CN108984527A - 一种基于概念的语义识别方法及装置 - Google Patents
一种基于概念的语义识别方法及装置 Download PDFInfo
- Publication number
- CN108984527A CN108984527A CN201810748970.8A CN201810748970A CN108984527A CN 108984527 A CN108984527 A CN 108984527A CN 201810748970 A CN201810748970 A CN 201810748970A CN 108984527 A CN108984527 A CN 108984527A
- Authority
- CN
- China
- Prior art keywords
- concept
- character string
- word
- path
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
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
本发明公开了一种基于概念的语义识别方法及装置,所述方法包括如下步骤:步骤S1,对待分词的文本进行分词,获得多个已分词字符串;步骤S2,将已分词字符串与语义网的所有节点进行匹配;步骤S3,对成功匹配语义网节点的字符串进行词义消歧处理,得到消歧后的字符串的概念路径,保存于词语概念路径存储库内;步骤S4,输出该待分词的文本的字符串在所述词语概念路径存储库内的相关词语的概念路径,本发明可有效提高文本语义概念识别的准确率和计算速度。
Description
技术领域
本发明涉及自然语言处理技术领域,特别是涉及一种基于概念的语义识别方法及装置。
背景技术
目前,主流的中文分词技术主要有如下两种:
一是机械式分词法(基于词典),机械式分词的原理是将文档中的字符串与词典中的词条进行逐一匹配,如果词典中找到某个字符串,则匹配成功,可以切分,否则不予切分,基于词典的机械分词法,实现简单、实用性强;
二是基于语法和规则的分词法,其基本思想就是在分词的同时进行句法、语义分析,利用句法信息和语义信息来进行词性标注,以解决分词歧义现象。
然而目前的中文分词技术分别存在如下问题:
1、机械分词法的最大缺点就是词典的完备性不能得到保证。首先词典的词汇录入具有时间上的滞后性,其次,词典录入的词不能涵盖所有的人名、地名、机构名等专有名词,而据统计登录词典的词大部分有人名、地名、机构名等专有名词;
2、基于语法和规则的分词法因现有的语法知识、句法规则十分笼统、复杂,基于元和规则的分词法所能达到的精确度还远远不能令人满意。因此目前这种分词系统还处在试验阶段。
发明内容
为克服上述现有技术存在的不足,本发明之目的在于提供一种基于概念的语义识别方法及装置,以有效提高文本语义概念识别的准确率和计算速度。
为达上述目的,本发明提出一种基于概念的语义识别方法,包括如下步骤:
步骤S1,对待分词的文本进行分词,获得多个已分词字符串;
步骤S2,将已分词字符串与语义网的所有节点进行匹配;
步骤S3,对成功匹配语义网节点的字符串进行词义消歧处理,得到消歧后的字符串的概念路径,保存于词语概念路径存储库内;
步骤S4,输出该待分词的文本的字符串在所述词语概念路径存储库内的概念路径。
优选地,于步骤S1中,调用多语言语义网引擎对文本里的字符进行分词。
优选地,于步骤S1之前,还包括如下步骤:对所述待分词的文本进行语种识别,以便步骤S1调用相应的语种的语义网引擎进行分词。
优选地,于步骤S3中,如果成功与该语义网节点匹配的字符串与超过一个语义网节点匹配上,则对该字符串进行词义消歧,将消歧后的该字符串的概念路径R2保存到所述词语概念路径存储库内。
优选地,于步骤S3中,如果成功与语义网节点匹配的字符串只能与语义网中一个节点匹配,则该字符串不需要进行词义消歧,将该字符串的概念路径R1保存到所述词语概念路径存储库内。
为达到上述目的,本发明还提供一种基于概念的语义识别装置,包括如下步骤:
分词单元,用于对待分词的文本进行分词,获得多个已分词字符串;
语义网匹配单元,用于将已分词所有字符串与语义网的所有节点进行匹配;
词义消歧处理单元,用于对成功匹配语义网节点的字符串进行词义消歧处理,得到消歧后的字符串的概念路径,保存于词语概念路径存储库内;
概念路径输出单元,用于输出该待分词的文本的字符串在所述词语概念路径存储库内的概念路径。
优选地,所述分词单元调用多语言语义网引擎对文本里的字符进行分词。
优选地,所述装置还包括语种识别单元,用于对所述待分词的文本进行语种识别,以便所述分词单元调用相应的语种的语义网引擎进行分词。
优选地,如果成功与该语义网节点匹配的字符串与超过一个语义网节点匹配上,所述词义消歧处理单元则对该字符串进行词义消歧,将消歧后的该字符串的概念路径R2保存到所述词语概念路径存储库内。
优选地,如果成功与语义网节点匹配的字符串只能与语义网中一个节点匹配,所述词义消歧处理单元则不对该字符串进行词义消歧,直接将该字符串的概念路径R1保存到所述词语概念路径存储库内。
与现有技术相比,本发明一种基于概念的语义识别方法及装置通过对待分词的文本进行分词,获得多个已分词字符串,然后将已分词字符串与语义网的所有节点进行匹配,并对成功匹配语义网节点的字符串进行词义消歧处理,得到消歧后的字符串的概念路径,并将其保存于词语概念路径存储库内,最后输出该待分词的文本的字符串在所述词语概念路径存储库内的概念路径,解决了文本概念识别准确率不高的问题,可有效提高语义概念识别的准确率和计算速度。
附图说明
图1为本发明一种基于概念的语义识别方法的步骤流程图;
图2为本发明一种基于概念的语义识别方法较佳实施例的步骤流程图;
图3为本发明一种基于概念的语义识别装置的系统架构图;
图4为本发明一种基于概念的语义识别装置较佳实施例的系统架构图
图5为本发明实施例的流程图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本发明的精神下进行各种修饰与变更。
在介绍本发明之前,先说明本发明涉及的概念:
本体(ontology)、也称语义网、语义词典(semantic dictionary)。本体概念来源于哲学领域,“ontology”在国内被译为本体论或存在论,本体论研究万事万物的存在及其本质特征。计算机领域的本体指的是共享概念模型的明确的形式化规范说明。语义网定义了概念以及概念与概念之间的关系,本体使人与人之间、人与计算机之间能基于共享概念进行语言交流。本体作为机器理解人类语言的知识组织方式,可应用于知识表示、知识推理和知识共享等方面。
词性标注(Part-of-Speech Tagging或POS Tagging),又称为词类标注,是指判断出一个句子中每个词所扮演的语法角色。例如,表示人、事物,地点或抽象概念的名称就是名词;表示动作或状态变化的词为动词;用来描写或修饰名词性成份或表示概念的性质、状态、特征或属性的词称为形容词,等。
语义网节点匹配,语义网节点是语义网中互相联系的概念中的某个概念,语义网节点匹配指文本出现的概念与语义网节点进行匹配。
词义消歧(Word Sense Disambiguation,WSD),是指计算机根据特定的上下文环境来自动地选择出多义词中最恰当的义项的过程。
语义网引擎:这是一个在语义网的基础上结合词典、统计和模型的引擎,可以用于中文分词、语义网匹配、词义消歧、语义计算。
语种识别:通过自然语言处理技术识别输入的文本所属的语种。
分词:在分析文本之前必须将文本中的段落、句子划分成一个个词汇。这个过程称为分词
语言处理包:含有多个语种的数据,可用于识别多种语种。
图1为本发明一种基于概念的语义识别方法的步骤流程图。如图1所示,本发明一种基于概念的语义识别方法,包括如下步骤:
步骤S1,对待分词的文本进行分词,获得多个已分词字符串。
在本发明具体实施例中,调用多语言语义网引擎对文本里的字符串进行分词,具体地,调用语义网引擎,使用词典、统计、模型等多种方法对文本的字符串分词,并将已分词的字符串保存到内部存储单元,执行下一步骤。
以待分词的文本为中文文本为例,假设输入中文文本“人才培养是本科教育的第一要务”作为待分词的文本,利用中文的语义网引擎对其进行分词,获得已分词字符串“人才/培养/是/本科/教育/的/第一/要务”,并将其保存到内部存储单元。
步骤S2,将已分词字符串与语义网的所有节点进行匹配。也就是说,将各已分词字符串逐一与语义网的所有节点一一进行匹配,获得与语义网节点成功匹配的字符串,并将其存储。
具体地,对于已分词字符串“人才/培养/是/本科/教育/的/第一/要务”,将其一一与语义网所有节点进行匹配,假设“人才”、“培养”、“教育”这三个概念可以与语义网节点得以匹配,将成功与语义网节点匹配的字符串保存到内部存储,即将“人才”、“培养”、“教育”保存到内部存储。
步骤S3,对成功匹配语义网节点的字符串进行词义消歧处理,得到消歧后的字符串的概念路径,并保存在内部存储单元,例如词语概念路径存储库中。
具体地说,如果成功与语义网节点匹配的字符串能与超过一个语义网节点匹配上,则对该字符串进行词义消歧,将消歧后的该字符串的概念路径R2保存到词语概念路径存储库内。
如果成功与语义网节点匹配的字符串只能与语义网中一个节点匹配,则该字符串不需要进行词义消歧,直接将该字符串的概念路径R1保存到词语概念路径存储库内。
以成功匹配语义网节点的字符串为“人才”、“培养”、“教育”为例,假设“培养”能与两个语义网节点进行匹配,“人才”、“教育”只能与语义网中一个节点匹配,“培养”在语义网中出现两条概念路径:1、THING/社会活动/文教/教学/培养;2、THING/社会活动/生产/畜牧/培养,则需对其进行词义消歧处理,最后将消歧后的概念路径1保存到词语概念路径存储库中,而对于“人才”、“教育”,则不需进行词义消歧处理,则将其概念路径“THING/人/个体状况/才识/人才”、“THING/社会活动/文教/教学/教育”保存到词语概念路径存储库中。
步骤S4,输出该待分词的文本的字符串在内部存储单元内的相关词语的概念路径。以待分词中文文本“人才培养是本科教育的第一要务”为例,则输出该中文文本的文字的概念路径分别为:THING/人/个体状况/才识/人才、THING/社会活动/文教/教学/培养、THING/社会活动/文教/教学/教育。
优选地,如图2所示,于步骤S1之前,本发明之基于概念的语义识别方法还包括如下步骤:
步骤S0,对所述待分词的文本进行语种识别,以便步骤S1调用相应的语种的语义网引擎进行分词。
具体地,于步骤S0中,语种识别的步骤如下:识别待分词的文本里的字符所属的语种;调用含有多语种数据的语言处理包,根据语言编码特征识别待分词的文本所属的语种。
图3为本发明一种基于概念的语义识别装置的系统架构图。如图3所示,本发明一种基于概念的语义识别装置,包括:
分词单元201,用于对待分词的文本进行分词,获得多个已分词字符串。
在本发明具体实施例中,分词单元201调用多语言语义网引擎对文本里的字符串进行分词,具体地,调用语义网引擎,使用词典、统计、模型等多种方法对文本的字符串分词,并将已分词的字符串保存到内部存储单元。
语义网匹配单元202,用于将已分词字符串与语义网的所有节点进行匹配。也就是说,语义网匹配单元202将各已分词字符串逐一与语义网的所有节点一一进行匹配,获得与语义网节点成功匹配的字符串,并将其存储。
词义消歧处理单元203,用于对成功匹配语义网节点的字符串进行词义消歧处理,得到消歧后的字符串的概念路径,并存储于内部存储单元,即词语概念路径存储库中。
具体地说,如果成功与语义网节点匹配的字符串能与超过一个语义网节点匹配上,词义消歧处理单元203则对该字符串进行词义消歧,并将消歧后的该字符串的概念路径R2保存到词语概念路径存储库内。
如果成功与语义网节点匹配的字符串只能与语义网中一个节点匹配,则该字符串不需要进行词义消歧,词义消歧处理单元203则不对该字符串进行词义消歧处理,直接将该字符串的概念路径R1保存到词语概念路径存储库内。
概念路径输出单元204,用于输出该待分词的文本的字符串在词语概念路径存储库内的相关词语的概念路径。
优选地,如图4所示,本发明之基于概念的语义识别装置还包括:
语种识别单元200,用于对待分词的文本进行语种识别,以便分词单元201调用相应的语种的语义网引擎进行分词。
在本发明具体实施例中,语种识别单元200具体用于:识别待分词的文本里的字符所属的语种;调用含有多语种数据的语言处理包,根据语言编码特征识别待分词的文本所属的语种。
图5为本发明实施例的流程图。以下将配合图5来进一步说明本发明:
在本实施例中,以中文文本为例,假设输入中文文本“人才培养是本科教育的第一要务”,然后执行如下步骤1;
步骤1,语种识别
识别所输入文本里的文字所属的语种;
调用含有多语种数据的语言处理包,根据语言编码特征识别文本里的文字所属语种。本实施例中,通过调用语言处理包识别出“人才培养是本科教育的第一要务”所属的语种为汉语
步骤2:分词
根据步骤1的识别的语种为汉语,调用汉语语义网引擎对该文本里的文字进行分词。具体地,调用汉语语义网引擎,使用词典、统计、模型多种方法对该文本里的文字进行分词。本实施例中,对“人才培养是本科教育的第一要务”进行分词,分词结果为“人才/培养/是/本科/教育/的/第一/要务”;
分词完毕后,将已分词的字符串保存到内部存储单元,执行下一步骤;即将已分词字符串“人才/培养/是/本科/教育/的/第一/要务”保存到内部存储单元,并执行下一步骤;
步骤3:语义网节点匹配
将已分词字符串与语义网的所有节点进行匹配,即“人才/培养/是/本科/教育/的/第一/要务”与语义网进行匹配,其中“人才”、“培养”、“教育”这三个概念可以与语义网进行匹配;
将已与语义网匹配的字符串保存到内部存储单元,即将“人才”、“培养”、“教育”保存到内部存储单元,执行下一步骤;
步骤3:词义消歧处理
如果已与语义网匹配的字符串能够与超过一个语义网节点匹配上,则对该字符串进行词义消歧,将消歧后的该字符串的概念路径R2保存到内部存储,然后再保存到词语概念路径存储库内。假设“培养”在语义网中可以匹配到两个节点,其有两条概念路径分别为1.THING/社会活动/文教/教学/培养,2.THING/社会活动/生产/畜牧/培养,则需词义消歧处理,进入词义消歧环节,消歧后“培养”在文本中的概念路径为概念路径1,即:THING/社会活动/文教/教学/培养,将这条路径保存到词语概念路径存储库内;
如果已与语义网匹配的字符串只能与语义网中一个节点匹配,则该字符串不需要进行词义消歧,将该字符串的概念路径R1保存到内部存储单元,然后再保存到词语概念路径存储库内,即“人才”、“教育”的路径分别为:“THING/人/个体状况/才识/人才”、“THING/社会活动/文教/教学/教育”。将这两条路径保存到词语概念路径存储库内;
步骤4:输出该中文文本中文字的概念路径
输出该中文文本的文字在词语概念路径存储库内的相关词语的概念路径。对于该中文文本“人才培养是本科教育的第一要务”,则其概念路径分别为:THING/社会活动/文教/教学/培养,THING/人/个体状况/才识/人才,THING/社会活动/文教/教学/教育。
综上所述,本发明一种基于概念的语义识别方法及装置通过对待分词的文本进行分词,获得多个已分词字符串,然后将已分词字符串与语义网的所有节点进行匹配,并对成功匹配语义网节点的字符串进行词义消歧处理,得到消歧后的字符串的概念路径,并将其保存于词语概念路径存储库内,最后输出该待分词的文本的字符串在所述词语概念路径存储库内的概念路径,解决了文本概念识别准确率不高的问题,可有效提高语义概念识别的准确率和计算速度。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下,对上述实施例进行修饰与改变。因此,本发明的权利保护范围,应如权利要求书所列。
Claims (10)
1.一种基于概念的语义识别方法,包括如下步骤:
步骤S1,对待分词的文本进行分词,获得多个已分词字符串;
步骤S2,将已分词字符串与语义网的所有节点进行匹配;
步骤S3,对成功匹配语义网节点的字符串进行词义消歧处理,得到消歧后的字符串的概念路径,保存于词语概念路径存储库内;
步骤S4,输出该待分词的文本的字符串在所述词语概念路径存储库内的概念路径。
2.如权利要求1所述的一种基于概念的语义识别方法,其特征在于:于步骤S1中,调用多语言语义网引擎对文本里的字符进行分词。
3.如权利要求2所述的一种基于概念的语义识别方法,其特征在于:于步骤S1之前,还包括如下步骤:对所述待分词的文本进行语种识别,以便步骤S1调用相应的语种的语义网引擎进行分词。
4.如权利要求1所述的一种基于概念的语义识别方法,其特征在于:于步骤S3中,如果成功与该语义网节点匹配的字符串与超过一个语义网节点匹配上,则对该字符串进行词义消歧,将消歧后的该字符串的概念路径R2保存到所述词语概念路径存储库内。
5.如权利要求4所述的一种基于概念的语义识别方法,其特征在于:于步骤S3中,如果成功与语义网节点匹配的字符串只能与语义网中一个节点匹配,则该字符串不需要进行词义消歧,将该字符串的概念路径R1保存到所述词语概念路径存储库内。
6.一种基于概念的语义识别装置,包括如下步骤:
分词单元,用于对待分词的文本进行分词,获得多个已分词字符串;
语义网匹配单元,用于将已分词所有字符串与语义网的所有节点进行匹配;
词义消歧处理单元,用于对成功匹配语义网节点的字符串进行词义消歧处理,得到消歧后的字符串的概念路径,保存于词语概念路径存储库内;
概念路径输出单元,用于输出该待分词的文本的字符串在所述词语概念路径存储库内的概念路径。
7.如权利要求6所述的一种基于概念的语义识别装置,其特征在于:所述分词单元调用多语言语义网引擎对文本里的字符进行分词。
8.如权利要求7所述的一种基于概念的语义识别装置,其特征在于:所述装置还包括语种识别单元,用于对所述待分词的文本进行语种识别,以便所述分词单元调用相应的语种的语义网引擎进行分词。
9.如权利要求6所述的一种基于概念的语义识别装置,其特征在于:如果成功与该语义网节点匹配的字符串与超过一个语义网节点匹配上,所述词义消歧处理单元则对该字符串进行词义消歧,将消歧后的该字符串的概念路径R2保存到所述词语概念路径存储库内。
10.如权利要求9所述的一种基于概念的语义识别方法,其特征在于:如果成功与语义网节点匹配的字符串只能与语义网中一个节点匹配,所述词义消歧处理单元则不对该字符串进行词义消歧,直接将该字符串的概念路径R1保存到所述词语概念路径存储库内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810748970.8A CN108984527A (zh) | 2018-07-10 | 2018-07-10 | 一种基于概念的语义识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810748970.8A CN108984527A (zh) | 2018-07-10 | 2018-07-10 | 一种基于概念的语义识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108984527A true CN108984527A (zh) | 2018-12-11 |
Family
ID=64536674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810748970.8A Pending CN108984527A (zh) | 2018-07-10 | 2018-07-10 | 一种基于概念的语义识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108984527A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306144A (zh) * | 2011-07-18 | 2012-01-04 | 南京邮电大学 | 一种基于语义词典的词语消歧方法 |
CN102663122A (zh) * | 2012-04-20 | 2012-09-12 | 北京邮电大学 | 基于突发事件本体的语义查询扩展算法 |
CN104103026A (zh) * | 2013-04-11 | 2014-10-15 | 中国中医科学院中国医史文献研究所 | 基于知识元的中医概念关注度和相关度的计算系统及方法 |
CN104462063A (zh) * | 2014-12-12 | 2015-03-25 | 武汉大学 | 基于语义位置模型的位置信息结构化提取方法及系统 |
CN105701253A (zh) * | 2016-03-04 | 2016-06-22 | 南京大学 | 中文自然语言问句语义化的知识库自动问答方法 |
-
2018
- 2018-07-10 CN CN201810748970.8A patent/CN108984527A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306144A (zh) * | 2011-07-18 | 2012-01-04 | 南京邮电大学 | 一种基于语义词典的词语消歧方法 |
CN102663122A (zh) * | 2012-04-20 | 2012-09-12 | 北京邮电大学 | 基于突发事件本体的语义查询扩展算法 |
CN104103026A (zh) * | 2013-04-11 | 2014-10-15 | 中国中医科学院中国医史文献研究所 | 基于知识元的中医概念关注度和相关度的计算系统及方法 |
CN104462063A (zh) * | 2014-12-12 | 2015-03-25 | 武汉大学 | 基于语义位置模型的位置信息结构化提取方法及系统 |
CN105701253A (zh) * | 2016-03-04 | 2016-06-22 | 南京大学 | 中文自然语言问句语义化的知识库自动问答方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arora et al. | Character level embedding with deep convolutional neural network for text normalization of unstructured data for Twitter sentiment analysis | |
Kumar | Natural language processing | |
CN110337645B (zh) | 可适配的处理组件 | |
JP2022539138A (ja) | 自然言語理解(nlu)フレームワークを使用して意味探索を実行するシステムおよび方法 | |
Orosz et al. | PurePos 2.0: a hybrid tool for morphological disambiguation | |
CN108549637A (zh) | 基于拼音的语义识别方法、装置以及人机对话系统 | |
WO2016199160A2 (en) | Language processing and knowledge building system | |
CN109635288A (zh) | 一种基于深度神经网络的简历抽取方法 | |
Jayaweera et al. | Hidden markov model based part of speech tagger for sinhala language | |
Niu et al. | Deleter: Leveraging BERT to perform unsupervised successive text compression | |
AbuTaha et al. | An ontology-based arabic question answering system | |
Lee | Natural Language Processing: A Textbook with Python Implementation | |
CN108984527A (zh) | 一种基于概念的语义识别方法及装置 | |
CN113468875A (zh) | 一种面向SCADA系统自然语言交互接口语义分析的MNet方法 | |
Hodeghatta et al. | Introduction to natural language processing | |
Chabierski et al. | Logic-based approach to machine comprehension of text | |
Mohapatra et al. | Domain based chunking | |
Rzepka et al. | Emotional information retrieval for a dialogue agent | |
Magnini et al. | Entailment graphs for text analytics in the excitement project | |
Dubey | Towards Complex Question Answering over Knowledge Graphs. | |
Di Sciullo | A reason to optimize information processing with a core property of natural language | |
Ahmed | A CHATBOT SYSTEM FOR KURDISH SPEAKERS BASED ON NATURAL LANGUAGE PROCESSING | |
Karim Barznji et al. | Design and Implementation of a Chatbot for Kurdish Language Speakers Using Chatfuel Platform. | |
Jwalapuram et al. | Handling Multi-Sentence Queries in a Domain Independent Dialogue System | |
Dahiya | Transfer Learning for Low Resource Language Processing in Indian Context |
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 |
Application publication date: 20181211 |
|
RJ01 | Rejection of invention patent application after publication |