本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種基于人工智能的口語(yǔ)查詢識(shí)別方法及裝置。

背景技術(shù)：

人工智能(Artificial Intelligence)，英文縮寫(xiě)為AI。它是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)新的技術(shù)科學(xué)。人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類(lèi)智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人、語(yǔ)音識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專(zhuān)家系統(tǒng)等。

隨著人工智能的發(fā)展，計(jì)算機(jī)與人的自然交互已經(jīng)是人工智能的核心問(wèn)題。如何讓機(jī)器準(zhǔn)確地獲取用戶口語(yǔ)查詢意圖及其對(duì)應(yīng)的參數(shù)信息是一個(gè)非常重要的技術(shù)問(wèn)題。

傳統(tǒng)的模板匹配方法是通過(guò)人工總結(jié)一些案例，找出該類(lèi)案例的固定模式存入詞典，在接收到一個(gè)查詢的口語(yǔ)時(shí)，與已有模板進(jìn)行匹配，從而分析出查詢的意圖及其對(duì)應(yīng)的參數(shù)信息。

然而，口語(yǔ)表達(dá)方式復(fù)雜多樣，模板是有限的，依靠模板匹配并不能完全覆蓋所有的表達(dá)形式，以及模板匹配方法無(wú)法利用跨領(lǐng)域信息，各個(gè)領(lǐng)域之間是相互獨(dú)立的，不能相互遷移。例如，總結(jié)好訂票相關(guān)的查詢模板，當(dāng)需要處理打車(chē)的查詢時(shí)，訂票的模板不能完全適用，這時(shí)需要人工去總結(jié)新的類(lèi)別上的模板。另外，模板匹配需要人工參與總結(jié)，自動(dòng)化程度不高。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的旨在至少在一定程度上解決上述的技術(shù)問(wèn)題之一。

為此，本發(fā)明的第一個(gè)目的在于提出一種基于人工智能的口語(yǔ)查詢識(shí)別方法，該方法通過(guò)訓(xùn)練生成高適用性和高自動(dòng)化的檢索領(lǐng)域識(shí)別模型和檢索意圖識(shí)別模型，能夠準(zhǔn)確獲取用戶口語(yǔ)查詢的意圖及其對(duì)應(yīng)的參數(shù)信息，提高了口語(yǔ)查詢識(shí)別的效率和準(zhǔn)確度。

本發(fā)明的第二個(gè)目的在于提出了一種基于人工智能的口語(yǔ)查詢識(shí)別裝置。

為達(dá)上述目的，根據(jù)本發(fā)明第一方面實(shí)施例提出的一種基于人工智能的口語(yǔ)查詢識(shí)別方法，包括以下步驟：

根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的查詢領(lǐng)域?qū)矸e神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成檢索領(lǐng)域識(shí)別模型；

根據(jù)所述口語(yǔ)檢索語(yǔ)料標(biāo)注的與所述查詢領(lǐng)域?qū)?yīng)的查詢意圖和參數(shù)信息，對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成與所述查詢領(lǐng)域?qū)?yīng)的檢索意圖識(shí)別模型。

本發(fā)明實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別方法，首先根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的查詢領(lǐng)域?qū)矸e神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成檢索領(lǐng)域識(shí)別模型，接著根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的與查詢領(lǐng)域?qū)?yīng)的查詢意圖和參數(shù)信息，對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成與查詢領(lǐng)域?qū)?yīng)的檢索意圖識(shí)別模型。由此，通過(guò)訓(xùn)練生成高適用性和高自動(dòng)化的檢索領(lǐng)域識(shí)別模型和檢索意圖識(shí)別模型，能夠準(zhǔn)確獲取用戶口語(yǔ)查詢的意圖及其對(duì)應(yīng)的參數(shù)信息，提高了口語(yǔ)查詢識(shí)別的效率和準(zhǔn)確度。

為達(dá)上述目的，根據(jù)本發(fā)明的第二方面實(shí)施例提出的一種基于人工智能的口語(yǔ)查詢識(shí)別裝置，包括：第一生成模塊，用于根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的查詢領(lǐng)域?qū)矸e神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成檢索領(lǐng)域識(shí)別模型；

第二生成模塊，用于根據(jù)所述口語(yǔ)檢索語(yǔ)料標(biāo)注的與所述查詢領(lǐng)域?qū)?yīng)的查詢意圖和參數(shù)信息，對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成與所述查詢領(lǐng)域?qū)?yīng)的檢索意圖識(shí)別模型。

本發(fā)明實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置，首先根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的查詢領(lǐng)域?qū)矸e神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成檢索領(lǐng)域識(shí)別模型，接著根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的與查詢領(lǐng)域?qū)?yīng)的查詢意圖和參數(shù)信息，對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成與查詢領(lǐng)域?qū)?yīng)的檢索意圖識(shí)別模型。由此，通過(guò)訓(xùn)練生成高適用性和高自動(dòng)化的檢索領(lǐng)域識(shí)別模型和檢索意圖識(shí)別模型，能夠準(zhǔn)確獲取用戶口語(yǔ)查詢的意圖及其對(duì)應(yīng)的參數(shù)信息，提高了口語(yǔ)查詢識(shí)別的效率和準(zhǔn)確度。

本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。

附圖說(shuō)明

本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1是根據(jù)本發(fā)明一個(gè)實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別方法的流程圖；

圖2是根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別方法的流程圖；

圖3是根據(jù)本發(fā)明一個(gè)實(shí)施例的檢索領(lǐng)域識(shí)別模型的結(jié)構(gòu)示意圖；

圖4是根據(jù)本發(fā)明又一個(gè)實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別方法的流程圖；

圖5是根據(jù)本發(fā)明一個(gè)實(shí)施例的檢索意圖識(shí)別模型的結(jié)構(gòu)示意圖；

圖6是根據(jù)本發(fā)明再一個(gè)實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別方法的流程圖；

圖7是根據(jù)本發(fā)明一個(gè)實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置的結(jié)構(gòu)示意圖；

圖8是根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置的結(jié)構(gòu)示意圖；

圖9是根據(jù)本發(fā)明再一個(gè)實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置的結(jié)構(gòu)示意圖；以及

圖10是根據(jù)本發(fā)明又一個(gè)實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類(lèi)似的標(biāo)號(hào)表示相同或類(lèi)似的元件或具有相同或類(lèi)似功能的元件。下面通過(guò)參考附圖描述的實(shí)施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。

下面參考附圖描述本發(fā)明實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別方法及裝置。

圖1是根據(jù)本發(fā)明一個(gè)實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別方法的流程圖。

如圖1所示，本發(fā)明實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別方法包括以下步驟：

步驟101，根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的查詢領(lǐng)域?qū)矸e神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成檢索領(lǐng)域識(shí)別模型。

通常，在人機(jī)對(duì)話的查詢過(guò)程中，為了符合人類(lèi)的自然表達(dá)以口語(yǔ)形式出現(xiàn)，但是口語(yǔ)表達(dá)具有多樣性和復(fù)雜性。舉例說(shuō)明如下：

查詢＝“幫我訂張從北京到天津的火車(chē)票”，查詢＝“我想坐火車(chē)從北京到天津”，這兩個(gè)查詢都表達(dá)了用戶想“訂火車(chē)票”，起始地是“北京”，目的地是“天津”。如何讓計(jì)算機(jī)準(zhǔn)確理解這類(lèi)口語(yǔ)的查詢意圖以及該意圖所需要的參數(shù)信息是人機(jī)對(duì)話中需要解決的問(wèn)題。

因此，本發(fā)明實(shí)施例提出一種基于人工智能的口語(yǔ)查詢識(shí)別方法，能夠準(zhǔn)確獲取用戶口語(yǔ)查詢的意圖及其對(duì)應(yīng)的參數(shù)信息，提高了口語(yǔ)查詢識(shí)別的效率和準(zhǔn)確度。

首先，根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的查詢領(lǐng)域?qū)矸e神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成檢索領(lǐng)域識(shí)別模型，生成的檢索領(lǐng)域識(shí)別模型能夠確定輸入的口語(yǔ)查詢屬于哪個(gè)領(lǐng)域。

需要說(shuō)明的是，卷積神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一種輸入到輸出的映射，能夠?qū)W習(xí)大量的輸入與輸出之間的映射關(guān)系，而不需要任何輸入和輸出之間的精確的數(shù)學(xué)表達(dá)式。進(jìn)而，只要根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的查詢領(lǐng)域?qū)矸e神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，生成的檢索領(lǐng)域識(shí)別模型具有輸入輸出對(duì)之間的映射能力。

其中，口語(yǔ)檢索語(yǔ)料有很多種，可以通過(guò)預(yù)設(shè)規(guī)則對(duì)口語(yǔ)檢索語(yǔ)料進(jìn)行處理得到標(biāo)注檢索領(lǐng)域的口語(yǔ)檢索語(yǔ)料作為訓(xùn)練樣本，從而可自動(dòng)地獲取樣本數(shù)據(jù)，當(dāng)然也可通過(guò)例如人工標(biāo)注檢索領(lǐng)域的方式獲取訓(xùn)練樣本，標(biāo)注完畢的多個(gè)口語(yǔ)檢索語(yǔ)料存入訓(xùn)練樣本集合。

為了本領(lǐng)域人員更加清楚如何生成檢索領(lǐng)域識(shí)別模型，輸入已標(biāo)注查詢領(lǐng)域的口語(yǔ)檢索語(yǔ)料，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，具體得訓(xùn)練過(guò)程如下：

第一步，向前傳播階段，從訓(xùn)練樣本集合中取一個(gè)樣本，將樣本輸入卷積神經(jīng)網(wǎng)絡(luò)計(jì)算相應(yīng)的實(shí)際輸出，在此階段，信息從輸入層經(jīng)過(guò)逐級(jí)的變換，傳送到輸出層；

第二步，向后傳播階段，計(jì)算實(shí)際輸出與樣本對(duì)應(yīng)的理想輸出的差，按極小化誤差的方法，反向傳播調(diào)整權(quán)矩陣；

第三步，重復(fù)第一步和第二步的操作，直到卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)層Softmax之后的輸出的目標(biāo)函數(shù)J(θ)≤0.0001為止，得到檢索領(lǐng)域識(shí)別模型。

其中，J(θ)表示目標(biāo)函數(shù)，m表示樣本數(shù)量，θ表示訓(xùn)練參數(shù)，x表示隱層向量。

進(jìn)一步地，在獲取檢索領(lǐng)域識(shí)別模型之后，檢索領(lǐng)域識(shí)別模型能夠處理輸入的口語(yǔ)查詢屬于哪一個(gè)領(lǐng)域，例如，將查詢1＝“我要坐火車(chē)從北京到廣州”，查詢2＝“北京到廣州的火車(chē)最晚幾點(diǎn)發(fā)車(chē)”輸入到檢索領(lǐng)域識(shí)別模型，得到以上兩個(gè)查詢均屬于“交通”領(lǐng)域。

步驟102，根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的與查詢領(lǐng)域?qū)?yīng)的查詢意圖和參數(shù)信息，對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成與查詢領(lǐng)域?qū)?yīng)的檢索意圖識(shí)別模型。

具體地，檢索意圖識(shí)別模型可以識(shí)別查詢領(lǐng)域下的查詢意圖和參數(shù)信息，檢索意圖識(shí)別模型在學(xué)習(xí)參數(shù)信息標(biāo)注的時(shí)候同時(shí)兼顧查詢意圖識(shí)別，兩種信息相互融合補(bǔ)充，以提高其識(shí)別的精度。舉例說(shuō)明如下：

查詢＝“我要坐火車(chē)去廣州”時(shí)，識(shí)別到廣州為一個(gè)地名參數(shù)信息，查詢意圖可能是與交通意圖相關(guān)，同樣，當(dāng)我們識(shí)別到查詢意圖為坐火車(chē)的時(shí)候，需要識(shí)別出發(fā)地參數(shù)信息和目的地參數(shù)信息，而非天氣類(lèi)型參數(shù)信息。

為了本領(lǐng)域人員更加清楚如何生成檢索意圖識(shí)別模型，輸入已標(biāo)注查詢領(lǐng)域?qū)?yīng)的查詢意圖和參數(shù)信息的口語(yǔ)檢索語(yǔ)料，訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)，具體得訓(xùn)練過(guò)程如下：

第一步，訓(xùn)練樣本中口語(yǔ)檢索語(yǔ)料的分詞生成循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入層，從預(yù)先定義的詞表中查找輸入層中每個(gè)分詞對(duì)應(yīng)的實(shí)數(shù)向量。

第二步，由實(shí)數(shù)向量生成循環(huán)神經(jīng)網(wǎng)絡(luò)的實(shí)數(shù)向量層，對(duì)實(shí)數(shù)向量進(jìn)行矩陣映射，得到循環(huán)神經(jīng)網(wǎng)絡(luò)的隱層。

第三步，以每個(gè)分詞的實(shí)數(shù)向量作為條件，在條件下分別計(jì)算與每個(gè)分詞對(duì)應(yīng)的類(lèi)別的概率，作為循環(huán)神經(jīng)網(wǎng)絡(luò)的輸出層。

其中，計(jì)算類(lèi)別i的概率公式為：θ表示訓(xùn)練參數(shù)，x表示隱層向量,T表示總類(lèi)別，k為常數(shù)。

第四步，利用多個(gè)查詢領(lǐng)域的口語(yǔ)檢索語(yǔ)料對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到檢索意圖識(shí)別模型。

進(jìn)一步地，在獲取檢索意圖識(shí)別模型后，能夠識(shí)別口語(yǔ)查詢?cè)谠摬樵冾I(lǐng)域下的查詢意圖以及對(duì)應(yīng)參數(shù)信息。繼續(xù)以上述例子為例進(jìn)行說(shuō)明：在得到以上兩個(gè)查詢均屬于“交通”領(lǐng)域。檢索意圖識(shí)別模型識(shí)別出兩個(gè)查詢的查詢意圖是不同的，查詢1的意圖為用戶需要“訂一張飛機(jī)票”，查詢2的意圖為“火車(chē)時(shí)刻查詢”，查詢1和查詢2的參數(shù)信息都為起始地＝“北京”，目的地＝“廣州”。

綜上所述，本發(fā)明實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別方法，首先根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的查詢領(lǐng)域?qū)矸e神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成檢索領(lǐng)域識(shí)別模型，接著根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的與查詢領(lǐng)域?qū)?yīng)的查詢意圖和參數(shù)信息，對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成與查詢領(lǐng)域?qū)?yīng)的檢索意圖識(shí)別模型。由此，通過(guò)訓(xùn)練生成高適用性和高自動(dòng)化的檢索領(lǐng)域識(shí)別模型和檢索意圖識(shí)別模型，能夠準(zhǔn)確獲取用戶口語(yǔ)查詢的意圖及其對(duì)應(yīng)的參數(shù)信息，提高了口語(yǔ)查詢識(shí)別的效率和準(zhǔn)確度。

圖2是根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別方法的流程圖。

參見(jiàn)圖2，基于圖1實(shí)施例，在步驟102之后，還包括：

步驟201，對(duì)用戶輸入的口語(yǔ)檢索語(yǔ)句進(jìn)行分詞處理并進(jìn)行詞性標(biāo)注，并將分詞結(jié)果以向量形式依序輸入檢索領(lǐng)域識(shí)別模型的輸入層。

具體地，在訓(xùn)練好檢索領(lǐng)域識(shí)別模型和檢索意圖識(shí)別模型后，在獲取用戶輸入的口語(yǔ)檢索語(yǔ)句時(shí)，首先對(duì)口語(yǔ)檢索語(yǔ)句進(jìn)行分詞處理并進(jìn)行詞性標(biāo)注，其中，詞性標(biāo)注表示確定每個(gè)詞是名詞、動(dòng)詞、形容詞或其他詞性的過(guò)程。進(jìn)而，并將分詞結(jié)果以向量形式依序輸入檢索領(lǐng)域識(shí)別模型的輸入層。

為了更加清楚描述如何口語(yǔ)檢測(cè)語(yǔ)句的查詢領(lǐng)域，結(jié)合圖3詳細(xì)說(shuō)明如下：

如圖3所示，獲取用戶輸入的口語(yǔ)檢索語(yǔ)句為“北京今天天氣怎么樣”，對(duì)其進(jìn)行分詞處理并進(jìn)行詞性標(biāo)注為“北京”名詞、“今天”時(shí)間狀語(yǔ)、“天氣”名詞和“怎么樣”疑問(wèn)詞，并將分詞結(jié)果以向量形式依序輸入檢索領(lǐng)域識(shí)別模型的輸入層。

步驟202，通過(guò)檢索領(lǐng)域識(shí)別模型的隱層將當(dāng)前輸入的詞語(yǔ)與歷史輸入的詞語(yǔ)融合，根據(jù)所有詞語(yǔ)的融合結(jié)果獲取口語(yǔ)檢索語(yǔ)句的實(shí)數(shù)向量。

步驟203，通過(guò)檢索領(lǐng)域識(shí)別模型的輸出層對(duì)實(shí)數(shù)向量進(jìn)行概率分析，獲取口語(yǔ)檢測(cè)語(yǔ)句的查詢領(lǐng)域。

具體地，檢索領(lǐng)域識(shí)別模型具有輸入輸出對(duì)之間的映射能力，通過(guò)其隱層將當(dāng)前輸入的詞語(yǔ)與歷史輸入的詞語(yǔ)融合，根據(jù)所有詞語(yǔ)的融合結(jié)果獲取口語(yǔ)檢索語(yǔ)句的實(shí)數(shù)向量，可以通過(guò)檢索領(lǐng)域識(shí)別模型的輸出層對(duì)實(shí)數(shù)向量進(jìn)行概率分析，即使用softmax進(jìn)行分類(lèi)，確定實(shí)數(shù)向量對(duì)應(yīng)的查詢領(lǐng)域類(lèi)別，最后獲取口語(yǔ)檢測(cè)語(yǔ)句的查詢領(lǐng)域。

需要說(shuō)明的是，該檢索領(lǐng)域識(shí)別模型輸入層，隱層和輸出層即Softmax分類(lèi)層，其中，Softmax函數(shù)是用于對(duì)結(jié)果進(jìn)行分類(lèi)的函數(shù)。

繼續(xù)以上述例子進(jìn)行說(shuō)明，檢索領(lǐng)域識(shí)別模型的隱層將輸入的“北京”、“今天”、“天氣”和“怎么樣”與歷史輸入的詞語(yǔ)融合，根據(jù)所有詞語(yǔ)的融合結(jié)果獲取口語(yǔ)檢索語(yǔ)句的實(shí)數(shù)向量，通過(guò)公式(2)對(duì)實(shí)數(shù)向量進(jìn)行概率分析。例如，“北京”概率為0.2，“今天”概率為0.05、“天氣”概率為0.7和“怎么樣”概率為0.05。由此確定口語(yǔ)檢索語(yǔ)句為“北京今天天氣怎么樣”屬于天氣領(lǐng)域。

綜上所述，本發(fā)明實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別方法，首先用戶輸入的口語(yǔ)檢索語(yǔ)句進(jìn)行分詞處理并進(jìn)行詞性標(biāo)注，并將分詞結(jié)果以向量形式依序輸入檢索領(lǐng)域識(shí)別模型的輸入層，接著通過(guò)檢索領(lǐng)域識(shí)別模型的隱層將當(dāng)前輸入的詞語(yǔ)與歷史輸入的詞語(yǔ)融合，根據(jù)所有詞語(yǔ)的融合結(jié)果獲取口語(yǔ)檢索語(yǔ)句的實(shí)數(shù)向量，最后通過(guò)檢索領(lǐng)域識(shí)別模型的輸出層對(duì)實(shí)數(shù)向量進(jìn)行概率分析，獲取口語(yǔ)檢測(cè)語(yǔ)句的查詢領(lǐng)域。由此，通過(guò)訓(xùn)練生成高適用性和高自動(dòng)化的檢索領(lǐng)域識(shí)別模型，能夠準(zhǔn)確獲取用戶口語(yǔ)查詢的查詢領(lǐng)域，提高了口語(yǔ)查詢識(shí)別的效率和準(zhǔn)確度。

圖4是根據(jù)本發(fā)明又一個(gè)實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別方法的流程圖。

參見(jiàn)圖4，基于圖2實(shí)施例，在步驟203之后，還包括：

步驟401，將分詞結(jié)果以向量形式依序輸入與查詢領(lǐng)域?qū)?yīng)的檢索意圖識(shí)別模型。

具體地，在獲取查詢領(lǐng)域后，以及上述過(guò)程中得到的分詞結(jié)果以向量形式依序輸入檢索領(lǐng)域識(shí)別模型的輸入層。

為了更加清楚描述如何獲取口語(yǔ)檢測(cè)語(yǔ)句的查詢意圖及其對(duì)應(yīng)的參數(shù)信息，結(jié)合圖5詳細(xì)說(shuō)明如下：

如圖5所示，將口語(yǔ)檢索語(yǔ)句為“北京今天天氣怎么樣”的分詞結(jié)果以向量形式依序輸入檢索領(lǐng)域識(shí)別模型的輸入層。

步驟402，通過(guò)檢索意圖識(shí)別模型的隱層將當(dāng)前輸入的詞語(yǔ)與歷史輸入的詞語(yǔ)融合，根據(jù)所有詞語(yǔ)的融合結(jié)果獲取口語(yǔ)檢索語(yǔ)句的實(shí)數(shù)向量。

步驟403，通過(guò)檢索意圖識(shí)別模型的意圖分類(lèi)輸出層對(duì)實(shí)數(shù)向量進(jìn)行概率計(jì)算，獲取口語(yǔ)檢測(cè)語(yǔ)句的查詢意圖。

具體地，檢索意圖識(shí)別模型具有輸入輸出對(duì)之間的映射能力，通過(guò)其隱層將當(dāng)前輸入的詞語(yǔ)與歷史輸入的詞語(yǔ)融合，根據(jù)所有詞語(yǔ)的融合結(jié)果獲取口語(yǔ)檢索語(yǔ)句的實(shí)數(shù)向量，可以通過(guò)檢索意圖識(shí)別模型的輸出層對(duì)實(shí)數(shù)向量進(jìn)行概率分析，即使用softmax進(jìn)行分類(lèi)，確定實(shí)數(shù)向量對(duì)應(yīng)的查詢意圖類(lèi)別，最后獲取口語(yǔ)檢測(cè)語(yǔ)句的查詢意圖。

繼續(xù)以上述例子進(jìn)行說(shuō)明，檢索意圖識(shí)別模型的隱層將輸入的“北京”、“今天”、“天氣”和“怎么樣”與歷史輸入的詞語(yǔ)融合，根據(jù)所有詞語(yǔ)的融合結(jié)果獲取口語(yǔ)檢索語(yǔ)句的實(shí)數(shù)向量，通過(guò)公式(2)對(duì)實(shí)數(shù)向量進(jìn)行概率分析。例如，“北京”概率為0.1，“今天”概率為0.1、“天氣”概率為0.3和“怎么樣”概率為0.5。由此確定口語(yǔ)檢索語(yǔ)句為“北京今天天氣怎么樣”的查詢意圖為天氣如何。

步驟404，通過(guò)檢索意圖識(shí)別模型的序列化分類(lèi)輸出層對(duì)實(shí)數(shù)向量進(jìn)行概率計(jì)算，獲取與查詢意圖對(duì)應(yīng)的參數(shù)信息。

繼續(xù)以上述例子進(jìn)行說(shuō)明，通過(guò)公式(2)對(duì)實(shí)數(shù)向量進(jìn)行概率分析。例如，“北京”概率為0.1，“今天”概率為0.1、“天氣”概率為0.2和“怎么樣”概率為0.6。由此確定口語(yǔ)檢索語(yǔ)句為“北京今天天氣怎么樣”的查詢意圖對(duì)應(yīng)的參數(shù)信息為“北京”和“今天”。

綜上所述，本發(fā)明實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別方法，首先將分詞結(jié)果以向量形式依序輸入與查詢領(lǐng)域?qū)?yīng)的檢索意圖識(shí)別模型，接著通過(guò)檢索意圖識(shí)別模型的隱層將當(dāng)前輸入的詞語(yǔ)與歷史輸入的詞語(yǔ)融合，根據(jù)所有詞語(yǔ)的融合結(jié)果獲取口語(yǔ)檢索語(yǔ)句的實(shí)數(shù)向量，最后通過(guò)檢索意圖識(shí)別模型的意圖分類(lèi)輸出層對(duì)實(shí)數(shù)向量進(jìn)行概率計(jì)算，獲取口語(yǔ)檢測(cè)語(yǔ)句的查詢意圖和通過(guò)檢索意圖識(shí)別模型的序列化分類(lèi)輸出層對(duì)實(shí)數(shù)向量進(jìn)行概率計(jì)算，獲取與查詢意圖對(duì)應(yīng)的參數(shù)信息。由此，通過(guò)訓(xùn)練生成高適用性和高自動(dòng)化的檢索意圖識(shí)別模型，能夠準(zhǔn)確獲取用戶口語(yǔ)查詢的查詢意圖以及對(duì)應(yīng)的參數(shù)信息，提高了口語(yǔ)查詢識(shí)別的效率和準(zhǔn)確度。

圖6是根據(jù)本發(fā)明再一個(gè)實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別方法的流程圖。

參見(jiàn)圖6，基于上述實(shí)施例，為了進(jìn)一步提高口語(yǔ)查詢識(shí)別的效率和準(zhǔn)確度，需要檢測(cè)查詢領(lǐng)域的置信度和查詢意圖和參數(shù)信息的置信度，并在置信度低于一定閾值時(shí)，重新訓(xùn)練檢索領(lǐng)域識(shí)別模型和檢索意圖識(shí)別模型，詳細(xì)過(guò)程描述如下：

步驟601，將檢索領(lǐng)域識(shí)別模型標(biāo)注的查詢領(lǐng)域的置信度低于預(yù)設(shè)閾值的口語(yǔ)檢索語(yǔ)句重新由人工標(biāo)注，并作為口語(yǔ)檢索語(yǔ)料重新訓(xùn)練。

步驟602，將檢索意圖識(shí)別模型標(biāo)注的查詢意圖和參數(shù)信息的置信度低于預(yù)設(shè)閾值的口語(yǔ)檢索語(yǔ)句重新由人工標(biāo)注，并作為口語(yǔ)檢索語(yǔ)料重新訓(xùn)練。

具體地，檢索領(lǐng)域識(shí)別模型標(biāo)注的查詢領(lǐng)域的置信度表示其準(zhǔn)確性的程度，為了提高口語(yǔ)查詢識(shí)別的效率和準(zhǔn)確度，通過(guò)設(shè)置預(yù)設(shè)閾值保證檢索領(lǐng)域識(shí)別模型標(biāo)注的查詢領(lǐng)域具有一定的準(zhǔn)確度，同理，通過(guò)設(shè)置預(yù)設(shè)閾值保證檢索意圖識(shí)別模型標(biāo)注的查詢意圖和參數(shù)信息具有一定的準(zhǔn)確度。

進(jìn)一步地，在檢索領(lǐng)域識(shí)別模型標(biāo)注的查詢領(lǐng)域的置信度低于預(yù)設(shè)閾值時(shí)，將其對(duì)應(yīng)的口語(yǔ)檢索語(yǔ)句重新由人工標(biāo)注，并作為口語(yǔ)檢索語(yǔ)料重新訓(xùn)練，得到新的檢索領(lǐng)域識(shí)別模型。

進(jìn)一步地，在檢索意圖識(shí)別模型標(biāo)注的查詢意圖和參數(shù)信息的置信度低于預(yù)設(shè)閾值時(shí)，將其對(duì)應(yīng)的口語(yǔ)檢索語(yǔ)句重新由人工標(biāo)注，并作為口語(yǔ)檢索語(yǔ)料重新訓(xùn)練，得到新的檢索意圖識(shí)別模型。

需要是說(shuō)明的是，在檢索領(lǐng)域識(shí)別模型標(biāo)注的查詢領(lǐng)域的置信度不低于預(yù)設(shè)閾值時(shí)，不進(jìn)行將其對(duì)應(yīng)的口語(yǔ)檢索語(yǔ)句重新由人工標(biāo)注，并作為口語(yǔ)檢索語(yǔ)料重新訓(xùn)練。

需要說(shuō)明的是，在檢索意圖識(shí)別模型標(biāo)注的查詢意圖和參數(shù)信息的置信度不低于預(yù)設(shè)閾值時(shí)，不進(jìn)行將其對(duì)應(yīng)的口語(yǔ)檢索語(yǔ)句重新由人工標(biāo)注，并作為口語(yǔ)檢索語(yǔ)料重新訓(xùn)練。

綜上所述，本發(fā)明實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別方法，還將檢索領(lǐng)域識(shí)別模型標(biāo)注的查詢領(lǐng)域的置信度低于預(yù)設(shè)閾值的口語(yǔ)檢索語(yǔ)句重新由人工標(biāo)注，并作為口語(yǔ)檢索語(yǔ)料重新訓(xùn)練，以及將檢索意圖識(shí)別模型標(biāo)注的查詢意圖和參數(shù)信息的置信度低于預(yù)設(shè)閾值的口語(yǔ)檢索語(yǔ)句重新由人工標(biāo)注，并作為口語(yǔ)檢索語(yǔ)料重新訓(xùn)練。由此，進(jìn)一步提高了口語(yǔ)查詢識(shí)別的效率和準(zhǔn)確度。

為了實(shí)現(xiàn)上述實(shí)施例，本發(fā)明還提出一種基于人工智能的口語(yǔ)查詢識(shí)別裝置。

圖7是根據(jù)本發(fā)明一個(gè)實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置的結(jié)構(gòu)示意圖。

如圖7所示，該基于人工智能的口語(yǔ)查詢識(shí)別裝置包括：第一生成模塊710、第二生成模塊720。

其中，第一生成模塊710用于根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的查詢領(lǐng)域?qū)矸e神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成檢索領(lǐng)域識(shí)別模型。

首先，根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的查詢領(lǐng)域?qū)矸e神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成檢索領(lǐng)域識(shí)別模型，生成的檢索領(lǐng)域識(shí)別模型能夠確定輸入的口語(yǔ)查詢屬于哪個(gè)領(lǐng)域。

第二生成模塊720用于根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的與查詢領(lǐng)域?qū)?yīng)的查詢意圖和參數(shù)信息，對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成與查詢領(lǐng)域?qū)?yīng)的檢索意圖識(shí)別模型。

具體地，檢索意圖識(shí)別模型可以識(shí)別查詢領(lǐng)域下的查詢意圖和參數(shù)信息，檢索意圖識(shí)別模型在學(xué)習(xí)參數(shù)信息標(biāo)注的時(shí)候同時(shí)兼顧查詢意圖識(shí)別，兩種信息相互融合補(bǔ)充，以提高其識(shí)別的精度。

進(jìn)一步地，在獲取檢索意圖識(shí)別模型后，能夠識(shí)別口語(yǔ)查詢?cè)谠摬樵冾I(lǐng)域下的查詢意圖以及對(duì)應(yīng)參數(shù)信息。

需要說(shuō)明的是，前述對(duì)基于人工智能的口語(yǔ)查詢識(shí)別方法實(shí)施例的解釋說(shuō)明也適用于該實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置，其實(shí)現(xiàn)原理類(lèi)似，此處不再贅述。

綜上所述，本發(fā)明實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置，首先根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的查詢領(lǐng)域?qū)矸e神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成檢索領(lǐng)域識(shí)別模型，接著根據(jù)口語(yǔ)檢索語(yǔ)料標(biāo)注的與查詢領(lǐng)域?qū)?yīng)的查詢意圖和參數(shù)信息，對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成與查詢領(lǐng)域?qū)?yīng)的檢索意圖識(shí)別模型。由此，通過(guò)訓(xùn)練生成高適用性和高自動(dòng)化的檢索領(lǐng)域識(shí)別模型和檢索意圖識(shí)別模型，能夠準(zhǔn)確獲取用戶口語(yǔ)查詢的意圖及其對(duì)應(yīng)的參數(shù)信息，提高了口語(yǔ)查詢識(shí)別的效率和準(zhǔn)確度。

圖8是根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置的結(jié)構(gòu)示意圖。

如圖8所示，在如圖7所示的基礎(chǔ)上，該裝置還包括：處理模塊730、第一獲取模塊740和第二獲取模塊750。

其中，處理模塊730用于對(duì)用戶輸入的口語(yǔ)檢索語(yǔ)句進(jìn)行分詞處理并進(jìn)行詞性標(biāo)注，并將分詞結(jié)果以向量形式依序輸入檢索領(lǐng)域識(shí)別模型的輸入層。

具體地，在訓(xùn)練好檢索領(lǐng)域識(shí)別模型和檢索意圖識(shí)別模型后，在獲取用戶輸入的口語(yǔ)檢索語(yǔ)句時(shí)，首先對(duì)口語(yǔ)檢索語(yǔ)句進(jìn)行分詞處理并進(jìn)行詞性標(biāo)注，其中，詞性標(biāo)注表示確定每個(gè)詞是名詞、動(dòng)詞、形容詞或其他詞性的過(guò)程。進(jìn)而，并將分詞結(jié)果以向量形式依序輸入檢索領(lǐng)域識(shí)別模型的輸入層。

第一獲取模塊740用于通過(guò)檢索領(lǐng)域識(shí)別模型的隱層將當(dāng)前輸入的詞語(yǔ)與歷史輸入的詞語(yǔ)融合，根據(jù)所有詞語(yǔ)的融合結(jié)果獲取口語(yǔ)檢索語(yǔ)句的實(shí)數(shù)向量。

第二獲取模塊750用于通過(guò)檢索領(lǐng)域識(shí)別模型的輸出層對(duì)實(shí)數(shù)向量進(jìn)行概率分析，獲取口語(yǔ)檢測(cè)語(yǔ)句的查詢領(lǐng)域。

具體地，檢索領(lǐng)域識(shí)別模型具有輸入輸出對(duì)之間的映射能力，通過(guò)其隱層將當(dāng)前輸入的詞語(yǔ)與歷史輸入的詞語(yǔ)融合，根據(jù)所有詞語(yǔ)的融合結(jié)果獲取口語(yǔ)檢索語(yǔ)句的實(shí)數(shù)向量，可以通過(guò)檢索領(lǐng)域識(shí)別模型的輸出層對(duì)實(shí)數(shù)向量進(jìn)行概率分析，即使用softmax進(jìn)行分類(lèi)，確定實(shí)數(shù)向量對(duì)應(yīng)的查詢領(lǐng)域類(lèi)別，最后獲取口語(yǔ)檢測(cè)語(yǔ)句的查詢領(lǐng)域。

需要說(shuō)明的是，該檢索領(lǐng)域識(shí)別模型輸入層，隱層和輸出層即Softmax分類(lèi)層，其中，Softmax函數(shù)是用于對(duì)結(jié)果進(jìn)行分類(lèi)的函數(shù)。

需要說(shuō)明的是，前述對(duì)基于人工智能的口語(yǔ)查詢識(shí)別方法實(shí)施例的解釋說(shuō)明也適用于該實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置，其實(shí)現(xiàn)原理類(lèi)似，此處不再贅述。

綜上所述，本發(fā)明實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置，首先用戶輸入的口語(yǔ)檢索語(yǔ)句進(jìn)行分詞處理并進(jìn)行詞性標(biāo)注，并將分詞結(jié)果以向量形式依序輸入檢索領(lǐng)域識(shí)別模型的輸入層，接著通過(guò)檢索領(lǐng)域識(shí)別模型的隱層將當(dāng)前輸入的詞語(yǔ)與歷史輸入的詞語(yǔ)融合，根據(jù)所有詞語(yǔ)的融合結(jié)果獲取口語(yǔ)檢索語(yǔ)句的實(shí)數(shù)向量，最后通過(guò)檢索領(lǐng)域識(shí)別模型的輸出層對(duì)實(shí)數(shù)向量進(jìn)行概率分析，獲取口語(yǔ)檢測(cè)語(yǔ)句的查詢領(lǐng)域。由此，通過(guò)訓(xùn)練生成高適用性和高自動(dòng)化的檢索領(lǐng)域識(shí)別模型，能夠準(zhǔn)確獲取用戶口語(yǔ)查詢的查詢領(lǐng)域，提高了口語(yǔ)查詢識(shí)別的效率和準(zhǔn)確度。

圖9是根據(jù)本發(fā)明再一個(gè)實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置的結(jié)構(gòu)示意圖。

如圖9所示，在如圖7-8所示的基礎(chǔ)上，該裝置還包括：輸入模塊760、第三獲取模塊770、第四獲取模塊780和第五獲取模塊790。

其中，輸入模塊760用于將分詞結(jié)果以向量形式依序輸入與查詢領(lǐng)域?qū)?yīng)的檢索意圖識(shí)別模型。

具體地，在獲取查詢領(lǐng)域后，以及上述過(guò)程中得到的分詞結(jié)果以向量形式依序輸入檢索領(lǐng)域識(shí)別模型的輸入層。

第三獲取模塊770用于通過(guò)檢索意圖識(shí)別模型的隱層將當(dāng)前輸入的詞語(yǔ)與歷史輸入的詞語(yǔ)融合，根據(jù)所有詞語(yǔ)的融合結(jié)果獲取口語(yǔ)檢索語(yǔ)句的實(shí)數(shù)向量。

第四獲取模塊780用于通過(guò)檢索意圖識(shí)別模型的意圖分類(lèi)輸出層對(duì)實(shí)數(shù)向量進(jìn)行概率計(jì)算，獲取口語(yǔ)檢測(cè)語(yǔ)句的查詢意圖。

具體地，檢索意圖識(shí)別模型具有輸入輸出對(duì)之間的映射能力，通過(guò)其隱層將當(dāng)前輸入的詞語(yǔ)與歷史輸入的詞語(yǔ)融合，根據(jù)所有詞語(yǔ)的融合結(jié)果獲取口語(yǔ)檢索語(yǔ)句的實(shí)數(shù)向量，可以通過(guò)檢索意圖識(shí)別模型的輸出層對(duì)實(shí)數(shù)向量進(jìn)行概率分析，即使用softmax進(jìn)行分類(lèi)，確定實(shí)數(shù)向量對(duì)應(yīng)的查詢意圖類(lèi)別，最后獲取口語(yǔ)檢測(cè)語(yǔ)句的查詢意圖。

第五獲取模塊790用于通過(guò)檢索意圖識(shí)別模型的序列化分類(lèi)輸出層對(duì)實(shí)數(shù)向量進(jìn)行概率計(jì)算，獲取與查詢意圖對(duì)應(yīng)的參數(shù)信息。

需要說(shuō)明的是，前述對(duì)基于人工智能的口語(yǔ)查詢識(shí)別方法實(shí)施例的解釋說(shuō)明也適用于該實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置，其實(shí)現(xiàn)原理類(lèi)似，此處不再贅述。

綜上所述，本發(fā)明實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置，首先將分詞結(jié)果以向量形式依序輸入與查詢領(lǐng)域?qū)?yīng)的檢索意圖識(shí)別模型，接著通過(guò)檢索意圖識(shí)別模型的隱層將當(dāng)前輸入的詞語(yǔ)與歷史輸入的詞語(yǔ)融合，根據(jù)所有詞語(yǔ)的融合結(jié)果獲取口語(yǔ)檢索語(yǔ)句的實(shí)數(shù)向量，最后通過(guò)檢索意圖識(shí)別模型的意圖分類(lèi)輸出層對(duì)實(shí)數(shù)向量進(jìn)行概率計(jì)算，獲取口語(yǔ)檢測(cè)語(yǔ)句的查詢意圖和通過(guò)檢索意圖識(shí)別模型的序列化分類(lèi)輸出層對(duì)實(shí)數(shù)向量進(jìn)行概率計(jì)算，獲取與查詢意圖對(duì)應(yīng)的參數(shù)信息。由此，通過(guò)訓(xùn)練生成高適用性和高自動(dòng)化的檢索意圖識(shí)別模型，能夠準(zhǔn)確獲取用戶口語(yǔ)查詢的查詢意圖以及對(duì)應(yīng)的參數(shù)信息，提高了口語(yǔ)查詢識(shí)別的效率和準(zhǔn)確度。

圖10是根據(jù)本發(fā)明又一個(gè)實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置的結(jié)構(gòu)示意圖。

如圖10所示，在如圖7-9所示的基礎(chǔ)上，該裝置還包括：第一訓(xùn)練模塊7100和第二訓(xùn)練模塊7110。

其中，第一訓(xùn)練模塊7100用于將檢索領(lǐng)域識(shí)別模型標(biāo)注的查詢領(lǐng)域的置信度低于預(yù)設(shè)閾值的口語(yǔ)檢索語(yǔ)句重新由人工標(biāo)注，并作為口語(yǔ)檢索語(yǔ)料重新訓(xùn)練。

第二訓(xùn)練模塊7110將檢索意圖識(shí)別模型標(biāo)注的查詢意圖和參數(shù)信息的置信度低于預(yù)設(shè)閾值的口語(yǔ)檢索語(yǔ)句重新由人工標(biāo)注，并作為口語(yǔ)檢索語(yǔ)料重新訓(xùn)練。

具體地，檢索領(lǐng)域識(shí)別模型標(biāo)注的查詢領(lǐng)域的置信度表示其準(zhǔn)確性的程度，為了提高口語(yǔ)查詢識(shí)別的效率和準(zhǔn)確度，通過(guò)設(shè)置預(yù)設(shè)閾值保證檢索領(lǐng)域識(shí)別模型標(biāo)注的查詢領(lǐng)域具有一定的準(zhǔn)確度，同理，通過(guò)設(shè)置預(yù)設(shè)閾值保證檢索意圖識(shí)別模型標(biāo)注的查詢意圖和參數(shù)信息具有一定的準(zhǔn)確度。

進(jìn)一步地，在檢索領(lǐng)域識(shí)別模型標(biāo)注的查詢領(lǐng)域的置信度低于預(yù)設(shè)閾值時(shí)，將其對(duì)應(yīng)的口語(yǔ)檢索語(yǔ)句重新由人工標(biāo)注，并作為口語(yǔ)檢索語(yǔ)料重新訓(xùn)練，得到新的檢索領(lǐng)域識(shí)別模型。

進(jìn)一步地，在檢索意圖識(shí)別模型標(biāo)注的查詢意圖和參數(shù)信息的置信度低于預(yù)設(shè)閾值時(shí)，將其對(duì)應(yīng)的口語(yǔ)檢索語(yǔ)句重新由人工標(biāo)注，并作為口語(yǔ)檢索語(yǔ)料重新訓(xùn)練，得到新的檢索意圖識(shí)別模型。

需要說(shuō)明的是，前述對(duì)基于人工智能的口語(yǔ)查詢識(shí)別方法實(shí)施例的解釋說(shuō)明也適用于該實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置，其實(shí)現(xiàn)原理類(lèi)似，此處不再贅述。

綜上所述，本發(fā)明實(shí)施例的基于人工智能的口語(yǔ)查詢識(shí)別裝置，還將檢索領(lǐng)域識(shí)別模型標(biāo)注的查詢領(lǐng)域的置信度低于預(yù)設(shè)閾值的口語(yǔ)檢索語(yǔ)句重新由人工標(biāo)注，并作為口語(yǔ)檢索語(yǔ)料重新訓(xùn)練，以及將檢索意圖識(shí)別模型標(biāo)注的查詢意圖和參數(shù)信息的置信度低于預(yù)設(shè)閾值的口語(yǔ)檢索語(yǔ)句重新由人工標(biāo)注，并作為口語(yǔ)檢索語(yǔ)料重新訓(xùn)練。由此，進(jìn)一步提高了口語(yǔ)查詢識(shí)別的效率和準(zhǔn)確度。

在本發(fā)明的描述中，需要理解的是，術(shù)語(yǔ)“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對(duì)重要性或者隱含指明所指示的技術(shù)特征的數(shù)量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括至少一個(gè)該特征。在本發(fā)明的描述中，“多個(gè)”的含義是至少兩個(gè)，例如兩個(gè)，三個(gè)等，除非另有明確具體的限定。

在本說(shuō)明書(shū)的描述中，參考術(shù)語(yǔ)“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說(shuō)明書(shū)中，對(duì)上述術(shù)語(yǔ)的示意性表述不必須針對(duì)的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。此外，在不相互矛盾的情況下，本領(lǐng)域的技術(shù)人員可以將本說(shuō)明書(shū)中描述的不同實(shí)施例或示例以及不同實(shí)施例或示例的特征進(jìn)行結(jié)合和組合。

盡管上面已經(jīng)示出和描述了本發(fā)明的實(shí)施例，可以理解的是，上述實(shí)施例是示例性的，不能理解為對(duì)本發(fā)明的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的范圍內(nèi)可以對(duì)上述實(shí)施例進(jìn)行變化、修改、替換和變型。