CN109739958A - 一种说明书手册问答方法及系统 - Google Patents

Abstract

本发明实施例提供一种说明书手册问答方法及系统，其中，所提供的方法包括：获取用户发送的问题信息，将所述问题信息转化为问题语句；通过搜索引擎对所述问题语句进行检索，获取多条所述问题语句对应的答案，获得预选答案列表；将所述问题语句分别与所述预选答案列表中的每一个答案进行组合，构建多个特征向量；将多个所述特征向量输入到预设的神经网络中，通过所述神经网络对所述多个特征向量进行打分，将得分最高的特征向量对应的答案作为问题答案反馈给用户。本发明提供的方法，采用搜索引擎获得候选答案，并通过神经网络对候选答案进行筛选，获得最终的问题答案，解决了传统方法中需要大量的人工对文档进行问题整理和标注的问题。

Description

一种说明书手册问答方法及系统

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种说明书手册问答方法及系统。

背景技术

随着人工智能的发展，语音助手得到了很多具体场景的应用，比如手机，汽车，家居等。但目前语音助手主要实现的是一些命令型的任务。在一些具体的场景应用中，比如车载语音助手，用户想知道这辆车(具体型号)的车型帮助信息，而汽车说明手册中的某一句话或者某一段话通常蕴含了这些答案信息。因此需要解决的问题是将某种型号的汽车集成专有的型号汽车说明手册、汽车维护手册等定制到具体车辆车型的定制化帮助任务，也就是基于文档的智能问答，同样的在其它领域如家居领域，也可以集成定制化针对具体某个品牌某个型号的家电说明手册语音帮助问答等。

在现有技术中，基于文档的智能问答方案通常采用定制的方式对问题和答案进行汇总，针对每一个特定的问题分配一个特定的答案，或者采用传统的搜索引擎对问题和文档中的答案进行匹配。

然而，在现有的文档智能问答中，使用传统方式对问题和答案进行整理，会耗费大量的人工成本，同时针对不同的文档，需要进行不同的问题和答案的定制，费时费力，而使用搜索引擎来进行问题和答案的匹配成功率较低，用户往往无法获得精准的答案，存在用户体验较差的问题。

发明内容

本发明实施例提供一种说明书手册问答方及系统，用以解决现有技术中使用传统方式对问题和答案进行整理，会耗费大量的人工成本，同时针对不同的文档，需要进行不同的问题和答案的定制，而使用搜索引擎来进行问题和答案的匹配成功率较低，用户往往无法获得精准的答案，存在用户体验较差的问题。

第一方面，本发明实施例提供一种说明书手册问答方法，包括：

获取用户发送的问题信息，将所述问题信息转化为问题语句；

通过搜索引擎对所述问题语句进行检索，获取多条所述问题语句对应的答案，获得预选答案列表；

将所述问题语句分别与所述预选答案列表中的每一个答案进行组合，构建多个特征向量；

将多个所述特征向量输入到预设的神经网络中，通过所述神经网络对所述多个特征向量进行打分，将得分最高的特征向量对应的答案作为问题答案反馈给用户。

第二方面，本发明实施例提供一种说明书手册问答系统，包括：

接收模块，用于获取用户发送的问题信息，将所述问题信息转化为问题语句；

检索模块，用于通过搜索引擎对所述问题语句进行检索，获取多条所述问题语句对应的答案，获得预选答案列表；

特征构建模块，用于将所述问题语句分别与所述预选答案列表中的每一个答案进行组合，构建多个特征向量；

判断模块，用于将多个所述特征向量输入到预设的神经网络中，通过所述神经网络对所述多个特征向量进行打分，将得分最高的特征向量对应的答案作为问题答案反馈给用户。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面所提供的说明书手册问答方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面所提供的说明书手册问答方法的步骤。

本发明实施例提供的说明书手册问答方法及系统，采用搜索引擎获得候选答案，并通过神经网络对候选答案进行筛选，获得最终的问题答案，提高了自动应答用户问题的准确度，同时无需根据不同领域不同品牌不同型号的说明手册进行相关定制，模型具备有普适度，解决了传统方法中需要大量的人工对文档进行问题整理和标注的问题。

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一简单地介绍，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为本发明一实施例提供的说明书手册问答方法的流程示意图；

图2为本发明一实施例提供的说明书手册问答系统的结构示意图；

图3为本发明一实施例提供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、完整地描述，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。

参考图1，图1为本发明一实施例提供的说明书手册问答方法的流程示意图，所提供的方法包括：

S1，获取用户发送的问题信息，将所述问题信息转化为问题语句。

S2，通过搜索引擎对所述问题语句进行检索，获取多条所述问题语句对应的答案，获得预选答案列表。

S3，将所述问题语句分别与所述预选答案列表中的每一个答案进行组合，构建多个特征向量。

S4，将多个所述特征向量输入到预设的神经网络中，通过所述神经网络对所述多个特征向量进行打分，将得分最高的特征向量对应的答案作为问题答案反馈给用户。

具体的，用户首先通过用户终端发送问题信息，具体的信息可以是语音信息或者文字信息中的任一种信息，在接收到用户的问题信息后，需要将具体的信息转化为可以识别的问题语句。问题语句是以文本的形式进行体现。

在将用户发送的问题信息转化为文本形式的问题语句后，通过搜索引擎对问题语句进行检索，将检索到的多条说明手册答案作为候选答案，当选取到的说明书手册答案数量过多时，可以选取排序靠前的预设数量的答案作为候选答案，例如当通过搜索引擎搜索到的答案数量为20个时，可以选取排序在前10个的答案作为候选答案，进而根据候选答案，获得预选答案列表。

在获取候选答案列表后，分别将问题语句和预先答案列表中的每一个候选答案组合，获得问题语句与每一个候选答案组成的特征向量，即当预选答案列表中的预选答案为10个时，则生成10个不同的特征向量。

分别将构建的特征向量输入到预设的神经网络中，通过神经网络对每一个特征向量进行打分，将得分最高的特征向量对应的候选答案作为最终的问题答案反馈给用户，以完成说明书手册问答过程。

通过此方法，采用搜索引擎获得候选答案，并通过神经网络对候选答案进行筛选，获得最终的问题答案，提高了自动应答用户问题的准确度，同时无需根据不同领域不同品牌不同型号的说明手册进行相关定制，模型具备有普适度，解决了传统方法中需要大量的人工对文档进行问题整理和标注的问题。

在上述实施例的基础上，所述获取用户发送的问题信息，将所述问题信息转化为问题语句的步骤具体包括：

接收用户发送的语音信息，通过语音助手对所述语音信息进行识别，获得所述语音信息对应的文字信息；将所述文字信息作为用户发送的问题信息。

具体的，当用户发送的问题信息为语音信息时，首选通过语音助手识别用户发送的问题信息，并根据语音转换工具，将用户发送的语音转换为文字信息，并将转换后的文字信息作为问题语句。

在上述实施例的基础上，所述通过搜索引擎对所述问题语句进行检索，获取多条所述问题语句对应的答案的步骤，具体包括：将所述问题语句进行分词，获取所述问题语句中的关键词；通过搜索引擎对所述问题语句中的关键词进行检索，获取多条所述问题语句对应的答案。

具体的，通过搜索引擎对问题语句进行检索的步骤具体包括，对获取的问题语句进行分词，获得问题语句中的关键词，通过搜索引擎，对问题语句中的关键词进行检索，进而获得多条问题语句对应的候选答案。

在上述实施例的基础上，所述将得分最高的特征向量对应的答案作为问题答案反馈给用户的步骤具体包括：将得分最高的特征向量对应的答案通过语音工具，转化为语音信息；将所述语音信息发送给用户。

具体的，在通过神经网络对所有的特征向量进行打分后，选取得分最高的特征向量对应的答案，作为用户提问的问题答案反馈给用户，答案的反馈可以通过文体信息进行反馈，也可以通过语音信息进行反馈，当通过语音的方式进行反馈的时候，会通过语音工具，将问题答案从文字信息转化为语音信息，并将转化后的语音信息发送给用户。

通过此方法，实现了通过语音助手，对用户提出的问题进行自动智能回复，提升了对于说明书手册智能问答的准确性。

在上述实施例的基础上，所述方法还包括：通过预设的数据集中的每一条问题语句和候选答案进行词向量的分布式表示，对神经网络进行训练，获得预设的神经网络。

具体的，对神经网络的训练过程主要是从收集到的数据集进行词向量的训练，得到通用模型的词向量。具体实现中，数据集每一条问题语句和候选答案进行词向量的分布式表示，并送入神经网络中，对神经网络模型进行训练，学习问题语句和候选答案之间的逻辑推理关系，完成模型的答案选择任务，得到通用的答案选择模型。在实际应用过程中，神经网络模型可以在所有的领域通用，仅需要将训练好的神经网络模型进行迁移到具体的应用领域，并完成模型的领域优化调整即可。

综上所述，本发明提供的说明书手册问答方法，引入神经网络进行问题语句和候选答案的匹配，显著地提高了检索的成功率，解决了传统方案需要对文档进行问题的整理和标注的大量人工工作问题，同时解决了不同领域不同品牌不同型号的说明手册需要不同模型的定制问题，提出了通用模型，通过收集各个领域更多的数据集和训练的数据，避免了具体领域具体型号应用领域数据不足问题，并且得到了效果比较好的通用模型，解决了定制化模型不通用的问题。

参考图2，图2为本发明一实施例提供的说明书手册问答系统的结构示意图，所提供的系统包括：接收模块21，检索模块22，特征构建模块23和判断模块24。

其中，接收模块21用于获取用户发送的问题信息，将所述问题信息转化为问题语句。

检索模块22用于通过搜索引擎对所述问题语句进行检索，获取多条所述问题语句对应的答案，获得预选答案列表。

特征构建模块23用于将所述问题语句分别与所述预选答案列表中的每一个答案进行组合，构建多个特征向量。

判断模块24用于将多个所述特征向量输入到预设的神经网络中，通过所述神经网络对所述多个特征向量进行打分，将得分最高的特征向量对应的答案作为问题答案反馈给用户。

具体的，用户首先通过用户终端发送问题信息，具体的信息可以是语音信息或者文字信息中的任一种信息，接收模块在接收到用户的问题信息后，需要将具体的信息转化为可以识别的问题语句。问题语句是以文本的形式进行体现。检索模块在将用户发送的问题信息转化为文本形式的问题语句后，通过搜索引擎对问题语句进行检索，将检索到的多条说明手册答案作为候选答案，当选取到的说明书手册答案数量过多时，可以选取排序靠前的预设数量的答案作为候选答案。在获取候选答案列表后，特征构建模块分别将问题语句和预先答案列表中的每一个候选答案组合，获得问题语句与每一个候选答案组成的特征向量。分别将构建的特征向量输入到预设的神经网络中，判断模块通过神经网络对每一个特征向量进行打分，将得分最高的特征向量对应的候选答案作为最终的问题答案反馈给用户，以完成说明书手册问答过程。

通过此系统，采用搜索引擎获得候选答案，并通过神经网络对候选答案进行筛选，获得最终的问题答案，提高了自动应答用户问题的准确度，同时无需根据不同领域不同品牌不同型号的说明手册进行相关定制，模型具备有普适度，解决了传统方法中需要大量的人工对文档进行问题整理和标注的问题。

在上述实施例的基础上，所述检索模块具体包括：分词子模块，用于将所述问题语句进行分词，获取所述问题语句中的关键词；搜索引擎子模块，用于通过搜索引擎对所述问题语句中的管检测进行检索，获取多条所述问题语句对应的答案。

所述系统还包括：训练模块，用于通过预设的数据集中的每一条问题语句和候选答案进行词向量的分布式表示，对神经网络进行训练，获得预设的神经网络。

具体的，通过搜索引擎对问题语句进行检索的步骤具体包括，分词子模块对获取的问题语句进行分词，获得问题语句中的关键词，搜索引擎子模块通过搜索引擎，对问题语句中的关键词进行检索，进而获得多条问题语句对应的候选答案。

对神经网络的训练过程主要是从收集到的数据集进行词向量的训练，得到通用模型的词向量。具体实现中，数据集每一条问题语句和候选答案进行词向量的分布式表示，并送入神经网络中，对神经网络模型进行训练，获得训练完成的神经网络。

图3为本发明实施例的一种电子设备的结构示意图，如图3所示，电子设备包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和总线304，其中，处理器301，通信接口302，存储器303通过总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行如下方法，例如包括：获取用户发送的问题信息，将所述问题信息转化为问题语句；通过搜索引擎对所述问题语句进行检索，获取多条所述问题语句对应的答案，获得预选答案列表；将所述问题语句分别与所述预选答案列表中的每一个答案进行组合，构建多个特征向量；将多个所述特征向量输入到预设的神经网络中，通过所述神经网络对所述多个特征向量进行打分，将得分最高的特征向量对应的答案作为问题答案反馈给用户。

本发明实施例公开一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取用户发送的问题信息，将所述问题信息转化为问题语句；通过搜索引擎对所述问题语句进行检索，获取多条所述问题语句对应的答案，获得预选答案列表；将所述问题语句分别与所述预选答案列表中的每一个答案进行组合，构建多个特征向量；将多个所述特征向量输入到预设的神经网络中，通过所述神经网络对所述多个特征向量进行打分，将得分最高的特征向量对应的答案作为问题答案反馈给用户。

本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：获取用户发送的问题信息，将所述问题信息转化为问题语句；通过搜索引擎对所述问题语句进行检索，获取多条所述问题语句对应的答案，获得预选答案列表；将所述问题语句分别与所述预选答案列表中的每一个答案进行组合，构建多个特征向量；将多个所述特征向量输入到预设的神经网络中，通过所述神经网络对所述多个特征向量进行打分，将得分最高的特征向量对应的答案作为问题答案反馈给用户。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种说明书手册问答方法，其特征在于，包括：

获取用户发送的问题信息，将所述问题信息转化为问题语句；

通过搜索引擎对所述问题语句进行检索，获取多条所述问题语句对应的答案，获得预选答案列表；

将所述问题语句分别与所述预选答案列表中的每一个答案进行组合，构建多个特征向量；

将多个所述特征向量输入到预设的神经网络中，通过所述神经网络对所述多个特征向量进行打分，将得分最高的特征向量对应的答案作为问题答案反馈给用户。

2.根据权利要求1所述的方法，其特征在于，所述获取用户发送的问题信息，将所述问题信息转化为问题语句的步骤具体包括：

接收用户发送的语音信息，通过语音助手对所述语音信息进行识别，获得所述语音信息对应的文字信息；

将所述文字信息作为用户发送的问题信息。

3.根据权利要求1所述的方法，其特征在于，所述通过搜索引擎对所述问题语句进行检索，获取多条所述问题语句对应的答案的步骤，具体包括：

将所述问题语句进行分词，获取所述问题语句中的关键词；

通过搜索引擎对所述问题语句中的关键词进行检索，获取多条所述问题语句对应的答案。

4.根据权利要求1所述的方法，其特征在于，所述将得分最高的特征向量对应的答案作为问题答案反馈给用户的步骤具体包括：

将得分最高的特征向量对应的答案通过语音工具，转化为语音信息；

将所述语音信息发送给用户。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

通过预设的数据集中的每一条问题语句和候选答案进行词向量的分布式表示，对神经网络进行训练，获得预设的神经网络。

6.一种说明书手册问答系统，其特征在于，包括：

接收模块，用于获取用户发送的问题信息，将所述问题信息转化为问题语句；

检索模块，用于通过搜索引擎对所述问题语句进行检索，获取多条所述问题语句对应的答案，获得预选答案列表；

特征构建模块，用于将所述问题语句分别与所述预选答案列表中的每一个答案进行组合，构建多个特征向量；

判断模块，用于将多个所述特征向量输入到预设的神经网络中，通过所述神经网络对所述多个特征向量进行打分，将得分最高的特征向量对应的答案作为问题答案反馈给用户。

7.根据权利要求6所述的系统，其特征在于，所述检索模块具体包括：

分词子模块，用于将所述问题语句进行分词，获取所述问题语句中的关键词；

搜索引擎子模块，用于通过搜索引擎对所述问题语句中的管检测进行检索，获取多条所述问题语句对应的答案。

8.根据权利要求6所述的系统，其特征在于，所述系统还包括：

训练模块，用于通过预设的数据集中的每一条问题语句和候选答案进行词向量的分布式表示，对神经网络进行训练，获得预设的神经网络。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述说明书手册问答方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述说明书手册问答方法的步骤。