CN111428010B - 人机智能问答的方法和装置 - Google Patents
人机智能问答的方法和装置 Download PDFInfo
- Publication number
- CN111428010B CN111428010B CN201910022221.1A CN201910022221A CN111428010B CN 111428010 B CN111428010 B CN 111428010B CN 201910022221 A CN201910022221 A CN 201910022221A CN 111428010 B CN111428010 B CN 111428010B
- Authority
- CN
- China
- Prior art keywords
- question
- answer
- current sentence
- determining
- sentence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013145 classification model Methods 0.000 claims abstract description 37
- 230000004044 response Effects 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009849 deactivation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本申请实施例公开了人机智能问答的方法和装置。该方法的一具体实施方式包括:接收用户输入的当前语句,将当前语句与预设的问答语料数据库匹配;响应于确定出当前语句与问答语料数据库不匹配,将当前语句的词向量输入预先训练的意图分类模型得到当前语句的意图分类;确定问答语料数据库中与所得到的意图分类对应的问答对和当前语句之间的内容相关程度,从问答语料数据库获取第一预设数目的第一问答对,第一问答对与当前语句之间的内容相关程度大于问答语料数据库中其余问答对与当前语句之间的内容相关程度;基于当前语句与第一预设数目的第一问答对的问题和/或答案的语义相似度,输出当前语句的答句。该实施方式提高了人机智能问答的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及人机智能问答的方法和装置。
背景技术
随着人工智能技术的发展,越来越多的问答系统采用人工智能技术。现有的人工智能问答系统只能按照预先设计好的流程回答用户提出的问题,例如通过用户会话特征(如关键词),与已经设置好的问题进行匹配,而后将对应生成的答案反馈给用户。但是这种通过机器对话的方式往往不能准确地生成用户提出问题的答案。
发明内容
本申请实施例提出了人机智能问答的方法和装置。
第一方面,本申请实施例提供了一种人机智能问答的方法,该方法包括:接收用户输入的当前语句,将当前语句与预设的问答语料数据库匹配;响应于确定出当前语句与问答语料数据库不匹配,将当前语句的词向量输入预先训练的意图分类模型得到当前语句的意图分类,其中,意图分类模型用于表征语句与意图分类之间的对应关系;确定问答语料数据库中与所得到的意图分类对应的问答对和当前语句之间的内容相关程度,从问答语料数据库获取第一预设数目的第一问答对,其中,第一问答对与当前语句之间的内容相关程度大于问答语料数据库中其余问答对与当前语句之间的内容相关程度;基于当前语句与第一预设数目的第一问答对的问题和/或答案的语义相似度,输出当前语句的答句。
在一些实施例中,确定问答语料数据库中与所得到的意图分类对应的问答对和当前语句之间的内容相关程度,从问答语料数据库获取第一预设数目的第一问答对,包括:从问答语料数据库中确定与所得到的意图分类对应的问答对;基于词频-逆向词频算法确定当前语句与所确定出的问答对之间的内容相关程度;基于内容相关程度对所确定出的问答对排序,按照内容相关程度从大到小的顺序从排序后的问答对序列中选取出第一预设数目的问答对;将选取的问答对确定为第一问答对。
在一些实施例中,基于当前语句与第一预设数目的第一问答对的问题和/或答案的语义相似度,输出当前语句的答句,包括:确定当前语句与第一预设数目的第一问答对中的问题和/或答案的语义相似度;响应于确定出所确定的最大语义相似度大于第一预设阈值,确定与最大语义相似度对应的第一问答对与当前语句匹配;基于确定的第一问答对,生成并输出当前语句的答句。
在一些实施例中,基于当前语句与第一预设数目的第一问答对的问题和/或答案的语义相似度,输出当前语句的答句,包括:确定当前语句与第一预设数目的第一问答对中的问题的语义相似度;响应于确定出所确定的问题的最大语义相似度小于或等于第二预设阈值,确定当前语句与第一预设数目的第一问答对中的答案的语义相似度;响应于确定出所确定的答案的最大语义相似度大于第三预设阈值,将与所确定的答案的最大语义相似度对应的答案确定为当前语句的答句,输出所确定的答句。
在一些实施例中,方法还包括:响应于确定出所确定的答案的最大语义相似度小于或等于第三预设阈值,重新设置第二预设阈值和/或第三预设阈值以获取第二预设数目的第一问答对;确定所获取的第二预设数目的第一问答对的意图分类,从问答语料数据库中选取与所确定的意图分类对应的问答对;向用户发送提示信息,以提示用户从所选取的问答对的问题中确定出与当前语句相似度最大的问题;将与用户确定的问题对应的答案确定为当前语句的答句。
在一些实施例中,意图分类模型是通过如下步骤训练得到的:获取训练样本集,其中,训练样本包括样本语句的词向量和样本语句的意图分类;确定初始卷积神经网络结构以及初始化初始卷积神经网络的网络参数;将训练样本集中的训练样本中的样本语句的词向量和样本语句的意图分类分别作为初始卷积神经网络的输入和期望输出,采用随机梯度下降法更新初始卷积神经网络中的网络参数,得到训练后的初始卷积神经网络;将训练后的初始卷积神经网络确定为意图分类模型。
第二方面,本申请实施例提供了一种人机智能问答的装置,装置包括:匹配单元,被配置成接收用户输入的当前语句,将当前语句与预设的问答语料数据库匹配;输入单元,被配置成响应于确定出当前语句与问答语料数据库不匹配,将当前语句的词向量输入预先训练的意图分类模型得到当前语句的意图分类,其中,意图分类模型用于表征语句与意图分类之间的对应关系;获取单元,被配置成确定问答语料数据库中与所得到的意图分类对应的问答对和当前语句之间的内容相关程度,从问答语料数据库获取第一预设数目的第一问答对,其中,第一问答对与当前语句之间的内容相关程度大于问答语料数据库中其余问答对与当前语句之间的内容相关程度;输出单元,被配置成基于当前语句与第一预设数目的第一问答对的问题和/或答案的语义相似度,输出当前语句的答句。
在一些实施例中,获取单元进一步被配置成:从问答语料数据库中确定与所得到的意图分类对应的问答对;基于词频-逆向词频算法确定当前语句与所确定出的问答对之间的内容相关程度;基于内容相关程度对所确定出的问答对排序,按照内容相关程度从大到小的顺序从排序后的问答对序列中选取出第一预设数目的问答对;将选取的问答对确定为第一问答对。
在一些实施例中,输出单元进一步被配置成:确定当前语句与第一预设数目的第一问答对中的问题和/或答案的语义相似度;响应于确定出所确定的最大语义相似度大于第一预设阈值,确定与最大语义相似度对应的第一问答对与当前语句匹配;基于确定的第一问答对,生成并输出当前语句的答句。
在一些实施例中,输出单元进一步被配置成:确定当前语句与第一预设数目的第一问答对中的问题的语义相似度;响应于确定出所确定的问题的最大语义相似度小于或等于第二预设阈值,确定当前语句与第一预设数目的第一问答对中的答案的语义相似度;响应于确定出所确定的答案的最大语义相似度大于第三预设阈值,将与所确定的答案的最大语义相似度对应的答案确定为当前语句的答句,输出所确定的答句。
在一些实施例中,装置还包括答句确定单元,被配置成:响应于确定出所确定的答案的最大语义相似度小于或等于第三预设阈值,重新设置第二预设阈值和/或第三预设阈值以获取第二预设数目的第一问答对;确定所获取的第二预设数目的第一问答对的意图分类,从问答语料数据库中选取与所确定的意图分类对应的问答对;向用户发送提示信息,以提示用户从所选取的问答对的问题中确定出与当前语句相似度最大的问题;将与用户确定的问题对应的答案确定为当前语句的答句。
在一些实施例中,意图分类模型是通过如下步骤训练得到的:获取训练样本集,其中,训练样本包括样本语句的词向量和样本语句的意图分类;确定初始卷积神经网络结构以及初始化初始卷积神经网络的网络参数;将训练样本集中的训练样本中的样本语句的词向量和样本语句的意图分类分别作为初始卷积神经网络的输入和期望输出,采用随机梯度下降法更新初始卷积神经网络中的网络参数,得到训练后的初始卷积神经网络;将训练后的初始卷积神经网络确定为意图分类模型。
本申请实施例提供的人机智能问答的方法和装置,接收用户输入的当前语句,将该当前语句与预设的问答语料数据库匹配,并在确定出当前语句与问答语料数据库不匹配时,将当前语句的词向量输入预先训练的意图分类模型得到当前语句的意图分类,而后确定与所得到的意图分类对应的问答对和当前语句之间的内容相关程度,从问答语料数据库中获取第一预设数目的问答对,最后基于当前语句与各第一问答对的问题和/或答案的语义相似度输出当前语句的答句,从而可以提高输出的当前语句的答句的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的人机智能问答的方法的一个实施例的流程图;
图3是根据本申请的人机智能问答的方法的另一个实施例的流程图;
图4是根据本申请的人机智能问答的装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的人机智能问答的方法或人机智能问答的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如即时通信软件、购物类应用、搜索类应用、网页浏览器应用、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持人机会话的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103发送的会话语句提供支持的后台服务器。后台服务器可以对接收到的当前语句进行匹配、词向量提取等处理,并将处理结果(例如当前语句的答句)反馈给终端设备。
需要说明的是,本申请实施例所提供的人机智能问答的方法一般由服务器105执行,相应地,人机智能问答的装置一般设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
还需要指出的是,终端设备101、102、103中也可以预设问答语料数据库进和意图分类模型等,终端设备101、102、103也可以对当前语句和问答语料数据库的匹配和内容相关程度计算,此时,人机智能问答的方法也可以由终端设备101、102、103执行,相应地,人机智能问答的装置也可以设置于终端设备101、102、103中。此时,示例性系统架构100可以不存在服务器105和网络104。
继续参考图2,示出了根据本申请的人机智能问答的方法的一个实施例的流程200。该人机智能问答的方法,包括以下步骤:
步骤201,接收用户输入的当前语句,将当前语句与预设的问答语料数据库匹配。
在本实施例中,人机智能问答的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行人机智能问答的终端接收用户输入的当前语句。而后,将所获取的当前语句与预设的问答语料数据库进行匹配。可以理解的是,该问答语料数据库可以预先存储在上述执行主体内,且问答语料数据库中可以包含多个问答对。其中,每个问答对可以包括问题和与问题对应的答案。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施例的一些可选的实现方式中,上述执行主体可以将当前语句与问答语料数据库中问答对进行完全匹配,例如,将当前语句与问答语料数据库中的问答对进行全字符匹配。作为示例,当前语句为“白条分期(6期)的手续费怎么计算”,此时上述执行主体可以在问答语料数据库中的问答对中匹配“白条分期(6期)的手续费怎么计算”的全字符。
在本实施例的一些可选的实现方式中,上述执行主体还可以将当前语句与问答语料数据库中的问答对进行关键词匹配,例如,将当前语句进行分词、实体识别、去停用词等处理后得到当前语句的关键词,而后将当前语句的关键词与问答语料数据库中的问答对进行匹配。作为示例,当前语句为“白条分期(6期)的手续费怎么计算”,处理后的当前语句的关键词为“白条分期手续费计算”,此时上述执行主体可以在问答语料数据库中的问答对中匹配“白条分期手续费计算”。
步骤202,响应于确定出当前语句与问答语料数据库不匹配,将当前语句的词向量输入预先训练的意图分类模型得到当前语句的意图分类。
在本实施例中,上述执行主体(例如图1所示的服务器)可以获取预先训练的意图分类模型,该意图分类模型可以用于表征语句与意图分类之间的对应关系。其中,意图分类可以理解为对语句所要达到目的的分类。例如,语句“白条分期手续费怎么计算”目的是确定白条分期的手续费,对应的意图分类可以为白条分期;语句“这个手机的机身是金属材质的吗”目的是确定产品的材质,对应的意图分类可以为产品质量。上述执行主体在将当前语句与问答语料数据库匹配后可以获取匹配结果,并在确定出当前语句与问答语料数据库不匹配的情况下,对上述当前语句进行词向量的提取。而后,将所提取出的当前语句的词向量输入上述意图分类模型,以便于该意图分类模型可以对当前语句的意图进行分类,得到当前语句的意图分类。
在本实施的一些可选的实现方式中,若上述问答语料数据库中存在与当前语句匹配的问答对,即若确定出当前语句可以与问答语料数据库中的问答对相匹配,上述执行主体可以直接将与当前语句匹配的问答对的中答案确定为该当前语句的答句,并向用户输出该答句。
作为一种示例,可以对大量预设的样本语句进行统计分析,确定出各样本语句的词向量和意图分类,从而制定出存储有样本语句的词向量和意图分类的对应关系表,并将该表作为上述意图分类模型。
作为另一种示例,执行主体可以利用机器学习的方法训练样本对现有的机器学习模型(例如各种卷积神经网络等)进行训练得到意图分类模型。具体训练步骤如下:
第一步,获取训练样本集。这里,训练样本集可以包括多个训练样本,每个训练样本可以包括样本语句的词向量和样本语句的意图分类。
第二步,确定初始卷积神经网络的网络结构。例如,需要确定初始卷积神经网络包括哪些层,各层的层数,层与层之间的连接顺序关系,以及每层的激活函数等等。作为示例,上述初始卷积神经网络可以包括2卷积层、2下采样层和1全连接层,激活函数选用Relu(Rectified Linear Unit,线性整流函数)或Relu的变种函数等。然后,可以确定初始化初始卷积神经网络的网络参数。实践中,可以将卷积神经网络的各个网络参数(例如,权值参数和偏置参数)用一些不同的小随机数进行初始化。
第三步,将训练样本集中的训练样本中的样本语句的词向量和样本语句的意图分类分别作为初始卷积神经网络的输入和期望输出,对该初始卷积神经网络进行训练,得到训练后的初始卷积神经网络。
这里,可以采用各种实现方式基于所输出的意图分类与该训练样本中的意图分类之间的差异更新优化初始神经网络的网络参数。例如,SGD(Stochastic GradientDescent,随机梯度下降)算法来更新优化初始神经网络的网络参数。当然,这里还可以采用其他的方式更新优化初始神经网络的网络参数,例如,还可以采用BP(Back Propagation,反向传播)算法来更新优化初始神经网络的网络参数。第四步,将训练后的初始卷积神经网络确定为上述意图分类模型。
步骤203,确定问答语料数据库中与所得到的意图分类对应的问答对和当前语句之间的内容相关程度,从问答语料数据库获取第一预设数目的第一问答对。
在本实施例中,基于步骤202得到的当前语句的意图分类,上述执行主体可以在上述问答语料数据库中确定出与当前语句的意图分类对应的问答对,所确定出的问答对与当前语句属于同一意图分类。而后,上述执行主体可以通过各种手段计算所确定出的问答对与当前语句之前的内容相关程度。作为示例,可以采用余弦算法计算所确定出的问答对与当前语句之间的内容相关程度。最后,上述执行主体可以对比所计算出的各内容相关程度,并从问答语料数据库中确定出第一预设数目的第一问答对。这里,第一问答对与当前语句之间内容相关程度大于问答语料数据库中其余问答对与当前语句之间的内容相关程度。可选的,上述执行主体还可以将问答语料数据库中与当前语句的内容相关程度均大于预设阈值的问答对确定为第一问答对。
在本实施例的一些可选的实现方式中,上述执行主体在从问答语料数据库中确定与所得到的意图分类对应的问答对之后,可以利用词频-逆向词频算法(TF-IDF)计算当前语句与所确定出的问答对之间的内容相关程度。而后,上述执行主体可以按照内容相关程度从大到小或从小到大的顺序将所确定出的问答对进行排序得到问答对序列,并从排序后的问答对序列中按照与当前语句的内容相关从大到小的顺序选取第一预设数目的问答对。最后,上述执行主体可以将选取出的问答对确定为第一问答对。可以理解的是,第一问答对是问答语料数据库中意图分类与当前语句相同、且与当前语句相似程度较大的问答对。
步骤204,基于当前语句与第一预设数目的第一问答对的问题和/或答案的语义相似度,输出当前语句的答句。
在本实施例中,基于步骤确定出的第一预设数目的第一问答对,上述执行主体可以通过各种手段计算当前语句与各第一问答对的问题和/或答案的语义相似度。作为示例,可以通过词语在WordNet等语义词典中由上下位关系所构成的最短路径来计算当前语句与各第一问答对中的问题和/或答案的语义相似度。而后,从中个第一问答对中确定出与最大语义相似度对应的第一问答对,并将该第一问答对的答案作为当前语句的答句输出。
在本实施例的一些可选的实现方式中,上述步骤204可以包括如下步骤:确定当前语句与第一预设数目的第一问答对中的问题和/或答案的语义相似度;而后响应于确定出所确定的最大语义相似度大于第一预设阈值,则可以确定与最大语义相似度对应的第一问答对与当前语句匹配;最后,基于所确定的第一问答对可以生成并输出当前语句的答句。可以理解的是,若确定出当前语句与第一问答对中的问题和/或答案的语义相似度小于或等于第一预设阈值,则可以确定第一问答对的问题和/或答案与当前语句的语义相似度较小,此时,上述执行主体可以采用其它的方式获取当前语句的答句。
在本实施例的一些可选的实现方式中,可以预先训练问题语义匹配模型和/或答案语义匹配模型。上述执行主体可以将当前语句和各第一问答对的问题输入问题语义匹配模型,问题语义匹配模型可以输出各第一问答对的问题与当前语句的语义相似度。进一步地,问题语义匹配模型还可以将各第一问答对按照语义相似度进行排序输出。同样地,上述执行主体可以将当前语句和各第一问答对的答案输入答案语义匹配模型,答案语义匹配模型可以输出各第一问答对的答案与当前语句的语义相似度。进一步地,答案语义匹配模型还可以将各第一问答对按照语义相似度进行排序输出。
这里,可以利用样本训练深度网络的语义模型(Deep Structured SemanticModels,DSSM),可以得到上述问题语义匹配模型。深度网络的语义模型是一种基于深度学习的算法,可以用DNN(深度神经网络算法)把样本当前语句和样本问答对的问句表达为低纬语义向量,并通过余弦距离来计算两个语义向量的距离,最终训练出问题语义相似度模型。该模型可以用来预测两个句子的语义相似度,因此该模型可以预测当前语句与第一问答对的问题之间的语义相似度。进一步地,还可以通过结合上述深度网络的语义模型和文档列表方法(listwise)来训练问题语义匹配模型,此时训练得到的问题语义匹配模型还可以用于对输入的各第一问答对进行排序。另外,可以利用训练样本对LSTM(Long Short-Term Memory)算法模型进行训练,得到上述答案语义匹配模型。该模型可以预测当前语句与第一问答对的答案之间的语义相似度。可以理解的是,上述问题语义匹配模型的训练方法和答案语义匹配模型的训练方法并不是唯一的,还可以通过其它方式训练得到的上述问题语义匹配模型和答案语义匹配模型。
本申请的上述实施例提供的人机智能问答的方法,接收用户输入的当前语句,将该当前语句与预设的问答语料数据库匹配,并在确定出当前语句与问答语料数据库不匹配时,将当前语句的词向量输入预先训练的意图分类模型得到当前语句的意图分类,而后确定与所得到的意图分类对应的问答对和当前语句之间的内容相关程度,从问答语料数据库中获取第一预设数目的问答对,最后基于当前语句与各第一问答对的问题和/或答案的语义相似度输出当前语句的答句,从而可以提高输出的当前语句的答句的准确性。
进一步参考图3,其示出了人机智能问答的方法的另一个实施例的流程300。该人机智能问答的方法的流程300,包括以下步骤:
步骤301,接收用户输入的当前语句,将当前语句与预设的问答语料数据库匹配。
在本实施例中,人机智能问答的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行人机智能问答的终端接收用户输入的当前语句。而后,将所获取的当前语句与预设的问答语料数据库进行匹配。可以理解的是,该问答语料数据库可以预先存储在上述执行主体内,且问答语料数据库中可以包含多个问答对。其中,每个问答对可以包括问题和与问题对应的答案。
步骤302,响应于确定出当前语句与问答语料数据库不匹配,将当前语句的词向量输入预先训练的意图分类模型得到当前语句的意图分类。
在本实施例中,上述执行主体(例如图1所示的服务器)可以获取预先训练的意图分类模型,该意图分类模型可以用于表征语句与意图分类之间的对应关系。其中,意图分类可以理解为对语句所要达到目的的分类。例如,语句“白条分期手续费怎么计算”目的是确定白条分期的手续费,对应的意图分类可以为白条分期;语句“这个手机的机身是金属材质的吗”目的是确定产品的材质,对应的意图分类可以为产品质量。上述执行主体在将当前语句与问答语料数据库匹配后可以获取匹配结果,并在确定出当前语句与问答语料数据库不匹配的情况下,对上述当前语句进行词向量的提取。而后,将所提取出的当前语句的词向量输入上述意图分类模型,以便于该意图分类模型可以对当前语句的意图进行分类,得到当前语句的意图分类。
步骤303,确定问答语料数据库中与所得到的意图分类对应的问答对和当前语句之间的内容相关程度,从问答语料数据库获取第一预设数目的第一问答对。
在本实施例中,基于步骤302得到的当前语句的意图分类,上述执行主体可以在上述问答语料数据库中确定出与当前语句的意图分类对应的问答对,所确定出的问答对与当前语句属于同一意图分类。而后,上述执行主体可以通过各种手段计算所确定出的问答对与当前语句之前的内容相关程度。作为示例,可以采用余弦算法计算所确定出的问答对与当前语句之间的内容相关程度。最后,上述执行主体可以对比所计算出的各内容相关程度,并从问答语料数据库中确定出第一预设数目的第一问答对。这里,第一问答对与当前语句之间内容相关程度大于问答语料数据库中其余问答对与当前语句之间的内容相关程度。可选的,上述执行主体还可以将问答语料数据库中与当前语句的内容相关程度均大于预设阈值的问答对确定为第一问答对。
步骤304,确定当前语句与第一预设数目的第一问答对中的问题的语义相似度。
在本实施例中,基于步骤303获取的第一预设数目的第一问答对,上述执行主体可以利用例如WordNet语义词典等各种手段确定出当前语句与第一预设数目的第一问答对中的各第一问答对的问题的语义相似度。
步骤305,响应于确定出所确定的问题的最大语义相似度小于或等于第二预设阈值,确定当前语句与第一预设数目的第一问答对中的答案的语义相似度。
在本实施例中,基于步骤304确定的当前语句与各第一问答对的问题的语义相似度,上述执行主体可以判断各第一问答对的问题与当前语句的最大语义相似度是否大于第二预设阈值。若上述执行主体确定出各第一问答对的问题与当前语句的语义相似度均小于等于第二预设阈值,则可以确定各第一问答对的问题与当前语句的语义相似度均较小。此时,上述执行主体可以继续计算当前语句与各第一问答对的答案的语义相似度,以便于确定各第一问答对的答案中是否存在与当前语句语义相似度较大的第一问答对的答案。
可以理解的是,若上述执行主体确定出各第一问答对的问题中与当前语句的最大问题语义相似度大于第二预设阈值,则可以将与当前语句的问题语义相似度最大的问题确定为与该当前语句问题语义匹配的问题。此时,上述执行主体可以获取所确定的问题的第一问答对,并将该第一问答对的答案确定为当前语句的答句并输出。
步骤306,响应于确定出所确定的答案的最大语义相似度大于第三预设阈值,将与所确定的答案的最大语义相似度对应的答案确定为当前语句的答句,输出所确定的答句。
在本实施例中,若上述执行主体确定出各第一问答对的答案中存在与当前语句的最大相似度大于第三预设阈值的第一问答对的答案,则可以确定各第一问答对的答案中存在与当前语句语义相似度较大的第一问答对的答案。此时,上述执行主体可以将与所确定的答案的最大语义相似度对应的答案确定为当前语句的答句。而后,上述执行主体可以输出所确定出的答句。
在本实施例的一些可选的实现方式中,若上述执行主体确定出各第一问答对的答案与当前语句的语义相似度均小于或等于第三预设阈值,则可以确定出各第一问答对的答案与当前语句的语义相似度均较小。此时,上述执行主体可以采用其它的方式继续输出当前语句的答句,以便于确定执行主体始终有当前语句的答句反馈给用户。
作为示例,上述执行主体可以重新设置上述第二预设阈值和/或第三预设阈值,使得该执行主体可以获取第二预设数目的第一问答对。而后,上述执行主体可以确定所获取的第二数目的第一问答对的意图分类,并从问答语料数据库中选取与所确定的意图分类对应的问答对。可以理解的是,所选取出的问答对可以为其所属意图分类中被选取概率最大的问答对。然后,上述执行主体可以将所选取出的问答对的问题进行组合,生成并向用户发送提示信息。该提示信息可以用于提示用户从所选取的问答对的问题中确定出与当前语句相似度最大的问题。最后,上述执行主体可以将用户所确定问题的答案确定为用户输入的当前语句的答句。
从图3中可以看出,与图2对应的实施例相比,本实施例中的人机智能问答的方法的流程300突出了基于当前语句与第一预设数目的第一问答对的问题和/或答案的语义相似度输出当前语句的答句的步骤。由此,本实施例描述的方案可以依次判断当前语句与第一问答对的问题和答案的语义相似度,从而提进一步提高了人机智能问答的准确性。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种人机智能问答的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的人机智能问答的装置400包括:匹配单元401、输入单元402、获取单元403和输出单元404。其中,匹配单元401被配置成接收用户输入的当前语句,将当前语句与预设的问答语料数据库匹配;输入单元402被配置成响应于确定出当前语句与问答语料数据库不匹配,将当前语句的词向量输入预先训练的意图分类模型得到当前语句的意图分类,其中,意图分类模型用于表征语句与意图分类之间的对应关系;获取单元403被配置成确定问答语料数据库中与所得到的意图分类对应的问答对和当前语句之间的内容相关程度,从问答语料数据库获取第一预设数目的第一问答对,其中,第一问答对与当前语句之间的内容相关程度大于问答语料数据库中其余问答对与当前语句之间的内容相关程度;输出单元404被配置成基于当前语句与第一预设数目的第一问答对的问题和/或答案的语义相似度,输出当前语句的答句。
在本实施例的一些可选的实现方式中,获取单元403进一步被配置成:从问答语料数据库中确定与所得到的意图分类对应的问答对;基于词频-逆向词频算法确定当前语句与所确定出的问答对之间的内容相关程度;基于内容相关程度对所确定出的问答对排序,按照内容相关程度从大到小的顺序从排序后的问答对序列中选取出第一预设数目的问答对;将选取的问答对确定为第一问答对。
在本实施例的一些可选的实现方式中,输出单元404进一步被配置成:确定当前语句与第一预设数目的第一问答对中的问题和/或答案的语义相似度;响应于确定出所确定的最大语义相似度大于第一预设阈值,确定与最大语义相似度对应的第一问答对与当前语句匹配;基于确定的第一问答对,生成并输出当前语句的答句。
在本实施例的一些可选的实现方式中,输出单元404进一步被配置成:确定当前语句与第一预设数目的第一问答对中的问题的语义相似度;响应于确定出所确定的问题的最大语义相似度小于或等于第二预设阈值,确定当前语句与第一预设数目的第一问答对中的答案的语义相似度;响应于确定出所确定的答案的最大语义相似度大于第三预设阈值,将与所确定的答案的最大语义相似度对应的答案确定为当前语句的答句,输出所确定的答句。
在本实施例的一些可选的实现方式中,装置还包括答句确定单元,被配置成:响应于确定出所确定的答案的最大语义相似度小于或等于第三预设阈值,重新设置第二预设阈值和/或第三预设阈值以获取第二预设数目的第一问答对;确定所获取的第二预设数目的第一问答对的意图分类,从问答语料数据库中选取与所确定的意图分类对应的问答对;向用户发送提示信息,以提示用户从所选取的问答对的问题中确定出与当前语句相似度最大的问题;将与用户确定的问题对应的答案确定为当前语句的答句。
在本实施例的一些可选的实现方式中,意图分类模型是通过如下步骤训练得到的:获取训练样本集,其中,训练样本包括样本语句的词向量和样本语句的意图分类;确定初始卷积神经网络结构以及初始化初始卷积神经网络的网络参数;将训练样本集中的训练样本中的样本语句的词向量和样本语句的意图分类分别作为初始卷积神经网络的输入和期望输出,采用随机梯度下降法更新初始卷积神经网络中的网络参数,得到训练后的初始卷积神经网络;将训练后的初始卷积神经网络确定为意图分类模型。
装置400中记载的诸单元与参考图2和图3描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本申请实施例的电子设备(例如,图1所示的服务器或终端设备)的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机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。而在本申请中,计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。计算机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、电线、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或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括匹配单元、输入单元、获取单元和输出单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,接收单元还可以被描述为“接收用户输入的当前语句,将当前语句与预设的问答语料数据库匹配的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:接收用户输入的当前语句,将当前语句与预设的问答语料数据库匹配;响应于确定出当前语句与问答语料数据库不匹配,将当前语句的词向量输入预先训练的意图分类模型得到当前语句的意图分类,其中,意图分类模型用于表征语句与意图分类之间的对应关系;确定问答语料数据库中与所得到的意图分类对应的问答对和当前语句之间的内容相关程度,从问答语料数据库获取第一预设数目的第一问答对,其中,第一问答对与当前语句之间的内容相关程度大于问答语料数据库中其余问答对与当前语句之间的内容相关程度;基于当前语句与第一预设数目的第一问答对的问题和/或答案的语义相似度,输出当前语句的答句。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种人机智能问答的方法,包括:
接收用户输入的当前语句,将所述当前语句与预设的问答语料数据库进行完全匹配;
响应于确定出所述当前语句与所述问答语料数据库不匹配,将所述当前语句的词向量输入预先训练的意图分类模型得到所述当前语句的意图分类,其中,所述意图分类模型用于表征语句与意图分类之间的对应关系;
确定所述问答语料数据库中与所得到的意图分类对应的问答对和所述当前语句之间的内容相关程度,从所述问答语料数据库获取第一预设数目的第一问答对,其中,所述第一问答对与所述当前语句之间的内容相关程度大于所述问答语料数据库中其余问答对与所述当前语句之间的内容相关程度;
基于所述当前语句与所述第一预设数目的第一问答对的问题和/或答案的语义相似度,输出所述当前语句的答句;
其中,所述基于所述当前语句与所述第一预设数目的第一问答对的问题和/或答案的语义相似度,输出所述当前语句的答句,包括:
确定所述当前语句与所述第一预设数目的第一问答对中的问题的语义相似度;响应于确定出所确定的问题的最大语义相似度小于或等于第二预设阈值,确定所述当前语句与所述第一预设数目的第一问答对中的答案的语义相似度;响应于确定出所确定的答案的最大语义相似度小于或等于第三预设阈值,重新设置所述第二预设阈值和/或所述第三预设阈值以获取第二预设数目的第一问答对;确定所获取的第二预设数目的第一问答对的意图分类,从所述问答语料数据库中选取与所确定的意图分类对应的问答对;向用户发送提示信息,以提示所述用户从所选取的问答对的问题中确定出与所述当前语句相似度最大的问题;将与所述用户确定的问题对应的答案确定为所述当前语句的答句。
2.根据权利要求1所述的方法,其中,所述确定所述问答语料数据库中与所得到的意图分类对应的问答对和所述当前语句之间的内容相关程度,从所述问答语料数据库获取第一预设数目的第一问答对,包括:
从所述问答语料数据库中确定与所得到的意图分类对应的问答对;
基于词频-逆向词频算法确定所述当前语句与所确定出的问答对之间的内容相关程度;
基于所述内容相关程度对所确定出的问答对排序,按照所述内容相关程度从大到小的顺序从排序后的问答对序列中选取出第一预设数目的问答对;
将所述选取的问答对确定为所述第一问答对。
3.根据权利要求1所述的方法,其中,所述基于所述当前语句与所述第一预设数目的第一问答对的问题和/或答案的语义相似度,输出所述当前语句的答句,包括:
确定所述当前语句与所述第一预设数目的第一问答对中的问题和/或答案的语义相似度;
响应于确定出所确定的最大语义相似度大于第一预设阈值,确定与所述最大语义相似度对应的第一问答对与所述当前语句匹配;
基于所述确定的第一问答对,生成并输出所述当前语句的答句。
4.根据权利要求1所述的方法,其中,所述基于所述当前语句与所述第一预设数目的第一问答对的问题和/或答案的语义相似度,输出所述当前语句的答句,包括:
响应于确定出所确定的答案的最大语义相似度大于第三预设阈值,将与所确定的答案的最大语义相似度对应的答案确定为所述当前语句的答句,输出所确定的答句。
5.根据权利要求1-4之一所述的方法,其中,所述意图分类模型是通过如下步骤训练得到的:
获取训练样本集,其中,训练样本包括样本语句的词向量和样本语句的意图分类;
确定初始卷积神经网络结构以及初始化所述初始卷积神经网络的网络参数;
将所述训练样本集中的训练样本中的样本语句的词向量和样本语句的意图分类分别作为所述初始卷积神经网络的输入和期望输出,采用随机梯度下降法更新所述初始卷积神经网络中的网络参数,得到训练后的初始卷积神经网络;
将训练后的初始卷积神经网络确定为所述意图分类模型。
6.一种人机智能问答的装置,包括:
匹配单元,被配置成接收用户输入的当前语句,将所述当前语句与预设的问答语料数据库匹配;
输入单元,被配置成响应于确定出所述当前语句与所述问答语料数据库不匹配,将所述当前语句的词向量输入预先训练的意图分类模型得到所述当前语句的意图分类,其中,所述意图分类模型用于表征语句与意图分类之间的对应关系;
获取单元,被配置成确定所述问答语料数据库中与所得到的意图分类对应的问答对和所述当前语句之间的内容相关程度,从所述问答语料数据库获取第一预设数目的第一问答对,其中,所述第一问答对与所述当前语句之间的内容相关程度大于所述问答语料数据库中其余问答对与所述当前语句之间的内容相关程度;
输出单元,被配置成基于所述当前语句与所述第一预设数目的第一问答对的问题和/或答案的语义相似度,输出所述当前语句的答句;
其中,所述输出单元进一步被配置成:确定所述当前语句与所述第一预设数目的第一问答对中的问题的语义相似度;响应于确定出所确定的问题的最大语义相似度小于或等于第二预设阈值,确定所述当前语句与所述第一预设数目的第一问答对中的答案的语义相似度;
所述装置还包括答句确定单元,被配置成:响应于确定出所确定的答案的最大语义相似度小于或等于第三预设阈值,重新设置所述第二预设阈值和/或所述第三预设阈值以获取第二预设数目的第一问答对;确定所获取的第二预设数目的第一问答对的意图分类,从所述问答语料数据库中选取与所确定的意图分类对应的问答对;向用户发送提示信息,以提示所述用户从所选取的问答对的问题中确定出与所述当前语句相似度最大的问题;将与所述用户确定的问题对应的答案确定为所述当前语句的答句。
7.根据权利要求6所述的装置,其中,所述获取单元进一步被配置成:
从所述问答语料数据库中确定与所得到的意图分类对应的问答对;
基于词频-逆向词频算法确定所述当前语句与所确定出的问答对之间的内容相关程度;
基于所述内容相关程度对所确定出的问答对排序,按照所述内容相关程度从大到小的顺序从排序后的问答对序列中选取出第一预设数目的问答对;
将所述选取的问答对确定为所述第一问答对。
8.根据权利要求6所述的装置,其中,所述输出单元进一步被配置成:
确定所述当前语句与所述第一预设数目的第一问答对中的问题和/或答案的语义相似度;
响应于确定出所确定的最大语义相似度大于第一预设阈值,确定与所述最大语义相似度对应的第一问答对与所述当前语句匹配;
基于所述确定的第一问答对,生成并输出所述当前语句的答句。
9.根据权利要求6所述的装置,其中,所述输出单元进一步被配置成:
响应于确定出所确定的答案的最大语义相似度大于第三预设阈值,将与所确定的答案的最大语义相似度对应的答案确定为所述当前语句的答句,输出所确定的答句。
10.根据权利要求6-9之一所述的装置,其中,所述意图分类模型是通过如下步骤训练得到的:
获取训练样本集,其中,训练样本包括样本语句的词向量和样本语句的意图分类;
确定初始卷积神经网络结构以及初始化所述初始卷积神经网络的网络参数;
将所述训练样本集中的训练样本中的样本语句的词向量和样本语句的意图分类分别作为所述初始卷积神经网络的输入和期望输出,采用随机梯度下降法更新所述初始卷积神经网络中的网络参数,得到训练后的初始卷积神经网络;
将训练后的初始卷积神经网络确定为所述意图分类模型。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910022221.1A CN111428010B (zh) | 2019-01-10 | 2019-01-10 | 人机智能问答的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910022221.1A CN111428010B (zh) | 2019-01-10 | 2019-01-10 | 人机智能问答的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428010A CN111428010A (zh) | 2020-07-17 |
CN111428010B true CN111428010B (zh) | 2024-01-12 |
Family
ID=71546114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910022221.1A Active CN111428010B (zh) | 2019-01-10 | 2019-01-10 | 人机智能问答的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428010B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111858899B (zh) * | 2020-07-31 | 2023-09-15 | 中国工商银行股份有限公司 | 语句处理方法、装置、系统和介质 |
CN111985249A (zh) * | 2020-09-03 | 2020-11-24 | 贝壳技术有限公司 | 语义分析方法、装置、计算机可读存储介质及电子设备 |
CN112052324A (zh) * | 2020-09-15 | 2020-12-08 | 平安医疗健康管理股份有限公司 | 智能问答的方法、装置和计算机设备 |
CN112395390B (zh) * | 2020-11-17 | 2023-07-25 | 平安科技(深圳)有限公司 | 意图识别模型的训练语料生成方法及其相关设备 |
CN112417127B (zh) * | 2020-12-02 | 2023-08-22 | 网易(杭州)网络有限公司 | 对话模型的训练、对话生成方法、装置、设备及介质 |
CN113761145A (zh) * | 2020-12-11 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 语言模型训练方法、语言处理方法和电子设备 |
CN113553412B (zh) * | 2021-06-30 | 2023-07-25 | 北京百度网讯科技有限公司 | 问答处理方法、装置、电子设备和存储介质 |
CN113792125B (zh) * | 2021-08-25 | 2024-04-02 | 北京库睿科技有限公司 | 基于文本相关性和用户意图的智能检索排序方法和装置 |
CN113722465B (zh) * | 2021-11-02 | 2022-01-21 | 北京卓建智菡科技有限公司 | 一种意图识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107305575A (zh) * | 2016-04-25 | 2017-10-31 | 北京京东尚科信息技术有限公司 | 人机智能问答系统的断句识别方法和装置 |
CN107315731A (zh) * | 2016-04-27 | 2017-11-03 | 北京京东尚科信息技术有限公司 | 文本相似度计算方法 |
CN107977415A (zh) * | 2017-11-22 | 2018-05-01 | 北京寻领科技有限公司 | 自动问答方法及装置 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10275515B2 (en) * | 2017-02-21 | 2019-04-30 | International Business Machines Corporation | Question-answer pair generation |
-
2019
- 2019-01-10 CN CN201910022221.1A patent/CN111428010B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107305575A (zh) * | 2016-04-25 | 2017-10-31 | 北京京东尚科信息技术有限公司 | 人机智能问答系统的断句识别方法和装置 |
CN107315731A (zh) * | 2016-04-27 | 2017-11-03 | 北京京东尚科信息技术有限公司 | 文本相似度计算方法 |
CN107977415A (zh) * | 2017-11-22 | 2018-05-01 | 北京寻领科技有限公司 | 自动问答方法及装置 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111428010A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428010B (zh) | 人机智能问答的方法和装置 | |
US10824874B2 (en) | Method and apparatus for processing video | |
CN107241260B (zh) | 基于人工智能的新闻推送的方法和装置 | |
US10853421B2 (en) | Segmented sentence recognition method and device for human-machine intelligent question answer system | |
CN109543058B (zh) | 用于检测图像的方法、电子设备和计算机可读介质 | |
EP3872652B1 (en) | Method and apparatus for processing video, electronic device, medium and product | |
CN109858045B (zh) | 机器翻译方法和装置 | |
CN109766418B (zh) | 用于输出信息的方法和装置 | |
CN109582825B (zh) | 用于生成信息的方法和装置 | |
CN108268450B (zh) | 用于生成信息的方法和装置 | |
CN112530408A (zh) | 用于识别语音的方法、装置、电子设备和介质 | |
US11238050B2 (en) | Method and apparatus for determining response for user input data, and medium | |
CN109190123B (zh) | 用于输出信息的方法和装置 | |
CN111666416A (zh) | 用于生成语义匹配模型的方法和装置 | |
WO2020052061A1 (zh) | 用于处理信息的方法和装置 | |
CN107766498B (zh) | 用于生成信息的方法和装置 | |
CN111368551A (zh) | 一种确定事件主体的方法和装置 | |
CN112532507B (zh) | 用于呈现表情图像、用于发送表情图像的方法和设备 | |
CN111444321B (zh) | 问答方法、装置、电子设备和存储介质 | |
CN114817478A (zh) | 基于文本的问答方法、装置、计算机设备及存储介质 | |
CN112182255A (zh) | 用于存储媒体文件和用于检索媒体文件的方法和装置 | |
CN110738056B (zh) | 用于生成信息的方法和装置 | |
CN112307738A (zh) | 用于处理文本的方法和装置 | |
CN112633004A (zh) | 文本标点符号删除方法、装置、电子设备和存储介质 | |
CN109710939B (zh) | 用于确定主题的方法和装置 |
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: 20210519 Address after: 100176 room 1004, 10th floor, building 1, 18 Kechuang 11th Street, economic and Technological Development Zone, Daxing District, Beijing Applicant after: Beijing Huijun Technology Co.,Ltd. Address before: 100086 8th Floor, 76 Zhichun Road, Haidian District, Beijing Applicant before: BEIJING JINGDONG SHANGKE INFORMATION TECHNOLOGY Co.,Ltd. Applicant before: BEIJING JINGDONG CENTURY TRADING Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |