基于人工智能的需求识别的方法和装置与流程

本发明涉及信息处理技术领域，特别涉及一种基于人工智能的需求识别的方法和装置。

背景技术：

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

句法分析是人工智能研究中自然语言处理领域的一个关键问题。用以确定句子的句法结构或者句子中词汇之间的依存关系。因此，依存句法分析是对用户的需求进行识别分析的主要方法之一。依存句法分析是指通过建立词语间的修饰层级和修饰关系，使句子构成一棵句法结构树。目前主要通过查询预先建立的明文词语搭配词典来确定用户输入的内容中词汇间的句法依存关系。

然而，对于明文词语搭配词典没有覆盖到的句法结构，则无法确定依存关系，因此，目前的依存句法分析中，对于句法结构的覆盖率较低、泛化能力差，且分析所依赖的明文词语搭配词典规模大、占用空间大，应用不便，进而影响了需求识别的准确度、识别效率。

技术实现要素：

本发明旨在至少在一定程度上解决上述技术问题。

为此，本发明的第一个目的在于提出一种基于人工智能的需求识别的方法，能够有效提高需求识别的准确性和识别效率。

本发明的第二个目的在于提出一种基于人工智能的需求识别的装置。

为达上述目的，根据本发明第一方面实施例提出了一种基于人工智能的需求识别的方法，包括以下步骤：获取需求信息；对所述需求信息进行分词以形成多个词组；获取所述多个词组之间的句法紧密度信息；根据所述句法紧密度信息和需求信息的预设依存句法树进行需求识别。

本发明实施例的基于人工智能的需求识别的方法，可获取用户输入的需求信息，并进行分词形成多个词组，获取多个词组之间的句法紧密度信息，并根据句法紧密度信息和需求信息的预设依存句法树进行需求识别，在需求识别的过程中结合句法紧密度信息与依存句法树能够有效提高需求识别的准确性和识别效率，能够精准地抽取、识别用户的需求，进而可更有针对性地为用户提供更好的服务，提升用户体验。

本发明第二方面实施例提出了一种基于人工智能的需求识别的装置，包括：第一获取模块，用于获取需求信息；分词模块，用于对所述需求信息进行分词以形成多个词组；第二获取模块，用于获取所述多个词组之间的句法紧密度信息；需求识别模块，用于根据所述句法紧密度信息和需求信息的预设依存句法树进行需求识别。

本发明实施例的基于人工智能的需求识别的装置，可获取用户输入的需求信息，并进行分词形成多个词组，获取多个词组之间的句法紧密度信息，并根据句法紧密度信息和需求信息的预设依存句法树进行需求识别，在需求识别的过程中结合句法紧密度信息与依存句法树能够有效提高需求识别的准确性和识别效率，能够精准地抽取、识别用户的需求，进而可更有针对性地为用户提供更好的服务，提升用户体验。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的基于人工智能的需求识别的方法的流程图；

图2为根据本发明一个实施例的依存句法树的示意图；

图3为根据本发明一个实施例的基于人工智能的需求识别方法的示意图；

图4为根据本发明另一个实施例的基于人工智能的需求识别的方法的流程图；

图5为根据本发明一个实施例的正例和负例相似度计算的网络模型的示意图；

图6为根据本发明一个具体实施例的基于人工智能的需求识别的方法示意图；

图7a为根据本发明一个实施例的深度问答系统的界面示意图；

图7b为根据本发明另一个实施例的深度问答系统的界面示意图；

图8为根据本发明一个实施例的基于人工智能的需求识别的装置的结构示意图；

图9为根据本发明另一个实施例的基于人工智能的需求识别的装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“多个”指两个或两个以上；术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

下面参考附图描述根据本发明实施例的基于人工智能的需求识别的方法和装置。

本发明提出了一种基于人工智能的需求识别的方法，基于人工智能的需求识别的方法，包括以下步骤：获取需求信息；对所述需求信息进行分词以形成多个词组；获取所述多个词组之间的句法紧密度信息；根据所述句法紧密度信息和所述需求信息的预设依存句法树进行需求识别。

图1为根据本发明一个实施例的基于人工智能的需求识别的方法的流程图。

如图1所示，根据本发明实施例的基于人工智能的需求识别的方法，包括：

S101，获取需求信息。

其中，需求信息可为用户在各个需求场景下输入的文字、语音、图像等信息。

举例来说，在搜索场景下，在搜索框中输入的用于搜索的信息；或者在问答场景下，用户输入的提问信息或者回答信息。

S102，对所述需求信息进行分词以形成多个词组。

在本发明的实施例中，如果需求信息为文本信息，则可对需求信息直接进行分词，形成多个词组。如果需求信息为非文本信息，如语音、图像等信息，则可将非文本信息进行识别为文本信息，并对识别得到的文本进行分词，形成多个词组。

举例来说，对于用户输入的需求信息“给我订一张明天从北京飞往上海的飞机票”，分词后可得到词组：“给”、“我”、“订”、“一张”、“明天”、“从”、“北京”、“飞往”、“上海”、“的”、“飞机票”。

S103，获取所述多个词组之间的句法紧密度信息。

其中，句法紧密度信息是指两个词组构成某种句法结构的可能性的度量。

在本发明的另一个实施例中，可通过查询句法紧密度模型获得所述多个词组中任意两个词之间的句法紧密度信息。

其中，句法紧密度模型是通过深度学习技术，利用神经网络将句法紧密度学习为一个可计算的模型(具体建立句法紧密度模型的过程可参见图4和图5所示实施例)，该模型中存储了句法紧密度的网络结构。因此，可通过该句法紧密度模型中的网络结构确定任意的词语搭配的句法紧密度信息。

在本发明的一个实施例中，对于已完成分词的句子，可根据已建立的句法紧密度模型计算任意两个之间的句法紧密度信息。进一步地，也可根据得到的句法紧密度信息中的最大值对所得到的句法紧密度信息进行归一化处理，得到各个词之间的归一化处理后的句法紧密度信息，以便于后续句法紧密度信息的比较。

S104，根据所述句法紧密度信息和需求信息的预设依存句法树进行需求识别。

其中，需求信息的预设依存句法树可以是根据句子的依存结构、修饰层级和修饰关系而建立的树形结构。

在本发明的一个实施例中，需求信息的依存句法树可以是预先通过现有的或者未来可出现的依存句法分析器对用户的需求信息进行分析得到的。例如，可通过Stanford-Parser(一种由斯坦福大学自然语言研究小组推出的语法解析工具)、LTP(由哈尔滨工业大学社会计算与信息检索研究中心研发的语言技术平台)进行分析得到依存句法树。

在本发明的另一个实施例中，还可在现有的训练依存句法分析模型的方法中将句法紧密度信息作为特征训练依存句法分析模型。具体地，对于已分词的样本需求信息句子，可计算一个词与其他所有词的句法紧密度信息，并在构建依存句法分析模型时，抽取窗口内所有可能的句法结构的紧密度信息作为特征，建立依存句法分析模型。进而，可预先根据由此得到的依存句法分析模型对需求信息进行句法分析，得到需求信息的依存句法树。

由于在训练依存句法分析模型的过程中，增加了句法紧密度特征，因此，由此得到的依存句法树更加准确。

依存句法树中包括句子中词组的依存结构和依存关系。

举例来说，依存结构可包括但不限于：核心(head，HED)、连动结构(verb-verb，VV)、关联结构(conjunctive，CNJ)、语态结构(mood-tense，MT)、独立结构(independent structure，IS)、状中结构(adverbial，ADV)、动补结构(complement，CMP)、“的”字结构DE、“地”字结构DI、“得”字结构DEI、“把”字结构BA、“被”字结构BEI、独立分句IC(independent clause)以及依存分句DC(dependent clause)等。

依存关系可包括但不限于：定中关系(attribute，ATT)、动宾关系(verb-object，VOB)、主谓关系(subject-verb，SBV)、数量关系(quantity，QUN)、并列关系(coordinate，COO)、同位关系(appositive、APP)、前附加关系(left adjunct、LAD)、后附加关系(right adjunct、RAD)、动宾关系(verb-object、VOB)、介宾关系(preposition-object、POB)以及比拟关系(similarity、SIM)。

对于一个句子及其对应的依存句法树，句子中的每个词与他的修饰词构成正例，与句子中除该修饰词之外的其他词构成反例。举例来说，对于句子“成为道德楷模”，其对应的依存句法树如图2中A所示，其中，“成为”与“楷模”之间为动宾关系VOB，“道德”与“楷模”之间为定中关系ATT。在该依存句法树A中，“称为”的正负例可如图2中B所示，其中，“成为”与“楷模”构成正例，“成为”与“楷模”构成负例。

在本发明的一个实施例中，步骤S104可具体包括：根据所述句法紧密度信息确定所述多个词组中作为主节点的词组和作为子节点的词组；根据所述作为主节点的词组和作为子节点的词组以及所述预设依存句法树进行需求识别。

具体地，可根据句法紧密度信息从多个词组中选择出与其他词组之间的句法紧密度最高的词组，并作为主节点，将其他词组作为子节点。在确定主节点和子节点之后，可进一步根据需求信息的预设句法依存树中词组间的依存结构和依存关系确定与主节点之间存在依存关系的各个子节点，以及各个子节点之间的依存结构和依存关系。进而，可根据主节点与子节点之间、子节点与子节点之间的依存结构和依存关系识别出用户的需求。

在本发明的实施例中，所述需求识别可包括需求类型识别和/或需求限定识别。其中，需求类型识别是指对用户需求的类型进行识别，例如，购票需求、出行需求等。需求限定识别是指对用户需求的限定条件进行识别，例如，时间、地点等限定条件。

举例来说，如图3所示，对于用户输入的需求信息“给我订一张明天从北京飞往上海的飞机票”，根据句法紧密度信息可确定主节点为“订”，子节点为“给”、“我”、““一张”、“明天”、“从”、“北京”、“飞往”、“上海”、“的”、“飞机票”。进而，可得到图3中31所示的依存句法树，并确定各个子节点与主节点之间以及不同子节点之间的依存结构和依存关系。然后，可根据依存句法树31识别出需求类型为“订飞机票”，需求限定为“出发地：北京；到达地：上海；时间：明天”。

本发明实施例的需求识别的方法，可获取用户输入的需求信息，并进行分词形成多个词组，获取多个词组之间的句法紧密度信息，并根据句法紧密度信息和需求信息的预设依存句法树进行需求识别，在需求识别的过程中结合句法紧密度信息与依存句法树能够有效提高需求识别的准确性和识别效率，能够精准地抽取、识别用户的需求，进而可更有针对性地为用户提供更好的服务，提升用户体验。

在本发明的另一个实施例中，还可包括建立句法紧密度模型的步骤。

图4为根据本发明另一个实施例的基于人工智能的需求识别的方法的流程图。

如图4所示，建立句法紧密度模型，可包括以下步骤S401-S405。

S401，获取样本需求信息。

在本发明的实施例中，样本需求信息可以是从海量的用户的历史输入的需求信息中选取大规模的样本需求信息，或者由机器模拟产生大规模的样本需求信息，或者从历史输入的需求信息中选取部分、由机器模拟产生部分并结合得到大规模的样本需求信息。

S402，对所述样本需求信息进行分词以形成多个样本词组。

S403，获取所述样本词组中的目标样本词组，并获取所述多个样本词组与所述目标样本词组之间的正例关系或负例关系。

具体地，可依次将多个样本词组中每个样本词组作为目标样本词组，以获取每个样本词组与其他样本词组之间的正例关系或负例关系。

其中，对于目标样本词组之外的样本词组，如果是目标样本词组的修饰词组，则与目标样本词组是正例关系，否则与目标样本词组是负例关系。

也就是说，每个样本词组与它的修饰词组构成正例关系，与其它词构成负例关系。

在本发明的一个实施例中，可通过数据自动分析，即使用已有依存句法分析器，分析大规模的样本需求信息，并生成这些样本需求信息对应的自动树库。进而可从自动树库抽取训练数据，以用于训练句法紧密度信息模型。

其中，自动树库中包括与各个样本需求信息及其对应的依存句法树。依存句法树中包括各个目标词组间的正、负例关系。举例来说，对于句子“成为道德楷模”，其对应的依存句法树如图2中A所示，其中，“成为”与“楷模”之间为动宾关系VOB，“道德”与“楷模”之间为定中关系ATT。在该依存句法树A中，“称为”的正负例可如图2中B所示，其中，“成为”与“楷模”构成正例，“成为”与“楷模”构成负例。

S404，根据所述正例关系或负例关系进行深度学习，以建立句法紧密度模型。

在本发明的一个实施例中，对每个词组的正负例的出现次数进行排序学习，最终使得句法紧密度高的词得分高于句法紧密度低的词得分。其中，两个词的相似度，即可体现两个词之间的关联关系，因此，可作为两个词的句法紧密度信息。也就是说，两个词组之间的句法紧密度可使用两个词组的相似度进行衡量。

具体地，首先可基于初始神经网络模型分别计算步骤S403中获取的各个正例关系和负例关系中词组的相似度，如果存在正例关系的词组的相似度低于负例关系的词组的相似度，则调整上述初始神经网络模型，并使用调整后的神经网络模型重新计算各个正例关系和负例关系中词组的相似度，并进行比较。重复上述步骤，直至使得正例关系中词组的相似度高于负例关系中词组的相似度，得到最终的神经网络模型，并作为句法紧密度模型。

可基于图5所示的网络模型计算所述目标样本词组与其他样本词组的正例相似度或负例相似度。如图5所示，可根据词组间的正例关系和负例关系输入核心词和修饰词，然后将输入的词组变成词向量，然后通过一个全联通变换(网络变换)将有用的信息抽取出来，最后计算正例和负例的相似度。

其中，本发明对计算相似度的方法不做限定。例如，可通过欧式距离、余弦值等表示相似度。

下面以相似度为余弦相似度为例进行说明。在计算正例的相似度时，可通过计算正例的两个词对应的词向量A1和B1的余弦值得到正例中两个词的相似度。

进一步地，可在计算相似度之前，进行全联通变换。举例来说，对于上述正例的两个词对应的词向量A1和B1，可分别乘以一个变换矩阵C，完成全联通变换，以将A1变化为A2，将B1变化为B2。然后通过计算向量A2和B2的余弦值，并作为A1和B1的相似度。

由此，通过本发明的实施例，通过深度学习将句法紧密度学习为一个可计算的句法紧密度模型，模型存储的是网络结构，对于任意的词语搭配，都可可通过该句法紧密度模型计算任意两个词之间的句法紧密度信息，而不仅限于传统的明文词语搭配词典中的句法结构，覆盖范围更广。此外，基于深度学习的句法紧密度模型的大小只取决于词表的大小，远小于明文词语搭配词典的规模，减少空间占用。

本发明的实施例可应用在智能机器问答、智能搜索等应用场景中。图6为根据本发明一个具体实施例的基于人工智能的需求识别的方法示意图。下面结合图6对本发明的实施例在智能机器深度问答系统中的应用进行说明。

如图6所示，在智能机器问答系统中的应用中，可包括数据生成、网络模型建立、特征应用等模型建立的过程，以及根据建立的模型在深度问答系统中进行需求识别，并根据识别结果进行搜索、展示的应用过程。

其中，数据生成、网络模型建立的过程与图6所示的建立句法紧密度模型的过程相同。在建立句法紧密度模型后，可将句法紧密度信息作为特征应用在句法分析中，训练依存句法分析模型。也就是说，可将训练样本中各个需求信息句子中词组的深度学习的句法紧密度信息作为紧密度特征，并基于紧密度特征训练依存句法分析模型。

进而，问答系统可根据以建立的模型针对用户输入的问题进行依存句法分析，并根据分析结果进行需求识别，并根据识别结果进行精准满足。主要有需求类型识别、需求限定识别和结果搜索聚合三个步骤。具体地，当用户在问答系统中输入问题(即需求信息)时，问答系统可根据已建立的依存句法分析模型生成该问题对应的依存句法树。由于本实施例中依存句法分析模型在训练过程中增加了句法紧密度特征，因此，生成的该问题的依存句法树在传统依存句法树的基础上还具有问题中各个词组的句法紧密度信息。进而，可根据依存句法树中词组间的依存结构、依存关系以及句法紧密度信息，进行需求类型识别和需求限定识别，并根据识别结果进行搜索聚合，将搜索结果在问答系统中展示给用户。

举例来说，对于如图3中，根据依存句法树31识别出的需求类型：“订飞机票”和需求限定：“出发地：北京；到达地：上海；时间：明天”，进行搜索结果聚合，获取可定飞机票的网站，并将订票需求条件作为回答提供给用户(如图7a所示)。当用户点击该回答时，如图7b所示，可进入相应网站，并根据识别出的用户需求自动填充出发地、目的地、时间等信息，以供用户搜索确认。

由此，在深度问答系统中，可根据预先建立的加入句法紧密度信息特征的依存句法模型，深刻识别用户需求，并提供相应的结果，能够有针对性的精确满足用户需求。

与上述基于人工智能的需求识别的方法实施例相对应，本发明还提出一种基于人工智能的需求识别的装置。

一种基于人工智能的需求识别的装置，包括：第一获取模块，用于获取需求信息；分词模块，用于对所述需求信息进行分词以形成多个词组；第二获取模块，用于获取所述多个词组之间的句法紧密度信息；需求识别模块，用于根据所述句法紧密度信息和需求信息的预设依存句法树进行需求识别。

图8为根据本发明一个实施例的基于人工智能的需求识别的装置的结构示意图。

如图8所示，根据本发明实施例的基于人工智能的需求识别的装置，包括：第一获取模块10、分词模块20、第二获取模块30和需求识别模块40。

具体地，第一获取模块10用于获取需求信息。

其中，需求信息可为用户在各个需求场景下输入的文字、语音、图像等信息。

举例来说，在搜索场景下，在搜索框中输入的用于搜索的信息；或者在问答场景下，用户输入的提问信息或者回答信息。

分词模块20用于对所述需求信息进行分词以形成多个词组。

在本发明的实施例中，如果需求信息为文本信息，则可对需求信息直接进行分词，形成多个词组。如果需求信息为非文本信息，如语音、图像等信息，则可将非文本信息进行识别为文本信息，并对识别得到的文本进行分词，形成多个词组。

举例来说，对于用户输入的需求信息“给我订一张明天从北京飞往上海的飞机票”，分词后可得到词组：“给”、“我”、“订”、“一张”、“明天”、“从”、“北京”、“飞往”、“上海”、“的”、“飞机票”。

第二获取模块30用于获取所述多个词组之间的句法紧密度信息。

其中，句法紧密度信息是指两个词组构成某种句法结构的可能性的度量。

在本发明的另一个实施例中，第二获取模块30可用于查询句法紧密度模型获得所述多个词组中任意两个词之间的句法紧密度信息。

其中，句法紧密度模型是通过深度学习技术，利用神经网络将句法紧密度学习为一个可计算的模型(具体建立句法紧密度模型的过程可参见图4和图5所示实施例)，该模型中存储了句法紧密度的网络结构。因此，可通过该句法紧密度模型中的网络结构确定任意的词语搭配的句法紧密度信息。

在本发明的一个实施例中，对于已完成分词的句子，第二获取模块30可根据已建立的句法紧密度模型计算任意两个之间的句法紧密度信息。进一步地，第二获取模块30也可根据得到的句法紧密度信息中的最大值对所得到的句法紧密度信息进行归一化处理，得到各个词之间的归一化处理后的句法紧密度信息，以便于后续句法紧密度信息的比较。

需求识别模块40用于根据所述句法紧密度信息和需求信息的预设依存句法树进行需求识别。

其中，需求信息的预设依存句法树可以是根据句子的依存结构、修饰层级和修饰关系而建立的树形结构。

在本发明的一个实施例中，需求信息的依存句法树可以是预先通过现有的或者未来可出现的依存句法分析器对用户的需求信息进行分析得到的。例如，可通过Stanford-Parser(一种由斯坦福大学自然语言研究小组推出的语法解析工具)、LTP(由哈尔滨工业大学社会计算与信息检索研究中心研发的语言技术平台)进行分析得到依存句法树。

在本发明的另一个实施例中，还可在现有的训练依存句法分析模型的方法中将句法紧密度信息作为特征训练依存句法分析模型。具体地，对于已分词的样本需求信息句子，可计算一个词与其他所有词的句法紧密度信息，并在构建依存句法分析模型时，抽取窗口内所有可能的句法结构的紧密度信息作为特征，建立依存句法分析模型。进而，可预先根据由此得到的依存句法分析模型对需求信息进行句法分析，得到需求信息的依存句法树。

由于在训练依存句法分析模型的过程中，增加了句法紧密度特征，因此，由此得到的依存句法树更加准确。

依存句法树中包括句子中词组的依存结构和依存关系。

举例来说，依存结构可包括但不限于：核心(head，HED)、连动结构(verb-verb，VV)、关联结构(conjunctive，CNJ)、语态结构(mood-tense，MT)、独立结构(independent structure，IS)、状中结构(adverbial，ADV)、动补结构(complement，CMP)、“的”字结构DE、“地”字结构DI、“得”字结构DEI、“把”字结构BA、“被”字结构BEI、独立分句IC(independent clause)以及依存分句DC(dependent clause)等。

依存关系可包括但不限于：定中关系(attribute，ATT)、动宾关系(verb-object，VOB)、主谓关系(subject-verb，SBV)、数量关系(quantity，QUN)、并列关系(coordinate，COO)、同位关系(appositive、APP)、前附加关系(left adjunct、LAD)、后附加关系(right adjunct、RAD)、动宾关系(verb-object、VOB)、介宾关系(preposition-object、POB)以及比拟关系(similarity、SIM)。

对于一个句子及其对应的依存句法树，句子中的每个词与他的修饰词构成正例，与句子中除该修饰词之外的其他词构成反例。举例来说，对于句子“成为道德楷模”，其对应的依存句法树如图2中A所示，其中，“成为”与“楷模”之间为动宾关系VOB，“道德”与“楷模”之间为定中关系ATT。在该依存句法树A中，“称为”的正负例可如图2中B所示，其中，“成为”与“楷模”构成正例，“成为”与“楷模”构成负例。

在本发明的一个实施例中，需求识别模块40可用于：根据所述句法紧密度信息确定所述多个词组中作为主节点的词组和作为子节点的词组；根据所述作为主节点的词组和作为子节点的词组以及所述需求信息的预设依存句法树进行需求识别。

具体地，需求识别模块40可根据句法紧密度信息从多个词组中选择出与其他词组之间的句法紧密度最高的词组，并作为主节点，将其他词组作为子节点。在确定主节点和子节点之后，需求识别模块40可进一步根据需求信息的预设句法依存树中词组间的依存结构和依存关系确定与主节点之间存在依存关系的各个子节点，以及各个子节点之间的依存结构和依存关系。进而，需求识别模块40可根据主节点与子节点之间、子节点与子节点之间的依存结构和依存关系识别出用户的需求。

在本发明的实施例中，所述需求识别可包括需求类型识别和/或需求限定识别。其中，需求类型识别是指对用户需求的类型进行识别，例如，购票需求、出行需求等。需求限定识别是指对用户需求的限定条件进行识别，例如，时间、地点等限定条件。

举例来说，如图3所示，对于用户输入的需求信息“给我订一张明天从北京飞往上海的飞机票”，根据句法紧密度信息可确定主节点为“订”，子节点为“给”、“我”、““一张”、“明天”、“从”、“北京”、“飞往”、“上海”、“的”、“飞机票”。进而，可得到图3中31所示的依存句法树，并确定各个子节点与主节点之间以及不同子节点之间的依存结构和依存关系。然后，可根据依存句法树31识别出需求类型为“订飞机票”，需求限定为“出发地：北京；到达地：上海；时间：明天”。

本发明实施例的需求识别的装置，可获取用户输入的需求信息，并进行分词形成多个词组，获取多个词组之间的句法紧密度信息，并根据句法紧密度信息和需求信息的预设依存句法树进行需求识别，在需求识别的过程中结合句法紧密度信息与依存句法树能够有效提高需求识别的准确性和识别效率，能够精准地抽取、识别用户的需求，进而可更有针对性地为用户提供更好的服务，提升用户体验。

图9为根据本发明另一个实施例的基于人工智能的需求识别的装置的结构示意图。

如图9所示，根据本发明实施例的基于人工智能的需求识别的装置，在图8所示的基础上还可进一步包括：建立模块50。

建立模块50用于通过以下步骤建立所述句法紧密度模型：

获取样本需求信息；

对所述样本需求信息进行分词以形成多个样本词组；

获取所述样本词组中的目标样本词组，并获取所述多个样本词组与所述目标样本词组之间的正例关系或负例关系；

根据所述正例关系或负例关系进行深度学习，以建立句法紧密度模型。

其中，具体实现方式可参照图4所示实施例，在此不再赘述。

本发明实施例的需求识别的装置，通过深度学习将句法紧密度学习为一个可计算的句法紧密度模型，模型存储的是网络结构，对于任意的词语搭配，都可计算其句法紧密度信息，进而可通过该句法紧密度模型计算任意两个词之间的句法紧密度信息，而不仅限于传统的明文词语搭配词典中的句法结构，覆盖范围更广。此外，基于深度学习的句法紧密度模型的大小只取决于词表的大小，远小于明文词语搭配词典的规模，减少空间占用。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。