1.一种意图槽值双向交互的自然语言理解方法，其特征在于，所述意图槽值双向交互的自然语言理解方法，包括：采用BERT语义编码模块对用户输入的话语进行文本预处理，并进行语义编码，获得语I S义表示向量H，所述语义表示向量H包括意图语义表示向量H和槽语义表示向量H；

I IW

将意图表示向量H输入到意图注意力模块，生成语义增强的意图表示向量H ；

IW

通过自注意语义交互模块，双向交互语义增强的意图语义表示向量H 和槽语义表示向S量H，获得最终的意图语义表示向量和槽语义表示向量；

将最终的意图表示向量和槽语义表示向量输入到CRF语义解码模块，获得最后话语的意图和槽值，所述CRF语义解码模块包括两个分支，一个分支包括意图全连接神经网络模块，另一个分支包括槽全连接神经网络模块和CRF槽解码模块；

I

其中，所述将意图表示向量H 输入到意图注意力模块，生成语义增强的意图表示向量IWH ，包括：

I I

获取CRF语义解码模块中意图全连接神经网络的权重W，与意图语义表示向量H进行矩阵相乘，再经过softmax函数，获得softmax的输出α：I I

α＝softmax(HW)；

I I

然后将α与权重W 相乘再与意图语义表示向量H相加，获得经过意图注意力模块语义增IW强的意图语义表示向量H ：IW I I

H ＝H+αW；

IW

所述通过自注意语义交互模块，双向交互语义增强的意图语义表示向量H 和槽语义表S示向量H，获得最终的意图语义表示向量和槽语义表示向量，包括：IW S

连接语义增强的意图语义表示向量H 和槽意图语义表示向量H ，获取语义表示向量ISH ：

IS IW S

H ＝[H ,H]；

IS

将H 经过h次线性映射获取Q、K和V矩阵；

IS Q

Qj＝H Wj；

IS K

Kj＝H Wj；

IS

Vj＝H WjV；

Q K V

其中Wj、Wj和Wj是线性映射的参数，j∈1…h；

将获得的Q、K和V矩阵平行地进行缩放点乘注意力操作，获得自注意力头：IS

其中d表示语义表示向量H 的维度；

将获得的h个自注意力头进行连接，并经过一个线性映射，获得经过多头自注意力模块M语义增强的语义向量H：M O

H＝concat(h1,h2,…,hh)W；

O

其中W是本次线性映射的参数；

M

将语义向量H与BERT语义编码模块输出的语义表示向量H相加，并进行层归一化layer normalization操作：M

H′＝LayerNorm(H+H)；

其中语义向量 为自注意语义交互模块的输出， 表示最终的意图语义表示向量， 表示最终的槽语义表示向量。

2.根据权利要求1所述的意图槽值双向交互的自然语言理解方法，其特征在于，所述采用BERT语义编码模块对用户输入的话语进行文本预处理，并进行语义编码，获得意图语义I S表示向量H和槽语义表示向量H，包括：对用户输入的话语进行分词，并在句子开始位置添加特殊标识符CLS，在句子末尾位置添加特殊标识符SEP，最后获得一个由t+1个单词组成的句子序列：X＝(x0,x1,…,xT)；

其中xi,i∈0,1,…,T表示句子中第i个单词；

然后对处理后的文本数据X进行语义编码，输入文本数据X，输出语义表示向量：I S

H＝[H ,H]；

I S

其中H表示意图语义表示向量，H表示槽语义表示向量。

3.根据权利要求1所述的意图槽值双向交互的自然语言理解方法，其特征在于，所述将最终的意图表示向量和槽语义表示向量输入到CRF语义解码模块，获得最后话语的意图和槽值，包括：将最终的意图语义表示向量 输入意图全连接神经网络模块，经过一个全连接神经网I络和softmax函数，将最终的意图语义表示向量映射到意图标签，输出意图标签y：I I

其中W和b为意图全连接神经网络中可训练的权重参数和偏置参数；

将槽语义表示向量 输入槽全连接神经网络模块，经过一个全连接神经网络和softmax函数，将最终的槽语义表示向量映射到CRF解码所需的发射概率上，输出发射概率Sp：

S S

其中W和b为全连接神经网络中可训练的权重参数和偏置参数；

S S

将发射概率p输入CRF槽解码模块，解码得到槽标签y：S S

y＝CRF(p)。