[发明专利]一种改进的语义意图识别方法以及LSTM构架系统

权利要求书

1.一种改进的语义意图识别方法，包括以下步骤：

获取训练语料；

中文分词：对获取到的训练语料进行中文分词；

去除停用词及标点符号：去除训练语料中的停用词及符号，从而得到训练语料的若干特征词；

词向量计算：计算所述训练语料中每一个特征词的词向量，从而得到每一个特征词的词向量；

根据所述训练语料中特征词的数量n以及每一特征词的词向量维度m，生成对应的m*n的词向量矩阵，将该词向量矩阵输入至叠加式LSTM架构以对所述训练语料进行学习训练；其中，所述叠加式LSTM架构由多个LSTM层叠加而成，首个LSTM层对所述词向量矩阵进行学习训练，生成学习训练后的第一特征数值矩阵，该首个LSTM层学习训练后的第一特征数值矩阵作为下一个LSTM层的输入，最后一个LSTM层对上一个LSTM层输出的特征数值矩阵进行学习训练，从而输出经过学习训练后的第二特征数值矩阵；

将最后一个LSTM层输出的第二特征数值矩阵通过外接的softmax函数对其进行分类，从而将所述训练语料分类至对应的意图分类中。

2.如权利要求1所述的改进的语义意图识别方法，其特征在于，在获取训练语料的步骤中，通过人工标注方式或爬虫采集方式获取所述训练语料。

3.如权利要求1所述的语义意图识别方法，其特征在于，在中文分词的步骤中，通过开源的jieba分词对所述获取到的训练语料进行中文分词。

4.如权利要求1所述的语义意图识别方法，其特征在于，在去除停用词及标点符号的步骤中，建立停用词/字典，去除副词、形容词、连接词以及标点符号。

5.如权利要求1所述的语义意图识别方法，其特征在于，在词向量计算的步骤中，采用Word2Vec计算所述训练语料中每一个特征词的词向量，从而得到每一个特征词的词向量。

6.一种叠加式LSTM架构系统，包括：输入层、叠加式LSTM架构以及输出层，所述叠加式LSTM架构由多个LSTM层叠加而成；

所述输入层用于根据训练语料中特征词的数量n以及每一特征词的词向量维度m，生成对应的m*n的词向量矩阵，将该词向量矩阵输入至首个LSTM层；

所述首个LSTM层对所述词向量矩阵进行学习训练，生成学习训练后的第一特征数值矩阵，该首个LSTM层学习训练后的第一特征数值矩阵作为下一个LSTM层的输入，最后一个LSTM层对上一个LSTM层输出的特征数值矩阵进行学习训练，从而输出经过学习训练后的第二特征数值矩阵；

所述输出层用于通过外接的softmax函数对第二特征数值矩阵进行分类，从而将所述训练语料分类至对应的意图分类中。

7.如权利要求6所述的叠加式LSTM架构系统，其特征在于，所述叠加式LSTM架构由首个LSTM层和最后一个LSTM层叠加而成，其中：

所述首个LSTM层对所述输入层输入的词向量矩阵进行学习训练，生成与所述词向量矩阵结构相同的第一特征数值矩阵；

所述最后一个LSTM层用于对首个LSTM层输出的第一特征数值矩阵进行学习训练，从而生成与所述第一特征数值矩阵结构相同的第二特征数值矩阵。

8.如权利要求6所述的叠加式LSTM架构系统，其特征在于，所述叠加式LSTM架构由首个LSTM层、中间LSTM层以及最后一个LSTM层叠加而成，其中：

所述首个LSTM层对所述输入层输入的词向量矩阵进行学习训练，生成与所述词向量矩阵结构相同的第一特征数值矩阵；

所述中间LSTM层用于将所述第一特征数值矩阵作为输入，并对其进行学习训练，从而生成与所述第一特征数值矩阵结构相同的特征数值矩阵，并将其输出至所述最后一个LSTM层；

所述最后一个LSTM层用于对所述中间LSTM层输出的特征数值矩阵进行学习训练，从而生成与所述中间LSTM层输出的特征数值矩阵结构相同的第二特征数值矩阵。