(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 202210257589.8 (22)申请日 2022.03.16 (71)申请人 平安科技 （深圳） 有限公司 地址 518033 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 赵仕豪　马骏　王少军　 (74)专利代理 机构 北京鸿元知识产权代理有限 公司 11327 专利代理师 张娓娓　袁文婷 (51)Int.Cl. G06F 40/284(2020.01) G06F 40/30(2020.01) G10L 15/26(2006.01) (54)发明名称 语义识别方法、 装置、 电子设备及可读存储 介质 (57)摘要 本发明涉及一种人工智能技术领域， 提供一 种语义识别方法、 装置、 电子设备及计算机可读 存储介质， 其中方法包括： 通过自动语音识别对 用户的语音进行处理获取预设数量个转译文本； 通过词匹配模型获取预设数量个词匹配候选结 果； 通过语义匹配模型获取预设数量个语义匹配 候选结果； 通过预先训练好的SBERT模型对转译 文本、 词匹配候选结果进行计算处理， 获取转译 文本与词匹配候选结果之间的相似度分数， 并选 出其中相似度分数最高的词匹配候选结果； 按照 相似度分数对词匹配候选结果、 语义匹配候选结 果进行排序， 并将排序结果中排序最前的候选结 果作为最终识别结果。 本发明主要目的在于通过 词匹配和语义匹配对转译文本进行处理， 以提高 用户语音识别准确率。 权利要求书2页 说明书12页 附图3页 CN 114662484 A 2022.06.24 CN 114662484 A 1.一种语义识别方法， 应用于电子设备， 其特 征在于， 所述方法包括： 通过自动语音识别对用户的语音 进行转译处 理， 以获取 预设数量个转译 文本； 通过预设的词匹配模型对每个转译文本进行词匹配处理， 获取预设数量个词匹配候选 结果； 以及， 通过预设的语义匹配模型对每个转译文本进行语义匹配处理， 获取预设数量个 语义匹配候选结果； 通过预先训练好的SBERT模型对所述转译文本、 所述词匹配候选结果进行计算处理， 获 取所述转译文本与所述词匹配候选结果之 间的相似度分数， 并选出其中相似度分数最高的 词匹配候选结果； 按照相似度分数对所述词 匹配候选结果、 所述语义匹配候选结果进行排序， 并将排序 结果中排序最前的所述词匹配候选结果或者所述语义匹配候选结果作为 最终识别结果。 2.如权利要求1所述的语义识别方法， 其特征在于， 所述通过自动语音识别对用户的语 音进行转译处 理， 以获取 预设数量个转译 文本， 包括： 通过自动语音识别对用户的语音 进行识别处 理获取所述用户的语音的全部转译 文本； 根据每个转译文本 中的多识别的字数、 少识别的字数、 识别错的字数以及总字数， 获取 每个转译文本的字错 率分数； 按照所述字错率分数由低到 高的规则对所有的转译文本进行排序， 选取预设数量个得 分排名靠前的转译 文本。 3.如权利要求1所述的语义识别方法， 其特征在于， 所述预设的词匹配模型包括BM25和 Jaccard； 所述通过预设的词匹配模型对每个转译文本进行词匹配处理， 获取预设数量个词匹配 候选结果， 包括： 通过所述BM25对每 个转译文本进行匹配处 理， 获取第一批词匹配候选结果； 以及， 通过所述Jaccard对每 个转译文本进行匹配处 理， 获取第二批词匹配候选结果； 对所述第一批词匹配候选结果和第 二批词匹配候选结果进行加权比重处理， 并按照相 似度分数的高度进行排序， 并将排序结果中排序最前的词匹配候选结果。 4.如权利要求1所述的语义识别方法， 其特征在于， 所述通过预设的语义匹配模型对每 个转译文本进行语义匹配处 理， 获取预设数量个 语义匹配候选结果， 包括： 通过编码器对所述 转译文本进行编码处 理， 获取所述转译文本向量； 构建与所述 转译文本向量相适配的语料文本向量的语义数据库； 计算所述转译文本向量与 所述语料文本向量的余弦相似度； 将余弦相似度得分最高的 转译文本作为预设数量个 语义匹配候选结果。 5.如权利要求1所述的语义识别方法， 其特 征在于， 所述SBERT模型训练过程包括： 构建相似样本对和不相似样本对， 其中， 所述相似样本对由意图标签相同的文本两两 构造而成， 所述 不相似样本对由意图标签不相同的文本 两两构造而成； 将预处理的相似样本对、 不相似样本对输入到构建的SBERT模型中； 通过所述SBERT模型的学习特征层、 以及池化层对输入的相似样本对、 不相似样本对进 行处理， 获取预设尺寸的文本对向量； 通过对所述文本对向量进行处 理， 完成对所述SBERT模型的训练。 6.如权利要求5所述的语义识别方法， 其特征在于， 所述通过对所述文本对向量进行处权　利　要　求　书 1/2 页 2 CN 114662484 A 2理， 完成对所述SBERT模型的训练， 包括： 对所述预设尺寸的文本对向量进行拼接， 并将拼接后的文本对向量输入到预测层； 通过所述预测层对拼接后的文本对向量进行预测处理， 获取预测 识别结果的相似度 预 测概率； 通过损失函数对所述预测识别结果的相似度 预测概率进行处理， 获取预测识别结果损 失； 根据所述预测识别结果损失对所述SBERT模型进行传播训练， 获取训练完成的SBERT模 型。 7.如权利要求5所述的语义识别方法， 其特征在于， 所述通过对所述文本对向量进行处 理， 完成对所述SBERT模型的训练， 包括： 通过二分类 器对所述文本对向量进行分类处 理， 所述文本对向量的余弦相似度； 循环获取所述文本对向量到获取所述文本对向量的余弦相似度的过程， 当所述余弦相 似度大于或者 等于预设相似度时， 停止循环过程， 以完成对所述SBERT模型的训练。 8.一种语义识别装置， 其特 征在于， 所述装置包括： 转译文本获取模块， 用于通过自动语音识别对用户的语音进行转译处理， 以获取预设 数量个转译 文本； 词匹配处理模块， 用于通过预设的词 匹配模型对每个转译文本进行词 匹配处理， 获取 预设数量个词匹配候选结果； 语义匹配候选结果获取模块， 用于通过预设的语义匹配模型对每个转译文本进行语义 匹配处理， 获取预设数量个 语义匹配候选结果； 词匹配候选结果选取模块， 用于通过预先训练好的SBERT模型对所述转译文本、 所述词 匹配候选结果进行计算处理， 获取所述转译文本与所述词匹配候选结果之间的相似度分 数， 并选出其中相似度分数最高的词匹配候选结果； 最终识别结果确定模块， 用于按照相似度分数对所述词 匹配候选结果、 所述语义匹配 候选结果进行排序， 并将排序结果中排序最前的所述词匹配候选结果或者所述语义匹配候 选结果作为 最终识别结果。 9.一种电子设备， 其特 征在于， 所述电子设备包括： 至少一个处 理器； 以及， 与所述至少一个处 理器通信连接的存 储器； 其中， 所述存储器存储有可被所述至少一个处理器执行的指令， 所述指令被所述至少一个处 理器执行， 以使所述至少一个处理器能够执行如权利要求 1至7中任一所述的语义识别方法 的步骤。 10.一种计算机可读存储介质， 存储有计算机程序， 其特征在于， 所述计算机程序被处 理器执行时实现如权利要求1至7中任一所述的语义识别方法。权　利　要　求　书 2/2 页 3 CN 114662484 A 3