1.一种多轮对话意图识别方法，其特征在于，包括如下步骤：

1)根据应用场景确定要识别的对话意图，并获取大量对话数据，人工找出对话数据中的对话块以及其对应的意图，进行语料标注；

2)根据人工整理好的停用词表去除对话数据中的停用词；

3)构建用于意图识别的句向量模型、BiLSTM-CRF模型及StarSpace模型；

4)由句向量模型、BiLSTM-CRF模型和StarSpace模型实时获取对话数据，进行意图识别，输出最佳意图。

2.根据权利要求1所述的一种多轮对话意图识别方法，其特征在于，所述步骤2)具体为：

2.1)将对话数据使用分词工具进行分词；

2.2)将分词结果中的每个词与停用词表中的词进行判断，若分词结果中的词在停用词表中存在，则去除该词，否则保留；

2.3)将2.2)得到的结果拼接为句子。

3.根据权利要求1所述的一种多轮对话意图识别方法，其特征在于，所述步骤3)中句向量模型构建步骤具体为：

3.1)获取去除停用词后的人工标注语料，将语料中的每句话按字符拆分为List，最终得到整个语料的List列表；

3.2)设置sentence2vec算法的预设参数，句子嵌入向量空间的维度n和语料总共使用的次数epoch；

3.3)将3.1)中得到的语料List列表作为sentence2vec的输入，进行句向量模型训练；

3.4)将3.3)训练得到的句向量模型存储到磁盘上。

4.根据权利要求1所述的一种多轮对话意图识别方法，其特征在于，所述步骤3)中BiLSTM-CRF模型构建步骤具体为：

3.5)获取去除停用词后的人工标注语料，首先使用句向量模型将对话转化为句向量，然后根据对话块标注块标签，其中，B表示块开始位置，I表示块中位置，E表示块结束位置，O表示其他位置；

3.6)设置BiLSTM-CRF模型预设参数，模型隐藏层大小hidden_size、随机失活率dropout、语料总共使用的次数epoch、每批次大小batch_size；

3.7)将3.5)进行块标注后的语料作为BiLSTM-CRF模型的输入，进行BiLSTM-CRF模型训练；

3.8)将3.7)训练得到的BiLSTM-CRF模型存储到磁盘上。

5.根据权利要求1所述的一种多轮对话意图识别方法，其特征在于，所述步骤3)中StarSpace模型构建步骤具体为：

3.9)获取去除停用词后的人工标注语料，只取有意图的对话块，将对话块中的句子拼接起来，与其对应的意图形成key-value对，存储在List中。

3.10)设置StarSpace模型预设参数，对话嵌入粒度、模型隐藏层大小hidden_size、语料总共使用的次数epoch、每批次大小batch_size。

3.11)将3.9)得到的存有key-value对的List作为StarSpace模型的输入，进行StarSpace模型训练；

3.12)将3.11)训练得到的StarSpace模型存储到磁盘上。

6.根据权利要求1所述的一种多轮对话意图识别方法，其特征在于，所述步骤4)具体为：

4.1)从对话数据中获取一句对话；

4.2)根据停用词表去除对话中的停用词；

4.3)将对话输入句向量模型中，得到对话的句向量；

4.4)将对话及其句向量存储到对话列表中；

4.5)使用BiLSTM-CRF模型对对话列表进行对话分块；

4.6)根据4.5)得到的对话分块结果，若结果末端为一个对话块，则进入4.7)，否则跳转到4.1)；

4.7)将4.6)得到的对话块中的句子拼接起来，使用StarSpace模型进行意图分类；

4.8)根据意图分类结果，若意图分类结果置信度大于预设置置信度阈值C，则输出意图，否则该意图分类结果被过滤；

4.9)输出最佳意图，若存在未处理的对话数据，则跳转到4.1)，否则算法结束。