CN112749268A - 基于混合策略的faq系统排序方法、装置及系统 - Google Patents
基于混合策略的faq系统排序方法、装置及系统 Download PDFInfo
- Publication number
- CN112749268A CN112749268A CN202110132061.3A CN202110132061A CN112749268A CN 112749268 A CN112749268 A CN 112749268A CN 202110132061 A CN202110132061 A CN 202110132061A CN 112749268 A CN112749268 A CN 112749268A
- Authority
- CN
- China
- Prior art keywords
- candidates
- model
- trained
- text matching
- pairwise
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了基于混合策略的FAQ系统排序方法、装置及系统,其中,方法包括步骤10,模型训练:将第一训练集输入文本匹配模型,获得训练好的文本匹配模型;将第二训练集输入pairwise排序模型,获得训练好的pairwise排序模型;步骤20,粗筛:通过训练好的文本匹配模型计算用户输入的问题和标准候选库中候选的相似度,根据得分排序选取前m个候选;步骤30,精排:通过训练好的pairwise排序模型,为m个候选打分,根据得分排序返回top‑k个候选;其中k≤m。文本匹配模型关注单个句对之间的相关性,用其粗筛可以缩小召回的候选范围。Pairwise排序模型考虑到了候选之间的相对位置,对候选之间的偏序关系学习更充分。两类模型结合可以提高现有基于单一文本匹配策略的FAQ系统排序性能。
Description
技术领域
本发明书一个或多个实施例涉及信息检索技术领域,尤其涉及一种基于混合策略的FAQ(Frequently Asked Questions,常见问题)系统排序方法、装置及系统。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述可包括可以探究的概念,但不一定是之前已经想到或者已经探究的概念。因此,除非在此指出,否则在本部分中描述的内容对于本申请的说明书和权利要求书而言不是现有技术,并且并不因为包括在本部分中就承认是现有技术。智能问答是人工智能的一个领域,随着互联网业务的迅速增长,市场对于智能问答的需求日渐高涨。智能问答以一问一答的形式,精确定位用户的提问,通过与用户交互,为用户提供个性化的信息服务。
常用的问答系统,大部分是以实现FAQ问答为主的。FAQ包括客户常见的问题。基于FAQ进行检索,主要能够检索到常见的典型问题,基于文本匹配策略的检索式问答系统(FAQ)排序方法通常是,给定标准问题库,系统根据用户输入的一条query从标准问题库中召回n个候选,通过文本匹配模型计算query和每个候选的相似度得分,最后根据得分排序输出top-k个候选。
但该方法存在如下问题:
文本匹配模型只能判断query与某条候选是否相关,不能建模一条query对应的多条候选之间的偏序关系。
有鉴于此,亟需一种新的技术,用于提升基于文本匹配策略的FAQ系统排序性能。
发明内容
本说明书一个或多个实施例描述了基于混合策略的FAQ系统排序方法、装置及系统,使用文本匹配模型粗筛和pairwise排序模型精排的混合排序策略,结合了两类模型的优点,解决了现有技术中存在文本匹配模型只能判断query与某条候选是否相关,不能建模一条query对应的多条候选之间的偏序关系问题。
本说明书一个或多个实施例提供的技术方案如下:
第一方面,本发明提供了基于混合策略的FAQ系统排序方法,其特征在于,包括步骤10,模型训练:
将第一训练集输入文本匹配模型,获得训练好的文本匹配模型;
将第二训练集输入pairwise排序模型,获得训练好的pairwise排序模型;
步骤20,粗筛:
通过训练好的文本匹配模型计算用户输入的问题和标准候选库中候选的相似度,根据得分排序选取前m个候选;
步骤30,精排:
通过训练好的pairwise排序模型,为m个候选打分,根据得分排序返回top-k个候选;其中k≤m。
在一个示例中,所述第一训练集具体为:
将训练数据组织成+(qi,ci,j,yi,j)形式;其中,qi为用户输入的一条问题;ci,j为qi对应的一个候选;yi,j为一个二进制标签,表示是否为qi的正确候选。
在一个示例中,所述第二训练集具体为:
在一个示例中,所述粗筛具体为:
根据用户输入的q,FAQ系统从标准候选库中召回n个候选(c1,c2,…,cn),通过训练好的文本匹配模型计算q和ci的相似度,根据得分排序选取前m个候选(c1,c2,…,cm),其中,i∈n,m<n。
在一个示例中,所述精排具体为:
将用户输入的q与粗筛得到的m个候选组成三元组形式(q,ci,cj),通过训练好的pairwise排序模型为候选打分,根据得分排序返回top-k个候选;其中,i,j∈m,k≤m。
第二方面,本发明提供了基于混合策略的FAQ系统排序装置,所述装置包括:
训练模块,用于将第一训练集输入文本匹配模型,获得训练好的文本匹配模型;
训练模块,还用于将第二训练集输入pairwise排序模型,获得训练好的pairwise排序模型;
所述粗筛模块,用于通过训练好的文本匹配模型计算用户输入的问题和标准候选库中候选的相似度,根据得分排序选取前m个候选;
所述精排模块,用于通过训练好的pairwise排序模型,为m个候选打分,根据得分排序返回top-k个候选;其中k≤m。
在一个示例中,所述训练模块包括第一训练单元和第二训练单元,具体的:
第一训练单元,用于将第一训练集输入文本匹配模型,获得训练好的文本匹配模型;
第二训练单元,用于将第二训练集输入pairwise排序模型,获得训练好的pairwise排序模型。
在一个示例中,所述第一训练集具体为:
将训练数据组织成+(qi,ci,j,yi,j)形式;其中,qi为用户输入的一条问题;ci,j为qi对应的一个候选;yi,j为一个二进制标签,表示是否为qi的正确候选。
在一个示例中,所述第二训练集具体为:
在一个示例中,所述粗筛模块具体用于:
根据用户输入的q,FAQ系统从标准候选库中召回n个候选(c1,c2,…,cn),通过训练好的文本匹配模型计算q和ci的相似度,根据得分排序选取前m个候选(c1,c2,…,cm),其中,i∈n,m<n。
在一个示例中,所述精排模块具体用于:
将用户输入的q与粗筛得到的m个候选组成三元组形式(q,ci,cj),通过训练好的pairwise排序模型为候选打分,根据得分排序返回top-k个候选;其中,i,j∈m,k≤m。第三方面,本发明提供了基于混合策略的FAQ系统排序系统,该系统包括至少一个处理器和存储器;
所述存储器,用于存储一个或多个程序指令;
所述处理器,用于运行一个或多个程序指令,用以执行如第一方面中一个或多个所述的方法。
第四方面,本发明提供了一种芯片,所述芯片与系统中的存储器耦合,使得所述芯片在运行时调用所述存储器中存储的程序指令,实现如第一方面中一个或多个所述的方法。
第五方面,本发明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包括一个或多个程序指令,所述一个或多个程序指令可被如第三方面所述的系统执行,以实现如第一方面中一个或多个所述的方法。
本发明实施例提供的方案,使用文本匹配模型粗筛和pairwise排序模型精排的混合排序策略,结合了两类模型的优点。文本匹配模型关注单个句对之间的相关性,用其粗筛可以缩小召回的候选范围。Pairwise排序模型考虑到了候选之间的相对位置,对候选之间的偏序关系学习更充分。两类模型结合可以提高现有基于单一文本匹配策略的FAQ系统排序性能。
附图说明
图1为本发明实施例提供的基于混合策略的FAQ系统排序方法流程示意图之一;
图2为本发明实施例提供的基于混合策略的FAQ系统排序方法流程示意图之二;
图3为本发明实施例提供的基于混合策略的FAQ系统排序装置示意图;
图4为训练模块的结构示意图;
图5为本发明实施例提供的基于混合策略的FAQ系统排序系统结构意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,文中“第一”“第二”是为了进行区分,并不代表先后顺序。另外,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。图1示出一个实施例的基于混合策略的FAQ系统排序方法流程图之一,如图1所示,所述方法包括以下步骤:模型训练、粗筛和精排。图2示出了一个实施例的本发明实施例提供的基于混合策略的FAQ系统排序方法流程示意图之二,如图2所示,该方法步骤具体为:
步骤10,模型训练。
步骤101,将第一训练集输入文本匹配模型,获得训练好的文本匹配模型。
所述第一训练集具体为:将训练数据组织成+(qi,ci,j,yi,j)形式;其中,qi为用户输入的一条问题;ci,j为qi对应的一个候选;yi,j为一个二进制标签,正类为1,负类为0,表示是否为qi的正确候选。标签的作用是监督,文本匹配是一个有监督的训练任务。
步骤102,将第二训练集输入pairwise排序模型,获得训练好的pairwise排序模型。
所述第二训练集具体为:
需要说明的是,上述步骤101和步骤102提到的训练数据是公开数据集或是根据业务需要构建的,且两个步骤中用的是形式不同的两种数据。而步骤101和步骤102没顺序先后之分,可以先执行步骤101,也可以先执行步骤102,或是同时进行。
获得的最佳模型就是训练好的模型,而F1或者acc指标最高的模型是最佳模型。
步骤20,粗筛:
通过训练好的文本匹配模型计算用户输入的问题和标准候选库中候选的相似度,根据得分排序选取前m个候选。
具体的,根据用户输入的q,FAQ系统从标准候选库中召回n个候选(c1,c2,…,cn),通过训练好的文本匹配模型计算q和ci的相似度,根据得分排序选取前m个候选(c1,c2,…,cm),其中,i∈n,m<n。
在此,需要指出的是,选取的候选个数是根据业务需求选择的,不同场景需要的数据个数不同。
步骤30,精排:
通过训练好的pairwise排序模型,为m个候选打分,根据得分排序返回top-k个候选;其中k≤m。
具体的,将用户输入的q与粗筛得到的m个候选组成三元组形式(q,ci,cj),通过训练好的pairwise排序模型为候选打分,根据得分排序返回top-k个候选;其中,i,j∈m,k≤m。此处的,ci,cj都是步骤20中(c1,c2,…,cm)中的候选。
本发明提供的方案的优点是:
用文本匹配模型粗筛和pairwise排序模型精排的混合排序策略,结合了两类模型的优点。文本匹配模型关注单个句对之间的相关性,用其粗筛可以缩小召回的候选范围。Pairwise排序模型考虑到了候选之间的相对位置,对候选之间的偏序关系学习更充分。两类模型结合可以提高现有基于单一文本匹配策略的FAQ系统排序性能。
与上述实施例方法对应的,本发明还提供了基于混合策略的FAQ系统排序装置,图3为装置结构示意图,如图3所示,该装置包括训练模块31、粗筛模块32和精排模块33;具体的,
训练模块31,用于将第一训练集输入文本匹配模型,获得训练好的文本匹配模型;
训练模块31,还用于将第二训练集输入pairwise排序模型,获得训练好的pairwise排序模型;
粗筛模块32,用于通过训练好的文本匹配模型计算用户输入的问题和标准候选库中候选的相似度,根据得分排序选取前m个候选;
精排模块33,用于通过训练好的pairwise排序模型,为m个候选打分,根据得分排序返回top-k个候选;其中k≤m。
在一个示例中,如图4所示,训练模块31包括第一训练单元311和第二训练单元312,具体的:
所述第一训练单元311,用于将第一训练集输入文本匹配模型,获得训练好的文本匹配模型;
所述第二训练单元312,用于将第二训练集输入pairwise排序模型,获得训练好的pairwise排序模型。
本发明实施例提供的装置中各部件所执行的功能均已在上述方法中做了详细介绍,因此这里不做过多赘述。
与上述实施例相对应的,本发明实施例、还提供了基于混合策略的FAQ系统排序系统,具体如图5所示,该系统包括至少一个处理器51和存储器52;
存储器51,用于存储一个或多个程序指令;
处理器52,用于运行一个或多个程序指令,执行如上述实施例所介绍的基于混合策略的FAQ系统排序方法中的任一方法步骤。
与上述实施例相对应的,本发明实施例还提供了一种芯片,该芯片与上述系统中的存储器耦合,使得所述芯片在运行时调用所述存储器中存储的程序指令,实现如上述实施例所介绍的基于混合策略的FAQ系统排序方法。
与上述实施例相对应的,本发明实施例还提供了一种计算机存储介质,该计算机存储介质中包括一个或多个程序,其中,一个或多个程序指令用于被基于混合策略的FAQ系统排序系统执行如上介绍的基于混合策略的FAQ系统排序方法。
本申请提供的方案,使用文本匹配模型粗筛和pairwise排序模型精排的混合排序策略,结合了两类模型的优点。文本匹配模型关注单个句对之间的相关性,用其粗筛可以缩小召回的候选范围。Pairwise排序模型考虑到了候选之间的相对位置,对候选之间的偏序关系学习更充分。两类模型结合可以提高现有基于单一文本匹配策略的FAQ系统排序性能。
专业人员应该还可以进一步意识到,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发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.基于混合策略的FAQ系统排序方法,其特征在于,包括步骤10,模型训练:
将第一训练集输入文本匹配模型,获得训练好的文本匹配模型;
将第二训练集输入pairwise排序模型,获得训练好的pairwise排序模型;
步骤20,粗筛:
通过训练好的文本匹配模型计算用户输入的问题和标准候选库中候选的相似度,根据得分排序选取前m个候选;
步骤30,精排:
通过训练好的pairwise排序模型,为m个候选打分,根据得分排序返回top-k个候选;其中k≤m。
2.根据权利要求1所述的方法,其特征在于,所述第一训练集具体为:
将训练数据组织成+(qi,ci,j,yi,j)形式;其中,qi为用户输入的一条问题;ci,j为qi对应的一个候选;yi,j为一个二进制标签,表示是否为qi的正确候选。
4.根据权利要求1所述的方法,其特征在于,所述粗筛具体为:
根据用户输入的q,FAQ系统从标准候选库中召回n个候选(c1,c2,...,cn),通过训练好的文本匹配模型计算q和ci的相似度,根据得分排序选取前m个候选(c1,c2,...,cm),其中,i∈n,m<n。
5.根据权利要求1所述的方法,其特征在于,所述精排具体为:
将用户输入的q与粗筛得到的m个候选组成三元组形式(q,ci,cj),通过训练好的pairwise排序模型为候选打分,根据得分排序返回top-k个候选;其中,i,j∈m,k≤m。
6.基于混合策略的FAQ系统排序装置,其特征在于,所述装置包括:
训练模块,用于将第一训练集输入文本匹配模型,获得训练好的文本匹配模型;
训练模块,还用于将第二训练集输入pairwise排序模型,获得训练好的pairwise排序模型;
粗筛模块,用于通过训练好的文本匹配模型计算用户输入的问题和标准候选库中候选的相似度,根据得分排序选取前m个候选;
精排模块,用于通过训练好的pairwise排序模型,为m个候选打分,根据得分排序返回top-k个候选;其中k≤m。
7.根据权利要求6所述的装置,其特征在于,所述训练模块包括第一训练单元和第二训练单元;
所述第一训练单元,用于将第一训练集输入文本匹配模型,获得训练好的文本匹配模型;
所述第二训练单元,用于将第二训练集输入pairwise排序模型,获得训练好的pairwise排序模型。
8.根据权利要求6所述的装置,其特征在于,所述第一训练集具体为:
将训练数据组织成+(qi,ci,j,yi,j)形式;其中,qi为用户输入的一条问题;ci,j为qi对应的一个候选;yi,j为一个二进制标签,表示是否为qi的正确候选。
10.根据权利要求6所述的装置,其特征在于,所述粗筛模块具体用于:
根据用户输入的q,FAQ系统从标准候选库中召回n个候选(c1,c2,...,cn),通过训练好的文本匹配模型计算q和ci的相似度,根据得分排序选取前m个候选(c1,c2,...,cm),其中,i∈n,m<n。
11.根据权利要求6所述的装置,其特征在于,所述精排模块具体用于:
将用户输入的q与粗筛得到的m个候选组成三元组形式(q,ci,cj),通过训练好的pairwise排序模型为候选打分,根据得分排序返回top-k个候选;其中,i,j∈m,k≤m。
12.基于混合策略的FAQ系统排序系统,其特征在于,所述系统包括至少一个处理器和存储器;
所述存储器,用于存储一个或多个程序指令;
所述处理器,用于运行一个或多个程序指令,用以执行如权利要求1至5中一个或多个所述的方法。
13.一种芯片,其特征在于,所述芯片与系统中的存储器耦合,使得所述芯片在运行时调用所述存储器中存储的程序指令,实现如权利要求1至5中一个或多个所述的方法。
14.一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包括一个或多个程序指令,所述一个或多个程序指令可被如权利要求11所述的系统执行,以实现如权利要求1至5中一个或多个所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110132061.3A CN112749268A (zh) | 2021-01-30 | 2021-01-30 | 基于混合策略的faq系统排序方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110132061.3A CN112749268A (zh) | 2021-01-30 | 2021-01-30 | 基于混合策略的faq系统排序方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112749268A true CN112749268A (zh) | 2021-05-04 |
Family
ID=75653448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110132061.3A Pending CN112749268A (zh) | 2021-01-30 | 2021-01-30 | 基于混合策略的faq系统排序方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749268A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344031A (zh) * | 2021-05-13 | 2021-09-03 | 清华大学 | 一种文本分类方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635083A (zh) * | 2018-11-27 | 2019-04-16 | 北京科技大学 | 一种用于搜索ted演讲中话题式查询的文档检索方法 |
CN109740126A (zh) * | 2019-01-04 | 2019-05-10 | 平安科技(深圳)有限公司 | 文本匹配方法、装置及存储介质、计算机设备 |
CN110688478A (zh) * | 2019-09-29 | 2020-01-14 | 腾讯科技(深圳)有限公司 | 一种答案排序方法、装置及存储介质 |
CN111581354A (zh) * | 2020-05-12 | 2020-08-25 | 金蝶软件(中国)有限公司 | 一种faq问句相似度计算方法及其系统 |
CN111737559A (zh) * | 2020-05-29 | 2020-10-02 | 北京百度网讯科技有限公司 | 资源排序方法、训练排序模型的方法及对应装置 |
CN112131876A (zh) * | 2020-09-04 | 2020-12-25 | 交通银行股份有限公司太平洋信用卡中心 | 一种基于相似度确定标准问题的方法及系统 |
WO2021000676A1 (zh) * | 2019-07-03 | 2021-01-07 | 平安科技(深圳)有限公司 | 问答方法、问答装置、计算机设备及存储介质 |
-
2021
- 2021-01-30 CN CN202110132061.3A patent/CN112749268A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635083A (zh) * | 2018-11-27 | 2019-04-16 | 北京科技大学 | 一种用于搜索ted演讲中话题式查询的文档检索方法 |
CN109740126A (zh) * | 2019-01-04 | 2019-05-10 | 平安科技(深圳)有限公司 | 文本匹配方法、装置及存储介质、计算机设备 |
WO2021000676A1 (zh) * | 2019-07-03 | 2021-01-07 | 平安科技(深圳)有限公司 | 问答方法、问答装置、计算机设备及存储介质 |
CN110688478A (zh) * | 2019-09-29 | 2020-01-14 | 腾讯科技(深圳)有限公司 | 一种答案排序方法、装置及存储介质 |
CN111581354A (zh) * | 2020-05-12 | 2020-08-25 | 金蝶软件(中国)有限公司 | 一种faq问句相似度计算方法及其系统 |
CN111737559A (zh) * | 2020-05-29 | 2020-10-02 | 北京百度网讯科技有限公司 | 资源排序方法、训练排序模型的方法及对应装置 |
CN112131876A (zh) * | 2020-09-04 | 2020-12-25 | 交通银行股份有限公司太平洋信用卡中心 | 一种基于相似度确定标准问题的方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344031A (zh) * | 2021-05-13 | 2021-09-03 | 清华大学 | 一种文本分类方法 |
CN113344031B (zh) * | 2021-05-13 | 2022-12-27 | 清华大学 | 一种文本分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795543B (zh) | 基于深度学习的非结构化数据抽取方法、装置及存储介质 | |
CN111949787B (zh) | 基于知识图谱的自动问答方法、装置、设备及存储介质 | |
Pimplikar et al. | Answering table queries on the web using column keywords | |
US8346701B2 (en) | Answer ranking in community question-answering sites | |
CN111858859A (zh) | 自动问答处理方法、装置、计算机设备及存储介质 | |
CN110750649A (zh) | 知识图谱构建及智能应答方法、装置、设备及存储介质 | |
US8832584B1 (en) | Questions on highlighted passages | |
CN111506714A (zh) | 基于知识图嵌入的问题回答 | |
Chiang et al. | A ranking-based KNN approach for multi-label classification | |
CN112819023B (zh) | 样本集的获取方法、装置、计算机设备和存储介质 | |
CN112035730B (zh) | 一种语义检索方法、装置及电子设备 | |
CN110321537B (zh) | 一种文案生成方法和装置 | |
CN111078837B (zh) | 智能问答信息处理方法、电子设备及计算机可读存储介质 | |
US20210366025A1 (en) | Item recommendation method based on user intention in session and system thereof | |
CN102105901A (zh) | 注释图像 | |
CN109828981B (zh) | 一种数据处理方法及计算设备 | |
CN108959559A (zh) | 问答对生成方法和装置 | |
US10108661B2 (en) | Using synthetic events to identify complex relation lookups | |
CN113312461A (zh) | 基于自然语言处理的智能问答方法、装置、设备及介质 | |
CN112241626A (zh) | 一种语义匹配、语义相似度模型训练方法及装置 | |
CN107844531B (zh) | 答案输出方法、装置和计算机设备 | |
CN115952277A (zh) | 基于知识关系检索增强方法、模型、设备及存储介质 | |
Hassani et al. | LVTIA: A new method for keyphrase extraction from scientific video lectures | |
CN116610815A (zh) | 一种知识图谱的关系预测方法、装置、设备及存储介质 | |
CN112749268A (zh) | 基于混合策略的faq系统排序方法、装置及系统 |
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 |