一实施方式中，将各词项与所述特征数据库中的特定特征词进行比对，确定是否包含与特定特征词相同的词项，根据该词项对应的特定特征词及其数量判断问答类别，还进一步确定与所述问答类别相对应的意图识别模型。
[0116]
在另一实施方式中，在确定未包含与特定特征词相同的词项之后，将各词项的词向量与所述特征数据库中的特定特征词的词向量进行比对，确定出与特定特征词的词向量的相似度大于指定值的词项，根据该词项对应的特定特征词及其数量判断问答类别，还进一步确定与所述问答类别相对应的意图识别模型。
[0117]
在又一实施方式中，将所述待处理句向量与所述特征数据库中的句向量进行相似度计算，确定与待处理用户语音文本的待处理句向量相似的歧义句和各词项中特定特征词的贡献度，以确定与所述问答类别相对应的意图识别模型。
[0118]
在又一实施方式中，在确定未包含与特定特征词相同的词项之后，将各词项的词向量与所述特征数据库中的特定特征词的词向量进行比对，确定出与特定特征词的词向量的相似度大于指定值的词项。并且，将所述待处理句向量与所述特征数据库中的句向量进行相似度计算，确定与待处理用户语音文本的待处理句向量相似的歧义句和各词项中特定特征词的贡献度。接着，根据所确定的词项对应的特定特征词及其数量，以及歧义句的数量和各词项中特定特征词的贡献度，确定与所述问答类别相对应的意图识别模型。
[0119]
由此，通过将待处理用户语音文本的句向量和/或各词项与特征数据库中特定特征词和/或歧义句进行相同或相似比对，能够更精确地确定相应的意图识别模型。
[0120]
需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。
[0121]
接下来，在步骤s104中，使用所确定的意图识别模型，输出所述待处理用户语音文
本的意图预测值。
[0122]
作为一具体实施方式，使用所确定的意图识别模型，将当前用户的待处理用户语音文本输入意图识别模型，输出所述待处理用户语音文本的意图预测值，所述意图预测值用于表征用户意图(或用户意图类别)的概率。
[0123]
在另一实施方式中，计算从待处理用户语音文本中确定的特定特征词对待处理用户语音文本的贡献度(即所述待处理用户语音文本中特定特征词的贡献度)，将待处理用户语音文本进行向量转换后与所述贡献度进行拼接，形成特定维度的向量，作为输入特征，输入所确定的意图识别模型，以输出所述待处理用户语音文本的意图预测值。
[0124]
进一步地，根据所输出的意图预测值和/或所述贡献度(即所述待处理用户语音文本中特定特征词的贡献度)，确定与所述待处理用户语音文本相对应的回复句。
[0125]
在一实施方式中，根据所输出的意图预测值，从所述特征数据库中查找对应的对话类别、用户意图类别，获取与该用户意图类别对应的回复语句并返回给该当前用户。
[0126]
在本示例中，所计算的意图预测值y1，从所述特征数据库中查找与y1相对应的用户意图类别。
[0127]
例如，y1对应的用户意图类别b为“资源归还问题”，获取与该用户意图类别b对应的回复语句，例如该回复语句为“不可以，现在没有部分归还功能，只能正常还款或一次性结清，如有其他问题，可联系01043525*66”、“逾期后每天有罚息和滞纳金的收取，具体金额您可以通过app进行查询”等。
[0128]
在另一实施方式中，如图2所示，所述用户意图识别方法还包括设定特定阈值以用于判断是否从所述特征数据库中进行查找的步骤s201。
[0129]
在步骤s201中，设定特定阈值以用于判断是否从所述特征数据库中进行查找。
[0130]
具体地，在所计算的意图预测值大于等于特定阈值的情况下，判断从所述特征数据库中查找与该意图预测值相对应的用户意图类别。
[0131]
进一步地，在所计算的意图预测值小于特定阈值的情况下，判断不从所述特征数据库中进行查找，并确定与该意图预测值相对应的用户意图类别，例如相关业务人员实时将该用户意图类别增加到所述特征数据库中，并配置与该用户意图类别相对应的回复语句，以更新所述特征数据库，可参见图3。
[0132]
具体地，所述回复语句包括通用型、积极型、反感型等。
[0133]
由此，通过使用所确定的意图识别模型，输出所述待处理用户语音文本的意图预测值，能够更精准地识别用户意图，并能够实现更细粒度的用户意图挖，能够减少意图识别时间，还能够实现快速识别以进一步提升意图识别效率；再通过根据所输出的意图预测值和/或所述贡献度(即所述待处理用户语音文本中特定特征词的贡献度)，确定与所述待处理用户语音文本相对应的回复句，能够有效辅助智能机器人与用户之间的交互，能够进一步有效实现歧义消解以及特定特征词的语义统一性。
[0134]
在又一实施方式中，在可视化界面上进行输入、编辑、修改等用户操作，以增加或删去新类型的智能语音机器人，与该智能语音机器人相对应的问答类别(包括客户问题、回复语句)、特定特征词的权重或贡献度、该智能语音机器人的发布状态和上线状态等等。例如，在可视化界面上进行特征数据库的构建，特定特征词查找，配置各意图识别模型的意向标签，选择各意图识别模型的模型变量参数，进行客户标识等等，在具体可参见图4。
[0135]
由此，通过在可视化界面上进行输入、编辑、修改等用户操作，能够更智能化实现特征数据库的构建、意图识别模型的确定选择以及智能语音机器人的增减和其他配置管理。
[0136]
需要说明的是，上述仅作为示例进行说明，不能理解对本发明的限制。
[0137]
上述方法的过程仅用于对本发明的说明，其中，步骤的顺序和数量没有特别的限制。此外，上述方法中的步骤还可以拆分成两个(例如将步骤s101拆分成步骤s101和步骤s301，具体参见图5)、三个，或者有些步骤也可以合并成一个步骤，根据实际示例进行调整。
[0138]
与现有技术相比，本发明通过从所述智能语音机器人与用户之间的历史问答文本中，提取候选特征词，能够得到更有效的特征词，并基于所述候选特征词建立用于用户意图识别的特征数据库，能够有效实现歧义消解以及特定特征词的语义统一性；构建优化模型参数的多个意图别模型，能够提高模型精度；根据待处理用户语音文本确定相应的意图识别模型，并使用所确定的意图识别模型，输出所述待处理用户语音文本的意图预测值，能够更精准地识别用户意图，并能够实现更细粒度的用户意图挖掘。
[0139]
进一步地，通过进一步从候选特征词中选择特定特征词，能够更有效确定特定特征词，以用于辅助智能语音机器人识别用户意图；通过将待处理用户语音文本的句向量和/或各词项与特征数据库中特定特征词和/或歧义句进行相同或相似比对，能够更精确地确定相应的意图识别模型；通过使用所确定的意图识别模型，输出所述待处理用户语音文本的意图预测值，能够更精准地识别用户意图，并能够实现更细粒度的用户意图挖，能够减少意图识别时间，还能够实现快速识别以进一步提升意图识别效率；再通过根据所输出的意图预测值和/或所述贡献度(即所述待处理用户语音文本中特定特征词的贡献度)，确定与所述待处理用户语音文本相对应的回复句，能够有效辅助智能机器人与用户之间的交互，能够进一步有效实现歧义消解以及特定特征词的语义统一性；通过在可视化界面上进行输入、编辑、修改等用户操作，能够更智能化实现特征数据库的构建、意图识别模型的确定选择以及智能语音机器人的增减和其他配置管理。
[0140]
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、rom、ram等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
[0141]
下面描述本发明的装置的实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
[0142]
实施例2
[0143]
参照图6、图7和图8，本发明还提供了一种用于智能语音机器人的用户意图识别装置400，所述用户意图识别装置400包括：提取处理模块401，用于从所述智能语音机器人与用户之间的历史问答文本中，提取候选特征词，基于所述候选特征词建立特征数据库；模型构建模块402，用于构建多个意图识别模型，所述多个意图识别模型均包括在训练过程中更新模型参数；模型确定模块403，用于获取待处理用户语音文本，确定相应的意图识别模型；
输出模块404，用于使用所确定的意图识别模型，输出所述待处理用户语音文本的意图预测值。
[0144]
在另一实施方式中，如图7所示，所述用户意图识别装置400还包括参数更新模块501，即将图6中的模型构建模块402拆分成模型构建模块402和参数更新模块501，所述参数更新模块501用于在特定特征词的语义统一性大于设定值，且所述特定特征词的歧义消解的准确率大于特定值时，停止对所述多个意图识别模型进行训练。
[0145]
进一步地，在图7所示的实施方式中，模型确定模块403具体用于对所获取的待处理用户语音文本进行分词，得到各词项；根据各词项，判断问答类别，以确定与所述问答类别相对应的意图识别模型。
[0146]
在又一实施方式中，获取资源分配服务的应用场景下的智能语音机器人与用户之间的历史问答文本，并根据预设规则，从所述历史问答文本中提取候选特征词。
[0147]
具体地，将同一类别的历史问答文本(或者特定数量的类别的历史问答文本)进行分词处理，并计算分词后的各词的tf
‑
idf值。
[0148]
作为一具体实施方式，所述预设规则包括选择所计算的tf
‑
idff值大于设定值的词，作为候选特征词。
[0149]
在另一实施方式中，所述预设规则包括选择所计算的tf
i,j
大于指定词频且所计算的tf
‑
idf值大于设定值的词，作为候选特征词。
[0150]
在又一实施方式中，例如互联网服务包括资源分配服务、资源保障服务和资源筹集服务，根据预设规则从这三个类别的互联网服务的历史问答文本中提取候选特征词。
[0151]
优选地，使用tf
‑
iwf方法，对候选特征词进行提取。
[0152]
具体地，使用如下表达式计算每一个词的tf
‑
iwf值。
[0153][0154]
其中，tf
‑
iwf值是指每一个词逆频率；tf
i,j
是指某一个词t
i
在互联网服务应用场景下智能语音机器人与用户之间的某一个类别的历史问答文本(或某一文件)j中的词频，即其中，n
i,j
(即分子部分)是指某个词t
i
在互联网服务应用场景下智能语音机器人与用户之间的某一个类别的历史问答文本(或某一文件)j中出现的频数；∑
k
n
k,j
(即分母部分)是指同一类别的历史问答文本中(或者特定数量的类别的历史问答文本中)所有词的词频数之和；iwf
i
是指所有类别的历史问答文本中所有词的总数与待处理文本中词t
i
在所有类别的历史问答文本中(或者特定数量的类别的历史问答文本中)出现的次数之比求对数，即之比求对数，即其中，是指词t
i
所有类别的历史问答文本中(或者特定数量的类别的历史问答文本中)出现的总频数，nt
i
是指在待处理文本中词t
i
出现的总频数。
[0155]
具体地，例如，所述预设规则包括选择所计算的tf
‑
iwf值大于设定值的词，作为候选特征词。
[0156]
再例如，所述预设规则包括选择所计算的tf
i,j
大于指定词频且所计算的tf
‑
iwf值
大于设定值的词，作为候选特征词。
[0157]
由此，通过从所述智能语音机器人与用户之间的历史问答文本中，提取候选特征词，能够得到更精确的候选特征词。
[0158]
需要说明的是，在本示例中，所述设定值和所述指定词频均是由业务人员根据历史真实的统计值、平均值等所确定的。但是不限于此，在其他示例中，还可通过其他方式进行确定。
[0159]
进一步地，从所提取的候选特征词中选择与不同互联网服务场景的特定特征词。
[0160]
具体地，计算每一个候选特征词的贡献度，确定候选特征词的权重，以选出特定特征词。
[0161]
对于每个候选特征词的贡献度，通过使用已有的实体库(例如通过人工填充或人工标注的实体词或关键词、行为表征词及包含该实体词或关键词和/或行为表现词的表现行为句，以及具有多种歧义的实体词以及歧义句等)的文本描述转换成词向量和句向量，分别计算每一个候选特征词对实体词或关键词、行为表征词的贡献度，根据所述贡献度确定各候选特征的权重，以选出特定特征词。
[0162]
具体地，所述特定特征词包括违约、逾期、延期、询问、互联网资源归还时间、互联网资源归还方式，以及与互联网资源服务申请、认证、使用或催收相关的特征词。
[0163]
更具体地，所述特征数据库包括从候选特征词中选出的特定特征词、包含特定特征词的文本句以及文本句的句向量，该文本句包括不同语义结构的多个歧义句。
[0164]
在又一实施方式中，如图8所示，所述用户意图识别装置400还包括计算处理模块601，即将图6中的提取处理模块401拆分成提取处理模块401和计算处理模块601，所述计算处理模块601用于计算所述多个歧义句的句向量，以及所述特定特征词对各歧义句的贡献度，并使用该贡献度作为所述特定特征词在各歧义句的权重系数。
[0165]
具体地，对所获取的待处理用户语音文本进行分词处理、向量转换，得到多个词项和待处理句向量；将所述待处理句向量与所述特征数据库中的句向量进行相似度计算，确定与待处理用户语音文本相似的歧义句、各词项中特定特征词的贡献度。
[0166]
进一步地，根据所输出的意图预测值，以及所述待处理用户语音文本的特定特征词的贡献度，确定与所述待处理用户语音文本相对应的回复句，所述意图预测值用于表征用户意图的概率。
[0167]
需要说明的是，在实施例2中，省略了与实施例1相同的部分的说明。
[0168]
与现有技术相比，本发明通过从所述智能语音机器人与用户之间的历史问答文本中，提取候选特征词，能够得到更有效的特征词，并基于所述候选特征词建立用于用户意图识别的特征数据库，能够有效实现歧义消解以及特定特征词的语义统一性；构建优化模型参数的多个意图别模型，能够提高模型精度；根据待处理用户语音文本确定相应的意图识别模型，并使用所确定的意图识别模型，输出所述待处理用户语音文本的意图预测值，能够更精准地识别用户意图，并能够实现更细粒度的用户意图挖掘。
[0169]
进一步地，通过进一步从候选特征词中选择特定特征词，能够更有效确定特定特征词，以用于辅助智能语音机器人识别用户意图；通过将待处理用户语音文本的句向量和/或各词项与特征数据库中特定特征词和/或歧义句进行相同或相似比对，能够更精确地确定相应的意图识别模型；通过使用所确定的意图识别模型，输出所述待处理用户语音文本
的意图预测值，能够更精准地识别用户意图，并能够实现更细粒度的用户意图挖，能够减少意图识别时间，还能够实现快速识别以进一步提升意图识别效率；再通过根据所输出的意图预测值和/或所述贡献度(即所述待处理用户语音文本中特定特征词的贡献度)，确定与所述待处理用户语音文本相对应的回复句，能够有效辅助智能机器人与用户之间的交互，能够进一步有效实现歧义消解以及特定特征词的语义统一性；通过在可视化界面上进行输入、编辑、修改等用户操作，能够更智能化实现特征数据库的构建、意图识别模型的确定选择以及智能语音机器人的增减和其他配置管理。
[0170]
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0171]
实施例3
[0172]
下面描述本发明的计算机设备实施例，该计算机设备可以视为对于上述本发明的方法和系统实施例的具体实体实施方式。对于本发明计算机设备实施例中描述的细节，应视为对于上述方法或系统实施例的补充；对于在本发明计算机设备实施例中未披露的细节，可以参照上述方法或系统实施例来实现。
[0173]
图9是根据本发明的计算机设备的示例性实施例的结构框图。下面参照图9来描述根据本发明该实施例的计算机设备200。图9显示的计算机设备200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0174]
如图9所示，计算机设备200以通用计算设备的形式表现。计算机设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同装置组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
[0175]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述计算机设备的处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图1所示的步骤。
[0176]
所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(rom)2203。
[0177]
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0178]
总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0179]
计算机设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该计算机设备200交互的设备通信，和/或与使得该计算机设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口250进行。并且，计算机设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与计算机设备200的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备200使用其它硬件和/或软件模块，
包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0180]
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是cd
‑
rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机程序产品能够实现本发明的上述方法。
[0181]
图10是根据本发明的计算机程序产品的示例性实施例的结构框图。
[0182]
如图10所示，所述计算机程序可以存储于一个或多个计算机程序产品上。计算机程序产品例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机程序产品的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0183]
所述计算机程序产品可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机程序产品可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。所述计算机程序产品上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0184]
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0185]
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机程序产品上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0186]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者计算机设备固有相关，各
种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。