CN105354300A - 一种信息推荐方法及装置 - Google Patents
一种信息推荐方法及装置 Download PDFInfo
- Publication number
- CN105354300A CN105354300A CN201510746440.6A CN201510746440A CN105354300A CN 105354300 A CN105354300 A CN 105354300A CN 201510746440 A CN201510746440 A CN 201510746440A CN 105354300 A CN105354300 A CN 105354300A
- Authority
- CN
- China
- Prior art keywords
- question sentence
- sequence
- association
- question
- core word
- 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
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)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种信息推荐方法及装置,所述方法包括:当与用户进行n次问答交互后,接收用户的当前问句,并提取用户的每个问句对应的核心词,形成与用户问句序列对应的核心词序列;从知识库中搜索与当前问句对应的候选问句集;从关联问句序列信息库中搜索与核心词序列对应的目标关联问句序列,并从所述目标关联问句序列中提取与当前问句对应的当前关联问句;分别计算所述候选问句集中每个问句及所述当前关联问句与当前问句的相似度值;当计算得到的最大相似度值大于相似度阈值时,向用户提供最大相似度值对应问句的答案信息;否则,当最大相似度值小于相似度阈值时,提供当前关联问句的答案信息。上述方案使推荐给用户的答案信息准确率和召回率得到提高。
Description
技术领域
本发明涉及信息交互技术领域,特别涉及一种信息推荐方法及装置。
背景技术
在信息交互技术领域,基于输入的问句,系统通过对问句的分析和计算,可以返回与输入问句相关的信息。例如,在网页搜索技术中,搜索引擎采用关键字匹配的方式返回包含所搜索关键字的网页,以向用户推荐相关的信息。相比之下,基于问答系统的信息交互方式更能向用户提供其想获取的答案信息,较少用户的进一步搜索,提升了用户的交互体验。
准确率和召回率是评价自动问答系统的技术指标。准确率是指问答系统做出正确应答的次数占总共应答次数的比率,召回率是指自动问答系统做出正确应答的次数占知识库中存在正确应答数目的比率。
但目前以自然语言为基础的问答交互系统对用户输入问句的语义理解能力较差,使得推荐给用户的信息还存在准确率和召回率较低的问题。
发明内容
本发明要解决的技术问题是提供一种信息推荐方法及装置,使得推荐给用户的答案信息准确率和召回率得到提高。
为解决上述技术问题,本发明实施例提供一种信息推荐方法,包括:
当与用户进行n次问答交互后,接收用户的当前问句,并提取用户输入的每个问句对应的核心词,形成与用户问句序列对应的核心词序列;其中n为大于0的自然数;
从知识库中搜索与所述当前问句对应的候选问句集;
从关联问句序列信息库中搜索与所述核心词序列对应的目标关联问句序列,并从所述目标关联问句序列中提取与所述当前问句对应的当前关联问句;
分别计算所述候选问句集中每个问句以及所述当前关联问句与所述当前问句的相似度值;
当计算得到的最大相似度值大于相似度阈值时,向用户提供所述最大相似度值对应的问句的答案信息;
否则,当计算得到的最大相似度值小于相似度阈值时,向用户提供所述当前关联问句的答案信息。
可选地,在进行所述相似度值的计算时,所述当前关联问句的权重大于所述候选问句集中每个问句的权重。
可选地,所述提取每个问句对应的核心词,形成与用户问句序列对应的核心词序列包括:
通过依存分析提取用户输入的每个问句的核心词,形成与所述用户问句序列对应的核心词序列。
可选地,所述通过依存分析提取用户输入的每个问句的核心词,包括:
通过依存分析获取所述用户输入的每个问句中的各个词语之间的依存关系,利用依存关系找到每个问句的主语和宾语;
当所述主语为名词时,将所述主语作为核心词;
否则,将所述宾语作为核心词。
可选地,所述关联问句序列信息库通过从知识库中进行关联问句序列挖掘获得,所述知识库用于存储问答交互事务。
可选地,所述关联问句序列信息库通过统计和记录出现频次较高的用户输入的问句序列获得。
可选地,所述从关联问句序列信息库中搜索与所述核心词序列对应的目标关联问句序列,包括:
从所述关联问句序列信息库中查找与所述核心词序列相似度最高的规则序列,作为所述目标关联问句序列。
可选地,所述关联问句序列信息库通过从知识库中进行关联问句序列挖掘获得,包括:
对所述知识库中每一个问答交互事务中的每个问句进行分词;
对分词后的每个问句通过依存分析提取核心词,将所述知识库中每个所述问答交互事务中的每个问句的核心词保存,得到所述知识库的问句事务集;
获取与所述知识库中每个所述问句事务集的核心词强关联规则对应的关联问句序列,形成所述关联问句序列信息库。
可选地,所述对分词后的每个问句通过依存分析提取核心词,包括:
通过依存分析获取所述分词后的每个问句中各个词语之间的依存关系,利用依存关系找到所述有效问句的主语和宾语;
当所述主语为名词时,将所述主语作为核心词;
否则,将所述宾语作为核心词。
可选地,所述获取与所述知识库中每个所述问句事务集的核心词强关联规则对应的关联问句序列,包括:
根据每个所述问答交互事务中的核心词,通过Apriori或FP-Tree方法获取所述问句事务集中的核心词强关联规则,并根据所述核心词强关联规则获取对应的所述关联问句序列。
可选地,所述目标关联问句序列包括的关联问句的数目大于n。
可选地,所述n大于或等于3。
可选地,所述信息推荐方法采用以下方式与用户进行前面n次问答交互:
接收用户的当前问句;
从知识库中搜索与所述当前问句对应的候选问句集;
分别计算所述候选问句集中每个问句与所述当前问句的相似度值;
当计算得到的最大相似度值大于相似度阈值时,向用户提供所述最大相似度值对应的问句的答案信息。
本发明实施例还提供了一种信息推荐装置,包括:
用户问句核心词序列获取单元,适于当与用户进行n次问答交互后,接收用户的当前问句,并提取用户输入的每个问句对应的核心词,形成与用户问句序列对应的核心词序列;其中n为大于0的自然数;
候选问句集查找单元,适于从知识库中搜索与所述当前问句对应的候选问句集;
目标关联问句序列查找单元,适于从关联问句序列信息库中搜索与所述核心词序列对应的目标关联问句序列,并从所述目标关联问句序列中提取与所述当前问句对应的当前关联问句;
相似度计算单元,分别计算所述候选问句集中每个问句以及所述当前关联问句与所述当前问句的相似度值;
答案信息推荐单元,适于当计算得到的最大相似度值大于相似度阈值时,向用户提供所述最大相似度值对应的问句的答案信息;否则,当计算得到的最大相似度值小于相似度阈值时,向用户提供所述当前关联问句的答案信息;
关联问句序列信息库获取单元,适于获取所述关联问句序列信息库,以供查找所述目标关联问句序列。
可选地,所述相似度计算单元在进行所述相似度值的计算时,所述当前关联问句的权重大于所述候选问句集中每个问句的权重。
可选地,所述用户问句核心词序列获取单元:适于通过依存分析提取用户输入的每个问句的核心词,形成与所述用户问句序列对应的核心词序列。
可选地,所述用户问句核心词序列获取单元适于:通过依存分析获取所述用户输入的每个问句中的各个词语之间的依存关系,利用依存关系找到每个问句的主语和宾语;当所述主语为名词时,将所述主语作为核心词;否则,将所述宾语作为核心词。
可选地,所述关联问句序列信息库通过所述关联问句序列信息库获取单元从知识库中进行关联问句序列挖掘获得,所述知识库用于存储问答交互事务。
可选地,所述关联问句序列信息库通过所述关联问句序列信息库获取单元统计和记录出现频次较高的用户输入的问句序列获得。
可选地,所述目标关联问句序列查找单元,适于从所述关联问句序列信息库中查找与所述核心词序列相似度最高的规则序列,作为所述目标关联问句序列。
可选地,所述关联问句序列信息库获取单元包括:分词单元、核心词提取单元和关联问句序列获取单元;
所述分词单元,适于对所述知识库中每一个问答交互事务中的每个问句进行分词;
所述核心词提取单元,适于对分词后的每个问句通过依存分析提取核心词,将所述知识库中每个所述问答交互事务中的每个问句的核心词保存,得到所述知识库的问句事务集;
所述关联问句序列获取单元,适于获取与所述知识库中每个所述问句事务集的核心词强关联规则对应的关联问句序列,形成所述关联问句序列信息库。
可选地,所述核心词提取单元适于:通过依存分析获取所述分词后的每个问句中各个词语之间的依存关系,利用依存关系找到所述有效问句的主语和宾语;当所述主语为名词时,将所述主语作为核心词;否则,将所述宾语作为核心词。
可选地,所述关联问句序列获取单元适于:根据每个所述问答交互事务中的核心词,通过Apriori或FP-Tree方法获取所述问句事务集中的核心词强关联规则,并根据所述核心词强关联规则获取对应的所述关联问句序列。
可选地,所述目标关联问句序列包括的关联问句的数目大于n。
可选地,所述n大于或等于3。
可选地,所述信息推荐装置还包括:前n次问答交互单元,适于接收用户的当前问句,从知识库中搜索与所述当前问句对应的候选问句集;分别计算所述候选问句集中每个问句与所述当前问句的相似度值;当计算得到的最大相似度值大于相似度阈值时,向用户提供所述最大相似度值对应的问句的答案信息。
与现有技术相比,本发明的技术方案具有以下有益效果:
本发明实施例通过从关联问句序列信息库中获取了与用户输入问句序列对应的目标关联问句序列,从而基于所述目标关联问句序列找到对应的当前关联问句,将获得的当前关联问句以及其他候选问句与当前问句进行相似度计算。其中,当前关联问句用于与候选问句一起参与当前问句相似度计算,由于当前关联问句是从与用户输入问句序列对应的关联问句序列中获得的,从而增加了系统推荐正确答案信息的可能性,提升了问答系统推荐信息的准确率和召回率。
进一步地,在进行相似度计算时,本发明实施例的技术方案赋予当前关联问句相比候选问句权重较高的权重值,将所述当前关联问句作为用户很可能输入的当前问句,而当前关联问句是从与用户输入的问句序列匹配的关联问句序列中获得,进而增加了系统理解用户输入问句的语义理解能力,提升了问答系统推荐信息的准确率和召回率。
进一步地,通过使用依存分析这种能够对语句更深层次的词语之间的修饰关系进行分析的方法,来获得用户输入问句的核心词序列,可以提高系统理解用户输入问句的能力,进而提高问答系统推荐信息的准确率和召回率。
进一步地,本发明实施例的所述关联问句序列信息库通过对知识库中的问句进行关联问句序列挖掘而获得,从而可以获取与用户输入问句序列匹配程度较高的关联问句序列,获得较准确的当前关联问句参与相似度计算,提升了系统推荐用户信息的准确率和召回率。
附图说明
图1是本发明第一实施例中的一种信息推荐方法的流程图;
图2是获得步骤S103中所述“关联问句序列信息库”的一种细化流程图;
图3是本发明第二实施例中的一种信息推荐方法的流程图;
图4是本发明第三施例中的一种信息推荐装置的结构示意图;
图5是本发明第四实施例的一种信息推荐装置的结构示意图。
具体实施方式
如前所述,现有技术中,问答交互系统对用户输入问句的语义理解能力较差,使得推荐给用户的信息还存在准确率和召回率较低的问题。
本发明实施例通过从关联问句序列信息库中获取n次问答交互后与用户输入问句序列对应的目标关联问句序列,从而基于所述目标关联问句序列找到与当前问句对应的当前关联问句,将获得的当前关联问句以及其他候选问句与所述当前问句进行相似度计算,由于与候选问句一起参与当前问句相似度计算的当前关联问句是从与用户输入问句序列对应的关联问句序列中获得的,从而增加了系统推荐正确答案信息的可能性,提升了问答系统推荐信息的准确率和召回率。
为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
第一实施例
下面结合图1和图2对本发明的第一实施例中的一种信息推荐方法的流程图进行说明。如图1所示的一种信息推荐方法,可以包括以下步骤:
步骤S101:当与用户进行n次问答交互后,接收用户的当前问句,并提取用户输入的每个问句对应的核心词,形成与用户问句序列对应的核心词序列;其中n为大于0的自然数;
步骤S102:从知识库中搜索与所述当前问句对应的候选问句集;
步骤S103:从关联问句序列信息库中搜索与所述核心词序列对应的目标关联问句序列,并从所述目标关联问句序列中提取与所述当前问句对应的当前关联问句;
步骤S104:分别计算所述候选问句集中每个问句以及所述当前关联问句与所述当前问句的相似度值;
步骤S105:判断计算得到的最大相似度值与相似度阈值的关系;
步骤S106:当计算得到的最大相似度值大于相似度阈值时,向用户提供所述最大相似度值对应的问句的答案信息;
步骤S107:当计算得到的最大相似度值小于相似度阈值时,向用户提供所述当前关联问句的答案信息。
在具体实施中,当计算得到的最大相似度值等于相似度阈值时,向用户提供所述当前关联问句的答案信息或者最大相似度值对应的问句的答案信息。
在具体实施中,步骤101中所述提取每个问句对应的核心词,形成与用户问句序列对应的核心词序列,可以通过依存分析方法来提取用户输入的每个问句的核心词,形成与所述用户问句序列对应的核心词序列。
具体地,所述通过依存分析提取用户输入的每个问句的核心词,可以包括以下方法:
通过依存分析获取用户输入的每个问句中的各个词语之间的依存关系,利用所述依存关系找到每个问句的主语和宾语;
当所述主语为名词时,将所述主语作为核心词;
否则,将所述宾语作为核心词。
例如,用户输入的问句为“银行卡如何开通”,利用依存关系可以找到该问句的主语时是“银行卡”,“银行卡”为名词,则将“银行卡”作为该问句的核心词;又如用户输入的问句为“谁是小明的父亲”,利用依存关系可以找到该问句的主语“谁”和宾语“父亲”,但“谁”不是名词,则将宾语“父亲”作为该问句的核心词。
在具体实施中,步骤S102中所述的候选问句集为与所述当前问句相似度较高的问句的集合,通过从知识库中进行问句匹配计算获得,具体可以设置特定阈值,将知识库中与当前问句相似度达到特定阈值的问句归于所述候选问句集中,所述候选问句集的问句数目可以通过调整设置上述特定阈值来进行限定。
在具体实施中,步骤S103中所述从关联问句序列信息库中搜索与所述核心词序列对应的目标关联问句序列,可以通过从所述关联问句序列信息库中查找与所述核心词序列相似度最高的规则序列,作为所述目标关联问句序列。
其中,所述关联问句序列信息库的获得可以有多种方式。
其中一种方式为通过统计和记录出现频次较高的用户输入的问句序列获得所述关联问句序列信息库;
另一种方式为通过从知识库中进行关联问句序列挖掘获得,请参照图2,图2示出了获得步骤S103中所述“关联问句序列信息库”的细化流程,该流程通过从知识库中进行关联问句序列挖掘获得所述关联问句序列信息库:
步骤S201:对所述知识库中每一个问答交互事务中的每个问句进行分词;
步骤S202:对分词后的每个问句通过依存分析提取核心词,将所述知识库中每个所述问答交互事务中的每个问句的核心词保存,得到所述知识库的问句事务集;
步骤S203:获取与所述知识库中每个所述问句事务集的核心词强关联规则对应的关联问句序列,形成所述关联问句序列信息库。
步骤S202中所述对分词后的每个问句通过依存分析提取核心词,可以包括:通过依存分析获取所述分词后的每个问句中各个词语之间的依存关系,利用依存关系找到所述有效问句的主语和宾语;当所述主语为名词时,将所述主语作为核心词;否则,将所述宾语作为核心词。
步骤S203中所述获取与所述知识库中每个所述问句事务集的核心词强关联规则对应的关联问句序列,可以包括:根据每个所述问答交互事务中的核心词,通过Apriori或FP-Tree方法获取所述问句事务集中的核心词强关联规则,并根据所述核心词强关联规则获取对应的所述关联问句序列。其中,所述一个问答交互事务为用户与系统开始对话至用户离开过程中产生的人机问答交互,该交互事务包括若干问答语句对,所述问答交互事务存储于所述知识库中。
需要说明的是,在具体实施中可以先执行步骤S102再执行步骤S103,也可以先执行步骤S103再执行步骤S102,其不限制本发明的保护范围。
在具体实施中,所述目标关联问句序列包括的关联问句的数目大于n,使得能从所述目标关联问句序列中提取到与当前问句对应的当前关联问句。
需要说明的是,所述交互可以是文本交互或语音交互等任一种或多种交互方式的组合。但是后续处理的对象都是文本信息,因此当为语音交互等非文本交互方式时,需要将语音等信息转换为文本信息。
在具体实施中,步骤S105预设的所述相似度阈值相比步骤102中所需设置的相似度阈值较高,从而实现匹配到与当前问句相似度最高的问句,进而将最大相似度值对应的问句的答案信息推荐给用户,以期该答案信息接近甚至复合用户的真实意图。
在步骤S107中,如果得到的最大相似度值小于所述相似度阈值时,仍然需要针对用户当前问句向用户推荐答案信息,这时,认为当前关联问句相较于知识库中的其他问句更接近用户的当前问句,那么反馈该当前问句对应的答案信息也较符合用户的真实意图,使得用户的体验得到提高。
在具体实施中,可以采用以下方式与用户进行前面n次问答交互:
接收用户的当前问句;
从知识库中搜索与所述当前问句对应的候选问句集;
分别计算所述候选问句集中每个问句与所述当前问句的相似度值;
当计算得到的最大相似度值大于相似度阈值时,向用户提供所述最大相似度值对应的问句的答案信息。
在具体实施中,如果n取值较大,本发明技术方案为用户推荐答案信息的目的也就没有意义,如果n取值较小不利于理解用户的意图,因此为使本发明的技术方案有较好的实施效果,所述n取值为大于或等于3。
下面以n取值3为例,对第一实施例进行说明:
在用户的前3次问答交互中,基于每次用户输入的问句,计算搜索得到的候选问句集中问句与当前问句的相似度,当计算得到的最大相似度值大于相似度阈值K时,向用户提供所述最大相似度值对应问句的答案信息;
当用户第4次输入问句时,通过依存分析提取用户输入的4个问句的核心词得到核心词序列H1,从知识库中搜索与当前第4个问句对应的候选问句集,候选问句集中的问句数目为20,从关联问句序列信息库中搜索与所述核心词序列H1对应的目标关联问句序列H2,并从所述目标关联问句序列H2中提取与所述当前第4个问句对应的当前关联问句M,其中,所述关联问句序列信息库通过从知识库中进行关联问句序列挖掘获得,分别计算所述候选问句集中20个问句的每个问句与当前第4个问句的相似度值,以及计算当前关联问句M与所述第4个问句的相似度值,经比较得到最大的相似度值,当最大相似度值大于相似度阈值K时,向用户推荐最大相似度值对应的问句的答案信息,当最大相似度值小于相似度阈值K时,向用户推荐所述当前关联问句M的答案信息,当最大相似度值等于相似度阈值K时,向用户推荐所述当前关联问句的答案信息或者最大相似度值对应的问句的答案信息;
当用户继续发起交互输入问句时,依次类推,重新执行步骤S101至步骤S107,在此不再赘述。
本发明实施例通过从关联问句序列信息库中获取n次问答交互后与用户输入问句序列对应的目标关联问句序列,从而基于所述目标关联问句序列找到与当前问句对应的当前关联问句,将获得的当前关联问句以及其他候选问句与所述当前问句进行相似度计算,由于与候选问句一起参与当前问句相似度计算的当前关联问句是从与用户输入问句序列对应的关联问句序列中获得的,从而增加了系统推荐正确答案信息的可能性,提升了问答系统推荐信息的准确率和召回率。
进一步地,本实施例通过使用依存分析这种能够对语句更深层次的词语之间的修饰关系进行分析的方法,来获得用户输入问句的核心词序列,可以提高系统理解用户输入问句的能力,进而提高问答系统推荐信息的准确率和召回率。
进一步地,本实施例的所述关联问句序列信息库通过对知识库中的问句进行关联问句序列挖掘而获得,从而可以获取与用户输入问句序列匹配程度较高的关联问句序列,获得较准确的当前关联问句参与相似度计算,提升了系统推荐用户信息的准确率和召回率。
第二实施例
下面结合图2和图3对本发明的第二实施例进行说明,图3是本发明第二实施例中的一种信息推荐方法的流程图,所述信息推荐方法可以包括:
步骤S301:当与用户进行n次问答交互后,接收用户的当前问句,并提取用户输入的每个问句对应的核心词,形成与用户问句序列对应的核心词序列;其中n为大于0的自然数;
步骤S302:从知识库中搜索与所述当前问句对应的候选问句集;
步骤S303:从关联问句序列信息库中搜索与所述核心词序列对应的目标关联问句序列,并从所述目标关联问句序列中提取与所述当前问句对应的当前关联问句;
步骤S304:赋予所述当前关联问句比所述候选问句集中每个问句权重大的权重值;
步骤S305:分别计算所述候选问句集中每个问句以及所述当前关联问句与所述当前问句的相似度值;
步骤S306:判断计算得到的最大相似度值与相似度阈值的关系;
步骤S307:当计算得到的最大相似度值大于相似度阈值时,向用户提供所述最大相似度值对应的问句的答案信息;
步骤S308:当计算得到的最大相似度值小于相似度阈值时,向用户提供所述当前关联问句的答案信息。
在具体实施中,当计算得到的最大相似度值等于相似度阈值时,向用户提供所述当前关联问句的答案信息或者最大相似度值对应的问句的答案信息。
除步骤S304外,本实施例的其他步骤与第一实施例中相同,因此,步骤上S301至S303,以及步骤S305至309可参照第一实施例中的相应描述,在此不再赘述。
在步骤S303的具体实施中,通过从知识库中进行关联问句序列挖掘获得关联问句序列信息库,仍可参照图2以及第一实施例中的具体步骤。
在本实施例中,步骤S304赋予所述当前关联问句比所述候选问句集中每个问句权重大的权重值,使得所述当前关联问句以较高的权重值参加与当前问句的相似度计算,由于所述当前关联问句更可能接近于用户输入的当前问句,系统理解用户输入问句的语义理解能力得到提高,进而提升了问答系统推荐信息的准确率和召回率。
第三实施例
图4是本发明第三施例中的一种信息推荐装置的结构示意图。如图所示的信息推荐装置40,可以包括:用户问句核心词序列获取单元401、候选问句集查找单元402、目标关联问句序列查找单元403、相似度计算单元404、答案信息推荐单元405和关联问句序列信息库获取单元406。
所述用户问句核心词序列获取单元401,适于当与用户进行n次问答交互后,接收用户的当前问句,并提取用户输入的每个问句对应的核心词,形成与用户问句序列对应的核心词序列;其中n为大于0的自然数;
所述候选问句集查找单元402,适于从知识库中搜索与所述当前问句对应的候选问句集;
所述目标关联问句序列查找单元403,适于从关联问句序列信息库中搜索与所述核心词序列对应的目标关联问句序列,并从所述目标关联问句序列中提取与所述当前问句对应的当前关联问句;
所述相似度计算单元404,分别计算所述候选问句集中每个问句以及所述当前关联问句与所述当前问句的相似度值;
所述答案信息推荐单元405,适于当计算得到的最大相似度值大于相似度阈值时,向用户提供所述最大相似度值对应的问句的答案信息;否则,当计算得到的最大相似度值小于相似度阈值时,向用户提供所述当前关联问句的答案信息;
所述关联问句序列信息库获取单元406,适于获取所述关联问句序列信息库,以供查找所述目标关联问句序列。
在具体实施中,所述用户问句核心词序列获取单元401,可以通过依存分析提取用户输入的每个问句的核心词,形成与所述用户问句序列对应的核心词序列。
具体地,所述用户问句核心词序列获取单元401,适于通过依存分析获取所述用户输入的每个问句中的各个词语之间的依存关系,利用依存关系找到每个问句的主语和宾语;当所述主语为名词时,将所述主语作为核心词;否则,将所述宾语作为核心词。
在具体实施中,所述目标关联问句序列查找单元403,适于从所述关联问句序列信息库中查找与所述核心词序列相似度最高的规则序列,作为所述目标关联问句序列。
在具体实施中,所述关联问句序列信息库可以通过关联问句序列信息库获取单元406从知识库中进行关联问句序列挖掘获得,所述知识库用于存储问答交互事务。
在具体实施中,所述关联问句序列信息库还可以通过所述关联问句序列信息库获取单元406统计和记录出现频次较高的用户输入的问句序列获得。
在具体实施中,所述目标关联问句序列包括的关联问句数目大于n。
在具体实施中,所述n大于或等于3。
在具体实施中,所述信息推荐装置40还包括前n次问答交互单元407,适于接收用户的当前问句,从知识库中搜索与所述当前问句对应的候选问句集;分别计算所述候选问句集中每个问句与所述当前问句的相似度值;当计算得到的最大相似度值大于相似度阈值时,向用户提供所述最大相似度值对应的问句的答案信息。
本发明实施例通过在与用户进行n次问答交互后,自第n+1次问答交互起,每次用户输入当前问句后,从关联问句序列信息库中获取与用户输入问句序列对应的目标关联问句序列,从而基于所述目标关联问句序列找到与当前问句对应的当前关联问句,将获得的当前关联问句以及其他候选问句与所述当前问句进行相似度计算,由于与候选问句一起参与当前问句相似度计算的当前关联问句是从与用户输入问句序列对应的关联问句序列中获得的,使得参加与当前问句进行相似度匹配的所有问句中增加了一条可能更接近于用户当前输入问句的真实语义,从而增加了系统推荐正确答案信息的可能性,提升了问答系统推荐信息的准确率和召回率。
进一步地,通过使用依存分析这种能够对语句更深层次的词语之间的修饰关系进行分析的方法,来获得用户输入问句的核心词序列,可以提高系统理解用户输入问句的能力,进而提高问答系统推荐信息的准确率和召回率。
在具体实施中,所述相似度计算单元404在进行所述相似度值的计算时,还适于设置所述当前关联问句的权重大于所述候选问句集中每个问句的权重。
本实施例通过在进行相似度计算时,赋予当前关联问句相比候选问句权重较高的权重值,推定所述当前问句更可能接近于用户输入的当前问句,进而增加了系统理解用户输入问句的语义理解能力,提升了问答系统推荐信息的准确率和召回率。
第四实施例
图5是本发明第四实施例的一种信息推荐装置的结构示意图。
如图所示,所述信息推荐装置50可以包括:用户问句核心词序列获取单元501、候选问句集查找单元502、目标关联问句序列查找单元503、相似度计算单元504、答案信息推荐单元505、所述关联问句序列信息库获取单元506和前n次问答交互单元507;
所述关联问句序列信息库获取单元506可以包括:分词单元5061、核心词提取单元5062和关联问句序列获取单元5063;
所述分词单元5061,适于对所述知识库中每一个问答交互事务中的每个问句进行分词;
所述核心词提取单元5062,适于对分词后的每个问句通过依存分析提取核心词,将所述知识库中每个所述问答交互事务中的每个问句的核心词保存,得到所述知识库的问句事务集;
所述关联问句序列获取单元5063,适于获取与所述知识库中每个所述问句事务集的核心词强关联规则对应的关联问句序列,形成所述关联问句序列信息库。
在具体实施中,所述核心词提取单元5062适于:通过依存分析获取所述分词后的每个问句中各个词语之间的依存关系,利用依存关系找到所述有效问句的主语和宾语;当所述主语为名词时,将所述主语作为核心词;否则,将所述宾语作为核心词。
在具体实施中,所述关联问句序列获取单元5063适于:根据每个所述问答交互事务中的核心词,通过Apriori或FP-Tree方法获取所述问句事务集中的核心词强关联规则,并根据所述核心词强关联规则获取对应的所述关联问句序列。
除关联问句序列信息库获取单元506外,本发明实施例中的其他单元请参照第三实施例中的相应描述,在此不再赘述。
本发明实施例通过使用依存分析这种能够对语句更深层次的词语之间的修饰关系进行分析的方法,来提取知识库中问答交互事务的问句的核心词,以挖掘关联规则获得关联问句序列信息库,使得基于核心词得到的关联规则更能有效地用于问答系统计算返回用户的答案,提高了问答系统理解用户意图的能力,从而提高了问答系统的准确率和召回率。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (26)
1.一种信息推荐方法,其特征在于,包括:
当与用户进行n次问答交互后,接收用户的当前问句,并提取用户输入的每个问句对应的核心词,形成与用户问句序列对应的核心词序列;其中n为大于0的自然数;
从知识库中搜索与所述当前问句对应的候选问句集;
从关联问句序列信息库中搜索与所述核心词序列对应的目标关联问句序列,并从所述目标关联问句序列中提取与所述当前问句对应的当前关联问句;
分别计算所述候选问句集中每个问句以及所述当前关联问句与所述当前问句的相似度值;
当计算得到的最大相似度值大于相似度阈值时,向用户提供所述最大相似度值对应的问句的答案信息;
否则,当计算得到的最大相似度值小于相似度阈值时,向用户提供所述当前关联问句的答案信息。
2.根据权利要求1所述的信息推荐方法,其特征在于,在进行所述相似度值的计算时,所述当前关联问句的权重大于所述候选问句集中每个问句的权重。
3.根据权利要求1所述的信息推荐方法,其特征在于,所述提取每个问句对应的核心词,形成与用户问句序列对应的核心词序列包括:
通过依存分析提取用户输入的每个问句的核心词,形成与所述用户问句序列对应的核心词序列。
4.根据权利要求3所述的信息推荐方法,其特征在于,所述通过依存分析提取用户输入的每个问句的核心词,包括:
通过依存分析获取所述用户输入的每个问句中的各个词语之间的依存关系,利用依存关系找到每个问句的主语和宾语;
当所述主语为名词时,将所述主语作为核心词;
否则,将所述宾语作为核心词。
5.根据权利要求1所述的信息推荐方法,其特征在于,所述关联问句序列信息库通过从知识库中进行关联问句序列挖掘获得,所述知识库用于存储问答交互事务。
6.根据权利要求1所述的信息推荐方法,其特征在于,所述关联问句序列信息库通过统计和记录出现频次较高的用户输入的问句序列获得。
7.根据权利要求1所述的信息推荐方法,其特征在于,所述从关联问句序列信息库中搜索与所述核心词序列对应的目标关联问句序列,包括:
从所述关联问句序列信息库中查找与所述核心词序列相似度最高的规则序列,作为所述目标关联问句序列。
8.根据权利要求5所述的语义推荐的方法,其特征在于,所述关联问句序列信息库通过从知识库中进行关联问句序列挖掘获得,包括:
对所述知识库中每一个问答交互事务中的每个问句进行分词;
对分词后的每个问句通过依存分析提取核心词,将所述知识库中每个所述问答交互事务中的每个问句的核心词保存,得到所述知识库的问句事务集;
获取与所述知识库中每个所述问句事务集的核心词强关联规则对应的关联问句序列,形成所述关联问句序列信息库。
9.根据权利要求8所述的信息推荐方法,其特征在于,所述对分词后的每个问句通过依存分析提取核心词,包括:
通过依存分析获取所述分词后的每个问句中各个词语之间的依存关系,利用依存关系找到所述有效问句的主语和宾语;
当所述主语为名词时,将所述主语作为核心词;
否则,将所述宾语作为核心词。
10.根据权利要求8所述的信息推荐方法,其特征在于,所述获取与所述知识库中每个所述问句事务集的核心词强关联规则对应的关联问句序列,包括:
根据每个所述问答交互事务中的核心词,通过Apriori或FP-Tree方法获取所述问句事务集中的核心词强关联规则,并根据所述核心词强关联规则获取对应的所述关联问句序列。
11.根据权利要求1所述的信息推荐方法,其特征在于,所述目标关联问句序列包括的关联问句的数目大于n。
12.根据权利要求1或11所述的信息推荐方法,其特征在于,所述n大于或等于3。
13.根据权利要求1所述的信息推荐方法,其特征在于,还包括:采用以下方式与用户进行前面n次问答交互:
接收用户的当前问句;
从知识库中搜索与所述当前问句对应的候选问句集;
分别计算所述候选问句集中每个问句与所述当前问句的相似度值;
当计算得到的最大相似度值大于相似度阈值时,向用户提供所述最大相似度值对应的问句的答案信息。
14.一种信息推荐装置,其特征在于,包括:
用户问句核心词序列获取单元,适于当与用户进行n次问答交互后,接收用户的当前问句,并提取用户输入的每个问句对应的核心词,形成与用户问句序列对应的核心词序列;其中n为大于0的自然数;
候选问句集查找单元,适于从知识库中搜索与所述当前问句对应的候选问句集;
目标关联问句序列查找单元,适于从关联问句序列信息库中搜索与所述核心词序列对应的目标关联问句序列,并从所述目标关联问句序列中提取与所述当前问句对应的当前关联问句;
相似度计算单元,分别计算所述候选问句集中每个问句以及所述当前关联问句与所述当前问句的相似度值;
答案信息推荐单元,适于当计算得到的最大相似度值大于相似度阈值时,向用户提供所述最大相似度值对应的问句的答案信息;否则,当计算得到的最大相似度值小于相似度阈值时,向用户提供所述当前关联问句的答案信息;
关联问句序列信息库获取单元,适于获取所述关联问句序列信息库,以供查找所述目标关联问句序列。
15.根据权利要求14所述的信息推荐装置,其特征在于,所述相似度计算单元在进行所述相似度值的计算时,所述当前关联问句的权重大于所述候选问句集中每个问句的权重。
16.根据权利要求14所述的信息推荐装置,其特征在于,所述用户问句核心词序列获取单元:适于通过依存分析提取用户输入的每个问句的核心词,形成与所述用户问句序列对应的核心词序列。
17.根据权利要求16所述的信息推荐装置,其特征在于,所述用户问句核心词序列获取单元适于:通过依存分析获取所述用户输入的每个问句中的各个词语之间的依存关系,利用依存关系找到每个问句的主语和宾语;当所述主语为名词时,将所述主语作为核心词;否则,将所述宾语作为核心词。
18.根据权利要求14所述的信息推荐装置,其特征在于,所述关联问句序列信息库通过所述关联问句序列信息库获取单元从知识库中进行关联问句序列挖掘获得,所述知识库用于存储问答交互事务。
19.根据权利要求14所述的信息推荐装置,其特征在于,所述关联问句序列信息库通过所述关联问句序列信息库获取单元统计和记录出现频次较高的用户输入的问句序列获得。
20.根据权利要求14所述的信息推荐装置,其特征在于,所述目标关联问句序列查找单元,适于从所述关联问句序列信息库中查找与所述核心词序列相似度最高的规则序列,作为所述目标关联问句序列。
21.根据权利要求18所述的信息推荐装置,其特征在于,所述关联问句序列信息库获取单元包括:分词单元、核心词提取单元和关联问句序列获取单元;
所述分词单元,适于对所述知识库中每一个问答交互事务中的每个问句进行分词;
所述核心词提取单元,适于对分词后的每个问句通过依存分析提取核心词,将所述知识库中每个所述问答交互事务中的每个问句的核心词保存,得到所述知识库的问句事务集;
所述关联问句序列获取单元,适于获取与所述知识库中每个所述问句事务集的核心词强关联规则对应的关联问句序列,形成所述关联问句序列信息库。
22.根据权利要求21所述的信息推荐装置,其特征在于,所述核心词提取单元适于:通过依存分析获取所述分词后的每个问句中各个词语之间的依存关系,利用依存关系找到所述有效问句的主语和宾语;当所述主语为名词时,将所述主语作为核心词;否则,将所述宾语作为核心词。
23.根据权利要求21所述的信息推荐装置,其特征在于,所述关联问句序列获取单元适于:根据每个所述问答交互事务中的核心词,通过Apriori或FP-Tree方法获取所述问句事务集中的核心词强关联规则,并根据所述核心词强关联规则获取对应的所述关联问句序列。
24.根据权利要求14所述的信息推荐装置,其特征在于,所述目标关联问句序列包括的关联问句的数目大于n。
25.根据权利要求14或24所述的信息推荐装置,其特征在于,所述n大于或等于3。
26.根据权利要求14所述的信息推荐装置,其特征在于,还包括:前n次问答交互单元,适于接收用户的当前问句,从知识库中搜索与所述当前问句对应的候选问句集;分别计算所述候选问句集中每个问句与所述当前问句的相似度值;当计算得到的最大相似度值大于相似度阈值时,向用户提供所述最大相似度值对应的问句的答案信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510746440.6A CN105354300B (zh) | 2015-11-05 | 2015-11-05 | 一种信息推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510746440.6A CN105354300B (zh) | 2015-11-05 | 2015-11-05 | 一种信息推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105354300A true CN105354300A (zh) | 2016-02-24 |
CN105354300B CN105354300B (zh) | 2019-04-05 |
Family
ID=55330272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510746440.6A Active CN105354300B (zh) | 2015-11-05 | 2015-11-05 | 一种信息推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105354300B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740476A (zh) * | 2016-03-18 | 2016-07-06 | 科润智能科技股份有限公司 | 一种相关联问题推荐方法、装置及系统 |
CN105893524A (zh) * | 2016-03-31 | 2016-08-24 | 上海智臻智能网络科技股份有限公司 | 一种智能问答方法及装置 |
CN106095932A (zh) * | 2016-06-13 | 2016-11-09 | 竹间智能科技(上海)有限公司 | 百科知识问句识别方法及装置 |
CN106485370A (zh) * | 2016-11-03 | 2017-03-08 | 上海智臻智能网络科技股份有限公司 | 一种信息预测的方法和装置 |
CN107222383A (zh) * | 2016-03-21 | 2017-09-29 | 科大讯飞股份有限公司 | 一种对话管理方法和系统 |
WO2017177901A1 (zh) * | 2016-04-12 | 2017-10-19 | 芋头科技(杭州)有限公司 | 一种语义匹配方法及智能设备 |
CN107368590A (zh) * | 2017-06-08 | 2017-11-21 | 张豪夺 | 为用户推荐提问及回答的方法、存储介质及应用服务器 |
WO2017198031A1 (zh) * | 2016-05-19 | 2017-11-23 | 北京京东尚科信息技术有限公司 | 解析语义的方法和装置 |
CN107844533A (zh) * | 2017-10-19 | 2018-03-27 | 云南大学 | 一种智能问答系统及分析方法 |
WO2018149326A1 (zh) * | 2017-02-16 | 2018-08-23 | 阿里巴巴集团控股有限公司 | 一种自然语言问句答案的生成方法、装置及服务器 |
CN108829682A (zh) * | 2016-04-08 | 2018-11-16 | 上海智臻智能网络科技股份有限公司 | 计算机可读存储介质、智能问答方法及智能问答装置 |
CN108959421A (zh) * | 2018-06-08 | 2018-12-07 | 三角兽(北京)科技有限公司 | 候选回复评价装置和问询回复设备及其方法、存储介质 |
CN109327631A (zh) * | 2018-10-24 | 2019-02-12 | 深圳市万屏时代科技有限公司 | 一种智能人工客服系统 |
CN110008396A (zh) * | 2018-11-28 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 对象信息推送方法、装置、设备及计算机可读存储介质 |
CN110377803A (zh) * | 2019-06-14 | 2019-10-25 | 阿里巴巴集团控股有限公司 | 信息处理方法以及装置 |
CN110765247A (zh) * | 2019-09-30 | 2020-02-07 | 支付宝(杭州)信息技术有限公司 | 一种用于问答机器人的输入提示方法及装置 |
CN110781204A (zh) * | 2019-09-09 | 2020-02-11 | 腾讯大地通途(北京)科技有限公司 | 目标对象的标识信息确定方法、装置、设备及存储介质 |
CN111966899A (zh) * | 2020-08-12 | 2020-11-20 | 新华智云科技有限公司 | 搜索排序方法、系统及计算机可读存储介质 |
CN112685545A (zh) * | 2020-12-29 | 2021-04-20 | 浙江力石科技股份有限公司 | 一种基于多核心词匹配的智能语音交互方法及系统 |
CN112951207A (zh) * | 2021-02-10 | 2021-06-11 | 网易有道信息技术(北京)有限公司 | 口语评测方法、装置及相关产品 |
CN113886556A (zh) * | 2021-12-07 | 2022-01-04 | 北京云迹科技有限公司 | 一种问题回答方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101030267A (zh) * | 2006-02-28 | 2007-09-05 | 腾讯科技(深圳)有限公司 | 自动问答方法及系统 |
CN103425640A (zh) * | 2012-05-14 | 2013-12-04 | 华为技术有限公司 | 一种多媒体问答系统及方法 |
CN104657346A (zh) * | 2015-01-15 | 2015-05-27 | 深圳市前海安测信息技术有限公司 | 智能交互系统中的问题匹配方法和系统 |
US20150261744A1 (en) * | 2014-03-12 | 2015-09-17 | Asuman Suenbuel | Systems and methods for natural language processing |
-
2015
- 2015-11-05 CN CN201510746440.6A patent/CN105354300B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101030267A (zh) * | 2006-02-28 | 2007-09-05 | 腾讯科技(深圳)有限公司 | 自动问答方法及系统 |
CN103425640A (zh) * | 2012-05-14 | 2013-12-04 | 华为技术有限公司 | 一种多媒体问答系统及方法 |
US20150261744A1 (en) * | 2014-03-12 | 2015-09-17 | Asuman Suenbuel | Systems and methods for natural language processing |
CN104657346A (zh) * | 2015-01-15 | 2015-05-27 | 深圳市前海安测信息技术有限公司 | 智能交互系统中的问题匹配方法和系统 |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740476A (zh) * | 2016-03-18 | 2016-07-06 | 科润智能科技股份有限公司 | 一种相关联问题推荐方法、装置及系统 |
CN107222383B (zh) * | 2016-03-21 | 2021-05-04 | 清华大学 | 一种对话管理方法和系统 |
CN107222383A (zh) * | 2016-03-21 | 2017-09-29 | 科大讯飞股份有限公司 | 一种对话管理方法和系统 |
CN105893524A (zh) * | 2016-03-31 | 2016-08-24 | 上海智臻智能网络科技股份有限公司 | 一种智能问答方法及装置 |
CN105893524B (zh) * | 2016-03-31 | 2019-03-26 | 上海智臻智能网络科技股份有限公司 | 一种智能问答方法及装置 |
CN108829682B (zh) * | 2016-04-08 | 2022-10-28 | 上海智臻智能网络科技股份有限公司 | 计算机可读存储介质、智能问答方法及智能问答装置 |
CN108829682A (zh) * | 2016-04-08 | 2018-11-16 | 上海智臻智能网络科技股份有限公司 | 计算机可读存储介质、智能问答方法及智能问答装置 |
TWI638274B (zh) * | 2016-04-12 | 2018-10-11 | 芋頭科技(杭州)有限公司 | 一種語義匹配方法及智能設備 |
CN107291783A (zh) * | 2016-04-12 | 2017-10-24 | 芋头科技(杭州)有限公司 | 一种语义匹配方法及智能设备 |
WO2017177901A1 (zh) * | 2016-04-12 | 2017-10-19 | 芋头科技(杭州)有限公司 | 一种语义匹配方法及智能设备 |
WO2017198031A1 (zh) * | 2016-05-19 | 2017-11-23 | 北京京东尚科信息技术有限公司 | 解析语义的方法和装置 |
US10824816B2 (en) | 2016-05-19 | 2020-11-03 | Beijing Jingdong Shangke Information Technology Co., Ltd. | Semantic parsing method and apparatus |
CN106095932A (zh) * | 2016-06-13 | 2016-11-09 | 竹间智能科技(上海)有限公司 | 百科知识问句识别方法及装置 |
CN106485370A (zh) * | 2016-11-03 | 2017-03-08 | 上海智臻智能网络科技股份有限公司 | 一种信息预测的方法和装置 |
CN106485370B (zh) * | 2016-11-03 | 2019-09-06 | 上海智臻智能网络科技股份有限公司 | 一种信息预测的方法和装置 |
WO2018149326A1 (zh) * | 2017-02-16 | 2018-08-23 | 阿里巴巴集团控股有限公司 | 一种自然语言问句答案的生成方法、装置及服务器 |
CN108446286A (zh) * | 2017-02-16 | 2018-08-24 | 阿里巴巴集团控股有限公司 | 一种自然语言问句答案的生成方法、装置及服务器 |
TWI746690B (zh) * | 2017-02-16 | 2021-11-21 | 香港商阿里巴巴集團服務有限公司 | 自然語言問句答案的產生方法、裝置及伺服器 |
CN107368590A (zh) * | 2017-06-08 | 2017-11-21 | 张豪夺 | 为用户推荐提问及回答的方法、存储介质及应用服务器 |
CN107844533A (zh) * | 2017-10-19 | 2018-03-27 | 云南大学 | 一种智能问答系统及分析方法 |
CN108959421A (zh) * | 2018-06-08 | 2018-12-07 | 三角兽(北京)科技有限公司 | 候选回复评价装置和问询回复设备及其方法、存储介质 |
CN108959421B (zh) * | 2018-06-08 | 2021-04-13 | 腾讯科技(深圳)有限公司 | 候选回复评价装置和问询回复设备及其方法、存储介质 |
CN109327631A (zh) * | 2018-10-24 | 2019-02-12 | 深圳市万屏时代科技有限公司 | 一种智能人工客服系统 |
CN110008396A (zh) * | 2018-11-28 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 对象信息推送方法、装置、设备及计算机可读存储介质 |
CN110008396B (zh) * | 2018-11-28 | 2023-11-24 | 创新先进技术有限公司 | 对象信息推送方法、装置、设备及计算机可读存储介质 |
CN110377803B (zh) * | 2019-06-14 | 2023-04-07 | 创新先进技术有限公司 | 信息处理方法以及装置 |
CN110377803A (zh) * | 2019-06-14 | 2019-10-25 | 阿里巴巴集团控股有限公司 | 信息处理方法以及装置 |
CN110781204A (zh) * | 2019-09-09 | 2020-02-11 | 腾讯大地通途(北京)科技有限公司 | 目标对象的标识信息确定方法、装置、设备及存储介质 |
CN110781204B (zh) * | 2019-09-09 | 2024-02-20 | 腾讯大地通途(北京)科技有限公司 | 目标对象的标识信息确定方法、装置、设备及存储介质 |
CN110765247B (zh) * | 2019-09-30 | 2022-10-25 | 支付宝(杭州)信息技术有限公司 | 一种用于问答机器人的输入提示方法及装置 |
CN110765247A (zh) * | 2019-09-30 | 2020-02-07 | 支付宝(杭州)信息技术有限公司 | 一种用于问答机器人的输入提示方法及装置 |
CN111966899A (zh) * | 2020-08-12 | 2020-11-20 | 新华智云科技有限公司 | 搜索排序方法、系统及计算机可读存储介质 |
CN111966899B (zh) * | 2020-08-12 | 2024-02-13 | 新华智云科技有限公司 | 搜索排序方法、系统及计算机可读存储介质 |
CN112685545A (zh) * | 2020-12-29 | 2021-04-20 | 浙江力石科技股份有限公司 | 一种基于多核心词匹配的智能语音交互方法及系统 |
CN112951207B (zh) * | 2021-02-10 | 2022-01-07 | 网易有道信息技术(北京)有限公司 | 口语评测方法、装置及相关产品 |
CN112951207A (zh) * | 2021-02-10 | 2021-06-11 | 网易有道信息技术(北京)有限公司 | 口语评测方法、装置及相关产品 |
CN113886556A (zh) * | 2021-12-07 | 2022-01-04 | 北京云迹科技有限公司 | 一种问题回答方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105354300B (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105354300A (zh) | 一种信息推荐方法及装置 | |
CN110162611B (zh) | 一种智能客服应答方法及系统 | |
CN107480143B (zh) | 基于上下文相关性的对话话题分割方法和系统 | |
US11461555B2 (en) | Systems and methods for identifying an event in data | |
Xu et al. | Semeval-2015 task 1: Paraphrase and semantic similarity in twitter (pit) | |
CN103886034A (zh) | 一种建立索引及匹配用户的查询输入信息的方法和设备 | |
CN102622375A (zh) | 第三方律师推荐智能匹配系统和方法 | |
CN107423440B (zh) | 一种基于情感分析的问答上下文切换与强化选择方法 | |
CN111625632A (zh) | 一种问答对推荐方法、装置、设备及存储介质 | |
CN106407484A (zh) | 一种基于弹幕语义关联的视频标签提取方法 | |
Mele et al. | Topic propagation in conversational search | |
CN103885937A (zh) | 基于核心词相似度判断企业中文名称重复的方法 | |
CN106294505B (zh) | 一种反馈答案的方法和装置 | |
CN103389988A (zh) | 一种引导用户进行信息搜索的方法及装置 | |
CN102929873A (zh) | 一种基于情境搜索提取搜索价值词的方法及装置 | |
CN103279504B (zh) | 一种基于歧义消解的搜索方法及装置 | |
CN103390004A (zh) | 一种语义冗余的确定方法和装置、对应的搜索方法和装置 | |
CN103577452A (zh) | 用于丰富网站内容的方法和装置、网站服务器 | |
CN105069647A (zh) | 一种改进的抽取中文商品评论中评价对象的方法 | |
CN110348539B (zh) | 短文本相关性判别方法 | |
CN111651554A (zh) | 基于自然语言理解及处理的保险问答回答的方法和装置 | |
Jedrzejewski et al. | Opinion mining and social networks: A promising match | |
CN104462279A (zh) | 分析对象特征信息的获取方法和装置 | |
Bennett et al. | A scalable approach to legal question answering | |
CN109684357B (zh) | 信息处理方法及装置、存储介质、终端 |
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 |