意图转译方法及电子设备

1.本技术涉及网络通信与机器学习技术领域，尤其涉及一种意图转译方法及电子设备。


背景技术：

2.基于意图的网络(ibn,intent-based networking)是一种新兴的网络范式，无需网络管理员敢于，能够简化网络管理。ibn的工作流程主要涉及到意图转译、策略验证、策略下发与执行以及实时反馈等。现有的意图转译方法中，主要是通过基于规则或基于词典进行关键字的抽取来识别用户意图，没有做到语义层面的理解，用户需使用特定模板表达意图，意图表达受到限制。


技术实现要素：

3.有鉴于此，本技术的目的在于提出一种意图转译方法及电子设备。
4.基于上述目的，本技术提供了一种意图转译方法，包括：
5.获取用户的意图表达作为待测文本；
6.使用预先构建的联合模型对所述待测文本进行业务类型识别及槽填充处理，得到所述待测文本的目标业务类型及槽填充结果；
7.根据所述槽填充结果确定路由目标地址；
8.基于所述目标业务类型所对应的服务质量性能配置要求通过预先构建的路由决策模型计算得到网络链路权重；
9.基于所述网络链路权重，计算得到路由源地址与所述路由目标地址之间的最短路径，并将其作为所述待测文本的意图转译结果。
10.进一步的，所述联合模型包括lda模型及bert模型；
11.所述使用预先构建的联合模型对所述待测文本进行业务类型识别及槽填充处理，得到所述待测文本的目标业务类型及槽填充结果，包括：
12.通过所述lda模型对所述待测文本进行特征扩展，得到扩展文本；
13.将所述扩展文本转化为向量，得到特征扩展向量；
14.通过所述bert模型对所述待测文本进行语义提取，得到全文信息向量；
15.将所述全文信息向量及所述特征扩展向量进行拼接，对拼接后的向量进行softmax分类处理，得到业务类型分布概率及所述槽填充结果；
16.将所述业务类型分布概率中的最大概率值对应的业务类型作为所述目标业务类型。
17.进一步的，所述通过所述bert模型对所述待测文本进行语义提取，得到全文信息向量，包括：
18.在所述待测文本的首部加上第一标签，在所述待测文本每一个句子的尾部加上第二标签，得到文本序列；
19.基于所述文本序列生成每个元素对应的原始词向量、位置向量及分割向量；
20.将所述文本序列每个元素对应的所述原始词向量、所述位置向量和所述分割向量求和，求和后的向量经transformer层处理，输出所述第一标签的目标向量、所述第二标签的目标向量及所述待测文本的目标向量，将所述第一标签的目标向量、所述第二标签的目标向量及所述待测文本的目标向量作为所述全文信息向量。
21.进一步的，所述softmax分类处理包括：
22.基于所述第一标签的目标向量计算所述待测文本被预测为每一个业务类型的概率，得到业务类型分布概率；
23.基于所述第二标签的目标向量、所述待测文本的目标向量及所述特征扩展向量对所述待测文本及所述扩展文本进行槽填充标注，得到槽填充结果。
24.进一步的，在所述对拼接后的向量进行softmax分类处理，得到业务类型分布概率及所述槽填充结果之前，将拼接后的向量输入全连接层进行处理，将所述全连接层的输出作为所述softmax分类处理的输入。
25.进一步的，所述lda模型为利用训练文本进行预训练后的模型，所述预训练过程为：
26.对所述训练文本中的每个词随机分配一个所述业务类型；
27.遍历所述训练文本，采用吉布斯采样方法对全部所述业务类型进行采样，并更新每个词对应的所述业务类型，直至采样结果收敛为止，得到所述lda模型。
28.进一步的，利用迪杰斯特拉算法计算所述路由源地址与所述路由目标地址之间的最短路径。
29.进一步的，在所述使用预先构建的联合模型对所述待测文本进行业务类型识别及槽填充处理之前，对所述待测文本进行预处理，所述预处理包括下列中至少一个：
30.对所述待测文本进行分词；
31.去除所述待测文本中的标点符号；
32.过滤所述待测文本中的停用词；
33.将所述待测文本中的大小写统一化；
34.对所述待测文本中的繁简字体统一化。
35.进一步的，所述路由决策模型根据ddpg算法构建。
36.基于同一发明构思，本技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现一种意图转译方法。
37.从上面所述可以看出，本技术提供的一种意图转译方法及电子设备，具有以下有益效果：实现对用户使用自然语言表达的意图的转译，不需要用户使用特定的模板表达意图，用户意图的表达形式不受限制，更为智能化；同时利用联合模型即可同时得到目标业务类型及槽填充结果，简化了处理过程，提高了效率。
附图说明
38.为了更清楚地说明本技术或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的
实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
39.图1为本技术实施例的意图转译方法示意图；
40.图2为本技术实施例的bert模型对待测文本进行语义提取的示意图1；
41.图3为本技术实施例的bert模型对待测文本进行语义提取的示意图2；
42.图4为本技术实施例的意图转译装置示意图；
43.图5为本技术实施例的电子设备示意图。
具体实施方式
44.为使本技术的目的、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，对本技术进一步详细说明。
45.需要说明的是，除非另外定义，本技术实施例使用的技术术语或者科学术语应当为本技术所属领域内具有一般技能的人士所理解的通常意义。本技术实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
46.随着互联网的快速发展，数字转型时代已经到来，新兴的网络范式ibn应运而生。ibn是一种自治网络，可以预测变化并自行适应用户行为，将用户需求抽象为意图，无需网络管理员干预，即不用人为描述实现意图的网络策略，进而简化网络管理，降低运营成本。ibn的工作流程主要涉及到意图转译、策略验证、策略下发与执行以及实时反馈等，其中意图转译是ibn工作中尤为重要的一步。意图转译是指在网络实际运行时，根据用户的意图以及当前网络状态将用户意图转化为相应的网络配置策略的过程。现有的意图转译方法，主要是通过基于规则或基于词典进行关键字的抽取来识别用户意图，没有做到语义层面的理解，无法对自然语言表达的用户意图进行转译，用户需使用特定模板表达意图，表达受到限制。
47.基于上述情况，本技术提供了一种意图转译方法，如图1所示，实现对用户使用自然语言表达的意图进行转译，包括：
48.s101：获取用户的意图表达作为待测文本；
49.s102：使用预先构建的联合模型对所述待测文本进行业务类型识别及槽填充处理，得到所述待测文本的目标业务类型及槽填充结果；
50.s103：根据所述槽填充结果确定路由目标地址；
51.s104：基于所述目标业务类型所对应的服务质量性能配置要求通过预先构建的路由决策模型计算得到网络链路权重；
52.s105：基于所述网络链路权重，计算得到路由源地址与所述路由目标地址之间的最短路径，并将其作为所述待测文本的意图转译结果。
53.意图转译的目的是在于根据意图中的内容以及当前网络状态将用户意图转化为
相应的网络配置策略。在本技术中，将路由目标地址的获取过程转化为一个槽填充处理过程，通过联合模型同时获得用户意图的目标业务类型和路由目标地址，根据所述目标业务类型所对应的服务质量性能配置要求计算得到网络链路权重，然后再根据网络链路权重计算得到最短路径，最短路径即为最终的网络配置策略，实现了对用户使用自然语言表达的意图的转译，不需要用户使用特定模板表达，表达形式不受限制，更为智能化，支持多种业务类型的识别，如视频业务、音频业务、邮件业务等，应用范围广。同时，目前对自然语言的处理过程中，业务类型识别及槽填充处理通常为两个独立步骤，需要使用不同的模型分别进行处理，本技术中利用联合模型同时处理，简化了处理过程，提高了处理效率。
54.在预先构建联合模型时，预先设置业务类型，如视频业务、音频业务、邮件业务等，再通过联合模型对待测文本进行业务类型识别，确定目标业务类型。举例说明，如用户的意图表达为“我要去爱奇艺看视频”，则目标业务类型为视频业务，再与预先设置的服务质量性能配置要求进行对比，确定视频业务需要的服务质量性能配置要求，然后根据该服务质量性能配置要求计算得到网络链路权重。
55.在预先构建联合模型时，预先设置槽填充处理过程需要填充的语义槽。在意图转译过程中，槽填充处理的目的是获取用户的目标地址，因此可将“目标地址”设定为需要填充的语义槽。举例说明，如用户的意图表达为“我要去爱奇艺看视频”，则用户的目标地址为“爱奇艺”，槽填充处理过程就是将“爱奇艺”填充在“目标地址”语义槽的过程，最终槽填充结果输出为“爱奇艺”，然后再通过“爱奇艺”确定路由目标地址。
56.在一些实施例中，所述联合模型包括lda模型及bert模型；s102包括：
57.通过所述lda模型对所述待测文本进行特征扩展，得到扩展文本；
58.将所述扩展文本转化为向量，得到特征扩展向量；
59.通过所述bert模型对所述待测文本进行语义提取，得到全文信息向量；
60.将所述全文信息向量及所述特征扩展向量进行拼接，对拼接后的向量进行softmax分类处理，得到业务类型分布概率及所述槽填充结果；
61.将所述业务类型分布概率中的最大概率值对应的业务类型作为所述目标业务类型。
62.用户意图的表达可能是短句，也可能是长句。当用户意图的表达为短句时，容易存在特征稀疏、信息匮乏等问题。因此，通过lda模型对待测文本进行特征扩展，可以有效扩充待测文本的特征和信息，提高业务类型识别及槽填充处理过程的准确率。利用bert模型进行语义提取，可以有效捕获文本的双向语义特征信息，实现深层次语义理解，有效提升了自然语言处理的准确度。可选的，通过word2vec模型将所述扩展文本转化为向量，得到特征扩展向量，其他可实现将词或文本转化为向量的方法或工具也可应用于本技术中，具体不做限制。
63.在一些实施例中，如图2及图3所示，所述通过所述bert模型对所述待测文本进行语义提取，得到全文信息向量，包括：
64.在所述待测文本的首部加上第一标签，在所述待测文本每一个句子的尾部加上第二标签，得到文本序列；
65.基于所述文本序列生成每个元素对应的原始词向量、位置向量及分割向量；
66.将所述文本序列每个元素对应的所述原始词向量、所述位置向量和所述分割向量
求和，求和后的向量经transformer层处理，输出所述第一标签的目标向量、所述第二标签的目标向量及所述待测文本的目标向量，将所述第一标签的目标向量、所述第二标签的目标向量及所述待测文本的目标向量作为所述全文信息向量。
67.在一些实施例中，第一标签为[cls]标签，第二标签为[sep]标签。
[0068]
如图2及图3所示，以“我要去爱奇艺看视频”为例，将该语句作为待测文本输入bert模型后，在该语句中添加[cls]标签及[sep]标签，变为“[cls]我要去爱奇艺看视频[sep]”，然后将语句“[cls]我要去爱奇艺看视频[sep]”作为文本序列，再对文本序列处理得到每个元素的原始词向量、位置向量及分割向量，然后对每个元素的原始词向量、位置向量及分割向量进行求和，求和后经transformer层对待测文本进行深度建模，提取待测文本深层次的语法语义信息，得到全文信息向量。第一标签的目标向量聚合句子表示信息，可以学习到整个待测文本的特征。通过原始词向量、位置向量及分割向量求和的方法，能够动态调整语义信息，使得最终的全文信息向量包含了更丰富的语义信息。
[0069]
在一些实施例中，所述softmax分类处理包括：
[0070]
基于所述第一标签的目标向量计算所述待测文本被预测为每一个业务类型的概率，得到业务类型分布概率；
[0071]
基于所述第二标签的目标向量、所述待测文本的目标向量及所述特征扩展向量对所述待测文本及所述扩展文本进行槽填充标注，得到槽填充结果。
[0072]
第一标签的目标向量学习到了整个待测文本的特征，因此通过对第一标签的向量做softmax分类处理，可以得到该待测文本被预测为每一个业务类型的概率，选择最大概率值所对应的业务类型为待测文本的目标业务类型。在softmax分类处理过程中，将扩展文本作为槽填充标注的目标之一，实现对待测文本的扩展，解决待测文本特征缺少、信息匮乏等问题，提高softmax分类处理的准确率。
[0073]
在一些实施例中，所述槽填充标注采用bio标注法。可选的，所述槽填充标注也可采用bioes标注法，其他可实现槽填充标注的方法也可应用于本技术中，具体不做限制。
[0074]
以bio标注法为例详细说明槽填充标注的过程。在本技术中，槽填充标注的目的是要获得用户的目标地址，再通过目标地址获得路由目标地址。bio标注法的b即begin，表示开始；i即intermediate，表示中间；o即other，表示其他，用于标记无关字符。softmax分类处理过程中，计算待测文本及扩展文本中每一个词被标为b或i或o的概率，然后选择最大概率对应的标签(即b或i或o)对相应的词进行标注，所有词标注完成后，输出b标签及i标签所对应的词作为槽填充结果。
[0075]
在一些实施例中，在所述对拼接后的向量进行softmax分类处理，得到业务类型分布概率及所述槽填充结果之前，将拼接后的向量输入全连接层进行处理，将所述全连接层的输出作为所述softmax分类处理的输入。通过全连接层的处理，减少特征位置对softmax分类处理的影响，提高softmax分类处理的准确率。
[0076]
在一些实施例中，所述lda模型为利用训练文本进行预训练后的模型，所述预训练过程为：
[0077]
对所述训练文本中的每个词随机分配一个所述业务类型；
[0078]
遍历所述训练文本，采用吉布斯采样方法对全部所述业务类型进行采样，并更新每个词对应的所述业务类型，直至采样结果收敛为止，得到所述lda模型。
[0079]
可选的，所述训练文本包括文本序列与词语集合。
[0080]
在lda模型的预训练过程中，采用吉布斯采样方法对全部业务类型进行采样，直至采样收敛；通过吉布斯采样过程中记录的数据，统计得到文本-业务类型分布矩阵θ
m,t
及业务类型-词分布矩阵
[0081][0082][0083]
其中，表示训练文本中第m篇文本采样为业务类型t的总词数，t表示业务类型的数量，α与β为超参，为词i采样为业务类型t的总次数，v为词语集合的大小。
[0084]
在一些实施例中，所述通过所述lda模型对所述待测文本进行特征扩展，得到扩展文本，包括：
[0085]
将所述待测文本输入所述lda模型，经由所述文本-业务类型分布矩阵θ
m,t
确定所述待测文本的初始业务类型，然后经业务类型-词分布矩阵确定初始扩展词，在初始扩展词中选择概率最大的k个词作为所述待测文本的扩展文本。
[0086]
通过lda模型对待测文本进行特征扩展，可以有效解决待测文本特征稀疏、信息匮乏等问题，有效扩充待测文本的特征和信息，提高槽填充处理的准确率。
[0087]
在一些实施例中，利用迪杰斯特拉算法计算所述路由源地址与所述路由目标地址之间的最短路径。
[0088]
迪杰斯特拉算法(dijstra算法)用于计算从一个顶点到其余各项顶点的最短路径，是一种用以解决有权图中寻找最短路径的方法。在本技术中，将整个意图网络看成一个有权图，路由目标地址及路由源地址为有权图中的节点，网络链路权重为有权图的权重，然后通过迪杰斯特拉算法计算路由源地址到路由目标地址的最短路径，得到网络配置策略，在满足用户意图的基础上高效、合理分配网络资源，实现网络的有效运转，避免出现网络堵塞，提高整体网络的资源利用率。
[0089]
在一些实施例中，在所述使用预先构建的联合模型对所述待测文本进行业务类型识别及槽填充处理之前，对所述待测文本进行预处理，所述预处理包括下列中至少一个：
[0090]
对所述待测文本进行分词；
[0091]
去除所述待测文本中的标点符号；
[0092]
过滤所述待测文本中的停用词；
[0093]
将所述待测文本中的大小写统一化；
[0094]
对所述待测文本中的繁简字体统一化。
[0095]
可选的，所述训练文本为经过预处理的文本。
[0096]
在一些实施例中，所述路由决策模型根据ddpg算法构建。可选的，所述路由决策模型为经过训练的模型。
[0097]
ddpg算法全称为deep deterministic policy gradient，即深度确定性策略梯度算法，是一种结合演员-评论家结构与深度q学习(deep q-learning,dqn)结构，输出具体行为而非行为概率的机器学习算法，能够在连续动作空间中根据所学习到的策略输出动作，
在连续动作空间中的效果优于dqn且收敛速度更快，具备自学习、自适应、可实时的特点。路由决策模型在训练过程中，以网络的链路权重为学习目标，进行深度强化学习，再利用训练好的路由决策模型可以得到最优的网络链路权重，路由权重分配更为合理。
[0098]
在一些实施例中，s104包括：
[0099]
将实时网络负载作为状态输入所述路由决策模型；
[0100]
将所述服务质量性能配置要求作为奖励输入所述路由决策模型；
[0101]
所述路由决策模型根据所述状态及所述奖励，将网络链路权重作为动作输出。可选的，服务质量性能配置要求包括带宽要求、时延要求及丢包率要求。
[0102]
以服务质量性能配置要求作为奖励输入，使得路由决策模型能够综合考虑实现目标业务类型要达到的带宽要求、时延要求及丢包率要求，同时结合表示当前网络环境的网络负载得到网络链路权重，在满足用户目标业务类型需求的基础上，合理分配网络资源，提高整体网络的资源利用率。
[0103]
本技术的一种意图转译方法，利用联合模型处理用户的意图表达，不需要用户使用特定模板表达，使得表达形式不受限制，支持用户以自然语言表达其意图；利用联合模型实现深层次语义理解，使得意图的转译结果更为准确，且可同时得到目标业务类型及槽填充结果，简化了处理过程，提高效率；利用lda模型进行特征扩展，有效扩充待测文本的特征和信息，提高槽填充处理的准确性；利用ddpg路由决策模型计算网络链路权重，实现路由权重的智能化分配，在满足用户目标业务类型需求的基础上，合理分配网络资源，提高整体网络的资源利用率；再经迪杰斯特拉算法计算得到路由源地址与路由目标地址之间的最短路径，得到网络配置策略，实现对用户意图的转译。整个过程，实现对用户使用自然语言表达的意图的转译，用户表达不受限制，同时可以合理分配网络资源，提高整体网络的资源利用率。
[0104]
需要说明的是，本技术实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本技术实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
[0105]
需要说明的是，上述对本技术的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0106]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种意图转译装置。
[0107]
参考图4，所述意图转译装置，包括：
[0108]
第一获取模块401，用以获取用户的意图表达作为待测文本；
[0109]
联合处理模块402，用以使用预先构建的联合模型对所述待测文本进行业务类型识别及槽填充处理，得到所述待测文本的目标业务类型及槽填充结果；
[0110]
第二获取模块403，用以根据所述槽填充结果确定路由目标地址；
[0111]
第一计算模块404，用以基于所述目标业务类型所对应的服务质量性能配置要求
通过预先构建的路由决策模型计算得到网络链路权重；
[0112]
第二计算模块405，用以基于所述网络链路权重，计算得到路由源地址与所述路由目标地址之间的最短路径，并将其作为所述待测文本的意图转译结果。
[0113]
在一些实施例中，所述联合模型包括lda模型及bert模型；
[0114]
所述联合处理模块402被配置为：
[0115]
通过所述lda模型对所述待测文本进行特征扩展，得到扩展文本；
[0116]
将所述扩展文本转化为向量，得到特征扩展向量；
[0117]
通过所述bert模型对所述待测文本进行语义提取，得到全文信息向量；
[0118]
将所述全文信息向量及所述特征扩展向量进行拼接，对拼接后的向量进行softmax分类处理，得到业务类型分布概率及所述槽填充结果；
[0119]
将所述业务类型分布概率中的最大概率值对应的业务类型作为所述目标业务类型。
[0120]
在一些实施例中，所述通过所述bert模型对所述待测文本进行语义提取，得到全文信息向量，包括：
[0121]
在所述待测文本的首部加上第一标签，在所述待测文本每一个句子的尾部加上第二标签，得到文本序列；
[0122]
基于所述文本序列生成每个元素对应的原始词向量、位置向量及分割向量；
[0123]
将所述文本序列每个元素对应的所述原始词向量、所述位置向量和所述分割向量求和，求和后的向量经transformer层处理，输出所述第一标签的目标向量、所述第二标签的目标向量及所述待测文本的目标向量，将所述第一标签的目标向量、所述第二标签的目标向量及所述待测文本的目标向量作为所述全文信息向量。
[0124]
在一些实施例中，所述softmax分类处理包括：
[0125]
基于所述第一标签的目标向量计算所述待测文本被预测为每一个业务类型的概率，得到业务类型分布概率；
[0126]
基于所述第二标签的目标向量、所述待测文本的目标向量及所述特征扩展向量对所述待测文本及所述扩展文本进行槽填充标注，得到槽填充结果。
[0127]
在一些实施例中，在所述对拼接后的向量进行softmax分类处理，得到业务类型分布概率及所述槽填充结果之前，将拼接后的向量输入全连接层进行处理，将所述全连接层的输出作为所述softmax分类处理的输入。
[0128]
在一些实施例中，所述lda模型为利用训练文本进行预训练后的模型，所述预训练过程为：
[0129]
对所述训练文本中的每个词随机分配一个所述业务类型；
[0130]
遍历所述训练文本，采用吉布斯采样方法对全部所述业务类型进行采样，并更新每个词对应的所述业务类型，直至采样结果收敛为止，得到所述lda模型。
[0131]
在一些实施例中，利用迪杰斯特拉算法计算所述路由源地址与所述路由目标地址之间的最短路径。
[0132]
在一些实施例中，在所述使用预先构建的联合模型对所述待测文本进行业务类型识别及槽填充处理之前，对所述待测文本进行预处理，所述预处理包括下列中至少一个：
[0133]
对所述待测文本进行分词；
[0134]
去除所述待测文本中的标点符号；
[0135]
过滤所述待测文本中的停用词；
[0136]
将所述待测文本中的大小写统一化；
[0137]
对所述待测文本中的繁简字体统一化。
[0138]
在一些实施例中，所述路由决策模型根据ddpg算法构建。
[0139]
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本技术时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0140]
上述实施例的装置用于实现前述任一实施例中相应的一种意图转译方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0141]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的一种意图转译方法。
[0142]
图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
[0143]
处理器1010可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
[0144]
存储器1020可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
[0145]
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0146]
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
[0147]
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
[0148]
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
[0149]
上述实施例的电子设备用于实现前述任一实施例中相应的一种意图转译方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0150]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的一种意图转译方法。
[0151]
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0152]
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的一种意图转译方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0153]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本技术的范围(包括权利要求)被限于这些例子；在本技术的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本技术实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0154]
另外，为简化说明和讨论，并且为了不会使本技术实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本技术实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本技术实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本技术的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本技术实施例。因此，这些描述应被认为是说明性的而不是限制性的。
[0155]
尽管已经结合了本技术的具体实施例对本技术进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
[0156]
本技术实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本技术实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本技术的保护范围之内。