垂直领域客服机器人在服务的过程中经常遇到需要拒绝识别的场景,指的是机器人由于知识库局限不能正确回答的情况。相比“答非所问”,客服机器人拒绝识别再转由人工接手更能获得用户信赖。对于拒绝识别任务,早期传统的解决办法是基于规则,例如敏感词识别,这需要大量的专家知识且不具有迁移性。近年来随着深度学习的广泛应用,自然语言处理任务采用神经网络作为编码器提取文本特征,再转而用机器学习算法进行处理。拒绝识别场景的相关研究工作包括可拒绝分类、异常值检测和文本开集识别等,这些算法大多也是基于神经网络的特征编码构成两段式混合模型框架,无法通过优化任务相关的目标函数影响文本特征的表示学习。针对上述问题,本文提出了基于最大间隔平方铰链损失的循环神经网络来实现客服机器人的拒绝识别。首先根据用户问句短文本的特征,提出了基于双向GRU和注意力机制的句向量编码模型,用分类任务进行有监督的文本特征提取,在闭集上实现了95%的分类准确率,说明该编码器模型结构能良好地对文本数据建模,继而以此结构为基础实现深度拒识模型。由于测试集中有训练集未见的新类,分类模型输出层中softmax激活函数的归一化会导致新类概率为0,因此替换为sigmoid函数并实现了多分类问题中的“一对其余”策略;受单分类支持向量机目标函数用于深度异常值检测算法的启发,采用最大间隔平方铰链损失取代循环神经网络中的交叉熵,实现了基于最大间隔动机的文本特征提取,并且模型在收敛速度上有较大提升;最后根据正态分布的3σ原则设计了拒绝识别的概率阈值选取方法。相比基线方法,这种端到端的拒识模型在可见类更少的场景下性能提升了2.24倍。