CN108733654A - 一种信息处理方法 - Google Patents
一种信息处理方法 Download PDFInfo
- Publication number
- CN108733654A CN108733654A CN201810491332.2A CN201810491332A CN108733654A CN 108733654 A CN108733654 A CN 108733654A CN 201810491332 A CN201810491332 A CN 201810491332A CN 108733654 A CN108733654 A CN 108733654A
- Authority
- CN
- China
- Prior art keywords
- information processing
- relation
- word
- answer
- packet
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种信息处理方法,采用信息处理端接收需要被处理的文本,将文本进行分词,依次得到多个词语;信息处理端根据词语之间的语义关系,将词语合并为多个词包;信息处理端根据词包和文本的句式,编译关系图谱;信息处理端根据关系图谱,自动生成多个问题及对应的答案并保存;信息处理端根据问题和对应的答案与用户端之间进行反馈学习。采用本发明的技术方案,可以使得计算机能从海量信息的互联网数据中获取知识,自动归纳新的概念以及信息之间的联系,使得计算机中的人工智能的知识广度和深度可以做到持续提升。
Description
技术领域
本发明涉及机器学习领域,尤其涉及一种信息处理方法。
背景技术
随着社会技术的发展,机器智能化得到广泛的发展,其中人机交互,信息智能化处理,成为了重要的发展方向。
目前,现有的机器学习方法为将文本看成有序的单词流序列,在这个有序序列上通过计算对文章进行建模表达。对于短句的文本,计算机可以很快地完成对文本信息的学习。但是,现有的机器学习模型缺乏一种能够阅读并分析长句子并做推理的能力,因此不能直接控制计算机学习海量的文本资源,需要消耗大量的时间才能完成对文本的运算和识别,计算机无法有效的获取长段文本的信息,导致计算机自主学习效率收到了极大的限制。
发明内容
针对现有技术中机器学习领域存在的上述问题,现提供一种信息处理方法。
具体技术方案如下:
一种信息处理方法,运用于机器学习领域,包括信息处理端和用户端,所述信息处理端与所述用户端通讯连接,采用以下步骤进行信息处理:
步骤S1:所述信息处理端接收需要被处理的文本,将所述文本进行分词,依次得到多个词语;
步骤S2:所述信息处理端根据所述词语之间的语义关系,将所述词语合并为多个词包;
步骤S3:所述信息处理端根据所述词包和所述文本的句式,编译关系图谱;
步骤S4:所述信息处理端根据所述关系图谱,自动生成多个问题及对应的答案并保存;
步骤S5:所述信息处理端根据所述问题和对应的所述答案与所述用户端之间进行反馈学习。
优选的,所述步骤S2中,依次比对每个所述词语之间的语义关系,将所述语义关系相近的所述词语合并到一个所述词包中。
优选的,所述步骤S3包括以下步骤:
步骤S31:采用所述信息处理端判断所述句式是否为时序类句式;
若非所述时序类句式,则进入步骤S32;
若为所述时序类句式,则进入步骤S33;
步骤S32:将所述文本编译成单个所述关系图谱中;
步骤S33:将所述文本按照所述文本中的标点作为节点分段,并编译成多个按时序排列的所述关系图谱,一个所述关系图谱对应于一段所述文本。
优选的,所述词包包括:
所述实体词包,用于表示所述文本中的主语名词或对象名词;
所述关系词包,用于表示所述实体词包之间的联系;
所述属性词包,用于表示所述实体词包的相关属性。
优选的,所述步骤S3中,编译所述关系图谱采用如下步骤:
步骤S31a:将所述词包根据所述文本的句式拆分为所述实体词包、所述关系词包和所述属性词包;
步骤S32a:以所述实体词包作为节点,以所述关系词包作为相互关联的所述节点之间的有向边,以及以所述属性词包作为与对应的所述节点所连接的属性,得到所述关系图谱。
优选的,所述步骤S3中,在编译完所述关系图谱后设置所述节点与所述有向边的权值,以强化所述词语与所述文本之间的语义联系和所述词语之间的语义联系。
优选的,所述步骤S4包括以下步骤:
步骤S41a:根据所述关系图谱得到多条关系链,每条所述关系链中包括所述关系图谱中相互关联的所述节点,以及所述节点之间的所述有向边和/或所述节点的所述属性;
步骤S42a:针对每条所述关系链,设定所述关系链中的所述节点或者所述有向边或者所述属性作为所述答案,并根据所述关系链中的剩余内容组成问句作为所述问题;
步骤S43a:将所述问题和所述答案存储至所述信息处理端的问题库中。
优选的,针对多个按时序排列的所述关系图谱,所述步骤S4包括以下步骤:
步骤S41b:根据所述关系图谱得到多条关系链,每条所述关系链中包括所述关系图谱中相互关联的所述节点,以及所述节点之间的所述有向边和/或所述节点的所述属性;所述关系图谱之间具有时序关系;
步骤S42b:将两个所述关系图谱的所述关系链进行组合,得到至少一个关联组,所述关联组包括两条分属于不同的所述关系图谱的所述关系链,所述关联组内的所述关系链具有相同的所述节点和/或所述有向边和/或所述属性;针对所述关联组,将所述关系链之间相同的所述节点和/或有所述向边和/或所述属性作为关联项,将所述关系链中的剩余内容作为特殊项;
步骤S43b:针对所述关联组,设定所述关联组中的一个所述关系链的所述特殊项作为所述答案,将所述关联组中的另一个所述关系链和所述时序关系组成问句作为所述问题。
优选的,所述步骤S5包括以下步骤:
步骤S51:所述信息处理端将所述问题逐一发送至所述用户端;
步骤S52:所述用户端显示所述问题,并获取用户针对所述问题的答复;
步骤S53:所述用户端将所述答复反馈至所述信息处理端,所述信息处理端判断所述答复是否匹配对应的所述答案;
若不匹配,则进入步骤S54;
若匹配,则进入步骤S55;
步骤S54:所述信息处理端向所述用户端发送所述问题对应的所述答案,进入步骤S55;
步骤S55:所述信息处理端判断所有的所述问题是否输出完毕;
若输出完毕,则结束问答;
若未输出完毕,则返回步骤S51。
优选的,所述步骤S53中,在判断所述答复是否符合所述答案时,采用如下步骤:
将所述答复与所述答案对应的所述词包内的所述词语进行比对,若存在相同的词语,则所述答复符合所述答案;若不存在相同的词语,则所述答复不符合所述答案。
上述技术方案具有如下优点或有益效果:
通过对文本的学习,建立文本的信息之间的关系图谱,从关系图谱中提取要素自动生成启发式问题,与用户信息反馈学习,可以使得计算机在学习较复杂的内容后,可以记忆文本中的关键信息,并从中推理获得新的信息。采用上述方案,使得计算机可以从海量信息的互联网数据中获取知识,自动归纳新的概念以及信息之间的联系,使得计算机中的人工智能的知识广度和深度可以做到持续提升。
附图说明
参考所附附图,以更加充分的描述本发明的实施例。然而,所附附图仅用于说明和阐述,并不构成对本发明范围的限制。
图1为本发明一种信息处理方法的实施例的流程图;
图2为本发明实施例中确定生成关系图谱类型的流程图;
图3为本发明实施例中生成关系图谱的流程图;
图4为本发明实施例中对于单一关系图谱生成问题和答案的流程图;
图5为本发明实施例中对于多个关系图谱生成问题和答案的流程图;
图6为本发明实施例中进行反馈学习的流程图;
图7为本发明实施例中的关系图谱的示意图;
图8为本发明实施例中的关系图谱的示意图;
图9为本发明实施例中的关系图谱的示意图;
图10为本发明实施例中的关系图谱的示意图;
图11为本发明实施例中的关系图谱的示意图;
图12为本发明实施例中的关系图谱的示意图;
图13为本发明实施例中的关系图谱的示意图。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
本发明一种较佳的实施例中,根据图1所示,一种信息处理方法,运用于机器学习领域,包括信息处理端和用户端,信息处理端与用户端通讯连接,采用以下步骤进行信息处理:
步骤S1:信息处理端接收需要被处理的文本,将文本进行分词,依次得到多个词语;
步骤S2:信息处理端根据词语之间的语义关系,将词语合并为多个词包;
步骤S3:信息处理端根据词包和文本的句式,编译关系图谱;
步骤S4:信息处理端根据关系图谱,自动生成多个问题及对应的答案并保存;
步骤S5:信息处理端根据问题和对应的答案与用户端之间进行反馈学习。
具体地,本实施例中,信息处理端根据文本,建立关系图谱,从关系图谱中提取要素自动生成多个问题和对应的答案,与用户信息反馈学习。采用上述步骤可以使得信息处理端在学习较复杂的内容后,可以记忆文本中的关键信息,并从中推理获得新的信息。进一步地推广至计算机的人工智能中,使得计算机的人工智能可以从海量信息的互联网数据中获取知识,自动归纳新的概念以及信息之间的联系,使得计算机中的人工智能的知识广度和深度可以做到持续提升。
本发明一种较佳的实施例中,步骤S2中,依次比对每个词语之间的语义关系,将语义关系相近的词语合并到一个词包中。
本发明一种较佳的实施例中,根据图2所示,步骤S3包括以下步骤:
步骤S31:采用信息处理端判断句式是否为时序类句式;
若非时序类句式,则进入步骤S32;
若为时序类句式,则进入步骤S33;
步骤S32:将文本编译成单个关系图谱中;
步骤S33:将文本按照文本中的标点作为节点分段,并编译成多个按时序排列的关系图谱,一个关系图谱对应于一段文本。
具体的,采用上述步骤,可以在文本的句式基础上确认生成关系图谱的类型。根据图7和图8所示,分别为单个关系图谱和多个按时序排列的关系图谱。
本发明一种较佳的实施例中,词包包括:
实体词包,用于表示文本中的主语名词或对象名词;
关系词包,用于表示实体词包之间的联系;
属性词包,用于表示实体词包的相关属性。
本发明一种较佳的实施例中,根据图3所示,步骤S3中,编译关系图谱采用如下步骤:
步骤S31a:将词包根据文本的句式拆分为实体词包、关系词包和属性词包;
步骤S32a:以实体词包作为节点,以关系词包作为相互关联的节点之间的有向边,以及以属性词包作为与对应的节点所连接的属性,得到关系图谱。
具体的,本实施例中,在编译关系图谱时,对已获取的词包基础上进行推理可以得到部分基于词包的节点之间的关系,将推理得到的节点之间的关系加入至关系图谱中。
本发明一种较佳的实施例中,步骤S3中,在编译完关系图谱后设置节点与有向边的权值,以强化词语与文本之间的语义联系和词语之间的语义联系。
本发明一种较佳的实施例中,根据图4所示,步骤S4包括以下步骤:
步骤S41a:根据关系图谱得到多条关系链,每条关系链中包括关系图谱中相互关联的节点,以及节点之间的有向边和/或节点的属性;
步骤S42a:针对每条关系链,设定关系链中的节点或者有向边或者属性作为答案,并根据关系链中的剩余内容组成问句作为问题;
步骤S43a:将问题和答案存储至信息处理端的问题库中。
本发明一种较佳的实施例中,针对多个按时序排列的关系图谱,根据图5所示,步骤S4包括以下步骤:
步骤S41b:根据关系图谱得到多条关系链,每条关系链中包括关系图谱中相互关联的节点,以及节点之间的有向边和/或节点的属性;关系图谱之间具有时序关系;
步骤S42b:将两个关系图谱的关系链进行组合,得到至少一个关联组,关联组包括两条分属于不同的关系图谱的关系链,关联组内的关系链具有相同的节点和/或有向边和/或属性;针对关联组,将关系链之间相同的节点和/或有向边和/或属性作为关联项,将关系链中的剩余内容作为特殊项;
步骤S43b:针对关联组,设定关联组中的一个关系链的特殊项作为答案,将关联组中的另一个关系链和时序关系组成问句作为问题。
本发明一种较佳的实施例中,根据图6所示,步骤S5包括以下步骤:
步骤S51:信息处理端将问题逐一发送至用户端;
步骤S52:用户端显示问题,并获取用户针对问题的答复;
步骤S53:用户端将答复反馈至信息处理端,信息处理端判断答复是否匹配对应的答案;
若不匹配,则进入步骤S54;
若匹配,则进入步骤S55;
步骤S54:信息处理端向用户端发送问题对应的答案,进入步骤S55;
步骤S55:信息处理端判断所有的问题是否输出完毕;
若输出完毕,则结束问答;
若未输出完毕,则返回步骤S51。
具体的,采用上述步骤,可以将问题推送至用户,并判断用户反馈信息的准确性,实现了计算机与人员之间的反馈学习。
本发明一种较佳的实施例中,步骤S53中,在判断答复是否符合答案时,采用如下步骤:
将答复与答案对应的词包内的词语进行比对,若存在相同的词语,则答复符合答案;若不存在相同的词语,则答复不符合答案。
本发明一种较佳的实施例中,根据图7所示,文本为:“小明和小红是好朋友。有一天,小红遇到了一个麻烦的问题,于是,她去找聪明的小明。果然,小明就帮助她解决了问题。”
信息处理端进行分词的结果为:“小明”“和”“小红”“是”“好朋友”。“有一天”,“小红”“遇到了”“一个”“麻烦的”“问题”,“于是”,“她”“去找”“聪明的”“小明”。“果然”,“小明”“就”“帮助”“她”“解决了”“问题”。
信息处理端将“小红”和“她”合并为一个词包。
信息处理端根据句式分析,得出文本为非时序类句式。
第一句中,可以得到两个实体词包和一个关系词包,节点设置为“小明”和“小红”,有向边设置为“好朋友”。
第二句中,可以得到两个实体词包和一个关系词包,节点设置为“小红”和“问题”,“问题”具有“麻烦”属性,有向边设置为“遇到了”。实体词包“小红”已经在第一句中出现,所以不用重复添加。
第三句中,可以得到两个实体和一个关系,节点为“小明”和“小红”,“小明”具有“聪明”的属性,有向边设置为“去找”。两个实体词包都已存在,只需添加新的有向边和属性。
第四句中,可以得到三个实体和两个关系,节点为“小明”,“小红”和“问题”,有向边为“帮助”和“解决”。
建立如图7所示的关系图谱。
从如图7所示的关系图谱中提取信息,采用以下步骤生成一个问题及答案:提取“小红”和“好朋友”两个信息,自动生成问题“谁是小红的好朋友?”,对应的答案为“小明”。把问题与对应答案存储到问题库。
在所有问题生成完毕后,进行反馈学习。
本发明一种较佳的实施例中,根据图8至图12所示,文本为:“小明从超市买了一盒牛奶,把牛奶带回了家,然后把牛奶放到了冰箱。小红把牛奶带到客厅,小刚看见就把牛奶喝了。”
信息处理端进行分词的结果为:“小明”“从”“超市”“买了”“一盒”“牛奶”,“把”“牛奶”“带回了”“家”,“然后”“把”“牛奶”“放到了”“冰箱”。“小红”“把”“牛奶”“带到”“客厅”,“小刚”“看见”“就”“把”“牛奶”“喝了”。
信息处理端根据句式分析,得出文本为时序类句式。
根据图8所示,第一句得到实体词包为“小明”,“超市”和“牛奶”,“牛奶”的属性为“一盒”,关系词包为“从”和“买”,推理得出一个关系:“在”,“牛奶”“在”“超市”。
根据图9所示,第二句得到实体词包为“牛奶”和“家”,关系词包为“带回”。推理得到,主语缺失,主语应该是上一句的“小明”。推理出新的关系,“牛奶”“在”“家”。
根据图10所示,第三句得到实体词包为“牛奶”和“冰箱”,关系词包为“放”。推理出主语缺失,应该是上一句的“小明”。推理出新的关系,“牛奶”“在”“冰箱”。
根据图11所示,第四句得到实体词包为“小红”,“牛奶”和“客厅”,关系词包为“带”,推理出两个关系“在”,“牛奶”“在”“客厅”和“小红”“在”“客厅”。
根据图12所示,第五句得到实体词包为“小刚”和“牛奶”,关系词包为“看到”和“喝掉”。但从上关系图谱中可以判断出“牛奶”“在”“客厅”,所以可以推断出,“小刚”“在”“客厅”。
建立后的关系图谱如图8至12。
从关系图谱中提取信息,采用以下步骤:
对于第一句,图8所示的关系图谱,提取“牛奶”,“买”两个信息,可以提出问题“谁买了牛奶?”,对应的答案是“小明”。
根据图10和图11,根据第三句和第四句,也可以提出和时序相关的问题,
其中一个关联组为,“牛奶”“在”“客厅”和“牛奶”“在”“冰箱”;
以“牛奶”“在”“客厅”结合第三句和第四句的时序关系,可以提出问题“牛奶在客厅之前在哪里?”
从第四句的关系图谱中得到,特殊项为“冰箱”,因此,答案为“冰箱”。
在所有问题生成完毕后,进行反馈学习。
本发明一种较佳的实施例中,根据图12所示,文本为:“小红很喜欢自己住的房子,她就带小明来她的家。小明到小红家后,赞美了小红的屋子。”
信息处理端进行分词的结果为:“小红”“很”“喜欢”“自己”“住”“的”“房子”。“她”“就”“带”“小明”“来”“她”“的”“家”。“小明”“到”“小红”“家”“后”,“赞美”“了”“小红”“的”“屋子”
“小红”,“自己”合并为一个词包;“家”“房子”“屋子”合并为一个词包。
第一句中实体词包为“小红”,“自己”和“房子”,关系词包为“喜欢”和“住”。“自己”和“小红”是同一个实体,因此关系图谱中只要画两个实体两种关系。
第二句中实体词包为“她”,“小明”和“家”,关系词包为“带”和“来”。“她”就是“小红”,不需要添加“她”这个实体。
根据现有技术中信息距离算法计算可得,“家”和“房子”的语义相似度很高,此处可以认为是一个实体,不需要添加“家”这个实体,只需添加实体“小明”和两个有向边即可。
第三句中实体词包为“小明”和“家”,关系词包为“到”。“来”和“到”的语义相似度很高且两实体都已经存在,不需要重复添加实体和关系。
第四句实体词包为“屋子”,关系词包为“赞美”,推理出一个实体“小明”。“屋子”和“房子”的语义相似度很高,合并为一个实体词包,因此只需要添加“赞美”这个关系即可。
建立后的关系图谱如图13所示。
图13所示的关系图谱,对于“小红”“喜欢”“家”或“屋子”或“房子”的关系链,提取“小红”和“喜欢”,可以提出问题为“小红喜欢什么?”,对应的答案是“房子”。由于“家”、“屋子”和“房子”为一个词包的内容,因此答案也可以为“家”和“屋子”。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.一种信息处理方法,运用于机器学习领域,其特征在于,包括信息处理端和用户端,所述信息处理端与所述用户端通讯连接,采用以下步骤进行信息处理:
步骤S1:所述信息处理端接收需要被处理的文本,将所述文本进行分词,依次得到多个词语;
步骤S2:所述信息处理端根据所述词语之间的语义关系,将所述词语合并为多个词包;
步骤S3:所述信息处理端根据所述词包和所述文本的句式,编译关系图谱;
步骤S4:所述信息处理端根据所述关系图谱,自动生成多个问题及对应的答案并保存;
步骤S5:所述信息处理端根据所述问题和对应的所述答案与所述用户端之间进行反馈学习。
2.根据权利要求1所述的信息处理方法,其特征在于,所述步骤S2中,依次比对每个所述词语之间的语义关系,将所述语义关系相近的所述词语合并到一个所述词包中。
3.根据权利要求1所述的信息处理方法,其特征在于,所述步骤S3包括以下步骤:
步骤S31:采用所述信息处理端判断所述句式是否为时序类句式;
若非所述时序类句式,则进入步骤S32;
若为所述时序类句式,则进入步骤S33;
步骤S32:将所述文本编译成单个所述关系图谱中;
步骤S33:将所述文本按照所述文本中的标点作为节点分段,并编译成多个按时序排列的所述关系图谱,一个所述关系图谱对应于一段所述文本。
4.根据权利要求3所述的信息处理方法,其特征在于,所述词包包括:
所述实体词包,用于表示所述文本中的主语名词或对象名词;
所述关系词包,用于表示所述实体词包之间的联系;
所述属性词包,用于表示所述实体词包的相关属性。
5.根据权利要求4所述的信息处理方法,其特征在于,所述步骤S3中,编译所述关系图谱采用如下步骤:
步骤S31a:将所述词包根据所述文本的句式拆分为所述实体词包、所述关系词包和所述属性词包;
步骤S32a:以所述实体词包作为节点,以所述关系词包作为相互关联的所述节点之间的有向边,以及以所述属性词包作为与对应的所述节点所连接的属性,得到所述关系图谱。
6.根据权利要求5所述的信息处理方法,其特征在于,所述步骤S3中,在编译完所述关系图谱后设置所述节点与所述有向边的权值,以强化所述词语与所述文本之间的语义联系和所述词语之间的语义联系。
7.根据权利要求5所述的信息处理方法,其特征在于,所述步骤S4包括以下步骤:
步骤S41a:根据所述关系图谱得到多条关系链,每条所述关系链中包括所述关系图谱中相互关联的所述节点,以及所述节点之间的所述有向边和/或所述节点的所述属性;
步骤S42a:针对每条所述关系链,设定所述关系链中的所述节点或者所述有向边或者所述属性作为所述答案,并根据所述关系链中的剩余内容组成问句作为所述问题;
步骤S43a:将所述问题和所述答案存储至所述信息处理端的问题库中。
8.根据权利要求5所述的信息处理方法,其特征在于,针对多个按时序排列的所述关系图谱,所述步骤S4包括以下步骤:
步骤S41b:根据所述关系图谱得到多条关系链,每条所述关系链中包括所述关系图谱中相互关联的所述节点,以及所述节点之间的所述有向边和/或所述节点的所述属性;所述关系图谱之间具有时序关系;
步骤S42b:将两个所述关系图谱的所述关系链进行组合,得到至少一个关联组,所述关联组包括两条分属于不同的所述关系图谱的所述关系链,所述关联组内的所述关系链具有相同的所述节点和/或所述有向边和/或所述属性;针对所述关联组,将所述关系链之间相同的所述节点和/或有所述向边和/或所述属性作为关联项,将所述关系链中的剩余内容作为特殊项;
步骤S43b:针对所述关联组,设定所述关联组中的一个所述关系链的所述特殊项作为所述答案,将所述关联组中的另一个所述关系链和所述时序关系组成问句作为所述问题。
9.根据权利要求1所述的信息处理方法,其特征在于,所述步骤S5包括以下步骤:
步骤S51:所述信息处理端将所述问题逐一发送至所述用户端;
步骤S52:所述用户端显示所述问题,并获取用户针对所述问题的答复;
步骤S53:所述用户端将所述答复反馈至所述信息处理端,所述信息处理端判断所述答复是否匹配对应的所述答案;
若不匹配,则进入步骤S54;
若匹配,则进入步骤S55;
步骤S54:所述信息处理端向所述用户端发送所述问题对应的所述答案,进入步骤S55;
步骤S55:所述信息处理端判断所有的所述问题是否输出完毕;
若输出完毕,则结束问答;
若未输出完毕,则返回步骤S51。
10.根据权利要求9所述的信息处理方法,其特征在于,所述步骤S53中,在判断所述答复是否符合所述答案时,采用如下步骤:
将所述答复与所述答案对应的所述词包内的所述词语进行比对,若存在相同的词语,则所述答复符合所述答案;若不存在相同的词语,则所述答复不符合所述答案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810491332.2A CN108733654A (zh) | 2018-05-21 | 2018-05-21 | 一种信息处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810491332.2A CN108733654A (zh) | 2018-05-21 | 2018-05-21 | 一种信息处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108733654A true CN108733654A (zh) | 2018-11-02 |
Family
ID=63938841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810491332.2A Pending CN108733654A (zh) | 2018-05-21 | 2018-05-21 | 一种信息处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108733654A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505201A (zh) * | 2021-07-29 | 2021-10-15 | 宁波薄言信息技术有限公司 | 一种基于SegaBert预训练模型的合同抽取方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100287228B1 (ko) * | 1999-02-13 | 2001-04-16 | 이경목 | 상호 대화식 언어 학습방법 |
CN104361127A (zh) * | 2014-12-05 | 2015-02-18 | 广西师范大学 | 基于领域本体和模板逻辑的多语种问答接口快速构成方法 |
CN104615755A (zh) * | 2015-02-12 | 2015-05-13 | 北京航空航天大学 | 一种基于众包的新型问答系统 |
CN104657463A (zh) * | 2015-02-10 | 2015-05-27 | 乐娟 | 应用于自动问答系统的问句分类方法及装置 |
CN105095195A (zh) * | 2015-07-03 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 基于知识图谱的人机问答方法和系统 |
CN106447346A (zh) * | 2016-08-29 | 2017-02-22 | 北京中电普华信息技术有限公司 | 一种智能电力客服系统的构建方法及系统 |
CN106997399A (zh) * | 2017-05-24 | 2017-08-01 | 海南大学 | 一种基于数据图谱、信息图谱、知识图谱和智慧图谱关联架构的分类问答系统设计方法 |
CN107958091A (zh) * | 2017-12-28 | 2018-04-24 | 北京贝塔智投科技有限公司 | 一种基于金融垂直知识图谱的nlp人工智能方法及交互系统 |
CN107977393A (zh) * | 2017-05-22 | 2018-05-01 | 海南大学 | 一种面向5w问答的基于数据图谱、信息图谱、知识图谱和智慧图谱的推荐引擎设计方法 |
-
2018
- 2018-05-21 CN CN201810491332.2A patent/CN108733654A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100287228B1 (ko) * | 1999-02-13 | 2001-04-16 | 이경목 | 상호 대화식 언어 학습방법 |
CN104361127A (zh) * | 2014-12-05 | 2015-02-18 | 广西师范大学 | 基于领域本体和模板逻辑的多语种问答接口快速构成方法 |
CN104657463A (zh) * | 2015-02-10 | 2015-05-27 | 乐娟 | 应用于自动问答系统的问句分类方法及装置 |
CN104615755A (zh) * | 2015-02-12 | 2015-05-13 | 北京航空航天大学 | 一种基于众包的新型问答系统 |
CN105095195A (zh) * | 2015-07-03 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 基于知识图谱的人机问答方法和系统 |
CN106447346A (zh) * | 2016-08-29 | 2017-02-22 | 北京中电普华信息技术有限公司 | 一种智能电力客服系统的构建方法及系统 |
CN107977393A (zh) * | 2017-05-22 | 2018-05-01 | 海南大学 | 一种面向5w问答的基于数据图谱、信息图谱、知识图谱和智慧图谱的推荐引擎设计方法 |
CN106997399A (zh) * | 2017-05-24 | 2017-08-01 | 海南大学 | 一种基于数据图谱、信息图谱、知识图谱和智慧图谱关联架构的分类问答系统设计方法 |
CN107958091A (zh) * | 2017-12-28 | 2018-04-24 | 北京贝塔智投科技有限公司 | 一种基于金融垂直知识图谱的nlp人工智能方法及交互系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505201A (zh) * | 2021-07-29 | 2021-10-15 | 宁波薄言信息技术有限公司 | 一种基于SegaBert预训练模型的合同抽取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493166B (zh) | 一种针对电子商务导购场景任务型对话系统的构建方法 | |
CN103853824B (zh) | 一种基于深度语义挖掘的内文广告发布方法与系统 | |
CN103207855B (zh) | 针对产品评论信息的细粒度情感分析系统及方法 | |
Di Francescomarino et al. | Supporting ontology-based semantic annotation of business processes with automated suggestions | |
CN107239512B (zh) | 一种结合评论关系网络图的微博垃圾评论识别方法 | |
Carotenuto et al. | CommunitySpace: Toward flexible support for voluntary knowledge communities | |
CN110019732A (zh) | 一种智能问答方法以及相关装置 | |
Westerski et al. | Exploiting structured linked data in enterprise knowledge management systems: An idea management case study | |
CN102866990A (zh) | 一种主题对话方法和装置 | |
CN105976207A (zh) | 一种基于多属性动态权重分配的信息搜索结果生成方法及系统 | |
CN105975531A (zh) | 基于对话知识库的机器人对话控制方法和系统 | |
CN111191099B (zh) | 一种基于社交媒体的用户活动类型识别方法 | |
CN107967518A (zh) | 一种基于产品设计的知识自动关联系统及方法 | |
Li et al. | Understanding and predicting users’ rating behavior: A cognitive perspective | |
CN110704692A (zh) | 基于图嵌入的员工离职行为预测方法及装置 | |
CN102722569B (zh) | 基于rdf图路径游走的知识发现装置及方法 | |
CN114860916A (zh) | 知识检索方法及装置 | |
Siebert et al. | Estimating value preferences in a hybrid participatory system | |
CN108733654A (zh) | 一种信息处理方法 | |
Zhong et al. | Sustainable supply chain partner selection and order allocation: A hybrid fuzzy PL-TODIM based MCGDM approach | |
Evans et al. | A retrospective view of research in the quality management journal: a thematic and keyword analysis | |
Raundale et al. | Dialog prediction in institute admission: A deep learning way | |
Potena et al. | Mining opinions on the basis of their affectivity | |
CN110717085B (zh) | 一种基于虚拟品牌社区的意见领袖识别方法 | |
Ilievski et al. | Story generation with commonsense knowledge graphs and axioms |
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: 20181102 |