CN106682192B - 一种基于搜索关键词训练回答意图分类模型的方法和装置 - Google Patents
一种基于搜索关键词训练回答意图分类模型的方法和装置 Download PDFInfo
- Publication number
- CN106682192B CN106682192B CN201611249277.3A CN201611249277A CN106682192B CN 106682192 B CN106682192 B CN 106682192B CN 201611249277 A CN201611249277 A CN 201611249277A CN 106682192 B CN106682192 B CN 106682192B
- Authority
- CN
- China
- Prior art keywords
- question
- answer
- label
- search
- training sample
- 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
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
- G06F16/35—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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9032—Query formulation
- G06F16/90332—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
- G06F16/90—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种基于搜索关键词训练回答意图分类模型的方法和装置,该方法包括:收集基于搜索关键词搜索时生成的搜索结果项点击记录;根据所述搜索结果项点击记录挖掘所述搜索关键词的问答属性;根据所述问答属性采用所述搜索关键词生成训练样本;根据所述问答属性对所述训练样本标记分类标签,以生成二叉树;根据所述二叉树训练回答意图分类模型。通过分析搜索关键词的结构,标记分类标签,从而学习疑问式、尤其是隐式疑问式的搜索关键词的结构模式,以此训练模型,有效地提高准确率和召回率。
Description
技术领域
本发明涉及搜索的技术领域,特别是涉及一种基于搜索关键词训练回答意图分类模型的方法和一种基于搜索关键词训练回答意图分类模型的装置。
背景技术
目前,网络上具有许多互动式的问答平台,用户在问答平台上提出自己的问题,问答平台发动其他用户来回答,解决提问者的疑问。
问答平台积累了大量的用户,产生海量的问答对数据(即问题与答案),其中,问答对数据的质量有高有低,一个低质量的问答对数据的价值较低,影响用户体验,而高质量的问答对数据,不仅是问答平台的重要数据资源,还是搜索引擎的重要补充。
搜索引擎可以分析用户的搜索关键词是否有问答意图,如果有问答意图,则可以提供多条问答对数据,尽可能一次性解决用户的问题。
目前搜索关键词的问答意图是识别方法有两种:
一是基于关键词匹配,判断搜索关键词中是否包含疑问词,如果有,则确定具有问答意图,否则没有。
但是,某些具有问答意图的搜索关键词并不具有疑问词,例如,“刷墙漆好呢还是贴壁纸好”,因此,此种方式并不能识别出,识别的准确率较低。
二是传统的分类方法,人工构造特征进行机械训练,获得分类模型识别是否具有问答意图。
但是,搜索关键词一般是短文本,上下文信息稀缺,特征稀疏,导致分类模型的效果一般,准确率和召回率都比较低,准确率在65%左右,召回率约是39%。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于搜索关键词训练回答意图分类模型的方法和相应的一种基于搜索关键词训练回答意图分类模型的装置。
依据本发明的一个方面,提供了一种基于搜索关键词训练回答意图分类模型的方法,包括:
收集基于搜索关键词搜索时生成的搜索结果项点击记录;
根据所述搜索结果项点击记录挖掘所述搜索关键词的问答属性;
根据所述问答属性采用所述搜索关键词生成训练样本;
根据所述问答属性对所述训练样本标记分类标签,以生成二叉树;
根据所述二叉树训练回答意图分类模型。
可选地,所述问答属性包括疑问式和非疑问式;
所述根据所述搜索结果项点击记录挖掘所述搜索关键词的问答属性的步骤包括:
对所述关键词统计所述搜索结果项点击记录中属于问答类的搜索结果项的数量比例;
当所述数量比例大于预设的第一阈值时,确定所述搜索关键词属于疑问式;
当所述数量比例小于预设的第二阈值时,确定所述搜索关键词属于非疑问式。
可选地,所述训练样本包括正训练样本、负训练样本;
所述根据所述问答属性采用所述搜索关键词生成训练样本的步骤包括:
对属于疑问式的搜索关键词进行分词处理,获得第一分词;
集合所述第一分词,作为正训练样本;
对属于非疑问式的搜索关键词进行分词处理,获得第二分词;
集合所述第二分词,作为负训练样本。
可选地,所述疑问式包括显式疑问式和隐式疑问式;
所述根据所述网页点击记录挖掘所述搜索关键词的句式属性的步骤还包括:
从所述正训练样本中挖掘疑问特征词;
将包含所述疑问特征词的正训练样本的问答属性标记为显式疑问式;
将不包含所述疑问特征词的正训练样本的问答属性标记为隐式疑问式。
可选地,所述根据所述问答属性对所述训练样本标记分类标签,以生成二叉树的步骤包括:
对所述正训练样本和所述负训练样本识别句式依存关系,标记句式依存标签,以生成多叉树;
根据所述问答属性将分类标签替换句式依存标签,以将所述多叉树转换为二叉树。
可选地,所述多叉树具有根节点和子节点;
所述将分类标签替换句式依存标签,以将所述多叉树转换为二叉树的步骤包括:
若所述子节点为疑问特征词,将所述子节点的句式依存标签替换为第一分类标签;
从所述子节点到根节点之间的其他子节点的句式依存标签替换为第一分类标签;
若所述子节点为非疑问特征词,将所述子节点的句式依存标签替换为第二分类标签;
若所述多叉树属于正训练样本,则将所述根节点的句式依存标签替换为第一分类标签或第三分类标签;
若所述多叉树属于负训练样本,将所述根节点的句式依存标签替换为第四分类标签。
可选地,所述则将所述根节点的句式依存标签替换为第一分类标签或第三分类标签的步骤包括:
若所述正训练样本属于显式疑问式,则将所述根节点的句式依存标签替换为第一分类标签;
若所述正训练样本属于隐式疑问式,则将所述根节点的句式依存标签替换为第三分类标签。
根据本发明的另一方面,提供了一种基于搜索关键词训练回答意图分类模型的装置,包括:
点击记录收集模块,适于收集基于搜索关键词搜索时生成的搜索结果项点击记录;
问答属性挖掘模块,适于根据所述搜索结果项点击记录挖掘所述搜索关键词的问答属性;
训练样本生成模块,适于根据所述问答属性采用所述搜索关键词生成训练样本;
生成二叉树生成模块,适于根据所述问答属性对所述训练样本标记分类标签,以生成二叉树;
答意图分类模型训练模块,适于根据所述二叉树训练回答意图分类模型。
可选地,所述问答属性包括疑问式和非疑问式;
所述问答属性挖掘模块还适于:
对所述关键词统计所述搜索结果项点击记录中属于问答类的搜索结果项的数量比例;
当所述数量比例大于预设的第一阈值时,确定所述搜索关键词属于疑问式;
当所述数量比例小于预设的第二阈值时,确定所述搜索关键词属于非疑问式。
可选地,所述训练样本包括正训练样本、负训练样本;
所述训练样本生成模块还适于:
对属于疑问式的搜索关键词进行分词处理,获得第一分词;
集合所述第一分词,作为正训练样本;
对属于非疑问式的搜索关键词进行分词处理,获得第二分词;
集合所述第二分词,作为负训练样本。
可选地,所述疑问式包括显式疑问式和隐式疑问式;
所述问答属性挖掘模块还适于:
从所述正训练样本中挖掘疑问特征词;
将包含所述疑问特征词的正训练样本的问答属性标记为显式疑问式;
将不包含所述疑问特征词的正训练样本的问答属性标记为隐式疑问式。
可选地,所述生成二叉树生成模块还适于:
对所述正训练样本和所述负训练样本识别句式依存关系,标记句式依存标签,以生成多叉树;
根据所述问答属性将分类标签替换句式依存标签,以将所述多叉树转换为二叉树。
可选地,所述多叉树具有根节点和子节点;
所述生成二叉树生成模块还适于:
若所述子节点为疑问特征词,将所述子节点的句式依存标签替换为第一分类标签;
从所述子节点到根节点之间的其他子节点的句式依存标签替换为第一分类标签;
若所述子节点为非疑问特征词,将所述子节点的句式依存标签替换为第二分类标签;
若所述多叉树属于正训练样本,则将所述根节点的句式依存标签替换为第一分类标签或第三分类标签;
若所述多叉树属于负训练样本,将所述根节点的句式依存标签替换为第四分类标签。
可选地,所述生成二叉树生成模块还适于:
若所述正训练样本属于显式疑问式,则将所述根节点的句式依存标签替换为第一分类标签;
若所述正训练样本属于隐式疑问式,则将所述根节点的句式依存标签替换为第三分类标签。
本发明实施例基于搜索关键词搜索时生成的搜索结果项点击记录,挖掘搜索关键词的问答属性,从而采用搜索关键词生成训练样本,并对该训练样本标记分类标签,以生成二叉树、训练回答意图分类模型,通过分析搜索关键词的结构,标记分类标签,从而学习疑问式、尤其是隐式疑问式的搜索关键词的结构模式,以此训练模型,有效地提高准确率和召回率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本发明一个实施例的一种基于搜索关键词训练回答意图分类模型的方法的步骤流程图;
图2A-图2C示出了根据本发明一个实施例的一种二叉树的示例图;
图3示出了根据本发明一个实施例的一种LSTM模型的树拓扑结构的示例图;
图4示出了根据本发明一个实施例的模型训练是的损失函数的曲线图;以及
图5示出了根据本发明一个实施例的一种基于搜索关键词训练回答意图分类模型的装置的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1,示出了根据本发明一个实施例的一种基于搜索关键词训练回答意图分类模型的方法的步骤流程图,具体可以包括如下步骤:
步骤101,收集基于搜索关键词搜索时生成的搜索结果项点击记录。
在具体实现中,用户可以从电子设备访问搜索引擎,该电子设备具体可以包括移动设备,例如手机、PDA(Personal Digital Assistant,个人数字助理)、膝上型计算机、掌上电脑等等,也可以包括固定设备,例如个人计算机、智能电视等等,本发明实施例对此不加以限制。
这些电子设备可以支持包括Android(安卓)、IOS、WindowsPhone或者windows等的操作系统,通常可以运行浏览器或内置微型浏览器的应用程序。
用户可以在浏览器或内置微型浏览器的应用程序中输入搜索关键词(query),封装在请求头信息通过HTTP(Hypertext transfer protocol,超文本传送协议)协议向搜索引擎发起搜索请求。
搜索引擎接收到该搜索请求之后,可以根据该搜索关键词在数据库中检出相关的信息,生成搜索结果项,如网页标题、网页摘要、网址等,并返回电子设备。
电子设备展示该搜索结果项,用户浏览之后,点击感兴趣的搜索结果项并调整到相关的页面进一步浏览。
搜索引擎可以针对用户的操作生成搜索结果项点击记录,存储在搜索引擎的日志(session log)中。
在一种示例中,由于搜索结果项一般包括URL(Uniform Resource Locator,统一资源定位符),可以用于标识搜索结果项,因此,可以以<query,URL>的格式记录搜索结果项点击记录。
步骤102,根据所述搜索结果项点击记录挖掘所述搜索关键词的问答属性。
在具体实现中,问答属性可以指搜索关键词在问答需求上的属性。
在搜索时,用户一般点击与其搜索意图相关的搜索结果项,因此,搜索结果项点击记录可以在一定程度上体现出用户的搜索意图。
在本发明实施例中,可以通过挖掘搜索引擎的日志(session log),从搜索结果项点击记录挖掘搜索关键词的问答属性。
在本发明的一个实施例中,问答属性包括疑问式和非疑问式,其中,疑问式为具有问答需求,非疑问式为不具有问答需求。
则在本发明实施例中,步骤102可以包括如下子步骤:
子步骤1021,对所述关键词统计所述搜索结果项点击记录中属于问答类的搜索结果项的数量比例;
子步骤1022,当所述数量比例大于预设的第一阈值时,确定所述搜索关键词属于疑问式;
子步骤1023,当所述数量比例小于预设的第二阈值时,确定所述搜索关键词属于非疑问式。
如果对于一个搜索关键词,基于该搜索关键词的大部分点击的搜索结果项为问答类的搜索结果项,那么,可以认为这个搜索关键词有问答的需求。
反之,基于该搜索关键词的大部分点击的搜索结果项是非问答类的搜索结果项,那么,可以认为这个搜索关键词没有问答的需求。
在本发明实施例中,可以指定多个问答类的网站,如果搜索结果项(如网页)来自于这些网站,则可以认为该搜索结果项属于问答类的搜索结果项。
如果点击的搜索结果项的数量比例大于第一阈值(如85%),表示问答类的搜索结果项的比例较高,可以确定该搜索关键词属于疑问式,即具有问答需求的搜索关键词。
例如,“颐和园门票多少钱”、“刷墙漆好呢还是贴壁纸好”。
如果点击的搜索结果项的数量比例小于第二阈值(如10%),表示问答类的搜索结果项的比例较低,可以确定搜索关键词属于非疑问式,即不具有问答需求的搜索关键词。
例如,“奥巴马控枪新指令”。
应用在本发明实施例进行问答属性的挖掘,挖掘的准确率可达98%。
步骤103,根据所述问答属性采用所述搜索关键词生成训练样本。
在具体实现中,可以按照问答属性分别对搜索关键词生成训练样本,以待进行回答意图分类模型的训练。
在本发明的一个实施例中,训练样本包括正训练样本、负训练样本;则在本发明实施例中,步骤103可以包括如下子步骤:
所述根据所述问答属性采用所述搜索关键词生成训练样本的步骤包括:
步骤1031,对属于疑问式的搜索关键词进行分词处理,获得第一分词;
步骤1032,集合所述第一分词,作为正训练样本;
步骤1033,对属于非疑问式的搜索关键词进行分词处理,获得第二分词;
步骤1034,集合所述第二分词,作为负训练样本。
在本发明实施例中,疑问式的搜索关键词作为正训练样本,可以生成一个正例文件question_positive.txt,非疑问式的搜索关键词作为负训练样本,可以生成一个负例文件question_negative.txt。
在正例文件、正例文件中,每行一个搜索关键词,例如,正例文件的某一行是“刷墙漆好呢还是贴壁纸好”。
对于正例文件中的搜索关键词,可以进行分词处理,生成正例分词文件question_positive_seg.txt,对于负例文件中的搜索关键词,可以进行分词处理,生成负例分词文件question_negative_seg.txt。
在正例分词文件、负例分词文件中,每行一个搜索关键词的分词结果,例如,正例分词文件中的某一行是“刷”、“墙漆”、“好呢”、“还是”、“贴壁纸”、“好”。
在本发明的一个实施例中,疑问式进一步可以包括显式疑问式和隐式疑问式,其中,显式疑问式为字面意义表明具有问答需求,隐式疑问式为字面意义未表明具有问答需求,但是,词意表明具有问答需求。
则在本发明实施例中,步骤102还可以包括如下子步骤:
子步骤1024,从所述正训练样本中挖掘疑问特征词;
子步骤1025,将包含所述疑问特征词的正训练样本的问答属性标记为显式疑问式;
子步骤1026,将不包含所述疑问特征词的正训练样本的问答属性标记为隐式疑问式。
在本发明实施例中,可以在正例分词文件question_positive_seg.txt的正训练样本中,通过TF-IDF(term frequency–inverse document frequency)等算法挖掘一批核心的特征疑问词,其部分示例可以如下所示:
为什么、为何、什么是、什么样、吃什么、咋回事、哪儿、多少只、多少钱、干什么、干嘛、怎么办、怎么弄、怎么样、怎么读、是什么、是哪、是啥、是多少、是谁、有吗、有哪些、求教、要多少、请回答。
含有这些特征疑问词的正训练样本(即搜索关键词)标记显式疑问式,例如,“颐和园门票多少钱”。
不含有这些特征疑问词的正训练样本(即搜索关键词)标记隐式疑问式,例如,“刷墙漆好呢还是贴壁纸好”。
步骤104,根据所述问答属性对所述训练样本标记分类标签,以生成二叉树。
树是一种非线性数据结构,直观地看,它是数据元素(在树中称为节点)按分支关系组织起来的结构。
其中,二叉树是每个结点最多有两个子树的有序树。
在本发明实施例中,可以识别训练样本的结构,并按照问答属性标记分类标签,以生成二叉树。
在本发明的一个实施例中,步骤104可以包括如下子步骤:
子步骤1041,对所述正训练样本和所述负训练样本识别句式依存关系,标记句式依存标签,以生成多叉树;
在本发明实施例中,可以预先配置斯坦福句法分析器(stanford parser),对正训练样本和所述负训练样本识别句式依存关系,标记句式依存标签,以生成多叉树。
其中,斯坦福句法分析器是一个词汇化的概率上下文无关语法分析器,同时也使用了依存分析。
通过斯坦福句法分析器(stanford parser),可以对训练样本(即英文从句)进行做依存句法分析,输出英文句子的依存关系。
斯坦福句法分析器(stanford parser)被用于自然语言处理,主要实现以下几个功能:
1)识别并标记句中单词的词性;
2)创建一个句子中两两单词间的语法关系Stanford Dependencies;
3)得到一个句子的语法结构。
进一步而言,该斯坦福句法分析器(stanford parser)可以给出一个句子的句法解析树,以及每个单词的词性和组成成分。
例如,通过斯坦福句法分析器(stanford parser)对“刷墙漆好呢还是贴壁纸好”识别句式依存关系,可以得到如下多叉树:
其中,句式依存标签为:
IP为简单从句,VP为动词短语,NP为名词短语,ADJP为形容词短语,JJ为形容词或序数词,NN为常用名词,CC为连词,VA为表语形容词。
子步骤1042,根据所述问答属性将分类标签替换句式依存标签,以将所述多叉树转换为二叉树。
在本发明实施例中,将多叉树从后往前合并,在合并过程中,将分类标签替换句式依存标签,将多叉树转变为二叉树。
在具体实现中,多叉树具有根节点和子节点,多叉树转变为二叉树的过程是一个多分类任务,节点的分类标签表示这个节点及其以下分支的类别。
分类标签可以包括如下的一种或多种:
第一分类标签,例如,4,表示显式疑问式。
第二分类标签,例如,2,表示中性。
第三分类标签,例如,3,表示隐式疑问式。
第四分类标签,例如,0,表示非疑问式。
若子节点为疑问特征词,将子节点的句式依存标签替换为第一分类标签,例如,4。
从子节点到根节点之间的其他子节点的句式依存标签替换为第一分类标签,例如,4。
若子节点为非疑问特征词,将子节点的句式依存标签替换为第二分类标签,例如,2。
若多叉树属于正训练样本,则将根节点的句式依存标签替换为第一分类标签或第三分类标签,例如,4或3。
进一步而言,若正训练样本属于显式疑问式,则将根节点的句式依存标签替换为第一分类标签,例如,4。
若正训练样本属于隐式疑问式,则将根节点的句式依存标签替换为第三分类标签,例如,3。
若多叉树属于负训练样本,将根节点的句式依存标签替换为第四分类标签,例如,0。
例如,对于“刷墙漆好呢还是贴壁纸好”、“颐和园门票多少钱”、“奥巴马控枪新指令”标注分类标签,如下表所示:
此外,对“刷墙漆好呢还是贴壁纸好”生成的二叉树如图2A所示,对“颐和园门票多少钱”生成的二叉树如图2B所示,对“奥巴马控枪新指令”生成的二叉树如图2C所示。
其中,Root根节点的属性表示整个搜索关键词的属性,这个属性是由叶子节点的属性,一层层传递上来的,也就是说,如果一个搜索关键词是疑问式,那么根节点的性质就是疑问式,这个疑问的性质由它的子节点提供,依次经过中间节点可以追溯到某些叶子节点上,可以捕获某些叶子节点的集体效应或是联动效应,也就是某些叶子节点一起对根节点的类别产生影响,也就是所谓的pattern(模式)。
标注之后,可以对正例分词文件question_positive_seg.txt生成正二叉树文件question_positive_seg_btree.txt,对负例分词文件question_negative_seg.txt生成负二叉树文件question_negative_seg_btree.txt。
步骤105,根据所述二叉树训练回答意图分类模型。
在本发明实施例中,可以通过带有LSTM(Long Short-Term Memory,时间递归神经网络)单元的递归神经网络(RNN-LSTM),采用二叉树训练回答意图分类模型,该回答意图分类模型可以用于对搜索关键词进行分类,识别是否具有回答意图。
LSTM是一类基于树状拓扑结构的深度学习方法,LSTM有长短时记忆功能,在句法依存树中能将表达疑问性质的信息依次向上传递,在中间节点上合并两个子分支的信息,并记住有疑问语义的信息,汇总到根节点。
从子节点到根节点路径上,RNN-LSTM模型在各层路径上捕获搜索关键词中的表达疑问性质的pattern结构,有效学习到隐式疑问句的特征表示,有效提高识别的准确率和召回率。
在具体实现中,LSTM模型的树拓扑结构如图3所示,每一个节点都有一个LSTMUnit和softmax分类器。
LSTM Unit用于处理本节点及其分支的特征信息,并向上层父节点输出本分支的特征向量,同时使用这个特征向量做softmax分类,并与本节点的目标分类标签计算交叉熵损失函数。
模型的损失函数是所有节点的交叉熵累加和L2正则惩罚项之和,反向传播是从根节点向下一直到叶子节点学习调整参数。
模型的损失函数由两部分组成,第一部分是树中所有节点的交叉熵和,第二部分是L2正则化项,抑制过拟合现象,模型训练中使用了dropout抑制过拟合问题。
迭代训练100轮,损失函数的曲线如图4所示。
在本发明实施例的一个示例中,随机选择70万的数据作为训练集train.txt,10万的数据作为交叉验证集dev.txt,3万的数据作为测试集test.txt,其中,train.txt中负训练样本与正训练样本的比例大约6:1。
训练得到一个回答意图分类模型,可以用到搜索引擎中在线预测一个搜索关键词的问答属性。
在二分类中,即疑问式、非疑问式,若分类标签≤2是非疑问式,>2是疑问式,准确率是0.9596,召回率是0.8602。
在多分类中,即显式疑问式、隐式疑问式、中性、非疑问式,准确率是0.7997,召回率是0.6639。
应用回答意图分类模型对搜索关键词识别问答意图的示例如下:
搜索关键词 | 预测的分类标签 |
洗脸池下水管价格 | 0 |
灯珠方孔价钱 | 0 |
墙头是什么意思 | 4 |
bpmstudio中文版 | 2 |
买房好呢还是租房好 | 4 |
表格对比图表 | 2 |
吃臭豆食人体有益 | 0 |
梓潼山滑雪场简介 | 0 |
最牛小说作者是谁 | 4 |
推荐几首李秀英好听歌 | 3 |
用摹状貌写一段话 | 3 |
其中,0为非疑问式,2为中性,3为隐式疑问式,4为显式疑问式。
本发明实施例基于搜索关键词搜索时生成的搜索结果项点击记录,挖掘搜索关键词的问答属性,从而采用搜索关键词生成训练样本,并对该训练样本标记分类标签,以生成二叉树、训练回答意图分类模型,通过分析搜索关键词的结构,标记分类标签,从而学习疑问式、尤其是隐式疑问式的搜索关键词的结构模式,以此训练模型,有效地提高准确率和召回率。
对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图5,示出了根据本发明一个实施例的一种基于搜索关键词训练回答意图分类模型的装置的结构框图,具体可以包括如下模块:
点击记录收集模块501,适于收集基于搜索关键词搜索时生成的搜索结果项点击记录;
问答属性挖掘模块502,适于根据所述搜索结果项点击记录挖掘所述搜索关键词的问答属性;
训练样本生成模块503,适于根据所述问答属性采用所述搜索关键词生成训练样本;
生成二叉树生成模块504,适于根据所述问答属性对所述训练样本标记分类标签,以生成二叉树;
答意图分类模型训练模块505,适于根据所述二叉树训练回答意图分类模型。
在本发明的一个实施例中,所述问答属性包括疑问式和非疑问式;
所述问答属性挖掘模块502还适于:
对所述关键词统计所述搜索结果项点击记录中属于问答类的搜索结果项的数量比例;
当所述数量比例大于预设的第一阈值时,确定所述搜索关键词属于疑问式;
当所述数量比例小于预设的第二阈值时,确定所述搜索关键词属于非疑问式。
在本发明的一个实施例中,所述训练样本包括正训练样本、负训练样本;
所述训练样本生成模块503还适于:
对属于疑问式的搜索关键词进行分词处理,获得第一分词;
集合所述第一分词,作为正训练样本;
对属于非疑问式的搜索关键词进行分词处理,获得第二分词;
集合所述第二分词,作为负训练样本。
在本发明的一个实施例中,所述疑问式包括显式疑问式和隐式疑问式;
所述问答属性挖掘模块502还适于:
从所述正训练样本中挖掘疑问特征词;
将包含所述疑问特征词的正训练样本的问答属性标记为显式疑问式;
将不包含所述疑问特征词的正训练样本的问答属性标记为隐式疑问式。
在本发明的一个实施例中,所述生成二叉树生成模块504还适于:
对所述正训练样本和所述负训练样本识别句式依存关系,标记句式依存标签,以生成多叉树;
根据所述问答属性将分类标签替换句式依存标签,以将所述多叉树转换为二叉树。
在本发明的一个实施例中,所述多叉树具有根节点和子节点;
所述生成二叉树生成模块504还适于:
若所述子节点为疑问特征词,将所述子节点的句式依存标签替换为第一分类标签;
从所述子节点到根节点之间的其他子节点的句式依存标签替换为第一分类标签;
若所述子节点为非疑问特征词,将所述子节点的句式依存标签替换为第二分类标签;
若所述多叉树属于正训练样本,则将所述根节点的句式依存标签替换为第一分类标签或第三分类标签;
若所述多叉树属于负训练样本,将所述根节点的句式依存标签替换为第四分类标签。
在本发明的一个实施例中,所述生成二叉树生成模块504还适于:
若所述正训练样本属于显式疑问式,则将所述根节点的句式依存标签替换为第一分类标签;
若所述正训练样本属于隐式疑问式,则将所述根节点的句式依存标签替换为第三分类标签。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于搜索关键词训练回答意图分类模型的设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (12)
1.一种基于搜索关键词训练回答意图分类模型的方法,包括:
收集基于搜索关键词搜索时生成的搜索结果项点击记录;
根据所述搜索结果项点击记录挖掘所述搜索关键词的问答属性;
根据所述问答属性采用所述搜索关键词生成训练样本;
根据所述问答属性对所述训练样本标记分类标签,以生成二叉树;
根据所述二叉树训练回答意图分类模型;
所述训练样本包括正训练样本、负训练样本,所述根据所述问答属性对所述训练样本标记分类标签,以生成二叉树的步骤包括:
对所述正训练样本和所述负训练样本识别句式依存关系,标记句式依存标签,以生成多叉树;
将所述多叉树从后往前合并,在合并过程中,根据所述问答属性将分类标签替换句式依存标签,以将所述多叉树转换为二叉树。
2.如权利要求1所述的方法,其特征在于,所述问答属性包括疑问式和非疑问式;
所述根据所述搜索结果项点击记录挖掘所述搜索关键词的问答属性的步骤包括:
对所述关键词统计所述搜索结果项点击记录中属于问答类的搜索结果项的数量比例;
当所述数量比例大于预设的第一阈值时,确定所述搜索关键词属于疑问式;
当所述数量比例小于预设的第二阈值时,确定所述搜索关键词属于非疑问式。
3.如权利要求1-2任一项所述的方法,其特征在于,所述根据所述问答属性采用所述搜索关键词生成训练样本的步骤包括:
对属于疑问式的搜索关键词进行分词处理,获得第一分词;
集合所述第一分词,作为正训练样本;
对属于非疑问式的搜索关键词进行分词处理,获得第二分词;
集合所述第二分词,作为负训练样本。
4.如权利要求3所述的方法,其特征在于,所述疑问式包括显式疑问式和隐式疑问式;
所述根据所述搜索结果项点击记录挖掘所述搜索关键词的问答属性的步骤还包括:
从所述正训练样本中挖掘疑问特征词;
将包含所述疑问特征词的正训练样本的问答属性标记为显式疑问式;
将不包含所述疑问特征词的正训练样本的问答属性标记为隐式疑问式。
5.如权利要求1所述的方法,其特征在于,所述多叉树具有根节点和子节点;
所述将分类标签替换句式依存标签,以将所述多叉树转换为二叉树的步骤包括:
若所述子节点为疑问特征词,将所述子节点的句式依存标签替换为第一分类标签;
从所述子节点到根节点之间的其他子节点的句式依存标签替换为第一分类标签;
若所述子节点为非疑问特征词,将所述子节点的句式依存标签替换为第二分类标签;
若所述多叉树属于正训练样本,则将所述根节点的句式依存标签替换为第一分类标签或第三分类标签;
若所述多叉树属于负训练样本,将所述根节点的句式依存标签替换为第四分类标签。
6.如权利要求5所述的方法,其特征在于,所述则将所述根节点的句式依存标签替换为第一分类标签或第三分类标签的步骤包括:
若所述正训练样本属于显式疑问式,则将所述根节点的句式依存标签替换为第一分类标签;
若所述正训练样本属于隐式疑问式,则将所述根节点的句式依存标签替换为第三分类标签。
7.一种基于搜索关键词训练回答意图分类模型的装置,包括:
点击记录收集模块,适于收集基于搜索关键词搜索时生成的搜索结果项点击记录;
问答属性挖掘模块,适于根据所述搜索结果项点击记录挖掘所述搜索关键词的问答属性;
训练样本生成模块,适于根据所述问答属性采用所述搜索关键词生成训练样本;
生成二叉树生成模块,适于根据所述问答属性对所述训练样本标记分类标签,以生成二叉树;
答意图分类模型训练模块,适于根据所述二叉树训练回答意图分类模型;
所述训练样本包括正训练样本、负训练样本,所述生成二叉树生成模块还适于:
对所述正训练样本和所述负训练样本识别句式依存关系,标记句式依存标签,以生成多叉树;
将所述多叉树从后往前合并,在合并过程中,根据所述问答属性将分类标签替换句式依存标签,以将所述多叉树转换为二叉树。
8.如权利要求7所述的装置,其特征在于,所述问答属性包括疑问式和非疑问式;
所述问答属性挖掘模块还适于:
对所述关键词统计所述搜索结果项点击记录中属于问答类的搜索结果项的数量比例;
当所述数量比例大于预设的第一阈值时,确定所述搜索关键词属于疑问式;
当所述数量比例小于预设的第二阈值时,确定所述搜索关键词属于非疑问式。
9.如权利要求7-8任一项所述的装置,其特征在于,
所述训练样本生成模块还适于:
对属于疑问式的搜索关键词进行分词处理,获得第一分词;
集合所述第一分词,作为正训练样本;
对属于非疑问式的搜索关键词进行分词处理,获得第二分词;
集合所述第二分词,作为负训练样本。
10.如权利要求9所述的装置,其特征在于,所述疑问式包括显式疑问式和隐式疑问式;
所述问答属性挖掘模块还适于:
从所述正训练样本中挖掘疑问特征词;
将包含所述疑问特征词的正训练样本的问答属性标记为显式疑问式;
将不包含所述疑问特征词的正训练样本的问答属性标记为隐式疑问式。
11.如权利要求7所述的装置,其特征在于,所述多叉树具有根节点和子节点;
所述生成二叉树生成模块还适于:
若所述子节点为疑问特征词,将所述子节点的句式依存标签替换为第一分类标签;
从所述子节点到根节点之间的其他子节点的句式依存标签替换为第一分类标签;
若所述子节点为非疑问特征词,将所述子节点的句式依存标签替换为第二分类标签;
若所述多叉树属于正训练样本,则将所述根节点的句式依存标签替换为第一分类标签或第三分类标签;
若所述多叉树属于负训练样本,将所述根节点的句式依存标签替换为第四分类标签。
12.如权利要求11所述的装置,其特征在于,所述生成二叉树生成模块还适于:
若所述正训练样本属于显式疑问式,则将所述根节点的句式依存标签替换为第一分类标签;
若所述正训练样本属于隐式疑问式,则将所述根节点的句式依存标签替换为第三分类标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611249277.3A CN106682192B (zh) | 2016-12-29 | 2016-12-29 | 一种基于搜索关键词训练回答意图分类模型的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611249277.3A CN106682192B (zh) | 2016-12-29 | 2016-12-29 | 一种基于搜索关键词训练回答意图分类模型的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106682192A CN106682192A (zh) | 2017-05-17 |
CN106682192B true CN106682192B (zh) | 2020-07-03 |
Family
ID=58873472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611249277.3A Active CN106682192B (zh) | 2016-12-29 | 2016-12-29 | 一种基于搜索关键词训练回答意图分类模型的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682192B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170859B (zh) * | 2018-01-22 | 2020-07-28 | 北京百度网讯科技有限公司 | 语音查询的方法、装置、存储介质及终端设备 |
CN108664644A (zh) * | 2018-05-16 | 2018-10-16 | 微梦创科网络科技(中国)有限公司 | 一种问答系统构建方法、问答处理方法及装置 |
CN108763211B (zh) * | 2018-05-23 | 2020-07-31 | 中国科学院自动化研究所 | 融合蕴含知识的自动文摘方法及系统 |
CN111191107B (zh) * | 2018-10-25 | 2023-06-30 | 北京嘀嘀无限科技发展有限公司 | 使用标注模型召回兴趣点的系统和方法 |
US11138285B2 (en) * | 2019-03-07 | 2021-10-05 | Microsoft Technology Licensing, Llc | Intent encoder trained using search logs |
CN110032631B (zh) * | 2019-03-26 | 2021-07-02 | 腾讯科技(深圳)有限公司 | 一种信息反馈方法、装置和存储介质 |
CN113990314A (zh) * | 2019-05-06 | 2022-01-28 | 阿波罗智联(北京)科技有限公司 | 语音解析方法和装置、计算机可读介质 |
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 |
CN110874396B (zh) * | 2019-11-07 | 2024-02-09 | 腾讯科技(深圳)有限公司 | 一种关键词抽取方法、装置以及计算机存储介质 |
CN110909146B (zh) * | 2019-11-29 | 2022-09-09 | 支付宝(杭州)信息技术有限公司 | 用于推送反问标签的标签推送模型训练方法、装置及设备 |
CN110990576B (zh) * | 2019-12-24 | 2023-06-16 | 用友网络科技股份有限公司 | 基于主动学习的意图分类方法、计算机设备和存储介质 |
CN111353021B (zh) * | 2020-02-28 | 2023-08-18 | 百度在线网络技术(北京)有限公司 | 意图识别方法和设备、电子设备和介质 |
CN111488927B (zh) * | 2020-04-08 | 2023-07-21 | 中国医学科学院肿瘤医院 | 分类阈值确定方法、装置、电子设备及存储介质 |
CN111813580B (zh) * | 2020-07-24 | 2022-07-15 | 成都信息工程大学 | 一种基于矩阵表示的分布式模型训练优化方法 |
CN112000808B (zh) * | 2020-09-29 | 2024-04-16 | 迪爱斯信息技术股份有限公司 | 一种数据处理方法及装置、可读存储介质 |
CN112364246B (zh) * | 2020-11-19 | 2024-02-06 | 中国平安人寿保险股份有限公司 | 数据搜索方法、装置、计算机设备及存储介质 |
CN112559769B (zh) * | 2020-12-15 | 2024-04-16 | 上海钛米机器人股份有限公司 | 问答数据库的生成方法和装置 |
CN113343028B (zh) * | 2021-05-31 | 2022-09-02 | 北京达佳互联信息技术有限公司 | 意图确定模型的训练方法和装置 |
CN113268485B (zh) * | 2021-06-02 | 2024-02-09 | 电信科学技术第十研究所有限公司 | 数据表关联分析方法、装置、设备及存储介质 |
CN114492456B (zh) * | 2022-01-26 | 2023-03-24 | 北京百度网讯科技有限公司 | 文本生成方法、模型的训练方法、装置、电子设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140624A (zh) * | 2007-10-18 | 2008-03-12 | 清华大学 | 图像匹配方法 |
CN102254039A (zh) * | 2011-08-11 | 2011-11-23 | 武汉安问科技发展有限责任公司 | 一种基于搜索引擎的网络搜索方法 |
CN103020083A (zh) * | 2011-09-23 | 2013-04-03 | 北京百度网讯科技有限公司 | 需求识别模板的自动挖掘方法、需求识别方法及对应装置 |
CN103020066A (zh) * | 2011-09-21 | 2013-04-03 | 北京百度网讯科技有限公司 | 一种识别搜索需求的方法和装置 |
CN103377224A (zh) * | 2012-04-24 | 2013-10-30 | 北京百度网讯科技有限公司 | 识别问题类型的方法及装置、建立识别模型的方法及装置 |
CN106126502A (zh) * | 2016-07-07 | 2016-11-16 | 四川长虹电器股份有限公司 | 一种基于支持向量机的情感分类系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8543565B2 (en) * | 2007-09-07 | 2013-09-24 | At&T Intellectual Property Ii, L.P. | System and method using a discriminative learning approach for question answering |
-
2016
- 2016-12-29 CN CN201611249277.3A patent/CN106682192B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140624A (zh) * | 2007-10-18 | 2008-03-12 | 清华大学 | 图像匹配方法 |
CN102254039A (zh) * | 2011-08-11 | 2011-11-23 | 武汉安问科技发展有限责任公司 | 一种基于搜索引擎的网络搜索方法 |
CN103020066A (zh) * | 2011-09-21 | 2013-04-03 | 北京百度网讯科技有限公司 | 一种识别搜索需求的方法和装置 |
CN103020083A (zh) * | 2011-09-23 | 2013-04-03 | 北京百度网讯科技有限公司 | 需求识别模板的自动挖掘方法、需求识别方法及对应装置 |
CN103377224A (zh) * | 2012-04-24 | 2013-10-30 | 北京百度网讯科技有限公司 | 识别问题类型的方法及装置、建立识别模型的方法及装置 |
CN106126502A (zh) * | 2016-07-07 | 2016-11-16 | 四川长虹电器股份有限公司 | 一种基于支持向量机的情感分类系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106682192A (zh) | 2017-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106682192B (zh) | 一种基于搜索关键词训练回答意图分类模型的方法和装置 | |
CN107220352B (zh) | 基于人工智能构建评论图谱的方法和装置 | |
Mai et al. | Joint sentence and aspect-level sentiment analysis of product comments | |
Kontopoulos et al. | Ontology-based sentiment analysis of twitter posts | |
US10217058B2 (en) | Predicting interesting things and concepts in content | |
Asghar et al. | Sentiment analysis on youtube: A brief survey | |
CN103514299B (zh) | 信息搜索方法和装置 | |
US20130159277A1 (en) | Target based indexing of micro-blog content | |
CN103853824A (zh) | 一种基于深度语义挖掘的内文广告发布方法与系统 | |
US20150310099A1 (en) | System And Method For Generating Labels To Characterize Message Content | |
CN103049435A (zh) | 文本细粒度情感分析方法及装置 | |
CN104102721A (zh) | 信息推荐方法和装置 | |
WO2015051450A1 (en) | Computer-implemented method and system for content creation | |
CN102609427A (zh) | 舆情垂直搜索分析系统及方法 | |
WO2010014082A1 (en) | Method and apparatus for relating datasets by using semantic vectors and keyword analyses | |
CN103870000A (zh) | 一种对输入法所产生的候选项进行排序的方法及装置 | |
Yun et al. | Computationally analyzing social media text for topics: A primer for advertising researchers | |
Rahate et al. | Feature selection for sentiment analysis by using svm | |
Wang et al. | Multi‐label emotion recognition of weblog sentence based on Bayesian networks | |
Da et al. | Deep learning based dual encoder retrieval model for citation recommendation | |
Meddeb et al. | Using twitter streams for opinion mining: a case study on airport noise | |
Pan et al. | Video clip recommendation model by sentiment analysis of time-sync comments | |
US9305103B2 (en) | Method or system for semantic categorization | |
Zhou et al. | Mining and Utilization of English Learning Resources Using the Python NLTK | |
Wang et al. | CA-CD: context-aware clickbait detection using new Chinese clickbait dataset with transfer learning method |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |