[发明专利]一种话语意图识别方法、装置、设备及存储介质

权利要求书

1.一种话语意图识别方法，其特征在于，所述方法包括：

将用户话语转变为词向量；

将所述词向量逐一输入长短期记忆网络(简称LSTM)模型中，生成中间语义向量；

通过softmax函数对所述中间语义向量进行变换，得到话语意图识别结果并输出。

2.根据权利要求1所述的话语意图识别方法，其特征在于，所述将用户话语转变为词向量包括：

将输入的话语字符通过词向量工具转换成300维的全实数向量。

3.根据权利要求2所述的话语意图识别方法，其特征在于，所述方法还包括：

通过Attention模型为各所述词向量分配不同大小的注意力参数。

4.根据权利要求1所述的话语意图识别方法，其特征在于，所述方法还包括：

根据所述话语意图识别结果，为所述用户话语设定对应的话语意图种类。

5.根据权利要求3所述的话语意图识别方法，其特征在于，所述中间语义向量为：

h_t＝f(W_n,h_t-1)，其中，Wn为生成的词向量；

f为流程函数，具体为：

f_t＝σ(W_f·X+b_f)

i_t＝σ(W_i·X+b_i)

o_t＝σ(W_o·X+b_o)

c_t＝f_t⊙c_t-1+i_t⊙tanh(W_c·X+b_c)

h_t＝o_t⊙tanh(c_t)

其中，X是输入集合，包含上一时刻的隐藏向量h以及当前时刻的输入向量x；σ是sigmoid函数，f_t是遗忘门，i_t是输入门，o_t是输出门，c_t是当前状态值；

W_f、W_i、W_o、为线性变换使用的权重矩阵，b_f、b_i、b_o为线性变换使用的偏置；

W_c为LSTM单元本身对X的线性变换使用的参数矩阵，b_c为可调整的参数。

6.根据权利要求5所述的话语意图识别方法，其特征在于，所述话语意图函数为：

p＝softmax(W_cυ+b_c)，其中p话语意图对应的概率分布；υ为Attention模型分配的注意力参数。

7.根据权利要求6所述的话语意图识别方法，其特征在于，注意力参数ν的计算方法为：

u_i＝tanh(W_sh_i+b_s)

其中，Ws是用来计算注意力权重α使用的线性变换参数矩阵；α_i表示第i个输出在输入上分配的注意力，u_s、bs为可调整的参数。

8.一种用于话语意图识别的装置，其特征在于，所述装置包括：

用户话语转变单元，配置用于将用户话语转变为词向量；

中间语义生成单元，配置用于将所述词向量逐一输入长短期记忆网络(简称LSTM)模型中，生成中间语义向量；

话语意图识别单元，配置用于通过softmax函数对所述中间语义向量进行变换，得到话语意图识别结果并输出。