CN113836273A - 基于复杂语境的法律咨询方法及相关设备 - Google Patents
基于复杂语境的法律咨询方法及相关设备 Download PDFInfo
- Publication number
- CN113836273A CN113836273A CN202111389956.1A CN202111389956A CN113836273A CN 113836273 A CN113836273 A CN 113836273A CN 202111389956 A CN202111389956 A CN 202111389956A CN 113836273 A CN113836273 A CN 113836273A
- Authority
- CN
- China
- Prior art keywords
- description
- intention
- legal
- knowledge
- theme
- 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 46
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 81
- 230000004044 response Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 67
- 208000001613 Gambling Diseases 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual 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
- G06F16/3331—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
- G06F16/36—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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Machine Translation (AREA)
Abstract
本申请提供了一种基于复杂语境的法律咨询方法及相关设备,基于深度学习中的语音识别、语义理解、语音生成等技术,针对法律咨询中出现的复杂语境提出了一套智能咨询方法,该方法能够结合历史咨询内容准确理解复杂语境下用户的咨询意图。基于深度学习框架下的多类别分类和多标签分类模型,分别得到每句用户提问的意图和信息点,通过筛选得到历史对话中和当前意图相关的知识点,融合当前主题、意图和信息点,从而得到对用户咨询精准的语义理解。
Description
技术领域
本申请涉及机器学习技术领域,尤其涉及一种基于复杂语境的法律咨询方法及相关设备。
背景技术
随着人工智能技术的进步和发展,智能咨询系统逐渐被应用到各种服务场景中,如:智能客服机器人,警务机器人等。智能咨询系统为用户和产品提供了一个智能交互的途径,用户可以通过文字或语音来输入自己的请求,产品则根据用户的请求意图响应相对应的内容。
口语理解作为智能咨询系统的关键模块,可以从用户输入的口语化描述中提取用户意图以及计算机能够识别的结构化信息。在现有的技术中,深度学习模型能够以端到端的方式高效地完成口语理解任务,从而提高智能咨询系统的整体效果。在用户与机器的多轮对话中,对话的历史信息可以为当前对话提供更丰富的信息,帮助机器更好的理解用户语义。然而在实际应用场景中,用户的提问往往会存在语境或意图的跳转,如何精准识别当前对话的意图并且有效地筛选和利用历史信息中的相关知识点,是一个智能咨询系统能否为用户提供更加精准回答亟需解决的关键问题。现有的智能咨询类产品针对上述问题还没有成熟的解决方案。
发明内容
有鉴于此,本申请的目的在于提出一种基于复杂语境的法律咨询方法及相关设备。
基于上述目的,本申请提供了一种基于复杂语境的法律咨询方法,其特征在于,包括:
响应于接收到用户依次输入的关联的法律问题的多个描述,通过预训练的深度神经网络模型对每个所述描述进行语义识别,提取与每个所述描述对应的主题、意图和信息点;
根据所述主题和所述意图,在预先基于法律知识相关文件构建的法律知识图谱中进行子图搜索,搜索出与所述主题和所述意图相关联的推荐子图;
将所述推荐子图中的全部节点与知识点集合中的每一个知识点进行匹配,输出至少一个与所述知识点相同的所述节点作为推荐节点,其中,
响应于确定当前输入的所述描述是首次输入的所述描述,则所述知识点集合包括当前输入的所述描述对应的所述信息点,
响应于确定当前输入的所述描述不是首次输入的所述描述,则所述知识点集合包括当前输入的所述描述对应的所述信息点以及当前输入的所述描述之前输入的全部所述描述对应的所述信息点和所述主题;
将所述推荐节点与预先构建的答案映射集合进行匹配,输出与所述推荐节点相关的法律答案作为与当前输入的所述描述相关的法律咨询答案。
基于同一发明构思,本公开还提供了一种基于复杂语境的法律咨询装置,其特征在于,包括:
语义识别模块,被配置为响应于接收到用户依次输入的关联的法律问题的多个描述,通过预训练的深度神经网络模型对每个所述描述进行语义识别,提取与每个所述描述对应的主题、意图和信息点;
子图推荐模块,被配置为根据所述主题和所述意图,在预先基于法律知识相关文件构建的法律知识图谱中进行子图搜索,搜索出与所述主题和所述意图相关联的推荐子图;
节点推荐模块,被配置为将所述推荐子图中的全部节点与知识点集合中的每一个知识点进行匹配,输出至少一个与所述知识点相同的所述节点作为推荐节点,其中,
响应于确定当前输入的所述描述是首次输入的所述描述,则所述知识点集合包括当前输入的所述描述对应的所述信息点,
响应于确定当前输入的所述描述不是首次输入的所述描述,则所述知识点集合包括当前输入的所述描述对应的所述信息点以及当前输入的所述描述之前输入的全部所述描述对应的所述信息点和所述主题;
答案推荐模块,被配置为将所述推荐节点与预先构建的答案映射集合进行匹配,输出与所述推荐节点相关的法律答案作为与当前输入的所述描述相关的法律咨询答案。
基于同一发明构思,本公开还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上所述的方法。
基于同一发明构思,本公开还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行如上所述的方法。
从上面所述可以看出,本申请提供的一种基于复杂语境的法律咨询方法及相关设备,基于深度学习中的语义理解、语音生成等技术,针对法律咨询中出现的复杂语境提出了一套智能咨询方法,该方法能够结合历史咨询内容准确理解复杂语境下用户的咨询意图。基于深度学习框架下的多类别分类和多标签分类模型,分别得到每句用户提问的意图和信息点,通过筛选得到历史对话中和当前意图相关的知识点,融合当前主题、意图和信息点,从而得到对用户咨询精准的语义理解。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的基于复杂语境的法律咨询方法的流程示意图;
图2为本申请实施例的第一轮法律问答对应的推荐子图的示意图;
图3为本申请实施例的第二轮法律问答对应的推荐子图的示意图;
图4为本申请实施例的第三轮法律问答对应的推荐子图的示意图;
图5为本申请实施例的第四轮法律问答对应的推荐子图的示意图;
图6为本申请实施例的基于复杂语境的法律咨询装置的结构示意图;
图7为本申请实施例的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
以下结合附图来详细说明本申请的实施例。
本申请提供了一种基于复杂语境的法律咨询方法,参考图1,该方法包括以下步骤:
步骤S101、响应于接收到用户依次输入的关联的法律问题的多个描述,通过预训练的深度神经网络模型对每个所述描述进行语义识别,提取与每个所述描述对应的主题、意图和信息点。
具体的,用户在进行法律咨询的时候往往会进行多轮提问,每轮问题之间可能存在相互联系,在对后几轮用户输入的法律问题进行解答时需要考虑前面用户提问的相关信息,作为对法律问题推荐答案的补充。首先,需要对每轮用户输入的法律问题进行语义识别和解析,提取出该轮法律问题的主题、意图和信息点。主题表示该法律问题所要咨询的主要法律领域和方向,意图表示用户通过该轮法律提问想要解决的问题是什么,信息点则表示了该轮法律问题中包括的法律领域关键词。
步骤S102、根据所述主题和所述意图,在预先基于法律知识相关文件构建的法律知识图谱中进行子图搜索,搜索出与所述主题和所述意图相关联的推荐子图。
具体的,通过上述步骤得到了该轮法律问题的主题、意图,所述主题和所述意图均为预先构建的法律知识图谱中的相应节点,因而,根据所述主题和所述意图可以直接在法律知识图谱中进行节点匹配,得到与所述主题和所述意图关联的子图谱。
步骤S103、将所述推荐子图中的全部节点与知识点集合中的每一个知识点进行匹配,输出至少一个与所述知识点相同的所述节点作为推荐节点,其中,
响应于确定当前输入的所述描述是首次输入的所述描述,则所述知识点集合包括当前输入的所述描述对应的所述信息点,
响应于确定当前输入的所述描述不是首次输入的所述描述,则所述知识点集合包括当前输入的所述描述对应的所述信息点以及当前输入的所述描述之前输入的全部所述描述对应的所述信息点和所述主题。
具体的,将通过主题和意图搜索得到的子图谱与知识点集合中的每一个知识点进行匹配,对所述子图谱中的每个节点进行筛选,最终只保留与所述知识点完全相同的所述节点作为推荐节点输出,所述推荐节点至少为一个。
如果当前输入的法律问题为首次输入的法律问题,则知识点集合中只包含从当前法律问题中提取的信息点,如果当前输入的法律问题不是首次输入的法律问题,则需要考虑前几轮法律问题中的相关信息,对知识点集合进行补充,因而知识点集合中不仅包括从当前法律问题中提取的信息点,还包括从之前全部法律问题中提取出的历史信息点和历史主题。
在本实施例中,没有将历史意图作为新一轮法律问题的知识点,是为了避免对历史信息的过度考虑,因为当前法律问题的意图与历史意图可能差别较大,历史意图会对当前法律问题的意图理解造成偏差,所以,在历史信息中只保留了历史主题和历史信息点。
步骤S104、将所述推荐节点与预先构建的答案映射集合进行匹配,输出与所述推荐节点相关的法律答案作为与当前输入的所述描述相关的法律咨询答案。
具体的,在预先构建的答案映射集合中找出与所述推荐节点关联的答案,作为推荐答案输出。所述答案映射集合是基于法律知识相关文件构建的,通过对现有法律法规和法律问答的归纳整理,再结合法律专家的建议构建了主题、意图、信息点-答案映射集合,其中,每个主题、意图和信息点在所述答案映射集合中均存在相应的法律答案。将所述推荐节点与所述答案映射集合进行匹配,输出与所述推荐节点关联的法律答案作为法律咨询答案。
在一些实施例中,响应于确定所述法律问题为语音形式,则通过语音识别模块将所述法律问题转换为纯文本形式。如果用户输入的法律问题为纯文本形式,则直接将所述法律问题输入至预训练的深度神经网络模型中进行语义识别。
具体的,本实施例中的语音识别模块中的语音识别方法具体包括语音特征提取、声学模型和CTC解码及文本转换。语音特征提取包括对输入的法律问题的语音信号进行加窗、分帧,提取语音的特征,得到二维语谱图。语谱图中的横坐标代表时间大小,纵坐标代表频率大小,时间和频率所对应的像素点的值可以反映出相应时刻和频率的能量,颜色越深表示声纹强度越大,相应的影响人感知的效果越强。声学模型和CTC解码过程包括将将特征提取得到的所述语谱图输入深度卷积神经网络VGG(Visual Geometry Group),该网络模型具有很强的表达能力,可以观测到很长的历史和未来信息,鲁棒性也非常出色。将VGG网络输出的声音表示作为CTC解码过程的输入,将声音信号解码为汉语拼音序列。文本转换过程包括将得到的汉语拼音序列输入基于概率图的最大熵隐含马尔可夫模型,最终将汉语拼音序列转换为中文文本。
在一些实施例中,所述通过预训练的深度神经网络模型对每个所述描述进行语义解析,提取与每个所述描述对应的主题、意图和信息点,包括:
通过多类别分类模型对所述描述进行语义识别,分别提取与所述描述对应的所述主题和所述意图;
通过多标签分类模型对所述描述进行语义识别,提取与所述描述对应的所述信息点。
具体的,通过多类别分类模型分别只输出一个主题和一个意图作为所述描述的主题和意图,通过多标签分类模型可输出多个信息点。
在一些实施例中,所述通过多类别分类模型对所述描述进行语义识别,分别提取与所述描述对应的所述主题和所述意图,包括:
通过jieba分词算法对所述描述进行分词;
将经过分词的所述描述输入预训练模型Bert中,经由所述预训练模型Bert输出与所述描述对应的词向量集合;
基于预先构建的主题标签集合和意图标签集合,分别通过所述预训练模型Bert得到所述主题标签集合中的每一个主题标签对应的主题标签向量以及所述意图标签集合中的每一个意图标签对应的意图标签向量;
基于所述词向量集合和全部所述主题标签向量通过相似度计算得到所述词向量集合中的每一个词向量对应的主题权重系数,
基于所述词向量集合和全部所述意图标签向量通过相似度计算得到所述词向量集合中的每一个词向量对应的意图权重系数;
通过Softmax函数分别对所述主题权重系数和所述意图权重系数进行归一化处理,以得到归一化的主题权重系数和归一化的意图权重系数;
基于所述词向量集合和所述归一化的主题权重系数得到所述描述对应的主题句子向量,
基于所述词向量集合和所述归一化的意图权重系数得到所述描述对应的意图句子向量;
基于所述主题句子向量通过Softmax函数计算得到所述描述对应的主题得分向量,将所述主题得分向量中的最高得分对应的所述主题标签作为所述描述的所述主题,
基于所述意图句子向量通过Softmax函数计算得到所述描述对应的意图得分向量,将所述意图得分向量中的最高得分对应的所述意图标签作为所述描述的所述意图。
具体的,本实施例中所述主题和所述意图的提取方式相同。下面针对所述主题的提取过程进行详细说明:
对用户输入的法律问题的描述进行分词处理,分词工具为jieba分词算法,将分词
后的所述描述输入Bert-Chinese中文预训练模型中进行编码得到所述描述词向量嵌入,(i=1, 2, …, n)表示所述描述中每一个词对应的词向量,n代表
所述描述中词的个数。同样使用Bert-Chinese对预先基于法律知识相关文件构建的主题标
签集合中的每一个主题标签进行嵌入,得到所述主题标签集合的初始向量表示,Ij(j=1, 2, …, M)表示每一个主题标签对应的主题标签向量,其中,
M代表主题标签的个数。对于一个给定的词嵌入(i=1, 2, …, n),计算该词嵌入与每个
主题标签向量的余弦相似度,并取最大值:
将所述描述用加权后的词向量重新表示为如下向量序列:
取加权平均得到所述描述的句子向量表示:
应用Softmax函数对所述描述的句子向量表示进行多类别分类,得到主题标签集合中的所有主题标签对应的得分向量
这里的C为系数矩阵,向量b是偏置项,取得分向量P中得分最高的主题标签作为所述描述的主题输出。
对于所述描述的意图提取与上述主题提取方式相同,此处不再赘述。
在一些实施例中,所述通过多标签分类模型对所述描述进行语义识别,提取与所述描述对应的所述信息点,包括:
通过jieba分词算法对所述描述进行分词;
将经过分词的所述描述输入预训练模型Bert中,经由所述预训练模型Bert输出与所述描述对应的词向量集合;
基于预先构建的信息点标签集合,通过所述预训练模型Bert得到所述信息点标签集合中的每一个信息点标签对应的信息点标签向量;
基于所述词向量集合和全部所述信息点标签向量通过相似度计算得到所述词向量集合中的每一个词向量对应的信息点权重系数;
通过Softmax函数对所述信息点权重系数进行归一化处理,以得到归一化的信息点权重系数;
基于所述词向量集合和所述归一化的信息点权重系数得到所述描述对应的信息点句子向量;
基于所述信息点句子向量通过Sigmoid函数计算得到所述描述对应的信息点得分向量,将所述信息点得分向量中超过预设得分阈值的得分对应的所述信息点标签作为所述描述的所述信息点。
具体的,与上述主题提取部分步骤相同,通过Bert-Chinese中文预训练模型得到所述描述的句子向量表示:
应用Sigmoid函数对所述描述的句子向量表示进行多标签分类,得到信息点标签集合中的所有信息点标签对应的得分向量:
这里的C为系数矩阵,向量b是偏置项,将所述信息点得分向量中超过预设得分阈值的得分对应的所述信息点标签作为所述描述的所述信息点。本实施例中,将得分阈值设置为0.5,也即返回得分超过0.5的所有信息点标签作为所述描述的信息点。
在一些实施例中,所述根据所述主题和所述意图,在预先基于法律知识相关文件构建的法律知识图谱中进行子图搜索,搜索出与所述主题和所述意图相关联的子图,包括:
根据所述主题在所述法律知识图谱中进行子图搜索,得到以所述主题为根节点的第一子图;
根据所述意图在所述第一子图中进行搜索,得到以所述意图为根节点的第二子图作为所述推荐子图。
具体的,所述主题对应的节点为所述意图对应的节点的上一层节点,通常先根据主题在法律知识图谱中进行搜索,搜索出以与所述主题相同的节点作为根节点的第一子图,再通过所述意图在所述第一子图中进行进一步搜索匹配,输出以与所述意图相同的节点作为根节点的第二子图作为推荐子图。
在一些实施例中,所述响应于确定当前输入的所述描述不是首次输入的所述描述,则所述知识点集合包括当前输入的所述描述对应的所述信息点以及当前输入的所述描述之前输入的全部所述描述对应的所述信息点和所述主题,
在所述将所述推荐子图中的全部节点与知识点集合中的每一个所述知识点进行匹配,输出至少一个与所述知识点相同的所述节点作为推荐节点之前,还包括:将所述知识点集合中重复的知识点进行剔除。
具体的,如果当前输入的所述描述不是首次输入的所述描述,则需要考虑历史轮次中输入的法律问题的主题和信息点,但是历史主题和历史信息点可能与当前信息点存在重复的现象,需要先将这些重复的知识点进行剔除,再将知识点与推荐子图进行搜索匹配,以减少搜索匹配的时间和工作量。
下面通过一个具体的多轮法律问答对话场景说明本申请提供的法律咨询方法:
问1:老公欠下巨额赌债还总是酒后打我,怎么办
答1:【家暴-应对措施】当你遭遇到家暴时,应注意以下事项,最大程度减少伤害:1. 远离存放锐器的地方…;2. 及时就医,…;3. 及时向当地的妇联或者街道办求助;4.向法院申请人身安全保护令。
问2:想离婚
答2:【离婚-离婚方式(家暴)】如果对方家暴,您想离婚,可以先与对方协议离婚。如果对方不同意或者双方对财产、孩子问题有争议的,可以搜集对方家暴的证据,选择诉讼离婚。夫妻离婚时,一方出具遭受对方家暴的证据,法院认定对方确实存在家庭暴力,一般会判处离婚。【离婚-离婚方式(赌博)】一方赌博,法院不一定会判离。但若一方有多次赌博的行为,经规劝后仍屡教不改的,法院经调解无效会准予离婚。但如果只是偶尔与亲戚好友小赌,就不构成法定离婚情形中的“有赌博恶习”。
问3:离婚后我需要替老公还债吗
答3:【夫妻共同债务(赌债)】一方赌博所借的债务,属于一方个人名义所负其他债务,由其自行承担,配偶另一方不承担偿还责任。且赌债是非法债务,不受法律保护。
问4:离婚后财产怎么分割
答4:【离婚时共同财产处理(家暴)】因家庭暴力离婚进行财产分割时,参照照顾无过错方的原则分割财产。被施暴者有权依照《婚姻法》第四十六条第三款的规定,请求损害赔偿,但不涉及夫妻共同财产的分割,此外是否会得到赔偿,赔偿多少,仍需要法院判决。
参考图2,在第一轮问答中,用户提问的主题是“家庭暴力”,由提问方式“怎么办”结合主题可以得出提问的意图是“应对措施”,除此以外还可以得到附加信息“赌债”和“赌博”。结合提问主题和意图对应到图谱中的相应节点就可以将该节点下对应的问题答案返回给用户。
参考图3,在第二轮问答中,用户提问的主题是“离婚”,由提问方式“想…”结合主题可以得出提问的意图是咨询“离婚方式”,在这一轮的提问中没有额外的知识点,但需要结合上一轮问答中提取的主题和信息点。在本轮中,前面轮次的主题和信息点都作为本轮问答的额外信息点对主题和意图进行补充,因此本轮的额外信息点包括“家庭暴力”,“赌债”和“赌博”。在法律问答知识图谱中,以主题“离婚”为中心节点,结合意图定位到以“离婚方式”为根节点的子图,分别将上述三个信息点和子图中所有的叶子节点进行匹配,匹配到两个叶子节点“家庭暴力”和“赌博”,分别关联到这两个节点下对应的问题答案,将答案返回。
参考图4,在第三轮问答中 ,用户提问的主题是“夫妻共同债务”,本轮的附加信息点为“离婚”,前面轮次所有的附加信息点为“家庭暴力”,“赌债”,“赌博”和“离婚”。在法律知识图谱中逐一将所有附加信息点和以“夫妻共同债务”为根节点的子图中的所有子节点进行匹配,匹配到“赌债”这一子节点。将这一节点下对应的答案返回。
参考图5,在第四轮问答中,用户提问的主题是“离婚时共同财产处理”,同样需结合前面轮次的信息点,最终可以匹配到主题节点下的“家庭暴力”子节点,最终返回相应的答案。
为了更好的显示本发明的优势,以下对话是未结合历史对话信息给出的回答:
问1:老公欠下巨额赌债还总是酒后打我,怎么办
答1:当你遭遇到家暴时,应注意以下事项,最大程度减少伤害:1. 远离存放锐器的地方…;2. 及时就医,…;3. 及时向当地的妇联或者街道办求助;4. 向法院申请人身安全保护令。
问2:想离婚
答2:如果您想快速离婚,可以选择“协议离婚”。协议离婚大概需要1-2天。但协议离婚的前提是要先和对方商量好孩子抚养权和财产分割的问题。如果您和对方有孩子抚养权或财产分割的争议,可以采取“诉讼离婚”的方式,但时间周期会比较长,一般需要3-6个月的时间。
问3:离婚后我需要替老公还债吗
答3:离婚后,一方所欠的债务,分为以下几种情况:1)您和对方离婚之后,对方所欠的债务为他个人债务,您无需承担;2)双方结婚期间,一方所欠的债务用于夫妻共同生活的,属于夫妻共同债务,需一起偿还;3)…
问4:离婚后财产怎么分割
答4:离婚时,夫妻共同财产由您与对方协议处理;协议不成的,由法院根据财产的具体情况,照顾子女和女方权益的原则判决。实际操作时,法院一般会对夫妻共同财产作均等分割,一人一半,但根据实际情况,具体处理时也可能会有所侧重。
从上述对话中可以看出,除了第一轮对话的回答是准确的以外,后面轮次的对话由于只是单一的考虑到了当前轮次本身的语义信息而忽略了历史对话中和当前主题相关的知识点,最终返回给用户的答案并不是用户最需要的。例如第四轮对话中,用户的潜在意图是需要得到“被家暴后离婚分割财产时能够对自己有所倾向”这一信息的相关法律支持,但答案中由于只提取到了“离婚财产分割”这一主题,最终只给出了一般情况下离婚财产分割的建议,而未考虑到女方被家暴这个信息。
需要说明的是,本申请实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种基于复杂语境的法律咨询装置。
参考图6,所述基于复杂语境的法律咨询装置,包括:
语义识别模块601,被配置为响应于接收到用户依次输入的关联的法律问题的多个描述,通过预训练的深度神经网络模型对每个所述描述进行语义识别,提取与每个所述描述对应的主题、意图和信息点;
子图推荐模块602,被配置为根据所述主题和所述意图,在预先基于法律知识相关文件构建的法律知识图谱中进行子图搜索,搜索出与所述主题和所述意图相关联的推荐子图;
节点推荐模块603,被配置为将所述推荐子图中的全部节点与知识点集合中的每一个知识点进行匹配,输出至少一个与所述知识点相同的所述节点作为推荐节点,其中,
响应于确定当前输入的所述描述是首次输入的所述描述,则所述知识点集合包括当前输入的所述描述对应的所述信息点,
响应于确定当前输入的所述描述不是首次输入的所述描述,则所述知识点集合包括当前输入的所述描述对应的所述信息点以及当前输入的所述描述之前输入的全部所述描述对应的所述信息点和所述主题;
答案推荐模块604,被配置为将所述推荐节点与预先构建的答案映射集合进行匹配,输出与所述推荐节点相关的法律答案作为与当前输入的所述描述相关的法律咨询答案。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的基于复杂语境的法律咨询方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上任意一实施例所述的基于复杂语境的法律咨询方法。
图7示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图, 该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线 1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的基于复杂语境的法律咨询方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的基于复杂语境的法律咨询方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于复杂语境的法律咨询方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于复杂语境的法律咨询方法,其特征在于,包括:
响应于接收到用户依次输入的关联的法律问题的多个描述,通过预训练的深度神经网络模型对每个所述描述进行语义识别,提取与每个所述描述对应的主题、意图和信息点;
根据所述主题和所述意图,在预先基于法律知识相关文件构建的法律知识图谱中进行子图搜索,搜索出与所述主题和所述意图相关联的推荐子图;
将所述推荐子图中的全部节点与知识点集合中的每一个知识点进行匹配,输出至少一个与所述知识点相同的所述节点作为推荐节点,其中,
响应于确定当前输入的所述描述是首次输入的所述描述,则所述知识点集合包括当前输入的所述描述对应的所述信息点,
响应于确定当前输入的所述描述不是首次输入的所述描述,则所述知识点集合包括当前输入的所述描述对应的所述信息点以及当前输入的所述描述之前输入的全部所述描述对应的所述信息点和所述主题;
将所述推荐节点与预先构建的答案映射集合进行匹配,输出与所述推荐节点相关的法律答案作为与当前输入的所述描述相关的法律咨询答案。
2.根据权利要求1所述的方法,其特征在于,所述通过预训练的深度神经网络模型对每个所述描述进行语义识别,提取与每个所述描述对应的主题、意图和信息点,包括:
通过多类别分类模型对所述描述进行语义识别,分别提取与所述描述对应的所述主题和所述意图;
通过多标签分类模型对所述描述进行语义识别,提取与所述描述对应的所述信息点。
3.根据权利要求2所述的方法,其特征在于,所述通过多类别分类模型对所述描述进行语义识别,分别提取与所述描述对应的所述主题和所述意图,包括:
通过jieba分词算法对所述描述进行分词;
将经过分词的所述描述输入预训练模型Bert中,经由所述预训练模型Bert输出与所述描述对应的词向量集合;
基于预先构建的主题标签集合和意图标签集合,分别通过所述预训练模型Bert得到所述主题标签集合中的每一个主题标签对应的主题标签向量以及所述意图标签集合中的每一个意图标签对应的意图标签向量;
基于所述词向量集合和全部所述主题标签向量通过相似度计算得到所述词向量集合中的每一个词向量对应的主题权重系数,
基于所述词向量集合和全部所述意图标签向量通过相似度计算得到所述词向量集合中的每一个词向量对应的意图权重系数;
通过Softmax函数分别对所述主题权重系数和所述意图权重系数进行归一化处理,以得到归一化的主题权重系数和归一化的意图权重系数;
基于所述词向量集合和所述归一化的主题权重系数得到所述描述对应的主题句子向量,
基于所述词向量集合和所述归一化的意图权重系数得到所述描述对应的意图句子向量;
基于所述主题句子向量通过Softmax函数计算得到所述描述对应的主题得分向量,将所述主题得分向量中的最高得分对应的所述主题标签作为所述描述的所述主题,
基于所述意图句子向量通过Softmax函数计算得到所述描述对应的意图得分向量,将所述意图得分向量中的最高得分对应的所述意图标签作为所述描述的所述意图。
4.根据权利要求2所述的方法,其特征在于,所述通过多标签分类模型对所述描述进行语义识别,提取与所述描述对应的所述信息点,包括:
通过jieba分词算法对所述描述进行分词;
将经过分词的所述描述输入预训练模型Bert中,经由所述预训练模型Bert输出与所述描述对应的词向量集合;
基于预先构建的信息点标签集合,通过所述预训练模型Bert得到所述信息点标签集合中的每一个信息点标签对应的信息点标签向量;
基于所述词向量集合和全部所述信息点标签向量通过相似度计算得到所述词向量集合中的每一个词向量对应的信息点权重系数;
通过Softmax函数对所述信息点权重系数进行归一化处理,以得到归一化的信息点权重系数;
基于所述词向量集合和所述归一化的信息点权重系数得到所述描述对应的信息点句子向量;
基于所述信息点句子向量通过Sigmoid函数计算得到所述描述对应的信息点得分向量,将所述信息点得分向量中超过预设得分阈值的得分对应的所述信息点标签作为所述描述的所述信息点。
5.根据权利要求1所述的方法,其特征在于,所述根据所述主题和所述意图,在预先基于法律知识相关文件构建的法律知识图谱中进行子图搜索,搜索出与所述主题和所述意图相关联的推荐子图,包括:
根据所述主题在所述法律知识图谱中进行子图搜索,得到以所述主题为根节点的第一子图;
根据所述意图在所述第一子图中进行搜索,得到以所述意图为根节点的第二子图作为所述推荐子图。
6.根据权利要求1所述的方法,其特征在于,所述响应于确定当前输入的所述描述不是首次输入的所述描述,则所述知识点集合包括当前输入的所述描述对应的所述信息点以及当前输入的所述描述之前输入的全部所述描述对应的所述信息点和所述主题,
在所述将所述推荐子图中的全部节点与知识点集合中的每一个所述知识点进行匹配,输出至少一个与所述知识点相同的所述节点作为推荐节点之前,还包括:
将所述知识点集合中重复的知识点进行剔除。
7.一种基于复杂语境的法律咨询装置,其特征在于,包括:
语义识别模块,被配置为响应于接收到用户依次输入的关联的法律问题的多个描述,通过预训练的深度神经网络模型对每个所述描述进行语义识别,提取与每个所述描述对应的主题、意图和信息点;
子图推荐模块,被配置为根据所述主题和所述意图,在预先基于法律知识相关文件构建的法律知识图谱中进行子图搜索,搜索出与所述主题和所述意图相关联的推荐子图;
节点推荐模块,被配置为将所述推荐子图中的全部节点与知识点集合中的每一个知识点进行匹配,输出至少一个与所述知识点相同的所述节点作为推荐节点,其中,
响应于确定当前输入的所述描述是首次输入的所述描述,则所述知识点集合包括当前输入的所述描述对应的所述信息点,
响应于确定当前输入的所述描述不是首次输入的所述描述,则所述知识点集合包括当前输入的所述描述对应的所述信息点以及当前输入的所述描述之前输入的全部所述描述对应的所述信息点和所述主题;
答案推荐模块,被配置为将所述推荐节点与预先构建的答案映射集合进行匹配,输出与所述推荐节点相关的法律答案作为与当前输入的所述描述相关的法律咨询答案。
8.根据权利要求7所述的装置,其特征在于,所述语义识别模块,具体被配置为,所述通过预训练的深度神经网络模型对每个所述描述进行语义解析,提取与每个所述描述对应的主题、意图和信息点,包括:
通过多类别分类模型对所述描述进行语义识别,分别提取与所述描述对应的所述主题和所述意图;
通过多标签分类模型对所述描述进行语义识别,提取与所述描述对应的所述信息点。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任意一项所述的方法。
10.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,其特征在于,所述计算机指令用于使计算机执行权利要求1至6任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389956.1A CN113836273A (zh) | 2021-11-23 | 2021-11-23 | 基于复杂语境的法律咨询方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389956.1A CN113836273A (zh) | 2021-11-23 | 2021-11-23 | 基于复杂语境的法律咨询方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113836273A true CN113836273A (zh) | 2021-12-24 |
Family
ID=78971487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111389956.1A Pending CN113836273A (zh) | 2021-11-23 | 2021-11-23 | 基于复杂语境的法律咨询方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836273A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114695A (zh) * | 2023-10-19 | 2023-11-24 | 本溪钢铁(集团)信息自动化有限责任公司 | 基于钢铁行业智能客服的交互方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377715A (zh) * | 2019-07-23 | 2019-10-25 | 天津汇智星源信息技术有限公司 | 基于法律知识图谱的推理式精准智能问答方法 |
CN111538827A (zh) * | 2020-04-28 | 2020-08-14 | 清华大学 | 基于内容和图神经网络的判例推荐方法、装置及存储介质 |
CN111651751A (zh) * | 2019-03-04 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 安全事件的分析报告生成方法、装置、存储介质及设备 |
CN112489639A (zh) * | 2020-11-26 | 2021-03-12 | 北京百度网讯科技有限公司 | 音频信号处理方法及装置、系统、电子设备、可读介质 |
CN112632225A (zh) * | 2020-12-29 | 2021-04-09 | 天津汇智星源信息技术有限公司 | 基于案事件知识图谱的语义搜索方法、装置和电子设备 |
CN113239163A (zh) * | 2021-05-12 | 2021-08-10 | 同方知网数字出版技术股份有限公司 | 一种基于交通大数据的智能问答方法及系统 |
CN113590776A (zh) * | 2021-06-23 | 2021-11-02 | 北京百度网讯科技有限公司 | 基于知识图谱的文本处理方法、装置、电子设备及介质 |
-
2021
- 2021-11-23 CN CN202111389956.1A patent/CN113836273A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651751A (zh) * | 2019-03-04 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 安全事件的分析报告生成方法、装置、存储介质及设备 |
CN110377715A (zh) * | 2019-07-23 | 2019-10-25 | 天津汇智星源信息技术有限公司 | 基于法律知识图谱的推理式精准智能问答方法 |
CN111538827A (zh) * | 2020-04-28 | 2020-08-14 | 清华大学 | 基于内容和图神经网络的判例推荐方法、装置及存储介质 |
CN112489639A (zh) * | 2020-11-26 | 2021-03-12 | 北京百度网讯科技有限公司 | 音频信号处理方法及装置、系统、电子设备、可读介质 |
CN112632225A (zh) * | 2020-12-29 | 2021-04-09 | 天津汇智星源信息技术有限公司 | 基于案事件知识图谱的语义搜索方法、装置和电子设备 |
CN113239163A (zh) * | 2021-05-12 | 2021-08-10 | 同方知网数字出版技术股份有限公司 | 一种基于交通大数据的智能问答方法及系统 |
CN113590776A (zh) * | 2021-06-23 | 2021-11-02 | 北京百度网讯科技有限公司 | 基于知识图谱的文本处理方法、装置、电子设备及介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114695A (zh) * | 2023-10-19 | 2023-11-24 | 本溪钢铁(集团)信息自动化有限责任公司 | 基于钢铁行业智能客服的交互方法及装置 |
CN117114695B (zh) * | 2023-10-19 | 2024-01-26 | 本溪钢铁(集团)信息自动化有限责任公司 | 基于钢铁行业智能客服的交互方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109509470B (zh) | 语音交互方法、装置、计算机可读存储介质及终端设备 | |
CN110427461B (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 | |
CN113205817B (zh) | 语音语义识别方法、系统、设备及介质 | |
CN106649739B (zh) | 多轮交互信息继承识别方法、装置以及交互系统 | |
CN113420556B (zh) | 基于多模态信号的情感识别方法、装置、设备及存储介质 | |
CN114127849A (zh) | 语音情感识别方法和装置 | |
US11563852B1 (en) | System and method for identifying complaints in interactive communications and providing feedback in real-time | |
CN112581327B (zh) | 基于知识图谱的法律推荐方法、装置和电子设备 | |
CN110597968A (zh) | 一种回复选择方法及装置 | |
CN116543768A (zh) | 模型的训练方法、语音识别方法和装置、设备及存储介质 | |
CN113392265A (zh) | 多媒体处理方法、装置及设备 | |
CN114676259B (zh) | 一种基于因果感知交互网络的对话情绪识别方法 | |
Zhang | Voice keyword retrieval method using attention mechanism and multimodal information fusion | |
CN115171731A (zh) | 一种情绪类别确定方法、装置、设备及可读存储介质 | |
CN116680386A (zh) | 基于多轮对话的答案预测方法和装置、设备、存储介质 | |
CN116662522B (zh) | 问题答案推荐方法、存储介质和电子设备 | |
CN113836273A (zh) | 基于复杂语境的法律咨询方法及相关设备 | |
CN117033722A (zh) | 一种金融防诈知识宣导方法、装置、设备及存储介质 | |
CN116561271A (zh) | 问答处理方法及装置 | |
CN113724693B (zh) | 语音判别方法、装置、电子设备及存储介质 | |
CN115512692A (zh) | 语音识别方法、装置、设备及存储介质 | |
CN115376547A (zh) | 发音评测方法、装置、计算机设备和存储介质 | |
CN114141271A (zh) | 心理状态检测方法及系统 | |
CN114373443A (zh) | 语音合成方法和装置、计算设备、存储介质及程序产品 | |
CN113742445A (zh) | 文本识别样本获取、文本识别方法及装置 |
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 |