CN110825864A - 一种获取问题答案的方法及装置 - Google Patents
一种获取问题答案的方法及装置 Download PDFInfo
- Publication number
- CN110825864A CN110825864A CN201911107752.7A CN201911107752A CN110825864A CN 110825864 A CN110825864 A CN 110825864A CN 201911107752 A CN201911107752 A CN 201911107752A CN 110825864 A CN110825864 A CN 110825864A
- Authority
- CN
- China
- Prior art keywords
- word segmentation
- model
- determining
- character
- semantic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 87
- 239000013598 vector Substances 0.000 claims description 37
- 230000008859 change Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012216 screening Methods 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
- G06F16/338—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
本发明提供了一种获取问题答案的方法及装置,其中,该方法包括:获取用户输入的问题信息;基于多模态模型对问题信息进行分词处理,并确定分词结果,多模态模型包括词模型、字符模型、拼音模型、字形模型中的至少两项;根据分词结果建立词与词之间的依存关系,并根据依存关系将问题信息转换为机器语言形式的查询语句;根据查询语句查询相应的数据库,并显示相应的查询结果。通过本发明实施例提供的获取问题答案的方法及装置,可以基于多模态更加精准地进行语义分析,使得分词结果更加准确;基于词与词的依存关系可以更加完整全面地刻画句子的语义信息,使得查询语句更加精确,进而可以查询到更加准确的结果,提高了查询的准确率。
Description
技术领域
本发明涉及自然语言处理技术领域,具体而言,涉及一种获取问题答案的方法及装置。
背景技术
目前,主流的金融问题搜索方法是基于关键字匹配的数据库检索技术。数据库中保存了海量的字段与数据,当用户提问时,使用传统分词算法提取出问题的关键词后,根据关键词进入数据库查询,找到结果。
这种搜索技术主要存在以下的问题和缺点:
基于关键词匹配的结果会展示所有含有关键词的大量文件,需要人工从答案中阅读和筛选,效率低。且基于关键词匹配,无法对问题进行理解,难以展示精确的答案,返回结果经常只具有相关性,但不能确切回答问题。
发明内容
为解决上述问题,本发明实施例的目的在于提供一种获取问题答案的方法及装置。
第一方面,本发明实施例提供了一种获取问题答案的方法,包括:
获取用户输入的问题信息;
基于多模态模型对所述问题信息进行分词处理,并确定分词结果,所述多模态模型包括词模型、字符模型、拼音模型、字形模型中的至少两项;
根据分词结果建立词与词之间的依存关系,并根据所述依存关系将所述问题信息转换为机器语言形式的查询语句;
根据所述查询语句查询相应的数据库,并显示相应的查询结果。
第二方面,本发明实施例还提供了一种获取问题答案的装置,包括:
问题获取模块,用于获取用户输入的问题信息;
分词模块,用于基于多模态模型对所述问题信息进行分词处理,并确定分词结果,所述多模态模型包括词模型、字符模型、拼音模型、字形模型中的至少两项;
处理模块,用于根据分词结果建立词与词之间的依存关系,并根据所述依存关系将所述问题信息转换为机器语言形式的查询语句;
查询显示模块,用于根据所述查询语句查询相应的数据库,并显示相应的查询结果。
本发明实施例上述第一方面提供的方案中,基于多模态模型对用户输入的问题信息进行分词处理,并建立词与词之间的依存关系,并根据依存关系将问题信息转换为机器语言形式的查询语句,从而利用查询语句快速查询。该方法基于多模态模型进行分词处理,可以基于多模态更加精准地进行语义分析,使得分词结果更加准确;基于词与词的依存关系可以更加完整全面地刻画句子的语义信息,使得查询语句更加精确,进而可以查询到更加准确的结果,提高了查询的准确率。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例所提供的一种获取问题答案的方法的流程图;
图2示出了本发明实施例所提供的获取问题答案的方法中,基于多模态模型进行分词处理的具体方法的流程图;
图3示出了本发明实施例所提供的双向长短记忆递归神经网络模型示意图;
图4示出了本发明实施例所提供的基于Stack-LSTM的句法依存树模型示意图;
图5示出了本发明实施例所提供的查询结果的显示示意图;
图6示出了本发明实施例所提供的获取问题答案的装置的结构示意图。
具体实施方式
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供的一种获取问题答案的方法,参见图1所示,包括:
步骤101:获取用户输入的问题信息。
本发明实施例中,“问题信息”指的是用户需要查询时所输入的信息,该问题信息不需要必须是问句形式的。比如,用户需要查询中国GDP时,可以只输入“中国GDP”,也可以输入问句形式的“中国GDP是多少”。
步骤102:基于多模态模型对问题信息进行分词处理,并确定分词结果,多模态模型包括词模型、字符模型、拼音模型、字形模型中的至少两项。
本发明实施例中基于词、字符、拼音、字形生成多模态模型,通过多维度进行自然语言处理,相对于传统仅仅基于字符的处理方式具有更高的准确度。具体的,“词”指的是基于传统分词模型所确定的分词;“字符”指的是语言中的基本信息,比如一个汉字为一个字符等;“拼音”为汉字特有的属性,每个汉字的发音在一定程度上也包含了其语义信息,比如多音字等;“字形”指的是属于象形文字类的文字字形,比如汉字,每个汉字的形状也可以包含特定的语义。例如,原文是“我是一个中国人”,基于“词”处理后可以分为“我/是/一个/中国人”;基于“字符”处理后可以分为“我/是/一/个/中/国/人”;基于“拼音”处理后可以分为“wo/shi/yi/ge/zhong/guo/ren”;基于“字形”可以将每个字符映射为一个汉字图片,之后再进行相应的处理。
其中,多模态模型中所包含的一个模型用于基于相应的参数进行语义分析处理,比如多模态模型中的“词模型”用于基于“词”进行语义分析;最后基于多模态模型中的所有模型(比如词模型、字符模型、拼音模型、字形模型)最终确定最合适最准确的分词结果。
步骤103:根据分词结果建立词与词之间的依存关系,并根据依存关系将问题信息转换为机器语言形式的查询语句。
本发明实施例中,具体可以基于深度学习模型建立词与词之间的依存关系,通过该依存关系可以揭示问题信息的句法结构,即依存句法(Dependency Parsing),进而可以将问题信息分析成一颗依存关系句法树,并将自然语言翻译成机器能够理解的查询语句。
步骤104:根据查询语句查询相应的数据库,并显示相应的查询结果。
本发明实施例中,预先设置相应的数据库供用户查询;具体的,对于金融问题,可以通过多种方式(比如网络爬取等)获取金融文本,进而生成与金融数据相关的数据库。在确定查询语句后即可查询该数据库,进而提取出相应的查询结果并显示,供用户查阅。
本发明实施例提供的一种获取问题答案的方法,基于多模态模型对用户输入的问题信息进行分词处理,并建立词与词之间的依存关系,并根据依存关系将问题信息转换为机器语言形式的查询语句,从而利用查询语句快速查询。该方法基于多模态模型进行分词处理,可以基于多模态更加精准地进行语义分析,使得分词结果更加准确;基于词与词的依存关系可以更加完整全面地刻画句子的语义信息,使得查询语句更加精确,进而可以查询到更加准确的结果,提高了查询的准确率。
在上述实施例的基础上,参见图2所示,上述步骤102“基于多模态模型对问题信息进行分词处理”包括步骤1021-1025:
步骤1021:通过预设的分词模型确定初始分词结果,并以词为基本单元确定问题信息的第一语义。
本发明实施例中,该分词模型可以采用现有的分词模型,比如汉语分词器等。基于该初始分词结果,以词为基本单元建立词模型,该词模型具体可以为长短记忆神经网络模型(LSTM),基于该词模型即可确定问题信息的语义。例如,对于句子“我是一个中国人”,该词模型的输入为“我/是/一个/中国人”,并输出相应的语义。
步骤1022:确定问题信息的所有字符,并以字符为基本单元确定问题信息的第二语义。
传统分词模型仅仅以词作为语言单元,该种模型忽略了字符层面上的中文语义;本发明实施例中,以字符为基本单元建立字符模型,该字符模型具体也可采用长短记忆神经网络模型;基于该字符模型即可处理句子层面的语义。例如,对于句子“我是一个中国人”,字符模型的输入为“我/是/一/个/中/国/人”。
步骤1023:确定与每个字符所对应的拼音,确定每个拼音的拼音向量,并通过卷积神经网络确定与拼音向量相对应的第一字符向量,进而以字符为基本单元、根据第一字符向量确定问题信息的第三语义。
由于汉字具有表音属性,即每个字的发音一定程度上包含了其语义信息,故本发明实施例中,将每个汉字映射成汉语拼音,每一个拼音字符被一个向量所代表,然后通过卷积神经网络(CNN)基于拼音向量得到字符向量,即第一字符向量,随后再通过另外一层长短记忆神经网络(LSTM)将字符的语义组合成句子的语义。例如,对于句子“我是一个中国人”,输入为“wo/shi/yi/ge/zhong/guo/ren”。
步骤1024:为每个字符生成相应的字形图片,并将字形图片转换为相应的第二字符向量,进而以字符为基本单元、根据第二字符向量确定问题信息的第四语义。
本发明实施例中,由于汉字属于象形文字,每个汉字的形状包含了丰富的语义,故增加字形模型,将每个汉字视作一个图片,用机器视觉中的卷积神经网络将每一个字形图片变化成向量。这样一来,汉字的图形含义便被涵盖,随后再通过另外一层长短记忆神经网络(LSTM)将字符的语义组合成句子的语义。
步骤1025:根据第一语义、第二语义、第三语义和第四语义综合确定问题信息的语义信息,并根据语义信息对问题信息进行分词处理,确定最终的分词结果。
本发明实施例中,基于词、字、拼音、字形多模态中文自然语言处理模型确定综合的语义,最后用基于注意力(attention)的神经网络系统将四个不同的模型整合到一起,确定最终的处理结果。其中,对于整个多模态模型来说,第一语义、第二语义、第三语义和第四语义是中间处理结果,可以不向用户展示,即该多模态模型将问题信息转换为相应的词、字符、拼音、字形后作为模型输入,进而可以得出最终的分词结果。
在上述实施例的基础上,在步骤102“基于多模态模型对问题信息进行分词处理”之后,该方法还包括:
根据分词结果对问题信息进行语义理解处理,根据语义理解处理结果判断是否需要对问题信息进行改写,并在需要改写时修正问题信息。
本发明实施例中,由于某些金融方面的问题会涉及专业术语,若必须由用户手动输入准确问题则对用户的专业水平要求较高,且费时费力,故本实施例中基于语义理解处理来修正问题信息,使得后续生成的查询语句更加精确。例如,若用户输入的问题信息为“十年十倍股”,则可以将该问题改写为“过去十年前复权收盘价涨幅大于十倍的股票”等。
在上述实施例的基础上,基于多模态模型对问题信息进行分词处理包括:
基于多模态模型对问题信息进行分词处理,并基于预设的双向长短记忆递归神经网络模型对分词进行词性标注。
本发明实施例中,对问题信息进行分词处理的同时,还进行词性标注,具体可基于预设的双向长短记忆递归神经网络模型对分词进行词性标注。本实施例中,预先基于中文语料库训练双向语言模型(Bi-Directional Language Model),然后运用所训练的语言模型对词向量进行初始化。词向量初始化后,用双向长短记忆递归神经网络模型获得每个单词位点的词向量,此词向量作为分类模型的输入决定每个词的词性标记。以“我是一个中国人”为例,对其进行词性标注的过程参见图3所示。
在上述实施例的基础上,步骤103中建立词与词之间的依存关系的过程具体可以基于栈-神经网络的shift-reduce算法实现,每一个步骤,算法运用一个分类器决定下一步的动作是shift还是reduce。算法用两个长短记忆神经网络对已经建立句法树的字符(stack LSTM)和未建立句法树的字符(queue LSTM)进行建模。基于Stack-LSTM的句法依存树模型参见图4所示。步骤103中,生成查询语句时,可以预先基于中文语料库训练双向语言模型,然后运用所训练的语言模型对词向量进行初始化。词向量初始化后,用双向长短记忆递归神经网络模型获得每个单词位点的词向量,此词向量作为分类模型的输入确定每个词的词性标记。之后基于栈-神经网络的shift-reduce算法建立词与词之间的依存关系,并根据依存关系将问题信息转换为每个指标对应的机器语言形式的查询语句。
在上述实施例的基础上,当问题信息中包含指标参数,显示相应的查询结果包括:
基于指标参数确定相应的显示方式,并确定指标参数的变化率,显示方式包括曲线图、柱状图、饼状图、表格中的一项或多项;以显示方式显示相应的查询结果,同时显示变化率。
本发明实施例中,不同的指标可以用不同的显示方式来显示,比如曲线图、柱状图、饼状图、表格等;同时,根据数据的变化来确定变化率(比如同比增长率),该变化率一般以折线图形式显示。以用户查询“中国GDP”为例,显示查询结果的一种显示方式参见图5所示。
本发明实施例提供的一种获取问题答案的方法,基于多模态模型对用户输入的问题信息进行分词处理,并建立词与词之间的依存关系,并根据依存关系将问题信息转换为机器语言形式的查询语句,从而利用查询语句快速查询。该方法基于多模态模型进行分词处理,可以基于多模态更加精准地进行语义分析,使得分词结果更加准确;基于词与词的依存关系可以更加完整全面地刻画句子的语义信息,使得查询语句更加精确,进而可以查询到更加准确的结果,提高了查询的准确率。在必要时基于语义对问题进行改写,以生成更加准确的查询语句。基于指标确定显示方式,并显示数据的变化率,方便用户查看查询结果。
以上详细介绍了获取问题答案的方法流程,该方法也可以通过相应的装置实现,下面详细介绍该装置的结构和功能。
本发明实施例提供的一种获取问题答案的装置,参见图6所示,包括:
问题获取模块61,用于获取用户输入的问题信息;
分词模块62,用于基于多模态模型对问题信息进行分词处理,并确定分词结果,多模态模型包括词模型、字符模型、拼音模型、字形模型中的至少两项;
处理模块63,用于根据分词结果建立词与词之间的依存关系,并根据依存关系将问题信息转换为机器语言形式的查询语句;
查询显示模块64,用于根据查询语句查询相应的数据库,并显示相应的查询结果。
在上述实施例的基础上,分词模块62包括:
词处理单元,用于通过预设的分词模型确定初始分词结果,并以词为基本单元确定问题信息的第一语义;
字符处理单元,用于确定问题信息的所有字符,并以字符为基本单元确定问题信息的第二语义;
拼音处理单元,用于确定与每个字符所对应的拼音,确定每个拼音的拼音向量,并通过卷积神经网络确定与拼音向量相对应的第一字符向量,进而以字符为基本单元、根据第一字符向量确定问题信息的第三语义;
字形处理单元,用于为每个字符生成相应的字形图片,并将字形图片转换为相应的第二字符向量,进而以字符为基本单元、根据第二字符向量确定问题信息的第四语义;
多模态分词单元,用于根据第一语义、第二语义、第三语义和第四语义综合确定问题信息的语义信息,并根据语义信息对问题信息进行分词处理,确定最终的分词结果。
在上述实施例的基础上,该装置还包括改写模块;
在分词模块62基于多模态模型对问题信息进行分词处理之后,改写模块用于根据分词结果对问题信息进行语义理解处理,根据语义理解处理结果判断是否需要对问题信息进行改写,并在需要改写时修正问题信息。
在上述实施例的基础上,分词模块62用于:
基于多模态模型对问题信息进行分词处理,并基于预设的双向长短记忆递归神经网络模型对分词进行词性标注。
在上述实施例的基础上,当问题信息中包含指标参数时,查询显示模块64用于:
基于指标参数确定相应的显示方式,并确定指标参数的变化率,显示方式包括曲线图、柱状图、饼状图、表格中的一项或多项;
以显示方式显示相应的查询结果,同时显示变化率。
本发明实施例提供的一种获取问题答案的装置,基于多模态模型对用户输入的问题信息进行分词处理,并建立词与词之间的依存关系,并根据依存关系将问题信息转换为机器语言形式的查询语句,从而利用查询语句快速查询。该装置基于多模态模型进行分词处理,可以基于多模态更加精准地进行语义分析,使得分词结果更加准确;基于词与词的依存关系可以更加完整全面地刻画句子的语义信息,使得查询语句更加精确,进而可以查询到更加准确的结果,提高了查询的准确率。在必要时基于语义对问题进行改写,以生成更加准确的查询语句。基于指标确定显示方式,并显示数据的变化率,方便用户查看查询结果。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种获取问题答案的方法,其特征在于,包括:
获取用户输入的问题信息;
基于多模态模型对所述问题信息进行分词处理,并确定分词结果,所述多模态模型包括词模型、字符模型、拼音模型、字形模型中的至少两项;
根据分词结果建立词与词之间的依存关系,并根据所述依存关系将所述问题信息转换为机器语言形式的查询语句;
根据所述查询语句查询相应的数据库,并显示相应的查询结果。
2.根据权利要求1所述的方法,其特征在于,所述基于多模态模型对所述问题信息进行分词处理包括:
通过预设的分词模型确定初始分词结果,并以词为基本单元确定所述问题信息的第一语义;
确定所述问题信息的所有字符,并以字符为基本单元确定所述问题信息的第二语义;
确定与每个字符所对应的拼音,确定每个拼音的拼音向量,并通过卷积神经网络确定与所述拼音向量相对应的第一字符向量,进而以字符为基本单元、根据所述第一字符向量确定所述问题信息的第三语义;
为每个字符生成相应的字形图片,并将所述字形图片转换为相应的第二字符向量,进而以字符为基本单元、根据所述第二字符向量确定所述问题信息的第四语义;
根据所述第一语义、第二语义、第三语义和第四语义综合确定所述问题信息的语义信息,并根据所述语义信息对所述问题信息进行分词处理,确定最终的分词结果。
3.根据权利要求1所述的方法,其特征在于,在所述基于多模态模型对所述问题信息进行分词处理之后,还包括:
根据所述分词结果对所述问题信息进行语义理解处理,根据语义理解处理结果判断是否需要对所述问题信息进行改写,并在需要改写时修正所述问题信息。
4.根据权利要求1所述的方法,其特征在于,所述基于多模态模型对所述问题信息进行分词处理包括:
基于多模态模型对所述问题信息进行分词处理,并基于预设的双向长短记忆递归神经网络模型对分词进行词性标注。
5.根据权利要求1所述的方法,其特征在于,当所述问题信息中包含指标参数时,所述显示相应的查询结果包括:
基于所述指标参数确定相应的显示方式,并确定所述指标参数的变化率,所述显示方式包括曲线图、柱状图、饼状图、表格中的一项或多项;
以所述显示方式显示相应的查询结果,同时显示所述变化率。
6.一种获取问题答案的装置,其特征在于,包括:
问题获取模块,用于获取用户输入的问题信息;
分词模块,用于基于多模态模型对所述问题信息进行分词处理,并确定分词结果,所述多模态模型包括词模型、字符模型、拼音模型、字形模型中的至少两项;
处理模块,用于根据分词结果建立词与词之间的依存关系,并根据所述依存关系将所述问题信息转换为机器语言形式的查询语句;
查询显示模块,用于根据所述查询语句查询相应的数据库,并显示相应的查询结果。
7.根据权利要求6所述的装置,其特征在于,所述分词模块包括:
词处理单元,用于通过预设的分词模型确定初始分词结果,并以词为基本单元确定所述问题信息的第一语义;
字符处理单元,用于确定所述问题信息的所有字符,并以字符为基本单元确定所述问题信息的第二语义;
拼音处理单元,用于确定与每个字符所对应的拼音,确定每个拼音的拼音向量,并通过卷积神经网络确定与所述拼音向量相对应的第一字符向量,进而以字符为基本单元、根据所述第一字符向量确定所述问题信息的第三语义;
字形处理单元,用于为每个字符生成相应的字形图片,并将所述字形图片转换为相应的第二字符向量,进而以字符为基本单元、根据所述第二字符向量确定所述问题信息的第四语义;
多模态分词单元,用于根据所述第一语义、第二语义、第三语义和第四语义综合确定所述问题信息的语义信息,并根据所述语义信息对所述问题信息进行分词处理,确定最终的分词结果。
8.根据权利要求6所述的装置,其特征在于,还包括改写模块;
在所述分词模块基于多模态模型对所述问题信息进行分词处理之后,所述改写模块用于根据所述分词结果对所述问题信息进行语义理解处理,根据语义理解处理结果判断是否需要对所述问题信息进行改写,并在需要改写时修正所述问题信息。
9.根据权利要求6所述的装置,其特征在于,所述分词模块用于:
基于多模态模型对所述问题信息进行分词处理,并基于预设的双向长短记忆递归神经网络模型对分词进行词性标注。
10.根据权利要求6所述的装置,其特征在于,当所述问题信息中包含指标参数时,所述查询显示模块用于:
基于所述指标参数确定相应的显示方式,并确定所述指标参数的变化率,所述显示方式包括曲线图、柱状图、饼状图、表格中的一项或多项;
以所述显示方式显示相应的查询结果,同时显示所述变化率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911107752.7A CN110825864A (zh) | 2019-11-13 | 2019-11-13 | 一种获取问题答案的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911107752.7A CN110825864A (zh) | 2019-11-13 | 2019-11-13 | 一种获取问题答案的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110825864A true CN110825864A (zh) | 2020-02-21 |
Family
ID=69554590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911107752.7A Pending CN110825864A (zh) | 2019-11-13 | 2019-11-13 | 一种获取问题答案的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110825864A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1544747A2 (en) * | 2003-12-19 | 2005-06-22 | Xerox Corporation | Systems and methods for normalization of linguistic structures |
CN101510221A (zh) * | 2009-02-17 | 2009-08-19 | 北京大学 | 一种用于信息检索的查询语句分析方法与系统 |
TW201140344A (en) * | 2010-05-14 | 2011-11-16 | Alibaba Group Holding Ltd | Searching method and device |
CN104252533A (zh) * | 2014-09-12 | 2014-12-31 | 百度在线网络技术(北京)有限公司 | 搜索方法和搜索装置 |
CN107632979A (zh) * | 2017-10-13 | 2018-01-26 | 华中科技大学 | 一种用于交互式问答的问题解析方法及系统 |
CN109033244A (zh) * | 2018-07-05 | 2018-12-18 | 百度在线网络技术(北京)有限公司 | 搜索结果排序方法和装置 |
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 |
CN110134936A (zh) * | 2018-02-08 | 2019-08-16 | 北京搜狗科技发展有限公司 | 一种分词方法、装置及电子设备 |
CN110188163A (zh) * | 2019-04-13 | 2019-08-30 | 上海策友信息科技有限公司 | 基于自然语言的智能数据处理系统 |
CN110209777A (zh) * | 2018-02-13 | 2019-09-06 | 北京三星通信技术研究有限公司 | 问答的方法及电子设备 |
-
2019
- 2019-11-13 CN CN201911107752.7A patent/CN110825864A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1544747A2 (en) * | 2003-12-19 | 2005-06-22 | Xerox Corporation | Systems and methods for normalization of linguistic structures |
CN101510221A (zh) * | 2009-02-17 | 2009-08-19 | 北京大学 | 一种用于信息检索的查询语句分析方法与系统 |
TW201140344A (en) * | 2010-05-14 | 2011-11-16 | Alibaba Group Holding Ltd | Searching method and device |
CN104252533A (zh) * | 2014-09-12 | 2014-12-31 | 百度在线网络技术(北京)有限公司 | 搜索方法和搜索装置 |
CN107632979A (zh) * | 2017-10-13 | 2018-01-26 | 华中科技大学 | 一种用于交互式问答的问题解析方法及系统 |
CN110134936A (zh) * | 2018-02-08 | 2019-08-16 | 北京搜狗科技发展有限公司 | 一种分词方法、装置及电子设备 |
CN110209777A (zh) * | 2018-02-13 | 2019-09-06 | 北京三星通信技术研究有限公司 | 问答的方法及电子设备 |
CN109033244A (zh) * | 2018-07-05 | 2018-12-18 | 百度在线网络技术(北京)有限公司 | 搜索结果排序方法和装置 |
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 |
CN110188163A (zh) * | 2019-04-13 | 2019-08-30 | 上海策友信息科技有限公司 | 基于自然语言的智能数据处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110502621B (zh) | 问答方法、问答装置、计算机设备及存储介质 | |
CN110399457B (zh) | 一种智能问答方法和系统 | |
US11475209B2 (en) | Device, system, and method for extracting named entities from sectioned documents | |
CN109684448B (zh) | 一种智能问答方法 | |
CN104216913B (zh) | 问题回答方法、系统和计算机可读介质 | |
US8140323B2 (en) | Method and system for extracting information from unstructured text using symbolic machine learning | |
US7680646B2 (en) | Retrieval method for translation memories containing highly structured documents | |
CN102955848B (zh) | 一种基于语义的三维模型检索系统和方法 | |
US9323741B2 (en) | System and method for searching functions having symbols | |
Qian et al. | Retrieve-then-adapt: Example-based automatic generation for proportion-related infographics | |
CN106776711A (zh) | 一种基于深度学习的中文医学知识图谱构建方法 | |
CN102663129A (zh) | 医疗领域深度问答方法及医学检索系统 | |
CN107748784B (zh) | 一种通过自然语言实现结构化数据搜索的方法 | |
JP2004110161A (ja) | テキスト文比較装置 | |
KR20080021017A (ko) | 텍스트 기반의 문서 비교 | |
JP2004110200A (ja) | テキスト文比較装置 | |
CN114547298A (zh) | 基于多头注意力和图卷积网络结合R-Drop机制的生物医学关系抽取方法、装置和介质 | |
CN110781681A (zh) | 一种基于翻译模型的初等数学应用题自动求解方法及系统 | |
CN112989811B (zh) | 一种基于BiLSTM-CRF的历史典籍阅读辅助系统及其控制方法 | |
Mohnot et al. | Hybrid approach for Part of Speech Tagger for Hindi language | |
CN114840657A (zh) | 一种基于混合模式的api知识图谱自适应构建及智能问答方法 | |
CN110825864A (zh) | 一种获取问题答案的方法及装置 | |
CN110851484A (zh) | 一种获取多指标问题答案的方法及装置 | |
CN112241463A (zh) | 一种基于融合文本语义与图片信息的搜索方法 | |
CN110457435A (zh) | 一种专利新颖性分析系统及其分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |