[发明专利]基于改进XGBoost算法的意图识别方法及装置

权利要求书

1.一种基于改进XGBoost算法的意图识别方法，其特征在于：包括以下步骤，

S10、通过自定义词库对原始文本数据进行分词，分词结果通过停用词词库进行过滤，得到初始化数据；

S20、对Scikit－learn算法中的CountVectorizer函数和TfidfVectorizer函数通过输入初始化数据进行训练；

S30、将训练后的特征函数countVectorizer和tfidfVectorizer进行本地化存储，形成本地中间件，保留文本数据特征间相互关联关系，形成XGBoost模型初始数据；

S40、将XGBoost模型初始数据，经过XGBoost模型中梯度增强算法进行模型训练，得到基于XGBoost与Scikit－learn算法意图识别模型；

S50、将训练后的XGBoost模型进行本地化存储；

S60、基于XGBoost与Scikit－learn算法意图识别模型，对用户输入的语句进行意图识别：

S61、待对用户输入语句时，对用户输入语句进行初始化操作；

S62、加载特征函数countVectorizer和tfidfVectorizer中间件，对用户输入语句进行特征处理；

S63、通过加载训练过的XGBoost模型，计算出用户输入语句的分类类别，实现用户意图识别分析。

2.如权利要求1所述的基于改进XGBoost算法的意图识别方法，其特征在于：所述步骤S20具体包括，

S21、通过Scikit－learn算法中的CountVectorizer函数将初始化数据转换词频矩阵；

S22、词频矩阵通过TfidfVectorizer函数计算出每个短语权重分值。

3.如权利要求1所述的基于改进XGBoost算法的意图识别方法，其特征在于：所述步骤S40具体包括，将XGBoost模型初始数据，经过XGBoost模型中梯度增强算法进行模型训练，通过收缩比例因子新增加权重防止过拟合情况，训练直至达到损失函数条件，终止模型训练，得到基于XGBoost与Scikit－learn算法意图识别模型。

4.一种基于改进XGBoost算法的意图识别装置，其特征在于：包括以下模块，

数据初始化模块，用于通过自定义词库对原始文本数据进行分词，分词结果通过停用词词库进行过滤，得到初始化数据；

特征函数训练模块，用于对Scikit－learn算法中的CountVectorizer函数和TfidfVectorizer函数通过输入初始化数据进行训练；

特征函数存储模块，用于将训练后的特征函数countVectorizer和tfidfVectorizer进行本地化存储，形成本地中间件，保留文本数据特征间相互关联关系，形成XGBoost模型初始数据；

XGBoost算法优化模块，用于将XGBoost模型初始数据，经过XGBoost模型中梯度增强算法进行模型训练，得到基于XGBoost与Scikit－learn算法意图识别模型；

XGBoost模型存储模块，用于将训练后的XGBoost模型进行本地化存储；

用户意图识别模块，用于基于XGBoost与Scikit－learn算法意图识别模型，对用户输入的语句进行意图识别；

所述用户意图识别模块具体包括，

用户输入语句初始化单元，用于待对用户输入语句时，对用户输入语句进行初始化操作；

用户输入语句进行特征处理单元，用于加载特征函数countVectorizer和tfidfVectorizer中间件，对用户输入语句进行特征处理；

用户输入语句分类单元，用于通过加载训练过的XGBoost模型，计算出用户输入语句的分类类别，实现用户意图识别分析。

5.如权利要求4所述的基于改进XGBoost算法的意图识别装置，其特征在于：所述特征函数训练模块包括，

数据转换单元，用于通过Scikit－learn算法中的CountVectorizer函数将初始化数据转换词频矩阵；

短语权重计算单元，用于词频矩阵通过TfidfVectorizer函数计算出每个短语权重分值，形成XGBoost模型初始数据。

6.如权利要求4所述的基于改进XGBoost算法的意图识别装置，其特征在于：所述XGBoost算法优化模块具体用于，将XGBoost模型初始数据，经过XGBoost模型中梯度增强算法进行模型训练，通过收缩比例因子新增加权重防止过拟合情况，训练直至达到损失函数条件，终止模型训练，得到基于XGBoost与Scikit－learn算法意图识别模型。