基于半监督学习的意图识别方法、装置、设备及介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于半监督学习的意图识别方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着人工智能的发展，各领域广泛使用ai客服来进行用户服务，而意图识别作为ai客服中的重要模块，往往存在意图识别准确率不高的问题。
3.现有技术中，往往需要大量的人工标注的意图识别数据，来保证意图模型训练的准确率。然而由于人工标注速度的限制，往往没有大量标注数据支持模型快速达到高准确率，使得意图识别准确率不高。


技术实现要素：

4.本发明提供一种基于半监督学习的意图识别方法、装置、设备及存储介质，其主要目的在于解决意图识别准确率较低的问题。
5.为实现上述目的，本发明提供的一种基于半监督学习的意图识别方法，包括：
6.从会话意图语料库中抽取用户的意图文本，对所述意图文本进行实体标注及实体增强处理，得到意图实体集合；
7.对所述意图实体集合中的意图实体进行标签聚类，得到意图类别；
8.利用所述意图类别的意图标签得到标注训练集，利用所述标注训练集训练预构建的神经网络，得到原始意图识别模型；
9.从所述会话意图语料库中抽取未标注训练集，并利用所述未标注训练集及所述标注训练集对所述原始意图识别模型进行迭代训练，得到半监督训练模型；
10.利用交叉验证法对所述半监督训练模型进行交叉训练，得到标准意图识别模型，并利用所述标准意图识别模型输出待识别文本的意图识别结果。
11.可选地，所述对所述意图文本进行实体标注及实体增强处理，得到意图实体集合，包括：
12.利用预设的序列标注方法对所述意图文本进行实体标注处理；
13.利用预设的实体识别模型中的实体识别层对实体标注结果所包含的多个实体进行实体预测，得到所述多个实体的类型预测分数；
14.根据所述类型预测分数和预设的实体限制规则对所述多个实体进行实体筛选，并对筛选过后的实体进行实体加强处理，汇总所有实体加强后的实体得到所述意图实体集合。
15.可选地，所述对所述意图实体集合中的意图实体进行标签聚类，得到意图类别，包括：
16.利用预设的自然语言模型对所述意图实体集合中的实体进行向量映射，得到意图向量集合；
17.从所述意图向量集合中随机选取预设个数的样本作为聚类中心；
18.依次计算所述意图向量集合中每个样本到所述聚类中心的距离，并将所述每个样本分到距离最小的聚类中心对应的类别中，得到多个类别簇；
19.重新计算每个类别簇的聚类中心，并返回依次计算所述意图向量集合中每个样本到所述聚类中心的距离，直至所述多个类别簇的聚类中心收敛，确定收敛的类别簇作为所述意图类别。
20.可选地，所述计算每个类别簇的聚类中心，包括：
21.通过下述聚类公式计算每个类别簇的聚类中心：
[0022][0023]
其中，e
i
为第i个聚类中心，c
i
为第i个类别簇，x为类别簇中的样本。
[0024]
可选地，所述利用所述标注训练集训练预构建的神经网络，得到原始意图识别模型，包括：
[0025]
利用所述神经网络对所述标注训练集中的文本进行意图预测，得到预测结果；
[0026]
根据所述预测结果和所述标准训练集中的意图标签计算预测准确率，当所述预测准确率大于等于预设的第一准确阈值时，得到所述原始意图识别模型。
[0027]
可选地，所述利用所述未标注训练集及所述标注训练集对所述原始意图识别模型进行迭代训练，得到半监督训练模型，包括：
[0028]
利用所述原始意图识别模型输出所述未标注训练集中各语料的预测标签及预测标签对应的预测概率；
[0029]
选取所述预测概率大于等于预设的第一预测阈值的预测标签及预测标签对应的语料作为补充标注训练数据添加至所述标注训练集；
[0030]
利用所述原始意图识别模型重新预测补充后的标注训练集中各语料的意图标签，并计算准确率，在所述准确率未收敛时，返回所述从所述会话意图语料库中抽取未标注训练集的步骤，直至所述准确率收敛时，停止迭代，得到所述半监督训练模型。
[0031]
可选地，所述利用交叉验证法对所述半监督训练模型进行交叉训练，得到标准意图识别模型，包括：
[0032]
将所有的标注训练集划分为预设个数的标签训练集；
[0033]
随机选取一个标签训练集作为验证集，利用未被选取到的标签训练集训练所述半监督训练模型，并计算所述半监督训练模型的准确率，在所述准确率大于等于预设的第二准确阈值时，得到识别模型；
[0034]
利用所述识别模型对所述验证集进行标签预测，得到所述验证集中预测概率小于等于预设的第二预测阈值的预测标签；
[0035]
返回所述随机选取一个标签训练集作为验证集的步骤，直至所有的标签训练集均被选取为验证集，对所有验证集中预测概率小于等于所述第二预测阈值的预测标签及预测标签对应的语料进行调整，利用调整后的标注训练集训练所述半监督训练模型，得到所述标准意图识别模型。
[0036]
为了解决上述问题，本发明还提供一种基于半监督学习的意图识别装置，所述装
置包括：
[0037]
意图实体抽取模块，用于从会话意图语料库中抽取用户的意图文本，对所述意图文本进行实体标注及实体增强处理，得到意图实体集合；
[0038]
标签聚类模块，用于对所述意图实体集合中的意图实体进行标签聚类，得到意图类别；
[0039]
原始模型训练模块，用于利用所述意图类别的意图标签得到标注训练集，利用所述标注训练集训练预构建的神经网络，得到原始意图识别模型；
[0040]
迭代训练模块，用于从所述会话意图语料库中抽取未标注训练集，并利用所述未标注训练集及所述标注训练集对所述原始意图识别模型进行迭代训练，得到半监督训练模型；
[0041]
意图识别模块，用于利用交叉验证法对所述半监督训练模型进行交叉训练，得到标准意图识别模型，并利用所述标准意图识别模型输出待识别文本的意图识别结果。
[0042]
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
[0043]
存储器，存储至少一个计算机程序；及
[0044]
处理器，执行所述存储器中存储的计算机程序以实现上述所述的基于半监督学习的意图识别方法。
[0045]
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于半监督学习的意图识别方法。
[0046]
本发明通过对意图文本进行实体标注及实体增强处理，可以更加聚焦意图文本中的有用信息，提高了模型训练的准确性。通过聚类后意图类别的意图标签来进行标注，大大降低了训练数据标注的难度，同时利用未标注训练集及标注训练集对原始意图识别模型进行迭代训练，提高了模型训练的精度。并且通过交叉验证法可以不断调整模型训练中产生的低概率语料，并利用调整后的语料进行交叉训练，进一步提高了模型识别的准确率。因此本发明提出的基于半监督学习的意图识别方法、装置、电子设备及计算机可读存储介质，可以解决意图识别准确率较低的问题。
附图说明
[0047]
图1为本发明一实施例提供的基于半监督学习的意图识别方法的流程示意图；
[0048]
图2为本发明一实施例提供的基于半监督学习的意图识别装置的功能模块图；
[0049]
图3为本发明一实施例提供的实现所述基于半监督学习的意图识别方法的电子设备的结构示意图。
[0050]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0051]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0052]
本技术实施例提供一种基于半监督学习的意图识别方法。所述基于半监督学习的意图识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于半监督学习的意图识别方法可以
由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0053]
参照图1所示，为本发明一实施例提供的基于半监督学习的意图识别方法的流程示意图。在本实施例中，所述基于半监督学习的意图识别方法包括：
[0054]
s1、从会话意图语料库中抽取用户的意图文本，对所述意图文本进行实体标注及实体增强处理，得到意图实体集合；
[0055]
本发明实施例中，所述会话意图语料库记载了在不同环节中，基于用户和坐席人员的录音转化的对话文本。例如，在还款意愿环节中，录音1a包括坐席的文本内容：“您本期贷款8888元，目前逾期1天，请问您什么时候能还？”，用户的文本内容：“哦，我好像忘记了
…”
。由于会话意图语料库中已经包括坐席和用户两种角色的文本语料，所以可以直接抽取用户的意图文本语料。
[0056]
本发明其中一个实施例中，所述会话意图语料库可以在任何一个区块链节点中。进一步地，所述意图文本可以是数字医疗领域中的意图文本。
[0057]
具体地，所述对所述意图文本进行实体标注及实体增强处理，得到意图实体集合，包括：
[0058]
利用预设的序列标注方法对所述意图文本进行实体标注处理；
[0059]
利用预设的实体识别模型中的实体识别层对实体标注结果所包含的多个实体进行实体预测，得到所述多个实体的类型预测分数；
[0060]
根据所述类型预测分数和预设的实体限制规则对所述多个实体进行实体筛选，并对筛选过后的实体进行实体加强处理，汇总所有实体加强后的实体得到所述意图实体集合。
[0061]
本发明实施例中，由于用户的意图语料文本内容较长且可用信息不确定，会影响模型训练，通过实体标注及实体加强，可以更加聚焦更有效的用户文本。所述预设的序列标注方法可以为bio序列标注模式，对所述用户行为数据中的实体进行实体标注，将实体提及的字标注为b或i，非实体标注为o。
[0062]
可选地，所述预设的实体识别模型包括bi
‑
lstm(实体识别)层及crf(实体筛选)层。所述bi
‑
lstm(实体识别)层用于对输入的意图文本进行实体识别，并输出各实体的类型预测分数，即不同标注类型的预测分数。所述crf(实体筛选)层通过预设的规则对所述预测分数对应的实体进行筛选，使得最后识别出来的实体准确度更高。所述预设的实体限制规则可以为：句子中第一个词总是以标签“b
‑“
或“o
‑”
开始，而不是“i
‑”
等约束。
[0063]
本发明一可选实施例中，可以使用预设的自然语言处理库进行实体加强处理，所述预设的自然语言处理库可以为hanlp自然语言处理库，利用hanlp自然语言处理库中的依存句法解析工具，分析当前实体的前缀，来对当前实体进行实体加强，比如，当前实体为“库克”，前缀为“苹果公司ceo”，则加强实体为“苹果公司ceo库克”。
[0064]
本发明实施例中，通过实体标注及实体增强处理，可以提高模型训练的精度。
[0065]
s2、对所述意图实体集合中的意图实体进行标签聚类，得到意图类别；
[0066]
本发明实施例中，由于用户的意图文本为无监督语料(即未经标注的语料)，然而在模型训练中，由于无监督语料往往数量庞大，如果数量太多，会加入噪音反而影响模型准确率，如果数量太少，可能无法达到半监督训练效果。
[0067]
具体地，所述对所述意图实体集合中的意图实体进行标签聚类，得到意图类别，包括：
[0068]
利用预设的自然语言模型对所述意图实体集合中的实体进行向量映射，得到意图向量集合；
[0069]
从所述意图向量集合中随机选取预设个数的样本作为聚类中心；
[0070]
依次计算所述意图向量集合中每个样本到所述聚类中心的距离，并将所述每个样本分到距离最小的聚类中心对应的类别中，得到多个类别簇；
[0071]
重新计算每个类别簇的聚类中心，并返回依次计算所述意图向量集合中每个样本到所述聚类中心的距离，直至所述多个类别簇的聚类中心收敛，确定收敛的类别簇作为所述意图类别。
[0072]
本发明实施例中，例如，将意图实体集合中的实体，利用bert模型将每个句子映射成768维的embedding向量。所述距离可以为欧氏距离、曼哈顿距离及切比雪夫距离等。同时，将实体进行向量映射后，会在映射后的向量坐标系中选取预设个数(比如10个)的较远的意图向量作为聚类中心。
[0073]
例如，意图类别1中的用户意图语句包括：“我还了”、“我已经还了”、“不是还了吗”等，意图类别2中的用户意图语句包括：“再等等吧”、“等一下吧”等。
[0074]
本发明一可选实施例中，所述计算每个类别簇的聚类中心，包括：
[0075]
通过下述聚类公式计算每个类别簇的聚类中心：
[0076][0077]
其中，e
i
为第i个聚类中心，c
i
为第i个类别簇，x为类别簇中的样本。
[0078]
s3、利用所述意图类别的意图标签得到标注训练集，利用所述标注训练集训练预构建的神经网络，得到原始意图识别模型；
[0079]
本发明实施例中，所述意图类别的意图标签可以由业务人员根据各个意图类别中的用户意图语句进行人工定义，比如，还款意愿环节，意图类别1中的用户意图语句包括：“我还了”、“我已经还了”、“不是还了吗”等，则意图标签定义为“客称已还”，意图类别2中的用户意图语句包括：“再等等吧”、“等一下吧”等，则意图标签定义为“稍后存入”。
[0080]
本发明一可选实施例中，通过聚类之后的意图类别，业务人员只需在每个类别中抽取几个句子即可完成标签定义，大大节约了标签定义的时间。同时，可以根据定义的意图标签直接对会话意图语料库中的用户文本进行标注，得到标注训练集，从而降低了数据标注的复杂性。
[0081]
详细地，所述利用所述标注训练集训练预构建的神经网络，得到原始意图识别模型，包括：
[0082]
利用所述神经网络对所述标注训练集中的文本进行意图预测，得到预测结果；
[0083]
根据所述预测结果和所述标准训练集中的意图标签计算预测准确率，当所述预测
准确率大于等于预设的第一准确阈值时，得到所述原始意图识别模型。
[0084]
本发明实施例中，所述预测准确率通过下述公式计算，包括：
[0085][0086]
其中，accuracy为所述准确率，t为预测正确的样本数，t为所述标注训练集中总的样本数。
[0087]
本发明实施例中，所述预构建的神经网络可以为cnn,lstm,rcnn,c
‑
lstm,fasttext等深度神经网络。通过标注后的有监督语料进行训练，可以提高模型训练的准确率。
[0088]
s4、从所述会话意图语料库中抽取未标注训练集，并利用所述未标注训练集及所述标注训练集对所述原始意图识别模型进行迭代训练，得到半监督训练模型。
[0089]
本发明实施例中，所述半监督训练是指结合监督语料(有人工标注的语料)和无监督语料(无人工标注语料)进行模型训练的方法。同时，可以从会话意图语料库抽取预设数量的未标注用户语料作为未标注训练集，所述未标注训练集中的数据数量大于等于所述标注训练集中的数据数量。
[0090]
具体地，所述利用所述未标注训练集及所述标注训练集对所述原始意图识别模型进行迭代训练，得到半监督训练模型，包括：
[0091]
利用所述原始意图识别模型输出所述未标注训练集中各语料的预测标签及预测标签对应的预测概率；
[0092]
选取所述预测概率大于等于预设的第一预测阈值的预测标签及预测标签对应的语料作为补充标注训练数据添加至所述标注训练集；
[0093]
利用所述原始意图识别模型重新预测补充后的标注训练集中各语料的意图标签，并计算准确率，在所述准确率未收敛时，返回所述从所述会话意图语料库中抽取未标注训练集的步骤，直至所述准确率收敛时，停止迭代，得到所述半监督训练模型。
[0094]
本发明一可选实施例中，通过半监督迭代的训练方法只需少量已标注数据便可以快速得到大量有标签数据，提高了模型训练的精度。
[0095]
s5、利用交叉验证法对所述半监督训练模型进行交叉训练，得到标准意图识别模型，并利用所述标准意图识别模型输出待识别文本的意图识别结果。
[0096]
本发明实施例中，虽然通过半监督迭代的方法得到半监督训练模型和大量有标注(即有标签)的语料，但由于模型标注的语料中会存在概率较低的标签或标注错误的语料，因此通过交叉验证法调整标注训练集，可以进一步提高模型训练的精度。
[0097]
具体地，所述利用交叉验证法对所述半监督训练模型进行交叉训练，得到标准意图识别模型，包括：
[0098]
将所有的标注训练集划分为预设个数的标签训练集；
[0099]
随机选取一个标签训练集作为验证集，利用未被选取到的标签训练集训练所述半监督训练模型，并计算所述半监督训练模型的准确率，在所述准确率大于等于预设的第二准确阈值时，得到识别模型；
[0100]
利用所述识别模型对所述验证集进行标签预测，得到所述验证集中预测概率小于等于预设的第二预测阈值的预测标签；
[0101]
返回所述随机选取一个标签训练集作为验证集的步骤，直至所有的标签训练集均被选取为验证集，对所有验证集中预测概率小于等于所述第二预测阈值的预测标签及预测标签对应的语料进行调整，利用调整后的标注训练集训练所述半监督训练模型，得到所述标准意图识别模型。
[0102]
本发明实施例中，可以使用5折交叉验证法进行交叉训练，即将所有的标注训练集划分为5个的标签训练集，每次选取1个作为验证集，利用其它未被选取的标签训练集训练所述半监督训练模型，并利用训练得到的识别模型对验证集进行标签预测，对预测概率较低的标签可以直接删除或人工矫正，通过5折交叉验证可以快速找出标注不准确的语料并进行调整，利用所有调整完成的语料重新训练半监督训练模型，可以进一步提高意图识别模型识别的准确率。
[0103]
本发明一可选实施例中，例如在还款环节，输入用户a的意图文本“哦，我忘了，过一会就还
…”
可以直接输出用户的意图标签为：“稍后存入”。
[0104]
本发明通过对意图文本进行实体标注及实体增强处理，可以更加聚焦意图文本中的有用信息，提高了模型训练的准确性。通过聚类后意图类别的意图标签来进行标注，大大降低了训练数据标注的难度，同时利用未标注训练集及标注训练集对原始意图识别模型进行迭代训练，提高了模型训练的精度。并且通过交叉验证法可以不断调整模型训练中产生的低概率语料，并利用调整后的语料进行交叉训练，进一步提高了模型识别的准确率。因此本发明提出的基于半监督学习的意图识别方法，可以解决意图识别准确率较低的问题。
[0105]
如图2所示，是本发明一实施例提供的基于半监督学习的意图识别装置的功能模块图。
[0106]
本发明所述基于半监督学习的意图识别装置100可以安装于电子设备中。根据实现的功能，所述基于半监督学习的意图识别装置100可以包括意图实体抽取模块101、标签聚类模块102、原始模型训练模块103、迭代训练模块104及意图识别模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0107]
在本实施例中，关于各模块/单元的功能如下：
[0108]
所述意图实体抽取模块101，用于从会话意图语料库中抽取用户的意图文本，对所述意图文本进行实体标注及实体增强处理，得到意图实体集合；
[0109]
所述标签聚类模块102，用于对所述意图实体集合中的意图实体进行标签聚类，得到意图类别；
[0110]
所述原始模型训练模块103，用于利用所述意图类别的意图标签得到标注训练集，利用所述标注训练集训练预构建的神经网络，得到原始意图识别模型；
[0111]
所述迭代训练模块104，用于从所述会话意图语料库中抽取未标注训练集，并利用所述未标注训练集及所述标注训练集对所述原始意图识别模型进行迭代训练，得到半监督训练模型；
[0112]
所述意图识别模块105，用于利用交叉验证法对所述半监督训练模型进行交叉训练，得到标准意图识别模型，并利用所述标准意图识别模型输出待识别文本的意图识别结果。
[0113]
详细地，所述基于半监督学习的意图识别装置100各模块的具体实施方式如下：
[0114]
步骤一、从会话意图语料库中抽取用户的意图文本，对所述意图文本进行实体标注及实体增强处理，得到意图实体集合；
[0115]
本发明实施例中，所述会话意图语料库记载了在不同环节中，基于用户和坐席人员的录音转化的对话文本。例如，在还款意愿环节中，录音1a包括坐席的文本内容：“您本期贷款8888元，目前逾期1天，请问您什么时候能还？”，用户的文本内容：“哦，我好像忘记了
…”
。由于会话意图语料库中已经包括坐席和用户两种角色的文本语料，所以可以直接抽取用户的意图文本语料。
[0116]
具体地，所述对所述意图文本进行实体标注及实体增强处理，得到意图实体集合，包括：
[0117]
利用预设的序列标注方法对所述意图文本进行实体标注处理；
[0118]
利用预设的实体识别模型中的实体识别层对实体标注结果所包含的多个实体进行实体预测，得到所述多个实体的类型预测分数；
[0119]
根据所述类型预测分数和预设的实体限制规则对所述多个实体进行实体筛选，并对筛选过后的实体进行实体加强处理，汇总所有实体加强后的实体得到所述意图实体集合。
[0120]
本发明实施例中，由于用户的意图语料文本内容较长且可用信息不确定，会影响模型训练，通过实体标注及实体加强，可以更加聚焦更有效的用户文本。所述预设的序列标注方法可以为bio序列标注模式，对所述用户行为数据中的实体进行实体标注，将实体提及的字标注为b或i，非实体标注为o。
[0121]
可选地，所述预设的实体识别模型包括bi
‑
lstm(实体识别)层及crf(实体筛选)层。所述bi
‑
lstm(实体识别)层用于对输入的意图文本进行实体识别，并输出各实体的类型预测分数，即不同标注类型的预测分数。所述crf(实体筛选)层通过预设的规则对所述预测分数对应的实体进行筛选，使得最后识别出来的实体准确度更高。所述预设的实体限制规则可以为：句子中第一个词总是以标签“b
‑“
或“o
‑”
开始，而不是“i
‑”
等约束。
[0122]
本发明一可选实施例中，可以使用预设的自然语言处理库进行实体加强处理，所述预设的自然语言处理库可以为hanlp自然语言处理库，利用hanlp自然语言处理库中的依存句法解析工具，分析当前实体的前缀，来对当前实体进行实体加强，比如，当前实体为“库克”，前缀为“苹果公司ceo”，则加强实体为“苹果公司ceo库克”。
[0123]
本发明实施例中，通过实体标注及实体增强处理，可以提高模型训练的精度。
[0124]
步骤二、对所述意图实体集合中的意图实体进行标签聚类，得到意图类别；
[0125]
本发明实施例中，由于用户的意图文本为无监督语料(即未经标注的语料)，然而在模型训练中，由于无监督语料往往数量庞大，如果数量太多，会加入噪音反而影响模型准确率，如果数量太少，可能无法达到半监督训练效果。
[0126]
具体地，所述对所述意图实体集合进行标签聚类，得到意图类别，包括：
[0127]
利用预设的自然语言模型对所述意图实体集合中的实体进行向量映射，得到意图向量集合；
[0128]
从所述意图向量集合中随机选取预设个数的样本作为聚类中心；
[0129]
依次计算所述意图向量集合中每个样本到所述聚类中心的距离，并将所述每个样本分到距离最小的聚类中心对应的类别中，得到多个类别簇；
[0130]
重新计算每个类别簇的聚类中心，并返回依次计算所述意图向量集合中每个样本到所述聚类中心的距离，直至所述多个类别簇的聚类中心收敛，确定收敛的类别簇作为所述意图类别。
[0131]
本发明实施例中，例如，将意图实体集合中的实体，利用bert模型将每个句子映射成768维的embedding向量。所述距离可以为欧氏距离、曼哈顿距离及切比雪夫距离等。同时，将实体进行向量映射后，会在映射后的向量坐标系中选取预设个数(比如10个)的较远的意图向量作为聚类中心。
[0132]
例如，意图类别1中的用户意图语句包括：“我还了”、“我已经还了”、“不是还了吗”等，意图类别2中的用户意图语句包括：“再等等吧”、“等一下吧”等。
[0133]
本发明一可选实施例中，所述计算每个类别簇的聚类中心，包括：
[0134]
通过下述聚类公式计算每个类别簇的聚类中心：
[0135][0136]
其中，e
i
为第i个聚类中心，c
i
为第i个类别簇，x为类别簇中的样本。
[0137]
步骤三、利用所述意图类别的意图标签得到标注训练集，利用所述标注训练集训练预构建的神经网络，得到原始意图识别模型；
[0138]
本发明实施例中，所述意图类别的意图标签可以由业务人员根据各个意图类别中的用户意图语句进行人工定义，比如，还款意愿环节，意图类别1中的用户意图语句包括：“我还了”、“我已经还了”、“不是还了吗”等，则意图标签定义为“客称已还”，意图类别2中的用户意图语句包括：“再等等吧”、“等一下吧”等，则意图标签定义为“稍后存入”。
[0139]
本发明一可选实施例中，通过聚类之后的意图类别，业务人员只需在每个类别中抽取几个句子即可完成标签定义，大大节约了标签定义的时间。同时，可以根据定义的意图标签直接对会话意图语料库中的用户文本进行标注，得到标注训练集，从而降低了数据标注的复杂性。
[0140]
详细地，所述利用所述标注训练集训练预构建的神经网络，得到原始意图识别模型，包括：
[0141]
利用所述神经网络对所述标注训练集中的文本进行意图预测，得到预测结果；
[0142]
根据所述预测结果和所述标准训练集中的意图标签计算预测准确率，当所述预测准确率大于等于预设的第一准确阈值时，得到所述原始意图识别模型。
[0143]
本发明实施例中，所述预测准确率通过下述公式计算，包括：
[0144][0145]
其中，accuracy为所述准确率，t为预测正确的样本数，t为所述标注训练集中总的样本数。
[0146]
本发明实施例中，所述预构建的神经网络可以为cnn,lstm,rcnn,c
‑
lstm,fasttext等深度神经网络。通过标注后的有监督语料进行训练，可以提高模型训练的准确率。
[0147]
步骤四、从所述会话意图语料库中抽取未标注训练集，并利用所述未标注训练集
及所述标注训练集对所述原始意图识别模型进行迭代训练，得到半监督训练模型。
[0148]
本发明实施例中，所述半监督训练是指结合监督语料(有人工标注的语料)和无监督语料(无人工标注语料)进行模型训练的方法。同时，可以从会话意图语料库抽取预设数量的未标注用户语料作为未标注训练集，所述未标注训练集中的数据数量大于等于所述标注训练集中的数据数量。
[0149]
具体地，所述利用所述未标注训练集及所述标注训练集对所述原始意图识别模型进行迭代训练，得到半监督训练模型，包括：
[0150]
利用所述原始意图识别模型输出所述未标注训练集中各语料的预测标签及预测标签对应的预测概率；
[0151]
选取所述预测概率大于等于预设的第一预测阈值的预测标签及预测标签对应的语料作为补充标注训练数据添加至所述标注训练集；
[0152]
利用所述原始意图识别模型重新预测补充后的标注训练集中各语料的意图标签，并计算准确率，在所述准确率未收敛时，返回所述从所述会话意图语料库中抽取未标注训练集的步骤，直至所述准确率收敛时，停止迭代，得到所述半监督训练模型。
[0153]
本发明一可选实施例中，通过半监督迭代的训练方法只需少量已标注数据便可以快速得到大量有标签数据，提高了模型训练的精度。
[0154]
步骤五、利用交叉验证法对所述半监督训练模型进行交叉训练，得到标准意图识别模型，并利用所述标准意图识别模型输出待识别文本的意图识别结果。
[0155]
本发明实施例中，虽然通过半监督迭代的方法得到半监督训练模型和大量有标注(即有标签)的语料，但由于模型标注的语料中会存在概率较低的标签或标注错误的语料，因此通过交叉验证法调整标注训练集，可以进一步提高模型训练的精度。
[0156]
具体地，所述利用交叉验证法对所述半监督训练模型进行交叉训练，得到标准意图识别模型，包括：
[0157]
将所有的标注训练集划分为预设个数的标签训练集；
[0158]
随机选取一个标签训练集作为验证集，利用未被选取到的标签训练集训练所述半监督训练模型，并计算所述半监督训练模型的准确率，在所述准确率大于等于预设的第二准确阈值时，得到识别模型；
[0159]
利用所述识别模型对所述验证集进行标签预测，得到所述验证集中预测概率小于等于预设的第二预测阈值的预测标签；
[0160]
返回所述随机选取一个标签训练集作为验证集的步骤，直至所有的标签训练集均被选取为验证集，对所有验证集中预测概率小于等于所述第二预测阈值的预测标签及预测标签对应的语料进行调整，利用调整后的标注训练集训练所述半监督训练模型，得到所述标准意图识别模型。
[0161]
本发明实施例中，可以使用5折交叉验证法进行交叉训练，即将所有的标注训练集划分为5个的标签训练集，每次选取1个作为验证集，利用其它未被选取的标签训练集训练所述半监督训练模型，并利用训练得到的识别模型对验证集进行标签预测，对预测概率较低的标签可以直接删除或人工矫正，通过5折交叉验证可以快速找出标注不准确的语料并进行调整，利用所有调整完成的语料重新训练半监督训练模型，可以进一步提高意图识别模型识别的准确率。
[0162]
本发明一可选实施例中，例如在还款环节，输入用户a的意图文本“哦，我忘了，过一会就还
…”
可以直接输出用户的意图标签为：“稍后存入”。
[0163]
本发明通过对意图文本进行实体标注及实体增强处理，可以更加聚焦意图文本中的有用信息，提高了模型训练的准确性。通过聚类后意图类别的意图标签来进行标注，大大降低了训练数据标注的难度，同时利用未标注训练集及标注训练集对原始意图识别模型进行迭代训练，提高了模型训练的精度。并且通过交叉验证法可以不断调整模型训练中产生的低概率语料，并利用调整后的语料进行交叉训练，进一步提高了模型识别的准确率。因此本发明提出的基于半监督学习的意图识别装置，可以解决意图识别准确率较低的问题。
[0164]
如图3所示，是本发明一实施例提供的实现基于半监督学习的意图识别方法的电子设备的结构示意图。
[0165]
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于半监督学习的意图识别程序。
[0166]
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smartmedia card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于半监督学习的意图识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0167]
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于半监督学习的意图识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0168]
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi
‑
fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0169]
所述总线13可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称
eisa)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0170]
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0171]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi
‑
fi模块等，在此不再赘述。
[0172]
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi
‑
fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
[0173]
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0174]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0175]
所述电子设备中的所述存储器11存储的基于半监督学习的意图识别程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0176]
从会话意图语料库中抽取用户的意图文本，对所述意图文本进行实体标注及实体增强处理，得到意图实体集合；
[0177]
对所述意图实体集合中的意图实体进行标签聚类，得到意图类别；
[0178]
利用所述意图类别的意图标签得到标注训练集，利用所述标注训练集训练预构建的神经网络，得到原始意图识别模型；
[0179]
从所述会话意图语料库中抽取未标注训练集，并利用所述未标注训练集及所述标注训练集对所述原始意图识别模型进行迭代训练，得到半监督训练模型；
[0180]
利用交叉验证法对所述半监督训练模型进行交叉训练，得到标准意图识别模型，并利用所述标准意图识别模型输出待识别文本的意图识别结果。
[0181]
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0182]
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)。
[0183]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0184]
从会话意图语料库中抽取用户的意图文本，对所述意图文本进行实体标注及实体增强处理，得到意图实体集合；
[0185]
对所述意图实体集合中的意图实体进行标签聚类，得到意图类别；
[0186]
利用所述意图类别的意图标签得到标注训练集，利用所述标注训练集训练预构建的神经网络，得到原始意图识别模型；
[0187]
从所述会话意图语料库中抽取未标注训练集，并利用所述未标注训练集及所述标注训练集对所述原始意图识别模型进行迭代训练，得到半监督训练模型；
[0188]
利用交叉验证法对所述半监督训练模型进行交叉训练，得到标准意图识别模型，并利用所述标准意图识别模型输出待识别文本的意图识别结果。
[0189]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0190]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0191]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0192]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0193]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0194]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0195]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0196]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品
服务层以及应用服务层等。
[0197]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
[0198]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。