[发明专利]词槽识别方法及装置、计算机可读存储介质、电子设备

权利要求书

1.一种词槽识别方法，其特征在于，包括：

对待识别语句进行分词得到多个待识别短语句，并根据各所述待识别短语句得到待识别句子意图；

对各所述待识别短语句进行编码以及降维处理得到多个待识别短语句向量，并对各所述待识别句子意图进行编码得到多个待识别意图向量；

判断所述待识别短语句向量的长度是否达到预设长度；在判断所述待识别短语句向量的长度未达到预设长度时，对所述待识别短语句向量进行填充；

对各所述待识别短语句向量以及各所述待识别意图向量进行拼接得到多个待识别拼接向量；

将各所述待识别拼接向量输入至词槽识别模型得到所述待识别短语句的特征词槽识别结果以及关键词槽识别结果，并根据所述特征词槽识别结果以及关键词槽识别结果生成与所述待识别语句对应的对话，包括：根据所述待识别拼接向量生成待识别词槽向量以及待识别编码向量；根据所述待识别词槽向量计算词槽注意力权重，根据所述待识别编码向量计算意图注意力权重；根据所述词槽注意力权重以及所述意图注意力权重分别计算词槽上下文值以及意图上下文值；根据所述待识别拼接向量以及所述词槽上下文值得到词槽识别结果，并根据所述待识别拼接向量以及所述意图上下文值得到所述关键词槽识别结果。

2.根据权利要求1所述的词槽识别方法，其特征在于，所述词槽识别方法还包括：

利用历史反问语句对双向LSTM模型进行训练，得到所述词槽识别模型；

其中，根据各所述待识别拼接向量计算所述待识别短语句的特征词槽识别结果以及关键词槽识别结果包括：

将各所述待识别拼接向量输入至词槽识别模型中，得到所述待识别短语句的特征词槽识别结果以及关键词槽识别结果。

3.根据权利要求2所述的词槽识别方法，其特征在于，利用历史反问语句对双向LSTM模型进行训练，得到所述词槽识别模型包括：

根据历史反问语句得到标准短语句以及标准句子意图，并对所述标准短语句以及所述标准句子意图进行向量化得到标准短语句向量以及标准意图向量；

对所述标准短语句向量以及所述标准意图向量进行拼接得到标准输入向量，并根据所述标准输入向量得到初始关键词槽以及初始特征词槽；

根据所述初始关键词槽以及目标关键词槽得到关键词槽损失函数，并根据初始特征词槽与目标特征词槽得到特征词槽损失函数；

根据所述关键词槽损失函数以及所述特征词槽损失函数得到交叉熵损失函数，并利用所述交叉熵损失函数对双向LSTM模型进行迭代训练，得到所述词槽识别模型。

4.根据权利要求3所述的词槽识别方法，其特征在于，根据所述标准输入向量得到初始关键词槽以及初始特征词槽包括：

将所述标准输入向量输入至编解码框架中的编码双向LSTM模型中，得到标准词槽向量以及标准编码向量；

根据所述标准编码向量得到标准意图向量，并根据所述标准词槽向量计算词槽注意力权重，以及根据所述标准意图向量计算意图注意力权重；

根据所述词槽注意力权重计算词槽上下文值，并根据所述意图注意力权重计算意图上下文值；

将所述标准编码向量、词槽上下文值以及意图上下文值输入至编解码框架中的解码双向LSTM模型中得到所述初始关键词槽以及初始特征词槽。

5.根据权利要求4所述的词槽识别方法，其特征在于，根据所述标准词槽向量计算词槽注意力权重包括：

利用归一化指数函数对所述标准词槽向量进行计算，得到所述词槽注意力权重。

6.根据权利要求5所述的词槽识别方法，其特征在于，根据所述词槽注意力权重计算词槽上下文值包括：

对所述词槽注意力权重进行加权求和，得到所述词槽上下文值。