CN109299247A - 基于业务语料的意图分类方法、装置及智能问答方法 - Google Patents
基于业务语料的意图分类方法、装置及智能问答方法 Download PDFInfo
- Publication number
- CN109299247A CN109299247A CN201811497304.8A CN201811497304A CN109299247A CN 109299247 A CN109299247 A CN 109299247A CN 201811497304 A CN201811497304 A CN 201811497304A CN 109299247 A CN109299247 A CN 109299247A
- Authority
- CN
- China
- Prior art keywords
- user
- classification
- intended
- intention
- knowledge
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
Abstract
本申请实施例提供了一种基于业务语料的意图分类方法、装置及智能问答方法。其中,意图由类别、用户问法和回复源组成。在意图分类中,根据业务需求设置意图的类别;根据所述意图的类别,设置与业务需求匹配的用户问法;设置所述意图的回复源,所述回复源关联到业务语料中对应的一个知识库、知识类目或知识条目,使意图与业务语料在逻辑上相互独立存在,又通过意图中的用户问法和回复源等形成了相互对应的关系,在这种对应关系建立后,使用业务语料对智能问答系统进行训练的过程就变成了对智能问答系统进行意图训练的过程,使智能问答系统在训练后具备了从用户的问题中准确识别用户意图,对问题给出的回复更准确,提高智能问答系统的回复友好度。
Description
本申请要求在2018年6月5日提交中国专利局、申请号为201810569281.0、发明名称为“基于业务语料的意图分类方法、装置及智能问答方法”的中国专利申请的优先权,其全部内容通过引用结合在本申请中。
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于业务语料的意图分类方法、装置及智能问答方法。
背景技术
人工智能(英语:Artificial Intelligence,AI)亦称机器智能,是指由人制造出来的机器所表现出来的智能。通常,人工智能是指通过计算机程序实现的类人的智能技术。
智能问答系统是人工智能的一项研究领域。智能问答系统能够理解以自然语言形式描述的用户提问,并通过检索问答知识库等方式获得与用户提问匹配的答案,并生成包含答案的回复内容。相对于搜索引擎,智能问答系统能更好地理解用户提问的真实意图,同时更有效地满足用户的信息需求。
智能问答系统实现问答首先要理解用户提问的意图。在智能问答系统的实际应用环境中,随着业务领域的不同,用户的意图也会不同。因此,为了使智能问答系统适用于一些特定的业务领域,本领域技术人员会根据业务领域对用户的意图进行分类。例如:将用户的意图分成线上业务和线下业务等。
但是,现有技术中的意图分类方法,只根据业务领域对用户意图进行了笼统的分类,不能够密切联系用户在具体的业务领域中产生的实际业务需求,也没有适配每个需求下的业务语料,容易导致意图分类与实际业务需求不相符的错误,并进一步影响在特定业务需求下,问答系统生成回复内容的准确性。
发明内容
为了解决现有技术中存在的问题,本申请实施例提供了一种基于业务语料的意图分类方法、装置及智能问答方法。
第一方面,本申请实施例提供了一种基于业务语料的意图分类方法,所述意图由类别、用户问法和回复源组成,所述方法包括:
根据业务需求设置意图的类别;
根据所述意图的类别,设置与业务需求匹配的用户问法;
设置所述意图的回复源,所述回复源关联到业务语料中对应的一个知识库、知识类目或知识条目。
第二方面,本申请实施例提供了一种基于业务语料的意图分类装置,所述意图由类别、用户问法和回复源组成,所述装置包括:
类别设置单元,用于根据业务需求设置意图的类别;
用户问法设置单元,用于根据所述意图的类别,设置与业务需求匹配的用户问法;
回复源设置单元,用于设置所述意图的回复源,所述回复源关联到业务语料中对应的一个知识库、知识类目或知识条目。
第三方面,本申请实施例提供了一种智能问答方法,应用于本申请实施例提供的基于业务语料的意图分类方法,所述智能问答方法包括:
根据已分类意图中的用户问法,识别用户提问中包含的意图;
从所述意图的回复源关联的知识库、知识类目或知识条目中获取回复内容。
由以上技术方案可知,本申请实施例提供了一种基于业务语料的意图分类方法、装置及智能问答方法。其中,意图由类别、用户问法和回复源组成。在意图分类中,根据业务需求设置意图的类别;根据所述意图的类别,设置与业务需求匹配的用户问法;设置所述意图的回复源,所述回复源关联到业务语料中对应的一个知识库、知识类目或知识条目;在智能问答中,根据已分类意图中用户问法,识别用户提问中包含的意图;从所述意图的回复源关联的知识库、知识类目或知识条目中获取回复内容本。申请实施例提供的方法,使意图与业务语料在逻辑上相互独立存在,又通过意图中的用户问法和回复源等形成了相互对应的关系,在这种对应关系建立后,使用业务语料对智能问答系统进行训练的过程就变成了对智能问答系统进行意图训练的过程,从而使智能问答系统在训练后具备了从用户的问题中准确识别用户意图,并根据用户的提问内容在回复源关联的知识库、知识类目或知识条目中搜索到问题答案并回复给用户,使智能问答系统更贴近用户的业务需求,对问题给出的回复更准确,提高智能问答系统的回复友好度。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于业务语料的意图分类方法的流程图;
图2为本申请实施例提供的一种基于业务语料的意图分类方法步骤S120的流程图;
图3为本申请实施例提供的一种基于业务语料的意图分类装置的框图;
图4为本申请实施例提供的另一种基于业务语料的意图分类装置的框图;
图5为本申请实施例提供的一种智能问答方法的流程图;
图6为本申请实施例提供的一种智能问答方法步骤S320的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
在人工智能领域,智能问答系统理解以自然语言形式描述的用户提问,并通过检索问答知识库等方式获得与用户提问匹配的答案,并生成包含答案的回复内容。相对于搜索引擎,智能问答系统能更好地理解用户提问的真实意图,同时更有效地满足用户的信息需求。
可见,在智能问答系统中,正确理解用户问题中的意图至关重要,意图理解的准确性直接影响到检索知识库并匹配答案的准确性。在面向某些业务领域的智能问答系统中,用户的意图往往反映了用户的业务需求,因此,为了使智能问答系统适用于一些特定的业务领域,本领域技术人员会根据业务领域对用户的意图进行分类。
在某个特定的业务领域,用于会产生不同的业务需求,这就要求智能问答系统对用户意图的分类进行通过贴近业务需求的分类,进而实现根据不同的用于意图匹配不同的知识库以及生成不同的回复。但是,现有技术中对意图的分类方法,只根据业务领域对用户意图进行了笼统的分类,不能够密切联系用户在具体的业务领域中产生的实际业务需求,也没有适配每个需求下的业务语料,容易导致意图分类与实际业务需求不相符的错误,并进一步影响在特定业务需求下,问答系统生成回复内容的准确性。
本申请实施例提供了一种基于业务语料的意图分类方法、装置及智能问答方法,以解决现有技术中存在的问题。
实施例一
本申请实施例提供了一种基于业务语料的意图分类方法,参见图1,为本申请实施例提供的一种基于业务语料的意图分类方法的流程图,如图1所示,所述方法包括以下步骤:
步骤S110,根据业务需求设置意图的类别;
在本申请实施例中,意图由类别、用户问法和回复源组成,其中,类别根据业务需求设置,在一种可选择的实施方式中,类别可以包括FAQ意图、槽意图、寒暄意图和结构化意图,其中:
FAQ意图应用于一条问题对应一条回复的问答情形中。例如,某银行大堂内设置有迎宾机器人,当用户向迎宾机器人提问:“大额转账在哪个窗口办理?”时,用户的业务需求是获得可办理大额转账业务的窗口编号,因此,迎宾机器人只需要回复:“在X号窗口办理”,此时,这种业务需求对应的意图就是FAQ意图。
槽意图应用于根据多个要素生成回复的问答情形中,其中,要素是从用户的提问内容中获取的用于生成回复的依据内容。例如,将智能问答系统设置在银行APP中,用户通过智能问答系统询问:“我想办理信用卡”,此时,用户的业务需求是通过银行APP申请一张信用卡。通常,银行为用户办理信用卡,需要用户提供姓名、年龄、地区、工作信息、收入信息、社保信息等内容,然后根据上述信息通过在线网申或分派用户所在地区的业务专员等方式为用户办理,此时,姓名、年龄、地区、工作信息、收入信息、社保信息等内容就是生成回复所需的要素,APP内置的问答系统需要根据这些要素生成回复,因此,“我想办理信用卡”对应的意图为槽意图。
本申请实施例中,意图的类别由用户的业务需求决定,用户提出的同一个问题在不同的业务需求中包含意图的类别也会不同。例如,将智能问答系统应用在银行的取号机中,当用户询问“我想办理信用卡时”,用户的实际需求是取到一个办理信用卡排队号码,因此,问答系统只需回复“请取号”等内容提示用户取号即可,此时,这种业务需求对应的意图就是FAQ意图。
寒暄意图应用于日常寒暄对话的问答情形中,日常寒暄对话是指不包含业务需求的对话,例如“你好!”“你几岁啦?”都是包含寒暄意图的对话。
结构化意图应用于根据一个问题生成结构化知识条目回复的问答情形中,结构化知识条目的回复通常来自于对文档的碎片化加工,例如:对银行管理条例的文档进行碎片化加工,可将银行管理条例的文档中每个章节每个条款的内容进行碎片化的分割,并以知识条目的形式保存,当用户提问“我想获得银行管理条例的内容”时,智能问答系统将碎片化处理后的银行管理条目以知识条目的形式呈献给提问的用户,此时,用户的提问就包含结构化意图。
可见,本申请实施例中,根据业务需求设置意图的类别,使意图的类别与业务需求紧密联系,从而提高对意图进行分类的准确性。
步骤S120,根据所述意图的类别,设置与业务需求匹配的用户问法;
用户问法是用户在表达意图时常会使用的提问方式。当意图的类别为FAQ意图时,从与业务需求匹配的业务语料的扩展问题或扩展概念中获取用户问法。在智能问答系统的建立过程中,会使用业务语料对问答模型进行训练,从而使问答模型具备根据问题生成答案的能力,业务语料由具有对应关系的问题和答案组成,其中,问题包括多个语义相同但问法不同的扩展问题或扩展概念。
本申请从与业务需求匹配的业务语料的扩展问题或扩展概念中获取用户问法,从而实现根据用户问法匹配用户提问中包含的FAQ意图。
图2为本申请实施例提供的一种基于业务语料的意图分类方法步骤S120的流程图。
当意图的类别为槽意图时,如图2所示,步骤S120可以包括以下步骤:
步骤S121,当所述类别为槽意图时,设置所述槽意图的触发要素,所述触发要素包含与意图匹配的用户问法。
在槽意图中,需要根据多个要素生成回复,而要素的获取需要通过向用户发起一轮或多轮反问的方式来实现。不同的槽意图适应不同的业务需求,因而,在不同的槽意图中生成回复所需的要素也不同,因此。在向用户发起多轮反问获取要素时,首先要确定与用户提问匹配的槽意图,从而确定用户的提问中缺少哪些要素,以及需要向用户提问哪些问题以获取缺少的要素。这个确定与用户提问匹配的槽意图的过程,就需要通过槽意图中的触发要素来实现。触发要素中包含与意图匹配的用户问法,在用户提问时,将用户提问的问题与触发要素中的用户问法进行匹配,如果存在与用户提问的问题匹配的用户问法,则用户问题匹配对应的槽意图。
步骤S122,设置与触发要素匹配的槽处理;所述槽处理包括多个要素槽,每个要素槽包括要素的名称、类型和用于获取要素内容的提示语。
槽处理用于在用户提问的问题匹配到槽意图时,获取生成回复所需的要素。槽处理中,根据生成回复所需的要素的数量,包括多个要素槽,每个要素槽包括要素的名称、类型和用于获取要素内容提示语。
示例地,在某槽意图中:
触发要素中包含以下用户问法:
信用卡怎么办理
我想办理信用卡
槽处理可以设置为以下格式:
是否必须 | 名称 | 类型 | 提示语 | 操作 |
□ | 地区 | 城市 | 请告诉我您住在哪个城市 | 复制删除 |
□ | 年龄 | Num | 请告诉我您的年龄 | 复制删除 |
□ | 职业 | Job | 请告诉我您的职业 | 复制删除 |
上述槽处理中共示例出了三个要素槽,每个要素槽中至少包括了要素的名称、类型和提示语。例如,在第一个要素槽中,要素的名称为地区、类型为城市、提示语为请告诉我您住在哪个城市,其中,提示语为向用户反问的内容。
本申请中,当用户的提问匹配到槽意图时,根据触发要素触发向用户反问的过程,在反问的过程中,首先根据用户提问中获取要素,进而根据槽处理确定哪些要素缺失;然后,根据缺失要素的提示语向用户反问问题,并从用户的回答中拾取到缺失的要素。
示例地,当用户提问“我想办理信用卡”时,触发要素匹配到对应的用户问法,进而触发反问的过程;由于“我想办理信用卡”中不包含任何要素,因此,根据槽处理每个要素槽中的提示语向用户依次反问,逐一获取缺失的要素,形成以下形式的对话过程:
用户:我想办理信用卡
反问:请告诉我您住在哪个城市
用户:北京市(获取到要素“北京”,类型为“城市”)
反问:请告诉我您的年龄
用户:24岁(获取到要素“24”,类型为“Num”)
反问:请告诉我您的职业
用户:公务员(获取到要素“公务员”,类型为“Job”)
示例地,当用户提问“北京市如何办理信用卡”时,用户提问中包含了要素“北京”,因此,不会向用户反问用户获取地区的问题,从而形成以下形式的对话:
用户:我想办理信用卡
反问:请告诉我您的年龄
用户:24岁(获取到要素“24”,类型为“Num”)
反问:请告诉我您的职业
用户:公务员(获取到要素“公务员”,类型为“Job”)
可见,本申请通过槽处理的形式,设置了多个要素槽,在每个要素槽中设置要素的名称、类型以及用户获取要素的提示语;由于,每个要素通过要素槽清晰划分,因此,在向用户反问获取要素时,能够根据生成回复具体缺失的要素,按需向用户反问,引导用户回答出包含缺失要素的内容。
步骤S130,设置所述意图的回复源,所述回复源关联到业务语料中对应的一个知识库、知识类目或知识条目。
本申请中,生成回复的内容来自于业务语料,业务语料可以是一个包含某业务领域若干类别知识的知识库,可以是包含一类知识的知识类目,也可以是包含一条知识的知识条目。
本申请将回复源与业务语料中与业务需求对应的知识库、知识类目或知识条目关联,从而能够实现当用户提问时,根据用户的提问内容在回复源关联的知识库、知识类目或知识条目中搜索到问题答案,并将答案回复给用户,从而,实现了将意图与业务语料在逻辑上相互独立存在,又通过意图中的用户问法和回复源等形成了相互对应的关系;在这种对应关系建立后,使用业务语料对只能问答系统进行训练的过程就变成了对智能问答系统进行意图训练的过程,从而使只能问答系统在训练后具备了从用户的问题中准确识别用户意图,使智能问答系统更贴近业务需求。
在一种可选择的实施方式中,在槽意图中,要素包括必须要素和非必须要素。其中必须要素是生成回复所不可缺少的要素,当必须要素缺失时,要通过反问的方式让用户补充要素,然后才能够在回复源中搜索到答案并生成回复,当必须要素齐全而非必须要素缺失时,也能够在回复源中搜索到答案并生成回复,但如果获取更多的非必须要素能够为在回复源中搜索答案提供更多的搜索依据,从而提高生成回复内容的丰富性和准确性。
示例地,本申请实施例提供的一种基于业务语料的意图分类方法设置的FAQ意图如下:
意图:办理
意图类别:FAQ意图
用户问法:我想办理信用卡
回复源:取号机知识库
在上述示例的FAQ意图中,用户问法可来自“取号机知识库”中预设的扩展问题或扩展概念。
示例地,本申请实施例提供的一种基于业务语料的意图分类方法设置的槽意图如下:
意图:办理
意图类别:槽意图
触发要素:
信用怎么办理
我想办理信用卡
槽处理:
是否必须 | 名称 | 类型 | 提示语 | 操作 |
□ | 地区 | 城市 | 请告诉我您住在哪个城市 | 复制删除 |
□ | 年龄 | Num | 请告诉我您的年龄 | 复制删除 |
□ | 职业 | Job | 请告诉我您的职业 | 复制删除 |
回复源:办理信用卡知识库
由以上技术方案可知,本申请实施例提供了一种基于业务语料的意图分类方法,其中,意图由类别、用户问法和回复源组成,所述方法包括:根据业务需求设置意图的类别;根据所述意图的类别,设置与业务需求匹配的用户问法;设置所述意图的回复源,所述回复源关联到业务语料中对应的一个知识库、知识类目或知识条目。本申请实施例提供的方法,使意图与业务语料在逻辑上相互独立存在,又通过意图中的用户问法和回复源等形成了相互对应的关系,在这种对应关系建立后,使用业务语料对智能问答系统进行训练的过程就变成了对智能问答系统进行意图训练的过程,从而使智能问答系统在训练后具备了从用户的问题中准确识别用户意图,并根据用户的提问内容在回复源关联的知识库、知识类目或知识条目中搜索到问题答案并回复给用户,使智能问答系统更贴近用户的业务需求,对问题给出的回复更准确,提高智能问答系统的回复友好度。
实施例二
本申请实施例提供了一种基于业务语料的意图分类装置,参见图3,为本申请实施例提供的一种基于业务语料的意图分类装置的框图,如图3所示,所述装置包括:
类别设置单元210,用于根据业务需求设置意图的类别;
用户问法设置单元220,用于根据所述意图的类别,设置与业务需求匹配的用户问法;
回复源设置单元230,用于设置所述意图的回复源,所述回复源关联到业务语料中对应的一个知识库、知识类目或知识条目。
图4为本申请实施例提供的另一种基于业务语料的意图分类装置的框图。
在一种可选择的实施方式中,如图4所示,所述用户问法设置单元220包括:
触发要素设置子单元221,用于设置所述槽意图的触发要素,所述触发要素为与意图匹配的用户问法;
槽处理设置子单元222,用于设置与触发要素匹配的槽处理;所述槽处理包括多个要素槽项,每个要素项包括要素的名称、类型和用于获取要素内容的提示语。
本申请实施例中,触发要素设置子单元221和槽处理设置子单元222应用于槽意图的分类过程中,用于设置槽意图的触发要素和设置与触发要素匹配的槽处理。
由以上技术方案可知,本申请实施例提供了一种基于业务语料的意图分类装置,其中,意图由类别、用户问法和回复源组成,所述装置包括:类别设置单元,用于根据业务需求设置意图的类别;用户问法设置单元,用于根据所述意图的类别,设置与业务需求匹配的用户问法;回复源设置单元,用于设置所述意图的回复源,所述回复源关联到业务语料中对应的一个知识库、知识类目或知识条目。本申请实施例提供的装置,使意图与业务语料在逻辑上相互独立存在,又通过意图中的用户问法和回复源等形成了相互对应的关系,在这种对应关系建立后,使用业务语料对智能问答系统进行训练的过程就变成了对智能问答系统进行意图训练的过程,从而使智能问答系统在训练后具备了从用户的问题中准确识别用户意图,并根据用户的提问内容在回复源关联的知识库、知识类目或知识条目中搜索到问题答案并回复给用户,使智能问答系统更贴近用户的业务需求,对问题给出的回复更准确,提高智能问答系统的回复友好度。
实施例三
本申请实施例提供了一种智能问答方法,参见图5,为本申请实施例提供的一种智能问答方法的流程图,如图5所示,所述方法包括以下步骤:
步骤S310,根据已分类意图中的用户问法,识别用户提问中包含的意图。
在步骤S310中,对用户提问的内容与每个已分类意图中的用户用法进行匹配,如果用户提问的内容与某个意图中的用户问法匹配成功,则该用户提问中包含匹配到的意图。
步骤S320,从所述意图的回复源关联的知识库、知识类目或知识条目中获取回复内容。
在本申请中,意图中的回复源与知识库、知识类目或知识条目向关联,因此,在步骤S320中,可根据用户提问匹配到的用户问法,从意图的回复源关联的知识库、知识类目或知识条目中搜索到问题的答案,并生成回复内容。
图6为本申请实施例提供的一种智能问答方法步骤S320的流程图。
在一种可选择的实施方式中,如图6所示,步骤S320可以包括以下步骤:
步骤S321,获取所述意图的类别,所述类别包括FAQ意图和槽意图。
意图的类别由本申请提供的一种基于业务语料的意图分类方法中根据业务需求设置,可包括FAQ意图和槽意图,以及寒暄意图和结构化意图。
步骤S322,当所述类别为FAQ意图时,从所述FAQ意图关联的知识库、知识类目或知识条目中查找答案,以及,根据答案生成回复内容。
FAQ意图应用于一条问题对应一条回复的问答情形中,因此当用户提问的问题中包含FAQ意图时,从意图关联的知识库、知识类目或知识条目中即可搜索到问题的答案,并生成回复内容。
此外,当意图的类别为寒暄意图和结构化意图时,从寒暄意图和结构化意图关联知识库、知识类目或知识条目中查找到问题的答案,并生成回复内容。
步骤S3231,当所述类别为槽意图时,从用户提问中获取生成回复所需要素;
示例地,当用户提问为“北京市如何办理信用卡”时,从用户提问中可获取要素“北京”
步骤S3232,分析已获取的要素是否完整;
在槽意图中,需要根据多个要素生成回复,因此在根据要素生成回复之前,需要分析已获取的要素是否完整。
示例地,在“北京市如何办理信用卡”匹配到的槽意图中,生成回复需要三个要素,分别为地区、年龄和职业,而从用户的提问内容中,只能够获得地区为“北京”,因此,要素不完整。
步骤S3233,如果不完整,向用户发起请求获取缺失要素的反问对话;
示例地,缺失要素为年龄和职业,因此在步骤S3133中,依次向用户发起反问对话:
请告诉我你的年龄(等待用户回答)
请告诉我你的职业(等待用户回答)
当用户在每个反问对话的回答中补充了缺失的要素时,跳转至步骤S3134。
步骤S3234,如果完整,根据已获取的要素在槽意图的回复源关联的知识库、知识类目或知识条目中搜索答案,以及,根据答案生成回复内容。
由以上技术方案可知,本申请实施例提供了一种智能问答方法,应用于本申请提供的基于业务语料的意图分类方法,根据已分类意图中用户问法,识别用户提问中包含的意图;从所述意图的回复源关联的知识库、知识类目或知识条目中获取回复内容。本申请实施例提供的方法,通过在意图的分类方法中根据业务需求设置了意图的类别,使意图与业务语料在逻辑上相互独立存在,又通过意图中的用户问法和回复源等形成了相互对应的关系。在这种对应关系建立后,智能问答系统就可以根据意图的分类结果,识别用户提问中的意图,并根据用户的提问内容在回复源关联的知识库、知识类目或知识条目中搜索到问题答案并回复给用户,使智能问答系统更贴近用户的业务需求,对问题给出的回复更准确,提高智能问答系统的回复友好度。
本申请还可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、可穿戴设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本申请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申请,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。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物品或者设备所固有的要素。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于业务语料的意图分类方法,其特征在于,所述意图由类别、用户问法和回复源组成,所述方法包括:
根据业务需求设置意图的类别;
根据所述意图的类别,设置与业务需求匹配的用户问法;
设置所述意图的回复源,所述回复源关联到业务语料中对应的一个知识库、知识类目或知识条目。
2.根据权利要求1所述的方法,其特征在于,所述类别包括FAQ意图和槽意图,其中:
所述FAQ意图应用于一条问题对应一条回复的问答情形中;
所述槽意图应用于根据多个要素生成回复的问答情形中。
3.根据权利要求2所述的方法,其特征在于,所述类别还包括寒暄意图和结构化意图,其中:
所述寒暄意图应用于日常寒暄对话的问答情形中;
所述结构化意图应用于根据一条问题生成结构化知识条目回复的问答情形中。
4.根据权利要求2所述的方法,其特征在于,所述根据意图的类别,设置与业务需求匹配的用户问法的步骤,包括:
当所述类别为FAQ意图时,从与业务需求匹配的业务语料的扩展问题或扩展概念中获取用户问法。
5.根据权利要求2所述的方法,其特征在于,所述根据意图的类别,设置与业务需求匹配的用户问法的步骤,还包括:
当所述类别为槽意图时,设置所述槽意图的触发要素,所述触发要素包含与意图匹配的用户问法;
设置与触发要素匹配的槽处理;所述槽处理包括多个要素槽,每个要素槽包括要素的名称、类型和用于获取要素内容的提示语。
6.根据权利要求5所示的方法,其特征在于,所述要素包括必须要素和非必须要素。
7.一种基于业务语料的意图分类装置,其特征在于,所述意图由类别、用户问法和回复源组成,所述装置包括:
类别设置单元,用于根据业务需求设置意图的类别;
用户问法设置单元,用于根据所述意图的类别,设置与业务需求匹配的用户问法;
回复源设置单元,用于设置所述意图的回复源,所述回复源关联到业务语料中对应的一个知识库、知识类目或知识条目。
8.根据权利要求1所述的装置,其特征在于,所述用户问法获取单元包括:
触发要素设置子单元,用于设置所述槽意图的触发要素,所述触发要素为与意图匹配的用户问法;
槽处理设置子单元,用于设置与触发要素匹配的槽处理;所述槽处理包括多个要素槽项,每个要素项包括要素的名称、类型和用于获取要素内容的提示语。
9.一种智能问答方法,其特征在于,应用于权利要求1-6任一所述的基于业务语料的意图分类方法,所述智能问答方法包括:
根据已分类意图中的用户问法,识别用户提问中包含的意图;
从所述意图的回复源关联的知识库、知识类目或知识条目中获取回复内容。
10.根据权利要求9所述的方法,其特征在于,所述从意图的回复源关联的知识库、知识类目或知识条目中获取回复内容的步骤包括:
获取所述意图的类别,所述类别包括FAQ意图和槽意图;
当所述类别为FAQ意图时,从所述FAQ意图关联的知识库、知识类目或知识条目中查找答案,以及,根据答案生成回复内容;
当所述类别为槽意图时,从用户提问中获取生成回复所需要素;
分析已获取的要素是否完整;
如果不完整,向用户发起请求获取缺失要素的反问对话;
如果完整,根据已获取的要素在槽意图的回复源关联的知识库、知识类目或知识条目中搜索答案,以及,根据答案生成回复内容。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2018105692810 | 2018-06-05 | ||
CN201810569281.0A CN108874949A (zh) | 2018-06-05 | 2018-06-05 | 基于业务语料的意图分类方法、装置及智能问答方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109299247A true CN109299247A (zh) | 2019-02-01 |
CN109299247B CN109299247B (zh) | 2019-10-08 |
Family
ID=64336722
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810569281.0A Pending CN108874949A (zh) | 2018-06-05 | 2018-06-05 | 基于业务语料的意图分类方法、装置及智能问答方法 |
CN201811497304.8A Active CN109299247B (zh) | 2018-06-05 | 2018-12-07 | 基于业务语料的意图分类方法、装置及智能问答方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810569281.0A Pending CN108874949A (zh) | 2018-06-05 | 2018-06-05 | 基于业务语料的意图分类方法、装置及智能问答方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN108874949A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059231A (zh) * | 2019-04-19 | 2019-07-26 | 话媒(广州)科技有限公司 | 一种回复内容的生成方法及装置 |
CN110427461A (zh) * | 2019-08-06 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 智能问答信息处理方法、电子设备及计算机可读存储介质 |
CN111428019A (zh) * | 2020-04-02 | 2020-07-17 | 出门问问信息科技有限公司 | 用于知识库问答的数据处理方法及设备 |
CN112016297A (zh) * | 2020-08-27 | 2020-12-01 | 深圳壹账通智能科技有限公司 | 意图识别模型测试方法、装置、计算机设备和存储介质 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829044A (zh) * | 2018-12-28 | 2019-05-31 | 北京百度网讯科技有限公司 | 对话方法、装置及设备 |
CN109918627B (zh) * | 2019-01-08 | 2024-03-19 | 平安科技(深圳)有限公司 | 文本生成方法、装置、电子设备及存储介质 |
CN109753561B (zh) * | 2019-01-16 | 2021-04-27 | 长安汽车金融有限公司 | 一种自动回复的生成方法及装置 |
CN110516057B (zh) * | 2019-08-23 | 2022-10-28 | 深圳前海微众银行股份有限公司 | 一种信访问题答复方法及装置 |
CN110930117A (zh) * | 2019-11-21 | 2020-03-27 | 中国银行股份有限公司 | 一种人工智能微服务系统 |
CN112559723A (zh) * | 2020-12-28 | 2021-03-26 | 广东国粒教育技术有限公司 | 一种基于深度学习的faq检索式问答构建方法及系统 |
CN117349425B (zh) * | 2023-12-04 | 2024-03-22 | 北京仁科互动网络技术有限公司 | 知识条目的生成方法、装置、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345504A (zh) * | 2013-07-03 | 2013-10-09 | 邢立宁 | 单星调度的算子构建方法 |
US20160357851A1 (en) * | 2015-06-05 | 2016-12-08 | Mr. Buzz, Inc. dba WeOtta | Natural Language Search With Semantic Mapping And Classification |
CN107169105A (zh) * | 2017-05-17 | 2017-09-15 | 北京品智能量科技有限公司 | 用于车辆的问答装置及方法 |
-
2018
- 2018-06-05 CN CN201810569281.0A patent/CN108874949A/zh active Pending
- 2018-12-07 CN CN201811497304.8A patent/CN109299247B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345504A (zh) * | 2013-07-03 | 2013-10-09 | 邢立宁 | 单星调度的算子构建方法 |
US20160357851A1 (en) * | 2015-06-05 | 2016-12-08 | Mr. Buzz, Inc. dba WeOtta | Natural Language Search With Semantic Mapping And Classification |
CN107169105A (zh) * | 2017-05-17 | 2017-09-15 | 北京品智能量科技有限公司 | 用于车辆的问答装置及方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059231A (zh) * | 2019-04-19 | 2019-07-26 | 话媒(广州)科技有限公司 | 一种回复内容的生成方法及装置 |
CN110427461A (zh) * | 2019-08-06 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 智能问答信息处理方法、电子设备及计算机可读存储介质 |
CN110427461B (zh) * | 2019-08-06 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 智能问答信息处理方法、电子设备及计算机可读存储介质 |
CN111428019A (zh) * | 2020-04-02 | 2020-07-17 | 出门问问信息科技有限公司 | 用于知识库问答的数据处理方法及设备 |
CN112016297A (zh) * | 2020-08-27 | 2020-12-01 | 深圳壹账通智能科技有限公司 | 意图识别模型测试方法、装置、计算机设备和存储介质 |
CN112016297B (zh) * | 2020-08-27 | 2023-03-28 | 深圳壹账通智能科技有限公司 | 意图识别模型测试方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108874949A (zh) | 2018-11-23 |
CN109299247B (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299247B (zh) | 基于业务语料的意图分类方法、装置及智能问答方法 | |
CN109510737B (zh) | 协议接口测试方法、装置、计算机设备和存储介质 | |
CN107291783B (zh) | 一种语义匹配方法及智能设备 | |
CN105956053B (zh) | 一种基于网络信息的搜索方法及装置 | |
CN105224665A (zh) | 一种错题管理方法及系统 | |
CN105045847B (zh) | 一种从文本信息中提取中文机构单位名称的方法 | |
CN110019617B (zh) | 地址标识的确定方法和装置、存储介质、电子装置 | |
CN107733782A (zh) | 根据任务生成群的方法、装置及系统 | |
CN110019703B (zh) | 数据标记方法及装置、智能问答方法及系统 | |
WO2016112782A1 (zh) | 一种用户的生活圈提取方法及系统 | |
CN112395390A (zh) | 意图识别模型的训练语料生成方法及其相关设备 | |
CN110232131A (zh) | 基于创意标签的创意素材搜索方法及装置 | |
CN112650858A (zh) | 应急协助信息的获取方法、装置、计算机设备及介质 | |
CN112182174A (zh) | 业务问答知识查询方法、装置、计算机设备和存储介质 | |
CN109684444A (zh) | 一种智能客服方法及系统 | |
CN112580108A (zh) | 签名和印章完整性验证方法及计算机设备 | |
Hu et al. | A Chinese handwriting education system with automatic error detection. | |
CN110532415A (zh) | 图像搜索处理方法、装置、设备及存储介质 | |
CN112036843A (zh) | 基于rpa及ai的流程元素定位方法、装置、设备和介质 | |
CN107133218A (zh) | 商品名称智能匹配方法、系统及计算机可读存储介质 | |
CN115757720A (zh) | 基于知识图谱的项目信息搜索方法、装置、设备和介质 | |
CN110826330B (zh) | 人名识别方法及装置、计算机设备及可读存储介质 | |
CN114116972A (zh) | 一种基于BiLSTM的变压器知识智能问答模型的处理系统 | |
CN105589803B (zh) | 一种测试工具的生成方法和终端设备 | |
CN108959327A (zh) | 一种业务处理方法、装置及计算机可读存储介质 |
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 |