CN112231454B - 提问预测及回答反馈方法、装置、计算机设备及存储介质 - Google Patents
提问预测及回答反馈方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112231454B CN112231454B CN202011096786.3A CN202011096786A CN112231454B CN 112231454 B CN112231454 B CN 112231454B CN 202011096786 A CN202011096786 A CN 202011096786A CN 112231454 B CN112231454 B CN 112231454B
- Authority
- CN
- China
- Prior art keywords
- information
- question
- questioning
- prediction
- alternative
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 134
- 230000008569 process Effects 0.000 claims abstract description 78
- 238000011156 evaluation Methods 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 206010022000 influenza Diseases 0.000 description 7
- 238000013519 translation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 206010020850 Hyperthyroidism Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
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
- 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
-
- 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
- G06F40/295—Named entity recognition
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及大数据技术领域,公开了一种提问预测及回答反馈方法、装置、计算机设备及存储介质,包括:接收用户端发送的提问信息;执行缓存反馈进程,用以从缓存堆栈中获取回答信息并将其发送至用户端;将提问信息设为已作答信息并触发预测进程;执行预测进程,用以根据已作答信息对用户端将发送的提问信息进行预测,从至少一个预置备选提问信息中,获得备选概率最高的备选提问信息并将其设为设为提问预测信息;执行更新进程,用以从知识图谱中提取与提问预测信息对应的回答信息,并将提问预测信息及其回答信息保存至缓存堆栈中。本发明还涉及区块链技术,信息可存储于区块链节点中。本发明提高了回答信息的生成及反馈速度,提高了用户体验。
Description
技术领域
本发明涉及大数据的数据分析技术领域,尤其涉及一种提问预测及回答反馈方法、装置、计算机设备及存储介质。
背景技术
人机对话又称自然语言理解,其研究如何使计算机能理解和运用人类社会的自然语言如汉语、英语等,实现人机之间的自然语言通信,使计算机能代替人的部分脑力劳动,真正起到延伸人类大脑的作用。
在对话过程中,计算机可能要求回答一些问题,给定某些参数或确定选择项。通过对话,人对计算机的工作给以引导或限定,监督任务的执行。该方式有利于将人的意图、判断和经验,纳入计算机工作过程,增强计算机应用的灵活性,也便于软件编写。
因此,人机对话在实践中是基于对用户端发送的提问信息的判断和分析,得到用户端的真实意图并返回相应的回答信息,然而,发明人发现,当前的人机对话需要在用户端发送提问信息后,方可对其进行分析及返回回答信息,导致人机对话系统信息反馈速率低,用户体验差。
发明内容
本发明的目的是提供一种提问预测及回答反馈方法、装置、计算机设备及存储介质,用于解决现有技术存在的人机对话系统信息反馈速率低,用户体验差的问题。本申请可应用于智慧医疗场景中,从而推动智慧城市的建设。
为实现上述目的,本发明提供一种基于知识图谱的提问预测及回答反馈方法,包括:
接收用户端发送的提问信息;
执行缓存反馈进程,用以从预设的缓存堆栈中获取回答信息并将其发送至所述用户端;将所述提问信息设为已作答信息并触发预测进程;
执行预测进程,用以根据所述已作答信息对所述用户端将发送的提问信息进行预测,从至少一个预置备选提问信息中,获得备选概率最高的备选提问信息并将其设为设为提问预测信息;
执行更新进程,用以从所述知识图谱中提取与所述提问预测信息对应的回答信息,并将所述提问预测信息及其回答信息保存至所述缓存堆栈中。
上述方案中,所述接收用户端发送的提问信息的步骤之前,所述方法还包括:
构建知识图谱,所述知识图谱包括至少一个具有数据信息的信息节点,所述知识图谱中的信息节点之间具有关联关系。
上述方案中,所述接收用户端发送的提问信息的步骤之后,所述方法还包括:
判断预设的缓存堆栈是否为空;
若所述缓存堆栈为空,则执行常规反馈进程,从预设的知识图谱中提取与所述提问信息对应的回答信息,并将其发送至所述用户端;将所述提问信息设为已作答信息并触发预测进程。
上述方案中,所述常规反馈进程的步骤,包括:
通过命名实体识别模型识别所述提问信息中的命名实体,并将其设为第一命名实体;
识别所述知识图谱中数据信息为所述第一命名实体的信息节点,并将其设为第一节点;
识别所述知识图谱中与所述第一节点关联的信息节点,并将其设为第二节点;
提取所述第二节点中的数据信息并汇总获得回答信息,将所述回答信息发送至所述用户端。
上述方案中,所述执行缓存反馈进程的步骤之前,所述方法还包括:
判断所述提问信息与所述缓存堆栈中预存的提问预测信息是否一致;
若一致,则执行缓存反馈进程;
若不一致,则执行常规反馈进程,并清空所述缓存堆栈。
上述方案中,所述判断所述提问信息与所述缓存堆栈中预存的提问预测信息是否一致的步骤,包括:
提取所述提问信息中的命名实体并汇总得到至少具有一个命名实体的请求实体集;
提取所述提问预测信息中的命名实体并汇总得到至少具有一个命名实体的预测实体集;
判断所述预测实体集中的命名实体是否能够完全涵盖所述请求实体集中的命名实体;
若是,则判定所述提问信息与所述缓存堆栈中预存的提问预测信息一致;
若否,则判定所述提问信息与所述缓存堆栈中预存的提问预测信息不一致。
上述方案中,所述预测进程的步骤,包括:
识别所述已作答信息中的命名实体,并根据所述命名实体得到以特征向量的形式描述已作答信息的向量集合;
通过预设的神经网络模型对所述特征集合进行累加、卷积及池化运算得到评价特征,其中,所述评价特征反映了所述已作答信息所要传达的真实意图;
从预设的请求库中获取与所述已作答信息的命名实体关联的备选提问信息,并提取所述备选提问信息中预设的备选评价特征,其中,所述备选评价特征是以反映了备选提问信息的真实意图;
将已作答信息的评价特征以及用户端发送所述已作答信息的次数,依次与各所述备选提问信息的备选评价特征结合,计算得到各备选提问信息的备选概率,将值最高的备选概率所对应的备选提问信息设为提问预测信息;
将值最高的备选概率所对应的备选提问信息设为提问预测信息之后,还包括:
将所述提问预测信息上传至区块链中。
为实现上述目的,本发明还提供一种基于知识图谱的提问预测及回答反馈装置,包括:
输入模块,用于接收用户端发送的提问信息;
缓存反馈模块,用于执行缓存反馈进程,用以从预设的缓存堆栈中获取回答信息并将其发送至所述用户端;将所述提问信息设为已作答信息并触发预测进程;
预测模块,用于执行预测进程,用以根据所述已作答信息对所述用户端将发送的提问信息进行预测,从至少一个预置备选提问信息中,获得备选概率最高的备选提问信息并将其设为设为提问预测信息;
更新模块,用于执行更新进程,用以从所述知识图谱中提取与所述提问预测信息对应的回答信息,并将所述提问预测信息及其回答信息保存至所述缓存堆栈中。
为实现上述目的,本发明还提供一种计算机设备,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机设备的处理器执行所述计算机程序时实现上述提问预测及回答反馈方法的步骤。
为实现上述目的,本发明还提供一种计算机存储介质,所述存储介质上存储有计算机程序,所述存储介质存储的所述计算机程序被处理器执行时实现上述提问预测及回答反馈方法的步骤。
本发明提供的提问预测及回答反馈方法、装置、计算机设备及存储介质,通过已接收到的提问信息对用户将要发送的提问信息进行预测,得到用于反应所述用户端将会发送的提问信息的提问预测信息,预测出用户端可能会再次发送的提问信息的内容,根据提问预测信息从知识图谱中获取相应的回答信息,并将其保存在缓存堆栈中,因此,一旦此时用户端发送的提问信息与缓存堆栈中预测的提问预测信息一致,就说明准确预测到了用户的意图,再将缓存堆栈中预存的回答信息返回至用户端,即可完成对提问信息的反馈,这种方式提高了回答信息的生成及反馈速度,提高了用户体验。
附图说明
图1为本发明提问预测及回答反馈方法实施例一的流程图;
图2为本发明提问预测及回答反馈方法实施例二中提问预测及回答反馈方法的环境应用示意图;
图3是本发明提问预测及回答反馈方法实施例二中提问预测及回答反馈方法的具体方法流程图;
图4是本发明提问预测及回答反馈方法实施例二中常规反馈进程的具体方法流程图;
图5是本发明提问预测及回答反馈方法实施例二中判断所述提问信息与所述缓存堆栈中预存的提问预测信息是否一致的具体方法流程图;
图6是本发明提问预测及回答反馈方法实施例二中预测进程的具体方法流程图;
图7是本发明提问预测及回答反馈方法实施例二中根据所述命名实体得到以特征向量的形式描述已作答信息的向量集合的具体方法流程图;
图8是本发明提问预测及回答反馈方法实施例二中更新进程的具体方法流程图;
图9为本发明提问预测及回答反馈装置实施例三的程序模块示意图;
图10为本发明计算机设备实施例四中计算机设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现提供以下实施例:
实施例一:
请参阅图1,本实施例的一种基于知识图谱的提问预测及回答反馈方法,包括:
S102:接收用户端发送的提问信息;
S106:执行缓存反馈进程,用以从预设的缓存堆栈中获取回答信息并将其发送至所述用户端;将所述提问信息设为已作答信息并触发预测进程;
S108:执行预测进程,用以根据所述已作答信息对所述用户端将发送的提问信息进行预测,从至少一个预置备选提问信息中,获得备选概率最高的备选提问信息并将其设为设为提问预测信息;
S109:执行更新进程,用以从所述知识图谱中提取与所述提问预测信息对应的回答信息,并将所述提问预测信息及其回答信息保存至所述缓存堆栈中。
于本实施例中,所述提问信息可为用户在用户端中录入的询问信息,例如:f人保能保什么,e人保能保什么,w车保能保什么等等。
本申请在用户思考的时间,和在用户端录入提问信息的时间,根据已接收到的提问信息对用户将要发送的提问信息进行预测,得到用于反应所述用户端将会发送的提问信息的提问预测信息,预测出用户端可能会再次发送的提问信息的内容,根据提问预测信息从知识图谱中获取相应的回答信息,并将其保存在缓存堆栈中,因此,一旦此时用户端发送的提问信息与缓存堆栈中预测的提问预测信息一致,就说明准确预测到了用户的意图,再将缓存堆栈中预存的回答信息返回至用户端,即可完成对提问信息的反馈,这种方式提高了回答信息的生成及反馈速度,提高了用户体验。
本申请可应用于智慧医疗场景中,从而推动智慧城市的建设。
实施例二:
本实施例为上述实施例一的一种具体应用场景,通过本实施例,能够更加清楚、具体地阐述本发明所提供的方法。
下面,在运行有提问预测及回答反馈方法的服务器中,根据所述已作答信息对所述用户端将发送的提问信息进行预测,获得备选概率最高的备选提问信息并将其设为设为提问预测信息,并从所述知识图谱中提取与所述提问预测信息对应的回答信息为例,来对本实施例提供的方法进行具体说明。需要说明的是,本实施例只是示例性的,并不限制本发明实施例所保护的范围。
图2示意性示出了根据本申请实施例二的提问预测及回答反馈方法的环境应用示意图。
在示例性的实施例中,提问预测及回答反馈方法所在的服务器2通过网络分别连接知识图谱3和用户端4;所述服务器2可以通过一个或多个网络3提供服务,网络可以包括各种网络设备,例如路由器,交换机,多路复用器,集线器,调制解调器,网桥,中继器,防火墙,代理设备和/或等等。网络可以包括物理链路,例如同轴电缆链路,双绞线电缆链路,光纤链路,它们的组合和/或类似物。网络可以包括无线链路,例如蜂窝链路,卫星链路,Wi-Fi链路和/或类似物;所述用户端4可为智能手机、平板电脑、笔记本电脑、台式电脑等计算机设备。
图3是本发明一个实施例提供的一种提问预测及回答反馈方法的具体方法流程图,该方法具体包括步骤S201至S209。
S201:构建知识图谱,所述知识图谱包括至少一个具有数据信息的信息节点,所述知识图谱中的信息节点之间具有关联关系。
于本实施例中,具有关联关系的信息节点可通过映射关系实现关联关系。
知识图谱(Knowledge Graph),在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
示例性地,知识图谱包括:A节点:保险,B节点:人保,C节点:车保,D节点:f人保,E节点:e人保,F节点:核保核赔—甲亢,G节点:核保核赔—流感,H节点:保险年限—18岁到60岁,I节点:保险年限—18岁到65岁,J节点:w车保。
其中,A节点分别与B节点和C节点之间具有关联关系;B节点分别与D节点和E节点之间具有关联关系;C节点与J节点之间具有关联关系;D节点与F节点之间具有关联关系,且与H节点具有关联关系;E节点与G节点之间具有的关联关系,且与I节点具有的关联关系。
S202:接收用户端发送的提问信息。
本步骤中,所述提问信息可为用户在用户端中录入的询问信息,例如:f人保能保什么,e人保能保什么,w车保能保什么,等等。
S203:判断预设的缓存堆栈是否为空。
本步骤中,所述缓存堆栈采用push data命令所述缓存堆栈进行循环压栈,并采用CX寄存器计数,其中,CX寄存器中的数量中便是所述缓存堆栈中数据个数。以及采用popdata命令对所述缓存堆栈进行出栈,同时出栈时CX寄存器的计数减一。于本实施例中,所述缓存堆栈中仅保存提问预测信息及其回答信息,当识别到CX寄存器的计数为1,则说明缓存堆栈有数据,当识别到CX寄存器的计数为0,则说明缓存堆栈为空。
S204:若所述缓存堆栈为空,则执行常规反馈进程,从预设的知识图谱中提取与所述提问信息对应的回答信息,并将其发送至所述用户端;将所述提问信息设为已作答信息并触发预测进程。
本步骤中,如果缓存堆栈为空,则说明用户端首次发送提问信息,或未预测到用户端将要发送的提问信息,在这种情况下,本步骤仅执行常规反馈进程,从知识图谱中获取与提问信息对应的回答信息。
在一个优选的实施例中,请参阅图4,所述常规反馈进程的步骤,包括:
S41:通过命名实体识别模型识别所述提问信息中的命名实体,并将其设为第一命名实体。
S42:识别所述知识图谱中数据信息为所述第一命名实体的信息节点,并将其设为第一节点。
S43:识别所述知识图谱中与所述第一节点关联的信息节点,并将其设为第二节点。
S44:提取所述第二节点中的数据信息并汇总获得回答信息,将所述回答信息发送至所述用户端。
需要说明的是,命名实体识别模型(Named Entity Recognition,简称NER)是信息提取、问答系统、句法分析、机器翻译等应用领域的重要基础工具,在自然语言处理技术走向实用化的过程中占有重要地位。一般来说,命名实体识别的任务就是识别出待处理文本中三大类(实体类、时间类和数字类)、七小类(人名、机构名、地名、时间、日期、货币和百分比)命名实体。由于本申请所要解决的问题是如何根据用户端已发送的提问信息,预测该用户端将要发送的提问信息,而本领域技术人员可很轻易的采用命名实体识别模型提取各种信息中的命名实体,其属于现有技术,因此,命名实体识别模型的具体技术原理在本申请中不做赘述。
示例性地,接收到的提问信息为“f人保能保什么”,得到的命名实体为“f人保”,从知识图谱中获得与“f人保”关联关系的节点,其包括:B节点:人保,F节点:核保核赔—甲亢,H节点:保险年限—18岁到60岁;那么得到的回答信息为:该人保核保核赔为甲亢,其保险年限为18岁到60岁。
S205:若所述缓存堆栈不为空,判断所述提问信息与所述缓存堆栈中预存的提问预测信息是否一致。
本步骤通过判断提问信息和提问预测信息是否一致,确保向用户端返回的回答信息能够符合用户的请求意图,进而提高了信息反馈的准确率和匹配度,保证了用户体验。
在一个优选的实施例中,请参阅图5,判断所述提问信息与所述缓存堆栈中预存的提问预测信息是否一致的步骤,包括:
S51:提取所述提问信息中的命名实体并汇总得到至少具有一个命名实体的请求实体集。
S52:提取所述提问预测信息中的命名实体并汇总得到至少具有一个命名实体的预测实体集。
S53:判断所述预测实体集中的命名实体是否能够完全涵盖所述请求实体集中的命名实体。
本步骤中,通过将请求实体集中的命名实体与预测实体集中的命名实体进行一一对比,实现判断所述提问信息与所述缓存堆栈中预存的提问预测信息是否一致的效果。
S54:若是,则判定所述提问信息与所述缓存堆栈中预存的提问预测信息一致。
S55:若否,则判定所述提问信息与所述缓存堆栈中预存的提问预测信息不一致。
示例性地,若所述提问信息为“e人保能保什么”,而提问预测信息是“f人保能保什么”由于提问信息的命名实体是“e人保”,提问预测信息的命名实体是“f人保”,因此,提问信息与提问预测信息不一致。若所述提问信息为“f人保能保什么”,而提问预测信息是“f人保和e人保分别能保什么”,由于提问信息的命名实体是“f人保”,提问预测信息的命名实体是“f人保”和“e人保”,因此,可认为提问信息与提问预测信息一致。
S206:若一致,则执行缓存反馈进程,用以从预设的缓存堆栈中获取回答信息并将其发送至所述用户端;将所述提问信息设为已作答信息并触发预测进程。
本步骤中,若所述预测实体集中的命名实体能够完全涵盖所述请求实体集中的命名实体,则判定所述提问信息与提问预测信息一致,因此将执行缓存反馈进程从所述缓存堆栈中获取回答信息,并将其发送至用户端;由于在用户思考的时间,和在用户端录入提问信息的时间,对用户将要发送的提问信息进行预测,并从知识图谱中获取相应的回答信息预存至缓存堆栈,一旦此时用户端发送的提问信息与缓存堆栈中预测的提问预测信息一致,就说明准确预测到了用户的意图,此时,将缓存堆栈中预存的回答信息返回至用户端,即可完成对提问信息的反馈,这种方式提高了回答信息的生成及反馈速度,提高了用户体验。
S207:若不一致,则执行常规反馈进程,并清空所述缓存堆栈。
本步骤中,若所述预测实体集中的命名实体不能够完全涵盖所述请求实体集中的命名实体,则判定所述提问信息与提问预测信息不一致,此时,则执行常规反馈进程,并将所述缓存堆栈进行清空,为执行预测进程得到的提问预测信息及其回答信息留出保存空间。
S208:执行预测进程,用以根据所述已作答信息对所述用户端将发送的提问信息进行预测得到提问预测信息;
为预测出用户端可能会再次发送的提问信息的内容,本步骤根据已作答信息对用户端进行预测,得到用于反应所述用户端将会发送的提问信息的提问预测信息。
在一个优选的实施例中,请参阅图6,所述预测进程的步骤,包括:
S81:识别所述已作答信息中的命名实体,并根据所述命名实体得到以特征向量的形式描述已作答信息的向量集合。
本步骤中,通过命名实体识别模型识别所述已作答信息中的命名实体,并通过自然语言处理工具翻译所述命名实体,得到反映命名实体的本身含义的实体特征,根据该实体特征得到所述命名实体在已作答信息中的真实意图,根据已作答信息中的各实体特征得到该已作答信息所要表达的初步意图。
在一个优选的实施例中,请参阅图7,根据所述命名实体得到以特征向量的形式描述已作答信息的向量集合的步骤,包括:
S81-1:提取所述已作答信息中的命名实体,翻译所述命名实体得到实体特征;其中,实体特征是以特征向量的形式表达命名实体的数据信息。
本步骤中,通过平移距离模型对命名实体进行翻译得到实体特征,由于平移距离模型利用基于距离的评分函数,在通过关系进行翻译之后,用两个实体之间的距离来衡量一个事实的合理性。因此,利用平移距离模型对命名实体进行翻译所得到的实体特征,体现了该命名实体在知识图谱的空间维度上的空间向量,而相似度越高的命名实体之间的空间向量距离越近,因此,有助于真实的表达命名实体的真实含义,也便于识别与该命名实体的含义相同或相近的其他命名实体。例如,得到的命名实体包括:E1,E2,E3...En,那么利用平移距离模型得到的命名实体的实体特征为:
需要说明的是,所述平移距离模型如:TransE等属于现有技术,而本步骤所解决的问题是如何得到已作答信息中命名实体的本身含义,该命名实体在已作答信息中的真实意图,及根据已作答信息中的各命名实体得到该已作答信息所要表达的初步意图,因此,利用平移距离模型对已作答信息进行翻译得到实体特征的方法及原理,在此不做赘述。
可选的,还可通过自然语言处理技术领域的词袋模型或独热编码模型,对所述命名实体进行翻译得到以特征向量形式展示的实体特征,由于词袋模型和独热编码模型均属于现有技术,而本步骤所解决的问题是如何得到已作答信息中命名实体的本身含义,该命名实体在已作答信息中的真实意图,及根据已作答信息中的各命名实体得到该已作答信息所要表达的初步意图,因此,利用词袋模型或独热编码模型对已作答信息进行翻译得到实体特征的方法及原理,在此不做赘述。
S81-2:将各所述命名实体的实体特征进行相乘,得到用于表征所述已作答信息的请求特征;其中,请求特征是以特征向量的形式表达已作答信息的数据信息。
本步骤中,通过将各实体特征相乘,得到能够综合反映已作答信息中各命名实体的特征向量的请求特征。
示例性地,可通过如下公式,对各命名实体的实体特征进行相乘得到请求特征:
其中,是指请求特征,/>分别指的是第一到第n各命名实体的实体特征。
S81-3:将已作答信息中任一命名实体设为目标命名实体,识别所述已作答信息中与所述目标命名实体具有关联关系的关联命名实体,并翻译该关联命名实体得到所述目标命名实体的关联特征;计算所述目标命名实体的实体特征和关联特征的平均数,得到所述目标命名实体的上下文特征。
其中,所述关联特征是以特征向量的形式表达关联命名实体的数据信息,所述上下文特征反映了目标命名实体在已作答信息中与其他命名实体之间的关联度。
本步骤中,识别已作答信息中,在所述知识图谱内与所述目标命名实体之间具有关联关系的命名实体,因此考虑到了已作答信息中各命名实体之间的关联关系,而通过计算目标命名实体的实体特征和关联特征的平均数所得到的上下文特征,方可根据目标命名实体和关联命名实体,综合考虑该目标命名实体在已作答信息中的真实意图。
示例性地,如果目标命名实体为“f人保”,其对应的实体特征为E1,而已作答信息中其他命名实体包括“流感”、“车保”、“建筑”,那么,根据所述知识图谱得知只有“流感”与“f人保”之间具有关联关系,因此,得到的关联命名实体为“流感”,翻译“流感”得到关联特征E11,根据公式, 计算所述E1和E11得到上下文特征/>
S81-4:汇总所述请求特征以及各所述命名实体的实体特征和上下文特征,得到所述已作答信息的特征集合。
本步骤中的特征集合中的特征向量,综合考虑了命名实体的本身含义,该命名实体在已作答信息中的真实意图,及根据已作答信息中的各命名实体得到该已作答信息所要表达的初步意图。
S82:通过预设的神经网络模型对所述特征集合进行累加、卷积及池化运算得到评价特征;其中,所述评价特征反映了所述已作答信息所要传达的真实意图。
本步骤中,通过神经网络模型对所述特征集合进行累加、卷积及池化,综合考虑已作答信息中各命名实体的本身含义,各命名实体处于已作答信息文字环境下的真实意图,及已作答信息所要表达的初步意图,得到能够反映已作答信息真实意图的评价特征。
于本实施例中,通过具有Softmax函数的神经网络模型对所述特征集合中的请求特征,及已作答信息中的各所述命名实体的实体特征和上下文特征,进行累加、卷积和池化运算,得到能够反映已作答信息所要传达的真实意图的评价特征。
示例性的,所述Softmax函数如下:
其中,是指评价特征,其通过识别出特征集合中出现概率最大的特征作为评价信息的方式,来实现识别已发送消息的真实意图的技术效果。
S83:从预设的请求库中获取与所述已作答信息的命名实体关联的备选提问信息,并提取所述备选提问信息中预设的备选评价特征,其中,所述备选评价特征是以反映了备选提问信息的真实意图。
示例性地,通过上述步骤得到用户端已作答信息Q1,Q2,Q3,那么将获得的备选提问信息设为Q4,其备选评价特征为
S84:将已作答信息的评价特征以及用户端发送所述已作答信息的次数,依次与各所述备选提问信息的备选评价特征结合,计算得到各备选提问信息的备选概率,将值最高的备选概率所对应的备选提问信息设为提问预测信息,实现对用户端将发送的提问信息进行预测得到提问预测信息。
本步骤中,通过将能够反映已作答信息真实意图的评价特征,及该已作答信息的发送顺序,预测用户端的用户意图,并将该意图与各备选评价特征结合,判断出最符合用户意图的备选提问信息,并将该备选提问信息设为提问预测信息。
示例性地,通过上述步骤得到用户端已作答信息Q1,Q2,Q3,及各已作答信息的提问次数C1,C2,C3预测用户的下一次候选提问Q4,计算用户问题Q1,Q2,Q3,Q4的备选概率,即:备选提问信息Q4会被提问的概率得分
假设已作答信息是“f人保保什么”,备选提问信息包括:“e人保保什么”,“w车保保什么”,可知,“e人保保什么”的备选概率显然比“w车保保什么”的概率要高,因此,将“e人保保什么”设为提问预测信息。
进一步的,将值最高的备选概率所对应的备选提问信息设为提问预测信息之后,还包括:
将所述提问预测信息上传至区块链中。
需要说明的是,基于提问预测信息得到对应的摘要信息,具体来说,摘要信息由提问预测信息进行散列处理得到,比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息,以便查证提问预测信息是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数·据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等
S209:执行更新进程,用以从所述知识图谱中提取与所述提问预测信息对应的回答信息,并将所述提问预测信息及其回答信息保存至所述缓存堆栈中。
本步骤中,通过根据提问预测信息从知识图谱中获取相应的回答信息,并将其保存在缓存堆栈中,便于快速反馈给用户端,提高了信息反馈的效率。
在一个优选的实施例中,请参阅图8,所述更新进程的步骤,包括:
S91:通过命名实体识别模型识别所述提问预测信息中的命名实体,并将其设为预测命名实体。
S92:识别所述知识图谱中数据信息为所述预测命名实体的信息节点,并将其设为预测节点。
S93:识别所述知识图谱中与所述预测节点关联的信息节点,并将其设为预测关联节点。
S94:提取所述预测关联节点中的数据信息并汇总获得回答信息,将所述回答信息保存至所述缓存堆栈。
示例性地,提问预测信息为“e人保能保什么”,得到的命名实体为“e人保”,从知识图谱中获得与“e人保”关联关系的节点,其包括:B节点:人保,E节点:核保核赔—流感,I节点:保险年限—18岁到65岁;那么得到的回答信息是:该人保核保核赔为流感,其保险年限为18岁到65岁,并将该回答信息保存至缓存堆栈。
实施例三:
请参阅图9,本实施例的一种基于知识图谱的提问预测及回答反馈装置1,包括:
输入模块12,用于接收用户端发送的提问信息;
缓存反馈模块16,用于执行缓存反馈进程,用以从预设的缓存堆栈中获取回答信息并将其发送至所述用户端;将所述提问信息设为已作答信息并触发预测进程;
预测模块18,用于执行预测进程,用以根据所述已作答信息对所述用户端将发送的提问信息进行预测,从至少一个预置备选提问信息中,获得备选概率最高的备选提问信息并将其设为设为提问预测信息;
更新模块19,用于执行更新进程,用以从所述知识图谱中提取与所述提问预测信息对应的回答信息,并将所述提问预测信息及其回答信息保存至所述缓存堆栈中。
可选的,所述提问预测及回答反馈装置1还包括:
构建模块11,用于构建知识图谱,所述知识图谱包括至少一个具有数据信息的信息节点,所述知识图谱中的信息节点之间具有关联关系。
可选的,所述提问预测及回答反馈装置1还包括:
第一判断模块13,用于判断预设的缓存堆栈是否为空。
可选的,所述提问预测及回答反馈装置1还包括:
反馈触发模块14,用于执行常规反馈进程,用以从预设的知识图谱中提取与所述提问信息对应的回答信息,并将其发送至所述用户端;将所述提问信息设为已作答信息并触发预测进程。
可选的,所述提问预测及回答反馈装置1还包括:
第二判断模块15,用于判断所述提问信息与所述缓存堆栈中预存的提问预测信息是否一致。
可选的,所述提问预测及回答反馈装置1还包括:
反馈清空模块17,用于执行常规反馈进程,并清空所述缓存堆栈。
本技术方案应用于大数据的数据分析领域,通过根据所述已作答信息对所述用户端将发送的提问信息进行预测,从至少一个备选提问信息中,获得备选概率最高的备选提问信息并将其设为设为提问预测信息;从所述知识图谱中提取与所述提问预测信息对应的回答信息,并将所述提问预测信息及其回答信息保存至所述缓存堆栈中,以实现基于知识图谱的知识关系分析对用户端将要发送的提问信息进行预测的技术效果。
实施例四:
为实现上述目的,本发明还提供一种计算机设备5,实施例三的提问预测及回答反馈装置1的组成部分可分散于不同的计算机设备中,计算机设备5可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个应用服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器51、处理器52,如图10所示。需要指出的是,图10仅示出了具有组件-的计算机设备,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
本实施例中,存储器51(即存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器51可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,存储器51也可以是计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器51还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器51通常用于存储安装于计算机设备的操作系统和各类应用软件,例如实施例三的提问预测及回答反馈装置的程序代码等。此外,存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器52在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制计算机设备的总体操作。本实施例中,处理器52用于运行存储器51中存储的程序代码或者处理数据,例如运行提问预测及回答反馈装置,实现实施例一和实施例二的提问预测及回答反馈方法。
实施例五:
为实现上述目的,本发明还提供一种计算机存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器52执行时实现相应功能。本实施例的计算机存储介质用于存储提问预测及回答反馈装置,被处理器52执行时实现实施例一和实施例二的提问预测及回答反馈方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于知识图谱的提问预测及回答反馈方法,其特征在于,包括:
接收用户端发送的提问信息;
执行缓存反馈进程,用以从预设的缓存堆栈中获取回答信息并将其发送至所述用户端;将所述提问信息设为已作答信息并触发预测进程;
执行预测进程,用以根据所述已作答信息对所述用户端将发送的提问信息进行预测,从至少一个预置备选提问信息中,获得备选概率最高的备选提问信息并将其设为提问预测信息;其中,所述预测进程的步骤,包括:识别所述已作答信息中的命名实体,并根据所述命名实体得到以特征向量的形式描述已作答信息的向量集合;通过预设的神经网络模型对所述向量集合进行累加、卷积及池化运算得到评价特征,其中,所述评价特征反映了所述已作答信息所要传达的真实意图;从预设的请求库中获取与所述已作答信息的命名实体关联的备选提问信息,并提取所述备选提问信息中预设的备选评价特征,其中,所述备选评价特征是以反映了备选提问信息的真实意图;将已作答信息的评价特征以及用户端发送所述已作答信息的次数,依次与各所述备选提问信息的备选评价特征结合,计算得到各备选提问信息的备选概率,将值最高的备选概率所对应的备选提问信息设为提问预测信息;
执行更新进程,用以从所述知识图谱中提取与所述提问预测信息对应的回答信息,并将所述提问预测信息及其回答信息保存至所述缓存堆栈中。
2.根据权利要求1所述的提问预测及回答反馈方法,其特征在于,所述接收用户端发送的提问信息的步骤之前,所述方法还包括:
构建知识图谱,所述知识图谱包括至少一个具有数据信息的信息节点,所述知识图谱中的信息节点之间具有关联关系。
3.根据权利要求1所述的提问预测及回答反馈方法,其特征在于,所述接收用户端发送的提问信息的步骤之后,所述方法还包括:
判断预设的缓存堆栈是否为空;
若所述缓存堆栈为空,则执行常规反馈进程,用以从预设的知识图谱中提取与所述提问信息对应的回答信息,并将其发送至所述用户端;将所述提问信息设为已作答信息并触发预测进程。
4.根据权利要求3所述的提问预测及回答反馈方法,其特征在于,所述常规反馈进程的步骤,包括:
通过命名实体识别模型识别所述提问信息中的命名实体,并将其设为第一命名实体;
识别所述知识图谱中数据信息为所述第一命名实体的信息节点,并将其设为第一节点;
识别所述知识图谱中与所述第一节点关联的信息节点,并将其设为第二节点;
提取所述第二节点中的数据信息并汇总获得回答信息,将所述回答信息发送至所述用户端。
5.根据权利要求1所述的提问预测及回答反馈方法,其特征在于,所述执行缓存反馈进程的步骤之前,所述方法还包括:
判断所述提问信息与所述缓存堆栈中预存的提问预测信息是否一致;
若一致,则执行缓存反馈进程;
若不一致,则执行常规反馈进程,并清空所述缓存堆栈。
6.根据权利要求5所述的提问预测及回答反馈方法,其特征在于,所述判断所述提问信息与所述缓存堆栈中预存的提问预测信息是否一致的步骤,包括:
提取所述提问信息中的命名实体并汇总得到至少具有一个命名实体的请求实体集;
提取所述提问预测信息中的命名实体并汇总得到至少具有一个命名实体的预测实体集;
判断所述预测实体集中的命名实体是否能够完全涵盖所述请求实体集中的命名实体;
若是,则判定所述提问信息与所述缓存堆栈中预存的提问预测信息一致;
若否,则判定所述提问信息与所述缓存堆栈中预存的提问预测信息不一致。
7.根据权利要求1所述的提问预测及回答反馈方法,其特征在于,
所述将值最高的备选概率所对应的备选提问信息设为提问预测信息的步骤之后,所述方法还包括:
将所述提问预测信息上传至区块链中。
8.一种基于知识图谱的提问预测及回答反馈装置,其特征在于,包括:
输入模块,用于接收用户端发送的提问信息;
缓存反馈模块,用于执行缓存反馈进程,用以从预设的缓存堆栈中获取回答信息并将其发送至所述用户端;将所述提问信息设为已作答信息并触发预测进程;
预测模块,用于执行预测进程,用以根据所述已作答信息对所述用户端将发送的提问信息进行预测,从至少一个预置备选提问信息中,获得备选概率最高的备选提问信息并将其设为提问预测信息;其中,所述预测进程的步骤,包括:识别所述已作答信息中的命名实体,并根据所述命名实体得到以特征向量的形式描述已作答信息的向量集合;通过预设的神经网络模型对所述向量集合进行累加、卷积及池化运算得到评价特征,其中,所述评价特征反映了所述已作答信息所要传达的真实意图;从预设的请求库中获取与所述已作答信息的命名实体关联的备选提问信息,并提取所述备选提问信息中预设的备选评价特征,其中,所述备选评价特征是以反映了备选提问信息的真实意图;将已作答信息的评价特征以及用户端发送所述已作答信息的次数,依次与各所述备选提问信息的备选评价特征结合,计算得到各备选提问信息的备选概率,将值最高的备选概率所对应的备选提问信息设为提问预测信息;
更新模块,用于执行更新进程,用以从所述知识图谱中提取与所述提问预测信息对应的回答信息,并将所述提问预测信息及其回答信息保存至所述缓存堆栈中。
9.一种计算机设备,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机设备的处理器执行所述计算机程序时实现权利要求1至7任一项所述提问预测及回答反馈方法的步骤。
10.一种计算机存储介质,所述存储介质上存储有计算机程序,其特征在于,所述存储介质存储的所述计算机程序被处理器执行时实现权利要求1至7任一项所述提问预测及回答反馈方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011096786.3A CN112231454B (zh) | 2020-10-14 | 2020-10-14 | 提问预测及回答反馈方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011096786.3A CN112231454B (zh) | 2020-10-14 | 2020-10-14 | 提问预测及回答反馈方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112231454A CN112231454A (zh) | 2021-01-15 |
CN112231454B true CN112231454B (zh) | 2024-02-09 |
Family
ID=74112704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011096786.3A Active CN112231454B (zh) | 2020-10-14 | 2020-10-14 | 提问预测及回答反馈方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112231454B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113342965B (zh) * | 2021-06-24 | 2023-11-14 | 平安国际融资租赁有限公司 | 意图预测及反馈方法、装置、计算机设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933653A (zh) * | 2019-01-24 | 2019-06-25 | 平安科技(深圳)有限公司 | 问答系统的问答查询方法、系统及计算机设备 |
CN110309281A (zh) * | 2019-05-28 | 2019-10-08 | 平安科技(深圳)有限公司 | 基于知识图谱的问答方法、装置、计算机设备及存储介质 |
CN110837550A (zh) * | 2019-11-11 | 2020-02-25 | 中山大学 | 基于知识图谱的问答方法、装置、电子设备及存储介质 |
CN111008272A (zh) * | 2019-12-04 | 2020-04-14 | 深圳市新国都金服技术有限公司 | 基于知识图谱的问答方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3557439A1 (en) * | 2018-04-16 | 2019-10-23 | Tata Consultancy Services Limited | Deep learning techniques based multi-purpose conversational agents for processing natural language queries |
-
2020
- 2020-10-14 CN CN202011096786.3A patent/CN112231454B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933653A (zh) * | 2019-01-24 | 2019-06-25 | 平安科技(深圳)有限公司 | 问答系统的问答查询方法、系统及计算机设备 |
CN110309281A (zh) * | 2019-05-28 | 2019-10-08 | 平安科技(深圳)有限公司 | 基于知识图谱的问答方法、装置、计算机设备及存储介质 |
CN110837550A (zh) * | 2019-11-11 | 2020-02-25 | 中山大学 | 基于知识图谱的问答方法、装置、电子设备及存储介质 |
CN111008272A (zh) * | 2019-12-04 | 2020-04-14 | 深圳市新国都金服技术有限公司 | 基于知识图谱的问答方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112231454A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245165B (zh) | 风险传导关联图谱优化方法、装置和计算机设备 | |
WO2019200810A1 (zh) | 用户数据真实性分析方法及装置、存储介质、电子设备 | |
CN110610196A (zh) | 脱敏方法、系统、计算机设备和计算机可读存储介质 | |
CN112181835A (zh) | 自动化测试方法、装置、计算机设备及存储介质 | |
US20140244641A1 (en) | Holistic customer record linkage via profile fingerprints | |
CN112231454B (zh) | 提问预测及回答反馈方法、装置、计算机设备及存储介质 | |
CN116304341A (zh) | 基于用户网络大数据的欺诈判别方法及系统 | |
CN114969443A (zh) | 量子计算可视化调试方法、系统、计算机设备及存储介质 | |
CN114780701A (zh) | 自动问答匹配方法、装置、计算机设备及存储介质 | |
CN113177407A (zh) | 数据字典的构建方法、装置、计算机设备及存储介质 | |
CN113904943A (zh) | 账号检测方法、装置、电子设备和存储介质 | |
CN116383412B (zh) | 基于知识图谱的功能点扩增方法和系统 | |
CN116956326A (zh) | 权限数据的处理方法、装置、计算机设备及存储介质 | |
CN111752958A (zh) | 智能关联标签方法、装置、计算机设备及存储介质 | |
CN114528908B (zh) | 网络请求数据分类模型训练方法、分类方法及存储介质 | |
CN113515591B (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN111753548B (zh) | 信息获取方法及装置、计算机存储介质、电子设备 | |
CN110795424B (zh) | 特征工程变量数据请求处理方法、装置及电子设备 | |
CN115168509A (zh) | 风控数据的处理方法及装置、存储介质、计算机设备 | |
CN112348661A (zh) | 基于用户行为轨迹的服务策略分配方法、装置及电子设备 | |
CN116910756B (zh) | 一种恶意pe文件的检测方法 | |
CN113723524B (zh) | 基于预测模型的数据处理方法、相关设备及介质 | |
CN113434790B (zh) | 重复链接的识别方法、装置及电子设备 | |
US20230132618A1 (en) | Method for denoising click data, electronic device and storage medium | |
CN117278298A (zh) | 基于人工智能的域名检测方法、装置、设备及存储介质 |
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 |