CN108897771B - 自动问答方法、装置、计算机可读存储介质及电子设备 - Google Patents
自动问答方法、装置、计算机可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN108897771B CN108897771B CN201810542325.0A CN201810542325A CN108897771B CN 108897771 B CN108897771 B CN 108897771B CN 201810542325 A CN201810542325 A CN 201810542325A CN 108897771 B CN108897771 B CN 108897771B
- Authority
- CN
- China
- Prior art keywords
- question
- matching
- model
- context
- text
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本公开涉及一种自动问答方法、装置、计算机可读存储介质及电子设备,所述方法包括:当接收到问题时,确定所述问题对应的目标问题文本;将所述目标问题文本与基于剧本对话内容建立的剧本模型中的问题匹配模型进行匹配,其中,所述剧本模型包括至少一个问题匹配模型和每个问题匹配模型各自对应的回答模型;在成功匹配到问题匹配模型时,根据与成功匹配到的所述问题匹配模型对应的回答模型对所述问题进行回答。通过上述技术方案,可以缩减问题匹配的范围,提高问题匹配的效率和精准度。并且,可以提高自动问答方法的回答速度,提升用户使用体验。另外,该自动问答方法可以适用于专业问答系统中,适用性更加广泛,且该方法简单、易于实现。
Description
技术领域
本公开涉及人工智能领域,具体地,涉及一种自动问答方法、装置、计算机可读存储介质及电子设备。
背景技术
近年来,随着人工智能的发展,智能对话系统逐渐兴起,如何能理解人类的语言,并给出相对适合的回答,一直是人工智能领域中的一个重要方向。现今,已有多种智能对话系统出现。然而,现在市面上的智能对话系统并不完善,难以完全理解语义,在与用户的对话中往往会出现错误,没有一款产品能完整地通过图灵测试。
专业对话系统是指一种相对封闭的对话系统,在该对话系统中,只执行本系统认可的对话信息,即适用于一专业领域内的对话系统。
现有技术中,可以基于AIML(Artificial Intelligence Markup Language,人工智能标记语言)实现对话系统。但是基于AIML实现时,模板编写困难、且只能单模式匹配,工作量巨大。
发明内容
本公开的目的是提供一种可以快速匹配的自动问答方法、装置、计算机可读存储介质及电子设备。
为了实现上述目的,根据本公开的第一方面,提供一种自动问答方法,所述方法包括:
当接收到问题时,确定所述问题对应的目标问题文本;
将所述目标问题文本与基于剧本对话内容建立的剧本模型中的问题匹配模型进行匹配,其中,所述剧本模型包括至少一个问题匹配模型和每个问题匹配模型各自对应的回答模型;
在成功匹配到问题匹配模型时,根据与成功匹配到的所述问题匹配模型对应的回答模型对所述问题进行回答。
可选地,所述问题匹配模型包括至少一个问题匹配单元,所述问题匹配单元包括至少一个问题短语组,所述问题短语组包括至少一个问题短语;
所述将所述目标问题文本与剧本模型中的问题匹配模型进行匹配,包括:
将所述目标问题文本分别与每个问题匹配模型下的各个问题短语进行匹配;
当所述目标问题文本在同一问题匹配单元中的各个问题短语组下都成功匹配到问题短语时,确定所述目标问题文本与该问题匹配单元所属的问题匹配模型匹配成功。
可选地,所述目标问题文本成功匹配到的所述问题匹配模型具有对应的上下文处理模型;
所述方法还包括:
在成功匹配到问题匹配模型时,存储该问题匹配模型对应的上下文处理模型。
可选地,所述确定所述问题对应的目标问题文本,包括:
在确定上轮对话中存储了上下文处理模型时,将所述问题对应的文本与所存储的上下文处理模型中的上下文匹配模型进行匹配,其中,所述上下文处理模型包括上下文匹配模型和与该上下文匹配模型对应的上下文替换模板;
在所述问题对应的文本与所述上下文匹配模型匹配成功时,将与所述上下文匹配模型对应的所述上下文替换模板确定为所述目标问题文本;
删除上轮对话中存储的所述上下文处理模型。
可选地,所述上下文匹配模型包括至少一个上下文匹配单元,所述上下文匹配单元包括至少一个上下文短语组,所述上下文短语组包括至少一个上下文短语;
所述将所述问题对应的文本与所存储的上下文处理模型中的上下文匹配模型进行匹配,包括:
将所述问题对应的文本与所述上下文匹配模型下的各个上下文短语进行匹配;
当所述问题对应的文本在同一上下文匹配单元中的各个上下文短语组下都成功匹配到上下文短语时,确定所述问题对应的文本与该上下文匹配单元所属的上下文匹配模型匹配成功。
可选地,所述确定所述问题对应的目标问题文本,还包括:
在确定上轮对话中未存储上下文处理模型时,将所述问题对应的文本确定为所述目标问题文本;或者
在所述问题对应的文本与所述上下文匹配模型匹配失败时,将所述问题对应的文本确定为所述目标问题文本,并执行所述删除上轮对话中存储的所述上下文处理模型的步骤。
可选地,所述回答模型中包括至少一个回答模板;
所述根据与成功匹配到的所述问题匹配模型对应的回答模型对所述问题进行回答,包括:
从成功匹配到的所述问题匹配模型对应的所述回答模型中,选取一个回答模板对所述问题进行回答。
根据本公开的第二方面,提供一种自动问答装置,所述装置包括:
确定模块,用于当接收到问题时,确定所述问题对应的目标问题文本;
匹配模块,用于将所述目标问题文本与基于剧本对话内容建立的剧本模型中的问题匹配模型进行匹配,其中,所述剧本模型包括至少一个问题匹配模型和每个问题匹配模型各自对应的回答模型;
回答模块,用于在成功匹配到问题匹配模型时,根据与成功匹配到的所述问题匹配模型对应的回答模型对所述问题进行回答。
可选地,所述问题匹配模型包括至少一个问题匹配单元,所述问题匹配单元包括至少一个问题短语组,所述问题短语组包括至少一个问题短语;
所述匹配模块包括:
第一匹配子模块,用于将所述目标问题文本分别与每个问题匹配模型下的各个问题短语进行匹配;
第一确定子模块,用于当所述目标问题文本在同一问题匹配单元中的各个问题短语组下都成功匹配到问题短语时,确定所述目标问题文本与该问题匹配单元所属的问题匹配模型匹配成功。
可选地,所述目标问题文本成功匹配到的所述问题匹配模型具有对应的上下文处理模型;
所述装置还包括:
存储模块,用于在成功匹配到问题匹配模型时,存储该问题匹配模型对应的上下文处理模型。
可选地,所述确定模块包括:
第二匹配子模块,用于在确定上轮对话中存储了上下文处理模型时,将所述问题对应的文本与所存储的上下文处理模型中的上下文匹配模型进行匹配,其中,所述上下文处理模型包括上下文匹配模型和与该上下文匹配模型对应的上下文替换模板;
第二确定子模块,用于在所述问题对应的文本与所述上下文匹配模型匹配成功时,将与所述上下文匹配模型对应的所述上下文替换模板确定为所述目标问题文本;
删除子模块,用于删除上轮对话中存储的所述上下文处理模型。
可选地,所述上下文匹配模型包括至少一个上下文匹配单元,所述上下文匹配单元包括至少一个上下文短语组,所述上下文短语组包括至少一个上下文短语;
所述第二匹配子模块包括:
第三匹配子模块,用于将所述问题对应的文本与所述上下文匹配模型下的各个上下文短语进行匹配;
第三确定子模块,用于当所述问题对应的文本在同一上下文匹配单元中的各个上下文短语组下都成功匹配到上下文短语时,确定所述问题对应的文本与该上下文匹配单元所属的上下文匹配模型匹配成功。
可选地,所述确定模块还包括:
第四确定子模块,用于在确定上轮对话中未存储上下文处理模型时,将所述问题对应的文本确定为所述目标问题文本;或者
第五确定子模块,用于在所述问题对应的文本与所述上下文匹配模型匹配失败时,将所述问题对应的文本确定为所述目标问题文本,并触发所述删除子模块删除上轮对话中存储的所述上下文处理模型。
可选地,所述回答模型中包括至少一个回答模板;
所述回答模块用于:
从成功匹配到的所述问题匹配模型对应的所述回答模型中,选取一个回答模板对所述问题进行回答。
根据本公开的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面任一方法的步骤。
根据本公开的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述第一方面任一方法的步骤。
在上述技术方案中,将接收到的问题所对应的目标问题文本与剧本模型中的问题匹配模型进行匹配,在成功匹配到问题匹配模型时,根据与该问题匹配模型对应的回答模型对问题进行回答。通过上述技术方案,可以缩减问题匹配的范围,提高问题匹配的效率和精准度,提高自动问答方法的回答速度,提升用户使用体验。另外,剧本模型是基于剧本对话内容所建立的,因此,在该剧本模型中可以引导用户按照剧本对话内容进行对话,使得本公开的提供的自动问答方法可以适用于专业问答系统中,适用性更加广泛。并且,该方法简单、易于实现,与现有技术中通过AIML实现对话系统相较,可以有效降低对话系统实现的复杂度,并且可以降低工作量,进一步提升用户使用体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据本公开的一种实施方式提供的自动问答方法的流程图;
图2是将目标问题文本与剧本模型中的问题匹配模型进行匹配的一种示例性实现方式的流程图;
图3是确定问题对应的目标问题文本的一种示例性实现方式的流程图;
图4是根据本公开的一种实施方式提供的自动问答装置的框图;
图5是根据本公开的另一种实施方式提供的自动问答装置的匹配模块的框图;
图6是根据本公开的另一种实施方式提供的自动问答装置的确定模块的框图;
图7是根据一示例性实施例示出的一种电子设备的框图;
图8是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
图1所示,为根据本公开的一种实施方式提供的自动问答方法的流程图。如图1所示,所述方法包括:
在S11中,当接收到问题时,确定问题对应的目标问题文本。
其中,所述目标问题文本是基于接收到的问题确定的,其可以是接收到的问题所对应的文本,其中,问题对应的文本为直接将接收到的问题进行语音识别后所获得的文本,也可以是基于该问题对应的文本进行扩展所得的文本。例如,可以结合问题所处的上下文语境对问题对应的文本进行扩展,从而尽可能地保证问题对应的文本所表达的语义的完整性。关于对问题对应的文本进行扩展的具体实施方式,将在下文进行详细描述。
在S12中,将目标问题文本与基于剧本对话内容建立的剧本模型中的问题匹配模型进行匹配,其中,所述剧本模型包括至少一个问题匹配模型和每个问题匹配模型各自对应的回答模型。
首先,对剧本模型进行详细说明。示例地,剧本对话内容中存在以下对话:
Q1:你叫什么名字?
Y:我叫王某某。
为了提高该剧本模型的适用性,问题Q1和以下问题都应该对应于相同的回答:
问题Q2:请问你贵姓?
问题Q3:请介绍一下自己。
问题Q4:请做下自我介绍。
因此,基于上述问题可以确定出剧本模型,如下表1所示:
表1
问题匹配模型QM1 | |
问题匹配单元A | |
问题短语组Aa | |
问题短语Aa1 | 你 |
问题短语Aa2 | 您 |
问题短语组Ab | |
问题短语Ab1 | 叫什么名字 |
问题短语Ab2 | 贵姓 |
问题匹配单元B | |
问题短语组Ba | |
问题短语Ba1 | 自我 |
问题短语Ba2 | 自己 |
问题短语组Bb | |
问题短语Bb1 | 介绍 |
回答模型 | |
回答模板Y1 | 我叫王某某 |
回答模板Y2 | 我的姓名是王某某 |
其中,所述问题匹配模型包括至少一个问题匹配单元,所述问题匹配单元包括至少一个问题短语组,所述问题短语组包括至少一个问题短语。每个问题匹配模型都对应表征唯一一类问题,其中,对应同一回答的各个问题可以被确定为是一类问题,即,问题Q1、Q2、Q3和Q4属于同一问题匹配模型,该问题匹配模型表征的一类问题是“询问名字”;该问题匹配模型下的每个问题匹配单元则分别对应该问题的不同的表述方式,如,问题Q1和Q2的表述方式相同,属于同一问题匹配单元A下,问题Q3和Q4的表述方式相同,属于同一问题匹配单元B下;该问题匹配单元下的各个问题短语组构成一个问题,如,问题匹配单元A下的问题短语组Aa和问题短语组Ab可以组成一个问题(如,你叫什么名字,或者,你贵姓);同一问题短语组的各个问题短语为近义词,如,问题短语组Aa中的问题短语Aa1(即,你)和Aa2(即,您)为近义词。
需要进行说明的是,属于同一剧本模型中的不同问题匹配模型对应的回答模型是不同的。因此,在成功匹配到问题匹配模型,可以唯一确定出对应的回答模型,以对问题进行回答。
在一实施例中,可以通过人工标注的方式获得该剧本模型,例如,通过人工标注的方式将剧本对话内容进行问题短语划分,从而将各个问题短语填写至剧本模型中的相应位置。
在另一实施例中,也可以先通过分词器对剧本内容进行分词,根据分词的词性将词语填入剧本模型中的相应位置,之后通过人工进行确认,从而保证剧本模型的准确性。
基于上述剧本模型,可以对目标问题文本进行匹配,从而确定是否成功匹配到问题匹配模型。可选地,所述将目标问题文本与剧本模型中的问题匹配模型进行匹配的一种示例性实现方式如下,如图2所示,包括:
在S21中,将目标问题文本分别与每个问题匹配模型下的各个问题短语进行匹配;
在S22中,当目标问题文本在同一问题匹配单元中的各个问题短语组下都成功匹配到问题短语时,确定目标问题文本与该问题匹配单元所属的问题匹配模型匹配成功。
在一实施例中,当根据用户U提问的问题“你叫什么名字”确定出目标问题文本为“你叫什么名字”时,将该目标问题文本与每个问题匹配模型下的各个问题短语进行匹配。这样,在表1所示的剧本模型中,该目标问题文本可以匹配到问题短语Aa1(即,你)和问题短语Ab1(即,叫什么名字),其中,问题短语Aa1在问题短语组Aa下,问题短语Ab1在问题短语组Ab下,且问题匹配单元A中只包括问题短语组Aa和问题短语组Ab,也就是在问题匹配单元A下的各个问题短语组,即问题短语组Aa和问题短语组Ab下,该目标问题文本都成功匹配到一个问题短语,此时,可以确定目标问题文本与问题匹配单元A所属的问题匹配模型QM1匹配成功。
可选地,在该匹配过程中,可以采用多模式匹配算法进行模糊匹配。其中,在进行模糊匹配时,可以根据实际的使用需求设置忽略停用词,使得在匹配时可以忽略停用词造成的干扰,从而可以有效提高匹配的效率。其中,多模式匹配算法为现有技术,在此不再赘述。因此,通过上述技术方案,可以快速对目标问题文本进行匹配,提高匹配效率和准确率。
转回图1,在S13中,在成功匹配到问题匹配模型时,根据与成功匹配到的问题匹配模型对应的回答模型对所述问题进行回答。
其中,所述回答模型中可以包括至少一个回答模板;
所述根据与成功匹配到的所述问题匹配模型对应的回答模型对所述问题进行回答的一种示例性实现方式如下,包括:
从成功匹配到的所述问题匹配模型对应的所述回答模型中,选取一个回答模板对所述问题进行回答。
其中,该剧本模型可以适用于不同的场景,不同场景下对应于不同类型的回答模板。在一实施例中,用户可以按照不同的使用场景预先设置不同的回答模板,例如,在教师考核时,可以根据模拟的不同阶段的学生设置不同类型的回答模板,针对小学生可以设置活泼语气的回答模板,针对大学生可以设置严谨语气的回答模板。因此,可以根据对该教师的考核要求,选择回答模板的类型。例如,当该教师在应聘小学教师考核时,可以预先将回答模板设置为小学生类型,从而可以该考核场景更加逼真,从而可以对教师进行更加全面的考核,提高自动问答的专业性和适用性。
在另一实施例中,可以预先设置多种类型的回答模板,如表1中所示,该回答模型中包括回答模板Y1和回答模板Y2,其分别对应不同的类型。在问题匹配模型匹配成功,并选择回答模板对问题进行回答时,在第一轮对话中,在选取回答模板时,可以随机选取一个对问题进行回答,在第二轮及其之后的对话中,可以选取和上轮对话所选取的类型不同的回答模板,示例地,若在对上轮(如,第一轮)问题进行回答时选取的是回答模板Y1对应的类型的回答模板,则在对本轮问题进行回答时,可以选取回答模板Y2对该问题进行回答,从而可以为用户提供不同类型的回答,提高回答的多样性,避免出现基于单一模板回答而使用户感到疲劳应答的问题,提升用户使用体验。
因此,在上述技术方案中,将接收到的问题所对应的目标问题文本与剧本模型中的问题匹配模型进行匹配,在成功匹配到问题匹配模型时,根据与该问题匹配模型对应的回答模型对问题进行回答。通过上述技术方案,可以缩减问题匹配的范围,提高问题匹配的效率和精准度,提高自动问答方法的回答速度,提升用户使用体验。另外,剧本模型是基于剧本对话内容所建立的,因此,在该剧本模型中可以引导用户按照剧本对话内容进行对话,使得本公开的提供的自动问答方法可以适用于专业问答系统中,示例地,可以适用于考核、面试、标准化病人等专业领域中,例如,通过模拟学生可以对教师的职业能力进行考核,通过模拟应聘者可以对面试官的综合能力进行考核,通过模拟病人可以对医生的技术水平进行考核。因此,该方法适用性更加广泛。并且该方法简单、易于实现,与现有技术中通过AIML实现对话系统相较,可以有效降低对话系统实现的复杂度,并且可以降低工作量,进一步提升用户使用体验。
可选地,所述剧本模型还可以包括异常回答模板,所述方法还包括:
在未成功匹配到问题匹配模型时,根据异常回答模板对该问题进行回答。其中,异常回答模板也可以根据不同的应用场景设置有多个。
在一实施例中,在对教师进行考核时,可能需要其按照标准的剧本对话内容进行问答,此时,在未成功匹配到问题匹配模型时,表示该教师的提问方式不符合考核标准,此时,可以根据异常回答模板对问题进行回答,例如,“提问方式不符合标准”。由此,既可以继续对教师进行考核,也可以对其进行提示,保证考核的顺利进行。
在另一实施例中,在智力游戏的过程中,在未成功匹配到问题匹配模型时,表示该问题未被识别,此时,可以根据异常回答模板对问题进行回答,例如,“没有听清问题,请再讲一下”。由此,可以继续游戏的进行,提升用户使用体验。
然而,在对话过程中,用户通常会基于上下文语境而省略某些繁琐的表达方式。而在自动问答过程中,对于省略的表达方式则需要充分考虑该问题的上下文语境,从而确定出该省略的表达方式的完整语义,这样才能够得出准确的回答。
示例地,剧本对话内容中存在如下对话:
用户U1:你在哪里工作?
用户U2:在一家科技公司上班。
用户U1:几年了?
用户U2:三年了。
在上述对话过程中,当用户U1问“几年了”的时候,基于上下文语境,对其想要询问的问题进行了适当的简述。因此,在接收到该问题时,需要考虑该问题对应的上下文语境,否则会由于该问题没有完整的语义而无法得出准确的回答。
在剧本模型中,对于可能存在上下文语境的问题所对应的问题匹配模型中具有对应的上下文处理模型。其中,上下文处理模型用于记录与该问题匹配模型对应的上下文语境。上下文处理模型可以包括上下文匹配模型和与该上下文匹配模型对应的上下文替换模板;所述上下文匹配模型包括至少一个上下文匹配单元,所述上下文匹配单元包括至少一个上下文短语组,所述上下文短语组包括至少一个上下文短语。示例地,上述问题“你在哪里工作”对应的上下文处理模型如下表2所示:
表2
上下文处理模型 | |
上下文替换模板 | 你在那里工作几年了 |
上下文匹配模型QS | |
上下文匹配单元S | |
上下文短语组Sa | |
上下文短语Sa1 | 几年了 |
上下文短语Sa2 | 多久了 |
上下文短语Sa3 | 多长时间了 |
可选地,所述目标问题文本成功匹配到的所述问题匹配模型具有对应的上下文处理模型;所述方法还包括:
在成功匹配到问题匹配模型时,存储该问题匹配模型对应的上下文处理模型。
因此,对于某些可能出现上下文的对话,可以存储上下文语境,即在成功匹配到问题匹配模型时,存储该问题匹配模型对应的上下文处理模型。在该实施例中,在成功匹配到“你在哪里工作”对应的问题匹配模型时,由于在剧本模型中,该问题匹配模型具有对应的上下文处理模型,因此,可以存储该上下文处理模型,从而可以为下轮对话中的问题提供上下文语境,避免下轮对话中的问题由于语义的缺失而出现无法回答的现象,从而可以为问题匹配的健全性和稳定性提供保证,并提高自动问答的准确性和适用性,提升用户使用体验。同时,该确定上下文语境的方式简单、快速,便于实现,进一步提高自动问答方法的处理效率。
在上述实施例中,在成功匹配到问题匹配模型时,存储该问题匹配模型对应的上下文处理模型。因此,在对下轮对话中的问题进行匹配时,则可以基于该上下文处理模型确定目标问题文本,之后再将确定出的目标问题文本与问题匹配模型进行匹配,从而进行回答。
可选地,如图3所示,所述确定问题对应的目标问题文本的一种示例性实现方式如下所示,包括:
在S31中,在确定上轮对话中存储了上下文处理模型时,将问题对应的文本与所存储的上下文处理模型中的上下文匹配模型进行匹配。
可选地,所述将所述问题对应的文本与所存储的上下文处理模型中的上下文匹配模型进行匹配的一种示例性实现方式如下,包括:
将所述问题对应的文本与所述上下文匹配模型下的各个上下文短语进行匹配;
当所述问题对应的文本在同一上下文匹配单元中的各个上下文短语组下都成功匹配到上下文短语时,确定所述问题对应的文本与该上下文匹配单元所属的上下文匹配模型匹配成功。
其中,在上轮对话中,在成功匹配到“你在哪里工作”对应的问题匹配模型时,存储了其对应的上下文处理模型。因此,在接收到问题“几年了”时,可以将问题对应的文本“几年了”与该存储的上下文处理模型进行匹配。
在该实施例中,在将问题对应的文本“几年了”与该存储的上下文处理模型中的各个上下文短语进行匹配时,根据表2所示的上下文处理模型,可以确定该问题对应的文本“几年了”和上下文短语Sa1匹配成功,该问题对应的文本在同一上下文匹配单元中的各个上下文短语组下都成功匹配到上下文短语,由此可以确定该问题对应的文本“几年了”与该上下文匹配单元S所属的上下文匹配模型QS匹配成功。
在S32中,在问题对应的文本与上下文匹配模型匹配成功时,将与上下文匹配模型对应的上下文替换模板确定为目标问题文本。
示例地,基于表2所示上下文处理模型,可以得出与该匹配成功的上下文匹配模型对应的上下文替换模板,因此,将该上下文替换模板确定为目标问题文本,即,将“你在那里工作几年了”确定为目标问题文本,即通过上下文处理模型对问题对应的文本进行扩展,从而确定目标问题文本,之后,便可以将该目标问题文本与问题匹配模型进行匹配。其中,将目标问题文本与问题匹配模型进行匹配的方式在上文已经详细说明,在此不再赘述。
在S33中,删除上轮对话中存储的上下文处理模型。
其中,由于上下文语境通常只在上轮对话与本轮对话中有影响,因此,在问题对应的文本与该已存储的上下文匹配模型匹配成功时,可以删除上轮对话中存储的上下文处理模型,一方面,可以避免该上下文处理模型对后续对话的影响,另一方面,也可以及时清理存储空间,节省内存。
在上述技术方案中,通过将问题对应的文本与上下文处理模型进行匹配,可以在成功匹配到上下文匹配模型时,通过上下文匹配模型对应的上下文替换模板对该问题对应的文本进行扩展,从而可以获得语义完整且没有歧义的目标问题文本,从而可以保证后续成功匹配到的问题匹配模型的精确度,从而保证自动问答的准确性,贴合用户的使用需求,进一步提升用户使用体验。
可选地,所述确定所述问题对应的目标问题文本还可以包括:
在确定上轮对话中未存储上下文处理模型时,将所述问题对应的文本确定为所述目标问题文本;或者
在所述问题对应的文本与所述上下文匹配模型匹配失败时,将所述问题对应的文本确定为所述目标问题文本,并执行所述删除上轮对话中存储的所述上下文处理模型的步骤。
在一实施例中,当上轮对话中未存储上下文处理模型时,表示本轮对话中的问题没有相关联的上下文语境,此时,可以直接将问题对应的文本确定为所述目标问题文本。
在另一实施例中,当上轮对话中存储有上下文处理模型、且在问题对应的文本与上下文匹配模型匹配失败时,表示用户可能并未接续该上下文语境提出与上下文匹配模型所匹配的问题,此时,可以直接将问题对应的文本确定为所述目标问题文本。此外,由于上下文语境只在上轮对话与本轮对话中有影响,因此,在本轮对话中问题对应的文本与存储的上下文匹配模型匹配失败时,可以删除上轮对话中存储的上下文处理模型,可以及时清理内存,并避免影响后续上下文匹配模型的匹配,以有效保证自动问答的准确性。
本公开还提供一种自动问答装置。图4所示,为根据本公开的一种实施方式提供的自动问答装置的框图,如图4所示,所述装置10包括:
确定模块100,用于当接收到问题时,确定所述问题对应的目标问题文本;
匹配模块200,用于将所述目标问题文本与基于剧本对话内容建立的剧本模型中的问题匹配模型进行匹配,其中,所述剧本模型包括至少一个问题匹配模型和每个问题匹配模型各自对应的回答模型;
回答模块300,用于在成功匹配到问题匹配模型时,根据与成功匹配到的所述问题匹配模型对应的回答模型对所述问题进行回答。
可选地,所述问题匹配模型包括至少一个问题匹配单元,所述问题匹配单元包括至少一个问题短语组,所述问题短语组包括至少一个问题短语;
如图5所示,所述匹配模块200包括:
第一匹配子模块201,用于将所述目标问题文本分别与每个问题匹配模型下的各个问题短语进行匹配;
第一确定子模块202,用于当所述目标问题文本在同一问题匹配单元中的各个问题短语组下都成功匹配到问题短语时,确定所述目标问题文本与该问题匹配单元所属的问题匹配模型匹配成功。
可选地,所述目标问题文本成功匹配到的所述问题匹配模型具有对应的上下文处理模型;
所述装置10还包括:
存储模块,用于在成功匹配到问题匹配模型时,存储该问题匹配模型对应的上下文处理模型。
可选地,如图6所示,所述确定模块100包括:
第二匹配子模块101,用于在确定上轮对话中存储了上下文处理模型时,将所述问题对应的文本与所存储的上下文处理模型中的上下文匹配模型进行匹配,其中,所述上下文处理模型包括上下文匹配模型和与该上下文匹配模型对应的上下文替换模板;
第二确定子模块102,用于在所述问题对应的文本与所述上下文匹配模型匹配成功时,将与所述上下文匹配模型对应的所述上下文替换模板确定为所述目标问题文本;
删除子模块103,用于删除上轮对话中存储的所述上下文处理模型。
可选地,所述上下文匹配模型包括至少一个上下文匹配单元,所述上下文匹配单元包括至少一个上下文短语组,所述上下文短语组包括至少一个上下文短语;
所述第二匹配子模块101包括:
第三匹配子模块,用于将所述问题对应的文本与所述上下文匹配模型下的各个上下文短语进行匹配;
第三确定子模块,用于当所述问题对应的文本在同一上下文匹配单元中的各个上下文短语组下都成功匹配到上下文短语时,确定所述问题对应的文本与该上下文匹配单元所属的上下文匹配模型匹配成功。
可选地,所述确定模块100还包括:
第四确定子模块,用于在确定上轮对话中未存储上下文处理模型时,将所述问题对应的文本确定为所述目标问题文本;或者
第五确定子模块,用于在所述问题对应的文本与所述上下文匹配模型匹配失败时,将所述问题对应的文本确定为所述目标问题文本,并触发所述删除子模块删除上轮对话中存储的所述上下文处理模型。
可选地,所述回答模型中包括至少一个回答模板;
所述回答模块用于:
从成功匹配到的所述问题匹配模型对应的所述回答模型中,选取一个回答模板对所述问题进行回答。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图7是根据一示例性实施例示出的一种电子设备700的框图。如图7所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的自动问答方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的自动问答方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的自动问答方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的自动问答方法。
图8是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图8,电子设备1900包括处理器1922,其数量可以为一个或多个,以及存储器1932,用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机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,处理器1922可以被配置为执行该计算机程序,以执行上述的自动问答方法。
另外,电子设备1900还可以包括电源组件1926和通信组件1950,该电源组件1926可以被配置为执行电子设备1900的电源管理,该通信组件1950可以被配置为实现电子设备1900的通信,例如,有线或无线通信。此外,该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的自动问答方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器1932,上述程序指令可由电子设备1900的处理器1922执行以完成上述的自动问答方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (9)
1.一种自动问答方法,其特征在于,所述方法包括:
当接收到问题时,确定所述问题对应的目标问题文本;
将所述目标问题文本与基于剧本对话内容建立的剧本模型中的问题匹配模型进行匹配,其中,所述剧本模型包括至少一个问题匹配模型和每个问题匹配模型各自对应的回答模型;
在成功匹配到问题匹配模型时,根据与成功匹配到的所述问题匹配模型对应的回答模型对所述问题进行回答;
其中,所述问题匹配模型包括至少一个问题匹配单元,所述问题匹配单元包括至少一个问题短语组,所述问题短语组包括至少一个问题短语;
所述将所述目标问题文本与基于剧本对话内容建立的剧本模型中的问题匹配模型进行匹配,包括:
将所述目标问题文本分别与每个问题匹配模型下的各个问题短语进行匹配;
当所述目标问题文本在同一问题匹配单元中的各个问题短语组下都成功匹配到问题短语时,确定所述目标问题文本与该问题匹配单元所属的问题匹配模型匹配成功。
2.根据权利要求1所述的方法,其特征在于,所述目标问题文本成功匹配到的所述问题匹配模型具有对应的上下文处理模型;
所述方法还包括:
在成功匹配到问题匹配模型时,存储该问题匹配模型对应的上下文处理模型。
3.根据权利要求1或2所述的方法,其特征在于,所述确定所述问题对应的目标问题文本,包括:
在确定上轮对话中存储了上下文处理模型时,将所述问题对应的文本与所存储的上下文处理模型中的上下文匹配模型进行匹配,其中,所述上下文处理模型包括上下文匹配模型和与该上下文匹配模型对应的上下文替换模板;
在所述问题对应的文本与所述上下文匹配模型匹配成功时,将与所述上下文匹配模型对应的所述上下文替换模板确定为所述目标问题文本;
删除上轮对话中存储的所述上下文处理模型。
4.根据权利要求3所述的方法,其特征在于,所述上下文匹配模型包括至少一个上下文匹配单元,所述上下文匹配单元包括至少一个上下文短语组,所述上下文短语组包括至少一个上下文短语;
所述将所述问题对应的文本与所存储的上下文处理模型中的上下文匹配模型进行匹配,包括:
将所述问题对应的文本与所述上下文匹配模型下的各个上下文短语进行匹配;
当所述问题对应的文本在同一上下文匹配单元中的各个上下文短语组下都成功匹配到上下文短语时,确定所述问题对应的文本与该上下文匹配单元所属的上下文匹配模型匹配成功。
5.根据权利要求3所述的方法,其特征在于,所述确定所述问题对应的目标问题文本,还包括:
在确定上轮对话中未存储上下文处理模型时,将所述问题对应的文本确定为所述目标问题文本;或者
在所述问题对应的文本与所述上下文匹配模型匹配失败时,将所述问题对应的文本确定为所述目标问题文本,并执行所述删除上轮对话中存储的所述上下文处理模型的步骤。
6.根据权利要求1所述的方法,其特征在于,所述回答模型中包括至少一个回答模板;
所述根据与成功匹配到的所述问题匹配模型对应的回答模型对所述问题进行回答,包括:
从成功匹配到的所述问题匹配模型对应的所述回答模型中,选取一个回答模板对所述问题进行回答。
7.一种自动问答装置,其特征在于,所述装置包括:
确定模块,用于当接收到问题时,确定所述问题对应的目标问题文本;
匹配模块,用于将所述目标问题文本与基于剧本对话内容建立的剧本模型中的问题匹配模型进行匹配,其中,所述剧本模型包括至少一个问题匹配模型和每个问题匹配模型各自对应的回答模型;
回答模块,用于在成功匹配到问题匹配模型时,根据与成功匹配到的所述问题匹配模型对应的回答模型对所述问题进行回答;
所述问题匹配模型包括至少一个问题匹配单元,所述问题匹配单元包括至少一个问题短语组,所述问题短语组包括至少一个问题短语;
所述匹配模块包括:
第一匹配子模块,用于将所述目标问题文本分别与每个问题匹配模型下的各个问题短语进行匹配;
第一确定子模块,用于当所述目标问题文本在同一问题匹配单元中的各个问题短语组下都成功匹配到问题短语时,确定所述目标问题文本与该问题匹配单元所属的问题匹配模型匹配成功。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
9.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810542325.0A CN108897771B (zh) | 2018-05-30 | 2018-05-30 | 自动问答方法、装置、计算机可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810542325.0A CN108897771B (zh) | 2018-05-30 | 2018-05-30 | 自动问答方法、装置、计算机可读存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108897771A CN108897771A (zh) | 2018-11-27 |
CN108897771B true CN108897771B (zh) | 2021-03-12 |
Family
ID=64343624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810542325.0A Active CN108897771B (zh) | 2018-05-30 | 2018-05-30 | 自动问答方法、装置、计算机可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108897771B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740510B (zh) * | 2018-12-29 | 2023-03-24 | 三星电子(中国)研发中心 | 用于输出信息的方法和装置 |
CN113468297B (zh) * | 2020-03-30 | 2024-02-27 | 阿里巴巴集团控股有限公司 | 一种对话数据处理方法、装置、电子设备及存储设备 |
CN111651348B (zh) * | 2020-05-06 | 2023-09-29 | 深圳市人马互动科技有限公司 | 一种聊天机器人的调试系统 |
CN112395887A (zh) * | 2020-11-05 | 2021-02-23 | 北京文思海辉金信软件有限公司 | 对话应答方法、装置、计算机设备和存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424290A (zh) * | 2013-09-02 | 2015-03-18 | 佳能株式会社 | 基于语音的问答系统和用于交互式语音系统的方法 |
US9348817B2 (en) * | 2014-01-09 | 2016-05-24 | International Business Machines Corporation | Automatic generation of question-answer pairs from conversational text |
CN105095444A (zh) * | 2015-07-24 | 2015-11-25 | 百度在线网络技术(北京)有限公司 | 信息获取方法和装置 |
CN106326452A (zh) * | 2016-08-26 | 2017-01-11 | 宁波薄言信息技术有限公司 | 一种基于上下文的人机对话方法 |
CN106357942A (zh) * | 2016-10-26 | 2017-01-25 | 广州佰聆数据股份有限公司 | 基于上下文对话语义识别的智能应答方法及系统 |
CN106649868B (zh) * | 2016-12-30 | 2019-03-26 | 首都师范大学 | 问答匹配方法及装置 |
CN107220380A (zh) * | 2017-06-27 | 2017-09-29 | 北京百度网讯科技有限公司 | 基于人工智能的问答推荐方法、装置和计算机设备 |
CN108010531B (zh) * | 2017-12-14 | 2021-07-27 | 南京美桥信息科技有限公司 | 一种可视智能问询方法及系统 |
-
2018
- 2018-05-30 CN CN201810542325.0A patent/CN108897771B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108897771A (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108897771B (zh) | 自动问答方法、装置、计算机可读存储介质及电子设备 | |
US11080481B2 (en) | Method and device for classifying questions based on artificial intelligence | |
US11190464B2 (en) | Customer care training using chatbots | |
CN105719649B (zh) | 语音识别方法及装置 | |
CN110489756B (zh) | 会话式人机交互口语测评系统 | |
US11157699B2 (en) | Interactive method and apparatus based on test-type application | |
US10607504B1 (en) | Computer-implemented systems and methods for a crowd source-bootstrapped spoken dialog system | |
CN113140138A (zh) | 互动教学方法、装置、存储介质及电子设备 | |
CN108763548A (zh) | 收集训练数据的方法、装置、设备和计算机可读存储介质 | |
CN105976658A (zh) | 一种学习内容复习方法及装置 | |
TWI674517B (zh) | 資訊交互的方法及裝置 | |
Skidmore et al. | Using Alexa for flashcard-based learning | |
CN111428023B (zh) | 话术推荐方法、装置和电子设备 | |
US20190279623A1 (en) | Method for speech recognition dictation and correction by spelling input, system and storage medium | |
JP4659433B2 (ja) | 問題自動作成装置および問題自動作成プログラム | |
CN114841157A (zh) | 基于数据分析的线上互动方法、系统、设备及存储介质 | |
CN115132353A (zh) | 心理问题自动答复模型的生成方法、装置及设备 | |
KR20190070683A (ko) | 강의 콘텐츠 구성 및 제공을 위한 장치 및 방법 | |
KR20000036769A (ko) | 이동통신 단말기(또는 pc 또는 고정단말기)를 이용한외국어 회화 학습 시스템 | |
CN117332071B (zh) | 人机交互的数据处理方法、服务器及存储介质 | |
CN111210673A (zh) | 课程数据处理方法、装置、终端设备及计算机存储介质 | |
Khullar et al. | Costs and Benefits of Conducting Voice-based Surveys Versus Keypress-based Surveys on Interactive Voice Response Systems | |
CN109918651A (zh) | 同义词性模板获取方法及装置 | |
CN115129847B (zh) | 智能回答方法及装置 | |
CN111444729B (zh) | 信息处理的方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |