CN111538816A - 基于ai识别的问答方法、装置、电子设备及介质 - Google Patents

基于ai识别的问答方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN111538816A
CN111538816A CN202010654216.5A CN202010654216A CN111538816A CN 111538816 A CN111538816 A CN 111538816A CN 202010654216 A CN202010654216 A CN 202010654216A CN 111538816 A CN111538816 A CN 111538816A
Authority
CN
China
Prior art keywords
question
request
event
target
determining
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
Application number
CN202010654216.5A
Other languages
English (en)
Other versions
CN111538816B (zh
Inventor
谢攀
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.)
Ping An International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City 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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202010654216.5A priority Critical patent/CN111538816B/zh
Publication of CN111538816A publication Critical patent/CN111538816A/zh
Application granted granted Critical
Publication of CN111538816B publication Critical patent/CN111538816B/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
    • G06F16/30—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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能，应用于智慧政务领域中，一种基于AI识别的问答方法。该方法提取请求问句，并确定目标人物，识别请求问句中的当前事件，并确定与当前事件的关联度大于预设阈值的第一服务事项，确定与请求问句对应的第二服务事项，集合第一服务事项及第二服务事项，得到事项集合，当检测到在预设时间内接收到目标人物发出的问答指令时，获取与问答指令对应的发生事件，当发生事件不属于事项集合，及事项集合中存在多个服务事项时，生成反问句，及生成与反问句对应的多个选项，当检测到任意选项被触发时，识别请求问句中的目标意图，根据任意选项对应的服务事项及目标意图生成回复语句，本申请还涉及区块链技术，回复语句可存储于区块链中。

Description

基于AI识别的问答方法、装置、电子设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于AI识别的问答方法、装置、电子设备及介质。
背景技术
问答系统（Question Answering System，QA）是信息检索领域中的一种高级形式。它能采用简洁的自然语言回答用户提出的问题。
然而，目前的问答系统存在以下两个问题，其一，现有的问答系统针对缺乏连贯性的问句很能给出有效的答案；其二，现有的问答系统无法对用户提出的问题进行一定范围的扩展，导致扩展性较差。
发明内容
鉴于以上内容，有必要提供一种基于AI识别的问答方法、装置、电子设备及介质，不仅能够准确地确定缺乏连贯性的问句中的服务事项，以便能有效准确地生成不具有连贯性问句的答案，还能够在不确定所述请求问句对应的具体服务事项时，生成相应的反问句，以提高所述回复语句的准确度。
一种基于AI识别的问答方法，所述基于AI识别的问答方法包括：
当接收到问答请求时，从所述问答请求中提取请求问句，并确定发出所述问答请求的目标人物；
识别所述请求问句中的当前事件，并利用预先构建的事理图谱确定与所述当前事件的关联度大于预设阈值的第一服务事项；
利用语义匹配技术确定与所述请求问句对应的第二服务事项，并集合所述第一服务事项及所述第二服务事项，得到事项集合；
检测在预设时间内是否接收到所述目标人物发出的问答指令；
当检测到在所述预设时间内接收到所述目标人物发出的问答指令时，获取与所述问答指令对应的发生事件；
检测所述发生事件是否属于所述事项集合；
当所述发生事件不属于所述事项集合，及所述事项集合中存在多个服务事项时，生成反问句，及生成与所述反问句对应的多个选项，每个选项对应一个服务事项；
当检测到任意选项被触发时，调用预先训练的意图识别模型识别所述请求问句中的目标意图；
根据所述任意选项对应的服务事项及所述目标意图生成所述请求问句的回复语句。
根据本发明优选实施例，所述确定发出所述问答请求的目标人物包括：
解析所述问答请求的报文头，得到所述问答请求的发起地址；
根据所述发起地址确定发出所述问答请求的终端，并确定所述问答请求的发送时间；
查询所述终端上的登录日志，并从所述登录日志上搜寻登录时间处于所述发送时间的账号；
根据所述账号确定发出所述问答请求的目标人物。
根据本发明优选实施例，所述识别所述请求问句中的当前事件包括：
将所述请求问句中的每个字转换为字向量，得到与所述请求问句对应的字向量序列；
利用双向长短期记忆网络对所述字向量序列进行特征抽取，得到所述正向长短期记忆网络中每个字对应的第一特征向量，及所述反向长短期记忆网络中每个字对应的第二特征向量；
拼接所述第一特征向量及所述第二特征向量，得到每个字对应的目标向量；
将每个目标向量乘以预设权重矩阵，并加上预设偏置值，得到每个字的分数向量，所述分数向量中的每个元素表征每个字对应标签的分数；
对于每个分数向量，将分数最高的元素对应的标签确定为每个字的目标标签，得到所述请求问句中的多个目标标签；
检测所述多个目标标签中是否包含事件标签；
当检测到所述多个目标标签中没有包含所述事件标签时，确定所述请求问句中没有包含所述当前事件；
当检测到所述多个目标标签中包含所述事件标签时，将与所述事件标签对应的字确定为所述当前事件。
根据本发明优选实施例，在利用预先构建的事理图谱确定与所述当前事件的关联度大于预设阈值的第一服务事项之前，所述方法还包括：
利用网络爬虫技术获取多个事件文本；
从知识库中确定多个目标事件，基于二分类技术从所述多个事件文本中确定与所述多个目标事件相关联的目标事件文本；
从所述目标事件文本中抽取原始事件，并分析所述原始事件与所述多个目标事件的关联度；
基于所述多个目标事件、所述原始事件及所述关联度生成所述事理图谱。
根据本发明优选实施例，所述利用语义匹配技术确定与所述请求问句对应的第二服务事项包括：
利用GloVe词向量技术将所述请求问句转换为词向量；
获取第一配置库中的多个事件向量；
基于距离公式，计算所述词向量与所述多个事件向量的相似度，并从所述多个相似度中确定最高相似度；
将最高相似度对应的事件确定为所述第二服务事项。
根据本发明优选实施例，在调用预先训练的意图识别模型识别所述请求问句中的意图之前，所述方法还包括：
获取训练数据集，并将所述训练数据集中的数据划分为训练数据及验证数据，每个训练数据包括训练语句及所述训练语句对应的意图；
根据所述训练语句及所述意图确定意图模板语句；
训练所述意图及所述意图模板语句，得到学习器；
利用所述验证数据对所述学习器进行微调，得到所述意图识别模型。
根据本发明优选实施例，所述根据所述任意选项对应的服务事项及所述目标意图生成所述请求问句的回复语句包括：
从预先构建的知识图谱中确定出同时与所述服务事项及所述目标意图对应的信息，作为所述请求问句的答案；
确定所述服务事项所属的领域，并根据所述领域从第二配置库中确定回答模板；
将所述答案填充至所述回答模板中的空格位置上，得到所述回复语句。
一种基于AI识别的问答装置，所述基于AI识别的问答装置包括：
确定单元，用于当接收到问答请求时，从所述问答请求中提取请求问句，并确定发出所述问答请求的目标人物；
所述确定单元，还用于识别所述请求问句中的当前事件，并利用预先构建的事理图谱确定与所述当前事件的关联度大于预设阈值的第一服务事项；
集合单元，用于利用语义匹配技术确定与所述请求问句对应的第二服务事项，并集合所述第一服务事项及所述第二服务事项，得到事项集合；
检测单元，用于检测在预设时间内是否接收到所述目标人物发出的问答指令；
获取单元，用于当检测到在所述预设时间内接收到所述目标人物发出的问答指令时，获取与所述问答指令对应的发生事件；
所述检测单元，还用于检测所述发生事件是否属于所述事项集合；
生成单元，用于当所述发生事件不属于所述事项集合，及所述事项集合中存在多个服务事项时，生成反问句，及生成与所述反问句对应的多个选项，每个选项对应一个服务事项；
识别单元，用于当检测到任意选项被触发时，调用预先训练的意图识别模型识别所述请求问句中的目标意图；
所述生成单元，还用于根据所述任意选项对应的服务事项及所述目标意图生成所述请求问句的回复语句。
一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述基于AI识别的问答方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述基于AI识别的问答方法。
由以上技术方案可以看出，本发明通过所述事理图谱能够对所述请求问句进行一定范围的扩展，提高扩展性，进而通过检测所述发生事件是否属于所述事项集合，能够准确地确定缺乏连贯性的问句中的服务事项，以便能听有效准确地生成不具有连贯性问句的答案，本发明还能够在不确定所述请求问句对应的具体服务事项时，生成相应的反问句，以提高所述回复语句的准确度。
附图说明
图1是本发明基于AI识别的问答方法的较佳实施例的流程图。
图2是本发明基于AI识别的问答装置的较佳实施例的功能模块图。
图3是本发明实现基于AI识别的问答方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明基于AI识别的问答方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
本发明属于智慧政务领域，通过本发明能够推动智慧城市的建设。所述基于AI识别的问答方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或 信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、 可编程门阵列(Field－Programmable Gate Array，FPGA)、 数字处理器(Digital Signal Processor，DSP)、 嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理（Personal Digital Assistant，PDA）、游戏机、交互式网络电视（Internet Protocol Television，IPTV）、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算（CloudComputing）的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络（Virtual Private Network，VPN）等。
S10，当接收到问答请求时，从所述问答请求中提取请求问句，并确定发出所述问答请求的目标人物。
在本发明的至少一个实施例中，所述电子设备从所述问答请求中提取请求问句包括：
所述电子设备获取预设标识，进一步地，所述电子设备从所述问答请求所携带的所有信息中提取与所述预设标识对应的信息，作为所述请求问句。
通过所述预设标识与所述请求问句的映射关系，能够准确地确定所述请求问句。
在本发明的至少一个实施例中，所述电子设备确定发出所述问答请求的目标人物包括：
所述电子设备解析所述问答请求的报文头，得到所述问答请求的发起地址，所述电子设备根据所述发起地址确定发出所述问答请求的终端，并确定所述问答请求的发送时间，所述电子设备查询所述终端上的登录日志，并从所述登录日志上搜寻登录时间处于所述发送时间的账号，所述电子设备根据所述账号确定发出所述问答请求的目标人物。
通过确定所述问答请求的发起地址，能够准确地确定所述终端，进而通过所述终端能够快速确定发出所述问答请求的目标人物。
S11，识别所述请求问句中的当前事件，并利用预先构建的事理图谱确定与所述当前事件的关联度大于预设阈值的第一服务事项。
在本发明的至少一个实施例中，所述事理图谱中的节点表示事件，所述事理图谱中的连线表示两个节点之间具有的逻辑关系，不同的连线表示两个节点之间具有的逻辑关系不同，所述逻辑关系包括因果关系、条件关系、并发关系、顺承关系等。
在本发明的至少一个实施例中，所述电子设备识别所述请求问句中的当前事件包括：
所述电子设备将所述请求问句中的每个字转换为字向量，得到与所述请求问句对应的字向量序列，所述电子设备利用双向长短期记忆网络对所述字向量序列进行特征抽取，得到所述正向长短期记忆网络中每个字对应的第一特征向量，及所述反向长短期记忆网络中每个字对应的第二特征向量，所述电子设备拼接所述第一特征向量及所述第二特征向量，得到每个字对应的目标向量，所述电子设备将每个目标向量乘以预设权重矩阵，并加上预设偏置值，得到每个字的分数向量，所述分数向量中的每个元素表征每个字对应标签的分数，对于每个分数向量，所述电子设备将分数最高的元素对应的标签确定为每个字的目标标签，得到所述请求问句中的多个目标标签，所述电子设备检测所述多个目标标签中是否包含事件标签，当检测到所述多个目标标签中没有包含所述事件标签时，所述电子设备确定所述请求问句中没有包含所述当前事件，当检测到所述多个目标标签中包含所述事件标签时，所述电子设备将与所述事件标签对应的字确定为所述当前事件。
其中，所述目标标签可以为B-PER、 E-PER、 B-ORG、I-ORG、E-ORG、B-EVE、I-EVE、E-EVE、O等，进一步地，所述事件标签包括B-EVE、I-EVE、E-EVE。
通过将分数最高的标签确定为目标标签，并通过检测所述目标标签是否包含事件标签，能够准确地确定出所述请求问句中包含的当前事件。
在本发明的至少一个实施例中，在利用预先构建的事理图谱确定与所述当前事件的关联度大于预设阈值的第一服务事项之前，所述方法还包括：
所述电子设备利用网络爬虫技术获取多个事件文本，所述电子设备从知识库中确定多个目标事件，基于二分类技术从所述多个事件文本中确定与所述多个目标事件相关联的目标事件文本，所述电子设备从所述目标事件文本中抽取原始事件，并分析所述原始事件与所述多个目标事件的关联度，进一步地，所述电子设备基于所述多个目标事件、所述原始事件及所述关联度生成所述事理图谱。
其中，所述知识库可以是政务知识库。
通过爬取多个事件文本可以确保事件文本的数量规模，进而确保所述事理图谱构建的准确性；通过二分类技术确定目标事件文本能够降低非相关事件对所述目标事件的噪声干扰。
具体地，所述电子设备从所述目标事件文本中抽取原始事件包括：
所述电子设备对所述目标事件文本进行分词，得到多个分词，进一步地，所述电子设备去除所述多个分词中的停用词，并从去除停用词后的多个分词中抽取所述原始事件。
S12，利用语义匹配技术确定与所述请求问句对应的第二服务事项，并集合所述第一服务事项及所述第二服务事项，得到事项集合。
在本发明的至少一个实施例中，所述电子设备利用语义匹配技术确定与所述请求问句对应的第二服务事项包括：
所述电子设备利用GloVe词向量技术将所述请求问句转换为词向量，所述电子设备获取第一配置库中的多个事件向量，进一步地，所述电子设备基于距离公式，计算所述词向量与所述多个事件向量的相似度，并从所述多个相似度中确定最高相似度，所述电子设备将最高相似度对应的事件确定为所述第二服务事项。
其中，所述第一配置库中存储多个服务事项与多个事件向量的映射关系，所述多个事件向量属于GloVe向量。
通过GloVe词向量技术，能够融合全局词共现矩阵分解和上下文局部窗口，进而能够使所述词向量能够快速捕捉到全局信息。
S13，检测在预设时间内是否接收到所述目标人物发出的问答指令。
在本发明的至少一个实施例中，所述预设时间可以是一个时间段，所述预设时间的起始时间可以根据业务需求设定，所述预设时间的截止时间可以是当前时间。
在本发明的至少一个实施例中，所述电子设备检测在预设时间内是否接收到所述目标人物发出的问答指令包括：
所述电子设备获取所述预设时间内接收到的所有问答指令，并获取每个问答指令发出的目标时间，进一步地，所述电子设备确定发出每个问答指令的设备，根据所述设备及所述目标时间确定每个问答指令的发出账号，所述电子设备检测所述目标人物的账号是否属于所述发出账号，当检测到所述目标人物的账号属于所述发出账号时，所述电子设备确定在所述预设时间内接收到所述目标人物发出的问答指令。
S14，当检测到在所述预设时间内接收到所述目标人物发出的问答指令时，获取与所述问答指令对应的发生事件。
在本发明的至少一个实施例中，所述电子设备获取与所述问答指令对应的发生事件包括：
所述电子设备获取与所述问答指令对应的回复信息，分析所述回复信息中的事件，并将所述事件确定为所述发生事件。
在本发明的至少一个实施例中，所述方法还包括：
当所述请求问句中没有包含所述当前事件，及在所述预设时间内接收到所述目标人物发出的问答指令时，所述电子设备将所述发生事件确定为所述当前事件。
通过上述实施方式，能够确定出本次所述问答请求未跳转出上次的问答指令，因此，能够快速确定出所述当前事件。
S15，检测所述发生事件是否属于所述事项集合。
在本发明的至少一个实施例中，所述电子设备检测所述发生事件是否属于所述事项集合包括：
所述电子设备遍历所述事项集合，并将所述发生事件与遍历到的事项进行比较，当所述发生事件与遍历到的任意事项属于同一事件时，确定所述发生事件属于所述事项集合。
S16，当所述发生事件不属于所述事项集合，及所述事项集合中存在多个服务事项时，生成反问句，及生成与所述反问句对应的多个选项，每个选项对应一个服务事项。
在本发明的至少一个实施例中，所述反问句是指对所述多个服务事项进行反问。
S17，当检测到任意选项被触发时，调用预先训练的意图识别模型识别所述请求问句中的目标意图。
在本发明的至少一个实施例中，在调用预先训练的意图识别模型识别所述请求问句中的意图之前，所述方法还包括：
所述电子设备获取训练数据集，并将所述训练数据集中的数据划分为训练数据及验证数据，每个训练数据包括训练语句及所述训练语句对应的意图，所述电子设备根据所述训练语句及所述意图确定意图模板语句，所述电子设备训练所述意图及所述意图模板语句，得到学习器，所述电子设备利用所述验证数据对所述学习器进行微调，得到所述意图识别模型。
通过训练所述意图及所述意图模板语句，能够快速确定学习器；通过验证数据对所述学习器进行调整，能够提高所述意图识别模型的识别准确度。
S18，根据所述任意选项对应的服务事项及所述目标意图生成所述请求问句的回复语句。
在本发明的至少一个实施例中，所述电子设备根据所述任意选项对应的服务事项及所述目标意图生成所述请求问句的回复语句包括：
所述电子设备从预先构建的知识图谱中确定出同时与所述服务事项及所述目标意图对应的信息，作为所述请求问句的答案，所述电子设备确定所述服务事项所属的领域，并根据所述领域从第二配置库中确定回答模板，所述电子设备将所述答案填充至所述回答模板中的空格位置上，得到所述回复语句。
其中，所述知识图谱是一个以实体、属性及关系组成的属性图。所述知识图谱的实体为所述政务知识库中的服务事项，所述知识图谱的属性为办理地址、咨询电话及网页入口等。所述电子设备构建所述知识图谱的方式与构建所述事理图谱的方式相同，本发明对此不作赘述。
进一步地，所述领域可以是政务领域，本发明对此不作限制。
在本发明的至少一个实施例中，所述方法还包括：
当所述发生事件属于所述事项集合时，所述电子设备根据所述发生事件及所述意图生成所述请求问句的回复语句。
需要强调的是，为进一步保证所述回复语句的私密和安全性，所述回复语句还可以存储于一区块链的节点中。
由以上技术方案可以看出，本发明通过所述事理图谱能够对所述请求问句进行一定范围的扩展，提高扩展性，进而通过检测所述发生事件是否属于所述事项集合，能够准确地确定缺乏连贯性的问句中的服务事项，以便能听有效准确地生成不具有连贯性问句的答案，本发明还能够在不确定所述请求问句对应的具体服务事项时，生成相应的反问句，以提高所述回复语句的准确度。
如图2所示，是本发明基于AI识别的问答装置的较佳实施例的功能模块图。所述基于AI识别的问答装置11包括确定单元110、集合单元111、检测单元112、获取单元113、生成单元114、识别单元115、分析单元116、训练单元117及调整单元118。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到问答请求时，确定单元110从所述问答请求中提取请求问句，并确定发出所述问答请求的目标人物。
在本发明的至少一个实施例中，所述确定单元110从所述问答请求中提取请求问句包括：
所述确定单元110获取预设标识，进一步地，所述确定单元110从所述问答请求所携带的所有信息中提取与所述预设标识对应的信息，作为所述请求问句。
通过所述预设标识与所述请求问句的映射关系，能够准确地确定所述请求问句。
在本发明的至少一个实施例中，所述确定单元110确定发出所述问答请求的目标人物包括：
所述确定单元110解析所述问答请求的报文头，得到所述问答请求的发起地址，所述确定单元110根据所述发起地址确定发出所述问答请求的终端，并确定所述问答请求的发送时间，所述确定单元110查询所述终端上的登录日志，并从所述登录日志上搜寻登录时间处于所述发送时间的账号，所述确定单元110根据所述账号确定发出所述问答请求的目标人物。
通过确定所述问答请求的发起地址，能够准确地确定所述终端，进而通过所述终端能够快速确定发出所述问答请求的目标人物。
所述确定单元110识别所述请求问句中的当前事件，并利用预先构建的事理图谱确定与所述当前事件的关联度大于预设阈值的第一服务事项。
在本发明的至少一个实施例中，所述事理图谱中的节点表示事件，所述事理图谱中的连线表示两个节点之间具有的逻辑关系，不同的连线表示两个节点之间具有的逻辑关系不同，所述逻辑关系包括因果关系、条件关系、并发关系、顺承关系等。
在本发明的至少一个实施例中，所述确定单元110识别所述请求问句中的当前事件包括：
所述确定单元110将所述请求问句中的每个字转换为字向量，得到与所述请求问句对应的字向量序列，所述确定单元110利用双向长短期记忆网络对所述字向量序列进行特征抽取，得到所述正向长短期记忆网络中每个字对应的第一特征向量，及所述反向长短期记忆网络中每个字对应的第二特征向量，所述确定单元110拼接所述第一特征向量及所述第二特征向量，得到每个字对应的目标向量，所述确定单元110将每个目标向量乘以预设权重矩阵，并加上预设偏置值，得到每个字的分数向量，所述分数向量中的每个元素表征每个字对应标签的分数，对于每个分数向量，所述确定单元110将分数最高的元素对应的标签确定为每个字的目标标签，得到所述请求问句中的多个目标标签，所述确定单元110检测所述多个目标标签中是否包含事件标签，当检测到所述多个目标标签中没有包含所述事件标签时，所述确定单元110确定所述请求问句中没有包含所述当前事件，当检测到所述多个目标标签中包含所述事件标签时，所述确定单元110将与所述事件标签对应的字确定为所述当前事件。
其中，所述目标标签可以为B-PER、 E-PER、 B-ORG、I-ORG、E-ORG、B-EVE、I-EVE、E-EVE、O等，进一步地，所述事件标签包括B-EVE、I-EVE、E-EVE。
通过将分数最高的标签确定为目标标签，并通过检测所述目标标签是否包含事件标签，能够准确地确定出所述请求问句中包含的当前事件。
在本发明的至少一个实施例中，在利用预先构建的事理图谱确定与所述当前事件的关联度大于预设阈值的第一服务事项之前，获取单元113利用网络爬虫技术获取多个事件文本，所述确定单元110从知识库中确定多个目标事件，基于二分类技术从所述多个事件文本中确定与所述多个目标事件相关联的目标事件文本，分析单元116从所述目标事件文本中抽取原始事件，并分析所述原始事件与所述多个目标事件的关联度，进一步地，生成单元114基于所述多个目标事件、所述原始事件及所述关联度生成所述事理图谱。
其中，所述知识库可以是政务知识库。
通过爬取多个事件文本可以确保事件文本的数量规模，进而确保所述事理图谱构建的准确性；通过二分类技术确定目标事件文本能够降低非相关事件对所述目标事件的噪声干扰。
具体地，所述分析单元116从所述目标事件文本中抽取原始事件包括：
所述分析单元116对所述目标事件文本进行分词，得到多个分词，进一步地，所述分析单元116去除所述多个分词中的停用词，并从去除停用词后的多个分词中抽取所述原始事件。
集合单元111利用语义匹配技术确定与所述请求问句对应的第二服务事项，并集合所述第一服务事项及所述第二服务事项，得到事项集合。
在本发明的至少一个实施例中，所述集合单元111利用语义匹配技术确定与所述请求问句对应的第二服务事项包括：
所述集合单元111利用GloVe词向量技术将所述请求问句转换为词向量，所述集合单元111获取第一配置库中的多个事件向量，进一步地，所述集合单元111基于距离公式，计算所述词向量与所述多个事件向量的相似度，并从所述多个相似度中确定最高相似度，所述集合单元111将最高相似度对应的事件确定为所述第二服务事项。
其中，所述第一配置库中存储多个服务事项与多个事件向量的映射关系，所述多个事件向量属于GloVe向量。
通过GloVe词向量技术，能够融合全局词共现矩阵分解和上下文局部窗口，进而能够使所述词向量能够快速捕捉到全局信息。
检测单元112检测在预设时间内是否接收到所述目标人物发出的问答指令。
在本发明的至少一个实施例中，所述预设时间可以是一个时间段，所述预设时间的起始时间可以根据业务需求设定，所述预设时间的截止时间可以是当前时间。
在本发明的至少一个实施例中，所述检测单元112检测在预设时间内是否接收到所述目标人物发出的问答指令包括：
所述检测单元112获取所述预设时间内接收到的所有问答指令，并获取每个问答指令发出的目标时间，进一步地，所述检测单元112确定发出每个问答指令的设备，根据所述设备及所述目标时间确定每个问答指令的发出账号，所述检测单元112检测所述目标人物的账号是否属于所述发出账号，当检测到所述目标人物的账号属于所述发出账号时，所述检测单元112确定在所述预设时间内接收到所述目标人物发出的问答指令。
当检测到在所述预设时间内接收到所述目标人物发出的问答指令时，所述获取单元113获取与所述问答指令对应的发生事件。
在本发明的至少一个实施例中，所述获取单元113获取与所述问答指令对应的发生事件包括：
所述获取单元113获取与所述问答指令对应的回复信息，分析所述回复信息中的事件，并将所述事件确定为所述发生事件。
在本发明的至少一个实施例中，当所述请求问句中没有包含所述当前事件，及在所述预设时间内接收到所述目标人物发出的问答指令时，所述获取单元113将所述发生事件确定为所述当前事件。
通过上述实施方式，能够确定出本次所述问答请求未跳转出上次的问答指令，因此，能够快速确定出所述当前事件。
所述检测单元112检测所述发生事件是否属于所述事项集合。
在本发明的至少一个实施例中，所述检测单元112检测所述发生事件是否属于所述事项集合包括：
所述检测单元112遍历所述事项集合，并将所述发生事件与遍历到的事项进行比较，当所述发生事件与遍历到的任意事项属于同一事件时，所述检测单元112确定所述发生事件属于所述事项集合。
当所述发生事件不属于所述事项集合，及所述事项集合中存在多个服务事项时，所述生成单元114生成反问句，及生成与所述反问句对应的多个选项，每个选项对应一个服务事项。
在本发明的至少一个实施例中，所述反问句是指对所述多个服务事项进行反问。
当检测到任意选项被触发时，识别单元115调用预先训练的意图识别模型识别所述请求问句中的目标意图。
在本发明的至少一个实施例中，在调用预先训练的意图识别模型识别所述请求问句中的意图之前，所述获取单元113获取训练数据集，并将所述训练数据集中的数据划分为训练数据及验证数据，每个训练数据包括训练语句及所述训练语句对应的意图，所述确定单元110根据所述训练语句及所述意图确定意图模板语句，训练单元117训练所述意图及所述意图模板语句，得到学习器，调整单元118利用所述验证数据对所述学习器进行微调，得到所述意图识别模型。
通过训练所述意图及所述意图模板语句，能够快速确定学习器；通过验证数据对所述学习器进行调整，能够提高所述意图识别模型的识别准确度。
所述生成单元114根据所述任意选项对应的服务事项及所述目标意图生成所述请求问句的回复语句。
在本发明的至少一个实施例中，所述生成单元114根据所述任意选项对应的服务事项及所述目标意图生成所述请求问句的回复语句包括：
所述生成单元114从预先构建的知识图谱中确定出同时与所述服务事项及所述目标意图对应的信息，作为所述请求问句的答案，所述生成单元114确定所述服务事项所属的领域，并根据所述领域从第二配置库中确定回答模板，所述生成单元114将所述答案填充至所述回答模板中的空格位置上，得到所述回复语句。
其中，所述知识图谱是一个以实体、属性及关系组成的属性图。所述知识图谱的实体为所述政务知识库中的服务事项，所述知识图谱的属性为办理地址、咨询电话及网页入口等。构建所述知识图谱的方式与构建所述事理图谱的方式相同，本发明对此不作赘述。
进一步地，所述领域可以是政务领域，本发明对此不作限制。
在本发明的至少一个实施例中，当所述发生事件属于所述事项集合时，所述生成单元114根据所述发生事件及所述意图生成所述请求问句的回复语句。
需要强调的是，为进一步保证所述回复语句的私密和安全性，所述回复语句还可以存储于一区块链的节点中。
由以上技术方案可以看出，本发明通过所述事理图谱能够对所述请求问句进行一定范围的扩展，提高扩展性，进而通过检测所述发生事件是否属于所述事项集合，能够准确地确定缺乏连贯性的问句中的服务事项，以便能听有效准确地生成不具有连贯性问句的答案，本发明还能够在不确定所述请求问句对应的具体服务事项时，生成相应的反问句，以提高所述回复语句的准确度。
如图3所示，是本发明实现基于AI识别的问答方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于AI识别的问答程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1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，例如所述电子设备1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13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 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (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，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于AI识别的问答方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序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12中，并由所述处理器13执行，以完成本发明。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程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成确定单元110、集合单元111、检测单元112、获取单元113、生成单元114、识别单元115、分析单元116、训练单元117及调整单元118。
所述存储器12可用于存储所述计算机程序和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机程序和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器12可以包括非易失性存储器，例如硬盘、内存、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）、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡（Trans-flash Card）等等。
所述电子设备1集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也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可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种基于AI识别的问答方法，所述处理器13可执行所述多个指令从而实现：当接收到问答请求时，从所述问答请求中提取请求问句，并确定发出所述问答请求的目标人物；识别所述请求问句中的当前事件，并利用预先构建的事理图谱确定与所述当前事件的关联度大于预设阈值的第一服务事项；利用语义匹配技术确定与所述请求问句对应的第二服务事项，并集合所述第一服务事项及所述第二服务事项，得到事项集合；检测在预设时间内是否接收到所述目标人物发出的问答指令；当检测到在所述预设时间内接收到所述目标人物发出的问答指令时，获取与所述问答指令对应的发生事件；检测所述发生事件是否属于所述事项集合；当所述发生事件不属于所述事项集合，及所述事项集合中存在多个服务事项时，生成反问句，及生成与所述反问句对应的多个选项，每个选项对应一个服务事项；当检测到任意选项被触发时，调用预先训练的意图识别模型识别所述请求问句中的目标意图；根据所述任意选项对应的服务事项及所述目标意图生成所述请求问句的回复语句。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，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等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于AI识别的问答方法，其特征在于，所述基于AI识别的问答方法包括：
当接收到问答请求时，从所述问答请求中提取请求问句，并确定发出所述问答请求的目标人物；
识别所述请求问句中的当前事件，并利用预先构建的事理图谱确定与所述当前事件的关联度大于预设阈值的第一服务事项；
利用语义匹配技术确定与所述请求问句对应的第二服务事项，并集合所述第一服务事项及所述第二服务事项，得到事项集合；
检测在预设时间内是否接收到所述目标人物发出的问答指令；
当检测到在所述预设时间内接收到所述目标人物发出的问答指令时，获取与所述问答指令对应的发生事件；
检测所述发生事件是否属于所述事项集合；
当所述发生事件不属于所述事项集合，及所述事项集合中存在多个服务事项时，生成反问句，及生成与所述反问句对应的多个选项，每个选项对应一个服务事项；
当检测到任意选项被触发时，调用预先训练的意图识别模型识别所述请求问句中的目标意图；
根据所述任意选项对应的服务事项及所述目标意图生成所述请求问句的回复语句。
2.如权利要求1所述的基于AI识别的问答方法，其特征在于，所述确定发出所述问答请求的目标人物包括：
解析所述问答请求的报文头，得到所述问答请求的发起地址；
根据所述发起地址确定发出所述问答请求的终端，并确定所述问答请求的发送时间；
查询所述终端上的登录日志，并从所述登录日志上搜寻登录时间处于所述发送时间的账号；
根据所述账号确定发出所述问答请求的目标人物。
3.如权利要求1所述的基于AI识别的问答方法，其特征在于，所述识别所述请求问句中的当前事件包括：
将所述请求问句中的每个字转换为字向量，得到与所述请求问句对应的字向量序列；
利用双向长短期记忆网络对所述字向量序列进行特征抽取，得到正向长短期记忆网络中每个字对应的第一特征向量，及反向长短期记忆网络中每个字对应的第二特征向量；
拼接所述第一特征向量及所述第二特征向量，得到每个字对应的目标向量；
将每个目标向量乘以预设权重矩阵，并加上预设偏置值，得到每个字的分数向量，所述分数向量中的每个元素表征每个字对应标签的分数；
对于每个分数向量，将分数最高的元素对应的标签确定为每个字的目标标签，得到所述请求问句中的多个目标标签；
检测所述多个目标标签中是否包含事件标签；
当检测到所述多个目标标签中没有包含所述事件标签时，确定所述请求问句中没有包含所述当前事件；
当检测到所述多个目标标签中包含所述事件标签时，将与所述事件标签对应的字确定为所述当前事件。
4.如权利要求1所述的基于AI识别的问答方法，其特征在于，在利用预先构建的事理图谱确定与所述当前事件的关联度大于预设阈值的第一服务事项之前，所述方法还包括：
利用网络爬虫技术获取多个事件文本；
从知识库中确定多个目标事件，基于二分类技术从所述多个事件文本中确定与所述多个目标事件相关联的目标事件文本；
从所述目标事件文本中抽取原始事件，并分析所述原始事件与所述多个目标事件的关联度；
基于所述多个目标事件、所述原始事件及所述关联度生成所述事理图谱。
5.如权利要求1所述的基于AI识别的问答方法，其特征在于，所述利用语义匹配技术确定与所述请求问句对应的第二服务事项包括：
利用GloVe词向量技术将所述请求问句转换为词向量；
获取第一配置库中的多个事件向量；
基于距离公式，计算所述词向量与所述多个事件向量的相似度，并从所述多个相似度中确定最高相似度；
将最高相似度对应的事件确定为所述第二服务事项。
6.如权利要求1所述的基于AI识别的问答方法，其特征在于，在调用预先训练的意图识别模型识别所述请求问句中的意图之前，所述方法还包括：
获取训练数据集，并将所述训练数据集中的数据划分为训练数据及验证数据，每个训练数据包括训练语句及所述训练语句对应的意图；
根据所述训练语句及所述意图确定意图模板语句；
训练所述意图及所述意图模板语句，得到学习器；
利用所述验证数据对所述学习器进行微调，得到所述意图识别模型。
7.如权利要求1所述的基于AI识别的问答方法，其特征在于，所述根据所述任意选项对应的服务事项及所述目标意图生成所述请求问句的回复语句包括：
从预先构建的知识图谱中确定出同时与所述服务事项及所述目标意图对应的信息，作为所述请求问句的答案；
确定所述服务事项所属的领域，并根据所述领域从第二配置库中确定回答模板；
将所述答案填充至所述回答模板中的空格位置上，得到所述回复语句，所述回复语句存储于区块链中。
8.一种基于AI识别的问答装置，其特征在于，所述基于AI识别的问答装置包括：
确定单元，用于当接收到问答请求时，从所述问答请求中提取请求问句，并确定发出所述问答请求的目标人物；
所述确定单元，还用于识别所述请求问句中的当前事件，并利用预先构建的事理图谱确定与所述当前事件的关联度大于预设阈值的第一服务事项；
集合单元，用于利用语义匹配技术确定与所述请求问句对应的第二服务事项，并集合所述第一服务事项及所述第二服务事项，得到事项集合；
检测单元，用于检测在预设时间内是否接收到所述目标人物发出的问答指令；
获取单元，用于当检测到在所述预设时间内接收到所述目标人物发出的问答指令时，获取与所述问答指令对应的发生事件；
所述检测单元，还用于检测所述发生事件是否属于所述事项集合；
生成单元，用于当所述发生事件不属于所述事项集合，及所述事项集合中存在多个服务事项时，生成反问句，及生成与所述反问句对应的多个选项，每个选项对应一个服务事项；
识别单元，用于当检测到任意选项被触发时，调用预先训练的意图识别模型识别所述请求问句中的目标意图；
所述生成单元，还用于根据所述任意选项对应的服务事项及所述目标意图生成所述请求问句的回复语句。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的基于AI识别的问答方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于AI识别的问答方法。
CN202010654216.5A 2020-07-09 2020-07-09 基于ai识别的问答方法、装置、电子设备及介质 Active CN111538816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010654216.5A CN111538816B (zh) 2020-07-09 2020-07-09 基于ai识别的问答方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010654216.5A CN111538816B (zh) 2020-07-09 2020-07-09 基于ai识别的问答方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN111538816A true CN111538816A (zh) 2020-08-14
CN111538816B CN111538816B (zh) 2020-10-20

Family

ID=71978388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010654216.5A Active CN111538816B (zh) 2020-07-09 2020-07-09 基于ai识别的问答方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN111538816B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364140A (zh) * 2020-11-04 2021-02-12 北京致远互联软件股份有限公司 一种通过配置单实现语音识别意图定制的方法
CN112598427A (zh) * 2020-12-14 2021-04-02 珠海格力电器股份有限公司 售后服务的方法、装置、电子设备及存储介质
CN113836284A (zh) * 2021-09-26 2021-12-24 北京京东拓先科技有限公司 知识库构建、生成应答语句的方法和装置
CN114611529A (zh) * 2022-03-15 2022-06-10 平安科技（深圳）有限公司 意图识别方法和装置、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130132327A1 (en) * 2011-11-23 2013-05-23 Tata Consultancy Services Limited Self configuring knowledge base representation
CN105068661A (zh) * 2015-09-07 2015-11-18 百度在线网络技术（北京）有限公司 基于人工智能的人机交互方法和系统
CN105426436A (zh) * 2015-11-05 2016-03-23 百度在线网络技术（北京）有限公司 基于人工智能机器人的信息提供方法和装置
US20160117593A1 (en) * 2013-11-20 2016-04-28 Justin London Adaptive Virtual Intelligent Agent
CN106997399A (zh) * 2017-05-24 2017-08-01 海南大学 一种基于数据图谱、信息图谱、知识图谱和智慧图谱关联架构的分类问答系统设计方法
US20170230312A1 (en) * 2016-01-25 2017-08-10 Expensify, Inc. Computer system for providing chat engine
CN110088747A (zh) * 2017-09-18 2019-08-02 微软技术许可有限责任公司 健身辅助聊天机器人
CN110348024A (zh) * 2019-07-23 2019-10-18 天津汇智星源信息技术有限公司 基于法律知识图谱的智能识别系统
CN110377715A (zh) * 2019-07-23 2019-10-25 天津汇智星源信息技术有限公司 基于法律知识图谱的推理式精准智能问答方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130132327A1 (en) * 2011-11-23 2013-05-23 Tata Consultancy Services Limited Self configuring knowledge base representation
US20160117593A1 (en) * 2013-11-20 2016-04-28 Justin London Adaptive Virtual Intelligent Agent
CN105068661A (zh) * 2015-09-07 2015-11-18 百度在线网络技术（北京）有限公司 基于人工智能的人机交互方法和系统
CN105426436A (zh) * 2015-11-05 2016-03-23 百度在线网络技术（北京）有限公司 基于人工智能机器人的信息提供方法和装置
US20170230312A1 (en) * 2016-01-25 2017-08-10 Expensify, Inc. Computer system for providing chat engine
CN106997399A (zh) * 2017-05-24 2017-08-01 海南大学 一种基于数据图谱、信息图谱、知识图谱和智慧图谱关联架构的分类问答系统设计方法
CN110088747A (zh) * 2017-09-18 2019-08-02 微软技术许可有限责任公司 健身辅助聊天机器人
CN110348024A (zh) * 2019-07-23 2019-10-18 天津汇智星源信息技术有限公司 基于法律知识图谱的智能识别系统
CN110377715A (zh) * 2019-07-23 2019-10-25 天津汇智星源信息技术有限公司 基于法律知识图谱的推理式精准智能问答方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364140A (zh) * 2020-11-04 2021-02-12 北京致远互联软件股份有限公司 一种通过配置单实现语音识别意图定制的方法
CN112364140B (zh) * 2020-11-04 2022-09-13 北京致远互联软件股份有限公司 一种通过配置单实现语音识别意图定制的方法
CN112598427A (zh) * 2020-12-14 2021-04-02 珠海格力电器股份有限公司 售后服务的方法、装置、电子设备及存储介质
CN113836284A (zh) * 2021-09-26 2021-12-24 北京京东拓先科技有限公司 知识库构建、生成应答语句的方法和装置
CN114611529A (zh) * 2022-03-15 2022-06-10 平安科技（深圳）有限公司 意图识别方法和装置、电子设备及存储介质
CN114611529B (zh) * 2022-03-15 2024-02-02 平安科技（深圳）有限公司 意图识别方法和装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111538816B (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN111538816B (zh) 基于ai识别的问答方法、装置、电子设备及介质
CN111177569B (zh) 基于人工智能的推荐处理方法、装置及设备
CN110263248B (zh) 一种信息推送方法、装置、存储介质和服务器
US11514235B2 (en) Information extraction from open-ended schema-less tables
CN111737499B (zh) 基于自然语言处理的数据搜索方法及相关设备
CN106156365A (zh) 一种知识图谱的生成方法及装置
CN112686036B (zh) 风险文本识别方法、装置、计算机设备及存储介质
CN113312461A (zh) 基于自然语言处理的智能问答方法、装置、设备及介质
CN108829656B (zh) 网络信息的数据处理方法及数据处理装置
CN111552800A (zh) 摘要生成方法、装置、电子设备及介质
CN114090794A (zh) 基于人工智能的事理图谱构建方法及相关设备
CN111782793A (zh) 智能客服处理方法和系统及设备
CN114238573A (zh) 基于文本对抗样例的信息推送方法及装置
CN114398473A (zh) 企业画像生成方法、装置、服务器及存储介质
CN112818200A (zh) 基于静态网站的数据爬取及事件分析方法及系统
CN115222443A (zh) 客户群体划分方法、装置、设备及存储介质
CN111552865A (zh) 用户兴趣画像方法及相关设备
CN111783425B (zh) 基于句法分析模型的意图识别方法及相关装置
CN109660621A (zh) 一种内容推送方法及服务设备
CN113626704A (zh) 基于word2vec模型的推荐信息方法、装置及设备
CN113627186B (zh) 基于人工智能的实体关系检测方法及相关设备
CN112989820B (zh) 法律文书定位方法、装置、设备及存储介质
CN111597453B (zh) 用户画像方法、装置、计算机设备及计算机可读存储介质
CN112364068A (zh) 课程标签生成方法、装置、设备及介质
CN112949305A (zh) 负反馈信息采集方法、装置、设备及存储介质

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Question answering method, device, electronic equipment and medium based on AI recognition

Effective date of registration: 20210429

Granted publication date: 20201020

Pledgee: Shenzhen hi tech investment small loan Co.,Ltd.

Pledgor: Ping An International Smart City Technology Co.,Ltd.

Registration number: Y2021980003211

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20230206

Granted publication date: 20201020

Pledgee: Shenzhen hi tech investment small loan Co.,Ltd.

Pledgor: Ping An International Smart City Technology Co.,Ltd.

Registration number: Y2021980003211