本申请涉及金融科技领域或其他相关，特别是涉及一种语义分类模型的训练方法、装置、设备、介质和程序产品。
背景技术：
1、随着用户需求的驱动和技术的革新，服务机构为节省服务成本，大量使用人工智能代替人工来为用户提供相应的服务。
2、例如，银行等金融机构需要建立人工智能模型来完成用户与客服人员的交互，那么，这个人工智能模型就必须具备对用户提出的问题进行精准识别，以及将识别出的意图形成特定的答复方案反馈给用户的能力。
3、那么，如何对用户的问题进行精准地识别成为目前亟待解决的技术问题。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够精准识别用户问题的语义分类模型的训练方法、装置、设备、介质和程序产品。
2、第一方面，本申请提供了一种语义分类模型的训练方法，包括：
3、获取样本语义数据；
4、将样本语义数据输入至初始语义分类模型进行训练，得到语义分类模型；语义分类模型用于对用户输入的语义文本进行分类，得到语义文本对应的文本类型；初始语义分类模型中包括多个卷积核，且各卷积核的尺寸不同，语义分类模型中包括目标卷积核，目标卷积核为多个卷积核中的一个或多个。
5、在其中一个实施例中，上述初始语义分类模型包括特征提取模型和分类模型，将样本语义数据输入至初始语义分类模型进行训练，得到语义分类模型，包括：
6、将样本语义数据输入至特征提取模型进行特征提取，得到语义特征；
7、将语义特征输入至分类模型进行训练，得到语义分类模型。
8、在其中一个实施例中，上述分类模型包括多个卷积核，将语义特征输入至分类模型进行训练，得到语义分类模型，包括：
9、将语义特征分别输入至各卷积核中进行分类，得到各卷积核对应的分类结果；
10、根据各卷积核对应的分类结果和样本语义数据对应的金标准，得到语义分类模型。
11、在其中一个实施例中，上述根据各卷积核对应的分类结果和样本语义数据对应的金标准，得到语义分类模型，包括：
12、确定各卷积核对应的分类结果和样本语义数据对应的金标准之间的相似度；
13、将相似度最高的分类结果对应的卷积核作为目标卷积核；
14、根据目标卷积核构建得到语义分类模型。
15、在其中一个实施例中，上述方法还包括：
16、从多个卷积核中选取除目标卷积核以外的至少一个卷积核，与目标卷积核进行多次配对，得到多个卷积核组；
17、基于多个卷积核组，返回执行将语义特征分别输入至各卷积核中进行分类，得到各卷积核对应的分类结果的步骤。
18、第二方面，本申请还提供了一种语义文本的分类装置，包括：
19、获取模块，用于获取用户输入的语义文本；
20、分类模块，用于将语义文本输入至语义分类模型中进行分类，得到语义文本对应的文本类型；语义分类模型根据如上述第一方面的语义分类模型的训练方法得到。
21、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
22、获取样本语义数据；
23、将样本语义数据输入至初始语义分类模型进行训练，得到语义分类模型；语义分类模型用于对用户输入的语义文本进行分类，得到语义文本对应的文本类型；初始语义分类模型中包括多个卷积核，且各卷积核的尺寸不同，语义分类模型中包括目标卷积核，目标卷积核为多个卷积核中的一个或多个。
24、第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
25、获取样本语义数据；
26、将样本语义数据输入至初始语义分类模型进行训练，得到语义分类模型；语义分类模型用于对用户输入的语义文本进行分类，得到语义文本对应的文本类型；初始语义分类模型中包括多个卷积核，且各卷积核的尺寸不同，语义分类模型中包括目标卷积核，目标卷积核为多个卷积核中的一个或多个。
27、第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
28、获取样本语义数据；
29、将样本语义数据输入至初始语义分类模型进行训练，得到语义分类模型；语义分类模型用于对用户输入的语义文本进行分类，得到语义文本对应的文本类型；初始语义分类模型中包括多个卷积核，且各卷积核的尺寸不同，语义分类模型中包括目标卷积核，目标卷积核为多个卷积核中的一个或多个。
30、上述语义分类模型的训练方法、装置、设备、介质和程序产品，包括：获取样本语义数据，将样本语义数据输入至初始语义分类模型进行训练，得到语义分类模型；语义分类模型用于对用户输入的语义文本进行分类，得到语义文本对应的文本类型；初始语义分类模型中包括多个卷积核，且各卷积核的尺寸不同，语义分类模型中包括目标卷积核，目标卷积核为多个卷积核中的一个或多个。上述方法通过对初始语义分类模型中的卷积核进行筛选，得到更适用于样本语义数据的目标卷积核，进而使得根据目标卷积核确定的语义分类模型对样本语义数据的分类更加准确；另外，由于上述方法对初始语义分类模型中的多个卷积核进行筛选，得到筛选后的目标卷积核对应的语义分类模型，与不对卷积核进行筛选直接使用初始语义分类模型进行分类的方法相比，上述利用语义分类模型进行分类的效率也进一步提高。
1.一种语义分类模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述初始语义分类模型包括特征提取模型和分类模型，所述将所述样本语义数据输入至初始语义分类模型进行训练，得到所述语义分类模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述分类模型包括所述多个卷积核，所述将所述语义特征输入至所述分类模型进行训练，得到所述语义分类模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据各所述卷积核对应的分类结果和所述样本语义数据对应的金标准，得到所述语义分类模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.一种语义文本的分类方法，其特征在于，所述方法包括：
7.一种语义分类模型的训练装置，其特征在于，所述装置包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
