CN111930905A - 用于问答训练的方法、装置、系统和计算机可读存储介质 - Google Patents

用于问答训练的方法、装置、系统和计算机可读存储介质 Download PDF

Info

Publication number
CN111930905A
CN111930905A CN202010669110.2A CN202010669110A CN111930905A CN 111930905 A CN111930905 A CN 111930905A CN 202010669110 A CN202010669110 A CN 202010669110A CN 111930905 A CN111930905 A CN 111930905A
Authority
CN
China
Prior art keywords
answer
question
node
answering
score
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
Application number
CN202010669110.2A
Other languages
English (en)
Inventor
李犇
张�杰
于皓
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.)
Shanghai Minglue Artificial Intelligence Group Co Ltd
Original Assignee
Shanghai Minglue Artificial Intelligence Group 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 Shanghai Minglue Artificial Intelligence Group Co Ltd filed Critical Shanghai Minglue Artificial Intelligence Group Co Ltd
Priority to CN202010669110.2A priority Critical patent/CN111930905A/zh
Publication of CN111930905A publication Critical patent/CN111930905A/zh
Pending legal-status Critical Current

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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2057—Career enhancement or continuing education service
    • 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
    • G10L15/26—Speech to text systems

Abstract

本发明公开了一种用于问答训练的方法，包括：步骤S1：构建问答话术图谱，问答话术图谱包括，提问节点和回答节点；步骤S2：获取提问节点对应的实际回答话术；步骤S3：计算并获取实际回答话术与回答节点的相似度；步骤S4：根据至少一个相似度最大的回答节点，计算回答人员的话术得分，输出话术得分和最优回答节点路径。使得学员应答技能的实战训练不受时间和地域的限制，并且能够有效地与已有的应答案例进行对比和复盘，使得学员能够更好地发现在自身应答技能上的不足，进行有针对性的改进。本发明还公开了一种用于问答训练的装置、系统和计算机可读存储介质。

Description

用于问答训练的方法、装置、系统和计算机可读存储介质
技术领域
本申请涉及人工智能技术领域，特别涉及一种用于问答训练的方法、装置、系统和计算机可读存储介质。
背景技术
销售员作为是企业销售的主力军之一，为企业的发展进步做出了巨大贡献，好的销售员不仅能能够销售出商品，还能够成功树立企业和品牌的形象，并能形成忠诚顾客，所以，很多企业为了提高商品销量、品牌形象以及顾客粘性，对销售员进行销售技能和销售话术的培训。
销售员的培训大多以培训课程的形式进行，培训讲师通过集中授课的形式，通过讲授基本理论方法，结合案例讲解实战技巧的方式对学员进行培训。
在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：讲师的授课水平会影响培训的效果；集中授课的方式讲授相同的内容，无法满足不同水平学员的需求，需要提供更好的培训方式。
发明内容
为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。前述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
本公开实施例提供了一种用于问答训练的方法、装置、系统和计算机可读存储介质，以在一定程度上解决前述的技术问题。
在一些实施例中，用于问答训练的方法，包括：步骤S1：构建问答话术图谱，问答话术图谱包括，提问节点和回答节点；步骤S2：获取提问节点对应的实际回答话术；步骤S3：计算并获取实际回答话术与回答节点的相似度；步骤S4：根据至少一个相似度最大的回答节点，计算回答人员的话术得分，输出话术得分和最优回答节点路径。
可选的是，提问节点与回答节点之间的关系是单向的，提问节点指向回答节点。
可选的是，提问节点对应一个以上回答节点。
可选的是，步骤S1进一步包括：步骤S11：构建问答话术对；步骤S12：将至少一个问答话术对进行组合拼接，得到问答话术图谱。
可选的是，步骤S11进一步包括：步骤S111：获取问答对话的音频数据；步骤S112：根据自动语音识别技术，将音频数据转换为文本数据；步骤S113：通过对话文本自动标注技术对文本数据进行问答标注，得到标注话术对；步骤S114：筛选标注话术对，得到问答话术对。
可选的是，步骤S3中采用sentence-bert方法计算实际回答话术与回答节点的相似度sim(u，v)，
Figure BDA0002581634360000021
其中，u为实际回答话术的句向量，v为回答节点的句向量。
可选的是，回答节点包括话术评分，步骤S4中根据以下公式计算回答人员的话术得分，score＝sum(i)/len(L)，i∈L，其中，score为话术得分，L为回答节点ID序列，i为相似度最大节点的话术评分。
本公开实施例提供了一种用于问答训练的装置，包括：图谱模块，用于构建问答话术图谱，问答话术图谱包括，提问节点和回答节点；输入模块，用于获取提问节点对应的实际回答话术；计算模块，用于计算并获取实际回答话术与回答节点的相似度；输出模块，用于根据至少一个相似度最大的回答节点，计算回答人员的话术得分，输出话术得分和最优回答节点路径。
本公开实施例提供了一种用于问答训练的系统，包括处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行前述的用于问答训练的方法。
本公开实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有用于问答训练的程序，用于问答训练的程序被处理器执行时实现前述的用于问答训练的方法。
本公开实施例提供的用于问答训练的方法、装置、系统和计算机可读存储介质，可以实现以下技术效果：
通过对话模拟的方式对学员的应答技能进行培训和评价，使得学员应答技能的实战训练不受时间和地域的限制，并且能够有效地与已有的应答案例进行对比和复盘，使得学员能够更好地发现在自身应答技能上的不足，进行有针对性的改进。
以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
图1是本公开实施例提供的用于问答训练的方法流程示意图；
图2是本公开实施例提供的问答话术图谱结构示意图；
图3是本公开实施例提供的问答话术对结构示意图；
图4是本公开实施例提供的实际回答话术与回答节点的相似度计算流程示意图；
图5是本公开实施例提供的实际回答节点ID路径和最优回答节点ID路径示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
图1是本公开实施例提供的用于问答训练的方法流程示意图。如图1所示，本公开实施例提供了一种用于问答训练的方法，包括：步骤S1：构建问答话术图谱，问答话术图谱包括，提问节点和回答节点；步骤S2：获取提问节点对应的实际回答话术；步骤S3：计算并获取实际回答话术与回答节点的相似度；步骤S4：根据至少一个相似度最大的回答节点，计算回答人员的话术得分，输出话术得分和最优回答节点路径。
图2是本公开实施例提供的问答话术图谱结构示意图。如图2所示，图中圆形节点表示提问节点，方形节点表示回答节点，问答话术图谱包括，第一提问节点、第二提问节点和第三提问节点，还包括，第一提问节点对应的：第一回答节点1，话术评分为0.9，第一回答节点2，话术评分为0.6，第一回答节点3，话术评分为0.7；第二提问节点对应的：第二回答节点1，话术评分为0.7，第二回答节点2，话术评分为0.8，第二回答节点3，话术评分为0.4；第三提问节点对应的：第三回答节点1，话术评分为0.6，第三回答节点2，话术评分为0.2，第三回答节点3，话术评分为0.8。
通过对话模拟的方式对学员的应答技能进行培训和评价，使得学员应答技能的实战训练不受时间和地域的限制，并且能够有效地与已有的应答案例进行对比和复盘，使得学员能够更好地发现在自身应答技能上的不足，进行有针对性的改进。
在一些实施例中，提问节点与回答节点之间的关系是单向的，提问节点指向回答节点。如图2所示，第一提问节点指向第一回答节点1、第一回答节点2和第一回答节点3。提问节点和回答节点均带有属性，属性包括：话术评分p、销售环节t、模拟开始标志s和模拟结束标志e。
在一些实施例中，提问节点对应一个以上回答节点。如图2所示，第二提问节点可以对应三个回答节点，具体的提问节点对应的回答节点数，本领域技术人员可以根据实际问答情况进行确定。
例如是，提问节点可以是，“老顾客也没有优惠么？”，对应的回答节点可以有，回答节点1“给您报的价格已经是底价了！”话术评分0.6，回答节点2“这款是限量款，现在是没有任何优惠的！”话术评分0.7，回答节点3“您是老顾客，应该知道我们一直不打折的！”话术评分0.5，回答节点4“谢谢您一直对我们产品的信赖，现在确实没有优惠，您看这样行么，等下次有优惠活动的时候，我给您申请预留一个名额，您看行么？”话术评分0.8。
在一些实施例中，步骤S1进一步包括：步骤S11：构建问答话术对；步骤S12：将至少一个问答话术对进行组合拼接，得到问答话术图谱。图3是本公开实施例提供的问答话术对结构示意图。如图3所示，图中圆形节点表示提问节点，方形节点表示回答节点，问答话术对包括，第一提问节点，以及与第一提问节点对应的第一回答节点1、第一回答节点2和第一回答节点3。将至少一个话术对进行组合拼接，如图2所示，可以是将第一提问节点下的第一回答节点1和第一回答节点2，与第二提问节点进行组合拼接，将第一提问节点下的第一回答节点3，与第三提问节点进行组合拼接，得到如图2所示的问答话术图谱，以上仅为对问答话术对和问答话术图谱构建的示例性说明，并不构成对本公开实施例的限制。可以由培训讲师或者销售专家，根据销售场景和实战案例，将至少一个如图3所示的问答话术对进行组合拼接，得到如图2所示的问答话术图谱。
在一些实施例中，步骤S11进一步包括：步骤S111：获取问答对话的音频数据；步骤S112：根据自动语音识别技术，将音频数据转换为文本数据；步骤S113：通过对话文本自动标注技术对文本数据进行问答标注，得到标注话术对；步骤S114：筛选标注话术对，得到问答话术对。
例如是，使用语音采集设备获取销售过程中销售员与顾客的对话，并通过语音记录设备将这些对话语音存储成音频数据，通过自动语音识别技术(Automatic SpeechRecognition，简称ASR)，将这些音频数据转变成销售对话文本数据，通过对话文本自动标注技术对销售对话文本数据进行问答标注，得到标注话术对，对标注话术对进行挖掘分析，提炼出销售过程中顾客的话术和销售员的话术语句，培训讲师或者销售专家从中提炼得出话术，根据销售环节，得到筛选后的顾客常用话术以及销售员经典回答话术，培训讲师或者销售专家对不同的销售员经典回答话术设置不同的评分。
在一些实施例中，步骤S2中，可以通过APP或者小程序的形式采集学员对于提问问题的实际回答话术。
在一些实施例中，步骤S3中采用sentence-bert方法计算实际回答话术与回答节点的相似度sim(u，v)，
Figure BDA0002581634360000051
其中，u为实际回答话术的句向量，v为回答节点的句向量。图4是本公开实施例提供的实际回答话术与回答节点的相似度计算流程示意图。如图4所示，实际回答话术和回答节点经过BERT层和Pooling层的深度网络，分别得到实际回答话术的句向量u和回答节点的句向量v，两个句向量的余弦相似度作为实际回答话术和回答节点的相似度度量，取相似度最大的节点作为学员的应答节点，并将应答节点的ID保存下来，形成一系列的节点ID序列。
在一些实施例中，回答节点包括话术评分，步骤S4中根据以下公式计算回答人员的话术得分，score＝sum(i)/len(L)，i∈L，其中，score为话术得分，L为回答节点ID序列，i为相似度最大节点的话术评分。
图5是本公开实施例提供的实际回答节点ID路径和最优回答节点ID路径示意图。如图5所示，图5中粗线连接的路径表示学员或者销售员的实际回答节点ID路径，由第一提问节点到第一回答节点3到第三提问节点到第三回答节点1，计算得到回答人员的话术得分score＝(0.7+0.6)/2＝0.65；虚线连接的路径表示最优回答节点ID路径，由第一提问节点到第一回答节点1到第二提问节点到第二回答节点2，将实际回答节点ID路径、最优回答节点ID路径和回答人员的话术得分输出至学员，使得学员可以对自己的回答案例与经典案例进行对比和复盘，可以更好地发现自身在问答技能上的不足，进行针对性的改进。特别是在销售领域，可以使得销售员了解自身目前的销售话术水平，通过对比自身与销售专家的应答技巧，可以更加有针对性地提升自身的销售水平。
本公开实施例提供了一种用于问答训练的装置，包括：图谱模块，用于构建问答话术图谱，问答话术图谱包括，提问节点和回答节点；输入模块，用于获取提问节点对应的实际回答话术；计算模块，用于计算并获取实际回答话术与回答节点的相似度；输出模块，用于根据至少一个相似度最大的回答节点，计算回答人员的话术得分，输出话术得分和最优回答节点路径。
本公开实施例提供了一种用于问答训练的系统，包括处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行前述的用于问答训练的方法。
本公开实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有用于问答训练的程序，用于问答训练的程序被处理器执行时实现前述的用于问答训练的方法。
前述内容，仅是本发明的较佳实施例，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是，凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (10)

1.一种用于问答训练的方法，其特征在于，包括：
步骤S1：构建问答话术图谱，所述问答话术图谱包括，提问节点和回答节点；
步骤S2：获取所述提问节点对应的实际回答话术；
步骤S3：计算并获取所述实际回答话术与回答节点的相似度；
步骤S4：根据至少一个相似度最大的回答节点，计算回答人员的话术得分，输出所述话术得分和最优回答节点路径。
2.根据权利要求1所述的方法，其特征在于，所述提问节点与回答节点之间的关系是单向的，所述提问节点指向所述回答节点。
3.根据权利要求1或2所述的方法，其特征在于，所述提问节点对应一个以上回答节点。
4.根据权利要求1所述的方法，其特征在于，所述步骤S1进一步包括：
步骤S11：构建问答话术对；
步骤S12：将至少一个所述问答话术对进行组合拼接，得到问答话术图谱。
5.根据权利要求4所述的方法，其特征在于，所述步骤S11进一步包括：
步骤S111：获取问答对话的音频数据；
步骤S112：根据自动语音识别技术，将所述音频数据转换为文本数据；
步骤S113：通过对话文本自动标注技术对所述文本数据进行问答标注，得到标注话术对；
步骤S114：筛选所述标注话术对，得到问答话术对。
6.根据权利要求1所述的方法，其特征在于，所述步骤S3中采用sentence-bert方法计算所述实际回答话术与回答节点的相似度sim(u，v)，
Figure FDA0002581634350000011
其中，u为实际回答话术的句向量，v为回答节点的句向量。
7.根据权利要求1所述的方法，其特征在于，所述回答节点包括话术评分，所述步骤S4中根据以下公式计算回答人员的话术得分：
score＝sum(i)/len(L)，i∈L，
其中，score为话术得分，L为回答节点ID序列，i为相似度最大的回答节点的话术评分。
8.一种用于问答训练的装置，其特征在于，包括：
图谱模块，用于构建问答话术图谱，所述问答话术图谱包括，提问节点和回答节点；
输入模块，用于获取所述提问节点对应的实际回答话术；
计算模块，用于计算并获取所述实际回答话术与回答节点的相似度；
输出模块，用于根据至少一个相似度最大的回答节点，计算回答人员的话术得分，输出所述话术得分和最优回答节点路径。
9.一种用于问答训练的系统，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至7中任一项所述的用于问答训练的方法。
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上存储有用于问答训练的程序，所述用于问答训练的程序被所述处理器执行时实现如权利要求1至7中任一项所述的用于问答训练的方法。
CN202010669110.2A 2020-07-13 2020-07-13 用于问答训练的方法、装置、系统和计算机可读存储介质 Pending CN111930905A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010669110.2A CN111930905A (zh) 2020-07-13 2020-07-13 用于问答训练的方法、装置、系统和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010669110.2A CN111930905A (zh) 2020-07-13 2020-07-13 用于问答训练的方法、装置、系统和计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN111930905A true CN111930905A (zh) 2020-11-13

Family

ID=73312884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010669110.2A Pending CN111930905A (zh) 2020-07-13 2020-07-13 用于问答训练的方法、装置、系统和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111930905A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112347237A (zh) * 2020-11-19 2021-02-09 龙马智芯（珠海横琴）科技有限公司 一种问答话术生成方法、装置、服务器以及可读存储介质
CN112579757A (zh) * 2020-12-25 2021-03-30 泰康保险集团股份有限公司 智能问答方法、装置、计算机可读存储介质及电子设备
CN113256395A (zh) * 2021-06-23 2021-08-13 中国平安人寿保险股份有限公司 基于推荐图网络的产品推荐方法、装置、设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104699878A (zh) * 2013-12-06 2015-06-10 大连灵动科技发展有限公司 仿真模拟培训课程安排及培训方法
CN104700181A (zh) * 2013-12-06 2015-06-10 大连灵动科技发展有限公司 仿真模拟培训的考核评价管理方法
US20170169354A1 (en) * 2015-12-10 2017-06-15 International Business Machines Corporation Regression Testing Question Answering Cognitive Computing Systems by Applying Ground Truth Virtual Checksum Techniques
CN107545003A (zh) * 2016-06-28 2018-01-05 中兴通讯股份有限公司 自动问答方法及系统
CN108090127A (zh) * 2017-11-15 2018-05-29 北京百度网讯科技有限公司 建立问答文本评价模型与评价问答文本的方法、装置
CN108597293A (zh) * 2018-08-03 2018-09-28 合肥德高信息科技有限公司 一种导游训练系统
CN110196897A (zh) * 2019-05-23 2019-09-03 竹间智能科技（上海）有限公司 一种基于问答模板的案例识别方法
CN110309284A (zh) * 2019-06-28 2019-10-08 广州探迹科技有限公司 一种基于贝叶斯网络推理的自动对答方法及装置
CN110335595A (zh) * 2019-06-06 2019-10-15 平安科技（深圳）有限公司 基于语音识别的插问对话方法、装置及存储介质
CN111178940A (zh) * 2019-12-11 2020-05-19 北京明略软件系统有限公司 一种自动生成销售话术图谱的方法和系统
CN111241357A (zh) * 2020-01-14 2020-06-05 中国平安人寿保险股份有限公司 对话训练方法、装置、系统及存储介质
CN111309879A (zh) * 2020-01-20 2020-06-19 北京文思海辉金信软件有限公司 基于知识图谱的人机训练场景构建方法和装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104699878A (zh) * 2013-12-06 2015-06-10 大连灵动科技发展有限公司 仿真模拟培训课程安排及培训方法
CN104700181A (zh) * 2013-12-06 2015-06-10 大连灵动科技发展有限公司 仿真模拟培训的考核评价管理方法
US20170169354A1 (en) * 2015-12-10 2017-06-15 International Business Machines Corporation Regression Testing Question Answering Cognitive Computing Systems by Applying Ground Truth Virtual Checksum Techniques
CN107545003A (zh) * 2016-06-28 2018-01-05 中兴通讯股份有限公司 自动问答方法及系统
CN108090127A (zh) * 2017-11-15 2018-05-29 北京百度网讯科技有限公司 建立问答文本评价模型与评价问答文本的方法、装置
CN108597293A (zh) * 2018-08-03 2018-09-28 合肥德高信息科技有限公司 一种导游训练系统
CN110196897A (zh) * 2019-05-23 2019-09-03 竹间智能科技（上海）有限公司 一种基于问答模板的案例识别方法
CN110335595A (zh) * 2019-06-06 2019-10-15 平安科技（深圳）有限公司 基于语音识别的插问对话方法、装置及存储介质
CN110309284A (zh) * 2019-06-28 2019-10-08 广州探迹科技有限公司 一种基于贝叶斯网络推理的自动对答方法及装置
CN111178940A (zh) * 2019-12-11 2020-05-19 北京明略软件系统有限公司 一种自动生成销售话术图谱的方法和系统
CN111241357A (zh) * 2020-01-14 2020-06-05 中国平安人寿保险股份有限公司 对话训练方法、装置、系统及存储介质
CN111309879A (zh) * 2020-01-20 2020-06-19 北京文思海辉金信软件有限公司 基于知识图谱的人机训练场景构建方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NILS REIMERS等: "Sentence-BERT:Sentence Embeddings using Siamese BERT-Networks", 《PROCEEDINGS OF THE 2019 CONFERENCE ON EMPIRICAL METHODS IN NATURAL LANGUAGE PROCESSING AND THE 9TH INTERNATIONAL JOINT CONFERENCE ON NATURAL LANGUAGE PROCESSING》, pages 3982 - 3992 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112347237A (zh) * 2020-11-19 2021-02-09 龙马智芯（珠海横琴）科技有限公司 一种问答话术生成方法、装置、服务器以及可读存储介质
CN112579757A (zh) * 2020-12-25 2021-03-30 泰康保险集团股份有限公司 智能问答方法、装置、计算机可读存储介质及电子设备
CN113256395A (zh) * 2021-06-23 2021-08-13 中国平安人寿保险股份有限公司 基于推荐图网络的产品推荐方法、装置、设备及存储介质
CN113256395B (zh) * 2021-06-23 2023-11-24 中国平安人寿保险股份有限公司 基于推荐图网络的产品推荐方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111930905A (zh) 用于问答训练的方法、装置、系统和计算机可读存储介质
Webb et al. The development of students' helping behavior and learning in peer-directed small groups
Kim et al. Design principles and architecture of a second language learning chatbot
US20150079554A1 (en) Language learning system and learning method
JP2009503563A (ja) 話し言葉のコンピュータによる習熟度評価
US20200051451A1 (en) Short answer grade prediction
Hsiao et al. The development and evaluation of listening and speaking diagnosis and remedial teaching system
CN115630860A (zh) 教学质量评测方法、装置、设备及存储介质
CN116010569A (zh) 在线答疑方法、系统、电子设备及存储介质
Aljameel et al. LANA-I: an Arabic conversational intelligent tutoring system for children with ASD
Minor et al. Requirements Engineering: a close look at industry needs and a model curricula
Gutbrod et al. The business experiments navigator (ben)
KR20010104115A (ko) 인터넷 기반 교육 방법
Miu et al. A financial literacy ai-enabled voice assistant system for educational use
CN111883111A (zh) 话术训练处理方法、装置、计算机设备和可读存储介质
Wright Globalisation and the New Zealand numeracy standards: In pursuit of excellence
Reit et al. Thought structures as an instrument to determine the degree of difficulty of modelling tasks
CN116151242B (zh) 一种编程学习场景的智能习题推荐方法、系统及储存介质
CN117057959A (zh) 人机交互式安全培训方法及系统
CN112948650B (zh) 学习效果展示方法、装置及计算机存储介质
CN116167434B (zh) 一种弱监督视觉语言预训练模型的训练方法和装置
KR102569339B1 (ko) 스피킹 테스트 시스템
Gan Application of Fuzzy Neural Network in Teaching Spoken English for Tourism
Zhao et al. Evaluation model of English continuous pronunciation teaching quality based on cloud computing
Komedani et al. Modeling understanding level of learner in collaborative learning using bayesian network

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