(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 202210263106.5 (22)申请日 2022.03.17 (71)申请人 海信电子科技(武汉)有限公司 地址 430073 湖北省武汉市东湖新 技术开 发区软件园东路1号软件产业4.1期B2 栋13层02号-2 (72)发明人 曹晚霞　朱飞　胡胜元　 (74)专利代理 机构 北京弘权知识产权代理有限 公司 11363 专利代理师 逯长明　许伟群 (51)Int.Cl. G06F 16/33(2019.01) G06F 16/35(2019.01) G06F 40/30(2020.01) G06F 40/58(2020.01)G06K 9/62(2022.01) (54)发明名称 服务器及多语言文本 语义理解方法 (57)摘要 本申请实施例提供了一种服务器及多语言 文本语义理解方法， 将接收到的语音指令识别为 文本数据； 将文本数据输入至利用元学习的训练 方法训练好的多语 言文本语义理解模 型中， 得到 用户意图及关键槽位值； 将关键槽位值解析为键 值对形式， 得到初始实体信息， 对初始实体信息 进行纠错， 得到最终实体信息； 将最终实体信息 进行统一， 获取标准实体信息； 根据用户意图及 标准实体信息进行参数封装， 得到封装信息， 智 能终端在获取到封装信息后可响应语音指令。 本 申请中利用元学习微调模型， 加强小样本学习的 效果， 实现对包含小语种在内的多语种语音指令 进行意图分析。 将获得的实体信息进行统一， 以 使其适配于下游任务， 实现从文本输入到参数封 装的完整过程。 权利要求书2页 说明书12页 附图5页 CN 114706944 A 2022.07.05 CN 114706944 A 1.一种服 务器， 其特 征在于， 所述 服务器被配置为： 将接收到的语音指令识别为文本数据； 将所述文本数据输入至已训练好的多语言文本语义理解模型， 得到所述文本数据 所表 征的用户意图及关键槽位值， 其中， 所述多语言文本语义理解模型 的训练过程利用元学习 的训练方法进行微调； 将所述关键槽位值解析为键值对形式， 得到初始实体信息， 对所述初始实体信息进行 纠错， 得到最终 实体信息； 将所述最终实体信息进行统一， 获取 标准实体信息； 根据所述用户意图及所述标准实体信息进行参数封装， 得到封装信息， 将所述封装信 息发送至智能终端， 以使所述智能终端根据所述封装信息响应所述语音指令 。 2.根据权利要求1所述的服务器， 其特征在于， 所述多语言文本语义理解模型基于 LaBSE建立， 在利用所述元 学习的训练方法微调LaBSE的过程中， 所述 服务器被配置为： 识别原始数据的语种， 根据识别出语种的原始数据获取特征数据， 其中， 所述原始数据 包含多种语种的语料； 将训练过程划分为训练任务和适应任务， 其中， 所述训练任务和适应任务均分别通过 训练数据和 测试数据进行， 所述训练数据和 测试数据选取自所述特 征数据； 将元网络结构中的参数进行初始化， 并基于所述训练任务和适应任务进行迭代训练， 更新所述元网络结构中的参数。 3.根据权利要求2所述的服务器， 其特征在于， 所述特征数据包含大语种特征数据和小 语特征数据， 在为所述训练任务和适应任务匹配特 征数据时， 所述 服务器被配置为： 控制所述训练任务的训练数据采用所述大语种特征数据， 并控制所述训练任务的测试 数据采用所述小语特 征数据； 控制所述 适应任务的训练数据和 测试数据均采用所述小语特 征数据。 4.根据权利要求1所述的服务器， 其特征在于， 在所述将所述最终实体信息进行统一， 获取标准实体信息的步骤中， 所述 服务器被配置为： 若所述最终实体信 息表征存在日期时间时， 控制利用日期时间正则表达 式统一所述最 终实体信息； 若所述最终实体信 息表征存在持续 时间时， 控制利用持续 时间正则表达 式统一所述最 终实体信息； 若所述最终实体信 息表征存在 设置实体时， 控制利用自主定义实体同义词的方式统一 所述最终实体信息 。 5.根据权利要求2所述的服务器， 其特征在于， 在所述根据识别出语种的原始数据获取 特征数据的步骤中， 所述 服务器被配置为： 根据序列 标注方法对识别出语种的原始数据以最小单元进行切分和标注， 得到所述特 征数据。 6.根据权利要求2所述的服务器， 其特征在于， 在所述识别原始数据的语种的步骤中， 所述服务器被配置为： 利用Unicode编码的正则匹配以字符为单位对原 始数据进行检测； 若检测结果中存在具备相同字母体系的未识别出语种的原始数据时， 利用各语言单词权　利　要　求　书 1/2 页 2 CN 114706944 A 2词表以单词为单位对原 始数据进行检测； 若检测结果中存在具备相同单词的未识别出语种的原始数据时， 利用p ython语言检测 工具包对原始数据进行检测。 7.根据权利要求1所述的服务器， 其特征在于， 在所述对所述初始实体信 息进行纠错的 步骤中， 所述 服务器被配置为： 控制联合知识图谱中的实体库建立与所述用户意图相关的知识图谱； 根据与用户意图相关的知识图谱 对所述初始实体信息进行纠错。 8.根据权利要求1所述的服务器， 其特征在于， 在所述根据 所述用户意图及所述标准实 体信息进行参数封装， 得到 封装信息的步骤中， 所述 服务器被配置为： 根据用户意图设置 选择预设的参数封装 模板； 在所述标准实体信息中选取相应的信息参数 添加至参数封装 模板中， 得到 封装信息 。 9.一种多语言文本语义理解方法， 其特 征在于， 所述方法包括： 将接收到的语音指令识别为文本数据； 将所述文本数据输入至已训练好的多语言文本语义理解模型， 得到所述文本数据 所表 征的用户意图及关键槽位值， 其中， 所述多语言文本语义理解模型 的训练过程利用元学习 的训练方法进行微调； 将所述关键槽位值解析为键值对形式， 得到初始实体信息， 对所述初始实体信息进行 纠错， 得到最终 实体信息； 将所述最终实体信息进行统一， 获取 标准实体信息； 根据所述用户意图及所述标准实体信息进行参数封装， 得到封装信息， 将所述封装信 息发送至智能终端， 以使所述智能终端根据所述封装信息响应所述语音指令 。 10.根据权利要求9所述的多语言文本语义理解方法， 其特征在于， 所述多语言文本语 义理解模型基于LaBSE建立， 利用所述元 学习的训练方法微调LaBSE， 包括： 识别原始数据的语种， 根据识别出语种的原始数据获取特征数据， 其中， 所述原始数据 包含多种语种的语料； 将训练过程划分为训练任务和适应任务， 其中， 所述训练任务和适应任务均分别通过 训练数据和 测试数据进行， 所述训练数据和 测试数据选取自所述特 征数据； 将元网络结构中的参数进行初始化， 并基于所述训练任务和适应任务进行迭代训练， 更新所述元网络结构中的参数。权　利　要　求　书 2/2 页 3 CN 114706944 A 3