CN113505586A - 一种融合语义分类与知识图谱的坐席辅助问答方法与系统 - Google Patents
一种融合语义分类与知识图谱的坐席辅助问答方法与系统 Download PDFInfo
- Publication number
- CN113505586A CN113505586A CN202110629753.9A CN202110629753A CN113505586A CN 113505586 A CN113505586 A CN 113505586A CN 202110629753 A CN202110629753 A CN 202110629753A CN 113505586 A CN113505586 A CN 113505586A
- Authority
- CN
- China
- Prior art keywords
- question
- answer
- corpus
- user
- entity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 11
- 239000003795 chemical substances by application Substances 0.000 claims description 8
- 238000003058 natural language processing Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 206010054196 Affect lability Diseases 0.000 description 1
- 241001122315 Polites Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
Abstract
本发明公开了一种融合语义分类与知识图谱的坐席辅助问答方法及系统，步骤如下：S1：语料收集和预处理；S2：构建知识图谱问答库：根据步骤S1预处理后数据构造数据集，利用构造的三元组数据集建立知识图谱问答库，每个三元组由问题实体、问题属性和答案组成；S3：构建实体识别模型；S4：知识图谱检索；S5：关键词提取：对步骤S1预处理后的语料进行关键词提取，并将提取结果存入数据库；S6：k‑means问题聚类；S7：候选答案的相似度计算：将S4和S6中得到的候选答案与用户输入的问题进行文本相似度计算，得到相似度值最高的文本答案，输出给用户。本发明能够准确识别用户进线意图，调取相应的知识。
Description
技术领域
本发明属于人工智能技术领域，涉及一种融合语义分类与知识图谱的坐席辅助问答方法与系统。
背景技术
随着AI智能质检技术的发展，越来越多的公司采用智能质检技术来检测客服工作的客服情况，通过一定的质检规则设计，就客服的礼貌用语，业务解答，话术引导等多个方面进行打分评估。但这样的质检技术往往是对客服话语事后行为进行评估和质量检测，客服回答的好或者不好，结果是确定的，质检技术无法介入客服和客户质检的对话中，因此并不能实时优化客服服务，提升客户满意度。
在实际工作中，很多用户投诉抱怨客服人员语速过快，业务解答不完整，服务态度恶劣等等。从客服自身来说，他们也有很多痛点，比如业务知识体系太过庞杂，业务流程太长，业务本身的枯燥感导致的情绪不稳定等，都无法令其保证100％的满意度。对客服管理者而言，服务品质当然很重要，但从现实情况看：很多需要业务解决类和营销类的电话咨询，客服人员的表现也因个体能力存在差异，这都是现实的硬伤。所以，不管是一线客服人员还是客服管理人员都希望能有助手，帮助他们更好的完成工作。
坐席辅助基于客服和用户对话的实时场景，实时监测并提示客服关键信息点，帮助客服及时补充修改表达内容，输出完整的对话流，进而优化服务质量。也就是说，坐席辅助可以直接介入客服人员和客户的对话中，从最根源处提升客户的满意度。
发明内容
本发明针对现有技术中的不足，提供一种融合语义分类与知识图谱的坐席辅助问答方法及系统，帮助客服人员识别客户的进线意图，利用TFIDF、k-means、知识图谱等算法调取后台知识库，为客服人员推荐知识，回答用户问题。
为实现上述目的，本发明采用以下技术方案：一种融合语义分类与知识图谱的坐席辅助问答方法，包括以下步骤：
S1：语料收集和预处理：获取用于构建知识图谱、BiLSTM-CRF实体识别模型和TFIDF关键词提取的语料并进行预处理；
S2：构建知识图谱问答库：根据步骤S1预处理后数据构造数据集，利用构造的三元组数据集建立知识图谱问答库，每个三元组由问题实体、问题属性和答案组成；
S3：构建实体识别模型：采用基于字向量的BiLSTM-CRF实体识别方法，构建实体识别模型，用于问题文本的实体识别与抽取；
S4：知识图谱检索：利用步骤S2中得到的知识图谱问答库，对用户问题语料进行处理，匹配到步骤S3抽取的实体，得到该问题的候选答案；
S5：关键词提取：利用TFIDF算法对步骤S1预处理后的语料进行关键词提取，并将提取结果作为特征数据存入数据库；
S6：k-means问题聚类：采用K-means算法对步骤S5中得到的特征数据进行聚类，得到用户输入所在的类别，获取该类别下的所有问答语料作为候选答案；
S7：候选答案的相似度计算：将步骤S4和步骤S6中得到的候选答案与用户输入的问题进行文本相似度计算，得到相似度值最高的文本答案，输出给用户。
为优化上述技术方案，采取的具体措施还包括：
进一步地，步骤S1包括，步骤S1包括，对获取的问答语料进行语料清洗、去停用词和分词的自然语言处理，将结果作为BiLSTM-CRF实体识别模型的训练语料存入数据库；将用户问题存入问答语料后，进行同样的自然语言处理，并将结果作为TFIDF关键词提取的语料存入数据库。
进一步地，步骤S3包括，标注S1中的BiLSTM-CRF训练语料，得到命名实体预处理后的标注语料；将标注语料作为实体识别模型的训练数据进行训练，得到带有预测标签的BiLSTM-CRF实体识别模型。
进一步地，步骤S4还包括，若在使用步骤S3中得到的模型抽取实体时，没有在用户输入中抽取到实体值，则利用TFIDF算法提取步骤S1中包含用户问题的语料的关键词作为特征数据进行聚类，查找相关答案；
若在知识图谱检索过程中没有匹配到实体值，则跳转到步骤S5进行关键词提取。
进一步地，步骤S3之前，还包括利用BIO标注法对预处理后的数据进行标注。
本发明还提供一种融合语义分类与知识图谱的坐席辅助问答系统，包括：
接收模块，用于接收用户输入的问题；
预处理模块，第一步，对问答语料和添加用户问题的问答语料进行预处理，包括语料清洗、去停用词、分词的自然语言处理，并将预处理结果分别存入数据库；第二步，利用预处理后的问答语料构造三元组数据集，将数据存入数据库中；
BiLSTM-CRF实体识别模块，用于问题文本的实体识别与抽取，若没有抽取到实体，则跳转到TFIDF关键词抽取模块；
知识图谱检索模块，用于问题实体的检索与匹配，得到候选的三元组实体，将实体中的答案属性作为候选答案；
TFIDF关键词提取模块，对预处理后的包含用户问题的问答语料进行关键词提取，得到一条条文本关键词语料；
k-means文本聚类模块，将提取到的文本关键词语料作为训练数据，采用k-means算法对该训练数据进行聚类，得到用户问题所属类别，将该类别下的数据作为候选答案反馈到文本相似度计算模块；
文本相似度计算模块，将所有候选答案与用户问题进行文本相似度计算，得到候选答案的相似度值，并进行排序；
回答生成模块，将相似度值最高的候选答案作为用户问题的答案，输出给用户。
进一步地，若在使用得到的BiLSTM-CRF模型抽取实体时，未在用户问题中抽取到实体值，则跳转到TFIDF关键词提取模块。
进一步地，若在知识图谱检索模块未匹配到实体值，则跳转到TFIDF关键词提取模块。
进一步地，利用训练好的wordvec词向量获取关键词的词向量，计算候选答案的词向量与用户问题的词向量之间的相似度，作为用户问题与所有候选答案的文本相似度值，将相似度值最高的候选答案作为正确答案，输出给用户。
本发明的有益效果是：本发明的融合语义分类与知识图谱的坐席辅助问答方法及系统，融合了深度学习和机器学习两类语义分类方法。在深度学习方面，通过BiLSTM-CRF实体识别模型抽取实体，结合知识图谱的检索库，匹配该实体，查找与用户输入有关的重要信息；在机器学习方面，利用TFIDF与k-means进行文本分类，得到与用户输入相匹配的所有关键信息。本发明中的TFIDF与k-means文本分类，避免了BiLSTM-CRF未抽取到实体、知识图谱检索库未匹配到实体的情况。最后利用文本相似度计算对所有候选信息和用户输入进行相似度计算，得到更为准确的答案。
附图说明
图1是本发明一种融合语义分类与知识图谱的坐席辅助问答方法的流程图；
图2是本发明训练BiLSTM-CRF实体识别模型时的语料BIO标注示例；
图3是本发明基于TFIDF算法提取的文本特征示例图；
图4是本发明n_clusters＝5时的k-means聚类结果示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
传统人工型客服运维成本高，客服响应慢、服务标准化程度难以保证，缺乏有效的信息收集能力、浪费数据资源，服务时间有限，已经不能够满足现代对于高服务品质的需求。本发明所要解决的技术问题在于：如何准确识别用户进线意图，调取相应的知识，辅助客服人员更好的回答用户问题。
如附图1所示，本发明提供一种融合语义分类与知识图谱的坐席辅助问答方法，包括以下步骤：
(1)采集用于构建知识图谱和BiLSTM-CRF训练的问答语料，进行语料的预处理，主要包括数据清洗、分词、去停用词等。
(2)利用步骤(1)预处理后的数据构造三元组数据集，每个三元组数据由问题实体，问题属性和答案组成。例如：一个QA知识点中，Q表示“部门负责人商务接待的标准是多少？”，A表示“省公司部门负责人参加的商务和外事活动，招待标准每次人均不得超过400元”，那么用三元组形式可表示为([部门、负责人]，[商务、外事]，[省公司部门负责人参加的商务和外事活动，招待标准每次人均不得超过400元])。利用这些三元组数据集建立知识图谱，得到语料数据之间的映射关系。
(3)利用BIO标注法对步骤(1)预处理后的数据进行标注，标注示例如图2所示。其中：B-PER、I-PER代表人名首字、人名非首字，B-LOC、I-LOC代表地名首字、地名非首字，B-ORG、I-ORG代表组织机构名首字、组织机构名非首字，O代表该字不属于命名实体的一部分。
(4)构建BiLSTM-CRF模型。在NER(命名实体识别)序列标注任务上，采用BiLSTM-CRF模型是现下比较流行和成熟的方法，效果也较为理想。利用步骤(3)中标注好的语料对模型进行训练，得到带有标签的BiLSTM-CRF命名实体识别模型。
(5)利用步骤(4)中得到的BiLSTM-CRF实体识别模型和步骤(2)中的知识图谱语料问答库，对用户输入的问题进行处理，得到该问题的候选答案。
(6)若在使用步骤(4)中得到的BiLSTM-CRF模型抽取实体时，未在用户问题中抽取到实体值，则跳转到TFIDF关键词提取模块。
(7)若在知识图谱检索模块未匹配到实体值，则也跳转到TFIDF关键词提取模块。
(8)利用TFIDF算法对步骤(1)预处理后的语料数据和用户输入的问题进行关键词提取，得到语料文本的关键词，提取结果如图3所示。TFIDF算法是对文本所有候选关键词进行加权处理，根据权值对候选关键词进行倒序排序，得到排名前topNd个词汇作为文本关键词。加权公式为：TFIDF＝TF*IDF。
其中，
(9)将步骤(8)中得到的关键词作为每条语料的特征，利用k-means算法对获取到的特征数据进行聚类，得到用户问题所在的类别，统计该类别下的问答语料，即为用户输入问题的候选答案。图4是本发明n_clusters＝5时的k-means聚类结果示意图。
(10)合并步骤(5)和步骤(9)中的候选答案，保存候选答案的关键词提取结果，利用训练好的wordvec词向量获取关键词的词向量，计算候选答案的词向量与用户问题的词向量之间的相似度，作为用户问题与所有候选答案的文本相似度值，将相似度值最高的候选答案作为正确答案，输出给用户。
本发明还提供了一种融合语义分类与知识图谱的坐席辅助问答系统，包括：
接收模块，用于接收用户输入的问题；
预处理模块，第一步，对问答语料和用户问题进行预处理，包括语料清洗和去停用词、分词的自然语言处理，并存入数据库；第二步，利用预处理的数据构造三元组数据集，将数据存入数据库中；
BiLSTM-CRF实体识别模块，用于问题文本的实体识别与抽取，若没有抽取到实体，则跳转到TFIDF关键词抽取模块；
知识图谱检索模块，用于问题实体的检索与匹配，得到候选的三元组实体，将实体中的答案属性作为候选答案，若没有匹配到实体值，则跳转到TFIDF关键词抽取模块；
TFIDF关键词提取模块，对预处理后的问答语料和用户问题进行关键词提取，得到一条条文本关键词语料；
k-means文本聚类模块，将提取到的文本关键词语料作为训练数据，采用k-means算法对该训练数据进行聚类，得到用户问题所属类别，将该类别下的数据作为候选答案反馈到文本相似度计算模块；
文本相似度计算模块，将所有候选答案与用户问题进行文本相似度计算，得到候选答案的相似度值，并进行排序；
回答生成模块，将相似度值最高的候选答案作为用户问题的答案，输出给用户。
本发明的融合语义分类与知识图谱的坐席辅助问答方法及系统，融合了深度学习和机器学习两类语义分类方法。在深度学习方面，通过BiLSTM-CRF实体识别模型抽取实体，结合知识图谱的检索库，匹配该实体，查找与用户输入有关的重要信息；在机器学习方面，利用TFIDF与k-means进行文本分类，得到与用户输入相匹配的所有关键信息。本发明中的TFIDF与k-means文本分类，避免了BiLSTM-CRF未抽取到实体、知识图谱检索库未匹配到实体的情况。最后利用文本相似度计算对所有候选信息和用户输入进行相似度计算，得到更为准确的答案。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (9)
1.一种融合语义分类与知识图谱的坐席辅助问答方法，其特征在于，包括以下步骤：
S1：语料收集和预处理：获取用于构建知识图谱、BiLSTM-CRF实体识别模型和TFIDF关键词提取的问答语料并进行预处理；
S2：构建知识图谱问答库：根据步骤S1预处理后数据构造数据集，利用构造的三元组数据集建立知识图谱问答库，每个三元组由问题实体、问题属性和答案组成；
S3：构建实体识别模型：采用基于字向量的BiLSTM-CRF实体识别方法，构建实体识别模型，用于问题文本的实体识别与抽取；
S4：知识图谱检索：利用步骤S2中得到的知识图谱问答库，对用户问题语料进行处理，匹配到步骤S3抽取的实体，得到该问题的候选答案；
S5：关键词提取：利用TFIDF算法对步骤S1预处理后的语料进行关键词提取，并将提取结果作为特征数据存入数据库；
S6：k-means问题聚类：采用K-means算法对步骤S5中得到的特征数据进行聚类，得到用户输入所在的类别，获取该类别下的所有问答语料作为候选答案；
S7：候选答案的相似度计算：将步骤S4和步骤S6中得到的候选答案与用户输入的问题进行文本相似度计算，得到相似度值最高的文本答案，输出给用户。
2.根据权利要求1所述的坐席辅助问答方法，其特征在于，步骤S1包括，对获取的问答语料进行语料清洗、去停用词和分词的自然语言处理，将结果作为BiLSTM-CRF实体识别模型的训练语料存入数据库；将用户问题存入问答语料后，进行同样的自然语言处理，并将结果作为TFIDF关键词提取的语料存入数据库。
3.根据权利要求1所述的坐席辅助问答方法，其特征在于，步骤S3包括，标注步骤S1中的BiLSTM-CRF训练语料，得到命名实体预处理后的标注语料；将标注语料作为实体识别模型的训练数据进行训练，得到带有预测标签的BiLSTM-CRF实体识别模型。
4.根据权利要求1所述的坐席辅助问答方法，其特征在于，步骤S4还包括，若在使用步骤S3中得到的模型抽取实体时，没有在用户输入中抽取到实体值，则利用TFIDF算法提取步骤S1中包含用户问题的语料的关键词作为特征数据进行聚类，查找相关答案；
若在知识图谱检索过程中没有匹配到实体值，则跳转到步骤S5进行关键词提取。
5.根据权利要求1所述的坐席辅助问答方法，其特征在于，步骤S3之前，还包括利用BIO标注法对预处理后的数据进行标注。
6.一种融合语义分类与知识图谱的坐席辅助问答系统，其特征在于，包括：
接收模块，用于接收用户输入的问题；
预处理模块，第一步，对问答语料和添加用户问题的问答语料进行预处理，包括语料清洗、去停用词、分词的自然语言处理，并将预处理结果分别存入数据库；第二步，利用预处理后的问答语料构造三元组数据集，将数据存入数据库中；
BiLSTM-CRF实体识别模块，用于问题文本的实体识别与抽取，若没有抽取到实体，则跳转到TFIDF关键词抽取模块；
知识图谱检索模块，用于问题实体的检索与匹配，得到候选的三元组实体，将实体中的答案属性作为候选答案；
TFIDF关键词提取模块，对预处理后的包含用户问题的问答语料进行关键词提取，得到一条条文本关键词语料；
k-means文本聚类模块，将提取到的文本关键词语料作为训练数据，采用k-means算法对该训练数据进行聚类，得到用户问题所属类别，将该类别下的数据作为候选答案反馈到文本相似度计算模块；
文本相似度计算模块，将所有候选答案与用户问题进行文本相似度计算，得到候选答案的相似度值，并进行排序；
回答生成模块，将相似度值最高的候选答案作为用户问题的答案，输出给用户。
7.根据权利要求6所述的坐席辅助问答系统，其特征在于，若在使用得到的BiLSTM-CRF模型抽取实体时，未在用户问题中抽取到实体值，则跳转到TFIDF关键词提取模块。
8.根据权利要求6所述的坐席辅助问答系统，其特征在于，若在知识图谱检索模块未匹配到实体值，则跳转到TFIDF关键词提取模块。
9.根据权利要求6所述的坐席辅助问答系统，其特征在于，利用训练好的wordvec词向量获取关键词的词向量，计算候选答案的词向量与用户问题的词向量之间的相似度，作为用户问题与所有候选答案的文本相似度值，将相似度值最高的候选答案作为正确答案，输出给用户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110629753.9A CN113505586A (zh) | 2021-06-07 | 2021-06-07 | 一种融合语义分类与知识图谱的坐席辅助问答方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110629753.9A CN113505586A (zh) | 2021-06-07 | 2021-06-07 | 一种融合语义分类与知识图谱的坐席辅助问答方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113505586A true CN113505586A (zh) | 2021-10-15 |
Family
ID=78009071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110629753.9A Pending CN113505586A (zh) | 2021-06-07 | 2021-06-07 | 一种融合语义分类与知识图谱的坐席辅助问答方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113505586A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114117022A (zh) * | 2022-01-26 | 2022-03-01 | 杭州远传新业科技有限公司 | 一种faq相似问题生成方法及系统 |
| CN114153955A (zh) * | 2021-11-11 | 2022-03-08 | 科讯嘉联信息技术有限公司 | 一种融合闲聊和常识的多技能任务型对话系统构建方法 |
| CN114153993A (zh) * | 2022-02-07 | 2022-03-08 | 杭州远传新业科技有限公司 | 一种用于智能问答的知识图谱自动化构建方法及系统 |
| CN114757208A (zh) * | 2022-06-10 | 2022-07-15 | 荣耀终端有限公司 | 一种问答匹配方法及装置 |
| CN114818740A (zh) * | 2022-06-30 | 2022-07-29 | 江苏微皓智能科技有限公司 | 一种基于领域知识图谱的人机协同方法及系统 |
| CN115599899A (zh) * | 2022-11-08 | 2023-01-13 | 中国空气动力研究与发展中心计算空气动力研究所（Cn） | 基于飞行器知识图谱的智能问答方法、系统、设备及介质 |
| CN115860436A (zh) * | 2023-02-21 | 2023-03-28 | 齐鲁工业大学(山东省科学院) | 一种基于知识图谱的城市热线派单方法及系统 |
| CN117540004A (zh) * | 2024-01-10 | 2024-02-09 | 安徽省优质采科技发展有限责任公司 | 基于知识图谱和用户行为的工业领域智能问答方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033221A (zh) * | 2018-06-29 | 2018-12-18 | 上海银赛计算机科技有限公司 | 答案生成方法、装置及服务器 |
| CN109460502A (zh) * | 2018-09-14 | 2019-03-12 | 广州神马移动信息科技有限公司 | 答案聚类方法及其装置、电子设备、计算机可读介质 |
| CN109658114A (zh) * | 2018-12-21 | 2019-04-19 | 万达信息股份有限公司 | 大型语料库的高效智能客服方法 |
| CN112100351A (zh) * | 2020-09-11 | 2020-12-18 | 陕西师范大学 | 一种通过问题生成数据集构建智能问答系统的方法及设备 |
| 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 |
-
2021
- 2021-06-07 CN CN202110629753.9A patent/CN113505586A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033221A (zh) * | 2018-06-29 | 2018-12-18 | 上海银赛计算机科技有限公司 | 答案生成方法、装置及服务器 |
| CN109460502A (zh) * | 2018-09-14 | 2019-03-12 | 广州神马移动信息科技有限公司 | 答案聚类方法及其装置、电子设备、计算机可读介质 |
| CN109658114A (zh) * | 2018-12-21 | 2019-04-19 | 万达信息股份有限公司 | 大型语料库的高效智能客服方法 |
| 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 |
| CN112100351A (zh) * | 2020-09-11 | 2020-12-18 | 陕西师范大学 | 一种通过问题生成数据集构建智能问答系统的方法及设备 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114153955A (zh) * | 2021-11-11 | 2022-03-08 | 科讯嘉联信息技术有限公司 | 一种融合闲聊和常识的多技能任务型对话系统构建方法 |
| CN114117022A (zh) * | 2022-01-26 | 2022-03-01 | 杭州远传新业科技有限公司 | 一种faq相似问题生成方法及系统 |
| CN114153993A (zh) * | 2022-02-07 | 2022-03-08 | 杭州远传新业科技有限公司 | 一种用于智能问答的知识图谱自动化构建方法及系统 |
| CN114153993B (zh) * | 2022-02-07 | 2022-05-06 | 杭州远传新业科技有限公司 | 一种用于智能问答的知识图谱自动化构建方法及系统 |
| CN114757208B (zh) * | 2022-06-10 | 2022-10-21 | 荣耀终端有限公司 | 一种问答匹配方法及装置 |
| CN114757208A (zh) * | 2022-06-10 | 2022-07-15 | 荣耀终端有限公司 | 一种问答匹配方法及装置 |
| CN114818740A (zh) * | 2022-06-30 | 2022-07-29 | 江苏微皓智能科技有限公司 | 一种基于领域知识图谱的人机协同方法及系统 |
| CN115599899A (zh) * | 2022-11-08 | 2023-01-13 | 中国空气动力研究与发展中心计算空气动力研究所（Cn） | 基于飞行器知识图谱的智能问答方法、系统、设备及介质 |
| CN115599899B (zh) * | 2022-11-08 | 2023-04-07 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于飞行器知识图谱的智能问答方法、系统、设备及介质 |
| CN115860436A (zh) * | 2023-02-21 | 2023-03-28 | 齐鲁工业大学(山东省科学院) | 一种基于知识图谱的城市热线派单方法及系统 |
| CN115860436B (zh) * | 2023-02-21 | 2023-05-26 | 齐鲁工业大学(山东省科学院) | 一种基于知识图谱的城市热线派单方法及系统 |
| CN117540004A (zh) * | 2024-01-10 | 2024-02-09 | 安徽省优质采科技发展有限责任公司 | 基于知识图谱和用户行为的工业领域智能问答方法及系统 |
| CN117540004B (zh) * | 2024-01-10 | 2024-03-22 | 安徽省优质采科技发展有限责任公司 | 基于知识图谱和用户行为的工业领域智能问答方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113505586A (zh) | 一种融合语义分类与知识图谱的坐席辅助问答方法与系统 | |
| CN108804521B (zh) | 一种基于知识图谱的问答方法及农业百科问答系统 | |
| CN104598445B (zh) | 自动问答系统和方法 | |
| CN113704451B (zh) | 一种电力用户诉求筛选方法、系统、电子设备和存储介质 | |
| CN112667794A (zh) | 一种基于孪生网络bert模型的智能问答匹配方法及系统 | |
| CN109460457A (zh) | 文本语句相似度计算方法、智能政务辅助解答系统及其工作方法 | |
| CN112163077A (zh) | 一种面向领域问答的知识图谱构建方法 | |
| CN110765277B (zh) | 一种基于知识图谱的移动端的在线设备故障诊断方法 | |
| CN107679070B (zh) | 一种智能阅读推荐方法与装置、电子设备 | |
| CN111191051B (zh) | 一种基于中文分词技术的应急知识图谱的构建方法及系统 | |
| CN115599899B (zh) | 基于飞行器知识图谱的智能问答方法、系统、设备及介质 | |
| CN115470338B (zh) | 一种基于多路召回的多场景智能问答方法和系统 | |
| CN111651606B (zh) | 一种文本处理方法、装置及电子设备 | |
| CN113821605A (zh) | 一种事件抽取方法 | |
| CN110990003A (zh) | 一种基于词嵌入技术的api推荐方法 | |
| CN116628173B (zh) | 一种基于关键字提取的智能客服信息生成系统及生成方法 | |
| CN116401344A (zh) | 根据问句检索表格的方法和装置 | |
| CN115730058A (zh) | 一种基于知识融合的推理问答方法 | |
| CN113553419A (zh) | 民航知识图谱问答系统 | |
| CN111625722B (zh) | 一种基于深度学习的人才推荐方法、系统及存储介质 | |
| CN112579666A (zh) | 智能问答系统和方法及相关设备 | |
| CN114416914A (zh) | 一种基于图片问答的处理方法 | |
| CN113946657A (zh) | 一种基于知识推理的电力业务意图自动识别方法 | |
| CN113688233A (zh) | 一种用于知识图谱语义搜索的文本理解的方法 | |
| CN113342953A (zh) | 一种基于多模型集成的政务问答方法 |
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 |