专利交易市场

本发明提出了一种基于深度学习的场景自适应Attention多意图识别方法，包括如下内容：首先，实时获取当前用户输入的多意图文本并进行预处理；然后，构建多层Bi‑IndRNN神经网络模型，用来提取当前输入的多意图文本的语义特征；之后，构建场景自适应Attention语义增强模型，充分利用特定场景特征来增强多意图文本的语义特征；最后，构建多意图分类器，用来识别用户的多个意图。本发明利用场景自适应Attention的方法，在提取多意图文本语义特征时融合特定场景独有的特征来增强文本的语义特征，实现了对多意图文本的深层次语义特征的挖掘，可以有效解决人机对话中常面临的多意图识别问题，从而提高解决问题的效率和人机对话的体验。

本发明公开了一种基于知识图谱和胶囊网络的小样本意图识别方法。本发明首先将语句中存在的实体映射到知识图谱，提取该实体在知识图谱中相关联的所有类别信息，并通过注意力机制获得知识先验向量。随后使用阀门机制控制语句中原本存在的上下文语义向量，和该知识先验向量对当前实体表示的影响。下一步利用胶囊网络将已包含先验知识的语句表示映射到高层次的意图表示。最后通过计算未知语句与各个意图之间的相似度，对未知语句做意图分类处理。并且本文对训练集中的数据进行了划分，在训练时采用了元学习的训练方法，使得本文学习到的模型更加具有说服力和通用性。

本本发明属于智能驾驶辅助技术领域，尤其涉及一种融合车内外影像的驾驶员转向意图识别方法，包括：S1、构建转向意图识别模型，包括车内特征提取模块、车外特征提取模块、车内外特征融合模块和分类器识别模块；车内特征提取模块用于获取车内的驾驶员意图特征；车外特征提取模块用于获取车外的道路环境特征；车内外特征融合模块用于融合驾驶员意图特征和道路环境特征，得到综合判断特征；分类器识别模块用于根据综合判断特征识别驾驶员的动机行为；S2、对转向意图识别模型进行训练。本方法可以在保持准确性的前提下减少模型参数量，兼顾驾驶员转向意图识别的实时性、准确性和模型轻量化，保证其实际应用使用时的高效性和准确性。