本發明公開了一種人機交互中自然語言意圖理解方法以及裝置，其中，該方法包括：獲取待解析的對話文本信息；確定對話文本信息中每個分詞的詞向量；根據意圖識別模型和詞向量，生成與對話文本信息的意圖類型；獲取與意圖類型對應的意圖要素抽取模型；根據意圖要素抽取模型和詞向量，從對話文本信息中確定出表達意圖類型所需要的意圖要素的關鍵詞信息。本發明實施例提供的人機交互中自然語言意圖理解方法，無需提取對話文本信息在其對應領域上的特征信息，通過分析對話文本信息中每個分詞的詞向量即可從對話文本信息中準確確定出表達意圖類型所需要的意圖要素的關鍵詞信息。

技術領域

本發明涉及自然語言技術領域，尤其涉及一種人機交互中自然語言意圖理解方法及裝置。

背景技術

對話系統(Dialogue System)是一種基于自然語言的人機交互系統。通過對話系統，人可以使用自然語言和計算機進行多輪交互來完成特定的任務，如信息查詢、服務獲取等。對話系統提供了一種更自然、便捷的人機交互方式，廣泛應用于車載、家居、客服等場景。

其中，自然語言理解(Natural Language Understanding)是對話系統中的核心模塊。自然語言理解的目標是將自然語言的文本信息轉換為可被計算機處理的語義表示(Semantic Representation)，即用一種結構化的數據來表示一句話所表達的含義。也就是說，自然語言理解的目標是根據待解析的文本信息確定用戶想表達的意圖以及滿足用戶意圖的條件。

相關技術中，最常見的一種技術方案是基于規則的自然語言理解。基于規則的自然語言理解方式通過定義若干規則來進行意圖識別和意圖要素從文本信息中獲取表達對應意圖所需要的意圖元素的關鍵詞。例如，當輸入文本符合「…訂…X到Y…航班」這樣的規則時，系統就輸出意圖是訂機票，X和Y分別為出發和達到城市。然而，上述基于規則的自然語言理解方式至少存在如下技術問題：1)規則的設定通常依賴領域知識，需要專業人員來設定，耗費人力。2)因為自然語言表達方式的多樣性，覆蓋不同的表達方式就需要設定大量的規則，但即便這樣，也無法窮盡出所有規則。3)基于規則的方法無法根據實際數據進行自學習而不斷進化，遇到問題時只能靠不斷地設定新的規則來解決。4)如果規則越來越多，規則之間甚至會發生沖突。另外，還可以通過傳統統計機器學習的方法進行自然語言理解，通過該方式進行自然語言理解需要人工設計模型的輸入特征(例如，n-gram、tf-idf(termfrequency–inverse document frequency，信息檢索數據挖掘的常用加權技術))，這帶來兩個問題。首先，特征的好壞會影響模型的效果，而特征設計依賴于領域知識，因此需要專業人員投入大量精力在特征設計上。其次，因為大部分特征是與領域知識相關的，同樣的特征在解決一個領域的問題時有效并不代表該特征在解決另一個領域的問題時依然有效，這使得該方法跨領域遷移的能力較弱。

發明內容

本發明旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本發明的一個目的在于提出一種人機交互中自然語言意圖理解方法，該方法無需提取對話文本信息在其對應領域上的特征信息，通過分析對話文本信息中每個分詞的詞向量即可從對話文本信息中準確確定出表達意圖類型所需要的意圖要素的關鍵詞信息。

本發明的第二個目的在于提出一種人機交互中自然語言意圖理解裝置。

為達上述目的，本發明第一方面實施例提出了一種人機交互中自然語言意圖理解方法，包括：獲取待解析的對話文本信息；確定所述對話文本信息中每個分詞的詞向量；根據意圖識別模型和所述詞向量，生成與所述對話文本信息的意圖類型；獲取與所述意圖類型對應的意圖要素抽取模型；根據所述意圖要素抽取模型和所述詞向量，從所述對話文本信息中確定出表達所述意圖類型所需要的意圖要素的關鍵詞信息。