CN110647614B - 智能问答方法、装置、介质及电子设备 - Google Patents
智能问答方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN110647614B CN110647614B CN201910709165.9A CN201910709165A CN110647614B CN 110647614 B CN110647614 B CN 110647614B CN 201910709165 A CN201910709165 A CN 201910709165A CN 110647614 B CN110647614 B CN 110647614B
- Authority
- CN
- China
- Prior art keywords
- question
- template
- keyword
- similarity
- pair
- 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
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
- G06F16/30—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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及语义解析领域,揭示了一种智能问答方法、装置、介质及电子设备。该方法包括:对用户输入的问句和预设的模板库中的多个问句模板进行预处理,分别得到问句和问句模板的关键词;将基于由问句的关键词和每一问句模板的关键词组成的问句和模板关键词组对输入至已建立的包括多层词语相似度判定模型的语义解析器,得到语义解析器输出的问句与每一问句模板的相似度;根据相似度在预设的模板库中的所有问句模板中获取标准问句模板;确定与标准问句模板对应的问题答案并将问题答案输出。此方法下,可以针对用户的问题得到与该问题最匹配的答案,提高了问题和答案匹配效率和准确率,进而提高了匹配效果。
Description
技术领域
本公开涉及语义解析技术领域,特别涉及一种智能问答方法、装置、介质及电子设备。
背景技术
智能问答系统和聊天机器人一直是自然语言处理领域的研究热点,这些研究方向主要是想方设法来让计算机对用户的问题做出合适的解答。
在现有技术的实现中,为了将用户的问题与答案进行匹配,通常是利用单独的一个语言相似度模型将问题和答案模板来进行相似度匹配。然而用户输入的问题往往是千差万别的,语义可能很复杂,这样就给问题和答案的匹配带来了很高的难度,往往导致问题和答案的匹配效率和精度低下,匹配效果差。因此现有技术亟需一种提高问题和答案匹配效率和准确率,从而提高匹配效果的技术方案。
发明内容
在语义解析技术领域,为了解决上述技术问题,本公开的目的在于提供一种智能问答方法、装置、介质及电子设备。
根据本申请的一方面,提供了一种智能问答方法,所述方法包括:
对用户输入的问句和预设的模板库中的多个问句模板进行预处理,分别得到所述问句和所述问句模板的关键词;
将基于由所述问句的关键词和每一所述问句模板的关键词组成的问句和模板关键词组对输入至已建立的包括多层词语相似度判定模型的语义解析器,得到所述语义解析器输出的所述问句与每一所述问句模板的相似度;
根据所述相似度在预设的模板库中的所有问句模板中获取标准问句模板;
确定与所述标准问句模板对应的问题答案并将所述问题答案输出。
根据本申请的另一方面,提供了一种智能问答装置,所述装置包括:
关键词获取模块,被配置为对用户输入的问句和预设的模板库中的多个问句模板进行预处理,分别得到所述问句和所述问句模板的关键词;
相似度获取模块,被配置为将基于由所述问句的关键词和每一所述问句模板的关键词组成的问句和模板关键词组对输入至已建立的包括多层词语相似度判定模型的语义解析器,得到所述语义解析器输出的所述问句与每一所述问句模板的相似度;
模板获取模块,被配置为根据所述相似度在预设的模板库中的所有问句模板中获取标准问句模板;
输出模块,被配置为确定与所述标准问句模板对应的问题答案并将所述问题答案输出。
根据本申请的另一方面,提供了一种计算机可读程序介质,其存储有计算机程序指令,当所述计算机程序指令被计算机执行时,使计算机执行如前所述的方法。
根据本申请的另一方面,提供了一种电子设备,所述电子设备包括:
处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如前所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明所提供的智能问答方法包括如下步骤:对用户输入的问句和预设的模板库中的多个问句模板进行预处理,分别得到所述问句和所述问句模板的关键词;将基于由所述问句的关键词和每一所述问句模板的关键词组成的问句和模板关键词组对输入至已建立的包括多层词语相似度判定模型的语义解析器,得到所述语义解析器输出的所述问句与每一所述问句模板的相似度;根据所述相似度在预设的模板库中的所有问句模板中获取标准问句模板;确定与所述标准问句模板对应的问题答案并将所述问题答案输出。
此方法下,在分别获取到用户输入的问句和预设的问句模板的关键词后,通过构建关键词组对并输入至已经构建好的包括多层词语相似度判定模型的语义解析器,可以得到更为准确的问句与问句模型的相似度输出结果,然后根据该结果可以得到与用户输入的问句最匹配的问句模板,从而可以针对用户的问题得到与该问题最匹配的答案,提高了问题和答案匹配效率和准确率,进而提高了匹配效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种智能问答方法的应用场景示意图;
图2是根据一示例性实施例示出的一种智能问答方法的流程图;
图3是根据图2对应实施例示出的一实施例的语义解析器输出问句与问句模板相似度的流程图;
图4是根据图3对应实施例示出的一实施例的步骤330的细节的流程图;
图5是根据一示例性实施例示出的语义解析器输出推断相似度矩阵的逻辑框架示意图;
图6是根据一示例性实施例示出的一种智能问答装置的框图;
图7是根据一示例性实施例示出的一种实现上述智能问答方法的电子设备示例框图;
图8是根据一示例性实施例示出的一种实现上述智能问答方法的计算机可读存储介质。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。
本公开首先提供了一种智能问答方法。智能问答即根据问题输出对应的答案的过程。无论是问题还是答案,本质上都可以为符号或者文字,常作为文本在计算机领域进行处理,在具体表现上,问题和答案的表现形式可以相同也可以不同。问题和答案都可以以词组、短语、句子、段落、文章等各种表现形式存在,比较典型的,问题可以以句子的形式存在,答案可以是以句子或段落的形式存在。问题的内容一般为待解答的疑惑或者题目,而答案为对相应的问题做出的解答或者反馈。一般情况下,对于人们遇到的多数问题都已经存在相应的经过了科学或者实践检验的相对正确的答案,人们探索未知,想获得问题的答案,所以有必要根据人们的问题为人们提供准确的答案,由于问题和对应的答案完全是两个维度的内容,如何将答案和对应的问题做精准的匹配正是本公开提供的智能问答方法要解决的问题,通过根据本公开提供的智能问答方法,可以实现答案和对应的问题之间的准确匹配。
本公开的实施终端可以是任何具有运算和处理功能的设备,该设备可以与外部设备相连,用于接收或者发送数据,具体可以是便携移动设备,例如智能手机、平板电脑、笔记本电脑、PDA(Personal Digital Assistant)等,也可以是固定式设备,例如,计算机设备、现场终端、台式电脑、服务器、工作站等,还可以是多个设备的集合,比如云计算的物理基础设施。
优选地,本公开的实施终端可以为服务器或者云计算的物理基础设施。
图1是根据一示例性实施例示出的一种智能问答方法的应用场景示意图。如图1所示,包括服务器110、数据库120以及用户终端130,其中,数据库120和用户终端130分别通过通信链路与服务器110相连,在本实施例中,服务器110为本公开的实施终端,用户终端130也可以是任何具有运算和处理功能的设备,其可以与本公开的实施终端为相同类型的终端,也可以是不同类型的终端,可以与本公开的实施终端为同一终端,也可以为不同终端。当用户需要对查找问题对应的答案时,首先可以通过用户终端130的输入设备(如键盘、鼠标、触摸屏等)输入想要寻求解答的问题,该问题可以通过用户终端130发送至服务器110,由服务器110来找出与该问题匹配的答案。数据库120中存储了多个问题模板以及与问题模板对应的问题答案,当服务器110要寻找与目标问题匹配的答案时,可以先根据目标问题在数据库120中找出与目标问题最匹配的问题模板,然后将与找的问题模板对应的问题答案作为与目标问题匹配的答案,最后,服务器110可以将该答案返回给用户终端130,从而为用户终端130的用户提供相应的解答。
值得一提的是,虽然在本实施例中,本公开的实施终端为服务器,并且问题模板对应的问题答案保存在数据库中,但在其他实施例或者具体应用中,可以根据需要将各种终端选为本公开的实施终端,并且可以将问题模板和问题答案保存在任意相同或者不同的终端上,本公开对此不作任何限定,本公开的保护范围也不应因此而受到任何限制。
图2是根据一示例性实施例示出的一种智能问答方法的流程图。如图2所示,可以包括以下步骤:
步骤210,对用户输入的问句和预设的模板库中的多个问句模板进行预处理,分别得到所述问句和所述问句模板的关键词。
如前所述,问句的表现形式可以是词组、短语、句子、段落等各种形式。
问句模板可以与问句以相同的形式存在,也可以以不同的形式存在,问句模板可以与问句进行匹配。
比如,问句可以为“请问,张三的电话是多少”,那么与该问句对应的问句模板可以是:<姓名实体>的手机号码。
在一个实施例中,预处理是获得问句或者问句模板的关键词。
关键词是记录了问句或者问句模板的核心内容的单字、词语或者短语。
在一个实施例中,所述对用户输入的问句和预设的模板库中的多个问句模板进行预处理,分别得到所述问句和所述问句模板的关键词,包括:
分别对用户输入的问句和预设的模板库中的多个问句模板进行切词;
针对所述用户输入的问句和预设的模板库中的每一问句模板,在为该用户输入的问句和预设的模板库中的问句模板切得的词中去除停用词,得到所述问句和该问句模板的关键词。
对问句和问句模板切词即为将问句和问句模型分成词的过程。
本实施例的好处在于,通过仅将分成的词中的停用词去除来获取关键词,保证了获取的关键词能够表示更多的问句或者问句模板的信息。
在一个实施例中,通过调用预设的分词接口对用户输入的问句和预设的模板库中的多个问句模板进行切词。
停用词是指在信息检索中,为节省存储空间和提高搜索效率,在处理自然语言数据(或文本)之前或之后会自动过滤掉某些字或词。
比如,在英文中,可以将“the”、“at”、“is”等词作为停用词去除;在中文中,可以将“的”、“是”、“在”等词作为停用词去除。
在一个实施例中,所述对用户输入的问句和预设的模板库中的多个问句模板进行预处理,分别得到所述问句和所述问句模板的关键词,包括:
分别对用户输入的问句和预设的模板库中的多个问句模板进行切词;
针对所述用户输入的问句或预设的模板库中的每一问句模板,在为该用户输入的问句或预设的模板库中的问句模板切得的词中获取存在于预设的关键词库中的词,得到所述问句或所述问句模板的关键词。
本实施例的好处在于,通过预设的关键词库来限制获得的问句或问句模板的关键词的范围,使得得到的问句和所述问句模板的关键词都能够保持相对较高的质量。
在一个实施例中,所述针对所述用户输入的问句或预设的模板库中的每一问句模板,在为该用户输入的问句或预设的模板库中的问句模板切得的词中获取存在于预设的关键词库中的词,得到所述问句或所述问句模板的关键词,可以包括:
针对所述用户输入的问句或预设的模板库中的每一问句模板,针对为该用户输入的问句或预设的模板库中的问句模板切得的词中的每一词,判断该词是否存在于预设的关键词库中;如果是,则将该词作为所述问句或所述问句模板的关键词。
步骤220,将基于由所述问句的关键词和每一所述问句模板的关键词组成的问句和模板关键词组对输入至已建立的包括多层词语相似度判定模型的语义解析器,得到所述语义解析器输出的所述问句与每一所述问句模板的相似度。
在一个实施例中,所述语义解析器中的多层词语相似度判定模型包括:
杰卡德指数模型层,word2vec模型层,Glove模型层和C&W模型层。
上述的词语相似度判定模型都可以输出问句和模板关键词组对的相似度,一个模型层为一个词语相似度判定模型。
具体而言,杰卡德指数模型层包含的杰卡德指数模型可以直接输出相似度,而word2vec模型层、Glove模型层和C&W模型层中的模型本身可能并不直接输出相似度,而是输出词向量,这些模型层除了模型之外,还可以包含相似度计算层,可用于计算词向量的相似度,从而可以使模型层输出问句和模板关键词组对的相似度,其中相似度计算层可以基于余弦距离或者欧式距离计算词向量的相似性。
应当注意,虽然在上述实施例中,词语相似度判定模型为一个模型层,有的模型层可以包含模型和相似度计算层,但此处仅为便于理解和描述起见,将模型和相似度计算层统称为词语相似度判定模型,在实际情况下,词语相似度判定模型可能并非是一个单独的模型,而是能完成词语相似度判定这一功能的单元或者组件的集合。
在一个实施例中,所述语义解析器中除了杰卡德指数模型层、word2vec模型层、Glove模型层以及C&W模型层之外,还包括:特定领域词语相似度判断模型层。
特定领域词语相似度判断模型可以是人为根据经验设置的在某些领域能够进行词语相似度的计算的模型,具体实现形式可以是任意的,比如可以通过预先建立特定领域的词语相关库来进行特定领域的词语相似度的判断。
本实施例的好处在于,通过增加一层词语相似度判定模型,在一定程度上可以提高所述语义解析器输出的所述问句与每一所述问句模板的相似度的准确性。
在一个实施例中,语义解析器输出的问句与每一问句模板的相似度的具体方式可以如图3所示。图3是根据图2对应实施例示出的一实施例的语义解析器输出问句与问句模板相似度的流程图,如图3所示,包括以下步骤:
步骤310,获取每一所述问句和模板关键词组对对应的关键词对矩阵。
在一个实施例中,关键词对矩阵中的每一元素为所述问句和问句模板的关键词的一种组合,关键词对矩阵中的所有元素包含了问句和问句模板的关键词的所有组合,问句的关键词的数量为所述关键词对矩阵的行宽或列宽,对应地,问句模板的关键词的数量为所述关键词对矩阵的列宽或行宽。
在一个实施例中,所述获取每一所述问句和模板关键词组对对应的关键词对矩阵,包括:
从所述问句和模板关键词组对中的问句关键词组中的第一个问句关键词开始,按照所述问句关键词组中问句关键词的排序,针对所述问句关键词组中的每一问句关键词,在问句和模板关键词组对的模板关键词组中从第一个模板关键词开始按照所述模板关键词组中模板关键词的排序,依次获取模板关键词,并将获取的模板关键词与该问句关键词组成关键词对;
获取所述问句和模板关键词组对中的问句关键词组中问句关键词的数目;
对所述关键词对按照生成顺序进行排序,从第一个关键词对开始,每次在没获取过的关键词对中按照所述顺序获取所述数目个关键词对,作为关键词对矩阵中的第n行,其中,n为获取所述数目个关键词对的获取次数。
步骤320,分别利用所述语义解析器中的每一层词语相似度判定模型,对每一关键词对矩阵进行词语相似度判定,得到由每一层词语相似度判定模型针对每一所述问句和模板关键词组对输出的关键词对的相似度矩阵。
如前所述,词语相似度判定模型可以为杰卡德指数模型层、word2vec模型层、Glove模型层、C&W模型层、特定领域词语相似度判断模型层等,利用词语相似度判定模型可以针对关键词对矩阵中的每一关键词对计算出相似度,从而得到相似度矩阵。
步骤330,针对每一所述问句和模板关键词组对,基于由各层词语相似度判定模型输出的该问句和模板关键词组对的关键词对的相似度矩阵,获得该问句和模板关键词组对的推断相似度矩阵。
推断相似度矩阵是对各层词语相似度判定模型输出的相似度矩阵的结合,通过综合各层词语相似度判定模型的输出结果,能够使得获得的推断相似度矩阵可信度和准确度更高。
在一个实施例中,所述相似度矩阵中的每一元素与问句和模板关键词组对中的一个关键词对对应,所述针对每一所述问句和模板关键词组对,基于由各层词语相似度判定模型输出的该问句和模板关键词组对的关键词对的相似度矩阵,获得该问句和模板关键词组对的推断相似度矩阵,包括:
针对每一所述问句和模板关键词组对,针对该问句和模板关键词组对对应的每一关键词对,对由各层词语相似度判定模型输出的关键词对的相似度矩阵中与该关键词对对应的元素从大到小进行排序;
针对每一所述问句和模板关键词组对,针对该问句和模板关键词组对对应的每一关键词对,在由各层词语相似度判定模型输出的关键词对的相似度矩阵中与该关键词对对应的元素中,获取排序在前第一预定数目的关键词对对应的元素,作为推断相似度矩阵获取元素;
针对每一所述问句和模板关键词组对,基于获取的所述推断相似度矩阵获取元素,获取推断相似度矩阵。
推断相似度矩阵获取元素是用来从中获取构建推断相似度矩阵的元素。
在一个实施例中,所述针对每一所述问句和模板关键词组对,基于获取的所述推断相似度矩阵获取元素,获取推断相似度矩阵,包括:
针对该问句和模板关键词组对对应的每一关键词对,确定各个推断相似度矩阵获取元素的方差;
在所述方差大于预定方差阈值的情况下,获取针对该关键词对对应的元素的最大值;
在所述方差不大于预定方差阈值的情况下,在排序在前第二预定数目的针对该关键词对对应的元素中任取一个元素,所述第二预定数目小于第一预定数目;
对针对各个关键词对获取的对应元素的最大值和/或任取的元素,按照各个对应的元素在相似度矩阵中的排序组成相似度矩阵,作为该问句和模板关键词组对的推断相似度矩阵。
由于各个关键词对对应的元素的值的大小并不一定能完全准确反映最终获得的推断相似度矩阵中元素的值,特别是当同一关键词对对应的各个元素的值相差不大时,用关键词对对应的元素的最大值来构建推断相似度矩阵可能并不合理。所以本实施例的好处在于,通过在方差不大于预定方差阈值时,即在同一关键词对对应的各个元素的值足够相似的情况下,在该关键词对对应的各个元素的值排名足够靠前的元素中任选一个元素,用于构建该问句和模板关键词组对的推断相似度矩阵,提高了构建出的推断相似度矩阵的随机性和公平性,并可能在一定程度上提高获取的推断相似度矩阵的准确性。
在一个实施例中,所述针对每一所述问句和模板关键词组对,基于获取的所述推断相似度矩阵获取元素,获取推断相似度矩阵,包括:
针对该问句和模板关键词组对对应的每一关键词对,确定各个推断相似度矩阵获取元素的平均值;
针对该问句和模板关键词组对对应的每一关键词对,获取该关键词对对应的推断相似度矩阵获取元素的最大值和所述平均值之差与所述最大值的比值;
在所述比值小于预定比值阈值的情况下,获取针对该关键词对对应的元素的最大值;
在所述比值大于或等于预定比值阈值的情况下,获取针对该关键词对对应的各个推断相似度矩阵获取元素的平均值;
对针对各个关键词对获取的对应元素的最大值和/或推断相似度矩阵获取元素的平均值,按照各个对应的元素在相似度矩阵中的排序组成相似度矩阵,作为该问句和模板关键词组对的推断相似度矩阵。
推断相似度矩阵获取元素的平均值反映了推断相似度矩阵获取元素的集中趋势,在本实施例中,在各个推断相似度矩阵获取元素的平均值与关键词对对应的元素的最大值差距不大的情况下通过获取各个推断相似度矩阵获取元素的平均值来构建相似度矩阵,使得基于各个推断相似度矩阵获取元素的平均值得到的相似度矩阵中的元素能够更好反映各层词语相似度判定模型的判定结果,提高了构建推断相似度矩阵的公平性,同时,由于选择了关键词对对应的推断相似度矩阵获取元素的最大值和所述平均值之差与所述最大值的比值作为确定是否通过获取各个推断相似度矩阵获取元素的平均值来构建相似度矩阵的条件,无论推断相似度矩阵获取元素的最大值是否为极端值,该条件在一定程度上都能对是否通过获取各个推断相似度矩阵获取元素的平均值来构建相似度矩阵进行很好的区分,提高了该条件的泛化能力和普适性。
图5是根据一示例性实施例示出的语义解析器输出推断相似度矩阵的逻辑框架示意图。如图5所示,包括关键词对矩阵510、第一层词语相似度判定模型520、第二层词语相似度判定模型530、第三层词语相似度判定模型540、相似度矩阵550以及推断相似度矩阵560,其中三层词语相似度判定模型都属于语义解析器500,每一层词语相似度判定模型引出的箭头所指向的相似度矩阵即为每一层词语相似度判定模型输出的相似度矩阵,而推断相似度矩阵560为基于各层词语相似度判定模型输出的相似度矩阵得到的。
步骤340,针对每一问句和模板关键词组对,根据该问句和模板关键词组对的推断相似度矩阵中的各个相似度,获取该问句和模板关键词组对对应的问句和问句模板的相似度。
在一个实施例中,所述针对每一问句和模板关键词组对,根据该问句和模板关键词组对的推断相似度矩阵中的各个相似度,获取该问句和模板关键词组对对应的问句和问句模板的相似度,包括:
通过下列公式根据该问句和模板关键词组对的推断相似度矩阵中的各个相似度,获取该问句和模板关键词组对对应的问句和问句模板的相似度:
其中,S1和S2分别是所述问句和所述问句模板,Sim(S1,S2)为所述问句与所述问句模板的相似度,wi为所述问句中的关键词,而wj为所述问句模板中的关键词,maxSim(wj)为所述问句模板的各关键词与所述问句中的关键词wi的相似度中的最大值,maxSim(wi)为所述问句中的各关键词与所述问句中的关键词wj的相似度中的最大值,idf(wi)为所述问句中的关键词wi逆向文件频率,idf(wj)为所述问句中的关键词wj逆向文件频率,D为所有所述问句模板的数目,为存在所述问句中的关键词wi的问句模板的数目。
下面继续参考图2所示,步骤220之后还包括以下步骤:
步骤230,根据所述相似度在预设的模板库中的所有问句模板中获取标准问句模板。
在一个实施例中,所述根据所述相似度在预设的模板库中的所有问句模板中获取标准问句模板,包括:在预设的模板库中的所有问句模板中获取所述相似度最大的问句模板,作为标准问句模板。
在一个实施例中,根据所述相似度在预设的模板库中的所有问句模板中获取标准问句模板,包括:对预设的模板库中的所有问句模板按照所述相似度从大到小进行排序;在预设的模板库中的所有问句模板中获取所述相似度排序在前预定数目的问句模板,作为标准问句模板。
在一个实施例中,所述根据所述相似度在预设的模板库中的所有问句模板中获取标准问句模板,包括:
对预设的模板库中的所有问句模板按照所述相似度从大到小进行排序;
在所述相似度大于预设相似度阈值的问句模板的数目大于或等于预定数目阈值的情况下,将排序小于或等于预定数目阈值的问句模板,作为标准问句模板;
在所述相似度大于预设相似度阈值的问句模板的数目小于预定数目阈值的情况下,将所述相似度大于预设相似度阈值的问句模板,作为标准问句模板。
本实施例的好处在于,通过限定获取的标准模板的数目,能够提高输出问题答案的效率,同时,通过将预设相似度阈值作为选择标准问句模板的基准,提高了获取的标准问题模板的准确率。
步骤240,确定与所述标准问句模板对应的问题答案并将所述问题答案输出。
在一个实施例中,预设的数据库中保存着与每一问句模板对应的问题答案,所述确定与所述标准问句模板对应的问题答案并将所述问题答案输出,包括:通过查询预设的数据库获取与所述标准问句模板对应的问题答案并将所述问题答案输出。
在一个实施例中,所述确定与所述标准问句模板对应的问题答案并将所述问题答案输出,包括:通过调用预设的问题答案查询接口,获取与所述标准问句模板对应的问题答案并将所述问题答案输出。
在一个实施例中,问题答案数据以RDF(Resource Description Framework,资源描述框架)数据的形式存储,所述确定与所述标准问句模板对应的问题答案并将所述问题答案输出,包括:
通过SPARQL语句查询以RDF数据的形式存储的问题答案数据,得到与所述标准问句模板对应的问题答案并将所述问题答案输出。
在一个实施例中,确定与所述标准问句模板对应的问题答案并将所述问题答案输出,包括:
确定与所述标准问句模板对应的问题答案;获取问题答案模板;将所述问题答案注入至所述问题答案模板进行输出。
综上所述,根据图2实施例提供的智能问答方法,在分别获取到用户输入的问句和预设的问句模板的关键词后,通过构建关键词组对并输入至已经构建好的包括多层词语相似度判定模型的语义解析器,可以得到更为准确的问句与问句模型的相似度输出结果,然后根据该结果可以得到与用户输入的问句最匹配的问句模板,从而可以针对用户的问题得到与该问题最匹配的答案,提高了问题和答案匹配效率和准确率,进而提高了匹配效果。
图4是根据图3对应实施例示出的一实施例的步骤330的细节的流程图。如图4所示,可以包括以下步骤:
步骤331,针对每一所述问句和模板关键词组对,针对该问句和模板关键词组对对应的每一关键词对,获取由各层词语相似度判定模型输出的关键词对的相似度矩阵中与该关键词对对应的元素的最大值。
在一个实施例中,通过冒泡排序的第一轮获取所述最大值。
步骤332,将针对该问句和模板关键词组对对应的每一关键词对获取的所述对应的元素的最大值,按照各个对应的元素在相似度矩阵中的排序组成相似度矩阵,作为该问句和模板关键词组对的推断相似度矩阵。
继续参考图5所示,推断相似度矩阵560中的每一元素都是各层词语相似度判定模型输出的关键词对的相似度矩阵中与关键词对对应的元素的最大值,比如,对于A1B1这一关键词对,三层词语相似度判定模型输出的相似度矩阵与该关键词对对应的元素分别为0.85、0.84和0.88,而推断相似度矩阵中与该关键词对对应的元素即为三者中的最大值0.88。
本实施例的好处在于,使推断相似度矩阵中元素的获取都有公平的标准,保证了推断相似度矩阵的获取精度。
本公开还提供了一种智能问答装置,以下是本公开的装置实施例。
图6是根据一示例性实施例示出的一种智能问答装置的框图。如图6所示,装置600包括:
关键词获取模块610,被配置为对用户输入的问句和预设的模板库中的多个问句模板进行预处理,分别得到所述问句和所述问句模板的关键词;
相似度获取模块620,被配置为将基于由所述问句的关键词和每一所述问句模板的关键词组成的问句和模板关键词组对输入至已建立的包括多层词语相似度判定模型的语义解析器,得到所述语义解析器输出的所述问句与每一所述问句模板的相似度;
模板获取模块630,被配置为根据所述相似度在预设的模板库中的所有问句模板中获取标准问句模板;
输出模块640,被配置为确定与所述标准问句模板对应的问题答案并将所述问题答案输出。
据本公开的第三方面,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本发明的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元710执行,使得所述处理单元710执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。
存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)721和/或高速缓存存储单元722,还可以进一步包括只读存储单元(ROM)723。
存储单元720还可以包括具有一组(至少一个)程序模块725的程序/实用工具724,这样的程序模块725包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备700交互的设备通信,和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且,电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器760通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
根据本公开的第四方面,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图8所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (8)
1.一种智能问答方法,其特征在于,所述方法包括:
对用户输入的问句和预设的模板库中的多个问句模板进行预处理,分别得到所述问句和所述问句模板的关键词;
将基于由所述问句的关键词和每一所述问句模板的关键词组成的问句和模板关键词组对输入至已建立的包括多层词语相似度判定模型的语义解析器,得到所述语义解析器输出的所述问句与每一所述问句模板的相似度;所述语义解析器通过如下方式根据输入至该语义解析器的由所述问句的关键词和每一所述问句模板的关键词组成的问句和模板关键词组对输出所述问句与每一所述问句模板的相似度:获取每一所述问句和模板关键词组对对应的关键词对矩阵;分别利用所述语义解析器中的每一层词语相似度判定模型,对每一关键词对矩阵进行词语相似度判定,得到由每一层词语相似度判定模型针对每一所述问句和模板关键词组对输出的关键词对的相似度矩阵,所述相似度矩阵中的每一元素与问句和模板关键词组对中的一个关键词对对应;针对每一所述问句和模板关键词组对,针对该问句和模板关键词组对对应的每一关键词对,获取由各层词语相似度判定模型输出的关键词对的相似度矩阵中与该关键词对对应的元素的最大值;将针对该问句和模板关键词组对对应的每一关键词对获取的所述对应的元素的最大值,按照各个对应的元素在相似度矩阵中的排序组成相似度矩阵,作为该问句和模板关键词组对的推断相似度矩阵;针对每一问句和模板关键词组对,根据该问句和模板关键词组对的推断相似度矩阵中的各个相似度,获取该问句和模板关键词组对对应的问句和问句模板的相似度;
根据所述相似度在预设的模板库中的所有问句模板中获取标准问句模板;
确定与所述标准问句模板对应的问题答案并将所述问题答案输出。
2.根据权利要求1所述的方法,其特征在于,所述获取每一所述问句和模板关键词组对对应的关键词对矩阵,包括:
从所述问句和模板关键词组对中的问句关键词组中的第一个问句关键词开始,按照所述问句关键词组中问句关键词的排序,针对所述问句关键词组中的每一问句关键词,在问句和模板关键词组对的模板关键词组中从第一个模板关键词开始按照所述模板关键词组中模板关键词的排序,依次获取模板关键词,并将获取的模板关键词与该问句关键词组成关键词对;
获取所述问句和模板关键词组对中的问句关键词组中问句关键词的数目;
对所述关键词对按照生成顺序进行排序,从第一个关键词对开始,每次在没获取过的关键词对中按照所述顺序获取所述数目个关键词对,作为关键词对矩阵中的第n行,其中,n为获取所述数目个关键词对的获取次数。
3.根据权利要求1所述的方法,其特征在于,所述相似度矩阵中的每一元素与问句和模板关键词组对中的一个关键词对对应,所述方法还包括:
针对每一所述问句和模板关键词组对,针对该问句和模板关键词组对对应的每一关键词对,对由各层词语相似度判定模型输出的关键词对的相似度矩阵中与该关键词对对应的元素从大到小进行排序;
针对每一所述问句和模板关键词组对,针对该问句和模板关键词组对对应的每一关键词对,在由各层词语相似度判定模型输出的关键词对的相似度矩阵中与该关键词对对应的元素中,获取排序在前第一预定数目的关键词对对应的元素,作为推断相似度矩阵获取元素;
针对每一所述问句和模板关键词组对,基于获取的所述推断相似度矩阵获取元素,获取推断相似度矩阵。
4.根据权利要求1所述的方法,其特征在于,所述针对每一问句和模板关键词组对,根据该问句和模板关键词组对的推断相似度矩阵中的各个相似度,获取该问句和模板关键词组对对应的问句和问句模板的相似度,包括:
通过下列公式根据该问句和模板关键词组对的推断相似度矩阵中的各个相似度,获取该问句和模板关键词组对对应的问句和问句模板的相似度:
5.根据权利要求1所述的方法,其特征在于,所述根据所述相似度在预设的模板库中的所有问句模板中获取标准问句模板,包括:
对预设的模板库中的所有问句模板按照所述相似度从大到小进行排序;
在所述相似度大于预设相似度阈值的问句模板的数目大于或等于预定数目阈值的情况下,将排序小于或等于预定数目阈值的问句模板,作为标准问句模板;
在所述相似度大于预设相似度阈值的问句模板的数目小于预定数目阈值的情况下,将所述相似度大于预设相似度阈值的问句模板,作为标准问句模板。
6.一种智能问答装置,其特征在于,所述装置包括:
关键词获取模块,被配置为对用户输入的问句和预设的模板库中的多个问句模板进行预处理,分别得到所述问句和所述问句模板的关键词;
相似度获取模块,被配置为将基于由所述问句的关键词和每一所述问句模板的关键词组成的问句和模板关键词组对输入至已建立的包括多层词语相似度判定模型的语义解析器,得到所述语义解析器输出的所述问句与每一所述问句模板的相似度;所述语义解析器通过如下方式根据输入至该语义解析器的由所述问句的关键词和每一所述问句模板的关键词组成的问句和模板关键词组对输出所述问句与每一所述问句模板的相似度:获取每一所述问句和模板关键词组对对应的关键词对矩阵;分别利用所述语义解析器中的每一层词语相似度判定模型,对每一关键词对矩阵进行词语相似度判定,得到由每一层词语相似度判定模型针对每一所述问句和模板关键词组对输出的关键词对的相似度矩阵,所述相似度矩阵中的每一元素与问句和模板关键词组对中的一个关键词对对应;针对每一所述问句和模板关键词组对,针对该问句和模板关键词组对对应的每一关键词对,获取由各层词语相似度判定模型输出的关键词对的相似度矩阵中与该关键词对对应的元素的最大值;将针对该问句和模板关键词组对对应的每一关键词对获取的所述对应的元素的最大值,按照各个对应的元素在相似度矩阵中的排序组成相似度矩阵,作为该问句和模板关键词组对的推断相似度矩阵;针对每一问句和模板关键词组对,根据该问句和模板关键词组对的推断相似度矩阵中的各个相似度,获取该问句和模板关键词组对对应的问句和问句模板的相似度;
模板获取模块,被配置为根据所述相似度在预设的模板库中的所有问句模板中获取标准问句模板;
输出模块,被配置为确定与所述标准问句模板对应的问题答案并将所述问题答案输出。
7.一种计算机可读程序介质,其特征在于,其存储有计算机程序指令,当所述计算机程序指令被计算机执行时,使计算机执行根据权利要求1至5中任一项所述的方法。
8.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如权利要求1至5任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910709165.9A CN110647614B (zh) | 2019-08-01 | 2019-08-01 | 智能问答方法、装置、介质及电子设备 |
PCT/CN2020/098948 WO2021017721A1 (zh) | 2019-08-01 | 2020-06-29 | 智能问答方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910709165.9A CN110647614B (zh) | 2019-08-01 | 2019-08-01 | 智能问答方法、装置、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647614A CN110647614A (zh) | 2020-01-03 |
CN110647614B true CN110647614B (zh) | 2023-05-23 |
Family
ID=68990006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910709165.9A Active CN110647614B (zh) | 2019-08-01 | 2019-08-01 | 智能问答方法、装置、介质及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110647614B (zh) |
WO (1) | WO2021017721A1 (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647614B (zh) * | 2019-08-01 | 2023-05-23 | 平安科技(深圳)有限公司 | 智能问答方法、装置、介质及电子设备 |
CN110895652A (zh) * | 2019-09-27 | 2020-03-20 | 广州视源电子科技股份有限公司 | 一种评论信息的处理方法、装置、系统、设备和存储介质 |
CN111274371B (zh) * | 2020-01-14 | 2023-09-29 | 东莞证券股份有限公司 | 一种基于知识图谱的智能人机对话方法及设备 |
CN111428002B (zh) * | 2020-03-23 | 2024-07-26 | 南京烽火星空通信发展有限公司 | 一种自然语言人机交互式的智能问答实现方法 |
CN111581364B (zh) * | 2020-05-06 | 2022-05-03 | 厦门理工学院 | 一种面向医疗领域的中文智能问答短文本相似度计算方法 |
CN111782785B (zh) * | 2020-06-30 | 2024-04-19 | 北京百度网讯科技有限公司 | 自动问答方法、装置、设备以及存储介质 |
CN111898643B (zh) * | 2020-07-01 | 2024-02-23 | 上海依图信息技术有限公司 | 一种语义匹配方法及装置 |
CN111831810B (zh) * | 2020-07-23 | 2024-02-09 | 中国平安人寿保险股份有限公司 | 智能问答方法、装置、设备及存储介质 |
CN111858900B (zh) * | 2020-09-21 | 2020-12-25 | 杭州摸象大数据科技有限公司 | 问句语义解析规则模板的生成方法、装置、设备及存储介质 |
CN112487165A (zh) * | 2020-12-02 | 2021-03-12 | 税友软件集团股份有限公司 | 一种基于关键词的问答方法、装置及介质 |
CN114091465A (zh) * | 2020-12-29 | 2022-02-25 | 北京沃东天骏信息技术有限公司 | 语义识别方法、语义识别装置、存储介质及电子设备 |
CN112966087B (zh) * | 2021-03-15 | 2023-10-13 | 中国美术学院 | 一种灵感素材的智能问答系统及方法 |
CN113157868B (zh) * | 2021-04-29 | 2022-11-11 | 青岛海信网络科技股份有限公司 | 一种基于结构化数据库匹配问题答案的方法及装置 |
CN113515605B (zh) * | 2021-05-20 | 2023-12-19 | 中晨田润实业有限公司 | 基于人工智能的智能机器人问答方法和智能机器人 |
CN113268563B (zh) * | 2021-05-24 | 2022-06-17 | 平安科技(深圳)有限公司 | 基于图神经网络的语义召回方法、装置、设备及介质 |
CN113204622A (zh) * | 2021-05-25 | 2021-08-03 | 广州三星通信技术研究有限公司 | 电子装置及其信息处理方法 |
CN113282733B (zh) * | 2021-06-11 | 2024-04-09 | 上海寻梦信息技术有限公司 | 客服问题匹配方法、系统、设备及存储介质 |
CN116089589B (zh) * | 2023-02-10 | 2023-08-29 | 阿里巴巴达摩院(杭州)科技有限公司 | 问句生成方法及装置 |
CN116739003A (zh) * | 2023-06-01 | 2023-09-12 | 中国南方电网有限责任公司 | 电网管理智能问答实现方法、装置、电子设备及存储介质 |
CN117708283A (zh) * | 2023-11-29 | 2024-03-15 | 北京中关村科金技术有限公司 | 召回内容的确定方法、召回内容的确定装置和电子设备 |
CN117708304B (zh) * | 2024-02-01 | 2024-05-28 | 浙江大华技术股份有限公司 | 数据库问答方法、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595619A (zh) * | 2018-04-23 | 2018-09-28 | 海信集团有限公司 | 一种问答方法及设备 |
CN109815318A (zh) * | 2018-12-24 | 2019-05-28 | 平安科技(深圳)有限公司 | 问答系统中的问题答案查询方法、系统及计算机设备 |
CN109871437A (zh) * | 2018-11-30 | 2019-06-11 | 阿里巴巴集团控股有限公司 | 用于用户问题语句处理的方法及装置 |
CN109918624A (zh) * | 2019-03-18 | 2019-06-21 | 北京搜狗科技发展有限公司 | 一种网页文本相似度的计算方法和装置 |
CN109948143A (zh) * | 2019-01-25 | 2019-06-28 | 网经科技(苏州)有限公司 | 社区问答系统的答案抽取方法 |
CN110032632A (zh) * | 2019-04-04 | 2019-07-19 | 平安科技(深圳)有限公司 | 基于文本相似度的智能客服问答方法、装置及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170018620A (ko) * | 2015-08-10 | 2017-02-20 | 삼성전자주식회사 | 유사 문장 식별 방법 및 이를 적용한 식별 장치 |
US10275515B2 (en) * | 2017-02-21 | 2019-04-30 | International Business Machines Corporation | Question-answer pair generation |
CN107436916B (zh) * | 2017-06-15 | 2021-04-27 | 百度在线网络技术(北京)有限公司 | 智能提示答案的方法及装置 |
CN107220380A (zh) * | 2017-06-27 | 2017-09-29 | 北京百度网讯科技有限公司 | 基于人工智能的问答推荐方法、装置和计算机设备 |
CN107609101B (zh) * | 2017-09-11 | 2020-10-27 | 远光软件股份有限公司 | 智能交互方法、设备及存储介质 |
CN110647614B (zh) * | 2019-08-01 | 2023-05-23 | 平安科技(深圳)有限公司 | 智能问答方法、装置、介质及电子设备 |
-
2019
- 2019-08-01 CN CN201910709165.9A patent/CN110647614B/zh active Active
-
2020
- 2020-06-29 WO PCT/CN2020/098948 patent/WO2021017721A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595619A (zh) * | 2018-04-23 | 2018-09-28 | 海信集团有限公司 | 一种问答方法及设备 |
CN109871437A (zh) * | 2018-11-30 | 2019-06-11 | 阿里巴巴集团控股有限公司 | 用于用户问题语句处理的方法及装置 |
CN109815318A (zh) * | 2018-12-24 | 2019-05-28 | 平安科技(深圳)有限公司 | 问答系统中的问题答案查询方法、系统及计算机设备 |
CN109948143A (zh) * | 2019-01-25 | 2019-06-28 | 网经科技(苏州)有限公司 | 社区问答系统的答案抽取方法 |
CN109918624A (zh) * | 2019-03-18 | 2019-06-21 | 北京搜狗科技发展有限公司 | 一种网页文本相似度的计算方法和装置 |
CN110032632A (zh) * | 2019-04-04 | 2019-07-19 | 平安科技(深圳)有限公司 | 基于文本相似度的智能客服问答方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110647614A (zh) | 2020-01-03 |
WO2021017721A1 (zh) | 2021-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647614B (zh) | 智能问答方法、装置、介质及电子设备 | |
US11023505B2 (en) | Method and apparatus for pushing information | |
CN107256267B (zh) | 查询方法和装置 | |
CN111353310B (zh) | 基于人工智能的命名实体识别方法、装置及电子设备 | |
US10586155B2 (en) | Clarification of submitted questions in a question and answer system | |
CN107491547B (zh) | 基于人工智能的搜索方法和装置 | |
EP3933657A1 (en) | Conference minutes generation method and apparatus, electronic device, and computer-readable storage medium | |
CN109325108B (zh) | 查询处理方法、装置、服务器及存储介质 | |
CN112287069B (zh) | 基于语音语义的信息检索方法、装置及计算机设备 | |
US11977567B2 (en) | Method of retrieving query, electronic device and medium | |
CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
US10083398B2 (en) | Framework for annotated-text search using indexed parallel fields | |
CN111597800B (zh) | 同义句的获取方法及装置、设备及存储介质 | |
CN113407814B (zh) | 文本搜索方法、装置、可读介质及电子设备 | |
EP3762876A1 (en) | Intelligent knowledge-learning and question-answering | |
CN114116997A (zh) | 知识问答方法、装置、电子设备及存储介质 | |
CN117539990A (zh) | 一种问题处理方法、装置、电子设备和存储介质 | |
KR20220123187A (ko) | 다중 시스템 기반 지능형 질의 응답 방법, 장치와 기기 | |
TW202001621A (zh) | 語料庫產生方法及裝置、人機互動處理方法及裝置 | |
CN114416926A (zh) | 关键词匹配方法、装置、计算设备及计算机可读存储介质 | |
CN108628911A (zh) | 针对用户输入的表情预测 | |
CN110245357B (zh) | 主实体识别方法和装置 | |
CN116186220A (zh) | 信息检索方法、问答处理方法、信息检索装置及系统 | |
CN112905752A (zh) | 一种智能交互方法、装置、设备以及存储介质 | |
CN114925185B (zh) | 交互方法、模型的训练方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |