[发明专利]基于深度学习的意图识别方法、系统、设备及存储介质

权利要求书

1.一种基于深度学习的意图识别方法，其特征在于，包括以下步骤：

S110、获取待解析的语句信息进行预处理；

S120、使用分词工具对语句信息进行分词；

S130、使用预训练的词向量模型对所有分词进行加权；

S140、使用预训练的第一神经网络获取所述语句信息对应的语气分类；

S150、使用预训练的第二神经网络获取所述语句信息对应的句型分类；

S160、使用预训练的第三神经网络获取所述语句信息对应的表达分类；

S170、使用预训练的第四神经网络根据所述语句信息的语气分类、句型分类以及表达分类预测所述语句信息的意图类别。

2.根据权利要求1所述的基于深度学习的意图识别方法，其特征在于，所述步骤S140中使用预训练的第一神经网络对语句信息进行向量编码，所述第一神经网络是一使用BI-LSTM算法进行训练的语气识别模型，捕捉点评文本的语义信息，通过输出层获取所述语句信息对应的语气分类。

3.根据权利要求1所述的基于深度学习的意图识别方法，其特征在于，所述步骤S150中使用预训练的第二神经网络对语句信息进行向量编码，所述第二神经网络是一使用BI-LSTM算法进行训练的句型识别模型，捕捉点评文本的语义信息，通过输出层获取所述语句信息对应的句型分类。

4.根据权利要求1所述的基于深度学习的意图识别方法，其特征在于，所述步骤S160中使用预训练的第三神经网络对语句信息进行表达分类，所述第三神经网络是一表达识别模型，获取所述语句信息对应的表达分类，所述表达分类包括肯定表达和否定表达。

5.根据权利要求1所述的基于深度学习的意图识别方法，其特征在于，所述步骤S120中使用HanLP分词工具对语句信息进行分词。

6.根据权利要求1所述的基于深度学习的意图识别方法，其特征在于，所述步骤S130中word2vec和GloVe预训练的词向量模型对所有分词进行加权。

7.根据权利要求1所述的基于深度学习的意图识别方法，其特征在于，所述第一神经网络、第二神经网络、第三神经网络以及第四神经网络分别为CNN神经网络、LTSM神经网络、Transformer模型中的一种。

8.一种基于深度学习的意图识别系统，用于实现权利要求1所述的基于深度学习的意图识别方法，其特征在于，包括：

预处理模块，获取待解析的语句信息进行预处理；

语句分词模块，使用分词工具对语句信息进行分词；

分词加权模块，使用预训练的词向量模型对所有分词进行加权；

语气分类模块，使用预训练的第一神经网络获取所述语句信息对应的语气分类；

句型分类模块，使用预训练的第二神经网络获取所述语句信息对应的句型分类；

表达分类模块，使用预训练的第三神经网络获取所述语句信息对应的表达分类；

意图类别模块，使用预训练的第四神经网络根据所述语句信息的语气分类、句型分类以及表达分类预测所述语句信息的意图类别。

9.一种基于深度学习的意图识别设备，其特征在于，包括：

处理器；

存储器，其中存储有所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7任意一项所述基于深度学习的意图识别方法的步骤。

10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至7任意一项所述基于深度学习的意图识别方法的步骤。