CN105159996A - 基于人工智能的深度问答服务提供方法和装置 - Google Patents
基于人工智能的深度问答服务提供方法和装置 Download PDFInfo
- Publication number
- CN105159996A CN105159996A CN201510564826.5A CN201510564826A CN105159996A CN 105159996 A CN105159996 A CN 105159996A CN 201510564826 A CN201510564826 A CN 201510564826A CN 105159996 A CN105159996 A CN 105159996A
- Authority
- CN
- China
- Prior art keywords
- question
- answer
- user
- information
- answer result
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于人工智能的深度问答服务提供方法和装置,其中,方法包括:获取用户输入的问题信息;根据问题信息获取用户的用户需求信息;根据用户需求信息将问题信息分发至对应的至少一个问答服务模块;接收至少一个问答服务模块返回的问答结果,并对问答结果进行决策以确定最终的问答结果。本发明实施例的基于人工智能的深度问答服务提供方法和装置,通过用户输入的问题信息,获取用户的用户需求信息,并根据用户需求信息将问题信息分发至至少一个问答服务模块,并接收至少一个问答服务模块返回的问答结果,最终对问答结果进行决策以确定最终的问答结果,能够针对用户的深度问题为用户提供更加准确的问答结果,提升用户使用满意度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的深度问答服务提供方法和装置。
背景技术
随着科技的不断进步,搜索引擎已成为人们生活中必不可少的部分,并日趋智能化。目前,传统的搜索引擎的交互方式是用户输入搜索关键字,搜索引擎返回与用户需求相关的搜索结果,并按照相关性由高到低的顺序排序。用户可浏览和点击搜索结果,并从中选择感兴趣或有需求的信息和内容。其中,有的搜索引擎利用了框计算技术与知识图谱技术。框计算技术主要是搜索引擎针对用户输入的查询关键词直接提供结果或者服务。例如:用户在搜索引擎中搜索“北京天气”、“人民币美元汇率”、“五一放假”等关键字,都可以在搜索结果页面的最顶端展现结果。而知识图谱技术旨在将与用户需求相关的知识组织并展现成一张“知识图”,以满足用户对背景知识的需求以及延伸的需求。例如搜索“刘德华”,通过知识图谱技术,搜索引擎可展现刘德华的身高、生日、影视作品等背景知识,以及“张学友”、“朱丽倩”等其他相关人物。
另外,有的搜索系统还可以基于自然语言,通过与用户进行交互问答的方式,向用户提供所需的资源。例如:在智能手机端,用户可以通过如:苹果siri、谷歌googlenow、百度语音助手等移动应用来获取所需资源。上述应用主要通过语音作为载体,以自然语言的形式向系统发出本地服务、网上搜索等指令,并以语音播报的形式向用户反馈结果。
此外,用户还可以向深度问答系统提问,获得相应的答案。例如“黄河流经哪几个省”、“英国的首都是哪座城市”等。
但是,在实现本发明过程中,发明人发现现有技术中至少存在如下问题:当前系统只能用于回答现有知识库中已存在的简单问题,而对于复杂度较高、时效性强、与用户主观观点相关的深度问题等,则很难做出有效回答,并且人机交互方式不够简便、自然。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的一个目的在于提出一种基于人工智能的深度问答服务提供方法,能够针对用户的深度问题为用户提供更加准确的问答结果,提升用户使用满意度。
本发明的第二个目的在于提出一种基于人工智能的深度问答服务提供装置。
为了实现上述目的,本发明第一方面实施例提出了一种基于人工智能的深度问答服务提供方法,包括:S1、获取用户输入的问题信息;S2、根据所述问题信息获取用户的用户需求信息;S3、根据所述用户需求信息将所述问题信息分发至对应的至少一个问答服务模块;以及S4、接收所述至少一个问答服务模块返回的问答结果,并对所述问答结果进行决策以确定最终的问答结果。
本发明实施例的基于人工智能的深度问答服务提供方法,通过获取用户输入的问题信息,并根据问题信息获取用户的用户需求信息,以及根据用户需求信息将问题信息分发至对应的至少一个问答服务模块,并接收至少一个问答服务模块返回的问答结果,最终对问答结果进行决策以确定最终的问答结果,能够针对用户的深度问题为用户提供更加准确的问答结果,提升用户使用满意度。
本发明第二方面实施例提出了一种基于人工智能的深度问答服务提供装置,包括:输入接收模块、多个问答服务模块、分发模块和决策模块,其中,所述多个问答服务模块,用于根据接收到的问题信息生成问答结果并返回至所述决策模块;所述输入接收模块,用于获取用户输入的问题信息;所述分发模块,用于根据所述问题信息获取用户的用户需求信息,并根据所述用户需求信息将所述问题信息分发至对应的至少一个问答服务模块;以及所述决策模块,用于接收所述至少一个问答服务模块返回的问答结果,并对所述问答结果进行决策以确定最终的问答结果。
本发明实施例的基于人工智能的深度问答服务提供装置,通过获取用户输入的问题信息,并根据问题信息获取用户的用户需求信息,以及根据用户需求信息将问题信息分发至对应的至少一个问答服务模块,并接收至少一个问答服务模块返回的问答结果,最终对问答结果进行决策以确定最终的问答结果,能够针对用户的深度问题为用户提供更加准确的问答结果,提升用户使用满意度。
附图说明
图1是根据本发明一个实施例的基于人工智能的深度问答服务提供方法的流程图一。
图2是根据本发明一个实施例的对问答结果进行决策的流程图。
图3是根据本发明一个实施例的基于人工智能的深度问答服务提供方法的流程图二。
图4是根据本发明一个实施例的基于人工智能的深度问答服务提供装置的结构示意图一。
图5是根据本发明一个实施例的基于人工智能的深度问答服务提供装置的结构示意图二。
图6是根据本发明一个实施例的深度问答服务模块的结构示意图。
图7是根据本发明一个实施例的信息搜索服务模块的结构示意图。
图8是根据本发明一个实施例的决策模块的结构示意图一。
图9是根据本发明一个实施例的决策模块的结构示意图二。
图10是根据本发明一个实施例的基于人工智能的深度问答服务提供装置的结构示意图三。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的基于人工智能的人机交互的交互引导方法和装置。
图1是根据本发明一个实施例的基于人工智能的深度问答服务提供方法的流程图。
如图1所示,基于人工智能的深度问答服务提供方法可包括:
S1、获取用户输入的问题信息。
其中,问题信息可以是文字信息,也可以是语音信息。例如,用户输入的问题信息“北京有什么小吃?”。
S2、根据问题信息获取用户的用户需求信息。
具体地,可对问题信息进行需求分析,从而获取用户的用户需求信息。举例来说,用户需求信息可以为垂类需求、阿拉丁需求、深度问答需求、信息搜索需求等。
S3、根据用户需求信息将问题信息分发至对应的至少一个问答服务模块。
其中,问答服务模块可包括阿拉丁服务模块、垂类服务模块、深度问答服务模块和信息搜索服务模块。
在本发明的一个实施例中,当用户需求信息为阿拉丁需求时,可将问题信息分发至阿拉丁服务模块;当用户需求信息为垂类需求时,可将问题信息分发至垂类服务模块;当用户需求信息为深度问答需求时,可将问题信息分发至深度问答服务模块;当用户需求信息为信息搜索需求时,可将问题分发至信息搜索服务模块。
其中,阿拉丁服务是能够为用户需求提供精准满足的一类服务的统称,例如美元兑换人民币、2015年春节放假等。举例来说,用户的问题信息为“刘德华的老婆是谁?”,则可对该问题信息进行分析,可分析出需求类型为“人物”,查询主体为“刘德华”,查询属性为“老婆”,并可将查询属性进行归一,将查询属性归一为“妻子”。然后搜索并获得结果字段为“朱丽倩”,再基于自然语言生成技术(NaturalLanguageGeneration)生成问答结果“刘德华的老婆是朱丽倩”。再例如:用户的问题信息为“北京明天热吗?”,通过搜索并获得结果字段为“35摄氏度”,可基于常识知识库和预设的规则,生成问答结果“明天天气很热,最高温度为35摄氏度,建议注意防暑降温。”其中,常识知识库可包括常识类知识,如温度高于30摄氏度属于天气热。
垂类服务是针对垂类需求进行多轮交互的服务,例如“订机票”等。垂类服务主要通过对话控制技术(DialogueManagement)和对话策略技术(DialoguePolicy),对用户的需求进行澄清,从而向用户提供满足用户需求的问答结果。举例来说,用户的问题信息为“北京到上海的机票”,则可对该问题信息进行分析,然后向用户反问“您的出发日期是哪天?”,用户回答“明天”,然后继续反问“您对航空公司是否有要求?”等,逐步澄清用户的需求,并最终返回满足用户需求的问答结果。
深度问答服务为针对用户输入的问题信息,基于深入的语义分析和知识挖掘技术,从而为用户提供精准的问答结果的服务。当用户需求信息为深度问答需求时,深度问答服务模块可接收问题信息,并根据问题信息获取对应的问题类型,然后根据问题类型选择对应的问答模式,以及根据选择的答案生成模式和问题信息生成对应的问答结果。其中,问题类型可包括实体类型、观点类型和片段类型。
更具体地,当问题类型为实体类型时,可根据问题信息生成实体类问题信息,并基于搜索引擎抓取的摘要和历史展现日志对实体类问题信息进行扩展以生成同族实体问题信息簇。其中,同族实体问题信息簇分别对应候选答案。然后从同族实体问题信息簇分别对应候选答案中抽取候选实体,再计算候选实体的置信度,以及将置信度大于预设置信度阈值的候选实体作为问答结果进行反馈。举例来说,问题信息为“刘德华老婆是谁?”,候选答案为“其实早在九二年时就有报道,刘德华和朱丽倩已经在加拿大秘密注册结婚…”,其中,候选实体为“刘德华”、“朱丽倩”、“加拿大”。然后基于实体知识库和问答语义匹配模型计算各候选实体的置信度,可计算出候选实体“朱丽倩”的置信度大于预设置信度阈值,则可确定“朱丽倩”为问答结果。另外,还可将候选答案中首次出现“朱丽倩”的分句作为答案摘要。
当问题类型为观点类型时,可获取问题信息对应的候选答案,并对候选答案进行切分以生成多个候选答案短句,然后对多个候选答案短句进行聚合以生成观点聚合簇。具体地,可根据短句中词汇的IDF(反文档频率)得分提取候选答案短句中的关键词,并对包含否定词的关键词进行泛化并生成否定标签,然后基于否定标签将关键词用向量进行表示,计算每两个关键词之间的向量夹角和/或语义相似度,然后对向量夹角小于预设角度或语义相似度大于预设阈值的候选答案进行聚合以生成观点聚合簇。
在此之后,可判断观点聚合簇的观点类型。其中,观点可包括是非类、评价类、建议类等。具体地,可通过预先设定的规则或者基于统计模型确定观点聚合簇的观点类型。然后根据观点类型从对应的观点聚合簇中选择出答案观点。其中,选择答案观点的规则可包括但不仅限于选取信息覆盖最全面的答案观点、选取IDF*log(IDF)值最低的答案观点和选取在候选答案对应的文章中出现次数最多的答案观点。其中,IDF为反文档频率。在此之后,可生成答案观点对应的摘要,然后可对答案观点进行评分,并将评分大于预设评分阈值的答案观点作为问答结果进行反馈。举例来说,问题信息为“怀孕注意事项”,其中一个候选答案为“怀孕时应谨守医、多、战原则,亦即定期看医师,多卧床休息,战胜自己的不良习惯。”,可将该候选答案切分为“怀孕时应谨守医、多、战原则”、“亦即定期看医师”、“多卧床休息”、“战胜自己的不良习惯”四个候选答案短句。然后可将候选答案短句中重复的内容或者近似的内容进行聚合生成观点聚合簇,并选出答案观点。之后,可根据信息丰富度、论据充分度、信息冗余度等对答案观点进行评分,并将评分大于预设评分阈值的答案观点作为问答结果进行反馈。此外,在选出答案观点后,可获取其在来源文章中所在的句子,然后按照预定长度截取句子,从而生成该答案观点对应的摘要。之后可根据内容丰富度、答案权威性对摘要进行排序。
当问题类型为片段类型时,可获取问题信息对应的候选答案,并对候选答案进行切分以生成多个候选答案短句,然后对多个候选答案短句进行重要度打分以生成候选答案短句对应的短句重要度特征,并根据短句重要度特征生成答案摘要,然后可根据答案摘要的短句重要度特征、答案权威性、问题信息的相关性和答案的丰富度对答案质量进行打分。其中,短句重要度特征可包括聚合特征、相关度特征、类型特征和问题答案匹配度特征。其中,聚合特征用于衡量短句的重复度,例如:词向量质心特征、NGram(计算出现概率)特征、Lexrank(多文本自动摘要)特征等。类型特征为问题的类型特征,如WHAT(什么)类型、WHY(为什么)类型、HOW(如何)类型等。答案权威性为答案来源的网站的权威度。在此之后,可获取用户的行为数据,然后根据用户的行为数据和打分结果对候选答案进行排序,最终将排序结果作为问答结果进行反馈。其中,用户的行为数据是可包括用户对问答结果的点击行为、在问答结果上停留的时间、通过当前的问答结果跳转至其他问答结果等用户的历史行为信息。
当用户需求信息为信息搜索需求时,信息搜索服务模块可接收问题信息,并根据问题信息进行搜索以生成多个候选网页,然后对候选网页进行篇章分析以生成对应的候选篇章。具体地,可对候选网页进行篇章内容抽取、篇章主题分割和篇章关系分析生成对应的候选篇章。其中,篇章内容抽取主要为识别候选网页的正文部分,删除与用户需求信息无关的内容。篇章主题分割为对篇章的主题结构进行分析,可将篇章划分为多个子主题。篇章关系分析为分析篇章中多个子主题之间的关系,例如并列关系等。在生成候选篇章之后,可对候选篇章中的句子进行打分排序。其中,打分排序主要基于句子在候选篇章中的重要度以及句子与用户需求信息之间的相关度。在此之后,可获取用户的需求场景信息,并根据需求场景信息和打分排序结果生成摘要,最终将摘要作为问答结果进行反馈。其中场景信息可包括移动终端场景、电脑场景。当场景信息为移动终端场景时,则可对句子进行压缩简写,使生成的摘要尽量简明扼要;当场景信息为电脑场景时,可对句子进行拼接融合,使得生成的摘要详细清楚。当然,生成候选篇章时,由于候选篇章中的内容均与用户需求信息具有相关性,则可能会有重复或互补的内容,则需要对多个候选篇章的信息进行聚合。
S4、接收至少一个问答服务模块返回的问答结果,并对问答结果进行决策以确定最终的问答结果。
具体地,如图2所示,可包括以下步骤:
S41、接收至少一个问答服务模块返回的问答结果。
S42、根据问题信息生成需求分析特征。
S43、获取各个问答服务模块返回的问答结果的置信度特征、用户的对话交互信息的上下文特征以及用户的个性化模型特征。
S44、根据需求分析特征、问答结果的置信度特征、用户的对话交互信息的上下文特征以及用户的个性化模型特征对问答结果进行决策以确定最终的问答结果。
具体地,对问答结果进行决策以确定最终的问答结果主要基于以下几个特征:1、需求分析特征,通过对用户的问题信息进行需求分析,可选择更符合用户需求的问答服务模块提供的问答结果。2、问答结果置信度特征,每个问答服务模块提供的问答结果均具有置信度,可选择置信度高的问答结果。3、用户的对话交互信息的上下文特征,可选择更符合上下文信息的问答结果。4、用户的个性化模型特征,可选择更符合用户个性化需求的问答结果。其中,需求分析特征、问答结果的置信度特征、用户的对话交互信息的上下文特征以及用户的个性化模型特征分别对应有各自的决策权重。基于以上特征对问答结果进行决策,从而确定最终的问答结果。在确定最终的问答结果后,可反馈给用户,从而满足用户的需求。其中,问答结果可通过语音播报的方式,亦可以通过屏幕显示的方式反馈给用户。采用语音播报的方式使得人机交互的过程更加简便、自然。
另外,还可根据用户的日志基于增强学习模型对需求分析特征、问答结果的置信度特征、用户的对话交互信息的上下文特征以及用户的个性化模型特征的决策权重进行训练,从而为用户提供更符合用户需求的问答结果。
另外,如图3所示,在步骤S1之后,还可包括以下步骤:
S5、获取与用户的对话交互信息。
S6、根据对话交互信息的对话上文对问题信息进行补全。
具体地,在多轮交互过程中,用户通常会基于对话上文省略问题信息中的一部分内容,因此需要对问题信息进行补全,从而澄清用户的需求。例如:对话上文为“北京有什么小吃?”,而问题信息为“那特产呢?”,则需要对用户输入的问题信息进行补全,生成新的问题信息“北京有什么特产?”。
本发明实施例的基于人工智能的深度问答服务提供方法,通过获取用户输入的问题信息,并根据问题信息获取用户的用户需求信息,以及根据用户需求信息将问题信息分发至对应的至少一个问答服务模块,并接收至少一个问答服务模块返回的问答结果,最终对问答结果进行决策以确定最终的问答结果,能够针对用户的深度问题为用户提供更加准确的问答结果,提升用户使用满意度。
为实现上述目的,本发明还提出一种基于人工智能的深度问答服务提供装置。
图4是根据本发明一个实施例的基于人工智能的深度问答服务提供装置的结构示意图一。
如图4所示,该基于人工智能的深度问答服务提供装置可包括:输入接收模块1000、分发模块2000、问答服务模块3000和决策模块4000。
输入接收模块1000用于获取用户输入的问题信息。
其中,问题信息可以是文字信息,也可以是语音信息。例如,用户输入的问题信息“北京有什么小吃?”。
分发模块2000用于根据问题信息获取用户的用户需求信息,并根据用户需求信息将问题信息分发至对应的至少一个问答服务模块3000。其中,如图5所示,问答服务模块3000可包括阿拉丁服务模块3100、垂类服务模块3200、深度问答服务模块3300和信息搜索服务模块3400。
具体地,分发模块2000可对问题信息进行需求分析,从而获取用户的用户需求信息。举例来说,当用户需求信息为阿拉丁需求时,可将问题信息分发至阿拉丁服务模块;当用户需求信息为垂类需求时,可将问题信息分发至垂类服务模块;当用户需求信息为深度问答需求时,可将问题信息分发至深度问答服务模块;当用户需求信息为信息搜索需求时,可将问题分发至信息搜索服务模块。
多个问答服务模块3000用于根据接收到的问题信息生成问答结果并返回至决策模块4000。
其中,阿拉丁服务是能够为用户需求提供精准满足的一类服务的统称,例如美元兑换人民币、2015年春节放假等。举例来说,用户的问题信息为“刘德华的老婆是谁?”,则阿拉丁服务模块3100可对该问题信息进行分析,可分析出需求类型为“人物”,查询主体为“刘德华”,查询属性为“老婆”,并可将查询属性进行归一,将查询属性归一为“妻子”。然后搜索并获得结果字段为“朱丽倩”,再基于自然语言生成技术(NaturalLanguageGeneration)生成问答结果“刘德华的老婆是朱丽倩”。再例如:用户的问题信息为“北京明天热吗?”,通过搜索并获得结果字段为“35摄氏度”,可基于常识知识库和预设的规则,生成问答结果“明天天气很热,最高温度为35摄氏度,建议注意防暑降温。”其中,常识知识库可包括常识类知识,如温度高于30摄氏度属于天气热。
垂类服务是针对垂类需求进行多轮交互的服务,例如“订机票”等。垂类服务模块3200主要通过对话控制技术(DialogueManagement)和对话策略技术(DialoguePolicy),对用户的需求进行澄清,从而向用户提供满足用户需求的问答结果。举例来说,用户的问题信息为“北京到上海的机票”,则可对该问题信息进行分析,然后向用户反问“您的出发日期是哪天?”,用户回答“明天”,然后继续反问“您对航空公司是否有要求?”等,逐步澄清用户的需求,并最终返回满足用户需求的问答结果。
深度问答服务为针对用户输入的问题信息,基于深入的语义分析和知识挖掘技术,从而为用户提供精准的问答结果的服务。当用户需求信息为深度问答需求时,深度问答服务模块3300可接收问题信息,并根据问题信息获取对应的问题类型,然后根据问题类型选择对应的问答模式,以及根据选择的答案生成模式和问题信息生成对应的问答结果。其中,问题类型可包括实体类型、观点类型和片段类型。
其中,如图6所示,深度问答服务模块3300具体包括第一接收子模块3310、问题类型获取子模块3320和第一问答结果生成子模块3330。
第一接收子模块3310用于接收问题信息。
问题类型获取子模块3320用于根据问题信息获取对应的问题类型。
第一问答结果生成子模块3330用于根据问题类型选择对应的问答模式,并根据选择的答案生成模式和问题信息生成对应的问答结果。
当问题类型为实体类型时,可根据问题信息生成实体类问题信息,并基于搜索引擎抓取的摘要和历史展现日志对实体类问题信息进行扩展以生成同族实体问题信息簇。其中,同族实体问题信息簇分别对应候选答案。然后从同族实体问题信息簇分别对应候选答案中抽取候选实体,再计算候选实体的置信度,以及将置信度大于预设置信度阈值的候选实体作为问答结果进行反馈。举例来说,问题信息为“刘德华老婆是谁?”,候选答案为“其实早在九二年时就有报道,刘德华和朱丽倩已经在加拿大秘密注册结婚…”,其中,候选实体为“刘德华”、“朱丽倩”、“加拿大”。然后基于实体知识库和问答语义匹配模型计算各候选实体的置信度,可计算出候选实体“朱丽倩”的置信度大于预设置信度阈值,则可确定“朱丽倩”为问答结果。另外,还可将候选答案中首次出现“朱丽倩”的分句作为答案摘要。
当问题类型为观点类型时,可获取问题信息对应的候选答案,并对候选答案进行切分以生成多个候选答案短句,然后对多个候选答案短句进行聚合以生成观点聚合簇。具体地,可根据短句中词汇的IDF(反文档频率)得分提取多个候选答案短句中的关键词,并对包含否定词的关键词进行泛化并生成否定标签,然后基于否定标签将关键词用向量进行表示,计算每两个关键词之间的向量夹角和/或语义相似度,然后对向量夹角小于预设角度或语义相似度大于预设阈值的候选答案进行聚合以生成观点聚合簇。
在此之后,可判断观点聚合簇的观点类型。其中,观点可包括是非类、评价类、建议类等。具体地,可通过预先设定的规则或者基于统计模型确定观点聚合簇的观点类型。然后根据观点类型从对应的观点聚合簇中选择出答案观点。其中,选择答案观点的规则可包括但不仅限于选取信息覆盖最全面的答案观点、选取IDF*log(IDF)值最低的答案观点和选取在候选答案对应的文章中出现次数最多的答案观点。其中,IDF为反文档频率。在此之后,可生成答案观点对应的摘要,然后可对答案观点进行评分,并将评分大于预设评分阈值的答案观点作为问答结果进行反馈。举例来说,问题信息为“怀孕注意事项”,其中一个候选答案为“怀孕时应谨守医、多、战原则,亦即定期看医师,多卧床休息,战胜自己的不良习惯。”,可将该候选答案切分为“怀孕时应谨守医、多、战原则”、“亦即定期看医师”、“多卧床休息”、“战胜自己的不良习惯”四个候选答案短句。然后可将候选答案短句中重复的内容或者近似的内容进行聚合生成观点聚合簇,并选出答案观点。之后,可根据信息丰富度、论据充分度、信息冗余度等对答案观点进行评分,并将评分大于预设评分阈值的答案观点作为问答结果进行反馈。此外,在选出答案观点后,可获取其在来源文章中所在的句子,然后按照预定长度截取句子,从而生成该答案观点对应的摘要。之后可根据内容丰富度、答案权威性对摘要进行排序。
当问题类型为片段类型时,可获取问题信息对应的候选答案,并对候选答案进行切分以生成多个候选答案短句,然后对多个候选答案短句进行重要度打分以生成候选答案短句对应的短句重要度特征,并根据短句重要度特征生成答案摘要,然后可根据答案摘要的短句重要度特征、答案权威性、问题信息的相关性和答案的丰富度对答案质量进行打分。其中,短句重要度特征可包括聚合特征、相关度特征、类型特征和问题答案匹配度特征。其中,聚合特征用于衡量短句的重复度,例如:词向量质心特征、NGram(计算出现概率)特征、Lexrank(多文本自动摘要)特征等。类型特征为问题的类型特征,如WHAT(什么)类型、WHY(为什么)类型、HOW(如何)类型等。答案权威性为答案来源的网站的权威度。在此之后,可获取用户的行为数据,然后根据用户的行为数据和打分结果对候选答案进行排序,最终将排序结果作为问答结果进行反馈。其中,用户的行为数据是可包括用户对问答结果的点击行为、在问答结果上停留的时间、通过当前的问答结果跳转至其他问答结果等用户的历史行为信息。
如图7所示,信息搜索服务模块3400具体包括第二接收子模块3410、搜索子模块3420和第二问答结果生成子模块3430。其中,第二问答结果生成子模块3430具体包括篇章生成单元3431、排序单元3432、摘要生成单元3433和聚合单元3434。
第二接收子模块3410用于接收问题信息。
搜索子模块3420用于根据问题信息进行搜索以生成多个候选网页。
第二问答结果生成子模块3430用于对候选网页进行篇章分析以生成对应的摘要,并将摘要作为问答结果进行反馈。
具体地,篇章生成单元3431可对候选网页进行篇章内容抽取、篇章主题分割和篇章关系分析生成对应的候选篇章。其中,篇章内容抽取主要为识别候选网页的正文部分,删除与用户需求信息无关的内容。篇章主题分割为对篇章的主题结构进行分析,可将篇章划分为多个子主题。篇章关系分析为分析篇章中多个子主题之间的关系,例如并列关系等。在生成候选篇章之后,排序单元3432可对候选篇章中的句子进行打分排序。其中,打分排序主要基于句子在候选篇章中的重要度以及句子与用户需求信息之间的相关度。在此之后,摘要生成单元3433可获取用户的需求场景信息,并根据需求场景信息和打分排序结果生成摘要,最终将摘要作为问答结果进行反馈。其中场景信息可包括移动终端场景、电脑场景。当场景信息为移动终端场景时,则可对句子进行压缩简写,使生成的摘要尽量简明扼要;当场景信息为电脑场景时,可对句子进行拼接融合,使得生成的摘要详细清楚。当然,生成候选篇章时,由于候选篇章中的内容均与用户需求信息具有相关性,则可能会有重复或互补的内容,则需要聚合单元3434对多个候选篇章的信息进行聚合。
决策模块4000用于接收至少一个问答服务模块3000返回的问答结果,并对问答结果进行决策以确定最终的问答结果。
其中,如图8所示,决策模块4000可包括问答结果接收子模块4100、分析子模块4200、决策子模块4300。
问答结果接收子模块4100用于接收至少一个问答服务模块返回的问答结果。
分析子模块4200用于根据问题信息生成需求分析特征,并获取各个问答服务模块返回的问答结果的置信度特征、用户的对话交互信息的上下文特征以及用户的个性化模型特征。
决策子模块4300用于根据需求分析特征、问答结果的置信度特征、用户的对话交互信息的上下文特征以及用户的个性化模型特征对问答结果进行决策以确定最终的问答结果。
具体地,对问答结果进行决策以确定最终的问答结果主要基于以下几个特征:1、需求分析特征,通过对用户的问题信息进行需求分析,可选择更符合用户需求的问答服务模块提供的问答结果。2、问答结果置信度特征,每个问答服务模块提供的问答结果均具有置信度,可选择置信度高的问答结果。3、用户的对话交互信息的上下文特征,可选择更符合上下文信息的问答结果。4、用户的个性化模型特征,可选择更符合用户个性化需求的问答结果。其中,需求分析特征、问答结果的置信度特征、用户的对话交互信息的上下文特征以及用户的个性化模型特征分别对应有各自的决策权重。
此外,如图9所示,决策模块4000还可包括训练子模块4400。
训练子模块4400用于根据用户的日志基于增强学习模型对需求分析特征、问答结果的置信度特征、用户的对话交互信息的上下文特征以及用户的个性化模型特征的决策权重进行训练,从而为用户提供更符合用户需求的问答结果。
另外,如图10所示,基于人工智能的深度问答服务提供装置还可包括补全模块5000。
补全模块5000用于获取与用户的对话交互信息,并根据对话交互信息的对话上文对问题信息进行补全。
具体地,在多轮交互过程中,用户通常会基于对话上文省略问题信息中的一部分内容,因此需要对问题信息进行补全,从而澄清用户的需求。例如:对话上文为“北京有什么小吃?”,而问题信息为“那特产呢?”,则需要对用户输入的问题信息进行补全,生成新的问题信息“北京有什么特产?”。
本发明实施例的基于人工智能的深度问答服务提供装置,通过获取用户输入的问题信息,并根据问题信息获取用户的用户需求信息,以及根据用户需求信息将问题信息分发至对应的至少一个问答服务模块,并接收至少一个问答服务模块返回的问答结果,最终对问答结果进行决策以确定最终的问答结果,能够针对用户的深度问题为用户提供更加准确的问答结果,提升用户使用满意度。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (34)
1.一种基于人工智能的深度问答服务提供方法,其特征在于,包括以下步骤:
S1、获取用户输入的问题信息;
S2、根据所述问题信息获取用户的用户需求信息;
S3、根据所述用户需求信息将所述问题信息分发至对应的至少一个问答服务模块;以及
S4、接收所述至少一个问答服务模块返回的问答结果,并对所述问答结果进行决策以确定最终的问答结果。
2.如权利要求1所述的方法,其特征在于,在所述步骤S1之后,还包括:
S5、获取与所述用户的对话交互信息;
S6、根据所述对话交互信息的对话上文对所述问题信息进行补全。
3.如权利要求1所述的方法,其特征在于,所述步骤S4具体包括:
S41、接收所述至少一个问答服务模块返回的问答结果;
S42、根据所述问题信息生成需求分析特征;
S43、获取各个问答服务模块返回的问答结果的置信度特征、所述用户的对话交互信息的上下文特征以及所述用户的个性化模型特征;
S44、根据所述需求分析特征、所述问答结果的置信度特征、所述用户的对话交互信息的上下文特征以及所述用户的个性化模型特征对所述问答结果进行决策以确定最终的问答结果。
4.如权利要求3所述的方法,其特征在于,其中,所述需求分析特征、所述问答结果的置信度特征、所述用户的对话交互信息的上下文特征以及所述用户的个性化模型特征分别对应有各自的决策权重。
5.如权利要求4所述的方法,其特征在于,所述步骤S4还包括:
根据所述用户的日志基于增强学习模型对所述需求分析特征、所述问答结果的置信度特征、所述用户的对话交互信息的上下文特征以及所述用户的个性化模型特征的决策权重进行训练。
6.如权利要求1所述的方法,其特征在于,所述问答服务模块包括阿拉丁服务模块、垂类服务模块、深度问答服务模块和信息搜索服务模块。
7.如权利要求6所述的方法,其特征在于,还包括:
所述深度问答服务模块接收所述问题信息;
所述深度问答服务模块根据所述问题信息获取对应的问题类型;
所述深度问答服务模块根据所述问题类型选择对应的问答模式,并根据选择的答案生成模式和所述问题信息生成对应的问答结果。
8.如权利要求7所述的方法,其特征在于,当所述问题类型为实体类型时,所述根据选择的答案生成模式和所述问题信息生成对应的问答结果具体包括:
根据所述问题信息生成实体类问题信息;
基于搜索引擎抓取的摘要和历史展现日志对所述实体类问题信息进行扩展以生成同族实体问题信息簇,其中,所述同族实体问题信息簇分别对应候选答案;
从所述同族实体问题信息簇分别对应候选答案中抽取候选实体;
计算所述候选实体的置信度;以及
将所述置信度大于预设置信度阈值的候选实体作为问答结果进行反馈。
9.如权利要求7所述的方法,其特征在于,当所述问题类型为观点类型时,所述根据选择的答案生成模式和所述问题信息生成对应的问答结果具体包括:
获取所述问题信息对应的候选答案;
对所述候选答案进行切分以生成多个候选答案短句;
对所述多个候选答案短句进行聚合以生成观点聚合簇;
判断所述观点聚合簇的观点类型;
根据所述观点类型从所述观点聚合簇中选择出答案观点,并生成所述答案观点对应的摘要;
对所述答案观点进行评分,并将评分大于预设评分阈值的答案观点作为问答结果进行反馈。
10.如权利要求9所述的方法,其特征在于,所述对所述多个候选答案短句进行聚合以生成观点聚合簇具体包括:
提取所述多个候选答案短句中的关键词;
计算每两个所述关键词之间的向量夹角和/或语义相似度;
对所述向量夹角小于预设角度或语义相似度大于预设阈值的所述候选答案进行聚合以生成观点聚合簇。
11.如权利要求7所述的方法,其特征在于,当所述问题类型为片段类型时,所述根据选择的答案生成模式和所述问题信息生成对应的问答结果具体包括:
获取所述问题信息对应的候选答案;
对所述候选答案进行切分以生成多个候选答案短句;
对所述多个候选答案短句进行重要度打分以生成所述候选答案短句对应的短句重要度特征;
根据所述短句重要度特征生成答案摘要;
根据所述答案摘要的短句重要度特征对答案质量进行打分,并根据打分结果对候选答案进行排序;
将排序结果作为问答结果进行反馈。
12.如权利要求11所述的方法,其特征在于,所述根据所述答案摘要的短句重要度特征对答案质量进行打分具体包括:
根据所述答案摘要的短句重要度特征、答案权威性、问题信息的相关性和答案的丰富度对答案质量进行打分。
13.如权利要求11所述的方法,其特征在于,所述根据打分结果对候选答案进行排序具体包括:
获取用户的行为数据;以及
根据所述用户的行为数据和所述打分结果对所述候选答案进行排序。
14.如权利要求1-13任一项所述的方法,其特征在于,还包括:
所述信息搜索服务模块接收所述问题信息;
所述信息搜索服务模块根据所述问题信息进行搜索以生成多个候选网页;
所述信息搜索服务模块对所述候选网页进行篇章分析以生成对应的摘要,并将摘要作为问答结果进行反馈。
15.如权利要求1-14任一项所述的方法,其特征在于,所述对所述候选网页进行篇章分析以生成对应的摘要具体包括:
对所述候选网页进行篇章分析以生成对应的候选篇章;
对所述候选篇章中的句子进行打分排序;以及
根据打分排序结果生成所述摘要。
16.如权利要求15所述的方法,其特征在于,所述根据打分排序结果生成所述摘要具体包括:
获取用户的需求场景信息;
根据所述需求场景信息和所述打分排序结果生成所述摘要。
17.如权利要求15所述的方法,其特征在于,还包括:
对多个候选篇章的信息进行聚合。
18.一种基于人工智能的深度问答服务提供装置,其特征在于,包括输入接收模块、多个问答服务模块、分发模块和决策模块,其中,
所述输入接收模块,用于获取用户输入的问题信息;
所述分发模块,用于根据所述问题信息获取用户的用户需求信息,并根据所述用户需求信息将所述问题信息分发至对应的至少一个问答服务模块;
所述多个问答服务模块,用于根据接收到的问题信息生成问答结果并返回至所述决策模块;
所述决策模块,用于接收所述至少一个问答服务模块返回的问答结果,并对所述问答结果进行决策以确定最终的问答结果。
19.如权利要求18所述的装置,其特征在于,还包括:
补全模块,用于获取与所述用户的对话交互信息,并根据所述对话交互信息的对话上文对所述问题信息进行补全。
20.如权利要求18所述的装置,其特征在于,所述决策模块具体包括:
问答结果接收子模块,用于接收所述至少一个问答服务模块返回的问答结果;
分析子模块,用于根据所述问题信息生成需求分析特征,并获取各个问答服务模块返回的问答结果的置信度特征、所述用户的对话交互信息的上下文特征以及所述用户的个性化模型特征;
决策子模块,用于根据所述需求分析特征、所述问答结果的置信度特征、所述用户的对话交互信息的上下文特征以及所述用户的个性化模型特征对所述问答结果进行决策以确定最终的问答结果。
21.如权利要求20所述的装置,其特征在于,其中,所述需求分析特征、所述问答结果的置信度特征、所述用户的对话交互信息的上下文特征以及所述用户的个性化模型特征分别对应有各自的决策权重。
22.如权利要求21所述的装置,其特征在于,所述决策模块还包括:
训练子模块,用于根据所述用户的日志基于增强学习模型对所述需求分析特征、所述问答结果的置信度特征、所述用户的对话交互信息的上下文特征以及所述用户的个性化模型特征的决策权重进行训练。
23.如权利要求18所述的装置,其特征在于,所述问答服务模块包括阿拉丁服务模块、垂类服务模块、深度问答服务模块和信息搜索服务模块。
24.如权利要求23所述的装置,其特征在于,所述深度问答服务模块包括:
第一接收子模块,用于接收所述问题信息;
问题类型获取子模块,用于根据所述问题信息获取对应的问题类型;
第一问答结果生成子模块,用于根据所述问题类型选择对应的问答模式,并根据选择的答案生成模式和所述问题信息生成对应的问答结果。
25.如权利要求24所述的装置,其特征在于,当所述问题类型为实体类型时,所述第一问答结果生成子模块根据所述问题信息生成实体类问题信息,并基于搜索引擎抓取的摘要和历史展现日志对所述实体类问题信息进行扩展以生成同族实体问题信息簇,其中,所述同族实体问题信息簇分别对应候选答案,以及从所述同族实体问题信息簇分别对应候选答案中抽取候选实体,并计算所述候选实体的置信度,以及将所述置信度大于预设置信度阈值的候选实体作为问答结果进行反馈。
26.如权利要求24所述的装置,其特征在于,当所述问题类型为观点类型时,所述第一问答结果生成子模块获取所述问题信息对应的候选答案,并对所述候选答案进行切分以生成多个候选答案短句,以及对所述多个候选答案短句进行聚合以生成观点聚合簇,并判断所述观点聚合簇的观点类型,以及根据所述观点类型从所述观点聚合簇中选择出答案观点,并生成所述答案观点对应的摘要,以及对所述答案观点进行评分,并将评分大于预设评分阈值的答案观点作为问答结果进行反馈。
27.如权利要求26所述的装置,其特征在于,所述第一问答结果生成子模块,具体用于:
提取所述多个候选答案短句中的关键词,并计算每两个所述关键词之间的向量夹角和/或语义相似度,以及对所述向量夹角小于预设角度或语义相似度大于预设阈值的所述候选答案进行聚合以生成观点聚合簇。
28.如权利要求24所述的装置,其特征在于,当所述问题类型为片段类型时,所述第一问答结果生成子模块获取所述问题信息对应的候选答案,并对所述候选答案进行切分以生成多个候选答案短句,以及对所述多个候选答案短句进行重要度打分以生成所述候选答案短句对应的短句重要度特征,并根据所述短句重要度特征生成答案摘要,以及根据所述答案摘要的短句重要度特征对答案质量进行打分,并根据打分结果对候选答案进行排序,以及将排序结果作为问答结果进行反馈。
29.如权利要求28所述的装置,其特征在于,所述第一问答结果生成子模块,具体用于:
根据所述答案摘要的短句重要度特征、答案权威性、问题信息的相关性和答案的丰富度对答案质量进行打分。
30.如权利要求28所述的装置,其特征在于,所述第一问答结果生成子模块,具体用于:
获取用户的行为数据,并根据所述用户的行为数据和所述打分结果对所述候选答案进行排序。
31.如权利要求18所述的装置,其特征在于,所述信息搜索服务模块具体包括:
第二接收子模块,用于接收所述问题信息;
搜索子模块,用于根据所述问题信息进行搜索以生成多个候选网页;
第二问答结果生成子模块,用于对所述候选网页进行篇章分析以生成对应的摘要,并将摘要作为问答结果进行反馈。
32.如权利要求31所述的装置,其特征在于,所述第二问答结果生成子模块具体包括:
篇章生成单元,用于对所述候选网页进行篇章分析以生成对应的候选篇章;
排序单元,用于对所述候选篇章中的句子进行打分排序;以及
摘要生成单元,用于根据打分排序结果生成所述摘要。
33.如权利要求32所述的装置,其特征在于,所述摘要生成单元,具体用于:
获取用户的需求场景信息,并根据所述需求场景信息和所述打分排序结果生成所述摘要。
34.如权利要求32所述的装置,其特征在于,所述第二问答结果生成子模块还包括:
聚合单元,用于对多个候选篇章的信息进行聚合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510564826.5A CN105159996B (zh) | 2015-09-07 | 2015-09-07 | 基于人工智能的深度问答服务提供方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510564826.5A CN105159996B (zh) | 2015-09-07 | 2015-09-07 | 基于人工智能的深度问答服务提供方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105159996A true CN105159996A (zh) | 2015-12-16 |
CN105159996B CN105159996B (zh) | 2018-09-07 |
Family
ID=54800852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510564826.5A Active CN105159996B (zh) | 2015-09-07 | 2015-09-07 | 基于人工智能的深度问答服务提供方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105159996B (zh) |
Cited By (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653738A (zh) * | 2016-03-01 | 2016-06-08 | 北京百度网讯科技有限公司 | 基于人工智能的搜索结果播报方法和装置 |
CN105701208A (zh) * | 2016-01-13 | 2016-06-22 | 北京光年无限科技有限公司 | 一种面向问答系统的问答评价方法及装置 |
CN105843875A (zh) * | 2016-03-18 | 2016-08-10 | 北京光年无限科技有限公司 | 一种面向智能机器人的问答数据处理方法及装置 |
CN105912692A (zh) * | 2016-04-22 | 2016-08-31 | 华讯方舟科技有限公司 | 一种智能语音对话的方法和装置 |
CN106055641A (zh) * | 2016-05-31 | 2016-10-26 | 北京光年无限科技有限公司 | 一种面向智能机器人的人机交互方法及装置 |
CN106095872A (zh) * | 2016-06-07 | 2016-11-09 | 北京高地信息技术有限公司 | 用于智能问答系统的答案排序方法及装置 |
CN106095941A (zh) * | 2016-06-14 | 2016-11-09 | 华南师范大学 | 基于大数据知识库的解决方案推荐方法和系统 |
CN106126516A (zh) * | 2016-05-31 | 2016-11-16 | 刘华英 | 人机交互方法和系统 |
CN106168962A (zh) * | 2016-06-30 | 2016-11-30 | 北京奇虎科技有限公司 | 基于自然搜索结果提供精确观点的搜索方法及装置 |
CN106227740A (zh) * | 2016-07-12 | 2016-12-14 | 北京光年无限科技有限公司 | 一种面向对话系统的数据处理方法及装置 |
CN106446213A (zh) * | 2016-09-30 | 2017-02-22 | 北京百度网讯科技有限公司 | 基于人工智能的服务排序方法和装置 |
CN106462253A (zh) * | 2016-07-07 | 2017-02-22 | 深圳狗尾草智能科技有限公司 | 基于交互信息的评分方法及系统 |
CN106547742A (zh) * | 2016-11-30 | 2017-03-29 | 百度在线网络技术(北京)有限公司 | 基于人工智能的语义解析结果处理方法和装置 |
CN106570181A (zh) * | 2016-11-09 | 2017-04-19 | 武汉泰迪智慧科技有限公司 | 基于上下文管理的智能交互方法及系统 |
CN106649739A (zh) * | 2016-12-23 | 2017-05-10 | 深圳市空谷幽兰人工智能科技有限公司 | 多轮交互信息继承识别方法、装置以及交互系统 |
CN106997342A (zh) * | 2017-03-27 | 2017-08-01 | 上海奔影网络科技有限公司 | 基于多轮交互的意图识别方法和装置 |
CN107180029A (zh) * | 2016-03-09 | 2017-09-19 | 阿里巴巴集团控股有限公司 | 一种基于咨询业务的信息处理方法及装置 |
CN107180080A (zh) * | 2017-04-28 | 2017-09-19 | 北京神州泰岳软件股份有限公司 | 一种多交互模式的智能问答方法及装置 |
CN107223261A (zh) * | 2016-12-07 | 2017-09-29 | 深圳前海达闼云端智能科技有限公司 | 人机混合决策方法和装置 |
CN107292086A (zh) * | 2016-04-07 | 2017-10-24 | 西门子保健有限责任公司 | 图像分析问答 |
WO2017181834A1 (zh) * | 2016-04-19 | 2017-10-26 | 中兴通讯股份有限公司 | 一种智能问答方法及装置 |
CN107301213A (zh) * | 2017-06-09 | 2017-10-27 | 腾讯科技(深圳)有限公司 | 智能问答方法及装置 |
WO2018058994A1 (zh) * | 2016-09-30 | 2018-04-05 | 华为技术有限公司 | 基于深度学习的对话方法、装置及设备 |
CN108073587A (zh) * | 2016-11-09 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 一种自动问答方法、装置及电子设备 |
CN108170749A (zh) * | 2017-12-21 | 2018-06-15 | 北京百度网讯科技有限公司 | 基于人工智能的对话方法、装置及计算机可读介质 |
CN108766421A (zh) * | 2017-04-20 | 2018-11-06 | 杭州萤石网络有限公司 | 语音交互的方法及装置 |
CN108804529A (zh) * | 2018-05-02 | 2018-11-13 | 深圳智能思创科技有限公司 | 一种基于Web的问答系统实现方法 |
CN109002434A (zh) * | 2018-05-31 | 2018-12-14 | 青岛理工大学 | 客服问答匹配方法、服务器及存储介质 |
CN109033229A (zh) * | 2018-06-29 | 2018-12-18 | 北京百度网讯科技有限公司 | 问答处理方法和装置 |
CN109062973A (zh) * | 2018-06-29 | 2018-12-21 | 北京百度网讯科技有限公司 | 一种问答资源的挖掘方法、装置、服务器及存储介质 |
WO2019000240A1 (zh) * | 2017-06-27 | 2019-01-03 | 华为技术有限公司 | 一种问答系统及问答方法 |
CN109213847A (zh) * | 2018-09-14 | 2019-01-15 | 广州神马移动信息科技有限公司 | 答案的分层方法及其装置、电子设备、计算机可读介质 |
CN109215642A (zh) * | 2017-07-04 | 2019-01-15 | 阿里巴巴集团控股有限公司 | 人机会话的处理方法、装置及电子设备 |
CN109388697A (zh) * | 2018-10-10 | 2019-02-26 | 成都小多科技有限公司 | 处理问答语料的方法、装置及电子终端 |
CN109598658A (zh) * | 2018-11-30 | 2019-04-09 | 暨南大学 | 一种新生入学服务系统和方法 |
CN109800286A (zh) * | 2018-12-17 | 2019-05-24 | 北京百度网讯科技有限公司 | 对话生成方法和装置 |
CN109815482A (zh) * | 2018-12-17 | 2019-05-28 | 北京百度网讯科技有限公司 | 一种新闻交互的方法、装置、设备和计算机存储介质 |
CN109948017A (zh) * | 2018-04-26 | 2019-06-28 | 华为技术有限公司 | 一种信息处理方法及装置 |
CN110019724A (zh) * | 2017-12-21 | 2019-07-16 | 上海智臻智能网络科技股份有限公司 | 修改问答系统的装置 |
CN110222161A (zh) * | 2019-05-07 | 2019-09-10 | 北京来也网络科技有限公司 | 对话机器人智能应答方法及装置 |
WO2019174450A1 (zh) * | 2018-03-15 | 2019-09-19 | 北京京东尚科信息技术有限公司 | 一种对话生成的方法和装置 |
CN110462676A (zh) * | 2017-03-23 | 2019-11-15 | 三星电子株式会社 | 电子装置、其控制方法和非暂态计算机可读记录介质 |
CN110633426A (zh) * | 2019-02-26 | 2019-12-31 | 北京蓦然认知科技有限公司 | 一种智能交互平台中的任务处理方法及装置 |
CN111047436A (zh) * | 2019-12-25 | 2020-04-21 | 出门问问信息科技有限公司 | 一种信息判定方法及装置 |
CN111159365A (zh) * | 2019-11-26 | 2020-05-15 | 国网湖南省电力有限公司 | 调度模型本体智能问答系统的实现方法、系统及存储介质 |
CN111177359A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 多轮对话方法和装置 |
CN111666394A (zh) * | 2020-04-30 | 2020-09-15 | 北京捷通华声科技股份有限公司 | 一种文本处理方法及装置 |
CN111680135A (zh) * | 2020-04-20 | 2020-09-18 | 重庆兆光科技股份有限公司 | 一种基于隐式知识的阅读理解方法 |
CN112115239A (zh) * | 2019-06-20 | 2020-12-22 | 北京京东尚科信息技术有限公司 | 一种人机对话的方法、装置和存储介质 |
CN112507089A (zh) * | 2020-11-25 | 2021-03-16 | 厦门渊亭信息科技有限公司 | 一种基于知识图谱的智能问答引擎及其实现方法 |
CN112632255A (zh) * | 2020-12-29 | 2021-04-09 | 海信视像科技股份有限公司 | 一种获取问答结果的方法及装置 |
CN112800188A (zh) * | 2019-11-13 | 2021-05-14 | 阿里巴巴集团控股有限公司 | 一种对话处理方法及装置 |
WO2021109690A1 (zh) * | 2020-06-17 | 2021-06-10 | 平安科技(深圳)有限公司 | 多类型问题智能问答方法、系统、设备及可读存储介质 |
TWI732271B (zh) * | 2018-08-29 | 2021-07-01 | 大陸商騰訊科技(深圳)有限公司 | 人機對話方法、裝置、電子設備及電腦可讀媒體 |
CN113449117A (zh) * | 2021-06-24 | 2021-09-28 | 武汉工程大学 | 一种基于Bi-LSTM和中文知识图谱的复合问答方法 |
CN114840671A (zh) * | 2022-04-29 | 2022-08-02 | 北京百度网讯科技有限公司 | 对话生成方法、模型的训练方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102792320A (zh) * | 2010-01-18 | 2012-11-21 | 苹果公司 | 智能自动化助理 |
CN104598445A (zh) * | 2013-11-01 | 2015-05-06 | 腾讯科技(深圳)有限公司 | 自动问答系统和方法 |
CN104636465A (zh) * | 2015-02-10 | 2015-05-20 | 百度在线网络技术(北京)有限公司 | 网页摘要生成方法、展示方法及相应装置 |
CN104778162A (zh) * | 2015-05-11 | 2015-07-15 | 苏州大学 | 基于最大熵的主题分类器的训练方法及系统 |
-
2015
- 2015-09-07 CN CN201510564826.5A patent/CN105159996B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102792320A (zh) * | 2010-01-18 | 2012-11-21 | 苹果公司 | 智能自动化助理 |
CN104598445A (zh) * | 2013-11-01 | 2015-05-06 | 腾讯科技(深圳)有限公司 | 自动问答系统和方法 |
CN104636465A (zh) * | 2015-02-10 | 2015-05-20 | 百度在线网络技术(北京)有限公司 | 网页摘要生成方法、展示方法及相应装置 |
CN104778162A (zh) * | 2015-05-11 | 2015-07-15 | 苏州大学 | 基于最大熵的主题分类器的训练方法及系统 |
Cited By (89)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701208A (zh) * | 2016-01-13 | 2016-06-22 | 北京光年无限科技有限公司 | 一种面向问答系统的问答评价方法及装置 |
CN105701208B (zh) * | 2016-01-13 | 2018-11-30 | 北京光年无限科技有限公司 | 一种面向问答系统的问答评价方法及装置 |
US10810272B2 (en) | 2016-03-01 | 2020-10-20 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for broadcasting search result based on artificial intelligence |
CN105653738B (zh) * | 2016-03-01 | 2020-05-22 | 北京百度网讯科技有限公司 | 基于人工智能的搜索结果播报方法和装置 |
CN105653738A (zh) * | 2016-03-01 | 2016-06-08 | 北京百度网讯科技有限公司 | 基于人工智能的搜索结果播报方法和装置 |
CN107180029A (zh) * | 2016-03-09 | 2017-09-19 | 阿里巴巴集团控股有限公司 | 一种基于咨询业务的信息处理方法及装置 |
CN105843875B (zh) * | 2016-03-18 | 2019-09-13 | 北京光年无限科技有限公司 | 一种面向智能机器人的问答数据处理方法及装置 |
CN105843875A (zh) * | 2016-03-18 | 2016-08-10 | 北京光年无限科技有限公司 | 一种面向智能机器人的问答数据处理方法及装置 |
CN107292086A (zh) * | 2016-04-07 | 2017-10-24 | 西门子保健有限责任公司 | 图像分析问答 |
WO2017181834A1 (zh) * | 2016-04-19 | 2017-10-26 | 中兴通讯股份有限公司 | 一种智能问答方法及装置 |
CN105912692A (zh) * | 2016-04-22 | 2016-08-31 | 华讯方舟科技有限公司 | 一种智能语音对话的方法和装置 |
CN106055641B (zh) * | 2016-05-31 | 2020-01-14 | 北京光年无限科技有限公司 | 一种面向智能机器人的人机交互方法及装置 |
CN106126516A (zh) * | 2016-05-31 | 2016-11-16 | 刘华英 | 人机交互方法和系统 |
CN106055641A (zh) * | 2016-05-31 | 2016-10-26 | 北京光年无限科技有限公司 | 一种面向智能机器人的人机交互方法及装置 |
CN106095872A (zh) * | 2016-06-07 | 2016-11-09 | 北京高地信息技术有限公司 | 用于智能问答系统的答案排序方法及装置 |
CN106095941A (zh) * | 2016-06-14 | 2016-11-09 | 华南师范大学 | 基于大数据知识库的解决方案推荐方法和系统 |
CN106095941B (zh) * | 2016-06-14 | 2020-03-20 | 华南师范大学 | 基于大数据知识库的解决方案推荐方法和系统 |
CN106168962A (zh) * | 2016-06-30 | 2016-11-30 | 北京奇虎科技有限公司 | 基于自然搜索结果提供精确观点的搜索方法及装置 |
CN106168962B (zh) * | 2016-06-30 | 2020-02-21 | 北京奇虎科技有限公司 | 基于自然搜索结果提供精确观点的搜索方法及装置 |
WO2018006366A1 (zh) * | 2016-07-07 | 2018-01-11 | 深圳狗尾草智能科技有限公司 | 基于交互信息的评分方法及系统 |
CN106462253A (zh) * | 2016-07-07 | 2017-02-22 | 深圳狗尾草智能科技有限公司 | 基于交互信息的评分方法及系统 |
CN106227740A (zh) * | 2016-07-12 | 2016-12-14 | 北京光年无限科技有限公司 | 一种面向对话系统的数据处理方法及装置 |
WO2018058994A1 (zh) * | 2016-09-30 | 2018-04-05 | 华为技术有限公司 | 基于深度学习的对话方法、装置及设备 |
CN107885756A (zh) * | 2016-09-30 | 2018-04-06 | 华为技术有限公司 | 基于深度学习的对话方法、装置及设备 |
CN106446213A (zh) * | 2016-09-30 | 2017-02-22 | 北京百度网讯科技有限公司 | 基于人工智能的服务排序方法和装置 |
US11449678B2 (en) | 2016-09-30 | 2022-09-20 | Huawei Technologies Co., Ltd. | Deep learning based dialog method, apparatus, and device |
CN106446213B (zh) * | 2016-09-30 | 2020-04-14 | 北京百度网讯科技有限公司 | 基于人工智能的服务排序方法和装置 |
CN107885756B (zh) * | 2016-09-30 | 2020-05-08 | 华为技术有限公司 | 基于深度学习的对话方法、装置及设备 |
CN106570181B (zh) * | 2016-11-09 | 2020-07-28 | 武汉泰迪智慧科技有限公司 | 基于上下文管理的智能交互方法及系统 |
CN108073587A (zh) * | 2016-11-09 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 一种自动问答方法、装置及电子设备 |
CN108073587B (zh) * | 2016-11-09 | 2022-05-27 | 阿里巴巴集团控股有限公司 | 一种自动问答方法、装置及电子设备 |
CN106570181A (zh) * | 2016-11-09 | 2017-04-19 | 武汉泰迪智慧科技有限公司 | 基于上下文管理的智能交互方法及系统 |
CN106547742A (zh) * | 2016-11-30 | 2017-03-29 | 百度在线网络技术(北京)有限公司 | 基于人工智能的语义解析结果处理方法和装置 |
CN106547742B (zh) * | 2016-11-30 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 基于人工智能的语义解析结果处理方法和装置 |
WO2018103023A1 (zh) * | 2016-12-07 | 2018-06-14 | 深圳前海达闼云端智能科技有限公司 | 人机混合决策方法和装置 |
CN107223261A (zh) * | 2016-12-07 | 2017-09-29 | 深圳前海达闼云端智能科技有限公司 | 人机混合决策方法和装置 |
CN106649739A (zh) * | 2016-12-23 | 2017-05-10 | 深圳市空谷幽兰人工智能科技有限公司 | 多轮交互信息继承识别方法、装置以及交互系统 |
CN106649739B (zh) * | 2016-12-23 | 2020-09-11 | 广东惠禾科技发展有限公司 | 多轮交互信息继承识别方法、装置以及交互系统 |
CN110462676A (zh) * | 2017-03-23 | 2019-11-15 | 三星电子株式会社 | 电子装置、其控制方法和非暂态计算机可读记录介质 |
CN106997342A (zh) * | 2017-03-27 | 2017-08-01 | 上海奔影网络科技有限公司 | 基于多轮交互的意图识别方法和装置 |
CN108766421B (zh) * | 2017-04-20 | 2020-09-15 | 杭州萤石网络有限公司 | 语音交互的方法及装置 |
CN108766421A (zh) * | 2017-04-20 | 2018-11-06 | 杭州萤石网络有限公司 | 语音交互的方法及装置 |
CN107180080A (zh) * | 2017-04-28 | 2017-09-19 | 北京神州泰岳软件股份有限公司 | 一种多交互模式的智能问答方法及装置 |
CN107301213A (zh) * | 2017-06-09 | 2017-10-27 | 腾讯科技(深圳)有限公司 | 智能问答方法及装置 |
WO2019000240A1 (zh) * | 2017-06-27 | 2019-01-03 | 华为技术有限公司 | 一种问答系统及问答方法 |
CN110799970A (zh) * | 2017-06-27 | 2020-02-14 | 华为技术有限公司 | 一种问答系统及问答方法 |
CN109215642A (zh) * | 2017-07-04 | 2019-01-15 | 阿里巴巴集团控股有限公司 | 人机会话的处理方法、装置及电子设备 |
CN110019724A (zh) * | 2017-12-21 | 2019-07-16 | 上海智臻智能网络科技股份有限公司 | 修改问答系统的装置 |
CN108170749B (zh) * | 2017-12-21 | 2021-06-11 | 北京百度网讯科技有限公司 | 基于人工智能的对话方法、装置及计算机可读介质 |
CN110019724B (zh) * | 2017-12-21 | 2024-06-11 | 上海智臻智能网络科技股份有限公司 | 修改问答系统的装置 |
CN108170749A (zh) * | 2017-12-21 | 2018-06-15 | 北京百度网讯科技有限公司 | 基于人工智能的对话方法、装置及计算机可读介质 |
WO2019174450A1 (zh) * | 2018-03-15 | 2019-09-19 | 北京京东尚科信息技术有限公司 | 一种对话生成的方法和装置 |
WO2019205679A1 (zh) * | 2018-04-26 | 2019-10-31 | 华为技术有限公司 | 一种信息处理方法及装置 |
CN113536093A (zh) * | 2018-04-26 | 2021-10-22 | 华为技术有限公司 | 一种信息处理方法及装置 |
CN109948017A (zh) * | 2018-04-26 | 2019-06-28 | 华为技术有限公司 | 一种信息处理方法及装置 |
CN109948017B (zh) * | 2018-04-26 | 2021-03-30 | 华为技术有限公司 | 一种信息处理方法及装置 |
CN108804529A (zh) * | 2018-05-02 | 2018-11-13 | 深圳智能思创科技有限公司 | 一种基于Web的问答系统实现方法 |
CN109002434A (zh) * | 2018-05-31 | 2018-12-14 | 青岛理工大学 | 客服问答匹配方法、服务器及存储介质 |
CN109062973A (zh) * | 2018-06-29 | 2018-12-21 | 北京百度网讯科技有限公司 | 一种问答资源的挖掘方法、装置、服务器及存储介质 |
CN109033229A (zh) * | 2018-06-29 | 2018-12-18 | 北京百度网讯科技有限公司 | 问答处理方法和装置 |
CN109033229B (zh) * | 2018-06-29 | 2021-06-11 | 北京百度网讯科技有限公司 | 问答处理方法和装置 |
US11775760B2 (en) | 2018-08-29 | 2023-10-03 | Tencent Technology (Shenzhen) Company Limited | Man-machine conversation method, electronic device, and computer-readable medium |
TWI732271B (zh) * | 2018-08-29 | 2021-07-01 | 大陸商騰訊科技(深圳)有限公司 | 人機對話方法、裝置、電子設備及電腦可讀媒體 |
CN109213847A (zh) * | 2018-09-14 | 2019-01-15 | 广州神马移动信息科技有限公司 | 答案的分层方法及其装置、电子设备、计算机可读介质 |
CN109388697A (zh) * | 2018-10-10 | 2019-02-26 | 成都小多科技有限公司 | 处理问答语料的方法、装置及电子终端 |
CN109598658B (zh) * | 2018-11-30 | 2023-05-02 | 暨南大学 | 一种新生入学服务系统和方法 |
CN109598658A (zh) * | 2018-11-30 | 2019-04-09 | 暨南大学 | 一种新生入学服务系统和方法 |
CN109800286A (zh) * | 2018-12-17 | 2019-05-24 | 北京百度网讯科技有限公司 | 对话生成方法和装置 |
CN109815482B (zh) * | 2018-12-17 | 2023-05-23 | 北京百度网讯科技有限公司 | 一种新闻交互的方法、装置、设备和计算机存储介质 |
CN109815482A (zh) * | 2018-12-17 | 2019-05-28 | 北京百度网讯科技有限公司 | 一种新闻交互的方法、装置、设备和计算机存储介质 |
CN110633426A (zh) * | 2019-02-26 | 2019-12-31 | 北京蓦然认知科技有限公司 | 一种智能交互平台中的任务处理方法及装置 |
CN110222161A (zh) * | 2019-05-07 | 2019-09-10 | 北京来也网络科技有限公司 | 对话机器人智能应答方法及装置 |
CN112115239A (zh) * | 2019-06-20 | 2020-12-22 | 北京京东尚科信息技术有限公司 | 一种人机对话的方法、装置和存储介质 |
CN112800188A (zh) * | 2019-11-13 | 2021-05-14 | 阿里巴巴集团控股有限公司 | 一种对话处理方法及装置 |
CN112800188B (zh) * | 2019-11-13 | 2024-02-27 | 阿里巴巴集团控股有限公司 | 一种对话处理方法及装置 |
CN111159365B (zh) * | 2019-11-26 | 2023-11-17 | 国网湖南省电力有限公司 | 调度模型本体智能问答系统的实现方法、系统及存储介质 |
CN111159365A (zh) * | 2019-11-26 | 2020-05-15 | 国网湖南省电力有限公司 | 调度模型本体智能问答系统的实现方法、系统及存储介质 |
CN111047436B (zh) * | 2019-12-25 | 2023-08-11 | 出门问问信息科技有限公司 | 一种信息判定方法及装置 |
CN111047436A (zh) * | 2019-12-25 | 2020-04-21 | 出门问问信息科技有限公司 | 一种信息判定方法及装置 |
CN111177359A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 多轮对话方法和装置 |
CN111680135B (zh) * | 2020-04-20 | 2023-08-25 | 重庆兆光科技股份有限公司 | 一种基于隐式知识的阅读理解方法 |
CN111680135A (zh) * | 2020-04-20 | 2020-09-18 | 重庆兆光科技股份有限公司 | 一种基于隐式知识的阅读理解方法 |
CN111666394A (zh) * | 2020-04-30 | 2020-09-15 | 北京捷通华声科技股份有限公司 | 一种文本处理方法及装置 |
WO2021109690A1 (zh) * | 2020-06-17 | 2021-06-10 | 平安科技(深圳)有限公司 | 多类型问题智能问答方法、系统、设备及可读存储介质 |
CN112507089A (zh) * | 2020-11-25 | 2021-03-16 | 厦门渊亭信息科技有限公司 | 一种基于知识图谱的智能问答引擎及其实现方法 |
CN112632255A (zh) * | 2020-12-29 | 2021-04-09 | 海信视像科技股份有限公司 | 一种获取问答结果的方法及装置 |
CN113449117A (zh) * | 2021-06-24 | 2021-09-28 | 武汉工程大学 | 一种基于Bi-LSTM和中文知识图谱的复合问答方法 |
CN113449117B (zh) * | 2021-06-24 | 2023-09-26 | 武汉工程大学 | 一种基于Bi-LSTM和中文知识图谱的复合问答方法 |
CN114840671A (zh) * | 2022-04-29 | 2022-08-02 | 北京百度网讯科技有限公司 | 对话生成方法、模型的训练方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105159996B (zh) | 2018-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105159996A (zh) | 基于人工智能的深度问答服务提供方法和装置 | |
CN103577501B (zh) | 热点话题搜索系统及热点话题搜索方法 | |
CN108345690B (zh) | 智能问答方法与系统 | |
CN102262634B (zh) | 一种自动问答方法及系统 | |
US8554854B2 (en) | Systems and methods for identifying terms relevant to web pages using social network messages | |
CN106202294B (zh) | 基于关键词和主题模型融合的相关新闻计算方法及装置 | |
CN1936893B (zh) | 基于互联网信息的输入法词频库的生成方法和系统 | |
CN105045875B (zh) | 个性化信息检索方法及装置 | |
CN102831128B (zh) | 一种对互联网上的同名人物信息进行分类的方法及装置 | |
CN105653738A (zh) | 基于人工智能的搜索结果播报方法和装置 | |
CN103186550A (zh) | 一种视频的相关视频列表的生成方法及系统 | |
US10180964B1 (en) | Candidate answer passages | |
CN103544663A (zh) | 网络公开课的推荐方法、系统和移动终端 | |
CN103064956A (zh) | 用于搜索电子内容的方法、计算系统和计算机可读介质 | |
CN110110225B (zh) | 基于用户行为数据分析的在线教育推荐模型及构建方法 | |
CN101321190A (zh) | 一种异构网络中的推荐方法及推荐系统 | |
CN103049440A (zh) | 一种相关文章的推荐处理方法和处理系统 | |
EP3005167A1 (en) | Query suggestions based on search data | |
CN110968800B (zh) | 一种信息推荐方法、装置、电子设备及可读存储介质 | |
EP3559888A1 (en) | Systems and methods for intelligent prospect identification using online resources and neural network processing to classify organizations based on published materials | |
US20130268521A1 (en) | Related pivoted search queries | |
CN102737022B (zh) | 获取和搜索相关知识信息的方法及装置 | |
CN105975639B (zh) | 搜索结果排序方法和装置 | |
CN112084307A (zh) | 一种数据处理方法、装置、服务器及计算机可读存储介质 | |
CN101923556A (zh) | 根据句子序列号进行网页搜索的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |