CN106528531B - 基于人工智能的意图分析方法及装置 - Google Patents

基于人工智能的意图分析方法及装置 Download PDF

Info

Publication number
CN106528531B
CN106528531B CN201610972070.2A CN201610972070A CN106528531B CN 106528531 B CN106528531 B CN 106528531B CN 201610972070 A CN201610972070 A CN 201610972070A CN 106528531 B CN106528531 B CN 106528531B
Authority
CN
China
Prior art keywords
intention
sentence
statement
acquiring
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.)
Active
Application number
CN201610972070.2A
Other languages
English (en)
Other versions
CN106528531A (zh
Inventor
郭振
吴文权
刘占一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201610972070.2A priority Critical patent/CN106528531B/zh
Publication of CN106528531A publication Critical patent/CN106528531A/zh
Priority to US15/642,871 priority patent/US11348015B2/en
Application granted granted Critical
Publication of CN106528531B publication Critical patent/CN106528531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出了一种基于人工智能的意图分析方法及装置，其中，方法包括：接收输入的语句；利用预设策略获取语句的意图核心词；根据意图核心词，基于句法结构树获取语句的意图修饰词；根据意图核心词和意图修饰词确定语句的意图。通过本发明能够实现对各个领域查询语句的意图分析，解决现有技术中意图分析领域受限的问题，扩大意图分析范围，提高意图分析效率。

Description

基于人工智能的意图分析方法及装置
技术领域
本发明涉及互联网技术领域，尤其涉及一种基于人工智能的意图分析方法及装置。
背景技术
人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。其中，自然语言处理是人工智能的一个重要研究方面，在搜索引擎技术中也得到广泛应用。
随着互联网的快速发展，搜索引擎的功能也日趋强大。目前，搜索引擎可以对用户输入的查询语句进行意图识别，来获取用户的意图，再根据意图搜索用户所需的搜索结果。
然而，现有的意图识别方法一般利用简单的模板来进行意图分析，且仅能识别特定领域的查询意图。因此，现有的方法存在识别范围小、识别领域受限、方法简单和意图分类粗糙的问题。
发明内容
本发明的目的旨在至少在一定程度上解决上述的技术问题之一。
为此，本发明的第一个目的在于提出一种基于人工智能的意图分析方法，该方法能够实现对各个领域的查询意图的分析，解决现有技术中意图分析领域受限的问题，提高意图分析效率。
本发明的第二个目的在于提出一种基于人工智能的意图分析装置。
本发明的第三个目的在于提出一种终端。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
本发明的第五个目的在于提出一种计算机程序产品。
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意图分析方法，包括：接收输入的语句；利用预设策略获取语句的意图核心词；根据意图核心词，基于句法结构树获取语句的意图修饰词；根据意图核心词和意图修饰词确定语句的意图。
本发明第一方面实施例提出的基于人工智能的意图分析方法，通过利用预设策略获取语句的意图核心词，再根据意图核心词基于句法结构树获取语句的意图修饰词，进而根据意图核心词和意图修饰词确定语句的意图，能够实现对各个领域查询语句的意图分析，解决现有技术中意图分析领域受限的问题，扩大意图分析范围，提高意图分析效率。
为了实现上述目的，本发明第二方面实施例提出了一种基于人工智能的意图分析装置，包括：接收模块，用于接收输入的查询问句；第一获取模块，用于利用预设策略获取语句的意图核心词；第二获取模块，用于根据意图核心词，基于句法结构树获取语句的意图修饰词；确定模块，用于根据意图核心词和意图修饰词确定语句的意图。
本发明第二方面实施例提出的基于人工智能的意图分析装置，通过利用预设策略获取语句的意图核心词，再根据意图核心词基于句法结构树获取语句的意图修饰词，进而根据意图核心词和意图修饰词确定语句的意图，能够实现对各个领域查询语句的意图分析，解决现有技术中意图分析领域受限的问题，扩大意图分析范围，提高意图分析效率。
为了实现上述目的，本发明第三方面实施例提出了一种终端，包括：处理器；用于存储处理器可执行指令的存储器。其中，处理器被配置为执行以下步骤：
接收输入的语句；
利用预设策略获取语句的意图核心词；
根据意图核心词，基于句法结构树获取语句的意图修饰词；
根据意图核心词和意图修饰词确定语句的意图。
本发明第三方面实施例提出的终端，通过利用预设策略获取语句的意图核心词，再根据意图核心词基于句法结构树获取语句的意图修饰词，进而根据意图核心词和意图修饰词确定语句的意图，能够实现对各个领域查询语句的意图分析，解决现有技术中意图分析领域受限的问题，扩大意图分析范围，提高意图分析效率。
为了实现上述目的，本发明第四方面实施例提出了一种非临时性计算机可读存储介质，用于存储一个或多个程序，当存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种基于人工智能的意图分析方法，方法包括；
接收输入的语句；
利用预设策略获取语句的意图核心词；
根据意图核心词，基于句法结构树获取语句的意图修饰词；
根据意图核心词和意图修饰词确定语句的意图。
本发明第四方面实施例提出的非临时性计算机可读存储介质，通过利用预设策略获取语句的意图核心词，再根据意图核心词基于句法结构树获取语句的意图修饰词，进而根据意图核心词和意图修饰词确定语句的意图，能够实现对各个领域查询语句的意图分析，解决现有技术中意图分析领域受限的问题，扩大意图分析范围，提高意图分析效率。
为了实现上述目的，本发明第五方面实施例提出了一种计算机程序产品，当计算机程序产品中的指令被处理器执行时，执行一种基于人工智能的意图分析方法，方法包括：
接收输入的语句；
利用预设策略获取语句的意图核心词；
根据意图核心词，基于句法结构树获取语句的意图修饰词；
根据意图核心词和意图修饰词确定语句的意图。
本发明第五方面实施例提出的计算机程序产品，通过利用预设策略获取语句的意图核心词，再根据意图核心词基于句法结构树获取语句的意图修饰词，进而根据意图核心词和意图修饰词确定语句的意图，能够实现对各个领域查询语句的意图分析，解决现有技术中意图分析领域受限的问题，扩大意图分析范围，提高意图分析效率。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例提出的基于人工智能的意图分析方法的流程示意图；
图2是根据句法结构树和意图核心词获取意图修饰词的流程示意图；
图3是基于句法结构树获取意图核心词的意图修饰词的示例图；
图4是本发明另一实施例提出的基于人工智能的意图分析方法的流程示意图；
图5是本实施例提出的基于人工智能的意图分析方法应用于搜索引擎中进行信息搜索的示例图；
图6是本实施例提出的基于人工智能的意图分析方法应用于智能问答系统中的示例图；
图7是利用模板策略获取语句的意图核心词的流程示意图；
图8是基于依存句法分析方法获取疑问片段的句法树示例图；
图9是利用规则策略获取语句的意图核心词的流程示意图；
图10是利用模型策略获取语句的意图核心词的流程示意图；
图11是本发明一实施例提出的基于人工智能的意图分析装置的结构示意图；
图12是本发明另一实施例提出的基于人工智能的意图分析装置的结构示意图。
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。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本发明一实施例提出的基于人工智能的意图分析方法的流程示意图，本实施例以该基于人工智能的意图分析方法被配置于搜索引擎中为例进行描述。应当说明的是，该基于人工智能的意图分析方法不限于用于搜索引擎中，还可用于其他多种需求服务满足应用中，比如智能问答系统等。
如图1所示，本实施例的基于人工智能的意图分析方法包括：
S11：接收输入的语句。
本实施例中，当用户想要获取某些信息，比如用户想要了解北京明天的天气信息时，可以在搜索引擎中输入想要查询的信息内容，即输入“明天北京天气怎么样？”。搜索引擎接收用户输入的查询语句，以进行后续的语句分析。
S12：利用预设策略获取语句的意图核心词。
相对于普通语句，问句在整体句式和具体成分上有其鲜明的特点。比如，利用“怎么”、“如何”提问的语句，其意图通常是询问方法或解决方案；而利用“多少”提问的语句，其意图通常是询问数量。因此，根据问句的疑问词，再结合句法分析技术通常可以唯一确定查询语句的意图。
本实施例中，搜索引擎首先利用预设策略获取语句的意图核心词，即获取用户输入的查询语句表达的意思主旨。其中，预设策略包括：模板策略、规则策略和模型策略。
本实施例中，搜索引擎可通过以下三种方法获取意图核心词：
第一种方法：利用模板策略获取语句的意图核心词。
第二种方法：利用规则策略获取语句的意图核心词。
第三种方法：利用模型策略获取语句的意图核心词。
S13：根据意图核心词，基于句法结构树获取语句的意图修饰词。
本实施例中，在获取查询语句的意图核心词之后，即可根据意图核心词，基于句法结构树获取查询语句的意图修饰词。
具体地，如图2所示，根据意图核心词，基于句法结构树获取语句的意图修饰词，可以包括以下步骤：
S21：基于句法结构树分析出语句的句法结构和句法关系。
由于句法结构树能够给出查询语句中各成分的句法结构和句法关系，因此，本实施例中，在接收到查询语句之后，可以对该查询语句进行基于句法结构树的语法分析，以获得查询语句的句法结构和句法关系。
S22：根据句法结构和句法关系确定语句的意图修饰词。
本实施例中，在获得查询语句的句法结构和句法关系之后，根据已获得的意图核心词，可以很容易地获得意图核心词的各修饰成分，即意图修饰词。
图3是基于句法结构树获取意图核心词的意图修饰词的示例图。
如图3所示，根据该句法结构树给出的句法结构和句法关系可知，查询语句“北京明天天气怎么样”的根节点为“怎么样”，其主语为“天气”，因此，“天气”为该查询语句的意图核心词。从图3中可以看出，意图核心词“天气”作为中心词，对其进行修饰的定语为“北京”和“明天”，因此，“北京”和“明天”即为该查询语句的意图修饰词。
S14：根据意图核心词和意图修饰词确定语句的意图。
本实施例中，在获得查询语句的意图核心词和意图修饰词之后，即可根据意图核心词和意图修饰词确定该查询语句的意图。举例说明如下：
示例一：意图核心词“天气”可以用意图修饰词“时间”和“地点”加以修饰，组合得到查询语句的意图。比如查询语句“北京明天天气怎么样”的意图核心词为“天气”，意图修饰词为“北京”和“明天”，因此，该查询语句的意图为“北京明天天气”。
示例二：意图核心词“火车班次”可以用意图修饰词“始发站”、“终点站”和“时间”修饰，组合得到查询语句的意图。比如，查询语句“10.20日从北京开往哈尔滨的火车班次有多少”的意图核心词为“火车班次”，意图修饰词为“10.20”、“北京”和“哈尔滨”，因此，可以得到该查询语句的意图为“10.20北京哈尔滨火车班次”。
可选地，如图4所示，本发明实施例的意图分析方法，还可包括以下步骤：
S15：在确定语句的意图之后，根据意图进行搜索，并获取符合意图的搜索结果。
本实施例中，在确定查询语句的意图之后，搜索引擎即可根据得到的意图进行搜索，并获取符合意图的搜索结果展示给用户。
图5是本实施例提出的基于人工智能的意图分析方法应用于搜索引擎中进行信息搜索的示例图。
如图5所示，当用户在搜索引擎中输入查询语句“孕妇不能吃哪些食物”51后，搜索引擎首先利用前述基于人工智能的意图分析方法对接收到的查询语句进行意图分析，得到意图核心词“饮食禁忌”521和意图修饰词“孕妇”522。意图核心词“饮食禁忌”521和意图修饰词“孕妇”522组合构成该查询语句的意图52。搜索引擎根据意图分析后获得的查询语句的意图52进行信息搜索，并将搜索结果53展示给用户。从搜索结果53中，用户可以清楚地了解孕妇不能吃的食物有20种，并能查询这些被禁食物的信息来源。
需要说明的是，本实施例提出的基于人工智能的意图分析方法不仅能用于搜索引擎中，还可以应用于其他互联网应用中，比如，该基于人工智能的意图分析方法可以应用于智能问答系统中。本发明对基于人工智能的意图分析方法的具体应用不作限制。
图6是本实施例提出的基于人工智能的意图分析方法应用于智能问答系统中的示例图。
如图6所示，当用户在智能问答系统的对话框611中以文本或语音的方式输入语句“给我订一张明天从北京飞往上海的飞机票”并发送至对话列表61中之后，智能问答系统接收该语句，并利用前述的基于人工智能的意图分析方法对接收到的语句进行分析，进而获得该语句对应的意图62。其中，意图62由意图核心词“飞机票”和意图修饰词“北京”、“上海”及“明天”两部分组成。在获得语句的意图62之后，智能问答系统即可根据意图62搜索相关的信息，并由智能机器人度秘返回“好的，为您推荐以下优质资源，请选择您想要的航班。”作为对输入语句的回答，同时将搜索结果612显示在对话列表61中。当用户点击对话列表61中的搜索结果612时，即可跳转至与搜索结果612对应的网站或应用程序中，以供用户进一步选择需要的服务。本示例中，由于搜索结果612中展示的是“去哪儿网机票”的相关信息，因此，当用户点击搜索结果612时，将跳转至去哪儿网的显示界面63，并显示出发地为“北京”，达到地为“上海”，用户点击去哪儿网的显示界面63中的“搜素”按钮之后，即可获得北京飞往上海的航班信息。
对于前述提到的获取意图核心词的三种方法，下面将进行详细介绍。
第一种方法：利用模板策略获取语句的意图核心词。
模板策略，顾名思义，即根据预先生成的模板进行意图核心词的识别。所谓模板，是采用相关技术将原始问句的结构和成分进行简化和泛化处理后，生成的更加抽象和简单的表达。
具体地，如图7所示，利用模板策略获取语句的意图核心词，可以包括以下步骤：
S71：对语句进行分析，获取语句的疑问片段或疑问句型。
为了能够利用模板策略获取语句的意图核心词，首先要收集大量的训练数据，并对训练数据进行相关处理以生成大量的模板。在训练生成模板之后，收集出现频率高且能够唯一确定意图的模板，并对模板进行人工标注标签，获得已标注的模板集合。
需要说明的是，模板类型可以有多种，比如疑问片段、疑问句型等。模板的具体生成方式如下：
模板一：疑问片段。
疑问片段表示疑问词到句法树根节点的路径所包含的节点。图8是基于依存句法分析方法获取疑问片段的句法树示例图。
如图8所示，查询语句“德国到维也纳需要多长时间”的疑问词为“多长”，根节点是“需要”，根节点独立于句法树中的其他节点。从图8中可以看出，疑问词和根节点之间不存在依存关系，即从疑问词“多长”到根节点“需要”之间没有直接可达的路径。然而，疑问词“多长”依存于节点“时间”，节点“时间”依存于根节点“需要”，因此，节点“时间”可以作为连接疑问词“多长”和根节点“需要”的桥梁。也就是说，疑问词“多长”到根节点“需要”的路径包含3个节点，即“多长”、“需要”和“时间”。因此，对查询语句“德国到维也纳需要多长时间”进行分析后获得的疑问片段为“需要多长时间”。
模板二：疑问句型。
疑问句型指的是，根据预设的意图词表，对疑问句中的专有名词和意图词进行类型泛化后生成的新的句型。
在获取查询语句的疑问句型时，需要预先设置好意图词表，以用于匹配查询语句的意图词。其中，意图词表中的一个或多个意图词的组合对应一个疑问句型。比如，意图词表中的意图词有“多少”、“多长”、“如何”、“时间”、“公里”等，当“多少”和“公里”组合时，对应的疑问句型为“NS1至NS2多少公里”，其中，NS1和NS2表示地点。当用户输入查询语句“郑州到徐州多少公里”时，搜索引擎首先根据预设的意图词表对接收到的查询语句进行意图词匹配，可以确定意图词表中的“多少”和“公里”与查询语句匹配，进而根据“多少”和“公里”组合时对应的疑问句型，将查询语句“郑州到徐州多少公里”泛化为疑问句型“NS1至NS2多少公里”。
在获得模板集合之后，即可利用与生成模板的方式相同的方法对查询语句进行分析，以获取查询语句的疑问片段或疑问句型。
S72：将疑问片段或疑问句型与预先已标注的模板集合进行匹配。
本实施例中，在获得查询语句的疑问片段或疑问句型之后，将获得的疑问片段或疑问句型与预先已标注的模板集合进行匹配，以获取与之匹配的模板。
S73：获取匹配成功的模板所对应的标签。
本实施例中，将获得的疑问片段或疑问句型与预先已标注的模板集合进行匹配时，可以获得与之匹配成功的模板，进而获取该模板所对应的标签。以模板为疑问句型为例举例说明如下：
假设意图词表中的意图词有“多少”、“多长”、“如何”、“时间”、“公里”“多远”等。意图词“多远”和意图词“多少”与“公里”的组合对应的疑问句型均为“NS1至NS2多少公里”，其中，NS1和NS2表示地点。人工对疑问句型“NS1至NS2多少公里”标注的标签为“查询距离”。当用户输入查询语句“北京到青岛有多远”时，搜索引擎首先根据意图词表对接收到的查询语句进行意图词匹配，可以确定意图词表中的“多远”与查询语句匹配，进而能够获得意图词“多远”对应的疑问句型“NS1至NS2多少公里”，并获取该疑问句型对应的标签“查询距离”。
S74：将标签作为语句的意图核心词。
本实施例中，在获得模板对应的标签之后，由于该模板能够和对查询语句进行分析后获得的疑问片段或疑问句型匹配成功，因此，该模板对应的标签也能表达查询语句的意图，即，可以将该模板对应的标签作为查询语句的意图核心词。
第二种方法：利用规则策略获取语句的意图核心词。
规则策略是指，通过某些条件集合确定语句意图的方法。其中，规则主要包括两部分：句法结构和知识库，是通过观察分析大量数据后人工总结出来的。
具体地，如图9所示，利用规则策略获取语句的意图核心词，可以包括以下步骤：
S91：获取语句的句法结构片段和句法结构片段所需的知识库。
本实施例中，当搜索引擎接收到用户输入的查询语句之后，可以采用相关技术对查询语句进行句法分析，以获得查询语句的句法结构片段。同时，获取与查询语句相关的所需知识库。
S92：根据句法结构片段和知识库确定语句对应的判断规则。
本实施例中，在获取查询语句的句法结构片段和知识库之后，即可根据句法结构片段和知识库确定查询语句对应的判断规则。
举例而言，当用户输入查询语句“你好用英语怎么说”时，采用相关技术对该语句进行分析可得其句法结构片段为“用英语怎么说”。由于查询语句中包含语言类型“英语”，因此，可以获取与查询语句相关的知识库，即“语言类型”，其中语言类型中包括英语、德语、韩语等多种语言。进而，根据句法结构片段“用英语怎么说”和知识库“语言类型”，可以确定查询语句对应的判断规则“用XX怎么说”，其中，“XX”表示知识库“语言类型”中的一种语言。
S93：基于判断规则获取语句的意图核心词。
本实施例中，在确定了查询语句对应的判断规则之后，即可基于判断规则获取语句的意图核心词。
举例而言，当用户输入查询语句“你好用英语怎么说”时，采用相关技术对该语句进行分析可得其句法结构片段为“用英语怎么说”。由于查询语句中包含语言类型“英语”，因此，可以获取与查询语句相关的知识库，即“语言类型”，其中语言类型中包括英语、德语、韩语等多种语言。进而，根据句法结构片段“用英语怎么说”和知识库“语言类型”，可以确定查询语句对应的判断规则“用XX怎么说”，其中，“XX”表示知识库“语言类型”中的一种语言。在确定该查询语句对应的判断规则之后，即可基于该判断规则确定该查询语句的意图核心词为“翻译”。
第三种方法：利用模型策略获取语句的意图核心词。
具体地，如图10所示，利用规则策略获取语句的意图核心词，可以包括以下步骤：
S101：对语句进行分析，获取语句的疑问片段。
本实施例中，在搜索引擎接收到用户输入的查询语句之后，对查询语句进行分析，以获取查询语句的疑问片段。
需要说明的是，可以采用前述提到的依存句法分析方法获取语句的疑问片段，也可以采用其他方法获取，对此不作限制。
S102：根据疑问片段生成多个候选意图。
本实施例中，在获取查询语句的疑问片段之后，即可根据获得的疑问片段生成多个候选意图词。
S103：基于预先建立的意图识别模型从多个候选意图中筛选出意图核心词。
本实施例中，为了能够从生成的多个候选意图词中筛选出意图核心词，首先需要利用大量的意图训练数据训练生成意图识别模型。其中，意图训练数据可以利用前述的模板策略和规则策略生成。在得到意图识别模型之后，即可基于已建立的意图识别模型从多个候选意图中筛选出意图核心词。
需要说明的是，可以利用打分的方式从多个候选意图中筛选出意图核心词。具体地，基于已建立的意图识别模型对生成的多个候选意图进行打分，得分最高的候选意图即为查询语句的意图核心词。也可以采用其他的方式对多个候选意图进行筛选来获得查询语句的意图核心词，本发明对筛选方式不作限制。
本发明实施例提出的基于人工智能的意图分析方法，通过利用预设策略获取语句的意图核心词，再根据意图核心词基于句法结构树获取语句的意图修饰词，进而根据意图核心词和意图修饰词确定语句的意图，能够实现对各个领域查询语句的意图分析，解决现有技术中意图分析领域受限的问题，扩大意图分析范围，提高意图分析效率。
为了实现上述实施例，本发明还提出了一种基于人工智能的意图分析装置，图11是本发明一实施例提出的基于人工智能的意图分析装置的结构示意图。
如图11所示，本实施例的基于人工智能的意图分析装置包括：接收模块1110、第一获取模块1120、第二获取模块1130，以及确定模块1140。其中，
接收模块1110，用于接收输入的查询问句。
第一获取模块1120，用于利用预设策略获取语句的意图核心词。
具体地，第一获取模块1120用于：
利用模板策略获取语句的意图核心词；或者
利用规则策略获取语句的意图核心词；或者
利用模型策略获取语句的意图核心词。
可选地，当第一获取模块1120利用模板策略获取语句的意图核心词时，第一获取模块1120具体用于：
对语句进行分析，获取语句的疑问片段或疑问句型；
将疑问片段或疑问句型与预先已标注的模板集合进行匹配；
获取匹配成功的模板所对应的标签；
将标签作为语句的意图核心词。
当第一获取模块1120利用规则策略获取语句的意图核心词时，第一获取模块1120具体用于：
获取语句的句法结构片段和句法结构片段所需的知识库；
根据句法结构片段和知识库确定语句对应的判断规则；
基于判断规则获取语句的意图核心词。
当第一获取模块1120利用模型策略获取语句的意图核心词时，第一获取模块1120具体用于：
对语句进行分析，获取语句的疑问片段；
根据疑问片段生成多个候选意图；
基于预先建立的意图识别模型从多个候选意图中筛选出意图核心词。
第二获取模块1130，用于根据意图核心词，基于句法结构树获取语句的意图修饰词。
确定模块1140，用于根据意图核心词和意图修饰词确定语句的意图。
可选地，一些实施例中，参见图12，图12是本发明另一实施例提出的意图分析装置的结构示意图。
如图12所示，本实施例的基于人工智能的意图分析装置还可以包括：
搜索模块1150，用于在确定语句的意图之后，根据意图进行搜索，并获取符合意图的搜索结果。
第二获取模块1130包括：
分析单元1131，用于基于句法结构树分析出语句的句法结构和句法关系。
确定单元1132，用于根据句法结构和句法关系确定语句的意图修饰词。
需要说明的是，前述实施例中对基于人工智能的意图分析方法实施例的解释说明也适用于本实施例的基于人工智能的意图分析装置，其实现原理类似，此处不再赘述。
本发明实施例提出的基于人工智能的意图分析装置，通过利用预设策略获取语句的意图核心词，再根据意图核心词基于句法结构树获取语句的意图修饰词，进而根据意图核心词和意图修饰词确定语句的意图，能够实现对各个领域查询语句的意图分析，解决现有技术中意图分析领域受限的问题，扩大意图分析范围，提高意图分析效率。
为了实现上述实施例，本发明还提出了一种终端，包括：处理器，以及用于存储处理器可执行指令的存储器。其中，处理器被配置为执行以下步骤：
S11’：接收输入的语句。
S12’：利用预设策略获取语句的意图核心词。
S13’：根据意图核心词，基于句法结构树获取语句的意图修饰词。
S14’：根据意图核心词和意图修饰词确定语句的意图。
需要说明的是，前述实施例中对基于人工智能的意图分析方法实施例的解释说明也适用于本实施例的终端，其实现原理类似，此处不再赘述。
本发明实施例提出的终端，通过利用预设策略获取语句的意图核心词，再根据意图核心词基于句法结构树获取语句的意图修饰词，进而根据意图核心词和意图修饰词确定语句的意图，能够实现对各个领域查询语句的意图分析，解决现有技术中意图分析领域受限的问题，扩大意图分析范围，提高意图分析效率。
为了实现上述实施例，本发明还提出了一种非临时性计算机可读存储介质，用于存储一个或多个程序，当存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行本发明第一方面实施例提出的基于人工智能的意图分析方法。
本发明实施例提出的非临时性计算机可读存储介质，通过利用预设策略获取语句的意图核心词，再根据意图核心词基于句法结构树获取语句的意图修饰词，进而根据意图核心词和意图修饰词确定语句的意图，能够实现对各个领域查询语句的意图分析，解决现有技术中意图分析领域受限的问题，扩大意图分析范围，提高意图分析效率。
为了实现上述实施例，本发明还提出了一种计算机程序产品，当计算机程序产品中的指令被处理器执行时，执行本发明第一方面实施例提出的基于人工智能的意图分析方法。
本发明实施例提出的计算机程序产品，通过利用预设策略获取语句的意图核心词，再根据意图核心词基于句法结构树获取语句的意图修饰词，进而根据意图核心词和意图修饰词确定语句的意图，能够实现对各个领域查询语句的意图分析，解决现有技术中意图分析领域受限的问题，扩大意图分析范围，提高意图分析效率。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
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 (12)

1.一种基于人工智能的意图分析方法，其特征在于，包括：
接收输入的语句；
利用预设策略获取所述语句的意图核心词；
根据所述意图核心词，基于句法结构树获取所述语句的意图修饰词；
根据所述意图核心词和所述意图修饰词确定所述语句的意图；
其中，所述预设策略包括：规则策略，规则包括句法结构和知识库两部分，所述利用预设策略获取所述语句的意图核心词，包括：
获取所述语句的句法结构片段和所述句法结构片段所需的知识库；
根据所述句法结构片段和所述知识库确定所述语句对应的判断规则；
基于所述判断规则获取所述语句的意图核心词。
2.如权利要求1所述的方法，其特征在于，利用预设策略获取所述语句的意图核心词，还包括：
利用模板策略获取所述语句的意图核心词；或者
利用模型策略获取所述语句的意图核心词。
3.如权利要求2所述的方法，其特征在于，利用模板策略获取所述语句的意图核心词，包括：
对所述语句进行分析，获取所述语句的疑问片段或疑问句型；
将所述疑问片段或所述疑问句型与预先已标注的模板集合进行匹配；
获取匹配成功的模板所对应的标签；
将所述标签作为所述语句的意图核心词。
4.如权利要求2所述的方法，其特征在于，利用模型策略获取所述语句的意图核心词，包括：
对所述语句进行分析，获取所述语句的疑问片段；
根据所述疑问片段生成多个候选意图；
基于预先建立的意图识别模型从所述多个候选意图中筛选出所述意图核心词。
5.如权利要求1所述的方法，其特征在于，根据所述意图核心词，基于句法结构树获取所述语句的意图修饰词，包括：
基于所述句法结构树分析出所述语句的句法结构和句法关系；
根据所述句法结构和所述句法关系确定所述语句的意图修饰词。
6.如权利要求1所述的方法，其特征在于，还包括：
在确定所述语句的意图之后，根据所述意图进行搜索，并获取符合所述意图的搜索结果。
7.一种基于人工智能的意图分析装置，其特征在于，包括：
接收模块，用于接收输入的语句；
第一获取模块，用于利用预设策略获取所述语句的意图核心词；
第二获取模块，用于根据所述意图核心词，基于句法结构树获取所述语句的意图修饰词；
确定模块，用于根据所述意图核心词和所述意图修饰词确定所述语句的意图；
其中，所述预设策略包括：规则策略，规则包括句法结构和知识库两部分，所述第一获取模块，用于：
获取所述语句的句法结构片段和所述句法结构片段所需的知识库；
根据所述句法结构片段和所述知识库确定所述语句对应的判断规则；
基于所述判断规则获取所述语句的意图核心词。
8.如权利要求7所述的装置，其特征在于，所述第一获取模块，用于：
利用模板策略获取所述语句的意图核心词；或者
利用模型策略获取所述语句的意图核心词。
9.如权利要求8所述的装置，其特征在于，所述第一获取模块，用于：
对所述语句进行分析，获取所述语句的疑问片段或疑问句型；
将所述疑问片段或所述疑问句型与预先已标注的模板集合进行匹配；
获取匹配成功的模板所对应的标签；
将所述标签作为所述语句的意图核心词。
10.如权利要求8所述的装置，其特征在于，所述第一获取模块，还用于：
对所述语句进行分析，获取所述语句的疑问片段；
根据所述疑问片段生成多个候选意图；
基于预先建立的意图识别模型从所述多个候选意图中筛选出所述意图核心词。
11.如权利要求7所述的装置，其特征在于，所述第二获取模块，包括：
分析单元，用于基于所述句法结构树分析出所述语句的句法结构和句法关系；
确定单元，用于根据所述句法结构和所述句法关系确定所述语句的意图修饰词。
12.如权利要求7所述的装置，其特征在于，还包括：
搜索模块，用于在确定所述语句的意图之后，根据所述意图进行搜索，并获取符合所述意图的搜索结果。
CN201610972070.2A 2016-10-31 2016-10-31 基于人工智能的意图分析方法及装置 Active CN106528531B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201610972070.2A CN106528531B (zh) 2016-10-31 2016-10-31 基于人工智能的意图分析方法及装置
US15/642,871 US11348015B2 (en) 2016-10-31 2017-07-06 Method and apparatus for analyzing intention based on artificial intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610972070.2A CN106528531B (zh) 2016-10-31 2016-10-31 基于人工智能的意图分析方法及装置

Publications (2)

Publication Number Publication Date
CN106528531A CN106528531A (zh) 2017-03-22
CN106528531B true CN106528531B (zh) 2019-09-03

Family

ID=58349507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610972070.2A Active CN106528531B (zh) 2016-10-31 2016-10-31 基于人工智能的意图分析方法及装置

Country Status (2)

Country Link
US (1) US11348015B2 (zh)
CN (1) CN106528531B (zh)

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107066568A (zh) * 2017-04-06 2017-08-18 竹间智能科技（上海）有限公司 基于用户意图预测的人机对话方法及装置
CN107748742A (zh) * 2017-06-16 2018-03-02 平安科技（深圳）有限公司 一种基于句法依存关系提取中心词的方法、终端以及设备
CN107423363B (zh) 2017-06-22 2021-02-19 百度在线网络技术（北京）有限公司 基于人工智能的话术生成方法、装置、设备及存储介质
CN107679039B (zh) * 2017-10-17 2020-12-29 北京百度网讯科技有限公司 用于确定语句意图的方法和装置
KR102479499B1 (ko) * 2017-11-22 2022-12-21 엘지전자 주식회사 이동 단말기
CN108229641A (zh) * 2017-12-20 2018-06-29 广州创显科教股份有限公司 一种基于多层代理的人工智能分析系统
CN108268443B (zh) * 2017-12-21 2022-02-25 北京百度网讯科技有限公司 确定话题点转移以及获取回复文本的方法、装置
CN109344385B (zh) * 2018-01-30 2020-12-22 深圳壹账通智能科技有限公司 自然语言处理方法、装置、计算机设备和存储介质
CN110309252B (zh) * 2018-02-28 2023-11-24 阿里巴巴集团控股有限公司 一种自然语言处理方法及装置
CN108509412A (zh) * 2018-03-02 2018-09-07 北京搜狗科技发展有限公司 一种数据处理方法、装置、电子设备以及存储介质
CN110619050B (zh) * 2018-06-20 2023-05-09 华为技术有限公司 意图识别方法及设备
CN109033075B (zh) * 2018-06-29 2022-04-15 北京百度网讯科技有限公司 意图匹配的方法、装置、存储介质和终端设备
CN108959651A (zh) * 2018-08-03 2018-12-07 北京捷易迅信息技术有限公司 一种基于迁移学习的用户意图识别的方法
JP7173670B2 (ja) 2018-08-07 2022-11-16 ホアウェイ・テクノロジーズ・カンパニー・リミテッド 音声制御コマンド生成方法および端末
EP3848855A4 (en) 2018-09-19 2021-09-22 Huawei Technologies Co., Ltd. LEARNING METHOD AND DEVICE FOR AN INTENTIONAL DETECTION MODEL AND DEVICE
CN111178081B (zh) * 2018-11-09 2023-07-21 中移（杭州）信息技术有限公司 语义识别的方法、服务器、电子设备及计算机存储介质
CN109634983B (zh) * 2018-12-13 2021-03-30 百度在线网络技术（北京）有限公司 召回兴趣点信息的确定方法、装置、设备和介质
CN109815314B (zh) * 2019-01-04 2023-08-08 平安科技（深圳）有限公司 一种意图识别方法、识别设备及计算机可读存储介质
CN109782925B (zh) * 2019-02-20 2021-06-15 联想(北京)有限公司 一种处理方法、装置及电子设备
CN110008319B (zh) * 2019-02-27 2021-06-29 百度在线网络技术（北京）有限公司 基于对话模板的模型训练方法和装置
CN110069595B (zh) * 2019-03-07 2023-11-07 平安科技（深圳）有限公司 语料标签确定方法、装置、电子设备及存储介质
CN112307154B (zh) * 2019-07-17 2024-07-23 百度时代网络技术（北京）有限公司 广告推广结果的展示方法、装置、电子设备及存储介质
CN110472027B (zh) * 2019-07-18 2024-05-14 平安科技（深圳）有限公司 意图识别方法、设备及计算机可读存储介质
CN110377706B (zh) * 2019-07-25 2022-10-14 腾讯科技（深圳）有限公司 基于深度学习的搜索语句挖掘方法及设备
CN112988986B (zh) * 2019-12-02 2024-05-31 阿里巴巴集团控股有限公司 人机交互方法、装置与设备
CN111008309B (zh) * 2019-12-06 2023-08-08 北京百度网讯科技有限公司 查询方法及装置
CN111400340B (zh) * 2020-03-12 2024-01-09 杭州城市大数据运营有限公司 一种自然语言处理方法、装置、计算机设备和存储介质
CN111767371B (zh) * 2020-06-28 2024-03-12 微医云(杭州)控股有限公司 一种智能问答方法、装置、设备及介质
CN111783425B (zh) * 2020-06-28 2023-04-18 中国平安人寿保险股份有限公司 基于句法分析模型的意图识别方法及相关装置
CN112035647B (zh) * 2020-09-02 2023-11-24 中国平安人寿保险股份有限公司 一种基于人机交互的问答方法、装置、设备及介质
CN111984778B (zh) * 2020-09-08 2022-06-03 四川长虹电器股份有限公司 基于依存句法分析和汉语语法的多轮语义分析方法
CN113407828A (zh) * 2021-06-11 2021-09-17 北京搜狗科技发展有限公司 一种搜索方法、装置和用于搜索的装置
CN113869046B (zh) * 2021-09-29 2022-10-04 阿波罗智联(北京)科技有限公司 一种自然语言文本的处理方法、装置、设备及存储介质
CN114138963A (zh) * 2021-12-01 2022-03-04 北京比特易湃信息技术有限公司 基于句法分析的意图识别模型
CN114117023A (zh) * 2022-01-26 2022-03-01 深圳追一科技有限公司 交互方法、装置、电子设备及存储介质
CN115270786B (zh) * 2022-09-27 2022-12-27 炫我信息技术(北京)有限公司 一种识别问句意图的方法、装置、设备和可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104516986A (zh) * 2015-01-16 2015-04-15 青岛理工大学 一种语句识别方法及装置

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6766320B1 (en) * 2000-08-24 2004-07-20 Microsoft Corporation Search engine with natural language-based robust parsing for user query and relevance feedback learning
US9318108B2 (en) * 2010-01-18 2016-04-19 Apple Inc. Intelligent automated assistant
US8335754B2 (en) * 2009-03-06 2012-12-18 Tagged, Inc. Representing a document using a semantic structure
CN102567408B (zh) * 2010-12-31 2014-06-04 阿里巴巴集团控股有限公司 推荐搜索关键词的方法和装置
US10176167B2 (en) * 2013-06-09 2019-01-08 Apple Inc. System and method for inferring user intent from speech inputs
CN104951458B (zh) * 2014-03-26 2019-03-01 华为技术有限公司 基于语义识别的帮助处理方法及设备
CN103914548B (zh) * 2014-04-10 2018-01-09 北京百度网讯科技有限公司 信息搜索方法和装置
US10120955B2 (en) * 2014-07-18 2018-11-06 Nuance Communications, Inc. State tracking over machine-learned relational trees in a dialog system
US11238101B1 (en) * 2014-09-05 2022-02-01 Soundhound, Inc. System and method for interpreting natural language commands with compound criteria
US10108907B2 (en) * 2015-07-17 2018-10-23 Knoema Corporation Method and system to provide related data
US10867256B2 (en) * 2015-07-17 2020-12-15 Knoema Corporation Method and system to provide related data
US10110544B2 (en) * 2015-10-05 2018-10-23 Oath Inc. Method and system for classifying a question
US20170243107A1 (en) * 2016-02-19 2017-08-24 Jack Mobile Inc. Interactive search engine
US10332508B1 (en) * 2016-03-31 2019-06-25 Amazon Technologies, Inc. Confidence checking for speech processing and query answering
US10388274B1 (en) * 2016-03-31 2019-08-20 Amazon Technologies, Inc. Confidence checking for speech processing and query answering
US11170005B2 (en) * 2016-10-04 2021-11-09 Verizon Media Inc. Online ranking of queries for sponsored search

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104516986A (zh) * 2015-01-16 2015-04-15 青岛理工大学 一种语句识别方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
中文问答系统中问题理解与信息检索的研究与实现;张晓孪;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20070415(第4期);正文第13页，第35页
基于句型模板的智能问答系统;唐素勤 等;《广西师范大学学报: 自然科学版》;20070630;第25卷(第2期);第6页
开放域问答系统研究综述;何靖 等;《第六届全国信息检索学术会议》;20100812;第115页，第118页

Also Published As

Publication number Publication date
US20180121810A1 (en) 2018-05-03
CN106528531A (zh) 2017-03-22
US11348015B2 (en) 2022-05-31

Similar Documents

Publication Publication Date Title
CN106528531B (zh) 基于人工智能的意图分析方法及装置
US10872104B2 (en) Method and apparatus for natural language query in a workspace analytics system
US10664660B2 (en) Method and device for extracting entity relation based on deep learning, and server
CN106372060B (zh) 搜索文本的标注方法和装置
US20160314394A1 (en) Method and device for constructing event knowledge base
US20180143962A1 (en) Automated Quality Assurance Checks for Improving the Construction of Natural Language Understanding Systems
JP6333745B2 (ja) 翻訳結果提供方法、翻訳結果提供システム、プログラムおよびファイル配布システム
US9619459B2 (en) Situation aware NLU/NLP
US20150161512A1 (en) Mining Forums for Solutions to Questions
CN105930432B (zh) 序列标注工具的训练方法和装置
CN106970993B (zh) 挖掘模型更新方法和装置
KR20200032893A (ko) 챗봇 서비스를 위한 커뮤니케이션 정보 처리 시스템 및 그 제어 방법
WO2015141700A1 (en) Dialogue system construction support apparatus and method
US9672475B2 (en) Automated opinion prediction based on indirect information
CN107766543A (zh) 一种基于知识点的搜索结果提供方法及装置
CN110738055A (zh) 文本的实体识别方法、设备及存储介质
CN105975639A (zh) 搜索结果排序方法和装置
US20150363473A1 (en) Direct answer triggering in search
CN110263345A (zh) 关键词提取方法、装置及存储介质
CN113220854A (zh) 机器阅读理解的智能对话方法及装置
KR20120045906A (ko) 코퍼스 오류 교정 장치 및 그 방법
US20160342587A1 (en) Social network crowd translation
US9236049B2 (en) Mash-up service generation apparatus and method based on voice command
CN115905490A (zh) 人机交互对话方法、装置以及设备
CN108766059B (zh) 一种云服务英语教学设备及教学方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant