[发明专利]一种对话系统语义分析方法、系统、电子装置及存储介质

说明书

本发明公开了一种对话系统语义分析方法、系统、电子装置及存储介质，所述方法包括步骤a.获取对话数据，并进行预处理得到待训练的语料信息；步骤b.采用所述待训练的语料信息训练word2vec模型；步骤c.基于所述word2vec模型构建语义分析模型；步骤d.将待分析语料信息输入至所述语义分析模型中，所述语义分析模型包括word2vec嵌入层、BiLSTM层、CDW层和线性分类层。本发明提供了一种对话系统语义分析方法、系统、电子装置及存储介质，能够简单高效地区分用户语义，提供准确语义信息，为智能对话系统的下一步行为提供可靠的指导。

技术领域

本发明涉及人工智能领域，特别是一种对话系统语义分析方法、系统、电子装置及存储介质。

背景技术

在智能对话系统中，语义分析结果影响着智能对话的下一步状态，因此，分析用户对话信息的正确语义至关重要。例如：在智能医疗对话系统中，语义分析结果为用户的主动问询，对应智能对话的下一步状态则为回答用户的问题；语义分析结果为用户的被动回答，对应智能对话的下一步状态则为进行症状/疾病的总结，或者进一步提供准确的治疗/检查建议等。

一般情况下，用户的对话语义可以用是否为问句进行区分，主动问询为问句，被动回答为陈述句。但是，由于中文对话的特殊性，一般难以简单地用是否为问句来区分用户的语义。例如：“我要咨询XX疾病的症状”，其句式为陈述句，但实际上属于用户的主动问询。

现有技术中，采用规则模板方法或者机器学习方法进行句式匹配，来简单地区分用户的语义。但是，两种方式只能区分用户对话语句是否为问句，对于用户的陈述句问询语句，就无法正确区分用户语义；并且准确率较低，无法针对智能对话系统提供可靠的语义指导。

发明内容

本发明的主要目的在于提供了一种对话系统语义分析方法、系统、电子装置及存储介质，能够简单高效地区分用户语义，提供准确语义信息，为智能对话系统的下一步行为提供可靠的指导。

为实现上述目的，本发明提供了一种对话系统语义分析方法，其包括以下步骤：步骤a.获取对话数据，并进行预处理得到待训练的语料信息；步骤b.采用所述待训练的语料信息训练word2vec模型；步骤c.基于所述word2vec模型构建语义分析模型；步骤d.将待分析语料信息输入至所述语义分析模型中，所述语义分析模型包括word2vec嵌入层、BiLSTM层、CDW层和线性分类层；具体语义分析过程包括如下步骤：d1.所述word2vec嵌入层提取所述待分析语料信息的词向量信息，所述BiLSTM层用于获取待分析语料的上下文信息；d2.所述CDW层根据所述待分析语料的词向量信息和上下文信息获取所述待分析语料的语义信息；d3.所述线性分类层根据所述语义信息进行分类，得到二分类结果1或0作为语义分析结果，其中1代表主动问询，0代表被动回答。

可选的，所述预处理包括去除停用词、去除无用字符和去除表情符号。

可选的，所述步骤b包括如下步骤：b1.采用NER算法对预处理后的所述待训练的语料信息进行实体识别，确定所述待训练的语料信息中所包含的实体；b2.采用Jieba分词对预处理后的所述语料信息进行分词，并统计分词结果的词频T；b3.将分词结果中未识别出的实体进行手动合并，并保留；b4.采用Gensim包训练并保存word2vec模型。

可选的，所述步骤b中，仅针对所述词频T≥5的分词结果进行训练。

可选的，所述语义分析模型还包括Dropout层和LayerNorm层；所述待分析语料信息依次经过word2vec嵌入层、Dropout层、BiLSTM层、LayerNorm层、CDW层和线性分类层。

可选的，所述步骤d2，具体包括如下步骤：

d21.计算每个字的第一权重u_it，

u_it＝tanh(W_wh_it+b_w)；