[发明专利]一种用户意图识别方法、装置及电子设备有效

专利信息
申请号: 202010391268.8 申请日: 2020-05-11
公开(公告)号: CN111581388B 公开(公告)日: 2023-09-19
发明(设计)人: 王玉昕;陈立琨 申请(专利权)人: 北京金山安全软件有限公司
主分类号: G06F16/35 分类号: G06F16/35;G06F16/332
代理公司: 北京柏杉松知识产权代理事务所(普通合伙) 11413 代理人: 丁芸;马敬
地址: 100123 北京市朝*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 用户 意图 识别 方法 装置 电子设备
【权利要求书】:

1.一种用户意图识别方法,其特征在于,包括:

获取待识别查询语句;

基于聚类算法,在预先建立的用户意图分布库中,确定所述待识别查询语句所属的查询语句类别;其中,所述用户意图分布库中包括:查询语句类别,以及与各查询语句类别分别对应的用户意图;所述查询语句类别是对当前场景下的查询语句样本进行聚类之后得到的;

将与所述待识别查询语句所属的查询语句类别对应的用户意图,确定为所述待识别查询语句的用户意图;

所述用户意图分布库的建立过程包括:

获取当前场景下的查询语句样本;

采用聚类算法,对各查询语句样本进行类别划分,得到当前场景下包含的查询语句类别;

针对每个查询语句类别,对该查询语句类别中包含的查询语句样本进行关键词提取,得到与该查询语句类别对应的用户意图;

所述采用聚类算法,对各查询语句样本进行类别划分,得到当前场景下包含的查询语句类别的步骤,包括:

对各查询语句样本进行向量化,得到各查询语句样本的样本特征向量;采用聚类算法,对所述样本特征向量进行类别划分,得到当前场景下包含的查询语句类别;

或,

对各查询语句样本进行向量化,得到各查询语句样本的样本特征向量;采用聚类算法,对所述样本特征向量进行类别划分,得到当前场景下包含的候选查询语句类别;按照各候选查询语句类别中包含的查询语句样本数量从大到小的顺序,选择包含的查询语句样本数量总和大于预设阈值的候选查询语句类别,作为当前场景下包含的查询语句类别。

2.根据权利要求1所述的方法,其特征在于,所述基于聚类算法,在预先建立的用户意图分布库中,确定所述待识别查询语句所属的查询语句类别的步骤,包括:

对所述待识别查询语句进行向量化,得到待识别特征向量;

基于所述待识别特征向量和各查询语句类别中包含的样本特征向量之间的位置关系,在预先建立的用户意图分布库中,确定所述待识别特征向量所属的查询语句类别,作为所述待识别查询语句所属的查询语句类别。

3.根据权利要求1所述的方法,其特征在于,所述采用聚类算法,对所述样本特征向量进行类别划分,得到当前场景下包含的查询语句类别的步骤,包括:

从所述样本特征向量中,确定核心样本特征向量,以及与各核心样本特征向量对应的临时聚类簇;

对所述临时聚类簇进行合并,得到聚类簇,作为当前场景下包含的查询语句类别。

4.根据权利要求1所述的方法,其特征在于,所述采用聚类算法,对所述样本特征向量进行类别划分,得到当前场景下包含的候选查询语句类别的步骤,包括:

从所述样本特征向量中,确定核心样本特征向量,以及与各核心样本特征向量对应的临时聚类簇;

对所述临时聚类簇进行合并,得到聚类簇,作为当前场景下包含的候选查询语句类别。

5.根据权利要求2所述的方法,其特征在于,所述对各查询语句样本进行向量化,得到各查询语句样本的样本特征向量的步骤,包括:

采用词频逆文本频率IFIDF算法,对各查询语句样本进行向量化,得到所述各查询语句样本的第一样本特征向量;

采用BERT模型,对所述各查询语句样本进行向量化,得到所述各查询语句样本的第二样本特征向量;

对所述第一样本特征向量和所述第二样本特征向量进行拼接,得到所述各查询语句样本的样本特征向量;

所述对所述待识别查询语句进行向量化,得到待识别特征向量的步骤,包括:

采用词频逆文本频率IFIDF算法,对所述待识别查询语句进行向量化,得到第一待识别特征向量;

采用BERT模型,对所述待识别查询语句进行向量化,得到第二待识别特征向量;

对所述第一待识别特征向量和所述第二待识别特征向量进行拼接,得到待识别特征向量。

6.根据权利要求1-5任一所述的方法,其特征在于,所述获取待识别查询语句的步骤,包括:

获取待识别语音数据;

对所述待识别语音数据进行语音识别,得到待识别查询语句。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京金山安全软件有限公司,未经北京金山安全软件有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010391268.8/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top