[发明专利]一种基于知识计算的智能客服助理意图识别方法及系统

权利要求书

1.一种基于知识计算的智能客服助理意图识别方法，其特征在于，包括以下步骤：

S1：模型运营及管理规则配置

将意图识别任务抽象为文本匹配任务，构建基于孪生网络的sentence-Transformer双塔模型；基于实际业务需求，配置模型运行规则，创建模型训练任务进行模型训练，模型性能满足预设性能指标则上线运营；配置模型管理规则，进行模型迭代优化；

S2：客户意图识别

获取用户通话语音，将通话语音转成文本，根据基于具体业务内容和先验知识配置词库管理规则，建立对应业务场景的行业词库，定义相关词表对文本进行预处理，随后输入经过训练及迭代优化的模型获得意图识别结果。

2.根据权利要求1所述的一种基于知识计算的智能客服助理意图识别方法，其特征在于：在所述步骤S1中，所述sentence-Transformer双塔模型的处理过程如下：

S101：将两个输入分别输入到ERINE预训练模型，共享同一个ERINE参数，ERINE预训练模型采用多层Transformer作为编码器，通过注意力机制捕获每个词向量在文本序列的上下文信息，获得两个符合语义表示特性的固定维度初始文本嵌入向量；

S102：采用均值池化层对ERINE预训练模型生成的嵌入向量进行特征提取，转化为两个特征向量u、v；

S103：拼接u、v，|u-v|三个特征向量，使用Softmax函数进行分类输出，获得意图识别结果。

3.根据权利要求2所述的一种基于知识计算的智能客服助理意图识别方法，其特征在于：在所述步骤S103中，意图识别结果表达式如下：

o＝softmax[w_t(u，v，|u-v|)]。

4.根据权利要求1所述的一种基于知识计算的智能客服助理意图识别方法，其特征在于：在所述步骤S1中，模型训练任务包括训练超参数和性能度量设计，其中，超参数包括学习率、训练轮次和数据集划分比例；性能度量包括精确率、召回率和精确率，具体表达式如下：

其中，TP表示某一意图类中正确预测的文本数量；FP表示某一意图类中错误将他类预测为当前类的文本数量；FN表示某一意图类中错误将当前类预测为他类的文本数量；TN表示某一意图类中正确识别的非当前类文本数量；TP、FP、FN和TN的和为文本总数。

5.根据权利要求2所述的一种基于知识计算的智能客服助理意图识别方法，其特征在于：在所述步骤S1中，模型训练的具体过程如下：

S201：导入已打标的历史工单制作标准文本数据集，划分训练集和测试集，依据设定的训练超参数开始模型训练；

S202：在测试集上对训练后生成的模型进行性能度量，如满足预设性能指标则上线运营，如未满足预设性能指标则重新训练模型，直至满足预设性能指标。

6.根据权利要求1所述的一种基于知识计算的智能客服助理意图识别方法，其特征在于：在所述步骤S1中，配置模型管理规则包括自学习任务配置和模型版本管理配置，其中，自学习任务基于实际业务需求和变化定义了训练超参数和模型迭代优化的触发条件，模型版本管理对运营中生成的各代模型改进及其优化过程进行跟踪、记录和维护。

7.根据权利要求1所述的一种基于知识计算的智能客服助理意图识别方法，其特征在于：在所述步骤S2中，具体处理过程如下：

S21：对接语音转写平台，获取用户通话语音的文本；

S22：基于具体业务内容和先验知识配置词库管理规则，建立对应业务场景的行业词库，定义专有词、同义词和停用词词表；

S23：参考已建立的行业词库中的专有词和同义词表对文本进行分词处理，将原始文本分割成词粒度的表示形式；然后参考已建立的行业词库中的停用词表去除文本中对意图识别无意义的停用词；

S24：经过预处理后得到的数据形式为去除停用词且保留专有词的词粒度表示形式，将预处理后得到的数据输入经过训练及迭代优化的模型获得意图识别结果。