CN112711657A - 一种问答方法及问答系统 - Google Patents
一种问答方法及问答系统 Download PDFInfo
- Publication number
- CN112711657A CN112711657A CN202110008829.6A CN202110008829A CN112711657A CN 112711657 A CN112711657 A CN 112711657A CN 202110008829 A CN202110008829 A CN 202110008829A CN 112711657 A CN112711657 A CN 112711657A
- Authority
- CN
- China
- Prior art keywords
- answer
- question
- content
- answering
- unit
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种问答方法及问答系统,其中方法包括:以HotpotQA数据集为训练样本训练形成一问答模型;向所述问答模型输入提出的问题;所述问答模型从知识源搜索问题答案,并在搜索到的文本段落中标注出与答案相关的内容;将标注内容编辑成答案并输出。本发明通过HotpotQA数据集为训练样本训练形成问答模型,该问答模型具有如人类般的逻辑推理能力,能够从搜索出的文本段落中快速标注出与答案相关的内容,并将标注内容编辑为答案,大幅提高了知识问答的响应速度和给出答案的准确度。
Description
技术领域
本发明涉及自然语言处理技术领域,具体涉及一种问答方法及问答系统。
背景技术
在当下这个信息爆炸的时代,每天有太多新知识以文本(也有其他模态)的形式生成,任何人都无法独自消化这些知识,所以当我们遇到不懂的问题时通常使用搜索引擎输入问题去搜索答案。但搜索引擎搜索出的往往是一些链接列表,我们还需要逐个打开这些链接列表,然后根据自己的推理能力从这些链接内容中获得我们想要的或者我们以为正确的答案。
为了能够快速找到正确答案,搜索引擎提供上开发出了各种各样的算法去实现这个目标,取得了较大进步。比如,当你搜索“世界上有多少个国家”等类似简单的问题时,搜索引擎会直接展示出正确的答案,人们不必再从链接列表中寻找答案。但这些算法仍然存在局限,当你搜索一个稍微复杂的问题,比如,“我需要骑多长时间的自行车才能消耗掉一个巨无霸汉堡的卡路里”,搜索引擎则无法直接给出准确答案,此时你还是需要从搜索引擎给出的链接列表中去寻找出认为正确的答案。所以对于人们来说,如果能够让机器阅读大量文本并回答问题,让机器拥有如人类般的逻辑推理能力,答案的获取过程将会变得更加简单、高效。
发明内容
本发明以快速且准确的获取问题答案为目的,提出了一种问答方法,该方法通过HotpotQA数据集为训练样本训练形成问答模型,该问答模型具有如人类般的逻辑推理能力,能够从搜索出的文本段落中快速标注出与答案相关的内容,并将标注内容编辑为答案,大幅提高了知识问答的响应速度和给出答案的准确度。
为达此目的,本发明采用以下技术方案:
提供一种问答方法,具体包括如下步骤:
步骤S1,以HotpotQA数据集为训练样本训练形成一问答模型;
步骤S2,向所述问答模型输入提出的问题;
步骤S3,所述问答模型从知识源搜索问题答案,并在搜索到的文本段落中标注出与答案相关的内容;
步骤S4,将标注内容编辑成答案并输出。
作为本发明的一种优选方案,所述步骤S3中,所述问答模型从所述文本段落中标注出与答案相关的内容的过程具体包括:
步骤A1,所述问答模型从知识源搜索问题答案,并在搜索到的多个文本文档中筛选出与答案相关的文本文档;
步骤A2,所述问答模型在筛选出的所述文本文档中标注出与答案相关的内容,并判断标注内容是否可直接编辑为答案,
若是,所述问答模型则将标注内容编辑成答案并输出;
若否,则进入步骤A3;
步骤A3,所述问答模型以所述步骤A2得到的所述标注内容作为答案相关的“桥接实体”,并根据所述桥接实体生成新的问题,然后返回所述步骤A1对新问题进行答案检索;
步骤A4,重复步骤A1~A3,直至将标注内容编辑成原始问题的答案。
作为本发明的一种优选方案,所述步骤S3中,所述问答模型从所述文本段落中标注出与答案相关的内容的过程具体包括:
步骤B1,所述问答模型从知识源搜索问题答案,并在搜索到的多个文本文档中筛选出与答案相关的文本文档;
步骤B2,所述问答模型在筛选出的文本文档中标注出与答案相关的内容,并判断标注内容是否可直接编辑为答案,
若是,所述问答模型则将标注内容编辑成答案并输出;
若否,则进入步骤B3;
步骤B3,所述问答模型将标注内容构建为超链接并跳转;
步骤B4,在跳转得到的文本文档中标注出与答案相关的内容,并判断标注内容是否可直接编辑为答案,
若是,所述回答模型则将标注内容编辑成答案并输出;
若否,则重复步骤B3进行多次跳转,直至将标注内容编辑成答案并输出。
作为本发明的一种优选方案,所述知识源包括维基百科。
本发明还提供了一种问答系统,可实现所述的问答方法,所述问答系统包括:
问答模型训练模块,用于以HotpotQA数据集为训练样本,并通过一深度学习网络训练形成问答模型;
问题输入模块,连接所述问答模型训练模块,用于将提出的问题输入给所述问答模型;
知识搜索模块,连接所述问题输入模块,用于提供给所述问答模型从知识源搜索问题答案;
内容标注模块,连接所述知识搜索模块,用于在搜索到的文本段落中标注出与答案相关的内容;
答案编辑模块,连接所述内容标注模块,用于将标注内容编辑成答案并输出。
作为本发明的一种优选方案,所述内容标注模块中包括:
文档筛选单元,用于在搜索到的多个文本文档中筛选出与答案相关的文本文档;
内容标注单元,连接所述文档筛选单元,用于在筛选出的所述文本文档中标注出与答案相关的内容;
判断单元,连接所述内容标注单元,用于判断标注内容是否可直接编辑为答案;
答案编辑单元,分别连接所述内容标注单元和所述判断单元,用于在判定所述标注内容可直接编辑为答案后,将所述标注内容编辑为答案并输出;
问题生成单元,分别连接所述内容标注单元和所述判断单元,用于在判定所述标注内容不可直接编辑为答案后,将所述标注内容作为答案相关的“桥接实体”,并根据所述桥接实体生成新的问题,并将新问题输出给所述问题输入模块重新进行答案检索。
作为本发明的一种优选方案,所述内容标注模块中具体包括:
文档筛选单元,用于在搜索到的多个文本文档中筛选出与答案相关的文本文档;
内容标注单元,连接所述文档筛选单元,用于在筛选出的所述文本文档中标注出与答案相关的内容;
判断单元,连接所述内容标注单元,用于判断标注内容是否可直接编辑为答案;
答案编辑单元,分别连接所述内容标注单元和所述判断单元,用于在判定所述标注内容可直接编辑为答案后,将所述标注内容编辑为答案并输出;
超链接构建单元,分别连接所述内容标注单元和所述判断单元,用于在判定所述标注内容不可直接编辑为答案后,将所述标注内容构建为可跳转搜索的超链接;
超链接跳转单元,连接所述超链接构建单元,用于跳转所构建的所述超链接对所述标注内容进行二次搜索;
所述内容标注单元,还用于在跳转搜索到的文本段落中标注出与答案相关的内容。
本发明通过HotpotQA数据集为训练样本训练形成问答模型,该问答模型具有如人类般的逻辑推理能力,能够从搜索出的文本段落中快速标注出与答案相关的内容,并将标注内容编辑为答案,大幅提高了知识问答的响应速度和给出答案的准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,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是本发明一实施例提供的问答方法的步骤图;
图2是本发明一较佳实施例提供的问答模型标注与答案依据相关的内容的流程图;
图3是本发明另一较佳实施例提供的问答模型标注与答案依据相关的内容的流程图;
图4是本发明一实施例提供的问答系统的结构图;
图5是本发明一较佳实施例提供的所述问答系统中的内容标注模块的内部结构示意图。
图6是本发明另一较佳实施例提供的所述问答系统中的内容标注模块的内部结构示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
在本发明的描述中,除非另有明确的规定和限定,若出现术语“连接”等指示部件之间的连接关系,该术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明一实施例提供的问答方法,如图1所示,具体包括如下步骤:
步骤S1,以HotpotQA数据集为训练样本训练形成一问答模型;HotpotQA是一个大型问答数据集,它包含约11.3万个问答对。该数据集中的问题和答案来自于英文维基百科,涵盖了从科学、天文学、地理到娱乐、体育和法律案件等多种主题。这些问题需要通过一些有难度的推理来回答。例如,如果以维基百科作为知识源来回答“雅虎是在哪个州成立的”,维基百科关于雅虎的第一次搜索结果无法直接给出答案。为了回答这个问题,我们需要在维基百科给出的搜索结果中浏览多篇文章,直到最终看到这篇名为“History of Yahoo”的文章,这篇文章中记载了雅虎在斯坦福大学成立。根据这个记载可以推断出雅虎的成立地点就是斯坦福大学所在的地点,然后利用斯坦福大学位于加州这一事实得出“雅虎成立于加州”这个答案。本发明中,我们将“斯坦福大学”作为问题与答案间的“桥梁实体”,因为其担任着从已知实体(雅虎)和预期答案(加州)之间的桥梁作用。
步骤S2,向问答模型输入提出的问题;
步骤S3,问答模型从知识源(比如维基百科、百度、谷歌等)搜索问题答案,并在搜索到的文本段落中标注出与答案依据相关的内容;
步骤S4,将标注内容编辑成答案并输出。
关于步骤S3,本发明提供了两种从文本段落中标注出与答案相关的内容的方法,其中一种如图2所示,具体包括如下步骤:
步骤A1,问答模型从知识源搜索问题答案,并在搜索到的多个文本文档中筛选出与答案相关的文本文档;比如问题为“赢得2015年Diamond Head Classic MVP的运动员为哪支队伍效力?”,搜索到的文本文档中其中有一个文档名为“XX获得了2015年DiamondHead Classic MVP”的文本文档,问答模型将认为这个文档与答案相关,并将该文本文档筛选出来;
步骤A2,在筛选出的文本文档中标注出与答案相关的内容,并判断标注内容是否可直接编辑为答案,
若是,则将标注内容编辑成答案并输出;
若否,则进入步骤A3;
比如,筛选出的文本文档记载有获得2015年Diamond Head Classic MVP的运动员“XX”是“YY队”的队员,则问答模型认为“YY队”是与答案相关的内容,并将其从筛选出的文本文档中标注出来,然后判断标注内容是否可直接编辑为答案,判断过程为:首先,根据推断结果“XX”是“YY队”队员形成新的问题,比如可以形成问题为“XX是YY队队员吗?”,然后在知识源中检索该问题的答案,并进行逻辑判断(逻辑判断的方法有许多,比如可以根据检索结果计算肯定回答和否定回答的比例,当超过某一阈值时,采纳肯定回答,否则采纳否定回答。逻辑判断可通过相关的算法实现),最终得出“XX是YY队队员”的判断;将标注内容编辑成答案的过程可通过相关的算法实现,比如判定“XX”是“YY队”队员后,可将问题“赢得2015年Diamond Head Classic MVP的运动员为哪支队伍效力?”的答案编辑为“YY队”,或者编辑为“赢得2015年Diamond Head Classic MVP的运动员是“XX”,他为“YY队”效力”。
步骤A3,以步骤A2得到的标注内容作为答案相关的“桥接实体”,并根据桥接实体生成新的问题,并返回步骤A1对新问题进行答案检索;
步骤A4,重复步骤A1~A3,直至将标注内容编辑为原始问题的答案。
本发明还提供了另外一种从文本段落中标注出与答案相关的内容的方法,如图3所示,该方法具体步骤包括:
步骤B1,问答模型从知识源搜索问题答案,并在搜索到的多个文本文档中筛选出与答案相关的文本文档;搜索过程与步骤A1一致;
步骤B2,问答模型在筛选出的文本文档中标注出与答案相关的内容,并判断标注内容是否可直接编辑为答案,
若是,问答模型则将标注内容编辑为答案并输出;
若否,则进入步骤B3;
步骤B2中的文档内容标注过程与标注内容判断过程与步骤A2一致,在此不再赘述;
步骤B3,问答模型将标注内容构建为超链接并跳转;步骤B3相比较步骤A3省去了新问题的形成过程,直接以标注内容为关键词进行搜索,能够提高问答的效率;
步骤B4,在跳转得到的文本文档中标注出与答案相关的内容,并判断标注内容是否可直接编辑为答案,
若是,回答模型则将标注内容编辑成答案并输出;
若否,则重复步骤B3进行多次跳转,直至将标注内容编辑成答案并输出。
本发明还提供了一种问答系统,可实现上述的问答方法,如图4所示,该问答系统包括:
问答模型训练模块,用于以HotpotQA数据集为训练样本,并通过一深度学习网络训练形成上述的问答模型;
问题输入模块,连接问答模型训练模块,用于将所提问题输入给问答模型;
知识搜索模块,连接问题输入模块,用于提供给问答模型从知识源搜索问题答案;
内容标注模块,连接知识搜索模块,用于在搜索到的文本段落中标注出与答案相关的内容;
答案编辑模块,连接内容标注模块,用于将标注内容编辑成答案并输出。
一较佳实施例中,如图5所示,内容标注模块具体包括:
文档筛选单元,用于在搜索到的多个文本文档中筛选出与答案相关的文本文档;
内容标注单元,连接文档筛选单元,用于在筛选出的文本文档中标注出与答案相关的内容;
判断单元,连接内容标注单元,用于判断标注内容是否可直接编辑为答案;
答案编辑单元,分别连接内容标注单元和判断单元,用于在判定标注内容可直接编辑为答案后,将标注内容编辑为答案并输出;
问题生成单元,分别连接内容标注单元和判断单元,用于在判定标注内容不可直接编辑为答案后,将标注内容作为答案相关的“桥接实体”,并根据桥接实体生成新的问题,并将新问题输出给问题输入模块重新进行答案检索。
另一较佳实施例中,如图6所示,内容标注模块中包括:
文档筛选单元,用于在搜索到的多个文本文档中筛选出与答案相关的文本文档;
内容标注单元,连接文档筛选单元,用于在筛选出的文本文档中标注出与答案相关的内容;
判断单元,连接内容标注单元,用于判断标注内容是否可直接编辑为答案;
答案编辑单元,分别连接内容标注单元和判断单元,用于在判定标注内容可直接编辑为答案后,将标注内容编辑为答案并输出;
超链接构建单元,分别连接内容标注单元和判断单元,用于在判定标注内容不可直接编辑为答案后,将标注内容构建为可跳转搜索的超链接;
超链接跳转单元,连接超链接构建单元,用于跳转所构建的超链接对标注内容进行二次搜索;
所述内容标注单元,还用于在跳转搜索到的文本段落中标注出与答案相关的内容。
需要声明的是,上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白,还可以对本发明做各种修改、等同替换、变化等等。但是,这些变换只要未背离本发明的精神,都应在本发明的保护范围之内。另外,本申请说明书和权利要求书所使用的一些术语并不是限制,仅仅是为了便于描述。
Claims (7)
1.一种问答方法,其特征在于,具体包括如下步骤:
步骤S1,以HotpotQA数据集为训练样本训练形成一问答模型;
步骤S2,向所述问答模型输入提出的问题;
步骤S3,所述问答模型从知识源搜索问题答案,并在搜索到的文本段落中标注出与答案相关的内容;
步骤S4,将标注内容编辑成答案并输出。
2.根据权利要求1所述的一种问答方法,其特征在于,所述步骤S3中,所述问答模型从所述文本段落中标注出与答案相关的内容的过程具体包括:
步骤A1,所述问答模型从知识源搜索问题答案,并在搜索到的多个文本文档中筛选出与答案相关的文本文档;
步骤A2,所述问答模型在筛选出的所述文本文档中标注出与答案相关的内容,并判断标注内容是否可直接编辑为答案,
若是,所述问答模型则将标注内容编辑成答案并输出;
若否,则进入步骤A3;
步骤A3,所述问答模型以所述步骤A2得到的所述标注内容作为答案相关的“桥接实体”,并根据所述桥接实体生成新的问题,然后返回所述步骤A1对新问题进行答案检索;
步骤A4,重复步骤A1~A3,直至将标注内容编辑成原始问题的答案。
3.根据权利要求1所述的一种问答方法,其特征在于,所述步骤S3中,所述问答模型从所述文本段落中标注出与答案相关的内容的过程具体包括:
步骤B1,所述问答模型从知识源搜索问题答案,并在搜索到的多个文本文档中筛选出与答案相关的文本文档;
步骤B2,所述问答模型在筛选出的文本文档中标注出与答案相关的内容,并判断标注内容是否可直接编辑为答案,
若是,所述问答模型则将标注内容编辑成答案并输出;
若否,则进入步骤B3;
步骤B3,所述问答模型将标注内容构建为超链接并跳转;
步骤B4,在跳转得到的文本文档中标注出与答案相关的内容,并判断标注内容是否可直接编辑为答案,
若是,所述回答模型则将标注内容编辑成答案并输出;
若否,则重复步骤B3进行多次跳转,直至将标注内容编辑成答案并输出。
4.根据权利要求1所述的问答方法,其特征在于,所述知识源包括维基百科。
5.一种问答系统,可实现如权利要求1~4任意一项所述的问答方法,其特征在于,所述问答系统包括:
问答模型训练模块,用于以HotpotQA数据集为训练样本,并通过一深度学习网络训练形成问答模型;
问题输入模块,连接所述问答模型训练模块,用于将提出的问题输入给所述问答模型;
知识搜索模块,连接所述问题输入模块,用于提供给所述问答模型从知识源搜索问题答案;
内容标注模块,连接所述知识搜索模块,用于在搜索到的文本段落中标注出与答案相关的内容;
答案编辑模块,连接所述内容标注模块,用于将标注内容编辑成答案并输出。
6.根据权利要求5所述的问答系统,其特征在于,所述内容标注模块中包括:
文档筛选单元,用于在搜索到的多个文本文档中筛选出与答案相关的文本文档;
内容标注单元,连接所述文档筛选单元,用于在筛选出的所述文本文档中标注出与答案相关的内容;
判断单元,连接所述内容标注单元,用于判断标注内容是否可直接编辑为答案;
答案编辑单元,分别连接所述内容标注单元和所述判断单元,用于在判定所述标注内容可直接编辑为答案后,将所述标注内容编辑为答案并输出;
问题生成单元,分别连接所述内容标注单元和所述判断单元,用于在判定所述标注内容不可直接编辑为答案后,将所述标注内容作为答案相关的“桥接实体”,并根据所述桥接实体生成新的问题,并将新问题输出给所述问题输入模块重新进行答案检索。
7.根据权利要求5所述的问答系统,其特征在于,所述内容标注模块中具体包括:
文档筛选单元,用于在搜索到的多个文本文档中筛选出与答案相关的文本文档;
内容标注单元,连接所述文档筛选单元,用于在筛选出的所述文本文档中标注出与答案相关的内容;
判断单元,连接所述内容标注单元,用于判断标注内容是否可直接编辑为答案;
答案编辑单元,分别连接所述内容标注单元和所述判断单元,用于在判定所述标注内容可直接编辑为答案后,将所述标注内容编辑为答案并输出;
超链接构建单元,分别连接所述内容标注单元和所述判断单元,用于在判定所述标注内容不可直接编辑为答案后,将所述标注内容构建为可跳转搜索的超链接;
超链接跳转单元,连接所述超链接构建单元,用于跳转所构建的所述超链接对所述标注内容进行二次搜索;
所述内容标注单元,还用于在跳转搜索到的文本段落中标注出与答案相关的内容。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110008829.6A CN112711657A (zh) | 2021-01-06 | 2021-01-06 | 一种问答方法及问答系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110008829.6A CN112711657A (zh) | 2021-01-06 | 2021-01-06 | 一种问答方法及问答系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112711657A true CN112711657A (zh) | 2021-04-27 |
Family
ID=75548288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110008829.6A Pending CN112711657A (zh) | 2021-01-06 | 2021-01-06 | 一种问答方法及问答系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112711657A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080301142A1 (en) * | 2007-06-03 | 2008-12-04 | Im-Prove Llc | Method and system for organizing and presenting construction knowledge-sharing tools |
CN101377777A (zh) * | 2007-09-03 | 2009-03-04 | 北京百问百答网络技术有限公司 | 一种自动问答方法和系统 |
CN102436448A (zh) * | 2010-09-29 | 2012-05-02 | 腾讯科技(深圳)有限公司 | 搜索方法和系统 |
CN106547821A (zh) * | 2016-09-29 | 2017-03-29 | 广东工业大学 | 一种浏览器内根据关键词搜索相关网页的方法 |
CN109800303A (zh) * | 2018-12-28 | 2019-05-24 | 深圳市世强元件网络有限公司 | 一种文档信息提取方法、存储介质及终端 |
CN110110050A (zh) * | 2018-01-22 | 2019-08-09 | 北京大学 | 一种新闻事件生成式问答数据集的生成方法 |
CN110297897A (zh) * | 2019-06-21 | 2019-10-01 | 科大讯飞(苏州)科技有限公司 | 问答处理方法及相关产品 |
CN110866102A (zh) * | 2019-11-07 | 2020-03-06 | 浪潮软件股份有限公司 | 检索处理方法 |
CN111177325A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 一种自动生成答案的方法和系统 |
CN111460092A (zh) * | 2020-03-11 | 2020-07-28 | 中国电子科技集团公司第二十八研究所 | 一种基于多文档的复杂问题自动化求解方法 |
CN111538819A (zh) * | 2020-03-27 | 2020-08-14 | 北京工商大学 | 一种基于文档集多跳推理的问答系统的构建方法 |
CN111597314A (zh) * | 2020-04-20 | 2020-08-28 | 科大讯飞股份有限公司 | 推理问答方法、装置以及设备 |
CN111966810A (zh) * | 2020-09-02 | 2020-11-20 | 中国矿业大学(北京) | 一种用于问答系统的问答对排序方法 |
CN112148862A (zh) * | 2020-10-15 | 2020-12-29 | 腾讯科技(深圳)有限公司 | 一种问题意图识别方法、装置、存储介质及电子设备 |
-
2021
- 2021-01-06 CN CN202110008829.6A patent/CN112711657A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080301142A1 (en) * | 2007-06-03 | 2008-12-04 | Im-Prove Llc | Method and system for organizing and presenting construction knowledge-sharing tools |
CN101377777A (zh) * | 2007-09-03 | 2009-03-04 | 北京百问百答网络技术有限公司 | 一种自动问答方法和系统 |
CN102436448A (zh) * | 2010-09-29 | 2012-05-02 | 腾讯科技(深圳)有限公司 | 搜索方法和系统 |
CN106547821A (zh) * | 2016-09-29 | 2017-03-29 | 广东工业大学 | 一种浏览器内根据关键词搜索相关网页的方法 |
CN110110050A (zh) * | 2018-01-22 | 2019-08-09 | 北京大学 | 一种新闻事件生成式问答数据集的生成方法 |
CN109800303A (zh) * | 2018-12-28 | 2019-05-24 | 深圳市世强元件网络有限公司 | 一种文档信息提取方法、存储介质及终端 |
CN110297897A (zh) * | 2019-06-21 | 2019-10-01 | 科大讯飞(苏州)科技有限公司 | 问答处理方法及相关产品 |
CN110866102A (zh) * | 2019-11-07 | 2020-03-06 | 浪潮软件股份有限公司 | 检索处理方法 |
CN111460092A (zh) * | 2020-03-11 | 2020-07-28 | 中国电子科技集团公司第二十八研究所 | 一种基于多文档的复杂问题自动化求解方法 |
CN111538819A (zh) * | 2020-03-27 | 2020-08-14 | 北京工商大学 | 一种基于文档集多跳推理的问答系统的构建方法 |
CN111177325A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 一种自动生成答案的方法和系统 |
CN111597314A (zh) * | 2020-04-20 | 2020-08-28 | 科大讯飞股份有限公司 | 推理问答方法、装置以及设备 |
CN111966810A (zh) * | 2020-09-02 | 2020-11-20 | 中国矿业大学(北京) | 一种用于问答系统的问答对排序方法 |
CN112148862A (zh) * | 2020-10-15 | 2020-12-29 | 腾讯科技(深圳)有限公司 | 一种问题意图识别方法、装置、存储介质及电子设备 |
Non-Patent Citations (7)
Title |
---|
JOHN B. KILLORAN;: "How to Use Search Engine Optimization Techniques to Increase Website Visibility", IEEE TRANSACTIONS ON PROFESSIONAL COMMUNICATION, pages 50 * |
XIAOCHEN LI ET AL.: ""Bridging Semantic Gaps between Natural Languages and APIs with Word Embedding"", 《IEEE TRANSACTIONS ON SOFTWARE ENGINEERING》 * |
XIAOCHEN LI ET AL.: ""Bridging Semantic Gaps between Natural Languages and APIs with Word Embedding"", 《IEEE TRANSACTIONS ON SOFTWARE ENGINEERING》, 16 October 2018 (2018-10-16), pages 1081 - 1097, XP011814776, DOI: 10.1109/TSE.2018.2876006 * |
YUWEI FANG ET AL;: "Hierarchical Graph Network for Multi-hop Question Answering", THE 2020 CONFERENCE ON EMPIRICAL METHODS IN NATURAL LANGUAGE PROCESSING, pages 8823 - 8838 * |
冶忠林: ""智能问答系统的研究与实现"", 《万方数据知识服务平台》 * |
冶忠林: ""智能问答系统的研究与实现"", 《万方数据知识服务平台》, 25 October 2016 (2016-10-25), pages 1 - 69 * |
李臻贤;: "中文问答系统知识库的自动构建问题研究", 中国优秀硕士学位论文全文数据库, pages 138 - 945 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Foley et al. | Learning to extract local events from the web | |
Kejriwal et al. | Knowledge graphs: Fundamentals, techniques, and applications | |
Uren et al. | Sensemaking tools for understanding research literatures: Design, implementation and user evaluation | |
Richardson et al. | What does my QA model know? devising controlled probes using expert knowledge | |
Deepak et al. | OntoQuest: an ontological strategy for automatic question generation for e-assessment using static and dynamic knowledge | |
US20180107940A1 (en) | Artificial intelligence method and apparatus | |
US20100205176A1 (en) | Discovering City Landmarks from Online Journals | |
CN105393265A (zh) | 人机交互学习中的主动特征化 | |
CN109543176A (zh) | 一种基于图向量表征的丰富短文本语义方法及装置 | |
Xiong et al. | Affective impression: Sentiment-awareness POI suggestion via embedding in heterogeneous LBSNs | |
JP4931114B2 (ja) | データ表示装置、データ表示方法及びデータ表示プログラム | |
Yang et al. | Atomic: An image/text retrieval test collection to support multimedia content creation | |
Brown et al. | Making graph-based diagrams work in sound: the role of annotation | |
CN112711657A (zh) | 一种问答方法及问答系统 | |
Tian et al. | Semantic similarity measure of natural language text through machine learning and a keyword‐aware cross‐encoder‐ranking summarizer—A case study using UCGIS GIS &T body of knowledge | |
CN111831880A (zh) | 一种基于微酒店平台的智能问答方法 | |
Segura-Tinoco et al. | An Argument-based Search Framework: Implementation on a Spanish Corpus in the E-Participation Domain. | |
Chiu et al. | Using rough set theory to construct e-learning faq retrieval infrastructure | |
Blanco-Fernández et al. | Automatically Assembling a Custom-Built Training Corpus for Improving the Learning of In-Domain Word/Document Embeddings | |
Borman et al. | PicNet: Augmenting Semantic Resources with Pictorial Representations. | |
Amitay | What lays in the layout | |
Brown | Non-Visual interaction with graphs | |
Mou | Neural Semantic Structural Modeling for Complex Question Answering Tasks | |
Takhirov | Extracting knowledge for cultural heritage knowledge base population | |
Fadzli et al. | Semantic Approach to Text-based Image Retrieval Using a Lexical Ontology |
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 |