CN107451230A - 一种问答方法以及问答系统 - Google Patents
一种问答方法以及问答系统 Download PDFInfo
- Publication number
- CN107451230A CN107451230A CN201710606318.8A CN201710606318A CN107451230A CN 107451230 A CN107451230 A CN 107451230A CN 201710606318 A CN201710606318 A CN 201710606318A CN 107451230 A CN107451230 A CN 107451230A
- Authority
- CN
- China
- Prior art keywords
- network framework
- question
- teacher
- framework
- knowledge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 230000004044 response Effects 0.000 claims abstract description 19
- 238000013459 approach Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005094 computer simulation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract 2
- 230000036541 health Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 229930182555 Penicillin Natural products 0.000 description 4
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 description 4
- 239000003242 anti bacterial agent Substances 0.000 description 4
- 230000003115 biocidal effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 229940049954 penicillin Drugs 0.000 description 4
- RXZBMPWDPOLZGW-XMRMVWPWSA-N (E)-roxithromycin Chemical compound O([C@@H]1[C@@H](C)C(=O)O[C@@H]([C@@]([C@H](O)[C@@H](C)C(=N/OCOCCOC)/[C@H](C)C[C@@](C)(O)[C@H](O[C@H]2[C@@H]([C@H](C[C@@H](C)O2)N(C)C)O)[C@H]1C)(C)O)CC)[C@H]1C[C@@](C)(OC)[C@@H](O)[C@H](C)O1 RXZBMPWDPOLZGW-XMRMVWPWSA-N 0.000 description 3
- 206010020751 Hypersensitivity Diseases 0.000 description 3
- 208000026935 allergic disease Diseases 0.000 description 3
- 230000007815 allergy Effects 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 229960005224 roxithromycin Drugs 0.000 description 3
- 241000238558 Eucarida Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 229940088710 antibiotic agent Drugs 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种问答方法以及问答系统。方法包括：采集用户提问；基于老师‑学生网络框架针对所述用户提问进行意图理解，获取问题要素，其中，利用老师网络框架使用知识图谱作为学生网络框架的约束，利用所述学生网络框架进行意图理解；针对所述问题要素利用神经网络模型进行基于所述知识图谱的推理从而获取相应的应答。相较于现有技术，根据本发明的方法，可以给予用户更为符合逻辑规则、更为准确的应答，从而大大提高问答系统的用户体验。
Description
技术领域
本发明涉及电子技术领域，具体涉及一种问答方法以及问答系统。
背景技术
随着计算机技术的不断发展，智能化的自动应答系统越来越多的应用于人类日程的生产生活中。
在现有技术中，常见的问答系统主要分为两大类：一类是通用型的，比如Siri、微软小冰等个人语言助手；还有一类是面向垂直领域的，比如银行、保险等行业的人工智能(AI)客服等。
通用型的问答系统一般是通过大量的语料库对该模型进行训练，其可以实现简短的对话问答，这样的系统用于娱乐聊天表现尚可，但是由于无法提取用户问话中的精确含义，不能用于需要根据用户的意图执行具体任务的服务机器人中。
垂直领域的智能客服问答系统一般采用规则推理、模板匹配等模型。这类系统可以对用户的问题做出针对性的回答，也具有一定的执行任务的能力。然而其灵活性仍然受限制，遇到模板无法匹配的情况，常常无法做出正确的回答，并且无法进行深度的推理。
由于现有的问答系统存在上述问题，其并不能适应不断提高的用户需求，因此需要一种新的、能够给予用户更好的问答体验的问答系统。
发明内容
本发明提供了一种问答方法，所述方法包括：
采集用户提问；
基于老师-学生网络框架针对所述用户提问进行意图理解，获取问题要素，其中，利用老师网络框架使用知识图谱作为学生网络框架的约束，利用所述学生网络框架进行意图理解；
针对所述问题要素利用神经网络模型进行基于所述知识图谱的推理从而获取相应的应答。
在一实施例中，其特征在于：
所述老师网络框架配置为将逻辑规则所代表的知识建模；
所述学生网络框架配置为利用反向传播方法加上所述老师网络框架的约束，实现对逻辑规则的学习。
在一实施例中，所述学生网络框架为加入了注意机制的序列到序列深度神经网络模型。
在一实施例中，所述学生网络框架的学习流程包括：
步骤一，将所述逻辑规则表达数值形式；
步骤二，利用所述逻辑规则对老师网络框架进行限制，同时保证所述学生网络框架与所述老师网络框架趋近；
步骤三，对所述学生网络框架进行训练，保证所述学生网络框架与所述老师网络框架的预测结果均趋近理想值；
步骤四，重复步骤一～步骤三直到收敛。
在一实施例中，在所述步骤一中，利用软逻辑将所述逻辑规则表达为[0,1]之间的连续数值。
在一实施例中，在所述步骤二中，基于后验正则化方法，利用所述逻辑规则对老师网络框架进行限制。
在一实施例中，所述神经网络模型为可微神经计算机模型。
在一实施例中，针对所述用户提问利用所述深度神经网络模型进行基于所述知识图谱的推理从而获取相应的应答，包括：
匹配所述问题要素对应的知识要素；
在记忆网络中寻找所述知识要素间的最短路径；
整理所述最短路径以获取所述应答。
本发明还提出了一种存储介质，所述存储介质上存储有可实现如本发明所述方法的程序代码。
本发明还提出了一种基于本发明所述方法的问答系统，所述系统包括：
意图理解模块，其配置为采集用户问题，针对所述用户提问进行意图理解，获取问题要素，其中，所述意图理解模块包含所述老师网络框架以及所述学生网络框架；
答案生成模块，其配置为针对所述问题要素利用神经网络模型进行基于知识图谱的推理从而获取相应的应答，其中，所述答案生成模块包含所述神经网络模型。
相较于现有技术，根据本发明的方法，可以给予用户更为符合逻辑规则、更为准确的应答，从而大大提高问答系统的用户体验。
本发明的其它特征或优点将在随后的说明书中阐述。并且，本发明的部分特征或优点将通过说明书而变得显而易见，或者通过实施本发明而被了解。本发明的目的和部分优点可通过在说明书、权利要求书以及附图中所特别指出的步骤来实现或获得。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
图1是根据本发明一实施例的方法流程图；
图2是根据本发明一实施例的方法部分流程图；
图3是根据本发明一实施例的老师-学生网络框架应用关系示意图；
图4是根据本发明一实施例的方法部分流程图；
图5是应用本发明一实施例的问答系统结构框图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此本发明的实施人员可以充分理解本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程并依据上述实现过程具体实施本发明。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
在现有技术中，常见的问答系统主要分为两大类：一类是通用型的，比如Siri、微软小冰等个人语言助手；还有一类是面向垂直领域的，比如银行、保险等行业的AI客服等。
通用型的问答系统一般是通过大量的语料库对该模型进行训练，其可以实现简短的对话问答，这样的系统用于娱乐聊天表现尚可，但是由于无法提取用户问话中的精确含义，不能用于需要根据用户的意图执行具体任务的服务机器人中。
垂直领域的智能客服问答系统一般采用规则推理、模板匹配等模型。这类系统可以对用户的问题做出针对性的回答，也具有一定的执行任务的能力。然而其灵活性仍然受限制，遇到模板无法匹配的情况，常常无法做出正确的回答，并且无法进行深度的推理。
针对现有的问答系统存在的上述问题，本发明提出了一种问答方法。在本发明的方法中，构造了新架构的问答系统，利用新的问答系统实现智能自动应答。相较于现有技术，根据本发明的方法，可以给予用户更为符合逻辑规则、更为准确的应答，从而大大提高问答系统的用户体验。
接下来基于附图详细描述根据本发明实施例的方法的详细流程，附图的流程图中示出的步骤可以在包含诸如一组计算机可执行指令的计算机系统中执行。虽然在流程图中示出了各步骤的逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示，在一实施例中，首先采集用户提问(S110)，然后对针对用户提问进行意图理解以获取问题要素(S120)。
具体的，在步骤S120中，基于老师-学生网络框架(teacher-student network)针对所述用户提问进行意图理解，老师-学生网络框架为老师网络框架(teacher network)与学生网络框架(student network)的组合，利用老师网络框架使用知识图谱作为学生网络框架的约束，利用学生网络框架进行意图理解。
采用老师-学生网络框架，按照逻辑规则将知识图谱引入深度神经网络模型中，利用知识图谱对深度神经网络模型进行引导(具体的，是利用知识图谱中的人类意图和领域知识对深度神经网络模型进行限制引导)，从而提高对用户提问意图理解的准确性。
在语义理解，获取到问题要素(S120)后就可以针对问题要素获取对应的应答(S130)，在本实施例中，在步骤S130中，针对问题要素利用神经网络模型进行基于知识图谱的推理从而获取相应的应答。
进一步的，在一实施例中，老师网络框架配置为将逻辑规则所代表的知识建模，学生网络框架配置为利用反向传播方法加上老师网络框架的约束，实现对逻辑规则的学习。
具体的，在一实施例中，学生网络框架为加入了注意(attention)机制的序列到序列(Sequence to Sequence，seq2seq)深度神经网络模型。
进一步的，由于关于“世界知识”的通用知识图谱很难获取，并且即使获取也由于其庞大的规模难以运用，因此在一实施例中，建立特定领域的知识图谱。使用seq2seq深度神经网络模型进行语义分析，并使用特定领域的知识图谱作为seq2seq深度神经网络模型的约束，以提高命名实体识别、语义理解的准确率。
进一步的，在一实施例中，基于学生网络框架实现对逻辑规则的学习包括如图2所示的以下步骤：
步骤210，将逻辑规则表达数值形式；
步骤220，利用逻辑规则对老师网络框架进行限制，同时保证学生网络框架与老师网络框架趋近；
步骤230，对学生网络框架进行训练，保证学生网络框架与老师网络框架的预测结果均趋近理想值；
步骤240，判断是否收敛(预测结果趋近理想值)，如未收敛则重复步骤210～230，如收敛则结束(S250)。
进一步的，在一实施例中，在步骤S210中，利用软逻辑(soft logic)将逻辑规则表达为[0,1]之间的连续数值。
进一步的，在一实施例中，在步骤S220中，基于后验正则化方法，利用逻辑规则对老师网络框架进行限制。具体的，在一实施例中，最终优化函数为：
g1＝1，2，…，Gl，l＝1，2，…，L (1)
其中，是松弛变量，L是规则个数，Gl是第l个规则的grounding数，C为常数。KL函数用于评估教师网络和学生网络输出之间的相似度。后面的正则项表达了来自逻辑规则的约束：表示在特定规则约束下教师网络q的期望，λ1为正则化参数。
进一步的，在一实施例中，在步骤S230中，优化函数如下：
式2中，t是训练次数，l是损失函数，σθ是预测函数，θ是优化目标函数，Sn是teachernetwork的预测结果，N是样本数量，xn是输入值，yn是输出值。
具体的，在一实施例中，将知识图谱引入到深度神经网络的teacher-studentnetwork模型如图3所示。老师网络框架将逻辑规则所代表的知识建模，从而可以利用逻辑规则针对已标识数据进行预测(规则约束)。利用已标识数据(未标识数据)对学生网络框架进行训练，其中，对学生网络框架针对已标识数据的预测结果与老师网络框架针对已标识数据的预测结果进行比对(判断误差值(loss))，基于误差值(loss)利用反向传播方法调整学生网络，保证学生网络框架与老师网络框架的预测结果均趋近理想值。
进一步的，在一实施例中，图1所示的步骤S130中，用于推理并获取应答的神经网络模型为可微神经计算机模型(Differentiable Neural Computer，DNC)。DNC作为一种特殊的神经网络，具有外部存储结构，它可以通过对知识库内大量知识的学习，将对应的知识图谱记忆在外部存储器中。DNC并不是简单地记录下每条知识的表示，更重要的是它通过训练学习到了每条知识相互间的关系。另一方面，当学习新知识时，只需要增大相应的外部存储容量，而不需要从头训练。
具体的，在一实施例中，针对用户提问利用深度神经网络模型进行基于知识图谱的推理从而获取相应的应答，包括如图4所示的以下步骤：
匹配问题要素对应的知识要素(S410)；
在记忆网络中寻找知识要素间的最短路径(S420)；
整理最短路径以获取应答(S430)。
知识图谱中的每一条知识可以用三元组<h,r,t>来表示，许多这样的知识之间相互联系，就形成了一个网络，其可以用graph这种数据结构来表示。为了使神经网络能够处理graph这样的结构化的数据，需要对三元组进行向量化表示。将离散的知识表达为连续的向量，可以作为神经网络的输入，从而能够计算不同问题与对应知识的匹配程度，获取最佳答案。
具体的，在一实施例中，在步骤S410中，通过计算要素对应的三元组向量的相似度来匹配问题要素对应的知识要素。具体的，在一实施例中，计算公式为：
公式3中，S(Q,τ)表示问题Q与候选三元组τ的相似度；XQ表示问题的向量，μτ表示知识图谱的三元组的向量，M是待学习参数。
具体的，在一实施例中，假设问题要素分别为X1、X2，在步骤S410中，通过计算匹配得到的知识表示为Y1、Y2；在步骤S420中，DNC将在记忆网络中寻找到Y1到Y2之间的最短路径；在步骤S430中，将这个最短路径进行整理，就可得到相应的答案。在步骤S420中，如果无法找到能够连通Y1和Y2的路径，则表明答案不存在。
基于本发明的方法，本发明还提出了一种存储介质，该存储介质上存储有可实现本发明所提出的方法的程序代码。
进一步的，基于本发明的方法，本发明还提出了一种问答系统。具体的，如图5所示，在一实施例中，系统包括：
意图理解模块510，其配置为采集用户问题，针对用户提问进行意图理解，获取问题要素，其中，意图理解模块510包含老师网络框架511以及学生网络框架512；
答案生成模块520，其配置为针对问题要素利用神经网络模型进行基于知识图谱的推理从而获取相应的应答，其中，答案生成模块520包含神经网络模型521。
进一步的，在一实施例中，答案生成模块520还包含回答模板库，回答模板库用于将神经网络模型521生成的应答转换为更符合用户阅读习惯的输出模式。
下面结合具体实施例对本发明的原理做进一步详细描述。
本实施例是一个健康养生方面的问答系统。具体方案如下：
问答系统主要包括意图理解模块和答案生成模块两个模块，用户意图理解模块由一个带有attention机制的seq2seq深度神经网络(对应student network)和一个规则约束网络(对应teacher network)组成。答案生成模块是由一个DNC神经网络和一个回答模板库组成。
问答系统需要使用数据和知识对以上两个模块进行训练。本系统使用的数据来自于网络，使用程序自动抓取网站中关于保健和养生方面的问答语句，经过适当处理后形成保健养生语料库；本系统依据的保健养生知识图谱是由人工将专业的保健和养生知识以及一些通用常识编辑形成的。
在意图理解模块中，将保健养生语料库作为输入对seq2seq网络进行训练，同时使用养生保健知识图谱构建规则约束网络，并将该网络的输出结果作为约束，引导seq2seq网络进行反向传播优化，最终提取出用户的真实意图。
相较于现有技术，采用以上步骤训练的意图理解模块相对于一般的语义理解模块具有以下优势：
1.强大的语言建模能力
自然语言的语法规则并不像计算机语言那样可以精确定义，传统方法通过建立形式化的规则进行语法语义分析，费时费力，并不能获得较好的效果。神经网络采用语料库进行训练，可以自动学习到语言规则。
2.提高了模糊语义的识别能力
通过神经网络学习到的规则有时候并不准确，需要人为地加入一定的约束，以消除语言的模糊性。举例说明：“我想看亮剑”这句话，既可以理解为看《亮剑》这部电视剧，也可理解为看明亮的宝剑。但是如果将“《亮剑》是一部电视剧”这个规则加入到约束网络中，此时的语义解析结果将准确地把亮剑标识为一个命名实体，其属性为电视剧名称，这样就消除了歧义性。
3.自动提取新知识的能力
用户意图理解模块除了能够根据知识图谱的规则强化对语义的理解。还能够根据用户的陈述性语句自动形成新的知识表示。比如当用户说：“罗红霉素是一种抗生素”时，该模块将根据语义理解的结果生成一个新的知识表达三元组<x1,R1,y>,其中，x1表示罗红霉素，R1表示属于，y表示抗生素。这一新的知识点将被加入知识图谱中，为后面的回答提供支撑。这个功能增强了问答系统上下文相关的对话能力。
在答案生成模块中，采用知识图谱作为输入，对DNC进行训练，将学习到的知识记录在DNC的外部存贮器中。当问答开始时，将用户意图理解模块所生成的问题要素作为输入，DNC通过学习到的知识图谱进行推理，寻找问题的答案。
举例说明：假设DNC学习到的知识有“青霉素是一种抗生素”，其三元组表示为<x2,R1,y>；“青霉素可以导致过敏”，其三元组表示为<x2,R2,z>；前面根据用户的程序生成的新知识<x1,R1,y>也在DNC的记忆中。如果用户的问题为“抗生素包含哪几种药”，其问题要素可表示为<x,R1,y>,DNC通过计算问题与相应知识表示的匹配度，可以输出结果y:x1,x2。回答模板库根据这个结果产生最终的答案：“抗生素包含青霉素、罗红霉素等”。
如果用户的问题是“哪一种抗生素会导致过敏”,其相应的问题要素可表示为<y,R2,z>,DNC会寻找y和z之间的最短路径，由于<x2,R1,y>和<x2,R2,z>通过x2相连接，因此y和z之间的路径存在，DNC输出为y，z：x2,回答模板库根据这个结果产生最终的答案是：“青霉素可以导致过敏”。以上只是简单的示例，DNC可以根据知识间的多层连接关系进行更复杂的推理。
采用本技术方案构造的新型问答系统在对话准确率上相对于传统的问答系统提高了30％以上。
虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。本发明所述的方法还可有其他多种实施例。在不背离本发明实质的情况下，熟悉本领域的技术人员当可根据本发明做出各种相应的改变或变形，但这些相应的改变或变形都应属于本发明的权利要求的保护范围。
Claims (10)
1.一种问答方法，其特征在于，所述方法包括：
采集用户提问；
基于老师-学生网络框架针对所述用户提问进行意图理解，获取问题要素，其中，利用老师网络框架使用知识图谱作为学生网络框架的约束，利用所述学生网络框架进行意图理解；
针对所述问题要素利用神经网络模型进行基于所述知识图谱的推理从而获取相应的应答。
2.根据权利要求1所述的方法，其特征在于：
所述老师网络框架配置为将逻辑规则所代表的知识建模；
所述学生网络框架配置为利用反向传播方法加上所述老师网络框架的约束，实现对逻辑规则的学习。
3.根据权利要求2所述的方法，其特征在于，所述学生网络框架为加入了注意机制的序列到序列深度神经网络模型。
4.根据权利要求3所述的方法，其特征在于，所述学生网络框架的学习流程包括：
步骤一，将所述逻辑规则表达数值形式；
步骤二，利用所述逻辑规则对老师网络框架进行限制，同时保证所述学生网络框架与所述老师网络框架趋近；
步骤三，对所述学生网络框架进行训练，保证所述学生网络框架与所述老师网络框架的预测结果均趋近理想值；
步骤四，重复步骤一～步骤三直到收敛。
5.根据权利要求4所述的方法，其特征在于，在所述步骤一中，利用软逻辑将所述逻辑规则表达为[0,1]之间的连续数值。
6.根据权利要求4所述的方法，其特征在于，在所述步骤二中，基于后验正则化方法，利用所述逻辑规则对老师网络框架进行限制。
7.根据权利要求1～6中任一项所述的方法，其特征在于，所述神经网络模型为可微神经计算机模型。
8.根据权利要求7所述的方法，其特征在于，针对所述用户提问利用所述深度神经网络模型进行基于所述知识图谱的推理从而获取相应的应答，包括：
匹配所述问题要素对应的知识要素；
在记忆网络中寻找所述知识要素间的最短路径；
整理所述最短路径以获取所述应答。
9.一种存储介质，其特征在于，所述存储介质上存储有可实现如权利要求1～8中任一项所述方法的程序代码。
10.一种基于如权利要求1～8中任一项所述方法的问答系统，其特征在于，所述系统包括：
意图理解模块，其配置为采集用户问题，针对所述用户提问进行意图理解，获取问题要素，其中，所述意图理解模块包含所述老师网络框架以及所述学生网络框架；
答案生成模块，其配置为针对所述问题要素利用神经网络模型进行基于知识图谱的推理从而获取相应的应答，其中，所述答案生成模块包含所述神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710606318.8A CN107451230A (zh) | 2017-07-24 | 2017-07-24 | 一种问答方法以及问答系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710606318.8A CN107451230A (zh) | 2017-07-24 | 2017-07-24 | 一种问答方法以及问答系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107451230A true CN107451230A (zh) | 2017-12-08 |
Family
ID=60488020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710606318.8A Pending CN107451230A (zh) | 2017-07-24 | 2017-07-24 | 一种问答方法以及问答系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107451230A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108227565A (zh) * | 2017-12-12 | 2018-06-29 | 深圳和而泰数据资源与云技术有限公司 | 一种信息处理方法、终端及计算机可读介质 |
| CN108256077A (zh) * | 2018-01-18 | 2018-07-06 | 重庆邮电大学 | 一种面向中国移动智能客服的动态扩展知识图推理方法 |
| CN109033305A (zh) * | 2018-07-16 | 2018-12-18 | 深圳前海微众银行股份有限公司 | 问题回答方法、设备及计算机可读存储介质 |
| CN109766450A (zh) * | 2019-01-08 | 2019-05-17 | 广东小天才科技有限公司 | 一种学习激励方法及系统 |
| CN110008413A (zh) * | 2019-03-14 | 2019-07-12 | 海信集团有限公司 | 一种交通出行问题查询方法和装置 |
| CN110968698A (zh) * | 2018-09-29 | 2020-04-07 | 上海博泰悦臻网络技术服务有限公司 | 基于知识图谱的用户用车体验调研方法、系统和云服务器 |
| CN111339269A (zh) * | 2020-02-20 | 2020-06-26 | 来康科技有限责任公司 | 模板自动生成的知识图谱问答训练及应用服务系统 |
| CN112785887A (zh) * | 2020-12-31 | 2021-05-11 | 深圳市木愚科技有限公司 | 一种基于教师背景的在线教育互动系统及方法 |
| CN113282727A (zh) * | 2021-06-03 | 2021-08-20 | 北京捷通华声科技股份有限公司 | 问答处理方法、装置、计算机可读存储介质及处理器 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106250366A (zh) * | 2016-07-21 | 2016-12-21 | 北京光年无限科技有限公司 | 一种针对问答系统的数据处理方法及系统 |
| CN106326984A (zh) * | 2016-08-09 | 2017-01-11 | 北京京东尚科信息技术有限公司 | 用户意图识别方法和装置、自动应答系统 |
| US9619735B1 (en) * | 2016-01-28 | 2017-04-11 | International Business Machines Corporation | Pure convolutional neural network localization |
-
2017
- 2017-07-24 CN CN201710606318.8A patent/CN107451230A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9619735B1 (en) * | 2016-01-28 | 2017-04-11 | International Business Machines Corporation | Pure convolutional neural network localization |
| CN106250366A (zh) * | 2016-07-21 | 2016-12-21 | 北京光年无限科技有限公司 | 一种针对问答系统的数据处理方法及系统 |
| CN106326984A (zh) * | 2016-08-09 | 2017-01-11 | 北京京东尚科信息技术有限公司 | 用户意图识别方法和装置、自动应答系统 |
Non-Patent Citations (2)
| Title |
|---|
| ALEX GRAVES 等: "Hybrid computing using a neural network with dynamic external memory", 《NATURE》 * |
| 肖仰华: "当知识图谱"遇见"深度学习", 《中国人工智能学会通讯》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108227565A (zh) * | 2017-12-12 | 2018-06-29 | 深圳和而泰数据资源与云技术有限公司 | 一种信息处理方法、终端及计算机可读介质 |
| CN108256077B (zh) * | 2018-01-18 | 2022-02-08 | 重庆邮电大学 | 一种面向中国移动智能客服的动态扩展知识图推理方法 |
| CN108256077A (zh) * | 2018-01-18 | 2018-07-06 | 重庆邮电大学 | 一种面向中国移动智能客服的动态扩展知识图推理方法 |
| CN109033305A (zh) * | 2018-07-16 | 2018-12-18 | 深圳前海微众银行股份有限公司 | 问题回答方法、设备及计算机可读存储介质 |
| CN110968698B (zh) * | 2018-09-29 | 2022-07-29 | 上海博泰悦臻网络技术服务有限公司 | 基于知识图谱的用户用车体验调研方法、系统和云服务器 |
| CN110968698A (zh) * | 2018-09-29 | 2020-04-07 | 上海博泰悦臻网络技术服务有限公司 | 基于知识图谱的用户用车体验调研方法、系统和云服务器 |
| CN109766450A (zh) * | 2019-01-08 | 2019-05-17 | 广东小天才科技有限公司 | 一种学习激励方法及系统 |
| CN110008413A (zh) * | 2019-03-14 | 2019-07-12 | 海信集团有限公司 | 一种交通出行问题查询方法和装置 |
| CN111339269A (zh) * | 2020-02-20 | 2020-06-26 | 来康科技有限责任公司 | 模板自动生成的知识图谱问答训练及应用服务系统 |
| CN111339269B (zh) * | 2020-02-20 | 2023-09-26 | 来康科技有限责任公司 | 模板自动生成的知识图谱问答训练及应用服务系统 |
| CN112785887A (zh) * | 2020-12-31 | 2021-05-11 | 深圳市木愚科技有限公司 | 一种基于教师背景的在线教育互动系统及方法 |
| CN113282727A (zh) * | 2021-06-03 | 2021-08-20 | 北京捷通华声科技股份有限公司 | 问答处理方法、装置、计算机可读存储介质及处理器 |
| CN113282727B (zh) * | 2021-06-03 | 2024-04-16 | 北京捷通华声科技股份有限公司 | 问答处理方法、装置、计算机可读存储介质及处理器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107451230A (zh) | 一种问答方法以及问答系统 | |
| Ribeiro et al. | Anchors: High-precision model-agnostic explanations | |
| CN111897941A (zh) | 对话生成方法、网络训练方法、装置、存储介质及设备 | |
| CN106875940B (zh) | 一种基于神经网络的机器自学习构建知识图谱训练方法 | |
| CN109739995B (zh) | 一种信息处理方法及装置 | |
| CN107544960B (zh) | 一种基于变量绑定和关系激活的自动问答方法 | |
| CN112506945B (zh) | 基于知识图谱的自适应导学方法及系统 | |
| WO2023137911A1 (zh) | 基于小样本语料的意图分类方法、装置及计算机设备 | |
| CN111126552A (zh) | 一种智能学习内容推送方法及系统 | |
| CN114201684A (zh) | 一种基于知识图谱的自适应学习资源推荐方法及系统 | |
| CN118261163B (zh) | 基于transformer结构的智能评价报告生成方法及系统 | |
| Chandiok et al. | CIT: Integrated cognitive computing and cognitive agent technologies based cognitive architecture for human-like functionality in artificial systems | |
| CN115238036A (zh) | 一种基于图注意力网络和文本信息的认知诊断方法及装置 | |
| CN117972434B (zh) | 文本处理模型的训练方法、装置、设备、介质和程序产品 | |
| CN111783473B (zh) | 医疗问答中最佳答案的识别方法、装置和计算机设备 | |
| Lonij et al. | Open-world visual recognition using knowledge graphs | |
| Maier et al. | Towards an ontology of cognitive assistants | |
| CN111753554A (zh) | 一种意图知识库的生成方法及装置 | |
| CN117035077A (zh) | 一种基于软模板和反事实推理的难度可控问题生成方法 | |
| US20210357791A1 (en) | System and method for storing and processing data | |
| CN115510205A (zh) | 一种问句生成的方法、系统及存储介质 | |
| CN113157932B (zh) | 基于知识图谱表示学习的隐喻计算和装置 | |
| CN114840679A (zh) | 一种基于乐理知识图谱推理的机器人智能导学方法及应用 | |
| CN113821610A (zh) | 信息匹配方法、装置、设备及存储介质 | |
| CN115129971A (zh) | 基于能力评估数据的课程推荐方法、设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171208 |