CN110765246A - 基于智能机器人的问答方法、装置、存储介质和智能设备 - Google Patents
基于智能机器人的问答方法、装置、存储介质和智能设备 Download PDFInfo
- Publication number
- CN110765246A CN110765246A CN201910935458.9A CN201910935458A CN110765246A CN 110765246 A CN110765246 A CN 110765246A CN 201910935458 A CN201910935458 A CN 201910935458A CN 110765246 A CN110765246 A CN 110765246A
- Authority
- CN
- China
- Prior art keywords
- case
- data
- description
- question
- case description
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 239000013598 vector Substances 0.000 claims abstract description 77
- 230000002452 interceptive effect Effects 0.000 claims abstract description 69
- 238000013507 mapping Methods 0.000 claims abstract description 42
- 238000013515 script Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 26
- 230000010365 information processing Effects 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000012899 standard injection Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请适用于信息处理技术领域,提出一种基于智能机器人的问答方法、装置、存储介质和智能设备。该方法包括:获取用户输入的案情描述,根据所述案情描述的信息形态对应的映射规则,将所述案情描述进行映射,得到所述案情描述的案情文本词向量;基于所述案情描述的案情文本词向量与已经训练好的案由分类网络模型,确定所述案情描述的案由类别;根据所述案由类别对应的对话剧本向用户主动提问;收集所述主动提问过程中的交互数据;基于所述交互数据与所述案情描述,生成并输出所述案情描述的参考意见数据。本方案可提高用户意图识别的准确性,从而提高智能机器人问答的准确性与效率,增强用户体验。
Description
技术领域
本申请属于信息处理技术领域,尤其涉及一种基于智能机器人的问答方法、装置、存储介质和智能设备。
背景技术
近年来,随着大数据与人工智能的发展,问答系统智能化的需求越来越明显,多种多样的智能问答机器人应运而生。
目前,通用型的智能问答机器人一般是通过大量的语料库对该模型进行训练,可以实现简单的对话问答。市面上用于法律咨询的智能问答机器人,也是通过对用户输入的文本信息匹配答案。由于法律知识专业性强,判断逻辑复杂,现有的用于法律咨询的智能问答机器人要求用户输入的提问精准,对用户的法律知识水平要求较高,否则无法准确识别用户的实际意图,从而导致给出的回答不准确,智能问答的效率较低,用户体验差。
申请内容
有鉴于此,本申请实施例提供了一种基于智能机器人的问答方法、装置、存储介质和智能设备,以解决现有技术中,用于法律咨询的智能问答机器人无法准确识别用户的实际意图,从而导致给出的回答不准确,智能问答的效率较低,用户体验差的问题。
第一方面,本申请实施例提供了一种基于智能机器人的问答方法,包括:
获取用户输入的案情描述,所述案情描述为文本数据、音频数据、图片数据以及视频数据中的一种信息形态或者多种信息形态;
根据所述案情描述的信息形态对应的映射规则,将所述案情描述进行映射,得到所述案情描述的案情文本词向量;
基于所述案情描述的案情文本词向量与已经训练好的案由分类网络模型,确定所述案情描述的案由类别;
根据所述案由类别对应的对话剧本向用户主动提问;
收集所述主动提问过程中的交互数据,所述交互数据包括智能机器人的主动提问数据以及所述用户基于所述主动提问数据输入的回答数据;
基于所述交互数据与所述案情描述,生成并输出所述案情描述的参考意见数据。
进一步的,所述案由分类网络模型的训练包括:
构建案由分类网络模型,所述案由分类网络模型包括卷积层以及全连接层;
获取案情信息样本,所述案情信息样本设有案由类别标签;
在所述卷积层中,对所述案情信息样本进行特征向量提取,得到所述案情信息样本的案情样本特征向量;
在所述全连接层中,根据所述案情样本特征向量,对所述案情信息样本进行案由类别概率计算,得到所述案情信息样本的案由类别概率,并确定所述案由类别概率对应的案由类别;
根据预设参数调整算法,对所述案由分类网络模型的模型参数进行优化,直至所述案情信息样本的案由类别概率对应的案由类别与所述案情信息样本的案由类别标签一致。
进一步的,所述基于所述交互数据与所述案情描述,生成并输出所述案情描述的参考意见数据,包括:
将所述交互数据与所述案情描述转换为以法律知识图谱为轴心的案情参考词向量;
将所述以法律知识图谱为轴心的案情参考词向量输入至训练好的用于输出参考意见数据的意见参考网络模型中,输出参考意见数据。
进一步的,所述将所述交互数据与所述案情描述转换为以法律知识图谱为轴心的案情参考词向量,包括:
将所述交互数据对应的交互文本信息进行分词处理,得到所述交互数据的交互分词;
将所述案情描述对应的案情文本信息进行分词处理,得到所述案情描述的案情描述分词;
根据所述交互分词与所述案情描述分词,以及法律知识图谱中案件类型、法律条款、罪行、审判结果之间的拓扑关系,从所述法律知识图谱中查找所述案情描述对应的法律信息分词;
根据所述交互分词、所述案情描述分词以及所述法律信息分词,构建案情参考词向量。
进一步的,所述基于所述交互数据与所述案情描述,生成并输出所述案情描述的参考意见数据,包括:
基于所述案情描述的案情文本词向量与预设的提问关键词,确定所述案情描述中是否存在用户提问数据;
若所述案情描述中存在用户提问数据,基于所述用户提问数据与所述交互数据输出参考意见数据。
若所述案情描述中不存在用户提问数据,查找与所述案情描述相似的历史案件以及所述相似的历史案件的关联问题,所述与所述案情描述相似的历史案件是指案情描述相似度达到指定相似度阈值的案件;
基于所述相似的历史案件的关联问题的答案数据与所述交互数据,输出参考意见数据。
进一步的,所述方法还包括:
获取所述相似的历史案件的案情描述与所述用户输入的案情描述的案情描述相似度;
根据所述案情描述相似度,为所述基于所述相似的历史案件的关联问题的答案数据与所述交互数据输出的参考意见数据标注参考可信度。
进一步的,所述根据所述案情描述相似度,为所述基于所述相似的历史案件的关联问题的答案数据与所述交互数据输出的参考意见数据标注参考可信度,包括:
获取所述相似的历史案件的审判年度;
根据如下公式确定所述参考意见数据标注的参考可信度:
R=Func(δyear*η);
其中,η为选择的历史案件的案情描述与所述用户输入的案情描述的案情描述相似度,δyear为所述历史案件的审判年度对应的可信指数,Func为任意一个实现从[0,+∞)到[0,1)映射的单调递增函数。
第二方面,本申请实施例提供了一种基于智能机器人的问答装置,包括:
案情信息获取单元,用于获取用户输入的案情描述,所述案情描述为文本数据、音频数据、图片数据以及视频数据中的一种信息形态或者多种信息形态;
词向量确定单元,用于根据所述案情描述的信息形态对应的映射规则,将所述案情描述进行映射,得到所述案情描述的案情文本词向量;
案由类别确定单元,用于基于所述案情描述的案情文本词向量与已经训练好的案由分类网络模型,确定所述案情描述的案由类别;
交互单元,用于根据所述案由类别对应的对话剧本向用户主动提问;
数据收集单元,用于收集所述主动提问过程中的交互数据,所述交互数据包括智能机器人的主动提问数据以及所述用户基于所述主动提问数据输入的回答数据;
意见输出单元,用于基于所述交互数据与所述案情描述,生成并输出所述案情描述的参考意见数据。
第三方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如本申请实施例第一方面提出的基于智能机器人的问答方法。
第四方面,本申请实施例提供了一种智能设备,包括存储器、处理器以及存储在所述存储器中并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本申请实施例第一方面提出的基于智能机器人的问答方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面所述的问答方法。
本申请实施例中,通过获取用户输入的案情描述,所述案情描述为文本数据、音频数据、图片数据以及视频数据中的一种信息形态或者多种信息形态,即用户可使用多媒体输入案情描述,丰富用户的问答形式,然后根据所述案情描述的信息形态对应的映射规则,将所述案情描述进行映射,得到所述案情描述的案情文本词向量,基于所述案情描述的案情文本词向量与已经训练好的案由分类网络模型,确定所述案情描述的案由类别,再根据所述案由类别对应的对话剧本向用户主动提问,针对不同案由类别选择不同的对话剧本使得提问更有效,基于案由类别对应的对话剧本与用户交互,从而使得识别用户意图更为准确,收集所述主动提问过程中的交互数据,所述交互数据包括智能机器人的主动提问数据以及所述用户基于所述主动提问数据输入的回答数据,基于所述交互数据与所述案情描述,生成并输出所述案情描述的参考意见数据,本方案可提高用户意图识别的准确性,从而提高基于智能机器人的法律咨询问答的准确性与效率,增强用户体验。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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是本申请实施例提供的基于智能机器人的问答方法的实现流程图;
图2是本申请实施例提供的基于智能机器人的问答方法S106的一种具体实现流程图;
图3是本申请实施例提供的基于智能机器人的问答方法B1的具体实现流程图;
图4是本申请实施例提供的基于智能机器人的问答方法S106的另一种具体实现流程图;
图5是本申请另一实施例提供的基于智能机器人的问答方法的实现流程图;
图6是本申请实施例提供的基于智能机器人的问答装置的结构框图;
图7是本申请实施例提供的一种智能设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请提出一种基于智能机器人的问答方法,能够使得用于法律咨询的智能机器人能准确有效识别用户问答的实际意图,提高咨询的准确性和效率,大大增强用户体验。
图1示出了本申请实施例提供的基于智能机器人的问答方法的实现流程,在本申请实施例中的智能机器人具备自然语言理解、视觉感知、听觉感知、语音输出等AI能力,该方法流程包括步骤S101至S106。各步骤的具体实现原理如下:
S101:获取用户输入的案情描述,所述案情描述为文本数据、音频数据、图片数据以及视频数据中的一种信息形态或者多种信息形态。
在本实施例中,所述案情描述为多模态数据,包括为文本数据、音频数据、图片数据以及视频数据中的一种信息形态或者多种信息形态。即用户可以通过键盘直接输入案情描述的文字,或者通过语音的方式输入案情描述,或者输入包括案情描述的图片或视频,或者输入文字、语音、图片以及视频之间的组合,阐述案情。用户可使用多媒体输入案情描述,丰富用户的问答形式,也方便智能机器人更好的理解用户的问答。
S102:根据所述案情描述的信息形态对应的映射规则,将所述案情描述进行映射,得到所述案情描述的案情文本词向量。
在本申请实施例中,为不同的信息形态分别预设对应的映射规则,所述映射规则用于将某种信息形态的案情描述映射为案情文本词向量。所述案情文本词向量为所述案情描述中的词构成。
可选地,若所述案情描述为文本信息,根据所述文本信息对应的映射规则,将所述文本信息映射为案情文本词向量,即将词映射到低维空间。具体地,使用分词工具对所述文本信息进行分词,然后通过word2vec模型对分词后文本计算生成案情文本词向量。所述word2vec模型是用于产生词向量的相关模型
可选地,若所述案情描述为图片信息,根据所述图片信息对应的映射规则,将所述图片信息映射为案情文本词向量。具体地,采用卷积神经网络将所述图片信息映射为图片向量,提取所述图片中的文本信息,再根据所述文本信息对应的映射规则,将所述文本信息映射为案情文本词向量。示例性地,利用经过训练的用于图像识别的卷积神经网络CNN进行图像的特征提取,提取图片中的文本信息,再根据文本信息对应的映射规则将该文本信息映射为案情文本词向量。
可选地,若所述案情描述为语音信息,根据所述语音信息对应的映射规则,将所述语音信息映射为案情文本词向量。具体地,采用卷积神经网络将所述语音信息映射为文本词向量案情文本词向量。示例性地,利用经过训练的用于语音识别的卷积神经网络CNN进行音频的特征提取,提取语音中的文本信息,再根据文本信息对应的映射规则将该文本信息映射为案情文本词向量。
可选地,若所述案情描述为视频信息,根据所述视频信息对应的映射规则,将所述语音信息映射为案情文本词向量。具体地,将所述视频信息进行图像序列化,利用循环神经网络RNN进行序列化连续的图片映射,提取序列化图片中的文本信息,再根据文本信息对应的映射规则将该文本信息映射为文本词向量案情文本词向量。而对于视频信息中语音信息的处理同上述案情描述为语音信息的处理,在此不再赘述。
本申请实施例中,智能机器人可接收用户发送的多种信息形态的案情描述,可丰富用户的问答形式,并且,多种信息形态的案情描述有助于智能机器人对案情描述的理解,从而使得问答更为准确有效。
S103:基于所述案情描述的案情文本词向量与已经训练好的案由分类网络模型,确定所述案情描述的案由类别。
具体地,所述案由分类网络模型经过训练用于确定案由类别。在本申请实施例中,所述案由分类网络模型的训练包括:
A1:构建案由分类网络模型,所述案由分类网络模型包括卷积层以及全连接层。
A2:获取案情信息样本,所述案情信息样本设有案由类别标签。
A3:在所述卷积层中,对所述案情信息样本进行特征向量提取,得到所述案情信息样本的案情样本特征向量。
A4:在所述全连接层中,根据所述案情样本特征向量,对所述案情信息样本进行案由类别概率计算,得到所述案情信息样本的案由类别概率,并确定所述案由类别概率对应的案由类别;所述全连接层为带有softmax激活函数的全连接神经网络层,通过该全连接神经网络层将经过处理后的样本案情信息分类。
A5:根据预设参数调整算法,对所述案由分类网络模型的模型参数进行优化,直至所述案情信息样本的案由类别概率对应的案由类别与所述案情信息样本的案由类别标签一致。所述预设参数调整算法可以是反向传播算法。
本申请实施例中,所述案由分类网络模型可以是卷积神经网络模型。通过已经训练好的案由分类网络模型确定案情描述的案由类别,而按案由类别可使得与用户问答交互更为精准和有效。
S104:根据所述案由类别对应的对话剧本向用户主动提问。
在本申请实施例中,针对不同案由类别的案情描述,智能问答机器人会选择不同的对话剧本与用户进行交互。即案由类别有对应的对话剧本,根据案由类别与对话剧本的映射规则,确定案由类别对应的对话剧本。所述对话剧本根据法律知识图谱以及法律专家经验构建。在确定所述案由类别对应的对话剧本之后,智能问答机器人在交互过程中基于所述对话剧本与所述案情描述向用户主动提问。
可选地,当所述对话剧本中包括不止一轮提问时,根据所述用户针对上一轮主动提问输入的回答数据,选择下一轮提问数据。具体地,所述对话剧本中包括提问数据的逻辑走线。根据用户针对上一轮主动提问输入的回答数据,选择与所述回答数据对应的下一轮提问数据。
S105:收集所述主动提问过程中的交互数据,所述交互数据包括智能机器人的主动提问数据以及所述用户基于所述主动提问数据输入的回答数据。
在本申请实施例中,在基于所述对话剧本的主动提问过程中,或者,在基于所述对话剧本的主动提问结束之后,收集所述主动提问过程中的所有交互数据。进一步地,若所述对话剧本中的主动提问不止一轮,在基于所述对话剧本的主动提问结束之后,收集主动提问过程中的所有交互数据,所述交互数据包括智能问答机器人的所有主动提问数据以及用户基于所述提问数据输入的所有回答数据,所述主动提问数据源于所述案由类别对应的对话剧本。
S106:基于所述交互数据与所述案情描述,生成并输出所述案情描述的参考意见数据。
在本实施例中,智能机器人基于交互数据输出的参考意见数据,可以是文本数据、音频数据、图片数据以及视频数据中的一种或者多种。多种信息形态展示参考意见数据,应答呈现方式多样化,方便用户获取了解,增强用户体验。
作为本申请的一个实施例,图2示出了本申请实施例提供的基于智能机器人的问答方法S106的具体实现流程,详述如下:
B1:将所述交互数据与所述案情描述转换为以法律知识图谱为轴心的案情参考词向量,所述案情参考词向量为多维向量。
B2:将所述以法律知识图谱为轴心的案情参考词向量输入至训练好的用于输出参考意见数据的意见参考网络模型中,输出参考意见数据。
在本申请实施例中,引入法律知识图谱,利用法律知识图谱对所述意见参考网络模型进行训练及引导,从而使得智能机器人在交互过程中更好的理解用户的意图,提高智能机器人问答的专业性与准确性。
作为本申请的一个实施例,如图3所示,所述步骤B1具体包括:
B11:将所述交互数据对应的交互文本信息进行分词处理,得到所述交互数据的交互分词。
B12:将所述案情描述对应的案情文本信息进行分词处理,得到所述案情描述的案情描述分词。
B13:根据所述交互分词与所述案情描述分词,以及法律知识图谱中案件类型、法律条款、罪行、审判结果之间的拓扑关系,从所述法律知识图谱中查找所述案情描述对应的法律信息分词。
B14:根据所述交互分词、所述案情描述分词以及所述法律信息分词,构建案情参考词向量。
作为本申请的一个实施例,图4示出了本申请实施例提供的基于智能机器人的问答方法S106的具体实现流程,详述如下:
C1:基于所述案情描述的案情文本词向量与预设的提问关键词,确定所述案情描述中是否存在用户提问数据。具体地,根据上述步骤S102的具体描述可知,所述案情文本词向量由所述案情描述的分词构成,判断所述案情描述的案情文本词向量中的分词是否存在所述提问关键词,若存在,则确定所述案情描述中存在提问数据。
C2:若所述案情描述中存在用户提问数据,基于所述用户提问数据与所述交互数据输出参考意见数据。具体地,预设交互数据与参考文本的映射关系,根据所述交互数据与所述预设的交互数据与参考文本的映射关系,确定所述交互数据对应的参考文本,结合所述用户提问数据与所述参考文本,生成并输出参考意见数据。
C3:若所述案情描述中不存在用户提问数据,在历史案件库中查找与所述案情描述相似的历史案件以及所述相似的历史案件的关联问题,所述与所述案情描述相似的历史案件是指案情描述相似度达到指定相似度阈值的案件,所述关联问题是指历史用户针对所述历史案件的历史提问。
C4:基于所述相似的历史案件的关联问题的答案数据与所述交互数据,输出参考意见数据。
进一步地,为更好的与用户交互,使得用户在使用智能机器人进行法律咨询问答的过程更为人性化,在上述步骤C4具体包括:
C41:在所述智能机器的显示屏或者所述智能机器连接的显示屏上展示所述相似的历史案件的关联问题,并提示用户选择确认所述相似的历史案件的关联问题。
C42:获取用户输入的选择确认信息。所述选择确认信息包括用户确认的所述相似的历史案件的关联问题。
C43:基于用户确认所述相似的历史案件的关联问题的答案数据与所述交互数据,输出参考意见数据。
本申请实施例中,若所述案情描述中不存在提问数据,即可能是用户不知道怎么问,通过展示相似的历史案件的关联问题供用户参考,待用户确认之后,基于所述交互数据与用户确认的所述相似的历史案件的关联问题的答案输出参考意见数据,可增强用户体验。
可选地,作为本申请的一个实施例,如图5所示,所述问答方法还包括:
D1:获取所述相似的历史案件的案情描述与所述用户输入的案情描述的案情描述相似度。
D2:根据所述案情描述相似度,为所述基于所述相似的历史案件的关联问题的答案数据与所述交互数据输出的参考意见数据标注参考可信度。
具体地,上述步骤D2具体包括:
D21:获取所述相似的历史案件的审判年度;
D22:根据如下公式确定所述参考意见数据标注的参考可信度:
R=Func(δyear*η);
其中,η为选择的历史案件的案情描述与所述用户输入的案情描述的案情描述相似度,δyear为所述历史案件的审判年度对应的可信指数,所述可信指数δyear通过查询用于保存所述历史案件的审判年度与可信指数对应关系的数据库确定,Func为任意一个实现从[0,+∞)到[0,1)映射的单调递增函数。例如Func可取以下任意一个函数:
在本申请实施例中,为便于用户参考,对根据基于所述交互数据与所述相似的历史案件的关联问题的答案输出参考意见数据标注参考可信度,所述参考可信度根据选择的与所述案情描述相似的历史案件的案情描述相似度确定。
本申请实施例中,通过获取用户输入的案情描述,所述案情描述为文本数据、音频数据、图片数据以及视频数据中的一种信息形态或者多种信息形态,即用户可使用多媒体输入案情描述,丰富用户的问答形式,然后根据所述案情描述的信息形态对应的映射规则,将所述案情描述进行映射,得到所述案情描述的案情文本词向量,基于所述案情描述的案情文本词向量与已经训练好的案由分类网络模型,确定所述案情描述的案由类别,再根据所述案由类别对应的对话剧本向用户主动提问,针对不同案由类别选择不同的对话剧本使得提问更有效,基于案由类别对应的对话剧本与用户交互,从而使得识别用户意图更为准确,收集所述主动提问过程中的交互数据,所述交互数据包括智能机器人的主动提问数据以及所述用户基于所述主动提问数据输入的回答数据,基于所述交互数据与所述案情描述,生成并输出所述案情描述的参考意见数据,本方案可提高用户意图识别的准确性,从而提高基于智能机器人的法律咨询问答的准确性与效率,增强用户体验。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的问答方法,图6示出了本申请实施例提供的基于智能机器人的问答装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图6,该基于智能机器人的问答装置包括:案情信息获取单元61,词向量确定单元62,案由类别确定单元63,交互单元64,数据收集单元65,意见输出单元66,其中:
案情信息获取单元61,用于获取用户输入的案情描述,所述案情描述为文本数据、音频数据、图片数据以及视频数据中的一种信息形态或者多种信息形态;
词向量确定单元62,用于根据所述案情描述的信息形态对应的映射规则,将所述案情描述进行映射,得到所述案情描述的案情文本词向量;
案由类别确定单元63,用于基于所述案情描述的案情文本词向量与已经训练好的案由分类网络模型,确定所述案情描述的案由类别;
交互单元64,用于根据所述案由类别对应的对话剧本向用户主动提问;
数据收集单元65,用于收集所述主动提问过程中的交互数据,所述交互数据包括智能机器人的主动提问数据以及所述用户基于所述主动提问数据输入的回答数据;
意见输出单元66,用于基于所述交互数据与所述案情描述,生成并输出所述案情描述的参考意见数据。
可选地,所述基于智能机器人的问答装置包括案由分类网络模型训练单元,具体包括:
分类网络模型构建模块,用于构建案由分类网络模型,所述案由分类网络模型包括卷积层以及全连接层;
样本信息获取模块,用于获取案情信息样本,所述案情信息样本设有案由类别标签;
特征向量获取模块,用于在所述卷积层中,对所述案情信息样本进行特征向量提取,得到所述案情信息样本的案情样本特征向量;
样本类别确定模块,用于在所述全连接层中,根据所述案情样本特征向量,对所述案情信息样本进行案由类别概率计算,得到所述案情信息样本的案由类别概率,并确定所述案由类别概率对应的案由类别;
模型训练模块,用于根据预设参数调整算法,对所述案由分类网络模型的模型参数进行优化,直至所述案情信息样本的案由类别概率对应的案由类别与所述案情信息样本的案由类别标签一致。
可选地,所述意见输出单元66包括:
参考词向量确定模块,用于将所述交互数据与所述案情描述转换为以法律知识图谱为轴心的案情参考词向量;
第一参考意见输出模块,用于将所述以法律知识图谱为轴心的案情参考词向量输入至训练好的用于输出参考意见数据的意见参考网络模型中,输出参考意见数据。
可选地,所述参考词向量确定模块包括:
交互分词确定子模块,用于将所述交互数据对应的交互文本信息进行分词处理,得到所述交互数据的交互分词;
案情描述分词子模块,用于将所述案情描述对应的案情文本信息进行分词处理,得到所述案情描述的案情描述分词;
法律信息分词确定子模块,用于根据所述交互分词与所述案情描述分词,以及法律知识图谱中案件类型、法律条款、罪行、审判结果之间的拓扑关系,从所述法律知识图谱中查找所述案情描述对应的法律信息分词;
案情参考词向量构建子模块,用于根据所述交互分词、所述案情描述分词以及所述法律信息分词,构建案情参考词向量。
可选地,所述意见输出单元66包括:
提问数据确定模块,用于基于所述案情描述的案情文本词向量与预设的提问关键词,确定所述案情描述中是否存在用户提问数据;
第二参考意见输出模块,用于若所述案情描述中存在用户提问数据,基于所述用户提问数据与所述交互数据输出参考意见数据。
历史信息查询模块,用于若所述案情描述中不存在用户提问数据,查找与所述案情描述相似的历史案件以及所述相似的历史案件的关联问题,所述与所述案情描述相似的历史案件是指案情描述相似度达到指定相似度阈值的案件;
第三参考意见输出模块,用于基于所述相似的历史案件的关联问题的答案数据与所述交互数据,输出参考意见数据。
可选地,所述意见输出单元66还包括:
相似度确定模块,用于获取所述相似的历史案件的案情描述与所述用户输入的案情描述的案情描述相似度;
可信度标注模块,用于根据所述案情描述相似度,为所述基于所述相似的历史案件的关联问题的答案数据与所述交互数据输出的参考意见数据标注参考可信度。
可选地,所述可信度标注模块包括:
历史审判信息确定子模块,用于获取所述相似的历史案件的审判年度;
可信度计算子模块,用于根据如下公式确定所述参考意见数据标注的参考可信度:
R=Func(δyear*η);
其中,η为选择的历史案件的案情描述与所述用户输入的案情描述的案情描述相似度,δyear为所述历史案件的审判年度对应的可信指数,Func为任意一个实现从[0,+∞)到[0,1)映射的单调递增函数。
本申请实施例中,通过获取用户输入的案情描述,所述案情描述为文本数据、音频数据、图片数据以及视频数据中的一种信息形态或者多种信息形态,即用户可使用多媒体输入案情描述,丰富用户的问答形式,然后根据所述案情描述的信息形态对应的映射规则,将所述案情描述进行映射,得到所述案情描述的案情文本词向量,基于所述案情描述的案情文本词向量与已经训练好的案由分类网络模型,确定所述案情描述的案由类别,再根据所述案由类别对应的对话剧本向用户主动提问,针对不同案由类别选择不同的对话剧本使得提问更有效,基于案由类别对应的对话剧本与用户交互,从而使得识别用户意图更为准确,收集所述主动提问过程中的交互数据,所述交互数据包括智能机器人的主动提问数据以及所述用户基于所述主动提问数据输入的回答数据,基于所述交互数据与所述案情描述,生成并输出所述案情描述的参考意见数据,本方案可提高用户意图识别的准确性,从而提高基于智能机器人的法律咨询问答的准确性与效率,增强用户体验。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如图1至图5表示的任意一种基于智能机器人的问答方法的步骤。
本申请实施例还提供一种计算机程序产品,当该计算机程序产品在智能设备上运行时,使得智能设备执行实现如图1至图5表示的任意一种基于智能机器人的问答方法的步骤。
本申请实施例还提供一种智能设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现如图1至图5表示的任意一种基于智能机器人的问答方法的步骤。
图7是本申请一实施例提供的智能设备的示意图。如图7所示,该实施例的智能设备7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机可读指令72。所述处理器70执行所述计算机可读指令72时实现上述各个基于智能机器人的问答方法实施例中的步骤,例如图1所示的步骤101至106。或者,所述处理器70执行所述计算机可读指令72时实现上述各装置实施例中各模块/单元的功能,例如图6所示单元61至66的功能。
示例性的,所述计算机可读指令72可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器71中,并由所述处理器70执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机可读指令72在所述智能设备7中的执行过程。
所述智能设备7可以是智能机器人。所述智能设备7可包括但不仅限于处理器70、存储器71。本领域技术人员可以理解,图7仅仅是智能设备7的示例,并不构成对智能设备7的限定,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,例如所述智能设备7还可以包括输入输出设备、网络接入设备、总线等。
所述处理器70可以是中央处理单元(CentraL Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(DigitaLSignaL Processor,DSP)、专用集成电路(AppLication Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieLd-ProgrammabLe Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述智能设备7的内部存储单元,例如智能设备7的硬盘或内存。所述存储器71也可以是所述智能设备7的外部存储设备,例如所述智能设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure DigitaL,SD)卡,闪存卡(FLash Card)等。进一步地,所述存储器71还可以既包括所述智能设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机可读指令以及所述智能设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元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,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于智能机器人的问答方法,其特征在于,包括:
获取用户输入的案情描述,所述案情描述为文本数据、音频数据、图片数据以及视频数据中的一种信息形态或者多种信息形态;
根据所述案情描述的信息形态对应的映射规则,将所述案情描述进行映射,得到所述案情描述的案情文本词向量;
基于所述案情描述的案情文本词向量与已经训练好的案由分类网络模型,确定所述案情描述的案由类别;
根据所述案由类别对应的对话剧本向用户主动提问;
收集所述主动提问过程中的交互数据,所述交互数据包括智能机器人的主动提问数据以及所述用户基于所述主动提问数据输入的回答数据;
基于所述交互数据与所述案情描述,生成并输出所述案情描述的参考意见数据。
2.如权利要求1所述的问答方法,其特征在于,所述案由分类网络模型的训练包括:
构建案由分类网络模型,所述案由分类网络模型包括卷积层以及全连接层;
获取案情信息样本,所述案情信息样本设有案由类别标签;
在所述卷积层中,对所述案情信息样本进行特征向量提取,得到所述案情信息样本的案情样本特征向量;
在所述全连接层中,根据所述案情样本特征向量,对所述案情信息样本进行案由类别概率计算,得到所述案情信息样本的案由类别概率,并确定所述案由类别概率对应的案由类别;
根据预设参数调整算法,对所述案由分类网络模型的模型参数进行优化,直至所述案情信息样本的案由类别概率对应的案由类别与所述案情信息样本的案由类别标签一致。
3.如权利要求1所述的问答方法,其特征在于,所述基于所述交互数据与所述案情描述,生成并输出所述案情描述的参考意见数据,包括:
将所述交互数据与所述案情描述转换为以法律知识图谱为轴心的案情参考词向量;
将所述以法律知识图谱为轴心的案情参考词向量输入至训练好的用于输出参考意见数据的意见参考网络模型中,输出参考意见数据。
4.如权利要求3所述的问答方法,其特征在于,所述将所述交互数据与所述案情描述转换为以法律知识图谱为轴心的案情参考词向量,包括:
将所述交互数据对应的交互文本信息进行分词处理,得到所述交互数据的交互分词;
将所述案情描述对应的案情文本信息进行分词处理,得到所述案情描述的案情描述分词;
根据所述交互分词与所述案情描述分词,以及法律知识图谱中案件类型、法律条款、罪行、审判结果之间的拓扑关系,从所述法律知识图谱中查找所述案情描述对应的法律信息分词;
根据所述交互分词、所述案情描述分词以及所述法律信息分词,构建案情参考词向量。
5.如权利要求1所述的问答方法,其特征在于,所述基于所述交互数据与所述案情描述,生成并输出所述案情描述的参考意见数据,包括:
基于所述案情描述的案情文本词向量与预设的提问关键词,确定所述案情描述中是否存在用户提问数据;
若所述案情描述中存在用户提问数据,基于所述用户提问数据与所述交互数据输出参考意见数据;
若所述案情描述中不存在用户提问数据,查找与所述案情描述相似的历史案件以及所述相似的历史案件的关联问题,所述与所述案情描述相似的历史案件是指案情描述相似度达到指定相似度阈值的案件;
基于所述相似的历史案件的关联问题的答案数据与所述交互数据,输出参考意见数据。
6.如权利要求5所述的问答方法,其特征在于,所述方法还包括:
获取所述相似的历史案件的案情描述与所述用户输入的案情描述的案情描述相似度;
根据所述案情描述相似度,为所述基于所述相似的历史案件的关联问题的答案数据与所述交互数据输出的参考意见数据标注参考可信度。
7.如权利要求6所述的问答方法,其特征在于,所述根据所述案情描述相似度,为所述基于所述相似的历史案件的关联问题的答案数据与所述交互数据输出的参考意见数据标注参考可信度,包括:
获取所述相似的历史案件的审判年度;
根据如下公式确定所述参考意见数据标注的参考可信度:
R=Func(δyear*η);
其中,η为选择的历史案件的案情描述与所述用户输入的案情描述的案情描述相似度,δyear为所述历史案件的审判年度对应的可信指数,Func为任意一个实现从[0,+∞)到[0,1)映射的单调递增函数。
8.一种基于智能机器人的问答装置,其特征在于,包括:
案情信息获取单元,用于获取用户输入的案情描述,所述案情描述为文本数据、音频数据、图片数据以及视频数据中的一种信息形态或者多种信息形态;
词向量确定单元,用于根据所述案情描述的信息形态对应的映射规则,将所述案情描述进行映射,得到所述案情描述的案情文本词向量;
案由类别确定单元,用于基于所述案情描述的案情文本词向量与已经训练好的案由分类网络模型,确定所述案情描述的案由类别;
交互单元,用于根据所述案由类别对应的对话剧本向用户主动提问;
数据收集单元,用于收集所述主动提问过程中的交互数据,所述交互数据包括智能机器人的主动提问数据以及所述用户基于所述主动提问数据输入的回答数据;
意见输出单元,用于基于所述交互数据与所述案情描述,生成并输出所述案情描述的参考意见数据。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于智能机器人的问答方法。
10.一种智能设备,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任一项所述的基于智能机器人的问答方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910935458.9A CN110765246B (zh) | 2019-09-29 | 基于智能机器人的问答方法、装置、存储介质和智能设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910935458.9A CN110765246B (zh) | 2019-09-29 | 基于智能机器人的问答方法、装置、存储介质和智能设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110765246A true CN110765246A (zh) | 2020-02-07 |
CN110765246B CN110765246B (zh) | 2024-06-21 |
Family
ID=
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581348A (zh) * | 2020-04-28 | 2020-08-25 | 辽宁工程技术大学 | 一种基于知识图谱的查询分析系统 |
CN111753021A (zh) * | 2020-06-17 | 2020-10-09 | 第四范式(北京)技术有限公司 | 构建知识图谱的方法、装置、设备和可读存储介质 |
CN112069299A (zh) * | 2020-09-03 | 2020-12-11 | 三一专用汽车有限责任公司 | 问答交互的响应方法、服务器、工程车辆和可读存储介质 |
CN112288584A (zh) * | 2020-10-29 | 2021-01-29 | 泰康保险集团股份有限公司 | 保险报案处理方法、装置、计算机可读介质及电子设备 |
CN112329927A (zh) * | 2020-11-30 | 2021-02-05 | 珠海采筑电子商务有限公司 | 电梯安装方的推荐方法及系统 |
CN112650838A (zh) * | 2020-12-31 | 2021-04-13 | 南京视察者智能科技有限公司 | 一种基于历史案件大数据的智能问答方法及系统 |
CN113516128A (zh) * | 2021-03-04 | 2021-10-19 | 贵州电网有限责任公司 | 一种基于ocr的可接受图片输入的方法及系统 |
CN113590778A (zh) * | 2021-06-30 | 2021-11-02 | 上海一谈网络科技有限公司 | 智能客服意图理解方法、装置、设备及存储介质 |
CN113645107A (zh) * | 2021-07-27 | 2021-11-12 | 广州市威士丹利智能科技有限公司 | 一种基于智能家居的网关端冲突解决方法及系统 |
CN113821602A (zh) * | 2021-09-29 | 2021-12-21 | 平安银行股份有限公司 | 基于图文聊天记录的自动答疑方法、装置、设备及介质 |
CN114842368A (zh) * | 2022-05-07 | 2022-08-02 | 中国电信股份有限公司 | 基于场景的视觉辅助信息确定方法、系统、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133349A (zh) * | 2017-05-24 | 2017-09-05 | 北京无忧创新科技有限公司 | 一种对话机器人系统 |
WO2018000277A1 (zh) * | 2016-06-29 | 2018-01-04 | 深圳狗尾草智能科技有限公司 | 一种问答方法、系统和机器人 |
CN108009299A (zh) * | 2017-12-28 | 2018-05-08 | 北京市律典通科技有限公司 | 法律审判业务处理方法和装置 |
CN109522393A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 智能问答方法、装置、计算机设备和存储介质 |
CN109933652A (zh) * | 2019-01-17 | 2019-06-25 | 深圳壹账通智能科技有限公司 | 智能问答方法、装置、计算机设备及存储介质 |
CN110059193A (zh) * | 2019-06-21 | 2019-07-26 | 南京擎盾信息科技有限公司 | 基于法律语义件与文书大数据统计分析的法律咨询系统 |
CN110222145A (zh) * | 2019-04-28 | 2019-09-10 | 杭州实在智能科技有限公司 | 一种智能法律评估方法和系统 |
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018000277A1 (zh) * | 2016-06-29 | 2018-01-04 | 深圳狗尾草智能科技有限公司 | 一种问答方法、系统和机器人 |
CN107133349A (zh) * | 2017-05-24 | 2017-09-05 | 北京无忧创新科技有限公司 | 一种对话机器人系统 |
CN108009299A (zh) * | 2017-12-28 | 2018-05-08 | 北京市律典通科技有限公司 | 法律审判业务处理方法和装置 |
CN109522393A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 智能问答方法、装置、计算机设备和存储介质 |
CN109933652A (zh) * | 2019-01-17 | 2019-06-25 | 深圳壹账通智能科技有限公司 | 智能问答方法、装置、计算机设备及存储介质 |
CN110222145A (zh) * | 2019-04-28 | 2019-09-10 | 杭州实在智能科技有限公司 | 一种智能法律评估方法和系统 |
CN110059193A (zh) * | 2019-06-21 | 2019-07-26 | 南京擎盾信息科技有限公司 | 基于法律语义件与文书大数据统计分析的法律咨询系统 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581348A (zh) * | 2020-04-28 | 2020-08-25 | 辽宁工程技术大学 | 一种基于知识图谱的查询分析系统 |
CN111753021A (zh) * | 2020-06-17 | 2020-10-09 | 第四范式(北京)技术有限公司 | 构建知识图谱的方法、装置、设备和可读存储介质 |
CN112069299A (zh) * | 2020-09-03 | 2020-12-11 | 三一专用汽车有限责任公司 | 问答交互的响应方法、服务器、工程车辆和可读存储介质 |
CN112288584A (zh) * | 2020-10-29 | 2021-01-29 | 泰康保险集团股份有限公司 | 保险报案处理方法、装置、计算机可读介质及电子设备 |
CN112288584B (zh) * | 2020-10-29 | 2024-05-17 | 泰康保险集团股份有限公司 | 保险报案处理方法、装置、计算机可读介质及电子设备 |
CN112329927A (zh) * | 2020-11-30 | 2021-02-05 | 珠海采筑电子商务有限公司 | 电梯安装方的推荐方法及系统 |
CN112329927B (zh) * | 2020-11-30 | 2024-04-26 | 珠海采筑电子商务有限公司 | 电梯安装方的推荐方法及系统 |
CN112650838B (zh) * | 2020-12-31 | 2023-07-14 | 南京视察者智能科技有限公司 | 一种基于历史案件大数据的智能问答方法及系统 |
CN112650838A (zh) * | 2020-12-31 | 2021-04-13 | 南京视察者智能科技有限公司 | 一种基于历史案件大数据的智能问答方法及系统 |
CN113516128A (zh) * | 2021-03-04 | 2021-10-19 | 贵州电网有限责任公司 | 一种基于ocr的可接受图片输入的方法及系统 |
CN113590778A (zh) * | 2021-06-30 | 2021-11-02 | 上海一谈网络科技有限公司 | 智能客服意图理解方法、装置、设备及存储介质 |
CN113645107A (zh) * | 2021-07-27 | 2021-11-12 | 广州市威士丹利智能科技有限公司 | 一种基于智能家居的网关端冲突解决方法及系统 |
CN113645107B (zh) * | 2021-07-27 | 2022-12-02 | 广州市威士丹利智能科技有限公司 | 一种基于智能家居的网关端冲突解决方法及系统 |
CN113821602A (zh) * | 2021-09-29 | 2021-12-21 | 平安银行股份有限公司 | 基于图文聊天记录的自动答疑方法、装置、设备及介质 |
CN113821602B (zh) * | 2021-09-29 | 2024-05-24 | 平安银行股份有限公司 | 基于图文聊天记录的自动答疑方法、装置、设备及介质 |
CN114842368A (zh) * | 2022-05-07 | 2022-08-02 | 中国电信股份有限公司 | 基于场景的视觉辅助信息确定方法、系统、设备及存储介质 |
CN114842368B (zh) * | 2022-05-07 | 2023-10-03 | 中国电信股份有限公司 | 基于场景的视觉辅助信息确定方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110085225B (zh) | 语音交互方法、装置、智能机器人及计算机可读存储介质 | |
JP2020135852A (ja) | 画像に基づくデータ処理方法、装置、電子機器、コンピュータ可読記憶媒体およびコンピュータプログラム | |
WO2022095380A1 (zh) | 基于ai的虚拟交互模型生成方法、装置、计算机设备及存储介质 | |
JP2023545543A (ja) | 情報生成方法、装置、コンピュータ機器、記憶媒体及びコンピュータプログラム | |
CN110321845B (zh) | 一种从视频中提取表情包的方法、装置及电子设备 | |
CN110781298A (zh) | 药品分类方法、装置、计算机设备及存储介质 | |
CN111160134A (zh) | 一种以人为主体的视频景别分析方法和装置 | |
CN111210402A (zh) | 人脸图像质量评分方法、装置、计算机设备及存储介质 | |
CN110580516A (zh) | 一种基于智能机器人的交互方法及装置 | |
CN113064980A (zh) | 一种智能问答方法、装置、计算机设备及存储介质 | |
CN114647713A (zh) | 基于虚拟对抗的知识图谱问答方法、设备及存储介质 | |
CN113312468A (zh) | 基于对话模式的话术推荐方法、装置、设备及介质 | |
CN110610698B (zh) | 一种语音标注方法及装置 | |
CN111325212A (zh) | 模型训练方法、装置、电子设备和计算机可读存储介质 | |
CN114333062B (zh) | 基于异构双网络和特征一致性的行人重识别模型训练方法 | |
CN111027316A (zh) | 文本处理方法、装置、电子设备及计算机可读存储介质 | |
CN114091551A (zh) | 色情图像识别方法、装置、电子设备及存储介质 | |
CN113780365A (zh) | 样本生成方法和装置 | |
CN117370512A (zh) | 回复对话的方法、装置、设备及存储介质 | |
CN110210572B (zh) | 图像分类方法、装置、存储介质及设备 | |
CN114332524A (zh) | 图像处理装置、方法、设备以及计算机可读存储介质 | |
Panesar et al. | Improving visual question answering by leveraging depth and adapting explainability | |
CN110765246B (zh) | 基于智能机器人的问答方法、装置、存储介质和智能设备 | |
CN110765246A (zh) | 基于智能机器人的问答方法、装置、存储介质和智能设备 | |
CN116186223A (zh) | 一种金融文本处理方法、装置、设备和存储介质 |
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 |