(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211117947.1 (22)申请日 2022.09.14 (71)申请人 中国平安财产保险股份有限公司 地址 518000 广东省深圳市福田区益田路 5033号平安金融中心12、 13、 38、 39、 40 层 (72)发明人 何赛南　 (74)专利代理 机构 深圳市世联合知识产权代理 有限公司 4 4385 专利代理师 杨晖琼 (51)Int.Cl. G06F 16/33(2019.01) G06F 16/332(2019.01) G06F 16/35(2019.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于意图识别的即时问答方法、 装置、 设备 及存储介质 (57)摘要 本申请公开了一种基于意图识别的即时问 答方法、 装置、 设备及存储介质， 属于人工智能技 术领域。 本申请通过获取从客户终端上传的提问 消息， 识别提问消息的消息类型， 根据提问消息 的消息类型选取对应的消息处理程序， 形成消息 处理程序组合， 其中， 消息处理程序至少包括特 征提取程序、 关键词提取程序、 音转文程序、 图文 识别程序和关键帧提取程序， 通过消息处理程序 组合对提问消息进行消息处理， 得到提问消息特 征， 将提问消息特征导入意图识别模型， 得到用 户意图识别结果， 根据用户意图确定应答语句。 此外， 本申请还涉及区块链技术， 提问消息可存 储于区块链中。 本申请可以从用户的提问消息识 别用户意图， 并根据用户意图返回应答语句。 权利要求书3页 说明书14页 附图3页 CN 115510186 A 2022.12.23 CN 115510186 A 1.一种基于意图识别的即时问答方法， 其特 征在于， 包括： 接收即时问答指令， 获取从客户终端上传的提问消息数据； 识别所述提问消息数据， 确定提问消息的消息类型， 其中， 所述消息类型至少包括文本 消息、 语音消息、 图片消息和视频消息； 根据所述提问消息的消息类型选取对应的消息处理程序， 形成消息处理程序组合， 其 中， 所述消息处理程序至少包括特征提取程序、 关键词提取程序、 音转文程序、 图文识别程 序和关键帧提取程序； 通过所述消息处 理程序组合对所述 提问消息进行消息处 理， 得到提问消息特 征； 将所述提问消息特 征导入预 先训练好的意图识别模型， 得到用户意图识别结果； 根据所述用户意图识别结果确定所述提问消息对应的应答语句， 并将所述应答语句发 送至所述 客户终端。 2.如权利要求1所述的基于意图识别的即时问答方法， 其特征在于， 所述根据 所述提问 消息的消息类型选取对应的消息处 理程序， 形成消息处 理程序组合， 具体包括： 若所述提问消息为文本消息， 则组合所述特征提取程序和所述关键词提取程序 形成所 述消息处 理程序组合； 若所述提问消息为语音消息， 则组合所述特征提取程序、 所述关键词提取程序和所述 音转文程序形成所述消息处 理程序组合； 若所述提问消息为图片消息， 则组合所述特征提取程序、 所述关键词提取程序和所述 图文识别程序形成所述消息处 理程序组合； 若所述提问消息为视频消息， 则组合所述特征提取程序、 所述关键词提取程序、 所述图 文识别程序和所述关键帧提取程序形成所述消息处 理程序组合。 3.如权利要求1所述的基于意图识别的即时问答方法， 其特征在于， 所述意图识别模型 基于深度卷积神经网络模型构建， 所述意图识别模 型包括输入层、 卷积层和输出层， 所述将 所述提问消息特 征导入预 先训练好的意图识别模型， 得到用户意图识别结果， 具体包括： 通过所述意图识别模型的输入层对所述提问消息特征进行向量转化， 得到消息特征向 量； 通过所述意图识别模型的卷积层对所述消息特征向量进行卷积运算， 得到消息卷积特 征； 通过所述意图识别模型的输出层中的特征分类器对所述消息卷积特征进行相似度计 算， 并将相似度最大的结果作为所述用户意图识别结果。 4.如权利要求3所述的基于意图识别的即时问答方法， 其特征在于， 在所述将所述提问 消息特征导入预 先训练好的意图识别模型， 得到用户意图识别结果之前， 还 包括： 获取历史消息数据， 以及获取 所述历史消息数据对应的历史意图数据； 基于所述历史消息数据和所述历史意图数据构建训练数据和验证数据； 基于所述训练数据对预设的所述深度 卷积神经网络模型进行训练， 并通过所述验证数 据对训练后的所述深度卷积神经网络模型进行验证， 得到所述 意图识别模型。 5.如权利要求4所述的基于意图识别的即时问答方法， 其特征在于， 所述基于所述训练 数据对预设的所述深度卷积神经网络模型进 行训练， 并通过所述验证数据对训练后的所述 深度卷积神经网络模型进行验证， 得到所述 意图识别模型， 具体包括：权　利　要　求　书 1/3 页 2 CN 115510186 A 2对所述训练数据和所述验证数据进行 特征提取， 得到训练数据特 征和验证数据特 征； 通过所述深度 卷积神经网络模型的输入层对所述训练数据 特征进行向量转化， 得到训 练特征向量； 通过所述深度 卷积神经网络模型的卷积层对所述训练特征向量进行卷积运算， 得到训 练卷积特 征； 通过所述深度卷积神经网络模型的输出层中的特征分类器对所述训练卷积特征进行 相似度计算， 并将相似度最大的结果作为所述历史意图预测结果； 根据所述历史意图预测结果对所述深度卷积神经网络模型进行迭代更新； 利用所述验证数据特征对迭代后的所述深度 卷积神经网络模型进行验证， 当模型验证 通过后， 得到所述 意图识别模型。 6.如权利要求5所述的基于意图识别的即时问答方法， 其特征在于， 所述根据 所述历史 意图预测结果对所述深度卷积神经网络模型进行迭代更新， 具体包括： 基于所述深度卷积神经网络模型的损失函数计算所述历史意图预测结果和所述历史 意图数据之间的误差， 得到预测误差； 基于反向传播算法在所述深度 卷积神经网络模型的各个网络层中传递所述预测误差， 得到各个网络层的预测误差； 将各个网络层的预测误差分别与 预设误差 阈值进行比对， 若存在任意一个网络层的预 测误差大于所述预设误差阈值， 则对所述深度卷积神经网络模型进行迭代更新， 直至所有 网络层的预测误差均小于或等于所述预设误差阈值 为止， 得到所述 意图识别模型。 7.如权利要求4所述的基于意图识别的即时问答方法， 其特征在于， 在所述将所述提问 消息特征导入预 先训练好的意图识别模型， 得到用户意图识别结果之后， 还 包括： 计算所述用户意图识别结果的置信度； 当所述用户意图识别结果的置信度 大于预设置信度阈值 时， 将所述提问消息数据和所 述用户意图识别结果添加到所述训练数据中， 形成新的训练数据； 利用所述 新的训练数据对所述 意图识别模型进行迭代。 8.一种基于意图识别的即时问答装置， 其特 征在于， 包括： 消息获取模块， 用于 接收即时问答指令， 获取从客户终端上传的提问消息数据； 类型识别模块， 用于识别所述提问消息数据， 确定提问消息的消息类型， 其中， 所述消 息类型至少包括文本消息、 语音消息、 图片消息和视频消息； 程序组合模块， 用于根据所述提问消息的消息类型选取对应的消息处理程序， 形成消 息处理程序 组合， 其中， 所述消息处理程序至少包括特征提取程序、 关键词提取程序、 音转 文程序、 图文识别程序和关键帧提取程序； 消息处理模块， 用于通过所述消息处理程序组合对所述提问消息进行消息处理， 得到 提问消息特 征； 意图识别模块， 用于将所述提问消息特征导入预先训练好的意图识别模型， 得到用户 意图识别结果； 即时问答模块， 用于根据所述用户意图识别结果确定所述提问消息对应的应答语句， 并将所述应答语句发送至所述 客户终端。 9.一种计算机设备， 其特征在于， 包括存储器和处理器， 所述存储器中存储有计算机可权　利　要　求　书 2/3 页 3 CN 115510186 A 3