CN111722720B - 人机交互方法、装置及终端 - Google Patents
人机交互方法、装置及终端 Download PDFInfo
- Publication number
- CN111722720B CN111722720B CN202010575936.2A CN202010575936A CN111722720B CN 111722720 B CN111722720 B CN 111722720B CN 202010575936 A CN202010575936 A CN 202010575936A CN 111722720 B CN111722720 B CN 111722720B
- Authority
- CN
- China
- Prior art keywords
- reference factor
- information
- input request
- human
- preset
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
一种人机交互方法、装置及终端。所述方法包括:接收输入请求;获取与所述输入请求对应的预设参考因素信息;利用与所述输入请求对应的预设训练模型,及所述预设参考因素信息,生成并输出与所述输入请求对应的响应,以及输出所述响应对应的日志信息;其中,所述预设参考因素信息包括:生成所述响应时待参考的第一参考因素的标识信息;所述日志信息包括:生成所述响应的过程中实际使用的参考因素的标识信息;所述预设参考因素信息是基于前一次输出的所述输入请对应的日志信息确定的。应用上述方案,可以提高人工智能决策结果的准确性。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种人机交互方法、装置及终端。
背景技术
人工智能(Artificial Intelligence,AI),主要是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
目前,人工智能通常包括机器学习及人工智能决策两部分。其中,机器学习,指的是计算机利用已有的数据进行处理,得出某种模型的过程。而人工智能决策,指的是利用机器学习得到的模型,预测未来的过程。
现有的人工智能,思考过程就像黑盒子(Black Box)一样,输入采样数据后,生成模型并输出决策结果。人类无法理解或分析终端的思考过程,导致决策结果的准确性较差。
发明内容
本发明要解决的问题为:如何提高人工智能决策结果的准确性。
为解决上述问题,本发明实施例提供了一种人机交互方法,所述方法包括:
接收输入请求;
获取与所述输入请求对应的预设参考因素信息;
利用与所述输入请求对应的预设训练模型,及所述预设参考因素信息,生成并输出与所述输入请求对应的响应,以及输出所述响应对应的日志信息;
其中,所述预设参考因素信息包括:生成所述响应时待参考的第一参考因素的标识信息;所述日志信息包括:生成所述响应的过程中实际使用的参考因素的标识信息;所述预设参考因素信息是基于前一次输出的所述输入请对应的日志信息确定的。
可选地,所述预设参考因素信息还包括:生成所述预设训练模型时待参考的第二参考因素的标识信息。
可选地,所述第一参考因素信息与所述第二参考因素信息相同。
可选地,所述预设参考因素信息还包括:各参考因素对应的参考权重信息。
可选地,所述日志信息还包括:各参考因素对应的实际权重信息。
可选地,所述获取与所述输入请求对应的预设参考因素信息,包括:
获取前一次输出的所述输入请求对应的日志信息;
对所获取的日志信息中的信息进行调整,得到所述预设参考因素信息。
可选地,所述日志信息与所述预设参考因素信息及所述输入请求相关。
可选地,所述参考因素属于以下任意一种类型:
物理定律;
自然定律;
人类经验;
大数据。
本发明实施例还提供了一种人机交互装置,所述装置包括:
接收单元,适于接收输入请求;
获取单元,适于获取与所述输入请求对应的预设参考因素信息;
输出单元,适于利用与所述输入请求对应的预设训练模型,及所述预设参考因素信息,生成并输出与所述输入请求对应的响应,以及输出所述响应对应的日志信息;
其中,所述预设参考因素信息包括:生成所述响应时待参考的第一参考因素的标识信息;所述日志信息包括:生成所述响应的过程中实际使用的参考因素的标识信息;所述预设参考因素信息是基于前一次输出的所述输入请对应的日志信息确定的。
可选地,所述预设参考因素信息还包括:生成所述预设训练模型时待参考的第二参考因素的标识信息。
可选地,所述第一参考因素信息与所述第二参考因素信息相同。
可选地,所述预设参考因素信息还包括:各参考因素对应的参考权重信息。
可选地,所述日志信息还包括:各参考因素对应的实际权重信息。
可选地,所述获取单元,适于获取前一次输出的所述输入请求对应的日志信息,对所获取的日志信息中的信息进行调整,得到所述预设参考因素信息。
可选地,所述日志信息与所述预设参考因素信息及所述输入请求相关。
可选地,所述参考因素为以下任意一种:
物理定律;
自然定律;
人类经验;
大数据。
可选地,所述装置还包括:
学习单元,适于接收采样数据并进行机器学习,得到所述预设训练模型。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器运行时执行上述任一种所述方法的步骤。
本发明实施例还提供了一种终端,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行上述任一种所述方法的步骤。
与现有技术相比,本发明实施例的技术方案具有以下优点:
应用本发明的方案,由于输入请求对应的响应,利用了输入请求对应的预设参考因素信息而生成,且预设参考因素信息是基于前一次输出的所述输入请对应的日志信息确定的,也就是基于前一次生成输入请对应的响应的过程中实际使用的参考因素确定的,由此可以基于生成响应的过程中实际使用的参考因素,调整所述预设参考因素,进而调整最终输出的响应,缩短决策的收敛时间,使得最终输出的响应更加准确。
附图说明
图1是人机交互过程的示意图;
图2是本发明实施例中一种人机交互方法的流程图;
图3是本发明实施例中一种人机交互过程的示意图;
图4是本发明实施例中一种人机交互装置的结构示意图。
具体实施方式
参照图1,现有的人工智能,思考过程就像黑盒子(Black Box)一样,采样数据输入后,终端进行机器学习。在终端接收到输入请求时,利用机器学习的结果,输出相应的响应。
由于人类无法对终端进行理解或分析,故终端输出响应的准确性较差。
针对上述问题,本发明的实施例提供了一种人机交互方法,应用所述方法,除利用输入请求对应的预设训练模型外,还利用输入请求对应的预设参考因素信息,来生成相应的响应。由于预设参考因素信息是基于日志信息确定的,也就是基于生成响应的过程中实际使用的参考因素确定的,由此可以基于生成响应的过程中实际使用的参考因素,调整所述预设参考因素,进而调整最终输出的响应,缩短决策的收敛时间,使得最终输出的响应更加准确。
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例作详细地说明。
参照图2,本发明实施例提供了一种人机交互方法,所述方法可以包括如下步骤:
步骤21,接收输入请求。
在具体实施中,可以通过多种方式接收输入请求,具体接收方式不作限制。比如,可以通过终端的人机交互界面接收所述输入请求,也可以通过远程控制的方式,接收所述输入请求。
在具体实施中,所述输入请求的形式可以存在多种,可以为语音信息,也可以为文字信息,具体不作限制。比如,所述输入请求可以为“今天约会会迟到吗?”、“明天会下雨吗?”等语音信息。
步骤22,获取与所述输入请求对应的预设参考因素信息。
在具体实施中,可以在接收输入请求的同时,获取与所述输入请求对应的预设参考因素信息,也可以在接收到输入请求后,获取与所述输入请求对应的预设参考因素信息。
在具体实施中,可以为每个输入请求,预先设置对应的预设参考因素信息。每个输入请求对应的预设参考因素信息,可以相同,也可以不同。
步骤23,利用与所述输入请求对应的预设训练模型,及所述预设参考因素信息,生成并输出与所述输入请求对应的响应,以及输出所述响应对应的日志信息。
在本发明的一实施例中,所述预设参考因素信息可以仅包括:生成所述响应时待参考的第一参考因素的标识信息。也就是说,所述预设参考因素信息,仅用于人工智能决策阶段。
在具体实施中,所述参考因素可能为某个物理定律,比如牛顿定律。所述参考因素也可能为某个自然规律,比如,生、老、病、死等。所述参考因素还可以能为某一人类经验,比如,失败是成功之母。所述参考因素也可能为大数据。
所述预设参考因素信息中参考因素,可能分别属于不同的类型,也可能部分或全部参考因素属于同一类型,具体不作限制。接收到输入请求,并获取到所述预设参考因素信息后,终端可以利用输入请求对应的预设训练模型及所述预设参考因素信息,生成与所述输入请求对应的响应。
例如,如图3所示,所述预设参考因素信息可以包括以下五个参考因素的标识信息:物理定律1、物理定律2、自然定律1、人类经验1及大数据1。其中,物理定律1及物理定律2均属于物理定律。终端可以利用输入请求对应的预设训练模型,并参考以上五个参考因素,生成对应的响应。
在本发明的实施例中,终端输出与输入请求对应的响应的同时,还输出所述响应对应的日志信息,所述日志信息包括:生成所述响应的过程中实际使用的参考因素的标识信息。也就是说,终端需要输出实际生成所述响应所使用的各个参考因素。
比如,如图3所示,所述预设参考因素信息包括:物理定律1、物理定律2、自然定律1、人类经验1及大数据1。而所述日志信息包括:物理定律1、自然定律1、人类经验1及大数据1。也就是说,实际生成所述响应时,并未参考物理定律2。
在具体实施中,所述日志信息与所述预设参考因素信息及所述输入请求相关。换言之,输入请求不同,或者预设参考因素信息不同,实际生成响应所使用的各个参考因素自然可能不同,所述日志信息就可能不同。所述日志信息可以因输入请求及预设参考因素信息的不同,而包含不同参考因素的标识信息。
在实际应用中,终端通常会预先接收采样数据,对所述采样数据进行机器学习,也就是对采样数据进行训练,生成所述预设训练模型,所述预设训练模型的表达式通常为一矩阵。利用所述预设训练模型及所述预设参考因素信息生成响应时,通常会将所述输入请求转换为相应的矩阵,将所述输入请求对应的矩阵,与所述预设训练模型对应的矩阵,进行计算,同时,计算过程参考所述预设参考因素信息中各参考因素,生成与所述输入请求对应的响应。
在本发明的另一实施例中,所述预设参考因素信息还可以包括:生成所述预设训练模型时待参考的第二参考因素的标识信息,也就是说,所述预设参考因素信息,不仅人工智能决策阶段,还可以用于生成训练模型,即用于机器学习阶段。
在具体实施中,所述第一参考因素的标识信息,可以与第二参考因素的标识信息完全相同或者部分相同,当然也可以完全不同。比如,参照图3,所述第一参考因素的标识信息,与所述第二参考因素的标识信息,完全相同,且均包括:物理定律1、物理定律2、自然定律1、人类经验1及大数据1。换言之,终端参考同一预设参考因素信息,进行机器学习及决策。
在本发明的另一实施例中,所述预设参考因素信息还可以包括:各参考因素对应的参考权重信息。也就是说,所述预设参考因素信息中不仅包含各参考因素的标识信息,还包括各参考因素的权重信息。
所述预设参考因素信息中,各参考因素的权重信息,作为生成所述预设训练模型和生成所述响应的参考比重。为保证终端的智能化,所述预设参考因素信息中,各参考因素的权重之和,应小于1,由此终端还可以参照除所述预设参考因素信息标识的参考因素之外的参考因素,以提高终端的智能化。
比如,所述预设参考因素信息为:物理定律1,权重为w1;物理定律2,权重为w2;自然定律1,权重为w3;人类经验1,权重为w4;大数据1,权重为w5。
在具体实施中,由于物理定律在理论上不可逾越,自然定律准确度通常较高,人类经验通常更易满足人类需求,而大数据通常是人类习惯而非真理,故可以依此设置物理定律、自然定律、人类经验及大数据之间的优先级,并按照优先级高低,调整参考因素的权重。比如,可以设置优先级顺序如下:物理定律>自然定律>人类经验>大数据,相应权重值依次减小。
在存在其它参考因素时,可以按照上述方法设置各个参考因素的权重,此处不再赘述。
相应地,基于所述预设参考因素信息生成的日志信息中,也可以包括各参考因素对应的实际权重信息,也就是生成所述响应的过程中,实际参照所述预设参考因素信息中各参考因素的比重。所述日志信息及所述预设参考因素信息中,同一参考因素的权重值可能相同,也可能不同。
比如,所述日志信息为:物理定律1,权重为r1;自然定律1,权重为r2;人类经验1,权重为r3;大数据1,权重为r4。
在具体实施中,所述预设参考因素信息是基于前一次输出的所述输入请对应的日志信息确定的。具体确定所述预设参考因素信息时,可以先获取前一次输出的所述输入请求对应的日志信息,对所获取的日志信息中的信息进行调整,得到所述预设参考因素信息。
当所述预设参考因素信息仅包括参考因素的标识信息时,可以增加或删除所获取的日志信息中参考因素的标识信息,比如,所获取的日志信息包括物理定律1、自然定律1、人类经验1及大数据1时,可以删除大数据1这一参考因素,保留剩余三个参考因素。
若所述预设参考因素信息还包括参考因素的权重信息,则对所获取的日志信息中的信息进行调整时,不仅可以增加或删除参考因素的标识信息,还可以增加或减小参考因素的权重。
基于前一次输出的所述输入请求对应的日志信息,确定所述预设参考因素信息,可以使得所获得预设训练模型尽快收敛,并使得终端输出的响应准确性更高。
具体地,参照图3,在前一次人机交互过程中,采样数据及预设参考因素信息输入至终端中,终端进行机器学习。在接收到输入请求后,终端利用机器学习结果及预设参考因素信息进行决策,输出响应的响应及日志信息。
当对所输出的响应满意时,可以将当前所输出的响应,作为所述输入请求对应的最终响应。
当对所输出的响应不满意时,可以对所输出的日志信息进行分析,调整所述日志信息中参考因素的标识或权重,重新得到所述预设参考因素信息,并再一次输入至终端中,由所述终端基于所述输入请求及重新得到的预设参考因素信息,再次进行决策,输出相应的响应。重复循环多次,直至对该响应满意。
由上述内容可知,本发明实施例中的人机交互方法,可以基于前一次输出的所述输入请对应的日志信息确定,确定所述预设参考因素信息,进而利用所述预设参考因素信息输出响应,由此可以尽快获得满意的响应,提高响应的准确性。
为了使本领域技术人员更好地理解和实现本发明,以下对上述人机交互方法所对应的装置进行详细描述。
参照图4,本发明实施例提供了一种人机交互装置40,所述装置40可以包括:接收单元41、获取单元42及输出单元43。其中:
所述接收单元41,适于接收输入请求;
所述获取单元42,适于获取与所述输入请求对应的预设参考因素信息;
所述输出单元43,适于利用与所述输入请求对应的预设训练模型,及所述预设参考因素信息,生成并输出与所述输入请求对应的响应,以及输出所述响应对应的日志信息;
其中,所述预设参考因素信息包括:生成所述响应时待参考的第一参考因素的标识信息;所述日志信息包括:生成所述响应的过程中实际使用的参考因素的标识信息;所述预设参考因素信息是基于前一次输出的所述输入请对应的日志信息确定的。
在本发明的一实施例中,所述预设参考因素信息还包括:生成所述预设训练模型时待参考的第二参考因素的标识信息。
在本发明的一实施例中,所述第一参考因素信息与所述第二参考因素信息相同。
在本发明的一实施例中,所述预设参考因素信息还包括:各参考因素对应的参考权重信息。
在本发明的一实施例中,所述日志信息还包括:各参考因素对应的实际权重信息。
在本发明的一实施例中,所述获取单元42,适于获取前一次输出的所述输入请求对应的日志信息,对所获取的日志信息中的信息进行调整,得到所述预设参考因素信息。
在本发明的一实施例中,所述日志信息与所述预设参考因素信息及所述输入请求相关。
在本发明的一实施例中,所述参考因素为以下任意一种:
物理定律;
自然定律;
人类经验;
大数据。
在本发明的一实施例中,所述装置40还可以包括:
学习单元44,适于接收采样数据并进行机器学习,得到所述预设训练模型。
关于所述装置40各单元的功能,可以参照上述关于步骤21至23的相应部分进行实施,此处不再赘述。
本发明实施例一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器运行时执行上述任一种所述方法的步骤。
其中,所述存储介质可以包括:ROM、RAM、磁盘或光盘等
本发明实施例还提供了一种终端,所述终端包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行上述任一种所述方法的步骤。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (17)
1.一种人机交互方法,其特征在于,包括:
接收输入请求;
获取与所述输入请求对应的预设参考因素信息;
利用与所述输入请求对应的预设训练模型,及所述预设参考因素信息,生成并输出与所述输入请求对应的响应,以及输出所述响应对应的日志信息;
其中,所述预设参考因素信息包括:生成所述响应时待参考的第一参考因素的标识信息;所述日志信息包括:生成所述响应的过程中实际使用的参考因素的标识信息;所述预设参考因素信息是基于前一次输出的所述输入请求对应的日志信息确定的;
所述参考因素属于以下任意一种类型:物理定律;自然定律;人类经验;大数据。
2.如权利要求1所述的人机交互方法,其特征在于,所述预设参考因素信息还包括:生成所述预设训练模型时待参考的第二参考因素的标识信息。
3.如权利要求2所述的人机交互方法,其特征在于,所述第一参考因素的标识信息与所述第二参考因素的标识信息相同。
4.如权利要求1或2所述的人机交互方法,其特征在于,所述预设参考因素信息还包括:各参考因素对应的参考权重信息。
5.如权利要求4所述的人机交互方法,其特征在于,所述日志信息还包括:各参考因素对应的实际权重信息。
6.如权利要求4所述的人机交互方法,其特征在于,所述获取与所述输入请求对应的预设参考因素信息,包括:
获取前一次输出的所述输入请求对应的日志信息;
对所获取的日志信息中的信息进行调整,得到所述预设参考因素信息。
7.如权利要求1所述的人机交互方法,其特征在于,所述日志信息与所述预设参考因素信息及所述输入请求相关。
8.一种人机交互装置,其特征在于,包括:
接收单元,适于接收输入请求;
获取单元,适于获取与所述输入请求对应的预设参考因素信息;
输出单元,适于利用与所述输入请求对应的预设训练模型,及所述预设参考因素信息,生成并输出与所述输入请求对应的响应,以及输出所述响应对应的日志信息;
其中,所述预设参考因素信息包括:生成所述响应时待参考的第一参考因素的标识信息;所述日志信息包括:生成所述响应的过程中实际使用的参考因素的标识信息;所述预设参考因素信息是基于前一次输出的所述输入请对应的日志信息确定的;
所述参考因素属于以下任意一种类型:物理定律;自然定律;人类经验;大数据。
9.如权利要求8所述的人机交互装置,其特征在于,所述预设参考因素信息还包括:生成所述预设训练模型时待参考的第二参考因素的标识信息。
10.如权利要求9所述的人机交互装置,其特征在于,所述第一参考因素的标识信息与所述第二参考因素的标识信息相同。
11.如权利要求9或10所述的人机交互装置,其特征在于,所述预设参考因素信息还包括:各参考因素对应的参考权重信息。
12.如权利要求11所述的人机交互装置,其特征在于,所述日志信息还包括:各参考因素对应的实际权重信息。
13.如权利要求11所述的人机交互装置,其特征在于,所述获取单元,适于获取前一次输出的所述输入请求对应的日志信息,对所获取的日志信息中的信息进行调整,得到所述预设参考因素信息。
14.如权利要求8所述的人机交互装置,其特征在于,所述日志信息与所述预设参考因素信息及所述输入请求相关。
15.如权利要求8所述的人机交互装置,其特征在于,还包括:
学习单元,适于接收采样数据并进行机器学习,得到所述预设训练模型。
16.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1至7任一项所述方法的步骤。
17.一种终端,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时执行权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010575936.2A CN111722720B (zh) | 2020-06-22 | 2020-06-22 | 人机交互方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010575936.2A CN111722720B (zh) | 2020-06-22 | 2020-06-22 | 人机交互方法、装置及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111722720A CN111722720A (zh) | 2020-09-29 |
CN111722720B true CN111722720B (zh) | 2022-10-14 |
Family
ID=72568121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010575936.2A Active CN111722720B (zh) | 2020-06-22 | 2020-06-22 | 人机交互方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111722720B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242499A (zh) * | 2018-09-19 | 2019-01-18 | 中国银行股份有限公司 | 一种交易风险预测的处理方法、装置及系统 |
CN110647446A (zh) * | 2018-06-26 | 2020-01-03 | 中兴通讯股份有限公司 | 一种日志故障关联与预测方法、装置、设备及存储介质 |
WO2020039610A1 (ja) * | 2018-08-20 | 2020-02-27 | 日本電信電話株式会社 | 異常要因推定装置、異常要因推定方法、及びプログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960514B (zh) * | 2016-04-27 | 2022-09-06 | 第四范式(北京)技术有限公司 | 展示预测模型的方法、装置及调整预测模型的方法、装置 |
CN108388503A (zh) * | 2018-02-13 | 2018-08-10 | 中体彩科技发展有限公司 | 数据库性能监控方法、系统、设备及计算机可读存储介质 |
US20200125639A1 (en) * | 2018-10-22 | 2020-04-23 | Ca, Inc. | Generating training data from a machine learning model to identify offensive language |
CN109767269B (zh) * | 2019-01-15 | 2022-02-22 | 网易(杭州)网络有限公司 | 一种游戏数据的处理方法和装置 |
CN111045847B (zh) * | 2019-12-18 | 2023-07-21 | Oppo广东移动通信有限公司 | 事件审计方法、装置、终端设备以及存储介质 |
CN111192170B (zh) * | 2019-12-25 | 2023-05-30 | 平安国际智慧城市科技股份有限公司 | 题目推送方法、装置、设备和计算机可读存储介质 |
-
2020
- 2020-06-22 CN CN202010575936.2A patent/CN111722720B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647446A (zh) * | 2018-06-26 | 2020-01-03 | 中兴通讯股份有限公司 | 一种日志故障关联与预测方法、装置、设备及存储介质 |
WO2020039610A1 (ja) * | 2018-08-20 | 2020-02-27 | 日本電信電話株式会社 | 異常要因推定装置、異常要因推定方法、及びプログラム |
CN109242499A (zh) * | 2018-09-19 | 2019-01-18 | 中国银行股份有限公司 | 一种交易风险预测的处理方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111722720A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106992001B (zh) | 语音指令的处理方法、装置和系统 | |
CN104143327B (zh) | 一种声学模型训练方法和装置 | |
JP6936936B2 (ja) | ウェイクアップモデルの最適化方法、装置、デバイス及び記憶媒体 | |
CN107766319B (zh) | 序列转换方法及装置 | |
CN110929094A (zh) | 一种视频标题处理方法和装置 | |
CN113778871A (zh) | Mock测试方法、装置、设备及存储介质 | |
CN111738010B (zh) | 用于生成语义匹配模型的方法和装置 | |
CN112632288A (zh) | 一种基于知识图谱的电力调度系统及方法 | |
CN112147967A (zh) | 一种汽车控制器的场景测试用例自动生成方法及装置 | |
CN113392197A (zh) | 问答推理方法、装置、存储介质及电子设备 | |
CN107967304A (zh) | 会话交互处理方法、装置及电子设备 | |
CN114882307A (zh) | 分类模型训练和图像特征提取方法及装置 | |
CN111722720B (zh) | 人机交互方法、装置及终端 | |
WO2023155676A1 (zh) | 翻译模型的处理方法、装置和计算机可读存储介质 | |
CN111680514B (zh) | 信息处理和模型训练方法、装置、设备及存储介质 | |
EP4254256A1 (en) | Spoken language processing method and apparatus, electronic device, and storage medium | |
CN109002498B (zh) | 人机对话方法、装置、设备及存储介质 | |
JP2022088586A (ja) | 音声認識方法、音声認識装置、電子機器、記憶媒体コンピュータプログラム製品及びコンピュータプログラム | |
CN115080386A (zh) | 基于自动驾驶功能要求的场景有效性分析方法与设备 | |
CN114141236A (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
CN112149426A (zh) | 阅读任务处理方法及相关设备 | |
CN113610111B (zh) | 分布式多源数据的融合方法、装置、设备及存储介质 | |
US20240061506A1 (en) | Method and system for generating haptic feedback effect, and related device | |
WO2023166747A1 (ja) | 学習データ生成装置、学習データ生成方法、及びプログラム | |
Li et al. | Simulated spoken dialogue system based on IOHMM with user history |
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 |