[发明专利]一种Zero-shot Learning在智能客服系统中的应用方法

摘要

本发明公开了一种Zero‑shot Learning在智能客服系统中的应用方法，包括通用模型准备阶段和通用模型预测阶段。本发明，由于本方案半自动化训练了企业的通用NLU模型，在未来使用过程中应用方如果遇到新NLU需求，可不需要新语料样本数据，即可对新语义理解需求进行分类，本方案提供一个提取NLU通用分类的框架，将企业个性化NLU分类通用化，加快未来新NLU分类需求的上线速度，实用性强。

主权项

1.一种Zero‑shot Learning在智能客服系统中的应用方法，其特征在于，包括通用模型准备阶段和通用模型预测阶段；所述通用模型准备阶段，包括如下步骤：（1）、构建一套大规模通用意图类别的数据集，意图的分类要满足通用性的规则，每一句话对应一个或多个意图类别；（2）、构建一套大规模通用实体类别的数据集，实体的分类要满足通用性的规则，每一句话对应一个或多个实体类别；（3）、利用通用意图类别数据集训练一个通用多标签类别的分类模型；（4）、利用通用实体类别数据集训练一个通用实体识别模型；所述通用模型预测阶段包括如下步骤：（1）、企业在有新的语义理解的需求后，在本方案的智能客服平台上，将每个语义类别中的意图按照通用意图类别进行拆分；每个语义类别中的实体挑选出来；（2）、将企业新需求进行拆分后，该通用分类和实体的组合，即表示为该需求的类别；（3）、将对应的语义分类语料样本上传到本方案的智能客服平台上，用通用意图分类模型和通用实体识别模型进行测试，每个语料样本对应的通用意图和实体的识别概率的组合是否大于阈值，如果大于阈值，则表示该样本被正确分类到了该组合类别中，该测试即可得到该语义理解分类的 precision 和 recall；（4）、企业查看该语义类别的指标，如果指标达到可商用状态，即可点击本方案智能客服平台中的模型发布，该通用类别组合即可对外服务；（5）、如果指标没有达到商用状态，企业需要对通用分类拆分和实体抽取进行审阅，查看拆分是否不符合语义逻辑，或是否和其他拆分方式有冲突，如果拆分方式有问题，需要对拆分组合进行修改。