CN108536852A - 问答交互方法和装置、计算机设备及计算机可读存储介质 - Google Patents
问答交互方法和装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108536852A CN108536852A CN201810339766.0A CN201810339766A CN108536852A CN 108536852 A CN108536852 A CN 108536852A CN 201810339766 A CN201810339766 A CN 201810339766A CN 108536852 A CN108536852 A CN 108536852A
- Authority
- CN
- China
- Prior art keywords
- intention
- intended
- word
- default
- library
- 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
- 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
Abstract
本发明涉及一种问答交互方法和装置、计算机设备及计算机可读存储介质。该问答交互方法包括：接收用户的问题；获取问题对应的答案，并获取预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度；将至少一个推荐关联度中超过预设关联度阈值的推荐关联度对应的意图确定为推荐意图；以及向用户发送答案，并向用户推送推荐意图。本发明能够提高计算效率，以及简化问答交互过程。
Description
技术领域
本发明涉及人机交互技术领域，尤其涉及一种问答交互方法和装置、计算机设备及计算机可读存储介质。
背景技术
人机交互(Human-Computer Interaction，HCI)是研究系统与用户之间的交互关系的科学。系统可以是各种各样的机器，也可以是计算机化的系统和软件。例如，通过人机交互可以实现诸如智能客服系统、语音控制系统等各种人工智能系统。
智能问答系统是人机交互的一种典型应用。传统的智能问答系统是通过模糊搜索或相似度计算的方法，在知识库中查找与用户问题相关或接近的知识点，并将知识点对应的答案发送给用户。然而，这种方法针对每个用户问题都要进行模糊搜索和相似度计算，因此，计算量非常大，导致计算效率低。另外，上述方法仅能够以“一问一答”的方式对用户问题进行答复，当用户想要咨询多个问题时，需要进行多次输入操作，因此，问答交互过程繁琐，导致用户体验差。
发明内容
有鉴于此，本发明的一个目的在于提供一种问答交互方法和装置、计算机设备及计算机可读存储介质，能够提高计算效率以及简化问答交互过程。
本发明的一个方面提供一种问答交互方法，包括：接收用户的问题；获取问题对应的答案，并获取预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度；将至少一个推荐关联度中超过预设关联度阈值的推荐关联度对应的意图确定为推荐意图；以及向用户发送答案，并向用户推送推荐意图。
在本发明的一个实施例中，获取预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度，包括：对问题进行分词处理，得到多个词语；将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配；以及根据匹配结果确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度。
在本发明的一个实施例中，将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配，包括：将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的主题模型中的至少一个重要要素进行匹配，其中主题模型包括至少一个重要要素的概率；其中，根据匹配结果确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度，包括：根据至少一个重要要素中与多个词语匹配的重要要素的概率，确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度。
在本发明的一个实施例中，将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配，包括：将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的序列模式中的频繁项集中的至少一个频繁项进行匹配，其中频繁项集包括至少一个频繁项的置信度；其中，根据匹配结果确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度，包括：根据至少一个频繁项中与多个词语匹配的频繁项的置信度，确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度。
在本发明的一个实施例中，获取问题对应的答案，包括：对问题进行分词处理，得到多个词语；将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配；以及根据匹配结果执行对应的预设分支流程，得到分支流程对应的答案。
在本发明的一个实施例中，执行对应的预设分支流程，包括：确定多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素是否匹配；如果多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素匹配，则输出对应的答案；或者如果多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素不匹配，则采用上下文意图推理方法，获取用于触发答案的至少一个重要要素。
在本发明的一个实施例中，该问答交互方法还包括：根据交互日志中记载的至少一个用户中的每个用户提出的多个问题，采用大数据分析方法，建立预设意图库，其中预设意图库包括至少一个意图中的每个意图与至少一个重要要素的对应关系。
在本发明的一个实施例中，向用户推送推荐意图，包括：向用户推送推荐意图的问句，其中，该问答交互方法还包括：根据用户的反馈，向用户发送推荐意图的问句对应的答案。
在本发明的一个实施例中，向用户推送推荐意图，包括：向用户推送推荐意图的商品内容。
本发明的另一个方面提供一种问答交互装置，包括：接收模块，用于接收用户的问题；获取模块，用于获取问题对应的答案，并获取预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度；确定模块，用于将至少一个推荐关联度中超过预设关联度阈值的推荐关联度对应的意图确定为推荐意图；以及发送模块，用于向用户发送答案，并向用户推送推荐意图。
在本发明的一个实施例中，获取模块包括：处理单元，用于对问题进行分词处理，得到多个词语；匹配单元，用于将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配；以及确定单元，用于根据匹配结果确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度。
在本发明的一个实施例中，匹配单元将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的主题模型中的至少一个重要要素进行匹配，其中主题模型包括至少一个重要要素的概率，并且确定单元根据至少一个重要要素中与多个词语匹配的重要要素的概率，确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度。
在本发明的一个实施例中，匹配单元将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的序列模式中的频繁项集中的至少一个频繁项进行匹配，其中频繁项集包括至少一个频繁项的置信度，并且确定单元根据至少一个频繁项中与多个词语匹配的频繁项的置信度，确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度。
在本发明的一个实施例中，获取模块包括：处理单元，用于对问题进行分词处理，得到多个词语；匹配单元，用于将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配；以及执行单元，用于根据匹配结果执行对应的预设分支流程，得到分支流程对应的答案。
在本发明的一个实施例中，执行单元确定多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素是否匹配，如果多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素匹配，则输出对应的答案；或者如果多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素不匹配，则采用上下文意图推理方法，获取用于触发答案的至少一个重要要素。
在本发明的一个实施例中，该问答交互装置还包括：建库模块，用于根据交互日志中记载的至少一个用户中的每个用户提出的多个问题，采用大数据分析方法，建立预设意图库，其中预设意图库包括至少一个意图中的每个意图与至少一个重要要素的对应关系。
在本发明的一个实施例中，发送模块向用户推送推荐意图的问句，并根据用户的反馈，向用户发送推荐意图的问句对应的答案。
在本发明的一个实施例中，发送模块向用户推送推荐意图的商品内容。
本发明的再一个方面提供一种计算机设备，包括：存储器、处理器及存储在存储器中并可在处理器中运行的可执行指令，处理器执行可执行指令时实现如上所述的任一种问答交互方法。
本发明的又一个方面提供一种计算机可读存储介质，其上存储有计算机可执行指令，可执行指令被处理器执行时实现如上所述的任一种问答交互方法。
根据本发明实施例提供的技术方案，通过接收用户的问题；获取问题对应的答案，并获取预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度；将至少一个推荐关联度中超过预设关联度阈值的推荐关联度对应的意图确定为推荐意图；以及向用户发送答案，并向用户推送推荐意图，能够提高计算效率以及简化问答交互过程。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据本发明一示例性实施例示出的一种问答交互方法的流程图。
图2是根据本发明另一示例性实施例示出的一种问答交互方法的流程图。
图3是根据本发明另一示例性实施例示出的一种问答交互方法的流程图。
图4是根据本发明另一示例性实施例示出的一种问答交互方法的流程图。
图5是根据本发明一示例性实施例示出的一种问答交互装置的框图。
图6是根据本发明另一示例性实施例示出的一种问答交互装置的框图。
图7是根据本发明另一示例性实施例示出的一种问答交互装置的框图。
图8是根据本发明另一示例性实施例示出的一种问答交互装置的框图。
图9是根据本发明一示例性实施例示出的用于问答交互的装置900的框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。根据本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是根据本发明一示例性实施例示出的一种问答交互方法的流程图。图1的问答交互方法可以由人机交互装置(例如，智能问答系统等)执行。如图1所示，该问答交互方法包括：
110：接收用户的问题。
在本发明实施例中，用户的问题可以是自然语言语句、短语或词汇等形式。用户的问题中可以仅包含一个意图，也可以包含多个意图，本发明对此不作限制。例如，用户的问题为“请帮我查一下我的流量余额”，则该问题中仅包含一个意图“查询流量余额”。又如，用户的问题为“查询话费积分”，则该问题中包含两个意图“查询话费”和“查询积分”。
进一步地，用户的问题可以是用户通过键盘、触摸屏或手写板等输入的文本信息，也可以是用户通过麦克风等输入的语音信息，或者还可以是用户通过交互终端输入的文本消息、数据链接、语音消息、图片消息、图像消息和视频消息等，本发明对此不作限制。这里，交互终端是能够与智能问答系统进行信息交互的设备，例如，智能手机、平板电脑、个人电脑或其他智能终端等。举例来说，用户可以一边通过语音或视频向智能问答系统提问，一边通过交互终端向智能问答系统发送相应的数据链接。
需要说明的是，当接收到的问题为语音消息、图片消息、图像消息或视频消息时，智能问答系统可以通过语音识别模块、图片识别模块或视频识别模块等将语音消息、图片消息、图像消息或视频消息转换为文本消息。
120：获取问题对应的答案，并获取预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度。
在本发明实施例中，在获取预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度之前，首先要根据交互日志中记载的至少一个用户中的每个用户提出的多个问题，采用大数据分析方法，建立预设意图库(也称知识库)，这里，预设意图库可以包括至少一个意图中的每个意图与至少一个重要要素的对应关系。
具体地，意图可以是通过自然语言处理的方法与预先设定在数据库中的意图知识点匹配得到的。这里，数据库即为存储有意图知识点的意图库，该意图库可以包括多个意图知识点，多个意图知识点中的每个意图知识点可以包括对应的至少一个问题的答案和/或推荐关联度。
进一步地，可以根据分词处理或断句处理的结果对用户的问题进行意图分析，例如，通过语义解析、意图匹配等；也可以根据分词处理的结果对分词后的多个词语进行排列组合，并基于词汇组合的结果对用户的问题进行意图分析；或者还可以通过例如其他通过语料训练得到的自然语言解析模型等对问题进行语句处理，得到问题的语义内容，并根据问题的语义内容对用户的问题进行意图分析，本发明对此不作限制。
具体地，分词处理可以采用双向最大匹配法、维特比(Viterbi)算法、隐马尔可夫模型(Hidden Markov Model，HMM)算法和条件随机场(Conditional Random Field，CRF)算法中的一种或多种。断句处理是以逗号、分号、句号、问号、叹号等作为断句的分隔符，将用户的问题划分为多个短句；或者，根据固定的字词对用户的问题进行拆分。词汇组合是将多个词语排列组合在一起，并且这些词语在排列组合后所表达的意图可以是一个，也可以是多个。语义内容可以是通过其他经由语料训练得到的自然语言解析模型等对用户的问题进行整体语义解析得到的。
进一步地，可以将多个词语中的每个词语与意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配，并根据匹配结果执行对应的预设分支流程，从而得到分支流程对应的答案。
具体地，如果多个词语中的每个词语与意图库中的至少一个意图中的每个意图对应的至少一个重要要素匹配，则直接从意图库中获取问题对应的答案；如果多个词语中的每个词语与意图库中的至少一个意图中的每个意图对应的至少一个重要要素不匹配，则通过上下文意图推理的方法，从意图库中获取用于触发答案的至少一个重要要素。
130：将至少一个推荐关联度中超过预设关联度阈值的推荐关联度对应的意图确定为推荐意图。
在本发明实施例中，关联度可以通过以下方法计算得到：从用户与智能问答系统的交互日志中提取用户在提问了第一个问题之后又继续提问的多个问题，对继续提问的多个问题中的每个问题对应的人数进行统计，并根据统计结果计算每个问题对应的人数在交互日志中所占的比例。
具体地，以招商银行的智能在线客服系统为例，选取2000名用户与智能在线客服系统的交互日志作为样本数据，通过对样本数据进行大数据分析可知，有1000名用户提问了问题A“我的信用卡的本期应还金额是多少”；接着，对这1000名用户在问完问题A之后提问的问题进行统计可知，有500名用户在问完了问题A之后提问了问题B“我的到期还款日是哪天”，有300名用户在问完了问题A之后提问了问题C“我的最低还款金额是多少”，还有200名用户在问完了问题A之后提问了问题D“我能否申请分期还款”；进一步地，根据统计结果，通过对每个问题对应的人数在交互日志中所占的比例进行计算可知，问题B与问题A的关联度为0.5，问题C与问题A的关联度为0.3，问题D与问题A的关联度为0.2。需要说明的是，除上述的关联度计算方法之外，还可以通过诸如Apriori算法、FP-growth算法等关联分析方法来计算关联度，本发明对此不作限制。
接着，将计算得到的关联度与关联度阈值进行比较，如果关联度大于关联度阈值，则将该关联度对应的意图确定为推荐意图；如果关联度小于关联度阈值，则忽略该关联度对应的意图。这里，关联度阈值可以是预先设定的，也可以根据实际需要进行调整，本发明对此不作限制。
进一步地，如果预设的关联度阈值为0.1，则问题B、问题C和问题D与问题A的关联度均大于关联度阈值；也就是说，问题B、问题C和问题D对应的意图为用户可能想要进一步了解的内容，因此，将问题B、问题C和问题D对应的意图确定为推荐意图。如果预设的关联度阈值为0.25，则只有问题B和问题C与问题A的关联度大于关联度阈值；也就是说，问题B和问题C对应的意图为用户可能想要进一步了解的内容，而问题D对应的意图可能不是用户想要进一步了解的内容，因此，将问题B和问题C对应的意图确定为推荐意图，而忽略问题D对应的意图。
140：向用户发送答案，并向用户推送推荐意图。
在本发明实施例中，可以通过文本、语音、图片、图像、视频、链接等中的一种或多种方式将答案和/或推荐意图发送给用户。
具体地，以招商银行的智能在线客服系统为例，如果用户以文本方式输入“信用卡如何还款”，则招商银行的智能在线客服系统可以以文本方式回复为“您可以在招商银行的柜台或ATM机办理还款，也可以通过网上银行、自动转账等方式进行还款”。同时，智能在线客服系统的用户界面上会显示用户当前所在位置周边的招商银行的位置信息，用户可以通过点击位置信息导航前往附近的招商银行办理还款。
根据本发明实施例提供的技术方案，通过接收用户的问题；获取问题对应的答案，并获取预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度；将至少一个推荐关联度中超过预设关联度阈值的推荐关联度对应的意图确定为推荐意图；以及向用户发送答案，并向用户推送推荐意图，能够提高计算效率以及简化问答交互过程。
在本发明的另一个实施例中，获取预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度，包括：对问题进行分词处理，得到多个词语；将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配；以及根据匹配结果确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度。
具体地，根据预设的分词规则和预设的分词词典对用户的问题进行分词处理，得到多个词语。这里，分词规则可以包括但不限于正向最大匹配法、逆向最大匹配法、逐词遍历法或词频统计法、最少切分法、双相匹配法等。例如，用户的问题为“我当前还有多少积分”，智能问答系统可以通过逐词遍历法对用户的问题“我当前还有多少积分”进行分词处理，得到多个词语“我”、“当前”、“还有”、“多少”、“积分”。需要说明的是，用户的问题中可以包括标点符号，也可以不包括标点符号，本发明对此不作限制。
接续，对多个词语进行过滤处理，得到至少一个关键词。过滤处理采用的方法可以为根据词性等对多个词语进行过滤，去除前后缀；也可以为根据频次对多个词语进行过滤，去除停用词；或者还可以先去除前后缀、再去除停用词等，本发明对此不作限制。这里，去除停用词是指去除问题中识别意义不大但出现频率高的词，例如，“这”、“的”、“和”等，这些词在计算相似度的过程中会引入较大的误差，可以看成是一种噪音。需要说明的是，过滤处理还可以去除部分无意义词语，例如，“我”、“想”、“吗”等。
再续，对至少一个关键词进行语义解析，得到多个词语的语义信息。通常，语义信息是指任何有含义的语言、文字、数据、符号等提供的信息。在本发明实施例中，语义信息即为用户问题中的意图，其可以通过例如词类替换、命名实体识别等方法获取。这里，语义信息可以包括但不限于词语的同义词和/或同义词组合、词语的同类词和/或同类词组合、与词语具有相同或相似结构的实体。
进一步地，将语义信息与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行语义相似度计算，并将语义相似度最高的重要要素作为匹配的至少一个重要要素。这里，语义相似度是指多个词语的语义信息与意图库中的多个预设的意图知识点之间基于字与词语上的匹配程度，以及语义的高度相似性。语义相似度计算可以采用基于向量空间模型(Vector Space Model，VSM)的计算方法、基于隐形语义索引模型(LatentSemantic Indexing，LSI)的计算方法、基于属性论的语义相似度计算方法和基于汉明距离的语义相似度计算方法中的一种或多种方法的结合。需要说明的是，语义相似度计算方法还可以为其他的语义相似度的计算方法。
最后，根据语义相似度计算的结果，确定与匹配的至少一个重要要素中的每个重要要素对应的意图与问题的至少一个推荐关联度。
在本发明的另一个实施例中，将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配，包括：将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的主题模型中的至少一个重要要素进行匹配，其中主题模型包括至少一个重要要素的概率；其中，根据匹配结果确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度，包括：根据至少一个重要要素中与多个词语匹配的重要要素的概率，确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度。
具体地，主题模型(Topic Model)是对文本中隐含主题的一种建模方法。主题模型能够发现文档-词语之间所蕴含的潜在语义关系(即主题)，通过将文档看成一组主题的混合分布，而主题又是词语的概率分布，从而将高维度的“词语-文档”向量空间映射到低维度的“词语-主题”和“主题-文档”空间，有效地提高了文本信息处理的性能。这里，主题可以是一个概念、一个方面，其表现为一系列相关的词语。此外，如果从数学的角度来描述的话，主题是词汇表上词语的概率分布，与主题关系越密切的词语，其概率越大，反之则越小。
例如，一篇文章如果涉及到“腾讯”这个主题，那么“微信”、“王者荣耀”、“马化腾”等词语就会以较高的频率出现；而如果涉及到“价格”这个主题，那么“价钱”、“性价比”、“折扣”等词语就会出现的很频繁。又如，假设有两个句子“乔布斯是一个完美主义者”和“苹果会不会降价”，尽管这两个句子之间并没有任何公共词语，但二者仍具有很强的相关性，因为虽然第二句中的“苹果”可能是指吃的苹果，但由于第一句中有“乔布斯”，所以可以很自然地将第二句中的“苹果”理解为苹果公司的产品；由此可见，“苹果”这个词既包含了“苹果公司”这个主题，也包含了“水果”这个主题。
此外，主题模型也可以是一种生成模型，一篇文章的每个词语都是通过“以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语”这样一个过程得到的，因此，如果要生成一篇文档，那么该文档中的每个词语出现的概率为：
其中，p(词语|文档)表示每篇文档中每次词语出现的概率，p(词语|主题)表示每个主题中每个词语出现的概率，p(主题|文档)表示每篇文档中各个主题出现的概率。
这里，假设有很多篇文档(例如，大量的网页)，首先对这些文档进行分词，得到一个词汇列表；接着，对于每个词语，用该词语在文档中出现的次数除以文档中所有词语的总数，得到该词语在文档中出现的概率。由此可见，对于任意一篇文档，p(词语|文档)是已知的，而p(词语|主题)和p(主题|文档)是未知的，所以主题模型就是利用大量已知的“词语-文档”矩阵p(词语|文档)，并通过一系列的训练，推理出“词语-主题”矩阵p(词语|主题)和“主题-文档”矩阵p(主题|文档)。
进一步地，主题模型可以包括但不限于概率潜在语义分析(ProbabilisticLatent Semantic Analysis，PLSA)、潜在狄利克雷分布(Latent Dirichlet Allocation，LDA)、以及标签潜在狄利克雷分布(Label Latent Dirichlet Allocation，L-LDA)。此外，可以根据不同的应用需求对主题模型进行扩展，例如，可以在PLSA模型中引入词语上下文信息、地理位置上下文信息等；也可以引入文本语料的时间信息，研究主题随时间的演化；或者还可以将用户对产品或者博文的评分信息引入基本LDA模型中。
可选地，作为另一个实施例，将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配，包括：将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的序列模式中的频繁项集中的至少一个频繁项进行匹配，其中频繁项集包括至少一个频繁项的置信度；其中，根据匹配结果确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度，包括：根据至少一个频繁项中与多个词语匹配的频繁项的置信度，确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度。
具体地，序列模式(Sequence Pattern)是给定一个由不同序列组成的集合，其中，每个序列由不同的元素按顺序有序排列，每个元素(交易)由不同项目组成，同时给定一个用户指定的最小支持度阈值。序列模式挖掘(Sequence Pattern Mining)是找出所有的频繁子序列，即该子序列在序列集中的出现频率不低于用户指定的最小支持度阈值。换言之，首先要找出所有频繁项集，这些项集出现的频繁性至少和预定义的最小支持度一样；然后由频繁项集产生关联规则，这些规则必须满足最小支持度和最小置信度。
这里，关联规则表示数据内隐含的关联性，例如，购买物品X的用户往往会购买物品Y。支持度(Support)表示物品X和物品Y同时出现的概率，如果物品X和物品Y同时出现的概率小，则表示物品X和物品Y的相关性小；如果物品X和物品Y同时出现的概率大，则表示物品X和物品Y的相关性大；进一步地，支持度的公式为：支持度({X,Y})＝同时购买{X,Y}的人数/总人数。置信度(Confidence)表示购买物品X的用户，同时购买物品Y的概率，如果置信度高(例如大于90％)，则表示购买物品X的用户可能会同时购买物品Y；如果置信度低(例如小于10％)，则表示购买物品X的用户可能不会购买物品Y；进一步地，置信度的公式为置信度(X->Y)＝同时购买{X,Y}的人数/购买X的人数。需要说明的是，支持度没有先后顺序之分，即{X,Y}的支持度等于{Y,X}的支持度。
举例来说，选取10000名用户在超市的交易记录作为样本数据，其中，有1000名用户购买了饮料，2000名用户购买了啤酒，500名用户购买了面包，800名用户同时购买了饮料和啤酒，以及100名用户同时购买了饮料和面包，则{饮料，啤酒}的支持度(即{饮料，啤酒}同时出现的概率)为800/10000＝0.08，{饮料，面包}的支持度为100/10000＝0.01，(饮料->啤酒)的置信度(即购买饮料的用户，同时购买啤酒的概率)为800/1000＝0.8，(啤酒->饮料)的置信度为800/2000＝0.4。
进一步地，序列挖掘算法可以包括但不限于Apriori算法、广义序贯模式(Generalized Sequential Pattern，GSP)算法、FreeSpan算法和PrefixSpan算法。这里，Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。GPS算法类似于Apriori算法，其核心思想是在每一次扫描数据库时，利用上一次扫描时产生的大序列生成候选序列，并在扫描的同时计算它们的支持度，满足支持度的候选序列作为下次扫描的大序列；FreeSpan算法是基于模式投影的序列挖掘算法，其基本思想是利用当前挖掘的频繁序列集将序列数据库递归地投影到一组更小的投影数据库上，分别在每个投影数据库上增长子序列；PrefixSpan算法是FreeSpan的改进算法，其基本思想是投影时不考虑所有可能出现的频繁子序列，只检查前缀序列，然后把相应的后缀投影成投影数据库。
在本发明的另一个实施例中，获取问题对应的答案，包括：对问题进行分词处理，得到多个词语；将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配；以及根据匹配结果执行对应的预设分支流程，得到分支流程对应的答案。
具体地，确定分词处理后的多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素是否匹配，如果多个词语中的每个词语与意图库中的至少一个意图中的每个意图对应的至少一个重要要素匹配，则直接获取并输出问题对应的答案；如果多个词语中的每个词语与意图库中的至少一个意图中的每个意图对应的至少一个重要要素不匹配，则采用上下文意图推理方法，获取用于触发答案的至少一个重要要素。
进一步地，按照相似度从高到低的顺序，在意图库中找到与问题相似高的多个扩展问中的一个扩展问；确定该扩展问在消费掉至少一个重要要素之后所包含的至少一个剩余词语是否能在上一个问题中找到，如果该扩展问在消费掉至少一个重要要素之后所包含的至少一个剩余词语中的每个词语均不能在上一个问题中找到，则直接删除该扩展问，并继续确定下一个扩展问是否满足上下文意图的要求；如果该扩展问在消费掉至少一个重要要素之后所包含的至少一个剩余词语中的至少一个剩余词语能在上一个问题中找到，则获取并输出该扩展问对应的答案。
在本发明的另一个实施例中，向用户推送推荐意图，包括：向用户推送推荐意图的问句，其中，该问答交互方法还包括：根据用户的反馈，向用户发送推荐意图的问句对应的答案。
具体地，智能问答系统可以在回答用户当前问题的同时，向用户推送推荐意图的问句，并根据用户的反馈，向用户发送推荐意图的问句对应的答案。
这里，仍以招商银行的智能在线客服系统为例，假设用户的问题为“我的信用卡还有多少积分”，则智能在线客服系统的答案为“您当前可用积分：7600分；您是否想要了解：小积分抽大奖活动？”。进一步地，如果用户回答“是”，则智能在线客服系统会将“小积分抽大奖活动”对应的答案发送给用户。
在本发明的另一个实施例中，向用户推送推荐意图，包括：向用户推送推荐意图的商品内容。
具体地，智能问答系统可以将推荐意图对应的商品内容推送给用户。这里，商品可以是食品，例如香蕉、牛奶、果酱等；也可以是物品，例如手机、书籍、玩具等，本发明对此不作限制。另外，商品的内容可以包括但不限于诸如图片、视频、链接等形式的商品的广告内容。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
图2是根据本发明另一示例性实施例示出的一种问答交互方法的流程图。如图2所示，该问答交互方法包括：
210：接收用户的问题。
在本发明实施例中，用户的问题可以仅包含一个意图，也可以包含多个意图，本发明对此不作限制。例如，用户的问题为“我想给信用卡还款”，则该问题中仅包含一个意图“信用卡还款”。又如，用户的问题为“请告诉我今天北京和上海的天气”，则该问题中包含了两个意图“北京的天气”和“上海的天气”。
需要说明的是，用户的问题可以为文本消息、语音消息、图片消息、图像消息和视频消息中的一种或多种。此外，还需要说明的是，用户的问题中可以包括标点符号，也可以不包括标点符号。
220：对问题进行分词处理，得到多个词语。
在本发明实施例中，根据预设的分词规则和预设的分词词典对用户的问题进行分词处理，得到多个词语。这里，分词规则可以包括但不限于正向最大匹配法、逆向最大匹配法、逐词遍历法或词频统计法、最少切分法、双相匹配法等。分词处理可以采用双向最大匹配法、维特比算法、隐马尔可夫模型算法和条件随机场算法中的一种或多种。
需要说明的是，本发明对问题进行处理的方式不限于分词处理，而是可以为其他适合的方式，例如，断句处理、词汇组合等。
230：将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的主题模型中的至少一个重要要素进行匹配，其中主题模型包括至少一个重要要素的概率。
在本发明实施例中，通过对多个词语中的每个词语进行语义解析，得到多个词语的语义信息；将语义信息与预设意图库中的至少一个意图中的每个意图对应的主题模型中的至少一个重要要素进行语义相似度计算，并将语义相似度最高的重要要素作为匹配的至少一个重要要素。
主题模型可以包括至少一个重要要素的概率。这里，主题模型是处理非结构化数据的一种常用方法，其主要功能就是从文本数据中提取潜在的主题信息。在主题模型中，每个主题模型的主题其实是词表上的词语的概率分布。此外，与其他的基于规则或字典的搜索方法不同，主题模型是一种无监督学习的方法。
240：根据至少一个重要要素中与多个词语匹配的重要要素的概率，确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度。
在本发明实施例中，根据语义相似度计算的结果，确定与匹配的至少一个重要要素中的每个重要要素对应的意图与问题的至少一个推荐关联度。这里，语义相似度是指多个词语的语义信息与意图库中的多个预设的意图知识点之间基于字和词语上的匹配程度，以及语义的高度相似性。
进一步地，语义相似度计算可以采用基于向量空间模型的计算方法、基于隐形语义索引模型的计算方法、基于属性论的语义相似度计算方法和基于汉明距离的语义相似度计算方法中的一种或多种方法的结合。需要说明的是，语义相似度计算方法还可以为其他的语义相似度的计算方法。
250：将至少一个推荐关联度中超过预设关联度阈值的推荐关联度对应的意图确定为推荐意图。
在本发明实施例中，关联度可以通过以下方法计算得到：从用户与智能问答系统的交互日志中提取用户在提问了第一个问题之后又继续提问的多个问题，对继续提问的多个问题中的每个问题对应的人数进行统计，并根据统计结果计算每个问题对应的人数在交互日志中所占的比例。
进一步地，将计算得到的关联度与关联度阈值进行比较，如果关联度大于关联度阈值，则将该关联度对应的意图确定为推荐意图；如果关联度小于关联度阈值，则忽略该关联度对应的意图。
需要说明的是，关联度阈值可以是预先设定的，也可以根据实际需要进行调整，本发明对此不作限制。
260：向用户发送答案，并向用户推送推荐意图。
在本发明实施例中，智能问答系统可以在向用户发送答案的同时，向用户推送推荐意图的问句，并根据用户的反馈，向用户发送推荐意图的问句对应的答案；也可以在向用户发送答案的同时，向用户推送推荐意图的商品内容，本发明对此不作限制。此外，可以以文本、语音、图片、链接等方式将答案呈现给用户。
根据本发明实施例提供的技术方案，通过利用主题模型，可以从海量数据中找到文档对应的主题，并通过主题找到该主题下产生词语的概率，因此，提高了文本信息的处理能力，实现了主动营销，并进一步提升了用户体验。
下面，以京东的智能问答系统为例，对上述问答交互方法进行详细描述。
具体地，智能问答系统中存储有预设的主题模型，该主题模型包括四个主题，即主题1、主题2、主题3和主题4，其中，主题1、主题2、主题3和主题4的词汇表中的词语的概率分布如表1所示。
表1
假设用户A的问题为“苹果和梨哪个好吃？”，用户B的问题为“苹果和安卓哪个好用？”，则智能问答系统根据预设的分词规则和预设的分词词典，并通过去除前后缀、停用词等方法分别对上述问题进行分词处理，得到用户A的问题对应的词语为“苹果”、“梨”和“好吃”，用户B的问题对应的词语为“苹果”、“安卓”和“好用”。
进一步地，将用户A的问题对应的词语“苹果”、“梨”和“好吃”与预设的主题模型中的每个主题的词汇表中的词语进行比较，根据比较结果可知，属于主题3的概率最高，因此，将主题3对应的商品的广告内容推送给用户A。同样地，将用户B的问题对应的词语“苹果”、“安卓”和“好用”与预设的主题模型中的每个主题的词汇表中的词语进行比较，根据比较结果可知，属于主题1的概率最高，因此，将主题1对应的商品的广告内容推送给用户B。
图3是根据本发明另一示例性实施例示出的一种问答交互方法的流程图。如图3所示，该问答交互方法包括：
310：接收用户的问题。
320：对问题进行分词处理，得到多个词语。
330：将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的序列模式中的频繁项集中的至少一个频繁项进行匹配，其中频繁项集包括至少一个频繁项的置信度。
340：根据至少一个频繁项中与多个词语匹配的频繁项的置信度，确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度。
350：将至少一个推荐关联度中超过预设关联度阈值的推荐关联度对应的意图确定为推荐意图。
360：向用户发送答案，并向用户推送推荐意图。
根据本发明实施例提供的技术方案，通过利用序列模式，可以对用户行为进行建模，从而根据用户前面的行为推测出用户后面的行为，因此，实现了产品的主动营销，并进一步提升了用户体验。
下面，以中国移动的智能问答系统为例，对上述问答交互方法进行详细描述。
具体地，智能问答系统中存储有预设的序列模式，该序列模式是基于用户的行为数据并通过大数据分析得到的。这里，以套餐的序列模式为例，大多数用户在选择“套餐”之后会选择“全球通套餐”，在选择“全球通套餐”之后会选择“全球通上网套餐”，在选择“全球通上网套餐”之后会选择“全球通上网套餐58元档”，而在选择“全球通上网套餐58元档”之后会选择“开通全球通上网套餐58元档”。表2示出了套餐的序列模式中各项目的置信度。
表2
假设用户登录了中国移动的客户端并点击“套餐”，从表2左侧的数据可以看出，“全球通上网套餐”的置信度最高；也就是说，用户在选择“套餐”之后通常会选择“全球通上网套餐”，因此，当检测到用户点击“套餐”之后，智能问答系统自动将“全球通上网套餐”推送给用户。进一步地，从表2右侧的数据可以看出，“全球通上网套餐58元档”的置信度最高；也就是说，用户在选择“全球通上网套餐”之后通常会选择“全球通上网套餐58元档”，因此，当检测到用户点击“全球通上网套餐”之后，智能问答系统自动将“全球通上网套餐58元档”推送给用户。
图4是根据本发明另一示例性实施例示出的一种问答交互方法的流程图。如图4所示，该问答交互方法包括：
410：接收用户的问题。
420：对问题进行分词处理，得到多个词语。
430：将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配。
440：确定多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素是否匹配。
450：如果多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素匹配，则输出对应的答案。
460：如果多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素不匹配，则采用上下文意图推理方法，获取用于触发答案的至少一个重要要素。
根据本发明实施例提供的技术方案，通过执行上下文意图推理流程，降低了意图库建设的难度，提高了计算效率，简化了问答交互过程，以及实现了多句组合新的意图。
下面，以购房的智能问答系统为例，对上述问答交互方法进行详细描述。
具体地，智能问答系统的意图库中存储有预设的意图知识点，该意图知识点可以包括第一个意图知识点“我要买房”、第二个意图知识点“买房如何贷款”、第三个意图知识点“贷款需要具备什么条件”和第四个意图知识点“买房贷款需要什么条件”等；进一步地，这些意图知识点对应的表达式分别为[买房]、[买房][如何][贷款]、[贷款][什么][条件]和[买房][贷款][什么][条件]。
接续，假设用户的第一个问题为“我要买房”，则对第一个问题进行分词处理，得到多个词语“我”、“要”和“买房”；由于词语“买房”直接与第一个意图知识点对应的表达式[买房]匹配，因此，继续进行第二个问题。进一步地，假设用户的第二个问题为“怎么贷款”，则对第二个问题进行分词处理，得到词语“怎么”和“贷款”；由于无法在意图库中直接找到与词语“怎么”和“贷款”匹配的意图知识点，因此，执行上下文意图推理的分支流程。
再续，由于第一个问题不是通过上下文意图出来答案，因此，需要在意图库中找到与第二个问题“怎么贷款”相似的扩展问，并按照相似度从高到低的原则对扩展问进行排序，从而得到扩展问候选集，该扩展问候选集可以包括第一个扩展问[贷款][什么][条件]、第二个扩展问[买房][如何][贷款]和第三个扩展问[买房][贷款][什么][条件]。
进一步地，第一个扩展问[贷款][什么][条件]在消费掉第二个问题中的词语“贷款”之后所包含的剩余词语为“条件”(必选项)和“什么”(可选项)，由于这两个词语均无法在第一个问题“我要买房”中找到，因此，在扩展问候选集中删除第一个扩展问，并继续对第二个扩展问执行相同的处理过程。第二个扩展问[买房][如何][贷款]在消费掉第二个问题中的词语“贷款”之后所包含的剩余词语为“买房”和“如何”，由于词语“买房”能够在第一个问题“我要买房”中找到，也就是说，第二个扩展问满足上下文意图的要求，因此，输出“买房如何贷款”对应的答案。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
图5是根据本发明一示例性实施例示出的一种问答交互装置500的框图。如图5所示，该问答交互装置500包括：
接收模块510，用于接收用户的问题。
获取模块520，用于获取问题对应的答案，并获取预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度。
确定模块530，用于将至少一个推荐关联度中超过预设关联度阈值的推荐关联度对应的意图确定为推荐意图。
发送模块540，用于向用户发送答案，并向用户推送推荐意图。
根据本发明实施例提供的技术方案，通过接收用户的问题；获取问题对应的答案，并获取预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度；将至少一个推荐关联度中超过预设关联度阈值的推荐关联度对应的意图确定为推荐意图；以及向用户发送答案，并向用户推送推荐意图，能够提高计算效率以及简化问答交互过程。
在本发明的另一个实施例中，获取模块520包括：处理单元5201，用于对问题进行分词处理，得到多个词语；匹配单元5202，用于将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配；以及确定单元5203，用于根据匹配结果确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度。
在本发明的另一个实施例中，匹配单元5202将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的主题模型中的至少一个重要要素进行匹配，其中主题模型包括至少一个重要要素的概率，并且确定单元5203根据至少一个重要要素中与多个词语匹配的重要要素的概率，确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度。
在本发明的另一个实施例中，匹配单元5202将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的序列模式中的频繁项集中的至少一个频繁项进行匹配，其中频繁项集包括至少一个频繁项的置信度，并且确定单元5203根据至少一个频繁项中与多个词语匹配的频繁项的置信度，确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度。
在本发明的另一个实施例中，获取模块520包括：处理单元5201，用于对问题进行分词处理，得到多个词语；匹配单元5202，用于将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配；以及执行单元5204，用于根据匹配结果执行对应的预设分支流程，得到分支流程对应的答案。
在本发明的另一个实施例中，执行单元5204确定多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素是否匹配，如果多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素匹配，则输出对应的答案；或者如果多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素不匹配，则采用上下文意图推理方法，获取用于触发答案的至少一个重要要素。
在本发明的另一个实施例中，图5的问答交互装置500还包括：建库模块550，用于根据交互日志中记载的至少一个用户中的每个用户提出的多个问题，采用大数据分析方法，建立预设意图库，其中预设意图库包括至少一个意图中的每个意图与至少一个重要要素的对应关系。
在本发明的另一个实施例中，发送模块540向用户推送推荐意图的问句，并根据用户的反馈，向用户发送推荐意图的问句对应的答案。
在本发明的另一个实施例中，发送模块540向用户推送推荐意图的商品内容。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
图6是根据本发明另一示例性实施例示出的一种问答交互装置600的框图。如图6所示，该问答交互装置600包括：
接收模块610，用于接收用户的问题。
处理模块620，用于对问题进行分词处理，得到多个词语。
匹配模块630，用于将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的主题模型中的至少一个重要要素进行匹配，其中主题模型包括至少一个重要要素的概率。
确定模块640，用于根据至少一个重要要素中与多个词语匹配的重要要素的概率，确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度；并将至少一个推荐关联度中超过预设关联度阈值的推荐关联度对应的意图确定为推荐意图。
发送模块650，用于向用户发送答案，并向用户推送推荐意图。
根据本发明实施例提供的技术方案，通过利用主题模型，可以从海量数据中找到文档对应的主题，并通过主题找到该主题下产生词语的概率，因此，提高了文本信息的处理能力，实现了主动营销，并进一步提升了用户体验。
图7是根据本发明另一示例性实施例示出的一种问答交互装置700的框图。如图7所示，该问答交互装置700包括：
接收模块710，用于接收用户的问题。
处理模块720，用于对问题进行分词处理，得到多个词语。
匹配模块730，用于将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的序列模式中的频繁项集中的至少一个频繁项进行匹配，其中频繁项集包括至少一个频繁项的置信度。
确定模块740，用于根据至少一个频繁项中与多个词语匹配的频繁项的置信度，确定预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度，并将至少一个推荐关联度中超过预设关联度阈值的推荐关联度对应的意图确定为推荐意图。
发送模块750，用于向用户发送答案，并向用户推送推荐意图。
根据本发明实施例提供的技术方案，通过利用序列模式，可以对用户行为进行建模，从而根据用户前面的行为推测出用户后面的行为，因此，实现了产品的主动营销，并进一步提升了用户体验。
图8是根据本发明另一示例性实施例示出的一种问答交互装置800的框图。如图8所示，该问答交互装置800包括：
接收模块810，用于接收用户的问题。
处理模块820，用于对问题进行分词处理，得到多个词语。
匹配模块830，用于将多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配。
确定模块840，用于确定多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素是否匹配，如果多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素匹配，则输出对应的答案；如果多个词语中的每个词语与预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素不匹配，则采用上下文意图推理方法，获取用于触发答案的至少一个重要要素。
根据本发明实施例提供的技术方案，通过执行上下文意图推理流程，降低了意图库建设的难度，提高了计算效率，简化了问答交互过程，以及实现了多句组合新的意图。
图9是根据本发明一示例性实施例示出的用于问答交互的装置900的框图。
参照图9，装置900包括处理组件910，其进一步包括一个或多个处理器，以及由存储器920所代表的存储器资源，用于存储可由处理组件910的执行的指令，例如应用程序。存储器920中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件910被配置为执行指令，以执行上述问答交互方法。
装置900还可以包括一个电源组件930被配置为执行装置900的电源管理，一个有线或无线网络接口940被配置为将装置900连接到网络，和一个输入输出(I/O)接口950。装置900可以操作基于存储在存储器920的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
一种非临时性计算机可读存储介质，当存储介质中的指令由上述装置900的处理器执行时，使得上述装置900能够执行一种问答交互方法，包括：接收用户的问题；获取问题对应的答案，并获取预设意图库中的至少一个意图中的每个意图与问题的至少一个推荐关联度；将至少一个推荐关联度中超过预设关联度阈值的推荐关联度对应的意图确定为推荐意图；以及向用户发送答案，并向用户推送推荐意图。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，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单元中，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单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序校验码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (20)
1.一种问答交互方法，其特征在于，包括：
接收用户的问题；
获取所述问题对应的答案，并获取预设意图库中的至少一个意图中的每个意图与所述问题的至少一个推荐关联度；
将所述至少一个推荐关联度中超过预设关联度阈值的推荐关联度对应的意图确定为推荐意图；以及
向所述用户发送所述答案，并向所述用户推送所述推荐意图。
2.根据权利要求1所述的问答交互方法，其特征在于，所述获取预设意图库中的至少一个意图中的每个意图与所述问题的至少一个推荐关联度，包括：
对所述问题进行分词处理，得到多个词语；
将所述多个词语中的每个词语与所述预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配；以及
根据匹配结果确定所述预设意图库中的至少一个意图中的每个意图与所述问题的至少一个推荐关联度。
3.根据权利要求2所述的问答交互方法，其特征在于，所述将所述多个词语中的每个词语与所述预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配，包括：
将所述多个词语中的每个词语与所述预设意图库中的至少一个意图中的每个意图对应的主题模型中的至少一个重要要素进行匹配，其中所述主题模型包括所述至少一个重要要素的概率；
其中，所述根据匹配结果确定所述预设意图库中的至少一个意图中的每个意图与所述问题的至少一个推荐关联度，包括：
根据所述至少一个重要要素中与所述多个词语匹配的重要要素的概率，确定所述预设意图库中的至少一个意图中的每个意图与所述问题的至少一个推荐关联度。
4.根据权利要求2所述的问答交互方法，其特征在于，所述将所述多个词语中的每个词语与所述预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配，包括：
将所述多个词语中的每个词语与所述预设意图库中的至少一个意图中的每个意图对应的序列模式中的频繁项集中的至少一个频繁项进行匹配，其中所述频繁项集包括所述至少一个频繁项的置信度；
其中，所述根据匹配结果确定所述预设意图库中的至少一个意图中的每个意图与所述问题的至少一个推荐关联度，包括：
根据所述至少一个频繁项中与所述多个词语匹配的频繁项的置信度，确定所述预设意图库中的至少一个意图中的每个意图与所述问题的至少一个推荐关联度。
5.根据权利要求1所述的问答交互方法，其特征在于，所述获取所述问题对应的答案，包括：
对所述问题进行分词处理，得到多个词语；
将所述多个词语中的每个词语与所述预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配；以及
根据匹配结果执行对应的预设分支流程，得到所述分支流程对应的答案。
6.根据权利要求5所述的问答交互方法，其特征在于，所述执行对应的预设分支流程，包括：
确定所述多个词语中的每个词语与所述预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素是否匹配；
如果所述多个词语中的每个词语与所述预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素匹配，则输出对应的答案；或者
如果所述多个词语中的每个词语与所述预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素不匹配，则采用上下文意图推理方法，获取用于触发答案的至少一个重要要素。
7.根据权利要求1至6中的任一项所述的问答交互方法，其特征在于，还包括：
根据交互日志中记载的至少一个用户中的每个用户提出的多个问题，采用大数据分析方法，建立所述预设意图库，其中所述预设意图库包括所述至少一个意图中的每个意图与至少一个重要要素的对应关系。
8.根据权利要求1或2所述的问答交互方法，其特征在于，所述向所述用户推送所述推荐意图，包括：
向所述用户推送所述推荐意图的问句，
其中，所述问答交互方法还包括：
根据所述用户的反馈，向所述用户发送所述推荐意图的问句对应的答案。
9.根据权利要求1或2所述的问答交互方法，其特征在于，所述向所述用户推送所述推荐意图，包括：
向所述用户推送所述推荐意图的商品内容。
10.一种问答交互装置，其特征在于，包括：
接收模块，用于接收用户的问题；
获取模块，用于获取所述问题对应的答案，并获取预设意图库中的至少一个意图中的每个意图与所述问题的至少一个推荐关联度；
确定模块，用于将所述至少一个推荐关联度中超过预设关联度阈值的推荐关联度对应的意图确定为推荐意图；以及
发送模块，用于向所述用户发送所述答案，并向所述用户推送所述推荐意图。
11.根据权利要求10所述的问答交互装置，其特征在于，所述获取模块包括：
处理单元，用于对所述问题进行分词处理，得到多个词语；
匹配单元，用于将所述多个词语中的每个词语与所述预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配；以及
确定单元，用于根据匹配结果确定所述预设意图库中的至少一个意图中的每个意图与所述问题的至少一个推荐关联度。
12.根据权利要求11所述的问答交互装置，其特征在于，所述匹配单元将所述多个词语中的每个词语与所述预设意图库中的至少一个意图中的每个意图对应的主题模型中的至少一个重要要素进行匹配，其中所述主题模型包括所述至少一个重要要素的概率，并且
所述确定单元根据所述至少一个重要要素中与所述多个词语匹配的重要要素的概率，确定所述预设意图库中的至少一个意图中的每个意图与所述问题的至少一个推荐关联度。
13.根据权利要求11所述的问答交互装置，其特征在于，所述匹配单元将所述多个词语中的每个词语与所述预设意图库中的至少一个意图中的每个意图对应的序列模式中的频繁项集中的至少一个频繁项进行匹配，其中所述频繁项集包括所述至少一个频繁项的置信度，并且
所述确定单元根据所述至少一个频繁项中与所述多个词语匹配的频繁项的置信度，确定所述预设意图库中的至少一个意图中的每个意图与所述问题的至少一个推荐关联度。
14.根据权利要求10所述的问答交互装置，其特征在于，所述获取模块包括：
处理单元，用于对所述问题进行分词处理，得到多个词语；
匹配单元，用于将所述多个词语中的每个词语与所述预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素进行匹配；以及
执行单元，用于根据匹配结果执行对应的预设分支流程，得到所述分支流程对应的答案。
15.根据权利要求14所述的问答交互装置，其特征在于，所述执行单元确定所述多个词语中的每个词语与所述预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素是否匹配，如果所述多个词语中的每个词语与所述预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素匹配，则输出对应的答案；或者如果所述多个词语中的每个词语与所述预设意图库中的至少一个意图中的每个意图对应的至少一个重要要素不匹配，则采用上下文意图推理方法，获取用于触发答案的至少一个重要要素。
16.根据权利要求10至15中的任一项所述的问答交互装置，其特征在于，还包括：
建库模块，用于根据交互日志中记载的至少一个用户中的每个用户提出的多个问题，采用大数据分析方法，建立所述预设意图库，其中所述预设意图库包括所述至少一个意图中的每个意图与至少一个重要要素的对应关系。
17.根据权利要求10或11所述的问答交互装置，其特征在于，所述发送模块向所述用户推送所述推荐意图的问句，并根据所述用户的反馈，向所述用户发送所述推荐意图的问句对应的答案。
18.根据权利要求10或11所述的问答交互装置，其特征在于，所述发送模块向所述用户推送所述推荐意图的商品内容。
19.一种计算机设备，包括：存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令，其特征在于，所述处理器执行所述可执行指令时实现如权利要求1至9中的任一项所述的问答交互方法。
20.一种计算机可读存储介质，其上存储有计算机可执行指令，其特征在于，所述可执行指令被处理器执行时实现如权利要求1至9中的任一项所述的问答交互方法。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810339766.0A CN108536852B (zh) | 2018-04-16 | 2018-04-16 | 问答交互方法和装置、计算机设备及计算机可读存储介质 |
| PCT/CN2019/081434 WO2019201098A1 (zh) | 2018-04-16 | 2019-04-04 | 问答交互方法和装置、计算机设备及计算机可读存储介质 |
| JP2020556316A JP7127150B2 (ja) | 2018-04-16 | 2019-04-04 | 質問応答インタラクション方法、装置、コンピュータデバイス及びコンピュータ読取可能な記憶媒体 |
| SG11202010179QA SG11202010179QA (en) | 2018-04-16 | 2019-04-04 | Question-answer interaction method and device, computer device and computer readable storage medium |
| PH12020551699A PH12020551699A1 (en) | 2018-04-16 | 2020-10-14 | Question and answer interactive method and apparatus, computer device and computer readable storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810339766.0A CN108536852B (zh) | 2018-04-16 | 2018-04-16 | 问答交互方法和装置、计算机设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108536852A true CN108536852A (zh) | 2018-09-14 |
| CN108536852B CN108536852B (zh) | 2021-07-23 |
Family
ID=63480340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810339766.0A Active CN108536852B (zh) | 2018-04-16 | 2018-04-16 | 问答交互方法和装置、计算机设备及计算机可读存储介质 |
Country Status (5)
| Country | Link |
|---|---|
| JP (1) | JP7127150B2 (zh) |
| CN (1) | CN108536852B (zh) |
| PH (1) | PH12020551699A1 (zh) |
| SG (1) | SG11202010179QA (zh) |
| WO (1) | WO2019201098A1 (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109711948A (zh) * | 2019-01-09 | 2019-05-03 | 广州视源电子科技股份有限公司 | 物品推荐方法、装置、设备及存储介质 |
| CN109753561A (zh) * | 2019-01-16 | 2019-05-14 | 长安汽车金融有限公司 | 一种自动回复的生成方法及装置 |
| CN109871439A (zh) * | 2019-02-18 | 2019-06-11 | 华南理工大学 | 一种基于深度学习的问答社区问题路由方法 |
| CN109902156A (zh) * | 2019-01-09 | 2019-06-18 | 北京小乘网络科技有限公司 | 实体检索方法、存储介质和电子设备 |
| CN109977216A (zh) * | 2019-04-01 | 2019-07-05 | 苏州思必驰信息科技有限公司 | 基于场景的对话推荐方法及系统 |
| WO2019201098A1 (zh) * | 2018-04-16 | 2019-10-24 | 上海智臻智能网络科技股份有限公司 | 问答交互方法和装置、计算机设备及计算机可读存储介质 |
| CN110516051A (zh) * | 2019-07-26 | 2019-11-29 | 北京搜狗科技发展有限公司 | 一种数据处理方法、装置和电子设备 |
| CN110737762A (zh) * | 2019-10-09 | 2020-01-31 | 尹曦 | 一种基于语音交互的老年人个人信息助理系统 |
| CN111046148A (zh) * | 2018-10-11 | 2020-04-21 | 上海智臻智能网络科技股份有限公司 | 智能交互系统及智能客服机器人 |
| CN111488431A (zh) * | 2020-04-08 | 2020-08-04 | 中国银行股份有限公司 | 命中确定方法、装置及系统 |
| CN111581487A (zh) * | 2020-05-11 | 2020-08-25 | 北京字节跳动网络技术有限公司 | 一种信息处理方法及装置 |
| CN111625640A (zh) * | 2020-06-11 | 2020-09-04 | 腾讯科技（深圳）有限公司 | 问答处理方法、装置及存储介质 |
| CN111782965A (zh) * | 2020-06-29 | 2020-10-16 | 北京百度网讯科技有限公司 | 意图推荐方法、装置、设备及存储介质 |
| CN112199489A (zh) * | 2020-11-10 | 2021-01-08 | 平安普惠企业管理有限公司 | 客服系统中消息的处理方法、装置、设备及存储介质 |
| CN112712800A (zh) * | 2020-12-14 | 2021-04-27 | 杭州未名信科科技有限公司 | 应用于充电桩的数据处理方法、装置、存储介质及终端 |
| CN112784146A (zh) * | 2019-11-04 | 2021-05-11 | 北京搜狗科技发展有限公司 | 一种数据处理方法、装置和用于数据处理的装置 |
| CN113766253A (zh) * | 2021-01-04 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 基于虚拟主播的直播方法、装置、设备及存储介质 |
| CN114430490A (zh) * | 2022-01-20 | 2022-05-03 | 阿里巴巴（中国）有限公司 | 直播问答及界面展示方法及计算机存储介质 |
| CN117573985A (zh) * | 2024-01-16 | 2024-02-20 | 四川航天职业技术学院(四川航天高级技工学校) | 一种应用于智能化在线教育系统的信息推送方法及系统 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111309888B (zh) * | 2020-02-25 | 2023-10-24 | 百度在线网络技术（北京）有限公司 | 人机对话方法、装置、电子设备及存储介质 |
| CN111984763B (zh) * | 2020-08-28 | 2023-09-19 | 海信电子科技(武汉)有限公司 | 一种答问处理方法及智能设备 |
| CN112131364B (zh) * | 2020-09-22 | 2024-03-26 | 沈阳东软智能医疗科技研究院有限公司 | 问答方法、装置、电子设备和存储介质 |
| CN117725185B (zh) * | 2024-02-06 | 2024-05-07 | 河北神玥软件科技股份有限公司 | 智能对话生成方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050187915A1 (en) * | 2004-02-06 | 2005-08-25 | Barbara De Lury | Systems, methods and apparatus to determine relevance of search results in whole/part search |
| CN101339551A (zh) * | 2007-07-05 | 2009-01-07 | 日电（中国）有限公司 | 自然语言查询需求扩展设备及其方法 |
| CN102722558A (zh) * | 2012-05-29 | 2012-10-10 | 百度在线网络技术（北京）有限公司 | 一种为用户推荐提问的方法和装置 |
| CN103810218A (zh) * | 2012-11-14 | 2014-05-21 | 北京百度网讯科技有限公司 | 一种基于问题簇的自动问答方法和装置 |
| US20140172626A1 (en) * | 2012-12-13 | 2014-06-19 | Kabushiki Kaisha Toshiba | Recommendation-information providing apparatus and recommendation-information providing method |
| CN104361506A (zh) * | 2014-11-15 | 2015-02-18 | 任坤 | 一种基于用户问答方式的智能推荐商品方法及系统 |
| CN104462553A (zh) * | 2014-12-25 | 2015-03-25 | 北京奇虎科技有限公司 | 问答页面相关问题推荐方法及装置 |
| CN104899188A (zh) * | 2015-03-11 | 2015-09-09 | 浙江大学 | 一种基于问题主题和焦点的问题相似度计算方法 |
| 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 |
| CN106383875A (zh) * | 2016-09-09 | 2017-02-08 | 北京百度网讯科技有限公司 | 基于人工智能的人机交互方法和装置 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5681504B2 (ja) * | 2011-01-14 | 2015-03-11 | 株式会社東芝 | 質問予測装置および質問予測方法 |
| JP2015133047A (ja) * | 2014-01-15 | 2015-07-23 | ソニー株式会社 | 情報処理装置、情報処理方法およびプログラム |
| CN103927354A (zh) * | 2014-04-11 | 2014-07-16 | 百度在线网络技术（北京）有限公司 | 交互式搜索及推荐方法和装置 |
| CN105094315B (zh) * | 2015-06-25 | 2018-03-06 | 百度在线网络技术（北京）有限公司 | 基于人工智能的人机智能聊天的方法和装置 |
| CN106919589A (zh) * | 2015-12-24 | 2017-07-04 | 北京奇虎科技有限公司 | 用户问题分析方法和装置 |
| CN109753560B (zh) * | 2016-11-04 | 2020-08-07 | 上海智臻智能网络科技股份有限公司 | 智能问答系统的信息处理方法及装置 |
| 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 |
| CN107146610B (zh) * | 2017-04-10 | 2021-06-15 | 易视星空科技无锡有限公司 | 一种用户意图的确定方法及装置 |
| CN108536852B (zh) * | 2018-04-16 | 2021-07-23 | 上海智臻智能网络科技股份有限公司 | 问答交互方法和装置、计算机设备及计算机可读存储介质 |
-
2018
- 2018-04-16 CN CN201810339766.0A patent/CN108536852B/zh active Active
-
2019
- 2019-04-04 JP JP2020556316A patent/JP7127150B2/ja active Active
- 2019-04-04 SG SG11202010179QA patent/SG11202010179QA/en unknown
- 2019-04-04 WO PCT/CN2019/081434 patent/WO2019201098A1/zh active Application Filing
-
2020
- 2020-10-14 PH PH12020551699A patent/PH12020551699A1/en unknown
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050187915A1 (en) * | 2004-02-06 | 2005-08-25 | Barbara De Lury | Systems, methods and apparatus to determine relevance of search results in whole/part search |
| CN101339551A (zh) * | 2007-07-05 | 2009-01-07 | 日电（中国）有限公司 | 自然语言查询需求扩展设备及其方法 |
| CN102722558A (zh) * | 2012-05-29 | 2012-10-10 | 百度在线网络技术（北京）有限公司 | 一种为用户推荐提问的方法和装置 |
| CN103810218A (zh) * | 2012-11-14 | 2014-05-21 | 北京百度网讯科技有限公司 | 一种基于问题簇的自动问答方法和装置 |
| US20140172626A1 (en) * | 2012-12-13 | 2014-06-19 | Kabushiki Kaisha Toshiba | Recommendation-information providing apparatus and recommendation-information providing method |
| CN104361506A (zh) * | 2014-11-15 | 2015-02-18 | 任坤 | 一种基于用户问答方式的智能推荐商品方法及系统 |
| CN104462553A (zh) * | 2014-12-25 | 2015-03-25 | 北京奇虎科技有限公司 | 问答页面相关问题推荐方法及装置 |
| CN104899188A (zh) * | 2015-03-11 | 2015-09-09 | 浙江大学 | 一种基于问题主题和焦点的问题相似度计算方法 |
| 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 |
| CN106383875A (zh) * | 2016-09-09 | 2017-02-08 | 北京百度网讯科技有限公司 | 基于人工智能的人机交互方法和装置 |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019201098A1 (zh) * | 2018-04-16 | 2019-10-24 | 上海智臻智能网络科技股份有限公司 | 问答交互方法和装置、计算机设备及计算机可读存储介质 |
| CN111046148A (zh) * | 2018-10-11 | 2020-04-21 | 上海智臻智能网络科技股份有限公司 | 智能交互系统及智能客服机器人 |
| CN109711948A (zh) * | 2019-01-09 | 2019-05-03 | 广州视源电子科技股份有限公司 | 物品推荐方法、装置、设备及存储介质 |
| CN109902156A (zh) * | 2019-01-09 | 2019-06-18 | 北京小乘网络科技有限公司 | 实体检索方法、存储介质和电子设备 |
| CN109753561A (zh) * | 2019-01-16 | 2019-05-14 | 长安汽车金融有限公司 | 一种自动回复的生成方法及装置 |
| CN109871439B (zh) * | 2019-02-18 | 2020-12-22 | 华南理工大学 | 一种基于深度学习的问答社区问题路由方法 |
| CN109871439A (zh) * | 2019-02-18 | 2019-06-11 | 华南理工大学 | 一种基于深度学习的问答社区问题路由方法 |
| CN109977216A (zh) * | 2019-04-01 | 2019-07-05 | 苏州思必驰信息科技有限公司 | 基于场景的对话推荐方法及系统 |
| CN110516051A (zh) * | 2019-07-26 | 2019-11-29 | 北京搜狗科技发展有限公司 | 一种数据处理方法、装置和电子设备 |
| CN110737762A (zh) * | 2019-10-09 | 2020-01-31 | 尹曦 | 一种基于语音交互的老年人个人信息助理系统 |
| CN112784146A (zh) * | 2019-11-04 | 2021-05-11 | 北京搜狗科技发展有限公司 | 一种数据处理方法、装置和用于数据处理的装置 |
| CN111488431A (zh) * | 2020-04-08 | 2020-08-04 | 中国银行股份有限公司 | 命中确定方法、装置及系统 |
| CN111488431B (zh) * | 2020-04-08 | 2023-03-21 | 中国银行股份有限公司 | 命中确定方法、装置及系统 |
| CN111581487B (zh) * | 2020-05-11 | 2023-05-05 | 北京字节跳动网络技术有限公司 | 一种信息处理方法及装置 |
| CN111581487A (zh) * | 2020-05-11 | 2020-08-25 | 北京字节跳动网络技术有限公司 | 一种信息处理方法及装置 |
| CN111625640A (zh) * | 2020-06-11 | 2020-09-04 | 腾讯科技（深圳）有限公司 | 问答处理方法、装置及存储介质 |
| CN111625640B (zh) * | 2020-06-11 | 2023-11-14 | 腾讯科技（深圳）有限公司 | 问答处理方法、装置及存储介质 |
| CN111782965A (zh) * | 2020-06-29 | 2020-10-16 | 北京百度网讯科技有限公司 | 意图推荐方法、装置、设备及存储介质 |
| CN111782965B (zh) * | 2020-06-29 | 2023-08-11 | 北京百度网讯科技有限公司 | 意图推荐方法、装置、设备及存储介质 |
| CN112199489A (zh) * | 2020-11-10 | 2021-01-08 | 平安普惠企业管理有限公司 | 客服系统中消息的处理方法、装置、设备及存储介质 |
| CN112712800A (zh) * | 2020-12-14 | 2021-04-27 | 杭州未名信科科技有限公司 | 应用于充电桩的数据处理方法、装置、存储介质及终端 |
| CN113766253A (zh) * | 2021-01-04 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 基于虚拟主播的直播方法、装置、设备及存储介质 |
| CN114430490A (zh) * | 2022-01-20 | 2022-05-03 | 阿里巴巴（中国）有限公司 | 直播问答及界面展示方法及计算机存储介质 |
| CN117573985A (zh) * | 2024-01-16 | 2024-02-20 | 四川航天职业技术学院(四川航天高级技工学校) | 一种应用于智能化在线教育系统的信息推送方法及系统 |
| CN117573985B (zh) * | 2024-01-16 | 2024-04-05 | 四川航天职业技术学院(四川航天高级技工学校) | 一种应用于智能化在线教育系统的信息推送方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| PH12020551699A1 (en) | 2021-07-12 |
| WO2019201098A1 (zh) | 2019-10-24 |
| JP2021518019A (ja) | 2021-07-29 |
| CN108536852B (zh) | 2021-07-23 |
| SG11202010179QA (en) | 2020-11-27 |
| JP7127150B2 (ja) | 2022-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108536852A (zh) | 问答交互方法和装置、计算机设备及计算机可读存储介质 | |
| US11334635B2 (en) | Domain specific natural language understanding of customer intent in self-help | |
| AU2019200437B2 (en) | A method to build an enterprise-specific knowledge graph | |
| Wijeratne et al. | Emojinet: An open service and api for emoji sense discovery | |
| US9898773B2 (en) | Multilingual content based recommendation system | |
| CN111177569A (zh) | 基于人工智能的推荐处理方法、装置及设备 | |
| Zhao et al. | Sentiment analysis on the online reviews based on hidden Markov model | |
| Tuarob et al. | A product feature inference model for mining implicit customer preferences within large scale social media networks | |
| Nasim et al. | ABSA toolkit: An open source tool for aspect based sentiment analysis | |
| Kejriwal et al. | An evaluation and annotation methodology for product category matching in e-commerce | |
| Tuarob et al. | Automated discovery of product feature inferences within large-scale implicit social media data | |
| Zhu et al. | Intelligent product redesign strategy with ontology-based fine-grained sentiment analysis | |
| US11822609B2 (en) | Prediction of future prominence attributes in data set | |
| CN114255067A (zh) | 数据定价方法和装置、电子设备、存储介质 | |
| Neri-Mendoza et al. | Unsupervised extractive multi-document text summarization using a genetic algorithm | |
| US11983228B1 (en) | Apparatus and a method for the generation of electronic media | |
| CN111126033A (zh) | 文章的回应预测装置及方法 | |
| Hawladar et al. | Amazon product reviews sentiment analysis using supervised learning algorithms | |
| KR102649622B1 (ko) | 브랜드 평판 분석 서비스를 제공하기 위한 방법, 컴퓨터 장치, 및 컴퓨터 프로그램 | |
| Ali et al. | Identifying and Profiling User Interest over time using Social Data | |
| Ayele et al. | A Systematic Literature Review about Idea Mining: The Use of Machine-driven Analytics to Generate Ideas | |
| Ferreira | Workflow recommendation for text classification problems | |
| Mingshan Jr | Leveraging Mobile App Classification and User Context Information for Improving Recommendation Systems | |
| Kjekstad et al. | Semantic user behaviour prediction in online news-applying topic modeling, community detection, and user modeling for news recommendation | |
| Gubbiotti | Tailoring the Knowledge Data Discovery process to e-commerce reviews.= Tailoring the Knowledge Data Discovery process to e-commerce reviews. |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1255831 Country of ref document: HK |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |