APP下载

问答中的问句意图识别和约束条件分析

2017-03-12王厚峰

中文信息学报 2017年6期
关键词:分析方法模型

孙 鑫,王厚峰

(北京大学 计算语言学教育部重点实验室,北京 100871)

0 引言

口语对话系统、语音助手、自动客服等是当前自然语言处理研究的热点。这些应用的成功不仅取决于语音内容的识别,更在于对句子含义的理解。和自动语音识别(automatic speech recognizer, ASR)是将说话人的语音转化为文字序列不同,口语理解(spoken language understanding, SLU)侧重于确定口语问句包含的意图[1],并提取出相应的约束条件,再交给对话或任务管理器(dialog or task manager, DM)[2],就可以满足用户的特殊需求。ASR、SLU和DM顺序连接构成了典型的面向实际目标的会话理解系统[2],是自动客户服务等应用的关键构成部分。本文研究SLU中的意图识别和约束条件分析,为口语理解提供帮助。

意图识别(intent determination, ID)旨在确定一句话的意图,可以看成分类问题。事先在该领域定义各种可能的意图类别,再用分类方法将问句分到某类之中。约束条件分析(slot filling, SF)则是提取出达成意图的关键信息,可以看成序列标注问题,即将关键词标注为特定标签,其他词被标注为普通标签。

表1中,我们采用In/Out/Begin(IOB)标签来标注“西安到拉萨8月1号到5号有没有打折的飞机票”这句话。“西安”被标注为起点,“拉萨”为终点,“8月1号到5号”被标注为出发时间,“打折”是票价要求。这句话的意图是“查机票”。

表1 ID和SF问题样例

意图和约束条件这两个问题通常被当作独立的两个问题处理, 前者可以用各种机器学习的分类方法,如支持向量机(support vector machine, SVM)、逻辑回归等解决;后者可以用序列标注模型实现,如条件随机场(conditional random field, CRF)、循环神经网络(recurrent neural networks, RNN)等。但这两个问题是相关的,两种信息可以相互帮助、相互影响[3],例如,“查机票”类型的问句,很可能出现“起点”“终点”“时间”这类标签;……

登录APP查看全文

猜你喜欢

分析方法模型
一半模型
隐蔽失效适航要求符合性验证分析
重尾非线性自回归模型自加权M-估计的渐近分布
电力系统不平衡分析
电力系统及其自动化发展趋势分析
3D打印中的模型分割与打包
用对方法才能瘦
四大方法 教你不再“坐以待病”!
捕鱼