CN107480149A - 问答系统中的答案提供方法及装置 - Google Patents

Abstract

提供了一种问答系统中的答案提供方法和装置，该答案提供方法包括：接收来自查询用户的自然语言查询；根据自然语言查询，确定查询用户所要查询的对象类别及描述对象类别的特征的要素指示词；根据基于多个用户的评论确定的该对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分、以及所确定的要素指示词，预测查询用户对于各个候选对象的满意度评分；向查询用户提供满意度评分最高的候选对象，以及满意度评分最高的候选对象在各要素上的满意度评分。该答案提供方法和装置能够根据提问用户关注的要素提供最适合的推荐对象，并且能够提供推荐对象在各要素上的评分使得用户能够直观地了解该推荐对象在各方面的优劣。

Description

问答系统中的答案提供方法及装置

技术领域

本公开总体涉及问答系统，具体涉及问答系统中的答案提供方法及装置。

背景技术

问答系统是一种能够接受用户以自然语言形式描述的提问，并能从大量的异构数据中查找或推断出用户问题答案的信息检索系统。目前的问答系统在用于对象推荐时，往往只是简单地提供推荐的对象作为答案，而不能提供有关推荐的对象的更详细的要素(aspect)信息，或者不能根据用户所关注的要素向用户提供最适合的推荐对象。

图1(a)例示了典型的问答系统提供推荐对象作为答案的示例情形。如图1(a)所示，对于“七夕适合情侣约会的地方”的问题，问答系统会根据其收集的用户评分提供推荐地点A作为答案，但是并不能提供诸如价格、环境、服务、设施等要素的信息，这导致用户无法了解问答系统推荐该地点A的原因，从而可能会怀疑问答系统推荐的该地点A并非是最适合的。

图1(b)例示了另一个典型的问答系统提供推荐对象作为答案的示例情形。如图1(b)所示，对于“电影院”这一问题，问答系统能够根据离我最近、人气最高、评价最好、人均最低、人均最高等要素通过智能排序向用户提供推荐的电影院。然而，该系统只能基于上述固定的要素向用户提供推荐的电影院，而当用户关注的是诸如环境、设施、服务等其他要素时，无法向用户提供最适合的推荐对象。

发明内容

至少针对以上问题提出本公开。

根据本公开的一个实施例，提供了一种问答系统中的答案提供方法，包括：接收来自查询用户的自然语言查询；根据该自然语言查询，确定该查询用户所要查询的对象类别以及描述该对象类别的特征的要素指示词；根据基于多个用户的评论确定的该对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分、以及所确定的要素指示词，预测该查询用户对于各个候选对象的满意度评分；向该查询用户提供满意度评分最高的候选对象，以及该满意度评分最高的候选对象在各要素上的满意度评分。

根据本公开的另一实施例，提供了一种问答系统中的答案提供装置，包括：接收部件，配置为接收来自查询用户的自然语言查询；分析部件，配置为根据该自然语言查询，确定该查询用户所要查询的对象类别以及描述该对象类别的特征的要素指示词；预测部件，配置为根据基于多个用户的评论确定的该对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分、以及所确定的要素指示词，预测该查询用户对于各个候选对象的满意度评分；提供部件，向该查询用户提供满意度评分最高的候选对象，以及该满意度评分最高的候选对象在各要素上的满意度评分。

根据本公开的又一实施例，提供了一种问答系统中的答案提供装置，包括：处理器；存储器；和存储在所述存储器中的计算机程序指令。所述计算机程序指令在被所述处理器运行时执行以下步骤：接收来自查询用户的自然语言查询；根据该自然语言查询，确定该查询用户所要查询的对象类别以及描述该对象类别的特征的要素；根据基于多个用户的评论确定的该对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分、以及所确定的要素指示词，预测该查询用户对于各个候选对象的满意度评分；向该查询用户提供满意度评分最高的候选对象，以及该满意度评分最高的候选对象在各要素上的满意度评分。

根据本公开实施例的问答系统中的答案提供方法和装置基于多个用户的历史评论自动确定各个候选对象在各要素上的评分，从而能够根据提问的用户所关注的要素向用户提供最适合的推荐对象，并且能够提供该推荐对象在各要素上的评分使得用户能够直观地了解该推荐对象在各方面的优劣。

附图说明

通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1(a)-(b)例示了典型的问答系统提供推荐对象作为答案的示例情形。

图2示意性地示出了根据本公开实施例的问答系统中的答案提供方法的流程图。

图3示出了用于根据本发明实施例的答案提供方法的用户-对象评分矩阵R、用户-要素评分矩阵U和要素-对象评分矩阵V的一个示例形式。

图4示出了用于根据本发明实施例的答案提供方法的满意度评分的示例性确定方法的流程图。

图5示出了用于根据本发明实施例的答案提供方法的用户-评论词评分矩阵P、要素-评论词评分矩阵A、情感词-对象评分矩阵Q和情感词-要素评分矩阵B的一个示例形式。

图6示出了根据本发明实施例的答案提供方法中预测查询用户对于各个候选对象的满意度评分的处理的示意性流程图。

图7示出了根据本公开实施例的问答系统中的答案提供装置的功能配置框图。

图8示出了可用于实现本公开实施例的问答系统中的答案提供装置的计算设备的示意性框图

具体实施方式

为了使得本公开的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。基于本公开中描述的实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本公开的保护范围之内。

首先对根据本公开实施例的问答系统中的答案提供技术的基本思想进行简单介绍。

众所周知，用户评论是用户购买或体验诸如商品、场所等对象后给出的针对该对象的反馈评价，其中通常包含用户对于某个对象的总体评分及对于该对象的各个要素的描述性评价。所谓要素(aspect)是指用于描述对象的特征，例如以对象是场所为例(下文中，为了便于描述，均以对象是场所为例进行描述)，其要素可以包括但不限于设施、服务、风景、消费、环境等等。一个典型的用户评论可能是评分为8.7，具体描述为“离家很近，公园本身环境就好，关键是人少，游乐项目多，虽然原价挺贵的，但团购价格超亲民。就是游乐场边上的卫生间洗手池从来不开自来水，故意把水闸关了，还骗人说是漏水”。可以看出，该评论中对环境、项目、价格、设施等要素的优劣进行了评价。因此，期望能够自动从多个用户的历史评论中提取出用户对于对象的各个要素的评价，并据此确定对各个要素的优劣评分，这样，当接收到用户提问时就能够根据提问的用户所关注的要素提供最适合的推荐对象，并且能够通过提供该推荐对象在各要素上的评分表明推荐该对象的原因。

下面将参考图2对根据本公开实施例的问答系统中的答案提供方法进行详细的描述。图2示意性地示出了根据本公开实施例的问答系统中的答案提供方法的流程图。

如图2所示，在步骤S210，接收来自查询用户的自然语言查询。

所述自然语言查询是指以自然语言描述的问题，例如“七夕适合情侣约会的地方”、“能划船的公园”、“适合小男孩的生日礼物”等等。能够理解，此处的自然语言查询不是有确定答案的客观问题，而是可能有不同的答案的主观问题。另外，该自然语言查询可以采用文字、音频等各种适当的形式。

在步骤S220，根据该自然语言查询，确定该查询用户所要查询的对象类别以及描述该对象类别的特征的要素指示词。

要素指示词(aspect word)是涉及某一要素的具体的词语表述，用于描述对象的特征。例如，便宜、贵、甩卖等可能是涉及“价格”这一要素的要素指示词。此处，可以通过对自然语言查询进行语义分析，来确定查询用户所要查询的对象类别以及该对象类别的要素指示词。例如，以上文中提到的查询“能划船的公园”为例，通过语义分析，可以确定查询用户所要查询的对象类别是场所，描述该对象类别的特征的要素指示词是划船。

在步骤S230，根据基于多个用户的评论确定的该对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分、以及所确定的要素指示词，预测该查询用户对于各个候选对象的满意度评分。

所述对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分可以在接收到自然语言查询后在线确定，也可以根据预定的触发条件离线确定。例如，作为示例的触发条件，可以在收集到新的用户评论时进行确定、在收集到新的用户评论数量超过预定阈值时进行确定、或者每隔预定的时间进行确定等等。

另一方面，所述对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分可以通过人工标引或其他适当的方式来确定。下面，将对根据本发明实施例的评分确定方式进行描述。

作为一种示例实现方式，根据本发明一个实施例的评分确定方式可以包括以下步骤：

(a)从所述多个用户的评论中提取各个用户对于所述各个候选对象的满意度评分。

所述多个用户的评论是问答系统预先收集的。如前所述，用户评论通常包含有用户对于对象的总体的满意度评分，因此问答系统可以直接从多个用户评论提取各个用户对于在步骤S220确定的对象类别中的各个候选对象的满意度评分。

(b)最小化误差模型的函数值，以获得各个候选对象在各要素上的满意度评分和各个用户对于各个要素的看重程度评分；其中，所述误差模型表征用户-对象评分矩阵R与用户-要素评分矩阵U和要素-对象评分矩阵V的乘积之间的差异。

图3示出了上述用户-对象评分矩阵R、用户-要素评分矩阵U和要素-对象评分矩阵V的一个示例形式。如图3所示，用户-对象评分矩阵R可以分解为用户-要素评分矩阵U和要素-对象评分矩阵V，其中用户-对象评分矩阵R中的每个元素代表一个用户对于一个候选对象的满意度评分，各元素的值可以通过处理(a)得到，用户-要素评分矩阵U中的每个元素代表一个用户对于一个要素的看重程度，要素-对象评分矩阵V中的每个元素代表一个对象在一个要素上的满意度评分。

所述误差模型可以采用任何适当的模型，只要其能够反映出矩阵R与矩阵U和矩阵V的乘积之间的差异即可。例如，所述误差模型可以是矩阵R与矩阵U和矩阵V的乘积之间的差异的范数，则该步骤(b)中最小化误差模型的函数值可以通过求解如表达式(1)所示的目标函数来实现：

其中，下标n表示n范数。

可以通过诸如大规模优化算法(LBFGS)、随机梯度下降法等本领域中各种常用的方法对目标函数求解，由此得到矩阵U和矩阵V，进而获得各个候选对象在各要素上的满意度评分和各个用户对于各个要素的看重程度评分。

需要说明的是，可能并不是每条用户评论中都包含有用户对于对象的总体的满意度评分，因此在上述处理(a)中可能并不能提取到每个用户对于每个候选对象的满意度评分，也就是说，用户-要素评分矩阵R可能并不完整。因此，在通过上述处理得到完整的矩阵U和矩阵V之后，可以通过将矩阵U和V相乘拟合出用户-要素评分矩阵R中缺失的元素。

在上述实施例中，只考虑用户-对象评分矩阵R、用户-要素评分矩阵U和要素-对象评分矩阵V之间的关系来求解用户-要素评分矩阵U和要素-对象评分矩阵V。作为另一种实现方式，在求解用户-要素评分矩阵U和要素-对象评分矩阵V时可以对其施加进一步的约束。具体的，图4示出了根据本发明另一实施例的评分确定方式的流程图。

如图4所示，在步骤S401，从所述多个用户的评论中提取各个用户对于所述各个候选对象的满意度评分。

该步骤中的处理与本发明上述实施例的步骤(a)中的处理相同，此处不再赘述。

在步骤S402，统计所述多个用户的评论中的各个评论词在各个用户的评论中的出现频率。

在该步骤中，问答系统详细统计所收集的用户评论中出现的各评论词在各个用户的评论中的出现频率。评论词是指在用户评论中出现的各个评论性词语，其范围可以根据具体应用情况来确定。例如，可以认为评论中除助词之外的词语都是评论词、或者认为除虚词之外的词语都是评论词等等。通过统计用户对评论词的使用情况，往往可以了解用户的关注点所在。例如，当在步骤S220确定的对象类别是场所时，如果对于某个用户，在该步骤S402中统计出诸如气氛、情调等评论词在其评论中的出现频率较高，则表明该用户比较关注环境。

在步骤S403，基于情感词典，确定所述多个用户的评论中的各个情感词在各个对象的评论中的情感得分。

目前，本领域中已经建立了一些情感词典。通常，情感词典中根据情感词的情感强度及情感极性对各情感词给出情感评分，并且情感词的正极性的情感强度越强，则情感评分越高。在该步骤中，可以直接采用情感词典中给出的情感评分作为所收集的用户评论中出现的各情感词的得分。

可选的，可以综合情感词典中的情感评分和情感词在评论中的出现频率来确定情感词的情感得分。具体的，可以通过以下处理来确定情感词的情感得分：

(a)统计各个情感词在各个对象的评论中的出现频率。

在该处理中，问答系统统计所收集的用户评论中的每个情感词在每个对象的评论中的出现频率。通过统计情感词在各个对象的评论中的使用情况，可以了解用户对各个对象的情感。例如，当在步骤S220确定的对象类别是场所时，如果对于对象A，在该处理中统计出诸如好、舒适、美丽等评论词在其评论中的出现频率较高，则表明用户对该对象A的情感是偏向于正面的。

(b)基于情感词典确定各个情感词的情感评分。

在该处理中，可以从现有的情感词典得到各个情感词的情感评分。

(c)基于各个情感词的情感评分及其在各个对象的评论中的出现频率，确定各个情感词在各个对象的评论中的情感得分。

在该处理中，可以采用各种方式基于所述情感评分和出现频率来确定各个情感词的情感得分。例如，作为一种基本的方式，对于每个情感词，可以将在分别在处理(a)和(b)中得到的情感评分和出现频率相乘作为该情感词在各个对象的评论中的情感得分。

在步骤S404，最小化误差模型的函数值，以获得各个候选对象在各要素上的满意度评分和各个用户对于各个要素的看重程度评分；其中，所述误差模型表征用户-对象评分矩阵R与用户-要素评分矩阵U和要素-对象评分矩阵V的乘积之间的差异、用户-评论词评分矩阵P与用户-要素评分矩阵U和要素-评论词评分矩阵A的乘积之间的差异、以及情感词-对象评分矩阵Q与情感词-要素评分矩阵B和要素-对象评分矩阵V的乘积之间的差异。

用户-对象评分矩阵R、用户-要素评分矩阵U和要素-对象评分矩阵V与本发明上述实施例中的相同，此处不再赘述。图5示出了用户-评论词评分矩阵P、要素-评论词评分矩阵A、情感词-对象评分矩阵Q和情感词-要素评分矩阵B的一个示例形式。如图5所示，用户-评论词评分矩阵P可以分解为用户-要素评分矩阵U和要素-评论词评分矩阵A，用户-评论词评分矩阵P中的每个元素代表一个评论词在一个用户的所有评论中的出现概率，各元素的值可以通过步骤S402中的处理得到，要素-评论词评分矩阵A中的每个元素代表一个评论词有多大的概率表示一个要素；情感词-对象评分矩阵Q可以分解为情感词-要素评分矩阵B和要素-对象评分矩阵V，情感词-对象评分矩阵Q中的每个元素代表一个情感词在一个对象的评论中的情感得分，各元素的值可以通过步骤S403中的处理得到，情感词-要素评分矩阵B中的每个元素代表一个情感词有多大概率表示一个要素。

所述误差模型可以采用任何适当的模型，只要其能够反映出矩阵R与矩阵U和矩阵V的乘积之间的差异、矩阵P与矩阵U和矩阵A的乘积之间的差异、以及矩阵Q与矩阵B和矩阵V的乘积之间的差异即可。更明确的说，该模型只要能够以矩阵P与矩阵U和矩阵A的乘积之间的差异、以及矩阵Q与矩阵B和矩阵V的乘积之间的差异为约束、反映出矩阵R与矩阵U和矩阵V的乘积之间的差异即可。例如，所述误差模型可以是矩阵R与矩阵U和矩阵V的乘积之间的差异的范数、矩阵P与矩阵U和矩阵A的乘积之间的差异的范数、以及矩阵Q与矩阵B和矩阵V的乘积之间的差异的范数的加权和，则该步骤S404中最小化误差模型的函数值可以通过求解如表达式(2)所示的目标函数来实现：

其中，下标n表示n范数，α_u和α_v是松弛变量，在该目标函数中作为权重值，其值可以由人工设定或者通过交叉验证等方式来确定。

可以通过诸如大规模优化算法(LBFGS)、随机梯度下降法等本领域中各种常用的方法对目标函数求解，由此得到矩阵U和矩阵V，进而获得各个候选对象在各要素上的满意度评分和各个用户对于各个要素的看重程度评分。

与如表达式(1)所示的目标函数相比，表达式(2)所示的目标函数中添加了矩阵P与矩阵U和矩阵A的乘积之间的差异的范数、以及矩阵Q与矩阵B和矩阵V的乘积之间的差异的范数作为矩阵U和V的约束条件，因此求解得到的矩阵U和V更加优化。

回到图2，在所述步骤S230，根据由矩阵V表示的各个候选对象在各要素上的满意度评分和由矩阵U表示的各个用户对于各个要素的看重程度评分、以及在步骤S220确定的要素指示词，预测查询用户对于各个候选对象的满意度评分。下面将结合图6对该步骤S230中的处理进行描述。

如图6所示，在步骤S2301中，判断所述各个用户对于各要素的看重程度评分中是否包括该查询用户对于各要素的看重程度评分；如果包括该查询用户对于各要素的看重程度评分，则前进到步骤S2302，否则前进到S2305。

如果已经确定的所述各个用户对于各要素的看重程度评分中包括查询用户对于各要素的看重程度评分，则表明该查询用户是老用户，因而在之前确定各个用户对于各要素的看重程度评分时已经确定了该查询用户对于各要素的看重程度评分，因此在当前预测该查询用户对于各个候选对象的满意度评分时需要结合考虑已经确定的该查询用户对于各要素的看重程度评分以及当前的查询中该查询用户所关注的要素。

相对的，如果已经确定的所述各个用户对于各要素的看重程度评分中不包括查询用户对于各要素的看重程度评分，则表明该查询用户是新用户，因而在之前确定各个用户对于各要素的看重程度评分时并未确定该查询用户对于各要素的看重程度评分，因此在当前预测该查询用户对于各个候选对象的满意度评分时，仅考虑当前的查询中该查询用户所关注的要素。

在步骤S2302中，基于该查询用户对于各要素的看重程度评分构建第一评分矢量，该第一评分矢量中的每个元素为该查询用户对于每个要素的看重程度评分。

如前所述，在该情况下，所述查询用户为老用户，因此在之前确定各个用户对于各要素的看重程度评分时已经确定了该查询用户对于各要素的看重程度评分。在该步骤中，利用已经确定的该查询用户对于各要素的看重程度评分构建第一评分矢量。

在步骤S2303中，对所述第一评分矢量进行调整，以增大其中该查询用户对于所确定的要素指示词所对应的要素的看重程度评分。

如前所述，要素指示词是涉及某一要素的具体的词语表述。此处所说的“所确定的要素指示词”是指在步骤S220中所确定的描述查询用户所要查询的对象类别的特征的要素指示词。与该要素指示词对应的要素可以通过各种适当的方式来确定。例如，作为一个示例，可以通过本领域中已有的语义词典来确定，所述语义词典中记录了要素与属于该要素的各个要素指示词之间的对应关系。作为另一个示例，也可以根据上文中提到的要素-评论词评分矩阵A来确定。如前所述，矩阵A中的每个元素代表一个评论词有多大的概率表示一个要素，要素指示词也是评论词，因此可以将矩阵A中该要素指示词最大概率表示的要素确定为与该要素指示词对应的要素。

在该步骤中，增大在步骤S2302中建立的第一评分矢量中、对于与要素指示词对应的要素的看重程度评分。例如，假设在步骤S220中所确定的要素指示词是便宜，与便宜对应的要素是价格；在步骤S2302中建立的第一评分矢量中，该查询用户对于价格的看重程度是0.6；则在该步骤中，可以增大该值至预定值或增大预定的增量等等。

在步骤S2304将调整后的第一评分矢量与要素-对象评分矩阵相乘，以预测该查询用户对于各个候选对象的满意度评分。

在该步骤中，将步骤S2303中调整后的第一评分矢量与如前所述反映对象在要素上的满意度评分的要素-对象评分矩阵V相乘，由此预测得到该查询用户对于各个候选对象的满意度评分。

在步骤S2305，构建与第一评分矢量相同维度的第二评分矢量，该第二评分矢量中的每个元素表示该查询用户对于每个要素的看重程度评分，其中对于所确定的要素指示词所对应的要素的看重程度评分设置为最高评分，对于其他要素的看重程度评分设置为零。

如前所述，在该情况下，所述查询用户为新用户，因而之前确定的各个用户对于各要素的看重程度评分中并无该查询用户对于各要素的看重程度评分。在该步骤中，利用当前的查询中该查询用户所关注的要素构建第二评分矢量。具体的，与所确定的要素指示词所对应的要素是查询用户当前的查询所关注的要素，因此，将第二评分矢量中查询用户对于该要素的看重程度评分设置为最高评分，而对于其他要素的看重程度评分则设置为零或其他较低的评分。

在步骤S2306，将该第二评分矢量与要素-对象评分矩阵相乘，以预测该查询用户对于各个候选对象的满意度评分。

回到图2，在步骤S240，向该查询用户提供满意度评分最高的候选对象，以及该满意度评分最高的候选对象在各要素上的满意度评分。

此处，向查询用户提供步骤S230中预测出的、该查询用户对于各个候选对象的满意度评分中评分最高的候选对象，作为对查询用户的自然语言查询的推荐答案。此外，在该步骤中，还根据如前所述反映对象在要素上的满意度评分的要素-对象评分矩阵V，向查询用户提供该候选对象在各要素上的满意度评分。例如，对如图1(a)所示的示例情形，假设对于“七夕适合情侣约会的地方”的问题，预测出用户对于地点S的满意评分最高，则在该步骤S240中向用户提供地点S作为推荐答案，并从要素-对象评分矩阵V中提取出地点S在例如价格、环境、服务、设施等要素上的打分并向用户提供。

以上详细描述了根据本公开实施例的问答系统中的答案提供方法。该答案提供方法基于多个用户的历史评论自动确定(预测)各个候选对象在各要素上的评分，从而能够根据查询用户当前所关注的要素并参考该用户的评论历史(如果有的话)向用户提供最适合的推荐对象，并且能够提供该推荐对象在各要素上的评分使得用户能够直观地了解该推荐对象在各方面的优劣。

下面，将参照图7来描述根据本公开实施例的问答系统中的答案提供装置。图7示出了根据本公开实施例的问答系统中的答案提供装置的功能配置框图。如图7所示，答案提供装置700可以包括：接收部件710，分析部件720，预测部件730和提供部件740。所述各部件的具体功能和操作与上文中针对图2-图6描述的基本相同，因此为了避免重复，在下文中仅对所述设备进行简要的描述，而省略对相同细节的详细描述。

接收部件710配置为接收来自查询用户的自然语言查询。该自然语言查询可以采用文字、音频等各种适当的形式，而该接收部件710则是能够接受各种形式的自然语言查询的相应部件。

分析部件720配置为根据该自然语言查询，确定该查询用户所要查询的对象类别以及描述该对象类别的特征的要素指示词。

要素指示词是涉及某一要素的具体的词语表述，用于描述对象的特征。分析部件720可以通过对自然语言查询进行语义分析，来确定查询用户所要查询的对象类别以及该对象类别的要素指示词。

预测部件730配置为根据基于多个用户的评论确定的该对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分、以及所确定的要素指示词，预测该查询用户对于各个候选对象的满意度评分。

所述对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分可以在接收到自然语言查询后在线确定，也可以根据预定的触发条件离线确定。例如，作为示例的触发条件，可以在收集到新的用户评论时进行确定、在收集到新的用户评论数量超过预定阈值时进行确定、或者每隔预定的时间进行确定等等。

另一方面，所述对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分可以通过人工标引或其他适当的方式来确定。上文中已经详细描述了根据本发明实施例的示例性评分确定方式，此处不再赘述。

预测部件730可以包括识别子部件7310、第一构建子部件7320，调整子部件7330，第二构建子部件7340，预测子部件7350，以基于所确定的满意度评分和由分析部件720确定的要素指示词，预测查询用户对于各个候选对象的满意度评分。

具体的，识别子部件7310配置为判断所述各个用户对于各要素的看重程度评分中是否包括查询用户对于各要素的看重程度评分。

如果已经确定的所述各个用户对于各要素的看重程度评分中包括查询用户对于各要素的看重程度评分，则表明该查询用户是老用户，因而在之前确定各个用户对于各要素的看重程度评分时已经确定了该查询用户对于各要素的看重程度评分，因此在当前预测该查询用户对于各个候选对象的满意度评分时需要结合考虑已经确定的该查询用户对于各要素的看重程度评分以及当前的查询中该查询用户所关注的要素。

相对的，如果已经确定的所述各个用户对于各要素的看重程度评分中不包括查询用户对于各要素的看重程度评分，则表明该查询用户是新用户，因而在之前确定各个用户对于各要素的看重程度评分时并未确定该查询用户对于各要素的看重程度评分，因此在当前预测该查询用户对于各个候选对象的满意度评分时，仅考虑当前的查询中该查询用户所关注的要素。

第一构建子部件7320配置为在识别子部件7310判断出各个用户对于各要素的看重程度评分中包括查询用户对于各要素的看重程度评分时，基于查询用户对于各要素的看重程度评分构建第一评分矢量，该第一评分矢量中的每个元素为该查询用户对于每个要素的看重程度评分。

调整子部件7330配置为对所述第一评分矢量进行调整，以增大其中该查询用户对于所确定的要素指示词所对应的要素的看重程度评分。

此处所说的“所确定的要素指示词”是指由分析部件720所确定的描述查询用户所要查询的对象类别的特征的要素指示词。与该要素指示词对应的要素可以通过各种适当的方式来确定。此处，调整子部件7330增大由第一构建子部件7320建立的第一评分矢量中、对于与要素指示词对应的要素的看重程度评分。

第二构建子部件7340配置为在识别子部件7310判断出各个用户对于各要素的看重程度评分中不包括查询用户对于各要素的看重程度评分时，构建与第一评分矢量相同维度的第二评分矢量，该第二评分矢量中的每个元素表示该查询用户对于每个要素的看重程度评分，其中对于所确定的要素指示词所对应的要素的看重程度评分设置为最高评分，对于其他要素的看重程度评分设置为零或其他较低值。

预测子部件7350配置为将调整后的第一评分矢量或第二评分矢量与要素-对象评分矩阵相乘，以预测该查询用户对于各个候选对象的满意度评分。

提供部件740配置为向该查询用户提供满意度评分最高的候选对象，以及该满意度评分最高的候选对象在各要素上的满意度评分。

此处，提供部件740向查询用户提供由预测子部件预测出的、查询用户对于各个候选对象的满意度评分中评分最高的候选对象，作为对查询用户的自然语言查询的推荐答案。此外，提供部件740还向查询用户提供该候选对象在各要素上的满意度评分。

以上详细描述了根据本公开实施例的问答系统中的答案提供装置。该答案提供装置基于多个用户的历史评论自动确定(预测)各个候选对象在各要素上的评分，从而能够根据查询用户当前所关注的要素并参考该用户的评论历史(如果有的话)向用户提供最适合的推荐对象，并且能够提供该推荐对象在各要素上的评分使得用户能够直观地了解该推荐对象在各方面的优劣。

下面，参照图8来描述可用于实现本公开实施例的问答系统中的答案提供装置的计算设备的示意性框图。

如图8所示，计算设备800包括一个或多个处理器802、存储装置804、输入装置806和输出装置808，这些组件通过总线系统810和/或其它形式的连接机构(未示出)互连。应当注意，图8所示的计算设备800的组件和结构只是示例性的，而非限制性的，根据需要，计算设备800也可以具有其他组件和结构。

处理器802可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制计算设备800中的其它组件以执行期望的功能。

存储装置804可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器802可以运行所述程序指令，以实现上文所述的本公开的实施例的功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如上文中提到的自然语言查询、要查询的对象类别、要素指示词、用户-对象评分矩阵R、用户-要素评分矩阵U、要素-对象评分矩阵V、用户-评论词评分矩阵P、用户-要素评分矩阵U、要素-评论词评分矩阵A、情感词-对象评分矩阵Q、要素-对象评分矩阵V、情感词-要素评分矩阵B、第一评分矢量、第二评分矢量、预测出的满意度评分等等。

输入装置806用于接收来自用户的输入信息，例如自然语言查询，其可以包括诸如有线/无线网卡、键盘、鼠标、触摸屏、麦克风等各种输入设备。

输出装置808可以向外部输出各种信息，例如满意度评分最高的候选对象、该候选对象在各要素上的满意度评分，并且可以包括诸如有线/无线网卡、显示器、投影仪、电视等各种显示设备。

以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。

本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

本公开中的步骤流程图以及以上方法描述仅作为例示性的例子并且不意图要求或暗示必须按照给出的顺序进行各个实施例的步骤，某些步骤可以并行、彼此独立或按照其他适当的顺序执行。另外，诸如“其后”、“然后”、“接下来”等等的词语不意图限制步骤的顺序；这些词语仅用于引导读者通读这些方法的描述。

还需要指出的是，在本公开的装置和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (17)

1.一种问答系统中的答案提供方法，包括：

接收来自查询用户的自然语言查询；

根据该自然语言查询，确定该查询用户所要查询的对象类别以及描述该对象类别的特征的要素指示词；

根据基于多个用户的评论确定的该对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分、以及所确定的要素指示词，预测该查询用户对于各个候选对象的满意度评分；

向该查询用户提供满意度评分最高的候选对象，以及该满意度评分最高的候选对象在各要素上的满意度评分。

2.如权利要求1所述的答案提供方法，其中根据该自然语言查询确定该查询用户所要查询的对象类别以及描述该对象类别的特征的要素指示词包括：

通过对该自然语言查询进行语义分析，确定该查询用户所要查询的对象类别以及该对象类别的要素指示词。

3.如权利要求1所述的答案提供方法，其中所述对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分如下确定：

从所述多个用户的评论中提取各个用户对于所述各个候选对象的满意度评分；

最小化误差模型的函数值，以获得各个候选对象在各要素上的满意度评分和各个用户对于各个要素的看重程度评分；

所述误差模型表征用户-对象评分矩阵与用户-要素评分矩阵和要素-对象评分矩阵的乘积之间的差异，所述用户-对象评分矩阵中的每个元素代表一个用户对于一个候选对象的满意度评分，用户-要素评分矩阵中的每个元素代表一个用户对于一个要素的看重程度，要素-对象评分矩阵中的每个元素代表一个对象在一个要素上的满意度评分。

4.如权利要求3所述的答案提供方法，其中所述误差模型为用户-对象评分矩阵与用户-要素评分矩阵和要素-对象评分矩阵的乘积之间的差异的范数。

5.如权利要求3所述的答案提供方法，其中所述对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分进一步如下确定：

统计所述多个用户的评论中的各个评论词在各个用户的评论中的出现频率；

基于情感词典，确定所述多个用户的评论中的各个情感词在各个对象的评论中的情感得分；

其中所述误差模型还表征用户-评论词评分矩阵与用户-要素评分矩阵和要素-评论词评分矩阵的乘积之间的差异，以及情感词-对象评分矩阵与情感词-要素评分矩阵和要素-对象评分矩阵的乘积之间的差异，所述用户-评论词评分矩阵中的每个元素代表一个评论词在一个用户的所有评论中的出现概率，要素-评论词评分矩阵中的每个元素代表一个评论词有多大的概率表示一个要素，情感词-对象评分矩阵中的每个元素代表一个情感词在一个对象的评论中的情感得分，情感词-要素评分矩阵中的每个元素代表一个情感词有多大概率表示一个要素。

6.如权利要求5所述的答案提供方法，其中所述基于情感词典确定所述多个用户的评论中的各个情感词在各个对象的评论中的情感得分包括：

统计所述各个情感词在各个对象的评论中的出现频率；

基于情感词典确定各个情感词的情感评分；

基于各个情感词的情感评分及其在各个对象的评论中的出现频率，确定各个情感词在各个对象的评论中的情感得分。

7.如权利要求5或6所述的答案提供方法，其中所述误差模型为以下范数的加权和：用户-对象评分矩阵与用户-要素评分矩阵和要素-对象评分矩阵的乘积之间的差异的范数、用户-评论词评分矩阵与用户-要素评分矩阵和要素-评论词评分矩阵的乘积之间的差异的范数、情感词-对象评分矩阵与情感词-要素评分矩阵和要素-对象评分矩阵的乘积之间的差异的范数。

8.如权利要求3或5所述的答案提供方法，其中根据基于多个用户的评论确定的该对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分、以及所确定的要素指示词，预测该查询用户对于各个候选对象的满意度评分包括：

判断所述各个用户对于各要素的看重程度评分中是否包括该查询用户对于各要素的看重程度评分；

如果包括该查询用户对于各要素的看重程度评分，则基于该查询用户对于各要素的看重程度评分构建第一评分矢量，该第一评分矢量中的每个元素为该查询用户对于每个要素的看重程度评分；

对所述第一评分矢量进行调整，以增大其中该查询用户对于所确定的要素指示词所对应的要素的看重程度评分；

将调整后的第一评分矢量与要素-对象评分矩阵相乘，以预测该查询用户对于各个候选对象的满意度评分。

9.如权利要求8所述的答案提供方法，其中根据基于多个用户的评论确定的该对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分、以及所确定的要素指示词，预测该查询用户对于各个候选对象的满意度评分进一步包括：

如果不包括该查询用户对于各要素的看重程度评分，则构建与第一评分矢量相同维度的第二评分矢量，该第二评分矢量中的每个元素表示该查询用户对于每个要素的看重程度评分，其中对于所确定的要素指示词所对应的要素的看重程度评分设置为最高评分，对于其他要素的看重程度评分设置为零；

将该第二评分矢量与要素-对象评分矩阵相乘，以预测该查询用户对于各个候选对象的满意度评分。

10.一种问答系统中的答案提供装置，包括：

接收部件，配置为接收来自查询用户的自然语言查询；

分析部件，配置为根据该自然语言查询，确定该查询用户所要查询的对象类别以及描述该对象类别的特征的要素指示词；

预测部件，配置为根据基于多个用户的评论确定的该对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分、以及所确定的要素指示词，预测该查询用户对于各个候选对象的满意度评分；

提供部件，向该查询用户提供满意度评分最高的候选对象，以及该满意度评分最高的候选对象在各要素上的满意度评分。

11.如权利要求10所述的答案提供装置，其中所述对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分如下确定：

从所述多个用户的评论中提取各个用户对于所述各个候选对象的满意度评分；

最小化误差模型的函数值，以获得各个候选对象在各要素上的满意度评分和各个用户对于各个要素的看重程度评分；

所述误差模型表征用户-对象评分矩阵与用户-要素评分矩阵和要素-对象评分矩阵的乘积之间的差异，所述用户-对象评分矩阵中的每个元素代表一个用户对于一个候选对象的满意度评分，用户-要素评分矩阵中的每个元素代表一个用户对于一个要素的看重程度，要素-对象评分矩阵中的每个元素代表一个对象在一个要素上的满意度评分。

12.如权利要求11所述的答案提供装置，其中所述预测部件包括：

判断子部件，配置为判断所述各个用户对于各要素的看重程度评分中是否包括该查询用户对于各要素的看重程度评分；

构建子部件，配置为如果判断子部件确定包括该查询用户对于各要素的看重程度评分，则基于该查询用户对于各要素的看重程度评分构建第一评分矢量，该第一评分矢量中的每个元素为该查询用户对于每个要素的看重程度评分；

调整子部件，配置为对所述第一评分矢量进行调整，以增大其中该查询用户对于所确定的要素指示词所对应的要素的评分；

预测子部件，配置为将调整后的第一评分矢量与要素-对象评分矩阵相乘，以预测该查询用户对于各个候选对象的满意度评分。

13.如权利要求12所述的答案提供装置，其中，

所述构建子部件进一步配置为如果判断子部件确定不包括该查询用户对于各要素的看重程度评分，则构建与第一评分矢量相同维度的第二评分矢量，该第二评分矢量中的每个元素表示该查询用户对于每个要素的看重程度评分，其中对于所确定的要素指示词所对应的要素的评分设置为最高评分，对于其他要素的评分设置为0；

所述预测子部件进一步配置为将该第二评分矢量与要素-对象评分矩阵相乘，以预测该查询用户对于各个候选对象的满意度评分。

14.一种问答系统中的答案提供装置，包括：

处理器；

存储器；和

存储在所述存储器中的计算机程序指令，所述计算机程序指令在被所述处理器运行时执行以下步骤：

接收来自查询用户的自然语言查询；

根据该自然语言查询，确定该查询用户所要查询的对象类别以及描述该对象类别的特征的要素；

根据基于多个用户的评论确定的该对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分、以及所确定的要素指示词，预测该查询用户对于各个候选对象的满意度评分；

向该查询用户提供满意度评分最高的候选对象，以及该满意度评分最高的候选对象在各要素上的满意度评分。

15.如权利要求14所述的答案提供装置，其中所述对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分如下确定：

从所述多个用户的评论中提取各个用户对于所述各个候选对象的满意度评分；

最小化误差模型的函数值，以获得各个候选对象在各要素上的满意度评分和各个用户对于各个要素的看重程度评分；

所述误差模型表征用户-对象评分矩阵与用户-要素评分矩阵和要素-对象评分矩阵的乘积之间的差异，所述用户-对象评分矩阵中的每个元素代表一个用户对于一个候选对象的满意度评分，用户-要素评分矩阵中的每个元素代表一个用户对于一个要素的看重程度，要素-对象评分矩阵中的每个元素代表一个对象在一个要素上的满意度评分。

16.如权利要求15所述的答案提供装置，其中根据基于多个用户的评论确定的该对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分、以及所确定的要素指示词，预测该查询用户对于各个候选对象的满意度评分包括：

判断所述各个用户对于各要素的看重程度评分中是否包括该查询用户对于各要素的看重程度评分；

如果包括该查询用户对于各要素的看重程度评分，则基于该查询用户对于各要素的看重程度评分构建第一评分矢量，该第一评分矢量中的每个元素为该查询用户对于每个要素的看重程度评分；

对所述第一评分矢量进行调整，以增大其中该查询用户对于所确定的要素指示词所对应的要素的评分；

将调整后的第一评分矢量与要素-对象评分矩阵相乘，以预测该查询用户对于各个候选对象的满意度评分。

17.如权利要求16所述的答案提供装置，其中根据基于多个用户的评论确定的该对象类别的各个候选对象在各要素上的满意度评分和各个用户对于各要素的看重程度评分、以及所确定的要素，预测该查询用户对于各个候选对象的满意度评分进一步包括：

如果不包括该查询用户对于各要素的看重程度评分，则构建与第一评分矢量相同维度的第二评分矢量，该第二评分矢量中的每个元素表示该查询用户对于每个要素的看重程度评分，其中对于所确定的要素指示词所对应的要素的评分设置为最高评分，对于其他要素的评分设置为0；

将该第二评分矢量与要素-对象评分矩阵相乘，以预测该查询用户对于各个候选对象的满意度评分。