申请/专利权人：杭州中软安人网络通信股份有限公司;复旦大学;杭州文图思锐云技术有限公司

申请日：2022-02-24

公开（公告）日：2023-05-26

公开（公告）号：CN114564964B

主分类号：G06F40/30

分类号：G06F40/30;G06F16/35;G06F18/2413

优先权：

专利状态码：有效-授权

法律状态：2023.05.26#授权;2022.06.17#实质审查的生效;2022.05.31#公开

摘要：本发明提供一种基于k近邻对比学习的未知意图检测方法，其特征在于，包括以下步骤：步骤S1，利用已知意图的语料构建经验风险损失；步骤S2，构建语义表示模型，采用k近邻对比学习与经验风险损失对所述语义表示模型进行训练；步骤S3，将待测文本输入至训练后的语义表示模型，以获取所述待测文本的语义表示；步骤S4，采用下游检测算法检测所述语义表示是否为未知意图，并输出为已知意图的语义表示的类别。该基于k近邻对比学习的未知意图检测方法在语义表示学习阶段和未知检测阶段都不依赖于语义分布的任何假设，而且检测精度高、设计简单且应用场景广泛，解决了现有意图检测方法在现实场景应用受限的缺陷。

主权项：1.一种基于k近邻对比学习的未知意图检测方法，其特征在于，包括以下步骤：步骤S1，利用已知意图的语料构建经验风险损失；步骤S2，构建语义表示模型，采用k近邻对比学习与所述经验风险损失对所述语义表示模型进行训练；步骤S3，将待测文本输入至训练后的语义表示模型，以获取所述待测文本的语义表示；步骤S4，采用下游检测算法获取所述语义表示的LOF得分，基于所述LOF得分判别是否为未知意图，并输出为已知意图的语义表示的类别；其中，所述步骤S2包括以下子步骤：步骤S2-1，构建初始化样本队列，所述初始化样本队列的容量大于所述语义表示模型训练过程中构建的batch的数量；步骤S2-2，在训练所述语义表示模型的过程中，从所述初始化样本队列中选取和输入样本最相似的K个样本作为正样本，将所述初始化样本队列中其他类别的样本作为负样本，构建损失函数；步骤S2-3，优化所述损失函数并更新队列中的样本，将所述batch中的样本压入队列，将留在队列最久的样本移除出队列，使用优化后的损失函数以及更新后的样本对所述语义表示模型不断进行优化。

全文数据：

权利要求：

百度查询： 杭州中软安人网络通信股份有限公司;复旦大学;杭州文图思锐云技术有限公司 一种基于k近邻对比学习的未知意图检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD