意图分类方法、意图分类装置、电子设备及存储介质与流程

本技术涉及金融科技领域，尤其涉及一种意图分类方法、意图分类装置、电子设备及存储介质。

背景技术：

1、随着人工智能技术的不断发展，智能客服、智能家居、智能机器人等领域的应用日益广泛，对于语音和文本理解的需求也越来越高。其中，意图分类是语音和文本理解中的一个重要任务，它可以将对象的输入文本或语音转化为一个具体的意图类别，如查询、订购、预定等。因此，意图分类在智能客服、智能家居、智能机器人等领域有着广泛的应用前景。

2、目前，大多数意图分类方法主要基于机器学习算法，如支持向量机、朴素贝叶斯等。这些方法需要手动提取特征，然后训练分类器，这一方式往往需要大量的训练数据和计算资源，而大量的训练数据的获取难度较大，使得模型的训练效果不佳，会影响模型的意图分类的准确性。

技术实现思路

1、本技术实施例的主要目的在于提出一种意图分类方法、意图分类装置、电子设备及存储介质，旨在提高意图分类的准确性。

2、为实现上述目的，本技术实施例的第一方面提出了一种意图分类方法，所述方法包括：

3、获取样本意图数据和背景描述语句，其中，所述样本意图数据包括样本描述文本和所述样本描述文本的样本意图标签；

4、将所述背景描述语句输入至预设的神经网络模型进行模板生成，得到意图描述模板，其中，所述神经网络模型是大型语言模型；

5、基于所述意图描述模板，通过所述神经网络模型对所述样本描述文本进行意图分类，得到样本意图类别；

6、基于所述样本意图类别和所述样本意图标签对所述神经网络模型进行模型更新，得到意图分类模型；

7、获取目标描述文本；

8、通过所述意图分类模型对所述目标描述文本进行意图分类，得到所述目标描述文本的目标意图类别。

9、在一些实施例，所述将所述背景描述语句输入至预设的神经网络模型进行模板生成，得到意图描述模板，包括：

10、基于所述神经网络模型对所述背景描述语句进行语义理解，得到意图语义特征；

11、基于所述意图语义特征，构造意图语义字典；

12、基于所述意图语义字典和预设的语法规则进行模板生成，得到与所述背景描述语句对应的所述意图描述模板。

13、在一些实施例，所述神经网络模型包括编码器和解码器，所述基于所述意图描述模板，通过所述神经网络模型对所述样本描述文本进行意图分类，得到样本意图类别，包括：

14、基于所述意图描述模板，通过所述编码器对所述样本描述文本进行特征提取，得到所述样本描述文本的文本语义信息；

15、通过所述解码器对所述文本语义信息进行意图评分，得到意图评分数据，其中，所述意图评分数据用于指示所述样本描述文本属于每个预设意图类别的概率大小；

16、基于所述意图评分数据，选取所述意图评分数据最大的所述预设意图类别作为所述样本意图类别。

17、在一些实施例，所述基于所述意图描述模板，通过所述编码器对所述样本描述文本进行特征提取，得到所述样本描述文本的文本语义信息，包括：

18、根据所述意图描述模板，获取所述样本描述文本对应的触发词；

19、在所述样本描述文本中添加所述触发词和预设掩码，得到掩码描述文本；

20、通过所述编码器对所述掩码描述文本进行特征提取，得到所述文本语义信息。

21、在一些实施例，所述基于所述样本意图类别和所述样本意图标签对所述神经网络模型进行模型更新，得到意图分类模型，包括：

22、基于所述样本意图类别和所述样本意图标签，构建模型损失函数；

23、基于所述模型损失函数和预设的训练目标对所述神经网络模型进行模型更新，得到中间模型；

24、获取测试意图数据，其中，所述测试意图数据包括测试描述文本和所述测试描述文本的测试意图标签；

25、基于所述测试意图数据和预设的优化算法对所述中间模型进行参数优化，得到所述意图分类模型。

26、在一些实施例，所述基于所述测试意图数据和预设的优化算法对所述中间模型进行参数优化，得到所述意图分类模型，包括：

27、基于所述意图描述模板，通过所述中间模型对所述测试描述文本进行意图分类，得到测试意图类别；

28、基于所述优化算法和预定的模型开放训练层数，通过所述测试意图类别和所述测试意图标签对所述中间模型进行参数优化，得到所述意图分类模型。

29、在一些实施例，在所述通过所述意图分类模型对所述目标描述文本进行意图分类，得到所述目标描述文本的目标意图类别之后，所述方法还包括：

30、获取预设的产品数据库，其中，所述产品数据库中包含多个候选产品；

31、基于所述目标意图类别，从多个所述候选产品中筛选出目标产品进行推送。

32、为实现上述目的，本技术实施例的第二方面提出了一种意图分类装置，所述装置包括：

33、获取模块，用于获取样本意图数据和背景描述语句，其中，所述样本意图数据包括样本描述文本和所述样本描述文本的样本意图标签；

34、模板生成模块，用于将所述背景描述语句输入至预设的神经网络模型进行模板生成，得到意图描述模板，其中，所述神经网络模型是大型语言模型；

35、样本意图分类模块，用于基于所述意图描述模板，通过所述神经网络模型对所述样本描述文本进行意图分类，得到样本意图类别；

36、模型更新模块，用于基于所述样本意图类别和所述样本意图标签对所述神经网络模型进行模型更新，得到意图分类模型；

37、文本获取模块，用于获取目标描述文本；

38、目标意图分类模块，用于通过所述意图分类模型对所述目标描述文本进行意图分类，得到所述目标描述文本的目标意图类别。

39、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

40、为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

41、本技术提出的意图分类方法、意图分类装置、电子设备及存储介质，其通过获取样本意图数据和背景描述语句，其中，样本意图数据包括样本描述文本和样本描述文本的样本意图标签；将背景描述语句输入至预设的神经网络模型进行模板生成，得到意图描述模板，其中，神经网络模型是大型语言模型，能够利用大型语言模型的语言理解能力，提高生成的意图描述模板的准确性。进一步地，基于意图描述模板，通过神经网络模型对样本描述文本进行意图分类，得到样本意图类别，能够训练模型的意图分类准确性。进一步地，基于样本意图类别和样本意图标签对神经网络模型进行模型更新，得到意图分类模型，能够将大型语言模型训练成意图分类模型，提高意图分类模型的意图分类准确性。进一步地，获取目标描述文本；通过意图分类模型对目标描述文本进行意图分类，得到目标描述文本的目标意图类别，能够利用意图分类模型来准确地得到目标意图类别，提高意图分类的准确性和效率。