意图识别方法、装置、计算机设备及存储介质与流程

技术特征：
1.一种意图识别方法，其特征在于，包括下述步骤：获取目标对象的对象信息；对于所述对象信息中的各类对象子信息，将所述对象子信息转化为初始表征向量；对所述各初始表征向量进行拼接，得到第一表征向量；将所述第一表征向量输入经过对比学习训练的表示模型，得到第二表征向量；将所述第二表征向量输入意图识别模型，得到意图识别结果。2.根据权利要求1所述的意图识别方法，其特征在于，所述对于所述对象信息中的各类对象子信息，将所述对象子信息转化为初始表征向量的步骤包括：对于所述对象信息中的各类对象子信息，获取所述对象子信息的信息类型；确定所述信息类型所对应的信息转化方式；按照所述信息转化方式将所述对象子信息转化为初始表征向量。3.根据权利要求1所述的意图识别方法，其特征在于，所述对所述各初始表征向量进行拼接，得到第一表征向量的步骤包括：将所述各初始表征向量输入标准处理网络，得到标准化处理的初始表征向量；将各标准化处理的初始表征向量进行拼接，得到第一表征向量。4.根据权利要求1所述的意图识别方法，其特征在于，所述将所述第一表征向量输入经过对比学习训练的表示模型，得到第二表征向量的步骤包括：将所述第一表征向量输入经过对比学习训练的表示模型，以通过所述表示模型对所述第一表征向量中的各初始表征向量分别进行降维处理，得到各降维初始向量；通过所述表示模型对所述各降维初始向量进行融合处理，得到第二表征向量。5.根据权利要求1所述的意图识别方法，其特征在于，在所述将所述第一表征向量输入经过对比学习训练的表示模型，得到第二表征向量的步骤之前，还包括：获取训练对象信息集，所述训练对象信息集包括多个训练对象的训练对象信息；对于所述训练对象集中每个训练对象的训练对象信息，将所述训练对象信息转化为第一训练向量；将所述第一训练向量输入初始表示模型，得到所述训练对象的第二训练向量和所述第二训练向量的相似向量；对于所述训练对象，将所述相似向量设置为所述第二训练向量的正样本，并将所述训练对象信息集中其他训练对象的第二训练向量以及所述其他训练对象的第二训练向量所对应的相似向量设置为所述第二训练向量的负样本；根据所述第二训练向量、所述正样本和所述负样本对所述初始表示模型进行对比学习训练，得到表示模型。6.根据权利要求5所述的意图识别方法，其特征在于，所述将所述第一训练向量输入初始表示模型，得到所述训练对象的第二训练向量和所述第二训练向量的相似向量的步骤包括：将所述第一训练向量输入初始表示模型，得到所述训练对象的第二训练向量；调整所述初始表示模型中的断开层；将所述第一训练向量输入调整后的初始表示模型，并将所述调整后的初始表示模型输出的向量作为所述第二训练向量的相似向量。
7.根据权利要求5所述的意图识别方法，其特征在于，所述根据所述第二训练向量、所述正样本和所述负样本对所述初始表示模型进行对比学习训练，得到表示模型的步骤包括：分别计算所述第二训练向量与所述正样本以及所述负样本之间的相似度；根据得到的相似度计算模型损失；根据所述模型损失调整所述初始表示模型的模型参数并继续训练，直至所述模型损失收敛，得到表示模型。8.一种意图识别装置，其特征在于，包括：信息获取模块，用于获取目标对象的对象信息；信息转化模块，用于对于所述对象信息中的各类对象子信息，将所述对象子信息转化为初始表征向量；向量拼接模块，用于对所述各初始表征向量进行拼接，得到第一表征向量；向量输入模块，用于将所述第一表征向量输入经过对比学习训练的表示模型，得到第二表征向量；意图识别模块，用于将所述第二表征向量输入意图识别模型，得到意图识别结果。9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的意图识别方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的意图识别方法的步骤。

技术总结
本申请实施例属于人工智能领域，涉及一种意图识别方法、装置、计算机设备及存储介质，方法包括：获取目标对象的对象信息；对于对象信息中的各类对象子信息，将对象子信息转化为初始表征向量；对各初始表征向量进行拼接，得到第一表征向量；将第一表征向量输入经过对比学习训练的表示模型，得到第二表征向量；将第二表征向量输入意图识别模型，得到意图识别结果。此外，本申请还涉及区块链技术，对象信息可存储于区块链中。本申请提高了意图识别的准确性。性。性。


技术研发人员：刘广
受保护的技术使用者：中国平安人寿保险股份有限公司
技术研发日：2022.02.24
技术公布日：2022/5/25