CN111125325A - 一种基于gan网络的faq生成系统及方法 - Google Patents
一种基于gan网络的faq生成系统及方法 Download PDFInfo
- Publication number
- CN111125325A CN111125325A CN201911240754.3A CN201911240754A CN111125325A CN 111125325 A CN111125325 A CN 111125325A CN 201911240754 A CN201911240754 A CN 201911240754A CN 111125325 A CN111125325 A CN 111125325A
- Authority
- CN
- China
- Prior art keywords
- answer
- question
- faq
- network
- generated
- 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 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- 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
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于GAN网络的FAQ生成系统及方法，属于深度学习和神经网络技术领域。本发明的基于GAN网络的FAQ生成系统，由FAQ的问题生成和答案生成两部构成，包括问题特征提取器E、问题域分类器C、问题标签预测器P、答案产生器G和答案判别器D，由特征提取器E、问题域分类器C和问题标签预测器P构成ECP网络，由特征提取器E、问题标签预测器P、答案产生器G和答案判别器D组成网络，最终形成FAQ的问题生成模型，利用FAQ的问题生成模型进行FAQ的答案生成。该发明的基于GAN网络的FAQ生成系统能够高效准确的为产品服务内容生成FAQ常见问题解答，具有很好的推广应用价值。
Description
技术领域
本发明涉及深度学习和神经网络技术领域，具体提供一种基于GAN网络的FAQ生成系统及方法。
背景技术
生成式对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型，最初由Ian Goodfellow提出，是近年来复杂分布上无监督学习最重要的方法之一。GAN模型通过框架中的两个模块生成器(Generator)和判别器(Discriminator)的互相博弈学习产生高质量的输出，其目标是训练一个生成模型完美的拟合真实数据分布使得判别模型无法区分。生成模型的作用是模拟真实数据的分布，判别模型的作用是判断一个样本是真实的样本还是生成的样本，通过轮流训练判别器和生成器，令其相互对抗，从复杂概率分布中采样，最终完成神经网络的训练。目前，GAN网络被广泛应用于图像生成领域，比较常用的有超分辨率，图像翻译，卡通人物生成，人体姿态生成，年龄变换，风格变换等等，GAN可以产生令人印象深刻的结果，并且可以控制平滑且合理的语义变化，生成对应的图像，成为最重要的学习任意复杂数据分布的生成模型框架。
FAQ是英文Frequently Asked Questions的缩写，中文意思就是“经常问到的问题”，或者更通俗地叫做“常见问题解答”。FAQ是当前网络上提供在线帮助的主要手段，通过事先组织好一些可能的常问问答对，发布在互联网上为用户提供咨询服务。很多网站上都可以看到FAQ，列出了一些用户在使用产品或服务时常见的问题，是一种在线帮助形式，这样不仅方便了用户，也大大减轻了网站工作人员的压力，节省了大量的顾客服务成本，并且增加了顾客的满意度。针对不同领域、不同产品和服务，有针对性的设计常见问题解答FAQ成为企业关注的问题。在这种情况下，如何有效利用GAN网络技术，兼顾现有模型，基于产品或服务的现有数据，高效准确的为其自动生成有针对性的FAQ成为亟须解决的问题。
发明内容
本发明的技术任务是针对上述存在的问题，提供一种能够高效准确的为产品服务内容生成FAQ常见问题解答的基于GAN网络的FAQ生成系统。
本发明进一步的技术任务是提供一种基于GAN网络的FAQ生成方法。
为实现上述目的，本发明提供了如下技术方案：
一种基于GAN网络的FAQ生成系统，该生成系统由FAQ的问题生成和答案生成两部构成，包括问题特征提取器E、问题域分类器C、问题标签预测器P、答案产生器G和答案判别器D，由特征提取器E、问题域分类器C和问题标签预测器P构成ECP网络，由特征提取器E、问题标签预测器P、答案产生器G和答案判别器D组成网络，最终形成FAQ的问题生成模型，利用FAQ的问题生成模型进行FAQ的答案生成。
作为优选，所述问题特征提取器E为神经网络，实现在文字中提取特征，生成常见问题特征向量，在提高问题标签预测器P的预测正确率时，使问题域分类器C无法区分问题来自的领域。
作为优选，所述问题域分类器C根据所述的问题特征提取器E产生的结果，做出正确的领域分类，区分出提取的问题特征向量来自的具体领域。
作为优选，所述问题标签预测器P的目标是根据所述的问题特征提取器E产生的结果，准确的预测分类问题标签，确定产生的FAQ问题内容。
作为优选，所述答案产生器G是一个神经网络，根据FAQ的问题来生成一段问题答案。
作为优选，所述答案判别器D是一个神经网络，相当于是二元分类器，判断生成的问题答案是否真实。
一种基于GAN网络的FAQ生成方法，该方法基于所述的基于GAN网络的FAQ生成系统实现，包括生成FAQ网络模型的训练和生成FAQ问题和答案的训练。
作为优选，所述生成FAQ网络模型的训练包括以下步骤：
如图2所示，所述生成FAQ网络模型的训练包括以下步骤：
S101、收集目标领域产品服务数据训练集，进行数据的预处理和数据标记；
S102、基于已训练好的所述的问题特征提取器E，联合所述的问题域分类器C和所述的问题标签预测器P，利用现有标记数据集，包括当前所述的问题特征提取器E模型的样例以及目标领域的样本进行训练；
S103、所述的问题特征提取器E计算提取文字特征，得到结果后，喂给所述的问题域分类器C和所述的问题标签预测器P，根据其目标函数进行模型参数优化，最终得到模型；
S104、将所述的问题特征提取器E和所述的问题标签预测器P联合起来，记作网络EP，与所述的答案生成器G和所述的答案判别器D，交替训练；
S105、所述的答案产生器G根据真实问题，产生答案，得到真实问题产生的答案；
S106、将所述的答案生成器G产生的答案，经过联合所述的问题特征提取器E和所述的问题标签预测器P形成的网络EP，预测结果产生问题，得到预测的问题产生的答案；
S107、使用所述的答案产生器G产生的真实问题的答案、网络EP预测得到的预测的问题产生的答案及目标领域真实的FAQ问题答案配对真实问题的真实答案作为训练样本，训练所述的答案判别器D；
S108、将所述的答案产生器G和所述的答案判别器D联合起来，形成一个神经网络，固定所述的答案判别器D的模型参数，训练所述的答案生成器G，使得所述的答案判别器D无法区分G生成的问题答案对和目标领域真实的FAQ问题答案配对；同时，将所述的答案生成器G和所述的EP网络联合起来，形成一个神经网络，固定所述的EP网络的模型参数，训练所述的答案生成器G，使得所述的EP网络产生的输出与所述的答案生成器G的输入越接近；
S109、反复进行训练，得到最终的网络模型E+P+G。
作为优选，所述生成FAQ问题和答案的训练包括以下步骤：
S201、将产品服务相关文档及训练得到的网络模型发布到互联网上，提供对外服务；
S202、将利用模型生成的FAQ常见问题解答以网页形式发布到互联网中，对外提供服务；
S203、用户查看网站提供的FAQ常见问题解答来解决其遇到问题；如果解决，则标明相关问题；如果无法解决，则跳转到步骤204；
S204、用户通过输入要解决的问题或者用户使用中产生的疑问，经过E+P网络，提炼出问题，并且通过G网络产生答案；
S205、用户针对生成问题和答案进行评分判断，并进行反馈；
S206、通过收集用户的搜索行为及反馈，持续反馈并优化模型，同时更新FAQ常见问题解答列表。
与现有技术相比，本发明的基于GAN网络的FAQ生成方法具有以下突出的有益效果：所述基于GAN网络的FAQ生成方法基于具体的产品服务的生成模型发布到互联网上，提供检索服务，通过根据用户使用FAQ的频度及反馈，可以持续优化模型参数，为产品服务文档生成更加高质量的FAQ内容，进而减轻了产品服务工作人员的压力，节省了大量的顾客服务成本，并且增加了顾客的满意度，具有良好的推广应用价值。
附图说明
图1是本发明所述基于GAN网络的FAQ生成系统的拓扑图；
图2是本发明所述基于GAN网络的FAQ生成方法的生成FAQ网络模型的训练流程图；
图3是本发明所述基于GAN网络的FAQ生成方法的生成FAQ问题和答案的训练流程图。
具体实施方式
下面将结合附图和实施例，对本发明的基于GAN网络的FAQ生成系统及方法作进一步详细说明。
实施例
如图1所示，本发明的基于GAN网络的FAQ生成系统，该生成系统由FAQ的问题生成和答案生成两部构成。包括问题特征提取器E、问题域分类器C、问题标签预测器P、答案产生器G和答案判别器D，由特征提取器E、问题域分类器C和问题标签预测器P构成ECP网络，由特征提取器E、问题标签预测器P、答案产生器G和答案判别器D组成网络，最终形成FAQ的问题生成模型，利用FAQ的问题生成模型进行FAQ的答案生成。
问题特征提取器E为神经网络，实现在文字中提取特征，生成常见问题特征向量，在提高问题标签预测器P的预测正确率时，使问题域分类器C无法区分问题来自的领域。问题域分类器C根据所述的问题特征提取器E产生的结果，做出正确的领域分类，区分出提取的问题特征向量来自的具体领域。问题标签预测器P的目标是根据所述的问题特征提取器E产生的结果，准确的预测分类问题标签，确定产生的FAQ问题内容。答案产生器G是一个神经网络，根据FAQ的问题来生成一段问题答案。答案判别器D是一个神经网络，相当于是二元分类器，判断生成的问题答案是否真实。
本发明的基于GAN网络的FAQ生成方法，该方法基于所述的基于GAN网络的FAQ生成系统实现，包括生成FAQ网络模型的训练和生成FAQ问题和答案的训练。
S101、收集目标领域产品服务数据训练集，进行数据的预处理和数据标记；
S102、基于已训练好的所述的问题特征提取器E，联合所述的问题域分类器C和所述的问题标签预测器P，利用现有标记数据集，包括当前所述的问题特征提取器E模型的样例(文字W，FAQ问题Q)以及目标领域的样本(文字W’，FAQ问题Q’)进行训练；
S103、所述的问题特征提取器E计算提取文字特征，得到结果后，喂给所述的问题域分类器C和所述的问题标签预测器P，根据其目标函数进行模型参数优化，最终得到模型；
S104、将所述的问题特征提取器E和所述的问题标签预测器P联合起来，记作网络EP，与所述的答案生成器G和所述的答案判别器D，交替训练；
S105、所述的答案产生器G根据真实问题，产生答案，得到Pair-G(真实问题，G产生的答案)；
S106、将所述的答案生成器G产生的答案，经过联合所述的问题特征提取器E和所述的问题标签预测器P形成的网络EP，预测结果产生问题，得到预测的问题产生的答案，Pair-EP(EP预测的问题，G产生的答案)；
S107、使用所述的答案产生器G产生的Pair-G(真实问题，G产生的答案)、网络EP预测得到的Pair-EP(EP预测的问题，G产生的答案)及目标领域真实的FAQ问题答案配对Pair(真实问题，真实答案)作为训练样本，训练所述的答案判别器D；
S108、将所述的答案产生器G和所述的答案判别器D联合起来，形成一个神经网络，固定所述的答案判别器D的模型参数，训练所述的答案生成器G，使得所述的答案判别器D无法区分G生成的问题答案对和目标领域真实的FAQ问题答案配对；同时，将所述的答案生成器G和所述的EP网络联合起来，形成一个神经网络，固定所述的EP网络的模型参数，训练所述的答案生成器G，使得所述的EP网络产生的输出与所述的答案生成器G的输入越接近；
S109、反复进行训练，得到最终的网络模型E+P+G。
如图2所示，所述生成FAQ网络模型的训练包括以下步骤：
S101、收集目标领域产品服务数据训练集，进行数据的预处理和数据标记；
S102、基于已训练好的所述的问题特征提取器E，联合所述的问题域分类器C和所述的问题标签预测器P，利用现有标记数据集，包括当前所述的问题特征提取器E模型的样例以及目标领域的样本进行训练；
S103、所述的问题特征提取器E计算提取文字特征，得到结果后，喂给所述的问题域分类器C和所述的问题标签预测器P，根据其目标函数进行模型参数优化，最终得到模型；
S104、将所述的问题特征提取器E和所述的问题标签预测器P联合起来，记作网络EP，与所述的答案生成器G和所述的答案判别器D，交替训练；
S105、所述的答案产生器G根据真实问题，产生答案，得到真实问题产生的答案；
S106、将所述的答案生成器G产生的答案，经过联合所述的问题特征提取器E和所述的问题标签预测器P形成的网络EP，预测结果产生问题，得到预测的问题产生的答案；
S107、使用所述的答案产生器G产生的真实问题的答案、网络EP预测得到的预测的问题产生的答案及目标领域真实的FAQ问题答案配对真实问题的真实答案作为训练样本，训练所述的答案判别器D；
S108、将所述的答案产生器G和所述的答案判别器D联合起来，形成一个神经网络，固定所述的答案判别器D的模型参数，训练所述的答案生成器G，使得所述的答案判别器D无法区分G生成的问题答案对和目标领域真实的FAQ问题答案配对；同时，将所述的答案生成器G和所述的EP网络联合起来，形成一个神经网络，固定所述的EP网络的模型参数，训练所述的答案生成器G，使得所述的EP网络产生的输出与所述的答案生成器G的输入越接近；
S109、反复进行训练，得到最终的网络模型E+P+G。
如图3所示，生成FAQ问题和答案的训练包括以下步骤：
S201、将产品服务相关文档及训练得到的网络模型发布到互联网上，提供对外服务；
S202、将利用模型生成的FAQ常见问题解答以网页形式发布到互联网中，对外提供服务；
S203、用户查看网站提供的FAQ常见问题解答来解决其遇到问题；如果解决，则标明相关问题；如果无法解决，则跳转到步骤204；
S204、用户通过输入要解决的问题或者用户使用中产生的疑问，经过E+P网络，提炼出问题，并且通过G网络产生答案；
S205、用户针对生成问题和答案进行评分判断，并进行反馈；
S206、通过收集用户的搜索行为及反馈，持续反馈并优化模型，同时更新FAQ常见问题解答列表。
以上所述的实施例，只是本发明较优选的具体实施方式，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (9)
1.一种基于GAN网络的FAQ生成系统，其特征在于：该生成系统由FAQ的问题生成和答案生成两部构成，包括问题特征提取器E、问题域分类器C、问题标签预测器P、答案产生器G和答案判别器D，由特征提取器E、问题域分类器C和问题标签预测器P构成ECP网络，由特征提取器E、问题标签预测器P、答案产生器G和答案判别器D组成网络，最终形成FAQ的问题生成模型，利用FAQ的问题生成模型进行FAQ的答案生成。
2.根据权利要求1所述的基于GAN网络的FAQ生成系统，其特征在于：所述问题特征提取器E为神经网络，实现在文字中提取特征，生成常见问题特征向量，在提高问题标签预测器P的预测正确率时，使问题域分类器C无法区分问题来自的领域。
3.根据权利要求2所述的基于GAN网络的FAQ生成系统，其特征在于：所述问题域分类器C根据所述的问题特征提取器E产生的结果，做出正确的领域分类，区分出提取的问题特征向量来自的具体领域。
4.根据权利要求3所述的基于GAN网络的FAQ生成系统，其特征在于：所述问题标签预测器P的目标是根据所述的问题特征提取器E产生的结果，准确的预测分类问题标签，确定产生的FAQ问题内容。
5.根据权利要求4所述的基于GAN网络的FAQ生成系统，其特征在于：所述答案产生器G是一个神经网络，根据FAQ的问题来生成一段问题答案。
6.根据权利要求5所述的基于GAN网络的FAQ生成系统，其特征在于：所述答案判别器D是一个神经网络，相当于是二元分类器，判断生成的问题答案是否真实。
7.一种基于GAN网络的FAQ生成方法，其特征在于：该方法基于权利要求1-6任意一项所述的基于GAN网络的FAQ生成系统实现，包括生成FAQ网络模型的训练和生成FAQ问题和答案的训练。
8.根据权利要求7所述的基于GAN网络的FAQ生成方法，其特征在于：所述生成FAQ网络模型的训练包括以下步骤：
S101、收集目标领域产品服务数据训练集，进行数据的预处理和数据标记；
S102、基于已训练好的所述的问题特征提取器E，联合所述的问题域分类器
C和所述的问题标签预测器P，利用现有标记数据集，包括当前所述的问题特征提取器E模型的样例以及目标领域的样本进行训练；
S103、所述的问题特征提取器E计算提取文字特征，得到结果后，喂给所述的问题域分类器C和所述的问题标签预测器P，根据其目标函数进行模型参数优化，最终得到模型；
S104、将所述的问题特征提取器E和所述的问题标签预测器P联合起来，记作网络EP，与所述的答案生成器G和所述的答案判别器D，交替训练；
S105、所述的答案产生器G根据真实问题，产生答案，得到真实问题产生的答案；
S106、将所述的答案生成器G产生的答案，经过联合所述的问题特征提取器E和所述的问题标签预测器P形成的网络EP，预测结果产生问题，得到预测的问题产生的答案；
S107、使用所述的答案产生器G产生的真实问题的答案、网络EP预测得到的预测的问题产生的答案及目标领域真实的FAQ问题答案配对真实问题的真实答案作为训练样本，训练所述的答案判别器D；
S108、将所述的答案产生器G和所述的答案判别器D联合起来，形成一个神经网络，固定所述的答案判别器D的模型参数，训练所述的答案生成器G，使得所述的答案判别器D无法区分G生成的问题答案对和目标领域真实的FAQ问题答案配对；同时，将所述的答案生成器G和所述的EP网络联合起来，形成一个神经网络，固定所述的EP网络的模型参数，训练所述的答案生成器G，使得所述的EP网络产生的输出与所述的答案生成器G的输入越接近；
S109、反复进行训练，得到最终的网络模型E+P+G。
9.根据权利要求8所述的基于GAN网络的FAQ生成方法，其特征在于：所述生成FAQ问题和答案的训练包括以下步骤：
S201、将产品服务相关文档及训练得到的网络模型发布到互联网上，提供对外服务；
S202、将利用模型生成的FAQ常见问题解答以网页形式发布到互联网中，对外提供服务；
S203、用户查看网站提供的FAQ常见问题解答来解决其遇到问题；如果解决，则标明相关问题；如果无法解决，则跳转到步骤204；
S204、用户通过输入要解决的问题或者用户使用中产生的疑问，经过E+P网络，提炼出问题，并且通过G网络产生答案；
S205、用户针对生成问题和答案进行评分判断，并进行反馈；
S206、通过收集用户的搜索行为及反馈，持续反馈并优化模型，同时更新FAQ常见问题解答列表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911240754.3A CN111125325B (zh) | 2019-12-06 | 2019-12-06 | 一种基于gan网络的faq生成系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911240754.3A CN111125325B (zh) | 2019-12-06 | 2019-12-06 | 一种基于gan网络的faq生成系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111125325A true CN111125325A (zh) | 2020-05-08 |
| CN111125325B CN111125325B (zh) | 2024-01-30 |
Family
ID=70496276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911240754.3A Active CN111125325B (zh) | 2019-12-06 | 2019-12-06 | 一种基于gan网络的faq生成系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111125325B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112711708A (zh) * | 2020-12-30 | 2021-04-27 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的产品方案组合推荐方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100726176B1 (ko) * | 2005-12-09 | 2007-06-11 | 한국전자통신연구원 | 질의응답 시스템에 있어서 다중 정답 추출 방법 및 장치 |
| CN108563779A (zh) * | 2018-04-25 | 2018-09-21 | 北京计算机技术及应用研究所 | 一种基于神经网络的无模板自然语言文本答案生成方法 |
| CN109271483A (zh) * | 2018-09-06 | 2019-01-25 | 中山大学 | 基于递进式多判别器的问题生成方法 |
| CN109308319A (zh) * | 2018-08-21 | 2019-02-05 | 深圳中兴网信科技有限公司 | 文本分类方法、文本分类装置和计算机可读存储介质 |
| CN109446302A (zh) * | 2018-09-25 | 2019-03-08 | 中国平安人寿保险股份有限公司 | 基于机器学习的问答数据处理方法、装置和计算机设备 |
| CN110019732A (zh) * | 2017-12-27 | 2019-07-16 | 杭州华为数字技术有限公司 | 一种智能问答方法以及相关装置 |
| CN110245708A (zh) * | 2019-06-18 | 2019-09-17 | 山东浪潮人工智能研究院有限公司 | 一种基于gan网络的技术文档术语解释生成方法及装置 |
-
2019
- 2019-12-06 CN CN201911240754.3A patent/CN111125325B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100726176B1 (ko) * | 2005-12-09 | 2007-06-11 | 한국전자통신연구원 | 질의응답 시스템에 있어서 다중 정답 추출 방법 및 장치 |
| CN110019732A (zh) * | 2017-12-27 | 2019-07-16 | 杭州华为数字技术有限公司 | 一种智能问答方法以及相关装置 |
| CN108563779A (zh) * | 2018-04-25 | 2018-09-21 | 北京计算机技术及应用研究所 | 一种基于神经网络的无模板自然语言文本答案生成方法 |
| CN109308319A (zh) * | 2018-08-21 | 2019-02-05 | 深圳中兴网信科技有限公司 | 文本分类方法、文本分类装置和计算机可读存储介质 |
| CN109271483A (zh) * | 2018-09-06 | 2019-01-25 | 中山大学 | 基于递进式多判别器的问题生成方法 |
| CN109446302A (zh) * | 2018-09-25 | 2019-03-08 | 中国平安人寿保险股份有限公司 | 基于机器学习的问答数据处理方法、装置和计算机设备 |
| CN110245708A (zh) * | 2019-06-18 | 2019-09-17 | 山东浪潮人工智能研究院有限公司 | 一种基于gan网络的技术文档术语解释生成方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112711708A (zh) * | 2020-12-30 | 2021-04-27 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的产品方案组合推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111125325B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Groh et al. | Characterizing social relations via nlp-based sentiment analysis | |
| CN106105096A (zh) | 用于连续社交通信的系统和方法 | |
| CN108763384A (zh) | 用于文本分类的数据处理方法、数据处理装置和电子设备 | |
| CN110598070B (zh) | 应用类型识别方法及装置、服务器及存储介质 | |
| CN110705301A (zh) | 实体关系抽取方法及装置、存储介质、电子设备 | |
| CN107944911A (zh) | 一种基于文本分析的推荐系统的推荐方法 | |
| CN111970400B (zh) | 骚扰电话识别方法及装置 | |
| CN107291775A (zh) | 错误样本的修复语料生成方法和装置 | |
| CN110955750A (zh) | 评论区域和情感极性的联合识别方法、装置、电子设备 | |
| CN106022836A (zh) | 一种结合广告主效果反馈的广告推广方法 | |
| CN110619035A (zh) | 识别面试视频中关键词的方法、装置、设备及存储介质 | |
| CN107392392A (zh) | 基于深度学习的微博转发预测方法 | |
| CN110390110B (zh) | 用于语义匹配的预训练生成句子向量的方法和装置 | |
| CN110689357B (zh) | 基于机器学习的用于在线客服的工单生成方法 | |
| JP5462546B2 (ja) | コンテンツ検出支援装置、コンテンツ検出支援方法およびコンテンツ検出支援プログラム | |
| CN111125325B (zh) | 一种基于gan网络的faq生成系统及方法 | |
| CN117235264A (zh) | 文本处理方法、装置、设备和计算机可读存储介质 | |
| CN116757855A (zh) | 一种智能保险服务方法、装置、设备及存储介质 | |
| CN110362828B (zh) | 网络资讯风险识别方法及系统 | |
| Hong et al. | Comprehensive technology function product matrix for intelligent chatbot patent mining | |
| Carvalho et al. | Studies on the Accuracy of Ensembles of Cloud-Based Technologies for Sentiment Analysis. | |
| CN116842263A (zh) | 一种智能问答式理财顾问模型的训练处理方法及装置 | |
| CN111464687A (zh) | 一种陌生呼叫请求的处理方法及装置 | |
| CN111310451A (zh) | 敏感词词典生成方法、装置及存储介质和电子设备 | |
| CN110245708B (zh) | 一种基于gan网络的技术文档术语解释生成方法及装置 |
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: 20231222 Address after: Building S02, 1036 Gaoxin Langchao Road, Jinan, Shandong 250100 Applicant after: Shandong Inspur Scientific Research Institute Co.,Ltd. Address before: North 6th floor, S05 building, Langchao Science Park, 1036 Langchao Road, hi tech Zone, Jinan City, Shandong Province, 250100 Applicant before: SHANDONG INSPUR ARTIFICIAL INTELLIGENCE RESEARCH INSTITUTE Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |