CN113239165B - 基于云化机器人的阅读理解方法、系统及存储介质 - Google Patents
基于云化机器人的阅读理解方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113239165B CN113239165B CN202110532203.5A CN202110532203A CN113239165B CN 113239165 B CN113239165 B CN 113239165B CN 202110532203 A CN202110532203 A CN 202110532203A CN 113239165 B CN113239165 B CN 113239165B
- Authority
- CN
- China
- Prior art keywords
- vector
- cloud robot
- article
- voice
- robot
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 81
- 238000012935 Averaging Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 210000004556 brain Anatomy 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Electrically Operated Instructional Devices (AREA)
- Manipulator (AREA)
- Toys (AREA)
Abstract
本发明公开了基于云化机器人的阅读理解方法、系统及存储介质,属于服务机器人技术领域,本发明要解决的技术问题为如何利用云化机器人强大的计算能力来提高云化机器人的阅读理解能力,确保云化机器人能够更好的服务用户,采用的技术方案为:该方法具体步骤如下:S1、通过云化机器人前端操作界面输入一篇文章到云化机器人;S2、用户语音提出问题,云化机器人通过语音识别技术识别用户的问题内容;S3、对云化机器人语音识别的问题内容进行预处理;S4、云化机器人对输入的文章进行阅读理解;S5、云化机器人借助自然语言生成技术生成从文章中获取的问题答案;S6、云化机器人将问题的答案合成语音并播放给用户。
Description
技术领域
本发明涉及服务机器人技术领域,具体地说是一种基于云化机器人的阅读理解方法、系统及存储介质。
背景技术
机器阅读理解早期的模型都是基于机器学习和规则去做,但是当数据量很大的时候或者文本的长度很长的时候,这种方式的准确率也只有百分之三十。随着人工智能的快速发展,深度学习方法在NLP领域展现出优秀的能力。但是深度学习往往需要强大的计算能力,机器人通常不能提供足够的计算能力,所以无法具有较强的阅读理解能力。
随着人工智能的快速发展,机器人越来越多的成为生活中的辅助工具,例如百度小度、小米小爱同学。为了让机器人拥有更加强大的智能能力,把云计算和机器人相结合,形成云化机器人。
云化机器人具体介绍如下:因为人脑具有百亿乃至万亿个神经元,若要完成一个集成如此多神经元的电路,芯片重量将达数千吨。因此,采取将机器人的“大脑”放在云端的办法来解决这一难题,即使有上百万个机器人,都可以共享一个“大脑”。这种云化“家庭保姆”可以做家庭保姆所做的一切,不仅会使用自然语言与人交流,看护老人与小孩,而且会做家务。
故如何利用云化机器人强大的计算能力来提高云化机器人的阅读理解能力,确保云化机器人能够更好的服务用户是目前亟待解决的技术问题。
发明内容
本发明的技术任务是提供一种基于云化机器人的阅读理解方法、系统及存储介质,来解决如何利用云化机器人强大的计算能力来提高云化机器人的阅读理解能力,确保云化机器人能够更好的服务用户的问题。
本发明的技术任务是按以下方式实现的,一种基于云化机器人的阅读理解方法,该方法具体步骤如下:
S1、通过云化机器人前端操作界面输入一篇文章到云化机器人;
S2、用户语音提出问题,云化机器人通过语音识别技术识别用户的问题内容;
S3、对云化机器人语音识别的问题内容进行预处理;
S4、云化机器人对输入的文章进行阅读理解;
S5、云化机器人借助自然语言生成技术生成从文章中获取的问题答案;
S6、云化机器人将问题的答案合成语音并播放给用户。
作为优选,所述步骤S3中预处理包括分词处理和纠错处理。
作为优选,所述步骤S2中云化机器人通过语音识别技术识别用户的问题内容具体如下:
S201、问题通过word2vec进行编码得到embedding vector(嵌入向量);
S202、将编码得到embedding vector输入到Bi-LSTM层;
S203、通过Bi-LSTM层输出embedding vector的前向向量和后向向量并concat拼接;
S204、对拼接后的向量进行权重加和。
更优地,所述步骤S204中权重加和的公式如下:
其中,wqT表示一个向量,该项量是一个待学习的参数;q表示问题加权平均后的向量;b表示权重;j表示索引符号,例如问题的句子为【我,是,好人】,j的取值范围就就是0,1,2;j’表示问题句子中的某个词。
更优地,所述步骤S4中云化机器人对输入的文章进行阅读理解具体如下:
S401、文章经过word2vec进行编码得到embedding vector(嵌入向量);
S402、获取文章的词性信息和实体信息;
S403、把embedding vector(嵌入向量)、词性信息和实体信息同时传入到Bi-LSTM层获取预测值
S404、把文章从Bi-LSTM层输出的预测值和问题加权平均后的向量进行计算,公式如下:
其中,p表示文章经过Bi-LSTM层后的输出向量;q表示问题加权平均后的向量;W(end)和W(start)表示两个矩阵,时序上共享,也是待学习的参数;P(start)和P(end)表示是否是答案开始和结束的概率,答案就是P(start)的坐标点到P(end)的坐标点的文章中的词。
一种基于云化机器人的阅读理解系统,该方法具体如下:
输入模块,用于通过云化机器人的前端操作界面输入一篇文章到云化机器人;
语音识别模块,用于识别用户语音提出的问题;
预处理模块,用于对语音识别的问题进行预处理;
阅读理解模块,用于对输入的文章进行阅读理解;
答案生成模块,用于借助自然语言生成技术生成从文章中获取的问题答案;
语音合成模块,用于将问题的答案合成语音并播放给用户。
作为优选,所述预处理模块包括,
分词子模块,用于对问题进行分词处理;
纠错子模块,用于对问题进行纠错处理。
更优地,所述语音识别模块工作过程具体如下:
(1)、问题通过word2vec进行编码得到embedding vector(嵌入向量);
(2)、将编码得到embedding vector输入到Bi-LSTM层;
(3)、通过Bi-LSTM层输出embedding vector的前向向量和后向向量并concat拼接;
(4)、对拼接后的向量进行权重加和,公式如下:
其中,wqT表示一个向量,该项量是一个待学习的参数;q表示问题加权平均后的向量;b表示权重;j表示索引符号,例如问题的句子为【我,是,好人】,j的取值范围就就是0,1,2;j’表示问题句子中的某个词。
更优地,所述阅读理解模块的工作过程具体如下:
(1)、文章经过word2vec进行编码得到embedding vector(嵌入向量);
(2)、获取文章的词性信息和实体信息;
(3)、把embedding vector(嵌入向量)、词性信息和实体信息同时传入到Bi-LSTM层获取预测值
(4)、把文章从Bi-LSTM层输出的预测值和问题加权平均后的向量进行计算,公式如下:
其中,p表示文章经过Bi-LSTM层后的输出向量;q表示问题加权平均后的向量;W(end)和W(start)表示两个矩阵,时序上共享,也是待学习的参数;P(start)和P(end)表示是否是答案开始和结束的概率,答案就是P(start)的坐标点到P(end)的坐标点的文章中的词。
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计算机程序,所述计算机程序可被处理器执行以实现如上述的基于云化机器人的阅读理解方法。
本发明的基于云化机器人的阅读理解方法、系统及存储介质具有以下优点:
(一)本发明利用云计算强大的计算能力,使云化机器人赋予更高的能力,从而让云化机器人更加智能,并且可以让多个机器人拥有强大的协作能力,让云化机器人拥有更加智能的能力,拥有更好的阅读理解能力;
(二)本发明主要是解决云化机器人中的阅读理解功能,云化机器人包含前端操作界面和后端操作界面,云化机器人端支持前端界面,提供用户输入问题和文章,也支持语音输入问题,云化机器人查询到答案,利用语音能力返回给用户,提高云化机器人的阅读理解能力,确保云化机器人能够更好的服务用户;
(三)本发明利用深度学习技术和NLP技术来帮助用户完成阅读理解功能,该项目借助语音识别功能,使用户使用更加友好;
(四)阅读理解模块利用词性分析、实体识别、词嵌入、Bi-LSTM技术、注意力机制等构成,提高阅读理解能力,确保能够高效快速的回应用户,为用户提供满意的答案。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于云化机器人的阅读理解方法的流程框图;
附图2为语音识别问题及文字阅读理解的流程框图。
具体实施方式
参照说明书附图和具体实施例对本发明的基于云化机器人的阅读理解方法、系统及存储介质作以下详细地说明。
实施例1:
如附图1所示,本发明的基于云化机器人的阅读理解方法,该方法具体步骤如下:
S1、通过云化机器人前端操作界面输入一篇文章到云化机器人;
S2、用户语音提出问题,云化机器人通过语音识别技术识别用户的问题内容;
S3、对云化机器人语音识别的问题内容进行预处理;
S4、云化机器人对输入的文章进行阅读理解;
S5、云化机器人借助自然语言生成技术生成从文章中获取的问题答案;
S6、云化机器人将问题的答案合成语音并播放给用户。
本实施例的步骤S3中预处理包括分词处理和纠错处理。
如附图2所示,本实施例中步骤S2中云化机器人通过语音识别技术识别用户的问题内容具体如下:
S201、问题通过word2vec进行编码得到embedding vector(嵌入向量);
S202、将编码得到embedding vector输入到Bi-LSTM层;
S203、通过Bi-LSTM层输出embedding vector的前向向量和后向向量并concat拼接;其中,前向向量和后向向量是通过Bi-LSTM层获取的两个不同方向的向量。
S204、对拼接后的向量进行权重加和,公式如下:
其中,wqT表示一个向量,该项量是一个待学习的参数;q表示问题加权平均后的向量;b表示权重;j表示索引符号,例如问题的句子为【我,是,好人】,j的取值范围就就是0,1,2;j’表示问题句子中的某个词。
本实施例中的步骤S4中云化机器人对输入的文章进行阅读理解具体如下:
S401、文章经过word2vec进行编码得到embedding vector(嵌入向量);
S402、获取文章的词性信息和实体信息;
S403、把embedding vector(嵌入向量)、词性信息和实体信息同时传入到Bi-LSTM层获取预测值
S404、把文章从Bi-LSTM层输出的预测值和问题加权平均后的向量进行计算,公式如下:
其中,p表示文章经过Bi-LSTM层后的输出向量;q表示问题加权平均后的向量;W(end)和W(start)表示两个矩阵,时序上共享,也是待学习的参数;P(start)和P(end)表示是否是答案开始和结束的概率,答案就是P(start)的坐标点到P(end)的坐标点的文章中的词。
举例:输入的文章是趵突泉是济南的标志,用户提出一个问题:济南的标志是什么?云化机器人返回的答案是趵突泉。
实施例2:
本发明的基于云化机器人的阅读理解系统,该方法具体如下:
输入模块,用于通过云化机器人的前端操作界面输入一篇文章到云化机器人;
语音识别模块,用于识别用户语音提出的问题;
预处理模块,用于对语音识别的问题进行预处理;
阅读理解模块,用于对输入的文章进行阅读理解;
答案生成模块,用于借助自然语言生成技术生成从文章中获取的问题答案;
语音合成模块,用于将问题的答案合成语音并播放给用户。
本实施例中的预处理模块包括,
分词子模块,用于对问题进行分词处理;
纠错子模块,用于对问题进行纠错处理。
本实施例中的语音识别模块工作过程具体如下:
(1)、问题通过word2vec进行编码得到embedding vector(嵌入向量);
(2)、将编码得到embedding vector输入到Bi-LSTM层;
(3)、通过Bi-LSTM层输出embedding vector的前向向量和后向向量并concat拼接;
(4)、对拼接后的向量进行权重加和,公式如下:
其中,wqT表示一个向量,该项量是一个待学习的参数;q表示问题加权平均后的向量;b表示权重;j表示索引符号,例如问题的句子为【我,是,好人】,j的取值范围就就是0,1,2;j’表示问题句子中的某个词。
本实施例中的阅读理解模块的工作过程具体如下:
(1)、文章经过word2vec进行编码得到embedding vector(嵌入向量);
(2)、获取文章的词性信息和实体信息;
(3)、把embedding vector(嵌入向量)、词性信息和实体信息同时传入到Bi-LSTM层获取预测值
(4)、把文章从Bi-LSTM层输出的预测值和问题加权平均后的向量进行计算,公式如下:
其中,p表示文章经过Bi-LSTM层后的输出向量;q表示问题加权平均后的向量;W(end)和W(start)表示两个矩阵,时序上共享,也是待学习的参数;P(start)和P(end)表示是否是答案开始和结束的概率,答案就是P(start)的坐标点到P(end)的坐标点的文章中的词。
实施例3:
本发明实施例还提供了一种计算机可读存储介质,其中存储有多条指令,指令由处理器加载,使处理器执行本发明任一实施例中的基于云化机器人的阅读理解方法。具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RYM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (3)
1.一种基于云化机器人的阅读理解方法,其特征在于,该方法具体步骤如下:
S1、通过云化机器人前端操作界面输入一篇文章到云化机器人;
S2、用户语音提出问题,云化机器人通过语音识别技术识别用户的问题内容;具体如下:
S201、问题通过word2vec进行编码得到embedding vector;
S202、将编码得到embedding vector输入到Bi-LSTM层;
S203、通过Bi-LSTM层输出embedding vector的前向向量和后向向量并concat拼接;
S204、对拼接后的向量进行权重加和,公式如下:
其中,wqT表示一个向量,该向量是一个待学习的参数;q表示问题加权平均后的向量;b表示权重;j表示索引符号;j’表示问题句子中的某个词;
S3、对云化机器人语音识别的问题内容进行预处理;预处理包括分词处理和纠错处理;
S4、云化机器人对输入的文章进行阅读理解;具体如下:
S401、文章经过word2vec进行编码得到embedding vector;
S402、获取文章的词性信息和实体信息;
S403、把embedding vector、词性信息和实体信息同时传入到Bi-LSTM层获取预测值;
S404、把文章从Bi-LSTM层输出的预测值和问题加权平均后的向量进行计算,公式如下:
其中,p表示文章经过Bi-LSTM层后的输出向量;q表示问题加权平均后的向量;W(end)和W(start)表示两个矩阵,时序上共享,也是待学习的参数;P(start)和P(end)表示是否是答案开始和结束的概率,答案就是P(start)的坐标点到P(end)的坐标点的文章中的词;
S5、云化机器人借助自然语言生成技术生成从文章中获取的问题答案;
S6、云化机器人将问题的答案合成语音并播放给用户。
2.一种基于云化机器人的阅读理解系统,其特征在于,该方法具体如下:
输入模块,用于通过云化机器人的前端操作界面输入一篇文章到云化机器人;
语音识别模块,用于识别用户语音提出的问题;语音识别模块工作过程具体如下:
(1)、问题通过word2vec进行编码得到embedding vector;
(2)、将编码得到embedding vector输入到Bi-LSTM层;
(3)、通过Bi-LSTM层输出embedding vector的前向向量和后向向量并concat拼接;
(4)、对拼接后的向量进行权重加和,公式如下:
其中,wqT表示一个向量,该向量是一个待学习的参数;q表示问题加权平均后的向量;b表示权重;j表示索引符号;j’表示问题句子中的某个词;
预处理模块,用于对语音识别的问题进行预处理;
阅读理解模块,用于对输入的文章进行阅读理解;
答案生成模块,用于借助自然语言生成技术生成从文章中获取的问题答案;
语音合成模块,用于将问题的答案合成语音并播放给用户;
其中,预处理模块包括,
分词子模块,用于对问题进行分词处理;
纠错子模块,用于对问题进行纠错处理;
阅读理解模块的工作过程具体如下:
(1)、文章经过word2vec进行编码得到embedding vector;
(2)、获取文章的词性信息和实体信息;
(3)、把embedding vector、词性信息和实体信息同时传入到Bi-LSTM层获取预测值
(4)、把文章从Bi-LSTM层输出的预测值和问题加权平均后的向量进行计算,公式如下:
其中,p表示文章经过Bi-LSTM层后的输出向量;q表示问题加权平均后的向量;W(end)和W(start)表示两个矩阵,时序上共享,也是待学习的参数;P(start)和P(end)表示是否是答案开始和结束的概率,答案就是P(start)的坐标点到P(end)的坐标点的文章中的词。
3.一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计算机程序,所述计算机程序可被处理器执行以实现如权利要求1所述的基于云化机器人的阅读理解方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532203.5A CN113239165B (zh) | 2021-05-17 | 2021-05-17 | 基于云化机器人的阅读理解方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532203.5A CN113239165B (zh) | 2021-05-17 | 2021-05-17 | 基于云化机器人的阅读理解方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239165A CN113239165A (zh) | 2021-08-10 |
CN113239165B true CN113239165B (zh) | 2023-04-18 |
Family
ID=77134551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110532203.5A Active CN113239165B (zh) | 2021-05-17 | 2021-05-17 | 基于云化机器人的阅读理解方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239165B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959396A (zh) * | 2018-06-04 | 2018-12-07 | 众安信息技术服务有限公司 | 机器阅读模型训练方法及装置、问答方法及装置 |
CN109657041A (zh) * | 2018-12-04 | 2019-04-19 | 南京理工大学 | 基于深度学习的问题自动生成方法 |
CN110619123A (zh) * | 2019-09-19 | 2019-12-27 | 电子科技大学 | 一种机器阅读理解方法 |
CN110717324A (zh) * | 2019-09-06 | 2020-01-21 | 暨南大学 | 裁判文书答案信息提取方法、装置、提取器、介质和设备 |
CN110750630A (zh) * | 2019-09-25 | 2020-02-04 | 北京捷通华声科技股份有限公司 | 一种生成式机器阅读理解方法、装置、设备及存储介质 |
CN111782961A (zh) * | 2020-08-05 | 2020-10-16 | 中国人民解放军国防科技大学 | 一种面向机器阅读理解的答案推荐方法 |
CN112509690A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 用于控制质量的方法、装置、设备和存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952646A (zh) * | 2017-02-27 | 2017-07-14 | 深圳市朗空亿科科技有限公司 | 一种基于自然语言的机器人交互方法和系统 |
CN109086303B (zh) * | 2018-06-21 | 2021-09-28 | 深圳壹账通智能科技有限公司 | 基于机器阅读理解的智能对话方法、装置、终端 |
CN110083682B (zh) * | 2019-04-19 | 2021-05-28 | 西安交通大学 | 一种基于多轮注意力机制的机器阅读理解答案获取方法 |
CN110335595A (zh) * | 2019-06-06 | 2019-10-15 | 平安科技(深圳)有限公司 | 基于语音识别的插问对话方法、装置及存储介质 |
CN110309305B (zh) * | 2019-06-14 | 2021-05-11 | 中国电子科技集团公司第二十八研究所 | 基于多任务联合训练的机器阅读理解方法及计算机存储介质 |
CN111241244A (zh) * | 2020-01-14 | 2020-06-05 | 平安科技(深圳)有限公司 | 基于大数据的答案位置获取方法、装置、设备及介质 |
CN112035640A (zh) * | 2020-08-31 | 2020-12-04 | 重庆长安汽车股份有限公司 | 一种基于智能问答机器人的精细化问答方法、存储介质和智能设备 |
-
2021
- 2021-05-17 CN CN202110532203.5A patent/CN113239165B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959396A (zh) * | 2018-06-04 | 2018-12-07 | 众安信息技术服务有限公司 | 机器阅读模型训练方法及装置、问答方法及装置 |
CN109657041A (zh) * | 2018-12-04 | 2019-04-19 | 南京理工大学 | 基于深度学习的问题自动生成方法 |
CN110717324A (zh) * | 2019-09-06 | 2020-01-21 | 暨南大学 | 裁判文书答案信息提取方法、装置、提取器、介质和设备 |
CN110619123A (zh) * | 2019-09-19 | 2019-12-27 | 电子科技大学 | 一种机器阅读理解方法 |
CN110750630A (zh) * | 2019-09-25 | 2020-02-04 | 北京捷通华声科技股份有限公司 | 一种生成式机器阅读理解方法、装置、设备及存储介质 |
CN111782961A (zh) * | 2020-08-05 | 2020-10-16 | 中国人民解放军国防科技大学 | 一种面向机器阅读理解的答案推荐方法 |
CN112509690A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 用于控制质量的方法、装置、设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
徐丽丽 ; 李茹 ; 李月香 ; 郭少茹 ; 谭红叶 ; .面向机器阅读理解的语句填补答案选择方法.计算机工程.2018,(第07期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113239165A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111309889B (zh) | 用于文本处理的方法和装置 | |
CN111859960B (zh) | 基于知识蒸馏的语义匹配方法、装置、计算机设备和介质 | |
CN112507704B (zh) | 多意图识别方法、装置、设备及存储介质 | |
CN109344242B (zh) | 一种对话问答方法、装置、设备及存储介质 | |
CN111858843B (zh) | 一种文本分类方法及装置 | |
CN116579339B (zh) | 任务执行方法和优化任务执行方法 | |
CN111950275B (zh) | 基于循环神经网络的情绪识别方法、装置及存储介质 | |
CN113836866B (zh) | 文本编码方法、装置、计算机可读介质及电子设备 | |
CN113705196A (zh) | 基于图神经网络的中文开放信息抽取方法和装置 | |
CN111858878A (zh) | 从自然语言文本中自动提取答案的方法、系统及存储介质 | |
CN110942774A (zh) | 一种人机交互系统、其对话方法、介质和设备 | |
CN113704393A (zh) | 关键词提取方法、装置、设备及介质 | |
CN114092931B (zh) | 场景文字识别方法、装置、电子设备及存储介质 | |
CN117332112A (zh) | 多模态检索模型训练以及多模态检索方法、电子设备及存储介质 | |
CN107967304A (zh) | 会话交互处理方法、装置及电子设备 | |
CN114020886A (zh) | 语音意图识别方法、装置、设备及存储介质 | |
CN113239165B (zh) | 基于云化机器人的阅读理解方法、系统及存储介质 | |
CN116738956A (zh) | 一种提示模板生成方法、装置、计算机设备及存储介质 | |
CN116127049A (zh) | 模型训练方法、文本生成方法、终端设备及计算机介质 | |
CN109241262B (zh) | 基于关键词生成回复语句的方法及装置 | |
CN114003708B (zh) | 基于人工智能的自动问答方法、装置、存储介质及服务器 | |
CN111159339A (zh) | 一种文本匹配处理方法和装置 | |
CN111402012B (zh) | 一种基于迁移学习的电商缺陷产品识别方法 | |
CN115169330B (zh) | 中文文本纠错及验证方法、装置、设备及存储介质 | |
CN114398854B (zh) | 电子书的标签生成方法、装置及电子设备 |
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 |