CN110263141A - 一种基于bert的客服问答系统 - Google Patents
一种基于bert的客服问答系统 Download PDFInfo
- Publication number
- CN110263141A CN110263141A CN201910556777.9A CN201910556777A CN110263141A CN 110263141 A CN110263141 A CN 110263141A CN 201910556777 A CN201910556777 A CN 201910556777A CN 110263141 A CN110263141 A CN 110263141A
- Authority
- CN
- China
- Prior art keywords
- module
- way
- put questions
- bert
- questions
- 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.)
- Pending
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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Abstract
一种基于BERT的客服问答系统,属于数据计算技术领域,包括接收模块、预处理模块、意图模块和模板引擎模块;所述接收模块用于接收用户端提出的问题;所述预处理模块用于对接收到的问题进行处理;所述意图模块是用于对获取的问题的意图进行解析获取;所述模板引擎模块用于对获取的问题和标准问题进行匹配,获得问法;所述答案配置模块用于对系统提供的问法生成答案;本发明的系统采用BERT模型用于特征向量提取,并基于欧式距离的triplet loss函数进行监督,相比于采用二分类的cross entropy loss函数,这样产生的向量在计算相似度距离会更加自然合理,而对比常规的训练模型,triplet net同时训练正负样例,模型收敛更快;同时,系统中的数据为闭环状态,缩短修改周期,以及提高系统的准确性。
Description
技术领域
本发明属于数据计算技术领域,特别涉及一种基于BERT的客服问答系统。
背景技术
自然语言处理(Nature Language Processing,NLP)是语言学、计算机科学、以及人工智能相互作用的领域。NLP是数据科学的一个分支,以一种智能与高效的方式,对文本数据进行系统化分析、理解与信息提取的过程。通过使用NLP及其组件,能够解决各式各样的文本问题,如文本相似度、自动摘要、机器翻译、命名实体识别、关系提取、情感分析以及主题分割等。
客服是一种解答顾客疑问,满足顾客合理诉求的职业。其形式以文字客服为主,如淘宝客服、京东客服等。客服是一种机械重复性高,人力密集型的工作。客服人员每天需要接收大量顾客的不同情绪,难免会影响服务质量。
基于NLP技术实现的客服问答系统,可以精准捕捉用户意图,理解用户自然语言提问,将答案直接返回给用户,能够有效减少客服的工作量。目前客服问答系统主要基于Convolutional Neural Networks(CNN)和Recurrent Neural Network(RNN)实现,通过对字向量或者词向量进行特征提取来获取文本特征,难以对句子进行完整的语义表达,影响问答系统的准确性。
发明内容
本发明的目的在于克服上述提到的缺陷和不足,而提供一种基于BERT的客服问答系统。
为了解决上述技术问题,采用如下技术方案:
一种基于BERT的客服问答系统,包括接收模块(100)、预处理模块(101)、意图模块(110)和模板引擎模块(102);所述接收模块(100)用于接收用户端提出的问题;所述预处理模块(101)用于对接收到的问题进行处理,具体工作步骤内容如下:
(1)、对获取到的用户问题数据字数进行比对,若字数≤5时,结合用户问题的上下文,便于意图模块(110)来对用户的意图进行理解;
(2)、若字数>5时,对于句子中的噪点进行祛除,便于意图模块(110)来对用户的意图进行理解;
(3)、其中,预处理模块(101)中设置有一个负面情绪识别的分类器,用于分类正向、负向情感,若判别为负面情绪时,启动人工服务;若判别为正向情绪时,则由本系统自动进行答疑。
所述意图模块(110)是用于对获取的问题的意图进行解析获取;所述模板引擎模块(102)用于对获取的问题和标准问题进行匹配,获得问法;工作步骤具体内容如下: (1)、根据意图模块(110)获得意图匹配对应的问法,若匹配到相应的问法时,直接发送至答案配置模块(105),生成答案,进行解疑;
(2)、若未匹配到相应的问法时,启动检索模块(103)检索相应的问法。
所述排序模块(104)工作步骤的具体内容如下:
(1)、获取检索模块(103)检索出的多个候选问法,通过对多个候选问法的字面得分、语义得分、关键词得分等多维度进行排序,确定排序第一的问法。
所述答案配置模块(105)用于对系统提供的问法生成答案;其中,所述模板引擎模块(102)具体包括检索模块(103)、排序模块(104)、聚类模块(107)和知识库(106),所述知识库(106)用来存储问法以及该问法其他形式的描述数据,所述检索模块(103)根据获得的问法和知识库(106)中进行相似度计算,得到较为接近的多个候选问法,所述排序模块(104)用于对获得的多个候选问法进行排序,确定最优的候选问法,输送至答案配置模块(105),所述聚类模块(107)将筛选出的未匹配问法进行聚类,便于知识库(106)内部问法数据进一步的完善。
所述检索模块(103)包括字面检索模块(109)和语义检索模块(108),所述字面检索模块(109)通过对获取的用户问题进行分词检索,结合知识库(106)中的数据,计算权重,快速检索相似的句子;所述语义检索模块(108)通过Bert模型提取用户问题的语义向量和知识库(106)中的语义特征向量进行相似度计算。
所述Bert模型提取采用的是基于Bert模型改进的triplet net模型,在计算loss采用的triplet loss,即扩大同义问题与不同义问题的距离。
所述聚类模块(107)将筛选出的未匹配问法进行聚类,即系统内部设置有阀值,当分值低于阀值时,筛选出来的候选问法归类为未匹配问法。
由于采用上述技术方案,具有以下有益效果:
本发明的系统采用BERT模型用于特征向量提取,并基于欧式距离的triplet loss函数进行监督,相比于采用二分类的cross entropy loss函数,这样产生的向量在计算相似度距离会更加自然合理,而对比常规的训练模型,triplet net同时训练正负样例,模型收敛更快;同时,系统中的数据为闭环状态,缩短修改周期,以及提高系统的准确性。
附图说明
图1是本发明的一种基于BERT的客服问答系统的系统架构图;
图2是本发明中排序模块的结构示意图;
图3是本发明一种基于BERT的客服问答系统的流程框图;
图中:100-接收模块;101-预处理模块;102-模板引擎模块;103-检索模块;104-排序模块;105-答案配置模块;106-知识库;107-聚类模块;108-语义检索模块;109-字面检索模块;110-意图模块。
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。
如图1-3所示的一种基于BERT的客服问答系统,包括接收模块100、预处理模块101、意图模块110和模板引擎模块102,;
所述接收模块100用于接收用户端提出的问题;所述预处理模块101用于对接收到的问题进行处理;
所述意图模块110是用于对获取的问题的意图进行解析获取;所述模板引擎模块102用于对获取的问题和标准问题进行匹配,获得问法;工作步骤具体内容如下:
(1)、根据意图模块110获得意图匹配对应的问法,若匹配到相应的问法时,直接发送至答案配置模块105,生成答案,进行解疑;
(2)、若未匹配到相应的问法时,启动检索模块103检索相应的问法。
所述答案配置模块105用于对系统提供的问法生成答案;其中,所述模板引擎模块102具体包括检索模块103、排序模块104、聚类模块107和知识库106,所述知识库106用来存储问法以及该问法其他形式的描述数据,所述检索模块103根据获得的问法和知识库106中进行相似度计算,得到较为接近的多个候选问法,所述排序模块104用于对获得的多个候选问法进行排序,确定最优的候选问法,输送至答案配置模块105,所述聚类模块107将筛选出的未匹配问法进行聚类,便于知识库106内部问法数据进一步的完善。
进一步,所述预处理模块101的具体工作步骤内容如下:
(1)、对获取到的用户问题数据字数进行比对,若字数≤5时,结合用户问题的上下文,便于意图模块110来对用户的意图进行理解;
(2)、若字数>5时,对于句子中的噪点进行祛除,便于意图模块110来对用户的意图进行理解;
(3)、其中,预处理模块101中设置有一个负面情绪识别的分类器,用于分类正向、负向情感,若判别为负面情绪时,启动人工服务;若判别为正向情绪时,则由本系统自动进行答疑。
进一步,所述排序模块104工作步骤的具体内容如下:
(1)、获取检索模块103检索出的多个候选问法,通过对多个候选问法的字面得分、语义得分、关键词得分等多维度进行排序,确定排序第一的问法。
进一步,所述检索模块103包括字面检索模块109和语义检索模块108,所述字面检索模块109通过对获取的用户问题进行分词检索,结合知识库106中的数据,计算权重,快速检索相似的句子;所述语义检索模块108通过Bert模型提取用户问题的语义向量和知识库106中的语义特征向量进行相似度计算。
进一步,所述Bert模型提取采用的是基于Bert模型改进的triplet net模型,在计算loss采用的triplet loss,即扩大同义问题与不同义问题的距离。
进一步,所述聚类模块107将筛选出的未匹配问法进行聚类,即系统内部设置有阀值,当分值低于阀值时,筛选出来的候选问法归类为未匹配问法。
本发明的工作原理:首先,接收模块100接收用户端的用户问题数据,在预处理模块100的作用下进行数据初处理,便于意图模块110更准确的识别用户意图,缩小模板引擎模块102的匹配范围,然后,模板引擎模块102匹配到相应的问法时,发送至答案配置模块105,生成答案,若模板引擎模块102为匹配对应的问法时,检索模块103通过对知识库106的比对,筛选出多个候选问法,接着,通过排序模块104选择出排序第一的问法,然后有答案配置模块105进行解答,其中,在排序过程中,设有阀值,若分值低于阀值,则候选问法进入聚类模块107,便于后续运营人员人工筛选添加知识库106中,增强系统的准确性。
本发明按照实施例进行了说明,在不脱离本原理的前提下,本装置还可以作出若干变形和改进。应当指出,凡采用等同替换或等效变换等方式所获得的技术方案,均落在本发明的保护范围内。
Claims (7)
1.一种基于BERT的客服问答系统,其特征在于,包括接收模块(100)、预处理模块(101)、意图模块(110)和模板引擎模块(102);所述接收模块(100)用于接收用户端提出的问题;所述预处理模块(101)用于对接收到的问题进行处理;所述意图模块(110)是用于对获取的问题的意图进行解析获取;所述模板引擎模块(102)用于对获取的问题和标准问题进行匹配,获得问法;所述答案配置模块(105)用于对系统提供的问法生成答案;其中,所述模板引擎模块(102)具体包括检索模块(103)、排序模块(104)、聚类模块(107)和知识库(106),所述知识库(106)用来存储问法以及该问法其他形式的描述数据,所述检索模块(103)根据获得的问法和知识库(106)中进行相似度计算,得到较为接近的多个候选问法,所述排序模块(104)用于对获得的多个候选问法进行排序,确定最优的候选问法,输送至答案配置模块(105),所述聚类模块(107)将筛选出的未匹配问法进行聚类,便于知识库(106)内部问法数据进一步的完善。
2.根据权利要求1所述的一种基于BERT的客服问答系统,其特征在于,所述预处理模块(101)的具体工作步骤内容如下:
(1)、对获取到的用户问题数据字数进行比对,若字数≤5时,结合用户问题的上下文,便于意图模块(110)来对用户的意图进行理解;
(2)、若字数>5时,对于句子中的噪点进行祛除,便于意图模块(110)来对用户的意图进行理解;
(3)、其中,预处理模块(101)中设置有一个负面情绪识别的分类器,用于分类正向、负向情感,若判别为负面情绪时,启动人工服务;若判别为正向情绪时,则由本系统自动进行答疑。
3.根据权利要求1所述的一种基于BERT的客服问答系统,其特征在于,所述模板引擎模块(102)的工作步骤具体内容如下:
(1)、根据意图模块(110)获得意图匹配对应的问法,若匹配到相应的问法时,直接发送至答案配置模块(105),生成答案,进行解疑;
(2)、若未匹配到相应的问法时,启动检索模块(103)检索相应的问法。
4.根据权利要求1所述的一种基于BERT的客服问答系统,其特征在于,所述排序模块(104)工作步骤的具体内容如下:
(1)、获取检索模块(103)检索出的多个候选问法,通过对多个候选问法的字面得分、语义得分、关键词得分等多维度进行排序,确定排序第一的问法。
5.根据权利要求1所述的一种基于BERT的客服问答系统,其特征在于,所述检索模块(103)包括字面检索模块(109)和语义检索模块(108),所述字面检索模块(109)通过对获取的用户问题进行分词检索,结合知识库(106)中的数据,计算权重,快速检索相似的句子;所述语义检索模块(108)通过Bert模型提取用户问题的语义向量和知识库(106)中的语义特征向量进行相似度计算。
6.根据权利要求5所述的一种基于BERT的客服问答系统,其特征在于,所述Bert模型提取采用的是基于Bert模型改进的triplet net模型,在计算loss采用的triplet loss,即扩大同义问题与不同义问题的距离。
7.根据权利要求1所述的一种基于BERT的客服问答系统,其特征在于,所述聚类模块(107)将筛选出的未匹配问法进行聚类,即系统内部设置有阀值,当分值低于阀值时,筛选出来的候选问法归类为未匹配问法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910556777.9A CN110263141A (zh) | 2019-06-25 | 2019-06-25 | 一种基于bert的客服问答系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910556777.9A CN110263141A (zh) | 2019-06-25 | 2019-06-25 | 一种基于bert的客服问答系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110263141A true CN110263141A (zh) | 2019-09-20 |
Family
ID=67921422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910556777.9A Pending CN110263141A (zh) | 2019-06-25 | 2019-06-25 | 一种基于bert的客服问答系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263141A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110704591A (zh) * | 2019-09-27 | 2020-01-17 | 联想(北京)有限公司 | 一种信息处理方法及计算机设备 |
CN110909144A (zh) * | 2019-11-28 | 2020-03-24 | 中信银行股份有限公司 | 问答对话方法、装置、电子设备及计算机可读存储介质 |
CN111062220A (zh) * | 2020-03-13 | 2020-04-24 | 成都晓多科技有限公司 | 一种基于记忆遗忘装置的端到端意图识别系统和方法 |
CN111291166A (zh) * | 2020-05-09 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 基于Bert的语言模型的训练方法及装置 |
CN111538824A (zh) * | 2020-05-25 | 2020-08-14 | 武汉烽火普天信息技术有限公司 | 一种基于bert的智能问答实现方法及系统 |
CN111651566A (zh) * | 2020-08-10 | 2020-09-11 | 四川大学 | 基于多任务的小样本学习的裁判文书争议焦点提取方法 |
CN111813910A (zh) * | 2020-06-24 | 2020-10-23 | 平安科技(深圳)有限公司 | 客服问题的更新方法、系统、终端设备及计算机存储介质 |
CN112131370A (zh) * | 2020-11-23 | 2020-12-25 | 四川大学 | 问答模型构建方法及系统、问答方法及装置、审判系统 |
CN112256847A (zh) * | 2020-09-30 | 2021-01-22 | 昆明理工大学 | 融合事实文本的知识库问答方法 |
CN112328786A (zh) * | 2020-11-03 | 2021-02-05 | 平安科技(深圳)有限公司 | 基于bert的文本分类方法、装置、计算机设备及存储介质 |
CN112347295A (zh) * | 2020-11-13 | 2021-02-09 | 杭州微洱网络科技有限公司 | 电商客服场景图片处理系统 |
CN112818102A (zh) * | 2021-02-01 | 2021-05-18 | 杭州微洱网络科技有限公司 | 基于上下文的faq知识库的快速问答方法 |
CN113297360A (zh) * | 2021-04-29 | 2021-08-24 | 天津汇智星源信息技术有限公司 | 基于弱监督学习和联合学习机制的法律问答方法及设备 |
CN113538075A (zh) * | 2020-04-14 | 2021-10-22 | 阿里巴巴集团控股有限公司 | 数据的处理方法、模型的训练方法、装置和设备 |
CN116303947A (zh) * | 2023-02-24 | 2023-06-23 | 首都师范大学 | 一种问答文本的情绪识别方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657346A (zh) * | 2015-01-15 | 2015-05-27 | 深圳市前海安测信息技术有限公司 | 智能交互系统中的问题匹配方法和系统 |
CN106844587A (zh) * | 2017-01-11 | 2017-06-13 | 北京光年无限科技有限公司 | 一种用于对话交互系统的数据处理方法及装置 |
CN107015983A (zh) * | 2016-01-27 | 2017-08-04 | 阿里巴巴集团控股有限公司 | 一种用于智能问答中提供知识信息的方法与设备 |
CN107918767A (zh) * | 2017-11-27 | 2018-04-17 | 北京旷视科技有限公司 | 目标检测方法、装置、电子设备及计算机可读介质 |
-
2019
- 2019-06-25 CN CN201910556777.9A patent/CN110263141A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657346A (zh) * | 2015-01-15 | 2015-05-27 | 深圳市前海安测信息技术有限公司 | 智能交互系统中的问题匹配方法和系统 |
CN107015983A (zh) * | 2016-01-27 | 2017-08-04 | 阿里巴巴集团控股有限公司 | 一种用于智能问答中提供知识信息的方法与设备 |
CN106844587A (zh) * | 2017-01-11 | 2017-06-13 | 北京光年无限科技有限公司 | 一种用于对话交互系统的数据处理方法及装置 |
CN107918767A (zh) * | 2017-11-27 | 2018-04-17 | 北京旷视科技有限公司 | 目标检测方法、装置、电子设备及计算机可读介质 |
Non-Patent Citations (1)
Title |
---|
JACOB DEVLIN ET AL: "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding", 《ARXIV:COMPUTATION AND LANGUAGE》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110704591A (zh) * | 2019-09-27 | 2020-01-17 | 联想(北京)有限公司 | 一种信息处理方法及计算机设备 |
CN110909144A (zh) * | 2019-11-28 | 2020-03-24 | 中信银行股份有限公司 | 问答对话方法、装置、电子设备及计算机可读存储介质 |
CN111062220A (zh) * | 2020-03-13 | 2020-04-24 | 成都晓多科技有限公司 | 一种基于记忆遗忘装置的端到端意图识别系统和方法 |
CN113538075A (zh) * | 2020-04-14 | 2021-10-22 | 阿里巴巴集团控股有限公司 | 数据的处理方法、模型的训练方法、装置和设备 |
CN111291166A (zh) * | 2020-05-09 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 基于Bert的语言模型的训练方法及装置 |
CN111538824A (zh) * | 2020-05-25 | 2020-08-14 | 武汉烽火普天信息技术有限公司 | 一种基于bert的智能问答实现方法及系统 |
CN111538824B (zh) * | 2020-05-25 | 2024-04-16 | 武汉烽火普天信息技术有限公司 | 一种基于bert的智能问答实现方法及系统 |
CN111813910A (zh) * | 2020-06-24 | 2020-10-23 | 平安科技(深圳)有限公司 | 客服问题的更新方法、系统、终端设备及计算机存储介质 |
CN111651566A (zh) * | 2020-08-10 | 2020-09-11 | 四川大学 | 基于多任务的小样本学习的裁判文书争议焦点提取方法 |
CN112256847A (zh) * | 2020-09-30 | 2021-01-22 | 昆明理工大学 | 融合事实文本的知识库问答方法 |
CN112256847B (zh) * | 2020-09-30 | 2023-04-07 | 昆明理工大学 | 融合事实文本的知识库问答方法 |
CN112328786A (zh) * | 2020-11-03 | 2021-02-05 | 平安科技(深圳)有限公司 | 基于bert的文本分类方法、装置、计算机设备及存储介质 |
CN112347295A (zh) * | 2020-11-13 | 2021-02-09 | 杭州微洱网络科技有限公司 | 电商客服场景图片处理系统 |
CN112131370A (zh) * | 2020-11-23 | 2020-12-25 | 四川大学 | 问答模型构建方法及系统、问答方法及装置、审判系统 |
CN112818102A (zh) * | 2021-02-01 | 2021-05-18 | 杭州微洱网络科技有限公司 | 基于上下文的faq知识库的快速问答方法 |
CN113297360A (zh) * | 2021-04-29 | 2021-08-24 | 天津汇智星源信息技术有限公司 | 基于弱监督学习和联合学习机制的法律问答方法及设备 |
CN116303947A (zh) * | 2023-02-24 | 2023-06-23 | 首都师范大学 | 一种问答文本的情绪识别方法、装置及电子设备 |
CN116303947B (zh) * | 2023-02-24 | 2024-01-19 | 首都师范大学 | 一种问答文本的情绪识别方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263141A (zh) | 一种基于bert的客服问答系统 | |
CN110309267A (zh) | 基于预训练模型的语义检索方法和系统 | |
CN110413783B (zh) | 一种基于注意力机制的司法文本分类方法及系统 | |
CN110717018A (zh) | 一种基于知识图谱的工业设备故障维修问答系统 | |
CN112699246A (zh) | 基于知识图谱的领域知识推送方法 | |
Ueki et al. | Waseda_Meisei at TRECVID 2017: Ad-hoc Video Search. | |
CN106649258A (zh) | 一种智能的问答系统 | |
CN110362819A (zh) | 基于卷积神经网络的文本情感分析方法 | |
CN108121702A (zh) | 数学主观题评阅方法及系统 | |
CN110489548A (zh) | 一种基于语义、时间和社交关系的中文微博话题检测方法及系统 | |
CN106776832A (zh) | 用于问答交互日志的处理方法、装置及系统 | |
Wang et al. | Kga: A general machine unlearning framework based on knowledge gap alignment | |
CN112468659A (zh) | 应用于电话客服的质量评价方法、装置、设备及存储介质 | |
CN111191051A (zh) | 一种基于中文分词技术的应急知识图谱的构建方法及系统 | |
Wei et al. | Cross-modal knowledge distillation in multi-modal fake news detection | |
CN112100212A (zh) | 一种基于机器学习和规则匹配的案件情节抽取方法 | |
CN113065341A (zh) | 一种环境类投诉举报文本自动标注和分类方法 | |
CN110287298A (zh) | 一种基于问句主题的自动问答答案选择方法 | |
Wang et al. | Facial affective behavior analysis method for 5th abaw competition | |
CN115905187B (zh) | 一种面向云计算工程技术人员认证的智能化命题系统 | |
Liu et al. | icsberts: Optimizing pre-trained language models in intelligent customer service | |
Ye et al. | A sentiment based non-factoid question-answering framework | |
CN116935411A (zh) | 一种基于字符分解和重构的部首级古文字识别方法 | |
CN111312394A (zh) | 一种基于组合情感的心理健康状况评估系统及其处理方法 | |
Zhang et al. | Chinese short text classification by ERNIE based on LTC_Block |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |
|
RJ01 | Rejection of invention patent application after publication |