CN112182195B - 自动问答方法、装置、可读存储介质及电子设备 - Google Patents

自动问答方法、装置、可读存储介质及电子设备 Download PDF

Info

Publication number
CN112182195B
CN112182195B CN202011165913.0A CN202011165913A CN112182195B CN 112182195 B CN112182195 B CN 112182195B CN 202011165913 A CN202011165913 A CN 202011165913A CN 112182195 B CN112182195 B CN 112182195B
Authority
CN
China
Prior art keywords
question
answer
sentence
sentences
query
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
CN202011165913.0A
Other languages
English (en)
Other versions
CN112182195A (zh
Inventor
苏萌
刘译璟
高体伟
左云鹏
易显维
苏海波
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 Percent Technology Group Co ltd
Original Assignee
Beijing Percent Technology 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 Beijing Percent Technology Group Co ltd filed Critical Beijing Percent Technology Group Co ltd
Priority to CN202011165913.0A priority Critical patent/CN112182195B/zh
Publication of CN112182195A publication Critical patent/CN112182195A/zh
Application granted granted Critical
Publication of CN112182195B publication Critical patent/CN112182195B/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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • 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
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F16/338—Presentation of query results

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种自动问答方法、装置、可读存储介质及电子设备。方法包括：响应于接收到用户输入的问答语句，确定所述问答语句的问答类型信息，其中，所述问答类型信息包括问答跳数和所述问答语句的查询结构，所述查询结构包括链式结构和夹式结构；获取所述问答语句中的实体；根据所述问答语句、所述实体和所述问答语句的问答类型信息，确定与所述问答语句匹配的目标回答语句。如此，可以解决现有技术中无法查询出夹式结构的问答语句的答案的问题，实现既可以查找到链式结构的问题的答案，也可以查找到夹式结构问题的答案的目的，提高了自动问答的适用范围，提升了用户使用体验。

Description

自动问答方法、装置、可读存储介质及电子设备
技术领域
本公开涉及人工智能技术领域，具体地，涉及一种自动问答方法、装置、可读存储介质及电子设备。
背景技术
人机交互是研究系统与用户之间的交互关系的科学。系统可以是各种各样的机器，也可以是计算机化的系统和软件。例如，通过人机交互可以实现各种人工智能系统(智能客服系统、语音控制系统等)。人工智能语义识别是人机交互的基础，其能够对人类语言进行识别，以转换成机器能够理解的语言。
智能问答系统是人机交互的一种典型应用，其中当用户提出问题后，智能问答系统给出该问题的答案。智能问答系统是其中一种非常重要的智能问答系统，其往往需要与用户进行的问答交互。并根据用户在某一轮问答过程中输入的交互内容，确定下一轮问答时提供给用户的反馈信息。
然而，现有的智能问答系统并不能对所有的问题均给出答案，导致用户的使用体验较差。
发明内容
本公开的目的是提供一种自动问答方法、装置、可读存储介质及电子设备，以解决现有技术存在的问题。
为了实现上述目的，本公开提供一种自动问答方法，包括：
响应于接收到用户输入的问答语句，确定所述问答语句的问答类型信息，其中，所述问答类型信息包括问答跳数和所述问答语句的查询结构，所述查询结构包括链式结构和夹式结构；
获取所述问答语句中的实体；
根据所述问答语句、所述实体和所述问答语句的问答类型信息，确定与所述问答语句匹配的目标回答语句。
可选地，所述响应于接收到用户输入的问答语句，确定所述问答语句的问题类型，包括：
将所述问答语句输入至问答分类模型，得到所述问答分类模型输出的表征所述问题类型信息的序列编码向量。
可选地，所述问答分类模型通过以下方式训练得到：
获取样本问答语句，以及所述样本问答语句对应的查询语句；
根据预设数值所表征的含义，对所述查询语句进行编码，以得到表征所述样本问答语句的问答类型信息的样本序列编码向量；
将所述样本问答语句作为模型输入参数，将所述样本序列编码向量作为模型输出参数，对神经网络模型进行训练，以得到所述问答分类模型。
可选地，在所述根据预设数值所表征的含义，对所述查询语句进行编码之前，还包括：
根据所述样本问答语句的实际跳数和预设的跳数阈值，扩充所述查询语句，以使扩充后的所述查询语句包括的总跳数等于所述跳数阈值；
相应地，所述根据预设数值所表征的含义，对所述查询语句进行编码，包括：
针对扩充后的所述查询语句中的每一跳，按照主语、谓语和宾语划分三个槽位，并根据预设数值中各数值所表征的含义，确定每一槽位对应的数值，以得到所述样本序列编码向量。
可选地，所述预设数值包括用于表征在所述样本问答语句中存在但不问的第一数值、用于表征问的第二数值、用于表征中间结果但不问的第三数值、以及用于表征不存在所述样本问答语句中的第四数值；
其中，在扩充的每一跳的各槽位对应的数值均为第四数值。
可选地，所述根据所述问答语句、所述实体和所述问答语句的问答类型信息，确定与所述问答语句匹配的目标回答语句，包括：
将所述问答语句、所述实体和所述问答语句的问答类型信息，输入至关系预测模型，得到所述关系预测模型输出的预测关系；
根据所述预测关系，利用Cypher查询语句在知识库中确定与所述问答语句匹配的目标回答语句。
可选地，所述问题类型信息包括的问答跳数为n，n为大于或等于2的整数，且所述查询结构为夹式结构；所述将所述问答语句、所述实体和所述问答语句的问答类型信息，输入至关系预测模型，得到所述关系预测模型输出的预测关系，包括：
将所述问答语句、所述每一实体和所述问答语句的问答类型信息，输入至关系预测模型，以得到所述关系预测模型输出的每一所述实体对应的预测关系；
所述根据所述预测关系，利用Cypher查询语句在知识库中确定与所述问答语句匹配的目标回答语句，包括：
根据每一实体对应的预测关系，利用Cypher查询语句在知识库中确定与多个所述预测关系各自对应的回答语句；
对多个所述回答语句进行求交集运算得到与所述问答语句匹配的目标回答语句。
可选地，所述问题类型信息包括的问答跳数为m，m为大于或等于2的整数，且所述查询结构为链式结构；所述将所述问答语句、所述实体和所述问答语句的问答类型信息，输入至关系预测模型，得到所述关系预测模型输出的预测关系，包括：
将所述问答语句、基于所述第i条预测关系确定的中间实体和所述问答语句的问答类型信息，输入至关系预测模型，得到所述关系预测模型输出的第i+1条预测关系，其中，i的取值范围为1至m-1，并且，第一条预测关系是通过将所述问答语句、所述问答语句中的实体和所述问答语句的问答类型信息输入至所述关系预测模型得到的；
所述根据所述预测关系，利用Cypher查询语句在知识库中确定与所述问答语句匹配的目标回答语句，包括：
根据第m条预测关系，利用Cypher查询语句在知识库中确定与所述问答语句匹配的目标回答语句。
可选地，所述问答类型信息还包括所述问答语句的问询类型。
本公开第二方面提供一种自动问答装置，包括：
第一确定模块，用于响应于接收到用户输入的问答语句，确定所述问答语句的问答类型信息，其中，所述问答类型信息包括问答跳数和所述问答语句的查询结构，所述查询结构包括链式结构和夹式结构；
第一获取模块，用于获取所述问答语句中的实体；
第二确定模块，用于根据所述问答语句、所述实体和所述问答语句的问答类型信息，确定与所述问答语句匹配的目标回答语句。
可选地，所述第一确定模块还用于：将所述问答语句输入至问答分类模型，得到所述问答分类模型输出的表征所述问题类型信息的序列编码向量。
可选地，所述装置还包括：
第二获取模块，用于获取样本问答语句，以及所述样本问答语句对应的查询语句；
编码模块，用于根据预设数值所表征的含义，对所述查询语句进行编码，以得到表征所述样本问答语句的问答类型信息的样本序列编码向量；
输入模块，用于将所述样本问答语句作为模型输入参数，将所述样本序列编码向量作为模型输出参数，对神经网络模型进行训练，以得到所述问答分类模型。
可选地，所述装置还包括：
扩充模块，用于根据所述样本问答语句的实际跳数和预设的跳数阈值，扩充所述查询语句，以使扩充后的所述查询语句包括的总跳数等于所述跳数阈值；
所述编码模块还用于：针对扩充后的所述查询语句中的每一跳，按照主语、谓语和宾语划分三个槽位，并根据预设数值中各数值所表征的含义，确定每一槽位对应的数值，以得到所述样本序列编码向量。
可选地，所述预设数值包括用于表征在所述样本问答语句中存在但不问的第一数值、用于表征问的第二数值、用于表征中间结果但不问的第三数值、以及用于表征不存在所述样本问答语句中的第四数值；
其中，在扩充的每一跳的各槽位对应的数值均为第四数值。
可选地，第二确定模块包括：
输入子模块，用于将所述问答语句、所述实体和所述问答语句的问答类型信息，输入至关系预测模型，得到所述关系预测模型输出的预测关系；
确定子模块，用于根据所述预测关系，利用Cypher查询语句在知识库中确定与所述问答语句匹配的目标回答语句。
可选地，所述问题类型信息包括的问答跳数为n，n为大于或等于2的整数，且所述查询结构为夹式结构；
所述输入子模块还用于：将所述问答语句、所述每一实体和所述问答语句的问答类型信息，输入至关系预测模型，以得到所述关系预测模型输出的每一所述实体对应的预测关系；
所述确定子模块还用于：根据每一实体对应的预测关系，利用Cypher查询语句在知识库中确定与多个所述预测关系各自对应的回答语句；对多个所述回答语句进行求交集运算得到与所述问答语句匹配的目标回答语句。
可选地，所述问题类型信息包括的问答跳数为m，m为大于或等于2的整数，且所述查询结构为链式结构；
所述输入子模块还用于：将所述问答语句、基于所述第i条预测关系确定的中间实体和所述问答语句的问答类型信息，输入至关系预测模型，得到所述关系预测模型输出的第i+1条预测关系，其中，i的取值范围为1至m-1，并且，第一条预测关系是通过将所述问答语句、所述问答语句中的实体和所述问答语句的问答类型信息输入至所述关系预测模型得到的；
所述确定子模块还用于：根据第m条预测关系，利用Cypher查询语句在知识库中确定与所述问答语句匹配的目标回答语句。
本公开第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面所提供的所述方法的步骤。
本公开第四方面提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面所提供的所述方法的步骤。
通过上述技术方案，首先，确定问答语句的问答类型信息，该问答类型信息可以包括问答跳数和问答语句的查询结构，以及获取问答语句中的实体，之后，根据该问答语句、实体和问答类型信息，确定与问答语句匹配的目标回答语句。如此，可以解决现有技术中无法查询出夹式结构的问答语句的答案的问题，实现既可以查找到链式结构的问题的答案，也可以查找到夹式结构问题的答案的目的，提高了自动问答的适用范围，提升了用户使用体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种自动问答方法的流程图。
图2是根据一示例性实施例示出的链式查询结构的示意图。
图3是根据一示例性实施例示出的夹式查询结构的示意图。
图4是根据一示例性实施例示出的一种自动问答装置的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
相关技术中，针对用户输入的问题，智能问答系统首先确定该问题对应的实体，之后，在知识库中查找与该实体有关的所有关系，并将所查找到的关系与问题进行语义匹配，以确定出与该问题最为匹配的一条关系，进而根据该最为匹配的一条关系在知识库中查找最终答案。
示例地，问题为“歌手张三的老公是谁？”。首先，确定出该问题对应的实体为“张三”，接着，在知识库中查找到与“张三”有关的所有关系节点，假设在知识库中找到的与“张三”有关的所有关系节点包括9个关系节点，并且每个关系节点的关系名称和节点名称如表1所示。之后，将表1中的关系名称的语义和问题的语义匹配，确定出关系名称为“中文歌手”的关系与问题最为匹配，进而，基于“中文歌手”这条关系在知识库中确定出“中文歌手张三的丈夫”。
表1
Figure BDA0002745762240000081
又示例地，假设问题为“李四的爸爸的舅舅的妈妈是谁”，则智能问答系统首先在知识库上按照上述方式确定出“李四的爸爸”为“李一”，之后，确定“李一的舅舅”为“李二”，之后，再确定“李二的妈妈”为“李三”，如此，即可确定出问题“李四的爸爸的舅舅的妈妈是谁”的答案为“李三”。
因此，现有技术中的智能问答系统仅能对查询结构为链式结构的问题查找到答案，而对于非链式结构的问题则是无法查找到答案的。例如，当用户输入的问题为“我们会在哪个民俗节日里猜灯谜”时，智能问答系统可能就无法查找到答案。
鉴于此，本公开提供一种自动问答方法、装置、可读存储介质及电子设备，既可以查找到链式结构的问题的答案，也可以查找到夹式结构的问题的答案。
在详细描述本公开提供的自动问答方法、装置、可读存储介质及电子设备之前，首先对本公开所涉及应用场景进行介绍。在第一种实施例中，该应用场景可以是客户端针对用户输入的问答语句，确定与该问答语句相匹配的目标回答语句。该客户端例如可以为智能手机、平板电脑、智能手表、智能手环、PDA(英文：Personal Digital Assistant，中文：个人数字助理)等移动终端，也可以是台式计算机等固定终端。在第二种实施例中，该应用场景为服务器获取用户在客户端上传的问答语句，之后，服务器确定与该问答语句相匹配的目标问答语句。此外，在第二种实施例中，服务器在确定出目标问答语句之后，还可以将该目标问答语句发送给客户端，以由客户端显示或播放该目标问答语句。其中，服务器可以用独立的服务器或者是多个物理服务器组成的服务器集群来实现。
图1是根据一示例性实施例示出的一种自动问答方法的流程图。如图1所示，该自动问答方法可以包括以下步骤。
在步骤101中，响应于接收到用户输入的问答语句，确定问答语句的问答类型信息，其中，问答类型信息包括问答跳数和问答语句的查询结构，查询结构包括链式结构和夹式结构。
在本公开中，问答语句的问答跳数可以是在查询得到问答语句最终答案的过程中查询次数，查询结构是指在查询该问答语句的答案过程中查询箭头是否指向同一方向，如果指向同一方向则查询结构即为链式结果，否则为夹式结构。
例如，问答语句为“李四的爸爸的舅舅的妈妈是谁？”，该问答语句的查询结构如图2所示，首先，第一次查询得出“李四的爸爸”为“李一”，并将“李一”作为第一中间节点，接着，进行第二次查询得出“李一的舅舅”为“李二”，并将“李二”作为第二中间节点，最后，进行第三次查询得出“李二的妈妈”为“李三”，则“李三”即为问答语句为“李四的爸爸的舅舅的妈妈是谁”的最终答案。如图2所示，在得到最终答案的过程中进行三次查询，则问答语句“李四的爸爸的舅舅的妈妈是谁”的问答跳数为三。并且，在查询过程中查询箭头指向同一方向(图2中均指向右边)，则该问答语句的查询结构为即为链式结构。
又例如，问答语句为“我们会在哪个民俗节日里猜灯谜”，该问答语句的查询结构如图3所示，查询得到类别为“民俗”的所有答案，同时，还要查询得到节日活动为“猜灯谜”的所有答案，之后，综合根据上述所得到的类别为“民俗”的所有答案和节日活动为“猜灯谜”的所有答案，得到“我们会在哪个民俗节日里猜灯谜”的最终答案为元宵节。如图3所示，在得到最终答案的过程中进行二次查询，则问答语句“我们会在哪个民俗节日里猜灯谜”的问答跳数为二。并且，在查询过程中查询箭头未指向同一方向(图3中查询类别为“民俗”的答案时查询箭头指向右边，查询节日活动为“猜灯谜”的答案时查询箭头指向左边)，则该问答语句的查询结构为即为夹式结构。
在步骤102中，获取问答语句的实体。
其中，可以采用命名体识别的方法从问答语句中提取出命名实体，之后，利用实体链接技术，将提取出的命名实体与知识库中的实体节点关联，以确定出问答语句中的实体。
值得说明的是，本公开对上述步骤101和步骤102的执行顺序不作具体限定。例如，可以先执行步骤101再执行步骤102(如图1所示)，还可以先执行步骤102再执行步骤101，也可以同时执行。
在步骤103中，根据问答语句、实体和问答语句的问答类型信息，确定与问答语句匹配的目标回答语句。
采用上述技术方案，首先，确定问答语句的问答类型信息，该问答类型信息可以包括问答跳数和问答语句的查询结构，以及获取问答语句中的实体，之后，根据该问答语句、实体和问答类型信息，确定与问答语句匹配的目标回答语句。如此，可以解决现有技术中无法查询出夹式结构的问答语句的答案的问题，实现既可以查找到链式结构的问题的答案，也可以查找到夹式结构问题的答案的目的，提高了自动问答的适用范围，提升了用户使用体验。
下面对图1中的响应于接收到用户输入的问答语句，确定问答语句的问答类型信息的步骤的具体实施方式进行说明。
在一种实施例中，将问答语句输入至问答分类模型，得到该问答分类模型输出的表征问题类型信息的序列编码向量。
其中，上述问答分类模型可以通过以下训练方式训练得到：
首先，获取样本问答语句，以及样本问答语句对应的查询语句。
在本公开，可以采用SPAQL语言查询与问答语句相匹配的目标回答语句。示例地，问答语句为“莫妮卡·贝鲁奇的代表作？”，其对应的SPAQL语言的查询语句可以表示为“select？x where{<莫妮卡·贝鲁奇><代表作品>？x.}”；问答语句为“发明显微镜的人是什么职业？”，其对应的SPAQL语言的查询语句可以表示为“select？y where{<显微镜><发明人>？x.？x<职业>？y.}”；问答语句为“我们会在哪个民俗节日里猜灯谜？”，其对应的SPAQL语言查询语句可以为“select？x where{？x<类别><民俗>.？x<节日活动><猜灯谜>.}”，等等。
接着，根据预设数值所表征的函数，对查询语句进行编码，以得到表征样本问答语句的问答类型信息的样本序列编码向量。
在一种实施例中，可以针对包括相同问答跳数的问答语句训练一问答分类模型。例如，针对一跳式问答语句训练一个问答分类模型，针对二跳式问答语句训练一个问答分类模型，针对三跳式问答语句训练一个问答分类模型，等等。
下面以针对二跳式问答语句训练一个问答分类模型为例进行说明。例如，样本问答语句为“发明显微镜的人是什么职业？”，其对应的查询语句可以表示为“select？y where{<显微镜><发明人>？x.？x<职业>？y.}”。在该查询语句中的每一跳，均可以按照主语、谓语和宾语划分三个槽位。如表2所示，第一跳中的主语1为“<显微镜>”，第一跳中的谓语1为“<发明人>”，第一跳中的宾语1为“？x”，第二跳中的主语2为“？x”，第二跳中的谓语2为“<职业>”，第二跳中的宾语2为“？y”。假设预设数值包括用于表征在样本问答语句中存在但不问的第一数值、用于表征问的第二数值、用于表征中间结果但不问的第三数值，其中，第一数值为0，第二数值为1，第三数值为2，则如表2所示，表征样本问答语句的问答类型信息的样本序列编码向量可以为[1002201]。之后，将“发明显微镜的人是什么职业？”作为模型输入参数，将[1002201]作为模型输出参数，对神经网络模型进行训练。同样的，还可以按照上述方式确定出用于表征其他的二跳式样本问答语句的问答类型信息的样本序列编码向量，并基于该其他的二跳式样本问答语句和表征该其他的二跳式样本问答语句的问答类型信息的样本序列编码向量，对神经网络模型进行训练，直至满足预设的训练终止条件，得到上述针对二跳式问答语句的问答分类模型。
表2
select <主语1> <谓语1> <宾语1> <主语2> <谓语2> <宾语2
Select？y <显微镜> <发明人> ？x ？x <职业> ？y
1 0 0 2 2 0 1
在实际应用中，考虑到若针对包括不同问答跳数的问答语句均训练一问答分类模型，会极大的增加训练工作量，因此，在另一种实施例中，可以针对不同的问答跳数的问答语句训练一个通用的问答分类模型。
值得说明的是，问答语句中包括的问答跳数不同，序列编码向量的长度也不同，例如，二跳式问答语句的序列编码向量的长度为7，三跳式问答语句的序列编码向量的长度为10，等等。在本公开中，为了确保训练所得的问答分类模型可以识别多种包含不同问答跳数的问答语句的问答类型，在该实施例中，可以根据实际需求预先设置一跳数阈值。本公开对跳数阈值不作具体限定，其可以是2也可以是5等等。
相应地，在根据预设数值所表征的函数，对查询语句进行编码之前，上述训练方法还包括：根据样本问答语句的实际跳数和预设的跳数阈值，扩展该查询语句，以使扩充后的查询语句保护的总跳数等于跳数阈值。
假设预设的跳数阈值为2，则需要对一跳式样本问答语句“莫妮卡·贝鲁奇的代表作？”的查询语句再扩展一跳。示例地，如表3所示，在扩充后的查询语句中，主语1为“<莫妮卡·贝鲁奇>”，谓语1为“<代表作品>”，宾语1为“？x”，而扩充的问答跳中，主语2、谓语2和宾语2均为空。假设，上述预设数值还包括用于表征不存在所述样本问答语句中的第四数值，则在扩充的每一跳中各槽位对应的数值均为第四数值。例如，第四数值为3，则如表3所示，表征该样本问答语句的问答类型信息的样本序列编码向量为[1001333]。
表3
Figure BDA0002745762240000131
在得到表征样本问答语句的问答类型信息的样本序列编码向量之后，将样本问答语句作为模型输入参数，将样本序列编码向量作为模型输出参数，对神经网络模型进行训练，直至满足预设的训练终止条件，得到上述针对二跳式问答语句的问答分类模型。
值得说明的是，神经网络模型输出三个维度的向量，第一个维度的向量用于表征输入的问答语句的数量，第二个维度的向量用于表征输出的序列编码向量的长度，例如，在实施例中，序列编码向量的长度为7，第三个维度的向量为768维向量。而在上述实施例中预设数值仅包括四个数值，为了用768维的向量表征上述四个数值，在本公开中，可以将7个第三个维度的向量输入至神经网络模型中的全连接层，以通过该全连接层进行降维，并且，利用交叉熵的和作为损失函数对神经网络模型进行训练。
至此，即可训练得到问答分类模型，进而可以将问答语句输入至该问答分类模型，以得到该问答分类模型输出的表征问题类型信息的序列编码向量。
示例地，若问答分类模型输出的序列编码向量为[1001333]，则表征该样本问答语句包括的问答跳数为一，且该问答语句的查询结构为链式结构；若问答分类模型输出的序列编码向量为[1002201]，则表征该样本问答语句包括的问答跳数为二，且该问答语句的查询结构为链式结构；若问答分类模型输出的序列编码向量为[1100100]，则表征该样本问答语句包括的问答跳数为二，且该问答语句的查询结构为夹式结构。
此外，该问答类型信息还可以包括问答语句的问询类型，该问询类型可以是问询关系或问询实体。示例地，序列编码向量为[1010333]，则表征该样本问答语句包括的问答跳数为一，该问答语句的查询结构为链式结构，且问询类型为问询关系；序列编码向量为[1002201]，则表征该样本问答语句包括的问答跳数为二，且该问答语句的查询结构为链式结构，且问询类型为问询实体；序列编码向量为[1010010]，则表征该样本问答语句包括的问答跳数为二，该问答语句的查询结构为夹式结构，且问询类型为问询关系。
采用上述技术方案，可以通过编码方式识别问答语句的问答跳数和查询结构，使得问答分类模型可以确定出问答语句的问答类型信息，进而可以基于问答类型信息确定与问答语句匹配的目标回答语句。
下面对图1中的根据问答语句、实体和问答语句的问答类型信息，确定与问答语句匹配的目标回答语句的步骤的具体实施方式进行说明。
在本公开中，可以利用机器学习的方式预测出与问答语句的语义最为匹配的关系，之后，再基于所预测出来的关系在知识库中查询得到与问答语句相匹配的目标问答语句。
示例地，首先，将问答语句、步骤102中获取到的实体和步骤101中确定出的问答类型信息，输入至关系预测模型，得到关系预测模型输出的预测关系，其中，该问答类型信息可以是按照上述方式确定出来的序列编码向量；之后，根据该预测关系，利用Cypher查询语句在知识库中确定与该问答语句相匹配的目标回答语句。
其中，该关系预测模型是通过将样本问答语句、样本问答语句的实体、样本问答语句的样本序列编码向量作为模型输入参数，将与该样本问答语句的语义最为匹配的关系确定为样本预测关系作为模型输出参数，对神经网络模型进行训练得到的。
在一种实施例中，问答分类模型输出的序列编码向量表征问答语句的问答跳数为n，n为大于或等于2的整数，且查询结构为夹式结构。即，图1步骤102中获取的问答语句的实体可以为n个，如此，将该问答语句、每一实体和问答语句的问答类型信息输入至关系预测模型，可以得到该关系预测模型输出的每一实体对应的预测关系。例如，问答语句为“我们会在哪个民俗节日里猜灯谜？”，所获取到的实体为“民俗”和“节日活动”，问答类型信息可以为序列编码向量[1100100]，将“我们会在哪个民俗节日里猜灯谜？”、“民俗”、“节日活动”和[1100100]输入至关系预测模型，该关系预测模型即可输出“民俗”对应的预测关系和“节日活动”对应的预测关系。
之后，根据每一实体对应的预测关系，利用Cypher查询语句在知识库中确定与多个所述预测关系各自对应的回答语句。例如，根据“民俗”对应的预测关系查询得到第一类回答语句，以及，根据“节日活动”对应的预测关系查询得到第二类回答语句，其中，第一类回答语句、第二类回答语句均可以包括一个或多条回答语句。最后，对第一类回答语句和第二类回答语句进行求交集运算，以得到与问答语句相匹配的目标回答语句。例如，可以将第一类回答语句和第二类回答语句包括的相同的回答语句确定为与该问答语句相匹配的目标回答语句。
在又一种实施中，问答分类模型输出的序列编码向量表征问答语句的问答跳数为一，且查询结构为链式结果。即，图1步骤102中获取的问答语句的实体为一个。例如，如此，将该问答语句、一个实体和问答语句的问答类型信息输入至关系预测模型，可以得到该关系预测模型输出的一条预测关系。之后，根据该预测关系，利用Cypher查询语句在知识库中确定与问答语句匹配的目标回答语句。
在另一种实施例中，问答分类模型输出的序列编码向量表征问答语句的问答跳数为m，m为大于或等于2的整数，且查询结构为链式结构。在该实施例中，首先，将问答语句、图1步骤102中获取到的实体和问答语句的问答类型信息输入至关系预测模型，以得到关系预测模型输出的与上述实体对对应的第一条预测关系，接着，根据该第一条预测关系，利用Cypher查询语句在知识库中确定出第一个中间实体。之后，在将问答语句、基于第一条预测关系确定出的第一个中间实体和问答语句的问答类型信息输入至关系预测模型，以得到关系预测模型输出的第二条预测关系，同样地，基于第二条预测关系，确定出第二中间实体，依次类推，直到根据问答语句、第m-1个中间实体和问答类型信息，确定出第m条预测关系，并根据该m条预测关系，在知识库中确定与问答语句匹配的目标回答语句为止。
示例地，假设问答语句为“李四的爸爸的舅舅的妈妈是谁？”，首先，将该问答语句、实体“李四”和问答类型信息输入至关系预测模型，得到第一条预测关系，并根据该第一条预测关系，确定出第一中间实体“李一”，之后，再对第一中间实体“李一”预测一遍关系，得到第二条预测关系，并基于该第二条预测关系确定出第二中间实体为“李二”，再基于第二中间实体“李二”预测一遍关系，得到第三条预测关系，最终，基于该第三条预测关系，确定与该问答语句匹配的目标回答问句。
采用上述方式，针对不同问答类型的问答语句，均可以查找到与问答语句相匹配的目标回答语句。并且，针对不同类型的问答语句，采用不同的查询方式查询目标回答语句，提高了查询的准确性。
基于同一发明构思，本公开还提供一种自动问答装置。图4是根据一示例性实施例示出的一种自动问答装置的框图。如图4所示，该自动问答装置400可以包括：
第一确定模块401，用于响应于接收到用户输入的问答语句，确定所述问答语句的问答类型信息，其中，所述问答类型信息包括问答跳数和所述问答语句的查询结构，所述查询结构包括链式结构和夹式结构；
第一获取模块402，用于获取所述问答语句中的实体；
第二确定模块403，用于根据所述问答语句、所述实体和所述问答语句的问答类型信息，确定与所述问答语句匹配的目标回答语句。
可选地，所述第一确定模块401还用于：将所述问答语句输入至问答分类模型，得到所述问答分类模型输出的表征所述问题类型信息的序列编码向量。
可选地，所述装置还可以包括：
第二获取模块，用于获取样本问答语句，以及所述样本问答语句对应的查询语句；
编码模块，用于根据预设数值所表征的含义，对所述查询语句进行编码，以得到表征所述样本问答语句的问答类型信息的样本序列编码向量；
输入模块，用于将所述样本问答语句作为模型输入参数，将所述样本序列编码向量作为模型输出参数，对神经网络模型进行训练，以得到所述问答分类模型。
可选地，所述装置还可以包括：
扩充模块，用于根据所述样本问答语句的实际跳数和预设的跳数阈值，扩充所述查询语句，以使扩充后的所述查询语句包括的总跳数等于所述跳数阈值；
所述编码模块还用于：针对扩充后的所述查询语句中的每一跳，按照主语、谓语和宾语划分三个槽位，并根据预设数值中各数值所表征的含义，确定每一槽位对应的数值，以得到所述样本序列编码向量。
可选地，所述预设数值包括用于表征在所述样本问答语句中存在但不问的第一数值、用于表征问的第二数值、用于表征中间结果但不问的第三数值、以及用于表征不存在所述样本问答语句中的第四数值；
其中，在扩充的每一跳的各槽位对应的数值均为第四数值。
可选地，第二确定模块403可以包括：
输入子模块，用于将所述问答语句、所述实体和所述问答语句的问答类型信息，输入至关系预测模型，得到所述关系预测模型输出的预测关系；
确定子模块，用于根据所述预测关系，利用Cypher查询语句在知识库中确定与所述问答语句匹配的目标回答语句。
可选地，所述问题类型信息包括的问答跳数为n，n为大于或等于2的整数，且所述查询结构为夹式结构；
所述输入子模块还用于：将所述问答语句、所述每一实体和所述问答语句的问答类型信息，输入至关系预测模型，以得到所述关系预测模型输出的每一所述实体对应的预测关系；
所述确定子模块还用于：根据每一实体对应的预测关系，利用Cypher查询语句在知识库中确定与多个所述预测关系各自对应的回答语句；对多个所述回答语句进行求交集运算得到与所述问答语句匹配的目标回答语句。
可选地，所述问题类型信息包括的问答跳数为m，m为大于或等于2的整数，且所述查询结构为链式结构；
所述输入子模块还用于：将所述问答语句、基于所述第i条预测关系确定的中间实体和所述问答语句的问答类型信息，输入至关系预测模型，得到所述关系预测模型输出的第i+1条预测关系，其中，i的取值范围为1至m-1，并且，第一条预测关系是通过将所述问答语句、所述问答语句中的实体和所述问答语句的问答类型信息输入至所述关系预测模型得到的；
所述确定子模块还用于：根据第m条预测关系，利用Cypher查询语句在知识库中确定与所述问答语句匹配的目标回答语句。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种电子设备的框图。如图5所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(I/O)接口704，以及通信组件705中的一者或多者。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的自动问答方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的自动问答方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的自动问答方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的自动问答方法。
图6是根据一示例性实施例示出的一种电子设备的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理器1922，其数量可以为一个或多个，以及存储器1932，用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1922可以被配置为执行该计算机程序，以执行上述的自动问答方法。
另外，电子设备1900还可以包括电源组件1926和通信组件1950，该电源组件1926可以被配置为执行电子设备1900的电源管理，该通信组件1950可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外，该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM，LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的自动问答方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器1932，上述程序指令可由电子设备1900的处理器1922执行以完成上述的自动问答方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的自动问答方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (7)

1.一种自动问答方法，其特征在于，包括：
响应于接收到用户输入的问答语句，确定所述问答语句的问答类型信息，其中，所述问答类型信息包括问答跳数和所述问答语句的查询结构，所述查询结构包括链式结构和夹式结构；
获取所述问答语句中的实体；
根据所述问答语句、所述实体和所述问答语句的问答类型信息，确定与所述问答语句匹配的目标回答语句；
所述响应于接收到用户输入的问答语句，确定所述问答语句的问答类型，包括：
将所述问答语句输入至问答分类模型，得到所述问答分类模型输出的表征所述问答类型信息的序列编码向量；
所述问答分类模型通过以下方式训练得到：
获取样本问答语句，以及所述样本问答语句对应的查询语句；
根据预设数值所表征的含义，对所述查询语句进行编码，以得到表征所述样本问答语句的问答类型信息的样本序列编码向量；
将所述样本问答语句作为模型输入参数，将所述样本序列编码向量作为模型输出参数，对神经网络模型进行训练，以得到所述问答分类模型；
在所述根据预设数值所表征的含义，对所述查询语句进行编码之前，还包括：
根据所述样本问答语句的实际跳数和预设的跳数阈值，扩充所述查询语句，以使扩充后的所述查询语句包括的总跳数等于所述跳数阈值；
相应地，所述根据预设数值所表征的含义，对所述查询语句进行编码，包括：
针对扩充后的所述查询语句中的每一跳，按照主语、谓语和宾语划分三个槽位，并根据预设数值中各数值所表征的含义，确定每一槽位对应的数值，以得到所述样本序列编码向量。
2.根据权利要求1所述的方法，其特征在于，所述预设数值包括用于表征在所述样本问答语句中存在但不问的第一数值、用于表征问的第二数值、用于表征中间结果但不问的第三数值、以及用于表征不存在所述样本问答语句中的第四数值；
其中，在扩充的每一跳的各槽位对应的数值均为第四数值。
3.根据权利要求1所述的方法，其特征在于，所述根据所述问答语句、所述实体和所述问答语句的问答类型信息，确定与所述问答语句匹配的目标回答语句，包括：
将所述问答语句、所述实体和所述问答语句的问答类型信息，输入至关系预测模型，得到所述关系预测模型输出的预测关系；
根据所述预测关系，利用Cypher查询语句在知识库中确定与所述问答语句匹配的目标回答语句。
4.根据权利要求3所述的方法，其特征在于，所述问答类型信息包括的问答跳数为n，n为大于或等于2的整数，且所述查询结构为夹式结构；所述将所述问答语句、所述实体和所述问答语句的问答类型信息，输入至关系预测模型，得到所述关系预测模型输出的预测关系，包括：
将所述问答语句、每一所述实体和所述问答语句的问答类型信息，输入至关系预测模型，以得到所述关系预测模型输出的每一所述实体对应的预测关系；
所述根据所述预测关系，利用Cypher查询语句在知识库中确定与所述问答语句匹配的目标回答语句，包括：
根据每一实体对应的预测关系，利用Cypher查询语句在知识库中确定与多个所述预测关系各自对应的回答语句；
对多个所述回答语句进行求交集运算得到与所述问答语句匹配的目标回答语句。
5.一种自动问答装置，其特征在于，包括：
第一确定模块，用于响应于接收到用户输入的问答语句，确定所述问答语句的问答类型信息，其中，所述问答类型信息包括问答跳数和所述问答语句的查询结构，所述查询结构包括链式结构和夹式结构；
第一获取模块，用于获取所述问答语句中的实体；
第二确定模块，用于根据所述问答语句、所述实体和所述问答语句的问答类型信息，确定与所述问答语句匹配的目标回答语句；
所述第一确定模块还用于：将所述问答语句输入至问答分类模型，得到所述问答分类模型输出的表征所述问答类型信息的序列编码向量；
所述自动问答装置还可以包括：
第二获取模块，用于获取样本问答语句，以及所述样本问答语句对应的查询语句；
编码模块，用于根据预设数值所表征的含义，对所述查询语句进行编码，以得到表征所述样本问答语句的问答类型信息的样本序列编码向量；
输入模块，用于将所述样本问答语句作为模型输入参数，将所述样本序列编码向量作为模型输出参数，对神经网络模型进行训练，以得到所述问答分类模型；
所述自动问答装置还可以包括：
扩充模块，用于根据所述样本问答语句的实际跳数和预设的跳数阈值，扩充所述查询语句，以使扩充后的所述查询语句包括的总跳数等于所述跳数阈值；
所述编码模块还用于：针对扩充后的所述查询语句中的每一跳，按照主语、谓语和宾语划分三个槽位，并根据预设数值中各数值所表征的含义，确定每一槽位对应的数值，以得到所述样本序列编码向量。
6.一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，该程序被处理器执行时实现权利要求1-4中任一项所述方法的步骤。
7.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-4中任一项所述方法的步骤。
CN202011165913.0A 2020-10-27 2020-10-27 自动问答方法、装置、可读存储介质及电子设备 Active CN112182195B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011165913.0A CN112182195B (zh) 2020-10-27 2020-10-27 自动问答方法、装置、可读存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011165913.0A CN112182195B (zh) 2020-10-27 2020-10-27 自动问答方法、装置、可读存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN112182195A CN112182195A (zh) 2021-01-05
CN112182195B true CN112182195B (zh) 2022-12-27

Family

ID=73923874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011165913.0A Active CN112182195B (zh) 2020-10-27 2020-10-27 自动问答方法、装置、可读存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN112182195B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113934825B (zh) * 2021-12-21 2022-03-08 北京云迹科技有限公司 一种问题回答方法、装置和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109522393A (zh) * 2018-10-11 2019-03-26 平安科技（深圳）有限公司 智能问答方法、装置、计算机设备和存储介质
CN111625638A (zh) * 2020-06-02 2020-09-04 深圳追一科技有限公司 一种问句处理方法、装置、设备及可读存储介质
CN111767381A (zh) * 2020-06-30 2020-10-13 北京百度网讯科技有限公司 自动问答方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407198A (zh) * 2015-07-28 2017-02-15 百度在线网络技术（北京）有限公司 问答信息的处理方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109522393A (zh) * 2018-10-11 2019-03-26 平安科技（深圳）有限公司 智能问答方法、装置、计算机设备和存储介质
CN111625638A (zh) * 2020-06-02 2020-09-04 深圳追一科技有限公司 一种问句处理方法、装置、设备及可读存储介质
CN111767381A (zh) * 2020-06-30 2020-10-13 北京百度网讯科技有限公司 自动问答方法和装置

Also Published As

Publication number Publication date
CN112182195A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN110647614B (zh) 智能问答方法、装置、介质及电子设备
US9305050B2 (en) Aggregator, filter and delivery system for online context dependent interaction, systems and methods
CN107885842B (zh) 智能问答的方法、装置、服务器及存储介质
CN112163076B (zh) 知识问题库构建方法、问答处理方法、装置、设备和介质
CN111522909B (zh) 一种语音交互方法及服务器
EP3822814A2 (en) Human-machine interaction method and apparatus based on neural network
CN110309377B (zh) 语义归一化、提问模式的生成、应答确定方法及装置
CN112035638B (zh) 信息处理方法、装置、存储介质及设备
CN110941708A (zh) 智能问答库建立方法、智能问答方法及装置、计算机设备
CN111508472A (zh) 一种语种切换方法、装置及存储介质
CN112182195B (zh) 自动问答方法、装置、可读存储介质及电子设备
CN111444321B (zh) 问答方法、装置、电子设备和存储介质
CN112115244A (zh) 对话交互方法、装置、存储介质及电子设备
CN117932022A (zh) 一种智能问答方法、装置、电子设备及存储介质
US11343208B1 (en) Automated relevant subject matter detection
US11500951B1 (en) Automated relevant subject matter detection
CN112966084B (zh) 基于知识图谱的答案查询方法、装置、设备及存储介质
CN107222383B (zh) 一种对话管理方法和系统
CN114970559A (zh) 智能应答方法及装置
CN114020896A (zh) 一种智能问答方法、系统、电子设备及存储介质
CN115730047A (zh) 一种智能问答方法、设备、装置及存储介质
CN110502741B (zh) 中文文本的识别方法及装置
CN112463920A (zh) 一种信息应答方法及装置
CN112395402A (zh) 基于深度模型的推荐话术生成方法、装置和计算机设备
CN113886535B (zh) 基于知识图谱的问答方法、装置、存储介质及电子设备

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: No.27, 1st floor, building 14, Haidian Road, zhongjiancai District, Beijing 100096

Applicant after: Beijing PERCENT Technology Group Co.,Ltd.

Address before: No.27, 1st floor, building 14, Haidian Road, zhongjiancai District, Beijing 100096

Applicant before: BEIJING BAIFENDIAN INFORMATION SCIENCE & TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant