热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

意图识别(规则模板解析、深度学习意图识别)

一、意图识别应用领域1、搜索引擎2、对话系统:基于意图识别了解用户想要什么业务或者闲聊,并采用不用的子模型来处理1.1闲聊技术:闲聊机
 一、意图识别应用领域

1、搜索引擎
2、对话系统:基于意图识别了解用户想要什么 业务 或者 闲聊,并采用不用的子模型来处理1.1 闲聊技术:闲聊机器人需要有较高的召回率,因此常常用:seq2seq + attention / transformer / bert .... 1.2 基于业务,例如 电商、买票、查询天气技术:基于上述应用场景需要极高的精确率,因此常常用:① 基于业务规则模板、基于语义匹配 ②
3、智能物联网
4、机器人

二、意图识别的难点

1、用户输入不规范,输入方式多样化,甚至非标准的自然语言
2、表意表现出多意图仙剑奇侠传游戏?--> 游戏软件?……电视剧?--> 电视剧下载?相关新闻?……
3、意图强度,表述不同表现出不同的需求强度天气很好啊-->弱意图(心情,闲聊模式) 今天天气怎么样-->强意图(业务模式)
4、意图存在时效性变化,就是随着时间的推移相同问题的意图会发生变化 ******* 难点
5、没有固定的评估的标准

三、意图识别的主要方法

   1、意图识别的类别

(1)导航型 将用户导航到相应的领域或相应的流程中例:百度 *** 导入到某个网站
(2)信息型 提供给用户想知道的信息例:百度 *** 的个人信息 ----- 类似百度百科
(3)事务型 给用户提供流程中的各个实现环节例:百度 *** 坏了 ----- 类似百度知道

   2、规则模板意图识别


     (1)词表穷举法

                     特点:必须一一命中才行,因此模型的召回率较低,精确率极高 

   (2)规则模板解析    

                规则模板解析: 需要基于  分词、词性标注、命名实体识别、依存句法分析、语义分析 的前提下 才能完成

                                           而且数据中使用的也是字典形式(key hash 结构),查询速度较快。

1、适用于查询非常符合规则的类别,通过规则解析的方式来获取查询的意图。例:北京到上海今天的机票价格,可以转换为:[地点]到[地点][日期][汽车票/机票/火车票]。执行过程:第一步:寻找领域,获取子类模板字典第二步:选取模板,这里面命中模板不是所有的内容都全部命中,只需要命中一部分。第三步:采取 反问模板 与用户沟通缺失了模板的那些内容,并补全这些内容(即上述问句没有日期)第四步:给出 完整的模板信息 并 等待用户确认。1吨等于多少公斤,可以转换为:[数字][计量单位]等于[数字][计量单位]。对规则性较强的query有较好的识别精度,能够较好的提取准确信息。缺点:需要人工参与较多,很难自动化实现。实用指数:4★场景:搜狗通用搜索、小i智能客服、机器人、智能物联网、支付宝分控系统有10000多个模板。

                 特点:规则性较强的query精确率较高,召回率也不错 

  •    案例:搜狗搜索 意图识别

                     规则意图识别的一般技术

                            1. 判断领域:采用实体-主域-模板的整体框架来判别识别领域

                                      注意:主题    ------ 大类别 ;主域  ------- 子类别 ; 模板

                            2. 判断意图:命中主域后,模板采用意图动词(下载、查询等)或意图疑问词(怎么样、为什么等)判别意图

                            3. 区分弱意图和强意图,针对性提供解决方案;判断实体强度

                                搜索引擎意图识别领域判别表:仙剑奇侠传

                 计算过程 

                          第一步:主体(大类)计算

                          第二步:主域(子类)计算 

  •  规则模板解析优化 

4. query改写包括:query纠错,query扩展,query删除,query转换。a. 进行同义词扩展 eg:我去旅游 我要旅游 ------- 技术:① word2vec ② b. 删除一些修饰,扩大召回 ------- 技术:① booststriping信息抽取 ② 语义分析(三元组)c. 通过近义或同义转化,扩大召回 ------- 技术:① word2vec ②

    3、深度学习意图识别

1、机器学习和深度学习方法意图识别可以看做是一个分类问题,针对于垂直产品的特点,定义不同的查询意图类别。对于用户输入的query,根据统计分类模型计算出每一个意图的概率,最终给出查询的意图。 缺点:主要是数据获取和更新较困难,数据的标注也需要较准确才能训练出较好地模型。实用指数:4★场景:京东JIMI、美团垂直搜索2、深度学习 意图识别常见 模型:① LSTM + attention② BERT网络 分类意图识别

                   特点:模型召回率很高 

  •     案例:京东JIMI  意图识别

                      一、 大致结构

                   二、模型网络

京东JIMI意图识别(baseline)深度学习CNN模型,可用于求解一个分类问题,将用户的问题映射到一个具体的分类。最终在算法选型上,采用深度学习CNN模型,其中模型参数:词向量采用100维每个样本限定30个字以内,超出30截断,不足30补充随机向量单层CNN网络,第一层卷积核大小3*50

 

 


推荐阅读
  • 投融资周报 | Circle 达成 4 亿美元融资协议,唯一艺术平台 A 轮融资超千万美元 ... [详细]
  • 能够感知你情绪状态的智能机器人即将问世 | 科技前沿观察
    本周科技前沿报道了多项重要进展,包括美国多所高校在机器人技术和自动驾驶领域的最新研究成果,以及硅谷大型企业在智能硬件和深度学习技术上的突破性进展。特别值得一提的是,一款能够感知用户情绪状态的智能机器人即将问世,为未来的人机交互带来了全新的可能性。 ... [详细]
  • 为了评估精心优化的模型与策略在实际环境中的表现,Google对其实验框架进行了全面升级,旨在实现更高效、更精准和更快速的在线测试。新的框架支持更多的实验场景,提供更好的数据洞察,并显著缩短了实验周期,从而加速产品迭代和优化过程。 ... [详细]
  • 本文介绍了几种常用的图像相似度对比方法,包括直方图方法、图像模板匹配、PSNR峰值信噪比、SSIM结构相似性和感知哈希算法。每种方法都有其优缺点,适用于不同的应用场景。 ... [详细]
  • Ihavetwomethodsofgeneratingmdistinctrandomnumbersintherange[0..n-1]我有两种方法在范围[0.n-1]中生 ... [详细]
  • 本文回顾了作者初次接触Unicode编码时的经历,并详细探讨了ASCII、ANSI、GB2312、UNICODE以及UTF-8和UTF-16编码的区别和应用场景。通过实例分析,帮助读者更好地理解和使用这些编码。 ... [详细]
  • 基于Linux开源VOIP系统LinPhone[四]
    ****************************************************************************************** ... [详细]
  • 在机器学习领域,深入探讨了概率论与数理统计的基础知识,特别是这些理论在数据挖掘中的应用。文章重点分析了偏差(Bias)与方差(Variance)之间的平衡问题,强调了方差反映了不同训练模型之间的差异,例如在K折交叉验证中,不同模型之间的性能差异显著。此外,还讨论了如何通过优化模型选择和参数调整来有效控制这一平衡,以提高模型的泛化能力。 ... [详细]
  • Spring框架中枚举参数的正确使用方法与技巧
    本文详细阐述了在Spring Boot框架中正确使用枚举参数的方法与技巧,旨在帮助开发者更高效地掌握和应用枚举类型的数据传递,适合对Spring Boot感兴趣的读者深入学习。 ... [详细]
  • 深入解析CAS机制:全面替代传统锁的底层原理与应用
    本文深入探讨了CAS(Compare-and-Swap)机制,分析了其作为传统锁的替代方案在并发控制中的优势与原理。CAS通过原子操作确保数据的一致性,避免了传统锁带来的性能瓶颈和死锁问题。文章详细解析了CAS的工作机制,并结合实际应用场景,展示了其在高并发环境下的高效性和可靠性。 ... [详细]
  • 本文深入探讨了NoSQL数据库的四大主要类型:键值对存储、文档存储、列式存储和图数据库。NoSQL(Not Only SQL)是指一系列非关系型数据库系统,它们不依赖于固定模式的数据存储方式,能够灵活处理大规模、高并发的数据需求。键值对存储适用于简单的数据结构;文档存储支持复杂的数据对象;列式存储优化了大数据量的读写性能;而图数据库则擅长处理复杂的关系网络。每种类型的NoSQL数据库都有其独特的优势和应用场景,本文将详细分析它们的特点及应用实例。 ... [详细]
  • Java中不同类型的常量池(字符串常量池、Class常量池和运行时常量池)的对比与关联分析
    在研究Java虚拟机的过程中,笔者发现存在多种类型的常量池,包括字符串常量池、Class常量池和运行时常量池。通过查阅CSDN、博客园等相关资料,对这些常量池的特性、用途及其相互关系进行了详细探讨。本文将深入分析这三种常量池的差异与联系,帮助读者更好地理解Java虚拟机的内部机制。 ... [详细]
  • 如何利用Java 5 Executor框架高效构建和管理线程池
    Java 5 引入了 Executor 框架,为开发人员提供了一种高效管理和构建线程池的方法。该框架通过将任务提交与任务执行分离,简化了多线程编程的复杂性。利用 Executor 框架,开发人员可以更灵活地控制线程的创建、分配和管理,从而提高服务器端应用的性能和响应能力。此外,该框架还提供了多种线程池实现,如固定线程池、缓存线程池和单线程池,以适应不同的应用场景和需求。 ... [详细]
  • 技术日志:使用 Ruby 爬虫抓取拉勾网职位数据并生成词云分析报告
    技术日志:使用 Ruby 爬虫抓取拉勾网职位数据并生成词云分析报告 ... [详细]
  • 当前物联网领域十大核心技术解析:涵盖哪些关键技术?
    经过近十年的技术革新,物联网已悄然渗透到日常生活中,对社会产生了深远影响。本文将详细解析当前物联网领域的十大核心关键技术,包括但不限于:1. 军事物联网技术,该技术通过先进的感知设备实现战场环境的实时监测与数据传输,提升作战效能和决策效率。其他关键技术还包括传感器网络、边缘计算、大数据分析等,这些技术共同推动了物联网的快速发展和广泛应用。 ... [详细]
author-avatar
育诚家瑋逸群
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有