CN112667790A - 智能问答方法、装置、设备及存储介质 - Google Patents
智能问答方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112667790A CN112667790A CN202011511700.9A CN202011511700A CN112667790A CN 112667790 A CN112667790 A CN 112667790A CN 202011511700 A CN202011511700 A CN 202011511700A CN 112667790 A CN112667790 A CN 112667790A
- Authority
- CN
- China
- Prior art keywords
- question
- service
- initial
- standard
- answer
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000004220 aggregation Methods 0.000 claims abstract description 126
- 230000002776 aggregation Effects 0.000 claims abstract description 126
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 5
- 238000006116 polymerization reaction Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种智能问答方法、装置、设备及存储介质,包括:终端设备通过用户界面获取用于触发启动目标业务的用户操作数据,并确定初始业务问题;基于初始业务问题的语义分析,从标准问题库中确定出初始业务问题对应的初始标准问题、初始标准问题对应的初始标准回答以及初始标准问题所包含的业务特征标签;从问答知识聚合图谱中确定出与初始标准问题的语义关联的第一类关联问题集合,以及与初始标准问题所包含的业务特征标签关联的第二类关联问题集合;并将初始标准问题的初始标准回答、第一类关联问题集合以及第二关类联问题集合输出至启动目标业务的用户界面。采用本申请实施例,可提高智能问答系统的问答效率,优化用户体验。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种智能问答方法、装置、设备及存储介质。
背景技术
随着人工智能领域技术的发展,越来越多的企业通过线上问答系统为用户提供信息,包括对用户提出的问题进行解答并提供相关问题以供用户进行选择。其中,相关问题的提出通常依赖于工作人员自身的经验,有经验的工作人员可以更快意识到用户真正想要咨询的问题,及时提供相关问题并给予解答,这依赖于工作人员的经验,对于经验不足的工作人员而言,也有一定的局限性,适用性差。
发明内容
本申请实施例提供一种智能问答方法、装置、设备及存储介质,可提高智能问答系统的问答效率,优化用户体验。
第一方面,本申请实施例供了一种智能问答方法,该方法包括:
终端设备通过用户界面获取用于触发启动目标业务的用户操作数据,并确定上述用户操作数据所关联的初始业务问题;
基于上述初始业务问题的语义分析,从标准问题库中确定出上述初始业务问题对应的初始标准问题、上述初始标准问题对应的初始标准回答以及初始标准问题所包含的业务特征标签;
根据上述初始标准问题以及上述初始标准问题所包含的业务特征标签,从问答知识聚合图谱中确定出与上述初始标准问题的语义关联的第一类关联问题集合,以及与上述初始标准问题所包含的业务特征标签关联的第二类关联问题集合;
将上述初始标准问题的初始标准回答、上述第一类关联问题集合以及上述第二关类联问题集合确定为上述初始业务问题的回答文本,并将上述初始业务问题的回答文本输出至启动上述目标业务的用户界面。
在本申请实施例中,终端设备通过获取用户操作数据得到用户操作数据所关联的初始业务问题,基于对初始业务问题的语义分析,可以在标准问题库中确定出初始业务问题对应的初始标准问题,从而将初始业务问题规范化,简化后续针对初始业务问题进行分析的过程,同时确定出初始标准问题对应的初始标准回答以及初始标准问题所包含的业务特征标签。根据初始标准问题,可以从问答知识聚合图谱中确定出与初始标准问题的语义关联的第一类关联问题集合。这里,第一类关联问题集合,也即,在用户问答习惯中,与初始业务问题相关联的问题的集合。根据初始标准问题以及初始标准问题所包含的业务特征标签,可以从问答知识聚合图谱中确定出与初始标准问题所包含的业务特征标签关联的第二类关联问题集合。这里,第二类关联问题集合,也即,在业务特征标签对应的业务特征领域中,与初始业务问题相关联的问题的集合。将初始标准问题的初始标准回答、第一类关联问题集合以及第二关类联问题集合确定为初始业务问题的回答文本并输出至用户界面,可以在提供给用户初始业务问题对应的初始标准回答的同时,提供给用户接下来可能会提问的第一类关联问题集合,以及用户接下来可能要知道的第二类关联问题集合,从而优化用户体验,提高智能问答系统的问答效率。
结合第一方面,在一种可能的实施方式中,上述方法还包括:
从上述目标业务的业务数据库中获取多个业务数据,并确定各业务数据所关联的业务问题;
基于语义分析将上述各业务数据所关联的业务问题进行聚类得到多个标准问题,根据上述多个标准问题生成标准问题库。
在本申请实施例中,终端设备可以从目标业务的业务数据库中获取多个业务数据,确定各业务数据所关联的业务问题,并基于语义分析将各业务数据所关联的业务问题进行聚类得到多个标准问题,进而生成标准问题库。从而将业务问题规范化,简化后续问答过程中针对用户操作数据关联的初始业务问题进行分析的过程,提高问答效率。
结合第一方面,在一种可能的实施方式中,上述方法还包括:
从上述目标业务的业务数据库中获取多个历史业务数据,并确定上述多个历史业务数据中的多个历史用户数据和多个客服参考数据;
根据上述多个历史用户数据关联的历史业务问题,在上述标准问题库中确定出各历史业务问题对应的标准问题作为样本业务问题,并根据上述各历史业务问题的提问顺序确定各样本业务问题的提问顺序,根据上述各样本业务问题和上述各样本业务问题的提问顺序确定用户样本数据;
根据上述多个客服参考数据关联的参考业务问题,在上述标准问题库中确定出各参考业务问题对应标准问题作为客服样本问题,以及客服样本问题所包含的业务特征标签,根据上述客服样本问题和上述客服样本问题所包含的业务特征标签确定客服样本数据;
根据上述用户样本数据和上述客服样本数据构建问答知识聚合图谱。
结合第一方面,在一种可能的实施方式中,上述根据上述用户样本数据和上述客服样本数据构建问答知识聚合图谱包括:
通过上述用户样本数据中的各样本业务问题确定出上述问答知识聚合图谱中的问答聚合图谱的节点,通过上述各样本业务问题的提问顺序确定出上述问答聚合图谱的节点连接关系,将上述问答聚合图谱的节点按照上述问答聚合图谱的节点连接关系进行连接,以得到上述问答聚合图谱;
通过上述客服样本数据中的客服样本问题确定出上述问答知识聚合图谱中的知识聚合图谱的节点,通过上述客服样本问题所包含的业务特征标签确定出上述知识聚合图谱的节点连接关系,将上述问答聚合图谱的节点按照上述问答聚合图谱的节点连接关系进行连接,以得到上述知识聚合图谱。
在本申请实施例中,终端设备可以根据各样本业务问题和各样本业务问题的提问顺序,构建出问答聚合图谱,也即,基于用户问答习惯的业务问题数据构建出问答聚合图谱。终端设备可以根据客服样本问题和客服样本问题所包含的业务特征标签,构建出知识聚合图谱,也即,基于各业务特征领域内的业务问题数据构建出知识聚合图谱。使得终端设备可以通过问答知识聚合图谱,提供给用户接下来可能会提问的第一类关联问题集合,以及用户接下来可能要知道的第二类关联问题集合,从而优化用户体验,提高智能问答系统的问答效率。
结合第一方面,在一种可能的实施方式中,上述从问答知识聚合图谱中确定出与上述初始标准问题的语义关联的第一类关联问题集合包括:
从上述问答聚合图谱中确定出与上述初始标准问题的语义关联的初级第一类关联问题;
从上述问答聚合图谱中确定出与上述初级第一类关联问题语义关联的次级第一类关联问题,并从上述问答聚合图谱中确定出与上述次级第一类关联问题语义关联的次级第一类关联问题,直至任一级第一类关联问题的次级第一类关联问题中出现上述初始标准问题,以得到由各级第一关联问题组成的初始业务问题闭环;
基于上述初始业务问题闭环中包含的各级第一类关联问题,确定出上述初始标准问题的第一类关联问题集合。
结合第一方面,在一种可能的实施方式中,上述基于上述初始业务问题闭环中包含的各级第一类关联问题,确定出上述初始标准问题的第一类关联问题集合包括:
当上述初始业务问题闭环中包含的各级第一类关联问题的个数小于阈值时,将上述初始业务问题闭环中包含的各级第一类关联问题确定为上述初始标准问题的第一类关联问题集合。
结合第一方面,在一种可能的实施方式中,上述基于上述初始业务问题闭环中包含的各级第一类关联问题,确定出上述初始标准问题的第一类关联问题集合包括:
基于上述问答聚合图谱中上述初始业务问题闭环中包含的各级第一类关联问题与上述初始业务问题的连接概率,确定出上述初始业务问题闭环中包含的各级第一类关联问题出现在上述初始标准问题之后的连接概率;
根据上述初始业务问题闭环中出现在上述初始标准问题之后的连接概率大于阈值的第一类关联问题,确定上述初始标准问题的第一类关联问题集合。
在本申请实施例中,终端设备可以从问答聚合图谱中确定出与初始标准问题的语义关联的各级第一类关联问题,并得到初始业务问题闭环。终端设备可以通过初始问题闭环中包含的问题数量对初始业务问题闭环中的各级第一类关联问题进行筛选,也可以通过连接概率对初始业务问题闭环中的各级第一类关联问题进行筛选,将与初始标准问题语义关联程度过低的第一类关联问题剔除,避免过度关联,提高智能问答系统的问答效率。
第二方面,本申请实施例提供了一种智能问答装置,该装置包括:
问题获取模块,用于通过用户界面获取用于触发启动目标业务的用户操作数据,并确定上述用户操作数据所关联的初始业务问题;
语义分析模块,用于基于上述初始业务问题的语义分析,从标准问题库中确定出上述初始业务问题对应的初始标准问题、上述初始标准问题对应的初始标准回答以及初始标准问题所包含的业务特征标签;
关联聚合模块,用于根据上述初始标准问题以及上述初始标准问题所包含的业务特征标签,从问答知识聚合图谱中确定出与上述初始标准问题的语义关联的第一类关联问题集合,以及与上述初始标准问题所包含的业务特征标签关联的第二类关联问题集合;
结果输出模块,用于将上述初始标准问题的初始标准回答、上述第一类关联问题集合以及上述第二关类联问题集合确定为上述初始业务问题的回答文本,并将上述初始业务问题的回答文本输出至启动上述目标业务的用户界面。
结合第二方面,在一种可能的实施方式中,上述装置还包括:
标准问题库生成模块,用于从上述目标业务的业务数据库中获取多个业务数据,并确定各业务数据所关联的业务问题;
基于语义分析将上述各业务数据所关联的业务问题进行聚类得到多个标准问题,根据上述多个标准问题生成标准问题库。
结合第二方面,在一种可能的实施方式中,上述智能问答装置还包括图谱生成模块,上述图谱生成模块包括:
数据获取单元,用于从上述目标业务的业务数据库中获取多个历史业务数据,并确定上述多个历史业务数据中的多个历史用户数据和多个客服参考数据;
用户样本数据生成单元,用于根据上述多个历史用户数据关联的历史业务问题,在上述标准问题库中确定出各历史业务问题对应的标准问题作为样本业务问题,并根据上述各历史业务问题的提问顺序确定各样本业务问题的提问顺序,根据上述各样本业务问题和上述各样本业务问题的提问顺序确定用户样本数据;
客服样本数据生成单元,用于根据上述多个客服参考数据关联的参考业务问题,在上述标准问题库中确定出各参考业务问题对应标准问题作为客服样本问题,以及客服样本问题所包含的业务特征标签,根据上述客服样本问题和上述客服样本问题所包含的业务特征标签确定客服样本数据。
结合第二方面,在一种可能的实施方式中,上述图谱生成模块包括:
问答聚合图谱生成单元,用于通过上述用户样本数据中的各样本业务问题确定出上述问答知识聚合图谱中的问答聚合图谱的节点,通过上述各样本业务问题的提问顺序确定出上述问答聚合图谱的节点连接关系,将上述问答聚合图谱的节点按照上述问答聚合图谱的节点连接关系进行连接,以得到上述问答聚合图谱;
知识聚合图谱生成单元,用于通过上述用户样本数据中的各样本业务问题确定出上述问答知识聚合图谱中的问答聚合图谱的节点,通过上述各样本业务问题的提问顺序确定出上述问答聚合图谱的节点连接关系,将上述问答聚合图谱的节点按照上述问答聚合图谱的节点连接关系进行连接,以得到上述问答聚合图谱。
结合第二方面,在一种可能的实施方式中,上述关联聚合模块包括:
闭环生成单元,用于从上述问答聚合图谱中确定出与上述初始标准问题的语义关联的初级第一类关联问题,从上述问答聚合图谱中确定出与上述初级第一类关联问题语义关联的次级第一类关联问题,并从上述问答聚合图谱中确定出与上述次级第一类关联问题语义关联的次级第一类关联问题,直至任一级第一类关联问题的次级第一类关联问题中出现上述初始标准问题,以得到由各级第一关联问题组成的初始业务问题闭环,并基于上述初始业务问题闭环中包含的各级第一类关联问题,确定出上述初始标准问题的第一类关联问题集合。
结合第二方面,在一种可能的实施方式中,上述关联聚合模块包括:
闭环确认单元,用于当上述初始业务问题闭环中包含的各级第一类关联问题的个数小于阈值时,将上述初始业务问题闭环中包含的各级第一类关联问题确定为上述初始标准问题的第一类关联问题集合。
结合第二方面,在一种可能的实施方式中,上述关联聚合模块包括:
第一类关联问题确认单元,用于基于上述问答聚合图谱中上述初始业务问题闭环中包含的各级第一类关联问题与上述初始业务问题的连接概率,确定出上述初始业务问题闭环中包含的各级第一类关联问题出现在上述初始标准问题之后的连接概率,根据上述初始业务问题闭环中出现在上述初始标准问题之后的连接概率大于阈值的第一类关联问题,确定上述初始标准问题的第一类关联问题集合。
第三方面,本申请实施例提供了一种终端设备,该终端设备包括处理器和存储器,该处理器和存储器相互连接。该存储器用于存储支持该终端设备执行上述第一方面和/或第一方面任一种可能的实现方式提供的方法的计算机程序,该计算机程序包括程序指令,该处理器被配置用于调用上述程序指令,执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,该计算机存储介质存储有计算机程序,该计算机程序包括程序指令,该程序指令当被处理器执行时使该处理器执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。
在本申请实施例中,终端设备通过获取用户操作数据得到用户操作数据所关联的初始业务问题,基于对初始业务问题的语义分析,可以在标准问题库中确定出初始业务问题对应的初始标准问题,从而将初始业务问题规范化,简化后续针对初始业务问题进行分析的过程,同时确定出初始标准问题对应的初始标准回答以及初始标准问题所包含的业务特征标签。根据初始标准问题,可以从问答知识聚合图谱中确定出与初始标准问题的语义关联的第一类关联问题集合。这里,第一类关联问题集合,也即,在用户问答习惯中,与初始业务问题相关联的问题的集合。根据初始标准问题以及初始标准问题所包含的业务特征标签,可以从问答知识聚合图谱中确定出与初始标准问题所包含的业务特征标签关联的第二类关联问题集合。这里,第二类关联问题集合,也即,在业务特征标签对应的业务特征领域中,与初始业务问题相关联的问题的集合。将初始标准问题的初始标准回答、第一类关联问题集合以及第二关类联问题集合确定为初始业务问题的回答文本并输出至用户界面,可以在提供给用户初始业务问题对应的初始标准回答的同时,提供给用户接下来可能会提问的第一类关联问题集合,以及用户接下来可能要知道的第二类关联问题集合,从而优化用户体验,提高智能问答系统的问答效率。
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,下面描述中的附图仅仅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是本申请实施例提供的智能问答方法的一流程示意图;
图2是本申请实施例提供的构建问答知识聚合图谱的流程示意图;
图3是本申请实施例提供的问答聚合图谱的结构示意图;
图4是本申请实施例提供的智能问答方法的另一流程示意图;
图5是本申请实施例提供的智能问答装置的结构示意图;
图6是本申请实施例提供的智能问答装置的另一结构示意图;
图7是本申请实施例提供的终端设备的结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
目前,利用人工智能技术对某个领域的信息进行智能问答系统的构建,可以更好地推动该领域的技术发展。例如在保险领域,对保险业务信息进行智能问答系统构建,可以帮助人们快速了解某种保险的适用人群,保护范围,理赔范围以及理赔方式等信息。智能问答系统的适用范围非常广泛,本申请仅以在保险领域对保险业务信息的智能问答系统构建作为应用场景进行说明,对其他领域或保险领域的其他信息进行智能问答系统构建与本申请提供的实施例本质相同,在此不再赘述。以保险领域的客服智能问答系统为具体应用场景为例,当用户在终端设备上的用户界面,通过点击触发目标业务(即智能问答业务)时,终端设备可以获取用户操作数据,并确定用户操作数据所关联的初始业务问题(也即,用户在用户界面输入的初始业务问题)。例如,终端设备获取用户操作数据,并确定初始业务问题(十八岁投保哪种车险比较好?)。随后,终端设备可以对初始业务问题进行语义分析,在标准问题库中确定出初始业务问题对应的初始标准问题(十八岁可投保的车险种类),并得到初始标准问题(十八岁可投保的车险种类)对应的标准回答(十八岁可投保第一车险、第二车险等),以及初始标准问题(十八岁可投保的车险种类)所包含的业务特征标签(“车险种类”和“投保年龄”)。终端设备可以将初始标准问题以及初始标准问题所包含的业务特征标签输入至问答知识聚合图谱,通过问答知识聚合图谱中的问答聚合图谱,基于初始标准问题(十八岁可投保的车险种类)得到与初始标准问题的语义关联的第一类关联问题集合(例如,第一类关联问题1,第一类关联问题2),也即,得到在用户问答习惯中,与初始业务问题相关联的问题的集合。例如,第一类关联问题集合可以包括:第一类关联问题1(第一车险的保护范围),以及第一类关联问题2(第二车险的保护范围)等。通过问答知识聚合图谱中的知识聚合图谱,基于初始标准问题(十八岁可投保的车险种类)所包含的业务特征标签(“车险种类”和“投保年龄”)得到与初始标准问题所包含的业务特征标签关联的第二类关联问题集合(例如,第二类关联问题1,第二类关联问题2),也即,在业务特征标签对应的业务特征领域中,与初始业务问题相关联的问题的集合。例如,第二类关联问题集合可以包括:第二类关联问题1(十八岁可享受的车险理赔范围),以及第二类关联问题2(十八岁可享受的车险理赔方式)等。随后终端设备可以将初始标准问题的初始标准回答、第一类关联问题集合以及第二关类联问题集合确定为初始业务问题的回答文本,并将初始业务问题的回答文本输出至启动目标业务的用户界面。可选地,终端设备可以获取用户在用户界面的后续操作,从而继续智能问答任务或者结束智能问答任务。
请参阅图1,图1是本申请实施例提供的智能问答方法的一流程示意图。本申请实施例提供的方法可包括终端设备通过用户界面获取用于触发启动目标业务的用户操作数据,并确定用户操作数据所关联的初始业务问题;基于初始业务问题的语义分析,从标准问题库中确定出初始业务问题对应的初始标准问题、初始标准问题对应的初始标准回答以及初始标准问题所包含的业务特征标签;根据初始标准问题以及初始标准问题所包含的业务特征标签,从问答知识聚合图谱中确定出与初始标准问题的语义关联的第一类关联问题集合,以及与初始标准问题所包含的业务特征标签关联的第二类关联问题集合;将初始标准问题的初始标准回答、第一类关联问题集合以及第二关类联问题集合确定为初始业务问题的回答文本,并将初始业务问题的回答文本输出至启动目标业务的用户界面。在本申请实施例中,为表述方便,下面将以保险系统的智能问答系统作为智能问答系统,以终端设备为本申请的执行主体,对本申请实施例提供的智能问答方法及装置进行示例说明。
本申请实施例提供的方法可包括如下步骤:
S101:终端设备通过用户界面获取用于触发启动目标业务的用户操作数据,并确定用户操作数据所关联的初始业务问题。
在一些可行的实施方式中,当用户在终端设备上的用户界面,通过点击触发目标业务(即智能问答业务)时,终端设备可以获取用户操作数据,并确定用户操作数据所关联的初始业务问题(也即,用户在用户界面输入的初始业务问题)。例如,终端设备可以获取用户点击触发智能问答业务以及输入问题的用户操作数据,确定初始业务问题。初始业务问题为:十八岁投保哪种车险比较好?具体可根据实际应用场景确定,在此不做限制。
S102:基于初始业务问题的语义分析,从标准问题库中确定出初始业务问题对应的初始标准问题、初始标准问题对应的初始标准回答以及初始标准问题所包含的业务特征标签。
在一些可行的实施方式中,终端设备可以对初始业务问题进行语义分析,在标准问题库中确定出初始业务问题对应的初始标准问题(十八岁可投保的车险种类),并得到初始标准问题(十八岁可投保的车险种类)对应的标准回答(十八岁可投保第一车险、第二车险等),以及初始标准问题(十八岁可投保的车险种类)所包含的业务特征标签(“车险种类”和“投保年龄”)。其中,标准问题库由多个标准问题构建得到,标准问题库中的每个标准问题都具有自己的业务特征标签。
在一些可行的实施方式中,终端设备可以从目标业务的业务数据库中获取多个业务数据,确定各业务数据所关联的业务问题。之后,终端设备可以对这些业务问题进行语义分析,将各业务问题按照问题意图进行聚类,也即,将问题意图相同但提问方法不同的业务问题归为一类标准问题,从而得到多个标准问题。在得到多个标准问题之后,终端设备可以基于业务数据确定各标准问题对应的标准回答,同时对这些标准问题进行关键词提取,得到各标准问题包含的业务特征标签,从而生成标准问题库。其中,业务特征标签可以基于业务数据关联的业务问题所对应的关键词归类得到,也可以基于业务数据库所属的业务领域(例如,保险领域)的业务特征(保险种类、投保年龄、理赔范围、理赔方式等)得到。
在一些可行的实施方式中,终端设备可以将各业务数据进行标注,比如业务数据1(问:十八岁投保哪种车险比较好,答:十八岁可投保的车险包括第一车险、第二车险等)和业务数据2(问:十八岁可投保的车险种类,答:十八岁可投保第一车险、第二车险等)进行标注,得到标注后的业务数据1(十八岁投保哪种车险比较好//车险种类/投保年龄//十八岁可投保的车险包括第一车险、第二车险,等)以及标注后的业务数据2(十八岁可投保的车险种类//车险种类/投保年龄//十八岁可投保第一车险、第二车险等)。终端设备可以对标注后的业务数据1和标注后的业务数据2进行语义识别,得到标注后的业务数据1的问题意图(十八岁可投保的车险)以及标注后的业务数据2的问题意图(十八岁可投保的车险),将标注后的业务数据1和标注后的业务数据2聚类为统一类别,并选取出现频率最高的标注后的业务数据2的问题部分作为此类问题意图(十八岁可投保的车险)的标准问题(十八岁可投保的车险种类),同时将标注后的业务数据2的业务特征标签部分作为该标准问题(十八岁可投保的车险种类)的业务特征标签(车险种类、投保年龄),并标注后的业务数据2的回答部分作为该标准问题(十八岁可投保的车险种类)对应的标准回答(十八岁可投保第一车险、第二车险等)。
S103:根据初始标准问题以及初始标准问题所包含的业务特征标签,从问答知识聚合图谱中确定出与初始标准问题的语义关联的第一类关联问题集合,以及与初始标准问题所包含的业务特征标签关联的第二类关联问题集合。
在一些可行的实施方式中,终端设备可以将初始标准问题以及初始标准问题所包含的业务特征标签输入至问答知识聚合图谱,通过问答知识聚合图谱中的问答聚合图谱,基于初始标准问题(十八岁可投保的车险种类)得到与初始标准问题的语义关联的第一类关联问题集合(例如,第一类关联问题1,第一类关联问题2),也即,得到在用户问答习惯中,与初始业务问题相关联的问题的集合。例如,第一类关联问题集合可以包括:第一类关联问题1(第一车险的保护范围),以及第一类关联问题2(第二车险的保护范围)等。通过问答知识聚合图谱中的知识聚合图谱,基于初始标准问题(十八岁可投保的车险种类)所包含的业务特征标签(“车险种类”和“投保年龄”)得到与初始标准问题所包含的业务特征标签关联的第二类关联问题集合(例如,第二类关联问题1,第二类关联问题2),也即,在业务特征标签对应的业务特征领域中,与初始业务问题相关联的问题的集合。例如,第二类关联问题集合可以包括:第二类关联问题1(十八岁可享受的车险理赔范围),以及第二类关联问题2(十八岁可享受的车险理赔方式)等。
在一些可行的实施方式中,请一并参阅图2,图2是本申请实施例提供的构建问答知识聚合图谱的流程示意图。上述构建问答知识聚合图谱的方法可包括如下步骤S201至S205中各个步骤所提供的实现方式。
S201:从目标业务的业务数据库中获取多个历史业务数据,并确定多个历史业务数据中的多个历史用户数据和多个客服参考数据。
S202:根据多个历史用户数据关联的历史业务问题,在标准问题库中确定出各历史业务问题对应的标准问题作为样本业务问题,并根据各历史业务问题的提问顺序确定各样本业务问题的提问顺序,根据各样本业务问题和各样本业务问题的提问顺序确定用户样本数据。
S203:根据多个客服参考数据关联的参考业务问题,在标准问题库中确定出各参考业务问题对应标准问题作为客服样本问题,以及客服样本问题所包含的业务特征标签,根据客服样本问题和客服样本问题所包含的业务特征标签确定客服样本数据。
在一些可行的实施方式中,终端设备可以在目标业务的业务数据库中获取多个历史用户数据和多个客服参考数据。终端设备可以基于历史用户数据得到符合用户提问习惯的样本业务问题(也即,历史业务问题在标准问题库中对应得到的样本业务问题)。样本业务问题有着基于用户提问习惯的提问顺序,按照提问顺序,存在语义关联的历史业务问题通常可以构成一个有向的闭环。终端设备可以基于客服参考数据得到符合领域知识的客服样本问题(也即,参考业务问题再标准问题库中对应得到的客服样本问题)。其中,客服样本问题可以是相关领域客服提供的容易被用户忽略,但用户可能需要知道的问题,存在关联的客服样本问题通常具有相同或者相似的业务特征标签。
S204:通过用户样本数据中的各样本业务问题确定出问答知识聚合图谱中的问答聚合图谱的节点,通过各样本业务问题的提问顺序确定出问答聚合图谱的节点连接关系,将问答聚合图谱的节点按照问答聚合图谱的节点连接关系进行连接,以得到问答聚合图谱。
在一些可行的实施方式中,终端设备利用用户样本数据对问答聚合图谱进行构建,可以在问答聚合图谱中构建以各样本业务问题为节点,以各样本业务问题的提问顺序为边的有向图。也即,将一个用户样本数据中的一个样本业务问题作为vi,将该用户样本数据中用户在vi之后提出的下一个样本业务问题作为vi的一个第一类关联问题vi1。将所有用户样本数据中用户在vi之后提出的下一个业务样本问题作为vi的第一类关联问题,以得到业务样本问题vi的第一类关联问题集合Vi={vij,i∈N,j∈N}。在问答聚合图谱中,以业务样本问题vi和Vi中的所有第一类关联问题vij为节点,以业务样本问题vi和业务样本问题vi的第一类关联问题vij的提问顺序为边构建有向图。其中,各个边以业务样本问题vi为起点,以业务样本问题vi的各第一类关联问题为终点,从而使得终端设备可以根据构建后的问答聚合图谱,得到业务样本问题的第一类关联问题集合(也即,按照提问顺序,用户接下来可能会想要提问的问题)。
在一些可行的方式中,对于业务样本问题vi的第一类关联问题vij,可以将用户样本数据中vi与vij先后出现次数记录为Cij,由此得到从业务样本问题vi指向第一类关联问题vij的边<vi,vij>的连接概率wij。
在一些可行的方式中,此时得到的问答知识聚合图谱对于新增或者冷门的知识不够友好,难以找出较少或没有访问记录的用户样本数据之间的关联性。终端设备可以在获取多组样本信息的过程中,对每一个业务样本问题构造该业务样本问题的隐向量,利用每一个业务样本问题对应的各第一类关联问题的连接概率构建问答聚合图谱,从而可以通过冷门业务样本问题的隐向量得到冷门业务样本问题的第一类关联问题。
具体地,构造业务样本问题vi的隐向量hi,以及第一类关联问题vij的隐向量hij,并根据从业务样本问题vi指向第一类关联问题vij的边<vi,vij>的连接概率构建问答聚合图谱,使得问答聚合图谱的损失函数达到最小,并基于冷门业务样本问题的隐向量,得到冷门业务样本问题的第一类关联问题。
在一些可行的实施方式中,请一并参阅图3,图3是本申请实施例提供的问答聚合图谱的结构示意图。因为样本业务问题都属于标准问题,本质上问答聚合图谱中的所有节点都可以用标准问题进行表述,为描述方便,将以标准问题来表示问答聚合图谱的节点。
如图3所示,A1、A2、A3、A4和A5分别代表标准问题A1、标准问题A2、标准问题A3、标准问题A4以及标准问题A5。标准问题A2和标准问题A3是标准问题A1的初级第一类关联问题。标准问题A3是标准问题A2的次级第一类关联问题,标准问题A4是标准问题A3的次级第一类关联问题。标准问题A5和标准问题A1是标准问题A4的次级第一类关联问题。标准问题A1是标准问题A5的次级第一类关联问题。其中,标准问题A1、标准问题A3和标准问题A4构成了初始标准问题闭环1(包含3个标准问题)。标准问题A1、标准问题A2、标准问题A3和标准问题A4构成了初始标准问题闭环2(包含4个标准问题)。标准问题A1、标准问题A3、标准问题A4和标准问题A5构成了初始标准问题闭环3(包含4个标准问题)。标准问题A1、标准问题A2、标准问题A3、标准问题A4和标准问题A5构成了初始标准问题闭环4(包含5个标准问题)。
S205:通过客服样本数据中的客服样本问题确定出问答知识聚合图谱中的知识聚合图谱的节点,通过客服样本问题所包含的业务特征标签确定出知识聚合图谱的节点连接关系,将问答聚合图谱的节点按照问答聚合图谱的节点连接关系进行连接,以得到知识聚合图谱。
在一些可行的实施方式中,终端设备利用客服样本数据对知识聚合图谱进行训练,可以在知识聚合图谱中构建以各客服样本问题为节点,以各客服样本问题包含的业务特征标签为边的无向图。也即,将一个客服样本数据中的一个客服样本问题作为ui,客服样本问题ui的业务特征标签为Ai,其中,Ai包括多个子业务特征标签aij。将所有客服样本数据中包括子业务特征标签aij的客服样本问题作为ui的第二类关联问题uij,以得到客服样本问题ui的第二类关联问题集合Ui={uij,i∈N,j∈N}。在知识聚合图谱中,以客服样本问题ui和Ui中的所有第二类关联问题uij为节点,以客服样本问题ui和客服样本问题ui的第二类关联问题uij的连接为边构建无向图。其中,边的一个端点是客服样本问题ui,另一个端点是客服样本问题ui的第二类关联问题uij。从而使得终端设备可以通过训练后的知识聚合图谱,基于客服样本问题以及客服样本问题包含的业务特征标签,得到目标客服样本问题的第二类关联问题集合(按照客服样本问题包含的业务特征标签,用户接下来可能会想要提问的问题)。
S104:将初始标准问题的初始标准回答、第一类关联问题集合以及第二关类联问题集合确定为初始业务问题的回答文本,并将初始业务问题的回答文本输出至启动目标业务的用户界面。
在一些可行的实施方式中,终端设备可以将初始标准问题的初始标准回答(十八岁可投保第一车险、第二车险等)、第一类关联问题集合(例如,第一类关联问题1,第一类关联问题2等)以及第二关类联问题集合(例如,第二类关联问题1,第二类关联问题2等)确定为初始业务问题的回答文本,并将初始业务问题的回答文本输出至启动目标业务的用户界面。其中,第一类关联问题集合包括:第一类关联问题1(第一车险的保护范围),以及第一类关联问题2(第二车险的保护范围)等。第二类关联问题集合包括:第二类关联问题1(十八岁可享受的车险理赔范围),以及第二类关联问题2(十八岁可享受的车险理赔方式)等。
可选地,终端设备可以获取用户在用户界面的后续操作,从而继续智能问答任务或者结束智能问答任务。
在本申请实施例中,终端设备通过获取用户操作数据得到用户操作数据所关联的初始业务问题,基于对初始业务问题的语义分析,可以在标准问题库中确定出初始业务问题对应的初始标准问题,从而将初始业务问题规范化,简化后续针对初始业务问题进行分析的过程,同时确定出初始标准问题对应的初始标准回答以及初始标准问题所包含的业务特征标签。根据初始标准问题,可以从问答知识聚合图谱中确定出与初始标准问题的语义关联的第一类关联问题集合。这里,第一类关联问题集合,也即,在用户问答习惯中,与初始业务问题相关联的问题的集合。根据初始标准问题以及初始标准问题所包含的业务特征标签,可以从问答知识聚合图谱中确定出与初始标准问题所包含的业务特征标签关联的第二类关联问题集合。这里,第二类关联问题集合,也即,在业务特征标签对应的业务特征领域中,与初始业务问题相关联的问题的集合。将初始标准问题的初始标准回答、第一类关联问题集合以及第二关类联问题集合确定为初始业务问题的回答文本并输出至用户界面,可以在提供给用户初始业务问题对应的初始标准回答的同时,提供给用户接下来可能会提问的第一类关联问题集合,以及用户接下来可能要知道的第二类关联问题集合,从而优化用户体验,提高智能问答系统的问答效率。
请参阅图4,图4是本申请实施例提供的智能问答方法的另一流程示意图。
S301:终端设备通过用户界面获取用于触发启动目标业务的用户操作数据,并确定用户操作数据所关联的初始业务问题。
在一些可行的实施方式中,当用户在终端设备上的用户界面,通过点击触发目标业务(即智能问答业务)时,终端设备可以获取用户操作数据,并确定用户操作数据所关联的初始业务问题(也即,用户在用户界面输入的初始业务问题)。例如,终端设备可以获取用户点击触发智能问答业务以及输入问题的用户操作数据,确定初始业务问题。初始业务问题为:十八岁投保哪种车险比较好?具体可根据实际应用场景确定,在此不做限制。
S302:基于初始业务问题的语义分析,从标准问题库中确定出初始业务问题对应的初始标准问题、初始标准问题对应的初始标准回答以及初始标准问题所包含的业务特征标签。
在一些可行的实施方式中,终端设备可以对初始业务问题进行语义分析,在标准问题库中确定出初始业务问题对应的初始标准问题(十八岁可投保的车险种类),并得到初始标准问题(十八岁可投保的车险种类)对应的标准回答(十八岁可投保第一车险、第二车险等),以及初始标准问题(十八岁可投保的车险种类)所包含的业务特征标签(“车险种类”和“投保年龄”)。其中,标准问题库由多个标准问题构建得到,标准问题库中的每个标准问题都具有自己的业务特征标签。
S303:从问答聚合图谱中确定出与初始标准问题的语义关联的初级第一类关联问题。
S304:从问答聚合图谱中确定出与初级第一类关联问题语义关联的次级第一类关联问题,并从问答聚合图谱中确定出与次级第一类关联问题语义关联的次级第一类关联问题,直至任一级第一类关联问题的次级第一类关联问题中出现初始标准问题,以得到由各级第一关联问题组成的初始业务问题闭环。
因为初始标准问题、以及初始标准问题的各级第一类关联问题都属于标准问题,本质上问答聚合图谱中的所有节点都可以用标准问题进行表述,为描述方便,将以标准问题来表示问答聚合图谱的节点,以初始业务问题闭环作为前文中初始标准问题闭环的等同表示。
如图3所示,A1、A2、A3、A4和A5分别代表标准问题A1、标准问题A2、标准问题A3、标准问题A4以及标准问题A5。终端设备可以从问答聚合图谱中确定出与初始标准问题(标准问题A1)的语义关联的初级第一类关联问题(标准问题A2、标准问题A3)。终端设备可以从问答聚合图谱中确定出与初级第一类关联问题(标准问题A2、标准问题A3)的语义关联的次级第一类关联问题(标准问题A3、标准问题A4),并从问答聚合图谱中确定出与次级第一类关联问题(标准问题A3、标准问题A4)语义关联的次级第一类关联问题(标准问题A4、标准问题A5),直至任一级第一类关联问题(标准问题A4、标准问题A5)的次级第一类关联问题中出现初始标准问题,以得到由各级第一关联问题组成的初始业务问题闭环。也即,标准问题A1、标准问题A3和标准问题A4构成的初始业务问题闭环1(包含2个第一类关联问题)。标准问题A1、标准问题A2、标准问题A3和标准问题A4构成的初始业务问题闭环2(包含3个第一类关联问题)。标准问题A1、标准问题A3、标准问题A4和标准问题A5构成的初始业务问题闭环3(包含3个第一类关联问题)。标准问题A1、标准问题A2、标准问题A3、标准问题A4和标准问题A5构成的初始业务问题闭环4(包含4个第一类关联问题)。
在一些可行的实施方式中,终端设备可以基于问答聚合图谱中初始业务问题闭环中包含的各级第一类关联问题与初始业务问题的连接概率,确定出初始业务问题闭环中包含的各级第一类关联问题出现在初始标准问题之后的连接概率。根据初始业务问题闭环中出现在初始标准问题之后的连接概率大于阈值的第一类关联问题,确定初始标准问题的第一类关联问题集合。
在一些可行的实施方式中,终端设备可以将初始标准问题以及初始标准问题所包含的业务特征标签输入至问答知识聚合图谱,通过问答知识聚合图谱中的问答聚合图谱,基于初始标准问题(十八岁可投保的车险种类)得到与初始标准问题的语义关联的第一类关联问题集合(例如,第一类关联问题1,第一类关联问题2),也即,得到在用户问答习惯中,与初始业务问题相关联的问题的集合。例如,第一类关联问题集合包括:第一类关联问题1(第一车险的保护范围),以及第一类关联问题2(第二车险的保护范围)等。
S305:基于初始业务问题闭环中包含的各级第一类关联问题数量,确定出初始标准问题的第一类关联问题集合。
在一些可行的实施方式中,为了避免过度关联,终端设备可以在初始业务问题闭环中包含的各级第一类关联问题的个数小于阈值时,将初始业务问题闭环中包含的各级第一类关联问题确定为初始标准问题的第一类关联问题集合。例如,终端设备可以将初始业务问题闭环中包含的各级第一类关联问题的个数的阈值设置为3。由前文可知,只有初始业务问题闭环1中的第一类关联问题数量满足条件,故而将初始业务问题闭环1中包含的第一类关联问题确定为初始标准问题的第一类关联问题集合(标准问题A3、标准问题A4)。
在一些可行的实施方式中,终端设备可以基于问答聚合图谱中初始业务问题闭环中包含的各级第一类关联问题与初始业务问题的连接概率,确定出初始业务问题闭环中包含的各级第一类关联问题出现在初始标准问题之后的连接概率,并根据初始业务问题闭环中出现在初始标准问题之后的连接概率大于阈值的第一类关联问题,确定初始标准问题的第一类关联问题集合。
S306:根据初始标准问题以及初始标准问题所包含的业务特征标签,从知识聚合图谱中确定出与初始标准问题所包含的业务特征标签关联的第二类关联问题集合。
在一些可行的实施方式中,终端设备可以通过问答知识聚合图谱中的知识聚合图谱,基于初始标准问题(十八岁可投保的车险种类)所包含的业务特征标签(“车险种类”和“投保年龄”)得到与初始标准问题所包含的业务特征标签关联的第二类关联问题集合(例如,第二类关联问题1,第二类关联问题2),也即,在业务特征标签对应的业务特征领域中,与初始业务问题相关联的问题的集合。例如,第二类关联问题集合包括:第二类关联问题1(十八岁可享受的车险理赔范围),以及第二类关联问题2(十八岁可享受的车险理赔方式)等。
S307:将初始标准问题的初始标准回答、第一类关联问题集合以及第二关类联问题集合确定为初始业务问题的回答文本,并将初始业务问题的回答文本输出至启动目标业务的用户界面。
在一些可行的实施方式中,终端设备可以将初始标准问题的初始标准回答(十八岁可投保第一车险、第二车险等)、第一类关联问题集合(例如,第一类关联问题1,第一类关联问题2等)以及第二关类联问题集合(例如,第二类关联问题1,第二类关联问题2等)确定为初始业务问题的回答文本,并将初始业务问题的回答文本输出至启动目标业务的用户界面。其中,第一类关联问题集合包括:第一类关联问题1(第一车险的保护范围),以及第一类关联问题2(第二车险的保护范围)等。第二类关联问题集合包括:第二类关联问题1(十八岁可享受的车险理赔范围),以及第二类关联问题2(十八岁可享受的车险理赔方式)等。
可选地,终端设备可以获取用户在用户界面的后续操作,从而继续智能问答任务或者结束智能问答任务。
在本申请实施例中,终端设备可以从问答聚合图谱中确定出与初始标准问题的语义关联的各级第一类关联问题,并得到初始业务问题闭环。终端设备可以通过初始问题闭环中包含的问题数量对初始业务问题闭环中的各级第一类关联问题进行筛选,也可以通过连接概率对初始业务问题闭环中的各级第一类关联问题进行筛选,将与初始标准问题语义关联程度过低的第一类关联问题剔除,避免过度关联,提高智能问答系统的问答效率。
请参阅图5,图5是本申请实施例提供的智能问答装置的结构示意图,该装置包括:
问题获取模块401,用于通过用户界面获取用于触发启动目标业务的用户操作数据,并确定上述用户操作数据所关联的初始业务问题。
在一些可行的实施方式中,当用户在问题获取模块401上的用户界面,通过点击触发目标业务(即智能问答业务)时,问题获取模块401可以获取用户操作数据,并确定用户操作数据所关联的初始业务问题(也即,用户在用户界面输入的初始业务问题)。例如,问题获取模块401可以获取用户点击触发智能问答业务以及输入问题的用户操作数据,确定初始业务问题。初始业务问题为:十八岁投保哪种车险比较好?具体可根据实际应用场景确定,在此不做限制。
语义分析模块402,用于基于上述初始业务问题的语义分析,从标准问题库中确定出上述初始业务问题对应的初始标准问题、上述初始标准问题对应的初始标准回答以及初始标准问题所包含的业务特征标签。
在一些可行的实施方式中,语义分析模块402可以对初始业务问题进行语义分析,在标准问题库中确定出初始业务问题对应的初始标准问题(十八岁可投保的车险种类),并得到初始标准问题(十八岁可投保的车险种类)对应的标准回答(十八岁可投保第一车险、第二车险等),以及初始标准问题(十八岁可投保的车险种类)所包含的业务特征标签(“车险种类”和“投保年龄”)。其中,标准问题库由多个标准问题构建得到,标准问题库中的每个标准问题都具有自己的业务特征标签。
在一些可行的实施方式中,请参阅图6,图6是本申请实施例提供的智能问答装置的另一结构示意图,上述智能问答装置还包括:
标准问题库生成模块412,用于从上述目标业务的业务数据库中获取多个业务数据,并确定各业务数据所关联的业务问题,基于语义分析将上述各业务数据所关联的业务问题进行聚类得到多个标准问题,根据上述多个标准问题生成标准问题库。
关联聚合模块403,用于根据上述初始标准问题以及上述初始标准问题所包含的业务特征标签,从问答知识聚合图谱中确定出与上述初始标准问题的语义关联的第一类关联问题集合,以及与上述初始标准问题所包含的业务特征标签关联的第二类关联问题集合。
在一些可行的实施方式中,关联聚合模块403可以将初始标准问题以及初始标准问题所包含的业务特征标签输入至问答知识聚合图谱,通过问答知识聚合图谱中的问答聚合图谱,基于初始标准问题(十八岁可投保的车险种类)得到与初始标准问题的语义关联的第一类关联问题集合(例如,第一类关联问题1,第一类关联问题2),也即,得到在用户问答习惯中,与初始业务问题相关联的问题的集合。例如,第一类关联问题集合可以包括:第一类关联问题1(第一车险的保护范围),以及第一类关联问题2(第二车险的保护范围)等。通过问答知识聚合图谱中的知识聚合图谱,基于初始标准问题(十八岁可投保的车险种类)所包含的业务特征标签(“车险种类”和“投保年龄”)得到与初始标准问题所包含的业务特征标签关联的第二类关联问题集合(例如,第二类关联问题1,第二类关联问题2),也即,在业务特征标签对应的业务特征领域中,与初始业务问题相关联的问题的集合。例如,第二类关联问题集合可以包括:第二类关联问题1(十八岁可享受的车险理赔范围),以及第二类关联问题2(十八岁可享受的车险理赔方式)等。
在一些可行的实施方式中,如图6所示,上述智能问答装置还包括图谱生成模块413,上述图谱生成模块413包括:
数据获取单元4130,用于从上述目标业务的业务数据库中获取多个历史业务数据,并确定上述多个历史业务数据中的多个历史用户数据和多个客服参考数据;
用户样本数据生成单元4131,用于根据上述多个历史用户数据关联的历史业务问题,在上述标准问题库中确定出各历史业务问题对应的标准问题作为样本业务问题,并根据上述各历史业务问题的提问顺序确定各样本业务问题的提问顺序,根据上述各样本业务问题和上述各样本业务问题的提问顺序确定用户样本数据;
客服样本数据生成单元4132,用于根据上述多个客服参考数据关联的参考业务问题,在上述标准问题库中确定出各参考业务问题对应标准问题作为客服样本问题,以及客服样本问题所包含的业务特征标签,根据上述客服样本问题和上述客服样本问题所包含的业务特征标签确定客服样本数据。
在一些可行的实施方式中,如图6所示,上述图谱生成模块413包括:
问答聚合图谱生成单元4133,用于通过上述用户样本数据中的各样本业务问题确定出上述问答知识聚合图谱中的问答聚合图谱的节点,通过上述各样本业务问题的提问顺序确定出上述问答聚合图谱的节点连接关系,将上述问答聚合图谱的节点按照上述问答聚合图谱的节点连接关系进行连接,以得到上述问答聚合图谱;
知识聚合图谱生成单元4134,用于通过上述用户样本数据中的各样本业务问题确定出上述问答知识聚合图谱中的问答聚合图谱的节点,通过上述各样本业务问题的提问顺序确定出上述问答聚合图谱的节点连接关系,将上述问答聚合图谱的节点按照上述问答聚合图谱的节点连接关系进行连接,以得到上述问答聚合图谱。
在一些可行的实施方式中,如图6所示,上述关联聚合模块403包括:
闭环生成单元4031,用于从上述问答聚合图谱中确定出与上述初始标准问题的语义关联的初级第一类关联问题,从上述问答聚合图谱中确定出与上述初级第一类关联问题语义关联的次级第一类关联问题,并从上述问答聚合图谱中确定出与上述次级第一类关联问题语义关联的次级第一类关联问题,直至任一级第一类关联问题的次级第一类关联问题中出现上述初始标准问题,以得到由各级第一关联问题组成的初始业务问题闭环,并基于上述初始业务问题闭环中包含的各级第一类关联问题,确定出上述初始标准问题的第一类关联问题集合。
在一些可行的实施方式中,如图6所示,上述关联聚合模块403包括:
闭环确认单元4032,用于当上述初始业务问题闭环中包含的各级第一类关联问题的个数小于阈值时,将上述初始业务问题闭环中包含的各级第一类关联问题确定为上述初始标准问题的第一类关联问题集合。
在一些可行的实施方式中,如图6所示,上述关联聚合模块403包括:
第一类关联问题确认单元4033,用于基于上述问答聚合图谱中上述初始业务问题闭环中包含的各级第一类关联问题与上述初始业务问题的连接概率,确定出上述初始业务问题闭环中包含的各级第一类关联问题出现在上述初始标准问题之后的连接概率,根据上述初始业务问题闭环中出现在上述初始标准问题之后的连接概率大于阈值的第一类关联问题,确定上述初始标准问题的第一类关联问题集合。
结果输出模块404,用于将上述初始标准问题的初始标准回答、上述第一类关联问题集合以及上述第二关类联问题集合确定为上述初始业务问题的回答文本,并将上述初始业务问题的回答文本输出至启动上述目标业务的用户界面。
在一些可行的实施方式中,结果输出模块404可以将初始标准问题的初始标准回答(十八岁可投保第一车险、第二车险等)、第一类关联问题集合(例如,第一类关联问题1,第一类关联问题2等)以及第二关类联问题集合(例如,第二类关联问题1,第二类关联问题2等)确定为初始业务问题的回答文本,并将初始业务问题的回答文本输出至启动目标业务的用户界面。其中,第一类关联问题集合包括:第一类关联问题1(第一车险的保护范围),以及第一类关联问题2(第二车险的保护范围)等。第二类关联问题集合包括:第二类关联问题1(十八岁可享受的车险理赔范围),以及第二类关联问题2(十八岁可享受的车险理赔方式)等。
在本申请实施例中,终端设备通过获取用户操作数据得到用户操作数据所关联的初始业务问题,基于对初始业务问题的语义分析,可以在标准问题库中确定出初始业务问题对应的初始标准问题,从而将初始业务问题规范化,简化后续针对初始业务问题进行分析的过程,同时确定出初始标准问题对应的初始标准回答以及初始标准问题所包含的业务特征标签。根据初始标准问题,可以从问答知识聚合图谱中确定出与初始标准问题的语义关联的第一类关联问题集合。这里,第一类关联问题集合,也即,在用户问答习惯中,与初始业务问题相关联的问题的集合。根据初始标准问题以及初始标准问题所包含的业务特征标签,可以从问答知识聚合图谱中确定出与初始标准问题所包含的业务特征标签关联的第二类关联问题集合。这里,第二类关联问题集合,也即,在业务特征标签对应的业务特征领域中,与初始业务问题相关联的问题的集合。将初始标准问题的初始标准回答、第一类关联问题集合以及第二关类联问题集合确定为初始业务问题的回答文本并输出至用户界面,可以在提供给用户初始业务问题对应的初始标准回答的同时,提供给用户接下来可能会提问的第一类关联问题集合,以及用户接下来可能要知道的第二类关联问题集合,从而优化用户体验,提高智能问答系统的问答效率。
参见图7,图7是本申请实施例提供的终端设备的结构示意图。如图7所示,本实施例中的终端设备可以包括:一个或多个处理器501和存储器502。上述处理器501和存储器502通过总线503连接。存储器502用于存储计算机程序,该计算机程序包括程序指令,处理器501用于执行存储器502存储的程序指令,执行如下操作:
终端设备通过用户界面获取用于触发启动目标业务的用户操作数据,并确定上述用户操作数据所关联的初始业务问题;
基于上述初始业务问题的语义分析,从标准问题库中确定出上述初始业务问题对应的初始标准问题、上述初始标准问题对应的初始标准回答以及初始标准问题所包含的业务特征标签;
根据上述初始标准问题以及上述初始标准问题所包含的业务特征标签,从问答知识聚合图谱中确定出与上述初始标准问题的语义关联的第一类关联问题集合,以及与上述初始标准问题所包含的业务特征标签关联的第二类关联问题集合;
将上述初始标准问题的初始标准回答、上述第一类关联问题集合以及上述第二关类联问题集合确定为上述初始业务问题的回答文本,并将上述初始业务问题的回答文本输出至启动上述目标业务的用户界面。
在一些可行的实施方式中,上述处理器501还用于:
从上述目标业务的业务数据库中获取多个业务数据,并确定各业务数据所关联的业务问题;
基于语义分析将上述各业务数据所关联的业务问题进行聚类得到多个标准问题,根据上述多个标准问题生成标准问题库。
在一些可行的实施方式中,上述处理器501用于:
从上述目标业务的业务数据库中获取多个历史业务数据,并确定上述多个历史业务数据中的多个历史用户数据和多个客服参考数据;
根据上述多个历史用户数据关联的历史业务问题,在上述标准问题库中确定出各历史业务问题对应的标准问题作为样本业务问题,并根据上述各历史业务问题的提问顺序确定各样本业务问题的提问顺序,根据上述各样本业务问题和上述各样本业务问题的提问顺序确定用户样本数据;
根据上述多个客服参考数据关联的参考业务问题,在上述标准问题库中确定出各参考业务问题对应标准问题作为客服样本问题,以及客服样本问题所包含的业务特征标签,根据上述客服样本问题和上述客服样本问题所包含的业务特征标签确定客服样本数据;
根据上述用户样本数据和上述客服样本数据构建问答知识聚合图谱。
在一些可行的实施方式中,上述处理器501用于:
通过上述用户样本数据中的各样本业务问题确定出上述问答知识聚合图谱中的问答聚合图谱的节点,通过上述各样本业务问题的提问顺序确定出上述问答聚合图谱的节点连接关系,将上述问答聚合图谱的节点按照上述问答聚合图谱的节点连接关系进行连接,以得到上述问答聚合图谱;
通过上述客服样本数据中的客服样本问题确定出上述问答知识聚合图谱中的知识聚合图谱的节点,通过上述客服样本问题所包含的业务特征标签确定出上述知识聚合图谱的节点连接关系,将上述问答聚合图谱的节点按照上述问答聚合图谱的节点连接关系进行连接,以得到上述知识聚合图谱。
在一些可行的实施方式中,上述处理器501用于:
从上述问答聚合图谱中确定出与上述初始标准问题的语义关联的初级第一类关联问题;
从上述问答聚合图谱中确定出与上述初级第一类关联问题语义关联的次级第一类关联问题,并从上述问答聚合图谱中确定出与上述次级第一类关联问题语义关联的次级第一类关联问题,直至任一级第一类关联问题的次级第一类关联问题中出现上述初始标准问题,以得到由各级第一关联问题组成的初始业务问题闭环;
基于上述初始业务问题闭环中包含的各级第一类关联问题,确定出上述初始标准问题的第一类关联问题集合。
在一些可行的实施方式中,上述处理器501用于:当上述初始业务问题闭环中包含的各级第一类关联问题的个数小于阈值时,将上述初始业务问题闭环中包含的各级第一类关联问题确定为上述初始标准问题的第一类关联问题集合。
结合第一方面,在一种可能的实施方式中,上述基于上述初始业务问题闭环中包含的各级第一类关联问题,确定出上述初始标准问题的第一类关联问题集合包括:
基于上述问答聚合图谱中上述初始业务问题闭环中包含的各级第一类关联问题与上述初始业务问题的连接概率,确定出上述初始业务问题闭环中包含的各级第一类关联问题出现在上述初始标准问题之后的连接概率;
根据上述初始业务问题闭环中出现在上述初始标准问题之后的连接概率大于阈值的第一类关联问题,确定上述初始标准问题的第一类关联问题集合。
在一些可行的实施方式中,上述处理器501可以是中央处理单元(centralprocessing unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器502可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储器502的一部分还可以包括非易失性随机存取存储器。例如,存储器502还可以存储设备类型的信息。
具体实现中,上述终端设备可通过其内置的各个功能模块执行如上述图1、图2以及图4中各个步骤所提供的实现方式,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。
在本申请实施例中,终端设备通过获取用户操作数据得到用户操作数据所关联的初始业务问题,基于对初始业务问题的语义分析,可以在标准问题库中确定出初始业务问题对应的初始标准问题,从而将初始业务问题规范化,简化后续针对初始业务问题进行分析的过程,同时确定出初始标准问题对应的初始标准回答以及初始标准问题所包含的业务特征标签。根据初始标准问题,可以从问答知识聚合图谱中确定出与初始标准问题的语义关联的第一类关联问题集合。这里,第一类关联问题集合,也即,在用户问答习惯中,与初始业务问题相关联的问题的集合。根据初始标准问题以及初始标准问题所包含的业务特征标签,可以从问答知识聚合图谱中确定出与初始标准问题所包含的业务特征标签关联的第二类关联问题集合。这里,第二类关联问题集合,也即,在业务特征标签对应的业务特征领域中,与初始业务问题相关联的问题的集合。将初始标准问题的初始标准回答、第一类关联问题集合以及第二关类联问题集合确定为初始业务问题的回答文本并输出至用户界面,可以在提供给用户初始业务问题对应的初始标准回答的同时,提供给用户接下来可能会提问的第一类关联问题集合,以及用户接下来可能要知道的第二类关联问题集合,从而优化用户体验,提高智能问答系统的问答效率。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包括程序指令,该程序指令被处理器执行时实现图1、图2以及图4中各个步骤所提供的方法,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。
上述计算机可读存储介质可以是前述任一实施例提供的基于预测模型的用户行为识别装置或者上述终端设备的内部存储单元,例如电子设备的硬盘或内存。该计算机可读存储介质也可以是该电子设备的外部存储设备,例如该电子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(flashcard)等。进一步地,该计算机可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该电子设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请的权利要求书和说明书及附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的,具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种智能问答方法,其特征在于,所述方法包括:
终端设备通过用户界面获取用于触发启动目标业务的用户操作数据,并确定所述用户操作数据所关联的初始业务问题;
基于所述初始业务问题的语义分析,从标准问题库中确定出所述初始业务问题对应的初始标准问题、所述初始标准问题对应的初始标准回答以及初始标准问题所包含的业务特征标签;
根据所述初始标准问题以及所述初始标准问题所包含的业务特征标签,从问答知识聚合图谱中确定出与所述初始标准问题的语义关联的第一类关联问题集合,以及与所述初始标准问题所包含的业务特征标签关联的第二类关联问题集合;
将所述初始标准问题的初始标准回答、所述第一类关联问题集合以及所述第二关类联问题集合确定为所述初始业务问题的回答文本,并将所述初始业务问题的回答文本输出至启动所述目标业务的用户界面。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
从所述目标业务的业务数据库中获取多个业务数据,并确定各业务数据所关联的业务问题;
基于语义分析将所述各业务数据所关联的业务问题进行聚类得到多个标准问题,根据所述多个标准问题生成标准问题库。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
从所述目标业务的业务数据库中获取多个历史业务数据,并确定所述多个历史业务数据中的多个历史用户数据和多个客服参考数据;
根据所述多个历史用户数据关联的历史业务问题,在所述标准问题库中确定出各历史业务问题对应的标准问题作为样本业务问题,并根据所述各历史业务问题的提问顺序确定各样本业务问题的提问顺序,根据所述各样本业务问题和所述各样本业务问题的提问顺序确定用户样本数据;
根据所述多个客服参考数据关联的参考业务问题,在所述标准问题库中确定出各参考业务问题对应标准问题作为客服样本问题,以及客服样本问题所包含的业务特征标签,根据所述客服样本问题和所述客服样本问题所包含的业务特征标签确定客服样本数据;
根据所述用户样本数据和所述客服样本数据构建问答知识聚合图谱。
4.根据权利要求3所述的方法,其特征在于,所述根据所述用户样本数据和所述客服样本数据构建问答知识聚合图谱包括:
通过所述用户样本数据中的各样本业务问题确定出所述问答知识聚合图谱中的问答聚合图谱的节点,通过所述各样本业务问题的提问顺序确定出所述问答聚合图谱的节点连接关系,将所述问答聚合图谱的节点按照所述问答聚合图谱的节点连接关系进行连接,以得到所述问答聚合图谱;
通过所述客服样本数据中的客服样本问题确定出所述问答知识聚合图谱中的知识聚合图谱的节点,通过所述客服样本问题所包含的业务特征标签确定出所述知识聚合图谱的节点连接关系,将所述问答聚合图谱的节点按照所述问答聚合图谱的节点连接关系进行连接,以得到所述知识聚合图谱。
5.根据权利要求4所述的方法,其特征在于,所述从问答知识聚合图谱中确定出与所述初始标准问题的语义关联的第一类关联问题集合包括:
从所述问答聚合图谱中确定出与所述初始标准问题的语义关联的初级第一类关联问题;
从所述问答聚合图谱中确定出与所述初级第一类关联问题语义关联的次级第一类关联问题,并从所述问答聚合图谱中确定出与所述次级第一类关联问题语义关联的次级第一类关联问题,直至任一级第一类关联问题的次级第一类关联问题中出现所述初始标准问题,以得到由各级第一关联问题组成的初始业务问题闭环;
基于所述初始业务问题闭环中包含的各级第一类关联问题,确定出所述初始标准问题的第一类关联问题集合。
6.根据权利要求5所述的方法,其特征在于,所述基于所述初始业务问题闭环中包含的各级第一类关联问题,确定出所述初始标准问题的第一类关联问题集合包括:
当所述初始业务问题闭环中包含的各级第一类关联问题的个数小于阈值时,将所述初始业务问题闭环中包含的各级第一类关联问题确定为所述初始标准问题的第一类关联问题集合。
7.根据权利要求5所述的方法,其特征在于,所述基于所述初始业务问题闭环中包含的各级第一类关联问题,确定出所述初始标准问题的第一类关联问题集合包括:
基于所述问答聚合图谱中所述初始业务问题闭环中包含的各级第一类关联问题与所述初始业务问题的连接概率,确定出所述初始业务问题闭环中包含的各级第一类关联问题出现在所述初始标准问题之后的连接概率;
根据所述初始业务问题闭环中出现在所述初始标准问题之后的连接概率大于阈值的第一类关联问题,确定所述初始标准问题的第一类关联问题集合。
8.一种智能问答装置,其特征在于,所述装置包括:
问题获取模块,用于通过用户界面获取用于触发启动目标业务的用户操作数据,并确定所述用户操作数据所关联的初始业务问题;
语义分析模块,用于基于所述初始业务问题的语义分析,从标准问题库中确定出所述初始业务问题对应的初始标准问题、所述初始标准问题对应的初始标准回答以及初始标准问题所包含的业务特征标签;
关联聚合模块,用于根据所述初始标准问题以及所述初始标准问题所包含的业务特征标签,从问答知识聚合图谱中确定出与所述初始标准问题的语义关联的第一类关联问题集合,以及与所述初始标准问题所包含的业务特征标签关联的第二类关联问题集合;
结果输出模块,用于将所述初始标准问题的初始标准回答、所述第一类关联问题集合以及所述第二关类联问题集合确定为所述初始业务问题的回答文本,并将所述初始业务问题的回答文本输出至启动所述目标业务的用户界面。
9.一种终端设备,其特征在于,包括处理器和存储器,所述处理器和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-7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,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011511700.9A CN112667790B (zh) | 2020-12-18 | 2020-12-18 | 智能问答方法、装置、设备及存储介质 |
PCT/CN2021/090197 WO2022126965A1 (zh) | 2020-12-18 | 2021-04-27 | 智能问答方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011511700.9A CN112667790B (zh) | 2020-12-18 | 2020-12-18 | 智能问答方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112667790A true CN112667790A (zh) | 2021-04-16 |
CN112667790B CN112667790B (zh) | 2024-05-10 |
Family
ID=75407491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011511700.9A Active CN112667790B (zh) | 2020-12-18 | 2020-12-18 | 智能问答方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112667790B (zh) |
WO (1) | WO2022126965A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076430A (zh) * | 2021-04-19 | 2021-07-06 | 北京搜狗科技发展有限公司 | 一种基于医疗问题的数据处理方法及装置 |
WO2022126965A1 (zh) * | 2020-12-18 | 2022-06-23 | 平安科技(深圳)有限公司 | 智能问答方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105554139A (zh) * | 2015-12-24 | 2016-05-04 | 上海智臻智能网络科技股份有限公司 | 在线客服服务方法、在线客服服务器及在线客服系统 |
KR20180050786A (ko) * | 2016-11-07 | 2018-05-16 | 주식회사 오제이월드 | 태그 서칭 기반의 자동 질의 응답 시스템 및 방법 |
CN109063152A (zh) * | 2018-08-08 | 2018-12-21 | 鲸数科技(北京)有限公司 | 智能问答方法、装置及智能终端 |
CN109087132A (zh) * | 2018-07-18 | 2018-12-25 | 国家电网有限公司 | 一种基于知识图谱的用户问题推送方法及装置 |
CN109299476A (zh) * | 2018-11-28 | 2019-02-01 | 北京羽扇智信息科技有限公司 | 问答方法、装置、电子设备及存储介质 |
CN111241260A (zh) * | 2020-01-08 | 2020-06-05 | 平安科技(深圳)有限公司 | 基于人机交互的数据处理方法、装置、设备及存储介质 |
CN111400471A (zh) * | 2020-03-13 | 2020-07-10 | 江苏满运软件科技有限公司 | 问题推荐方法、系统、电子设备和存储介质 |
CN111552880A (zh) * | 2020-04-30 | 2020-08-18 | 杭州网易再顾科技有限公司 | 基于知识图谱的数据处理方法、装置、介质及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651567B (zh) * | 2020-04-16 | 2023-09-22 | 北京奇艺世纪科技有限公司 | 一种业务问答数据处理方法及装置 |
CN111767385A (zh) * | 2020-07-09 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 一种智能问答方法及装置 |
CN112667790B (zh) * | 2020-12-18 | 2024-05-10 | 平安科技(深圳)有限公司 | 智能问答方法、装置、设备及存储介质 |
-
2020
- 2020-12-18 CN CN202011511700.9A patent/CN112667790B/zh active Active
-
2021
- 2021-04-27 WO PCT/CN2021/090197 patent/WO2022126965A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105554139A (zh) * | 2015-12-24 | 2016-05-04 | 上海智臻智能网络科技股份有限公司 | 在线客服服务方法、在线客服服务器及在线客服系统 |
KR20180050786A (ko) * | 2016-11-07 | 2018-05-16 | 주식회사 오제이월드 | 태그 서칭 기반의 자동 질의 응답 시스템 및 방법 |
CN109087132A (zh) * | 2018-07-18 | 2018-12-25 | 国家电网有限公司 | 一种基于知识图谱的用户问题推送方法及装置 |
CN109063152A (zh) * | 2018-08-08 | 2018-12-21 | 鲸数科技(北京)有限公司 | 智能问答方法、装置及智能终端 |
CN109299476A (zh) * | 2018-11-28 | 2019-02-01 | 北京羽扇智信息科技有限公司 | 问答方法、装置、电子设备及存储介质 |
CN111241260A (zh) * | 2020-01-08 | 2020-06-05 | 平安科技(深圳)有限公司 | 基于人机交互的数据处理方法、装置、设备及存储介质 |
CN111400471A (zh) * | 2020-03-13 | 2020-07-10 | 江苏满运软件科技有限公司 | 问题推荐方法、系统、电子设备和存储介质 |
CN111552880A (zh) * | 2020-04-30 | 2020-08-18 | 杭州网易再顾科技有限公司 | 基于知识图谱的数据处理方法、装置、介质及电子设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022126965A1 (zh) * | 2020-12-18 | 2022-06-23 | 平安科技(深圳)有限公司 | 智能问答方法、装置、设备及存储介质 |
CN113076430A (zh) * | 2021-04-19 | 2021-07-06 | 北京搜狗科技发展有限公司 | 一种基于医疗问题的数据处理方法及装置 |
CN113076430B (zh) * | 2021-04-19 | 2024-01-30 | 北京搜狗科技发展有限公司 | 一种基于医疗问题的数据处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2022126965A1 (zh) | 2022-06-23 |
CN112667790B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11455981B2 (en) | Method, apparatus, and system for conflict detection and resolution for competing intent classifiers in modular conversation system | |
CN109634698B (zh) | 菜单显示方法、装置、计算机设备及存储介质 | |
CN105210064A (zh) | 使用深度网络将资源分类 | |
WO2023272852A1 (zh) | 通过决策树模型对用户进行分类的方法、装置、设备和存储介质 | |
US20120197937A1 (en) | Method and system for providing detailed information in an interactive manner in a short message service (sms) environment | |
CN109214674B (zh) | 客服系统管理方法、客服系统及电子设备 | |
CN112667790A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN111611390B (zh) | 一种数据处理方法及装置 | |
CN110990627A (zh) | 一种知识图谱构建的方法、装置、电子设备及介质 | |
CN117520503A (zh) | 基于llm模型的金融客服对话生成方法、装置、设备及介质 | |
US20230214679A1 (en) | Extracting and classifying entities from digital content items | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN113704623A (zh) | 一种数据推荐方法、装置、设备及存储介质 | |
CN113515593A (zh) | 基于聚类模型的话题检测方法、装置和计算机设备 | |
CN112328881A (zh) | 文章推荐方法、装置、终端设备及存储介质 | |
CN112069304A (zh) | 一种保险业务的问答方法、装置、服务器以及存储介质 | |
CN115576789A (zh) | 流失用户识别方法和系统 | |
AU2019290658A1 (en) | Systems and methods for identifying and linking events in structured proceedings | |
CN116186223A (zh) | 一种金融文本处理方法、装置、设备和存储介质 | |
CN112948251B (zh) | 软件自动测试方法及装置 | |
CN114898184A (zh) | 模型训练方法、数据处理方法、装置及电子设备 | |
CN110532565B (zh) | 语句处理方法及装置、以及电子设备 | |
CN114492306A (zh) | 语料标注方法、装置、电子设备及存储介质 | |
CN114067343A (zh) | 一种数据集的构建方法、模型训练方法和对应装置 | |
Guo et al. | A Novel Margin‐Based Measure for Directed Hill Climbing Ensemble Pruning |
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 |