1.本公开涉及计算机技术领域，尤其涉及计算机技术领域，尤其涉及自然语言处理、深度学习等人工智能技术领域。具体公开了一种意图识别方法、装置、电子设备、存储介质。
背景技术：
2.在一些人机交互的应用场景中，例如用户需要机器帮助写作的场景，机器人需要对用户输入的提示词(prompt)进行意图识别。意图识别即根据用户prompt的理解，进行意图分类，系统根据意图分类决策prompt是否需要补全上下文、澄清内部专名词实体概念，以便让下游的大语言模型更好地理解当前用户的prompt指令意图。
3.但现有技术中，通常仅基于规则判定或者模型预测的方法进行意图分类，意图识别的方式比较单一，导致基于规则判断方法泛化效果差、导致召回不足，或者基于模型预测方法造成的预测性能差，以及模型训练成本高的问题。
技术实现要素：
4.本公开提供了一种意图识别方法、装置、电子设备、存储介质。
5.根据本公开的第一方面，提供了一种意图识别方法，包括：
6.获取待识别提示文本；
7.对所述待识别提示文本进行意图识别，包括：
8.基于预设意图判定规则对所述待识别提示文本进行意图识别，得到第一意图识别结果；
9.基于预先训练得到的深度学习模型对所述待识别提示文本进行意图识别，得到第二意图识别结果；
10.通过查询大语言模型进行意图标注得到的历史意图识别结果，对所述待识别提示文本进行意图识别，得到第三意图识别结果；
11.对所述第一意图识别结果、所述第二意图识别结果、所述第三意图识别结果进行融合，得到最终的意图识别结果。
12.根据本公开的第二方面，提供了一种意图识别装置，包括：
13.获取模块，被配置为获取待识别提示文本；
14.意图识别模块，被配置为对所述待识别提示文本进行意图识别，包括：
15.意图规则判定子模块，被配置为基于预设意图判定规则对所述待识别提示文本进行意图识别，得到第一意图识别结果；
16.意图模型预测子模块，被配置为基于预先训练得到的深度学习模型对所述待识别提示文本进行意图识别，得到第二意图识别结果；
17.意图语义匹配子模块，被配置为通过查询大语言模型进行意图标注得到的历史意图识别结果，对所述待识别提示文本进行意图识别，得到第三意图识别结果；
18.融合模块，被配置为对所述第一意图识别结果、所述第二意图识别结果、所述第三
意图识别结果进行融合，得到最终的意图识别结果。
19.根据本公开的第三方面，提供了一种电子设备，包括：
20.至少一个处理器；以及
21.与所述至少一个处理器通信连接的存储器；其中，
22.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述技术方案中任一项所述的方法。
23.根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述技术方案中任一项所述的方法。
24.根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述技术方案中任一项所述的方法。
25.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
26.附图用于更好地理解本方案，不构成对本公开的限定。其中：
27.图1是本公开实施例中的意图识别方法的步骤示意图；
28.图2是本公开实施例中的意图识别方法的系统流程图；
29.图3是本公开实施例中的智能创作场景的操作界面图；
30.图4是用来实现本公开实施例的意图识别方法的电子设备的框图。
具体实施方式
31.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
32.现有的意图识别方案通常包括以下两种：
33.方案1：基于用户的提示词prompt人工进行意图分类的标注，总结归纳规则，基于规则集合通过正则匹配的方式，将符合某些规则的prompt判定为对应的意图分类。但这种通过规则判定的方式泛化效果差，导致召回不足。
34.方案2：对用户的prompt人工进行意图分类的标注，利用标注数据训练多分类模型，通过模型预测的方式，来给出用户prompt的意图分类。通过模型的方式，预测性能差，一般秒级别返回预测结果，且模型训练成本高，迭代周期长，一次训练要标注千级别的数据样本。
35.针对上述采用单一意图识别方式导致泛化效果差，或者通过模型预测模型训练成本高、预测准确率较低的技术问题，本公开提供了一种意图识别方法，如图1所示，包括：
36.步骤s101，获取待识别提示文本；
37.步骤s102，对待识别提示文本进行意图识别，包括：
38.步骤s102a，基于预设意图判定规则对待识别提示文本进行意图识别，得到第一意图识别结果；
39.步骤s102b，基于预先训练得到的深度学习模型对待识别提示文本进行意图识别，得到第二意图识别结果；
40.步骤s102c，通过查询大语言模型(large language model，llm)进行意图标注得到的历史意图识别结果，对待识别提示文本进行意图识别，得到第三意图识别结果；
41.步骤s103，对第一意图识别结果、第二意图识别结果、第三意图识别结果进行融合，得到最终的意图识别结果。
42.如图2所示意图识别流程，本实施例中针对规则判定方式泛化性不足的问题，将模型预测方式整合入系统，同时还整合了语义匹配的意图识别方式，通过三种不同的识别方式同时对用户输入的提示文本(prompt)进行意图识别，最后对多路的结果进行融合得到最优的意图识别结果。需要说明的是，步骤s102a、步骤s102b、步骤s102c这三个意图识别步骤是并列的，不分先后顺序。具体地，本实施例中的意图识别方法可以应用于一些智能写作场景，例如基于用户的提示词判断是否需要引入上文，当用户提示词为“对以上文档内容进行总结，意图分类结果为“需引入文档上文内容”；若用户提示词为“将上面一段话扩写至1000字”，意图分类结果为“需引入文档上文内容”。
43.具体地，通过规则判定意图，是指通过规则模板解析的方式来获取查询的意图。例如，北京到上海今天的机票价格，可以转换为：[地点]到[地点][日期][汽车票/机票/火车票]；1公斤等于多少克，可以转换为：[数字][计量单位]等于[数字][计量单位]。在规则判定意图过程中，先判断领域再判断意图，可以采用实体-主域-模板的整体框架来判断识别领域，在命中领域后，模板采用意图动词(下载、查询等)或意图疑问词(怎么样、为什么等)判别意图。
[0044]
本实施例中的模型预测方法是基于深度学习模型的意图识别方法，深度学习模型是指小语言模型，通过模型对用户输入的prompt计算出每一个意图的概率，最终给出查询的意图。通过这种模型预测的方法，需要使用大量的训练数据对深度学习模型进行训练。基于深度学习的意图识别模型可以选择lstm(long short-term memory，长短期记忆网络) attention(注意力模型)组合的模型，或bert(bidirectionalencoder representations from transformer，双向编码器)网络分类意图识别。
[0045]
大语言模型和小语言模型在规模和功能上有明显的区别。大语言模型通常是指基于深度学习算法训练得到的、具有大规模参数规模的模型，能够处理自然语言理解的多种任务，如文本分类、情感分析、问答等。大语言模型具有更强的语言处理能力和更广泛的适用性，能够处理更复杂、更抽象的语言任务。而小语言模型则通常是指规模较小、参数数量较少的模型，其处理任务相对较为简单，通常用于处理一些特定的自然语言处理任务，如语法分析、词性标注等。小语言模型通常具有更快的推理速度和更小的存储空间，能够在资源受限的场景下高效地处理自然语言任务。本公开实施例可以利用大语言模型的标注能力作为补充，利用大语言模型对传统的规则判定和模型预测无法产生意图分类结果的数据进行标注产生历史意图识别结果，以供下一次意图识别时使用。
[0046]
通过这种方式，可以将规则判定方式和模型预测方式的优缺点进行互补，考虑到模型预测泛化性好，性能快(毫秒级别返回)、准确率不足；规则判定准确性高、召回不足、性能耗时长(秒级别)。当多路判定同时产出意图识别结果时，从各路输出的意图识别结果中择优输出。通过上述技术方案，提升了系统基于用户提示词理解意图分类的性能和意图识
别召回的覆盖率，同时，利用大语言模型进行意图分类标注得到的历史意图识别结果进行语义匹配，可以弥补规则判定方式召回不足的问题。
[0047]
作为可选的实施方式，如图2所示，步骤s102，对待识别提示文本进行意图识别之前，还包括：
[0048]
对待识别提示文本进行词性标注。
[0049]
文本标注是对文本进行特征标记的过程，对其打上具体的语义、构成、语境、目的、情感等数据标签，通过标注好的训练数据，我们就可以教会机器如何来识别文本中所隐含的意图或者情感，使机器可以更加人性化的理解语言。因此，我们必须需要非常全面且准确地完成高质量的文本数据，才能保证机器可以准确无误的识别到人的意图，如果文本处理不当，那么机器无法理解我们标注的内容。
[0050]
本实施例中，可以采用预先训练的分词模型对prompt进行标注，标注出prompt中的内部专用名词。在一些智能创作的应用场景下，如图3所示，用户在知识库文档上调出智能创作组件时，需要输入提示词prompt，系统根据用户输入的提示词(图3所示文本输入框“告诉ai你想写什么呢？”，判断用户的写作场景是写内部的工作文档，还是外部公共知识。判断用户的意图是写内部文档还是需要外部公共知识，首先要对prompt进行标注，标注出哪些名词是内部专用名词，才能进行下一步的意图识别。
[0051]
作为可选的实施方式，步骤s102对待识别提示文本进行意图识别之前，并在对待识别提示文本进行词性标注之后，还包括：
[0052]
基于第二历史意图识别结果对待识别提示文本进行语义匹配，若待识别提示文本中的关键词命中第二历史意图识别结果，则返回第二历史意图识别结果中关键词对应的数值作为最终的意图识别结果。
[0053]
本实施例中增加了干预功能，是对整体系统的一个干预能力。如图2所示，干预模块205设置在对用户的prompt进行意图分类标注之后，在意图识别模块之前。第二历史意图识别结果以key-value索引表的形式预先存储在key-value缓存库中，例如，在上一次意图识别时，识别用户的prompt为“写一个关于a产品的产品运营计划”，其意图识别结果为“内部产品”，可以将用户的prompt转换为key值，将对应的意图识别结果转换为value值，建立一个key-value索引关系。通过第二历史意图识别结果对prompt进行语义匹配时，如果prompt中的关键词命中了这个key-value缓存库里的关键词(key)，就直接用该关键词对应的value值作为意图识别结果返回，不再经过意图识别模块进行意图分类，从而提升意图识别的效率。key就是指缓存里面的一些关键词，比如说用户输入的prompt是“请帮我写一篇关于大模型的文档”，然后对prompt进行分词，经过词性标注，会切出“大模型”这个关键词，比如当前key-value缓存库里配置了一个“大模型”这个key，命中“大模型”这个关键词，就会返回一个“大模型”对应的value作为意图识别结果。
[0054]
作为可选的实施方式，步骤s103对第一意图识别结果、第二意图识别结果、第三意图识别结果进行融合，得到最终的意图识别结果之后，还包括：
[0055]
获取第一意图识别结果、第二意图识别结果、第三意图识别结果中未产出意图分类结果的数据；
[0056]
调用大语言模型对未产出意图分类结果的数据进行意图分类标注，得到历史意图识别结果，包括：
[0057]
调用大语言模型自动归纳出未产出意图分类结果的数据对应的意图分类正则表达式；
[0058]
基于意图分类正则表达式生成未产出意图分类结果的数据对应的第二提示文本；
[0059]
将第二提示文本转换为语义向量，并将第二提示文本对应的标注数据转换为索引值；
[0060]
建立语义向量和索引值之间的索引关系作为历史意图识别结果。
[0061]
具体地，如图2所示，本实施例中设计主动调度模块对未产出意图分类结果的用户prompt数据，进行定时拉取未产出意图分类结果的数据，生成规则提取的prompt，调用大语言模型自动归纳出数据对应的意图分类的正则表达式。对应的prompt如下：
[0062]
当前产品是在文档知识库上提供智能写作能力，请根据用户输入的指令进行理解，对用户的写作意图分类进行判定，写作意图分类和判定标准如下：
[0063]
1.写内/外部文档：如果prompt中有你不能理解的专名词概念，那请输出：写外部文档，否则输出写内部文档。如果prompt中已经明确告诉某个词是内部专名词，请输出：写内部文档。
[0064]
2.是否引入上文：请根据用户prompt自动判断回答这个问题是否需要用户提供上文信息，如果需要则输出：引入上文，否则输出：无需引入上文。
[0065]
请基于以上规则对如下prompt进行意图分类结果。
[0066]
本实施例中可以通过主动调度大语言模型对未召回的数据进行自动标注，通过对新的用户prompt(第二提示文本)进行语义向量化后存储到向量数据库，供意图语义匹配子模块对相同语义的prompt进行相似召回，可以弥补规则召回的不足。其中，利用大语言模型对未产出意图分类结果的数据进行意图分类标注，并将大模型标注的结果维护到向量数据库(将文本转为索引，将标注结果转为索引值)，采用向量数据库milvus建立维护索引，结果如表1所示：
[0067][0068]
表1
[0069]
通过意图识别调度系统和基于大语言模型的标注能力，构建了对用户新增提示词进行意图识别判定能力的闭环机制，降低了人工数据标注成本，提升了召回策略迭代效率。
[0070]
作为可选的实施方式，步骤s103对第一意图识别结果、第二意图识别结果、第三意图识别结果进行融合，得到最终的意图识别结果之后，还包括：
[0071]
通过异步入库方式将第一意图识别结果、第二意图识别结果、第三意图识别结果存储到数据库中。在调度大语言模型对未产出意图分类结果的数据进行标注时，可以从数据库中拉取数据。
[0072]
作为可选的实施方式，对第一意图识别结果、第二意图识别结果、第三意图识别结果进行融合，得到最终的意图识别结果包括：
[0073]
基于各意图识别结果的优先级，从第一意图识别结果、第二意图识别结果、第三意图识别结果中确定最终的意图识别结果。
[0074]
具体地，第三意图识别结果的优先级高于第一意图识别结果，第一意图识别结果的优先级高于第二意图识别结果。如图2所示，当多路意图判定同时产出结果时，由于规则判定召回的准确率较高，优先选择通过规则判定方式产生的意图识别结果，当规则判定方式召回不足时，采用模型预测得到的意图识别结果。通过语义匹配得到的意图识别结果可以弥补规则召回的不足，因此当意图语义匹配子模块产生第三意图识别结果时，可以优先使用第三意图识别结果。
[0075]
本公开还提供了一种意图识别装置，如图2所示，包括：
[0076]
获取模块201，被配置为获取待识别提示文本；
[0077]
意图识别模块，被配置为对待识别提示文本进行意图识别，包括：
[0078]
意图规则判定子模块202a，被配置为基于预设意图判定规则对待识别提示文本进行意图识别，得到第一意图识别结果；
[0079]
意图模型预测子模块202b，被配置为基于预先训练得到的深度学习模型对待识别提示文本进行意图识别，得到第二意图识别结果；
[0080]
意图语义匹配子模块202c，被配置为通过查询大语言模型进行意图标注得到的历史意图识别结果，对待识别提示文本进行意图识别，得到第三意图识别结果；
[0081]
融合模块203，被配置为对第一意图识别结果、第二意图识别结果、第三意图识别结果进行融合，得到最终的意图识别结果。
[0082]
如图2所示意图识别流程，本实施例中针对意图规则判定子模块202a泛化性不足的问题，将意图模型预测子模块202b整合入系统，同时还整合了意图语义匹配子模块202c，通过三种不同的意图识别方式同时对用户输入的prompt进行意图识别，最后对多路意图识别结果进行融合得到最优的意图识别结果。具体地，本实施例中的意图识别方法可以应用于一些智能写作场景，例如基于用户的提示词判断是否需要引入上文，当用户提示词为“对以上文档内容进行总结，意图分类结果为“需引入文档上文内容”；若用户提示词为“将上面一段话扩写至1000字”，意图分类结果为“需引入文档上文内容”。
[0083]
具体地，通过规则判定意图，是指通过规则模板解析的方式来获取查询的意图。例如，北京到上海今天的机票价格，可以转换为：[地点]到[地点][日期][汽车票/机票/火车票]；1公斤等于多少克，可以转换为：[数字][计量单位]等于[数字][计量单位]。在规则判定意图过程中，先判断领域再判断意图，可以采用实体-主域-模板的整体框架来判断识别领域，在命中领域后，模板采用意图动词(下载、查询等)或意图疑问词(怎么样、为什么等)判别意图。
[0084]
本实施例中的模型预测方法是基于深度学习模型的意图识别方法，本实施例中的深度学习模型是指小语言模型，通过模型对用户输入的prompt计算出每一个意图的概率，最终给出查询的意图。通过这种模型预测的方法，需要使用大量的训练数据对深度学习模型进行训练。基于深度学习的意图识别模型可以选择lstm attention组合的模型，或bert网络分类意图识别。
[0085]
通过这种方式，可以将规则判定方式和模型预测方式的优缺点进行互补，考虑到模型预测泛化性好，性能快(毫秒级别返回)、准确率不足；规则判定准确性高、召回不足、性能耗时长(秒级别)。当多路判定同时产出意图识别结果时，从各路输出的意图识别结果中择优输出。通过上述技术方案，提升了系统基于用户提示词理解意图分类的性能和意图识别召回的覆盖率，同时，利用大语言模型进行意图分类标注得到的历史意图识别结果进行语义匹配，可以弥补规则判定方式召回不足的问题。
[0086]
作为可选的实施方式，装置还包括：
[0087]
标注模块204，被配置为融合模块203基于预设意图判定规则对待识别提示文本进行意图识别，得到第一意图识别结果之前，对待识别提示文本进行词性标注。
[0088]
本实施例中，标注模块204可以采用预先训练的分词模型(wordseg)对prompt进行标注，标注出prompt中的内部专用名词。在一些智能创作的应用场景下，如图3所示，用户在知识库文档上调出智能创作组件时，需要输入提示词prompt，系统根据用户输入的提示词(图3所示文本输入框“告诉ai你想写什么呢？”，判断用户的写作场景是写内部的工作文档，还是外部公共知识。判断用户的意图是写内部文档还是需要外部公共知识，首先要对prompt进行标注，标注出哪些名词是内部专用名词，才能进行下一步的意图识别。
[0089]
作为可选的实施方式，如图2所示，装置还包括：
[0090]
干预模块205，被配置为意图识别模块对待识别提示文本进行意图识别之前，并在标注模块204对待识别提示文本进行词性标注之后，基于第二历史意图识别结果对待识别提示文本进行语义匹配，若待识别提示文本中的关键词命中第二历史意图识别结果，则返回第二历史意图识别结果中关键词对应的数值作为最终的意图识别结果。
[0091]
本实施例中增加了干预模块205，增加了对整体系统的一个干预能力。如图2所示，干预模块205设置在对用户的prompt进行意图分类标注之后，在意图识别模块之前。第二历史意图识别结果以key-value索引表的形式预先存储在key-value缓存库中，例如，在上一次意图识别时，识别用户的prompt为“写一个关于a产品的产品运营计划”，其意图识别结果为“内部产品”，可以将用户的prompt转换为key值，将对应的意图识别结果转换为value值，建立一个key-value索引关系。通过第二历史意图识别结果对prompt进行语义匹配时，如果prompt中的关键词命中了这个key-value缓存库里的关键词(key)，就直接用该关键词对应的value值作为意图识别结果返回，不再经过意图识别模块进行意图分类。key就是指缓存里面的一些关键词，比如说用户输入的prompt是“请帮我写一篇关于大模型的文档”，然后对prompt进行分词，经过词性标注，会切出“大模型”这个关键词，比如key-value缓存库里配置了一个“大模型”这个key，命中“大模型”这个关键词，就会返回一个“大模型”对应的value作为意图识别结果。
[0092]
作为可选的实施方式，融合模块203对第一意图识别结果、第二意图识别结果、第三意图识别结果进行融合，得到最终的意图识别结果之后，还包括：
[0093]
数据拉取模块206，被配置为获取第一意图识别结果、第二意图识别结果、第三意图识别结果中未产出意图分类结果的数据；
[0094]
模型调度模块207，被配置为调用大语言模型对未产出意图分类结果的数据进行意图分类标注，得到历史意图识别结果，包括：
[0095]
调用大语言模型自动归纳出未产出意图分类结果的数据对应的意图分类正则表
达式；
[0096]
基于意图分类正则表达式生成未产出意图分类结果的数据对应的第二提示文本；
[0097]
将第二提示文本转换为语义向量，并将第二提示文本对应的标注数据转换为索引值；
[0098]
建立语义向量和索引值之间的索引关系作为历史意图识别结果，存储于图2所示的向量数据库208中。
[0099]
具体地，如图2所示，本实施例中设计主动调度模块对未产出意图分类结果的用户prompt数据，进行定时拉取未产出意图分类结果的数据，调用大语言模型自动归纳出数据对应的意图分类的正则表达式，生成对应的prompt。
[0100]
本实施例中可以通过主动调度大语言模型对未召回的数据进行自动标注，通过对新的用户prompt进行语义向量化后存储到向量数据库(具体如表1所示)，供意图语义匹配子模块对相同语义的prompt进行相似召回，从而可以弥补规则召回的不足。本实施例中通过意图识别调度系统和基于大语言模型的标注能力，构建了对用户新增提示词进行意图识别判定能力的闭环机制，降低了人工数据标注成本，提升了召回策略迭代效率。
[0101]
作为可选的实施方式，融合模块203对第一意图识别结果、第二意图识别结果、第三意图识别结果进行融合，得到最终的意图识别结果之后，还包括：
[0102]
入库模块，被配置为通过异步入库方式将融合模块中的第一意图识别结果、第二意图识别结果、第三意图识别结果存储到数据库209中。在调度大语言模型对未产出意图分类结果的数据进行标注时，可以从数据库209中拉取数据。
[0103]
作为可选的实施方式，融合模块203对第一意图识别结果、第二意图识别结果、第三意图识别结果进行融合，得到最终的意图识别结果包括：
[0104]
基于各意图识别结果的优先级，从第一意图识别结果、第二意图识别结果、第三意图识别结果中确定最终的意图识别结果。
[0105]
具体地，第三意图识别结果的优先级高于第一意图识别结果，第一意图识别结果的优先级高于第二意图识别结果。如图2所示，当多路意图判定同时产出结果时，由于规则判定召回的准确率较高，优先选择通过规则判定方式产生的意图识别结果，当规则判定方式召回不足时，采用模型预测得到的意图识别结果。通过意图语义匹配子模块202c基于向量数据库进行语义匹配得到的意图识别结果可以作为弥补规则召回的不足，因此当意图语义匹配子模块产生第三意图识别结果时，可以优先使用第三意图识别结果。
[0106]
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
[0107]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0108]
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0109]
如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器(rom)402中的计算机程序或者从存储单元408加载到随机访问存储器(ram)403中的计算机程序，来执行各种适当的动作和处理。在ram 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、rom 402以及ram403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。
[0110]
设备400中的多个部件连接至i/o接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0111]
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习目标函数算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如意图识别方法。例如，在一些实施例中，意图识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由rom 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到ram403并由计算单元401执行时，可以执行上文描述的意图识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行意图识别方法。
[0112]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0113]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0114]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或
上述内容的任何合适组合。
[0115]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0116]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0117]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0118]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。
[0119]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。