CN112800174A - 一种基于知识图谱的保险自动问答方法及问答系统 - Google Patents

一种基于知识图谱的保险自动问答方法及问答系统 Download PDF

Info

Publication number
CN112800174A
CN112800174A CN202010826806.1A CN202010826806A CN112800174A CN 112800174 A CN112800174 A CN 112800174A CN 202010826806 A CN202010826806 A CN 202010826806A CN 112800174 A CN112800174 A CN 112800174A
Authority
CN
China
Prior art keywords
insurance
entity
question
relationship
answering
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
Application number
CN202010826806.1A
Other languages
English (en)
Inventor
闫艺婷
肖政宏
马智勇
周健烨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN202010826806.1A priority Critical patent/CN112800174A/zh
Publication of CN112800174A publication Critical patent/CN112800174A/zh
Pending legal-status Critical Current

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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Human Computer Interaction (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种基于知识图谱的保险自动问答方法，其应用于保险自动问答系统，其中步骤依次包括：步骤S1：首先利用爬虫技术采集保险产品的相关信息；步骤S2：对保险实体关系的数据进行标注；步骤S3：利用预训练的词向量文件构建embedding矩阵；步骤S4：制定实体对齐方法基于I‑SPRS相似度；步骤S5：问句理解模型构建；步骤S6：最后答案生成；制定实体对齐方法基于I‑SPRS(Insurance‑Surrounding Property and relation Similarity)相似度，问句理解模型构建，最后答案生成。有益效果是：这样的设计使得在查询数据时可以减少由于传统数据库的约束所带来的影响，使答案更为准确且易于理解，并且也提高问句理解的泛化能力。

Description

一种基于知识图谱的保险自动问答方法及问答系统
技术领域
本发明涉及人工智能问答技术领域，特别是一种基于知识图谱的保险自动问答方法及问答系统。
背景技术
随着自然语言处理技术的发展，自动问答成了各行各业的趋势。据相关研究表明，自动问答的方式有多种：检索式问答、阅读理解、生成式问答和知识图谱问答。对于保险行业而言，其数据量多而复杂。
知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。
发明内容
针对上述缺陷，本发明的目的在于提出一种基于知识图谱的保险自动问答方法及问答系统。该方法集合自然语言处理的方法与知识图谱的技术，首先对语料数据中的主体、客体、时间、地点、金额、保险条款及保险产品特点等进行知识抽取，构建保险知识图谱。再根据现有且成熟的深度学习方法，对输入问句进行分析，结合知识图谱生成答案，进而实现保险领域自动问答，为用户提供服务。
为达此目的，本发明采用以下技术方案：
一种基于知识图谱的保险自动问答方法，其应用于保险自动问答系统，其中步骤依次包括：
步骤S1：首先利用爬虫技术采集保险产品的相关信息；
步骤S2：对保险实体关系的数据进行标注；
步骤S3：利用预训练的词向量文件构建embedding矩阵；
步骤S4：制定实体对齐方法基于I-SPRS相似度；
步骤S5：问句理解模型构建；
步骤S6：最后答案生成。
优选地，上述的基于知识图谱的保险自动问答方法，所述步骤S1具体包括如下内容：利用爬虫技术从中国XX保险、XX险和XXX保险网站采集保险产品的相关信息，保险产品的相关信息包括：保险产品名称、保险产品适用人群性别、保险产品适用人群年龄、保险产品价格、保险产品保障范围、保险产品保障期限和保险产品销售范围。
优选地，上述的基于知识图谱的保险自动问答方法，所述步骤S2具体包括如下内容：保险实体关系的数据标注，使用最常用的BIOES标注规范，实体位置信息主要由三部分组成：{B(实体开始)，I(实体内部)，E(实体结尾)，S(单个实体)}；实体关系类型信息：{由预先定义的关系类型进行编码}；实体的关系方向：{1(实体1)，2(实体2)}；其余实体关系不是三元组内的字标签记为“o”； Name-Alias为别名关系，记为NA；Disease-contain代表重疾-包含，记为DC； Disease-belong表示疾病-属于关系，记为DB，采用实体与关系共同标注策略，把知识抽取转为序列标注问题，关系标注类型包括24类，分别是：B-NA-1、 I-NA-1、E-NA-1、S-NA-1、B-NA-2、I-NA-2、E-NA-2、S-NA-2、B-DC-1、I-DC-1、 E-DC-1、S-DC-1、B-DC-2、I-DC-2、E-DC-2、S-DC-2、B-DB-1、I-DB-1、E-DB-1、 S-DB-1、B-DC-2、I-DC-2、E-DC-2、S-DC-2。
优选地，上述的基于知识图谱的保险自动问答方法，所述步骤S3具体包括如下内容：利用实体关系联合抽取模型图，采用腾讯开源高质量中文词向量数据包含800多万中文词汇，用预训练的词向量文件构建embedding矩阵，通过 e(xi)运算和输入层的字符做index嵌入，将每个输入字符映射到低维稠密的向量表示，每个词代表200维向量，表示字在不同维度上的语义信息。
优选地，上述的基于知识图谱的保险自动问答方法，还包括步骤S7：设置数据增强方案；所述数据增强方案包括：采用停用词规则即省区不重要的词语部分。
优选地，上述的基于知识图谱的保险自动问答方法，还包括步骤S7：设置数据增强方案；所述数据增强方案包括：采用同义词规则即替换词语保证同义。
优选地，上述的基于知识图谱的保险自动问答方法，利用实体关系联合抽取模型图的步骤还包括如下内容：
Bi-LSTM layer是利用长短忘记网络特性来提取特征，第一步是把生成每个字符的向量表示序列作为Bi-LSTM的输入，第二步是将Bi-LSTM在各时间位置进行拼接，得到一个完整的序列；第三步是将Bi-LSTM每个时间序列上输出的多个概率值，通过softmax分类预测，因为softmax只考虑当前的信息，忽略了上下文；第四步，用CRF进行句子级别的序列标注，CRF的特点是在一个位置上标注时，利用之前标注过的标签，窗口大小的不同决定了逻辑关系；会加入限制标签，排除出现无效情况。
优选地，上述的基于知识图谱的保险自动问答方法，所述提取特征还包括如下步骤：将所述Bi-LSTM每个时间序列上输出的多个概率值，通过softmax 分类预测。
一种保险自动问答系统，其中步骤依次包括：
输入模块：用于接收用户保险问句；
问句实体识别模块：用于建议模型和匹配实体连接；
保险知识图谱模块：用于分析问句，实现保险自动问答功能；
问句关系预测模块：用于抽取问句的特征；
查询模块：问句的特征对传统数据库进行查询；
输出模块：用于回答用户提出的问题。
本发明的有益效果：
制定实体对齐方法基于I-SPRS(Insurance-Surrounding Property andrelation Similarity)相似度，问句理解模型构建，最后答案生成，这样的设计使得在查询数据时可以减少由于传统数据库的约束所带来的影响，使答案更为准确且易于理解，并且也提高问句理解的泛化能力。
附图说明
图1为本发明的系统流程图；
图2为序列标注的标注图；
图3为实体关系联合抽取模型图。
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。
如图1、2、3所示，一种基于知识图谱的保险自动问答方法，其应用于保险自动问答系统，其中步骤依次包括：步骤S1：首先利用爬虫技术采集保险产品的相关信息；步骤S2：对保险实体关系的数据进行标注；步骤S3：利用预训练的词向量文件构建embedding矩阵；步骤S4：制定实体对齐方法基于I-SPRS 相似度；步骤S5：问句理解模型构建；步骤S6：最后答案生成；制定实体对齐方法基于I-SPRS(Insurance-Surrounding Property and relationSimilarity)相似度，问句理解模型构建，最后答案生成，这样的设计使得在查询数据时可以减少由于传统数据库的约束所带来的影响，使答案更为准确且易于理解，并且也提高问句理解的泛化能力。
本发明中的基于知识图谱的保险自动问答方法，其中步骤S1具体包括如下内容：利用爬虫技术从中国XX保险、XX险和XXX保险网站采集保险产品的相关信息，保险产品的相关信息包括：保险产品名称、保险产品适用人群性别、保险产品适用人群年龄、保险产品价格、保险产品保障范围、保险产品保障期限和保险产品销售范围。
本发明中的基于知识图谱的保险自动问答方法，其中步骤S2具体包括如下内容：保险实体关系的数据标注，使用最常用的BIOES标注规范，实体位置信息主要由三部分组成：{B(实体开始)，I(实体内部)，E(实体结尾)，S(单个实体)}；实体关系类型信息：{由预先定义的关系类型进行编码}；实体的关系方向：{1(实体1)，2(实体2)}；其余实体关系不是三元组内的字标签记为“o”；Name-Alias 为别名关系，记为NA；Disease-contain代表重疾-包含，记为DC；Disease-belong 表示疾病-属于关系，记为DB，采用实体与关系共同标注策略，把知识抽取转为序列标注问题，关系标注类型包括24类，分别是：B-NA-1、I-NA-1、E-NA-1、S-NA-1、B-NA-2、I-NA-2、E-NA-2、S-NA-2、B-DC-1、I-DC-1、E-DC-1、S-DC-1、 B-DC-2、I-DC-2、E-DC-2、S-DC-2、B-DB-1、I-DB-1、E-DB-1、S-DB-1、B-DC-2、 I-DC-2、E-DC-2、S-DC-2；说明书，如图2所示。
本发明中的基于知识图谱的保险自动问答方法，其中步骤S3具体包括如下内容：利用实体关系联合抽取模型图，采用腾讯开源高质量中文词向量数据包含800多万中文词汇，用预训练的词向量文件构建embedding矩阵，通过e(xi)运算和输入层的字符做index嵌入，将每个输入字符映射到低维稠密的向量表示，每个词代表200维向量，表示字在不同维度上的语义信息，说明书，如图3所示。
本发明中的基于知识图谱的保险自动问答方法，其中还包括步骤S7：设置数据增强方案；数据增强方案包括：采用停用词规则即省区不重要的词语部分，这样的设计使得停用词规则是省略不重要部分，比如：语气助词，只保留关键词，关键词一般主要由名词、形容词、动词、限定性副词等，可以提高泛化能力；停用词规则是省略不重要部分，比如：语气助词(就是、一样、罢了、一般、而已、再说、来着、也好、不成、得了、也罢、着呢)、介词(为了、对于、等到、自从、按照、由于、依据、通过、作为、除了、关于、鉴于、依照、经由、除去、)，只保留关键词，关键词一般主要由名词、形容词、动词、限定性副词等。
本发明中的基于知识图谱的保险自动问答方法，其中还包括步骤S7：设置数据增强方案；数据增强方案包括：采用同义词规则即替换词语保证同义，同义词规则：替换词语保证同义，涉及问句分类i问题。当射击问句分类的问题，主要根据表3-1进行模块匹配替换，具体方法是对于每个类别的语料进行随机生成100条，人工校对完成替换。
表3-1数据增强替换词表
Figure RE-GDA0002818637260000061
Figure 1
Figure RE-GDA0002818637260000081
本发明中的基于知识图谱的保险自动问答方法，其中利用实体关系联合抽取模型图的步骤还包括如下内容：Bi-LSTM layer是利用长短忘记网络特性来提取特征，第一步是把生成每个字符的向量表示序列作为Bi-LSTM的输入，第二步是将Bi-LSTM在各时间位置进行拼接，得到一个完整的序列；第三步是将 Bi-LSTM每个时间序列上输出的多个概率值，通过softmax分类预测，因为 softmax只考虑当前的信息，忽略了上下文；第四步，用CRF进行句子级别的序列标注，CRF的特点是在一个位置上标注时，利用之前标注过的标签，窗口大小的不同决定了逻辑关系；会加入限制标签，排除出现无效情况。
本发明中的基于知识图谱的保险自动问答方法，其中提取特征还包括如下步骤：将Bi-LSTM每个时间序列上输出的多个概率值，通过softmax分类预测，将生成每个字符的向量表示序列作为Bi-LSTM的输入，再通过Bi-LSTM在各时间位置进行拼接，得到一个完整的序列，将Bi-LSTM每个时间序列上输出的多个概率值，通过softmax分类预测，这样的设计通过Bi-LSTM layer利用长短忘记网络特性来提取特征。
一种保险自动问答系统，其中步骤依次包括：输入模块：用于接收用户保险问句；问句实体识别模块：用于建议模型和匹配实体连接；保险知识图谱模块：用于分析问句，实现保险自动问答功能；问句关系预测模块：用于抽取问句的特征；查询模块：问句的特征对传统数据库进行查询；输出模块：用于回答用户提出的问题。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。以上，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。

Claims (9)

1.一种基于知识图谱的保险自动问答方法，其应用于保险自动问答系统，其中步骤依次包括：
步骤S1：首先利用爬虫技术采集保险产品的相关信息；
步骤S2：对保险实体关系的数据进行标注；
步骤S3：利用预训练的词向量文件构建embedding矩阵；
步骤S4：制定实体对齐方法基于I-SPRS相似度；
步骤S5：问句理解模型构建；
步骤S6：最后答案生成。
2.根据权利要求1所述的基于知识图谱的保险自动问答方法，其特征在于：所述步骤S1具体包括如下内容：利用爬虫技术从中国平安保险、沃保险、OpenKG和向日葵保险网站采集保险产品的相关信息，保险产品的相关信息包括：保险产品名称、保险产品适用人群性别、保险产品适用人群年龄、保险产品价格、保险产品保障范围、保险产品保障期限和保险产品销售范围。
3.根据权利要求1所述的基于知识图谱的保险自动问答方法，其特征在于：所述步骤S2具体包括如下内容：保险实体关系的数据标注，使用最常用的BIOES标注规范，实体位置信息主要由三部分组成：{B(实体开始)，I(实体内部)，E(实体结尾)，S(单个实体)}；实体关系类型信息：{由预先定义的关系类型进行编码}；实体的关系方向：{1(实体1)，2(实体2)}；其余实体关系不是三元组内的字标签记为“o”；Name-Alias为别名关系，记为NA；Disease-contain代表重疾-包含，记为DC；Disease-belong表示疾病-属于关系，记为DB，采用实体与关系共同标注策略，把知识抽取转为序列标注问题，关系标注类型包括24类，分别是：B-NA-1、I-NA-1、E-NA-1、S-NA-1、B-NA-2、I-NA-2、E-NA-2、S-NA-2、B-DC-1、I-DC-1、E-DC-1、S-DC-1、B-DC-2、I-DC-2、E-DC-2、S-DC-2、B-DB-1、I-DB-1、E-DB-1、S-DB-1、B-DC-2、I-DC-2、E-DC-2、S-DC-2。
4.根据权利要求1所述的基于知识图谱的保险自动问答方法，其特征在于：所述步骤S3具体包括如下内容：利用实体关系联合抽取模型图，采用腾讯开源高质量中文词向量数据包含800多万中文词汇，用预训练的词向量文件构建embedding矩阵，通过e(xi)运算和输入层的字符做index嵌入，将每个输入字符映射到低维稠密的向量表示，每个词代表200维向量，表示字在不同维度上的语义信息。
5.根据权利要求1所述的基于知识图谱的保险自动问答方法，其特征在于：还包括步骤S7：设置数据增强方案；所述数据增强方案包括：采用停用词规则即省区不重要的词语部分。
6.根据权利要求1所述的基于知识图谱的保险自动问答方法，其特征在于：还包括步骤S7：设置数据增强方案；所述数据增强方案包括：采用同义词规则即替换词语保证同义。
7.根据权利要求4所述的基于知识图谱的保险自动问答方法，其特征在于：利用实体关系联合抽取模型图的步骤还包括如下内容：
Bi-LSTM layer是利用长短忘记网络特性来提取特征，第一步是把生成每个字符的向量表示序列作为Bi-LSTM的输入，第二步是将Bi-LSTM在各时间位置进行拼接，得到一个完整的序列；第三步是将Bi-LSTM每个时间序列上输出的多个概率值，通过softmax分类预测，因为softmax只考虑当前的信息，忽略了上下文；第四步，用CRF进行句子级别的序列标注，CRF的特点是在一个位置上标注时，利用之前标注过的标签，窗口大小的不同决定了逻辑关系；会加入限制标签，排除出现无效情况。
8.根据权利要求1所述的基于知识图谱的保险自动问答方法，其特征在于：所述提取特征还包括如下步骤：将所述Bi-LSTM每个时间序列上输出的多个概率值，通过softmax分类预测。
9.一种保险自动问答系统，其特征在于，步骤依次包括：
输入模块：用于接收用户保险问句；
问句实体识别模块：用于建议模型和匹配实体连接；
保险知识图谱模块：用于分析问句，实现保险自动问答功能；
问句关系预测模块：用于抽取问句的特征；
查询模块：问句的特征对传统数据库进行查询；
输出模块：用于回答用户提出的问题。
CN202010826806.1A 2020-08-17 2020-08-17 一种基于知识图谱的保险自动问答方法及问答系统 Pending CN112800174A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010826806.1A CN112800174A (zh) 2020-08-17 2020-08-17 一种基于知识图谱的保险自动问答方法及问答系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010826806.1A CN112800174A (zh) 2020-08-17 2020-08-17 一种基于知识图谱的保险自动问答方法及问答系统

Publications (1)

Publication Number Publication Date
CN112800174A true CN112800174A (zh) 2021-05-14

Family

ID=75806517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010826806.1A Pending CN112800174A (zh) 2020-08-17 2020-08-17 一种基于知识图谱的保险自动问答方法及问答系统

Country Status (1)

Country Link
CN (1) CN112800174A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113886435A (zh) * 2021-12-08 2022-01-04 国能大渡河大数据服务有限公司 一种基于循环神经网络的信息查询方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110019844A (zh) * 2019-02-20 2019-07-16 众安信息技术服务有限公司 一种保险行业知识图谱问答系统构建方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110019844A (zh) * 2019-02-20 2019-07-16 众安信息技术服务有限公司 一种保险行业知识图谱问答系统构建方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
修晓蕾 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113886435A (zh) * 2021-12-08 2022-01-04 国能大渡河大数据服务有限公司 一种基于循环神经网络的信息查询方法及系统

Similar Documents

Publication Publication Date Title
CN109684448B (zh) 一种智能问答方法
US11182562B2 (en) Deep embedding for natural language content based on semantic dependencies
Bharadiya A comprehensive survey of deep learning techniques natural language processing
CN108363743B (zh) 一种智能问题生成方法、装置和计算机可读存储介质
Siddharthan A survey of research on text simplification
US9606990B2 (en) Cognitive system with ingestion of natural language documents with embedded code
CN112836046A (zh) 一种四险一金领域政策法规文本实体识别方法
JP2009521029A (ja) 非構造的データから多言語電子コンテンツを自動的に生成する方法およびシステム
WO2023040493A1 (zh) 事件检测
CN113239163A (zh) 一种基于交通大数据的智能问答方法及系统
CN114943230A (zh) 一种融合常识知识的中文特定领域实体链接方法
CN113377897A (zh) 基于深度对抗学习的多语言医疗术语规范标准化系统及方法
CN114580639A (zh) 一种基于政务三元组自动抽取对齐的知识图谱构建的方法
CN114840685A (zh) 一种应急预案知识图谱构建方法
Kondurkar et al. Modern applications with a focus on training chatgpt and gpt models: Exploring generative ai and nlp
CN112800174A (zh) 一种基于知识图谱的保险自动问答方法及问答系统
TW202349325A (zh) 一種語意分析商標類別推薦系統及其方法
Lee Natural Language Processing: A Textbook with Python Implementation
CN116186232A (zh) 一种标准知识智能问答实现方法、装置、设备和介质
Cassell Language Technology Applications: Current Developments and Future Implications
CN114579706A (zh) 一种基于bert神经网络和多任务学习的主观题自动评阅方法
Guo RETRACTED: An automatic scoring method for Chinese-English spoken translation based on attention LSTM [EAI Endorsed Scal Inf Syst (2022), Online First]
CN112347786A (zh) 人工智能评分训练方法和装置
Singh et al. Computer application for assessing subjective answers using AI
Li [Retracted] An English Writing Grammar Error Correction Technology Based on Similarity Algorithm

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