CN111143539B - 基于知识图谱的教学领域问答方法 - Google Patents

基于知识图谱的教学领域问答方法 Download PDF

Info

Publication number
CN111143539B
CN111143539B CN201911421092.XA CN201911421092A CN111143539B CN 111143539 B CN111143539 B CN 111143539B CN 201911421092 A CN201911421092 A CN 201911421092A CN 111143539 B CN111143539 B CN 111143539B
Authority
CN
China
Prior art keywords
answer
candidate
question
processing time
knowledge
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
Application number
CN201911421092.XA
Other languages
English (en)
Other versions
CN111143539A (zh
Inventor
刘兵
田佳雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Hounify Technology Co ltd
Original Assignee
Chongqing Hounify Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Hounify Technology Co ltd filed Critical Chongqing Hounify Technology Co ltd
Priority to CN201911421092.XA priority Critical patent/CN111143539B/zh
Publication of CN111143539A publication Critical patent/CN111143539A/zh
Application granted granted Critical
Publication of CN111143539B publication Critical patent/CN111143539B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • 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
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于知识图谱的教学领域问答方法，包括如下步骤：S1.确定问题中的主题词；S2.根据主题词查找该主题词对应的实体节点，并确定该实体节点的候选映射路径；S3.生成问题对应的语义逻辑形式；S4.进行答案查询，得到问题的答案；S5.构建答案更新模型对答案进行更新。本发明的一种基于知识图谱的教学领域问答方法，能够对用户提出的问题进行高效准确地答案查询，提高了用户的学习效率。

Description

基于知识图谱的教学领域问答方法
技术领域
本发明涉及知识图谱领域，具体涉及一种基于知识图谱的教学领域问答方法。
背景技术
智慧教育已成为当前教育领域关注的一个新热点。我国智慧教育研究主要围绕智慧教育的技术支撑与理论探讨、智慧教育发展的宏观与微观两条主线及智慧学习需求研究、新背景下的智慧教育理论研究、智慧校园生态研究、智慧教学模式研究、智慧教育技术支撑环境研究等。未来会主要集中在智慧教育理论应用于实践的研究、智慧教育关键技术支撑环境的研究、智慧学习资源与智慧教学模式的开发应用研究、智慧教育生态观研究等方面。
在智慧教育的研究中引入知识图谱技术将是未来的发展趋势。知识图谱作为一种技术体系，是大数据时代知识工程的代表性进展。知识图谱可以用于将文献、知识可视化，绘制成直观且关系紧密的知识网络，帮助研究者更好地理解知识、运用知识、推理知识。
目前基于知识图谱的智慧教育领域问答的应用往往使用传统的方法，这些方法使用语义解析方式对知识库的信息利用不够，仅仅只关注问题这一方面。此外，语义解析中的词汇映射也较为困难，仅仅通过简单的统计方式，不能有效地将自然语言中的谓语关系映射到知识库中的实体关系中。
因此，为解决以上问题，需要一种基于知识图谱的教学领域问答方法，能够对用户提出的问题进行高效准确地答案查询，提高了用户的学习效率。
发明内容
有鉴于此，本发明的目的是克服现有技术中的缺陷，提供基于知识图谱的教学领域问答方法，能够对用户提出的问题进行高效准确地答案查询，提高了用户的学习效率。
本发明的基于知识图谱的教学领域问答方法，包括如下步骤：
S1.获取问题并确定问题中的主题词；
S2.根据主题词查找该主题词对应的实体节点，并确定该实体节点的候选映射路径；
S3.利用优先队列对候选映射路径进行启发式搜索，生成问题对应的语义逻辑形式；
S4.将语义逻辑形式转化为lambda表达式进行答案查询，得到问题的答案；
S5.获取用户对答案的评价满意度以及答案查询处理时间，构建答案更新模型对答案进行更新。
进一步，步骤S1中，确定问题中的主题词包括：
基于搜索引擎的方法生成问题的候选实体，并将候选实体加入到候选实体集合中；
采用监督学习的排序方法对候选实体集中的候选实体进行排序，过滤掉候选实体集合中不相关的候选实体，将剩余的候选实体作为主题词。
进一步，步骤S2中，将实体节点周围长度为L的路径作为该实体节点的候选映射路径。
进一步，步骤S3中，为候选映射路径上的实体节点设置约束节点，根据约束节点缩小搜索范围。
进一步，步骤S5中，构建答案更新模型对答案进行更新的过程如下：
根据如下公式确定答案更新模型：
U＝ω1s+ω2f(t)；
其中，U为答案更新标识值；ω1为用户评价满意度权重；s为用户评价满意度，所述s为：
Figure BDA0002352409550000021
ω2为答案查询处理时间权重；f(t)为答案查询处理时间的评估函数；t为答案查询处理时间；所述答案查询处理时间的评估函数f(t)为：/>
Figure BDA0002352409550000031
其中，tavg为答案查询平均处理时间，ψ为答案查询平均处理时间的放大系数；
为答案更新标识值U设置阈值δ，判断U是否小于δ，若是，则对问题的答案进行更新；若否，则问题的答案不更新。
本发明的有益效果是：本发明公开的一种基于知识图谱的教学领域问答方法，通过利用深度学习对语义解析方面进行改进，将语义解析过程进行转化，并利用卷积神经网络获得自然语言到知识库的映射，进行答案查询得到问题的答案，并对答案进行评估，根据评估结果对答案进行更新，从而保证了答案的准确性，提高了用户的学校效率。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的方法流程示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明，如图所示：
本发明的基于知识图谱的教学领域问答方法，包括如下步骤：
S1.获取问题并确定问题中的主题词；
S2.根据主题词查找该主题词对应的实体节点，并确定该实体节点的候选映射路径；
S3.利用优先队列对候选映射路径进行启发式搜索，生成问题对应的语义逻辑形式；
S4.将语义逻辑形式转化为lambda表达式进行答案查询，得到问题的答案；
S5.获取用户对答案的评价满意度以及答案查询处理时间，构建答案更新模型对答案进行更新。
本实施例中，步骤S1中，用户(一般为学生)向已经构建好的教学领域的知识图谱输入问题，比如该问题为：怎么计算一个多边形的面积。首先确定该问题的主题词，具体地，基于搜索引擎的方法生成问题的候选实体，并将候选实体加入到候选实体集合中；获取该问题的上下文独立特征以及上下文相关特征并使用基于learning to rank(简称LTR，是现有技术：考虑了候选实体之间存在的一些关系，而不是孤立的，该框架相当于集成了二分类中的方法，比如较常使用的ranking SVM框架)框架对候选实体集合进行排序，将排在最后几位(一般设为最后三位)的实体过滤掉，将剩余的候选实体作为主题词。比如该该问题的主题词为：多边形、计算以及面积等。
本实施例中，步骤S2中，确定主题词后，在知识库中查找该主题词对应的实体节点，将该实体节点周围长度为2的路径作为核心路径；该核心路径就是将自然语言问题映射为一个谓语序列，可以用卷积神经网络来对这个映射进行打分，具体地，将自然语言和谓语序列分别作为输入，分别经过两个不同的卷积神经网络得到一个200维的分布式表达，利用表达向量之间的相似度(比如使用余弦相似度)距离计算自然语言和谓语序列的语义相似度得分。将核心路径中得分较高的路径(比如选择得分值排在前10的路径)作为候选映射路径。
本实施例中，步骤S3中，为了缩小答案的搜索范围，为候选映射路径上的实体节点设置约束节点，具体地，当检测到与主题词相关的约束实体时，可以将该约束实体作为约束节点，将该约束节点附加到候选映射路径上。为控制搜索过程的复杂度，设置奖励函数来评估候选映射路径与正确语义解析的接近程度。可用对数线性模型训练奖励函数，从主题词、映射路径以及约束节点中选取特征值，通过手工定义一个特征向量来表征整个查询搜索的信息，将它作为对数线性模型的输入。利用best-first策略结合优先队列进行启发式搜索，每次从队列中取出得分最高的状态分别执行动作集中的各个动作，生成新的状态并入队，始终记录得分最高的状态，并将得分最高的状态作为问题对应的语义逻辑形式。
本实施例中，步骤S4中，将语义逻辑形式转化为伪代码，对伪代码进行修订得到符合编程语言语法标准的代码，这里可将伪代码修订成java代码(java为一种编程语言)，利用java语言对lambda模块的支持，得到语义逻辑形式的lambda表达式，知识图谱根据lambda表达式进行答案查询，最终得到问题的答案。上述用户输入的问题为：怎么计算一个多边形的面积，则得到答案可能为：将多边形划分成多个三角形，对多个三角形进行面积求和。
本实施例中，步骤S5中，用户得到问题的答案后，可以对答案进行评价，得到用户的评价满意度s；通过统计1000个用户从输入问题到获得答案的时间间隔，得到时间间隔序列tn，对时间间隔序列tn进行时间求和并取平均值：sum(tn)/1000，将该平均值作为该知识图谱的答案查询平均处理时间tavg；
构建答案更新模型对答案进行更新的过程如下：
根据如下公式确定答案更新模型：
U＝ω1s+ω2f(t)；
其中，U为答案更新标识值；ω1为用户评价满意度权重，可设置ω1＝0.7；s为用户评价满意度，所述s为：
Figure BDA0002352409550000051
ω2为答案查询处理时间权重，可设置ω2＝0.3；f(t)为答案查询处理时间的评估函数；t为答案查询处理时间，表示从用户输入问题到得到答案的时间间隔；所述答案查询处理时间的评估函数f(t)为：/>
Figure BDA0002352409550000052
其中，tavg为答案查询平均处理时间，ψ为答案查询平均处理时间的放大系数，可设置ψ＝1.5；
为答案更新标识值U设置阈值δ＝0，判断U是否小于0，若是，则对问题的答案进行更新；若否，则问题的答案不更新。通过对查询到的答案进行评估，来更新答案，保证了用户最终获取的答案的准确性。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于知识图谱的教学领域问答方法，其特征在于：包括如下步骤：
S1.获取问题并确定问题中的主题词；
S2.根据主题词查找该主题词对应的实体节点，并确定该实体节点的候选映射路径；其中，将自然语言和谓语序列分别作为输入，分别经过两个不同的卷积神经网络得到一个200维的分布式表达，利用表达向量之间的相似度距离计算自然语言和谓语序列的语义相似度得分；将核心路径中得分值排在前10的路径作为候选映射路径；
S3.利用优先队列对候选映射路径进行启发式搜索，生成问题对应的语义逻辑形式；所述步骤S3，具体包括：
从主题词、映射路径以及约束节点中选取特征值，通过手工定义一个特征向量来表征整个查询搜索的信息，将它作为对数线性模型的输入；利用best-first策略结合优先队列进行启发式搜索，每次从队列中取出得分最高的状态分别执行动作集中的各个动作，生成新的状态并入队，始终记录得分最高的状态，并将得分最高的状态作为问题对应的语义逻辑形式；
S4.将语义逻辑形式转化为lambda表达式进行答案查询，得到问题的答案；
S5.获取用户对答案的评价满意度以及答案查询处理时间，构建答案更新模型对答案进行更新。
2.根据权利要求1所述的基于知识图谱的教学领域问答方法，其特征在于：步骤S1中，确定问题中的主题词包括：
基于搜索引擎的方法生成问题的候选实体，并将候选实体加入到候选实体集合中；
采用监督学习的排序方法对候选实体集中的候选实体进行排序，过滤掉候选实体集合中不相关的候选实体，将剩余的候选实体作为主题词。
3.根据权利要求1所述的基于知识图谱的教学领域问答方法，其特征在于：步骤S2中，将实体节点周围长度为L的路径作为该实体节点的候选映射路径。
4.根据权利要求1所述的基于知识图谱的教学领域问答方法，其特征在于：步骤S3中，为候选映射路径上的实体节点设置约束节点，根据约束节点缩小搜索范围。
5.根据权利要求1所述的基于知识图谱的教学领域问答方法，其特征在于：步骤S5中，构建答案更新模型对答案进行更新的过程如下：
根据如下公式确定答案更新模型：
U＝ω1s+ω2f(t)；
其中，U为答案更新标识值；ω1为用户评价满意度权重；s为用户评价满意度，所述s为：
Figure FDA0004229997720000021
ω2为答案查询处理时间权重；f(t)为答案查询处理时间的评估函数；t为答案查询处理时间；所述答案查询处理时间的评估函数f(t)为：/>
Figure FDA0004229997720000022
其中，tavg为答案查询平均处理时间，ψ为答案查询平均处理时间的放大系数；
为答案更新标识值U设置阈值δ，判断U是否小于δ，若是，则对问题的答案进行更新；若否，则问题的答案不更新。
CN201911421092.XA 2019-12-31 2019-12-31 基于知识图谱的教学领域问答方法 Active CN111143539B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911421092.XA CN111143539B (zh) 2019-12-31 2019-12-31 基于知识图谱的教学领域问答方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911421092.XA CN111143539B (zh) 2019-12-31 2019-12-31 基于知识图谱的教学领域问答方法

Publications (2)

Publication Number Publication Date
CN111143539A CN111143539A (zh) 2020-05-12
CN111143539B true CN111143539B (zh) 2023-06-23

Family

ID=70523118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911421092.XA Active CN111143539B (zh) 2019-12-31 2019-12-31 基于知识图谱的教学领域问答方法

Country Status (1)

Country Link
CN (1) CN111143539B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112015919A (zh) * 2020-09-15 2020-12-01 重庆广播电视大学重庆工商职业学院 一种基于学习辅助知识图谱的对话管理方法
CN113742447B (zh) * 2021-07-19 2024-04-02 暨南大学 基于查询路径生成的知识图谱问答方法、介质和设备
CN113468311B (zh) * 2021-07-20 2023-09-19 四川启睿克科技有限公司 一种基于知识图谱的复杂问句问答方法、装置及存储介质
CN113535982B (zh) * 2021-07-27 2022-05-24 南京邮电大学盐城大数据研究院有限公司 一种基于大数据的教学系统
CN114238653B (zh) * 2021-12-08 2024-05-24 华东师范大学 一种编程教育知识图谱构建、补全与智能问答的方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016050066A1 (zh) * 2014-09-29 2016-04-07 华为技术有限公司 知识库中问句解析的方法及设备
CN106997236A (zh) * 2016-01-25 2017-08-01 亮风台（上海）信息科技有限公司 基于多模态输入进行交互的方法和设备
CN106997376A (zh) * 2017-02-28 2017-08-01 浙江大学 一种基于多级特征的问题和答案句子相似度计算方法
CN107480191A (zh) * 2017-07-12 2017-12-15 清华大学 一种迭代的实体对齐模型
CN108153876A (zh) * 2017-12-26 2018-06-12 爱因互动科技发展（北京）有限公司 智能问答方法及系统
CN108256065A (zh) * 2018-01-16 2018-07-06 智言科技（深圳）有限公司 基于关系检测和强化学习的知识图谱推理方法
CN109360097A (zh) * 2018-09-28 2019-02-19 中山大学 基于深度学习的股票预测方法、装置、设备及存储介质
CN109902298A (zh) * 2019-02-13 2019-06-18 东北师范大学 一种自适应学习系统中领域知识建模及知识水平估测方法
CN110083690A (zh) * 2019-04-10 2019-08-02 华侨大学 一种基于智能问答的对外汉语口语训练方法及系统
CN110321563A (zh) * 2019-06-28 2019-10-11 浙江大学 基于混合监督模型的文本情感分析方法
CN110443348A (zh) * 2019-06-26 2019-11-12 西安电子科技大学 一种基于msvl的神经网络系统的建模和验证方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170103337A1 (en) * 2015-10-08 2017-04-13 International Business Machines Corporation System and method to discover meaningful paths from linked open data
CN108268580A (zh) * 2017-07-14 2018-07-10 广东神马搜索科技有限公司 基于知识图谱的问答方法及装置
US11537719B2 (en) * 2018-05-18 2022-12-27 Deepmind Technologies Limited Deep neural network system for similarity-based graph representations
CN109271506A (zh) * 2018-11-29 2019-01-25 武汉大学 一种基于深度学习的电力通信领域知识图谱问答系统的构建方法
CN110457442B (zh) * 2019-08-09 2022-04-26 国家电网有限公司 面向智能电网客服问答的知识图谱构建方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016050066A1 (zh) * 2014-09-29 2016-04-07 华为技术有限公司 知识库中问句解析的方法及设备
CN106997236A (zh) * 2016-01-25 2017-08-01 亮风台（上海）信息科技有限公司 基于多模态输入进行交互的方法和设备
CN106997376A (zh) * 2017-02-28 2017-08-01 浙江大学 一种基于多级特征的问题和答案句子相似度计算方法
CN107480191A (zh) * 2017-07-12 2017-12-15 清华大学 一种迭代的实体对齐模型
CN108153876A (zh) * 2017-12-26 2018-06-12 爱因互动科技发展（北京）有限公司 智能问答方法及系统
CN108256065A (zh) * 2018-01-16 2018-07-06 智言科技（深圳）有限公司 基于关系检测和强化学习的知识图谱推理方法
CN109360097A (zh) * 2018-09-28 2019-02-19 中山大学 基于深度学习的股票预测方法、装置、设备及存储介质
CN109902298A (zh) * 2019-02-13 2019-06-18 东北师范大学 一种自适应学习系统中领域知识建模及知识水平估测方法
CN110083690A (zh) * 2019-04-10 2019-08-02 华侨大学 一种基于智能问答的对外汉语口语训练方法及系统
CN110443348A (zh) * 2019-06-26 2019-11-12 西安电子科技大学 一种基于msvl的神经网络系统的建模和验证方法
CN110321563A (zh) * 2019-06-28 2019-10-11 浙江大学 基于混合监督模型的文本情感分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Knowledge-Graph Based Multi-Target Deep-Learning Models for Train Anomaly Detection》;Zhiliang Qin;《2018 International Conference on Intelligent Rail Transportation》;全文 *
《基于中文语言处理和深度学习的医疗知识图谱构建》;方韬;《中国优秀硕士学位论文全文数据库》;全文 *

Also Published As

Publication number Publication date
CN111143539A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN111143539B (zh) 基于知识图谱的教学领域问答方法
Harms et al. Approaches for dialog management in conversational agents
CN105808590B (zh) 搜索引擎实现方法、搜索方法以及装置
CN112667794A (zh) 一种基于孪生网络bert模型的智能问答匹配方法及系统
EP3832487A1 (en) Systems and methods driven by link-specific numeric information for predicting associations based on predicate types
CN111159371A (zh) 一种面向任务型对话系统的对话策略方法
CN112015868A (zh) 基于知识图谱补全的问答方法
CN110245238B (zh) 基于规则推理和句法模式的图嵌入方法及系统
CN111445200A (zh) 基于人工智能的面试方法、装置、计算机设备及存储介质
CN111125316B (zh) 一种融合多损失函数及注意力机制的知识库问答方法
CN107451230A (zh) 一种问答方法以及问答系统
CN112328800A (zh) 自动生成编程规范问题答案的系统及方法
CN113869034A (zh) 基于强化依赖图的方面情感分类方法
CN117235215A (zh) 基于大模型和知识图谱的生成对话方法、系统及介质
CN112330387B (zh) 一种应用于看房软件的虚拟经纪人
CN117828024A (zh) 一种插件检索方法、装置、存储介质及设备
Looser et al. Using formal concept analysis for ontology maintenance in human resource recruitment
CN111400479A (zh) 针对多轮对话的问题识别方法和装置
CN115409042B (zh) 一种基于思维导图的机器人问答方法及装置
CN110442690B (zh) 一种基于概率推理的询问优化方法、系统和介质
Petrican et al. Ontology-based skill matching algorithms
CN109684466B (zh) 一种智能教育顾问系统
CN113792544A (zh) 顾及地理空间分布的文本情感分类方法及装置
CN110874394A (zh) 智能答疑方法、电子装置及存储介质
CN113297511B (zh) 商户排序模型的构建方法、装置、服务器及存储介质

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
GR01 Patent grant