[发明专利]基于胶囊网络的意图识别方法及装置

权利要求书

1.一种基于胶囊网络的意图识别方法，其特征在于，所述方法包括：

获取交互对话中涉及的交互信息，并结合交互信息在文本意图、文本情感和人脸情感上所表现的意图信息对所述交互信息进行标注，形成不同维度上的意图标签；

将携带有不同维度上意图标签的交互信息进行向量化后输入至胶囊网络模型中进行训练，构建意图识别模型，所述意图识别模型结合不同维度的交互信息识别出融合多维度意图标签的意图识别结果，所述胶囊网络模型为包含多个神经元的载体，每个神经元表示交互对话中出现特定实体各种属性，所述属性为不同维度上的信息特征所形成不同类型的实例化参数，利用不同类型的实例化参数输出交互对话在不同维度上意图标签的存在概率,具体对交互信息进行向量化包括：从交互信息中抽象出特征进行量化来表示不同维度上的信息特征，所述信息特征主要包括文本意图维度上的信息特征、文本情感维度上的信息特征以及人脸情感维度的信息特征；

响应于目标交互对话的意图识别指令，将所述目标交互对话中交互信息进行向量化后输入至所述意图识别模型中进行意图识别，得到携带有目标交互对话在不同维度上意图标签的意图识别结果。

2.根据权利要求1所述的方法，其特征在于，所述将携带有不同维度上意图标签的交互信息进行向量化后输入至胶囊网络模型中进行训练，构建意图识别模型，具体包括：

从所述交互信息中抽象出文本意图维度上意图标签的信息、文本情感维度上意图标签的信息以及人脸情感维度上意图标签的信息，作为携带有不同维度上意图标签的交互信息；

将所述携带有不同维度上意图标签的交互信息进行量化来表示不同维度上意图标签的向量矩阵输入至胶囊网络模型中进行训练，构建意图识别模型。

3.根据权利要求2所述的方法，其特征在于，所述胶囊网络模型由多层结构组成，所述将所述携带有不同维度上意图标签的交互信息进行量化来表示不同维度上意图标签的向量矩阵输入至胶囊网络模型中进行训练，构建意图识别模型，包括：

利用胶囊网络模型的编码层对携带有不同维度上意图标签的交互信息进行向量化后形成的向量矩阵进行特征提取，得到不同维度上意图标签的信息特征；

利用胶囊网络模型的解码层对所述不同维度上意图标签的信息特征进行加权处理，并将交互信息在不同维度上意图标签的概率值作为意图识别结果，构建意图识别模型。

4.根据权利要求3所述的方法，其特征在于，所述利用胶囊网络模型的编码层对携带有不同维度上意图标签的交互信息进行向量化后形成的向量矩阵进行特征提取，得到不同维度上意图标签的信息特征，具体包括：

利用胶囊网络模型的编码层将携带有不同维度上意图标签的交互信息进行向量化后形成的向量矩阵分别转换至文本意图维度上意图标签的描述向量、文本情感维度上意图标签的描述向量以及人脸情感维度上意图标签的描述向量；

针对交互信息对应的信息类型，确定适用于不同信息类型的交互信息进行预处理的特征提取模型；

利用所述适用于不同信息类型的交互信息进行预处理的特征提取模型，对所述文本意图维度上意图标签的描述向量、文本情感维度上意图标签的描述向量以及人脸情感维度上意图标签的描述向量进行特征学习，得到文本意图维度上意图标签的信息特征、文本情感维度上意图标签的信息特征以及人脸情感维度上意图标签的信息特征。

5.根据权利要求4所述的方法，其特征在于，所述针对交互信息对应的信息类型，确定适用于不同信息类型的交互信息进行预处理的特征提取模型，具体包括：

针对文本类型的交互信息，利用时间循环神经网络模型作为交互信息进行预处理的特征提取模型；

针对图片类型的交互信息，利用卷积神经网络模型作为交互信息进行预处理的特征提取模型。

6.根据权利要求3所述的方法，其特征在于，在所述利用胶囊网络模型的解码层对所述不同维度上意图标签的信息特征进行加权处理，并将交互信息在不同维度上意图标签的概率值作为意图识别结果，构建意图识别模型之后，所述方法还包括：

利用预先设置的损失函数，结合不同维度上意图标签对所述意图识别模型的模型参数进行调整，更新所述意图识别模型。