CN111949781A - 一种基于自然语句句法分析的智能交互方法及装置 - Google Patents
一种基于自然语句句法分析的智能交互方法及装置 Download PDFInfo
- Publication number
- CN111949781A CN111949781A CN202010783469.2A CN202010783469A CN111949781A CN 111949781 A CN111949781 A CN 111949781A CN 202010783469 A CN202010783469 A CN 202010783469A CN 111949781 A CN111949781 A CN 111949781A
- Authority
- CN
- China
- Prior art keywords
- sentence
- entity
- user
- information
- input
- 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
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
- G06F16/3332—Query translation
- G06F16/3334—Selection or weighting of terms from queries, including natural language queries
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于自然语句句法分析的智能交互方法及其装置,包括:获取用户输入的语句,根据预设的句型关键词并通过句法解析,对用户输入的语句进行句子类型识别;根据句子类型识别的结果,抽取用户输入的语句中的三元组结构<实体1,关系,实体2>;根据从句子中抽取的三元组结构<实体1,关系,实体2>,检索三元组结构样式的数据库;根据对三元组结构样式的数据库检索的结果,返回与用户输入的语句匹配的反馈信息。本发明的智能交互方法及装置可以对用户询问的问题,根据对用户问题的句型解析结果,给出相应的精准答案,并给出相关推荐答案,改善用户体验。
Description
技术领域
本发明涉及自然语言处理领域,特别涉及一种基于自然语言处理的智能交互方法及装置。
背景技术
自然语言处理(Natural Language Processing,NLP)是计算机科学、人工智能和语言学的交叉领域。目的是让计算机处理或“理解”自然语言,以执行诸如语言翻译和问题回答等任务。
在自然语言处理的基础上,结合信息检索、机器学习等技术,即可构建出一个智能交互系统。智能交互的历史可追溯到上世纪七十年代,但真正取得突破性进展也就是最近十年。随着人工智能技术的发展和日益增长的用户需求,智能交互系统相关领域的技术近年迅猛发展。在互联网席卷全球的时代背景下,智能化的自然语言交互是处理语言信息的重要手段。实现高效、全面,更具实用性的智能交互也是自然语言智能化的重点研究方向之一。
目前的通用型智能交互系统由于数据库庞杂、自然语言训练语料针对性较差、机器学习效果不理想等原因,主要存在因无法明确用户询问意图而造成回答信息有误,回答信息冗余和回答信息不精确等问题。由于这些问题的困扰,导致用户体验感较差,交互系统也难以满足用户日益增长的交互需求。用于特定领域,例如目前市面上已有的医疗领域的智能交互系统,同样也存在这些问题。而房产经纪专业领域的智能交互系统,即房产经纪智能客服目前尚未见公开。
需要说明的是,以上背景技术部分所公开的信息仅用于增强对本发明背景的理解,因此其可能包含不构成对本领域技术人员已知的现有技术的信息。
发明内容
为了解决现有技术中存在的问题,本发明提供一种基于自然语句句法分析的智能交互方法,其在提供精准回答(信息)的同时,克服现有技术中存在的问题。
本发明提供一种基于自然语句句法分析的智能交互方法,其包括以下步骤:获取用户输入的语句,根据预设的句型关键词并通过句法解析,对用户输入的语句进行句子类型识别;根据句子类型识别的结果,抽取用户输入的语句中的三元组结构<实体1,关系,实体2>;根据从用户输入的语句中抽取的三元组结构<实体1,关系,实体2>,检索三元组结构样式的数据库;以及,根据对三元组结构样式的数据库数据库检索的结果,返回与用户输入的语句匹配的反馈信息。
上述对用户输入的语句进行句子类型识别的步骤可以包括:识别用户输入的语句是否为问句;对识别为问句的用户输入语句进行句法解析,解析其中存在的关键关系;以及根据预设的句型关键词以及关键关系,将用户输入的语句识别归类为如何型、为何型、对比型、什么型、何处型、是否型或事实型。
上述检索三元组结构样式的数据库的步骤可以包括:按照从用户输入的语句中抽取的三元组结构<实体1,关系,实体2>中的实体2进行检索,返回三元组结构样式的数据库中与实体2匹配的信息。
上述与用户输入的语句匹配的反馈信息可以包括至少一个反馈信息,其中:与用户输入的语句匹配的反馈信息仅有一个时,将该反馈信息作为最终返回结果;与用户输入的语句匹配的反馈信息有两个以上时,将其中一个反馈信息作为最终返回结果,其余反馈信息作为推荐的相似返回结果。
上述返回与用户输入的语句匹配的反馈信息的步骤可以包括:将三元组结构<实体1,关系,实体2>中的实体2分别和与实体2匹配的信息中的对应实体进行相似性比较,若相似度大于或等于第一设定阈值,则保留相应的信息,作为初步返回结果;将三元组结构<实体1,关系,实体2>中的实体1分别和初步返回结果中的所有信息中的对应实体进行相似性比较,相似度大于或等于第二阈值的结果予以保留,作为二次返回结果;以及,将二次返回结果中的所有信息按照其与实体1的相似度大小,或者按照其与实体1及实体2的相似度的加权值大小进行排序,将排序最高的信息作为最终返回结果,并将其余信息中若干排序靠前的信息作为推荐的相似返回结果,或者仅将排序最高的信息作为最终返回结果而不推荐其余信息。
根据本发明一实施例,本发明的基于自然语句句法分析的智能交互方法还可以包括问句识别模型训练步骤。所述问句识别模型训练步骤可以包括:收集、提取特定领域的相关自然语言文本、语句,作为问句识别模型训练原始语料;对问句识别模型训练原始语料进行标注,分别将原始语料标记成是否为问句,并组成问句识别模型训练语料;从问句识别模型训练语料中抽取若干条组成训练样本;以及利用训练样本进行问句识别模型训练。
根据本发明一实施例,上述识别用户输入的语句是否为问句的步骤可以通过经上述训练的问句识别模型进行。
根据本发明一实施例,本发明的基于自然语句句法分析的智能交互方法还可以包括三元组结构样式的数据库的构建步骤。所述三元组结构样式的数据库的构建步骤可以包括:收集特定领域各种问题的答案所对应的信息;将所收集的信息按照三元组结构<实体1,关系,实体2>的样式存入数据库。
根据本发明的另一方面,还提供一种基于自然语句句法分析的智能交互装置,其可以包括:句子类型识别模块,其被配置为,获取用户输入的语句,根据预设的句型关键词并通过句法解析,对用户输入的语句进行句子类型识别;句子三元组结构抽取模块,其被配置为,根据句子类型识别模块识别的结果,抽取用户输入的语句中的三元组结构<实体1,关系,实体2>;数据库检索模块,其被配置为,根据句子三元组结构抽取模块从用户输入的语句中抽取的三元组结构<实体1,关系,实体2>,检索三元组结构样式的数据库;以及结果返回模块,其被配置为,根据数据库检索模块对三元组结构样式的数据库检索的结果,返回与用户输入的语句匹配的反馈信息。
上述句子类型识别模块可以包括:问句识别单元,其被配置为,识别用户输入的语句是否为问句;句法解析单元,其被配置为,对问句识别模块识别为问句的用户输入语句进行句法解析,解析其中存在的关键关系;以及归类单元,其被配置为,根据预设的句型关键词以及关键关系,将用户输入的语句识别归类为如何型、为何型、对比型、什么型、何处型、是否型或事实型。
上述数据库检索模块可以被配置为,按照从用户输入的语句中抽取的三元组结构<实体1,关系,实体2>中的实体2进行检索,返回三元组结构样式的数据库中与实体2匹配的信息。
上述与用户输入的语句匹配的反馈信息可以包括至少一个反馈信息,其中:与用户输入的语句匹配的反馈信息仅有一个时,将该反馈信息作为最终返回结果;与用户输入的语句匹配的反馈信息有两个以上时,将其中一个反馈信息作为最终返回结果,其余反馈信息作为推荐的相似返回结果。
上述结果返回模块可以包括:初步结果返回单元,其被配置为将三元组结构<实体1,关系,实体2>中的实体2分别和与实体2匹配的信息中的对应实体进行相似性比较,若相似度大于或等于第一设定阈值,则保留相应的信息,作为初步返回结果;二次结果返回单元,其被配置为将三元组结构<实体1,关系,实体2>中的实体1分别和初步返回结果中的所有信息中的对应实体进行相似性比较,相似度大于或等于第二阈值的结果予以保留,作为二次返回结果;以及最终结果返回单元,其被配置为将二次返回结果中的所有信息按照其与实体1的相似度大小,或者按照其与实体1及实体2的相似度的加权值大小进行排序,将排序最高的信息作为最终返回结果,并将其余信息中若干排序靠前的信息作为推荐的相似返回结果,或者仅将排序最高的信息作为最终返回结果而不推荐其余信息。
根据本发明一实施例,本发明的基于自然语句句法分析的智能交互装置还可以包括问句识别模型训练模块。所述问句识别模型训练模块可以包括:问句识别训练原始语料收集单元,其被配置为收集、提取特定领域的相关自然语言文本、语句,作为问句识别模型训练原始语料;问句识别训练语料生成单元,其被配置为对问句识别模型训练原始语料进行标注,分别将原始语料标记成是否为问句,并组成问句识别模型训练语料;问句识别训练样本生成单元,其被配置为从问句识别模型训练语料中抽取若干条组成训练样本;以及问句识别训练单元,其被配置为利用训练样本进行问句识别模型训练。
根据本发明一实施例,经过上述问句识别模型训练模块训练的问句识别模型可用于识别用户输入的语句是否为问句。
根据本发明一实施例,本发明的基于自然语句句法分析的智能交互装置还可以包括数据库构建模块。所述数据库构建模块可以包括:信息收集单元,其被配置为收集特定领域各种问题的答案所对应的信息;以及信息存储单元,其被配置为将所收集的信息按照三元组结构<实体1,关系,实体2>的样式存入数据库。
根据本发明的另一方面,还提供一种计算机设备,其可以包括:处理器,存储装置,以及存储在所述存储装置上并可在所述处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,实现如上所述的基于自然语句句法分析的智能交互方法的步骤。
根据本发明的另一方面,还提供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,该计算机程序被处理器执行时,实现如上所述的基于自然语句句法分析的智能交互方法的步骤。
本发明所提供的基于自然语句句法分析的智能交互方法及装置可以对用户询问的问题,根据对用户问题的句型解析结果,给出相应的精准答案,并给出相关推荐答案,改善用户体验。
附图说明
以下将详细参考附图示出的特定示例性实施例,对本发明的上述和其他特征进行说明,所述示例性实施例在下文中仅以说明的方式给出,因此并不限制本发明,其中:
图1示出可适用本发明基于自然语句句法分析的智能交互方法的一个具体实施方式的示例性系统架构。
图2示出根据本发明一实施例的基于自然语句句法分析的智能交互方法的流程图。
图3示出根据本发明一实施例对一个例句进行句法解析的详细图示。
图4示出根据本发明一实施例对一个例句进行句法解析的详细图示。
图5示出根据本发明一实施例对一个例句进行句法解析的详细图示。
图6示出根据本发明一实施例对一个例句进行句法解析的详细图示。
图7示出根据本发明一实施例的基于自然语句句法分析的智能交互方法中的检索数据库及结果返回过程的流程图。
图8示出根据本发明一实施例的用于实现本发明基于自然语句句法分析的智能交互方法的装置示意框图。
图9示出根据本发明一实施例的问句识别模型训练过程的流程图。
图10示出根据本发明一实施例的数据库构建过程的流程图。
图11示出根据本发明一实施例可以用来实现本发明实施例的设备的一个计算机系统的结构示意图。
具体实施方式
以下通过具体实施例对本发明进行详细描述,以使本领域普通技术人员能够容易地根据本说明书公开的内容实施本发明。以下所描述的实施例仅是本发明的一部分实施例,而非全部。基于本说明书所描述的实施例,本领域普通技术人员在不付出创造性劳动的前提下所获得的所有其它实施例,都属于本发明保护的范围。需要说明的是,在不发生冲突的情况下,本说明书中的实施例及实施例中的特征可以相互组合。
如图1示意性所示,其示出了可以适用本发明基于自然语句句法分析的智能交互方法的一个具体实施方式的示例性系统架构100。系统架构100可以包括终端设备101、102、103,以及网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信,其可以包括各种连接类型,例如有线、无线通信或者光纤电缆等。
用户可以使用终端设备101、102、103通过网络104与服务器105实现交互。终端设备101、102、103上可以安装有各种通信客户端应用,例如图像及视频拍摄应用、文本输入应用、网页浏览器应用、专业领域应用软件、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
在具体实施中,终端设备101、102、103可以根据实际需要实现为硬件,也可以实现为软件。当终端设备101、102、103实现为硬件时,可以是具有显示屏并且支持语音、文本等输入的各种电子设备,包括但不限于个人电脑(包括笔记本计算机和台式计算机)、平板电脑、智能手机、电子书阅读器、视频播放器等等。当终端设备101、102、103实现为软件时,可以安装在合适的电子设备中,实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。图1中及以上描述的终端设备101、102、103实例在此仅作为示例,而不应被理解为具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103输入的语音或文本提供支持的后台服务器。后台服务器可以对接收到的语音或目标文本等数据进行分析等处理,并将处理结果通过网络104反馈给终端设备101、102、103。
在具体实施中,服务器105可以根据实际需要实现为硬件,也可以实现为软件。当服务器105实现为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105实现为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。图1中及以上描述的服务器105实例在此仅作为示例,而不应被理解为具体限定。
需要说明的是,本申请实施例所提供的基于自然语句句法分析的智能交互方法可以由终端设备101、102、103执行,也可以由服务器105执行,也可以由终端设备101、102、103与服务器105共同配合执行。相应地,用于基于自然语句句法分析的智能交互方法的装置可以设置于终端设备101、102、103中,也可以设置于服务器105中,也可以设置于终端设备101、102、103和服务器105中。
可以理解的是,当本申请实施例所提供的基于自然语句句法分析的智能交互方法由终端设备101、102、103执行时,上述系统架构100可以不包括网络104和服务器105。
应当理解,图1中的终端设备、网络和服务器的数目及种类仅仅是示意性的。在具体实施中,根据实际需要,可以具有任意数目和种类的终端设备、网络和服务器。
图2示出了根据本发明一实施例的基于自然语句句法分析的智能交互方法的流程图。如图2所示,根据本发明一实施例的一种基于自然语句句法分析的智能交互方法包括以下步骤:句子类型识别步骤S201,即对用户输入的语句(句子)进行句子类型识别;句子三元组结构抽取步骤S202,即根据步骤S201中句子类型识别的结果,抽取句子中的三元组结构<实体1,关系,实体2>;数据库检索步骤S203,即根据步骤S202抽取的句子三元组结构<实体1,关系,实体2>,检索相应数据库;以及,结果返回步骤S204,即根据步骤S203的数据库检索的结果,返回与用户输入句子匹配的反馈信息。
步骤S201中,可以首先识别用户输入的语句是否为问句,然后对识别为问句的句子进行句法解析,再根据用户输入的语句中存在的句型关键词及句法解析结果,例如关键关系的解析结果,对用户输入的语句类型进行归类。本申请根据句子中存在的句型关键词及句法解析存在的关键关系,将句子类型主要分为以下几类:
(1)如何(how)型
例如:“如何找回密码?”
基本结构为:“如何【动作】【实体】”、“【实体】如何【动作】”、或者“【实体】【动作】如何”。
本类句型带有强关键词标识,如“如何”、“怎么”。
(2)为何(why)型
例如:“智能客服为什么存在?”
基本结构为:“【实体1】为什么【实体2】”。
本类句型带有强关键词标识,如“为什么”、“为啥”、“为何”,且句法解析存在SBV(主谓关系),句法解析具体可参照图3。
(3)对比(comparison)型
例如:“智能客服和人工服务如何区分?”
基本结构为:“【实体1】和【实体2】的区别”。
本类句型带有强关键词标识,如“区别”、“区分”,且句法解析结果存在COO并列关系,句法解析具体可参照图4。
(4)什么(what)型
例如:“智能客服是什么?”、“什么是智能客服?”
基本结构为:“什么是【实体】”、“【实体】是什么”。
本类句型带有强关键词标识,如“是什么”、“什么是”。
(5)何处(where)型
例如:“头像在哪里下载?”
基本结构为:“【实体1】在哪里【实体2】”。
本类句型带有强关键词标识,如“哪里”。
(6)是否(whether)型
例如:“智能客服是不是人工客服?”、“智能客服是否是人工客服?”
基本结构为:“【实体1】是不是/是否【动作2】”。
本类句型带有强关键词标识,如“是否”、“是不是”。
(7)事实(ep)型
例如:“智能客服推荐功能好用吗?”、“申请加班的流程是什么?”
基本结构为:“【实体1】的【实体2】是(什么/多少/多久/谁)?”
本类句型句法解析同时存在SBV(主谓关系)和VOB(动宾关系),本类句型必须存在两个实体,即对实体1的属性实体作出事实解释说明句法解析具体可参照图5。
其中,诸如“如何”、“怎么”、“是什么”、“什么是”等的句型关键词可以根据需要预先设定。例如,可以预先设定“如何(how)”型句子通过句型关键词“怎么”来识别,当句子中包含关键词“怎么”时,即可将该句子识别为“如何(how)型”。句法解析可以采用本领域公知的各种自然语言处理工具进行,例如哈工大LTP包、复旦大学开发的开源工具包Fudan NLP、美国斯坦福大学提供的开源工具包StandfordParser等等。上述句法解析的示例中出现的诸如用v代表动词、n代表名词、c代表连词、d代表副词、wp代表标点符号,以及用SBV表示主谓关系、VOB表示动宾关系、ATT表示定中关系、COO表示并列关系、LAD表示左附加关系、RAD表示右附加关系、HED表示核心关系等本领域的通常缩写方法及关系表示方法,对于本领域普通技术人员而言是公知的,在此不做赘述。
以哈工大LTP包为例,自然语言的句法解析包括分词(Segmentor)、词性标注(Postagger)、命名实体识别(NER)、依存句法解析(Parser)、语义角色标注(SementicRoleLabeller)等处理过程,这些过程对于本领域普通技术人员而言是公知的,在此亦不做赘述。
步骤S202中,根据步骤S201的句子类型识别结果,对不同的句子类型,根据句型关键字及句法解析结果对句子中存在的实体和属性进行抽取,抽取句子中的三元组结构,所述三元组结构通常指<实体,关系,属性>,本发明中,可以根据上述不同的句子类型将其具体实现为<实体1,关系,实体2>,其中的“关系”即句型分类,如what、how、where等。
以comparison型句子为例,处理时首先识别句子中是否存在关键词“区别”、“分辨”等,如果存在则进行句法解析处理,否则不进行处理。若句子中存在关键词,则对句子进行句法解析,判定句子中是否存在COO并列关系,若存在则将COO并列关系的实体找到,默认并列关系的第一个词为实体1,第二个实体为实体2,则抽取的三元组结构形式为<实体1,comparison,实体2>。举例来说,如图4所示的句子:“智能客服和人工服务如何区分?”,其基本结构可以解析为:“【实体1】和【实体2】的区别”,其实体1为“智能客服”,实体2为“人工服务”,因此该句子的三元组结构可以抽取为<智能客服,comparison,人工服务>。
再以why句型为例,处理时首先定位句子中关键词“为什么”、“为啥”、“为何”等的位置,若关键词在句子中间,则将关键词前的词作为实体1,关键词后的实体作为关键词2,最终抽取的结果为<实体1,why,实体2>。举例来说,如图6所示的句子:“带看可信度为什么低?”,其基本结构可以解析为:“【实体1】为什么【实体2】”,其实体1为“带看可信度”,实体2为“低”,因此该句子的三元组结构可以抽取为<带看可信度,why,低>。若关键词“为什么”、“为啥”、“为何”等不在句子中间的位置,而是出现在句子首尾位置,则按照句法解析结果对实体进行识别,若句法解析结果中存在SBV主谓关系,则主语为实体1,谓语为实体2;若句法解析结果中不存在SBV关系,则谓语为实体1,宾语为实体2。举例来说,句子“为什么带看可信度低”的三元组结构可以抽取为<带看可信度,why,低>。
其余句型中的三元组结构<实体1,关系,实体2>的抽取方法与结果与此类同,在此不再做过多描述。例如,在how句型中,<实体1,关系,实体2>可以具体抽取为<实体,how,动作>,其中该三元组结构中的“实体”即为“实体1”,“how”即为“关系”,“动作”即为“实体2”;在what句型中,<实体1,关系,实体2>可以具体抽取为<实体,what,属性>,其中该三元组结构中的“实体”即为“实体1”,“what”即为“关系”,“属性(“什么”)”即为“实体2”;在where句型中,<实体1,关系,实体2>可以具体抽取为<实体1,where,实体2>;在whether句型中,<实体1,关系,实体2>可以具体抽取为<实体1,whether,实体2>;在ep句型中,<实体1,关系,实体2>可以具体抽取为<实体1,ep,实体2>。
步骤S203中,根据步骤S202抽取的实体去检索数据库,该数据库根据需要可以是ElasticSearch(ES)数据检索库、Apache Lucence数据检索库等本领域公知可用的数据检索库,可以是经过后面将结合图10详细描述的收集筛选和处理过程而形成的特定领域的三元组结构样式的数据库,例如房产经纪专用领域的三元组结构样式的数据库。检索数据库时,按照实体2进行检索,若数据库中的信息实体和抽取的实体2能够匹配,则返回该些匹配的信息,此处匹配可以采用强匹配的方式,即抽取的实体完全被数据库中的实体包含,如抽取的实体是“方法”,则实体库中的实体必须也包含方法两个字,如制作方法,采样方法等,当然也可以采取其他匹配方式。
步骤S204中,将句子中识别抽取出的实体2分别和步骤S203中检索出的匹配信息中的对应实体进行相似性比较,若相似度大于或等于第一设定阈值,则保留相应的信息,作为初步返回结果。然后,对前述经过实体2筛选过滤后的初步返回结果,再与句子中识别抽取出的实体1进行相似性比较,相似度大于或等于第二阈值的结果予以保留,作为二次返回结果,并按照相似性程度进行排序,排序最高的信息作为精准的最终返回结果,在其余排序较高的信息中,按照由高到低的顺序选择预定数量的信息作为相似推荐结果返回,该预订数量可以是任意自然数。本领域技术人员可以很容易地理解,也可以仅将排序最高的信息作为精准的最终返回结果,而不推荐相似结果,即前述预订数量也可以为零。
以下结合图7对步骤S203及S204的过程进行详细说明。
步骤S203包括以下子步骤:子步骤S701,根据步骤S202抽取的句子三元组结构中的实体2检索数据库;子步骤S702,从数据库返回其对应信息实体与实体2匹配的信息。
步骤S204包括以下子步骤:子步骤S703,将子步骤S702检索出的匹配信息中的对应实体与上述步骤S202抽取的句子三元组结构中的实体2进行相似性比较,确定二者相似度是否大于或等于第一设定阈值,该第一设定阈值可以根据数据库的容量及特定领域信息量的具体情况进行设定,例如,数据库容量较小时,子步骤S702检索出的匹配信息数量较少,则该第一设定阈值可以设定得较小,以获得足够数量的能够进入下一子步骤进行处理的信息;若子步骤S703中确定的相似度大于或等于第一设定阈值,则该信息可以作为初步返回结果,并相应进入子步骤S704进行下一步处理,否则该信息进入子步骤S705,在子步骤S705中将相似度小于第一设定阈值的信息剔除;子步骤S704中,将相似度大于或等于第一设定阈值的信息与上述步骤S202抽取的句子三元组结构中的实体1进行相似性比较,确定二者相似度是否大于或等于第二设定阈值,该第二设定阈值可以根据数据库的容量及特定领域信息量的具体情况进行设定,例如,数据库容量较小时,子步骤S702检索出的匹配信息数量较少,进入子步骤S704的信息相应较少,则该第二设定阈值可以设定得较小,以获得足够数量的能够进入下一子步骤进行处理的信息,可以理解,所述第一设定阈值与第二设定阈值可以相同或不同;若子步骤S704中确定相似度大于或等于第二设定阈值,则该信息进入子步骤S706进行下一步处理,否则该信息进入子步骤S707,在子步骤S707中将相似度小于第二设定阈值的信息实体剔除;子步骤S706中,将相似度大于或等于第二设定阈值的信息按照与实体1相似度的大小由大到小进行排序,这里需要说明,也可以将相似度大于或等于第二设定阈值的信息与实体1及实体2的各自相似度进行加权,然后按照加权值的大小由大到小进行排序,其中实体2和实体1的权重可以根据需要进行选择;子步骤S708中,将子步骤S706中相似度排序最高的信息作为精准的最终返回结果,并从其余信息中选择若干(例如根据实际需要可选择五、六、七或任意数量)排序靠前的信息作为推荐的相似返回结果,当然也可以如前所述不推荐相似返回结果而仅返回一个最终结果。
参考图8,根据本发明的另一实施例,还提供了一种用于实现上述基于自然语句句法分析的智能交互方法的装置,该装置与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备。
如图8所示,所述用于实现上述基于自然语句句法分析的智能交互方法的装置800包括以下模块:句子类型识别模块801,其对用户输入的语句进行句子类型识别;句子三元组结构抽取模块802,其根据句子类型识别模块801识别的结果,抽取句子中的三元组结构;数据库检索模块803,其根据句子三元组结构抽取模块802从句子中抽取的三元组结构,检索相应数据库;以及结果返回模块804,其根据数据库检索模块803对数据库检索的结果,返回与用户输入句子匹配的反馈信息。其中,数据库检索模块803和结果返回模块804可以配置成用于实现图7所示的方法实施例,并且可以进一步包括实现图7中各个子步骤S701~S708中的一部分或其全部子步骤的子模块(图中未示出),所述子模块与子步骤S701~S708可以一一对应,也可以不一一对应,而是一个子模块可以实现子步骤S701~S708中的一个或多个,或者多个子模块共同实现子步骤S701~S708中的一个。
句子类型识别模块801还可以包括:问句识别单元,句法解析单元以及归类单元,其中,问句识别单元识别用户输入的语句是否为问句,句法解析单元对被所述问句识别单元识别为问句的句子进行句法解析,归类单元根据用户输入的语句中的关键词及句法解析单元的句法解析结果,将句子识别归类为如何型、为何型、对比型、什么型、何处型、是否型或事实型。
上述句子三元组结构抽取模块802从句子中抽取的三元组结构可以是<实体1,关系,实体2>。
数据库检索模块803被配置为,根据从句子中抽取的三元组结构<实体1,关系,实体2>中的实体2进行检索,返回数据库中与实体2匹配的信息。
结果返回模块804还可以包括:初步结果返回单元,其将所述实体2分别和与实体2匹配的信息中的对应实体进行相似性比较,若相似度大于或等于第一设定阈值,则保留相应的信息,作为初步返回结果;二次结果返回单元,其将所述实体1分别和所述初步返回结果中的所有信息中的对应实体进行相似性比较,相似度大于或等于第二阈值的结果予以保留,作为二次返回结果;以及最终结果返回单元,其将所述二次返回结果中的所有信息按照其与所述实体1的相似度大小进行排序,将排序最高的信息作为精准的最终返回结果,并将其余信息中若干排序靠前的信息作为推荐的相似返回结果,或者仅将排序最高的信息作为最终返回结果而不推荐其余信息。
根据本发明的一个可选实施例,本发明的基于自然语句句法分析的智能交互方法还可以包括问句识别模型训练。如图9所示,其示出了根据本发明一实施例的问句识别模型训练过程,该过程可以包括以下步骤:步骤S901,通过线上及/或线下收集、提取特定领域的相关自然语言文本、语句,例如线上日志中的房产经纪人发的消息,作为问句识别模型训练语料及/或句子类型识别模型训练原始语料;步骤S902,对步骤S903中收集的自然语言文本、语句进行标注,标记是否为问句,该标记可以人工完成,也可以通过人机交互方式或者无监督学习方式完成,标记完成后,将这些自然语言文本、语句组成例如<语句,标签>(<query,label>)的训练语料,其中标签的具体设定方式可以任选,只要能够起到区分问句和非问句的作用即可,例如,如果是问句则标签例如可以设定为1,否则标签设定为0;步骤S903,根据步骤S902中标注的自然语言文本、语句,以及其是否为问句的标签数据,从中抽取若干条分别组成问句识别模型训练样本;以及步骤S904,利用步骤S903得到的训练样本进行问句识别模型训练以及/或者句子类型识别模型训练。上述问句识别模型算法可以采用fasttext文本分类算法。经过训练的问句识别模型,可以针对输入的数据,识别出该数据是否是问句。
根据本发明的一个可选实施例,本发明的基于自然语句句法分析的智能交互方法还可以包括数据库构建过程。如图10所示,其示出了根据本发明一实施例的数据库构建过程,该过程可以包括以下步骤:步骤S1001,收集各种问题的答案所对应的信息,所述问题可以是特定领域的各种问题,例如可以是线上日志中的房产经纪人提出的各种专业问题;以及步骤S1002,将步骤S1001中收集的信息按照三元组结构的样式,例如<实体1,关系,实体2>的样式,存入数据库,生成三元组结构样式的数据库。如上所述,该数据库可以配置成ElasticSearch(ES)数据检索库、Apache Lucence数据检索库等本领域公知的数据检索库。
以上结合图2及图7详细说明的基于自然语句句法分析的智能交互方法,可以优选在经过上述问句识别模型训练过程以及/或者数据库构建过程的基础上进行实施,以获得对特定领域,例如房产经纪专业领域而言更为精准的返回结果。
根据本发明一实施例,上述用于实现基于自然语句句法分析的智能交互方法的装置800还可以包括问句识别模型训练模块,该问句识别模型训练模块可以包括:问句识别训练原始语料收集单元,其收集、提取特定领域的相关自然语言文本、语句,作为问句识别模型训练原始语料;问句识别训练语料生成单元,其对所述问句识别模型训练原始语料进行标注,分别将原始语料标记成是否为问句,并组成问句识别模型训练语料;问句识别训练样本生成单元,其从所述问句识别模型训练语料中抽取若干条组成训练样本;以及问句识别训练单元,其利用所述训练样本进行问句识别模型训练。
根据本发明另一实施例,上述用于实现基于自然语句句法分析的智能交互方法的装置800还可以包括数据库构建模块,该数据库构建模块可以包括:信息收集单元,其收集特定领域各种问题的答案所对应的信息;以及信息存储单元,其将所收集的信息按照三元组结构的样式存入数据库。
根据本发明一实施例,可以用于实现上述基于自然语句句法分析的智能交互方法的设备可以包括处理器、存储装置、以及存储在存储装置上并可在处理器上运行的计算机程序,当处理器执行该计算机程序时,即可实现如上所述的基于自然语句句法分析的智能交互方法的步骤。
参考图11,其示出了可以用来实现本发明实施例的设备的一个计算机系统的结构示意图。需要说明的是,图11示出的设备仅仅是一个示例,不应理解为对本申请的实施例有任何限制作用。图11所示的计算机系统包括中央处理单元(CPU)1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的程序,执行各种适当的动作和处理。在RAM 1103中,还存储有计算机系统操作所需的各种程序和数据。CPU 1101、ROM1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
以下部件连接至I/O接口1105:包括键盘、鼠标、麦克风、触摸屏幕等的输入单元1106;包括诸如液晶显示器、发光二极管显示器等的显示屏幕、扬声器等的输出单元1107;包括硬盘存储器等的存储单元1108;以及包括诸如WAN/LAN卡、调制解调器等的网络接口卡的通信单元1109。通信单元1109经由诸如因特网、局域网等的网络执行通信处理。驱动器1110也可以根据需要连接至I/O接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入存储单元1108。
特别地,以上参考附图中的流程图描述的实施例过程可以被实现为计算机软件程序。例如,本申请说明书公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行附图中各流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信单元1109从网络上下载和安装,以及/或者从可拆卸介质1111安装。在该计算机程序被中央处理单元(CPU)1101执行时,执行本申请的方法。
需要说明的是,本申请所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是,但不限于,电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM)、闪存、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,示例性示出了按照本申请各实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。应当注意,在有些可作为替换的实施方式中,方框中所标注的功能也可以以不同于附图中所示的顺序发生。例如,两个依次表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。还要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。上述单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器,其包括句子类型识别模块、句子三元组结构抽取模块、数据库检索模块以及结果返回模块。这些单元或模块的名称在某些情况下并不构成对该单元或模块本身的限定,例如,句子类型识别模块还可以被描述为“识别句子类型的模块”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:对用户输入的语句进行句法解析,根据关键词及句法解析结果,识别句子类型;根据句子类型识别的结果,抽取句子中的三元组结构;根据抽取的句子三元组结构,检索相应数据库;并且根据数据库检索结果,返回与用户输入句子匹配的信息。
在本说明书中提及的所有文献都在本申请中引用作为参考,就如同每一篇文献被完整引用至本说明书作为参考。
此外应理解,在阅读了本发明的上述说明内容之后,本领域技术人员可以对本发明做出各种改动或修改,这些等同形式同样落入本发明的保护范围。
Claims (10)
1.一种基于自然语句句法分析的智能交互方法,其特征在于,包括以下步骤:
获取用户输入的语句,根据预设的句型关键词并通过句法解析,对所述用户输入的语句进行句子类型识别;
根据句子类型识别的结果,抽取用户输入的语句中的三元组结构<实体1,关系,实体2>;
根据从用户输入的语句中抽取的三元组结构<实体1,关系,实体2>,检索三元组结构样式的数据库;以及
根据对三元组结构样式的数据库检索的结果,返回与用户输入的语句匹配的反馈信息。
2.根据权利要求1所述的基于自然语句句法分析的智能交互方法,其特征在于,所述对所述用户输入的语句进行句子类型识别的步骤包括:
识别所述用户输入的语句是否为问句;
对识别为问句的用户输入语句进行句法解析,解析其中存在的关键关系;以及
根据所述预设的句型关键词以及所述关键关系,将用户输入的语句归类为如何型、为何型、对比型、什么型、何处型、是否型或事实型。
3.根据权利要求1所述的基于自然语句句法分析的智能交互方法,其特征在于,所述检索三元组结构样式的数据库的步骤包括:按照从用户输入的语句中抽取的三元组结构<实体1,关系,实体2>中的实体2进行检索,返回三元组结构样式的数据库中与实体2匹配的信息。
4.根据权利要求1所述的基于自然语句句法分析的智能交互方法,其特征在于,所述与用户输入的语句匹配的反馈信息包括至少一个反馈信息,其中:
所述与用户输入的语句匹配的反馈信息仅有一个时,将该反馈信息作为最终返回结果;
所述与用户输入的语句匹配的反馈信息有两个以上时,将其中一个反馈信息作为最终返回结果,其余反馈信息作为推荐的相似返回结果。
5.根据权利要求4所述的基于自然语句句法分析的智能交互方法,其特征在于,所述返回与用户输入的语句匹配的反馈信息的步骤包括:
将所述三元组结构<实体1,关系,实体2>中的实体2分别和所述与实体2匹配的信息中的对应实体进行相似性比较,若相似度大于或等于第一设定阈值,则保留相应的信息,作为初步返回结果;
将所述三元组结构<实体1,关系,实体2>中的实体1分别和所述初步返回结果中的所有信息中的对应实体进行相似性比较,相似度大于或等于第二阈值的结果予以保留,作为二次返回结果;以及
将所述二次返回结果中的所有信息按照其与所述实体1的相似度大小,或者按照其与所述实体1及实体2的相似度的加权值大小进行排序,将排序最高的信息作为最终返回结果,并将其余信息中若干排序靠前的信息作为推荐的相似返回结果,或者仅将排序最高的信息作为最终返回结果而不推荐其余信息。
6.根据权利要求1-5中任一项所述的基于自然语句句法分析的智能交互方法,其特征在于,还包括问句识别模型训练步骤,所述问句识别模型训练步骤包括:
收集、提取特定领域的相关自然语言文本、语句,作为问句识别模型训练原始语料;
对所述问句识别模型训练原始语料进行标注,分别将原始语料标记成是否为问句,并组成问句识别模型训练语料;
从所述问句识别模型训练语料中抽取若干条组成训练样本;以及
利用所述训练样本进行问句识别模型训练;
其中,所述识别用户输入的语句是否为问句的步骤通过经训练的问句识别模型进行。
7.根据权利要求1-5中任一项所述的基于自然语句句法分析的智能交互方法,其特征在于,还包括三元组结构样式的数据库的构建步骤,所述三元组结构样式的数据库的构建步骤包括:
收集特定领域各种问题的答案所对应的信息;
将所收集的信息按照三元组结构<实体1,关系,实体2>的样式存入数据库。
8.一种基于自然语句句法分析的智能交互装置,其特征在于,包括:
句子类型识别模块,其被配置为,获取用户输入的语句,根据预设的句型关键词并通过句法解析,对所述用户输入的语句进行句子类型识别;
句子三元组结构抽取模块,其被配置为,根据所述句子类型识别模块识别的结果,抽取用户输入的语句中的三元组结构<实体1,关系,实体2>;
数据库检索模块,其被配置为,根据所述句子三元组结构抽取模块从用户输入的语句中抽取的三元组结构<实体1,关系,实体2>,检索三元组结构样式的数据库;以及
结果返回模块,其被配置为,根据所述数据库检索模块对三元组结构样式的数据库检索的结果,返回与用户输入的语句匹配的反馈信息。
9.一种计算机设备,包括:
处理器;
存储装置;以及
存储在所述存储装置上并可在所述处理器上运行的计算机程序,其特征在于,
当所述处理器执行所述计算机程序时,实现如权利要求1-7中任一项所述方法的步骤。
10.一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,该计算机程序被处理器执行时,实现如权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010783469.2A CN111949781B (zh) | 2020-08-06 | 2020-08-06 | 一种基于自然语句句法分析的智能交互方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010783469.2A CN111949781B (zh) | 2020-08-06 | 2020-08-06 | 一种基于自然语句句法分析的智能交互方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111949781A true CN111949781A (zh) | 2020-11-17 |
CN111949781B CN111949781B (zh) | 2021-11-19 |
Family
ID=73331655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010783469.2A Active CN111949781B (zh) | 2020-08-06 | 2020-08-06 | 一种基于自然语句句法分析的智能交互方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111949781B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627147A (zh) * | 2021-08-18 | 2021-11-09 | 上海明略人工智能(集团)有限公司 | 一种基于多轮阅读理解的实体对齐方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110047178A1 (en) * | 2009-08-24 | 2011-02-24 | Sensology Inc. | System and method for searching and question-answering |
CN105701253A (zh) * | 2016-03-04 | 2016-06-22 | 南京大学 | 中文自然语言问句语义化的知识库自动问答方法 |
US20170357690A1 (en) * | 2016-06-08 | 2017-12-14 | International Business Machines Corporation | Processing un-typed triple store data |
CN107748757A (zh) * | 2017-09-21 | 2018-03-02 | 北京航空航天大学 | 一种基于知识图谱的问答方法 |
CN110275947A (zh) * | 2019-05-23 | 2019-09-24 | 中国人民解放军战略支援部队信息工程大学 | 基于命名实体识别的特定领域知识图谱自然语言查询方法及装置 |
CN112966089A (zh) * | 2021-03-26 | 2021-06-15 | 中国工商银行股份有限公司 | 基于知识库的问题处理方法、装置、设备、介质和产品 |
-
2020
- 2020-08-06 CN CN202010783469.2A patent/CN111949781B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110047178A1 (en) * | 2009-08-24 | 2011-02-24 | Sensology Inc. | System and method for searching and question-answering |
CN105701253A (zh) * | 2016-03-04 | 2016-06-22 | 南京大学 | 中文自然语言问句语义化的知识库自动问答方法 |
US20170357690A1 (en) * | 2016-06-08 | 2017-12-14 | International Business Machines Corporation | Processing un-typed triple store data |
CN107748757A (zh) * | 2017-09-21 | 2018-03-02 | 北京航空航天大学 | 一种基于知识图谱的问答方法 |
CN110275947A (zh) * | 2019-05-23 | 2019-09-24 | 中国人民解放军战略支援部队信息工程大学 | 基于命名实体识别的特定领域知识图谱自然语言查询方法及装置 |
CN112966089A (zh) * | 2021-03-26 | 2021-06-15 | 中国工商银行股份有限公司 | 基于知识库的问题处理方法、装置、设备、介质和产品 |
Non-Patent Citations (2)
Title |
---|
CHANGKI LEE: "Fine-Grained Named Entity Recognition and Relation Extraction for Question Answering", 《PROCEEDINGS OF THE 30TH ANNUAL INTERNATIONAL ACM SIGIR CONFERENCE ON RESEARCH AND DEVELOPMENT IN INFORMATION RETRIEVAL》 * |
张芳容: "基于BI-LSTM-CRF模型的知识库自动问答方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627147A (zh) * | 2021-08-18 | 2021-11-09 | 上海明略人工智能(集团)有限公司 | 一种基于多轮阅读理解的实体对齐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111949781B (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109189942B (zh) | 一种专利数据知识图谱的构建方法及装置 | |
CN110399457B (zh) | 一种智能问答方法和系统 | |
CN110765257B (zh) | 一种知识图谱驱动型的法律智能咨询系统 | |
CN107436864B (zh) | 一种基于Word2Vec的中文问答语义相似度计算方法 | |
CN110298033B (zh) | 关键词语料标注训练提取系统 | |
EP3096246A1 (en) | Method, system and storage medium for realizing intelligent answering of questions | |
US20170083507A1 (en) | Analyzing Concepts Over Time | |
US20170262783A1 (en) | Team Formation | |
US20180293302A1 (en) | Natural question generation from query data using natural language processing system | |
CN106570180A (zh) | 基于人工智能的语音搜索方法及装置 | |
WO2020233386A1 (zh) | 基于aiml的智能问答方法、装置、计算机设备及存储介质 | |
CN112541337B (zh) | 一种基于递归神经网络语言模型的文档模板自动生成方法及系统 | |
CN114357127A (zh) | 基于机器阅读理解及常用问题解答模型的智能问答方法 | |
CN110889275A (zh) | 一种基于深度语义理解的信息抽取方法 | |
CN110880142A (zh) | 一种风险实体获取方法及装置 | |
CN114661872A (zh) | 一种面向初学者的api自适应推荐方法与系统 | |
CN115470338A (zh) | 一种基于多路召回的多场景智能问答方法和系统 | |
CN112380848A (zh) | 文本生成方法、装置、设备及存储介质 | |
CN111949781B (zh) | 一种基于自然语句句法分析的智能交互方法及装置 | |
KR20200064490A (ko) | 프로필 자동생성서버 및 방법 | |
CN117473054A (zh) | 基于知识图谱的通用智能问答方法及装置 | |
CN111046168A (zh) | 用于生成专利概述信息的方法、装置、电子设备和介质 | |
Karpagam et al. | Deep learning approaches for answer selection in question answering system for conversation agents | |
CN115828893A (zh) | 非结构化文档问答的方法、装置、存储介质和设备 | |
Rasheed et al. | Conversational chatbot system for student support in administrative exam information |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210408 Address after: 100085 Floor 101 102-1, No. 35 Building, No. 2 Hospital, Xierqi West Road, Haidian District, Beijing Applicant after: Seashell Housing (Beijing) Technology Co.,Ltd. Address before: Unit 05, room 112, 1st floor, office building, Nangang Industrial Zone, economic and Technological Development Zone, Binhai New Area, Tianjin 300457 Applicant before: BEIKE TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |