CN111797216A - 检索项改写方法、装置、设备以及存储介质 - Google Patents
检索项改写方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN111797216A CN111797216A CN202010600669.XA CN202010600669A CN111797216A CN 111797216 A CN111797216 A CN 111797216A CN 202010600669 A CN202010600669 A CN 202010600669A CN 111797216 A CN111797216 A CN 111797216A
- Authority
- CN
- China
- Prior art keywords
- item
- retrieval
- search term
- search
- retrieval item
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000015654 memory Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 206010063385 Intellectualisation Diseases 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F16/3343—Query execution using phonetics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
- G06F9/453—Help systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/223—Execution procedure of a spoken command
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种检索项改写方法、装置、设备以及存储介质,涉及数据处理技术领域,尤其涉及人工智能、语音技术、智能搜索和深度学习等技术领域。具体实现方案为:响应检索项改写请求,提取原始检索项的上下文信息和/或所述原始检索项的意图信息;根据所述上下文信息和/或所述意图信息,以及机器词汇集,确定新检索项;其中机器对所述新检索项的理解度大于机器对所述原始检索项的理解度。根据本申请的技术提高了机器的检索效率、检索准确率和智能化。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及人工智能、语音技术、智能搜索和深度学习等技术领域。具体地,本申请实施例提供了一种检索项改写方法、装置、设备以及存储介质。
背景技术
众所周知,由于用户千差万别的口语化表达,语音query(检索项)具有很强的多样性,这样就会导致大量的语音query无法被理解和满足。目前大多数地图类语音助手产品遇到该类情况时,大多采用返回默认回复或者规则配置的回复方式(譬如“很抱歉没有听懂”)。这样的回复让用户感觉产品非常呆板不够智能,甚至打断用户当前的交互,造成用户体验下降。
发明内容
本公开提供了一种检索项改写方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种检索项改写方法,包括:
响应检索项改写请求,提取原始检索项的上下文信息和/或所述原始检索项的意图信息;
根据所述上下文信息和/或所述意图信息,以及机器词汇集,确定新检索项;
其中机器对所述新检索项的理解度大于机器对所述原始检索项的理解度。
根据本公开的另一方面,提供了一种检索项改写装置,包括:
信息提取模块,用于响应检索项改写请求,提取原始检索项的上下文信息和/或所述原始检索项的意图信息;
检索项确定模块,用于根据所述上下文信息和/或所述意图信息,以及机器词汇集,确定新检索项;
其中机器对所述新检索项的理解度大于机器对所述原始检索项的理解度。
根据本公开的又一方面,提供了一种电子设备,其中,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请实施例中任一项所述的方法。
根据本公开的又一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本申请实施例中任一项所述的方法。
根据本申请的技术提高了机器的检索效率、检索准确率和智能化。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的一种检索项改写方法的流程图;
图2是本申请实施例提供的另一种检索项改写方法的流程图;
图3是本申请实施例提供的又一种检索项改写方法的流程图;
图4是本申请实施例提供的又一种检索项改写方法的流程图;
图5是本申请实施例提供的又一种检索项改写方法的流程图;
图6是本申请实施例提供的一种新检索项的反馈效果示意图;
图7是本申请实施例提供的另一种新检索项的反馈效果示意图;
图8是本申请实施例提供的一种检索项改写模型的结构示意图;
图9是本申请实施例提供的一种应用在地图语音助手中的系统框图;
图10是本申请实施例提供的一种检索项改写装置的结构示意图;
图11是根据本申请实施例的检索项改写方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是本申请实施例提供的一种检索项改写方法的流程图。本实施例可适用于人与机器进行智能对话的情况。该方法可以由一种检索项改写装置来执行,该装置可以由软件和/或硬件的方式实现。典型地,该装置可以配置于上述机器中。参见图1,本申请实施例提供的检索项改写方法,包括:
S110、响应检索项改写请求,提取原始检索项的上下文信息和/或该原始检索项的意图信息。
其中,检索项改写请求是指触发对检索项进行改写的请求。
该请求的触发事件可以是用户输入检索项的事件。
为提高检索效率,该请求的触发事件可以是检测到机器对用户输入的检索项无法理解的事件。
原始检索项是指用户输入的待改写的检索文本。
原始检索项的上下文信息是指描述原始检索项的上下文的信息。
上下文又可以理解为语境或语意。
在一个实施例中,提取原始检索项的上下文信息包括:
提取原始检索项中词语间的第一词语关系信息,并将该信息作为原始检索项的上下文信息。
第一词语关系信息是指描述原始检索项中词语间关系的信息。
可选地,可以基于双向循环神经网络(Bidirectional Recurrent NeuralNetworks,Bi-RNN)或双向长短时记忆网络(Bi-directional Long-Short Term Memory),根据原始检索项的词向量,确定原始检索项的第一词语关系信息。
原始检索项的意图信息是指描述原始检索项意图的信息。
S120、根据提取的原始检索项的上下文信息和/或意图信息,以及机器词汇集,确定新检索项。
其中,机器对所述新检索项的理解度大于机器对所述原始检索项的理解度。
机器是指与人进行智能对话的设备。
示例性地,机器可以是智能音箱、安装有语音助手的手机等。
新检索项是指通过改写原始搜索项得到的,且相比原始检索项机器更容易理解的搜索项。
机器对新检索项的理解度表示机器对新检索项的理解程度。
机器对原始检索项的理解度表示机器对原始检索项的理解程度。
机器词汇集是指,机器可以理解的词汇集合。
在一个实施例中,根据原始检索项的上下文信息和/或原始检索项的意图信息,以及机器词汇集,确定新检索项,包括:
根据原始检索项的上下文信息和/或原始检索项的意图信息,从机器词汇集中确定目标词汇;
基于语法,组织所述目标词汇,得到新检索项。
其中,目标词汇是指从机器词汇集中选择的,用于描述原始检索项的上下文信息和/或原始检索项的意图信息的词汇。
本申请实施例的技术方案,通过根据原始检索项的上下文信息和/或原始检索项的意图信息,以及机器词汇集,确定机器可理解的新检索项,从而提高机器的检索效率和机器的智能化,进而提高用户体验。
此外,根据原始检索项的上下文信息和原始检索项的意图信息确定新检索项,使得新检索项在语意维度和意图维度上均与原始检索项匹配,从而提高新检索项的准确率。
图2是本申请实施例提供的另一种检索项改写方法的流程图。本方案是在上述实施例的基础上,对步骤“根据所述上下文信息和/或所述意图信息,以及机器词汇集,确定新检索项”的具体优化。参见图2,本方案提供的检索项改写方法,包括:
S210、响应检索项改写请求,提取原始检索项的上下文信息和/或原始检索项的意图信息。
S220、根据原始检索项的上下文信息和机器词汇集,确定至少两个候选检索项。
其中,候选检索项是指可能是新检索项的检索项。
S230、匹配候选检索项的意图与原始检索项的意图。
S240、根据匹配结果,从至少两个候选检索项中确定新检索项。
在一个实施例中,若候选检索项的意图与原始检索项的意图匹配一致,则将该候选检索项作为新检索项。
本方案通过首先根据原始检索项的上下文信息和机器词汇集,确定至少两个候选检索项;然后根据候选检索项与原始检索项的意图匹配结果,从至少两个候选检索项中确定新检索项,从而实现根据原始检索项的上下文信息、原始检索项的意图信息以及机器词汇集,对新检索项的确定。
图3是本申请实施例提供的又一种检索项改写方法的流程图。本方案是在上述方案的基础上,对上述步骤“根据原始检索项的上下文信息和机器词汇集,确定至少两个候选检索项”的具体优化。参见图3,本方案提供的检索项改写方法,包括:
S310、响应检索项改写请求,提取原始检索项的上下文信息和/或该原始检索项的意图信息。
S320、将原始检索项的上下文信息输入预先训练的序列解码网络,输出至少两个候选检索项。
其中,序列解码网络通过预先训练学习有机器词汇集。
在一个实施例中,该序列解码网络为sequence to sequence(从序列到序列)模型框架中解码部分的网络层。
S330、匹配候选检索项的意图与原始检索项的意图。
可选地,匹配候选检索项的意图与原始检索项的意图,包括:
匹配至少两个候选检索项中各候选检索项的意图与原始检索项的意图;或,
匹配至少两个候选检索项中部分候选检索项的意图与原始检索项的意图。
S340、根据匹配结果,从至少两个候选检索项中确定新检索项。
本方案通过将原始检索项的语义向量输入预先训练的序列转换网络,输出至少两个候选检索项,其中序列转换网络通过预先训练学习有机器词汇集。因为模型更准确地学习到原始检索项与候选检索项之间的关系,所以本方案可以提高候选检索项的准确率。
图4是本申请实施例提供的又一种检索项改写方法的流程图。本方案是在上述方案的基础上,对上述方案的进一步扩展。参见图4,本方案提供的检索项改写方法,包括:
S410、根据机器反馈给用户的答复信息,从用户历史输入的检索项序列中,确定样本检索项组。
其中,样本检索项组中包括至少一个第一检索项和至少一个第二检索项,机器对第一检索项的理解度大于第一理解度阈值,机器对第二检索项的理解度小于第二理解度阈值,且第一检索项与第二检索项的语义相似度大于设定相似度阈值。
样本检索项组是用于训练序列解码网络的样本数据。
第一检索项是指机器可以理解的检索项。
第二检索项是指机器无法理解的检索项。
第一理解度阈值是指,在机器可以理解检索项的情况下,检索项关联理解度的最小值。
第二理解度阈值是指,在机器无法理解检索项的情况下,检索项关联理解度的最大值。
答复信息是指机器基于用户输入的检索项答复用户的信息。
在一个实施例中,答复信息可以是答复的内容,也可以是答复的置信度。
检索项序列是按输入时间排列的多个检索项。
在一个实施例中,根据机器反馈给用户的答复信息,从用户历史输入的检索项序列中,确定样本检索项组,包括:
根据机器反馈给用户的答复信息,从用户历史输入的检索项序列中确定发生时间连续的至少一个第一检索项;
检测与上述至少一个第一检索项的发生时间连续,且发生在第一检索项之后的至少一个第二检索项;
根据至少一个第一检索项和至少一个第二检索项,确定样本检索项组。
在一个实施例中,根据机器反馈给用户的答复信息,从用户历史输入的检索项序列中确定发生时间连续的至少一个第一检索项,包括:
确定检索项序列中检索项关联的机器反馈给用户的答复内容;
若答复内容为不理解,则将该检索项作为第一检索项;
否则,根据答复内容确定答复的置信度;
若确定的置信度小于设定置信度阈值,则将该检索项作为第一检索项;
从检索项序列中提取发生时间连续的至少一个第一检索项。
S420、利用样本检索项组训练初始网络,得到序列解码网络。
S430、响应检索项改写请求,提取原始检索项的上下文信息和/或原始检索项的意图信息。
S440、将提取的上下文信息输入预先训练的序列解码网络,输出至少两个候选检索项。
其中,序列解码网络通过预先训练学习有机器词汇集。
S450、匹配候选检索项的意图与原始检索项的意图。
S460、根据匹配结果,从至少两个候选检索项中确定新检索项。
可选地,S410和S420的执行主体可以与S430至S450的执行主体相同,也可以不同。
本方案通过根据机器反馈给用户的答复信息,从用户历史输入的检索项序列中,确定样本检索项组,从而实现样本检索项组的自动确定。
为进一步提高样本检索项组的准确率,在根据机器反馈给用户的答复信息,从用户历史输入的检索项序列中,确定样本检索项组之后,本方案还包括:
若样本检索项组中包括至少两个第一检索项,则计算样本检索项组中各第一检索项与样本检索项组中的第二检索项之间的相似度;
根据计算的相似度,对样本检索项组中的第一检索项进行过滤。
基于该技术特征,本方案通过样本检索项组中各第一检索项与样本检索项组中的第二检索项之间的相似度,对样本检索项组中的第一检索项进行过滤,从而过滤掉样本检索项组中错误的检索项。
图5是本申请实施例提供的又一种检索项改写方法的流程图。本方案是在上述方案的基础上,对步骤“提取原始检索项的上下文信息”的具体优化。参见图5,本方案提供的检索项改写方法包括:
S510、响应检索项改写请求,若原始检索项具有关联检索项,则提取原始检索项中词语间的第一词语关系信息,以及关联检索项中词语间的第二词语关系信息。
其中,关联检索项是指与原始检索项存在语义关联的检索项。
在一个实施例中关联检索项的确定可以包括:
根据原始检索项与其他检索项的输入时间间隔,从其他检索项中确定原始检索项的关联检索项。
其他检索项是指用户输入的除原始检索项以外的检索项。
第二词语关系信息是描述关联检索项中词语间关系的信息。
S520、根据提取的第一词语关系信息以及第二词语关系信息,确定原始检索项的上下文信息。
在一个实施例中,根据提取的第一词语关系信息以及第二词语关系信息,确定原始检索项的上下文信息,包括:
基于sequence to sequence模型框架中编码部分的网络层,根据提取的第一词语关系信息以及第二词语关系信息,确定原始检索项的上下文信息。
S530、提取原始检索项的意图信息。
S540、根据所述上下文信息和所述意图信息,以及机器词汇集,确定新检索项。
其中机器对所述新检索项的理解度大于机器对所述原始检索项的理解度。
本方案通过进一步提取原始检索项与关联检索项之间的语义关系,作为原始检索项的上下文信息,从而进一步提高上下文信息的准确率。
进一步地,在根据所述原始检索项的语义信息和/或所述原始检索项的意图信息,以及机器词汇集,确定新检索项之后,本方案还包括:以文字提示或二轮询问的方式,将所述新检索项反馈给用户;
在获取到用户的肯定回答后,根据所述新检索项进行检索,并将检索结果反馈给用户。
示例性地,若确定的新检索项是降低音量,则参见图6,通过文字提示的方式,将上述新检索项展示给用户,或参见图7,通过二轮询问的方式,将确定地新检索项反馈给用户。
基于该技术特征,本方案通过以文字提示或二轮询问的方式,将上述新检索项反馈给用户;在获取到用户的肯定回答后,根据新检索项进行检索,并将检索结果反馈给用户,从而提高智能对话的灵活度。
本方案是在上述方案的基础上,提出的一种可选方案。本方案提供的检索项改写方法,包括:
若机器对用户输入的原始检索项无法理解,则将该原始检索项输入预先训练的检索项改写模型,输出机器可以理解的新检索项。
参见图8,上述检索项改写模型包括:序列转换网络和意图一致性预估网络。其中序列转换网络是sequence to sequence模型,该模型通过加入注意力机制的Encoder-Decoder编码-解码框架实现,该框架的编码部分和解码部分均采用LSTM网络。序列转换网络中的序列编码网络对应该编码部分,序列转换网络中的序列解码网络对应该解码部分。意图一致性预估网络使用的TextCNN模型。TextCNN是利用卷积神经网络对文本进行分类的算法。
检索项改写模型的训练样本的确定包括:
根据机器基于检索项对用户的反馈信息,从用户历史输入的检索项序列中,确定样本数据组。
其中,样本检索项组中包括至少一个第一检索项和至少一个第二检索项,机器对第一检索项的理解度大于第一理解度阈值,机器对第二检索项的理解度小于第二理解度阈值,且第一检索项与所述第二检索项的语义相似度大于设定相似度阈值。
继续参见图8,以原始检索项具有至少一个关联检索项为例,检索项改写模型的训练逻辑可以描述如下:
基于向量转换层,对作为第一检索项的原始检索项和至少一个关联检索项进行向量转换,得到各检索项对应的向量表示;
将得到的向量表示分别输入初始转换网络和初始预估网络。
其中,初始转换网络中的执行逻辑可以描述为:
基于Bi-LSTM网络,根据各检索项对应的向量表示,提取各检索项中词语间的词语关系信息;
基于编码部分的LSTM网络,根据各检索项中词语间的词语关系信息,确定各检索项的上下文向量,分别为cz至cn;
采用注意力机制计算第二检索项中词语的词向量x和各检索项的上下文向量的相关性,记为α;然后按照相关性权重对各检索项的上下文向量进行求和,得到整体的上下文向量,记为cattention;
将上述词向量x和cattention进行拼接输入到解码部分的LSTM网络中,得到生成的候选词语,记为x′;
利用生成的x′拟合第二检索项中的词语,并做最大似然估计,得到上述检索项转换网络。
初始预估网络的执行逻辑可以描述为:
对各第一检索项的词向量进行池化操作,得到各第一检索项的池化向量;
按照输入时间顺序对各池化向量进行拼接,得到矩阵Q;
对生成的候选检索项q′也进行上述操作,并将其拼接到矩阵Q的最后一行,得到最终的输入矩阵;
将最终的输入矩阵输入TextCNN模型,输出候选检索项的意图信息;
拟合第一检索项的意图信息和候选检索项的意图信息,得到上述意图一致性预估网络。
上述模型训练过程还可以利用如下建模公式描述:
其中,qsatisfy对应第二检索项,qunsatisfy对应第一检索项,Qsatisfy对应第二检索项集,对应第二检索项的意图信息,对应第一检索项的意图信息,y为一致性标识,例如y为1,表示与一致,y为0,表示与不一致。Loss是指在输入为qunsatisfy时,输出为qsatisfy的前提下的最大似然函数。P(qsatisfy|qunsatisfy)对应在输入为qunsatisfy时,输出为qsatisfy的条件概率。对应与的一致性概率。w1和w2为权重。
典型地,该方案可以应用在地图语音助手中,整体框架参见图9。
本方案通过基于检索项改写模型自动实现对检索项的改写,因为不要需要人工设计规则和相应的配置回复,极大的减少人力消耗。
通过根据用户输入的检索项灵活的产生回复,增加了可感知的智能度,提高用户体验。
通过根据检索项的文本内容和意图进行相似检索项的确定,从而帮助用户更快,更准确的获得想要的信息,提升用户的交互体验。
图10是本申请实施例提供的一种检索项改写装置的结构示意图。参见图10,本申请实施例提供的检索项改写装置1000,包括:信息提取模块1001和检索项确定模块1002。
其中,信息提取模块1001,用于响应检索项改写请求,提取原始检索项的上下文信息和/或所述原始检索项的意图信息;
检索项确定模块1002,用于根据所述上下文信息和/或所述意图信息,以及机器词汇集,确定新检索项;
其中机器对所述新检索项的理解度大于机器对所述原始检索项的理解度。
本申请实施例的技术方案,通过根据原始检索项的上下文信息和/或原始检索项的意图信息,以及机器词汇集,确定机器可理解的新检索项,从而提高机器的检索效率和机器的智能化,进而提高用户体验。
此外,根据原始检索项的上下文信息和原始检索项的意图信息确定新检索项,使得新检索项在语意维度和意图维度上均与原始检索项匹配,从而提高新检索项的准确率。
进一步地,所述检索项确定模块,包括:
候选检索项确定单元,用于根据所述上下文信息和所述机器词汇集,确定至少两个候选检索项;
意图匹配单元,用于匹配所述候选检索项的意图与所述原始检索项的意图;
新检索项确定单元,用于根据匹配结果,从所述至少两个候选检索项中确定所述新检索项。
进一步地,所述候选检索项确定单元,包括:
检索项确定子单元,用于将所述上下文信息输入预先训练的序列编码网络,输出所述至少两个候选检索项;
其中,所述序列编码网络通过预先训练学习有所述机器词汇集。
进一步地,所述装置还包括:
样本确定模块,用于所述将所述原始检索项的语义向量输入预先训练的序列转换网络之前,根据机器反馈给用户的答复信息,从用户历史输入的检索项序列中,确定样本检索项组;
其中,所述样本检索项组中包括至少一个第一检索项和至少一个第二检索项,机器对所述第一检索项的理解度大于第一理解度阈值,机器对所述第二检索项的理解度小于第二理解度阈值,且所述第一检索项与所述第二检索项的语义相似度大于设定相似度阈值;
模型训练模块,用于利用所述样本检索项组训练初始网络,得到所述序列转换网络。
进一步地,所述样本确定模块,包括:
第一检索项确定单元,用于根据机器反馈给用户的答复信息,从用户历史输入的检索项序列中确定发生时间连续的至少一个第一检索项;
第二检索项确定单元,用于检测与所述第一检索项的发生时间连续,且发生在所述第一检索项之后的至少一个第二检索项;
样本确定单元,用于根据所述至少一个第一检索项和所述至少一个第二检索项,确定所述样本检索项组。
进一步地,所述装置还包括:
相似计算模块,用于所述根据机器反馈给用户的答复信息,从用户历史输入的检索项序列中,确定样本检索项组之后,若所述样本检索项组中包括至少两个第一检索项,则计算所述样本检索项组中各第一检索项与所述样本检索项组中的第二检索项之间的相似度;
检索项过滤模块,用于根据计算的相似度,对所述样本检索项组中的至少两个第一检索项进行过滤。
进一步地,若所述原始检索项具有关联检索项,则所述信息提取模块,包括:
信息提取单元,用于提取所述原始检索项中词语间的第一词语关系信息,以及所述关联检索项中词语间的第二词语关系信息;
信息确定单元,用于根据所述第一词语关系信息以及所述第二词语关系信息,确定所述原始检索项的上下文信息。
进一步地,所述装置还包括:
检索项反馈模块,用于所述根据所述原始检索项的语义信息和/或所述原始检索项的意图信息,以及机器词汇集,确定新检索项之后,以文字提示或二轮询问的方式,将所述新检索项反馈给用户;
检索模块,用于在获取到用户的肯定回答后,根据所述新检索项进行检索,并将检索结果反馈给用户。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图11所示,是根据本申请实施例的检索项改写方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图11所示,该电子设备包括:一个或多个处理器1101、存储器1102,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图11中以一个处理器1101为例。
存储器1102即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的检索项改写方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的检索项改写方法。
存储器1102作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的检索项改写方法对应的程序指令/模块(例如,附图10所示的信息提取模块1001和检索项确定模块1002)。处理器1101通过运行存储在存储器1102中的非瞬时软件程序、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,即实现上述方法实施例中的检索项改写方法。
存储器1102可以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、至少一个功能所需要的应用程序;存储数据区可存储根据检索项改写电子设备的使用所创建的数据等。此外,存储器1102可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器1102可选包括相对于处理器1101远程设置的存储器,这些远程存储器可以通过网络连接至检索项改写电子设备。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。
检索项改写方法的电子设备还可以包括:输入装置1103和输出装置1104。处理器1101、存储器1102、输入装置1103和输出装置1104可以通过总线或者其他方式连接,图11中以通过总线连接为例。
输入装置1103可接收输入的数字或字符信息,以及产生与检索项改写电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1104可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
根据本申请的技术提高了机器的检索效率、检索准确率和智能化。应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (18)
1.一种检索项改写方法,包括:
响应检索项改写请求,提取原始检索项的上下文信息和/或所述原始检索项的意图信息;
根据所述上下文信息和/或所述意图信息,以及机器词汇集,确定新检索项;
其中机器对所述新检索项的理解度大于机器对所述原始检索项的理解度。
2.根据权利要求1所述的方法,其中,所述根据所述上下文信息和所述意图信息,以及机器词汇集,确定新检索项,包括:
根据所述上下文信息和所述机器词汇集,确定至少两个候选检索项;
匹配所述候选检索项的意图与所述原始检索项的意图;
根据匹配结果,从所述至少两个候选检索项中确定所述新检索项。
3.根据权利要求2所述的方法,其中,所述根据所述上下文信息和所述机器词汇集,确定至少两个候选检索项,包括:
将所述上下文信息输入预先训练的序列编码网络,输出所述至少两个候选检索项;
其中,所述序列编码网络通过预先训练学习有所述机器词汇集。
4.根据权利要求3所述的方法,其中,所述将所述原始检索项的语义向量输入预先训练的序列转换网络之前,所述方法还包括:
根据机器反馈给用户的答复信息,从用户历史输入的检索项序列中,确定样本检索项组;
其中,所述样本检索项组中包括至少一个第一检索项和至少一个第二检索项,机器对所述第一检索项的理解度大于第一理解度阈值,机器对所述第二检索项的理解度小于第二理解度阈值,且所述第一检索项与所述第二检索项的语义相似度大于设定相似度阈值;
利用所述样本检索项组训练初始网络,得到所述序列转换网络。
5.根据权利要求4所述的方法,其中,所述根据机器反馈给用户的答复信息,从用户历史输入的检索项序列中,确定样本检索项组,包括:
根据机器反馈给用户的答复信息,从用户历史输入的检索项序列中确定发生时间连续的至少一个第一检索项;
检测与所述第一检索项的发生时间连续,且发生在所述第一检索项之后的至少一个第二检索项;
根据所述至少一个第一检索项和所述至少一个第二检索项,确定所述样本检索项组。
6.根据权利要求4所述的方法,所述根据机器反馈给用户的答复信息,从用户历史输入的检索项序列中,确定样本检索项组之后,所述方法还包括:
若所述样本检索项组中包括至少两个第一检索项,则计算所述样本检索项组中各第一检索项与所述样本检索项组中的第二检索项之间的相似度;
根据计算的相似度,对所述样本检索项组中的至少两个第一检索项进行过滤。
7.根据权利要求1-6中任一所述的方法,其中,若所述原始检索项具有关联检索项,则所述提取原始检索项的上下文信息,包括:
提取所述原始检索项中词语间的第一词语关系信息,以及所述关联检索项中词语间的第二词语关系信息;
根据所述第一词语关系信息以及所述第二词语关系信息,确定所述原始检索项的上下文信息。
8.根据权利要求1-6中任一所述的方法,所述根据所述原始检索项的语义信息和/或所述原始检索项的意图信息,以及机器词汇集,确定新检索项之后,所述方法还包括:
以文字提示或二轮询问的方式,将所述新检索项反馈给用户;
在获取到用户的肯定回答后,根据所述新检索项进行检索,并将检索结果反馈给用户。
9.一种检索项改写装置,包括:
信息提取模块,用于响应检索项改写请求,提取原始检索项的上下文信息和/或所述原始检索项的意图信息;
检索项确定模块,用于根据所述上下文信息和/或所述意图信息,以及机器词汇集,确定新检索项;
其中机器对所述新检索项的理解度大于机器对所述原始检索项的理解度。
10.根据权利要求9所述的装置,其中,所述检索项确定模块,包括:
候选检索项确定单元,用于根据所述上下文信息和所述机器词汇集,确定至少两个候选检索项;
意图匹配单元,用于匹配所述候选检索项的意图与所述原始检索项的意图;
新检索项确定单元,用于根据匹配结果,从所述至少两个候选检索项中确定所述新检索项。
11.根据权利要求10所述的装置,其中,所述候选检索项确定单元,包括:
检索项确定子单元,用于将所述上下文信息输入预先训练的序列编码网络,输出所述至少两个候选检索项;
其中,所述序列编码网络通过预先训练学习有所述机器词汇集。
12.根据权利要求11所述的装置,其中,所述装置还包括:
样本确定模块,用于所述将所述原始检索项的语义向量输入预先训练的序列转换网络之前,根据机器反馈给用户的答复信息,从用户历史输入的检索项序列中,确定样本检索项组;
其中,所述样本检索项组中包括至少一个第一检索项和至少一个第二检索项,机器对所述第一检索项的理解度大于第一理解度阈值,机器对所述第二检索项的理解度小于第二理解度阈值,且所述第一检索项与所述第二检索项的语义相似度大于设定相似度阈值;
模型训练模块,用于利用所述样本检索项组训练初始网络,得到所述序列转换网络。
13.根据权利要求12所述的装置,其中,所述样本确定模块,包括:
第一检索项确定单元,用于根据机器反馈给用户的答复信息,从用户历史输入的检索项序列中确定发生时间连续的至少一个第一检索项;
第二检索项确定单元,用于检测与所述第一检索项的发生时间连续,且发生在所述第一检索项之后的至少一个第二检索项;
样本确定单元,用于根据所述至少一个第一检索项和所述至少一个第二检索项,确定所述样本检索项组。
14.根据权利要求12所述的装置,所述装置还包括:
相似计算模块,用于所述根据机器反馈给用户的答复信息,从用户历史输入的检索项序列中,确定样本检索项组之后,若所述样本检索项组中包括至少两个第一检索项,则计算所述样本检索项组中各第一检索项与所述样本检索项组中的第二检索项之间的相似度;
检索项过滤模块,用于根据计算的相似度,对所述样本检索项组中的至少两个第一检索项进行过滤。
15.根据权利要求9-14中任一所述的装置,其中,若所述原始检索项具有关联检索项,则所述信息提取模块,包括:
信息提取单元,用于提取所述原始检索项中词语间的第一词语关系信息,以及所述关联检索项中词语间的第二词语关系信息;
信息确定单元,用于根据所述第一词语关系信息以及所述第二词语关系信息,确定所述原始检索项的上下文信息。
16.根据权利要求9-14中任一所述的装置,所述装置还包括:
检索项反馈模块,用于所述根据所述原始检索项的语义信息和/或所述原始检索项的意图信息,以及机器词汇集,确定新检索项之后,以文字提示或二轮询问的方式,将所述新检索项反馈给用户;
检索模块,用于在获取到用户的肯定回答后,根据所述新检索项进行检索,并将检索结果反馈给用户。
17.一种电子设备,其中,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010600669.XA CN111797216B (zh) | 2020-06-28 | 2020-06-28 | 检索项改写方法、装置、设备以及存储介质 |
PCT/CN2020/128554 WO2022000934A1 (zh) | 2020-06-28 | 2020-11-13 | 检索项改写方法、装置、设备以及存储介质 |
US17/428,384 US20230123581A1 (en) | 2020-06-28 | 2020-11-13 | Query rewriting method and apparatus, device and storage medium |
JP2021545777A JP7352640B2 (ja) | 2020-06-28 | 2020-11-13 | 検索項目書き換え方法、装置、機器および記憶媒体 |
KR1020217024946A KR20210104909A (ko) | 2020-06-28 | 2020-11-13 | 쿼리 재기입 방법, 장치, 설비 및 저장매체 |
EP20913071.5A EP3961424A4 (en) | 2020-06-28 | 2020-11-13 | METHOD AND DEVICE FOR REWRITING A SEARCH TERM, DEVICE AND STORAGE MEDIA |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010600669.XA CN111797216B (zh) | 2020-06-28 | 2020-06-28 | 检索项改写方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111797216A true CN111797216A (zh) | 2020-10-20 |
CN111797216B CN111797216B (zh) | 2024-04-05 |
Family
ID=72804357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010600669.XA Active CN111797216B (zh) | 2020-06-28 | 2020-06-28 | 检索项改写方法、装置、设备以及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111797216B (zh) |
WO (1) | WO2022000934A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541362A (zh) * | 2020-12-08 | 2021-03-23 | 北京百度网讯科技有限公司 | 一种泛化处理的方法、装置、设备和计算机存储介质 |
WO2022000934A1 (zh) * | 2020-06-28 | 2022-01-06 | 北京百度网讯科技有限公司 | 检索项改写方法、装置、设备以及存储介质 |
CN117891980A (zh) * | 2024-03-15 | 2024-04-16 | 腾讯科技(深圳)有限公司 | 一种内容搜索方法及相关装置 |
CN117891980B (zh) * | 2024-03-15 | 2024-05-14 | 腾讯科技(深圳)有限公司 | 一种内容搜索方法及相关装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116737756B (zh) * | 2023-08-15 | 2023-11-03 | 腾讯科技(深圳)有限公司 | 一种数据查询方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997049045A1 (en) * | 1996-06-21 | 1997-12-24 | Kdl Technologies Limited | Apparatus and method for generating optimal search queries |
US8055669B1 (en) * | 2003-03-03 | 2011-11-08 | Google Inc. | Search queries improved based on query semantic information |
CN110727785A (zh) * | 2019-09-11 | 2020-01-24 | 北京奇艺世纪科技有限公司 | 推荐模型的训练、搜索文本的推荐方法、装置及存储介质 |
CN110750616A (zh) * | 2019-10-16 | 2020-02-04 | 网易(杭州)网络有限公司 | 检索式聊天方法、装置以及计算机设备 |
CN110969024A (zh) * | 2018-09-30 | 2020-04-07 | 北京奇虎科技有限公司 | 一种查询语句的改写方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8954360B2 (en) * | 2012-10-16 | 2015-02-10 | Sap Se | Semantic request normalizer |
CN108227955A (zh) * | 2017-12-29 | 2018-06-29 | 北京奇虎科技有限公司 | 一种基于用户历史搜索推荐输入联想的方法及装置 |
CN109635197B (zh) * | 2018-12-17 | 2021-08-24 | 北京百度网讯科技有限公司 | 搜索方法、装置、电子设备及存储介质 |
CN111797216B (zh) * | 2020-06-28 | 2024-04-05 | 北京百度网讯科技有限公司 | 检索项改写方法、装置、设备以及存储介质 |
-
2020
- 2020-06-28 CN CN202010600669.XA patent/CN111797216B/zh active Active
- 2020-11-13 WO PCT/CN2020/128554 patent/WO2022000934A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997049045A1 (en) * | 1996-06-21 | 1997-12-24 | Kdl Technologies Limited | Apparatus and method for generating optimal search queries |
US8055669B1 (en) * | 2003-03-03 | 2011-11-08 | Google Inc. | Search queries improved based on query semantic information |
CN110969024A (zh) * | 2018-09-30 | 2020-04-07 | 北京奇虎科技有限公司 | 一种查询语句的改写方法及装置 |
CN110727785A (zh) * | 2019-09-11 | 2020-01-24 | 北京奇艺世纪科技有限公司 | 推荐模型的训练、搜索文本的推荐方法、装置及存储介质 |
CN110750616A (zh) * | 2019-10-16 | 2020-02-04 | 网易(杭州)网络有限公司 | 检索式聊天方法、装置以及计算机设备 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022000934A1 (zh) * | 2020-06-28 | 2022-01-06 | 北京百度网讯科技有限公司 | 检索项改写方法、装置、设备以及存储介质 |
CN112541362A (zh) * | 2020-12-08 | 2021-03-23 | 北京百度网讯科技有限公司 | 一种泛化处理的方法、装置、设备和计算机存储介质 |
JP2022091122A (ja) * | 2020-12-08 | 2022-06-20 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 汎化処理方法、装置、デバイス、コンピュータ記憶媒体及びプログラム |
JP7295200B2 (ja) | 2020-12-08 | 2023-06-20 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 汎化処理方法、装置、デバイス、コンピュータ記憶媒体及びプログラム |
US11704326B2 (en) | 2020-12-08 | 2023-07-18 | Beijing Baidu Netcom Science Technology Co., Ltd. | Generalization processing method, apparatus, device and computer storage medium |
CN117891980A (zh) * | 2024-03-15 | 2024-04-16 | 腾讯科技(深圳)有限公司 | 一种内容搜索方法及相关装置 |
CN117891980B (zh) * | 2024-03-15 | 2024-05-14 | 腾讯科技(深圳)有限公司 | 一种内容搜索方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111797216B (zh) | 2024-04-05 |
WO2022000934A1 (zh) | 2022-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560912B (zh) | 分类模型的训练方法、装置、电子设备和存储介质 | |
US20220383190A1 (en) | Method of training classification model, method of classifying sample, and device | |
CN113094550B (zh) | 视频检索方法、装置、设备和介质 | |
CN111177355B (zh) | 基于搜索数据的人机对话交互方法、装置和电子设备 | |
US20220067439A1 (en) | Entity linking method, electronic device and storage medium | |
CN111797216B (zh) | 检索项改写方法、装置、设备以及存储介质 | |
US20220043985A1 (en) | Role labeling method, electronic device and storage medium | |
CN111680517B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
CN112148881B (zh) | 用于输出信息的方法和装置 | |
CN111522967A (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN111241819A (zh) | 词向量生成方法、装置及电子设备 | |
CN111259671A (zh) | 文本实体的语义描述处理方法、装置及设备 | |
CN115309877B (zh) | 对话生成方法、对话模型训练方法及装置 | |
CN111859953B (zh) | 训练数据的挖掘方法、装置、电子设备及存储介质 | |
CN111737559A (zh) | 资源排序方法、训练排序模型的方法及对应装置 | |
CN113553412B (zh) | 问答处理方法、装置、电子设备和存储介质 | |
CN115688920A (zh) | 知识抽取方法、模型的训练方法、装置、设备和介质 | |
CN114444462B (zh) | 模型训练方法及人机交互方法、装置 | |
CN111984774A (zh) | 搜索方法、装置、设备以及存储介质 | |
CN112559715B (zh) | 态度的识别方法、装置、设备及存储介质 | |
CN112328896B (zh) | 用于输出信息的方法、装置、电子设备和介质 | |
CN112232089B (zh) | 语义表示模型的预训练方法、设备和存储介质 | |
CN111966782A (zh) | 多轮对话的检索方法、装置、存储介质及电子设备 | |
US20230123581A1 (en) | Query rewriting method and apparatus, device and storage medium | |
CN112148133B (zh) | 确定推荐表情的方法、装置、设备和计算机存储介质 |
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 |