CN113626571A - 答句生成方法、装置、计算机设备和存储介质 - Google Patents
答句生成方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113626571A CN113626571A CN202110908604.6A CN202110908604A CN113626571A CN 113626571 A CN113626571 A CN 113626571A CN 202110908604 A CN202110908604 A CN 202110908604A CN 113626571 A CN113626571 A CN 113626571A
- Authority
- CN
- China
- Prior art keywords
- question
- input
- word slot
- word
- content
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000011218 segmentation Effects 0.000 claims abstract description 103
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012217 deletion Methods 0.000 description 6
- 230000037430 deletion Effects 0.000 description 6
- 238000003780 insertion Methods 0.000 description 6
- 230000037431 insertion Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008676 import Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- 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
- G06F16/3332—Query translation
- G06F16/3334—Selection or weighting of terms from queries, including natural language queries
-
- 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
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
Abstract
本申请涉及一种答句生成方法、装置、计算机设备和存储介质。所述方法包括：对输入问题进行分词处理，根据分词处理得到的分词结果中的关键词，识别输入问题所属的问题类别；基于问题类别与词槽的匹配关系，确定输入问题对应答句所需的目标词槽；基于分词结果，对目标词槽进行内容填充；从知识图谱中获取与内容填充后的目标词槽相匹配的答句内容，根据答句内容，生成与输入问题对应的答句。采用本方法能够高效精准地识别输入问题，从而快速得到输入问题对应的答句，提高问答效率。
Description
技术领域
本申请涉及计算机领域，特别是涉及一种答句生成方法、装置、计算机设备和存储介质。
背景技术
随着计算机领域的发展，自动化系统技术也迅速发展起来。其中自动化系统技术可以应用到电力计量业务领域，该领域包含海量的计量业务领域知识，包括用户档案、计量点关系、电量数据等。计量系统运维人员希望能够便利地得到计量自动化系统内的指标数据，如终端覆盖率、复工复产率等；用电客户希望能够快速准确地查询到用电情况。
但计量业务领域涉及业务内容范围大，且专业性较强，目前还未有成熟可用的问答系统。目前面向计量自动化系统，多采用基于关键字的搜索引擎实现对信息的检索。该传统技术，仅能简单地实现对信息的筛选和排序。
然而，基于该传统方法的问答系统无法实现用户与机器的交互，用户在传统问答系统搜索计量相关信息时，往往需要人工逐条检索，耗时耗力，导致问答过程的效率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高问答效率的答句生成方法、装置、计算机设备和存储介质。
一种答句生成方法，所述方法包括：
对输入问题进行分词处理，根据分词处理得到的分词结果中的关键词，识别输入问题所属的问题类别；
基于问题类别与词槽的匹配关系，确定输入问题对应答句所需的目标词槽；
基于分词结果，对目标词槽进行内容填充；
从知识图谱中获取与内容填充后的目标词槽相匹配的答句内容，根据答句内容，生成与输入问题对应的答句。
在其中一个实施例中，基于分词结果，对目标词槽进行内容填充包括：
将分词结果与目标词槽进行匹配，基于匹配成功的分词结果，对匹配成功的目标词槽进行内容填充；
当目标词槽中存在至少一个未匹配到分词结果的待填充词槽时，基于待填充词槽，生成并反馈词槽内容问询问句；
获取词槽内容问询问句对应的输入数据，基于输入数据，对待填充词槽进行内容填充。
在其中一个实施例中，还包括：
从关系型数据库中获取计量系统的各类记录数据；
基于各类记录数据以及各类记录数据所在的关系型数据库之间的关系，构建知识图谱。
在其中一个实施例中，基于各类记录数据以及各类记录数据所在的关系型数据库之间的关系，构建知识图谱，包括：
基于各类记录数据以及各类记录数据所在的关系型数据库之间的关系，构建三元组；
将三元组导入初始知识图谱，得到知识图谱。
在其中一个实施例中，还包括：
对记录数据进行数据清洗处理，所述数据清洗处理包括统一单位、统一大小写、数字中文转换以及去除无属性标签的记录数据中的至少一种处理。
在其中一个实施例中，对输入问题是针对计量数据的问题，关键词为计量域实体；
对输入问题进行分词处理，包括：
识别输入问题中的计量域实体；
将输入问题，按照计量域实体进行拆分，得到分词结果。
在其中一个实施例中，根据分词处理得到的分词结果中的关键词，识别输入问题所属的问题类别包括：
采用基于编辑距离算法，计算输入问题的关键词与问题类别模板的关键词之间的编辑距离；
基于编辑距离，将编辑距离最小的问题类别模板对应的问题类别确定为所述输入问题所属的问题类别。
一种答句生成装置，所述装置包括：
分词处理模块，用于对所述输入问题进行分词处理，根据分词处理得到的分词结果中的关键词，识别输入问题所属的问题类别；
目标词槽确定模块，用于基于问题类别与词槽的匹配关系，确定输入问题对应答句所需的目标词槽；
目标词槽填充模块，用于基于分词结果，对目标词槽进行内容填充；
答句生成模块，用于从知识图谱中获取与内容填充后的目标词槽相匹配的答句内容，生成与输入问句对应的答句。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
对输入问题进行分词处理，根据分词处理得到的分词结果中的关键词，识别输入问题所属的问题类别；
基于问题类别与词槽的匹配关系，确定输入问题对应答句所需的目标词槽；
基于分词结果，对目标词槽进行内容填充；
从知识图谱中获取与内容填充后的目标词槽相匹配的答句内容，根据答句内容，生成与输入问题对应的答句。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
对输入问题进行分词处理，根据分词处理得到的分词结果中的关键词，识别输入问题所属的问题类别；
基于问题类别与词槽的匹配关系，确定输入问题对应答句所需的目标词槽；
基于分词结果，对目标词槽进行内容填充；
从知识图谱中获取与内容填充后的目标词槽相匹配的答句内容，根据答句内容，生成与输入问题对应的答句。
上述答句生成方法、装置、计算机设备和存储介质，通过对输入问题进行分词处理，根据得到的分词结果获取关键词，根据获取的关键词准确地进行用户问题分类，获取该问题的所属类别。根据问题类别获取不同类别所对应的必须目标词槽，根据获取到得完整的必须词槽内容查询知识图谱，返回对应问题类别的答句完成问答。通过使用目标词槽填充方式，高效精准地识别输入问题，并返回对应问题的答句，从而快速得到输入问题对应的答句，提高问答效率。
附图说明
图1为一个实施例中答句生成方法的应用环境图；
图2为一个实施例中答句生成方法的流程示意图；
图3为一个实施例中答句生成方法中基于分词结果对目标词槽进行内容填充步骤的流程示意图；
图4为另一个实施例中答句生成方法中获取计量系统的各类记录数据构建知识图谱方法的流程示意图；
图5为另一个实施例中答句生成方法中基于各类记录数据以及各类记录数据所在的关系型数据库之间的关系构建知识图谱方法的流程示意图；
图6为另一个实施例中答句生成方法中数据清洗处理方法的流程示意图；
图7为一个实施例中答句生成方法中基于编辑距离算法判断输入问题类别的流程示意图；
图8为一个具体应用场景的实施例中基于计量业务的多轮智能问答系统的总体构建流程图；
图9为一个具体应用场景的实施例中多轮问答系统的流程图；
图10为一个实施例中答句生成装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的答句生成方法，可以应用于如图1所示的应用环境中。其中，问答系统102通过网络与电力计量系统104进行通信，问答系统102通过获取电力计量系统104的记录数据，构建知识图谱。问答系统102通过获取用户的实时输入问题数据，对输入问题进行分词处理，根据分词处理得到的分词结果中的关键词，识别输入问题所属的问题类别。问答系统102基于问题类别与词槽的匹配关系，确定输入问题对应答句所需的目标词槽，基于分词结果，对目标词槽进行内容填充。问答系统102从知识图谱中获取与内容填充后的目标词槽相匹配的答句内容，根据答句内容，生成与输入问题对应的答句。其中，问答系统102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，电力计量系统104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种答句生成方法，以该方法应用于图1中的问答系统102为例进行说明，包括以下步骤：
步骤202，对输入问题进行分词处理，根据分词处理得到的分词结果中的关键词，识别输入问题所属的问题类别。
其中，输入问题是指用户输入的具体问题。分词处理是指使用开源StanfordCoreNLP(Stanford Core Natural Language Processing，斯坦福自然语言处理工具)算法识别中文文本中的实体的分词处理方法。分词结果中的关键词是指分词算法识别到的中文文本中的实体关键词。输入问题所属的问题类别是指用户输入问题的查询信息类别。
具体地，问答系统中的处理器通过响应用户的问题输入操作，获取到用户输入的问题，对输入问题进行分词处理，从分词处理得到的分词结果中识别出关键词，然后根据关键词，识别输入问题所属的问题类别。
在一个具体的应用中，在计量信息的问答场景下，分词结果中的关键词可以包括变电站、线路、变压器、用户、电表、终端等电力实体对象名称，组织机构名称，计量点、用电量、用户数、电表数、终端数等电力计量专有名称，以及时间，数量等中文文字。输入问题所属的问题类别包括电量查询类、档案查询类、数量查询类和状态监测查询类。当用户输入问题，需要判断是否为首轮问题，若是首轮问题则对用户输入问题直接进行问题理解环节中的中文分词处理，若不是首轮问题，则需要读取历史对话模块，获取上下文信息。对用户输入问题进行中文分词，使用开源Stanford CoreNLP算法识别用户输入问题文本中具有特定意义的计量域实体，基于识别到的计量域实体，将用户输入的问题问句拆分为不同实体，以进行后续的意图识别环节，为用户输入问题进行问题分类。采用基于中文的编辑距离算法来计算文本相似度，从而进行问题的类别确认。通过统计目标文本变换到原文本的过程中插入、删除、替换的最少次数，计算编辑距离。如果插入、删除、替换的次数为零，则编辑距离为零，两个文本完全相似。编辑距离越大，文本相似度最低。基于用户输入问题分词结果中的关键词与问题类别的关键词的编辑距离判断用户输入问题所属的问题类别。例如“平坝县投资促进局的2020年11月电量”为电量查询类问题，“线路281175252下有几个用户”为档案查询类问题。
步骤204，基于问题类别与词槽的匹配关系，确定输入问题对应答句所需的目标词槽。
其中，问题类别与词槽的匹配关系是指不同的问题类别所需词槽不同，问题类别与词槽之间的存在对应匹配关系。输入问题对应答句所需的目标词槽是指根据输入问题确定对应的问题类别，问答系统中的处理器根据问题类别得到对应所必需的目标词槽，获取相应目标词槽的词槽内容，词槽内容是指完成最终答复前，用户所必需提供的关键词内容，根据词槽内容查询知识图谱，从而确定输入问题对应的答句。
具体地，基于用户输入问题的问题类别，确定输入问题对应的问题类别所需的目标词槽，从而确定输入问题对应的答句。例如，问题类别1所对应的词槽有词槽1，词槽2和词槽3；问题类别2对应的词槽有词槽4，词槽5和词槽6；问题类别3对应的词槽有词槽7和词槽8。根据用户输入问题进行分词处理后确认该输入问题对应的问题类别为1，根据用户输入数据获取问题类别1对应的词槽1，词槽2和词槽3的词槽内容，根据词槽1，词槽2和词槽3的内容查询知识图谱获取输入问题对应的答案，从而确定生成最终的对应答句。其中的词槽内容不止来源于用户的输入数据，系统中用户的基础信息也可以成为词槽内容。例如已知用户的客户编号，在客户查询“我家上个月用电量多少”时，可以直接获得答案，而不需要用户重新输入客户编号。
步骤206，基于分词结果，对目标词槽进行内容填充。
其中，目标词槽是指用户输入问题对应的问题类别对应的所需目标词槽，需对匹配到的目标词槽进行词槽内容的填充。对目标词槽进行内容填充是指问答系统的处理器基于分词结果得到的关键词，对输入问题对应的问题类别匹配的所需目标词槽进行关键词的内容填充。
具体地，问答系统的处理器根据用户输入问题使用开源Stanford CoreNLP算法进行分词处理，获取分词处理的分词结果，即计量域实体的关键词。使用编辑距离算法判断得到用户输入问题的问题类别。基于计量域实体的关键词针对相应的问题类别对应的目标词槽进行相关词槽内容的填充。例如，用户输入问题进行分词处理后判断对应的问题类别为问题类别1，问题类别1对应的词槽有词槽1，词槽2和词槽3，根据使用Stanford CoreNLP开源算法对用户输入数据得到的分词结果，即得到的计量域实体关键词为目标词槽所需内容，关键词1为词槽1对应所需内容，关键词2为词槽3对应所需内容，关键词3为词槽2对应所需内容，根据对应关系，将关键词1的内容填充到词槽1，将关键词2的内容填充到词槽3，将关键词1的内容填充到词槽2。
步骤208，从知识图谱中获取与内容填充后的目标词槽相匹配的答句内容，根据答句内容，生成与输入问题对应的答句。
其中，知识图谱是指各类记录数据以及各类记录数据所在的关系型数据库之间的关系的映射并以结构化的连接形式进行存储的一系列不同图形形式，以用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示各类记录及它们之间的相互联系。
具体地，问答系统的处理器根据各类记录数据以及各类记录数据所在的关系型数据库之间的关系，构建记录数据与记录数据之间关系的映射描述，以表示记录数据与记录数据之间的关系逻辑，将其映射关系以结构化图形的形式存储入知识图谱中。根据计量系统各类记录数据及其之间的关系，构建数据与关系的结构化图形映射关系，存储到知识图谱中。进而根据用户输入问题经过分词处理得到的分词结果关键词，关键词对应的词槽内容为知识图谱中的各类记录数据之一，根据知识图谱中存储的记录数据及其映射关联的关系信息，进行知识图谱与词槽内容匹配，获取知识图谱存储的对应答句内容，根据答句内容，生成与输入问题对应的答句。
上述答句生成方法中，通过对输入问题进行分词处理，根据得到的分词结果获取关键词，根据获取的关键词准确地进行用户问题分类，获取该问题的所属类别。根据问题类别获取不同类别所对应的必须目标词槽，根据获取到得完整的必须词槽内容查询知识图谱，返回对应问题类别的答句完成问答。通过使用目标词槽填充方式，高效精准地识别输入问题，并返回对应问题的答句。该技术方案通过多轮对话方式，明确查询意图，提高输入问题的查准率。
在一个实施例中，如图3所示，基于分词结果，对目标词槽进行内容填充包括：
步骤302，问答系统的处理器将分词结果与目标词槽进行匹配，基于匹配成功的分词结果，对匹配成功的目标词槽进行内容填充。
具体地，问答系统的处理器使用开源Stanford CoreNLP算法识别用户输入问题中的计量域实体关键词，使用编辑距离算法判断得到用户输入问题的问题类别，基于得到的关键词与输入问题对应问题类别的目标词槽匹配，若匹配成功则对匹配成功的目标词槽进行内容填充。例如，用户输入问题进行分词处理后判断对应的问题类别为问题类别1，问题类别1对应的词槽有词槽1，词槽2和词槽3，根据使用Stanford CoreNLP开源算法对用户输入数据得到的分词结果，即得到的计量域实体关键词为目标词槽所需内容，关键词1为词槽1匹配所需内容，关键词2为词槽3匹配所需内容，关键词3为词槽2匹配所需内容，根据对应的匹配关系，将关键词1的内容填充到词槽1，将关键词2的内容填充到词槽3，将关键词1的内容填充到词槽2。
步骤304，当目标词槽中存在至少一个未匹配到分词结果的待填充词槽时，基于待填充词槽，生成并反馈词槽内容问询问句。
其中，词槽内容问询问句是指问答系统的处理器根据待填充词槽是否匹配完整生成的多轮问答方式中的问询问句。多轮问答方式是在初步明确用户意图之后，通过获取必需信息以返回查询内容的问答流程。
具体地，若用户输入信息不准确，即不能根据用户输入信息获取问题类别，或不能根据已确定的问题类别匹配到所必须词槽需要的内容，则需通过多轮问答方式生成问询问句。具体地，基于用户输入关键词在知识图谱中的匹配相关信息，获取知识图谱中的记录数据与用户输入的关键词的相关性，并按相关性对相关性进行排序，将排名最高的记录数据作为反馈项，生成相关度最高的问询问句，并将对话轮数重置为首轮，用户根据问句输入新的数据，对新的数据进行分词处理，得到计量域实体的关键词，重新补充修正词槽，直到用户输入问题对应的问题类别的所需词槽内容全部获取，则不再生成问询问句，以此方式明确用户意图。当用户输入信息不完整，即根据用户输入信息的分词结果得到了对应问题类别所需的部分词槽内容，尚有另一部分词槽内容空缺，基于用户输入关键词在知识图谱中的匹配相关信息，获取知识图谱中的记录数据与用户输入的关键词的相关性，并按相关性对相关性进行排序，将排名最高的记录数据作为反馈项，生成相关度最高的问询问句，用户根据问句输入新的数据，对新的数据进行分词处理，得到计量域实体的关键词，补充查询问题类别对应的所必需的词槽信息，直到用户输入问题对应的问题类别的所需词槽内容全部获取，则不再生成问询问句，结合历史上下文信息完善所必需的词槽信息。如查询电量类别需要用户对象名称或者用户编号和查询的时间，若用户提问“请问用户0604064510995548的电量”，则生成问询问句“请输入查询时间”，根据用户的反馈补充所必需的词槽。
步骤306，获取词槽内容问询问句对应的输入数据，基于输入数据，对待填充词槽进行内容填充。
其中，输入数据为用户根据问答系统的处理器生成的问询问句再次输入的数据信息，根据输入的数据信息再次进行分词处理，得到分词结构的关键词。
具体地，使用开源Stanford CoreNLP算法识别输入数据中的计量域实体关键词，基于得到的关键词与对应问题类别的目标词槽匹配，若匹配成功则对匹配成功的目标词槽进行内容填充。
本实施例中，通过将分词结果与目标词槽进行匹配，基于匹配成功的分词结果，对匹配成功的目标词槽进行内容填充。当目标词槽中存在至少一个未匹配到分词结果的待填充词槽时，基于待填充词槽，生成并反馈词槽内容问询问句。获取词槽内容问询问句对应的输入数据，基于输入数据，对待填充词槽进行内容填充。通过使用多轮问答方式中生成问询问句对目标词槽的进行填充，能够通过利用存储的历史上下文信息得到完整目标词槽信息，从而精准捕捉用户的意图，理解用户所提问题意图，返回用户想要的答句，更加高效地完成与用户的交互。
在一个实施例中，如图4所示，答句生成方法还包括：
步骤402，从关系型数据库中获取计量系统的各类记录数据。
其中，关系型数据库是指存储计量系统的各类记录数据以及各类记录数据之间关系的数据库。
具体地，问答系统的处理器获取计量自动化系统的文本、数字等各类记录数据信息，包括用户档案、计量点关系、电量数据等。通过关系型数据库存储各类记录数据与各类记录数据之间的关系。将获取到的文本、数字等数据信息按照结构化的方法存储数据，各类记录数据与各类记录数据之间的关系以行和列的方式进行存储，每个数据表根据存储的文本、数字等数据信息进行定义，即确定数据表的结构形式。根据表的结构存入数据，整个数据表的可靠性和稳定性较高，把数据按照最小关系表的形式进行存储到关系型数据库。
步骤404，基于各类记录数据以及各类记录数据所在的关系型数据库之间的关系，构建知识图谱。
具体地，问答系统的处理器根据关系型数据库存储的各类记录数据与各类记录数据之间的关系信息构建数据与关系之间映射关系的结构化存储形式。基于得到的结构化存储形式，构建数据与关系的结构化图形映射关系，进一步进行图数据库Neo4j(一种图数据库)的存储，实现对知识图谱的存储，以用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示各类记录数据之间的相互联系。
本实施例中，通过从关系型数据库中获取计量系统的各类记录数据。基于各类记录数据以及各类记录数据所在的关系型数据库之间的关系，构建知识图谱。利用计量系统已记录的数据信息构建知识图谱，建立多轮问答系统，高效精准地通过知识图谱返回用户输入问题所需答句，实现系统与用户的交互。
在一个实施例中，基于各类记录数据以及各类记录数据所在的关系型数据库之间的关系，构建知识图谱，即步骤404包括：
步骤502，基于各类记录数据以及各类记录数据所在的关系型数据库之间的关系，构建三元组。
其中，三元组是指各类记录数据以及各类记录数据之间关系以“主语-谓语-宾语”形式存储的存储单元。
具体地，问答系统的处理器根据关系型数据库中的各类记录数据以及各类记录数据之间的关系构建三元组，三元组的结构为“主语-谓语-宾语”。其中主语表示计量系统的计量域实体，比如用户编号；谓语表示属性，属性是指可以连接两个实体的关系表示，如(张三-朋友-李四)或者连接一个实体和一个数据类型实例的关系表示(张三-生日-2020-1-1)；宾语表示属性值，属性值可以是实体，如“李四”，也可以是数据类型实例，如“2020-1-1”。根据已经获取到的一组数据，以用户编号为唯一节点，构建三元组，如<0604064510995548，电表数量，1>。
步骤504，将三元组导入初始知识图谱，得到知识图谱。
具体地，问答系统的处理器基于得到的三元组数据，进行图数据库的存储。采用图数据库Neo4j实现对知识图谱的存储。利用Neo4j官方提供的neo4j-admin import工具包，通过指定节点文件和关系文件将CSV(Comma Separate Values，逗号分割文件)数据导入到空数据库，从而实现大批量三元组的Neo4j导入。其中节点文件指的是存储主语和宾语的文件，对于知识图谱，属于图数据库的节点。关系文件存储节点之间的关系，即前文所说的谓语，在知识图谱中表现为连接节点的边。CSV数据包括节点.csv数据和关系.csv数据，节点.csv数据中存储节点的信息，如用户编号、用户名称、用电量等，关系.csv数据存储不同节点间的关系。在知识图谱建立完成后，可以采用查询语言Cypher(一种图形查询语句)来查询图谱的节点和关系。
本实施例中，通过各类记录数据以及各类记录数据所在的关系型数据库之间的关系，构建三元组。将三元组导入初始知识图谱，得到知识图谱。利用计量系统已有的记录数据与记录数据之间的关系构建三元组进而构建知识图谱，可以利用历史信息高效精准地返回用户输入问题所需答句，实现系统与用户的交互。
在一个实施例中，如图6所示，从关系型数据库中获取计量系统的各类记录数据即步骤402之后或基于各类记录数据以及各类记录数据所在的关系型数据库之间的关系，构建三元组即步骤502之前还包括：
步骤602，对记录数据进行数据清洗处理，数据清洗处理包括统一单位、统一大小写、数字中文转换以及去除无属性标签的记录数据中的至少一种处理。
具体地，从关系型数据库中获取计量系统的各类记录数据与各类记录数据关系，针对记录数据进行统一单位、统一大小写、数字中文转换以及去除无属性标签中至少一种数据清洗处理。
本实施例中，通过对记录数据进行数据清洗处理，数据清洗处理包括统一单位、统一大小写、数字中文转换以及去除无属性标签的记录数据中的至少一种处理，实现了对记录数据的整理与统一，为存储三元组，构建知识图谱做准备。
在一个实施例中，如图7所示，根据分词处理得到的分词结果中的关键词，识别输入问题所属的问题类别包括：
步骤702，采用基于编辑距离算法，计算所输入问题的关键词与问题类别模板的关键词之间的编辑距离。
其中，编辑距离算法是指通过由一个数据转成另一个数据所需的最少编辑操作次数来判断两个数据之间相似度的算法。编辑距离是指由一个数据转成另一个数据所需的最少编辑操作次数。
具体地，问答系统的处理器基于中文的编辑距离算法来计算用户输入问题与问题类别之间的相似度，从而进行问题类别确认。通过统计目标文本变换到原文本的过程中插入、删除、替换的最少次数计算编辑距离，如果插入、删除、替换的次数为零，则编辑距离为零，两个文本完全相似。编辑距离越大，文本相似度最低。
步骤704，基于编辑距离，将编辑距离最小的问题类别模板对应的问题类别确定为输入问题所属的问题类别。
具体地，问答系统的处理器通过计算用户输入问题的关键词与预设的问题类别模板的关键词之间的编辑距离，得到用户输入问题与预设问题类别的相似度。两者的编辑距离越大，相似度越小，两者的编辑距离越小，相似度越大。根据与用户输入问题相似度越大的问题类别，来获得输入问题对应的问题类别。
本实施例中，通过采用基于编辑距离算法，计算所输入问题的关键词与问题类别模板的关键词之间的编辑距离。基于编辑距离，将编辑距离最小的问题类别模板对应的问题类别确定为输入问题所属的问题类别。传统的编辑距离算法以单字符为单位，基于中文的编辑距离算法可使用分词后的词语为单位进行编辑距离计算。通过计算用户输入问题关键词与问题模板关键词的编辑距离，进行问题分类操作，选取编辑距离最小的问题类别为输入问题分类得到的问题类别，以高效地实现用户的意图查询。
本申请还提供一种应用场景，该应用场景应用上述的答句生成方法。具体地，该答句生成方法在该应用场景的应用如下：
针对计量自动化系统查询系统无法联系上下文的缺点，设计一种基于计量业务的多轮问答系统。基于计量业务的多轮智能问答系统的总体构建流程图如图8所示。
首先，需要获取计量自动化系统的文本和数据，包括用户档案、计量点关系、电量数据等，这些数据通过关系型数据库存储，具有明显的结构特点。
其次，对于获取到数据需要进行数据预处理操作，包括统一单位大小写、数字中文转换、去除无属性标签等操作，从而增加后续问答系统的适应性。
再次，在清洗完成后，需要进行三元组的构建。三元组的结构为“资源-属性-属性值”。根据已经获取到的一组组数据，以用户编号为唯一节点，构建三元组，如<0604064510995548，电表数量，1>。基于得到的三元组数据，可以进行图数据库的存储。此处采用图数据库Neo4j实现对知识图谱的存储。利用官方提供的neo4j-admin import工具包，可以通过指定节点文件和关系文件将CSV数据导入到空数据库，从而实现大批量三元组的Neo4j导入。在知识图谱建立完成后，可以采用查询语言Cypher来查询图谱的节点和关系。
最后，在有了知识图谱的情况下，需要建立多轮问答系统，实现与用户的交互。多轮问答，是在初步明确用户意图之后，通过获取必需信息以返回查询内容的问答流程。多轮问答系统的流程图如图9所示。
当用户提出问题后，需要判断是否为首轮问题，若是则直接进入后续问题理解环节，若否，则需要读取历史对话模块，获取上下文信息。
问题理解的第一个环节为中文分词。使用开源CoreNLP算法识别中文文本中具有特定意义的计量域实体，主要包括变电站、线路、变压器、用户、电表、终端等电力实体对象名称，组织机构名称，计量点、用电量、用户数、电表数、终端数等电力计量专有名称，以及时间，数量等中文文字。通过中文分词，可以把用户输入的问句，拆分识别为不同实体，为后续的意图识别做准备。
意图识别模块的作用是识别用户输入的问题分类。例如“平坝县投资促进局的2020年11月电量”为电量查询类问题，“线路281175252下有几个用户”为档案查询类问题。可采用基于中文的编辑距离算法来计算文本相似度，从而进行问题的类别确认。计算编辑距离，就是统计目标文本变换到原文本的过程中插入、删除、替换的最少次数，如果插入、删除、替换的次数为零，则编辑距离为零，两个文本完全相似。编辑距离越大，文本相似度最低。传统的编辑距离算法以单字符为单位，基于中文的编辑距离算法可使用分词后的词语为单位进行编辑距离计算。通过计算用户输入问题文本与问题模板的编辑距离，进行问题分类操作，选取编辑距离最小的问题类别为输入问题分类得到的问题类别，以此实现用户的意图查询。
在获得用户的查询意图后，获取回答所必需的词槽。词槽指的是完成最终答复前，用户所必需提供的关键词内容。需要注意，词槽不止来源于用户的输入，系统中用户的基础信息也可以成为词槽。例如已知用户的客户编号，在客户查询“我家上个月用电量多少”时，可以直接获得答案，而不需要用户重新输入客户编号。
若用户询问信息不准确时，需要引导用户重新补充修正词槽，明确用户的咨询意图。基于用户输入关键词在知识图谱所属类别中匹配相关信息，并按相关性排序，将排名最高的作为反馈项，然后生成补充问句并将对话轮数充值为首轮，如：“请问您问的是10kV平磨I回线吗？”然后根据用户的反馈判别是否正确。若错误，则将排名低一位的选项作为反馈项，如“10kV平磨II回线”等。
当用户信息不完整时，需要通过追问的方式，补充查询所必需的信息。如查询电量类别需要用户对象名称或者用户编号和查询的时间，若用户提问“请问用户0604064510995548的电量”，则提供追问“请输入查询时间”，然后根据用户的反馈补充所必需的词槽。
在必需信息准确完整后，根据词槽内容查询知识图谱Neo4j数据库，返回最终答句，完成问答。最终答句即为Cypher语句查询Neo4j返回的结果，例如用户提问：请问用户0604064510995548的21年7月电量，经过上述的流程将这个问句转换为Cypher语句查询知识图谱数据库，得到100kWh这个答案，返回的最终答句就是100kWh。
应该理解的是，虽然图2-9的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-9中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图10所示，提供了一种答句生成装置，包括：分词处理模块1002、目标词槽确定模块1004、目标词槽填充模块1006、答句生成模块1008，其中：
分词处理模块1002，用于对输入问题进行分词处理，根据分词处理得到的分词结果中的关键词，识别输入问题所属的问题类别；
目标词槽确定模块1004，用于基于问题类别与词槽的匹配关系，确定输入问题对应答句所需的目标词槽；
目标词槽填充模块1006，用于基于分词结果，对目标词槽进行内容填充；
答句生成模块1008，用于从知识图谱中获取与内容填充后的目标词槽相匹配的答句内容，生成与输入问句对应的答句。
在其中一个实施例中，答句生成装置的目标词槽填充模块1006还包括生成问询问句模块，生成问询问句模块用于生成反馈词槽内容的问询问句。当目标词槽中存在至少一个未匹配到分词结果的待填充词槽时，基于待填充词槽，生成并反馈词槽内容问询问句。获取词槽内容问询问句对应的输入数据，基于输入数据，对待填充词槽进行内容填充。
在其中一个实施例中，答句生成装置还包括知识图谱构建模块，知识图谱构建模块用于从关系型数据库中获取计量系统的各类记录数据。基于各类记录数据以及各类记录数据所在的关系型数据库之间的关系，构建知识图谱。基于各类记录数据以及各类记录数据所在的关系型数据库之间的关系，构建三元组。将三元组导入初始知识图谱，得到知识图谱。
在其中一个实施例中，答句生成装置的知识图谱构建模块还包括数据预处理模块，数据预处理模块用于对记录数据进行数据清洗处理，数据清洗处理包括统一单位、统一大小写、数字中文转换以及去除无属性标签的记录数据中的至少一种处理。
在其中一个实施例中，答句生成装置的分词处理模块1002还包括编辑距离计算模块，编辑距离计算模块基于编辑距离算法，计算所述输入问题的关键词与问题类别模板的关键词之间的编辑距离。基于编辑距离，将编辑距离最小的问题类别模板对应的问题类别确定为输入问题所属的问题类别。
关于答句生成装置的具体限定可以参见上文中对于答句生成方法的限定，在此不再赘述。上述答句生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储知识图谱以及实时用户输入数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种答句生成方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种答句生成方法，其特征在于，所述方法包括：
对输入问题进行分词处理，根据所述分词处理得到的分词结果中的关键词，识别所述输入问题所属的问题类别；
基于问题类别与词槽的匹配关系，确定所述输入问题对应答句所需的目标词槽；
基于所述分词结果，对所述目标词槽进行内容填充；
从知识图谱中获取与内容填充后的目标词槽相匹配的答句内容，根据所述答句内容，生成与所述输入问题对应的答句。
2.根据权利要求1所述的方法，其特征在于，所述基于所述分词结果，对所述目标词槽进行内容填充包括：
将所述分词结果与所述目标词槽进行匹配，基于匹配成功的分词结果，对匹配成功的目标词槽进行内容填充；
当所述目标词槽中存在至少一个未匹配到分词结果的待填充词槽时，基于所述待填充词槽，生成并反馈词槽内容问询问句；
获取所述词槽内容问询问句对应的输入数据，基于所述输入数据，对所述待填充词槽进行内容填充。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
从关系型数据库中获取计量系统的各类记录数据；
基于各类记录数据以及各类记录数据所在的关系型数据库之间的关系，构建知识图谱。
4.根据权利要求3所述的方法，其特征在于，所述基于各类记录数据以及各类记录数据所在的关系型数据库之间的关系，构建知识图谱，包括
基于各类记录数据以及各类记录数据所在的关系型数据库之间的关系，构建三元组；
将所述三元组导入初始知识图谱，得到知识图谱。
5.根据权利要求3或4所述的方法，其特征在于，所述方法还包括：
对所述记录数据进行数据清洗处理，所述数据清洗处理包括统一单位、统一大小写、数字中文转换以及去除无属性标签的记录数据中的至少一种处理。
6.根据权利要求1所述的方法，其特征在于，所述对输入问题是针对计量数据的问题，所述关键词为计量域实体；
所述对输入问题进行分词处理，包括：
识别所述输入问题中的所述计量域实体；
将所述输入问题，按照所述计量域实体进行拆分，得到分词结果。
7.根据权利要求1所述的方法，其特征在于，所述根据所述分词处理得到的分词结果中的关键词，识别所述输入问题所属的问题类别包括：
采用基于编辑距离算法，计算所述输入问题的关键词与问题类别模板的关键词之间的编辑距离；
基于所述编辑距离，将所述编辑距离最小的所述问题类别模板对应的问题类别确定为所述输入问题所属的问题类别。
8.一种答句生成装置，其特征在于，所述装置包括：
分词处理模块，用于对所述输入问题进行分词处理，根据所述分词处理得到的分词结果中的关键词，识别所述输入问题所属的问题类别；
目标词槽确定模块，用于基于问题类别与词槽的匹配关系，确定所述输入问题对应答句所需的目标词槽；
目标词槽填充模块，用于基于所述分词结果，对所述目标词槽进行内容填充；
答句生成模块，用于从知识图谱中获取与内容填充后的目标词槽相匹配的答句内容，生成与所述输入问句对应的答句。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110908604.6A CN113626571B (zh) | 2021-08-09 | 2021-08-09 | 答句生成方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110908604.6A CN113626571B (zh) | 2021-08-09 | 2021-08-09 | 答句生成方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113626571A true CN113626571A (zh) | 2021-11-09 |
| CN113626571B CN113626571B (zh) | 2024-04-09 |
Family
ID=78383589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110908604.6A Active CN113626571B (zh) | 2021-08-09 | 2021-08-09 | 答句生成方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113626571B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117112770A (zh) * | 2023-10-23 | 2023-11-24 | 成都数联云算科技有限公司 | 基于知识图谱的问答方法、装置、存储介质及设备 |
| CN117648986A (zh) * | 2024-01-26 | 2024-03-05 | 浙江阿里巴巴机器人有限公司 | 任务处理和代码处理方法、计算设备、介质和程序产品 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109947916A (zh) * | 2019-03-01 | 2019-06-28 | 河北尚云信息科技有限公司 | 基于气象领域知识图谱的问答系统装置及问答方法 |
| CN110321472A (zh) * | 2019-06-12 | 2019-10-11 | 中国电子科技集团公司第二十八研究所 | 基于智能问答技术的舆情监测系统 |
| CN110851576A (zh) * | 2019-10-16 | 2020-02-28 | 迈达斯智能(深圳)有限公司 | 问答处理方法、装置、设备及可读介质 |
| CN111143523A (zh) * | 2019-12-02 | 2020-05-12 | 北京声智科技有限公司 | 意图确认方法及装置 |
| CN111274378A (zh) * | 2020-02-13 | 2020-06-12 | 南京云问网络技术有限公司 | 用于问答的数据处理方法以及装置、设备、存储介质 |
| CN111400493A (zh) * | 2020-03-06 | 2020-07-10 | 中国平安人寿保险股份有限公司 | 基于槽位相似度的文本匹配方法、装置、设备及存储介质 |
| CN111737432A (zh) * | 2020-06-22 | 2020-10-02 | 四川长虹电器股份有限公司 | 一种基于联合训练模型的自动对话方法和系统 |
| CN111949787A (zh) * | 2020-08-21 | 2020-11-17 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱的自动问答方法、装置、设备及存储介质 |
| CN112270182A (zh) * | 2020-11-12 | 2021-01-26 | 佰聆数据股份有限公司 | 一种基于多轮对话问答式的分析思路衍生方法、系统及存储介质 |
| CN113094474A (zh) * | 2021-06-08 | 2021-07-09 | 深圳追一科技有限公司 | 智能问答方法和装置、服务器、计算机可读存储介质 |
-
2021
- 2021-08-09 CN CN202110908604.6A patent/CN113626571B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109947916A (zh) * | 2019-03-01 | 2019-06-28 | 河北尚云信息科技有限公司 | 基于气象领域知识图谱的问答系统装置及问答方法 |
| CN110321472A (zh) * | 2019-06-12 | 2019-10-11 | 中国电子科技集团公司第二十八研究所 | 基于智能问答技术的舆情监测系统 |
| CN110851576A (zh) * | 2019-10-16 | 2020-02-28 | 迈达斯智能(深圳)有限公司 | 问答处理方法、装置、设备及可读介质 |
| CN111143523A (zh) * | 2019-12-02 | 2020-05-12 | 北京声智科技有限公司 | 意图确认方法及装置 |
| CN111274378A (zh) * | 2020-02-13 | 2020-06-12 | 南京云问网络技术有限公司 | 用于问答的数据处理方法以及装置、设备、存储介质 |
| CN111400493A (zh) * | 2020-03-06 | 2020-07-10 | 中国平安人寿保险股份有限公司 | 基于槽位相似度的文本匹配方法、装置、设备及存储介质 |
| CN111737432A (zh) * | 2020-06-22 | 2020-10-02 | 四川长虹电器股份有限公司 | 一种基于联合训练模型的自动对话方法和系统 |
| CN111949787A (zh) * | 2020-08-21 | 2020-11-17 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱的自动问答方法、装置、设备及存储介质 |
| CN112270182A (zh) * | 2020-11-12 | 2021-01-26 | 佰聆数据股份有限公司 | 一种基于多轮对话问答式的分析思路衍生方法、系统及存储介质 |
| CN113094474A (zh) * | 2021-06-08 | 2021-07-09 | 深圳追一科技有限公司 | 智能问答方法和装置、服务器、计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 高天飞: "基于NLP的高校财务咨询问答原型系统设计与实现", 《中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑》, pages 131 - 78 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117112770A (zh) * | 2023-10-23 | 2023-11-24 | 成都数联云算科技有限公司 | 基于知识图谱的问答方法、装置、存储介质及设备 |
| CN117648986A (zh) * | 2024-01-26 | 2024-03-05 | 浙江阿里巴巴机器人有限公司 | 任务处理和代码处理方法、计算设备、介质和程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113626571B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106447346A (zh) | 一种智能电力客服系统的构建方法及系统 | |
| CN113626571B (zh) | 答句生成方法、装置、计算机设备和存储介质 | |
| CN112651218A (zh) | 一种标书自动生成方法、管理方法、介质以及计算机 | |
| CN114860916A (zh) | 知识检索方法及装置 | |
| CN116244410A (zh) | 一种基于知识图谱和自然语言的指标数据分析方法及系统 | |
| CN110737432A (zh) | 一种基于词根表的脚本辅助设计方法及装置 | |
| CN110737779A (zh) | 知识图谱的构建方法、装置、存储介质和电子设备 | |
| CN111104422A (zh) | 一种数据推荐模型的训练方法、装置、设备及存储介质 | |
| CN116628228A (zh) | 一种rpa流程推荐方法以及计算机可读存储介质 | |
| CN111026972A (zh) | 物联网中的订阅数据推送方法、装置、设备及存储介质 | |
| CN113901233B (zh) | 一种查询数据修复方法、系统、计算机设备及存储介质 | |
| CN115203281A (zh) | 信息查找方法、装置、电子设备和存储介质 | |
| CN114416848A (zh) | 基于数据仓库的数据血缘关系处理方法及装置 | |
| CN112559739A (zh) | 电力设备绝缘状态数据处理方法 | |
| CN113434658A (zh) | 火电机组运行问答生成方法、系统、设备及可读存储介质 | |
| CN113327154A (zh) | 基于大数据的电商用户讯息推送方法及系统 | |
| CN112148939A (zh) | 数据处理方法、装置及电子设备 | |
| CN112486992B (zh) | 一种数据存储方法及系统 | |
| CN114153993B (zh) | 一种用于智能问答的知识图谱自动化构建方法及系统 | |
| CN108846103A (zh) | 一种数据查询方法及装置 | |
| CN116383883B (zh) | 一种基于大数据的数据管理权限处理方法及系统 | |
| CN113807429B (zh) | 企业的分类方法、装置、计算机设备和存储介质 | |
| CN117421391A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN114138782A (zh) | 指标图谱构建方法、系统、设备及存储介质 | |
| CN116484857A (zh) | 文本生成方法、装置、计算机设备和存储介质 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Applicant after: Southern Power Grid Digital Grid Research Institute Co.,Ltd. Applicant after: CHINA SOUTHERN POWER GRID Co.,Ltd. Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. Country or region before: China Applicant before: CHINA SOUTHERN POWER GRID Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240312 Address after: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Applicant after: Southern Power Grid Digital Grid Research Institute Co.,Ltd. Country or region after: China Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. Country or region before: China Applicant before: CHINA SOUTHERN POWER GRID Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |