CN109325040B - 一种faq问答库泛化方法、装置及设备 - Google Patents
一种faq问答库泛化方法、装置及设备 Download PDFInfo
- Publication number
- CN109325040B CN109325040B CN201810768888.1A CN201810768888A CN109325040B CN 109325040 B CN109325040 B CN 109325040B CN 201810768888 A CN201810768888 A CN 201810768888A CN 109325040 B CN109325040 B CN 109325040B
- Authority
- CN
- China
- Prior art keywords
- question
- answer
- equivalent
- faq
- library
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003058 natural language processing Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000036541 health Effects 0.000 description 50
- 230000008569 process Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 14
- 102100026933 Myelin-associated neurite-outgrowth inhibitor Human genes 0.000 description 13
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 210000002268 wool Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
Abstract
本发明公开了一种FAQ问答库泛化方法、装置及设备，属于人工智能和自然语言处理技术领域。所述方法包括：对FAQ问答库进行等价句式整理，获取等价句式模式数据；根据实体关键词列表对所述FAQ问答库的问答对的问句进行包括自然语言处理操作的前置处理，获取所述问答对的问句句式类型和实体；根据所述等价句式模式数据，生成所述问答对的问句的等价问句，获得泛化的问答对。本发明通过等价句式的扩展，提高了FAQ问答库的泛化能力，利用这样的FAQ问答库作为后继与用户问句匹配的参考集合，能够进一步提高用户问句回答的召回率和准确率，在涉及FAQ的诸多技术领域具有良好的应用前景。
Description
技术领域
本发明涉及人工智能(Artifical Intelligent)和自然语言处理(NaturalLanugae Processing)技术领域，特别涉及一种FAQ问答库泛化方法、装置及设备。
背景技术
FAQ(Frequently Asked Question)问答系统是一种在已有的“问题-答案”对集合中找到与用户提问相匹配的问句，并将其对应的答案返回给用户的问答式检索系统。在该系统中，根据用户提出的问题与问答库中的已有问句记录相似性，进而将对应的答案返回给用户，这样不仅免去了重新组织答案的过程，而且可以提高回答的准确性和系统效率。问句匹配是基于构建好的问答库，通过计算用户问句与问答库中“问题-答案”对集合中问句的相似度来进行，进而把最佳结果返回给用户。
在问答系统的研究中，构建问答库是其中重要的一环，直接会影响问答系统的召回率和准确率，然而特别是针对特定的领域问答系统，存在问答库规模较小，句式单一等问题。
根据言语行为理论，言语行为类型主要可以归纳为三种：表述、询问、要求，其对应的句子功能结构类型也可分为三类：陈述句、疑问句、祈使句。根据汉语语言学理论，人们用来询问信息只能使用疑问句，疑问句又分为是非问句、选择问句和特指问句。FAQ问答库中的问句属于疑问句的范畴，不同问句的表达形式之间存在等价关系，一个问句可以通过改变句型的方式来达到同一个效果，即句式的改变并不改变其语义，继而不同的问句对应相同的回答，因此存在通过这种方式扩展“问题-答案”对、泛化FAQ问答库的可能。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种基于等价句式扩展问句的FAQ问答库泛化方法、装置及设备，能够达到扩展问答库规模，泛化问答库的技术目的。所述技术方案如下：
第一方面，提供了一种FAQ问答库泛化方法，所述方法包括：对FAQ问答库进行等价句式整理，获取等价句式模式数据；根据实体关键词列表对所述FAQ问答库的问答对的问句进行包括自然语言处理操作的前置处理，获取所述问答对的问句句式类型和实体；根据所述等价句式模式数据，生成所述问答对的问句的等价问句，获得泛化的问答对。
结合第一方面，在第一种可能的实现方式中，对FAQ问答库进行等价句式整理，获取等价句式模式数据，包括：针对目标问句，通过句式转换，生成具有相同语义的句式表达方式不同的多种等价问句，进而生成新的问答对。
结合第一方面的第一种可能实现方式，在第二种可能的实现方式中，对FAQ问答库进行等价句式整理，获取等价句式模式数据，还包括：将FAQ问答库问答对的原有映射f1:Q1→Q2、f2:Q2→A，加入一个中间层变更为f1:Q1→Q2'、f2':Q2'→Q2、f2:Q2→A，其中，Q1表示用户问句，Q2表示FAQ问答库问答对中某个问句，A表示FAQ问答库中与Q2相对应的回答；Q2'表示Q2的某一等价句式问句。
结合第一方面，在第三种可能的实现方式中，前置处理还包括：对所述FAQ问答库的问答对进行收集整理，获取问答对词典。
结合第一方面的第三种可能实现方式，在第四种可能的实现方式中，根据所述等价句式模式数据，生成所述问答对的问句的等价问句，获得泛化的问答对，包括：根据所述等价句式模式数据，根据模板生成的相应算法生成所述问答对的问句的等价问句，然后根据所述问答对词典将所述问句的等价问句与相应答案进行匹配，获得泛化的问答对。
结合第一方面及第一方面的第一至四种可能实现方式的任一种，在第五至第九种可能的实现方式中，所述前置处理还包括：根据所述等价句式模式数据进行AIML模版生成，生成AIML配置文件，根据AIML配置文件进行将经过自然语言处理操作的所述问答对的问句进行AIML匹配。
第二方面，提供了一种FAQ问答库泛化装置，包括：等价句式模式数据获取模块，用于对FAQ问答库进行等价句式整理，获取等价句式模式数据；前置处理模块，用于根据实体关键词列表对所述FAQ问答库的问答对的问句进行包括自然语言处理操作的前置处理，获取所述问答对的问句句式类型和实体；泛化问答对生成模块，用于根据所述等价句式模式数据，生成所述问答对的问句的等价问句，获得泛化的问答对。
结合第二方面，在第一种可能的实现方式中，等价句式模式数据获取模块用于：针对目标问句，通过句式转换，生成具有相同语义的句式表达方式不同的多种等价问句，进而生成新的问答对。
结合第二方面的第一种可能实现方式，在第二种可能的实现方式中，所述等价句式模式数据获取模块还用于：将FAQ问答库问答对的原有映射f1:Q1→Q2、f2:Q2→A，加入一个中间层变更为f1:Q1→Q2'、f2':Q2'→Q2、f2:Q2→A，其中，Q1表示用户问句，Q2表示FAQ问答库问答对中某个问句，A表示FAQ问答库中与Q2相对应的回答；Q2'表示Q2的某一等价句式问句。
结合第二方面，在第三种可能的实现方式中，所述前置处理模块包括：问答对词典获取子模块，所述问答对词典获取子模块用于：对所述FAQ问答库的问答对进行收集整理，获取问答对词典。
结合第二方面的第三种可能实现方式，在第四种可能的实现方式中，所述泛化问答对生成模块用于：根据所述等价句式模式数据，根据模板生成的相应算法生成所述问答对的问句的等价问句，然后根据所述问答对词典将所述问句的等价问句与相应答案进行匹配，获得泛化的问答对。
结合第一方面及的第一方面的第一至四种可能实现方式的任一种，在第五至第九种可能的实现方式中，所述前置处理模块还包括AIML匹配模块，所述AIML匹配模块用于：根据所述等价句式模式数据进行AIML模版生成，生成AIML配置文件，根据AIML配置文件进行将经过自然语言处理操作的所述问答对的问句进行AIML匹配。
第三方面，提供了一种FAQ问答库泛化设备，包括：处理器；存储器，用于存储有所述处理器的可执行指令；其中，处理器配置为经由所述可执行指令来执行第一方面任一方案所述的FAQ问答库泛化方法的步骤。
本发明实施例提供的技术方案带来的有益效果是：
1、针对一个问答对，通过句式的等价性，可以将该问答扩展为多个具有相同语义的问题，进而将该“问题-回答”序对扩展为多个序对，对问答库中的所有的序对进行这样的扩展，达到了FAQ问答库泛化的目的；
2、通过对FAQ问答库进行泛化处理，大幅增加了问答库中“问题-回答”对的数量，使得可以提供更加丰富的语料给后继的问题匹配流程；
3、将泛化的FAQ序对作为后继与用户问句匹配的参考集合，进而可以提高用户问句回答的召回率和准确率；
4、在“问题-回答”对增加的基础上，提高了整个问答系统的召回率和准确率，改善了用户体验。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是对本发明实施例1提供的FAQ问答库泛化方法流程图；
图2是等价句式扩展过程示意图；
图3是对本发明实施例2提供的FAQ问答库泛化方法流程图；
图4是本发明实施例2提供的FAQ问答库泛化方法流程框图；
图5是203步骤具体子步骤的流程图；
图6是对本发明实施例3提供的FAQ问答库泛化装置结构示意图。；
图7是对本发明实施例4提供的FAQ问答库泛化设备结构示意图。
具体实施方式
为使本发明的目的、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做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。
本发明实施例提供的FAQ问答库泛化方法、装置及设备，通过首先对FAQ问答库进行等价句式整理的操作，获取等价句式模式数据，然后经过对FAQ问答库的问答对的问句的前置处理，根据获取的问答对的问句句式类型和实体以及等价句式模式数据，生成FAQ问答库问答对问句的等价问句，进而获得泛化的问答对，通过等价句式的扩展，提高了FAQ问答库的泛化能力，利用这样的FAQ问答库作为后继与用户问句匹配的参考集合，能够进一步提高用户问句回答的召回率和准确率，在涉及FAQ的诸多技术领域具有良好的应用前景。值得注意的是，本发明实施例提供的FAQ问答库泛化方法、装置及设备，其中问答库的问题对的数量有多个，并且根据等价句式模式数据生成的问答对问句的等价问句包括一个或多个，本发明实施例对它们的数量不加以特别限制。
下面结合实施例及附图，对本发明实施例提供的FAQ问答库泛化方法、装置及设备作具体说明。
实施例1
图1是对本发明实施例1提供的FAQ问答库泛化方法流程图。如图1所示，本发明实施例提供的FAQ问答库泛化方法，包括以下步骤：
101、对FAQ问答库进行等价句式整理，获取等价句式模式数据；
具体的，针对目标问句，通过句式转换，生成具有相同语义的句式表达方式不同的多种等价问句，进而生成新的问答对。这里的问答对是指问答库(也可以称问题库)中的“问句-回答”序对，简称问答对。
等价句式模式数据文件中包含与FAQ中问句具有相同语义的句式模式，并根据等价类进行分类。比如对于问句“健康险是什么”，可以用多种其他的句式来进行询问，例如：可以介绍一下健康险嘛？什么是健康险呢？请问健康险是啥意思呀？等等。这些问句虽然句式不同，但是都具有相同的语义，都是在询问健康险的含义。我们将这类具有相同含义的句式整理在一起，用一种正则的方式来表示，如下面格式的文本，并将它们归位一类，这里称为介绍性问句。
####介绍性问句：健康险是什么
C1-p1：：[可以/能/请]&介绍一下/介绍/了解一下&#&[吗/嘛]||C1：#
C1-p2：：^&#&[定义]&是什么/是啥||C1：#
C1-p3：：什么是/什么叫/啥叫/啥是&#&[呢/呀]||C1：#
C1-p4：：[请问/你知不知道]&#&是啥意思/是什么意思/介绍/有什么特点/是啥||C1：#
C1-p5：：[能/可以]&[咨询一下]&#||C1：#
其中，C1表示类别，p1表示该类别中的pattem序列。在pattem中，符号“||”之前是待匹配的句子模式，之后是若匹配上则返回的内容。在待匹配句子模式中，符号“&”没有实际的含义，仅起到将模式分割成不同的多个部件的作用。在每个部件中，符号“[]”表示该部件可省略，符号“/”表示选择其中之一，符号“#”表示实体，并且该实体对应符号“||”之后的符号“#”所表示的内容。例如，C1-p1中的pattern展开之后包含的一些句型如下所示：
C1-p1：：[可以/能/请]&介绍一下/介绍/了解一下&#&[吗/嘛]||C1：#
1.可以介绍一下#？
2.可以介绍一下#吗？
3.可以介绍一下#嘛？
4.可以介绍#吗？
5、可以介绍#嘛？
首先，由于汉语表达方式或表达习惯的多种多样，势必会存在用户问句表达方式繁复多样的情况，这其中就会存在很多表达的句式略有不同，表达的内容或意思一样，这样就可以通过句式转换，生成具有相同语义的但是句式表达方式不同的多种其他问句，将这些表达意思相同的多种等价句式归为一类问句，这样就很大程度上提高了问答库的泛化能力，自动生成了更大规模的FAQ问答库。
再者，优选地，将FAQ问答库问答对的原有映射f1:Q1→Q2、f2:Q2→A，加入一个中间层变更为f1:Q1→Q2'、f2':Q2'→Q2、f2:Q2→A，其中，Q1表示用户问句，Q2表示FAQ问答库问答对中某个问句，A表示FAQ问答库中与Q2相对应的回答；Q2'表示Q2的某一等价句式问句。
在原FAQ问答库中，给定某一问答对关系f2:Q2→A，对于用户问句Q1，通过问句匹配关系f1:Q1→Q2，找到与Q1相似的问答库中的问句Q2，进而找到相关答案A。在进行等价问句扩展过程中，加入等价问句间的关系f′2:Q′2→Q2，从而建立规模更大的可匹配问题集合Q′2，并在问句匹配关系中建立Q1与Q′2之间的关系。
比如在原FAQ问答库中有一条与健康险相关的介绍性问句问答对：
Q2:“健康险是什么？”→A:“健康险又叫疾病保险…”
当用户进行如下询问：
Q1:“可否介绍一下健康险？”
可能因为Q1与Q2较大的差异而在f1中无法相匹配。在上述等价问句扩展过程中，建立问句间的等价关系f′2:
Q′2:“什么是健康险？”→Q2:“健康险是什么？”
Q′2:“介绍一下健康险？”→Q2:“健康险是什么？”
Q′2:“健康险是啥意思？”→Q2:“健康险是什么？”
……
进而使得在f1中Q1与Q′2在可相匹配，进一步的可以找到A回答用户的问题。
图2是等价句式扩展过程示意图，示出了用户问句等价句式扩展的大体过程。为了进一步地将这些等价句问句匹配答案，形成新的问答对系统，将FAQ问答库问答对的原有映射f1:Q1→Q2、f2:Q2→A，加入一个中间层变更为f1:Q1→Q2'、f2':Q2'→Q2、f2:Q2→A，通过建立新的映射，在等价扩展句式的基础上，实现了等价句式问题新问答对系统的匹配，为提高用户问句识别的准确性和召回率奠定了基础。
102、根据实体关键词列表对FAQ问答库的问答对的问句进行包括自然语言处理操作的前置处理，获取问答对的问句句式类型和实体；
具体的，收集原FAQ问答库中的问答对(QA对)，并对于每条QA对中的问句，进行自然语言处理(NLP处理)操作，包括分词、词性标注、实体识别等，其中分词和词性标注可以基于Stanford Core-NLP工具来实现，实体识别是基于给定的实体关键词列表来实现。经过该过程之后，会生成标注好的问句。例如“健康险是什么”，经过该子过程处理之后，转换为：“##健康险<type>entity</type>是什么”。
这里的实体关键词列表包含FAQ问答库的问句中出现的实体，在初始阶段该实体关键词列表可以手动来进行收集，当FAQ问答库文件所包含记录规模很大，可以采用深度学习的方法进行命名实体识别(Named Entity Recognition，NER)。
优选地，该102步骤中的前置处理除了包括上述的自然语言处理操作，还包括对原FAQ问答库的问答对进行收集整理，获取问答对词典(QA词典)。
这里的QA对源于FAQ问答库，而FAQ问答库或者说FAQ是与具体的应用场景相关的，比如在保险场景下FAQ中都是与保险相关的QA对，而换到比如说电商平台，QA对可能都是与订单和产品相关，因此，由于每个应用场景下的FAQ问答库特定适用性，很多情况下需要对不同类型的FAQ问答库进行单独收集整理和相应配置，获得满足当下应用场景需求的相应QA词典。这样配置获取的QA才更有针对性，能够更好地为FAQ问答库泛化过程甚至是FAQ的业务需要服务。需要说明的是，本发明实施例根据FAQ问答库的问答对获取问答对词典的具体实施方式、收集整理采用的具体技术方式或者QA词典具体配置方式，不作特别限制，在满足本发明构思的情况下，可采用现有技术任何可能的方式。
另外，优选地，上述前置处理还包括：
根据等价句式模式数据进行AIML模版生成，生成AIML配置文件，根据AIML配置文件进行将经过自然语言处理操作的问答对的问句进行AIML匹配。
也就是说，本发明实施例提供的FAQ问答库泛化的实现采用AIML技术，主要原理是：首先基于等价句式模式生成AIML的模版，进而对于一个问句，可以识别其所属的等价句式种类以及实体，进而再根据等价句式模版，生成所有等价的问句，达到泛化的目的。
首先，关于AIML模版生成，AIML模版可能包含有大量的category，如果仅凭人工来维护，不仅费时费力，而且极易出错。因此，开发了一种基于等价句式模式自动生成AIML模版的方法，并在模版生成模块中实现。
算法的思路是首先根据符号&将句子模式分割成多个部件，然后依照部件的次序，递归生成所有的可能的组合。算法伪码如下：
例如，针对下面的等价句式：
C1-p1：：[可以/能/请]&介绍一下/介绍/了解一下&#&[吗/嘛]||C1：#
首先将Pattern从中分解出来为：
[可以/能/请]&介绍一下/介绍/了解一下&#&[吗/嘛]
继而将其拆解为词的列表：
[可以，能，请]，[介绍一下，介绍，了解一下，null]，[#]，[吗，嘛，null]
需注意的是，若原部件中是可省略的情况，即是在符号[]中的，则需在List中加入null。继而可以生成所有的pattern：
[可以介绍一下#]，[可以介绍一下#吗]，[可以介绍一下#嘛]，[可以介绍#吗]，...
最后加上带转换为的template，并将其转换为AIML的category格式。
然后，关于AIML匹配(AIML Mapping)，AIML匹配将输入的句子根据AIML模版转换为想匹配的句子进行输出，该过程中主要采用了AIML技术。比如输入为：“##健康险<type>entity</type>是什么”，会匹配上模式“C1-p2：：^&#&[定义]&是什么/是啥||C1：#”所生成的模版，进而返回“C1：健康险”，其中C1表示所匹配上的句型类别，健康险是该句所包含的实体。进而根据句型类别和实体，可以在后继过程中进行泛化操作。
AIML模版形如以下格式：
每个<category>对应一个模版，其中<pattern>中的内容是相匹配的模式，<template>中指明了若匹配上之后所返回的内容。
103、根据等价句式模式数据，生成问答对的问句的等价问句，获得泛化的问答对。
具体的，根据等价句式模式数据，根据模板生成的相应算法生成问答对的问句的等价问句，然后根据问答对词典将问句的等价问句与相应答案进行匹配，获得泛化的问答对。等价问句生成是基于模版生成来实现的，根据输入的句型类别找到所有相适应的等价句式，将句式中的符号“#”替换为输入的实体，然后用模版生成的算法，来生成所有可能的问句，再将这些问句与答案进行匹配，就可以得到最终的泛化QA对。
当采用AIML技术时，用户问句经过AIML Mapping之后会得到该问句所属的句式类别和实体。比如，输入为：“##健康险<type>entity</type>是什么”，返回“C1：健康险”，其中C1表示所匹配上的句型类别，健康险是该句所包含的实体，基于所返回的类别和实体，进而就可以生成等价的问句。
实施例2
图3是对本发明实施例2提供的FAQ问答库泛化方法流程图。图4是本发明实施例2提供的FAQ问答库泛化方法流程框图。如图3和图4所示，本发明实施例提供的FAQ问答库泛化方法，包括以下步骤：
201、针对目标问句，通过句式转换，生成具有相同语义的句式表达方式不同的多种等价问句，进而生成新的问答对。
等价句式模式数据文件中包含与FAQ中问句具有相同语义的句式模式，并根据等价类进行分类。比如对于问句“健康险是什么”，可以用多种其他的句式来进行询问，例如：可以介绍一下健康险嘛？什么是健康险呢？请问健康险是啥意思呀？等等。这些问句虽然句式不同，但是都具有相同的语义，都是在询问健康险的含义。我们将这类具有相同含义的句式整理在一起，用一种正则的方式来表示，如下面格式的文本，并将它们归位一类，这里称为介绍性问句。
####介绍性问句：健康险是什么
C1-p1：：[可以/能/请]&介绍一下/介绍/了解一下&#&[吗/嘛]||C1：#
C1-p2：：^&#&[定义]&是什么/是啥||C1：#
C1-p3：：什么是/什么叫/啥叫/啥是&#&[呢/呀]||C1：#
C1-p4：：[请问/你知不知道]&#&是啥意思/是什么意思/介绍/有什么特点/是啥||C1：#
C1-p5：：[能/可以]&[咨询一下]&#||C1：#
其中，C1表示类别，p1表示该类别中的pattern序列。在pattern中，符号“||”之前是待匹配的句子模式，之后是若匹配上则返回的内容。在待匹配句子模式中，符号“&”没有实际的含义，仅起到将模式分割成不同的多个部件的作用。在每个部件中，符号“[]”表示该部件可省略，符号“/”表示选择其中之一，符号“#”表示实体，并且该实体对应符号“||”之后的符号“#”所表示的内容。例如，C1-p1中的pattern展开之后包含的一些句型如下所示：
C1-p1::[可以/能/请]&介绍一下/介绍/了解一下&#&[吗/嘛]||C1:#
1.可以介绍一下#？
2.可以介绍一下#吗？
3.可以介绍一下#嘛？
4.可以介绍#吗？
5.可以介绍#嘛？
由于汉语表达方式或表达习惯的多种多样，势必会存在用户问句表达方式繁复多样的情况，这其中就会存在很多表达的句式略有不同，表达的内容或意思一样，这样就可以通过句式转换，生成具有相同语义的但是句式表达方式不同的多种其他问句，将这些表达意思相同的多种等价句式归为一类问句，这样就很大程度上提高了问答库的泛化能力，自动生成了更大规模的FAQ问答库。
值得注意的是，步骤201的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
202、将FAQ问答库问答对的原有映射f1:Q1→Q2、f2:Q2→A，加入一个中间层变更为f1:Q1→Q2'、f2':Q2'→Q2、f2:Q2→A，其中，Q1表示用户问句，Q2表示FAQ问答库问答对中某个问句，A表示FAQ问答库中与Q2相对应的回答；Q2'表示Q2的某一等价句式问句。
在原FAQ问答库中，给定某一问答对关系f2:Q2→A，对于用户问句Q1，通过问句匹配关系f1:Q1→Q2，找到与Q1相似的问答库中的问句Q2，进而找到相关答案A。在进行等价问句扩展过程中，加入等价问句间的关系f′2:Q′2→Q2，从而建立规模更大的可匹配问题集合Q′2，并在问句匹配关系中建立Q1与Q′2之间的关系。
比如在原FAQ问答库中有一条与健康险相关的介绍性问句问答对：
Q2:“健康险是什么？”→A:“健康险又叫疾病保险…”
当用户进行如下询问：
Q1:“可否介绍一下健康险？”
可能因为Q1与Q2较大的差异而在f1中无法相匹配。在上述等价问句扩展过程中，建立问句间的等价关系f′2:
Q′2:“什么是健康险？”→Q2:“健康险是什么？”
Q′2:“介绍一下健康险？”→Q2:“健康险是什么？”
Q′2:“健康险是啥意思？”→Q2:“健康险是什么？”
……
进而使得在f1中Q1与Q′2在可相匹配，进一步的可以找到A回答用户的问题。
为了进一步地将这些等价句问句匹配答案，形成新的问答对系统，将FAQ问答库问答对的原有映射f1:Q1→Q2、f2:Q2→A，加入一个中间层变更为f1:Q1→Q2'、f2':Q2'→Q2、f2:Q2→A，通过建立新的映射，在等价扩展句式的基础上，实现了等价句式问题新问答对系统的匹配，为提高用户问句识别的准确性和召回率奠定了基础。
值得注意的是，步骤202的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
203、根据实体关键词列表对FAQ问答库的问答对的问句进行包括自然语言处理操作、对FAQ问答库的问答对进行收集整理、AIML匹配的前置处理，获取问答对的问句句式类型和实体以及问答对词典。
图5是203步骤具体子步骤的流程图，如图5所示，203步骤包括以下子步骤：
2031、对FAQ问答库的问答对的问句进行自然语言处理操作。
具体的，收集原FAQ问答库中的问答对(QA对)，并对于每条QA对中的问句，进行自然语言处理(NLP处理)操作，包括分词、词性标注、实体识别等，其中分词和词性标注可以基于Stanford Core-NLP工具来实现，实体识别是基于给定的实体关键词列表来实现。经过该过程之后，会生成标注好的问句。例如“健康险是什么”，经过该子过程处理之后，转换为：“##健康险<type>entity</type>是什么”。
这里的实体关键词列表包含FAQ问答库的问句中出现的实体，在初始阶段该实体关键词列表可以手动来进行收集，当FAQ问答库文件所包含记录规模很大，可以采用深度学习的方法进行命名实体识别(Named Entity Recognition，NER)。
2032、对FAQ问答库的问答对进行收集整理，获取问答对词典。
对原FAQ问答库的问答对进行收集整理，获取问答对词典(QA词典)。
这里的QA对源于FAQ问答库，而FAQ问答库或者说FAQ是与具体的应用场景相关的，比如在保险场景下FAQ中都是与保险相关的QA对，而换到比如说电商平台，QA对可能都是与订单和产品相关，因此，由于每个应用场景下的FAQ问答库特定适用性，很多情况下需要对不同类型的FAQ问答库进行单独收集整理和相应配置，获得满足当下应用场景需求的相应QA词典。这样配置获取的QA才更有针对性，能够更好地为FAQ问答库泛化过程甚至是FAQ的业务需要服务。需要说明的是，本发明实施例根据FAQ问答库的问答对获取问答对词典的具体实施方式、收集整理采用的具体技术方式或者QA词典具体配置方式，不作特别限制，在满足本发明构思的情况下，可采用现有技术任何可能的方式。
2033、根据等价句式模式数据进行AIML模版生成，生成AIML配置文件，根据AIML配置文件进行将经过自然语言处理操作的问答对的问句进行AIML匹配，获取问答对的问句句式类型和实体。
同样地，本发明实施例提供的FAQ问答库泛化的实现采用AIML技术，主要原理是：首先基于等价句式模式生成AIML的模版，进而对于一个问句，可以识别其所属的等价句式种类以及实体，进而再根据等价句式模版，生成所有等价的问句，达到泛化的目的。
2033子步骤又具体包括以下几个子过程：
2033a、进行AIML模版生成，开发了一种基于等价句式模式自动生成AIML模版的方法，并在模版生成模块中实现。
算法的思路是首先根据符号&将句子模式分割成多个部件，然后依照部件的次序，递归生成所有的可能的组合。算法伪码如下：
示例性地，针对下面的等价句式：
C1-p1：：[可以/能/请]&介绍一下/介绍/了解一下&#&[吗/嘛]||C1：#
首先将Pattern从中分解出来为：
[可以/能/请]&介绍一下/介绍/了解一下&#&[吗/嘛]
继而将其拆解为词的列表：
[可以，能，请，null]，[介绍一下，介绍，了解一下]，[#]，[吗，嘛，null]
需注意的是，若原部件中是可省略的情况，即是在符号[]中的，则需在List中加入null。继而可以生成所有的pattern：
[可以介绍一下#]，[可以介绍一下#吗]，[可以介绍一下#嘛]，[可以介绍#吗]，...
最后加上带转换为的template，并将其转换为AIML的category格式。
最终生成AIML配置文件，即AIML模板。AIML配置文件的每一条都是以Pattern+Template的形式存在，其中Pattern指待匹配的模式，Template指匹配之后的返回。
需要说明的是，在该子步骤中，在满足本发明技术构思的情况下，可采用现有技术中任何可能的方式来实现AIML配置文件或AIML模板的生成，本发明实施例不对其加以特别限制。
2033b、进行AIML匹配，AIML匹配将输入的句子根据AIML模版转换为想匹配的句子进行输出，该过程中主要采用了AIML技术。比如输入为：“##健康险<type>entity</type>是什么”，会匹配上模式“C1-p2：：^&#&[定义]&是什么/是啥||C1：#”所生成的模版，进而返回“C1：健康险”，其中C1表示所匹配上的句型类别，健康险是该句所包含的实体。进而根据句型类别和实体，可以在后继过程中进行泛化操作。
AIML模版形如以下格式：
每个<category>对应一个模版，其中<pattern>中的内容是相匹配的模式，<template>中指明了若匹配上之后所返回的内容。
值得注意的是，步骤203的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
204、根据等价句式模式数据，根据模板生成的相应算法生成问答对的问句的等价问句，然后根据问答对词典将问句的等价问句与相应答案进行匹配，获得泛化的问答对。
具体的，根据等价句式模式数据，根据模板生成的相应算法生成问答对的问句的等价问句，然后根据问答对词典将问句的等价问句与相应答案进行匹配，获得泛化的问答对。等价问句生成是基于模版生成来实现的，根据输入的句型类别找到所有相适应的等价句式，将句式中的符号“#”替换为输入的实体，然后用模版生成的算法，来生成所有可能的问句，再将这些问句与答案进行匹配，就可以得到最终的泛化QA对。
基于等价句式模版生成等价问句的算法相类似于AIML模版生成算法。具体的，算法伪码如下：
示例性地，针对pattern：“[可以/能/请]&介绍一下/介绍/了解一下&#&[吗/嘛]”和entity：“健康险”。首先替换pattern中的#为entity，为：
“[可以/能/请]&介绍一下/介绍/了解一下&健康险&[吗/嘛]”。
继而将其拆解为词的列表：
[可以，能，请，null]，[介绍一下，介绍，了解一下]，[健康险]，[吗，嘛，null]
需注意的是，若原部件中是可省略的情况，即是在符号[]中的，则需在List中加入null。继而可以生成所有的pattern：
[可以介绍一下健康险]，[可以介绍一下健康险吗]，[可以介绍一下健康险嘛]，[可以介绍#吗]，...
当采用AIML技术时，用户问句经过AIML Mapping之后会得到该问句所属的句式类别和实体。比如，输入为：“##健康险<type>entity</type>是什么”，返回“C1:健康险”，其中C1表示所匹配上的句型类别，健康险是该句所包含的实体，基于所返回的类别和实体，进而就可以生成等价的问句。
值得注意的是，步骤204的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。
实施例3
图6是对本发明实施例3提供的FAQ问答库泛化装置结构示意图。如图6所示，本发明实施例提供的FAQ问答库泛化装置，主要包括等价句式模式数据获取模块31、前置处理模块32及泛化问答对生成模块33。
其中，等价句式模式数据获取模块31，用于对FAQ问答库进行等价句式整理，获取等价句式模式数据。具体的，等价句式模式数据获取模块31用于：针对目标问句，通过句式转换，生成具有相同语义的句式表达方式不同的多种等价问句，进而生成新的问答对。优选地，等价句式模式数据获取模块还用于：将FAQ问答库问答对的原有映射f1:Q1→Q2、f2:Q2→A，加入一个中间层变更为f1:Q1→Q2'、f2':Q2'→Q2、f2:Q2→A，其中，Q1表示用户问句，Q2表示FAQ问答库问答对中某个问句，A表示FAQ问答库中与Q2相对应的回答；Q2'表示Q2的某一等价句式问句。
前置处理模块32，用于根据实体关键词列表对FAQ问答库的问答对的问句进行包括自然语言处理操作的前置处理，获取问答对的问句句式类型和实体。前置处理模块32进一步包括问答对词典获取子模块321，问答对词典获取子模块321用于：对所述FAQ问答库的问答对进行收集整理，获取问答对词典。优选地，前置处理模块32还包括AIML匹配模块322，AIML匹配模块322用于：根据等价句式模式数据进行AIML模版生成，生成AIML配置文件，根据AIML配置文件进行将经过自然语言处理操作的所述问答对的问句进行AIML匹配。
泛化问答对生成模块33，用于根据等价句式模式数据，生成问答对的问句的等价问句，获得泛化的问答对。具体的，泛化问答对生成模块33用于：根据等价句式模式数据，根据模板生成的相应算法生成问答对的问句的等价问句，然后根据问答对词典将问句的等价问句与相应答案进行匹配，获得泛化的问答对。
实施例4
图7是对本发明实施例4提供的FAQ问答库泛化设备结构示意图。如图7所示，本发明实施例提供的FAQ问答库泛化设备，包括处理器41和存储器42。
其中，存储器42，用于存储有处理器41的可执行指令；处理器41配置为经由所述可执行指令来执行实施例1、实施例2中任一实施方案的FAQ问答库泛化方法的步骤。
需要说明的是：上述实施例提供的触发FAQ问答库泛化业务的FAQ问答库泛化装置及设备在触发FAQ问答库泛化业务时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置或设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的FAQ问答库泛化装置及设备与FAQ问答库泛化方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
综上所述，本发明实施例提供的FAQ问答库泛化方法、装置及设备，相比现有技术，具有以下有益效果：
1、针对一个问答对，通过句式的等价性，可以将该问答扩展为多个具有相同语义的问题，进而将该“问题-回答”序对扩展为多个序对，对问答库中的所有的序对进行这样的扩展，达到了FAQ问答库泛化的目的；
2、通过对FAQ问答库进行泛化处理，大幅增加了问答库中“问题-回答”对的数量，使得可以提供更加丰富的语料给后继的问题匹配流程；
3、将泛化的FAQ序对作为后继与用户问句匹配的参考集合，进而可以提高用户问句回答的召回率和准确率；
4、在“问题-回答”对增加的基础上，提高了整个问答系统的召回率和准确率，改善了用户体验。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
本申请实施例中是参照根据本申请实施例中实施例的方法、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。
尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种FAQ问答库泛化方法，其特征在于，所述方法包括：
对FAQ问答库进行等价句式整理，获取等价句式模式数据，包括：将FAQ问答库问答对的原有映射f1:Q1→Q2、f2:Q2→A，加入一个中间层变更为f1:Q1→Q2'、f2':Q2'→Q2、f2:Q2→A，其中，Q1表示用户问句，Q2表示FAQ问答库问答对中某个问句，A表示FAQ问答库中与Q2相对应的回答；Q2'表示Q2的某一等价句式问句；
根据实体关键词列表对所述FAQ问答库的问答对的问句进行包括自然语言处理操作的前置处理，获取所述问答对的问句句式类型和实体；
根据所述等价句式模式数据，生成所述问答对的问句的等价问句，获得泛化的问答对。
2.根据权利要求1所述的方法，其特征在于，对FAQ问答库进行等价句式整理，获取等价句式模式数据，包括：
针对目标问句，通过句式转换，生成具有相同语义的句式表达方式不同的多种等价问句，进而生成新的问答对。
3.根据权利要求1所述的方法，其特征在于，所述前置处理还包括：
对所述FAQ问答库的问答对进行收集整理，获取问答对词典。
4.根据权利要求3所述的方法，其特征在于，根据所述等价句式模式数据，生成所述问答对的问句的等价问句，获得泛化的问答对，包括：
根据所述等价句式模式数据，根据模板生成的相应算法生成所述问答对的问句的等价问句，然后根据所述问答对词典将所述问句的等价问句与相应答案进行匹配，获得泛化的问答对。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述前置处理还包括：
根据所述等价句式模式数据进行AIML模版生成，生成AIML配置文件，根据AIML配置文件进行将经过自然语言处理操作的所述问答对的问句进行AIML匹配。
6.一种FAQ问答库泛化装置，其特征在于，包括：
等价句式模式数据获取模块，用于对FAQ问答库进行等价句式整理，获取等价句式模式数据，所述等价句式模式数据获取模块用于：将FAQ问答库问答对的原有映射f1:Q1→Q2、f2:Q2→A，加入一个中间层变更为f1:Q1→Q2'、f2':Q2'→Q2、f2:Q2→A，其中，Q1表示用户问句，Q2表示FAQ问答库问答对中某个问句，A表示FAQ问答库中与Q2相对应的回答；Q2'表示Q2的某一等价句式问句；
前置处理模块，用于根据实体关键词列表对所述FAQ问答库的问答对的问句进行包括自然语言处理操作的前置处理，获取所述问答对的问句句式类型和实体；
泛化问答对生成模块，用于根据所述等价句式模式数据，生成所述问答对的问句的等价问句，获得泛化的问答对。
7.根据权利要求6所述的装置，其特征在于，等价句式模式数据获取模块用于：
针对目标问句，通过句式转换，生成具有相同语义的句式表达方式不同的多种等价问句，进而生成新的问答对。
8.根据权利要求6所述的装置，其特征在于，所述前置处理模块包括：问答对词典获取子模块，所述问答对词典获取子模块用于：
对所述FAQ问答库的问答对进行收集整理，获取问答对词典。
9.根据权利要求8所述的装置，其特征在于，所述泛化问答对生成模块用于：
根据所述等价句式模式数据，根据模板生成的相应算法生成所述问答对的问句的等价问句，然后根据所述问答对词典将所述问句的等价问句与相应答案进行匹配，获得泛化的问答对。
10.根据权利要求6至9任一项所述的装置，其特征在于，所述前置处理模块还包括AIML匹配模块，所述AIML匹配模块用于：
根据所述等价句式模式数据进行AIML模版生成，生成AIML配置文件，根据AIML配置文件进行将经过自然语言处理操作的所述问答对的问句进行AIML匹配。
11.一种FAQ问答库泛化设备，其特征在于，包括：
处理器；
存储器，用于存储有所述处理器的可执行指令；
其中，所述处理器配置为经由所述可执行指令来执行权利要求1至5中任一项所述的FAQ问答库泛化方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810768888.1A CN109325040B (zh) | 2018-07-13 | 2018-07-13 | 一种faq问答库泛化方法、装置及设备 |
| PCT/CN2019/071300 WO2020010834A1 (zh) | 2018-07-13 | 2019-01-11 | 一种faq问答库泛化方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810768888.1A CN109325040B (zh) | 2018-07-13 | 2018-07-13 | 一种faq问答库泛化方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109325040A CN109325040A (zh) | 2019-02-12 |
| CN109325040B true CN109325040B (zh) | 2020-11-10 |
Family
ID=65263922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810768888.1A Active CN109325040B (zh) | 2018-07-13 | 2018-07-13 | 一种faq问答库泛化方法、装置及设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109325040B (zh) |
| WO (1) | WO2020010834A1 (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111859906A (zh) * | 2019-04-25 | 2020-10-30 | 上海昌华信息技术有限公司 | 一种商用对话系统中训练文本语料泛化的方法 |
| CN110321416A (zh) * | 2019-05-23 | 2019-10-11 | 深圳壹账通智能科技有限公司 | 基于aiml的智能问答方法、装置、计算机设备及存储介质 |
| CN110309280B (zh) * | 2019-05-27 | 2021-11-09 | 重庆小雨点小额贷款有限公司 | 一种语料扩容方法及相关设备 |
| CN110209655B (zh) * | 2019-06-11 | 2021-07-13 | 深圳市仝智科技有限公司 | 基于认知过程的问答库生成系统及方法 |
| CN110674272B (zh) * | 2019-09-05 | 2022-12-06 | 科大讯飞股份有限公司 | 一种问题答案确定方法及相关装置 |
| CN110851579B (zh) * | 2019-11-06 | 2023-03-10 | 杨鑫蛟 | 用户意图识别方法、系统、移动终端及存储介质 |
| US11704497B2 (en) | 2020-09-09 | 2023-07-18 | International Business Machines Corporation | Generating and using a sentence model for answer generation |
| CN112507097B (zh) * | 2020-12-17 | 2022-11-18 | 神思电子技术股份有限公司 | 一种提高问答系统泛化能力的方法 |
| 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101174259A (zh) * | 2007-09-17 | 2008-05-07 | 张琰亮 | 一种智能互动式问答系统 |
| CN105930452A (zh) * | 2016-04-21 | 2016-09-07 | 北京紫平方信息技术股份有限公司 | 一种识别自然语言的智能应答方法 |
| CN106295807A (zh) * | 2016-08-23 | 2017-01-04 | 上海智臻智能网络科技股份有限公司 | 一种信息处理的方法及装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8185539B1 (en) * | 2008-08-12 | 2012-05-22 | Foneweb, Inc. | Web site or directory search using speech recognition of letters |
| US20100063797A1 (en) * | 2008-09-09 | 2010-03-11 | Microsoft Corporation | Discovering question and answer pairs |
| JP5485236B2 (ja) * | 2011-08-31 | 2014-05-07 | 株式会社東芝 | Ｆａｑ作成支援システム及びプログラム |
| CN105354185B (zh) * | 2015-10-30 | 2018-05-18 | 上海智臻智能网络科技股份有限公司 | 用于问答系统挖掘关联问句的方法及装置 |
| CN106095932B (zh) * | 2016-06-13 | 2019-12-20 | 竹间智能科技（上海）有限公司 | 百科知识问句识别方法及装置 |
| CN108255826A (zh) * | 2016-12-28 | 2018-07-06 | 中兴通讯股份有限公司 | 一种常用问答对faq 生成方法、装置及系统 |
| CN107273350A (zh) * | 2017-05-16 | 2017-10-20 | 广东电网有限责任公司江门供电局 | 一种实现智能问答的信息处理方法及其装置 |
-
2018
- 2018-07-13 CN CN201810768888.1A patent/CN109325040B/zh active Active
-
2019
- 2019-01-11 WO PCT/CN2019/071300 patent/WO2020010834A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101174259A (zh) * | 2007-09-17 | 2008-05-07 | 张琰亮 | 一种智能互动式问答系统 |
| CN105930452A (zh) * | 2016-04-21 | 2016-09-07 | 北京紫平方信息技术股份有限公司 | 一种识别自然语言的智能应答方法 |
| CN106295807A (zh) * | 2016-08-23 | 2017-01-04 | 上海智臻智能网络科技股份有限公司 | 一种信息处理的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020010834A1 (zh) | 2020-01-16 |
| CN109325040A (zh) | 2019-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109325040B (zh) | 一种faq问答库泛化方法、装置及设备 | |
| CN109284363B (zh) | 一种问答方法、装置、电子设备及存储介质 | |
| CN110837550A (zh) | 基于知识图谱的问答方法、装置、电子设备及存储介质 | |
| CN111368042A (zh) | 智能问答方法、装置、计算机设备及计算机存储介质 | |
| CN107656996B (zh) | 基于人工智能的人机交互方法和装置 | |
| CN110866093A (zh) | 机器问答方法及装置 | |
| CN108304424B (zh) | 文本关键词提取方法及文本关键词提取装置 | |
| CN112035599B (zh) | 基于垂直搜索的查询方法、装置、计算机设备及存储介质 | |
| CN112579733B (zh) | 规则匹配方法、规则匹配装置、存储介质及电子设备 | |
| CN112328800A (zh) | 自动生成编程规范问题答案的系统及方法 | |
| CN116127095A (zh) | 一种序列模型与知识图谱结合的问答方法 | |
| CN113408284A (zh) | 文本处理模型的训练方法、装置、电子设备及存储介质 | |
| CN110442730A (zh) | 一种基于deepdive的知识图谱构建方法 | |
| CN116010581A (zh) | 一种基于电网隐患排查场景的知识图谱问答方法及系统 | |
| CN112685550A (zh) | 智能问答方法、装置、服务器及计算机可读存储介质 | |
| CN115600605A (zh) | 一种中文实体关系联合抽取方法、系统、设备及存储介质 | |
| CN113343692B (zh) | 搜索意图的识别方法、模型训练方法、装置、介质及设备 | |
| CN114911915A (zh) | 一种基于知识图谱的问答搜索方法、系统、设备和介质 | |
| CN113157885B (zh) | 一种面向人工智能领域知识的高效智能问答系统 | |
| CN114117000A (zh) | 应答方法、装置、设备及存储介质 | |
| CN117076718A (zh) | 一种基于大语言模型的图数据库查询处理系统及方法 | |
| CN111026908A (zh) | 歌曲标签确定方法、装置、计算机设备以及存储介质 | |
| CN106570138B (zh) | 基于人工智能的信息搜索方法和装置 | |
| CN117390169B (zh) | 表格数据问答方法、装置、设备及存储介质 | |
| CN117235236B (zh) | 对话方法、装置、计算机设备和存储介质 |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1260465 Country of ref document: HK |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240306 Address after: Room 1179, W Zone, 11th Floor, Building 1, No. 158 Shuanglian Road, Qingpu District, Shanghai, 201702 Patentee after: Shanghai Zhongan Information Technology Service Co.,Ltd. Country or region after: China Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: ZHONGAN INFORMATION TECHNOLOGY SERVICE Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240415 Address after: Room 1179, W Zone, 11th Floor, Building 1, No. 158 Shuanglian Road, Qingpu District, Shanghai, 201702 Patentee after: Shanghai Zhongan Information Technology Service Co.,Ltd. Country or region after: China Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: ZHONGAN INFORMATION TECHNOLOGY SERVICE Co.,Ltd. Country or region before: China |