[发明专利]一种基于神经网络的语义识别方法

权利要求书

1.一种基于神经网络的语义识别方法，其特征在于，包括：

接收语音数据，识别所述语音数据获得识别文本；

将所述识别文本输入预置的第一神经网络模型得到语义文本；

将所述语义文本输入预置的第二神经网络模型得到所述语义文本的语义不确定度；

判断所述语义不确定度是否大于预设的不确定度阈值；

若所述语义不确定度大于所述不确定度阈值，输出所述语义文本；

若所述语义不确定度不大于所述不确定度阈值，将所述识别文本输入预置的跟问模型得到跟问文本，并输出所述跟问文本。

2.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型通过如下方式进行训练：

从语义库中抽取训练语义；

抽取所述训练语义的训练语句；

采用所述训练语句训练第一神经网络模型。

3.根据权利要求1所述的方法，其特征在于，所述将所述语义文本输入预置的第二神经网络模型得到所述语义文本的语义不确定度，包括：将所述语义文本输入所述第二神经网络；随机数生成器生成随机数n，随机将所述第二神经网络模型的n个隐藏层节点的数值设为0，计算出输出层的输出结果的方差值，即得到了所述语义不确定度。

4.根据权利要求1所述的方法，其特征在于，所述跟问模型为生成式对抗网络中的生成模型。

5.根据权利要求4所述的方法，其特征在于，所述生成模型通过如下方式进行训练：

从跟问语句库中抽取训练语句及所述训练语句对应的跟问语句；

将所述训练语句输入所述生成模型得到模拟语句；

通过判别模型对比所述跟问语句与所述模拟语句，得到所述跟问语句与所述模拟语句的对比值，将所述对比值反馈至所述生成模型，以使所述生成模型和所述判别模型基于互相对抗过程循环更新；

当所述对比值不大于预设的判别阈值时，通过所述生成模型生成所述识别文本的所述跟问文本。

6.根据权利要求5所述的方法，其特征在于，循环更新所述生成模型包括：

采用第一目标函数和随机梯度下降法循环更新所述生成模型，所述第一目标函数为：其中，θ表示所述生成模型的参数，D表示所述判别模型，Z表示所述模拟语句，m表示采样容量，i表示采样点。

7.根据权利要求1所述的方法，其特征在于，循环更新所述判别模型包括：

采用第二目标函数和随机梯度上升法循环更新所述判别模型，所述第二目标函数为：其中，θ表示所述生成模型的参数，D表示所述判别模型，Z表示所述模拟语句，m表示采样容量，i表示采样点。

8.根据权利要求6或7所述的方法，其特征在于，θ的计算公式为：

其中，c为所述生成模型的输入，x为所述生成模型的输出，P为所述生成模型的概率分布函数，R为所述判别模型的输出。

9.根据权利要求6所述的方法，其特征在于，采用第一损失函数训练所述生成模型，所述第一损失函数为：其中，c为所述生成模型的输入，x为所述生成模型的输出，P为所述生成模型的概率分布函数，R为所述判别模型的输出。