本發(fā)明涉及數(shù)據(jù)交互技術(shù)領(lǐng)域，特別是涉及一種用戶意圖識(shí)別方法及系統(tǒng)。

背景技術(shù)：

近年隨著語音識(shí)別、人機(jī)對(duì)話、自然語言處理等技術(shù)迅猛發(fā)展。用戶意圖識(shí)別是對(duì)這一類助手型對(duì)話產(chǎn)品來說極為重要，且又極具挑戰(zhàn)的一項(xiàng)任務(wù)。用戶意圖識(shí)別是從用戶的輸入(語音識(shí)別結(jié)果)中理解用戶的需求，例如：用戶1：北京明天的天氣如何？意圖1：查詢天氣；用戶2：明天上午10:00有個(gè)會(huì)，請(qǐng)?jiān)?:50的時(shí)候提醒我一下，多謝！意圖2：設(shè)置鬧鐘；用戶3：請(qǐng)幫忙播放瑯琊榜，意圖2：播放視頻。

傳統(tǒng)的方法首先獲取用戶輸入的對(duì)話文本；然后對(duì)文本進(jìn)行分詞；再分別計(jì)算文本中每個(gè)詞的詞向量；最后將詞向量輸入預(yù)先訓(xùn)練好的傳統(tǒng)模型，例如：樸素貝葉斯、邏輯回歸模型、支持向量機(jī)等，或神經(jīng)網(wǎng)絡(luò)模型，例如：前向神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等來判斷當(dāng)前的用戶意圖。為節(jié)省內(nèi)存和模型的訓(xùn)練速度，傳統(tǒng)的基于詞的方法通常預(yù)先定義一個(gè)大小合適的詞典(即詞頻大于某個(gè)閾值的詞集合)，因此一旦輸入中包括不在詞典中詞(有可能是語音識(shí)別的誤識(shí)別、或者分詞錯(cuò)誤造成的)，系統(tǒng)即有可能不能正確地識(shí)別用戶意圖。例如：訓(xùn)練數(shù)據(jù)為：幫忙搜索美劇(語音識(shí)別結(jié)果：幫忙搜索美??；分詞結(jié)果：幫忙搜索美劇)；測(cè)試數(shù)據(jù)1為：請(qǐng)打開英劇(語音識(shí)別結(jié)果：請(qǐng)你打開英?。环衷~結(jié)果：請(qǐng)打開英劇)；測(cè)試數(shù)據(jù)2為：請(qǐng)搜索沒劇(語音識(shí)別結(jié)果：請(qǐng)搜索沒??；分詞結(jié)果：請(qǐng)搜索沒劇)，對(duì)于測(cè)試數(shù)據(jù)1，如果訓(xùn)練數(shù)據(jù)中沒有出現(xiàn)過“英劇”這個(gè)詞，用戶對(duì)話意圖系統(tǒng)可能就無法正確判斷用戶意圖；而測(cè)試數(shù)據(jù)2是由于語音識(shí)別的錯(cuò)誤，可能無法正確判斷用戶意圖。因此，使用傳統(tǒng)的詞向量進(jìn)行語音識(shí)別容易造成誤識(shí)別，由于低頻次、新詞和俚語等的詞或分詞錯(cuò)誤均對(duì)用戶意圖識(shí)別系統(tǒng)對(duì)用戶意圖的識(shí)別精度的影響，從而降低用戶意圖系統(tǒng)的成功率和用戶體驗(yàn)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提出一種用戶意圖識(shí)別方法及系統(tǒng)，以解決現(xiàn)有技術(shù)中傳統(tǒng)的分詞方法來識(shí)別用戶對(duì)話意圖，由于低頻次、新詞和俚語等的詞或分詞錯(cuò)誤均對(duì)用戶對(duì)話意圖系統(tǒng)對(duì)對(duì)話文本的識(shí)別精度的影響，從而降低用戶意圖系統(tǒng)的成功率和用戶體驗(yàn)的問題。

為達(dá)到上述目的，本發(fā)明提供了以下技術(shù)方案：

一種用戶意圖識(shí)別方法，包括：

獲取用戶輸入的對(duì)話文本；

將所述對(duì)話文本進(jìn)行分字處理，得到所述對(duì)話文本的漢字串；

將所述漢字串輸入至雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型來確定用戶意圖，所述雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型包括：前向循環(huán)神經(jīng)網(wǎng)絡(luò)模型和后向循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

其中，所述獲取用戶輸入的對(duì)話文本，具體為：

獲取用戶輸入的語音會(huì)話；

采用語音轉(zhuǎn)文字引擎將所述語音會(huì)話轉(zhuǎn)換為對(duì)話文本。

優(yōu)選的，在所述將所述漢字串輸入至雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型來確定用戶意圖步驟之前，還包括：

采用由多條不同對(duì)話文本及其對(duì)應(yīng)的用戶意圖組成的對(duì)話樣本進(jìn)行訓(xùn)練，獲得預(yù)先訓(xùn)練的所述雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

其中，所述將所述漢字串輸入至雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型來確定用戶意圖，具體為：

接收所述分字處理后得到的所述對(duì)話文本中的漢字串；

對(duì)所述漢字串中的多個(gè)漢字進(jìn)行字向量的計(jì)算，得到多個(gè)字向量；

針對(duì)所述多個(gè)字向量，通過所述前向循環(huán)神經(jīng)網(wǎng)絡(luò)模型計(jì)算所述對(duì)話文本的前向表示，以及通過所述后向循環(huán)神經(jīng)網(wǎng)絡(luò)模型計(jì)算所述對(duì)話文本的后向表示；

根據(jù)所述前向表示和所述后向表示進(jìn)行全連接計(jì)算，得到所述對(duì)話文本的句子表示；

根據(jù)所述句子表示采用softmax分類器預(yù)測(cè)所述對(duì)話文本的用戶意圖。

其中，所述根據(jù)所述句子表示采用softmax分類器預(yù)測(cè)所述對(duì)話文本的用戶意圖，具體為：

采用softmax分類器計(jì)算所述對(duì)話文本在所有用戶意圖上的分布函數(shù)；

根據(jù)所述分布函數(shù)計(jì)算所述所有用戶意圖對(duì)應(yīng)的用戶意圖概率；

將所述用戶意圖概率最大的用戶意圖作為所述對(duì)話文本的用戶意圖輸出。

一種用戶意圖識(shí)別系統(tǒng)，包括：

獲取模塊，用于獲取用戶輸入的對(duì)話文本；

分字處理模塊，用于將所述對(duì)話文本進(jìn)行分字處理，得到所述對(duì)話文本的漢字串；

意圖確定模塊，用于將所述漢字串輸入至雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型來確定用戶意圖，所述雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型包括：前向循環(huán)神經(jīng)網(wǎng)絡(luò)模型和后向循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

其中，所述獲取模塊包括：

獲取單元，用于獲取用戶輸入的語音會(huì)話；

轉(zhuǎn)換單元，用于采用語音轉(zhuǎn)文字引擎將所述語音會(huì)話轉(zhuǎn)換為對(duì)話文本。

優(yōu)選的，還包括：

訓(xùn)練模塊，用于采用由多條不同對(duì)話文本及其對(duì)應(yīng)的用戶意圖組成的對(duì)話樣本進(jìn)行訓(xùn)練，獲得預(yù)先訓(xùn)練的所述雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

其中，所述意圖確定模塊包括：

接收單元，用于接收所述分字處理后得到的所述對(duì)話文本中的漢字串；

第一計(jì)算單元，用于對(duì)所述漢字串中的多個(gè)漢字進(jìn)行字向量的計(jì)算，得到多個(gè)字向量；

第二計(jì)算單元，用于針對(duì)所述多個(gè)字向量，通過所述前向循環(huán)神經(jīng)網(wǎng)絡(luò)模型計(jì)算所述對(duì)話文本的前向表示，以及通過所述后向循環(huán)神經(jīng)網(wǎng)絡(luò)模型計(jì)算所述對(duì)話文本的后向表示；

第三計(jì)算單元，用于根據(jù)所述前向表示和所述后向表示進(jìn)行全連接計(jì)算，得到所述對(duì)話文本的句子表示；

預(yù)測(cè)單元，用于根據(jù)所述句子表示采用softmax分類器預(yù)測(cè)所述對(duì)話文本的用戶意圖。

其中，所述預(yù)測(cè)單元包括：

第四計(jì)算單元，用于采用softmax分類器計(jì)算所述對(duì)話文本在所有用戶意圖上的分布函數(shù)；

第五計(jì)算單元，用于用于根據(jù)所述分布函數(shù)計(jì)算所述所有用戶意圖對(duì)應(yīng)的用戶意圖概率；

輸出單元，用于將所述用戶意圖概率最大的用戶意圖作為所述對(duì)話文本的用戶意圖輸出。

經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開了一種用戶意圖識(shí)別方法及系統(tǒng)，該方法包括：獲取用戶輸入的對(duì)話文本；將對(duì)話文本進(jìn)行分字處理，得到對(duì)話文本的漢字串；將漢字串輸入至雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型來確定用戶意圖。本發(fā)明通過將對(duì)話文本分割為多個(gè)字的漢字串，將漢字串輸入至雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型來確定用戶對(duì)話意圖，通過字向量可以有效改善語音識(shí)別的誤識(shí)別、分詞錯(cuò)誤、低詞頻等對(duì)用戶意圖識(shí)別精度的影響，雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型可以使從字表示詞，進(jìn)而表示句子，且可以方便的使用用戶的對(duì)話歷史信息，提高用戶意圖識(shí)別系統(tǒng)的成功率和用戶體驗(yàn)。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例提供的一種用戶意圖識(shí)別方法流程示意圖；

圖2為本發(fā)明實(shí)施例提供的圖1中的步驟s103的具體流程圖；

圖3為本發(fā)明實(shí)施例提供的用戶意圖識(shí)別流程示意圖；

圖4為本發(fā)明實(shí)施例提供的一種用戶意圖識(shí)別系統(tǒng)結(jié)構(gòu)示意圖；

圖5為本發(fā)明實(shí)施例提供的圖4中的意圖確定單元403的具體結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

請(qǐng)參閱附圖1，圖1為本發(fā)明實(shí)施例提供的一種用戶意圖識(shí)別方法流程示意圖。如圖1所示，本發(fā)明公開了一種用戶意圖識(shí)別方法，該方法具體包括如下步驟：

s101、獲取用戶輸入的對(duì)話文本。

在本申請(qǐng)中本步驟，可以直接獲取用戶輸入的對(duì)話文本，以通過文本形式與用戶進(jìn)行對(duì)話?？紤]到在智能機(jī)器人等領(lǐng)域應(yīng)用時(shí)，用戶往往是通過語音進(jìn)行對(duì)話的，因此，在本發(fā)明提供的一個(gè)實(shí)施例中，所述獲取用戶輸入的對(duì)話文本，包括：

獲取用戶輸入的語音會(huì)話；采用語音轉(zhuǎn)文字引擎將所述語音會(huì)話轉(zhuǎn)換為對(duì)話文本，從而可以實(shí)現(xiàn)與用戶通過語音進(jìn)行人機(jī)互動(dòng)。

需要說明的是，語音轉(zhuǎn)文字引擎可以直接將接受到的語音信息轉(zhuǎn)換文本信息，該語音轉(zhuǎn)文字引擎屬于本領(lǐng)域比較成熟的技術(shù)，在此不再進(jìn)行詳細(xì)的贅述。

s102、將對(duì)話文本進(jìn)行分字處理，得到對(duì)話文本的漢字串。

在本申請(qǐng)中本步驟可以直接將獲取的對(duì)話文本按照字進(jìn)行分字處理，得到對(duì)話文本中的多個(gè)字的漢字串，漢字串是由將一個(gè)句子進(jìn)行分字處理后得到的多個(gè)字組成的。

對(duì)于分字處理，例如：訓(xùn)練數(shù)據(jù)為：幫忙搜索美劇(語音識(shí)別結(jié)果：幫忙搜索美??；分字結(jié)果：幫忙搜索美劇)；測(cè)試數(shù)據(jù)1為：請(qǐng)打開英劇(語音識(shí)別結(jié)果：請(qǐng)你打開英?。环肿纸Y(jié)果：請(qǐng)打開英劇)；測(cè)試數(shù)據(jù)2為：請(qǐng)搜索沒劇(語音識(shí)別結(jié)果：請(qǐng)搜索沒?。环肿纸Y(jié)果：請(qǐng)搜索沒劇)。通過分字處理，可以將對(duì)話文本分割為多個(gè)漢字串，為后續(xù)的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型做基礎(chǔ)分割。

s103、將漢字串輸入至雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型來確定用戶意圖，雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型包括：前向循環(huán)神經(jīng)網(wǎng)絡(luò)模型和后向循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

具體的，前向循環(huán)神經(jīng)網(wǎng)絡(luò)模型和后向循環(huán)神經(jīng)網(wǎng)絡(luò)模型可以使用elmannetworks、jordannetworks、gatedrecurrentunit或lstm等。

在本申請(qǐng)中，在將漢字串輸入至雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型來確定用戶意圖步驟之前，還包括：

采用由多條不同對(duì)話文本及其對(duì)應(yīng)的用戶意圖組成的對(duì)話樣本進(jìn)行訓(xùn)練，獲得預(yù)先訓(xùn)練的雙向神經(jīng)網(wǎng)絡(luò)模型。且使用交叉熵(cross-entropy)為損失函數(shù)和back-propagationthroughtime算法更新模型中的參數(shù)矩陣和參數(shù)向量。

具體的，請(qǐng)參閱附圖2，圖2為本發(fā)明實(shí)施例提供的整體框架和算法示意圖。其中，雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型的原理和工作流程如下：

如圖2所示，雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型主要包括5個(gè)部分：(1)計(jì)算基于字的向量，即字向量l表示字的個(gè)數(shù)，圖2的示例中l(wèi)＝6)；(2)基于字向量的前向循環(huán)神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)句子的前向表示hl；(3)基于字向量的后向循環(huán)神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)句子的后向表示h0；(4)基于全連接學(xué)習(xí)句子表示h^s；(5)使用softmax預(yù)測(cè)用戶對(duì)話意圖。

其中，請(qǐng)參閱附圖3，圖3為本發(fā)明實(shí)施例提供的圖1中的步驟s103的具體流程圖。如圖3所示，將漢字串輸入至雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型來確定當(dāng)前的用戶意圖，具體為：

s301、接收分字處理后得到的對(duì)話文本中的漢字串。

在本申請(qǐng)中，接收用戶輸入的對(duì)話文本s，先將對(duì)話文本按字切分，得到s＝c0c1…ci，其中ci表示第i個(gè)字。

s302、對(duì)漢字串中的多個(gè)漢字進(jìn)行字向量的計(jì)算，得到多個(gè)字向量。

通過映射矩陣p，字向量ci被表示為一個(gè)dc維的向量

s303、針對(duì)多個(gè)字向量，通過前向循環(huán)神經(jīng)網(wǎng)絡(luò)模型計(jì)算對(duì)話文本的前向表示，以及通過后向循環(huán)神經(jīng)網(wǎng)絡(luò)模型計(jì)算對(duì)話文本的后向表示。

在本申請(qǐng)中，前向循環(huán)神經(jīng)網(wǎng)絡(luò)模型計(jì)算句子的前向表示可以使用elmannetworks，jordannetworks，gatedrecurrentunit，或者longshort-termmemory。本實(shí)施中，只介紹elmannetwork是如何得到hl。如：其中，hl：dh維隱層向量；wxh：dh*dh維參數(shù)矩陣；whh：dh*dh維參數(shù)矩陣；bf：dh維參數(shù)向量。因此，循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入包括當(dāng)前的輸入字符還包括網(wǎng)絡(luò)在上一個(gè)時(shí)刻的輸出。理論上，循環(huán)神經(jīng)網(wǎng)絡(luò)模型能夠記憶任何長度的歷史數(shù)據(jù)，即對(duì)話歷史數(shù)據(jù)。

對(duì)于后向循環(huán)神經(jīng)網(wǎng)絡(luò)模型和前向循環(huán)神經(jīng)網(wǎng)絡(luò)模型具有同樣的結(jié)構(gòu)，不同點(diǎn)是后向循環(huán)審計(jì)經(jīng)網(wǎng)絡(luò)是從句子的最后一個(gè)字ci向前計(jì)算，直至c0得到句子的后向表示h0。

s304、根據(jù)前向表示和后向表示進(jìn)行全連接計(jì)算，得到對(duì)話文本的句子表示。

全連接用于結(jié)合前向表示hl和后向表示h0得到最終的句子表示h^s。h^s＝wf*hl+wb*h0。其中，wf：dh*dh維參數(shù)矩陣；wb：dh*dh維參數(shù)矩陣。

s305、根據(jù)句子表示采用softmax分類器預(yù)測(cè)對(duì)話文本的用戶意圖。

在本申請(qǐng)中，根據(jù)句子表示采用softmax分類器預(yù)測(cè)對(duì)話文本的用戶意圖，具體為：

采用softmax分類器計(jì)算對(duì)話文本在所有用戶意圖上的分布函數(shù)；

根據(jù)分布函數(shù)計(jì)算所有用戶意圖對(duì)應(yīng)的用戶意圖概率；

將用戶意圖概率最大的用戶意圖作為對(duì)話文本的用戶意圖輸出。

p(y＝k|h^s)表示用戶輸入屬于第k個(gè)用戶意圖的概率，l是用戶意圖的個(gè)數(shù)，最后輸出概率最大用戶對(duì)話意圖。

本實(shí)施例公開了一種用戶意圖識(shí)別方法，該方法包括：獲取用戶輸入的對(duì)話文本；將對(duì)話文本進(jìn)行分字處理，得到對(duì)話文本的漢字串；將漢字串輸入至雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型來確定用戶意圖。本發(fā)明通過將對(duì)話文本分割為漢字串，將漢字串輸入至雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型來確定用戶意圖，通過字向量可以有效改善語音識(shí)別的誤識(shí)別、分詞錯(cuò)誤、低詞頻等對(duì)用戶意圖識(shí)別精度的影響，雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型可以使從字表示詞，進(jìn)而表示句子，且可以方便的使用用戶的對(duì)話歷史信息，提高用戶意圖識(shí)別系統(tǒng)的成功率和用戶體驗(yàn)。

請(qǐng)參閱附圖4，圖4為本發(fā)明實(shí)施例提供的一種用戶意圖識(shí)別系統(tǒng)結(jié)構(gòu)示意圖。如圖4所示，本發(fā)明公開了一種用戶意圖識(shí)別系統(tǒng)，該系統(tǒng)具體包括如下結(jié)構(gòu)：

獲取模塊，用于獲取用戶輸入的對(duì)話文本；

分字處理模塊，用于將對(duì)話文本進(jìn)行分字處理，得到對(duì)話文本的漢字串；

意圖確定模塊，用于將漢字串輸入至雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型來確定用戶意圖，雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型包括：前向循環(huán)神經(jīng)網(wǎng)絡(luò)模型和后向循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

其中，所述獲取模塊401包括：

獲取單元，用于獲取用戶輸入的語音會(huì)話；

轉(zhuǎn)換單元，用于采用語音轉(zhuǎn)文字引擎將語音會(huì)話轉(zhuǎn)換為對(duì)話文本。

優(yōu)選的，還包括：

訓(xùn)練模塊，用于采用由多條不同對(duì)話文本及其對(duì)應(yīng)的用戶意圖組成的對(duì)話樣本進(jìn)行訓(xùn)練，獲得預(yù)先訓(xùn)練的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

請(qǐng)參閱附圖5，圖5為本發(fā)明實(shí)施例提供的圖4中的意圖確定模塊403的具體結(jié)構(gòu)示意圖。如圖5所示，所述意圖確定模塊403包括：

接收單元501，用于接收分字處理后得到的對(duì)話文本中的漢字串；

第一計(jì)算單元502，用于對(duì)漢字串中的多個(gè)漢字進(jìn)行字向量的計(jì)算，得到多個(gè)字向量；

第二計(jì)算單元503，用于針對(duì)多個(gè)字向量，通過前向循環(huán)神經(jīng)網(wǎng)絡(luò)模型計(jì)算對(duì)話文本的前向表示，以及通過后向循環(huán)神經(jīng)網(wǎng)絡(luò)模型計(jì)算對(duì)話文本的后向表示；

第三計(jì)算單元504，用于根據(jù)前向表示和后向表示進(jìn)行全連接計(jì)算，得到對(duì)話文本的句子表示；

預(yù)測(cè)單元505，用于根據(jù)句子表示采用softmax分類器預(yù)測(cè)對(duì)話文本的用戶意圖。

其中，上述預(yù)測(cè)單元505包括：

第四計(jì)算單元，用于采用softmax分類器計(jì)算對(duì)話文本在所有用戶意圖上的分布函數(shù)；

第五計(jì)算單元，用于根據(jù)分布函數(shù)計(jì)算所有用戶意圖對(duì)應(yīng)的用戶意圖概率；

輸出單元，用于將用戶意圖概率最大的用戶意圖作為對(duì)話文本的用戶意圖輸出。

本實(shí)施例公開了一種用戶意圖識(shí)別系統(tǒng)，該方法通過獲取模塊獲取用戶輸入的對(duì)話文本；分字處理模塊將對(duì)話文本進(jìn)行分字處理，得到對(duì)話文本的漢字串；意圖確定模塊將漢字串輸入至雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型來確定用戶意圖。本發(fā)明通過分字處理模塊將對(duì)話文本分割為漢字串，意圖確定模塊將漢字串輸入至雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型來確定用戶意圖，通過字向量可以有效改善語音識(shí)別的誤識(shí)別、分詞錯(cuò)誤、低詞頻等對(duì)用戶意圖識(shí)別精度的影響，雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型可以使從字表示詞，進(jìn)而表示句子，且可以方便的使用用戶的對(duì)話歷史信息，提高用戶意圖識(shí)別系統(tǒng)的成功率和用戶體驗(yàn)。

需要說明的是，本說明書中的各個(gè)實(shí)施例均采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似的部分互相參見即可。

還需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個(gè)……”限定的要素，并不排除在包括上述要素的物品或者設(shè)備中還存在另外的相同要素。

對(duì)所公開的實(shí)施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的范圍。