CN112182179B - 实体问答处理方法、装置、电子设备和存储介质 - Google Patents

实体问答处理方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112182179B
CN112182179B CN202011035248.3A CN202011035248A CN112182179B CN 112182179 B CN112182179 B CN 112182179B CN 202011035248 A CN202011035248 A CN 202011035248A CN 112182179 B CN112182179 B CN 112182179B
Authority
CN
China
Prior art keywords
question
entity
answer
user
determining
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.)
Active
Application number
CN202011035248.3A
Other languages
English (en)
Other versions
CN112182179A (zh
Inventor
乔超
杨一航
李君鹏
李航
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.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network 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 Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202011035248.3A priority Critical patent/CN112182179B/zh
Publication of CN112182179A publication Critical patent/CN112182179A/zh
Application granted granted Critical
Publication of CN112182179B publication Critical patent/CN112182179B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • 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

Landscapes

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

Abstract

本公开实施例涉及一种实体问答处理方法、装置、电子设备和存储介质，其中，该方法可以包括：获取用户问题，并利用搜索引擎确定与用户问题相关的至少一个文本；确定至少一个文本中包括的候选实体；从候选实体中，确定与用户问题对应的答案实体。本公开实施例可以减少在获取用户需求答案的过程中对知识图谱本身的依赖，可以解决因一些实体信息不能通过知识图谱推理得到而无法及时向用户反馈需求答案的问题，同时，在保证用户需求答案的反馈效果的基础上，可以减少知识图谱的维护成本。

Description

实体问答处理方法、装置、电子设备和存储介质
技术领域
本公开涉及数据处理技术领域，尤其涉及一种实体问答处理方法、装置、电子设备和存储介质。
背景技术
知识图谱是对各领域知识的一种可视化描述，被广泛应用于智能搜索、智能问答、个性化推荐以及内容分发等领域。
目前，基于知识图谱的知识问答场景中，通常需要对用户输入的问题进行语义解析，确定对应的槽位信息，然后结合用户意图，利用知识图谱中的三元组信息，确定用户需求的答案。例如，用户输入的问题为“用户A的职业是什么”，语义解析结果为：主语＝用户A，谓语＝职业，将用户A作为知识图谱中三元组的一个起始节点，根据职业关系，可以确定对应的终止节点为篮球运动员，即用户需求的答案为“篮球运动员”。
在实现本申请的过程中，发明人发现上述基于知识图谱的知识问答方式至少存在以下缺陷：通过查询知识图谱确定用户针对特定实体的需求答案，答案的准确性和全面性完全依赖于知识图谱中包括的知识的全面性和准确性。为了保证反馈给用户的答案质量，必然导致知识图谱的维护成本增加；并且，当一些整合的实体信息不能通过知识图谱推理得到时，将无法及时反馈给用户需求的答案。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种实体问答处理方法、装置、电子设备和存储介质。
第一方面，本公开实施例提供了一种实体问答处理方法，包括：
获取用户问题，并利用搜索引擎确定与所述用户问题相关的至少一个文本；
确定所述至少一个文本中包括的候选实体；
从所述候选实体中，确定与所述用户问题对应的答案实体。
第二方面，本公开实施例还提供了一种实体问答处理装置，包括：
文本确定模块，用于获取用户问题，并利用搜索引擎确定与所述用户问题相关的至少一个文本；
候选实体确定模块，用于确定所述至少一个文本中包括的候选实体；
答案实体确定模块，用于从所述候选实体中，确定与所述用户问题对应的答案实体。
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令或程序的存储器；所述处理器，用于从所述存储器中读取所述可执行指令或程序，并执行所述可执行指令或程序以实现本公开实施例提供的任一实体问答处理方法。
第四方面，本公开实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序或可执行指令，所述计算机程序或可执行指令被处理器执行时实现本公开实施例提供的任一实体问答处理方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：在本公开实施例中，针对属于实体问答类的用户问题，通过利用搜索引擎确定与用户问题相关的文本，进而基于文本分析，确定与用户问答对应的答案实体，减少了在获取用户需求答案的过程中对知识图谱本身的依赖，解决了因一些实体信息不能通过知识图谱推理得到而无法及时向用户反馈需求答案的问题，同时，在保证用户需求答案的反馈效果的基础上，减少了知识图谱的维护成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种实体问答处理方法的流程图；
图2为本公开实施例提供的一种用于确定答案实体的答案模型的训练架构示意图；
图3为本公开实施例提供的另一种实体问答处理方法的流程图；
图4为本公开实施例提供的一种用于确定问题类型的意图模型的训练架构示意图；
图5为本公开实施例提供的一种实体问答处理装置的结构示意图；
图6为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
图1为本公开实施例提供的一种实体问答处理方法的流程图，本公开实施例可以适用于如何便捷确定与用户问题对应的答案的情况，并且该方法可以由实体问答处理装置执行，该装置可以采用软件和/或硬件实现，并可集成在任意具有计算能力的电子设备上，例如服务器等。
如图1所示，本公开实施例提供的实体问答处理方法可以包括：
S101、获取用户问题，并利用搜索引擎确定与用户问题相关的至少一个文本。
示例性的，可以通过用户终端上提供的知识图谱问题入口获取针对特定实体的用户问题。该知识图谱问题入口可以采用独立的应用程序实现，该独立的应用程序向用户提供问题输入控件，例如文本输入框或者语音输入框等；该知识图谱问题入口也可以作为一种可以获取用户问题的功能控件，集成在特定的应用程序中，该特定的应用程序可以包括但不限于浏览器、视频交互应用等。
以知识图谱问题入口作为浏览器中的功能控件为例，用户可以通过浏览器上与知识图谱问题入口对应的文本或者语音输入框，输入当前问题，输入完成后提交至用于执行本公开实施例方案的电子设备。
电子设备获取用户问题后，可以调用搜索引擎，从互联网信息中确定与用户问题相关的至少一个文本。搜索引擎可以采用现有技术中任意可用的搜索引擎实现，本公开实施例不作具体限定。
进一步的，电子设备获取用户问题后，可以通过对用户问题进行文本分析或者语义分析，确定用户问题的复杂度估值，例如，可以对用户问题进行语义分析(可以采用现有方案中任意可用的语义分析技术实现)，确定用户的问题需求，然后根据用户的问题需求确定用户问题的复杂度估值；还可以对用户问题进行文本分析，例如分词处理，确定用户问题中是否包括预设类型的关键词，然后根据预设类型的关键词，确定用户问题的复杂度估值，其中，该预设类型的关键词可以是根据统计规律预先确定的用于表征问题复杂程度的词语，例如用于表示时间跨度的词语、用于表示地区跨度的词语、以及用于表示排序信息的词语等，本公开实施例不作具体限定。如果用户问题的复杂度估值大于预设阈值，则表明当前用户问题的复杂程度较高，为保证答案反馈效果，需要调用搜索引擎，辅助确定与用户问题对应的答案实体，例如，用户问题“世界十大奢侈品牌有哪些”，即属于复杂程度较高的问题；如果用户问题的复杂度估值小于或等于预设阈值，则表明当前用户问题的复杂程度较低，可以直接利用知识图谱确定与用户问题对应的答案实体，当然此时也可以选择利用搜索引擎，辅助确定与用户问题对应的答案实体。其中，预设阈值可以根据实际情况灵活设置。
S102、确定至少一个文本中包括的候选实体。
示例性的，可以利用文本分析技术，对每个文本进行特征分析，确定每个文本中包括的关键词，然后根据关键词类型，例如名词、动词、形容词等，确定每个文本中包括的名词类关键词，然后通过名词类关键词与实体词库(即由大量知识图谱中的实体组成的词语库)的匹配，确定至少一个文本中包括的候选实体，也即候选答案。
可选的，确定至少一个文本中包括的候选实体，包括：利用用于从文本中提取实体的实体链接模型，确定至少一个文本中包括的候选实体。通过实体链接模型确定候选实体的过程中，可以确定的实体信息包括但不限于实体在知识图谱中的ID、实体描述信息、实体类别以及实体在文本中的排序信息等。其中，实体链接模型的具体实现原理可以参考现有技术，本公开实施例不作具体限定。在本公开实施例中，通过利用实体链接模型确定文本中包括的候选实体，可以确保文本中实体信息的确定准确性、全面性，进而为准确地向用户反馈答案实体奠定基础。
S103、从候选实体中，确定与用户问题对应的答案实体。
当确定至少一个候选实体后，可以根据各个候选实体与用户的问题需求的匹配程度，从至少一个候选实体中，确定与用户问题对应的答案实体，例如，可以通过计算各个候选实体与用户问题之间的文本相似度，根据文本相似度确定答案实体。
可选的，从候选实体中，确定与用户问题对应的答案实体，包括：利用用于确定答案实体的答案模型，基于候选实体，确定与用户问题对应的答案实体。该答案模型具有广泛的适用性，通过利用答案模型，确定与用户问题对应的答案实体，可以确保向用户反馈的答案实体的准确性。
进一步的，本公开实施例还可以包括前述答案模型的训练过程，包括：
获取样本问题、候选样本答案实体以及候选样本答案实体的答案标签；其中，该答案标签是根据与样本问题对应的答案实体预先标注，即用于表征候选样本答案实体是否是与样本问题对应的答案实体；
将样本问题和候选样本答案实体作为模型训练的输入，将候选样本答案实体的答案标签作为模型训练的输出，训练得到答案模型。
即通过模型训练，模型可以学习问题与答案实体之间的映射关系，从而可以基于任意的用户问题，从候选实体中确定与用户问题对应的答案实体。关于模型训练过程中可以利用的具体算法，本公开实施例不作具体限定，可以根据需求灵活选择可用的模型算法。
图2作为示例，示出了一种用于确定答案实体的答案模型的训练架构示意图。如图2所示，获取样本问题、候选样本答案实体以及所述候选样本答案实体的答案标签，利用预先训练的自然语言表示模型，分别将样本问题和候选样本答案实体进行向量表示，然后将样本问题和候选样本答案实体的表示向量，输入多层感知机，结合候选样本答案实体的答案标签，进行神经网络模型训练，从而学习确定候选样本答案实体是否是与样本问题对应的答案实体。其中，多层感知机作为一种神经网络的示例，不应理解为对本公开实施例的具体限定。并且，自然语言表示模型用于输出任意文本的向量表示，可以包括但不限于BERT(Bidirectional Encoder Representations from Transformers)模型、Word2Vec模型等，模型实现原理可以参照现有技术实现。在确定样本问题和候选样本答案实体的表示向量过程中，可以将样本问题和候选样本答案实体逐一输入自然语言表示模型，分别输出对应的向量；也可以将样本问题和候选样本答案实体同时输入自然语言表示模型，从而输出样本问题和候选样本答案实体的融合向量。
在上述技术方案的基础上，可选的，从候选实体中，确定与用户问题对应的答案实体，包括：
确定用户问题关联的实体类型；例如，可以通过对用户问题进行文本分析，确定出能够用于表征实体类型的关键词，根据关键词指代的实体类型确定用户问题关联的实体类型；还可以通过对用户问题进行语义分析，确定用户的问题需求，从而根据用户的问题需求确定用户问题关联的实体类型；实体类型是对实体的一种属性描述，例如演员、电影、国家、动物等；还可以利用用于确定问题关联的实体类型的模型，确定用户问题关联的实体类型；
根据实体类型，从候选实体中，确定与用户问题对应的答案实体。
具体的，可以根据用户问题关联的实体类型与候选实体所属的实体类型之间匹配结果，从候选实体中确定属于用户需求类型的实体，然后在属于用户需求类型的实体中，进一步确定与用户问题对应的答案实体。示例性的，在确定用户问题关联的实体类型之后，从候选实体中确定符合该实体类型的实体，然后再利用用于确定答案实体的答案模型，从符合前述实体类型的实体中，确定与用户问题对应的答案实体。通过预先确定用户问题关联的实体类型，有助于进一步提高答案实体的确定准确性；并且，通过利用用户需求的实体类型对候选实体进行初步筛选，还有助于减少确定用户需求答案的计算量。
示例性的，针对用于确定问题关联的实体类型的模型，其训练过程可以包括：
获取样本问题以及样本问题关联的实体类型标注结果；即该标注结果用于表示样本问题关联的实体类型；
将样本问题作为模型训练的输入，将样本问题关联的实体类型标注结果作为模型训练的输出，训练得到用于确定问题关联的实体类型的模型。
关于模型训练过程中可以利用的具体算法，本公开实施例不作具体限定，可以根据需求灵活选择可用的模型算法，例如利用多层感知机等神经网络结构，训练得到用于确定问题关联的实体类型的模型。以多层感知机为例，训练过程具体可以包括：
获取样本问题以及样本问题关联的实体类型标注结果；
将样本问题进行向量表示；
将样本问题的表示向量作为多层感知机的输入，将样本问题关联的实体类型标注结果作为多层感知机的输出，训练得到用于确定问题关联的实体类型的模型。
在本公开实施例中，针对属于实体问答类的用户问题，通过利用搜索引擎确定与用户问题相关的文本，进而基于文本分析，确定与用户问答对应的答案实体，减少了在获取用户需求答案的过程中对知识图谱本身的依赖，解决了因一些实体信息不能通过知识图谱推理得到而无法及时向用户反馈需求答案的问题，同时，在保证用户需求答案的反馈效果的基础上，减少了知识图谱的维护成本，不需要花费较多的人力和物力实时维护知识图谱；此外，借助搜索引擎进行文本搜索，还省去了利用知识图谱确定用户需求的答案过程中，对用户问题的复杂解析操作，例如省去了对用户问题进行句式分析，并将分析结果与知识图谱的三元组表示结果一一对应的操作。
图3为本公开实施例提供的另一种实体问答处理方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图3所示，该方法可以包括：
S201、获取用户问题。
S202、确定用户问题的问题类型，其中，问题类型包括单实体问答和多实体问答。
S203、利用搜索引擎确定与用户问题相关的至少一个文本。
需要说明的是，操作S202和操作S203之间并无严格的执行顺序，可以并行执行，也可以串行执行，图3所示的逻辑顺序只作为一种示例，不应理解为对本公开实施例的具体限定。
示例性的，可以利用现有的语义分析技术对用户进行语义分析，根据语义分析结果确定用户问题的问题类型；还可以对用户问题进行文本分析，例如分词处理，确定用户问题中是否存在用于表征数量信息的词语，如果存在，则可以基于该用于表征数量信息的词语，确定用户问题是单实体问答类型还是多实体问答类型；如果用户问题中不存在用于表征数量信息的词语，则可以确定用户问题为单实体问答类型。例如“世界十大奢侈品牌有哪些”、“从2007年至2020年的某国总统有哪些？”即属于多实体问答类型，其中包括的用于表征数量信息的词语为“十”、“从2007年至2020年”，例如“2010年世界长跑冠军是谁”即属于单实体问答类型。
可选的，确定用户问题的问题类型，包括：利用用于确定问题类型的意图模型，确定用户问题的问题类型。
进一步的，本公开实施例还可以包括前述意图模型的训练过程，可以包括：
获取样本问题以及样本问题的问题类型标注结果；即该标注结果用于表示样本问题的问题类型，例如属于单实体问答类型，还是多实体问答类型，或者其他类型(指除去单实体问答类型和多实体问答类型之外的类型)；
将样本问题作为模型训练的输入，将样本问题的问题类型标注结果作为模型训练的输出，训练得到意图模型；该意图模型属于多分类模型，例如二分类模型或者三分类模型等。作为一种示例，意图模型为三分类模型，输出结果可以包括：单实体问答类型、多实体问答类型或者其他类型。
通过模型训练，模型可以学习问题与问题类型之间的映射关系，从而可以基于任意的用户问题，确定用户的问题类型。关于模型训练过程中可以利用的具体算法，本公开实施例不作具体限定，可以根据需求灵活选择可用的模型算法。此外，针对不能确定用户问题类型的情况，可以直接向用户反馈提示信息，以提示用户当前问题不能确定答案，使得用户可以变更问题的描述方式，再次进行问题输入，或者通过其他途径查找需求的答案。
图4作为示例，示出了一种用于确定问题类型的意图模型的训练架构示意图。如图4所示，获取样本问题，利用预先训练的自然语言表示模型，将样本问题进行向量表示，然后将样本问题的表示向量，输入多层感知机，结合样本问题的问题类型标注结果，进行神经网络模型训练，从而学习确定样本问题的问题类型。其中，多层感知机作为一种神经网络的示例，不应理解为对本公开实施例的具体限定。并且，自然语言表示模型用于输出任意文本的向量表示，可以包括但不限于BERT(Bidirectional Encoder Representations fromTransformers)模型、Word2Vec模型等，模型实现原理可以参照现有技术实现。
S204、确定至少一个文本中包括的候选实体。
S205、从候选实体中，确定与用户问题对应的答案实体。
S206、将答案实体反馈给用户。
针对单实体问答类型，在确定与用户问题对应的答案实体后，可以直接将答案实体反馈给用户。针对多实体问答类型，在确定与用户问题对应的答案实体后，也可以直接将答案实体反馈给用户，即可以采用无排序的状态将答案实体反馈给用户，也可以继续执行操作S207，确定答案实体的排序类型，并对答案实体进行排序之后，再反馈给用户。将排序之后的答案实体反馈给用户有助于提高答案实体的反馈效果，提高用户满意度。图3作为一种示例，示出了一种优选示例，即对答案实体排序后再反馈给用户，不应理解为对本公开实施例的具体限定。
S207、确定答案实体的排序类型。
其中，答案实体的排序类型包括以下至少一项：按照实体热度信息排序、按照实体涉及的时间排序、按照实体在文本中的出现顺序排序、或者按照实体之间依赖关系排序。
具体的，可以通过对用户问题进行分词处理，确定用户问题中是否存在用于表示时间信息的词语，如果存在，则可以优选按照实体涉及的时间对确定的答案实体进行排序，例如用户问题“唐朝历代皇帝有哪些”，可以按照时间顺序对答案实体进行排序；还可以确定用户问题中是否存在表示话题热度信息的词语，例如最火、最热、流行等词语，或者还可以确定用户问题中是否存在与热度话题相关联的词语，如果存在前述任一种情况，则可以优选按照实体热度信息对确定的答案实体进行排序，例如在确定与用户问题对应的答案实体后，可以根据互联网中传播的热度话题库，确定各个答案实体的热度信息，并进行排序；如果基于用户问题，确定答案实体不适合按照实体热度信息排序或者按照实体涉及的时间排序时，可以选择按照实体在文本中的出现顺序排序，即在确定答案实体后，确定各个答案实体在至少一个文本中的出现顺序，从而根据该出现顺序对各个答案实体进行排序。考虑搜索引擎通常会按照文本与用户问题的相关度，对搜索到的文本进行排序，进而可以认为在至少一个文本中出现顺序越靠前的答案实体，其重要性越大，与用户问题的关联性越强，因此，按照实体在文本中的出现顺序排序，有助于用户及时获取需求的答案实体，提高用户对答案实体的反馈满意度。
在确定与用户问题对应的答案实体之后，还可以分析多个答案实体之间是否存在依赖关系，如果存在，也可以选择按照实体之间依赖关系对确定的答案实体进行排序。例如，可以调用知识图谱确定各个答案实体的描述信息，基于描述信息确定答案实体之间是否存在隶属关系、或者时间上的先后关联性等，从而确定答案实体之间的依赖关系。
另外，还可以利用预先设置的实体类型与实体排序类型之间的对应关系，确定用户问题对应的答案实体的排序类型。即可以针对不同的实体类型，预先确定与该实体类型对应的答案实体的排序类型，从而在确定用户问题关联的实体类型后，可以继续确定答案实体的排序类型。例如针对娱乐人物、电影类的实体，可以预先设置按照实体热度信息排序，针对历史类的实体，可以预先设置按照实体涉及的时间排序，从而提高答案实体的反馈效果。
可选的，确定答案实体的排序类型，包括：利用用于确定实体排序类型的模型，确定答案实体的排序类型。通过利用用于确定实体排序类型的模型确定答案实体的排序类型，可以提高排序类型确定的便捷性、准确性；并且，模型支持更新，便于维护。
进一步的，本公开实施例还可以包括前述用于确定实体排序类型的模型的训练过程，可以包括：
获取样本问题以及与样本问题对应的答案实体的排序类型标注结果；即该标注结果用于表示与样本问题对应的答案实体所采用的排序类型；
将样本问题作为模型训练的输入，将与样本问题对应的答案实体的排序类型标注结果作为模型训练的输出，训练得到用于确定实体排序类型的模型；该模型可以是多分类模型，例如二分类模型或者三分类模型等。
通过模型训练，模型可以学习问题与答案实体的排序类型之间的映射关系，从而可以基于任意的用户问题，确定对应的答案实体的排序类型。关于模型训练过程中可以利用的具体算法，本公开实施例不作具体限定，可以根据需求灵活选择可用的模型算法。例如，可以采用与训练得到用于确定问题类型的意图模型相似的训练思路，利用多层感知机等神经网络结构，训练得到用于确定实体排序类型的模型，以多层感知机为例，训练过程具体可以包括：
获取样本问题以及与样本问题对应的答案实体的排序类型标注结果；
将样本问题进行向量表示；
将样本问题的表示向量作为多层感知机的输入，将排序类型标注结果作为多层感知机的输出，训练得到用于确定实体排序类型的模型。
需要说明的是，关于确定答案实体的排序类型，可以在确定用户问题的问题类型之后，在对答案实体进行排序之前的任意环节被执行，不应将图3所示的逻辑顺序理解为对本公开实施例的具体限定。
S208、基于确定的排序类型，对答案实体进行排序，使得将排序之后的答案实体反馈给用户。
答案实体排序之后，可以采用答案列表、田字格或者九宫格等展示方式反馈给用户。其中，关于展示方式的具体确定，本公开实施例不作具体限定，这与答案实体的展示页面布局有关，可以合理设计。
根据本公开实施例的技术方案，通过在获取用户问题后，确定用户问题的问题类型，进而在基于搜索引擎确定与用户问题对应的答案实体后，根据问题类型确定答案实体的后续处理，即针对单实体问答类型，答案实体可以直接反馈给用户，针对多实体问答类型，对答案实体进行排序后再反馈给用户，不仅减少了在获取用户需求答案的过程中对知识图谱本身的依赖，解决了因一些实体信息不能通过知识图谱推理得到而无法及时向用户反馈需求答案的问题，而且，提高了答案实体的反馈效果，提高了用户满意度。此外，在本公开实施例中，通过综合利用各种不同功能的模型，参与答案实体的确定与反馈过程，在保障答案实体的准确性的基础上，提高了答案实体的确定与反馈实现的便捷性，提高了针对大量用户问题的确定与反馈效率，并且，各个模型支持不断的更新，以优化模型输出效果，保证了本公开实施例技术方案实现的合理性。
图5为本公开实施例提供的一种实体问答处理装置的结构示意图，本公开实施例可以适用于如何便捷确定与用户问题对应的答案的情况，该装置可以采用软件和/或硬件实现，并可集成在任意具有计算能力的电子设备上，例如服务器等。
本公开实施例所提供的实体问答处理装置可执行本公开实施例所提供的任意实体问答处理方法，具备执行方法相应的功能模块和有益效果。本公开装置实施例中未详尽描述的内容可以参考本公开任意方法实施例中的描述。
如图5所示，本公开实施例提供的实体问答处理装置可以包括文本确定模块501、候选实体确定模块502和答案实体确定模块503，其中：
文本确定模块501，用于获取用户问题，并利用搜索引擎确定与用户问题相关的至少一个文本；
示例性的，可以通过用户终端上提供的知识图谱问题入口获取针对特定实体的用户问题。该知识图谱问题入口可以采用独立的应用程序实现，该独立的应用程序向用户提供问题输入控件，例如文本输入框或者语音输入框等；该知识图谱问题入口也可以作为一种可以获取用户问题的功能控件，集成在特定的应用程序中，该特定的应用程序可以包括但不限于浏览器、视频交互应用等。电子设备获取用户问题后，可以调用搜索引擎，从互联网信息中确定与用户问题相关的至少一个文本。搜索引擎可以采用现有技术中任意可用的搜索引擎实现，本公开实施例不作具体限定。
候选实体确定模块502，用于确定至少一个文本中包括的候选实体；
示例性的，可以利用文本分析技术，对每个文本进行特征分析，确定每个文本中包括的关键词，然后根据关键词类型，例如名词、动词、形容词等，确定每个文本中包括的名词类关键词，然后通过名词类关键词与实体词库(即由大量知识图谱中的实体组成的词语库)的匹配，确定至少一个文本中包括的候选实体，也即候选答案。
答案实体确定模块503，用于从候选实体中，确定与用户问题对应的答案实体。
当确定至少一个候选实体后，可以根据各个候选实体与用户的问题需求的匹配程度，从至少一个候选实体中，确定与用户问题对应的答案实体，例如，可以通过计算各个候选实体与用户问题之间的文本相似度，根据文本相似度确定答案实体。
可选的，本公开实施例提供的装置还包括：
问题复杂度确定模块，用于确定用户问题的复杂度估值；
相应的，文本确定模块501具体用于：如果复杂度估值大于预设阈值，则利用搜索引擎确定与用户问题相关的至少一个文本；其中，预设阈值可以根据实际情况灵活设置。如果用户问题的复杂度估值大于预设阈值，则表明当前用户问题的复杂程度较高，为保证答案反馈效果，需要调用搜索引擎，辅助确定与用户问题对应的答案实体；如果用户问题的复杂度估值小于或等于预设阈值，则表明当前用户问题的复杂程度较低，可以直接利用知识图谱确定与用户问题对应的答案实体，当然此时也可以选择利用搜索引擎，辅助确定与用户问题对应的答案实体。
可选的，本公开实施例提供的装置还包括：
问题类型确定模块，用于在文本确定模块501执行获取用户问题的操作之后，确定用户问题的问题类型，其中，问题类型包括单实体问答和多实体问答。
示例性的，可以利用现有的语义分析技术对用户进行语义分析，根据语义分析结果确定用户问题的问题类型；还可以对用户问题进行文本分析，例如分词处理，确定用户问题中是否存在用于表征数量信息的词语，如果存在，则可以基于该用于表征数量信息的词语，确定用户问题是单实体问答类型还是多实体问答类型；如果用户问题中不存在用于表征数量信息的词语，则可以确定用户问题为单实体问答类型。
可选的，问题类型确定模块具体用于：
利用用于确定问题类型的意图模型，确定用户问题的问题类型。
可选的，本公开实施例提供的装置还包括：
样本及问题类型标注获取模块，用于获取样本问题以及样本问题的问题类型标注结果；即该标注结果用于表示样本问题的问题类型，例如属于单实体问答类型，还是多实体问答类型，或者其他类型(指除去单实体问答类型和多实体问答类型之外的类型)；
意图模型训练模块，用于将样本问题作为模型训练的输入，将样本问题的问题类型标注结果作为模型训练的输出，训练得到意图模型；该意图模型属于多分类模型，例如二分类模型或者三分类模型等。
可选的，意图模型训练模块包括：
向量表示单元，用于将样本问题进行向量表示；
模型训练单元，用于将样本问题的表示向量作为多层感知机的输入，将问题类型标注结果作为多层感知机的输出，训练得到用于确定问题类型的意图模型。
可选的，如果用户问题的问题类型是多实体问答，则本公开实施例提供的装置还包括：
排序类型确定模块，用于确定答案实体的排序类型；
实体排序模块，用于基于确定的排序类型，对答案实体进行排序，使得将排序之后的答案实体反馈给用户。
可选的，排序类型确定模块具体用于：
利用用于确定实体排序类型的模型，确定答案实体的排序类型。
可选的，本公开实施例提供的装置还包括：
样本及排序类型标注获取模块，用于获取样本问题以及与样本问题对应的答案实体的排序类型标注结果；即该标注结果用于表示与样本问题对应的答案实体所采用的排序类型；
类型模型训练模块，用于将样本问题作为模型训练的输入，将与样本问题对应的答案实体的排序类型标注结果作为模型训练的输出，训练得到用于确定实体排序类型的模型；该模型可以是多分类模型，例如二分类模型或者三分类模型等。
可选的，类型模型训练模块包括：
向量表示单元，用于将样本问题进行向量表示；
模型训练单元，用于将样本问题的表示向量作为多层感知机的输入，将排序类型标注结果作为多层感知机的输出，训练得到用于确定实体排序类型的模型。
可选的，答案实体的排序类型包括下述至少一项：按照实体热度信息排序、按照实体涉及的时间排序、按照实体在文本中的出现顺序排序、或者按照实体之间依赖关系排序。
可选的，答案实体确定模块503包括：
实体类型确定单元，用于确定用户问题关联的实体类型；
答案实体确定单元，用于根据实体类型，从候选实体中，确定与用户问题对应的答案实体。
具体的，可以根据用户问题关联的实体类型与候选实体所属的实体类型之间匹配结果，从候选实体中确定属于用户需求类型的实体，然后在属于用户需求类型的实体中，进一步确定与用户问题对应的答案实体。通过预先确定用户问题关联的实体类型，有助于进一步提高答案实体的确定准确性；并且，通过利用用户需求的实体类型对候选实体进行初步筛选，还有助于减少确定用户需求答案的计算量。
可选的，答案实体确定模块503具体用于：
利用用于确定答案实体的答案模型，基于候选实体，确定与用户问题对应的答案实体。
可选的，本公开实施例提供的装置还包括：
样本及答案标签获取模块，用于获取样本问题、候选样本答案实体以及候选样本答案实体的答案标签；其中，该答案标签是根据与样本问题对应的答案实体预先标注，即用于表征候选样本答案实体是否是与样本问题对应的答案实体；
答案模型训练模块，用于将样本问题和候选样本答案实体作为模型训练的输入，将候选样本答案实体的答案标签作为模型训练的输出，训练得到答案模型。
可选的，答案模型训练模块包括：
向量表示单元，用于分别将样本问题和候选样本答案实体进行向量表示；
模型训练单元，用于将样本问题和候选样本答案实体的表示向量作为多层感知机的输入，将答案标签作为多层感知机的输出，训练得到用于确定答案实体的答案模型。
可选的，候选实体确定模块502具体用于：
利用用于从文本中提取实体的实体链接模型，确定至少一个文本中包括的候选实体。
可选的，排序类型确定模块具体用于：
利用预先设置的实体类型与实体排序类型之间的对应关系，确定用户问题对应的答案实体的排序类型。例如针对娱乐人物、电影类的实体，可以预先设置按照实体热度信息排序，针对历史类的实体，可以预先设置按照实体涉及的时间排序，从而提高答案实体的反馈效果。
在本公开实施例中，针对属于实体问答类的用户问题，通过利用搜索引擎确定与用户问题相关的文本，进而基于文本分析，确定与用户问答对应的答案实体，减少了在获取用户需求答案的过程中对知识图谱本身的依赖，解决了因一些实体信息不能通过知识图谱推理得到而无法及时向用户反馈需求答案的问题，同时，在保证用户需求答案的反馈效果的基础上，减少了知识图谱的维护成本，不需要花费较多的人力和物力实时维护知识图谱；并且，借助搜索引擎进行文本搜索，还省去了利用知识图谱确定用户需求的答案过程中，对用户问题的复杂解析操作，例如省去了对用户问题进行句式分析，并将分析结果与知识图谱的三元组表示结果一一对应的操作。
进一步的，针对多实体问答类型的用户问题，通过将排序之后的答案实体反馈给用户，提高了答案实体的反馈效果，提高了用户满意度。此外，在本公开实施例中，通过综合利用各种不同功能的模型，参与答案实体的确定与反馈过程，在保障答案实体的准确性的基础上，提高了答案实体的确定与反馈实现的便捷性，提高了针对大量用户问题的确定与反馈效率，并且，各个模型支持不断的更新，以优化模型输出效果，保证了本公开实施例技术方案实现的合理性。
图6为本公开实施例提供的一种电子设备的结构示意图，用于对本公开示例中用于执行实体问答处理方法的电子设备，进行示例性说明。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(或称为处理器，例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的可执行指令或程序，或者从存储装置608加载到随机访问存储器(RAM)603中的可执行指令或程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
当电子设备的处理器从存储器中读取可执行指令或程序并执行时，使得电子设备：获取用户问题，并利用搜索引擎确定与所述用户问题相关的至少一个文本；确定所述至少一个文本中包括的候选实体；从所述候选实体中，确定与所述用户问题对应的答案实体。
可选的，处理器从存储器中读取可执行指令或程序并执行时，使得电子设备在所述获取用户问题之后，还执行：
确定所述用户问题的问题类型，其中，所述问题类型包括单实体问答和多实体问答。
可选的，处理器从存储器中读取可执行指令或程序并执行时，使得电子设备：
利用用于确定问题类型的意图模型，确定所述用户问题的问题类型。
可选的，处理器从存储器中读取可执行指令或程序并执行时，还使得电子设备：
获取样本问题以及样本问题的问题类型标注结果；
将所述样本问题进行向量表示；
将所述样本问题的表示向量作为多层感知机的输入，将所述问题类型标注结果作为所述多层感知机的输出，训练得到所述用于确定问题类型的意图模型。
可选的，处理器从存储器中读取可执行指令或程序并执行时，如果所述用户问题的问题类型是所述多实体问答，则使得电子设备：
基于所述用户问题，确定所述答案实体的排序类型；
基于确定的排序类型，对所述答案实体进行排序，使得将排序之后的答案实体反馈给用户。
可选的，处理器从存储器中读取可执行指令或程序并执行时，使得电子设备：
利用用于确定实体排序类型的模型排序模型，基于所述用户问题，确定所述答案实体的排序类型。
可选的，处理器从存储器中读取可执行指令或程序并执行时，还使得电子设备：
获取样本问题以及与样本问题对应的答案实体的排序类型标注结果；
将所述样本问题进行向量表示；
将所述样本问题的表示向量作为多层感知机的输入，将所述排序类型标注结果作为所述多层感知机的输出，训练得到所述用于确定实体排序类型的模型。
可选的，所述答案实体的排序类型包括下述至少一项：按照实体热度信息排序、按照实体涉及的时间排序、和或者按照实体在所述文本中的出现顺序排序、或者按照实体之间依赖关系排序。
可选的，处理器从存储器中读取可执行指令或程序并执行时，使得电子设备：
确定所述用户问题关联的实体类型；
根据所述实体类型，从所述候选实体中，确定与所述用户问题对应的答案实体。
可选的，处理器从存储器中读取可执行指令或程序并执行时，使得电子设备：
利用用于确定答案实体的答案模型，基于所述候选实体，确定与所述用户问题对应的答案实体。
可选的，处理器从存储器中读取可执行指令或程序并执行时，还使得电子设备：
获取样本问题、候选样本答案实体以及所述候选样本答案实体的答案标签；
分别将所述样本问题和候选样本答案实体进行向量表示；
将所述样本问题和候选样本答案实体的表示向量作为多层感知机的输入，将所述答案标签作为所述多层感知机的输出，训练得到所述用于确定答案实体的答案模型。
可选的，处理器从存储器中读取可执行指令或程序并执行时，使得电子设备：
利用用于从文本中提取实体的实体链接模型，确定所述至少一个文本中包括的候选实体。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序或可执行指令。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上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：具有一个或多个导线的电连接、便携式计算机磁盘、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或闪存)、光纤、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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(LAN)，广域网(WAN)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个计算机程序(或可执行指令)，当上述一个或者多个计算机程序(或可执行指令)被处理器执行时，使得处理器：获取用户问题，并利用搜索引擎确定与所述用户问题相关的至少一个文本；确定所述至少一个文本中包括的候选实体；从所述候选实体中，确定与所述用户问题对应的答案实体。
可选的，当上述计算机程序或可执行指令被处理器执行时，使得处理器：在所述获取用户问题之后，还执行：
确定所述用户问题的问题类型，其中，所述问题类型包括单实体问答和多实体问答。
可选的，当上述计算机程序或可执行指令被处理器执行时，使得处理器：
利用用于确定问题类型的意图模型，确定所述用户问题的问题类型。
可选的，当上述计算机程序或可执行指令被处理器执行时，还使得处理器：
获取样本问题以及样本问题的问题类型标注结果；
将所述样本问题进行向量表示；
将所述样本问题的表示向量作为多层感知机的输入，将所述问题类型标注结果作为所述多层感知机的输出，训练得到所述用于确定问题类型的意图模型。
可选的，当上述计算机程序或可执行指令被处理器执行时，如果所述用户问题的问题类型是所述多实体问答，则使得处理器：
基于所述用户问题，确定所述答案实体的排序类型；
基于确定的排序类型，对所述答案实体进行排序，使得将排序之后的答案实体反馈给用户。
可选的，当上述计算机程序或可执行指令被处理器执行时，使得处理器：
利用用于确定实体排序类型的模型排序模型，基于所述用户问题，确定所述答案实体的排序类型。
可选的，当上述计算机程序或可执行指令被处理器执行时，还使得处理器：
获取样本问题以及与样本问题对应的答案实体的排序类型标注结果；
将所述样本问题进行向量表示；
将所述样本问题的表示向量作为多层感知机的输入，将所述排序类型标注结果作为所述多层感知机的输出，训练得到所述用于确定实体排序类型的模型。
可选的，所述答案实体的排序类型包括下述至少一项：按照实体热度信息排序、按照实体涉及的时间排序、和或者按照实体在所述文本中的出现顺序排序、或者按照实体之间依赖关系排序。
可选的，当上述计算机程序或可执行指令被处理器执行时，使得处理器：
确定所述用户问题关联的实体类型；
根据所述实体类型，从所述候选实体中，确定与所述用户问题对应的答案实体。
可选的，当上述计算机程序或可执行指令被处理器执行时，使得处理器：
利用用于确定答案实体的答案模型，基于所述候选实体，确定与所述用户问题对应的答案实体。
可选的，当上述计算机程序或可执行指令被处理器执行时，还使得处理器：
获取样本问题、候选样本答案实体以及所述候选样本答案实体的答案标签；
分别将所述样本问题和候选样本答案实体进行向量表示；
将所述样本问题和候选样本答案实体的表示向量作为多层感知机的输入，将所述答案标签作为所述多层感知机的输出，训练得到所述用于确定答案实体的答案模型。
可选的，当上述计算机程序或可执行指令被处理器执行时，使得处理器：
利用用于从文本中提取实体的实体链接模型，确定所述至少一个文本中包括的候选实体。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公开的操作的计算机程序代码，上述程序设计语言包括但不限于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，图示了按照本公开各种实施例的系统、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。在这点上，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。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地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。也要注意的是，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。
描述于本公开实施例中所涉及到的模块或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块或单元的名称在某种情况下并不构成对该模块或单元本身的限定，例如，文本确定模块，还可以被描述为“用于获取用户问题，并利用搜索引擎确定与所述用户问题相关的至少一个文本的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (14)

1.一种实体问答处理方法，其特征在于，包括：
获取用户问题，并利用搜索引擎确定与所述用户问题相关的至少一个文本；
确定所述用户问题的问题类型，其中，所述问题类型包括单实体问答和多实体问答；
确定所述至少一个文本中包括的候选实体；
从所述候选实体中，确定与所述用户问题对应的答案实体；
其中，获取用户问题之后，所述方法还包括：确定用户问题的复杂度估值；
若所述用户问题的问题类型是所述多实体问答，确定所述答案实体的排序类型；
基于确定的排序类型，对所述答案实体进行排序，使得将排序之后的答案实体反馈给用户。
2.根据权利要求1所述的方法，其特征在于，所述确定所述用户问题的问题类型，包括：
利用用于确定问题类型的意图模型，确定所述用户问题的问题类型。
3.根据权利要求2所述的方法，其特征在于，还包括：
获取样本问题以及样本问题的问题类型标注结果；
将所述样本问题进行向量表示；
将所述样本问题的表示向量作为多层感知机的输入，将所述问题类型标注结果作为所述多层感知机的输出，训练得到所述用于确定问题类型的意图模型。
4.根据权利要求1所述的方法，其特征在于，所述确定所述答案实体的排序类型，包括：
利用用于确定实体排序类型的模型，确定所述答案实体的排序类型。
5.根据权利要求4所述的方法，其特征在于，还包括：
获取样本问题以及与样本问题对应的答案实体的排序类型标注结果；
将所述样本问题进行向量表示；
将所述样本问题的表示向量作为多层感知机的输入，将所述排序类型标注结果作为所述多层感知机的输出，训练得到所述用于确定实体排序类型的模型。
6.根据权利要求1所述的方法，其特征在于，所述答案实体的排序类型包括下述至少一项：按照实体热度信息排序、按照实体涉及的时间排序、按照实体在所述文本中的出现顺序排序、或者按照实体之间依赖关系排序。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述从所述候选实体中，确定与所述用户问题对应的答案实体，包括：
确定所述用户问题关联的实体类型；
根据所述实体类型，从所述候选实体中，确定与所述用户问题对应的答案实体。
8.根据权利要求1-6任一项所述的方法，其特征在于，所述从所述候选实体中，确定与所述用户问题对应的答案实体，包括：
利用用于确定答案实体的答案模型，基于所述候选实体，确定与所述用户问题对应的答案实体。
9.根据权利要求8所述的方法，其特征在于，还包括：
获取样本问题、候选样本答案实体以及所述候选样本答案实体的答案标签；
分别将所述样本问题和候选样本答案实体进行向量表示；
将所述样本问题和候选样本答案实体的表示向量作为多层感知机的输入，将所述答案标签作为所述多层感知机的输出，训练得到所述用于确定答案实体的答案模型。
10.根据权利要求1-6任一项所述的方法，其特征在于，所述确定所述至少一个文本中包括的候选实体，包括：
利用用于从文本中提取实体的实体链接模型，确定所述至少一个文本中包括的候选实体。
11.一种实体问答处理装置，其特征在于，包括：
文本确定模块，用于获取用户问题，并利用搜索引擎确定与所述用户问题相关的至少一个文本；
问题类型确定模块，用于在所述文本确定模块执行所述获取用户问题的操作之后，确定所述用户问题的问题类型，其中，所述问题类型包括单实体问答和多实体问答；
候选实体确定模块，用于确定所述至少一个文本中包括的候选实体；
答案实体确定模块，用于从所述候选实体中，确定与所述用户问题对应的答案实体；
所述装置还包括问题复杂度确定模块，用于确定所述用户问题的复杂度估值；
如果所述用户问题的问题类型是所述多实体问答，则所述装置还包括：
排序类型确定模块，用于基于所述用户问题，确定所述答案实体的排序类型；
实体排序模块，用于基于确定的排序类型，对所述答案实体进行排序，使得将排序之后的答案实体反馈给用户。
12.根据权利要求11所述的装置，其特征在于，所述问题类型确定模块具体用于：
利用用于确定问题类型的意图模型，确定所述用户问题的问题类型。
13.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令或程序的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令或程序，并执行所述可执行指令或程序以实现权利要求1-10中任一所述的实体问答处理方法。
14.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序或可执行指令，所述计算机程序或可执行指令被处理器执行时实现权利要求1-10中任一所述的实体问答处理方法。
CN202011035248.3A 2020-09-27 2020-09-27 实体问答处理方法、装置、电子设备和存储介质 Active CN112182179B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011035248.3A CN112182179B (zh) 2020-09-27 2020-09-27 实体问答处理方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011035248.3A CN112182179B (zh) 2020-09-27 2020-09-27 实体问答处理方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112182179A CN112182179A (zh) 2021-01-05
CN112182179B true CN112182179B (zh) 2022-09-23

Family

ID=73943776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011035248.3A Active CN112182179B (zh) 2020-09-27 2020-09-27 实体问答处理方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112182179B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392197B (zh) * 2021-06-15 2023-08-04 吉林大学 问答推理方法、装置、存储介质及电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10331402B1 (en) * 2017-05-30 2019-06-25 Amazon Technologies, Inc. Search and knowledge base question answering for a voice user interface

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10678816B2 (en) * 2017-08-23 2020-06-09 Rsvp Technologies Inc. Single-entity-single-relation question answering systems, and methods
CN107844531B (zh) * 2017-10-17 2020-05-22 东软集团股份有限公司 答案输出方法、装置和计算机设备
CN108446320A (zh) * 2018-02-09 2018-08-24 北京搜狗科技发展有限公司 一种数据处理方法、装置和用于数据处理的装置
CN110263160B (zh) * 2019-05-29 2021-04-02 中国电子科技集团公司第二十八研究所 一种计算机问答系统中的问句分类方法
CN111475623B (zh) * 2020-04-09 2023-08-22 北京北大软件工程股份有限公司 基于知识图谱的案件信息语义检索方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10331402B1 (en) * 2017-05-30 2019-06-25 Amazon Technologies, Inc. Search and knowledge base question answering for a voice user interface

Also Published As

Publication number Publication date
CN112182179A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN107491534B (zh) 信息处理方法和装置
CN110598157B (zh) 目标信息识别方法、装置、设备及存储介质
CN113627447B (zh) 标签识别方法、装置、计算机设备、存储介质及程序产品
CN112163076B (zh) 知识问题库构建方法、问答处理方法、装置、设备和介质
CN110267097A (zh) 基于分类特征的视频推送方法、装置及电子设备
CN111259647A (zh) 基于人工智能的问答文本匹配方法、装置、介质及电子设备
CN112819512B (zh) 一种文本处理方法、装置、设备及介质
CN113011169B (zh) 一种会议纪要的处理方法、装置、设备及介质
CN114385780A (zh) 程序接口信息推荐方法、装置、电子设备和可读介质
CN111090993A (zh) 属性对齐模型训练方法及装置
CN111813993A (zh) 视频内容的拓展方法、装置、终端设备及存储介质
CN116894188A (zh) 业务标签集更新方法、装置、介质及电子设备
CN115270717A (zh) 一种立场检测方法、装置、设备及介质
CN113033707B (zh) 视频分类方法、装置、可读介质及电子设备
CN112182179B (zh) 实体问答处理方法、装置、电子设备和存储介质
CN111459959B (zh) 用于更新事件集合的方法和装置
CN116975016A (zh) 一种数据处理方法、装置、设备以及可读存储介质
CN116010606A (zh) 文本审核模型的训练方法、装置及文本审核的方法、装置
CN112651231B (zh) 口语信息处理方法、装置和电子设备
CN111368036B (zh) 用于搜索信息的方法和装置
CN112417260B (zh) 本地化推荐方法、装置及存储介质
CN110300329B (zh) 基于离散特征的视频推送方法、装置及电子设备
CN111310016B (zh) 标签挖掘方法、装置、服务器和存储介质
CN113221572A (zh) 一种信息处理方法、装置、设备及介质
CN110543491A (zh) 搜索方法、装置、电子设备和计算机可读存储介质

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