[发明专利]一种自适应动态加权的意图识别融合方法

说明书

本发明公开了一种自适应动态加权的意图识别融合方法，所述意图识别融合方法包括如下步骤：模式匹配+相似度计算模块，包含规则识别单元和相似度计算单元；深度模型推理模块，包括Word2Vec单元和BiLSTM深度模型单元；动态加权模块，一种混合策略，它通过动态地改变不同的权值，来控制不同策略在意图识别中的权重，权重需要根据两种策略的实际表现而设置；倒排+阈值筛选模块，包括倒排单元、阈值筛选单元。该方法的有益效果是：本发明中的自适应动态加权的意图识别融合方法综合优势：模式匹配可以提供先验知识和人类经验，深度学习可以学习隐含特征和相关性。

技术领域

本发明涉及一种意图识别融合方法，具体为一种自适应动态加权的意图识别融合方法，属于意图识别融合应用技术领域。

背景技术

智能外呼系统是一种基于人工智能技术的工具，可以自动化执行外呼任务，从而提高呼叫的效率和质量。通常配备了多项功能，如语音识别、自然语言处理、情感分析、自动拨号、大数据分析等，可以提高呼叫的效率和质量，让营销和客户服务更加智能化和高效化。

意图识别是智能外呼平台重要模块之一，主要作用是通过对话，判断用户的真实意图，一方面是提升对话质量和效率，给客户提供更好的服务，另一方面可以帮助企业进行线索质量的筛选，从而保证线索的交付质量。

传统模式匹配是基于覆盖率计算(关键词的长度/文本总长度)，这种方式存在一个弊端，即未考虑到词义信息，覆盖率高并不能表示识别出的关键词和原文本匹配，传统混合策略中，权值一般通过人为设定好，这种方案下，模型的场景适应性更差。因此，针对上述问题提出一种自适应动态加权的意图识别融合方法。

发明内容

本发明的目的就在于为了解决上述问题而提供一种自适应动态加权的意图识别融合方法。

本发明通过以下技术方案来实现上述目的，一种自适应动态加权的意图识别融合方法，所述意图识别融合方法包括如下步骤：

S1.模式匹配+相似度计算模块，包含规则识别单元和相似度计算单元；

S2.深度模型推理模块，包括Word2Vec单元和BiLSTM深度模型单元；

S3.动态加权模块，一种混合策略，它通过动态地改变不同的权值，来控制不同策略在意图识别中的权重，权重需要根据两种策略的实际表现而设置；

S4.倒排+阈值筛选模块，包括倒排单元、阈值筛选单元。

优选的，所述步骤(S1)中规则识别单元:收集并整理与目标领域相关的文本、语音等语料库，根据具体的任务，从语料库中提取关键词、短语等特征，建立各种意图对应的模板，包括正则表达式、关键词库等多种形式，以便匹配输入，当有新的输入进来时，与各个模板进行相似度计算，选出最佳意图，即为用户的意图。

优选的，所述步骤(S1)中相似度计算单元:通过Bert(Bidirectional EncoderRepresentation from Transformers，一种基于注意力机制的深度模型)，计算关键文本句向量和原文本句向量，这里使用的是动态而非静态词向量，目的是想要尽可能融合上下文语义信息，余弦相似度，计算两个句向量在向量空间中的距离，公式为：值域范围[-1,1]。

优选的，所述步骤(S2)中Word2Vec单元:是一种用于生成词嵌入的工具，可将单词转换为连续向量，使其易于用于机器学习和自然语言处理任务，word2vec通过将同一上下文中出现的单词视为相似的，将单词向量表示为在整个文本数据集中共同出现的单词之间的共现概率。

优选的，所述word2vec模型中，有两种不同的方法来训练单词向量：连续词袋模型(CBOW)和跳跃语境模型(Skip-Gram)，CBOW模型将上下文单词作为输入，预测当前单词，通过最大化预测概率来训练模型，Skip-Gram模型相反，将当前单词作为输入，预测上下文单词，也通过最大化预测概率来训练模型。