CN108959404A - 智能追问方法及装置 - Google Patents
智能追问方法及装置 Download PDFInfo
- Publication number
- CN108959404A CN108959404A CN201810574497.6A CN201810574497A CN108959404A CN 108959404 A CN108959404 A CN 108959404A CN 201810574497 A CN201810574497 A CN 201810574497A CN 108959404 A CN108959404 A CN 108959404A
- Authority
- CN
- China
- Prior art keywords
- closely
- question
- information
- text information
- target problem
- 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
- G06F40/205—Parsing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提供了一种智能追问方法及装置,智能追问方法包括:接收第一终端发送的目标问题信息,其中,所述目标问题信息中包含有目标问题文本信息;根据所述目标问题文本信息和预设的机器学习模型,得到包含有多个第一追问文本信息的备选追问集;判断所述备选追问集是否符合预设条件,若是,则将所述目标问题信息和对应的备选追问集发送至第二终端,使得所述第二终端根据指令信息将所述备选追问集中的一个所述第一追问文本信息发送至所述第一终端。本发明能够有效提高追问信息的准确性,并有效提高追问过程的执行效率。
Description
技术领域
本发明涉及信息处理技术领域,具体涉及一种智能追问方法及装置。
背景技术
随着信息化技术的飞速发展,人与人之间的沟通也从原始的对话发展成为现今通过互联网进行有效且便捷的交流,尤其是当事一方用户存在疑问却无法直接获取答案时,可以经互联网将自己的疑问发送至对应目标用户,使得目标用户对当前疑问进行解答。然后,随着部分领域的精细化需要,目标用户无法仅根据单一疑问信息给出准确答案,因此,需要针对该疑问信息进行进一步追问。尤其是在医疗领域,当患者经互联网向医生提出疑问时,为了向患者提供负责且准确的回答,医生需要仿照真实的看诊场景中的追问模式,向患者进一步提出追问,已明确患者的具体病症。
现有技术中,追问用户向提问用户发出追问的方式一般为追问用户在接收到提问用户发送的提问信息后,根据自身经验对该提问信息进行分析,并编辑追问信息,而后将该追问信息发送给提问用户,已完成追问过程。
但是,现有技术中的追问方式,因追问信息为追问用户根据经验编辑所得,因此存在追问信息不准确且追问过程周期长的问题,进而会造成提问用户无法根据追问信息给出准确回答且无法保证提问用户能够及时接收追问信息。
发明内容
针对现有技术中的问题,本发明提供一种智能追问方法及装置,能够有效提高追问信息的准确性,并有效提高追问过程的执行效率。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供一种智能追问方法,所述智能追问方法包括:
接收第一终端发送的目标问题信息,其中,所述目标问题信息中包含有目标问题文本信息;
根据所述目标问题文本信息和预设的机器学习模型,得到包含有多个第一追问文本信息的备选追问集;
判断所述备选追问集是否符合预设条件,若是,则将所述目标问题信息和对应的备选追问集发送至第二终端,使得所述第二终端根据指令信息将所述备选追问集中的一个所述第一追问文本信息发送至所述第一终端。
一实施例中,所述智能追问方法还包括:
若判断获知所述备选追问集不符合预设条件,则向所述第二终端发送提示信息,使得所述第二终端根据该提示信息接收第二追问文本信息,并将所述第二追问文本信息发送至所述第一终端。
一实施例中,所述根据所述目标问题文本信息和预设的机器学习模型,得到包含有多个第一追问文本信息的备选追问集,包括:
对所述目标问题文本信息进行预处理,得到该目标问题文本信息对应的目标字段;
将所述目标字段输入预设的机器学习模型,使得该机器学习模型输出包含有多个问答对的备选问答集,其中,各个所述问答对中均包含有问题文本信息和对应的第一追问文本信息;
以及,根据所述目标问题信息对所述备选问答集进行筛选,得到包含有多个第一追问文本信息的备选追问集。
一实施例中,所述根据所述目标问题信息对所述备选问答集进行筛选,得到包含有多个第一追问文本信息的备选追问集,包括:
在所述问答对中的问题文本信息,筛选出与所述目标问题信息的相似度大于预设值的多个问题文本信息;
以及,将与所述目标问题信息的相似度大于预设值的各个问题文本信息对应的第一追问文本信息组成所述备选追问集。
一实施例中,在所述接收第一终端发送的目标问题信息之前,所述智能追问方法还包括:
对问答对历史数据进行预处理,得到包含有多个问答对的训练集中的正例,其中,各个所述问答对中均包含有问题文本信息和对应的第一追问文本信息;
根据随机组合的问答对确定所述训练集中的负例;
以及,根据由所述正例及负例组成的所述训练集训练模型,得到所述机器学习模型。
一实施例中,所述对问答对历史数据进行预处理,得到包含有多个问答对的训练集中的正例,包括:
根据预设文本长度和关键字规则对问答对历史数据进行内容筛选;
以及,根据问答对历史数据的历史追问来源规则,对经内容筛选后的问答对历史数据进行质量筛选,得到包含有多个问答对的训练集中的正例。
一实施例中,所述目标问题信息中还包含有:图片信息和目标问题文本信息的发送方的档案信息。
第二方面,本发明提供一种智能追问系统,所述智能追问系统包括:
目标问题信息接收模块,用于接收第一终端发送的目标问题信息,其中,所述目标问题信息中包含有目标问题文本信息;
备选追问集获取模块,用于根据所述目标问题文本信息和预设的机器学习模型,得到包含有多个第一追问文本信息的备选追问集;
追问文本信息发送模块,用于判断所述备选追问集是否符合预设条件,若是,则将所述目标问题信息和对应的备选追问集发送至第二终端,使得所述第二终端根据指令信息将所述备选追问集中的一个所述第一追问文本信息发送至所述第一终端。
第三方面,本发明提供一种电子设备,包括第一存储器、第一处理器及存储在第一存储器上并可在第一处理器上运行的计算机程序,所述第一处理器执行所述程序时实现所述智能追问方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被第一处理器执行时实现所述智能追问方法的步骤。
由上述技术方案可知,本发明提供一种智能追问方法,通过接收第一终端发送的目标问题信息,其中,所述目标问题信息中包含有目标问题文本信息;根据所述目标问题文本信息和预设的机器学习模型,得到包含有多个第一追问文本信息的备选追问集;判断所述备选追问集是否符合预设条件,若是,则将所述目标问题信息和对应的备选追问集发送至第二终端,使得所述第二终端根据指令信息将所述备选追问集中的一个所述第一追问文本信息发送至所述第一终端,能够有效提高追问信息的准确性和完整性,并有效提高追问过程的执行效率,且追问过程可靠,能够保证提问用户能够及时接收追问信息,且使得提问用户根据追问信息给出准确回答,有效提高了追问双方的信息交互的有效性和便捷性,也提高了双方用户的用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施一中的智能追问方法的流程示意图。
图2为本发明的第一终端、智能追问系统和第二终端之间的一种实施方式的信息交互示意图。
图3为本发明的包含有步骤400的智能追问方法的流程示意图。
图4为本发明的第一终端、智能追问系统和第二终端之间的另一种实施方式的信息交互示意图。
图5为本发明的智能追问方法中步骤200的具体实施方式的流程示意图。
图6为本发明的智能追问方法中步骤200对应的信息传输示意图。
图7为本发明的智能追问方法中步骤001至003的流程示意图。
图8为本发明的智能追问方法中步骤001至003对应的信息传输示意图。
图9为发明的应用实例中的智能追问方法的信息交互图。
图10为本发明实施二中的智能追问系统的结构示意图。
图11为本发明的包含有提示信息发送模块40的智能追问系统的结构示意图。
图12为本发明的包含有正例确认模块01至模型训练模块03的智能追问系统的结构示意图。
图13为本发明实施三中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整的描述,显然,所描述的实施例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。
本发明的实施例一提供一种智能追问方法的具体实施方式,参见图1和图2,所述智能追问方法具体包括如下内容:
步骤100:接收第一终端发送的目标问题信息,其中,所述目标问题信息中包含有目标问题文本信息。
在步骤100中,所述智能追问系统接收第一终端发送的目标问题信息。可以理解的是,所述智能追问系统可以体现为一种服务器,所述智能追问系统的硬件组成中也可以包括终端设备,所述终端设备可以具有显示功能。具体地,所述终端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。且所述第一终端和第二终端均为前述的终端类型中的一种。
所述服务器可以与所述终端设备进行通信。所述服务器与所述终端设备之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
在上述描述中,提问用户在第一终端中输入目标问题文本信息,所述第一终端将该目标问题文本信息形成目标问题信息,然后将目标问题信息发送至所述智能追问系统,所述智能追问系统接收该目标问题信息。可以理解的是,所述目标问题信息中不但包含有目标问题文本信息,还可以包含有第一终端的账户信息,使得后续第二终端可以通过所述第一终端的账户信息将回复信息发送至所述第一终端,另外,所述目标问题信息中还可以包含有提问用户的档案信息,使得所述智能追问系统也可以结合所述提问用户的档案信息和目标问题文本信息,对提问用户进行更为准确的追问。在此基础上,所述目标问题信息中还可以包含有图片信息,使得所述智能追问系统或追问用户经第二终端能够更为准确地确定追问信息。
在一种具体举例中,若所述第一终端的提问用户为患者,所述第二终端的追问用户为医生,且所述目标问题信息中包含有:目标问题文本信息、账户信息、提问用户的档案信息和图片信息,其中,所述图片信息可以为患者的患处图片信息、用药单图片信息或诊断图片信息等。
步骤200:根据所述目标问题文本信息和预设的机器学习模型,得到包含有多个第一追问文本信息的备选追问集。
在步骤200中,所述智能追问系统根据所述目标问题文本信息和预设的机器学习模型,得到包含有多个第一追问文本信息的备选追问集。可以理解的是,所述预设的机器学习模型可以存储在所述智能追问系统中,且所述备选追问集中的第一追问文本信息的数量为多个,而为了能够保证后续第二终端发送给第一终端的追问文本信息的准确性,所述备选追问集中的第一追问文本信息的数量范围可以为3至100。另外,所述机器学习模型的类型根据具体应用情形及需求可以应用一种数据聚类(K-means)模型,即将一组数据进行分组,使得一个组里面的数据跟别的组里面的数据是有一定的区别,也就是说每一个组即使一个聚类。这种方法经常被用来做数据切分,也就是把一个大的数据集先切割成几个小的数据集,而每一个小的数据集都是一个高度相似的数据集。这样可以帮助分析者从中更好的找到数据之间的内部结构。
步骤300:判断所述备选追问集是否符合预设条件,若是,则将所述目标问题信息和对应的备选追问集发送至第二终端,使得所述第二终端根据指令信息将所述备选追问集中的一个所述第一追问文本信息发送至所述第一终端。
在步骤300中,所述智能追问系统判断所述备选追问集是否符合预设条件,若是,则所述智能追问系统将所述目标问题信息和对应的备选追问集发送至第二终端,之后追问用户在所述第二终端中选择一个目标问题信息,生成指令信息,而后,所述第二终端根据接收到的指令信息将所述备选追问集中的被所述追问用户选择的所述第一追问文本信息发送至所述第一终端。
可以理解的是,所述判断所述备选追问集是否符合预设条件可以为:判断所述备选追问集中的第一追问文本信息是否符合预设数量、判断所述备选追问集中的第一追问文本信息的字数是否符合预设字数、判断所述备选追问集中的第一追问文本信息中的字词组成是否符合包含在预设字词数据库中等。
从上述描述可知,本发明的实施例提供的智能追问方法,能够有效提高追问信息的准确性和完整性,并有效提高追问过程的执行效率,且追问过程可靠,能够保证提问用户能够及时接收追问信息,且使得提问用户根据追问信息给出准确回答,有效提高了追问双方的信息交互的有效性和便捷性,也提高了双方用户的用户体验。
在一种具体实施方式中,本发明还提供所述智能追问方法中步骤300之后执行的步骤400的具体实施方式,参见图3和图4,所述步骤400具体包括如下内容:
在步骤300中的判断所述备选追问集是否符合预设条件,若所述备选追问集不符合预设条件,则执行步骤400:向所述第二终端发送提示信息,使得所述第二终端根据该提示信息接收第二追问文本信息,并将所述第二追问文本信息发送至所述第一终端。
在上述描述中,所述智能追问系统向所述第二终端发送提示信息,且所述提示信息中包含有告知追问用户当前不存在适配于提问用户发送的目标问题信息的追问信息,因此,追问用户可以根据接收到的目标问题信息自行编辑追问文本信息,所述第二终端将追问用户编写的追问文本信息形成的第二追问文本信息,并将所述第二追问文本信息发送至所述第一终端。也就是说,所述第一追问文本信息为所述智能追问系统根据所述机器学习模型给出的追问文本信息,所述第二追问文本信息为追问用户通过第二终端编写的追问文本信息。
从上述描述可知,本发明的实施例提供的智能追问方法,全面地考虑到可能出现的未出现匹配追问信息的情形,能够保证提问用户接收到追问信息,保证了追问过程的可靠性,并提高了提问用户的用户体验。
在一种具体实施方式中,本发明还提供所述智能追问方法中步骤200的具体实施方式,参见图5和图6,所述步骤200具体包括如下内容:
步骤201:对所述目标问题文本信息进行预处理,得到该目标问题文本信息对应的目标字段。
在步骤201中,所述智能追问系统可以根据预设的文本长度和关键字对接收到的所述目标问题文本信息进行预处理,得到该目标问题文本信息对应的目标字段。
步骤202:将所述目标字段输入预设的机器学习模型,使得该机器学习模型输出包含有多个问答对的备选问答集,其中,各个所述问答对中均包含有问题文本信息和对应的第一追问文本信息。
在步骤202中,所述智能追问系统将所述目标字段输入预设的机器学习模型,使得该机器学习模型输出包含有多个问答对的备选问答集。可以理解的是,每个所述问答对中均包含有从问答对历史数据中提取的一个问题文本信息和对应的一个第一追问文本信息。
步骤203:根据所述目标问题信息对所述备选问答集进行筛选,得到包含有多个第一追问文本信息的备选追问集。
在步骤203中,所述智能追问系统根据所述目标问题信息对所述备选问答集进行筛选,得到包含有多个第一追问文本信息的备选追问集。
可以理解的是,所述步骤203具体的实现方式如下:
步骤203-a:在所述问答对中的问题文本信息,筛选出与所述目标问题信息的相似度大于预设值的多个问题文本信息。
步骤203-b:将与所述目标问题信息的相似度大于预设值的各个问题文本信息对应的第一追问文本信息组成所述备选追问集。
其中,所述步骤203-b还可以具体包含有:
(1)将与所述目标问题信息的相似度大于预设值的各个问题文本信息对应的第一追问文本信息进行排序;
(2)在排序后的第一追问文本信息中选取前三个第一追问文本信息,并将该前三个第一追问文本信息组成所述备选追问集。
也就是说,首先获取所述备选问答集,且该备选问答集中包含有多个问答对,而后,将各个问答对中的各个对应得问题文本信息,与目标问题信息进行比较,若相似度值大于预设值(例如,预设值为70%),则将与所述目标问题信息的相似度大于预设值的各个问题文本信息对应的第一追问文本信息组成所述备选追问集,即所述备选追问集中仅存储对应得第一追问文本信息。其中,相似度的判断可以为根据各个所述问答对中的各个对应得问题文本信息与目标问题信息中的相同的关键字词的数量与预设数量来判断,例如,各个所述问答对中存在某一对应得问题文本信息与所述目标问题信息中有5个相同的关键字,而预设数量设置为7,则当前的某一对应得问题文本信息与所述目标问题信息的相似度约为71.4%,且71.4%大于70%,因此,将该某一对应得问题文本信息中的第一追问文本信息选进所述备选追问集。
从上述描述可知,本发明的实施例提供的智能追问方法,能够有效提高追问信息的准确性,并有效提高追问过程的执行效率。
在一种具体实施方式中,本发明还提供所述智能追问方法中步骤001至步骤003的具体实施方式,参见图7和图8,所述步骤001至步骤003具体包括如下内容:
步骤001:对问答对历史数据进行预处理,得到包含有多个问答对的训练集中的正例,其中,各个所述问答对中均包含有问题文本信息和对应的第一追问文本信息。
在步骤001中,所述智能追问系统根据预设文本长度和关键字规则对问答对历史数据进行内容筛选;以及,根据问答对历史数据的历史追问来源规则,对经内容筛选后的问答对历史数据进行质量筛选,得到包含有多个问答对的训练集中的正例。
在一种举例中,若提问用户为患者,追问用户为医生,则所述智能追问系统根据文本长度筛选-为了保证匹配的最佳效果,只选取患者问题文本长度在7~150字符、医生首次回复长度在6~90字符的问答对,其余舍弃;
根据关键词筛选-将医生回复包含错词(总问题量中,词频极小的词)、包含具体日期、建议性的非问句、纯问候等的问答对舍弃;
质量筛选-会舍弃患者差评的问答对、选取医生推荐指数(平台对医生服务态度、专业度、回复速度的综合打分)高于平均的医生的历史问答对。
步骤002:根据随机组合的问答对确定所述训练集中的负例。
可以理解的是,所述步骤001和步骤002的执行顺序不分先后,可以先执行步骤001、先执行步骤002、或者同时执行步骤001及002。
步骤003:根据由所述正例及负例组成的所述训练集训练模型,得到所述机器学习模型。
从上述描述可知,本发明的实施例提供的智能追问方法,通过对训练集数据的准确获取,能够有效提高模型训练的准确性,进而保证后续获取追问信息的准确性,并有效提高追问过程的执行效率。
为进一步的说明本方案,本发明还提供一种智能追问方法的具体应用实例,参见图9,所述智能追问系统为服务器,则所述智能追问具体包括如下内容:
S1:服务器根据预设文本长度和关键字规则对问答对历史数据进行内容筛选。
S2:服务器根据问答对历史数据的历史追问来源规则,对经内容筛选后的问答对历史数据进行质量筛选,得到包含有多个问答对的训练集中的正例,其中,各个所述问答对中均包含有问题文本信息和对应的第一追问文本信息。
S3:服务器根据随机组合的问答对确定所述训练集中的负例。
S4:服务器根据由所述正例及负例组成的所述训练集训练模型,得到所述机器学习模型。
S5:第一终端向服务器发送目标问题信息,其中,所述目标问题信息中包含有目标问题文本信息。
S6:服务器接收第一终端发送的目标问题信息。
S7:服务器对所述目标问题文本信息进行预处理,得到该目标问题文本信息对应的目标字段。
S8:服务器将所述目标字段输入预设的机器学习模型,使得该机器学习模型输出包含有多个问答对的备选问答集,其中,各个所述问答对中均包含有问题文本信息和对应的第一追问文本信息。
S9:服务器在所述问答对中的问题文本信息,筛选出与所述目标问题信息的相似度大于预设值的多个问题文本信息。
S10:服务器将与所述目标问题信息的相似度大于预设值的各个问题文本信息对应的第一追问文本信息组成所述备选追问集。
S11:服务器判断所述备选追问集是否符合预设条件,若是,则执行S12,若否,则执行S15。
S12:服务器将所述目标问题信息和对应的备选追问集发送至第二终端。
S13:第二终端接收目标问题信息、对应的备选追问集和追问用户在所述第二终端中发送的指令信息。
S14:第二终端将所述备选追问集中的一个所述第一追问文本信息发送至所述第一终端。
S15:服务器向所述第二终端发送提示信息。
S16:第二终端接收提示信息及追问用户在第二终端中输入的第二追问文本信息。
S17:第二终端将所述第二追问文本信息发送至所述第一终端。
其中,若提问用户为患者,且患者在第一终端中提出的目标问题文本信息为:“宝宝感冒发烧38.5度,反复咳嗽怎么办”,且所述搜索相似问答对的举例如表1所示:
表1
另外,用机器学习模型给出召回的医生首次回复按语义相似分数,进行排序如表2所示:
表2
从上述描述可知,本发明的应用实例提供的智能追问方法,能够有效提高追问信息的准确性和完整性,并有效提高追问过程的执行效率,且追问过程可靠,能够保证提问用户能够及时接收追问信息,且使得提问用户根据追问信息给出准确回答,有效提高了追问双方的信息交互的有效性和便捷性,也提高了双方用户的用户体验。
本发明的实施例二提供一种用于实现所述智能追问方法的智能追问系统的具体实施方式,参见图10,所述智能追问系统具体包括如下内容:
目标问题信息接收模块10,用于接收第一终端发送的目标问题信息,其中,所述目标问题信息中包含有目标问题文本信息。
备选追问集获取模块20,用于根据所述目标问题文本信息和预设的机器学习模型,得到包含有多个第一追问文本信息的备选追问集。
追问文本信息发送模块30,用于判断所述备选追问集是否符合预设条件,若是,则将所述目标问题信息和对应的备选追问集发送至第二终端,使得所述第二终端根据指令信息将所述备选追问集中的一个所述第一追问文本信息发送至所述第一终端。
本申请提供的智能追问系统的实施例具体可以用于执行上述智能追问方法的实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
从上述描述可知,本发明的实施例提供的智能追问系统,能够有效提高追问信息的准确性和完整性,并有效提高追问过程的执行效率,且追问过程可靠,能够保证提问用户能够及时接收追问信息,且使得提问用户根据追问信息给出准确回答,有效提高了追问双方的信息交互的有效性和便捷性,也提高了双方用户的用户体验。
在一种具体实施方式中,本发明还提供一种智能追问系统的另一种具体实施方式,参见图11,所述智能追问系统还包含有下述内容:
提示信息发送模块40,用于向所述第二终端发送提示信息,使得所述第二终端根据该提示信息接收第二追问文本信息,并将所述第二追问文本信息发送至所述第一终端。
从上述描述可知,本发明的实施例提供的智能追问系统,全面地考虑到可能出现的未出现匹配追问信息的情形,能够保证提问用户接收到追问信息,保证了追问过程的可靠性,并提高了提问用户的用户体验。
在一种具体实施方式中,本发明还提供所述智能追问系统中备选追问集获取模块20的具体实施方式,所述备选追问集获取模块20具体包括如下内容:
目标字段获取单元21,用于对所述目标问题文本信息进行预处理,得到该目标问题文本信息对应的目标字段。
备选问答集确定单元22,用于将所述目标字段输入预设的机器学习模型,使得该机器学习模型输出包含有多个问答对的备选问答集,其中,各个所述问答对中均包含有问题文本信息和对应的第一追问文本信息。
备选追问集获取单元23,用于根据所述目标问题信息对所述备选问答集进行筛选,得到包含有多个第一追问文本信息的备选追问集。
可以理解的是,所述备选追问集获取单元23具体的实现方式如下:
问题文本信息筛选子单元23a,用于在所述问答对中的问题文本信息,筛选出与所述目标问题信息的相似度大于预设值的多个问题文本信息。
备选追问集组成子单元23b,用于将与所述目标问题信息的相似度大于预设值的各个问题文本信息对应的第一追问文本信息组成所述备选追问集。
其中,所述备选追问集组成子单元23b还可以具体用于:
(1)将与所述目标问题信息的相似度大于预设值的各个问题文本信息对应的第一追问文本信息进行排序;
(2)在排序后的第一追问文本信息中选取前三个第一追问文本信息,并将该前三个第一追问文本信息组成所述备选追问集。
从上述描述可知,本发明的实施例提供的智能追问系统,能够有效提高追问信息的准确性,并有效提高追问过程的执行效率。
在一种具体实施方式中,本发明还提供所述智能追问系统中正例确认模块01至模型训练模块03的具体实施方式,参见图12,所述正例确认模块01至模型训练模块03具体包括如下内容:
正例确认模块01,用于对问答对历史数据进行预处理,得到包含有多个问答对的训练集中的正例,其中,各个所述问答对中均包含有问题文本信息和对应的第一追问文本信息。
负例确认模块02,用于根据随机组合的问答对确定所述训练集中的负例。
模型训练模块03,用于根据由所述正例及负例组成的所述训练集训练模型,得到所述机器学习模型。
从上述描述可知,本发明的实施例提供的智能追问系统,通过对训练集数据的准确获取,能够有效提高模型训练的准确性,进而保证后续获取追问信息的准确性,并有效提高追问过程的执行效率。
本申请的实施例三提供能够实现上述实施例一中的智能追问方法中全部步骤的一种电子设备的具体实施方式,参见图13,所述电子设备具体包括如下内容:
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604;
其中,所述处理器601、存储器602、通信接口603通过所述总线1204完成相互间的通信;所述通信接口603用于实现第一终端、智能追问系统以及第二终端等相关设备之间的信息传输;
所述处理器601用于调用所述存储器602中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例一中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:接收第一终端发送的目标问题信息,其中,所述目标问题信息中包含有目标问题文本信息。
步骤200:根据所述目标问题文本信息和预设的机器学习模型,得到包含有多个第一追问文本信息的备选追问集。
步骤300:判断所述备选追问集是否符合预设条件,若是,则将所述目标问题信息和对应的备选追问集发送至第二终端,使得所述第二终端根据指令信息将所述备选追问集中的一个所述第一追问文本信息发送至所述第一终端。
从上述描述可知,本发明的实施例提供的电子设备,能够有效提高追问信息的准确性和完整性,并有效提高追问过程的执行效率,且追问过程可靠,能够保证提问用户能够及时接收追问信息,且使得提问用户根据追问信息给出准确回答,有效提高了追问双方的信息交互的有效性和便捷性,也提高了双方用户的用户体验。
本申请的实施例四提供能够实现上述实施例一中的智能追问方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例一的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:接收第一终端发送的目标问题信息,其中,所述目标问题信息中包含有目标问题文本信息。
步骤200:根据所述目标问题文本信息和预设的机器学习模型,得到包含有多个第一追问文本信息的备选追问集。
步骤300:判断所述备选追问集是否符合预设条件,若是,则将所述目标问题信息和对应的备选追问集发送至第二终端,使得所述第二终端根据指令信息将所述备选追问集中的一个所述第一追问文本信息发送至所述第一终端。
从上述描述可知,本发明的实施例提供的计算机可读存储介质,能够有效提高追问信息的准确性和完整性,并有效提高追问过程的执行效率,且追问过程可靠,能够保证提问用户能够及时接收追问信息,且使得提问用户根据追问信息给出准确回答,有效提高了追问双方的信息交互的有效性和便捷性,也提高了双方用户的用户体验。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。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。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书实施例的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。
Claims (10)
1.一种智能追问方法,其特征在于,所述智能追问方法包括:
接收第一终端发送的目标问题信息,其中,所述目标问题信息中包含有目标问题文本信息;
根据所述目标问题文本信息和预设的机器学习模型,得到包含有多个第一追问文本信息的备选追问集;
判断所述备选追问集是否符合预设条件,若是,则将所述目标问题信息和对应的备选追问集发送至第二终端,使得所述第二终端根据指令信息将所述备选追问集中的一个所述第一追问文本信息发送至所述第一终端。
2.根据权利要求1所述的智能追问方法,其特征在于,所述智能追问方法还包括:
若判断获知所述备选追问集不符合预设条件,则向所述第二终端发送提示信息,使得所述第二终端根据该提示信息接收第二追问文本信息,并将所述第二追问文本信息发送至所述第一终端。
3.根据权利要求1所述的智能追问方法,其特征在于,所述根据所述目标问题文本信息和预设的机器学习模型,得到包含有多个第一追问文本信息的备选追问集,包括:
对所述目标问题文本信息进行预处理,得到该目标问题文本信息对应的目标字段;
将所述目标字段输入预设的机器学习模型,使得该机器学习模型输出包含有多个问答对的备选问答集,其中,各个所述问答对中均包含有问题文本信息和对应的第一追问文本信息;
以及,根据所述目标问题信息对所述备选问答集进行筛选,得到包含有多个第一追问文本信息的备选追问集。
4.根据权利要求3所述的智能追问方法,其特征在于,所述根据所述目标问题信息对所述备选问答集进行筛选,得到包含有多个第一追问文本信息的备选追问集,包括:
在所述问答对中的问题文本信息,筛选出与所述目标问题信息的相似度大于预设值的多个问题文本信息;
以及,将与所述目标问题信息的相似度大于预设值的各个问题文本信息对应的第一追问文本信息组成所述备选追问集。
5.根据权利要求1所述的智能追问方法,其特征在于,在所述接收第一终端发送的目标问题信息之前,所述智能追问方法还包括:
对问答对历史数据进行预处理,得到包含有多个问答对的训练集中的正例,其中,各个所述问答对中均包含有问题文本信息和对应的第一追问文本信息;
根据随机组合的问答对确定所述训练集中的负例;
以及,根据由所述正例及负例组成的所述训练集训练模型,得到所述机器学习模型。
6.根据权利要求5所述的智能追问方法,其特征在于,所述对问答对历史数据进行预处理,得到包含有多个问答对的训练集中的正例,包括:
根据预设文本长度和关键字规则对问答对历史数据进行内容筛选;
以及,根据问答对历史数据的历史追问来源规则,对经内容筛选后的问答对历史数据进行质量筛选,得到包含有多个问答对的训练集中的正例。
7.根据权利要求1所述的智能追问方法,其特征在于,所述目标问题信息中还包含有:图片信息和目标问题文本信息的发送方的档案信息。
8.一种智能追问系统,其特征在于,所述智能追问系统包括:
目标问题信息接收模块,用于接收第一终端发送的目标问题信息,其中,所述目标问题信息中包含有目标问题文本信息;
备选追问集获取模块,用于根据所述目标问题文本信息和预设的机器学习模型,得到包含有多个第一追问文本信息的备选追问集;
追问文本信息发送模块,用于判断所述备选追问集是否符合预设条件,若是,则将所述目标问题信息和对应的备选追问集发送至第二终端,使得所述第二终端根据指令信息将所述备选追问集中的一个所述第一追问文本信息发送至所述第一终端。
9.一种电子设备,包括第一存储器、第一处理器及存储在第一存储器上并可在第一处理器上运行的计算机程序,其特征在于,所述第一处理器执行所述程序时实现权利要求1至6任一项所述智能追问方法的步骤。
10.一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,该计算机程序被第一处理器执行时实现权利要求1至6任一项所述智能追问方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810574497.6A CN108959404A (zh) | 2018-06-06 | 2018-06-06 | 智能追问方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810574497.6A CN108959404A (zh) | 2018-06-06 | 2018-06-06 | 智能追问方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108959404A true CN108959404A (zh) | 2018-12-07 |
Family
ID=64493416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810574497.6A Pending CN108959404A (zh) | 2018-06-06 | 2018-06-06 | 智能追问方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108959404A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685462A (zh) * | 2018-12-21 | 2019-04-26 | 义橙网络科技(上海)有限公司 | 一种人岗匹配方法、装置、系统、设备及介质 |
CN111444701A (zh) * | 2019-01-16 | 2020-07-24 | 阿里巴巴集团控股有限公司 | 问讯提示方法及装置 |
CN111539741A (zh) * | 2020-05-15 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 识别操作风险的方法、系统和非暂时性存储介质 |
CN113110767A (zh) * | 2020-01-10 | 2021-07-13 | 阿里巴巴集团控股有限公司 | 一种交互方法和装置 |
CN115062799A (zh) * | 2022-05-16 | 2022-09-16 | 中国南方电网有限责任公司 | 电网问题管理方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455592A (zh) * | 2013-08-30 | 2013-12-18 | 广州网易计算机系统有限公司 | 一种问答方法、装置及系统 |
CN105912846A (zh) * | 2016-04-07 | 2016-08-31 | 南京小网科技有限责任公司 | 基于云计算和医学知识库技术的智能医疗辅助决策系统 |
US20160253596A1 (en) * | 2015-02-26 | 2016-09-01 | International Business Machines Corporation | Geometry-directed active question selection for question answering systems |
CN107368547A (zh) * | 2017-06-28 | 2017-11-21 | 西安交通大学 | 一种基于深度学习的智能医疗自动问答方法 |
US20170364804A1 (en) * | 2016-06-15 | 2017-12-21 | International Business Machines Corporation | Answer Scoring Based on a Combination of Specificity and Informativity Metrics |
CN107704563A (zh) * | 2017-09-29 | 2018-02-16 | 广州多益网络股份有限公司 | 一种问句推荐方法及系统 |
CN108073600A (zh) * | 2016-11-11 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 一种智能问答交互方法、装置以及电子设备 |
-
2018
- 2018-06-06 CN CN201810574497.6A patent/CN108959404A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455592A (zh) * | 2013-08-30 | 2013-12-18 | 广州网易计算机系统有限公司 | 一种问答方法、装置及系统 |
US20160253596A1 (en) * | 2015-02-26 | 2016-09-01 | International Business Machines Corporation | Geometry-directed active question selection for question answering systems |
CN105912846A (zh) * | 2016-04-07 | 2016-08-31 | 南京小网科技有限责任公司 | 基于云计算和医学知识库技术的智能医疗辅助决策系统 |
US20170364804A1 (en) * | 2016-06-15 | 2017-12-21 | International Business Machines Corporation | Answer Scoring Based on a Combination of Specificity and Informativity Metrics |
CN108073600A (zh) * | 2016-11-11 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 一种智能问答交互方法、装置以及电子设备 |
CN107368547A (zh) * | 2017-06-28 | 2017-11-21 | 西安交通大学 | 一种基于深度学习的智能医疗自动问答方法 |
CN107704563A (zh) * | 2017-09-29 | 2018-02-16 | 广州多益网络股份有限公司 | 一种问句推荐方法及系统 |
Non-Patent Citations (1)
Title |
---|
任传成: "《健康物联网》", 31 October 2015 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685462A (zh) * | 2018-12-21 | 2019-04-26 | 义橙网络科技(上海)有限公司 | 一种人岗匹配方法、装置、系统、设备及介质 |
CN111444701A (zh) * | 2019-01-16 | 2020-07-24 | 阿里巴巴集团控股有限公司 | 问讯提示方法及装置 |
CN113110767A (zh) * | 2020-01-10 | 2021-07-13 | 阿里巴巴集团控股有限公司 | 一种交互方法和装置 |
CN111539741A (zh) * | 2020-05-15 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 识别操作风险的方法、系统和非暂时性存储介质 |
CN111539741B (zh) * | 2020-05-15 | 2023-02-24 | 支付宝(杭州)信息技术有限公司 | 识别操作风险的方法、系统和非暂时性存储介质 |
CN115062799A (zh) * | 2022-05-16 | 2022-09-16 | 中国南方电网有限责任公司 | 电网问题管理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959404A (zh) | 智能追问方法及装置 | |
JP6163607B2 (ja) | イベント知識データベースの構築方法および装置 | |
CN110287313A (zh) | 一种风险主体的确定方法及服务器 | |
CN108984656A (zh) | 医学标签推荐方法及装置 | |
CN110765247A (zh) | 一种用于问答机器人的输入提示方法及装置 | |
CN109617829A (zh) | 一种业务请求数据的处理方法、装置及系统 | |
JP7488871B2 (ja) | 対話推薦方法、装置、電子機器、記憶媒体ならびにコンピュータプログラム | |
CN110489641A (zh) | 一种信息推荐数据处理方法及装置 | |
WO2021185113A1 (zh) | 基于多分析任务的数据分析方法及电子设备 | |
CN108984490A (zh) | 一种数据标注方法、装置、电子设备及存储介质 | |
CN115952272A (zh) | 一种生成对话信息的方法、装置、设备及可读存储介质 | |
CN109086126A (zh) | 任务调度处理方法、装置、服务器、客户端及电子设备 | |
CN117033667A (zh) | 一种知识图谱构建方法、装置、存储介质及电子设备 | |
CN110008394A (zh) | 一种舆情信息的识别方法、装置及设备 | |
CN110059172A (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN109166581A (zh) | 语音识别方法、装置、电子设备及计算机可读存储介质 | |
CN109829033A (zh) | 数据展示方法和终端设备 | |
CN110008398A (zh) | 一种数据分类管理推荐方法及装置 | |
Malek et al. | A multi-layer ubiquitous middleware for bijective adaptation between context and activity in a mobile and collaborative learning | |
CN110147464A (zh) | 视频推荐方法、装置、电子设备及可读存储介质 | |
CN112307371B (zh) | 小程序子服务识别方法、装置、设备及存储介质 | |
CN110166347A (zh) | 一种信息的分享方法、装置及设备 | |
US20190138575A1 (en) | Counterpointing system | |
CN115062629A (zh) | 会话信息的识别方法及装置、存储介质、计算机设备 | |
CN105677823B (zh) | 一种问答整理的方法及装置 |
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: 20181207 |