基于定制技能的语义理解方法及系统

摘要

本发明公开了一种基于定制技能的语义理解方法及系统，该方法包括：接收用户请求数据；获取当前定制技能的路径，根据所述路径获取当前定制技能的语义资源；确定所述请求数据属于当前定制技能的说法模板，所述说法模板中包含一个或多个语义槽，每个语义槽对应一个实体；根据所述说法模板确定所述请求数据中的语义槽及对应实体，得到语义理解结果。利用本发明，可以实现对用户请求数据快速、准确的语义理解。

说明书

技术领域

本发明涉及自然语言处理领域，具体涉及一种基于定制技能的语义理解方法及系统。

背景技术

随着移动智能终端和信息网络技术的发展，人们在越来越多的场景中使用语音交互应用，例如以智能音箱作为入口，语音交互使用天气/股票/音乐/交通状况/闹钟/提醒等应用，每种应用包括一个或多个技能。又例如以车载车机为入口，语音交互使用LBS/导航/电台/音乐等应用或技能。因而，业界也出现越来越多的对话式人工智能开放平台，例如百度的DuerOS，亚马逊的Alexa等，为应用开发者或技能开发者提供一个可以开发应用或技能的系统。同时，出于开放平台营造一种彼此共享共赢的丰富生态的目的，通常也提供技能商城这种类似形式的市场，使得开发者开发的技能，可以发布到商城中，既可以直接供终端用户选择使用，也可以供第三方应用开发者选择到应用中，通过终端应用再提供给终端用户使用。

为了进一步满足不同应用的个性化需求，使应用开发者在使用该技能时可以根据自己的需求进行定制，有些技能还进一步提供定制功能，比如，为所述技能设定定制权限，应用开发人员在使用该技能时，可以在该定制权限范围内进行个性化定制，得到定制技能。当然，应用开发者不仅可以将定制后的技能应用到新开发的应用程序中，还可以将该定制技能作为共享技能发布到技能商城中，供其它开发者或终端用户选择使用。

对于自然语言理解方面的应用，比如语音交互应用，用户通常利用客户端使用该应用，客户端接收用户请求数据，利用该应用中的技能对用户请求数据进行语义理解，返回响应给用户。

对于定制技能，如何对用户请求数据进行快速、准确的语义理解，目前还没有有效的解决方案。

发明内容

本发明实施例提供一种基于定制技能的语义理解方法及系统，以实现对用户请求数据快速、准确的语义理解。

为此，本发明提供如下技术方案：

一种基于定制技能的语义理解方法，包括：

接收用户请求数据；

获取当前定制技能的路径，根据所述路径获取当前定制技能的语义资源；

确定所述请求数据属于当前定制技能的说法模板，所述说法模板中包含一个或多个语义槽，每个语义槽对应一个实体；

根据所述说法模板确定所述请求数据中的语义槽及对应实体，得到语义理解结果。

优选地，所述确定所述请求数据属于当前定制技能的说法模板包括：

确定所述请求数据属于当前定制技能的意图；

将所述请求数据与所述意图对应的各说法模板进行匹配，得到所述请求数据对应的说法模板。

优选地，所述方法还包括：

预先根据当前定制技能的意图的说法模板，训练技能意图确定模型；并利用技能意图确定模型训练时输出的意图概率构建意图排序模型；

所述确定所述请求数据属于当前定制技能的意图包括：

利用所述技能意图确定模型，确定所述请求数据属于定制技能意图中每个意图的概率；

将所述请求数据属于定制技能意图中每个意图的概率输入所述意图排序模型，根据所述意图排序模型的输出得到排序后的意图概率；

选择排序最靠前的意图概率对应的意图作为所述请求数据的意图。

优选地，所述当前定制技能的意图包括：定制意图和被定制意图；所述定制意图指当前定制技能定制时新增加的意图、以及对被定制技能意图进行修改得到的意图；所述被定制意图指当前定制技能定制时使用的基础技能意图中未被修改的意图；

所述方法还包括：

预先根据定制意图的说法模板和被定制意图的说法模板，训练定制意图确定模型和被定制意图确定模型；并利用定制意图确定模型和被定制意图确定模型训练时输出的意图概率构建意图排序模型；

所述确定所述请求数据属于当前定制技能的意图包括：

利用所述定制意图确定模型和被定制意图确定模型，确定所述请求数据属于定制意图中每个意图的概率和被定制意图中每个意图的概率；

将所述请求数据分别属于定制意图中每个意图的概率和被定制意图中每个意图的概率输入所述意图排序模型，根据所述意图排序模型的输出得到排序后的意图概率；

选择排序最靠前的意图概率对应的意图作为所述请求数据的意图。

优选地，所述方法还包括：

预先根据当前定制技能的意图的说法模板，训练技能说法模板确定模型，并利用技能说法模板确定模型训练时输出的说法模板概率构建说法模板排序模型；

所述确定所述请求数据属于当前定制技能的说法模板包括：

利用所述技能说法模板确定模型，确定所述请求数据属于定制技能的意图中每个说法模板的概率；

将所述请求数据属于定制技能的意图中每个说法模板的概率输入所述说法模板排序模型，根据所述说法模板排序模型的输出得到排序后的说法模板概率；

选择排序最靠前的说法模板概率对应的说法模板作为所述请求数据对应的说法模板。

优选地，当前定制技能的意图包括：定制意图和被定制意图；所述定制意图指当前定制技能定制时新增加的意图、以及对被定制技能意图进行修改得到的意图；所述被定制意图指当前定制技能定制时使用的基础技能意图中未被修改的意图；

所述方法还包括：

预先根据定制意图的说法模板和被定制意图的说法模板，训练定制意图说法模板确定模型和被定制意图说法模板确定模型；并利用定制意图说法模板确定模型和被定制意图说法模板确定模型训练时输出的说法模板概率构建说法模板排序模型；

所述确定所述请求数据属于当前定制技能的说法模板包括：

利用所述定制意图说法模板确定模型和被定制意图说法模板确定模型，确定所述请求数据属于定制意图中每个说法模板的概率和被定制意图中每个说法模板的概率；

将所述请求数据分别属于定制意图中每个说法模板的概率和被定制意图中每个说法模板的概率输入所述说法模板排序模型，根据所述说法模板排序模型的输出得到排序后的说法模板概率；

选择排序最靠前的说法模板概率对应的说法模板作为所述对应的说法模板。

一种基于定制技能的语义理解系统，包括：

接收模块，用于接收用户请求数据；

资源获取模块，用于获取当前定制技能的路径，根据所述路径获取当前定制技能的语义资源；

说法模板确定模块，用于确定所述请求数据属于当前定制技能的说法模板，所述说法模板中包含一个或多个语义槽，每个语义槽对应一个实体；

语义理解模块，用于根据所述说法模板确定所述请求数据中的语义槽及对应实体，得到语义理解结果。

优选地，所述说法模板确定模块包括：

意图确定模块，用于确定所述请求数据属于当前定制技能的意图；

模板匹配模块，用于将所述请求数据与所述意图对应的各说法模板进行匹配，得到所述请求数据对应的说法模板。

优选地，所述系统还包括：

第一模型构建模块，用于预先根据当前定制技能的意图的说法模板，训练技能意图确定模型；并利用技能意图确定模型训练时输出的意图概率构建意图排序模型；

所述意图确定模块包括：

第一意图概率确定单元，用于利用所述技能意图确定模型，确定所述请求数据属于定制技能意图中每个意图的概率；

第一排序单元，用于将所述请求数据属于定制技能意图中每个意图的概率输入所述意图排序模型，根据所述意图排序模型的输出得到排序后的意图概率；

第一选择单元，用于选择排序最靠前的意图概率对应的意图作为所述请求数据的意图。

优选地，所述当前定制技能的意图包括：定制意图和被定制意图；所述定制意图指当前定制技能定制时新增加的意图、以及对被定制技能意图进行修改得到的意图；所述被定制意图指当前定制技能定制时使用的基础技能意图中未被修改的意图；

所述系统还包括：

第二模型构建模块，用于预先根据定制意图的说法模板和被定制意图的说法模板，训练定制意图确定模型和被定制意图确定模型；并利用定制意图确定模型和被定制意图确定模型训练时输出的意图概率构建意图排序模型；

所述意图确定模块包括：

第二意图概率确定单元，用于利用所述定制意图确定模型和被定制意图确定模型，确定所述请求数据属于定制意图中每个意图的概率和被定制意图中每个意图的概率；

第二排序单元，用于将所述请求数据分别属于定制意图中每个意图的概率和被定制意图中每个意图的概率输入所述意图排序模型，根据所述意图排序模型的输出得到排序后的意图概率；

第二选择单元，用于选择排序最靠前的意图概率对应的意图作为所述请求数据的意图。

优选地，所述系统还包括：

第三模型构建模块，用于预先根据当前定制技能的意图的说法模板，训练技能说法模板确定模型，并利用技能说法模板确定模型训练时输出的说法模板概率构建说法模板排序模型；

所述说法模板确定模块包括：

第三概率确定单元，用于利用所述技能说法模板确定模型，确定所述请求数据属于定制技能的意图中每个说法模板的概率；

第三排序单元，用于将所述请求数据属于定制技能的意图中每个说法模板的概率输入所述说法模板排序模型，根据所述说法模板排序模型的输出得到排序后的说法模板概率；

第三选择单元，用于选择排序最靠前的说法模板概率对应的说法模板作为所述请求数据对应的说法模板。

优选地，当前定制技能的意图包括：定制意图和被定制意图；所述定制意图指当前定制技能定制时新增加的意图、以及对被定制技能意图进行修改得到的意图；所述被定制意图指当前定制技能定制时使用的基础技能意图中未被修改的意图；

所述系统还包括：

第四模型构建模块，用于预先根据定制意图的说法模板和被定制意图的说法模板，训练定制意图说法模板确定模型和被定制意图说法模板确定模型；并利用定制意图说法模板确定模型和被定制意图说法模板确定模型训练时输出的说法模板概率构建说法模板排序模型；

所述说法模板确定模块包括：

第四概率确定单元，用于利用所述定制意图说法模板确定模型和被定制意图说法模板确定模型，确定所述请求数据属于定制意图中每个说法模板的概率和被定制意图中每个说法模板的概率；

第四排序单元，用于将所述请求数据分别属于定制意图中每个说法模板的概率和被定制意图中每个说法模板的概率输入所述说法模板排序模型，根据所述说法模板排序模型的输出得到排序后的说法模板概率；

第四选择单元，用于选择排序最靠前的说法模板概率对应的说法模板作为所述对应的说法模板。

本发明实施例提供的基于定制技能的语义理解方法及系统，在接收到用户请求数据后，获取当前定制技能的路径，并根据该路径获取所述定制技能的所有语义资源，确定所述请求数据属于当前定制技能的说法模板，根据所述说法模板确定所述请求数据中的语义槽及对应实体，得到语义理解结果。利用本发明，可以实现对用户请求数据快速、准确的语义理解。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是本发明实施例基于定制技能的语义理解方法的流程图；

图2是本发明实施例中确定请求数据对应的说法模板的一种流程图；

图3是本发明实施例中确定请求数据对应的说法模板的另一种流程图；

图4是本发明实施例中确定请求数据对应的说法模板的另一种流程图；

图5是本发明实施例中确定请求数据对应的说法模板的另一种流程图；

图6是本发明实施例基于定制技能的语义理解系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。

如图1所示，是本发明实施例基于定制技能的语义理解方法的流程图，包括以下步骤：

步骤101，接收用户请求数据。

所述用户请求数据用于表达用户当前的请求，具体可以为语音数据、或文本数据、或其它多媒体请求数据，如图像数据等。如用户说出请求语音数据“我想吃宫保鸡丁”；当然，如果用户请求数据为语音数据，还需要将所述语音数据识别为文本数据，如果为图像数据，需要通过图像识别方法将图像数据识别为文本数据。

步骤102，获取当前定制技能的路径，根据所述路径获取当前定制技能的语义资源。

所述定制技能，是指应用开发者在其它技能基础上，根据自身应用需求开发的技能。通常，技能商城中包含大量分类好的共享技能，应用开发者可以根据应用需求选择相应类别下的共享技能后，结合自身需求进行定制，如应用开发者打算开发听音乐这个应用，浏览技能商城后，找到音乐随身听技能，该技能包含听音乐业务，应用开发者在该技能的基础上，结合自身需求进行技能定制，如在音乐随身听技能上添加为好友推荐歌曲，播一段音乐让好友猜歌名等社交功能。

一个技能的语义资源，即技能进行语义理解时使用的资源，如技能的说法模板、语义槽、实体等，一般存储在一个服务器上。由于一个开放平台的技能数目较多，通常会采用分布式存储方式，即不同技能的语义资源可能存储在不同的服务器上；因而对于多重定制的技能，即定制技能，其语义资源一般存储在多台服务器上。因此，在进行语义理解时，可以先从不同服务器上获取当前定制技能的所有语义资源，并将这些语义资源放到同一服务器上，以便于程序执行时方便将语义资源加载到内存中。

由于每个技能在开发时均向资源管理服务器注册了该技能的语义资源所在服务器的地址，定制技能也不例外。因此，获取当前定制技能的语义资源时，可以根据当前定制技能的路径，依次找到该路径上每个技能的语义资源所在服务器地址，根据所述服务器地址即可获取所述路径上该定制技能的所有语义资源，并将所述语义资源放到同一服务器上。

进一步地，为了后续方便地使用当前定制技能，还可以保存当前定制技能的编号及其对应的语义资源所在服务器地址，下次再使用该定制技能时，可以根据保存的服务器地址直接到相应服务器获取即可。

步骤103，确定所述请求数据属于当前定制技能的说法模板，所述说法模板中包含一个或多个语义槽，每个语义槽对应一个实体。

由于每个技能可以包括多个意图，而每个意图包括多种说法模板。因此，在确定所述请求数据属于当前定制技能的说法模板时，可以先确定所述请求数据属于当前定制技能的意图，然后再将所述请求数据与所述意图对应的各说法模板进行匹配，得到所述请求数据对应的说法模板；也可以直接确定所述请求数据属于当前定制技能的哪个说法模板。

上述几种不同方式将在后面详细说明。

步骤104，根据所述说法模板确定所述请求数据中的语义槽及对应实体，得到语义理解结果。

具体地，可以采用精确匹配或模糊匹配的方法，确定所述请求数据中的语义槽及对应实体。比如，用户请求数据为“我要点个宫爆鸡丁”，请求数据的意图为点菜意图，根据点菜意图的各说法模板，可以确定当前用户请求数据属于当前定制技能的说法模板为“我要点个dish”其中dish为语义槽，将用户请求数据“我要点个宫爆鸡丁”与该说法模板进行匹配，得到语义槽dish对应实体为“宫爆鸡丁”。

需要说明的是，如果在确定用户请求数据所属的说法模板时，将用户请求数据与说法模板进行了匹配，则可以直接根据匹配结果得到用户请求数据中的语义槽和对应实体，不需要再次进行匹配。

如图2所示，是本发明实施例中确定请求数据对应的说法模板的一种流程图，包括以下步骤：

步骤201，预先根据定制意图的说法模板和被定制意图的说法模板，训练定制意图确定模型和被定制意图确定模型；并利用定制意图确定模型和被定制意图确定模型训练时输出的意图概率构建意图排序模型。

将当前定制技能的意图分为两类，即：定制意图和被定制意图；所述定制意图指当前定制技能定制时新增加的意图、以及对被定制技能意图进行修改得到的意图；所述被定制意图指当前定制技能定制时使用的基础技能意图中未被修改的意图。可见，被定制意图是被定制技能中意图的子集，因为被定制技能中意图有可能在定制时修改，作为定制意图。

在训练定制意图确定模型时，将定制意图的说法模板及实体作为正例训练数据，所述实体即说法模板中语义槽对应的实体数据，将所述实体数据加入到对应语义槽中，得到一条正例训练数据，收集大量非定制意图的说法模板及实体作为反例训练数据，比如可以从开放平台的通用意图中选择部分说法模板及实体作为反例训练数据，训练定制意图确定模型。所述定制意图确定模型的输入为正例训练数据和反例训练数据的词向量，输出为每个训练数据属于每个定制意图的概率。如定制技能包含5个意图，则定制意图确定模型的输出为每个训练数据属于这5个意图的概率；所述训练数据即上述正例及反例数据。

同样，被定制意图确定模型的训练过程与定制意图确定模型的训练过程类似，即将被定制意图的说法模板及实体作为正例训练数据，收集大量非被定制意图的说法模板及实体作为反例训练数据，比如可以从开放平台的通用意图中选择部分说法模板及实体作为反例训练数据，训练被定制意图确定模型。所述被定制意图确定模型的输入为正例训练数据和反例训练数据的词向量；输出为每个训练数据属于每个被定制意图的概率；如被定制技能包含10个意图，则被定制意图确定模型的输出为每个训练数据属于这10个意图的概率。

所述定制意图确定模型和被定制意图确定模型可以采用模式识别中常用的分类模型，如深度神经网络模型、卷积神经网络模型、支持向量机模型等，具体训练方法与现有技能相同，在此不再详述。

在构建意图排序模型时，需要标注定制意图确定模型和被定制意图确定模型训练时，模型输出的训练数据属于每个意图的概率中优先级最高的意图概率，其它概率的优先级不限定；将每个训练数据属于每个意图的概率作为排序模型的输入，输出为排序后的概率，排序后优先级最高的意图概率排在最前面，其它意图概率的顺序不限定。如有5个定制意图概率和10个被定制意图概率，则意图排序模型输的输入为这个15个意图概率，输出为排序后的15个意图概率，排在最前面的为优先级最高的意图概率。

所述意图排序模型可以采用神经网络模型，如卷积神经网络模型，具体训练方法与现有技术相同，在此不再详述。

步骤202，利用所述定制意图确定模型和被定制意图确定模型，确定所述请求数据属于定制意图中每个意图的概率和被定制意图中每个意图的概率。

具体地，确定所述请求数据属于定制意图中每个意图的概率和被定制意图中每个意图的概率时，直接将所述请求数据的词向量分别作为定制意图确定模型和被定制意图确定模型的输入，根据模型输出分别得到所述请求数据分别属于定制意图中每个意图的概率和被定制意图中每个意图的概率。

步骤203，将所述请求数据分别属于定制意图中每个意图的概率和被定制意图中每个意图的概率输入所述意图排序模型，根据所述意图排序模型的输出得到排序后的意图概率。

步骤204，选择排序最靠前的意图概率对应的意图作为所述请求数据的意图。

步骤205，将所述请求数据与所述意图对应的各说法模板进行匹配，得到所述请求数据对应的说法模板。

具体地，可以采用精确匹配或模糊匹配的方法。

相应地，利用该说法模板对所述请求数据进行语义理解，得到语义理解结果。如用户请求数据为“我要点个宫爆鸡丁”，请求数据的意图为点菜意图，根据点菜意图的说法模板，可以确定当前用户请求数据的语义槽为“我要点个dish”，其中dish为语义槽，对应实体为“宫爆鸡丁”。

如图3所示，是本发明实施例中确定请求数据对应的说法模板的另一种流程图，包括以下步骤：

步骤301，预先根据当前定制技能的意图的说法模板，训练技能意图确定模型，并利用技能意图确定模型训练时输出的意图概率构建意图排序模型。

具体地，将定制意图和被定制意图的说法模板及相应实体一起作为正例训练数据，收集大量非定制意图和非被定制意图的说法模板及实体作为反例训练数据，比如可以从开放平台的通用意图中选择部分说法模板及实体作为反例训练数据，训练技能意图确定模型。所述技能意图确定模型的输入为正例训练数据和反例训练数据的词向量，输出为每个训练数据属于当前定制技能中每个意图的概率。

在构建意图排序模型时，可以直接使用技能意图确定模型训练时模型输出的意图概率，具体训练方法与上述过程类似，即标注技能意图确定模型训练时，模型的输出为训练数据属于每个意图的概率中优先级最高的意图概率，其它概率的优先级不限定；利用标注后的意图概率训练意图排序模型。

步骤302，利用所述技能意图确定模型，确定所述请求数据属于定制技能意图中每个意图的概率。

具体地，确定所述请求数据属于技能意图中每个意图的概率时，直接将所述请求数据的词向量作为技能意图确定模型的输入，根据模型输出得到所述请求数据属于技能意图中每个意图的概率。

步骤303，将所述请求数据属于定制技能意图中每个意图的概率输入所述意图排序模型，根据所述意图排序模型的输出得到排序后的意图概率。

步骤304，选择排序最靠前的意图概率对应的意图作为所述请求数据的意图。

步骤305，将所述请求数据与所述意图对应的各说法模板进行匹配，得到所述请求数据对应的说法模板。

如图4所示，是本发明实施例中确定请求数据对应的说法模板的另一种流程图，包括以下步骤：

步骤401，预先根据当前定制技能的意图的说法模板，训练技能说法模板确定模型，并利用技能说法模板确定模型训练时输出的说法模板概率构建说法模板排序模型。

具体地，将当前定制技能的意图的说法模板及相应实体一起作为正例训练数据，所述实体即说法模板中语义槽对应的实体数据，将所述实体数据加入到对应语义槽中，得到一条正例训练数据；收集大量非定制技能的意图的说法模板及实体作为反例训练数据，相应地，将所述实体数据加入到对应说法模板中，得到一条反例训练数据，比如可以从开放平台的通用意图中选择部分说法模板及实体作为反例，训练技能说法模板确定模型。所述技能说法模板确定模型的输入为正例训练数据和反例训练数据的词向量，输出为每个训练数据属于当前定制技能中每个说法模板的概率。

在构建说法模板排序模型时，可以直接使用技能说法模板确定模型训练时模型输出的说法模板概率，具体训练方法与上述过程类似，即标注技能说法模板确定模型训练时，模型输出的训练数据属于每个说法模板的概率中优先级最高的说法模板概率，其它概率的优先级不限定；利用标注后的说法模板概率训练说法模板排序模型。

步骤402，利用所述技能说法模板确定模型，确定所述请求数据属于定制技能的意图中每个说法模板的概率。

步骤403，将所述请求数据属于定制技能的意图中每个说法模板的概率输入所述说法模板排序模型，根据所述说法模板排序模型的输出得到排序后的说法模板概率。

步骤404，选择排序最靠前的说法模板概率对应的说法模板作为所述请求数据对应的说法模板。

如图5所示，是本发明实施例中确定请求数据对应的说法模板的另一种流程图，包括以下步骤：

步骤501，预先根据定制意图的说法模板和被定制意图的说法模板，训练定制意图说法模板确定模型和被定制意图说法模板确定模型；并利用定制意图说法模板确定模型和被定制意图说法模板确定模型训练时输出的说法模板概率构建说法模板排序模型。

将当前定制技能的意图分为两类，即：定制意图和被定制意图；所述定制意图指当前定制技能定制时新增加的意图、以及对被定制技能意图进行修改得到的意图；所述被定制意图指当前定制技能定制时使用的基础技能意图中未被修改的意图。

在训练定制意图说法模板确定模型时，将定制意图的说法模板及实体作为正例训练数据，所述实体即说法模板中语义槽对应的实体数据，将所述实体数据加入到对应语义槽中，得到一条正例训练数据，收集大量非定制意图的说法模板及实体作为反例训练数据，相应地，将所述实体数据加入到对应说法模板中，得到一条反例训练数据，比如可以从开放平台的通用意图中选择部分说法模板及实体作为反例训练数据，训练定制意图说法模板确定模型。所述定制意图说法模板确定模型的输入为正例训练数据和反例训练数据的词向量，输出为每个训练数据属于定制意图中每个说法模板的概率。

同样，被定制意图说法模板确定模型的训练过程与定制意图说法模板确定模型的训练过程类似，即将被定制意图的说法模板及实体作为正例训练数据，收集大量非被定制意图的说法模板及实体作为反例训练数据，比如可以从开放平台的通用意图中选择部分说法模板及实体作为反例训练数据，训练被定制意图说法模板确定模型。所述被定制意图说法模板确定模型的输入为正例训练数据和反例训练数据的词向量；输出为每个训练数据属于被定制意图中每个说法模板的概率。

所述定制意图说法模板确定模型和被定制意图说法模板确定模型可以采用模式识别中常用的分类模型，如深度神经网络模型、卷积神经网络模型、支持向量机模型等，具体训练方法与现有技能相同，在此不再详述。

在构建说法模板排序模型时，需要标注定制意图说法模板确定模型和被定制意图说法模板确定模型训练时，模型输出的训练数据属于技能意图中每个说法模板的概率中优先级最高的说法模板概率，其它概率的优先级不限定；将每个训练数据属于当前定制技能意图中每个说法模板的概率作为排序模型的输入，输出为排序后的概率，排序后优先级最高的说法模板概率排在最前面，其它说法模板概率的顺序不限定。

所述说法模板排序模型可以采用神经网络模型，如卷积神经网络模型，具体训练方法与现有技术相同，在此不再详述。

步骤502，利用所述定制意图说法模板确定模型和被定制意图说法模板确定模型，确定所述请求数据属于定制意图中每个说法模板的概率和被定制意图中每个说法模板的概率。

具体地，直接将所述请求数据的词向量分别作为定制意图说法模板确定模型和被定制意图说法模板确定模型的输入，根据模型输出分别得到所述请求数据分别属于定制意图中各意图的每个说法模板的概率和被定制意图中各意图的每个说法模板的概率。

步骤503，将所述请求数据分别属于定制意图中每个说法模板的概率和被定制意图中每个说法模板的概率输入所述说法模板排序模型，根据所述说法模板排序模型的输出得到排序后的说法模板概率。

步骤504，选择排序最靠前的说法模板概率对应的说法模板作为所述对应的说法模板。

本发明实施例提供的基于定制技能的语义理解方法，在接收到用户请求数据后，获取当前定制技能的路径，并根据该路径获取所述定制技能的所有语义资源，确定所述请求数据属于当前定制技能的说法模板，根据所述说法模板确定所述请求数据中的语义槽及对应实体，得到语义理解结果。利用本发明，可以实现对用户请求数据快速、准确的语义理解。

相应地，本发明实施例还提供一种基于定制技能的语义理解系统，如图6所示，是该系统的一种结构示意图。

在该实施例中，所述系统包括：

接收模块601，用于接收用户请求数据；

资源获取模块602，用于获取当前定制技能的路径，根据所述路径获取当前定制技能的语义资源；

说法模板确定模块603，用于确定所述请求数据属于当前定制技能的说法模板，所述说法模板中包含一个或多个语义槽，每个语义槽对应一个实体；

语义理解模块604，用于根据所述说法模板确定所述请求数据中的语义槽及对应实体，得到语义理解结果。

由于每个技能可以包括多个意图，而每个意图包括多种说法模板。因此，上述说法模板确定模块603在确定所述请求数据属于当前定制技能的说法模板时，可以有多种实现方式。对此下面分别加以详细说明。

在说法模板确定模块603的一个实施例中，其可以包括意图确定模块和模板匹配模块。其中，所述意图确定模块用于确定所述请求数据属于当前定制技能的意图；所述模板匹配模块用于将所述请求数据与所述意图对应的各说法模板进行匹配，得到所述请求数据对应的说法模板。在该实施例中，需要先由所述意图确定模块确定所述请求数据属于当前定制技能的意图，然后再由所述模板匹配模块将所述请求数据与所述意图对应的各说法模板进行匹配，得到所述请求数据对应的说法模板。

需要说明的是，在实际应用中，所述意图确定模块可以根据预先构建的意图确定模型，确定所述请求数据属于当前定制技能的意图。由于定制技能是应用开发者在被定制技能基础上开发的技能，因此，当前定制技能不仅包括定制技能，还包括被定制技能。相应地，当前定制技能的意图包括：定制意图和被定制意图；所述定制意图指当前定制技能定制时新增加的意图、以及对被定制技能意图进行修改得到的意图；所述被定制意图指当前定制技能定制时使用的基础技能意图中未被修改的意图。

相应地，所述意图确定模型可以是基于定制意图的说法模板和被定制意图的说法模板训练得到的一个模型，也可以是包括分别基于定制意图的说法模板和被定制意图的说法模板训练得到的两个模型。

比如，所述系统的一个实施例中还包括：第一模型构建模块(未图示)，用于预先根据当前定制技能的意图的说法模板(即定制意图的说法模板和被定制意图的说法模板)，训练技能意图确定模型；并利用技能意图确定模型训练时输出的意图概率构建意图排序模型。模型的训练方式在前面已有详细说明，在此不再赘述。

相应地，所述意图确定模型的一种具体结构包括以下各单元：

第一意图概率确定单元，用于利用所述技能意图确定模型，确定所述请求数据属于定制技能意图中每个意图的概率；

第一排序单元，用于将所述请求数据属于定制技能意图中每个意图的概率输入所述意图排序模型，根据所述意图排序模型的输出得到排序后的意图概率；

第一选择单元，用于选择排序最靠前的意图概率对应的意图作为所述请求数据的意图。

再比如，所述系统的一个实施例中还包括：第二模型构建模块(未图示)，用于预先根据定制意图的说法模板和被定制意图的说法模板，训练定制意图确定模型和被定制意图确定模型；并利用定制意图确定模型和被定制意图确定模型训练时输出的意图概率构建意图排序模型。模型的训练方式在前面已有详细说明，在此不再赘述。

相应地，所述意图确定模型的一种具体结构包括以下各单元：

第二意图概率确定单元，用于利用所述定制意图确定模型和被定制意图确定模型，确定所述请求数据属于定制意图中每个意图的概率和被定制意图中每个意图的概率；

第二排序单元，用于将所述请求数据分别属于定制意图中每个意图的概率和被定制意图中每个意图的概率输入所述意图排序模型，根据所述意图排序模型的输出得到排序后的意图概率；

第二选择单元，用于选择排序最靠前的意图概率对应的意图作为所述请求数据的意图。

在说法模板确定模块603的另一个实施例中，可以预先构建说法模板确定模型，根据该模型直接确定所述请求数据属于当前定制技能的哪个说法模板。

同样，由于定制技能是应用开发者在被定制技能基础上开发的技能，因此，当前定制技能不仅包括定制技能，还包括被定制技能。相应地，所述说法模板确定模型可以是基于定制意图的说法模板和被定制意图的说法模板训练得到的一个模型，也可以是包括分别基于定制意图的说法模板和被定制意图的说法模板训练得到的两个模型。

比如，所述系统的一个实施例中还包括：第三模型构建模块(未图示)，用于预先根据当前定制技能的意图的说法模板，训练技能说法模板确定模型，并利用技能说法模板确定模型训练时输出的说法模板概率构建说法模板排序模型。

相应地，所述说法模板确定模块603的一种具体结构包括以下各单元：

第三概率确定单元，用于利用所述技能说法模板确定模型，确定所述请求数据属于定制技能的意图中每个说法模板的概率；

第三排序单元，用于将所述请求数据属于定制技能的意图中每个说法模板的概率输入所述说法模板排序模型，根据所述说法模板排序模型的输出得到排序后的说法模板概率；

第三选择单元，用于选择排序最靠前的说法模板概率对应的说法模板作为所述请求数据对应的说法模板。

再比如，所述系统的一个实施例中还包括：第四模型构建模块(未图示)，用于预先根据定制意图的说法模板和被定制意图的说法模板，训练定制意图说法模板确定模型和被定制意图说法模板确定模型；并利用定制意图说法模板确定模型和被定制意图说法模板确定模型训练时输出的说法模板概率构建说法模板排序模型。

相应地，所述说法模板确定模块603的一种具体结构包括以下各单元：

第四概率确定单元，用于利用所述定制意图说法模板确定模型和被定制意图说法模板确定模型，确定所述请求数据属于定制意图中每个说法模板的概率和被定制意图中每个说法模板的概率；

第四排序单元，用于将所述请求数据分别属于定制意图中每个说法模板的概率和被定制意图中每个说法模板的概率输入所述说法模板排序模型，根据所述说法模板排序模型的输出得到排序后的说法模板概率；

第四选择单元，用于选择排序最靠前的说法模板概率对应的说法模板作为所述对应的说法模板。

本发明实施例提供的基于定制技能的语义理解系统，在接收到用户请求数据后，获取当前定制技能的路径，并根据该路径获取所述定制技能的所有语义资源，确定所述请求数据属于当前定制技能的说法模板，根据所述说法模板确定所述请求数据中的语义槽及对应实体，得到语义理解结果。利用本发明，可以实现对用户请求数据快速、准确的语义理解。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。而且，以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及装置；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。