基于 BERT 微调一个意图识别（Intent Classification）模型

基于 BERT 微调一个意图识别（Intent Classification）模型，你的意图类别包括：

查询天气
获取新闻咨询
想听音乐
想添加备忘
查询备忘
获取家政服务
结束对话
增加音量
减小音量
其他

具体实现步骤（详细版）

1. 准备你的数据集

你的数据集应该是这样的格式（通常是 CSV 或 JSON）：

text	label
今天上海天气怎么样？	查询天气
给我放首轻音乐	想听音乐
新闻头条是什么？	获取新闻咨询
记一下明天开会	想添加备忘
查看一下我的备忘录	查询备忘
叫个钟点工来打扫	获取家政服务
不聊了，再见	结束对话
声音大一点	增加音量
小点声	减小音量
乱说的话	其他

每一行是一个用户输入（text）和它对应的意图（label）。

注意：BERT只能识别数字标签，所以需要把意图文字映射成数字，比如：

python 复制代码

label2id = {
    "查询天气": 0,
    "获取新闻咨询": 1,
    "想听音乐": 2,
    "想添加备忘": 3,
    "查询备忘": 4,
    "获取家政服务": 5,
    "结束对话": 6,
    "增加音量": 7,
    "减小音量": 8,
    "其他": 9
}
id2label = {v: k for k, v in label2id.items()}

2. 安装需要的库

bash 复制代码

pip install transformers datasets torch scikit-learn

3. 代码：BERT意图识别模型训练

python 复制代码

import torch
from datasets import load_dataset, Dataset
from transformers import BertTokenizer, BertForSequenceClassification, Trainer, TrainingArguments
from sklearn.model_selection import train_test_split

# 1. 准备数据
texts = [
    "今天上海天气怎么样？", "给我放首轻音乐", "新闻头条是什么？",
    "记一下明天开会", "查看一下我的备忘录", "叫个钟点工来打扫",
    "不聊了，再见", "声音大一点", "小点声", "乱说的话"
]
labels = [0, 2, 1, 3, 4, 5, 6, 7, 8, 9]  # 使用数字标签

# 切分成训练集和验证集
train_texts, val_texts, train_labels, val_labels = train_test_split(
    texts, labels, test_size=0.2, random_state=42
)

# 2. 加载分词器
tokenizer = BertTokenizer.from_pretrained("bert-base-chinese")

# 3. 对数据进行编码
def tokenize_function(texts):
    return tokenizer(texts, padding="max_length", truncation=True, max_length=32)

train_encodings = tokenize_function(train_texts)
val_encodings = tokenize_function(val_texts)

# 4. 构建 PyTorch Dataset
class IntentDataset(torch.utils.data.Dataset):
    def __init__(self, encodings, labels):
        self.encodings = encodings
        self.labels = labels
    def __len__(self):
        return len(self.labels)
    def __getitem__(self, idx):
        item = {key: torch.tensor(val[idx]) for key, val in self.encodings.items()}
        item["labels"] = torch.tensor(self.labels[idx])
        return item

train_dataset = IntentDataset(train_encodings, train_labels)
val_dataset = IntentDataset(val_encodings, val_labels)

# 5. 加载预训练BERT分类模型
model = BertForSequenceClassification.from_pretrained("bert-base-chinese", num_labels=10)

# 6. 设置训练参数
training_args = TrainingArguments(
    output_dir="./results",
    num_train_epochs=5,
    per_device_train_batch_size=8,
    per_device_eval_batch_size=8,
    evaluation_strategy="epoch",
    save_strategy="epoch",
    logging_dir="./logs",
    logging_steps=10,
    learning_rate=2e-5,
)

# 7. 用Trainer训练
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=train_dataset,
    eval_dataset=val_dataset,
)

trainer.train()

4. 训练好以后，保存模型

python 复制代码

model.save_pretrained("./intent_bert_model")
tokenizer.save_pretrained("./intent_bert_model")

5. 推理（用来预测意图）

python 复制代码

from transformers import pipeline

# 加载保存好的模型
classifier = pipeline("text-classification", model="./intent_bert_model", tokenizer="./intent_bert_model", device=0 if torch.cuda.is_available() else -1)

# 测试
text = "帮我叫个保洁阿姨"
prediction = classifier(text)
predicted_label = int(prediction[0]["label"].split("_")[-1])  # 如果是默认模型格式
print(f"预测的标签是：{id2label[predicted_label]}")

补充说明

数据集：建议你准备更多的数据样本，每个意图至少几十条，效果更好。
小批量数据：小批量很少时，可以使用数据增强方法（例如同义词替换、轻微打乱顺序等）扩充数据。
模型优化：可以调整学习率、batch size、epoch数来进一步优化效果。
多意图识别：如果未来一个句子可能有多个意图，需要做成多标签分类（现在是单标签分类）。