基于意图识别的方案优化方法、装置、设备及存储介质与流程

1.本技术属于人工智能技术领域，具体涉及一种基于意图识别的方案优化方法、装置、设备及存储介质。


背景技术：

2.目前，当需要通过机器语言来实现某项任务时，实现同一个任务可能存在多种执行方案，而如何从这些执行方案中确定出较优的执行方案非常重要。在现有技术中，主要是通过人工的方式来选择或调整执行方案。即当用户输入需求后，服务器下用户展示多种执行方案由逐个比较这些执行方案，并根据经验确定出较优的执行方案。在实际应用场景中，例如行车导航领域，当用户输入目的地后，车辆导航系统提供多种行车路线供用户选择，用户需要根据自身经验再次确定最终行车路线。但通过上述人工的方式来选择和调整较优的执行方案，需要用户进行二次决策，造成用户时间的浪费，无法实现方案的智能调整，影响用户的使用体验。


技术实现要素：

3.本技术实施例的目的在于提出一种基于意图识别的方案优化方法、装置、计算机设备及存储介质，已解决通过人工的方式来选择和调整较优的执行方案需要用户进行二次决策，造成用户时间的浪费，影响用户的使用体验的技术问题。
4.为了解决上述技术问题，本技术实施例提供一种基于意图识别的方案优化方法，采用了如下所述的技术方案：
5.一种基于意图识别的方案优化方法，包括：
6.接收用户输入的操作指令，在预设的方案库中选择与所述操作指令对应的第一操作方案，并执行第一操作方案；
7.获取所述第一操作方案执行过程中所述用户的面部图像和生理参数；
8.提取所述面部图像的图像特征，并对所述图像特征进行向量转换，得到图像特征向量；
9.从所述生理参数中提取生理特征，并对所述生理特征进行向量转换，得到生理特征向量；
10.将所述图像特征向量和所述生理特征向量导入预先训练好的用户意图识别模型，生成用户意图识别结果；
11.基于所述用户意图识别结果在所述方案库中选择第二操作方案，并执行所述第二操作方案。
12.进一步地，所述提取所述面部图像的图像特征，并对所述图像特征进行向量转换，得到图像特征向量的步骤，具体包括：
13.获取图像数据，并对所述图像数据进行预处理；
14.对预处理后的所述图像数据进行特征标注，得到图像训练样本；
15.基于卷积网络构建图像生成网络，并通过所述图像训练样本对所述图像生成网络进行训练，得到图像特征提取器；
16.通过所述图像特征提取器对所述面部图像进行特征提取，得到所述图像特征。
17.进一步地，所述图像生成网络包括卷积层和反卷积层，所述卷积层与所述反卷积层相互对应，所述通过所述图像训练样本对所述图像生成网络进行训练，得到图像特征提取器的步骤，具体包括：
18.根据所述特征标注对所述图像训练样本进行特征提取，得到样本特征；
19.通过所述卷积层对所述样本特征进行卷积运算，得到卷积运算结果；
20.通过所述反卷积层对所述卷积运算结果进行反卷积运算，以对所述卷积运算结果进行特征还原，得到还原特征；
21.比对所述还原特征和所述样本特征，并基于特征比对结果对所述图像生成网络进行迭代更新，直至所述图像生成网络拟合，得到所述图像特征提取器。
22.进一步地，在所述通过所述卷积层对所述样本特征进行卷积运算，得到卷积运算结果的步骤之后，还包括：
23.基于深度学习压缩算法对所述卷积运算结果进行筛选，去除所述卷积运算结果中的冗余项。
24.进一步地，所述将所述图像特征向量和所述生理特征向量导入预先训练好的用户意图识别模型，生成用户意图识别结果的步骤，具体包括：
25.获取意图训练样本，其中，所述意图训练样本包括面部图像样本和生理参数样本；
26.提取所述面部图像样本的特征，得到样本面部特征，以及提取所述生理参数样本的特征，得到样本生理特征；
27.分别对所述样本面部特征和所述样本生理特征进行进行向量转换，得到第一样本特征向量和第二样本特征向量；
28.基于所述第一样本特征向量和所述第二样本特征向量对预设的初始识别模型进行模型训练，得到训练好的用户意图识别模型。
29.进一步地，所述初始识别模型包括编码层和解码层，所述基于所述第一样本特征向量和所述第二样本特征向量对预设的初始识别模型进行模型训练，得到训练好的用户意图识别模型的步骤，具体包括：
30.分别通过所述编码层对所述第一样本特征向量和所述第二样本特征向量进行特征编码，得到第一编码向量和第二编码向量；
31.对所述第一编码向量和所述第二编码向量进行向量拼接，得到特征拼接向量；
32.通过所述解码层对所述特征拼接向量进行解码，得到样本意图识别结果；
33.将所述样本意图识别结果与预设标准结果进行比对，并根据识别比对结果对所述初始识别模型进行迭代更新，得到训练好的用户意图识别模型。
34.进一步地，所述对所述第一编码向量和所述第二编码向量进行向量拼接，得到特征拼接向量的步骤，具体包括：
35.基于预设的客观赋权算法分别计算所述第一编码向量和所述第二编码向量的特征权重；
36.基于所述特征权重对所述第一编码向量和所述第二编码向量进行向量拼接，得到
特征拼接向量。
37.为了解决上述技术问题，本技术实施例还提供一种基于意图识别的方案优化装置，采用了如下所述的技术方案：
38.一种基于意图识别的方案优化装置，包括：
39.第一执行模块，用于接收用户输入的操作指令，在预设的方案库中选择与所述操作指令对应的第一操作方案，并执行第一操作方案；
40.数据获取模块，用于获取所述第一操作方案执行过程中所述用户的面部图像和生理参数；
41.图像特征提取模块，用于提取所述面部图像的图像特征，并对所述图像特征进行向量转换，得到图像特征向量；
42.生理特征提取模块，用于从所述生理参数中提取生理特征，并对所述生理特征进行向量转换，得到生理特征向量；
43.意图识别模块，用于将所述图像特征向量和所述生理特征向量导入预先训练好的用户意图识别模型，生成用户意图识别结果；
44.第二执行模块，用于基于所述用户意图识别结果在所述方案库中选择第二操作方案，并执行所述第二操作方案。
45.为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述的技术方案：
46.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上述任一项所述的基于意图识别的方案优化方法的步骤。
47.为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
48.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述中任一项所述的基于意图识别的方案优化方法的步骤。
49.与现有技术相比，本技术实施例主要有以下有益效果：
50.本技术公开了一种基于意图识别的方案优化方法、装置、设备及存储介质，属于人工智能技术领域。本技术通过在接收用户输入的操作指令，先在预设的方案库中选择对应的第一操作方案，并执行第一操作方案，在第一操作方案执行过程中持续采集用户的面部图像和生理参数，以获得用户的面部图像特征和生理参数特征，然后通过预先训练好的用户意图识别模型对用户的面部图像特征和生理参数特征进行识别，生成用户意图识别结果，最后根据用户意图识别结果在方案库中选择对应的第二操作方案，并执行所述第二操作方案。本技术在初步确定操作方案后，持续对用户的面部图像和生理参数进行检测，并通过用户意图识别模型识别用户意图，以及根据用户意图对操作方案进行智能调整，提高用户使用体验，减少用户的决策时间。
附图说明
51.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的
附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
52.图1示出了本技术可以应用于其中的示例性系统架构图；
53.图2示出了根据本技术的基于意图识别的方案优化方法的一个实施例的流程图；
54.图3示出了根据本技术的基于意图识别的方案优化装置的一个实施例的结构示意图；
55.图4示出了根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
56.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
57.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
58.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
59.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
60.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
61.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture expertsgroup audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving pictureexperts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
62.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
63.需要说明的是，本技术实施例所提供的基于意图识别的方案优化方法一般由服务器执行，相应地，基于意图识别的方案优化装置一般设置于服务器中。
64.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
65.继续参考图2，示出了根据本技术的基于意图识别的方案优化的方法的一个实施例的流程图。本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
66.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。所述的基于意图识别的方案优化方法，包括以下步骤：
67.s201，接收用户输入的操作指令，在预设的方案库中选择与所述操作指令对应的第一操作方案，并执行第一操作方案。
68.具体的，服务器在接收用户输入的操作指令，在预设的方案库中选择与操作指令对应的第一操作方案，并执行第一操作方案。例如，在行车导航过程中，当用户输入目的地后，车辆导航系统提供多种行车路线，并按照预先设定的初始选择规则(路程最短或时间最短)选择其中符合的行车路线。再如，空调温度调节过程中，当用户打开空调后，先根据室内温度和用户体表温度设定一个初始制冷/制暖温度。
69.在本实施例中，基于意图识别的方案优化方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收用户输入的操作指令。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
70.s202，获取所述第一操作方案执行过程中所述用户的面部图像和生理参数。
71.具体的，服务器持续获取在第一操作方案执行过程中用户的面部图像和生理参数，其中，用户的面部图像可以通过预先设置的摄像头获取。例如，在上述实施例中，通过行车记录仪上的摄像头或者安装在室内的摄像头获取用户的面部图像，用户的生理参数可以通过佩戴在用户手臂上的智能手环进行采集。
72.s203，提取所述面部图像的图像特征，并对所述图像特征进行向量转换，得到图像特征向量。
73.具体的，服务器通过预先训练好的图像特征提取器对面部图像进行特征提取，得到图像特征，然后对提取的图像特征进行向量转化，生成图像特征向量。其中，图像特征提取器基于一个特殊的卷积网络架构进行构建，本技术特殊的卷积网络包括卷积层和反卷积层，卷积层用途对特征数据进行卷积运算，反卷积层用于进行特征还原，通过对卷积网络进行训练，得到一个可以针对图像特征进行提取的特征提取器。
74.s204，从所述生理参数中提取生理特征，并对所述生理特征进行向量转换，得到生理特征向量。
75.具体的，服务器对生理参数进行小波变换等去噪处理后，从生理参数中提取生理特征，并对生理特征进行向量转换，得到生理特征向量。需要说明的是，根据生理参数获取生理特征，生理特征如心跳、心率、血压、体温等等，在获取特征之前需要对生理参数进行预
处理，对生理参数小波变换进行去噪处理。
76.s205，将所述图像特征向量和所述生理特征向量导入预先训练好的用户意图识别模型，生成用户意图识别结果。
77.其中，本技术的用户意图识别模型基于transformer网络进行构建，transformer网络架构是一种基于“u”型的神经网络架构，其中，transformer网络架构包括若干个编码层和若干个解码层，每一个编码层均与一个解码层相互对应，编码层输出的特征编码向量会被送至对应的解码层进行解码，通过一个“u”型的编码-解码网络结构，使得用户意图识别模型可以完整的获得输入向量在各个维度的特征。
78.具体的，服务器将将图像特征向量和生理特征向量导入基于transformer网络构建的用户意图识别模型，生成用户意图识别结果。
79.s206，基于所述用户意图识别结果在所述方案库中选择第二操作方案，并执行所述第二操作方案。
80.具体的，服务器在获得用户意图识别结果后，基于用户意图识别结果在方案库中选择与用户意图识别结果匹配的第二操作方案，并执行所述第二操作方案。本技术在初步确定操作方案后，持续对用户的面部图像和生理参数进行检测，并通过用户意图识别模型识别用户意图，以及根据用户意图对操作方案进行智能调整。
81.在上述实施例中，本技术在初步确定操作方案后，持续对用户的面部图像和生理参数进行检测，并通过用户意图识别模型识别用户意图，以及根据用户意图对操作方案进行智能调整，提高用户使用体验，减少用户的决策时间。
82.进一步地，所述提取所述面部图像的图像特征，并对所述图像特征进行向量转换，得到图像特征向量的步骤，具体包括：
83.获取图像数据，并对所述图像数据进行预处理；
84.对预处理后的所述图像数据进行特征标注，得到图像训练样本；
85.基于卷积网络构建图像生成网络，并通过所述图像训练样本对所述图像生成网络进行训练，得到图像特征提取器；
86.通过所述图像特征提取器对所述面部图像进行特征提取，得到所述图像特征。
87.其中，本提案的图像特征提取器基于一个特殊的卷积网络架构进行构建，其中，卷积网络包括卷积层和反卷积层，卷积层用途对特征数据进行卷积运算，反卷积层用于进行特征还原。卷积神经网络(convolutional neural networks,cnn)是一类包含卷积计算且具有深度结构的前馈神经网络(feedforward neural networks)，是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariant classification)，因此也被称为“平移不变人工神经网络”。卷积神经网络仿造生物的视知觉(visual perception)机制构建，可以进行监督学习和非监督学习，其卷积层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征，例如像素和音频进行学习，有稳定的效果且对数据没有额外的特征工程要求。
88.具体的，本技术需要预先训练一个图像特征提取器来对面部图像进行特征提取。首先需要在预设的数据库中获取图像数据，图像数据为预先收集的人脸面部图像，并对图
像数据进行预处理，如增强降噪处理，然后对预处理后的图像数据上的面部特征(如额宽、鼻高、嘴长等)进行特征标注，得到图像训练样本。基于卷积网络构建图像生成网络，并通过图像训练样本对图像生成网络进行训练，得到训练好的图像特征提取器，训练好的图像特征提取器可以用于面部特征的提取。
89.在上述实施例中，本技术通过图像训练样本训练一个特殊卷积网络架构的图像特征提取器，训练好的图像特征提取器可以用于面部特征的提取。
90.进一步地，所述图像生成网络包括卷积层和反卷积层，所述卷积层与所述反卷积层相互对应，所述通过所述图像训练样本对所述图像生成网络进行训练，得到图像特征提取器的步骤，具体包括：
91.根据所述特征标注对所述图像训练样本进行特征提取，得到样本特征；
92.通过所述卷积层对所述样本特征进行卷积运算，得到卷积运算结果；
93.通过所述反卷积层对所述卷积运算结果进行反卷积运算，以对所述卷积运算结果进行特征还原，得到还原特征；
94.比对所述还原特征和所述样本特征，并基于特征比对结果对所述图像生成网络进行迭代更新，直至所述图像生成网络拟合，得到所述图像特征提取器。
95.具体的，图像生成网络包括卷积层和反卷积层，卷积层与反卷积层相互对应。服务器根据特征标注对图像训练样本进行特征提取，得到图像训练样本的样本特征，通过卷积层对样本特征进行卷积运算，生成卷积核，并通过卷积核输出卷积运算结果，通过对应的反卷积层对卷积运算结果进行反卷积运算，生成反卷积核，并通过反卷积层对卷积运算结果进行特征还原，输出还原特征，比对还原特征和样本特征，并基于特征比对结果对图像生成网络进行迭代更新，直至图像生成网络拟合，得到图像特征提取器。
96.需要说明的是，通过图像生成网络的损失函数计算还原特征和样本特征之间的误差，并通过反向传播算法在图像生成网络的各个网络层中传递上述误差，将传递后各个网络层的误差与预设阈值进行比较，若存在任意一个网络层的误差大于预设阈值，则使用反向传播算法对图像生成网络进行迭代更新，直到所有网络层的误差都小于或等于预设阈值为止，得到训练好的图像特征提取器。
97.其中，反向传播算法，即误差反向传播算法(backpropagation algorithm，bp算法)适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上，用于深度学习网络的误差计算。bp网络的输入、输出关系实质上是一种映射关系：一个n输入m输出的bp神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性。bp算法的学习过程由正向传播过程和反向传播过程组成。在正向传播过程中，输入信息通过输入层经隐含层，逐层处理并传向输出层，并转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，以作为修改权值的依据。
98.在上述实施例中，通过卷积层和反卷积层对面部特征进行卷积运算和反卷积运算，使得图像生成网络充分学习面部特征，并通过反向传播算法对图像生成网络进行迭代更新，得到训练好的图像特征提取器。
99.进一步地，在所述通过所述卷积层对所述样本特征进行卷积运算，得到卷积运算结果的步骤之后，还包括：
100.基于深度学习压缩算法对所述卷积运算结果进行筛选，去除所述卷积运算结果中的冗余项。
101.具体的，在本技术中，有多个样本特征输入到图像生成网络中，因此可以在卷积层中形成多个卷积核，对应的反卷积层中也会形成多个反卷积核，虽然卷积核和反卷积核数量越多，提取到的面部特征就越全面，但这样会加大服务器开销，造成服务负载过大，因此本技术通过设定卷积核的权重阈值，并基于深度学习压缩算法对卷积核进行筛选，把低于权重阈值的卷积层删除掉，同时删除对应的反卷积核，以去除卷积层和反卷积层中的冗余项。
102.其中，深度学习压缩(deep compression)算法通过对神经网络进行训练，获取训练后的神经网络各个卷积层的权重，设定权重阈值，然后把低于权重阈值的卷积层删除掉，然后迭代训练，通过迭代训练一次次地去掉冗余层。最后把神经网络中保留的卷积层的权重进行聚类和权值共享，将聚类中心点的值作为所有权值的值,通过不断调整聚类中心点和中心点的数量，以获得较好的模型压缩效果，最后将权值进行哈夫曼编码。
103.在上述实施例中，本技术通过采用深度学习压缩方法可以在不损失精度的情况将图像生成网络进行压缩，同时减少服务器开销，降低造成服务负载。
104.进一步地，所述将所述图像特征向量和所述生理特征向量导入预先训练好的用户意图识别模型，生成用户意图识别结果的步骤，具体包括：
105.获取意图训练样本，其中，所述意图训练样本包括面部图像样本和生理参数样本；
106.提取所述面部图像样本的特征，得到样本面部特征，以及提取所述生理参数样本的特征，得到样本生理特征；
107.分别对所述样本面部特征和所述样本生理特征进行进行向量转换，得到第一样本特征向量和第二样本特征向量；
108.基于所述第一样本特征向量和所述第二样本特征向量对预设的初始识别模型进行模型训练，得到训练好的用户意图识别模型。
109.具体的，服务器先从预设数据库中获取意图训练样本，其中，意图训练样本包括面部图像样本和生理参数样本，通过训练好的图像特征提取器提取面部图像样本的特征，得到样本面部特征，以及提取生理参数样本的特征，得到样本生理特征，分别对样本面部特征和样本生理特征进行进行向量转换，得到第一样本特征向量和第二样本特征向量，将第一样本特征向量和第二样本特征向量导入预设的初始识别模型，基于第一样本特征向量和第二样本特征向量对预设的初始识别模型进行模型训练，得到训练好的用户意图识别模型。
110.进一步地，所述初始识别模型包括编码层和解码层，所述基于所述第一样本特征向量和所述第二样本特征向量对预设的初始识别模型进行模型训练，得到训练好的用户意图识别模型的步骤，具体包括：
111.分别通过所述编码层对所述第一样本特征向量和所述第二样本特征向量进行特征编码，得到第一编码向量和第二编码向量；
112.对所述第一编码向量和所述第二编码向量进行向量拼接，得到特征拼接向量；
113.通过所述解码层对所述特征拼接向量进行解码，得到样本意图识别结果；
114.将所述样本意图识别结果与预设标准结果进行比对，并根据识别比对结果对所述初始识别模型进行迭代更新，得到训练好的用户意图识别模型。
115.具体的，初始识别模型包括编码层和解码层，分别通过编码层对第一样本特征向量和第二样本特征向量进行特征编码，得到第一编码向量和第二编码向量，对第一编码向量和第二编码向量进行向量拼接，得到特征拼接向量，通过解码层对特征拼接向量进行解码，得到样本意图识别结果，将样本意图识别结果与预设标准结果进行比对，并根据识别比对结果对初始识别模型进行迭代更新，得到训练好的用户意图识别模型。
116.需要说明的是，通过初始识别模型的损失函数计算样本意图识别结果与预设标准结果之间的识别误差，并通过并通过反向传播算法在初始识别模型的各个网络层中传递识别误差，将传递后各个网络层的识别误差与预设误差阈值进行比较，若存在任意一个网络层的识别误差大于预设误差阈值，则对初始识别模型进行迭代更新，直到所有网络层的识别误差都小于或等于预设误差阈值为止，得到训练好的用户意图识别模型。
117.在上述实施例中，本技术通过预先存储在数据库中的意图训练样本训练用户意图识别模型，并通过反向传播算法对用户意图识别模型进行迭代更新，使得模型拟合，用户意图识别模型可以用于实时对用户的意图进行识别。
118.进一步地，所述对所述第一编码向量和所述第二编码向量进行向量拼接，得到特征拼接向量的步骤，具体包括：
119.基于预设的客观赋权算法分别计算所述第一编码向量和所述第二编码向量的特征权重；
120.基于所述特征权重对所述第一编码向量和所述第二编码向量进行向量拼接，得到特征拼接向量。
121.具体的，基于预设的客观赋权算法分别计算第一编码向量和第二编码向量的特征权重，基于特征权重对第一编码向量和第二编码向量进行向量拼接，得到特征拼接向量。
122.其中，客观赋权算法(critic算法)是一种比熵权法和标准离差法更好的客观赋权法，critic算法是基于评价指标的对比强度和指标之间的冲突性来综合衡量指标的客观权重。考虑指标变异性大小的同时兼顾指标之间的相关性，并非数字越大就说明越重要，完全利用数据自身的客观属性进行科学评价。对比强度是指同一个指标各个评价方案之间取值差距的大小，以标准差的形式来表现。标准差越大，说明波动越大，即各方案之间的取值差距越大，权重会越高；指标之间的冲突性，用相关系数进行表示，若两个指标之间具有较强的正相关，说明其冲突性越小，权重会越低。
123.需要说明的是，在本技术实际训练过程中，分别有多个第一编码向量和多个第二编码向量输入到初始识别模型中，本技术通过critic算法分别计算每一个编码向量的权重，具体计算公式如下：
[0124][0125]
其中，wj为第j个编码向量的权重，cj为第j个编码向量的信息量，p为编码向量总数，cj的计算公式如下：
[0126][0127]
其中，sj为第j个编码向量的标准差，rj为第j个编码向量的相关系数，r
ij
为第i个
编码向量和第j个编码向量之间的余弦距离。
[0128]
在上述实施例中，本技术公开了一种基于意图识别的方案优化方法，属于人工智能技术领域。本技术通过在接收用户输入的操作指令，先在预设的方案库中选择对应的第一操作方案，并执行第一操作方案，在第一操作方案执行过程中持续采集用户的面部图像和生理参数，以获得用户的面部图像特征和生理参数特征，然后通过预先训练好的用户意图识别模型对用户的面部图像特征和生理参数特征进行识别，生成用户意图识别结果，最后根据用户意图识别结果在方案库中选择对应的第二操作方案，并执行所述第二操作方案。本技术在在初步确定操作方案后，持续对用户的面部图像和生理参数进行检测，并通过用户意图识别模型识别用户意图，以及根据用户意图对操作方案进行智能调整，提高用户使用体验，减少用户的决策时间。
[0129]
需要强调的是，为进一步保证上述用户的面部图像和生理参数的私密和安全性，上述用户的面部图像和生理参数还可以存储于一区块链的节点中。
[0130]
本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0131]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
[0132]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0133]
进一步参考图3，作为对上述图2所示方法的实现，本技术提供了一种基于意图识别的方案优化装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0134]
如图3所示，本实施例所述的基于意图识别的方案优化装置包括：
[0135]
第一执行模块301，用于接收用户输入的操作指令，在预设的方案库中选择与所述操作指令对应的第一操作方案，并执行第一操作方案；
[0136]
数据获取模块302，用于获取所述第一操作方案执行过程中所述用户的面部图像和生理参数；
[0137]
图像特征提取模块303，用于提取所述面部图像的图像特征，并对所述图像特征进行向量转换，得到图像特征向量；
[0138]
生理特征提取模块304，用于从所述生理参数中提取生理特征，并对所述生理特征
进行向量转换，得到生理特征向量；
[0139]
意图识别模块305，用于将所述图像特征向量和所述生理特征向量导入预先训练好的用户意图识别模型，生成用户意图识别结果；
[0140]
第二执行模块306，用于基于所述用户意图识别结果在所述方案库中选择第二操作方案，并执行所述第二操作方案。
[0141]
进一步地，所述图像特征提取模块303具体包括：
[0142]
预处理子模块，用于获取图像数据，并对所述图像数据进行预处理；
[0143]
图像标注子模块，用于对预处理后的所述图像数据进行特征标注，得到图像训练样本；
[0144]
提取器训练子模块，用于基于卷积网络构建图像生成网络，并通过所述图像训练样本对所述图像生成网络进行训练，得到图像特征提取器；
[0145]
图像特征提取子模块，用于通过所述图像特征提取器对所述面部图像进行特征提取，得到所述图像特征。
[0146]
进一步地，所述图像生成网络包括卷积层和反卷积层，所述提取器训练子模块具体包括：
[0147]
第一样本特征提取单元，用于根据所述特征标注对所述图像训练样本进行特征提取，得到样本特征；
[0148]
卷积运算单元，用于通过所述卷积层对所述样本特征进行卷积运算，得到卷积运算结果；
[0149]
反卷积运算单元，用于通过所述反卷积层对所述卷积运算结果进行反卷积运算，以对所述卷积运算结果进行特征还原，得到还原特征；
[0150]
提取器训练单元，用于比对所述还原特征和所述样本特征，并基于特征比对结果对所述图像生成网络进行迭代更新，直至所述图像生成网络拟合，得到所述图像特征提取器。
[0151]
进一步地，所述提取器训练子模块还包括：
[0152]
运算结果筛选单元，用于基于深度学习压缩算法对所述卷积运算结果进行筛选，去除所述卷积运算结果中的冗余项。
[0153]
进一步地，所述意图识别模块305具体包括：
[0154]
训练样本获取子模块，用于获取意图训练样本，其中，所述意图训练样本包括面部图像样本和生理参数样本；
[0155]
第二样本特征提取子模块，用于提取所述面部图像样本的特征，得到样本面部特征，以及提取所述生理参数样本的特征，得到样本生理特征；
[0156]
特征向量转换子模块，用于分别对所述样本面部特征和所述样本生理特征进行进行向量转换，得到第一样本特征向量和第二样本特征向量；
[0157]
意图模型训练子模块，用于基于所述第一样本特征向量和所述第二样本特征向量对预设的初始识别模型进行模型训练，得到训练好的用户意图识别模型。
[0158]
进一步地，所述初始识别模型包括编码层和解码层，所述意图模型训练子模块具体包括：
[0159]
特征编码单元，用于分别通过所述编码层对所述第一样本特征向量和所述第二样
本特征向量进行特征编码，得到第一编码向量和第二编码向量；
[0160]
向量拼接单元，用于对所述第一编码向量和所述第二编码向量进行，得到特征拼接向量；
[0161]
特征解码单元，用于通过所述解码层对所述特征拼接向量进行解码，得到样本意图识别结果；
[0162]
迭代更新单元，用于将所述样本意图识别结果与预设标准结果进行比对，并根据识别比对结果对所述初始识别模型进行迭代更新，得到训练好的用户意图识别模型。
[0163]
进一步地，所述向量拼接单元具体包括：
[0164]
权重计算子单元，用于基于预设的客观赋权算法分别计算所述第一编码向量和所述第二编码向量的特征权重；
[0165]
向量拼接子单元，用于基于所述特征权重对所述第一编码向量和所述第二编码向量进行向量拼接，得到特征拼接向量。
[0166]
在上述实施例中，本技术公开了一种基于意图识别的方案优化装置，属于人工智能技术领域。本技术通过在接收用户输入的操作指令，先在预设的方案库中选择对应的第一操作方案，并执行第一操作方案，在第一操作方案执行过程中持续采集用户的面部图像和生理参数，以获得用户的面部图像特征和生理参数特征，然后通过预先训练好的用户意图识别模型对用户的面部图像特征和生理参数特征进行识别，生成用户意图识别结果，最后根据用户意图识别结果在方案库中选择对应的第二操作方案，并执行所述第二操作方案。本技术在在初步确定操作方案后，持续对用户的面部图像和生理参数进行检测，并通过用户意图识别模型识别用户意图，以及根据用户意图对操作方案进行智能调整，提高用户使用体验，减少用户的决策时间。
[0167]
为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
[0168]
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
[0169]
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
[0170]
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，
智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于意图识别的方案优化方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0171]
所述处理器42在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于意图识别的方案优化方法的计算机可读指令。
[0172]
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
[0173]
本技术公开了一种设备，属于人工智能技术领域。本技术通过在接收用户输入的操作指令，先在预设的方案库中选择对应的第一操作方案，并执行第一操作方案，在第一操作方案执行过程中持续采集用户的面部图像和生理参数，以获得用户的面部图像特征和生理参数特征，然后通过预先训练好的用户意图识别模型对用户的面部图像特征和生理参数特征进行识别，生成用户意图识别结果，最后根据用户意图识别结果在方案库中选择对应的第二操作方案，并执行所述第二操作方案。本技术在初步确定操作方案后，持续对用户的面部图像和生理参数进行检测，并通过用户意图识别模型识别用户意图，以及根据用户意图对操作方案进行智能调整，提高用户使用体验，减少用户的决策时间。
[0174]
本技术还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于意图识别的方案优化方法的步骤。
[0175]
本技术公开了一种存储介质，属于人工智能技术领域。本技术通过在接收用户输入的操作指令，先在预设的方案库中选择对应的第一操作方案，并执行第一操作方案，在第一操作方案执行过程中持续采集用户的面部图像和生理参数，以获得用户的面部图像特征和生理参数特征，然后通过预先训练好的用户意图识别模型对用户的面部图像特征和生理参数特征进行识别，生成用户意图识别结果，最后根据用户意图识别结果在方案库中选择对应的第二操作方案，并执行所述第二操作方案。本技术在初步确定操作方案后，持续对用户的面部图像和生理参数进行检测，并通过用户意图识别模型识别用户意图，以及根据用户意图对操作方案进行智能调整，提高用户使用体验，减少用户的决策时间。
[0176]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
[0177]
本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备
的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0178]
显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。