CN110110062A - 机器智能问答方法、装置与电子设备 - Google Patents

机器智能问答方法、装置与电子设备 Download PDF

Info

Publication number
CN110110062A
CN110110062A CN201910358742.4A CN201910358742A CN110110062A CN 110110062 A CN110110062 A CN 110110062A CN 201910358742 A CN201910358742 A CN 201910358742A CN 110110062 A CN110110062 A CN 110110062A
Authority
CN
China
Prior art keywords
weight
term vector
indicate
answer
weight coefficient
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
Application number
CN201910358742.4A
Other languages
English (en)
Other versions
CN110110062B (zh
Inventor
王文彬
李世杰
李东升
崔鸣
尚尔昕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Seashell Housing Beijing Technology Co Ltd
Original Assignee
Beike Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beike Technology Co Ltd filed Critical Beike Technology Co Ltd
Priority to CN201910358742.4A priority Critical patent/CN110110062B/zh
Publication of CN110110062A publication Critical patent/CN110110062A/zh
Application granted granted Critical
Publication of CN110110062B publication Critical patent/CN110110062B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例提供一种机器智能问答方法、装置与电子设备，其中所述方法包括：若检测到接收的消息为疑问句，则采用带权重的文本识别模型，基于所述接收的消息，分别进行意图识别和字段识别，以筛选目标领域的疑问句，并识别所述目标领域的疑问句的具体问题；基于所述具体问题，通过查询所述目标领域的智能问答知识库，获取对应所述具体问题的答案并输出；其中，所述带权重的文本识别模型用于为所述接收的消息中的不同分词赋予不同的权重系数。本发明实施例结合问句识别和带权重及注意力机制的文本识别模型，仅筛选目标领域的疑问句进行智能回答，从而在基于目标领域的知识库进行智能回答时，能够有效提高智能问答的有效性、准确性和效率。

Description

机器智能问答方法、装置与电子设备
技术领域
本发明实施例涉及人工智能技术领域，更具体地，涉及一种机器智能问答方法、装置与电子设备。
背景技术
随着NLP技术的快速发展，各种聊天机器人不断出现，它们在闲聊以及任务型对话中取得了良好的效果。目前的机器问答系统，普遍采用基于知识库的问答模式。在基于知识库进行答案检索时，一个重要的前提是要对用户输入的问题进行准确识别，如此才能确定用户最真实的意图，输出与用户问题匹配度更高的答案。
现有技术在对用户问题进行识别时，多先对用户问题语段进行分词处理，再通过分别识别各分词，来识别用户问题。但是在采用这种识别方式进行问题识别的过程中，有时会存在如下问题：对于表达意思一样的语段，会由于几个字甚至是标点符号的不同，而导致识别结果存在较大的偏差，这将严重影响输出答案的有效性和准确性。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种机器智能问答方法、装置与电子设备，用以有效提高智能问答的有效性和准确性。
第一方面，本发明实施例提供一种机器智能问答方法，包括：
若检测到接收的消息为疑问句，则采用带权重的文本识别模型，基于所述接收的消息，分别进行意图识别和字段识别，以筛选目标领域的疑问句，并识别所述目标领域的疑问句所包含的具体问题；
基于所述具体问题，通过查询所述目标领域的智能问答知识库，获取对应所述具体问题的答案并输出；
其中，所述带权重的文本识别模型用于为所述接收的消息中的不同分词赋予不同的权重系数。
其中，所述带权重的文本识别模型具体为带权重的fasttext模型，表达如下：
式中，h表示隐变量，xi表示词向量，wi表示词向量xi的权重系数，w1,…,wn的加权和为1，hi表示隐变量h的第i维分量，xl,i表示词向量xi的第l维分量，wl表示xl,i的权重系数，n表示词向量的个数或词向量xi的维度。
进一步的，在所述分别进行意图识别和字段识别的步骤之前，本发明实施例的机器智能问答方法还包括：通过在所述带权重的fasttext模型中引入自注意力机制，关联所述接收的消息中在前的词语信息和在后的词语信息，形成关联信息；
相应的，基于所述接收的消息和所述关联信息，分别进行所述意图识别和所述字段识别。
进一步的，在所述采用带权重的fasttext模型，基于所述接收的消息，分别进行意图识别和字段识别的步骤之前，本发明实施例的机器智能问答方法还包括：
基于训练语料获取训练词向量，并基于所述训练词向量，采用误差反向传播与梯度下降法，训练初始化完成的基础带权重的fasttext模型，以迭代更新所述基础带权重的fasttext模型的权重系数，获取所述带权重的fasttext模型；
其中，所述基础带权重的fasttext模型中误差反向传播的计算公式如下：
式中，h表示隐变量，xi表示词向量，ai表示每个词向量更新过程的权重系数，wi表示词向量xi的权重系数，w1,…,wn的加权和为1，表示损失函数f对隐变量h的梯度，grad表示所述基础带权重的fasttext模型的损失函数f对隐变量h的反向梯度，wj表示对词向量xj进行梯度变换的权重系数，dim表示隐变量h的维数，gradi表示反向梯度grad的第i维分量；
由此，所述训练词向量和所述训练词向量对应的权重系数的迭代更新公式如下：
式中，分别表示训练词向量xj在迭代更新前的值和在迭代更新后的值，分别表示训练词向量xj更新过程中的权重系数aj在迭代更新前的值和在迭代更新后的值，η表示学习率。
其中，在所述带权重的fasttext模型中引入自注意力机制的步骤具体包括：
基于训练语料获取训练词向量，并基于所述训练词向量，利用自注意机制，获取自注意力等效值；
基于所述自注意力等效值，采用误差反向传播与梯度下降法，训练初始化完成的基础带权重的fasttext模型，以迭代更新所述基础带权重的fasttext模型的权重系数，获取所述带权重的fasttext模型；
其中，所述基础带权重的fasttext模型中误差反向传播的计算公式如下：
式中，h表示隐变量，yi表示词向量xi的自注意力等效值，yl,i表示词向量xi的第l维分量xl,i的自注意力等效值，ai表示每个词向量更新过程的权重系数，wi表示词向量xi的权重系数，w1,…,wn的加权和为1，表示损失函数f对隐变量h的梯度，grad表示所述基础带权重的fasttext模型损失函数f对隐变量h的反向梯度，bi,j、bm,l、bm,j均表示中间变量，dim表示隐变量h的维数，wj表示对词向量更新过程中的权重系数aj进行梯度变换的权重系数，gradi表示反向梯度grad的第i维分量；
由此，所述训练词向量和所述权重系数的迭代更新公式如下：
式中，分别表示训练词向量xj的第k维分量xj,k在迭代更新前的值和在迭代更新后的值，分别表示xj,k更新过程中的权重系数aj在迭代更新前的值和在迭代更新后的值，η表示学习率。
进一步的，在所述训练初始化完成的基础带权重的fasttext模型的步骤之前，本发明实施例的机器智能问答方法还包括：
基于所述训练语料，采用卡方检验关键字提取法或者词频-逆向文件频率关键字提取法，为每个意图分类选取关键词，并初始化设置各所述意图分类的关键词的权重系数为1，其余未被选中的词的权重系数为0。
其中，所述目标领域具体为房屋信息领域；
在检测到接收的消息为疑问句之前，本发明实施例的机器智能问答方法还包括：检测所述接收的消息中是否包含房源卡片，若是，则进一步识别所述接收的消息是否为疑问句；
相应的，基于所述具体问题和所述房源卡片，通过查询所述目标领域的智能问答知识库，获取对应所述具体问题的答案并输出；
其中，一个所述房源卡片唯一对应一个真实的房源。
第二方面，本发明实施例提供一种机器智能问答装置，包括：
意图与字段识别模块，用于若检测到接收的消息为疑问句，则采用带权重的文本识别模型，基于所述接收的消息，分别进行意图识别和字段识别，以筛选目标领域的疑问句，并识别所述目标领域的疑问句所包含的具体问题；
回答模块，用于基于所述具体问题，通过查询所述目标领域的智能问答知识库，获取对应所述具体问题的答案并输出；
其中，所述带权重的文本识别模型用于为所述接收的消息中的不同分词赋予不同的权重系数。
第三方面，本发明实施例提供一种电子设备，包括：至少一个存储器、至少一个处理器、通信接口和总线；所述存储器、所述处理器和所述通信接口通过所述总线完成相互间的通信，所述通信接口用于所述电子设备与智能问答知识库设备之间的信息传输；所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上第一方面所述的机器智能问答方法的步骤。
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，其中存储有计算机指令，所述计算机指令使所述计算机执行如上第一方面所述的机器智能问答方法。
本发明实施例提供的机器智能问答方法、装置与电子设备，通过事先对用户输入的消息进行问句识别，仅筛选是问句的消息来进行回答，能有效提高回答效率。同时，采用带权重的文本识别模型对用户输入的消息进行意图识别和字段识别，能够更准确的筛选并解析目标领域的疑问句，从而在基于目标领域的知识库进行智能回答时，能够有效提高智能问答的有效性、准确性和效率。
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为本发明实施例提供的机器智能问答方法的流程示意图；
图2为根据现有技术的经典fasttext模型的结构示意图；
图3为根据本发明实施例提供的机器智能问答方法中带权重的fasttext模型的结构示意图；
图4为根据本发明实施例提供的机器智能问答方法中带自注意力机制的fasttext模型的结构示意图；
图5为根据本发明实施例提供的机器智能问答方法中面向房屋信息领域的问答系统结构示意图；
图6为本发明实施例提供的机器智能问答装置的结构示意图；
图7为本发明实施例提供的电子设备的实体结构示意图。
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实施例的一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明实施例保护的范围。
本发明实施例针对现有技术中对于表达意思一样的语段，会由于几个字甚至是标点符号的不同，而导致识别结果存在较大的偏差的问题，通过事先对用户输入的消息进行问句识别，仅筛选是问句的消息来进行回答，能有效提高回答效率。同时，采用带权重的文本识别模型对用户输入的消息进行意图识别和字段识别，能够更准确的筛选并解析目标领域的疑问句，从而在基于目标领域的知识库进行智能回答时，能够有效提高智能问答的有效性、准确性和效率。以下将具体通过多个实施例对本发明实施例进行展开说明和介绍。
图1为本发明实施例提供的机器智能问答方法的流程示意图，如图1所示，该方法包括：
S101，若检测到接收的消息为疑问句，则采用带权重的文本识别模型，基于接收的消息，分别进行意图识别和字段识别，以筛选目标领域的疑问句，并识别目标领域的疑问句所包含的具体问题。
本发明实施例的智能问答方法中，会由用户根据需要向问答系统输入消息，如可以以文本或者语音等形式向问答系统输入消息。问答系统接收用户输入的该消息，即形成接收的消息。
问答系统事先会对接收的消息进行问句检测，以筛选是问句的消息进行下一步处理。对于非问句的如寒暄语句、陈述句等，则可不作回答。问句识别主要是过滤掉不是问句的消息或者说用户陈述事实的消息。其中问句识别可采用基于正则的算法或者模式匹配算法。对于消息中的方言，增加例如“没有嘞”等模式，问句的过滤可以增加系统的精确率。
在识别到接收的消息是疑问句的基础上，问答系统对该疑问句进一步进行意图识别，以判断其是否属于目标领域，从而可以筛选出目标领域的疑问句。对于筛选出的目标领域的疑问句，进一步进行字段识别，以确定该疑问句的具体问题，即用户具体想问的是什么问题，想得到怎样的答案。对于不是目标领域的疑问句，则可不作回答。
可以理解的是，本发明实施例的智能问答方法可采用对问句分词的形式，实现上述意图识别和字段识别。为更准确有效的对问句进行识别，采用带权重的文本识别模型来实现。即，在识别处理中，本发明实施例选择文本识别模型作为识别工具，如采用fasttext模型，该模型具有识别速度快，准确率高等优点。在短文本识别的任务中能够取得比较好的结果。
其中，带权重的文本识别模型可用于在识别过程中为接收的消息中的不同分词赋予不同的权重系数。如对于对理解该接收的消息的意思影响较大的分词，赋予较大的权重系数，而对句子理解影响较小的，如分词、介词、语气词等，赋予较小的权重系数。另外，上述目标领域可理解为是用户所关心的领域，想要了解其具体信息的领域，如房屋信息领域、银行服务领域等。
S102，基于具体问题，通过查询目标领域的智能问答知识库，获取对应具体问题的答案并输出。
本发明实施例在根据上述步骤，经过问句筛选、意图识别和字段识别之后，确定出用户所关心的目标领域的具体问题，则可根据该具体问题，到目标领域预建立的智能问答知识库中去检索，找到与该具体问题相匹配的答案，并可将该匹配答案输出反馈给用户。如可通过文本显示或语音的形式反馈给用户。
本发明实施例提供的机器智能问答方法，通过事先对用户输入的消息进行问句识别，仅筛选是问句的消息来进行回答，能有效提高回答效率。同时，采用带权重的文本识别模型对用户输入的消息进行意图识别和字段识别，能够更准确的筛选并解析目标领域的疑问句，从而在基于目标领域的知识库进行智能回答时，能够有效提高智能问答的有效性、准确性和效率。
根据上述各实施例可以理解，房屋信息领域是一个特别的领域，对于每个真实房源而言，其房屋信息是唯一确定的，如已知某真实房源为某市某小区某栋某单元某层的某室，则可唯一确定一个对应的房源。因此，若上述目标领域为房屋信息领域，则在检测到接收的消息为疑问句之前，本发明实施例的方法还可以包括：检测接收的消息中是否包含房源卡片，若是，则进一步识别接收的消息是否为疑问句。相应的，本发明实施例基于具体问题和房源卡片，通过查询目标领域的智能问答知识库，获取对应具体问题的答案并输出。其中，一个房源卡片唯一对应一个真实的房源。
也即是说，在本发明实施例中，对于房屋信息领域，问答系统首先会根据接收的消息中是否含有房源卡片，来判断该接收的消息是否是房源信息领域相关的消息，若是则可进行下一步处理，否则可不作回答。例如，用户问：“这个房子在几层”，如果用户没有指定具体房源，系统即使识别出用户问题，也无法给出答案。
因此，用户在和问答系统对话时可以输入房源卡片，该房源卡片可以指示对应的房源，用户可针对此房源进行相关提问或者切换新房源。问答系统则可通过检测接收的消息中是否含有房源卡片，而只针对存在房源卡片的会话才会回答相应问题。否则，问题可由经纪人来回答。
之后，对于接收的寒暄、陈述等消息，用户本身并不需要问答系统反馈相应的信息，因此对这里消息问答系统也无需回应。比如用户问“这个房子产权年限是多少？周围环境怎么样？”问答系统需要回答，如果用户消息是：“产权年限70年；周围环境不错”，则可不作回答。因此问答系统需要识别用户的消息是否是问句，以筛选是问句的消息进行下一步处理。例如，可采用基于正则的算法或者模式匹配算法，来进行疑问句的识别和筛选。对寒暄语句、陈述句或者其他非房屋属性问题不进行回答，这部分可由经纪人回答。
则根据上述各实施例，在根据具体问题进行答案检索时，还需结合房源卡片。通过房源卡片检索到对应的房源，并根据具体问题找到该房源对应的房源信息。
本发明实施例的机器智能问答方法应用于房屋信息领域，可辅助房产经纪人回答用户提出的问题。能够解决在用户和经纪人聊天的过程中，用户有较多房源信息的相关问题，经纪人无法及时、准确回答用户的提问等问题。
可以知道，通常的，经典fasttext模型直接根据各分词直接进行均等计算，即，认为句子中所有的词对识别结果具有同等的影响。图2为根据现有技术的经典fasttext模型的结构示意图，如图2所示，隐变量h的计算是直接对所有输入词向量xi取平均，即：
式中，h表示隐变量，xi表示词向量。
在利用经典fasttext模型识别用户的意图时，存在被不相关的词影响结果的问题。针对在识别过程中对于表达意思一样的语段，会由于几个字甚至是标点符号的不同，导致识别不准确的问题，本发明实施例对不同的词赋予不同的重要性。即，根据上述各实施例可选的，带权重的文本识别模型具体为带权重的fasttext模型，如图3所示，为根据本发明实施例提供的机器智能问答方法中带权重的fasttext模型的结构示意图，其中带权重的fasttext模型如下：
式中，h表示隐变量，xi表示词向量，wi表示词向量xi的权重系数，w1,…,wn的加权和为1，hi表示隐变量h的第i维分量，xl,i表示词向量xi的第l维分量，wl表示xl,i的权重系数，n表示词向量的个数或词向量xi的维度。
通过对比可见，本发明实施例可以理解为是在经典fasttext模型的基础上进行的改进。具体针对不同分词，引入不同的权重系数，从而在进行疑问句意图识别和字段识别的过程中，能更有效的根据关键分词，更准确的识别用户的真实意图和具体问题。
本发明实施例通过采用带权重的fasttext模型，可以在对接收的消息的意图识别和字段识别过程中，为句子中更关键的分词赋予更高的权重，从而更有利于消除不重要的如分词、介词等对识别结果的影响，有效提高问题识别的准确性，从而获取匹配度更高的目标答案，提高回答准确性和效率。
可以理解，在利用带权重的fasttext模型进行意图识别和字段识别之前，需要先建立该模型，包括模型初始化以及模型的训练等。其中，为了给权重系数一个比较好的值，在训练基础带权重的fasttext模型之前，需要先初始化建立该基础带权重的fasttext模型。其中可选的，在训练初始化完成的基础带权重的fasttext模型的步骤之前，本发明实施例的方法还可以包括初始化获取基础带权重的fasttext模型的步骤，具体包括：基于训练语料，采用卡方检验CHI2关键字提取法或者词频-逆向文件频率(term frequency–inversedocument frequency,TF-iDF)关键字提取法，为每个意图分类选取关键词，并初始化设置各意图分类的关键词的权重系数为1，其余未被选中的词的权重系数为0。如此，最终可以得到不同的词有不同的重要性，在识别中，更多关注用户消息中有与房产相关的信息。
另外，在采用带权重的fasttext模型，基于接收的消息，分别进行意图识别和字段识别的步骤之前，本发明实施例的方法还可以包括：基于训练语料获取训练词向量，并基于训练词向量，采用误差反向传播与梯度下降法，训练初始化完成的基础带权重的fasttext模型，以迭代更新基础带权重的fasttext模型的权重系数，获取最终训练完成的模型作为上述带权重的fasttext模型。
也即是说，首先可获取作为训练样本的训练语料，并利用词向量提取模型，根据训练语料提取对应的训练词向量。之后，逐个将训练词向量输入初始化完成的基础带权重的fasttext模型，利用其进行前向计算，并根据输入的参考结果计算预测误差。之后预测误差在基础带权重的fasttext模型中反向传播，并通过梯度下降逐步修正基础带权重的fasttext模型的权重系数，直至完成模型训练。
其中，基础带权重的fasttext模型中误差反向传播的计算公式如下：
式中，h表示隐变量，由词向量加权求和得到，xi表示词向量，词向量由fasttext模型训练产生，ai表示每个词向量更新过程的权重系数，是需要迭代更新的变量，wi表示词向量xi的权重系数，w1,…,wn的加权和为1，表示损失函数对隐变量h的梯度，grad表示基础带权重的fasttext模型的损失函数f对隐变量h的反向梯度，wj表示对词向量xj进行梯度变换的权重系数，dim表示隐变量h的维数，gradi表示反向梯度grad的第i维分量；
由此，训练词向量和训练词向量对应的权重系数的迭代更新公式如下：
式中，分别表示训练词向量xj在迭代更新前的值和在迭代更新后的值，分别表示训练词向量xj更新过程中的权重系数aj在迭代更新前的值和在迭代更新后的值，η表示学习率。
因此，在根据本发明实施例进行意图识别和字段识别时，先可使用经典fasttext模型训练语料，得到相应的词向量。再给句子中的每个词添加一个权重系数，并按照关键字进行初始化，得到基础带权重的fasttext模型，再在保持词向量不变的情况下，更新权重系数。最后，使用更新后的新模型，找到接收到的消息中最有效的关键字，完成意图识别和字段识别。
本发明实施例通过误差反向传播法和梯度下降法训练初始建立的基础带权重的fasttext模型，可逐步修正模型的权重系数，通过正向反馈，使得模型的权重逐步达到最优，从而使得带权重的fasttext模型具体更优的识别性能。
考虑到在实际应用中经典fasttext模型往往无法关联长文本的前后信息，而文本的前后分词信息有时又会包含重要的有用信息，这将很大程度上会影响意图识别和字段识别的准确性。因此，本发明实施例在根据上述各实施例分别进行意图识别和字段识别的步骤之前，还包括：通过在带权重的fasttext模型中引入自注意力(self-attention)机制，关联接收的消息中在前的词语信息和在后的词语信息，形成关联信息。则相应的，在进行意图识别和字段识别时，同时基于接收的消息和该关联信息，分别进行意图识别和字段识别。基于此，本发明实施例能够提高带权重的fasttext模型对长文本识别的效果。
其中可选的，在向带权重的fasttext模型中引入自注意力机制的过程中，需要在带权重的fasttext模型的输入侧加入自注意力机制层，如图4所示，为根据本发明实施例提供的机器智能问答方法中带自注意力机制的fasttext模型的结构示意图，输入向量xi需先经过自注意力(self-attention)机制提取文本前后信息的关联信息，输出自注意力等效值yi，再在此基础上进行模型的训练。
而在模型训练的过程中，首先需基于训练语料获取训练词向量，并基于训练词向量，利用自注意力机制，获取自注意力等效值。然后，基于自注意力等效值，采用误差反向传播与梯度下降法，训练初始化完成的基础带权重的fasttext模型，以迭代更新基础带权重的fasttext模型的权重系数，获取带权重的fasttext模型。
也即是说，首先可获取作为训练样本的训练语料，并利用词向量提取模型，根据训练语料提取对应的训练词向量。之后，将提取的训练词向量输入self-attention机制层，利用self-attention机制，提取文本前后信息的关联信息，得到自注意力等效值。可以理解，该自注意力等效值是训练词向量输入self-attention机制后，self-attention机制输出的数据。
最后，逐个将自注意力等效值输入初始化完成的基础带权重的fasttext模型，利用其进行前向计算，并根据输入的参考结果计算预测误差。之后预测误差在基础带权重的fasttext模型中反向传播，并通过梯度下降逐步修正基础带权重的fasttext模型的权重系数，直至完成模型训练。
其中，在加入了self-attention机制模式下，基础带权重的fasttext模型中误差反向传播的计算公式如下：
式中，h表示隐变量，由词向量加权求和得到，xi表示词向量，词向量由fasttext模型训练产生，ai表示每个词向量更新过程的权重系数，是需要迭代更新的变量，wi表示词向量xi的权重系数，w1,…,wn的加权和为1，表示损失函数对隐变量h的梯度，grad表示基础带权重的fasttext模型损失函数f对隐变量h的反向梯度；yi表示词向量xi的自注意力等效值，yl,i表示词向量xi的第l维分量xl,i的自注意力等效值，bi,j、bm,l、bm,j均表示中间变量，wj表示对词向量更新过程中的权重系数aj进行梯度变换的权重系数，dim表示隐变量h的维数，gradi表示反向梯度grad的第i维分量。
由此，可确定基于self-attention机制对训练词向量和权重系数的迭代更新公式如下：
式中，分别表示训练词向量xj的第k维分量xj,k在迭代更新前的值和在迭代更新后的值，分别表示xj,k更新过程中的权重系数aj在迭代更新前的值和在迭代更新后的值，η表示学习率。
本发明实施例通过引入自注意力机制，能够有效提取并利用文本前后文段信息间的关联信息，来对接收的消息进行识别，从而更准确的确定用户的真实意图，并反馈更准确的匹配答案。
为进一步说明本发明实施例的技术方案，本发明实施例根据上述各实施例，以房屋信息领域为例进行详细说明，但不对本发明实施例的保护范围进行限制。
图5为根据本发明实施例提供的机器智能问答方法中面向房屋信息领域的问答系统结构示意图。如图5所示，该系统包括JAVA Spring模块、Redis消息队列、答案生成模块、NLU模块(包括问句识别模块、意图识别模块和字段识别模块)和房产知识图谱。在根据图5的问答系统进行机器智能问答时，具体处理流程如下：
首先获取用户输入，即接收的消息，并对用户的消息进行分析，区分是房源信息还是其它用户请求消息。具体的，对于用户的消息判断是否包含房源卡片，若否，把消息存入redis消息队列中，否则，更新redis中用户的房源卡片信息，并从redis消息队列中读取消息，调用自然语言理解(Natural Language Understanding，NLU)模块进行接收的消息的识别，包括问句识别、意图识别和字段识别。
首先，对用户的消息进行问句识别。问句识别主要是过滤掉不是问句的消息或者用户陈述事实的消息，对这部分消息问答系统可不作回答，由经纪人回答。问句识别可采用基于正则的方法或者模式匹配的方法。对于消息中的方言，可增加例如“没有嘞”等模式，问句的过滤可以增加系统的精确率。
之后，在判断是问句的前提下，消息流转到意图识别流程。意图识别是识别问句其是否为关心的问题，如识别该问句是否是询问房屋详情和其他房产领域相关的意图。聊天中有很多问句不是询问房屋详情，如寒暄等问句，对这部分问句问答系统可不作处理。可使用fastext模型做意图识别。如果用户确实是询问房源相关问题，则可进入字段识别流程。否则，还可由经纪人回答相关问题。
再之后，在确定是房屋详情的情况下，识别出具体的房屋问题。即主要是识别用户关心的房源信息。
最后，识别出用户所关心的房源属性，即确定具体问题后，在房源知识库中根据字段意图识别结果和对应用户的房源卡片，查找相应的房屋字段给出该问题的匹配答案。并根据查询的结果结合预定义模板生成不同的答案，回答用户问题。如可根据挖掘到的经纪人回答的模板，将模板和答案整合一起，回答用户的问题。
本发明实施例从接收到用户的消息，到最后是否给出回答，经过一系列的识别，并且对识别出现的问题对模型做出了修改，而对于没有回答的问题由经纪人做出相应回答，能够有效辅助经纪人，提高用户咨询反馈的效率。
作为本发明实施例的另一个方面，本发明实施例根据上述各实施例提供一种机器智能问答装置，该装置用于在上述各实施例中实现机器智能问答。因此，在上述各实施例的机器智能问答方法中的描述和定义，可以用于本发明实施例中各个执行模块的理解，具体可参考上述实施例，此处不在赘述。
根据本发明实施例的一个实施例，机器智能问答装置的结构如图6所示，为本发明实施例提供的机器智能问答装置的结构示意图，该装置可以用于实现上述各方法实施例中的机器智能问答，该装置包括：意图与字段识别模块601和回答模块602。其中：
意图与字段识别模块601用于若检测到接收的消息为疑问句，则采用带权重的文本识别模型，基于接收的消息，分别进行意图识别和字段识别，以筛选目标领域的疑问句，并识别目标领域的疑问句所包含的具体问题；其中，带权重的文本识别模型用于为接收的消息中的不同分词赋予不同的权重系数。回答模块602用于基于具体问题，通过查询目标领域的智能问答知识库，获取对应具体问题的答案并输出。
本发明实施例的机器智能问答装置中，会由用户根据需要向机器智能问答装置输入消息，机器智能问答装置接收用户输入的该消息，即形成接收的消息。机器智能问答装置事先会对接收的消息进行问句检测，以筛选是问句的消息进行下一步处理。
在识别到接收的消息是疑问句的基础上，意图与字段识别模块601对该疑问句进一步进行意图识别，以判断其是否属于目标领域，从而可以筛选出目标领域的疑问句。对于筛选出的目标领域的疑问句，意图与字段识别模块601进一步进行字段识别，以确定该疑问句的具体问题，即用户具体想问的是什么问题，想得到怎样的答案。对于不是目标领域的疑问句，则可不作回答。
之后，回答模块602根据上述识别出的具体问题，到目标领域预建立的智能问答知识库中去检索，找到与该具体问题相匹配的答案，并可将该匹配答案输出反馈给用户。如可通过文本显示或语音的形式反馈给用户。
本发明实施例提供的智能问答装置，通过设置相应的执行模块，事先对用户输入的消息进行问句识别，仅筛选是问句的消息来进行回答，能有效提高回答效率。同时，采用带权重的文本识别模型对用户输入的消息进行意图识别和字段识别，能够更准确的筛选并解析目标领域的疑问句，从而在基于目标领域的知识库进行智能回答时，能够有效提高智能问答的有效性、准确性和效率。
可以理解的是，本发明实施例中可以通过硬件处理器(hardware processor)来实现上述各实施例的装置中的各相关程序模块。并且，本发明实施例的机器智能问答装置利用上述各程序模块，能够实现上述各方法实施例的机器智能问答流程，在用于实现上述各方法实施例中的机器智能问答时，本发明实施例的装置产生的有益效果与对应的上述各方法实施例相同，可以参考上述各方法实施例，此处不再赘述。
作为本发明实施例的又一个方面，本实施例根据上述各实施例提供一种电子设备，参考图7，为本发明实施例提供的电子设备的实体结构示意图，包括：至少一个存储器701、至少一个处理器702、通信接口703和总线704。
其中，存储器701、处理器702和通信接口703通过总线704完成相互间的通信，通信接口703用于该电子设备与智能问答知识库设备之间的信息传输；存储器701中存储有可在处理器702上运行的计算机程序，处理器702执行该计算机程序时，实现如上述各实施例所述的机器智能问答方法。
可以理解为，该电子设备中至少包含存储器701、处理器702、通信接口703和总线704，且存储器701、处理器702和通信接口703通过总线704形成相互间的通信连接，并可完成相互间的通信，如处理器702从存储器701中读取机器智能问答方法的程序指令等。另外，通信接口703还可以实现该电子设备与智能问答知识库设备之间的通信连接，并可完成相互间信息传输，如通过通信接口703实现机器智能问答等。
电子设备运行时，处理器702调用存储器701中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：若检测到接收的消息为疑问句，则采用带权重的文本识别模型，基于接收的消息，分别进行意图识别和字段识别，以筛选目标领域的疑问句，并识别目标领域的疑问句所包含的具体问题；基于具体问题，通过查询目标领域的智能问答知识库，获取对应具体问题的答案并输出等。
上述的存储器701中的程序指令可以通过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。或者，实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还根据上述各实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行如上述各实施例所述的机器智能问答方法，例如包括：若检测到接收的消息为疑问句，则采用带权重的文本识别模型，基于接收的消息，分别进行意图识别和字段识别，以筛选目标领域的疑问句，并识别目标领域的疑问句所包含的具体问题；基于具体问题，通过查询目标领域的智能问答知识库，获取对应具体问题的答案并输出等。
本发明实施例提供的电子设备和非暂态计算机可读存储介质，通过执行上述各实施例所述的机器智能问答方法，事先对用户输入的消息进行问句识别，仅筛选是问句的消息来进行回答，能有效提高回答效率。同时，采用带权重的文本识别模型对用户输入的消息进行意图识别和字段识别，能够更准确的筛选并解析目标领域的疑问句，从而在基于目标领域的知识库进行智能回答时，能够有效提高智能问答的有效性、准确性和效率。
可以理解的是，以上所描述的装置、电子设备及存储介质的实施例仅仅是示意性的，其中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，既可以位于一个地方，或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或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。
通过以上实施方式的描述，本领域的技术人员可以清楚地了解，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U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令，用以使得一台计算机设备(如个人计算机，服务器，或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。
另外，本领域内的技术人员应当理解的是，在本发明实施例的申请文件中，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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例的说明书中，说明了大量具体细节。然而应当理解的是，本发明实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明实施例公开并帮助理解各个发明方面中的一个或多个，在上面对本发明实施例的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明实施例的单独实施例。
最后应说明的是：以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述实施例对本发明实施例进行了详细的说明，本领域的技术人员应当理解：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实施例各实施例技术方案的精神和范围。

Claims (10)

1.一种机器智能问答方法，其特征在于，包括：
若检测到接收的消息为疑问句，则采用带权重的文本识别模型，基于所述接收的消息，分别进行意图识别和字段识别，以筛选目标领域的疑问句，并识别所述目标领域的疑问句所包含的具体问题；
基于所述具体问题，通过查询所述目标领域的智能问答知识库，获取对应所述具体问题的答案并输出；
其中，所述带权重的文本识别模型用于为所述接收的消息中的不同分词赋予不同的权重系数。
2.根据权利要求1所述的机器智能问答方法，其特征在于，所述带权重的文本识别模型具体为带权重的fasttext模型，表达如下：
式中，h表示隐变量，xi表示词向量，wi表示词向量xi的权重系数，w1,…,wn的加权和为1，hi表示隐变量h的第i维分量，xl,i表示词向量xi的第l维分量，wl表示xl,i的权重系数，n表示词向量的个数或词向量xi的维度。
3.根据权利要求2所述的机器智能问答方法，其特征在于，在所述分别进行意图识别和字段识别的步骤之前，还包括：通过在所述带权重的fasttext模型中引入自注意力机制，关联所述接收的消息中在前的词语信息和在后的词语信息，形成关联信息；
相应的，基于所述接收的消息和所述关联信息，分别进行所述意图识别和所述字段识别。
4.根据权利要求2所述的机器智能问答方法，其特征在于，在所述采用带权重的fasttext模型，基于所述接收的消息，分别进行意图识别和字段识别的步骤之前，还包括：
基于训练语料获取训练词向量，并基于所述训练词向量，采用误差反向传播与梯度下降法，训练初始化完成的基础带权重的fasttext模型，以迭代更新所述基础带权重的fasttext模型的权重系数，获取所述带权重的fasttext模型；
其中，所述基础带权重的fasttext模型中误差反向传播的计算公式如下：
式中，h表示隐变量，xi表示词向量，ai表示每个词向量更新过程的权重系数，wi表示词向量xi的权重系数，w1,…,wn的加权和为1，表示损失函数f对隐变量h的梯度，grad表示所述基础带权重的fasttext模型的损失函数f对隐变量h的反向梯度，wj表示对词向量xj进行梯度变换的权重系数，dim表示隐变量h的维数，gradi表示反向梯度grad的第i维分量；
由此，所述训练词向量和所述训练词向量对应的权重系数的迭代更新公式如下：
式中，分别表示训练词向量xj在迭代更新前的值和在迭代更新后的值，分别表示训练词向量xj更新过程中的权重系数aj在迭代更新前的值和在迭代更新后的值，η表示学习率。
5.根据权利要求3所述的机器智能问答方法，其特征在于，在所述带权重的fasttext模型中引入自注意力机制的步骤具体包括：
基于训练语料获取训练词向量，并基于所述训练词向量，利用自注意机制，获取自注意力等效值；
基于所述自注意力等效值，采用误差反向传播与梯度下降法，训练初始化完成的基础带权重的fasttext模型，以迭代更新所述基础带权重的fasttext模型的权重系数，获取所述带权重的fasttext模型；
其中，所述基础带权重的fasttext模型中误差反向传播的计算公式如下：
式中，h表示隐变量，yi表示词向量xi的自注意力等效值，yl,i表示词向量xi的第l维分量xl,i的自注意力等效值，ai表示每个词向量更新过程的权重系数，wi表示词向量xi的权重系数，w1,…,wn的加权和为1，表示损失函数f对隐变量h的梯度，grad表示所述基础带权重的fasttext模型损失函数f对隐变量h的反向梯度，bi,j、bm,l、bm,j均表示中间变量，dim表示隐变量h的维数，wj表示对词向量更新过程中的权重系数aj进行梯度变换的权重系数，gradi表示反向梯度grad的第i维分量；
由此，所述训练词向量和所述权重系数的迭代更新公式如下：
式中，分别表示训练词向量xj的第k维分量xj,k在迭代更新前的值和在迭代更新后的值，分别表示xj,k更新过程中的权重系数aj在迭代更新前的值和在迭代更新后的值，η表示学习率。
6.根据权利要求5所述的机器智能问答方法，其特征在于，在所述训练初始化完成的基础带权重的fasttext模型的步骤之前，还包括：
基于所述训练语料，采用卡方检验关键字提取法或者词频-逆向文件频率关键字提取法，为每个意图分类选取关键词，并初始化设置各所述意图分类的关键词的权重系数为1，其余未被选中的词的权重系数为0。
7.根据权利要求1-6中任一项所述的机器智能问答方法，其特征在于，所述目标领域具体为房屋信息领域；
在检测到接收的消息为疑问句之前，还包括：检测所述接收的消息中是否包含房源卡片，若是，则进一步识别所述接收的消息是否为疑问句；
相应的，基于所述具体问题和所述房源卡片，通过查询所述目标领域的智能问答知识库，获取对应所述具体问题的答案并输出；
其中，一个所述房源卡片唯一对应一个真实的房源。
8.一种机器智能问答装置，其特征在于，包括：
意图与字段识别模块，用于若检测到接收的消息为疑问句，则采用带权重的文本识别模型，基于所述接收的消息，分别进行意图识别和字段识别，以筛选目标领域的疑问句，并识别所述目标领域的疑问句所包含的具体问题；
回答模块，用于基于所述具体问题，通过查询所述目标领域的智能问答知识库，获取对应所述具体问题的答案并输出；
其中，所述带权重的文本识别模型用于为所述接收的消息中的不同分词赋予不同的权重系数。
9.一种电子设备，包括：至少一个存储器、至少一个处理器、通信接口和总线；
所述存储器、所述处理器和所述通信接口通过所述总线完成相互间的通信，所述通信接口还用于所述电子设备与智能问答知识库设备之间的信息传输；
所述存储器中存储有可在所述处理器上运行的计算机程序，所述电子设备的特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至7中任一项所述的机器智能问答方法的步骤。
10.一种非暂态计算机可读存储介质，其中存储有计算机指令，其特征在于，所述计算机指令使所述计算机执行如权利要求1至7中任一项所述的机器智能问答方法的步骤。
CN201910358742.4A 2019-04-30 2019-04-30 机器智能问答方法、装置与电子设备 Active CN110110062B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910358742.4A CN110110062B (zh) 2019-04-30 2019-04-30 机器智能问答方法、装置与电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910358742.4A CN110110062B (zh) 2019-04-30 2019-04-30 机器智能问答方法、装置与电子设备

Publications (2)

Publication Number Publication Date
CN110110062A true CN110110062A (zh) 2019-08-09
CN110110062B CN110110062B (zh) 2020-08-11

Family

ID=67487651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910358742.4A Active CN110110062B (zh) 2019-04-30 2019-04-30 机器智能问答方法、装置与电子设备

Country Status (1)

Country Link
CN (1) CN110110062B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570853A (zh) * 2019-08-12 2019-12-13 阿里巴巴集团控股有限公司 基于语音数据的意图识别方法和装置
CN110866096A (zh) * 2019-10-15 2020-03-06 平安科技（深圳）有限公司 智能解答控制方法、装置、计算机设备及存储介质
CN110909137A (zh) * 2019-10-12 2020-03-24 平安科技（深圳）有限公司 基于人机交互的信息推送方法、装置和计算机设备
CN111666400A (zh) * 2020-07-10 2020-09-15 腾讯科技（深圳）有限公司 消息获取方法、装置、计算机设备及存储介质
CN111680501A (zh) * 2020-08-12 2020-09-18 腾讯科技（深圳）有限公司 基于深度学习的问询信息识别方法、装置及存储介质
CN112035620A (zh) * 2020-08-31 2020-12-04 康键信息技术（深圳）有限公司 医疗查询系统的问答管理方法、装置、设备及存储介质
CN113486203A (zh) * 2021-07-09 2021-10-08 平安科技（深圳）有限公司 基于问答平台的数据处理方法、装置及相关设备
CN113505209A (zh) * 2021-07-09 2021-10-15 吉林大学 一种面向汽车领域的智能问答系统
CN113516182A (zh) * 2021-07-02 2021-10-19 文思海辉元辉科技(大连)有限公司 视觉问答模型训练、视觉问答方法和装置
CN113568929A (zh) * 2021-07-30 2021-10-29 咪咕文化科技有限公司 数据存储、查询方法、装置及电子设备
CN113987156A (zh) * 2021-12-21 2022-01-28 飞诺门阵(北京)科技有限公司 一种长文本生成方法、装置及电子设备
WO2022206311A1 (en) * 2021-03-30 2022-10-06 International Business Machines Corporation Method for electronic messaging
US11533279B2 (en) 2021-03-30 2022-12-20 International Business Machines Corporation Method for electronic messaging using image based noisy content
CN117196736A (zh) * 2023-11-06 2023-12-08 湖南智信房地产土地资产评估有限公司 基于位置及场景的图数一体化智能评估系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108153876A (zh) * 2017-12-26 2018-06-12 爱因互动科技发展（北京）有限公司 智能问答方法及系统
US20180173999A1 (en) * 2016-12-21 2018-06-21 XBrain, Inc. Natural Transfer of Knowledge Between Human and Artificial Intelligence
CN109684627A (zh) * 2018-11-16 2019-04-26 北京奇虎科技有限公司 一种文本分类方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180173999A1 (en) * 2016-12-21 2018-06-21 XBrain, Inc. Natural Transfer of Knowledge Between Human and Artificial Intelligence
CN108153876A (zh) * 2017-12-26 2018-06-12 爱因互动科技发展（北京）有限公司 智能问答方法及系统
CN109684627A (zh) * 2018-11-16 2019-04-26 北京奇虎科技有限公司 一种文本分类方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
代令令: "《基于fastText的问答系统用户意图识别与关键词抽取研究》", 《万方数据库-学位论文库》 *
王海亮: "《基于文本挖掘的法律咨询系统研究与实现》", 《万方数据库-学位论文库》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570853A (zh) * 2019-08-12 2019-12-13 阿里巴巴集团控股有限公司 基于语音数据的意图识别方法和装置
CN110909137A (zh) * 2019-10-12 2020-03-24 平安科技（深圳）有限公司 基于人机交互的信息推送方法、装置和计算机设备
CN110866096A (zh) * 2019-10-15 2020-03-06 平安科技（深圳）有限公司 智能解答控制方法、装置、计算机设备及存储介质
CN111666400A (zh) * 2020-07-10 2020-09-15 腾讯科技（深圳）有限公司 消息获取方法、装置、计算机设备及存储介质
CN111666400B (zh) * 2020-07-10 2023-10-13 腾讯科技（深圳）有限公司 消息获取方法、装置、计算机设备及存储介质
CN111680501A (zh) * 2020-08-12 2020-09-18 腾讯科技（深圳）有限公司 基于深度学习的问询信息识别方法、装置及存储介质
CN112035620B (zh) * 2020-08-31 2023-02-14 康键信息技术（深圳）有限公司 医疗查询系统的问答管理方法、装置、设备及存储介质
CN112035620A (zh) * 2020-08-31 2020-12-04 康键信息技术（深圳）有限公司 医疗查询系统的问答管理方法、装置、设备及存储介质
US11683283B2 (en) 2021-03-30 2023-06-20 International Business Machines Corporation Method for electronic messaging
WO2022206311A1 (en) * 2021-03-30 2022-10-06 International Business Machines Corporation Method for electronic messaging
US11533279B2 (en) 2021-03-30 2022-12-20 International Business Machines Corporation Method for electronic messaging using image based noisy content
CN113516182A (zh) * 2021-07-02 2021-10-19 文思海辉元辉科技(大连)有限公司 视觉问答模型训练、视觉问答方法和装置
CN113516182B (zh) * 2021-07-02 2024-04-23 文思海辉元辉科技(大连)有限公司 视觉问答模型训练、视觉问答方法和装置
CN113505209A (zh) * 2021-07-09 2021-10-15 吉林大学 一种面向汽车领域的智能问答系统
CN113486203A (zh) * 2021-07-09 2021-10-08 平安科技（深圳）有限公司 基于问答平台的数据处理方法、装置及相关设备
CN113486203B (zh) * 2021-07-09 2024-05-31 平安科技（深圳）有限公司 基于问答平台的数据处理方法、装置及相关设备
CN113568929A (zh) * 2021-07-30 2021-10-29 咪咕文化科技有限公司 数据存储、查询方法、装置及电子设备
CN113987156A (zh) * 2021-12-21 2022-01-28 飞诺门阵(北京)科技有限公司 一种长文本生成方法、装置及电子设备
CN113987156B (zh) * 2021-12-21 2022-03-22 飞诺门阵(北京)科技有限公司 一种长文本生成方法、装置及电子设备
CN117196736A (zh) * 2023-11-06 2023-12-08 湖南智信房地产土地资产评估有限公司 基于位置及场景的图数一体化智能评估系统
CN117196736B (zh) * 2023-11-06 2024-02-09 湖南智信房地产土地资产评估有限公司 基于位置及场景的图数一体化智能评估系统

Also Published As

Publication number Publication date
CN110110062B (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
CN110110062A (zh) 机器智能问答方法、装置与电子设备
CN109923558A (zh) 混合专家神经网络
CN111694940B (zh) 一种用户报告的生成方法及终端设备
CN107240395A (zh) 一种声学模型训练方法和装置、计算机设备、存储介质
CN107886949A (zh) 一种内容推荐方法及装置
CN107832432A (zh) 一种搜索结果排序方法、装置、服务器和存储介质
US20200183928A1 (en) System and Method for Rule-Based Conversational User Interface
CN108986798B (zh) 语音数据的处理方法、装置及设备
CN109857846B (zh) 用户问句与知识点的匹配方法和装置
CN111814487B (zh) 一种语义理解方法、装置、设备及存储介质
CN109857844A (zh) 基于点餐对话文本的意图识别方法、装置、电子设备
CN108021934A (zh) 多要素识别的方法及装置
CN111339302A (zh) 训练要素分类模型的方法和装置
US20220358292A1 (en) Method and apparatus for recognizing entity, electronic device and storage medium
CN105845133A (zh) 语音信号处理方法及装置
CN108804526A (zh) 兴趣确定系统、兴趣确定方法及存储介质
CN114722839A (zh) 人机协同对话交互系统及方法
Geng Evaluation model of college english multimedia teaching effect based on deep convolutional neural networks
CN110059166A (zh) 自然智能的自然表达处理方法、回应方法、设备及系统
CN110046232A (zh) 自然智能的自然表达处理方法、回应方法、设备及系统
CN112002346A (zh) 基于语音的性别年龄识别方法、装置、设备和存储介质
CN113656564A (zh) 一种基于图神经网络的电网业务对话数据情感检测方法
CN118378148A (zh) 多标签分类模型的训练方法、多标签分类方法及相关装置
WO2020151017A1 (zh) 一种可扩展的领域人机对话系统状态跟踪方法及设备
CN110008317A (zh) 自然智能的自然表达处理方法、回应方法、设备及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20200226

Address after: 100085 Floor 102-1, Building No. 35, West Second Banner Road, Haidian District, Beijing

Applicant after: Seashell Housing (Beijing) Technology Co., Ltd.

Address before: 300 457 days Unit 5, Room 1, 112, Room 1, Office Building C, Nangang Industrial Zone, Binhai New Area Economic and Technological Development Zone, Tianjin

Applicant before: Shell Technology Co., Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant