CN111753063A - 一种应答方法、装置、服务器及存储介质 - Google Patents
一种应答方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN111753063A CN111753063A CN202010129533.5A CN202010129533A CN111753063A CN 111753063 A CN111753063 A CN 111753063A CN 202010129533 A CN202010129533 A CN 202010129533A CN 111753063 A CN111753063 A CN 111753063A
- Authority
- CN
- China
- Prior art keywords
- intention
- answered
- chain
- current
- question
- 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.)
- Pending
Links
- 230000004044 response Effects 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000011218 segmentation Effects 0.000 claims description 61
- 238000013507 mapping Methods 0.000 claims description 44
- 238000012216 screening Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 11
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 10
- 244000046052 Phaseolus vulgaris Species 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000013145 classification model Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种应答方法、装置、服务器及存储介质。该方法包括:获取待应答问题和预设数据,其中,预设数据包括意图树,意图树是根据待匹配意图链和待匹配意图链的应答答案构造的,待匹配意图链是根据历史应答问题构造的;识别出待应答问题的当前业务意图,若当前业务意图的数量是至少两个,则根据当前业务意图得到待应答问题的当前意图链;将当前意图链和意图树进行匹配,根据匹配结果得到待应答问题的应答答案。本发明实施例的技术方案,可以解决在待应答问题是单句多意图时应答答案不准确的问题,提高了智能应答系统的应答答案的精准性。
Description
技术领域
本发明实施例涉及计算机应用技术领域,尤其涉及一种应答方法、装置、服务器及存储介质。
背景技术
智能应答系统在获取到用户提出的待应答问题后,可通过自然语言理解(NLU)对待应答问题的用户主意图进行分类,若是政策咨询类,则进入问答型机器人(QABot)进行应答,否则进入任务型机器人(TaskBot)进行多轮交互应答,且TaskBot可在会话管理(DM)中基于识别出的用户主意图匹配应答答案并输出,若用户主意图模糊还可进行意图引导,示例性的,如表一所示。
在实现本发明的过程中,发明人发现现有技术中存在以下技术问题:NLU只能识别出待应答问题的用户主意图即用户单一意图,此时,在待应答问题是单句多意图时,应答答案仍然是按照用户主意图匹配出的应答答案,这就会出现词不达意、应答答案不准确的问题,示例性的,如表二所示。
表一TaskBot应答的示例
表二单句多意图的示例
发明内容
本发明实施例提供了一种应答方法、装置、服务器及存储介质,解决了在待应答问题是单句多意图时应答答案不准确的问题。
第一方面,本发明实施例提供了一种应答方法,可以包括:
获取待应答问题和预设数据,其中,预设数据包括意图树,意图树是根据待匹配意图链和待匹配意图链的应答答案构造的,待匹配意图链是根据历史应答问题构造的;
识别出待应答问题的当前业务意图,若当前业务意图的数量是至少两个,则根据当前业务意图得到待应答问题的当前意图链;
将当前意图链和意图树进行匹配,根据匹配结果得到待应答问题的应答答案。
可选的,根据匹配结果得到待应答问题的应答答案,可以包括:
在意图树中,若与当前意图链匹配的已匹配意图链的数量是一个,则将已匹配意图链的末尾意图节点对应的节点答案作为待应答问题的应答答案,或者,根据末尾意图节点的子意图节点生成第一意图引导,并将第一意图引导和节点答案作为待应答问题的应答答案;
若已匹配意图链的数量是至少两个,则根据每个已匹配意图链的末尾意图节点的子意图节点生成第二意图引导,并将第二意图引导作为待应答问题的应答答案。
可选的,预设数据还包括预设映射数据,预设映射数据包括历史应答问题的历史分词和历史意图间的映射关系;
识别出待应答问题的当前业务意图,可以包括:
获取待应答问题的用户主意图和第一分词结果,根据第一分词结果和预设映射数据从多个历史意图中筛选出待应答问题的初始意图,并从各初始意图中筛选出与用户主意图匹配的目标意图;
根据预设映射数据,将待应答问题中与目标意图对应的目标分词结果进行泛化,根据泛化结果更新待应答问题;
重复执行获取待应答问题的用户主意图和第一分词结果的步骤,直至用户主意图是非业务意图,以得到待应答问题的当前业务意图。
可选的,预设映射数据可以通过如下步骤预先生成:
获取历史应答问题中的第二分词结果,计算每个第二分词结果的意图权值,并根据计算结果从各第二分词结果中筛选出历史分词;
根据历史分词和历史分词所在的历史应答问题的历史意图,生成预设映射数据。
可选的,计算每个第二分词结果中的当前分词结果w的意图权值IntentWeight(w),可以包括:
获取各历史应答问题中w出现的次数WordTotal(w)以及包含w且存在意图的历史应答问题的数量Itent(w);
根据WordTotal(w)和Itent(w),通过如下式子计算w的IntentWeight(w):
IntentWeight(w)=WordTotal(w)/Itent(w)*lg(Itent(w))。
可选的,意图树可以通过如下步骤预先构造:
针对历史应答问题中存在意图的目标历史问题,以各目标历史问题的提问顺序为依据,根据各目标历史问题的历史意图构造待匹配意图链,并根据待匹配意图链和待匹配意图链的应答答案构造意图树。
可选的,根据当前业务意图得到待应答问题的当前意图链,可以包括:
对至少两个当前业务意图进行全排序,并根据全排序结果得到待应答问题的当前意图链。
可选的,根据当前业务意图得到待应答问题的当前意图链,可以包括:
若待应答问题所在的当前应答会话中存在第一已应答意图或是第一已应答意图链,则根据当前业务意图,以及,第一已应答意图或是第一已应答意图链,得到待应答问题的当前意图链。
可选的,在上述方法的基础上,该方法还可包括:
若当前业务意图的数量是一个,且待应答问题所在的当前应答会话中存在第二已应答意图或是第二已应答意图链,则根据当前业务意图,以及,第二已应答意图或是第二已应答意图链,得到待应答问题的当前意图链。
第二方面,本发明实施例还提供了一种应答装置,该装置可以包括:
获取模块,用于获取待应答问题和预设数据,其中,预设数据包括意图树,意图树是根据待匹配意图链和待匹配意图链的应答答案构造的,待匹配意图链是根据历史应答问题构造的;
得到模块,用于识别出待应答问题的当前业务意图,若当前业务意图的数量是至少两个,则根据当前业务意图得到待应答问题的当前意图链;
应答模块,用于将当前意图链和意图树进行匹配,根据匹配结果得到待应答问题的应答答案。
第三方面,本发明实施例还提供了一种服务器,该服务器可以包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现本发明任意实施例所提供的应答方法。
第四方面,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,该计算机程序被处理器执行时实现本发明任意实施例所提供的应答方法。
本发明实施例的技术方案,通过获取待应答问题,并识别出待应答问题的当前业务意图,这当前业务意图可以呈现出待应答问题的全部的存在实质业务的当前意图;在当前业务意图的数量是至少两个时,可以根据当前业务意图得到待应答问题的当前意图链,并将当前意图链和意图树进行完全匹配,由于意图树是根据待匹配意图链和待匹配意图链的应答答案构造的,由此可以根据匹配结果得到待应答问题的应答答案。上述技术方案解决了在待应答问题是单句多意图时应答答案不准确的问题,提高了智能应答系统的应答答案的精准性。
附图说明
图1是本发明实施例一中的一种应答方法的流程图;
图2a是本发明实施例一中的一种应答方法中意图树的第一种示意图;
图2b是本发明实施例一中的一种应答方法中意图树的第二种示意图;
图3是本发明实施例二中的一种应答方法的流程图;
图4a是本发明实施例二中的一种应答方法的优选实施例的结构框图;
图4b是本发明实施例二中的一种应答方法的优选实施例的流程图;
图5是本发明实施例三中的一种应答装置的结构框图;
图6是本发明实施例四中的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中提供的一种应答方法的流程图。本实施例可适用于对单句多意图的待应答问题进行应答的情况。该方法可以由本发明实施例提供的应答装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在各种用户终端或服务器上。
参见图1,本发明实施例的方法具体包括如下步骤:
S110、获取待应答问题和预设数据,其中,预设数据包括意图树,意图树是根据待匹配意图链和待匹配意图链的应答答案构造的,待匹配意图链是根据历史应答问题构造的。
其中,获取待应答问题和预设数据,待应答问题可以是用户提出的待应答的问题,预设数据可以是预先设置的数据,比如意图树、预设映射数据等等。意图树可根据待匹配意图链和待匹配意图链的应答答案预先构造,待匹配意图链可根据历史应答问题预先构造。
示例性的,以智能应答系统中某个用户在某次历史应答会话中涉及到的历史应答问题,尤其是历史应答问题中存在意图的目标历史问题为例,以各目标历史问题的提问顺序为依据,可根据各目标历史问题的历史意图构造待匹配意图链,这目标历史问题的历史意图可通过预设意图分类模型预先得到,这预设意图分类模型可以是卷积神经网络(Convolutional Neural Networks,CNN)模型、循环神经网络(Recurrent NeuralNetworks,RNN)模型等等。这样一来,一个用户的一次历史应答会话就有可能构造出一条待匹配意图链,当存在多次历史应答会话时,即可构造出多条待匹配意图链,而这多条意图链可按重合意图构造出未配置应答答案的多棵意图树。在此基础上,在为意图树中的待匹配意图链配置出相应的应答答案后,即可得到已配置应答答案的多棵意图树。示例性的,待匹配意图链是【开发票及报销】→【退京豆】、【开发票及报销】→【退红包】和【物流异常咨询】→【售后运费】,其中,“开发票及报销”是重合意图,在为每条待匹配意图链配置出相应的应答答案后,即可生成如图2a所示的意图树,图2a中包括两棵意图树。
具体的,在实际应用中,可选的,一方面,目标历史问题还可以是那些要求转人工的历史应答会话中的历史应答问题,因为这些要求转人工的历史应答会话多是用户对其应答答案不满意的情况,其中的目标历史问题是单句多意图的可能性更大,对这样的历史应答会话进行优化的针对性更强。另一方面,可以对历史意图、待匹配意图链和未配置应答答案的意图树进行清洗,比如,针对目标历史问题的历史意图,可以剔除其中的非业务意图比如无意图、意图模糊和转人工意图,然后根据剔除结果构造待匹配意图链;比如,针对已得到的各条待匹配意图链,还可以统计每条待匹配意图链的热度,比如,统计每条待匹配意图链的出现次数,并保留那些热度大于预设热度阈值的待匹配意图链;再比如,可以先从未配置应答答案的意图树中剔除那些无业务应答需求的分支,并在存在业务应答需求的分支上配置应答答案;等等。
S120、识别出待应答问题的当前业务意图,若当前业务意图的数量是至少两个,则根据当前业务意图得到待应答问题的当前意图链。
其中,识别出待应答问题的当前业务意图,比如,其可以基于递归意图识别和意图词泛化的方式识别,也可以基于其余的方式识别,在此未做具体限定。当前业务意图的数量可以是一个或多个,其可以呈现出待应答问题的全部的存在实质业务的当前意图,如物流异常咨询、退红包、售后运费等等。在实际应用中,可以先识别出待应答问题的当前意图,该当前意图可以包括当前业务意图和当前非业务意图,该当前非业务意图是那些未存在实质业务的当前意图,如无意图、意图模型、转人工意图等等;然后,再从当前意图中筛选出当前业务意图。当前业务意图设置的意义在于,通常情况下,意图树中的待匹配意图链是由各个业务意图构成的,其通常未包括非业务意图,这是因为非业务意图对单句多意图的识别会造成干扰,没有任何实质意义,由此,可根据当前业务意图构造出当前意图链。
在此基础上,在当前业务意图的数量是至少两个时,可以根据当前业务意图得到待应答问题的当前意图链,该当前意图链的数量可以是一个或是多个,比如,可以基于当前业务意图的识别顺序构造出一条当前意图链,这样设置的好处是可以简化操作;再比如,可以对至少两个当前业务意图进行全排序,并根据全排序结果得到待应答问题的至少两条当前意图链,这样设置的好处是可以提高单句多意图的识别精度,示例性的,若当前业务意图是“开发票及报销”和“退京豆”,则当前意图链可以是【开发票及报销】→【退京豆】和【退京豆】→【开发票及报销】。
S130、将当前意图链和意图树进行匹配,根据匹配结果得到待应答问题的应答答案。
其中,将当前意图链和意图树进行匹配,可选的,可以基于KMP(Knuth-Morris-Pratt)算法将当前意图链和意图树进行匹配,并根据匹配结果得到待应答问题的应答答案。在实际应用中,匹配结果可能包括多种情况,不同种情况可采用不同的策略得到待应答问题的应答答案。需要说明的是,下述将要阐述的几种情况只是匹配结果中可能出现的情况,其仅是示例性说明,并非是对匹配结果的具体限定。
情况1)在意图树中未匹配出与当前意图链完全匹配的已匹配意图链,即意图树匹配失败,则可根据待应答问题的用户主意图直接得到待应答问题的应答答案,比如,可以在预设问答知识库中搜索到与用户主意图对应的待匹配问题,并将该待匹配问题的应答答案作为待应答问题的应答答案。
情况2a)在意图树中匹配出一个已匹配意图链,则可以将已匹配意图链的末尾意图节点对应的节点答案作为待应答问题的应答答案。示例性的,若当前业务意图是“物流异常咨询”和“售后运费”,则当前意图链可以是【物流异常咨询】→【售后运费】和【售后运费】→【物流异常咨询】,在如图2b所示的意图树中,与当前意图链完全匹配的已匹配意图链是【物流异常咨询】→【售后运费】,那么,已匹配意图链的末尾意图节点是【售后运费】,而【售后运费】对应的节点答案是“您好,如果是卖家造成的错误,来回运费是要卖家承担的,如果卖家拒不承担,您可以投诉的”,其可作为待应答问题的应答答案。
情况2b)在此基础上,由于已匹配意图链可以是某棵意图树上的一部分,在这棵意图树上,若已匹配意图链的末尾意图节点还存在子意图节点,这一子意图节点是意图树上的意图节点而非已匹配意图链上的意图节点,则还可以根据末尾意图节点的子意图节点生成第一意图引导,并将第一意图引导和末尾意图节点对应的节点答案同时作为待应答问题的应答答案,这第一意图引导可以针对潜在的待应答问题对用户进行意图引导。当然,若末尾意图节点未存在相应的节点答案,也可以只将第一意图引导作为待应答问题的应答答案。示例性的,继续以上述例子为例,在如图2b所示的意图树中,与当前意图链完全匹配的已匹配意图链是【物流异常咨询】→【售后运费】,此时,其末尾意图节点【售后运费】还存在相应的子意图节点【投诉商家】,由此,可根据【投诉商家】生成第一意图引导“您可能还要咨询:如何投诉商家?”。
情况3)若已匹配意图链的数量是至少两个,此时,多个已匹配意图链有可能无法确定出唯一的节点答案,由此,可以根据每个已匹配意图链的末尾意图节点的子意图节点生成第二意图引导,并将第二意图引导作为待应答问题的应答答案。需要说明的是,相对于现有技术只会在意图模糊时进行意图引导,上述第一意图引导和/或第二意图引导的设置,可以在给出应答答案的同时,针对潜在的待应答问题进行意图引导,这可以显著提升智能应答系统的应答体验。
本发明实施例的技术方案,通过获取待应答问题,并识别出待应答问题的当前业务意图,这当前业务意图可以呈现出待应答问题的全部的存在实质业务的当前意图;在当前业务意图的数量是至少两个时,可以根据当前业务意图得到待应答问题的当前意图链,并将当前意图链和意图树进行完全匹配,由于意图树是根据待匹配意图链和待匹配意图链的应答答案构造的,由此可以根据匹配结果得到待应答问题的应答答案。上述技术方案解决了在待应答问题是单句多意图时应答答案不准确的问题,提高了智能应答系统的应答答案的精准性。
在此基础上,一个可能出现的应用场景是,在当前应答会话中,用户很可能会依次提出多个待应答问题,且这多个待应答问题的意图是连续相关意图,此时,现有技术通常是按照每个待应答问题的用户主意图(即,意图识别结果)直接给出应答答案,而不会考虑这多个待应答问题间的意图关联性,这就会出现词不达意、应答答案不准确的问题。示例性的,如表三所示,第2轮应答答案未参考第1轮应答答案,即两轮应答答案彼此独立,未存在关联性。由此,针对多轮连续相关意图的应答答案不准确的问题,本发明实施例提出了通过组装已应答意图/已应答意图链和当前业务意图来构造当前意图链的技术方案,其以单句多意图识别为基础,可支持多轮多意图应答,该技术方案的具体实现过程如下所述。需要说明的是,各轮待应答问题可能存在连续相关意图,也可能未存在连续相关意图,但是,这都可以先基于上述解决方案构造出当前意图链,并将当前意图链和意图树进行匹配,此时,若匹配成功(即,各轮待应答问题存在连续相关意图)则可根据意图树中相应的节点答案和/或意图引导给出待应答问题的应答答案;若匹配失败(即,各轮待应答问题未存在连续相关意图)则可根据待应答问题的当前业务意图直接得出待应答问题的应答答案。
表三连续相关意图的示例
在此基础上,一种可选的技术方案,在当前应答会话中,针对每个待应答问题,智能应答系统都会给出相应的应答答案,此时,这一待应答问题可转变为已应答问题,这一待应答问题的当前业务意图可转变为已应答意图。由此,在当前应答会话中,若存在待应答问题和至少一个存在意图的已应答问题,即存在已应答问题的第一已应答意图(即,第一已应答意图的数量是一个,其无法构成第一已应答意图链)或是第一已应答意图链(即,第一已应答意图的数量是至少两个,其可构成第一已应答意图链),则根据当前业务意图得到待应答问题的当前意图链,具体可以包括:根据当前业务意图,以及,第一已应答意图或是第一已应答意图链,得到待应答问题的当前意图链。示例性的,若第一已应答意图是“退换货咨询”,且当前业务意图是“开发票及报销”和“退京豆”,则当前意图链可以是【退换货咨询】→【开发票及报销】→【退京豆】和【退换货咨询】→【退京豆】→【开发票及报销】。
相应的,可选的,若当前业务意图的数量是一个,且待应答问题所在的当前应答会话中未存在第二已应答意图或是第二已应答意图链,也就是说,在当前应答会话中未存在具有意图的已应答问题,则此时无法构成当前意图链,可以根据待应答问题的用户主意图直接得出待应答问题的应答答案。再可选的,若当前业务意图的数量是一个,且待应答问题所在的当前应答会话中存在第二已应答意图或是第二已应答意图链,则可以根据当前业务意图,以及,第二已应答意图或是第二已应答意图链,得到待应答问题的当前意图链。示例性的,若第二已应答意图链是【修改订单】→【修改订单地址】,当前业务意图是“取消订单”,则当前意图链是【修改订单】→【修改订单地址】→【取消订单】。
实施例二
图3是本发明实施例二中提供的一种应答方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中,可选的,预设数据还可以包括预设映射数据,预设映射数据可以包括历史应答问题的历史分词和历史意图间的映射关系;相应的,识别出待应答问题的当前业务意图,具体可以包括:获取待应答问题的用户主意图和第一分词结果,根据第一分词结果和预设映射数据从多个历史意图中筛选出待应答问题的初始意图,并从各初始意图中筛选出与用户主意图匹配的目标意图;根据预设映射数据,将待应答问题中与目标意图对应的目标分词结果进行泛化,根据泛化结果更新待应答问题;重复执行获取待应答问题的用户主意图和第一分词结果的步骤,直至用户主意图是非业务意图,以得到待应答问题的当前业务意图。其中,与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图3,本实施例的方法具体可以包括如下步骤:
S210、获取待应答问题和预设数据,其中,预设数据包括意图树和预设映射数据,意图树是根据待匹配意图链和待匹配意图链的应答答案构造的,待匹配意图链是根据历史应答问题构造的,预设映射数据包括历史应答问题的历史分词和历史意图间的映射关系。
其中,预设映射数据可以包括历史应答问题的历史分词和历史意图间的映射关系,这一映射关系可能是一对一、一对多、多对一和/或多对多,比如,每个历史分词可能对应至少一个历史意图,而每个历史意图也可能对应至少一个历史分词。在此基础上,可选的,预设映射数据可以通过如下步骤预先生成:先对历史应答问题进行分词,比如,可以对历史应答问题进行jieba分词、盘古分词、Yaha分词、清华THULAC等等,获取历史应答问题中的第二分词结果,这历史应答问题可以是从智能应答系统的线上会话语料中筛选出的用户语料,尤其是存在意图的用户语料;计算每个第二分词结果的意图权值,并根据计算结果从各第二分词结果中筛选出历史分词,比如,可以将意图权值大于预设权值阈值的第二分词结果作为历史分词;根据历史分词和历史分词所在的历史应答问题的历史意图,生成预设映射数据,这预设映射数据可以是一个分词意图映射表,示例性的,如表四所示。需要说明的是,每个历史应答问题可能存在一个或多个历史分词,这一个或多个历史分词对应同一历史意图。而历史应答问题是否存在意图以及存在什么意图,可通过预设意图分类模型预先得到,这预设意图分类模型可以是卷积神经网络(Convolutional Neural Networks,CNN)模型、循环神经网络(Recurrent Neural Networks,RNN)模型等等。
表四分词意图映射表
第二分词结果 | 历史意图 |
改 | 修改订单 |
修改 | 修改订单地址 |
订单 | 修改订单 |
地址 | 修改订单地址 |
配送 | 修改订单地址 |
…… | …… |
在此基础上,可选的,计算每个第二分词结果中的当前分词结果w的意图权值IntentWeight(w),具体可以包括:获取各历史应答问题中w出现的次数WordTotal(w)以及包含w且存在意图的历史应答问题的数量Itent(w);根据WordTotal(w)和Itent(w),通过如下式子计算w的IntentWeight(w):IntentWeight(w)=WordTotal(w)/Itent(w)*lg(Itent(w))。
S220、获取待应答问题的用户主意图和第一分词结果,根据第一分词结果和预设映射数据从多个历史意图中筛选出待应答问题的初始意图,并从各初始意图中筛选出与用户主意图匹配的目标意图。
其中,待应答问题的用户主意图可通过预设意图分类模型获取,而待应答问题的第一分词结果可以通过jieba分词、盘古分词、Yaha分词、清华THULAC等等获取。根据预设映射数据从第一分词结果中筛选出属于历史分词的已筛选分词结果,并从预设映射数据的多个历史意图中分别筛选出与每个已筛选分词结果对应的历史意图,其可作为待应答为问题的初始意图,这初始意图的数量可以是一个或多个。进而,将各初始意图和用户主意图进行对比,以从各初始意图中筛选出与用户主意图完全匹配的目标意图。
S230、根据预设映射数据,将待应答问题中与目标意图对应的目标分词结果进行泛化,根据泛化结果更新待应答问题。
其中,根据预设映射数据,从第一分词结果中筛选出与目标意图对应的目标分词结果,其是与用户主意图相关的意图词。对目标分词结果进行泛化,比如,可以将目标分词结果泛化为“IntentWord”,当然,“IntentWord”只是一个例子,在预设意图分类模型中,“IntentWord”可以是任一个在模型训练集中未曾出现过或是很少出现的词汇,这样的词汇对预设意图分类模型在识别意图时的影响最小。当然,若未存在目标分词结果,则说明待应答问题中的每个第一分词结果都无需泛化。
S240、重复执行获取待应答问题的用户主意图和第一分词结果的步骤,直至用户主意图是非业务意图,以得到待应答问题的当前业务意图。
其中,重复执行上述步骤,当用户主意图是非业务意图时,即可退出这一重复执行过程,并根据重复执行过程中出现的各个目标意图确定待应答问题的当前业务意图。示例性的,如表五所示,若待应答问题是“开了增值税发票了,还能退京豆吗”,根据上述步骤得到的目标分词结果是“开,增值税,发票”,且用户主意图是业务意图,则可对待应答问题中的“开,增值税,发票”进行泛化,得到“IntentWord了IntentWord IntentWord了,还能退京豆吗”;重复执行,直至在识别出“IntentWord了IntentWord IntentWord了,还能IntentWord吗”的用户主意图是无意图(非业务意图中的一种),跳出这一重复执行过程,并根据每次重复执行过程中的目标分词结果得到当前业务意图“开,增值税,发票,退京豆”。
表五待应答问题中当前业务意图的识别示例
S250、若当前业务意图的数量是至少两个,则根据当前业务意图得到待应答问题的当前意图链,并将当前意图链和意图树进行匹配,根据匹配结果得到待应答问题的应答答案。
本发明实施例的技术方案,根据待应答问题的第一分词结果和预设映射数据,可以从多个历史意图中筛选出待应答问题的初始意图,进而从各初始意图中筛选出与待应答问题的用户主意图匹配的目标意图;由此,根据预设映射数据可对待应答问题中与目标意图对应的目标分词结果进行泛化,这目标分词结果是与用户主意图相关的意图词,并根据泛化结果更新待应答问题;重复执行这一过程,直至用户主意图是非业务意图,由此可根据重复执行过程中出现的各个目标意图精准确定出待应答问题的当前业务意图。
为了更好地理解上述步骤的具体实现过程,下面结合具体示例,对本实施例的应答方法进行示例性的说明。示例性的,如图4a和图4b所示,首先,数据初始化模块可抽取线上用户语料,尤其是那些要求转人工的线上用户语料,并对线上用户语料进行清洗,剔除其中的无意图、意图模糊和转人工意图等非业务意图,将保留下来的各业务意图按顺序构造出热度大于预设热度阈值的待匹配意图链;保留存在业务应答需求的待匹配意图链,并为这些保留下来的待匹配意图链配置相应的应答答案,按重合意图构造出意图树。
其次,针对用户提出的待应答问题,当前意图链识别模块可识别出待应答问题的用户主意图,并在用户主意图是非业务意图时,对待应答问题中的目标分词结果进行泛化,这目标分词结果是与用户主意图相关的意图词,重复执行这一过程,直至用户主意图是非业务意图,过滤出重复执行过程中涉及到的各个非业务意图,得到当前意图。此时,可能会出现如下几种情况:当前意图中未存在业务意图(即,每个用户主意图均是非业务意图),基于当前意图直接应答;或者,当前意图中存在业务意图,则可以根据当前意图,或是,根据当前意图和历史意图/历史意图链构造出当前意图链。
再次,意图树应答模块在接收到当前意图链后,可基于KMP算法对比当前意图链和意图树,并输出匹配结果。若匹配结果是匹配成功,则可根据匹配结果输出相应的意图引导和/或节点答案;否则,可基于当前意图直接应答。本发明实施例的技术方案,基于递归意图识别和意图词泛化的方式识别出单句多意图,并通过组装当前意图链和基于KMP算法匹配意图树的方式,针对多轮相关连续意图进行应答及意图引导,实现了单句多意图与多轮连续相关意图的准确应答和意图引导,提高了智能应答系统的使用体验。
实施例三
图5为本发明实施例三提供的应答装置的结构框图,该装置用于执行上述任意实施例所提供的应答方法。该装置与上述各实施例的应答方法属于同一个发明构思,在应答装置的实施例中未详尽描述的细节内容,可以参考上述应答方法的实施例。参见图5,该装置具体可包括:获取模块310、得到模块320和应答模块330。
其中,获取模块310,用于获取待应答问题和预设数据,其中,预设数据包括意图树,意图树是根据待匹配意图链和待匹配意图链的应答答案构造的,待匹配意图链是根据历史应答问题构造的;
得到模块320,用于识别出待应答问题的当前业务意图,若当前业务意图的数量是至少两个,则根据当前业务意图得到待应答问题的当前意图链;
应答模块330,用于将当前意图链和意图树进行匹配,根据匹配结果得到待应答问题的应答答案。
可选的,应答模块330,具体可以包括:
第一应答单元,用于在意图树中,若与当前意图链匹配的已匹配意图链的数量是一个,则将已匹配意图链的末尾意图节点对应的节点答案作为待应答问题的应答答案,或者,根据末尾意图节点的子意图节点生成第一意图引导,并将第一意图引导和节点答案作为待应答问题的应答答案;
第二应答单元,用于若已匹配意图链的数量是至少两个,则根据每个已匹配意图链的末尾意图节点的子意图节点生成第二意图引导,并将第二意图引导作为待应答问题的应答答案。
可选的,预设数据还包括预设映射数据,预设映射数据包括历史应答问题的历史分词和历史意图间的映射关系;得到模块320,具体可以包括:
目标意图筛选单元,用于获取待应答问题的用户主意图和第一分词结果,根据第一分词结果和预设映射数据从多个历史意图中筛选出待应答问题的初始意图,并从各初始意图中筛选出与用户主意图匹配的目标意图;
待应答问题更新单元,用于根据预设映射数据,将待应答问题中与目标意图对应的目标分词结果进行泛化,根据泛化结果更新待应答问题;
当前业务意图得到单元,用于重复执行获取待应答问题的用户主意图和第一分词结果的步骤,直至用户主意图是非业务意图,以得到待应答问题的当前业务意图。
可选的,在上述装置的基础上,该装置还可包括:
历史分词筛选模块,用于获取历史应答问题中的第二分词结果,计算每个第二分词结果的意图权值,根据计算结果从各第二分词结果中筛选出历史分词;
预设映射数据生成模块,用于根据历史分词和历史分词所在的历史应答问题的历史意图,生成预设映射数据。
可选的,历史分词筛选模块,具体可以用于:
获取各历史应答问题中w出现的次数WordTotal(w)以及包含w且存在意图的历史应答问题的数量Itent(w);
根据WordTotal(w)和Itent(w),通过如下式子计算w的IntentWeight(w):
IntentWeight(w)=WordTotal(w)/Itent(w)*lg(Itent(w))。
可选的,在上述装置的基础上,该装置还可包括:
意图树构造模块,用于针对历史应答问题中存在意图的目标历史问题,以各目标历史问题的提问顺序为依据,根据各目标历史问题的历史意图构造待匹配意图链,并根据待匹配意图链和待匹配意图链的应答答案构造意图树。
可选的,得到模块320,可以包括:
第一当前意图链得到单元,用于对至少两个当前业务意图进行全排序,并根据全排序结果得到待应答问题的当前意图链。
可选的,得到模块320,可以包括:
第二当前意图链得到单元,用于若待应答问题所在的当前应答会话中存在第一已应答意图或是第一已应答意图链,则根据当前业务意图,以及,第一已应答意图或是第一已应答意图链,得到待应答问题的当前意图链。
可选的,在上述装置的基础上,该装置还可包括:
再得到模块,用于若当前业务意图的数量是一个,且待应答问题所在的当前应答会话中存在第二已应答意图或是第二已应答意图链,则根据当前业务意图以及第二已应答意图或是第二已应答意图链,得到待应答问题的当前意图链。
本发明实施例三提供的应答装置,通过获取模块可以获取待应答问题,并识别出待应答问题的当前业务意图,这当前业务意图可以呈现出待应答问题的全部的存在实质业务的当前意图;得到模块在当前业务意图的数量是至少两个时,可以根据当前业务意图得到待应答问题的当前意图链;应答模块可以将当前意图链和意图树进行完全匹配,由于意图树是根据待匹配意图链和待匹配意图链的应答答案构造的,由此可以根据匹配结果得到待应答问题的应答答案。上述装置解决了在待应答问题是单句多意图时应答答案不准确的问题,提高了智能应答系统的应答答案的精准性。
本发明实施例所提供的应答装置可执行本发明任意实施例所提供的应答方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述应答装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例四
图6为本发明实施例四提供的一种服务器的结构示意图,如图6所示,该服务器包括存储器410、处理器420、输入装置430和输出装置440。服务器中的处理器420的数量可以是一个或多个,图6中以一个处理器420为例;服务器中的存储器410、处理器420、输入装置430和输出装置440可以通过总线或其它方式连接,图6中以通过总线450连接为例。
存储器410作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的应答方法对应的程序指令/模块(例如,应答装置中的获取模块310、得到模块320和应答模块330)。处理器420通过运行存储在存储器410中的软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述的应答方法。
存储器410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;存储数据区可存储根据服务器的使用所创建的数据等。此外,存储器410可以包括高速随机存取存储器,还可以包括非易失性存储器,例如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。在一些实例中,存储器410可进一步包括相对于处理器420远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息,以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
本发明实施例五提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种应答方法,该方法包括:
获取待应答问题和预设数据,其中,预设数据包括意图树,意图树是根据待匹配意图链和待匹配意图链的应答答案构造的,待匹配意图链是根据历史应答问题构造的;
识别出待应答问题的当前业务意图,若当前业务意图的数量是至少两个,则根据当前业务意图得到待应答问题的当前意图链;
将当前意图链和意图树进行匹配,根据匹配结果得到待应答问题的应答答案。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的应答方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。依据这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种应答方法,其特征在于,包括:
获取待应答问题和预设数据,其中,所述预设数据包括意图树,所述意图树是根据待匹配意图链和所述待匹配意图链的应答答案构造的,所述待匹配意图链是根据历史应答问题构造的;
识别出所述待应答问题的当前业务意图,若所述当前业务意图的数量是至少两个,则根据所述当前业务意图得到所述待应答问题的当前意图链;
将所述当前意图链和所述意图树进行匹配,根据匹配结果得到所述待应答问题的应答答案。
2.根据权利要求1所述的方法,其特征在于,所述根据匹配结果得到所述待应答问题的应答答案,包括:
在所述意图树中,若与所述当前意图链匹配的已匹配意图链的数量是一个,则将所述已匹配意图链的末尾意图节点对应的节点答案作为所述待应答问题的应答答案,或者,根据所述末尾意图节点的子意图节点生成第一意图引导,并将所述第一意图引导和所述节点答案作为所述待应答问题的应答答案;
若所述已匹配意图链的数量是至少两个,则根据每个所述已匹配意图链的末尾意图节点的子意图节点生成第二意图引导,并将所述第二意图引导作为所述待应答问题的应答答案。
3.根据权利要求1所述的方法,其特征在于,所述预设数据还包括预设映射数据,所述预设映射数据包括所述历史应答问题的历史分词和历史意图间的映射关系;所述识别出所述待应答问题的当前业务意图,包括:
获取所述待应答问题的用户主意图和第一分词结果,根据所述第一分词结果和所述预设映射数据从多个所述历史意图中筛选出所述待应答问题的初始意图,并从各所述初始意图中筛选出与所述用户主意图匹配的目标意图;
根据所述预设映射数据,将所述待应答问题中与所述目标意图对应的目标分词结果进行泛化,根据泛化结果更新所述待应答问题;
重复执行所述获取所述待应答问题的用户主意图和第一分词结果的步骤,直至所述用户主意图是非业务意图,以得到所述待应答问题的当前业务意图。
4.根据权利要求3所述的方法,其特征在于,所述预设映射数据通过如下步骤预先生成:
获取所述历史应答问题中的第二分词结果,计算每个所述第二分词结果的意图权值,并根据计算结果从各所述第二分词结果中筛选出所述历史分词;
根据所述历史分词和所述历史分词所在的所述历史应答问题的历史意图,生成所述预设映射数据。
5.根据权利要求4所述的方法,其特征在于,所述计算每个所述第二分词结果中的当前分词结果w的意图权值IntentWeight(w),包括:
获取各所述历史应答问题中w出现的次数WordTotal(w)以及包含w且存在意图的所述历史应答问题的数量Itent(w);
根据WordTotal(w)和Itent(w),通过如下式子计算w的IntentWeight(w):
IntentWeight(w)=WordTotal(w)/Itent(w)*lg(Itent(w))。
6.根据权利要求1所述的方法,其特征在于,所述意图树通过如下步骤预先构造:
针对所述历史应答问题中存在意图的目标历史问题,以各所述目标历史问题的提问顺序为依据,根据各所述目标历史问题的历史意图构造所述待匹配意图链,并根据所述待匹配意图链和所述待匹配意图链的应答答案构造意图树。
7.根据权利要求1所述的方法,其特征在于,所述根据所述当前业务意图得到所述待应答问题的当前意图链,包括:
对至少两个所述当前业务意图进行全排序,并根据全排序结果得到所述待应答问题的当前意图链。
8.根据权利要求1所述的方法,其特征在于,所述根据所述当前业务意图得到所述待应答问题的当前意图链,包括:
若所述待应答问题所在的当前应答会话中存在第一已应答意图或是第一已应答意图链,则根据所述当前业务意图,以及,所述第一已应答意图或是所述第一已应答意图链,得到所述待应答问题的当前意图链。
9.根据权利要求1所述的方法,其特征在于,还包括:
若所述当前业务意图的数量是一个,且所述待应答问题所在的当前应答会话中存在第二已应答意图或是第二已应答意图链,则根据所述当前业务意图,以及,所述第二已应答意图或是所述第二已应答意图链,得到所述待应答问题的当前意图链。
10.一种应答装置,其特征在于,包括:
获取模块,用于获取待应答问题和预设数据,其中,所述预设数据包括意图树,所述意图树是根据待匹配意图链和所述待匹配意图链的应答答案构造的,所述待匹配意图链是根据历史应答问题构造的;
得到模块,用于识别出所述待应答问题的当前业务意图,若所述当前业务意图的数量是至少两个,则根据所述当前业务意图得到所述待应答问题的当前意图链;
应答模块,用于将所述当前意图链和所述意图树进行匹配,根据匹配结果得到所述待应答问题的应答答案。
11.一种服务器,其特征在于,所述服务器包括:
一个或多个处理器;
存储器,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1-9中任一所述的应答方法。
12.一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执行时实现如权利要求1-9中任一所述的应答方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129533.5A CN111753063A (zh) | 2020-02-28 | 2020-02-28 | 一种应答方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010129533.5A CN111753063A (zh) | 2020-02-28 | 2020-02-28 | 一种应答方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111753063A true CN111753063A (zh) | 2020-10-09 |
Family
ID=72673056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010129533.5A Pending CN111753063A (zh) | 2020-02-28 | 2020-02-28 | 一种应答方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753063A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100339A (zh) * | 2020-11-04 | 2020-12-18 | 北京淇瑀信息科技有限公司 | 用于智能语音机器人的用户意图识别方法、装置和电子设备 |
CN112182190A (zh) * | 2020-10-13 | 2021-01-05 | 深圳壹账通智能科技有限公司 | 智能问答方法、装置、电子设备及存储介质 |
CN112417114A (zh) * | 2020-11-11 | 2021-02-26 | 北京沃东天骏信息技术有限公司 | 一种应答方法、装置、设备及计算机可读存储介质 |
CN113065362A (zh) * | 2021-03-19 | 2021-07-02 | 联想(北京)有限公司 | 一种智能回复方法及装置 |
CN115834519A (zh) * | 2022-12-24 | 2023-03-21 | 北京蔚领时代科技有限公司 | 一种智能问答方法、装置、服务端及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919655A (zh) * | 2017-01-24 | 2017-07-04 | 网易(杭州)网络有限公司 | 一种答案提供方法和装置 |
CN108804521A (zh) * | 2018-04-27 | 2018-11-13 | 南京柯基数据科技有限公司 | 一种基于知识图谱的问答方法及农业百科问答系统 |
US20190164064A1 (en) * | 2017-11-27 | 2019-05-30 | Shanghai Xiaoi Robot Technology Co., Ltd. | Question and answer interaction method and device, and computer readable storage medium |
CN109858007A (zh) * | 2017-11-30 | 2019-06-07 | 上海智臻智能网络科技股份有限公司 | 语义分析问答方法和装置、计算机设备和存储介质 |
CN110019714A (zh) * | 2017-12-07 | 2019-07-16 | 上海智臻智能网络科技股份有限公司 | 基于历史结果的多意图查询方法、装置、设备及存储介质 |
CN110427461A (zh) * | 2019-08-06 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 智能问答信息处理方法、电子设备及计算机可读存储介质 |
CN110569337A (zh) * | 2018-06-06 | 2019-12-13 | 国际商业机器公司 | 支持对话中意图的组合 |
CN110781280A (zh) * | 2019-10-21 | 2020-02-11 | 深圳众赢维融科技有限公司 | 基于知识图谱的语音辅助方法及装置 |
-
2020
- 2020-02-28 CN CN202010129533.5A patent/CN111753063A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919655A (zh) * | 2017-01-24 | 2017-07-04 | 网易(杭州)网络有限公司 | 一种答案提供方法和装置 |
US20190164064A1 (en) * | 2017-11-27 | 2019-05-30 | Shanghai Xiaoi Robot Technology Co., Ltd. | Question and answer interaction method and device, and computer readable storage medium |
CN109858007A (zh) * | 2017-11-30 | 2019-06-07 | 上海智臻智能网络科技股份有限公司 | 语义分析问答方法和装置、计算机设备和存储介质 |
CN110019714A (zh) * | 2017-12-07 | 2019-07-16 | 上海智臻智能网络科技股份有限公司 | 基于历史结果的多意图查询方法、装置、设备及存储介质 |
CN108804521A (zh) * | 2018-04-27 | 2018-11-13 | 南京柯基数据科技有限公司 | 一种基于知识图谱的问答方法及农业百科问答系统 |
CN110569337A (zh) * | 2018-06-06 | 2019-12-13 | 国际商业机器公司 | 支持对话中意图的组合 |
CN110427461A (zh) * | 2019-08-06 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 智能问答信息处理方法、电子设备及计算机可读存储介质 |
CN110781280A (zh) * | 2019-10-21 | 2020-02-11 | 深圳众赢维融科技有限公司 | 基于知识图谱的语音辅助方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182190A (zh) * | 2020-10-13 | 2021-01-05 | 深圳壹账通智能科技有限公司 | 智能问答方法、装置、电子设备及存储介质 |
CN112100339A (zh) * | 2020-11-04 | 2020-12-18 | 北京淇瑀信息科技有限公司 | 用于智能语音机器人的用户意图识别方法、装置和电子设备 |
CN112417114A (zh) * | 2020-11-11 | 2021-02-26 | 北京沃东天骏信息技术有限公司 | 一种应答方法、装置、设备及计算机可读存储介质 |
CN113065362A (zh) * | 2021-03-19 | 2021-07-02 | 联想(北京)有限公司 | 一种智能回复方法及装置 |
CN115834519A (zh) * | 2022-12-24 | 2023-03-21 | 北京蔚领时代科技有限公司 | 一种智能问答方法、装置、服务端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753063A (zh) | 一种应答方法、装置、服务器及存储介质 | |
US20200250378A1 (en) | Methods and apparatuses for identifying a user intent of a statement | |
CN107239450B (zh) | 基于交互上下文处理自然语言方法 | |
CN106407178A (zh) | 一种会话摘要生成方法及装置 | |
CN112084315B (zh) | 问答互动方法、装置、存储介质及设备 | |
CN111241260A (zh) | 基于人机交互的数据处理方法、装置、设备及存储介质 | |
CN109885452A (zh) | 性能监控方法、装置及终端设备 | |
CN117077791B (zh) | 一种基于图数据结构的模型推理方法、装置、设备及介质 | |
CN109388634B (zh) | 地址信息的处理方法、终端设备及计算机可读存储介质 | |
CN110019729B (zh) | 智能问答方法及存储介质、终端 | |
CN110457704B (zh) | 目标字段的确定方法、装置、存储介质及电子装置 | |
CN107958059B (zh) | 智能问答方法、装置、终端和计算机可读存储介质 | |
CN112035599A (zh) | 基于垂直搜索的查询方法、装置、计算机设备及存储介质 | |
CN111970400B (zh) | 骚扰电话识别方法及装置 | |
CN112632239A (zh) | 基于人工智能技术的类脑问答系统 | |
CN110874401A (zh) | 信息处理方法、模型训练方法、装置、终端及计算设备 | |
CN108920530A (zh) | 一种信息处理方法、装置、存储介质及电子设备 | |
CN113064980A (zh) | 一种智能问答方法、装置、计算机设备及存储介质 | |
CN111950237A (zh) | 一种句子改写方法、句子改写装置及电子设备 | |
CN101819569A (zh) | 用于工单预处理的专家系统和工单预处理方法 | |
CN117195046A (zh) | 异常文本识别方法及相关设备 | |
CN111368060A (zh) | 对话机器人的自学习方法、装置、系统、电子设备及介质 | |
CN116340352A (zh) | 数据查询方法、装置、存储介质及电子设备 | |
CN116361546A (zh) | 搜索请求的处理方法、装置、电子设备和存储介质 | |
CN111737425B (zh) | 一种应答方法、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 |