[发明专利]计算机执行的用户意图预测方法、装置及设备

权利要求书

1.一种计算机执行的用户意图预测方法，包括：

接收用户的用户请求；

根据所述用户请求，确定当前领域；

获取所述用户的在预定特征空间表达的用户特征；

若当前领域为源领域，则将所述用户特征输入深度学习网络的源领域路径，以通过所述源领域路径预测所述用户的用户意图；

若当前领域为目标领域，则将所述用户特征输入深度学习网络的目标领域路径，以通过所述目标领域路径预测所述用户的用户意图;

其中，所述深度学习网络包括底层网络部分和上层网络部分，所述上层网络部分包括第一上层部分和第二上层部分；所述源领域路径包括所述底层网络部分和所述第一上层部分，所述目标领域路径包括所述底层网络部分和所述第二上层部分；所述源领域路径通过所述源领域的第一样本集训练确定，所述目标领域路径通过所述目标领域的第二样本集训练确定，所述第一样本集的样本数量大于所述第二样本集的样本数量。

2.根据权利要求1所述的方法，还包括更新所述底层网络部分的网络参数、所述第一上层部分的网络参数以及所述第二上层部分的网络参数的步骤，包括：

收集所述源领域的第一样本集以及所述目标领域的第二样本集；

从所述第一样本集中提取在所述预定特征空间表达的第一用户特征，从所述第二样本集中提取在所述预定特征空间表达的第二用户特征；

根据所述第一用户特征以及第一损失函数，对所述底层网络部分的网络参数和所述第一上层部分的网络参数进行更新；

根据所述第二用户特征以及第二损失函数，对所述底层网络部分的网络参数和所述第二上层部分的网络参数进行更新。

3.根据权利要求2所述的方法，

所述第一损失函数是将对抗损失函数以及源领域损失函数进行加权求和后得到的；所述对抗损失函数是将所述底层网络部分的网络参数作为自变量构建的；所述源领域损失函数是将所述第一上层部分的网络参数作为自变量构建的；

所述第二损失函数是将所述对抗损失函数以及目标领域损失函数进行加权求和后得到的；所述目标领域损失函数是将所述第二上层部分的网络参数作为自变量构建的。

4.根据权利要求3所述的方法，所述源领域损失函数的权重大于所述对抗损失函数的权重；所述目标领域损失函数的权重大于所述对抗损失函数的权重。

5.根据权利要求1所述的方法，所述深度学习网络包括以下任一种或多种：多层感知器MLP、卷积神经网络CNN以及长短期记忆网络LSTM。

6.根据权利要求1-5任一项所述的方法，所述用户特征包括以下任一种或多种：画像特征、历史行为特征、状态特征以及其它特征。

7.一种计算机执行的用户意图预测装置，包括：

接收单元，用于接收用户的用户请求；

确定单元，用于根据所述接收单元接收的所述用户请求，确定当前领域；

获取单元，用于所述用户的在预定特征空间表达的用户特征；

输入单元，用于若当前领域为源领域，则将所述用户特征输入深度学习网络的源领域路径，以通过所述源领域路径预测所述用户的用户意图；

所述输入单元，还用于若当前领域为目标领域，则将所述用户特征输入深度学习网络的目标领域路径，以通过所述目标领域路径预测所述用户的用户意图；

其中，所述深度学习网络包括底层网络部分和上层网络部分，所述上层网络部分包括第一上层部分和第二上层部分；所述源领域路径包括所述底层网络部分和所述第一上层部分，所述目标领域路径包括所述底层网络部分和所述第二上层部分；所述源领域路径通过所述源领域的第一样本集训练确定，所述目标领域路径通过所述目标领域的第二样本集训练确定，所述第一样本集的样本数量大于所述第二样本集的样本数量。