[发明专利]一种面向任务型对话的多域请求式意图识别方法

权利要求书

1.一种面向任务型对话的多域请求式意图识别方法，其特征在于，包括以下步骤：

S1：获取对话数据，从对话数据中获取实体ID集合E＝{1,2,…,C}和对话历史U＝{u₁,u₂,…,u_t}，并对对话历史进行分词；

S2：随机采样一批步骤S1已分词的对话历史，与实体ID构成样本对，通过双编码器模型分别对对话历史及实体ID进行特征提取，得到正样本i对应的查询表征及实体ID的码本表征分别为q_i＝E(U_i)∈R^d和Z＝{z₁,z₂,…,z_C}∈R^|E|×d；

S3：通过步骤S2得到的批样本对的高维表征，根据实体级层级标签计算样本对重要性，并进行实体级表征三元组的挖掘：

Triples_i,local＝{(q_i,z_i,q_i,1^-),(q_i,z_i,q_i,2^-),…,(q_i,z_i,q_i,M^-)}

其中，q_i为正样本i对应的查询表征，q_,M^-为样本i的第M个负样本对应的查询表征，z_i为正样本i锚定的码本表征，最后计算实体级局部损失函数

S4：通过步骤S2得到的批样本对的高维表征，根据域级层级标签计算样本对重要性，并进行域级表征三元组的挖掘：

Triples_global＝q₁,z₁,q₁^-,q₂,z₂,q₂^-,…,q_N,z_N,q_N^-}}

其中，q_N^-为度量空间中与z_N相似度最高的异域样本表征，最后计算域级全局损失函数

S5：计算总损失函数，

其中，β、γ为可调参数，为码本损失函数，用于对码本嵌入进行更新，最后，通过总损失函数优化双编码器模型，重复步骤S2-S5直至达到设定的最大迭代次数；

S6：停止迭代双编码器模型，并用于请求式意图识别。

2.根据权利要求1所述的面向任务型对话的多域请求式意图识别方法，其特征在于，步骤S2中的输入对话历史U＝{u₁,u₂,…,u_t}包含多轮交互，每轮交互由用户及发言者的对话语句构成，待识别的意图即为实体ID集合E＝{1,2,…,C}。

3.根据权利要求1所述的面向任务型对话的多域请求式意图识别方法，其特征在于，步骤S3-S4中，对于由输入对话历史和实体ID中构成的样本对，定义度量相似度为两者于度量空间的L2距离，查询表征在度量空间与相应的码本表征进行最近邻匹配：

sim(q_i，q_j)＝||q_i-q_j||₂

其中，q_i，q_j为样本对(i,j)对应的查询表征，z_e为实体e∈E对应的码本表征。