CN113312461A - 基于自然语言处理的智能问答方法、装置、设备及介质 - Google Patents
基于自然语言处理的智能问答方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113312461A CN113312461A CN202110570273.XA CN202110570273A CN113312461A CN 113312461 A CN113312461 A CN 113312461A CN 202110570273 A CN202110570273 A CN 202110570273A CN 113312461 A CN113312461 A CN 113312461A
- Authority
- CN
- China
- Prior art keywords
- question
- user
- knowledge
- information
- semantic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Abstract
本发明涉及智能决策技术领域,揭露了一种基于自然语言处理的智能问答方法,包括:获取用户问题,提取用户问题的语义信息;通过预训练的意图分析算法对语义信息进行分析,得到用户问题对应的意图信息,意图分析算法的训练数据包括在训练过程中获取的用户对训练结果的反馈信息;利用至少两种方式得到用户问题对应的至少两个查询结果,至少两种方式包括与意图信息对应的标准知识库和知识图谱;根据至少两个查询结果确定用户问题的标准问题答案。本发明还涉及区块链技术,意图分析算法可存储于区块链节点中。本发明还提出了一种基于自然语言处理的智能问答装置、设备及计算机可读存储介质。本发明可以提高问答过程中答复的准确率。
Description
技术领域
本发明涉及智能决策领域,尤其涉及一种基于基于自然语言处理的智能问答方法、装置、电子设备及计算机可读存储介质。
背景技术
随着互联网的大力发展,越来越多的事务都在网上进行,如网上购物、金融业务处理、政务处理、法律信息查询等。各个业务类型的公司为了辅助用户进行事务处理,提高用户体验,都纷纷推出了智能问答机器人。这些智能问答机器人能够进行问题咨询和信息宣导等业务,例如,法律机器人能够进行法律宣导、法律咨询。在问答的过程中,进行准确的答复能够及时为用户推送高质量的信息,有利于提高用户体验,然而现在有技术中的智能问答技术存在问答过程中答复的准确率不高的问题。
发明内容
本发明提供一种基于自然语言处理的智能问答方法、装置、电子设备及计算机可读存储介质,目的在于提高问答过程中答复的准确率。
为实现上述目的,本发明提供的一种基于自然语言处理的智能问答方法,包括:
获取用户问题,提取所述用户问题的语义信息;
通过预训练的意图分析算法对所述语义信息进行分析,得到所述用户问题对应的意图信息,所述意图分析算法的训练数据包括在训练过程中获取的用户对训练结果的反馈信息;
利用至少两种方式得到所述用户问题对应的至少两个查询结果,所述至少两种方式包括与所述意图信息对应的标准知识库和知识图谱;
根据所述至少两个查询结果确定所述用户问题的标准问题答案。
可选的,所述利用至少两种方式得到所述用户问题对应的至少两个查询结果,包括:
将所述用户问题与所述标准知识库中的信息进行语义匹配,得到第一查询结果;
将所述用户问题与所述知识图谱中的信息进行匹配,得到第二查询结果。
可选的,所述将所述用户问题与所述标准知识库中的信息进行语义匹配,得到第一查询结果,包括:
在所述标准知识库中查找与所述用户问题的目标关键词匹配的第一候选问题;
将所述用户问题转化为用户问题向量,以及将所述标准知识库中的标准问题转化为向量,得到知识向量集;
计算所述用户问题向量与所述知识向量集中多个向量的语义匹配度;
获取语义匹配度大于预设语义匹配度阈值的向量对应的第二候选问题;
分别计算所述用户问题与所述第一候选问题和所述第二候选问题的语义相似度,得到语义相似度大于预设相似度阈值的第三候选问题;
确定所述第三候选问题对应的问答结果为第一查询结果。
可选的,所述将所述用户问题与所述知识图谱中的信息进行匹配,得到第二查询结果,包括:
抽取所述用户问题的目标实体和目标关系;
根据所述目标实体和所述目标关系判断所述用户问题在所述知识图谱中对应的图谱实体;
判断所述图谱实体是否为所述知识图谱中的属性值;
若所述图谱实体是所述知识图谱中的属性值,则根据所述属性值在所述知识图谱中的关系获取答案,得到第二查询结果。
可选的,根据所述目标实体和所述目标关系判断所述用户问题在所述知识图谱中对应的图谱实体之后,所述方法还包括:
若所述图谱实体不是所述知识图谱中的属性值,则查询所述图谱实体的关联关系,根据所述关联关系生成关系问题;
将所述关系问题发送至所述用户问题的发送方;
获取所述发送方基于所述关系问题的回复信息;
根据所述回复信息匹配所述知识图谱中的其他目标实体关系,根据所述其他目标实体关系获取其他目标实体;
根据所述其他目标实体和所述其他目标实体关系判断所述用户问题在所述知识图谱中对应的图谱实体;
再次执行所述判断所述图谱实体是否为所述知识图谱中的属性值的操作。
可选的,所述得到知识向量集之后,所述方法还包括:
根据所述知识向量集构建向量树;
所述计算所述用户问题向量与所述知识向量集中多个向量的语义匹配度,包括:
计算所述用户问题向量与所述向量树中多个向量的语义匹配度。
可选的,所述利用至少两种方式得到所述用户问题对应的至少两个查询结果之前,所述方法还包括:
判断所述用户问题中是否存在省略词或指示代词;
若所述用户问题中存在省略词,在所述用户问题中补充省略词;或者
若所述用户问题中存在指示代词,识别所述指示代词的指代内容,利用所述指代内容替换所述指示代词。
为了解决上述问题,本发明还提供一种基于自然语言处理的智能问答装置,所述装置包括:
语义提取模块,用于获取用户问题,提取所述用户问题的语义信息;
语义分析模块,用于通过预训练的意图分析算法对所述语义信息进行分析,得到所述用户问题对应的意图信息,所述意图分析算法的训练数据包括在训练过程中获取的用户对训练结果的反馈信息;
答案查询模块,用于利用至少两种方式得到所述用户问题对应的至少两个查询结果,所述至少两种方式包括与所述意图信息对应的标准知识库和知识图谱;
结果确定模块,用于根据所述至少两个查询结果确定所述用户问题的标准问题答案。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的基于自然语言处理的智能问答方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现如上所述的基于自然语言处理的智能问答方法。
本发明实施例中,获取到用户问题之后,先提取用户问题的语义信息,再对语义信息进行意图分析,能够更准确的识别用户的目的,有利于准确的确定问题进而有利于准确获取答案,进一步的,通过于意图信息对应的标准知识库和知识图谱得到至少两个查询结果,将两个查询结果进行综合,确定用户问题的标准问题答案,避免了单一方式得不到问题答案或者答案不够准确的问题。因此,本发明实施例可以实现提高问答过程中答复的准确率目的。
附图说明
图1为本发明一实施例提供的一种基于自然语言处理的智能问答方法的流程示意图;
图2为本发明一实施例提供的一种基于自然语言处理的智能问答装置的模块示意图;
图3为本发明一实施例提供的实现一种基于自然语言处理的智能问答方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于自然语言处理的智能问答方法。所述一种基于自然语言处理的智能问答方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述一种基于自然语言处理的智能问答方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的一种基于自然语言处理的智能问答方法的流程示意图。在本实施例中,所述一种基于自然语言处理的智能问答方法包括:
S110、获取用户问题,提取所述用户问题的语义信息。
本实施例中,所述用户问题为存储在用户问题数据库的问题,或者是用户通过人机交互界面输入或选取的问题。
所述用户问题的类型可以为多种,例如,用户问题为与法律相关的问题。比如,用户问题为:“肖像权被侵犯怎么办”;或者,用户问题为:”什么是肖像权”。
本实施例中,提取用户问题的语义信息的方式可以为先对用户问题进行分词,再将分词的结果与预构建的语义关键词库进行匹配,确定匹配的分词为语义信息。
本发明一可选实施例中,可以通过预构建的基于语义的关键词提取算法获取用户问题的语义信息。其中,基于语义的关键词提取算法用于提取用户问题中的核心语义,即有实际表示含义的语义。
进一步的,在又一可选实施例中,所述提取所述用户问题的语义信息之前,所述方法还包括:
对所述用户问题进行预处理,所述预处理包括但不限于去噪音、繁体转简体、全角转半角、错别字识别及纠正等处理。
S120、通过预训练的意图分析算法对所述语义信息进行分析,得到所述用户问题对应的意图信息,所述意图分析算法的训练数据包括在训练过程中获取的用户对训练结果的反馈信息。
本实施例中,所述意图分析算法可以为贝叶斯(bayes)分类算法。
其他可选实施例中,意图分析算法也可以为其他分类算法,如逻辑回归算法、KNN算法等。
具体的,通过训练数据对预构建的意图分析算法进行训练,得到预训练的意图分析算法。其中,训练数据包含基础训练样本和增量训练样本,该基础训练样本包含预构建的多组信息对,每组信息对中包含语义信息及该语义信息对应的意图信息;该增量训练样本为通过基础训练样本的训练过程时,得到预测分析算法对基础训练样本的输出结果,获取用户对这些输出结果的反馈信息,将这些反馈信息作为增量训练样本(例如,增量训练样本中某组信息对为基础训练样本中的语义信息以及用户的反馈信息),继续对预构建的意图分析算法进行训练,其中,所述用户可以为训练模型的工作人员。
本实施例中,用户的反馈信息用于对训练结果进行纠正或确认,从而优化和丰富训练样本,进而得到更准确的意图分析算法。
由于中文的汉字博大精深,经常会出现一词多意和句子相同,但是意思并不同的现象。例如:李四借张三1000元,这句话有两层不同的含义,李四借了张三1000元,或者是李四借给了张三1000元,单独分析这句话的意图很难正确分析出,这无形中增加意图分析难度。因此,本实施例通过用户的反馈信息作为训练样本进行训练,可以提高对文本意图分析的准确性。
S130、利用至少两种方式得到所述用户问题对应的至少两个查询结果,所述至少两种方式包括与所述意图信息对应的标准知识库和知识图谱。
本实施例中,标准知识库和知识图谱为预构建的某个领域的问答信息。
例如,意图信息为法律相关的问题意图,则标准知识库为法律知识库,且知识图谱为根据法律领域的问答信息构建的法律知识图谱。具体的,该法律知识库中保存了大量法律领域的问答信息,包括民法、商法等法条、司法解释的问答以及针对不同法律案例、法律事实的问答;该法律知识图谱中以图谱形式存储了大量法律领域的问答信息,其中,问答对可以是由专业的法官归纳总结的常见的法律方面的问答,这些包括但不限于劳动合同、婚姻家庭、买卖合同、交通事故、民间借贷、舆情防控等方面的常见问答对。
进一步的,本发明一优选实施例中,所述利用至少两种方式得到所述用户问题对应的至少两个查询结果,包括:
将所述用户问题与所述标准知识库中的信息进行语义匹配,得到第一查询结果;
将所述用户问题与所述知识图谱中的信息进行匹配,得到第二查询结果。
本实施例中,可以通过预训练的深度语义匹配模型将用户问题分别与意图信息对应的标准知识库中的信息进行语义匹配,得到匹配概率大于预设阈值的目标问题,获取目标问题对应的标准回答为第一查询结果,预设阈值可以为预设的,第一查询结果可以包含多个目标问题对应的多个标准回答,以及每个标准回答对应的匹配概率。
当标准知识库中不存在匹配率大于预设阈值的目标问题时,确定第一查询结果为空。
进一步的,所述将所述用户问题与所述标准知识库中的信息进行语义匹配,得到第一查询结果,包括:
在所述标准知识库中查找与所述用户问题的目标关键词匹配的第一候选问题;
将所述用户问题转化为用户问题向量,以及将所述标准知识库中的标准问题转化为向量,得到知识向量集;
计算所述用户问题向量与所述知识向量集中多个向量的语义匹配度;
获取语义匹配度大于预设语义匹配度阈值的向量对应的第二候选问题;
分别计算所述用户问题与所述第一候选问题和所述第二候选问题的语义相似度,得到语义相似度大于预设相似度阈值的第三候选问题;
确定所述第三候选问题对应的问答结果为第一查询结果。
本实施例中,可以对标准知识库构建索引,通过构建的索引在标准知识库中查找与用户问题的目标关键词匹配的第一候选问题。
由于索引包括存储在知识库的不同位置的数据的关键词,以及这些关键词的指针,因此通过构建索引,可以快速地进行数据查找。
本实施例中,第一候选问题、第二候选问题的数量都可以为多个。
本实施例中,通过多次语义计算以及查找和比对,可以得到更准确的查询结果。
所述分别计算所述用户问题与所述第一候选问题和所述第二候选问题的语义相似度,包括:
通过排序算法分别计算所述用户问题与所述第一候选问题和所述第二候选问题的语义相似度。
具体的,排序算法可以为learn to rank算法。
优选的,所述预设相似度阈值为0.923。
本发明一优选实施例中,所述计算所述用户问题向量与所述知识向量集中多个向量的语义匹配度,包括:
通过BERT算法计算所述用户问题向量与所述知识向量集中多个向量的语义匹配度。
进一步的,本发明又一优选实施例中,所述得到知识向量集之后,所述方法还包括:
根据所述知识向量集构建向量树;
所述计算所述用户问题向量与所述知识向量集中多个向量的语义匹配度,包括:
计算所述用户问题向量与所述向量树中多个向量的语义匹配度。
例如,所述向量树为SimNet向量树。
本实施例中,通过构建向量树,可以提高语义匹配的速度,更快速地得到与用户问题向量匹配的向量。
进一步的,所述将所述用户问题与所述知识图谱中的信息进行匹配,得到第二查询结果,包括:
抽取所述用户问题的目标实体和目标关系;
根据所述目标实体和所述目标关系判断所述用户问题在所述知识图谱中对应的图谱实体;
判断所述图谱实体是否为所述知识图谱中的属性值;
若所述图谱实体是所述知识图谱中的属性值,则根据所述属性值在所述知识图谱中的关系获取答案,得到第二查询结果。
具体的,知识图谱中以三元组的形式表示数据,例如(实体,实体关系,实体)。
在知识图谱中,以实体表示节点,以实体关系表示节点之间的边。实体关系分为两种,一种是属性,一种是关系。例如,若实体关系为属性(属性表示实体固有的特性),则该三元组表示,实体的某个属性是什么,若实体关系为关系,则表示两个实体之间的关系是什么。
本实施例中,知识图谱可以为预先构建的,具体可以意图信息对应的知识图谱。例如,知识图谱为法律知识图谱。则可以通过抽取算法从每种法律类型的问答信息中抽取实体、关系、属性和属性值,并根据抽取的实体、关系、属性和属性值构建图谱,进而获取从法官数据库获取的数据模型(即schema)对构建的图谱进行验证和优化,提高构架的知识图谱的准确性和完整性。
本实施例中,构建的知识图谱中一个关系可以只映射一个实体。
具体实施时,可以通过RelSUE算法或RelSUE-e算法根据目标实体和目标关系在知识图谱中进行查找,进而确定用户问题在实体图谱中对应的图谱实体。
进一步的,所述根据所述目标实体和所述目标关系判断所述用户问题在所述知识图谱中对应的图谱实体之后,所述方法还包括:
若所述图谱实体不是所述知识图谱中的属性值,则查询所述图谱实体的关联关系,根据所述关联关系生成关系问题;
将所述关系问题发送至所述用户问题的发送方;
获取所述发送方基于所述关系问题的回复信息;
根据所述回复信息匹配所述知识图谱中的其他目标实体关系,根据所述其他目标实体关系获取其他目标实体;
根据所述其他目标实体和所述其他目标实体关系判断所述用户问题在所述知识图谱中对应的图谱实体;
再次执行所述判断所述图谱实体是否为所述知识图谱中的属性值的操作。
本实施例中,在基于图谱进行问答时,没有获取到匹配的答案时,基于多次轮询获取用户反馈,可以更准确地获取答案。
可选的,当与意图信息对应的知识图谱的数量为多个时,每个知识图谱的类型各不相同,则确定所述用户问题对应的知识图谱类型;根据所述知识图谱类型从多个所述知识图谱中获取目标知识图谱;将所述用户问题与所述目标知识图谱中的信息进行匹配。
例如,根据法律类型分类,存在民法、刑罚、行政法、商法等不同类别的知识图谱。
在确定用户问题对应的知识图谱类型时,可以根据分类算法进行确定。
在起初冷启动时,先用rule+pattern的方式(即根据规则匹配的方式)根据问题匹配图谱类型,在运行一段时间之后,获取大量的用户问题和通过rule+pattern的方式得到的图谱类型,获取用户对该图谱类型的反馈,积累图谱类别的训练语料,当语料积累到一定数量时,采用用bert+LR算法训练分类模型,进而通过该分类算法确定用户问题对应的知识图谱类型。
类似地,在根据回复信息匹配知识图谱中的实体关系时,在起初冷启动时,先用rule+pattern的方式(即根据规则匹配的方式)根据回复信息匹配实体关系,在运行一段时间之后,获取大量的回复信息和通过rule+pattern的方式得到的实体关系,获取用户对该实体关系的反馈,积累实体关系的训练语料,当语料积累到一定数量时,采用用bert+LR算法训练分类模型,进而通过该分类算法确定回复信息对应的实体关系。本实施例中,当获取到用户问题对应的问答结果时,查询结果为该问答结果,当未获取到用户问题对应的问答结果时,则查询结果未空值,如查询结果为null。
其他实施例中,除了通过标准知识库和知识图谱以外,还可以通过深度学习模型学习识别用户问题对应的目标问题,进而获取目标问题的答案,得到其他查询结果。
进一步的,所述利用至少两种方式得到所述用户问题对应的至少两个查询结果之前,所述方法还包括:
判断所述用户问题中是否存在省略词或指示代词;
若所述用户问题中存在省略词,在所述用户问题中补充省略词;或者
若所述用户问题中存在指示代词,识别所述指示代词的指代内容,利用所述指代内容替换所述指示代词。
本实施例中,判断用户问题是否存在省略词包括判断用户问题是否存在主语省略或宾语省略,当存在省略时,进行省略词补充。
本实施例中,可以通过获取指示代词的先行词确定指代词。具体的,若先行词为多个,将多个先行词替换指示代词,判断替换后的句子为正确句子的概率,根据概率排序,获取排序第一的句子中所使用的先行词,确定该先行词为指示代词的指代内容。
本实施例中,通过进行语义补全,使语义更加丰富完整,可以有利于准确地进行问题查找和答案查找。
进一步的,在本发明一可选实施例中,所述利用至少两种方式得到所述用户问题对应的至少两个查询结果之前,所述方法还包括:
判断所述用户问题之前是否存在话题;
若存在话题,判断所述话题与所述用户问题的关联度;
若所述话题与所述用户问题的关联度大于预设关联度,则确定所述话题中的信息为所述用户问题的辅助信息添加至所述用户问题中。
若所述话题与所述用户问题的关联度小于所述预设关联度,将所述用户问题标记为与所述话题不同的话题标记。
本实施例,当话题可以是获取到用户问题之前检测到用户输入信息,通过判断用户是否属于某个话题可以在问答过程中进行更好的话题管理,并且将话题中的信息作为用户问题的辅助信息能够丰富用户问题的内容,有利于提高答案查找的准确性。
具体的,可以提取话题中的关键词为用户问题的辅助信息添加至用户问题中。
S140、根据所述至少两个查询结果确定所述用户问题的标准问题答案。
具体的,可以根据得到查询结果的方式来确定选取那种查询结果作为用户问题的标准答案。
例如,当利用标准知识库得到查询结果且利用知识图谱也得到查询结果时,以利用标准知识库得到的结果为标准问题答案。
又比如,当利用标准知识库得到的查询结果为通过排序算法得到的多个问题答案时,选取排序最前的问题答案为标准问题答案。
又比如,当利用标准知识库得到的查询结果为空值,但利用知识图谱得到查询结果时,以知识图谱得到的查询结果为标准问题答案。
进一步的,在本发明一可选实施例中,向所述用户问题的发送方发送所述标准问题答案。
本发明实施例中,获取到用户问题之后,先提取用户问题的语义信息,再对语义信息进行意图分析,能够更准确的识别用户的目的,有利于准确的确定问题进而有利于准确获取答案,进一步的,通过于意图信息对应的标准知识库和知识图谱得到至少两个查询结果,将两个查询结果进行综合,确定用户问题的标准问题答案,避免了单一方式得不到问题答案或者答案不够准确的问题。因此,本发明实施例可以实现提高问答过程中答复的准确率目的。
如图2所示,是本发明一种基于自然语言处理的智能问答装置的模块示意图。
本发明所述一种基于自然语言处理的智能问答装置200可以安装于电子设备中。根据实现的功能,所述一种基于自然语言处理的智能问答装置可以包括语义提取模块201、语义分析模块202、答案查询模块203和结果确定模块203。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
语义提取模块201,用于获取用户问题,提取所述用户问题的语义信息。
本实施例中,所述用户问题为存储在用户问题数据库的问题,或者是用户通过人机交互界面输入或选取的问题。
所述用户问题的类型可以为多种,例如,用户问题为与法律相关的问题。比如,用户问题为:“肖像权被侵犯怎么办”;或者,用户问题为:”什么是肖像权”。
本实施例中,提取用户问题的语义信息的方式可以为先对用户问题进行分词,再将分词的结果与预构建的语义关键词库进行匹配,确定匹配的分词为语义信息。
本发明一可选实施例中,可以通过预构建的基于语义的关键词提取算法获取用户问题的语义信息。其中,基于语义的关键词提取算法用于提取用户问题中的核心语义,即有实际表示含义的语义。
进一步的,在又一可选实施例中,所述提取所述用户问题的语义信息之前,还可以对所述用户问题进行预处理,所述预处理包括但不限于去噪音、繁体转简体、全角转半角、错别字识别及纠正等处理。
语义分析模块202,用于通过预训练的意图分析算法对所述语义信息进行分析,得到所述用户问题对应的意图信息,所述意图分析算法的训练数据包括在训练过程中获取的用户对训练结果的反馈信息。
本实施例中,所述意图分析算法可以为贝叶斯(bayes)分类算法。
其他可选实施例中,意图分析算法也可以为其他分类算法,如逻辑回归算法、KNN算法等。
具体的,通过训练数据对预构建的意图分析算法进行训练,得到预训练的意图分析算法。其中,训练数据包含基础训练样本和增量训练样本,该基础训练样本包含预构建的多组信息对,每组信息对中包含语义信息及该语义信息对应的意图信息;该增量训练样本为通过基础训练样本的训练过程时,得到预测分析算法对基础训练样本的输出结果,获取用户对这些输出结果的反馈信息,将这些反馈信息作为增量训练样本(例如,增量训练样本中某组信息对为基础训练样本中的语义信息以及用户的反馈信息),继续对预构建的意图分析算法进行训练,其中,所述用户可以为训练模型的工作人员。
本实施例中,用户的反馈信息用于对训练结果进行纠正或确认,从而优化和丰富训练样本,进而得到更准确的意图分析算法。
由于中文的汉字博大精深,经常会出现一词多意和句子相同,但是意思并不同的现象。例如:李四借张三1000元,这句话有两层不同的含义,李四借了张三1000元,或者是李四借给了张三1000元,单独分析这句话的意图很难正确分析出,这无形中增加意图分析难度。因此,本实施例通过用户的反馈信息作为训练样本进行训练,可以提高对文本意图分析的准确性。
答案查询模块203,用于利用至少两种方式得到所述用户问题对应的至少两个查询结果,所述至少两种方式包括与所述意图信息对应的标准知识库和知识图谱。
本实施例中,标准知识库和知识图谱为预构建的某个领域的问答信息。
例如,意图信息为法律相关的问题意图,则标准知识库为法律知识库,且知识图谱为根据法律领域的问答信息构建的法律知识图谱。具体的,该法律知识库中保存了大量法律领域的问答信息,包括民法、商法等法条、司法解释的问答以及针对不同法律案例、法律事实的问答;该法律知识图谱中以图谱形式存储了大量法律领域的问答信息,其中,问答对可以是由专业的法官归纳总结的常见的法律方面的问答,这些包括但不限于劳动合同、婚姻家庭、买卖合同、交通事故、民间借贷、舆情防控等方面的常见问答对。
进一步的,本发明一优选实施例中,答案查询模块203包括:第一查询单元,用于将所述用户问题与所述标准知识库中的信息进行语义匹配,得到第一查询结果;
第二查询单元,用于将所述用户问题与所述知识图谱中的信息进行匹配,得到第二查询结果。
本实施例中,可以通过预训练的深度语义匹配模型将用户问题分别与意图信息对应的标准知识库中的信息进行语义匹配,得到匹配概率大于预设阈值的目标问题,获取目标问题对应的标准回答为第一查询结果,预设阈值可以为预设的,第一查询结果可以包含多个目标问题对应的多个标准回答,以及每个标准回答对应的匹配概率。
当标准知识库中不存在匹配率大于预设阈值的目标问题时,确定第一查询结果为空。
进一步的,所述第一查询单元具体用于:
在所述标准知识库中查找与所述用户问题的目标关键词匹配的第一候选问题;
将所述用户问题转化为用户问题向量,以及将所述标准知识库中的标准问题转化为向量,得到知识向量集;
计算所述用户问题向量与所述知识向量集中多个向量的语义匹配度;
获取语义匹配度大于预设语义匹配度阈值的向量对应的第二候选问题;
分别计算所述用户问题与所述第一候选问题和所述第二候选问题的语义相似度,得到语义相似度大于预设相似度阈值的第三候选问题;
确定所述第三候选问题对应的问答结果为第一查询结果。
本实施例中,可以对标准知识库构建索引,通过构建的索引在标准知识库中查找与用户问题的目标关键词匹配的第一候选问题。
由于索引包括存储在知识库的不同位置的数据的关键词,以及这些关键词的指针,因此通过构建索引,可以快速地进行数据查找。
本实施例中,第一候选问题、第二候选问题的数量都可以为多个。
本实施例中,通过多次语义计算以及查找和比对,可以得到更准确的查询结果。
所述分别计算所述用户问题与所述第一候选问题和所述第二候选问题的语义相似度,包括:
通过排序算法分别计算所述用户问题与所述第一候选问题和所述第二候选问题的语义相似度。
具体的,排序算法可以为learn to rank算法。
优选的,所述预设相似度阈值为0.923。本发明一优选实施例中,所述计算所述用户问题向量与所述知识向量集中多个向量的语义匹配度,包括:
通过BERT算法计算所述用户问题向量与所述知识向量集中多个向量的语义匹配度。
进一步的,本发明又一优选实施例中,所述第一查询单元还具体用于:得到知识向量集之后,根据所述知识向量集构建向量树;所述计算所述用户问题向量与所述知识向量集中多个向量的语义匹配度,包括:
计算所述用户问题向量与所述向量树中多个向量的语义匹配度。
例如,所述向量树为SimNet向量树。
本实施例中,通过构建向量树,可以提高语义匹配的速度,更快速地得到与用户问题向量匹配的向量。
进一步的,所述第二查询单元具体用于:
抽取所述用户问题的目标实体和目标关系;
根据所述目标实体和所述目标关系判断所述用户问题在所述知识图谱中对应的图谱实体;
判断所述图谱实体是否为所述知识图谱中的属性值;
若所述图谱实体是所述知识图谱中的属性值,则根据所述属性值在所述知识图谱中的关系获取答案,得到第二查询结果。
具体的,知识图谱中以三元组的形式表示数据,例如(实体,实体关系,实体)。
在知识图谱中,以实体表示节点,以实体关系表示节点之间的边。实体关系分为两种,一种是属性,一种是关系。例如,若实体关系为属性(属性表示实体固有的特性),则该三元组表示,实体的某个属性是什么,若实体关系为关系,则表示两个实体之间的关系是什么。
本实施例中,知识图谱可以为预先构建的,具体可以意图信息对应的知识图谱。例如,知识图谱为法律知识图谱。则可以通过抽取算法从每种法律类型的问答信息中抽取实体、关系、属性和属性值,并根据抽取的实体、关系、属性和属性值构建图谱,进而获取从法官数据库获取的数据模型(即schema)对构建的图谱进行验证和优化,提高构架的知识图谱的准确性和完整性。
本实施例中,构建的知识图谱中一个关系可以只映射一个实体。
具体实施时,可以通过RelSUE算法或RelSUE-e算法根据目标实体和目标关系在知识图谱中进行查找,进而确定用户问题在实体图谱中对应的图谱实体。
进一步的,所述第二查询单元还具体用于:
根据所述目标实体和所述目标关系判断所述用户问题在所述知识图谱中对应的图谱实体之后,若所述图谱实体不是所述知识图谱中的属性值,则查询所述图谱实体的关联关系,根据所述关联关系生成关系问题;
将所述关系问题发送至所述用户问题的发送方;
获取所述发送方基于所述关系问题的回复信息;
根据所述回复信息匹配所述知识图谱中的其他目标实体关系,根据所述其他目标实体关系获取其他目标实体;
根据所述其他目标实体和所述其他目标实体关系判断所述用户问题在所述知识图谱中对应的图谱实体;
再次执行所述判断所述图谱实体是否为所述知识图谱中的属性值的操作。
本实施例中,在基于图谱进行问答时,没有获取到匹配的答案时,基于多次轮询获取用户反馈,可以更准确地获取答案。
可选的,当与意图信息对应的知识图谱的数量为多个时,每个知识图谱的类型各不相同,则确定所述用户问题对应的知识图谱类型;根据所述知识图谱类型从多个所述知识图谱中获取目标知识图谱;将所述用户问题与所述目标知识图谱中的信息进行匹配。
例如,根据法律类型分类,存在民法、刑罚、行政法、商法等不同类别的知识图谱。
在确定用户问题对应的知识图谱类型时,可以根据分类算法进行确定。
在起初冷启动时,先用rule+pattern的方式(即根据规则匹配的方式)根据问题匹配图谱类型,在运行一段时间之后,获取大量的用户问题和通过rule+pattern的方式得到的图谱类型,获取用户对该图谱类型的反馈,积累图谱类别的训练语料,当语料积累到一定数量时,采用用bert+LR算法训练分类模型,进而通过该分类算法确定用户问题对应的知识图谱类型。
类似地,在根据回复信息匹配知识图谱中的实体关系时,在起初冷启动时,先用rule+pattern的方式(即根据规则匹配的方式)根据回复信息匹配实体关系,在运行一段时间之后,获取大量的回复信息和通过rule+pattern的方式得到的实体关系,获取用户对该实体关系的反馈,积累实体关系的训练语料,当语料积累到一定数量时,采用用bert+LR算法训练分类模型,进而通过该分类算法确定回复信息对应的实体关系。本实施例中,当获取到用户问题对应的问答结果时,查询结果为该问答结果,当未获取到用户问题对应的问答结果时,则查询结果未空值,如查询结果为null。
其他实施例中,除了通过标准知识库和知识图谱以外,还可以通过深度学习模型学习识别用户问题对应的目标问题,进而获取目标问题的答案,得到其他查询结果。
进一步的,所述装置还包括语义补全模块,所述语义补全模块用于:
利用至少两种方式得到所述用户问题对应的至少两个查询结果之前,判断所述用户问题中是否存在省略词或指示代词;
若所述用户问题中存在省略词,在所述用户问题中补充省略词;或者
若所述用户问题中存在指示代词,识别所述指示代词的指代内容,利用所述指代内容替换所述指示代词。
本实施例中,判断用户问题是否存在省略词包括判断用户问题是否存在主语省略或宾语省略,当存在省略时,进行省略词补充。
本实施例中,可以通过获取指示代词的先行词确定指代词。具体的,若先行词为多个,将多个先行词替换指示代词,判断替换后的句子为正确句子的概率,根据概率排序,获取排序第一的句子中所使用的先行词,确定该先行词为指示代词的指代内容。
本实施例中,通过进行语义补全,使语义更加丰富完整,可以有利于准确地进行问题查找和答案查找。
进一步的,在本发明一可选实施例中,所述装置还包括话题识别模块,所述话题识别模块用于:
利用至少两种方式得到所述用户问题对应的至少两个查询结果之前,判断所述用户问题之前是否存在话题;
若存在话题,判断所述话题与所述用户问题的关联度;
若所述话题与所述用户问题的关联度大于预设关联度,则确定所述话题中的信息为所述用户问题的辅助信息添加至所述用户问题中。
若所述话题与所述用户问题的关联度小于所述预设关联度,将所述用户问题标记为与所述话题不同的话题标记。
本实施例,当话题可以是获取到用户问题之前检测到用户输入信息,通过判断用户是否属于某个话题可以在问答过程中进行更好的话题管理,并且将话题中的信息作为用户问题的辅助信息能够丰富用户问题的内容,有利于提高答案查找的准确性。
具体的,可以提取话题中的关键词为用户问题的辅助信息添加至用户问题中。
结果确定模块204,用于根据所述至少两个查询结果确定所述用户问题的标准问题答案。
具体的,可以根据得到查询结果的方式来确定选取那种查询结果作为用户问题的标准答案。
例如,当利用标准知识库得到查询结果且利用知识图谱也得到查询结果时,以利用标准知识库得到的结果为标准问题答案。
又比如,当利用标准知识库得到的查询结果为通过排序算法得到的多个问题答案时,选取排序最前的问题答案为标准问题答案。
又比如,当利用标准知识库得到的查询结果为空值,但利用知识图谱得到查询结果时,以知识图谱得到的查询结果为标准问题答案。
进一步的,在本发明一可选实施例中,向所述用户问题的发送方发送所述标准问题答案。
本发明实施例中,获取到用户问题之后,先提取用户问题的语义信息,再对语义信息进行意图分析,能够更准确的识别用户的目的,有利于准确的确定问题进而有利于准确获取答案,进一步的,通过于意图信息对应的标准知识库和知识图谱得到至少两个查询结果,将两个查询结果进行综合,确定用户问题的标准问题答案,避免了单一方式得不到问题答案或者答案不够准确的问题。因此,本发明实施例可以实现提高问答过程中答复的准确率目的。
如图3所示,是本发明实现一种基于自然语言处理的智能问答方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如一种基于自然语言处理的智能问答程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如一种基于自然语言处理的智能问答程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行一种基于自然语言处理的智能问答程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的一种基于自然语言处理的智能问答程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取用户问题,提取所述用户问题的语义信息;
通过预训练的意图分析算法对所述语义信息进行分析,得到所述用户问题对应的意图信息,所述意图分析算法的训练数据包括在训练过程中获取的用户对训练结果的反馈信息;
利用至少两种方式得到所述用户问题对应的至少两个查询结果,所述至少两种方式包括与所述意图信息对应的标准知识库和知识图谱;
根据所述至少两个查询结果确定所述用户问题的标准问题答案。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取用户问题,提取所述用户问题的语义信息;
通过预训练的意图分析算法对所述语义信息进行分析,得到所述用户问题对应的意图信息,所述意图分析算法的训练数据包括在训练过程中获取的用户对训练结果的反馈信息;
利用至少两种方式得到所述用户问题对应的至少两个查询结果,所述至少两种方式包括与所述意图信息对应的标准知识库和知识图谱;
根据所述至少两个查询结果确定所述用户问题的标准问题答案。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于自然语言处理的智能问答方法,其特征在于,所述方法包括:
获取用户问题,提取所述用户问题的语义信息;
通过预训练的意图分析算法对所述语义信息进行分析,得到所述用户问题对应的意图信息,所述意图分析算法的训练数据包括在训练过程中获取的用户对训练结果的反馈信息;
利用至少两种方式得到所述用户问题对应的至少两个查询结果,所述至少两种方式包括与所述意图信息对应的标准知识库和知识图谱;
根据所述至少两个查询结果确定所述用户问题的标准问题答案。
2.如权利要求1所述的基于自然语言处理的智能问答方法,其特征在于,所述利用至少两种方式得到所述用户问题对应的至少两个查询结果,包括:
将所述用户问题与所述标准知识库中的信息进行语义匹配,得到第一查询结果;
将所述用户问题与所述知识图谱中的信息进行匹配,得到第二查询结果。
3.如权利要求2所述的基于自然语言处理的智能问答方法,其特征在于,所述将所述用户问题与所述标准知识库中的信息进行语义匹配,得到第一查询结果,包括:
在所述标准知识库中查找与所述用户问题的目标关键词匹配的第一候选问题;
将所述用户问题转化为用户问题向量,以及将所述标准知识库中的标准问题转化为向量,得到知识向量集;
计算所述用户问题向量与所述知识向量集中多个向量的语义匹配度;
获取语义匹配度大于预设语义匹配度阈值的向量对应的第二候选问题;
分别计算所述用户问题与所述第一候选问题和所述第二候选问题的语义相似度,得到语义相似度大于预设相似度阈值的第三候选问题;
确定所述第三候选问题对应的问答结果为第一查询结果。
4.如权利要求2所述的基于自然语言处理的智能问答方法,其特征在于,所述将所述用户问题与所述知识图谱中的信息进行匹配,得到第二查询结果,包括:
抽取所述用户问题的目标实体和目标关系;
根据所述目标实体和所述目标关系判断所述用户问题在所述知识图谱中对应的图谱实体;
判断所述图谱实体是否为所述知识图谱中的属性值;
若所述图谱实体是所述知识图谱中的属性值,则根据所述属性值在所述知识图谱中的关系获取答案,得到第二查询结果。
5.如权利要求4所述的基于自然语言处理的智能问答方法,其特征在于,根据所述目标实体和所述目标关系判断所述用户问题在所述知识图谱中对应的图谱实体之后,所述方法还包括:
若所述图谱实体不是所述知识图谱中的属性值,则查询所述图谱实体的关联关系,根据所述关联关系生成关系问题;
将所述关系问题发送至所述用户问题的发送方;
获取所述发送方基于所述关系问题的回复信息;
根据所述回复信息匹配所述知识图谱中的其他目标实体关系,根据所述其他目标实体关系获取其他目标实体;
根据所述其他目标实体和所述其他目标实体关系判断所述用户问题在所述知识图谱中对应的图谱实体;
再次执行所述判断所述图谱实体是否为所述知识图谱中的属性值的操作。
6.如权利要求3所述的基于自然语言处理的智能问答方法,其特征在于,所述得到知识向量集之后,所述方法还包括:
根据所述知识向量集构建向量树;
所述计算所述用户问题向量与所述知识向量集中多个向量的语义匹配度,包括:
计算所述用户问题向量与所述向量树中多个向量的语义匹配度。
7.如权利要求1至6中任一项所述的基于自然语言处理的智能问答方法,其特征在于,所述利用至少两种方式得到所述用户问题对应的至少两个查询结果之前,所述方法还包括:
判断所述用户问题中是否存在省略词或指示代词;
若所述用户问题中存在省略词,在所述用户问题中补充省略词;或者
若所述用户问题中存在指示代词,识别所述指示代词的指代内容,利用所述指代内容替换所述指示代词。
8.一种基于自然语言处理的智能问答装置,其特征在于,所述装置包括:
语义提取模块,用于获取用户问题,提取所述用户问题的语义信息;
语义分析模块,用于通过预训练的意图分析算法对所述语义信息进行分析,得到所述用户问题对应的意图信息,所述意图分析算法的训练数据包括在训练过程中获取的用户对训练结果的反馈信息;
答案查询模块,用于利用至少两种方式得到所述用户问题对应的至少两个查询结果,所述至少两种方式包括与所述意图信息对应的标准知识库和知识图谱;
结果确定模块,用于根据所述至少两个查询结果确定所述用户问题的标准问题答案。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的基于自然语言处理的智能问答方法。
10.一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于自然语言处理的智能问答方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110570273.XA CN113312461A (zh) | 2021-05-25 | 2021-05-25 | 基于自然语言处理的智能问答方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110570273.XA CN113312461A (zh) | 2021-05-25 | 2021-05-25 | 基于自然语言处理的智能问答方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113312461A true CN113312461A (zh) | 2021-08-27 |
Family
ID=77374494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110570273.XA Pending CN113312461A (zh) | 2021-05-25 | 2021-05-25 | 基于自然语言处理的智能问答方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113312461A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113806508A (zh) * | 2021-09-17 | 2021-12-17 | 平安普惠企业管理有限公司 | 基于人工智能的多轮对话方法、装置及存储介质 |
CN113918704A (zh) * | 2021-10-28 | 2022-01-11 | 平安普惠企业管理有限公司 | 基于机器学习的问答方法、装置、电子设备及介质 |
CN114077194A (zh) * | 2021-10-25 | 2022-02-22 | 海南大学 | 面向不完整、不精确、动态优化决策目标的dikw资源构建与处理系统 |
CN114416953A (zh) * | 2022-01-20 | 2022-04-29 | 北京百度网讯科技有限公司 | 问答处理方法、问答模型的训练方法和装置 |
CN115982391A (zh) * | 2023-03-17 | 2023-04-18 | 恒生电子股份有限公司 | 信息处理方法及装置 |
CN116662522A (zh) * | 2023-07-28 | 2023-08-29 | 阿里巴巴达摩院(杭州)科技有限公司 | 问题答案推荐方法、存储介质和电子设备 |
CN116976821A (zh) * | 2023-08-03 | 2023-10-31 | 广东企企通科技有限公司 | 企业问题反馈信息处理方法、装置、设备及介质 |
CN117009492A (zh) * | 2023-09-28 | 2023-11-07 | 之江实验室 | 基于本地知识库与自然语言大模型的图查询方法与系统 |
WO2023246093A1 (zh) * | 2022-06-24 | 2023-12-28 | 重庆长安汽车股份有限公司 | 一种常见问题解答方法、系统、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059173A (zh) * | 2019-04-19 | 2019-07-26 | 辽宁工程技术大学 | 一种基于知识图谱的智能厨房问答助手系统 |
CN110659366A (zh) * | 2019-09-24 | 2020-01-07 | Oppo广东移动通信有限公司 | 语义解析方法、装置、电子设备以及存储介质 |
CN111125309A (zh) * | 2019-12-23 | 2020-05-08 | 中电云脑(天津)科技有限公司 | 自然语言处理方法、装置及计算设备、存储介质 |
CN112115242A (zh) * | 2020-08-01 | 2020-12-22 | 国网河北省电力有限公司信息通信分公司 | 一种基于朴素贝叶斯分类算法的智能客服问答系统 |
-
2021
- 2021-05-25 CN CN202110570273.XA patent/CN113312461A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059173A (zh) * | 2019-04-19 | 2019-07-26 | 辽宁工程技术大学 | 一种基于知识图谱的智能厨房问答助手系统 |
CN110659366A (zh) * | 2019-09-24 | 2020-01-07 | Oppo广东移动通信有限公司 | 语义解析方法、装置、电子设备以及存储介质 |
CN111125309A (zh) * | 2019-12-23 | 2020-05-08 | 中电云脑(天津)科技有限公司 | 自然语言处理方法、装置及计算设备、存储介质 |
CN112115242A (zh) * | 2020-08-01 | 2020-12-22 | 国网河北省电力有限公司信息通信分公司 | 一种基于朴素贝叶斯分类算法的智能客服问答系统 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113806508A (zh) * | 2021-09-17 | 2021-12-17 | 平安普惠企业管理有限公司 | 基于人工智能的多轮对话方法、装置及存储介质 |
CN114077194A (zh) * | 2021-10-25 | 2022-02-22 | 海南大学 | 面向不完整、不精确、动态优化决策目标的dikw资源构建与处理系统 |
CN113918704A (zh) * | 2021-10-28 | 2022-01-11 | 平安普惠企业管理有限公司 | 基于机器学习的问答方法、装置、电子设备及介质 |
CN114416953A (zh) * | 2022-01-20 | 2022-04-29 | 北京百度网讯科技有限公司 | 问答处理方法、问答模型的训练方法和装置 |
CN114416953B (zh) * | 2022-01-20 | 2023-10-31 | 北京百度网讯科技有限公司 | 问答处理方法、问答模型的训练方法和装置 |
WO2023246093A1 (zh) * | 2022-06-24 | 2023-12-28 | 重庆长安汽车股份有限公司 | 一种常见问题解答方法、系统、设备和介质 |
CN115982391A (zh) * | 2023-03-17 | 2023-04-18 | 恒生电子股份有限公司 | 信息处理方法及装置 |
CN115982391B (zh) * | 2023-03-17 | 2023-07-25 | 恒生电子股份有限公司 | 信息处理方法及装置 |
CN116662522A (zh) * | 2023-07-28 | 2023-08-29 | 阿里巴巴达摩院(杭州)科技有限公司 | 问题答案推荐方法、存储介质和电子设备 |
CN116662522B (zh) * | 2023-07-28 | 2023-12-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 问题答案推荐方法、存储介质和电子设备 |
CN116976821A (zh) * | 2023-08-03 | 2023-10-31 | 广东企企通科技有限公司 | 企业问题反馈信息处理方法、装置、设备及介质 |
CN116976821B (zh) * | 2023-08-03 | 2024-02-13 | 广东企企通科技有限公司 | 企业问题反馈信息处理方法、装置、设备及介质 |
CN117009492A (zh) * | 2023-09-28 | 2023-11-07 | 之江实验室 | 基于本地知识库与自然语言大模型的图查询方法与系统 |
CN117009492B (zh) * | 2023-09-28 | 2024-01-09 | 之江实验室 | 基于本地知识库与自然语言大模型的图查询方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113312461A (zh) | 基于自然语言处理的智能问答方法、装置、设备及介质 | |
CN110929125B (zh) | 搜索召回方法、装置、设备及其存储介质 | |
CN116795973B (zh) | 基于人工智能的文本处理方法及装置、电子设备、介质 | |
CN113033198B (zh) | 相似文本推送方法、装置、电子设备及计算机存储介质 | |
CN111078837A (zh) | 智能问答信息处理方法、电子设备及计算机可读存储介质 | |
CN112906377A (zh) | 基于实体限制的问答方法、装置、电子设备及存储介质 | |
CN113051356A (zh) | 开放关系抽取方法、装置、电子设备及存储介质 | |
CN113268615A (zh) | 资源标签生成方法、装置、电子设备及存储介质 | |
CN113821622A (zh) | 基于人工智能的答案检索方法、装置、电子设备及介质 | |
CN113887941A (zh) | 业务流程生成方法、装置、电子设备及介质 | |
CN112559709A (zh) | 基于知识图谱的问答方法、装置、终端以及存储介质 | |
CN114416939A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN113111159A (zh) | 问答记录生成方法、装置、电子设备及存储介质 | |
CN116402166B (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
CN113254814A (zh) | 网络课程视频打标签方法、装置、电子设备及介质 | |
CN112579781A (zh) | 文本归类方法、装置、电子设备及介质 | |
CN116628162A (zh) | 语义问答方法、装置、设备及存储介质 | |
CN112328752B (zh) | 基于搜索内容的课程推荐方法、装置、计算机设备及介质 | |
CN115099680A (zh) | 风险管理方法、装置、设备及存储介质 | |
CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
CN114610854A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
CN115098534A (zh) | 基于索引权重提升的数据查询方法、装置、设备及介质 | |
CN114385815A (zh) | 基于业务需求的新闻筛选方法、装置、设备及存储介质 | |
CN110941709B (zh) | 信息筛选方法、装置、电子设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |