CN110096580A

CN110096580A - 一种faq对话方法、装置及电子设备

Info

Publication number: CN110096580A
Application number: CN201910332922.5A
Authority: CN
Inventors: 谢子哲; 罗雪峰; 彭程; 王俊; 王巍巍
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2019-04-24
Filing date: 2019-04-24
Publication date: 2019-08-06
Anticipated expiration: 2039-04-24
Also published as: CN110096580B

Abstract

本发明提供一种FAQ对话方法、装置及电子设备，方法包括：接收用户输入的查询语句；在问答库中查询与查询语句关联的N对第一问答对，其中，问答库中的每一问答对包括问句和答案，且每一第一问答对的问句与查询语句匹配，N为大于1的整数；基于深度学习模型，获取N对第一问答对中各问句与查询语句的相似度，其中，深度学习模型为：基于问答库中的部分或者全部问答对训练得到的模型；在N对第一问答对中，将问句与查询语句的相似度最高的第一问答对确定为目标问答对，并输出目标问答对的答案。这样，电子设备不仅可以提升输出查询语句的答案的准确性，还可以提升匹配速度，进而提升电子设备输出查询语句的答案的效率。

Description

一种FAQ对话方法、装置及电子设备

技术领域

本发明涉及人工智能技术领域，尤其涉及一种FAQ对话方法、装置及电子设备。

背景技术

在常见问答(Frequently Asked Question，FAQ)对话中，FAQ系统中预先构建有包括大量问答对(即“问句-答案”对)的问答库，当接收到用户提出的问题时，FAQ系统可以基于用户提出的问题在上述问答库中查找到最佳的问答对，并将该问答对的答案返回给用户，其中，该最佳的问答对FAQ系统确定的问句与用户提出的问题匹配的问答对。

其中，目前在问答库中查找上述最佳问答对的过程中，通常是通过无监督学习模型直接计算提出的问题与问答库中各问答对的相似性，并将相似性最高的问答对确定为最佳问答对。但是，通过无监督学习模型确定最佳问答对，虽然可以保证FAQ系统的响应速度，但是通常无法满足匹配的精度要求，即无监督学习模型匹配到的问答对可能并不是最佳的问答对。可见，目前FAQ对话基于用户提出的问题匹配最佳问答中对存在准确度低的问题。

发明内容

本发明实施例提供一种FAQ对话方法、装置及电子设备，以解决目前FAQ对话基于用户提出的问题匹配最佳问答中对存在准确度低的问题。

为解决上述问题，本发明实施例是这样实现的：

第一方面，本发明实施例提供了一种FAQ对话方法，所述方法包括：

接收用户输入的查询语句；

在问答库中查询与所述查询语句关联的N对第一问答对，其中，所述问答库中的每一问答对包括问句和答案，且每一第一问答对的问句与所述查询语句匹配，所述N为大于1的整数；

基于深度学习模型，获取所述N对第一问答对中各问句与所述查询语句的相似度，其中，所述深度学习模型为：基于所述问答库中的部分或者全部问答对训练得到的模型；

在所述N对第一问答对中，将问句与所述查询语句的相似度最高的第一问答对确定为目标问答对，并输出所述目标问答对的答案。

第二方面，本发明实施例还提供了一种FAQ对话装置，包括：

输入模块，用于接收用户输入的查询语句；

第一查询模块，用于在问答库中查询与所述查询语句关联的N对第一问答对，其中，所述问答库中的每一问答对包括问句和答案，且每一第一问答对的问句与所述查询语句匹配，所述N为大于1的整数；

第二查询模块，用于基于深度学习模型，获取所述N对第一问答对中各问句与所述查询语句的相似度，其中，所述深度学习模型为：基于所述问答库中的部分或者全部问答对训练得到的模型；

输出模块，用于在所述N对第一问答对中，将问句与所述查询语句的相似度最高的第一问答对确定为目标问答对，并输出所述目标问答对的答案。

第三方面，本发明实施例还提供了一种FAQ对话装置，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述FAQ对话方法的步骤。

第四方面，本发明实施例还提供了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，所述计算机程序被处理器执行时实现上述FAQ对话方法的步骤。

本发明实施例，通过接收用户输入的查询语句；在问答库中查询与查询语句关联的N对第一问答对，其中，问答库中的每一问答对包括问句和答案，且每一第一问答对的问句与查询语句匹配，N为大于1的整数；基于深度学习模型，获取N对第一问答对中各问句与查询语句的相似度，其中，深度学习模型为：基于问答库中的部分或者全部问答对训练得到的模型；在N对第一问答对中，将问句与查询语句的相似度最高的第一问答对确定为目标问答对，并输出目标问答对的答案，这样，电子设备不仅可以提升输出查询语句的答案的准确性，还可以提升匹配速度，进而提升电子设备输出查询语句的答案的效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的FAQ对话方法的流程示意图；

图2是本发明实施例提供的FAQ对话处理过程的原理图；

图3是本发明实施例提供的FAQ对话装置的结构示意图之一；

图4是本发明实施例提供的第一查询模块的结构示意图；

图5是本发明实施例提供的句向量获取单元的结构示意图；

图6是本发明实施例提供的FAQ对话装置的结构示意图之二；

图7是本发明实施例提供的电子设备的硬件结构示意图。

具体实施方式

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。

参见图1，图1是本发明实施例提供的一种FAQ对话方法的流程图，如图1所示，方法包括以下步骤：

步骤101、接收用户输入的查询语句；

步骤102、在问答库中查询与查询语句关联的N对第一问答对，其中，问答库中的每一问答对包括问句和答案，且每一第一问答对的问句与查询语句匹配，N为大于1的整数；

步骤103、基于深度学习模型，获取N对第一问答对中各问句与查询语句的相似度，其中，深度学习模型为：基于问答库中的部分或者全部问答对训练得到的模型；

步骤104、在N对第一问答对中，将问句与查询语句的相似度最高的第一问答对确定为目标问答对，并输出目标问答对的答案。

这里，电子设备可以先在问答库中查询与用户输入的查询语句关联的一定数量对第一问答对(即N对第一问答对)，再基于深度学习模型在关联的一定数量对第一问答对中确定目标问答对，并输出目标问答对的答案，从而不仅可以提升基于用户的查询语句匹配到最佳答案的准确性，还可以提升匹配速度，进而提升电子设备输出查询语句的答案的效率。

需要说明的是，上述电子设备可以是任何能够实现上述FAQ对话方法的设备或者系统，例如：其可以是由一台或者多台服务器组成的电子设备，等等，在此并不进行限定。

上述步骤101中，当用户需要查询语句时，用户可以在电子设备中输入查询语句，电子设备接收到用户输入的查询语句。

其中，上述输入的查询语句，可以是通过语音输入的查询语句，或者也可以是通过文字输入的查询语句，等等，在此并不进行限定。

在上述步骤102中，在电子设备接收到用户输入的查询语句的情况下，电子设备可以在问答库中查询与上述查询语句关联的N对第一问答对。

其中，上述问答对中预先存储有大量的问答对，且每一对问答对包括问句和答案，且上述N对第一问答对为问答库中的部分问答对，每一问答对的问句与查询语句匹配。

需要说明的是，上述问答库中预先存储的问答对，可以是电子设备在使用过程中自动收集的问答对，或者，也可以是电子设备根据标注人员的标注操作得到的问答对，例如：如图2所示，可以是电子设备根据标注人员的标注操作，生成包括上万个问答对的问答库。

另外，为提升查询到查询语句的答案的概率，可以在问答库中预先存储多对具有相似性问句的问答对，具体地，电子设备可以根据标注人员的标注操作，为问答库中的每一问句标注至少两个相似性问句，使得该问句与其相似性问句形成一个问句组，从而使查询语句在相近的问句组中更容易查询到答案。例如：可以是为问答库中的每个问句标注大于或者等于50条相似问，该问句与该大于或者等于50条相似问形成一组问句组。

可选的，上述在问答库中查询与查询语句关联的N对第一问答对，包括：

获取问答库中每一问句的句向量以及查询语句的句向量；

基于问答库中每一问句的句向量以及查询语句的句向量，在问答库中确定N个第一问句，其中，每一第一问句与查询语句的相似度满足预设条件；

确定问答库中与N个第一问句对应的N对第一问答对。

这里，电子设备可以根据问答库中每一问句的句向量以及查询语句的句向量，在问答库中确定问句与查询语句的相似度满足预设条件的N对问答对，从而使确定的N对问答对更合适，提升最终确定的查询语句的答案的准确性。

进一步可选的，上述获取问答库中每一问句的句向量以及查询语句的句向量，包括：生成语料库中所有词的词向量；基于语料库中所有词的词向量，并通过预设的句向量生成公式，生成问答库中每一问句的句向量以及查询语句的句向量，从而使电子设备可以快速获取问答库中每一问句以及查询语句的句向量。

具体地，上述句向量生成公式可以是：

v_s表示由若干个词w构成的句子S的句向量；

v_w表示词w的词向量；

f_w表示词w在上述语料库中的词频；

α表示平滑参数，例如：可以是预设α为0.01；

v_min表示所有词向量的最大值；

v_min表示所有词向量的最小值；

v_mean表示所有词向量的平均值。

当然，上述电子设备获取问答库中每一问句的句向量以及查询语句的句向量，也可以是通过除上述实施方式之外的其他方式获取，在此并不进行限定。

进一步可选的，上述在问答库中确定N个第一问句，包括：通过最近邻搜索在问答库中确定N个第一问句。

这里，电子设备基于每一问句的句向量以及查询语句的句向量，通过最近邻搜索方法可以在问答库快速地确定N个第一问句，提升匹配上述N个第一问句的速度，进而提升电子设备输出查询语句的答案的效率。

其中，上述通过最近邻搜索在问答库中确定N个第一问句，可以是在电子设备将问答库中相似性的语句划分为问句组的情况下，电子设备在得到问答库中每一问句的句向量时，将问答库中所有相似性的问句(即处于同一问句组的语句)的句向量存入同一索引中，并在获取到查询语句的句向量的情况下，通过索引进行最近邻搜索，查找到上述N个第一问句，这样，通过索引可以更加快速地查找到上述N个第一问句，进一步提升电子设备输出查询语句的答案的效率。

同样地，上述在问答库中确定N个第一问句，也可以是通过其他算法在问答库中确定N个第一问句，在此也不作限定。

另外，上述在问答库中确定N个第一问句，可以是在问答库中的问句中，将与查询语句的相似度大于或者等于预设阈值的问句确定为上述N个第一问句，即上述预设条件为大于或者等于预设阈值；或者，也可以是将与查询语句的相似度最大的N个问句确定为上述N个第一问句，即上述预设条件为与查询语句的相似度靠前。

需要说明的是，上述获取问答库中每一问句的句向量以及查询语句的句向量，可以是电子设备在用户输入查询语句之前得到问答库中每一问句的句向量，并将每一问句的句向量进行存储；当电子设备获取到用户输入的查询语句时，电子设备将查询语句转换成查询语句的句向量，并读取存储的问答库中每一问句的句向量，从而可以降低电子设备处理过程中的计算量。

其中，在问答库中确定上述N个第一问句之后，电子设备可以将N个第一问句中每一问句所属的问答对确定为上述第一问答对，从而得到上述N对第一问答对。

示例性地，如图2中所示，在电子设备接收到用户输入的查询语句的情况下，电子设备可以根据语料库中所有词的词向量以及预设的句向量生成公式，生成该查询语句的句向量，同时电子设备获取问答库中每一问句的句向量，并基于查询语句的句向量以及问答库中每一问句的句向量，通过最近邻搜索在上万对问答对中的问句中确定数十个第一问句，并将上述数十个第一问句对应的数十个问答对确定为候选数据，即上述N对第一问答对中每一问答对为一个候选数据。

另外，需要说明的是，上述N对第一问答对为上述问答库中的部分问答对，具体地，其可以是上述问答库中一定比例的问答对，例如：在上述问答库中存储有上万条问答对的情况下，上述N对第一问答对可以是上述问答库中所有问答对中的千分之五的问答对，等等，在此并不进行限定。

在上述步骤103中，在上述电子设备确定上述N对第一问答对之后，电子设备可以再基于深度学习模型，获取N对第一问答对中各问句与查询语句的相似度。

其中，上述深度学习模型可以是任何能够计算查询语句和上述N对第一问答对中各问句的相似度的模型，且上述深度学习模型为基于问答库中的部分或者全部问答对训练得到。

可选的，上述步骤103之前，还包括：

根据问答库中每一问句的句向量，确定问答库中的问句的三元组，其中，每一三元组包括第二问句、正样本和负样本，正样本为与第二问句属于同一问句组的问句，负样本为与第二问句不属于同一问句组的问句，问句组中包括相似的至少两个问句；

基于问答库中的问句的三元组，训练得到深度学习模型。

这里，电子设备可以根据问答库中每一问句的句向量，确定K×K条三元组，并基于K×K条三元组训练得到上述深度学习模型，从而可以上述提升深度学习模型的预测准确性，进而提升最终输出的答案的准确性。

其中，上述问答库中每一问句的句向量，可以是电子设备基于上述语料库中所有词的词向量，并通过上述预设的句向量生成公式获取，在此不再赘述。

另外，上述根据问答库中每一问句的句向量，确定问答库中的问句的三元组，可以包括：在电子设备获取问答库中每一问句的句向量之后，将每一问句组的问句的句向量存入同一索引中；在目标问句组对应的索引中，查找目标问句组中的目标问句的k个负采样和k个正采样；通过该目标问句、目标问句的k个负采样和目标问句的k个正采样，生成k×k条三元组，以得到问答库中各问句的三元组，其中，上述k为大于1的整数。

其中，上述查找目标问句组中的目标问句的k个负采样，可以是：假设上述目标问句组包括m个相似的问句的情况下，电子设备从所有索引中查找与目标问句最相似的3k+m个问句，即top(3k+m)个最相似的问句，再过滤掉上述目标问句组中的m个问句，最后在剩下的3k个问句中找出k个问句作为负采样，该3k个问句为除上述目标问句组之外的其他问句组中的问句；且该在剩下的3k个问句中找出k个问句，可以是在3k个问句中随机找出k个问句，也可以是确定与目标问句最相似的k个问句，等等。

另外，上述查找目标问句组中的目标问句的k个正采样，可以是：在上述目标问句组包括m个相似的问句的情况下，电子设备在目标问句组中的(m-1)×β个问句中找出k个问句作为正采样，例如：假设上述β为0.9，则电子设备可以随机扔掉m个相似的问句中的10％的问句，并在目标问句组中剩下的(m-1)×0.9个问句中随机选择k个问句作为上述正样本。

需要说明的是，由于三元组通常为((x，y)，z)的，上述通过该目标问句、目标问句的k个负采样和目标问句的k个正采样，生成k×k条三元组，可以是：将k个负样本中每一负样本的句向量作为三元组中的x，k个正样本中每一正样本的句向量作为三元组中的y，以及将目标问句的句向量作为三元组中的z。

另外，在训练上述深度学习模型的过程中，电子设备可以是采用问答库中所有问句的三元组中的部分或者全部三元组训练上述深度学习模型，而基于三元组训练深度学习模型的过程为本领域技术人员熟知，在此并不进行赘述。

示例性地，如图2中所示，电子设备可以基于问答库中的问答对，离线生成训练数据，即上述问答库中问句的三元组，并通过训练数据训练得到上述深度学习模型。

在上述步骤104中，在电子设备获取到N对第一问答对中各问句与查询语句的相似度之后，电子设备可以根据各问句与查询语句的相似度，将相似度最高的问答对确定为上述目标问答对，并将该目标问答对中的答案作为查询结果进行输出。

示例性地，如图2中所示，在上述电子设备通过最近邻搜索查找到数十条候选数据(即N对第一问答对)之后，电子设备可以基于深度学习模型获取每一候选数据中的问句与查询语句的相似度，并基于各候选数据中的问句与查询语句的相似度，对数十条候选数据进行重排序，并在排序后将最相似的候选数据的答案作为查询语句的答案返回。

本发明实施例中，通过接收用户输入的查询语句；在问答库中查询与查询语句关联的N对第一问答对，其中，问答库中的每一问答对包括问句和答案，且每一第一问答对的问句与查询语句匹配，N为大于1的整数；基于深度学习模型，获取N对第一问答对中各问句与查询语句的相似度，其中，深度学习模型为：基于问答库中的部分或者全部问答对训练得到的模型；在N对第一问答对中，将问句与查询语句的相似度最高的第一问答对确定为目标问答对，并输出目标问答对的答案，这样，电子设备不仅可以提升输出查询语句的答案的准确性，还可以提升匹配速度，进而提升电子设备输出查询语句的答案的效率。

参见图3，图3是本发明实施例提供的FAQ对话装置的结构图，如图5所示，FAQ对话装置300包括：

输入模块301，用于接收用户输入的查询语句；

第一查询模块302，用于在问答库中查询与所述查询语句关联的N对第一问答对，其中，所述问答库中的每一问答对包括问句和答案，且每一第一问答对的问句与所述查询语句匹配，所述N为大于1的整数；

第二查询模块303，用于基于深度学习模型，获取所述N对第一问答对中各问句与所述查询语句的相似度，其中，所述深度学习模型为：基于所述问答库中的部分或者全部问答对训练得到的模型；

输出模块304，用于在所述N对第一问答对中，将问句与所述查询语句的相似度最高的第一问答对确定为目标问答对，并输出所述目标问答对的答案。

可选的，如图4所示，所述第一查询模块302，包括：

句向量获取单元3021，用于获取所述问答库中每一问句的句向量以及所述查询语句的句向量；

第一确定单元3022，用于基于所述问答库中每一问句的句向量以及所述查询语句的句向量，在所述问答库中确定N个第一问句，其中，每一第一问句与所述查询语句的相似度满足预设条件；

第二确定单元3023，用于确定所述问答库中与所述N个第一问句对应的所述N对第一问答对。

可选的，所述第一确定单元，具体用于：

通过最近邻搜索在所述问答库中确定N个第一问句。

可选的，如图5所示，所述句向量获取单元3021，包括：

词向量生成子单元30211，用于生成语料库中所有词的词向量；

句向量生成子单元30212，用于基于所述语料库中所有词的词向量，并通过预设的句向量生成公式，生成所述问答库中每一问句的句向量以及所述查询语句的句向量。

可选的，如图6所示，所述装置300，还包括：

三元组确定模块305，用于根据所述问答库中每一问句的句向量，确定所述问答库中的问句的三元组，其中，每一三元组包括第二问句、正样本和负样本，所述正样本为与所述第二问句属于同一问句组的问句，所述负样本为与所述第二问句不属于同一问句组的问句，所述问句组中包括相似的至少两个问句；

训练模块306，用于基于所述问答库中的问句的三元组，训练得到所述深度学习模型。

本发明实施例提供的FAQ对话装置300能够实现图1中方法实施例中电子设备实现的各个过程，为避免重复，这里不再赘述。

图7为实现本发明各个实施例的一种电子设备的硬件结构示意图。

该电子设备700包括但不限于：射频单元701、网络模块702、音频输出单元703、输入单元704、传感器705、显示单元706、用户输入单元707、接口单元708、存储器709、处理器710、以及电源711等部件。本领域技术人员可以理解，图7中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

其中，处理器710，用于：

接收用户输入的查询语句；

可选的，处理器710，具体用于：

获取所述问答库中每一问句的句向量以及所述查询语句的句向量；

基于所述问答库中每一问句的句向量以及所述查询语句的句向量，在所述问答库中确定N个第一问句，其中，每一第一问句与所述查询语句的相似度满足预设条件；

确定所述问答库中与所述N个第一问句对应的所述N对第一问答对。

可选的，处理器710，具体用于：

通过最近邻搜索在所述问答库中确定N个第一问句。

可选的，处理器710，具体用于：

生成语料库中所有词的词向量；

基于所述语料库中所有词的词向量，并通过预设的句向量生成公式，生成所述问答库中每一问句的句向量以及所述查询语句的句向量。

可选的，处理器710，还用于：

根据所述问答库中每一问句的句向量，确定所述问答库中的问句的三元组，其中，每一三元组包括第二问句、正样本和负样本，所述正样本为与所述第二问句属于同一问句组的问句，所述负样本为与所述第二问句不属于同一问句组的问句，所述问句组中包括相似的至少两个问句；

基于所述问答库中的问句的三元组，训练得到所述深度学习模型。

本发明实施例提供的电子设备700能够实现图1中方法实施例中电子设备实现的各个过程，为避免重复，这里不再赘述。

应理解的是，本发明实施例中，射频单元701可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器710处理；另外，将上行的数据发送给基站。通常，射频单元701包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元701还可以通过无线通信系统与网络和其他设备通信。

电子设备通过网络模块702为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。

音频输出单元703可以将射频单元701或网络模块702接收的或者在存储器709中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元703还可以提供与电子设备700执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元703包括扬声器、蜂鸣器以及受话器等。

输入单元704用于接收音频或视频信号。输入单元704可以包括图形处理器(Graphics Processing Unit，GPU)7041和麦克风7042，图形处理器7041对在视频捕获模式或图片捕获模式中由图片捕获装置(如摄像头)获得的静态图片或视频的图片数据进行处理。处理后的图片帧可以显示在显示单元706上。经图形处理器7041处理后的图片帧可以存储在存储器709(或其它存储介质)中或者经由射频单元701或网络模块702进行发送。麦克风7042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元701发送到移动通信基站的格式输出。

电子设备700还包括至少一种传感器705，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板7061的亮度，接近传感器可在电子设备700移动到耳边时，关闭显示面板7061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器705还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。

显示单元706用于显示由用户输入的信息或提供给用户的信息。显示单元706可包括显示面板7061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板7061。

用户输入单元707可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元707包括触控面板7071以及其他输入设备7072。触控面板7071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板7071上或在触控面板7071附近的操作)。触控面板7071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器710，接收处理器710发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板7071。除了触控面板7071，用户输入单元707还可以包括其他输入设备7072。具体地，其他输入设备7072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。

进一步的，触控面板7071可覆盖在显示面板7061上，当触控面板7071检测到在其上或附近的触摸操作后，传送给处理器710以确定触摸事件的类型，随后处理器710根据触摸事件的类型在显示面板7061上提供相应的视觉输出。虽然在图7中，触控面板7071与显示面板7061是作为两个独立的部件来实现电子设备的输入和输出功能，但是在某些实施例中，可以将触控面板7071与显示面板7061集成而实现电子设备的输入和输出功能，具体此处不做限定。

接口单元708为外部装置与电子设备700连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元708可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到电子设备700内的一个或多个元件或者可以用于在电子设备700和外部装置之间传输数据。

存储器709可用于存储软件程序以及各种数据。存储器709可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图片播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器709可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器710是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器709内的软件程序和/或模块，以及调用存储在存储器709内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器710可包括一个或多个处理单元；优选的，处理器710可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器710中。

电子设备700还可以包括给各个部件供电的电源711(比如电池)，优选的，电源711可以通过电源管理系统与处理器710逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

另外，电子设备700包括一些未示出的功能模块，在此不再赘述。

优选的，本发明实施例还提供一种电子设备，包括处理器710，存储器709，存储在存储器709上并可在所述处理器710上运行的计算机程序，该计算机程序被处理器710执行时实现上述FAQ对话方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本发明实施例还提供一种计算机可读存储介质，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FAQ对话方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，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。

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单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims

1.一种FAQ对话方法，其特征在于，包括：

接收用户输入的查询语句；

2.根据权利要求1所述的方法，其特征在于，所述在问答库中查询与所述查询语句关联的N对第一问答对，包括：

3.根据权利要求2所述的方法，其特征在于，所述在所述问答库中确定N个第一问句，包括：

通过最近邻搜索在所述问答库中确定N个第一问句。

4.根据权利要求2所述的方法，其特征在于，所述获取所述问答库中每一问句的句向量以及所述查询语句的句向量，包括：

生成语料库中所有词的词向量；

5.根据权利要求1所述的方法，其特征在于，所述基于深度学习模型，获取所述N对第一问答对中各问句与所述查询语句的相似度之前，还包括：

6.一种FAQ对话装置，其特征在于，包括：

输入模块，用于接收用户输入的查询语句；

7.根据权利要求6所述的装置，其特征在于，所述第一查询模块，包括：

句向量获取单元，用于获取所述问答库中每一问句的句向量以及所述查询语句的句向量；

第一确定单元，用于基于所述问答库中每一问句的句向量以及所述查询语句的句向量，在所述问答库中确定N个第一问句，其中，每一第一问句与所述查询语句的相似度满足预设条件；

第二确定单元，用于确定所述问答库中与所述N个第一问句对应的所述N对第一问答对。

8.根据权利要求7所述的装置，其特征在于，所述第一确定单元，具体用于：

通过最近邻搜索在所述问答库中确定N个第一问句。

9.根据权利要求7所述的装置，其特征在于，所述句向量获取单元，包括：

词向量生成子单元，用于生成语料库中所有词的词向量；

句向量生成子单元，用于基于所述语料库中所有词的词向量，并通过预设的句向量生成公式，生成所述问答库中每一问句的句向量以及所述查询语句的句向量。

10.根据权利要求6所述的装置，其特征在于，所述装置，还包括：

三元组确定模块，用于根据所述问答库中每一问句的句向量，确定所述问答库中的问句的三元组，其中，每一三元组包括第二问句、正样本和负样本，所述正样本为与所述第二问句属于同一问句组的问句，所述负样本为与所述第二问句不属于同一问句组的问句，所述问句组中包括相似的至少两个问句；

训练模块，用于基于所述问答库中的问句的三元组，训练得到所述深度学习模型。

11.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的FAQ对话方法的步骤。

12.一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，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的FAQ对话方法的步骤。