CN112131371A - 一种电力智能问答系统中的问句匹配方法 - Google Patents

一种电力智能问答系统中的问句匹配方法 Download PDF

Info

Publication number
CN112131371A
CN112131371A CN202011326028.6A CN202011326028A CN112131371A CN 112131371 A CN112131371 A CN 112131371A CN 202011326028 A CN202011326028 A CN 202011326028A CN 112131371 A CN112131371 A CN 112131371A
Authority
CN
China
Prior art keywords
question
word
vector
sentence
vectors
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
CN202011326028.6A
Other languages
English (en)
Inventor
胡扬波
仲田
许斌锋
王青国
陆野
徐进
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.)
Jiangsu Electric Power Information Technology Co Ltd
Original Assignee
Jiangsu Electric Power Information Technology 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 Jiangsu Electric Power Information Technology Co Ltd filed Critical Jiangsu Electric Power Information Technology Co Ltd
Priority to CN202011326028.6A priority Critical patent/CN112131371A/zh
Publication of CN112131371A publication Critical patent/CN112131371A/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
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种电力智能问答系统中的问句匹配方法：首先对用户输入的查询问句P和系统知识库中的问句Q进行补零或截断操作，使句子序列变成固定长度；然后通过GloVe模型生成关于句子序列中对应单词词向量；接着将词向量输入到BI‑LSTM模型中，获取具有上下文语境义的单词向量；在此基础上，利用卷积神经网络提取词向量特征，得到句子的特征向量，进一步对特征向量抽取共同特征；最后将问句P、问句Q的特征向量以及共同特征向量进行拼接，输入全连接层，获取相似度预测结果。本发明将深度学习应用于电力智能问答领域，能够有效融合句子单词的上下文语境，精准的匹配用户问句，提高电力智能问答的准确度。

Description

一种电力智能问答系统中的问句匹配方法
技术领域
本发明属于信息处理技术领域，具体涉及一种基于G-BI-LSTM模型的电力智能问答系统中的问句匹配方法。
背景技术
随着互联网产业的不断发展以及电力用户各项服务需求的提升，传统的电力客服服务已经无法满足业务量的发展和用户需求，电力智能问答系统逐渐成为热门的研究方向，利用新型智能客服技术，实现全天候在线服务。而如何有效的将用户问句与系统语料库中的问句进行匹配，精准的解答用户问题是智能问答过程中的核心环节。
发明专利一种电力多源知识检索结果融合方法及装置，公开了一种基于D-S证据理论的电力多源知识检索结果融合方法及装置，该方法及装置主要对用户问句进行检索，得到与问句相关的电力专业名词集合，计算集合中名词的置信度并排序，得到最终的检索结果。该方法能够提高电力智能问答的进度，但存在融合精度低的问题。
发明专利一种电力领域语义增强方法和装置，公开了一种电力领域语义增强方法和装置，该方法基于电力客服领域的相关业务规则数据集生成一阶逻辑规则库，并将规则库形成从句集合；借助电力知识图谱和实体识别技术获取电力领域所有的常量及常量知识；基于从句集合、常量及常量知识生成马尔可夫逻辑网络学习权重；将获取的电力问句经电力知识图谱和实体识别技术处理后，通过马尔可夫逻辑网络学习权重推理出隐含在知识图谱中的潜在知识。该方法能够提高用户问句解答的准确度，但存在推理过程较为复杂，时间较长等问题。
发明内容
针对上述问题，本发明的目的是提供一种基于G-BI-LSTM模型的电力智能问答系统中的问句匹配方法，能够有效融合单词的上下文语境义，快速精准的匹配用户问句，提高电力智能问答的准确度。
本发明是通过以下技术方案实现的：
一种电力智能问答系统中的问句匹配方法，其特征在于：包括以下步骤：
1）生成单词的词向量：给定用户输入的查询问句P以及电力智能问答系统知识库中的问句Q，将所给定的句子序列通过补零或者截断的方法变成固定长度L的句子序列，即将过长的句子序列截断，将过短的句子序列用零补齐到一个固定长度，然后将固定长度的问句P和Q通过GloVe 模型生成关于句子序列中对应单词的词向量：构建词的共现矩阵，基于共现矩阵和GloVe模型学习词向量。
2）获取具有上下文语境义的单词向量：将问句P对应的词向量和问句Q对应的词向量分别输入到BI-LSTM 模型中，不仅考虑局部信息同时考虑全局信息。通过前向和后向传播，获得单词的上下文语境义，生成单词在上下文中的向量表示。
3）抽取句子特征：将经过BI-LSTM 模型得到的问句P和问句Q的词向量进行计算分权得到特征矩阵；通过卷积神经网络的滤波器扫描特征矩阵，得到扫描特征，经过Maxpool对扫描特征进行采样生成深度特征向量表示。
4）提取共同特征：将问句P的特征向量和问句Q的 特征向量进行信息融合抽取其共同相关特征，提取主要信息以及生成与目标相关性更高的向量。
5）匹配度计算：将问句P的特征向量、问句Q的特征向量和抽取的共同特征向量进行拼接，使得P和Q能够包含彼此的文本特征，增加相似度计算的准确率。将进行拼接的单一向量输入到全连接层，求得匹配度。
进一步，步骤1）中，将所给定的句子序列通过补零或者截断的方法变成固定长度的句子序列，然后通过glove模型生成关于句子序列中对应单词的词向量，具体为：将问句
Figure 83676DEST_PATH_IMAGE001
和问句
Figure 990453DEST_PATH_IMAGE002
都通过glove模型得到单词的词向量表示：
Figure 879911DEST_PATH_IMAGE003
其中
Figure 77716DEST_PATH_IMAGE004
表示问句P的词向量表示，
Figure 660007DEST_PATH_IMAGE005
表示问句Q的词向量表示，
Figure 54079DEST_PATH_IMAGE006
表示问句P中第i个位置上的单词，
Figure 747229DEST_PATH_IMAGE007
表示问句Q中第i个位置上的单词，
Figure 808726DEST_PATH_IMAGE008
表示问句P中第i个位置上
Figure 561918DEST_PATH_IMAGE009
单词对应的词向量，
Figure 443286DEST_PATH_IMAGE010
表示问句Q中第i个位置上
Figure 674547DEST_PATH_IMAGE011
单词对应的词向量，
Figure 823507DEST_PATH_IMAGE012
表示词向量的维度，L表示句子的长度。
步骤2）中，将问句P对应的词向量和问句Q对应的词向量分别输入到BI-LSTM模型中，获得单词的上下文语境义，具体为：将各个单词的词向量输入到BI-LSTM模型中，分别获取其前向传播的句子序列向量和后向传播的句子序列向量，然后将这个两个向量进行拼接，得到所需具有上下文语境义的单词向量表示：
Figure 747600DEST_PATH_IMAGE013
因此，经过BI-LSTM模型的句子P输出的向量为：
Figure 381844DEST_PATH_IMAGE014
对于句子Q也做上述操作，得到
Figure 416796DEST_PATH_IMAGE015
其中LSTM 里面矩阵参数为
Figure 921727DEST_PATH_IMAGE016
表示第i 时间输出的词向量，相对应的句子Q 也是如此。
步骤3）中，将经过BI-LSTM 模型得到的词向量，利用卷积神经网络进行卷积操作，抽取句子的特征，具体为：利用卷积神经网络进行卷积操作，然后，利用最大池化层提取特征，得到句子的特征表示向量：
Figure 16722DEST_PATH_IMAGE017
其中，
Figure 872682DEST_PATH_IMAGE018
表示问句P 的特征表示向量，SE2 代表问句Q 的特征表示向量。
步骤4）中，将问句P的特征向量和问句Q的特征向量进行信息融合抽取其共同特征，具体为：
Figure 445746DEST_PATH_IMAGE019
步骤5）中，将问句P的特征向量、问句Q的特征向量和抽取的共同特征向量进行拼接，然后通过其全连接层进行二分类，输出匹配结果，具体为：
Figure 70763DEST_PATH_IMAGE020
其中
Figure 835194DEST_PATH_IMAGE021
表示拼接的联合信息表示向量，
Figure 178451DEST_PATH_IMAGE022
表示偏置参数，y为匹配度。
本发明提出的基于G-BI-LSTM模型的电力智能问答系统中的问句匹配方法，将深度学习模型应用到电力智能问答领域，融合了GloVe 和BI-LSTM模型，包括生成单词的词向量、获取具有上下文语境义的单词向量、抽取句子特征、提取共同特征、匹配度计算。本发明的匹配方法不仅考虑句子局部信息的同时利用BI-LSTM模型添加了全局性信息，更好的理解单词的上下文信息，能够有效融合句子单词的上下文语境，精准的匹配用户问句，提高电力智能问答的准确度。
附图说明
图1为本发明的问句匹配方法原理框图。
具体实施方式
下面结合具体实施方式对本发明所属方法进一步说明。
一种基于G-BI-LSTM模型的电力智能问答系统中的问句匹配方法，图1为本发明的问句匹配方法原理框图，包括：首先对用户输入的查询问句P和系统知识库中的问句Q进行补零或截断操作，使句子序列变成固定长度；然后通过GloVe模型生成关于句子序列中对应单词词向量；接着将词向量输入到BI-LSTM模型中，获取具有上下文语境义的单词向量；在此基础上，利用卷积神经网络提取词向量特征，得到句子的特征向量，进一步对特征向量抽取共同特征；最后将问句P、问句Q的特征向量以及共同特征向量进行拼接，输入全连接层，获取相似度预测结果。具体实施方式如下：
步骤1、生成单词的词向量
将用户输入的查询问句P以及电力智能问答系统知识库中的问句Q的句子序列通过补零或者截断的方法变成固定长度L的句子序列；即将过长的句子序列截断，将过短的句子序列用零补齐到一个固定长度。
将固定长度的句子序列输入GloVe模型，构建词的共现矩阵，基于共现矩阵和GloVe模型学习词向量，生成关于句子序列中对应单词的词向量：
Figure 820785DEST_PATH_IMAGE023
其中X表示问句P的词向量表示，
Figure 300307DEST_PATH_IMAGE024
表示问句Q的词向量表示，
Figure 737105DEST_PATH_IMAGE025
分别表示问句P和问句Q中第i个位置上的单词，
Figure 567658DEST_PATH_IMAGE026
分别表示问句P和问句Q中第i个位置上
Figure 482524DEST_PATH_IMAGE027
单词对应的词向量，
Figure 82133DEST_PATH_IMAGE028
表示词向量的维度；
步骤2、获取具有上下文语境义的单词向量
将问句P和问句Q中各个单词对应的词向量输入到BI-LSTM模型中，分别获取其前向传播的句子序列向量和后向传播的句子序列向量：
Figure 689832DEST_PATH_IMAGE029
其中，
Figure 240636DEST_PATH_IMAGE030
表示句子P中的词向量前向传播和后向传播的句子序列向量；
Figure 959194DEST_PATH_IMAGE031
表示句子Q中的词向量前向传播和后向传播的句子序列向量；
将前向传播和后向传播的句子序列向量进行维度拼接，获得具有上下文语境义的单词向量：
Figure 678888DEST_PATH_IMAGE032
其中，
Figure 191909DEST_PATH_IMAGE033
分别表示问句P和Q中拼接后的单词向量；
输出P和Q的词向量矩阵H和
Figure 997054DEST_PATH_IMAGE034
：
Figure 519302DEST_PATH_IMAGE035
其中，
Figure 827924DEST_PATH_IMAGE036
表示第i 时间句子P、句子Q输出的词向量；
步骤3、抽取句子特征
利用卷积神经网络对经BI-LSTM模型获得的词向量进行特征提取，得到句子的特征表示向量：
Figure 777425DEST_PATH_IMAGE037
其中，
Figure 37243DEST_PATH_IMAGE038
表示句子P和句子Q的特征向量，
Figure 363182DEST_PATH_IMAGE039
表示词向量的维度；
步骤4、提取共同特征
将问句P特征向量和问句Q 特征向量进行信息融合，抽取其共同特征，得到共同特征向量表示：
Figure 791889DEST_PATH_IMAGE040
；
将问句P的特征向量、问句Q的特征向量和抽取的共同特征向量进行拼接，得到向量Z：
Figure 912292DEST_PATH_IMAGE041
步骤5、匹配度计算
将向量Z输入到全连接层，进行二分类操作，公式为：
Figure 692029DEST_PATH_IMAGE042
其中，
Figure 556080DEST_PATH_IMAGE043
表示拼接的联合信息表示向量，
Figure 573715DEST_PATH_IMAGE044
表示偏置参数，
Figure 130598DEST_PATH_IMAGE045
为匹配度。
通过全连接二分类层进行匹配度计算，如匹配度大于不匹配度，则说明问句P和Q相匹配 ，反之则说明P和Q不匹配。

Claims (6)

1.一种电力智能问答系统中的问句匹配方法，其特征在于：包括以下步骤：
1）生成单词的词向量：给定用户输入的查询问句P以及电力智能问答系统知识库中的问句Q，将所给定的句子序列通过补零或者截断的方法变成固定长度的句子序列，然后通过GloVe 模型生成关于句子序列中对应单词的词向量；
2）获取具有上下文语境义的单词向量：将问句P和问句Q 分别输出到BI-LSTM 模型中，获得单词的上下文语境义；
3）抽取句子特征：将经过BI-LSTM 模型得到的词向量，利用卷积神经网络卷积操作，抽取句子的特征；
4）提取共同特征：将问句P 特征向量和问句Q 特征向量进行信息融合抽取其共同相关特征；
5）匹配度计算：将问句P的特征向量，问句Q的特征向量和抽取的共同特征向量进行拼接，然后通过其全连接层进行二分类，计算匹配度，得到结果。
2.根据权利要求1所述的电力智能问答系统中的问句匹配方法，其特征在于：步骤1）中，将所给定的句子序列通过补零或者截断的方法变成固定长度的句子序列，然后通过glove模型生成关于句子序列中对应单词的词向量，具体为：将问句
Figure 2762DEST_PATH_IMAGE001
和问句
Figure 20397DEST_PATH_IMAGE002
都通过glove模型得到单词的词向量表示：
Figure 577280DEST_PATH_IMAGE003
其中表示问句P的词向量表示，
Figure 811690DEST_PATH_IMAGE004
表示问句Q的词向量表示，
Figure 682694DEST_PATH_IMAGE005
表示问句P中第i个位置上的单词，
Figure 23677DEST_PATH_IMAGE006
表示问句Q中第i个位置上的单词，
Figure 751461DEST_PATH_IMAGE007
表示问句P中第i个位置上
Figure 974632DEST_PATH_IMAGE008
单词对应的词向量，
Figure 679021DEST_PATH_IMAGE009
表示问句Q中第i个位置上
Figure 936827DEST_PATH_IMAGE010
单词对应的词向量，
Figure 835513DEST_PATH_IMAGE011
表示词向量的维度，L表示句子的长度。
3.根据权利要求1所述的电力智能问答系统中的问句匹配方法，其特征在于：步骤2）中，将问句P对应的词向量和问句Q对应的词向量分别输入到BI-LSTM模型中，获得单词的上下文语境义，具体为：将各个单词的词向量输入到BI-LSTM模型中，分别获取其前向传播的句子序列向量和后向传播的句子序列向量，然后将这个两个向量进行拼接，得到所需具有上下文语境义的单词向量表示：
Figure 280400DEST_PATH_IMAGE012
因此，经过BI-LSTM模型的句子P输出的向量为：
Figure 289945DEST_PATH_IMAGE013
对于句子Q也做上述操作，得到
Figure 402257DEST_PATH_IMAGE014
其中LSTM 里面矩阵参数为
Figure 206265DEST_PATH_IMAGE015
表示第i 时间输出的词向量，相对应的句子Q 也是如此。
4.根据权利要求1 所述的电力智能问答系统中的问句匹配方法，其特征在于：步骤3）中，将经过BI-LSTM 模型得到的词向量，利用卷积神经网络进行卷积操作，抽取句子的特征，具体为：利用卷积神经网络进行卷积操作，然后，利用最大池化层提取特征，得到句子的特征表示向量：
Figure 669607DEST_PATH_IMAGE016
其中，
Figure 217263DEST_PATH_IMAGE017
表示问句P 的特征表示向量，SE2 代表问句Q 的特征表示向量。
5.根据权利要求1 所述的电力智能问答系统中的问句匹配方法，其特征在于：步骤4）中，将问句P的特征向量和问句Q的特征向量进行信息融合抽取其共同特征，具体为：
Figure 706055DEST_PATH_IMAGE018
。
6.根据权利要求1 所述的电力智能问答系统中的问句匹配方法，其特征在于：步骤5）中，将问句P的特征向量、问句Q的特征向量和抽取的共同特征向量进行拼接，然后通过其全连接层进行二分类，输出匹配结果，具体为：
Figure 680964DEST_PATH_IMAGE019
其中
Figure 366024DEST_PATH_IMAGE020
表示拼接的联合信息表示向量，
Figure 717371DEST_PATH_IMAGE021
，b∗ 表示偏置参数，
Figure 804275DEST_PATH_IMAGE022
为匹配度。
CN202011326028.6A 2020-11-24 2020-11-24 一种电力智能问答系统中的问句匹配方法 Pending CN112131371A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011326028.6A CN112131371A (zh) 2020-11-24 2020-11-24 一种电力智能问答系统中的问句匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011326028.6A CN112131371A (zh) 2020-11-24 2020-11-24 一种电力智能问答系统中的问句匹配方法

Publications (1)

Publication Number Publication Date
CN112131371A true CN112131371A (zh) 2020-12-25

Family

ID=73852388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011326028.6A Pending CN112131371A (zh) 2020-11-24 2020-11-24 一种电力智能问答系统中的问句匹配方法

Country Status (1)

Country Link
CN (1) CN112131371A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113094486A (zh) * 2021-04-12 2021-07-09 天津大学 一种量子干涉启发的文本问答匹配系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110321419A (zh) * 2019-06-28 2019-10-11 神思电子技术股份有限公司 一种融合深度表示与交互模型的问答匹配方法
CN111259130A (zh) * 2020-02-14 2020-06-09 支付宝(杭州)信息技术有限公司 用于在对话中提供答复语句的方法及装置
CN111651974A (zh) * 2020-06-23 2020-09-11 北京理工大学 一种隐式篇章关系分析方法和系统
CN111651973A (zh) * 2020-06-03 2020-09-11 拾音智能科技有限公司 一种基于句法感知的文本匹配方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110321419A (zh) * 2019-06-28 2019-10-11 神思电子技术股份有限公司 一种融合深度表示与交互模型的问答匹配方法
CN111259130A (zh) * 2020-02-14 2020-06-09 支付宝(杭州)信息技术有限公司 用于在对话中提供答复语句的方法及装置
CN111651973A (zh) * 2020-06-03 2020-09-11 拾音智能科技有限公司 一种基于句法感知的文本匹配方法
CN111651974A (zh) * 2020-06-23 2020-09-11 北京理工大学 一种隐式篇章关系分析方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王路等: "基于注意力机制的上下文相关的问答配对方法", 《中文信息学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113094486A (zh) * 2021-04-12 2021-07-09 天津大学 一种量子干涉启发的文本问答匹配系统

Similar Documents

Publication Publication Date Title
CN109213995B (zh) 一种基于双语词嵌入的跨语言文本相似度评估技术
CN109977413B (zh) 一种基于改进cnn-lda的情感分析方法
CN111090736B (zh) 问答模型的训练方法、问答方法、装置及计算机存储介质
CN113254599A (zh) 一种基于半监督学习的多标签微博文本分类方法
Jiang et al. Natural language processing and its applications in machine translation: A diachronic review
CN110414009B (zh) 基于BiLSTM-CNN的英缅双语平行句对抽取方法及装置
CN110704606B (zh) 一种基于图文融合的生成式摘要生成方法
CN110619043A (zh) 基于动态词向量的自动文本摘要生成方法
CN115392259B (zh) 一种基于对抗训练融合bert的微博文本情感分析方法及系统
CN111259153B (zh) 一种完全注意力机制的属性级情感分析方法
CN112347241A (zh) 一种摘要提取方法、装置、设备及存储介质
CN114997181A (zh) 一种基于用户反馈修正的智能问答方法及系统
CN111694927A (zh) 一种基于改进词移距离算法的文档自动评阅方法
CN116401376A (zh) 一种面向工艺性检查的知识图谱构建方法及系统
Wang et al. Named entity recognition method of brazilian legal text based on pre-training model
CN115759119A (zh) 一种金融文本情感分析方法、系统、介质和设备
CN113361252B (zh) 基于多模态特征和情感词典的文本抑郁倾向检测系统
CN113377953B (zh) 一种基于palc－dca模型的实体融合及分类方法
CN112131371A (zh) 一种电力智能问答系统中的问句匹配方法
CN111382333B (zh) 基于案件相关性联合学习与图卷积的新闻文本句中案件要素抽取方法
CN116611447A (zh) 一种基于深度学习方法的信息抽取和语义匹配系统及方法
CN111694960A (zh) 基于词性特征和观点特征结合卷积神经网络的电商评论情感分析模型
CN115017924B (zh) 跨语际语言翻译的神经机器翻译模型构建及其翻译方法
CN116069924A (zh) 一种融合全局和局部语义特征的文本摘要生成方法及系统
CN116451784A (zh) 知识图谱的特征表达方法、系统及电子设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201225