CN112597291A - 一种智能问答的实现方法、装置及设备 - Google Patents

Abstract

本申请公开了一种智能问答的实现方法、装置及设备，能够利用预先构建的知识库和智能问答模型相结合的方式，准确匹配出用户问题的答案，并将其展示给用户，实现了智能问答的同时，也降低了人工成本并提高了用户体验。该方法包括：首先接收用户输入的问题，并将其转换为待处理的问题文本，然后，判断预先构建的知识库中是否存储有该问题文本对应的标准答案，若是，则将该标准答案向用户进行展示；若否，则利用预先构建的智能问答模型，生成问题文本对应的预测答案，并将该预测答案向用户进行展示。

Description

一种智能问答的实现方法、装置及设备

技术领域

本申请涉及人工智能技术领域，尤其涉及一种智能问答的实现方法、装置及设备。

背景技术

智能问答是人工智能领域里的一项重要应用，相较于传统的客服系统，智能问答系统具有高效率、低成本等诸多优势，目前越来越多的企业使用智能问答系统为用户提供对话服务。

当前银行每个网点每天都要面对众多客户的各种不同问题，而包括柜员和大堂经理等网点一线服务人员的服务质量，很大程度上决定了客户对银行服务乃至整个银行的好感度，是可否增加客户粘性的关键。但网点一线人员面对的则是众多业务、制度及运维相关知识，仅凭人为记忆，耗时耗力，记忆效果不佳，增加客户等待时间，影响客户体验。

发明内容

本申请实施例的主要目的在于提供一种智能问答的实现方法、装置及设备，能够智能匹配出用户问题的答案，提高了用户体验，且降低了人工成本。

第一方面，本申请实施例提供了一种智能问答的实现方法，包括：

接收用户输入的问题，并将所述问题转换为待处理的问题文本；

判断预先构建的知识库中是否存储有所述问题文本对应的标准答案；

若是，则将所述标准答案向所述用户进行展示；

若否，则利用预先构建的智能问答模型，生成所述问题文本对应的预测答案，并将所述预测答案向所述用户进行展示。

可选的，所述判断预先构建的知识库中是否存储有所述问题文本对应的标准答案，包括：

利用所述问题文本对应的切词结果，通过倒排索引对预先构建的知识库进行检索，得到检索结果；

根据所述检索结果，判断所述知识库中是否存储有所述问题文本对应的标准答案。

可选的，所述智能问答模型的构建方式如下：

获取用户的训练问题，并将所述训练问题转换为待处理的训练问题文本；

根据所述训练问题文本的文本特征以及所述训练问题文本对应的答案标签对初始智能问答模型进行训练，生成所述智能问答模型。

可选的，所述方法还包括：

获取用户的验证问题，并将所述验证问题转换为待处理的验证问题文本；

将所述验证问题文本的文本特征输入所述智能问答模型，预测出所述验证问题文本对应的验证答案；

当所述用户的验证问题的验证答案与所述用户的验证问题对应的答案标记结果不一致时，将所述用户的验证问题重新作为所述用户的训练问题，对所述智能问答模型进行更新。

第二方面，本申请实施例还提供了一种智能问答的实现装置，包括：

接收单元，用于接收用户输入的问题，并将所述问题转换为待处理的问题文本；

判断单元，用于判断预先构建的知识库中是否存储有所述问题文本对应的标准答案；

展示单元，用于若判断出预先构建的知识库中存储有所述问题文本对应的标准答案，则将所述标准答案向所述用户进行展示；

生成单元，用于若判断出预先构建的知识库中未存储有所述问题文本对应的标准答案，则利用预先构建的智能问答模型，生成所述问题文本对应的预测答案，并将所述预测答案向所述用户进行展示。

可选的，所述判断单元包括：

检索子单元，用于利用所述问题文本对应的切词结果，通过倒排索引对预先构建的知识库进行检索，得到检索结果；

判断子单元，用于根据所述检索结果，判断所述知识库中是否存储有所述问题文本对应的标准答案。

可选的，所述装置还包括：

第一获取单元，用于获取用户的训练问题，并将所述训练问题转换为待处理的训练问题文本；

训练单元，用于根据所述训练问题文本的文本特征以及所述训练问题文本对应的答案标签对初始智能问答模型进行训练，生成所述智能问答模型。

可选的，所述装置还包括：

第二获取单元，用于获取用户的验证问题，并将所述验证问题转换为待处理的验证问题文本；

预测单元，用于将所述验证问题文本的文本特征输入所述智能问答模型，预测出所述验证问题文本对应的验证答案；

更新单元，用于当所述用户的验证问题的验证答案与所述用户的验证问题对应的答案标记结果不一致时，将所述用户的验证问题重新作为所述用户的训练问题，对所述智能问答模型进行更新。

本申请实施例还提供了一种智能问答的实现设备，包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述智能问答的实现方法中的任意一种实现方式。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述智能问答的实现方法中的任意一种实现方式。

本申请实施例提供的一种智能问答的实现方法、装置及设备，首先接收用户输入的问题，并将其转换为待处理的问题文本，然后，判断预先构建的知识库中是否存储有该问题文本对应的标准答案，若是，则将该标准答案向用户进行展示；若否，则利用预先构建的智能问答模型，生成问题文本对应的预测答案，并将该预测答案向用户进行展示。从而能够利用预先构建的知识库和智能问答模型相结合的方式，准确匹配出用户问题的答案，并将其展示给用户，实现了智能问答的同时，也降低了人工成本并提高了用户体验。

附图说明

为了更清楚地说明本申请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，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种智能问答的实现方法的流程示意图；

图2为本申请实施例提供的一种智能问答的实现装置的组成示意图。

具体实施方式

目前银行每个网点每天都要面对众多客户的各种不同问题。对于银行网点服务人员来说，需要根据银行大量的业务场景及制度规定，面对客户的问题给予最恰当的答复。

但目前银行网点人员，主要采用的检索式系统，基本都是基于模糊匹配的检索，对用户问题进行查询得到答案。检索式系统的后台通常对应一个结构化存储的知识库。但银行业务场景和制度规定时有更新，故该知识库涉及到定期更新和一致性维护，是实际业务场景的一个痛点。并且，由于网点一线人员(包括柜员和大堂经理)面对的是众多业务、制度及运维相关知识，仅凭人为记忆，耗时耗力，记忆效果不佳，增加客户等待时间，影响客户体验

为解决上述缺陷，本申请实施例提供了一种智能问答的实现方法，首先接收用户输入的问题，并将其转换为待处理的问题文本，然后，判断预先构建的知识库中是否存储有该问题文本对应的标准答案，若是，则将该标准答案向用户进行展示；若否，则利用预先构建的智能问答模型，生成问题文本对应的预测答案，并将该预测答案向用户进行展示。从而能够利用预先构建的知识库和智能问答模型相结合的方式，准确匹配出用户问题的答案，并将其展示给用户，实现了智能问答的同时，也降低了人工成本并提高了用户体验。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

第一实施例

参见图1，为本实施例提供的一种智能问答的实现方法的流程示意图，该方法包括以下步骤：

S101：接收用户输入的问题，并将问题转换为待处理的问题文本。

需要说明的是，由于当前银行每个网点每天都要面对众多客户的各种不同问题，所以，包括柜员和大堂经理等网点一线服务人员面对的是众多业务、制度及运维相关知识，仅凭人为记忆，耗时耗力，记忆效果不佳，增加客户等待时间，影响客户体验。

对此，在本实施例中，为了能够智能匹配出用户问题的答案，提高用户体验并降低人工成本，首先需要接收用户输入的问题，并将问题转换为待处理的问题文本，用以通过后续步骤S102-S104智能匹配出用户输入的问题的答案。

其中，用户可以通过银行营业网点的智能设备以语音或文本的方式输入问题，也可以通过自身携带的终端设备上传问题信息等等。具体的方式可根据实际情况进行选择，本申请实施例对此不进行限制。

S102：判断预先构建的知识库中是否存储有问题文本对应的标准答案。

在本实施例中，通过步骤S101接收到用户输入的问题并将其转换为待处理的问题文本后，进一步可以对该问题文本进行处理，并根据处理结果，从预先构建的知识库中查询出是否存在其对应的标准答案，若存在，则执行后续步骤S103，若不存在，则执行后续步骤S104。

具体来讲，一种可选的实现方式是，本步骤S102的具体实现过程可以包括下述步骤S1021-S1022：

步骤S1021：利用问题文本对应的切词结果，通过倒排索引对预先构建的知识库进行检索，得到检索结果。

步骤S1022：根据检索结果，判断知识库中是否存储有问题文本对应的标准答案。

在本实现方式中，在确定出待处理的问题文本后，首先可以利用现有或未来出现的切词方法，对问题文本进行切词处理，得到问题文本对应的切词结果，如，可以利用词频(Term Frequency，简称TF)和逆向文件频率(Inverse Document Frequency，简称IDF)对问题文本进行切词处理，进而可以利用问题文本对应的切词结果，从预先构建的知识库中快速、准确的匹配出对应的标准问题文本，进而可以将改标准问题文本对应的标准答案中作为待处理的问题文本的答案，反馈给用户。

其中，知识库是一个问答对的结构化存储，包括问题(Q)，答案(A)及切词结果(S)。利用预先采集的客户与银行工作人员的问题及对应的答案即可完成知识库的创建。且可以定期利用分词、去除停用词等NLP技术，对问题语句进行切词，并利用该切词结果对之前存储的切词结果S进行更新，用以自动更新问答对知识库。

在此基础上，针对用户输入的问题，可以利用切词结果S，通过倒排索引bm25的方式对知识库进行检索，以选择出最匹配的标准问题及对应的标准答案。此外，可以理解的是，也可以检索出匹配度达到预设阈值的前N个标准问题及对应的标准答案，以供用户进行选择。其中，N为大于1的正整数。

S103：将标准答案向用户进行展示。

在本实施例中，若通过步骤S102从预先构建的知识库中查询出存在问题文本对应的标准答案，进而可以将该标准答案通过语音播报或者文本提示的方式展示给用户，如可以通过网点智能设备进行语音播报或者在智能设备的显示屏幕上显示该标准答案以实现对用户输入的问题的智能回答。

S104：利用预先构建的智能问答模型，生成问题文本对应的预测答案，并将预测答案向用户进行展示。

在本实施例中，若通过步骤S102未从预先构建的知识库中查询出能够匹配问题文本的标准答案，则进一步可以提取出该问题文本的文本特征(即表征问题文本语义内容的特征向量)，并将将该预测答案通过语音播报或者文本提示的方式展示给用户，如可以通过网点智能设备进行语音播报或者在智能设备的显示屏幕上显示该预测答案以实现对用户输入的问题的智能回答。

其中，一种可选的实现方式是，智能问答模型的具体构建过程包括下述步骤A1-A2：

步骤A1：获取用户的训练问题，并将训练问题转换为待处理的训练问题文本。

步骤A2：根据训练问题文本的文本特征以及训练问题文本对应的答案标签对初始智能问答模型进行训练，生成智能问答模型。

具体来讲，在本实现方式中，为了构建智能问答模型，需要预先进行大量的准备工作，首先，需要收集大量银行网点中客户提出的问题，作为训练问题，并将这些训练问题转换为待处理的训练问题文本。然后，可以利用特征提取方法，提取出这些训练问题文本的文本特征，进一步的，可以根据该训练问题文本的文本特征和训练问题文本对应的人工标注的答案标签对初始智能问答模型进行训练，进而生成智能问答模型。

其中，初始智能问答模型可以为BERT等预训练模型。在训练过程中，可以基于反向传播算法，通过随机梯度下降的方式进行训练。每次从训练问题中随机采样若干个样本问题，作为一个Batch(批)进行训练。直到模型的预测结果达到理想状态。

需要说明的是，由于银行的业务制度、规则准则等文件均是非结构化的文本数据，以图片的形式进行存储，因此，在获取这些信息作为训练问题的答案来训练智能问答模型时，可以利用光学字符识别(Optical Character Recognition，简称OCR)模型，将业务制度等文件的扫描图片识别为非结构化的文本信息，用于进行模型训练，在业务制度文本内容中识别出最佳答案。

这样，通过利用BERT等深度学习模型，训练智能问答模型。并利用OCR识别后的大量非结构化的业务制度等文本信息，快速阅读并完成语义理解，找到最匹配的答案。充分利用了大量的业务制度等文档，深度挖掘语义信息，挖掘出语义更匹配的答案，而并非仅是问题的关键词的命中来匹配问题答案。从而能够得到准确性更高的问题答案。

通过上述实施例，可以利用训练问题和答案训练生成智能问答模型，则进一步的，可以利用验证问题和答案对生成的智能问答模型进行验证，具体实现过程包括下述步骤B1-B3：

步骤B1：获取用户的验证问题，并将验证问题转换为待处理的验证问题文本。

步骤B2：将验证问题文本的文本特征输入智能问答模型，预测出验证问题文本对应的验证答案。

步骤B3：当用户的验证问题的验证答案与用户的验证问题对应的答案标记结果不一致时，将用户的验证问题重新作为用户的训练问题，对智能问答模型进行更新。

具体来讲，在本实现方式中，为了实现对能问答模型进行验证，首先需要获取银行网点中客户提出的验证问题，并将验证问题转换为待处理的验证问题文本。然后，可以利用特征提取方法，提取出这些验证问题文本的文本特征，进一步的，可以将验证问题文本的文本特征输入智能问答模型，通过模型输出验证问题的验证答案。当该验证答案与人工标记的答案标记结果不一致时，可以将用户的验证问题重新作为用户的训练问题，对智能问答模型进行更新。

综上，本实施例提供的一种智能问答的实现方法，首先接收用户输入的问题，并将其转换为待处理的问题文本，然后，判断预先构建的知识库中是否存储有该问题文本对应的标准答案，若是，则将该标准答案向用户进行展示；若否，则利用预先构建的智能问答模型，生成问题文本对应的预测答案，并将该预测答案向用户进行展示。从而能够利用预先构建的知识库和智能问答模型相结合的方式，准确匹配出用户问题的答案，并将其展示给用户，实现了智能问答的同时，也降低了人工成本并提高了用户体验。

第二实施例

本实施例将对一种智能问答的实现装置进行介绍，相关内容请参见上述方法实施例。

参见图2，为本实施例提供的一种智能问答的实现装置的组成示意图，该装置包括：

接收单元201，用于接收用户输入的问题，并将所述问题转换为待处理的问题文本；

判断单元202，用于判断预先构建的知识库中是否存储有所述问题文本对应的标准答案；

展示单元203，用于若判断出预先构建的知识库中存储有所述问题文本对应的标准答案，则将所述标准答案向所述用户进行展示；

生成单元204，用于若判断出预先构建的知识库中未存储有所述问题文本对应的标准答案，则利用预先构建的智能问答模型，生成所述问题文本对应的预测答案，并将所述预测答案向所述用户进行展示。

在本实施例的一种实现方式中，所述判断单元202包括：

检索子单元，用于利用所述问题文本对应的切词结果，通过倒排索引对预先构建的知识库进行检索，得到检索结果；

判断子单元，用于根据所述检索结果，判断所述知识库中是否存储有所述问题文本对应的标准答案。

在本实施例的一种实现方式中，所述装置还包括：

第一获取单元，用于获取用户的训练问题，并将所述训练问题转换为待处理的训练问题文本；

训练单元，用于根据所述训练问题文本的文本特征以及所述训练问题文本对应的答案标签对初始智能问答模型进行训练，生成所述智能问答模型。

在本实施例的一种实现方式中，所述装置还包括：

第二获取单元，用于获取用户的验证问题，并将所述验证问题转换为待处理的验证问题文本；

预测单元，用于将所述验证问题文本的文本特征输入所述智能问答模型，预测出所述验证问题文本对应的验证答案；

更新单元，用于当所述用户的验证问题的验证答案与所述用户的验证问题对应的答案标记结果不一致时，将所述用户的验证问题重新作为所述用户的训练问题，对所述智能问答模型进行更新。

综上，本实施例提供的一种智能问答的实现装置，首先接收用户输入的问题，并将其转换为待处理的问题文本，然后，判断预先构建的知识库中是否存储有该问题文本对应的标准答案，若是，则将该标准答案向用户进行展示；若否，则利用预先构建的智能问答模型，生成问题文本对应的预测答案，并将该预测答案向用户进行展示。从而能够利用预先构建的知识库和智能问答模型相结合的方式，准确匹配出用户问题的答案，并将其展示给用户，实现了智能问答的同时，也降低了人工成本并提高了用户体验。

进一步地，本申请实施例还提供了一种智能问答的实现设备，包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述智能问答的实现方法的任一种实现方法。

进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述智能问答的实现方法的任一种实现方法。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。

需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业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申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，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 (10)

1.一种智能问答的实现方法，其特征在于，包括：

接收用户输入的问题，并将所述问题转换为待处理的问题文本；

判断预先构建的知识库中是否存储有所述问题文本对应的标准答案；

若是，则将所述标准答案向所述用户进行展示；

若否，则利用预先构建的智能问答模型，生成所述问题文本对应的预测答案，并将所述预测答案向所述用户进行展示。

2.根据权利要求1所述的方法，其特征在于，所述判断预先构建的知识库中是否存储有所述问题文本对应的标准答案，包括：

利用所述问题文本对应的切词结果，通过倒排索引对预先构建的知识库进行检索，得到检索结果；

根据所述检索结果，判断所述知识库中是否存储有所述问题文本对应的标准答案。

3.根据权利要求1至2任一项所述的方法，其特征在于，所述智能问答模型的构建方式如下：

获取用户的训练问题，并将所述训练问题转换为待处理的训练问题文本；

根据所述训练问题文本的文本特征以及所述训练问题文本对应的答案标签对初始智能问答模型进行训练，生成所述智能问答模型。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

获取用户的验证问题，并将所述验证问题转换为待处理的验证问题文本；

将所述验证问题文本的文本特征输入所述智能问答模型，预测出所述验证问题文本对应的验证答案；

当所述用户的验证问题的验证答案与所述用户的验证问题对应的答案标记结果不一致时，将所述用户的验证问题重新作为所述用户的训练问题，对所述智能问答模型进行更新。

5.一种智能问答的实现装置，其特征在于，包括：

接收单元，用于接收用户输入的问题，并将所述问题转换为待处理的问题文本；

判断单元，用于判断预先构建的知识库中是否存储有所述问题文本对应的标准答案；

展示单元，用于若判断出预先构建的知识库中存储有所述问题文本对应的标准答案，则将所述标准答案向所述用户进行展示；

生成单元，用于若判断出预先构建的知识库中未存储有所述问题文本对应的标准答案，则利用预先构建的智能问答模型，生成所述问题文本对应的预测答案，并将所述预测答案向所述用户进行展示。

6.根据权利要求5所述的装置，其特征在于，所述判断单元包括：

检索子单元，用于利用所述问题文本对应的切词结果，通过倒排索引对预先构建的知识库进行检索，得到检索结果；

判断子单元，用于根据所述检索结果，判断所述知识库中是否存储有所述问题文本对应的标准答案。

7.根据权利要求5至6任一项所述的装置，其特征在于，所述装置还包括：

第一获取单元，用于获取用户的训练问题，并将所述训练问题转换为待处理的训练问题文本；

训练单元，用于根据所述训练问题文本的文本特征以及所述训练问题文本对应的答案标签对初始智能问答模型进行训练，生成所述智能问答模型。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

第二获取单元，用于获取用户的验证问题，并将所述验证问题转换为待处理的验证问题文本；

预测单元，用于将所述验证问题文本的文本特征输入所述智能问答模型，预测出所述验证问题文本对应的验证答案；

更新单元，用于当所述用户的验证问题的验证答案与所述用户的验证问题对应的答案标记结果不一致时，将所述用户的验证问题重新作为所述用户的训练问题，对所述智能问答模型进行更新。

9.一种智能问答的实现设备，其特征在于，包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行权利要求1-4任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1-4任一项所述的方法。

Images