CN113901838A - 对话检测方法和装置、电子设备、存储介质 - Google Patents
对话检测方法和装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN113901838A CN113901838A CN202111219071.7A CN202111219071A CN113901838A CN 113901838 A CN113901838 A CN 113901838A CN 202111219071 A CN202111219071 A CN 202111219071A CN 113901838 A CN113901838 A CN 113901838A
- Authority
- CN
- China
- Prior art keywords
- sentence
- dialogue
- detection
- text
- similarity
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- 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
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- 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
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本实施例提供一种对话检测方法和装置、电子设备、存储介质,属于人工智能技术领域。该方法包括:通过获取待检测的对话数据,对获取到的对话数据进行语句分割处理,得到至少两个文本语句,并根据预设的窗口容量对文本语句进行划分,得到至少一个检测窗口,通过设置检测窗口来限制对话出现的范围,并且能够检测多轮对话,有效提高对话检测的准确率,根据预设的句子模板,对每个检测窗口的每个文本语句进行相似度的检测,以得到相似度检测结果,根据每个检测窗口的相似度检测结果,匹配对应的对话组合式,最后计算对话组合式,以得到对话检测结果,其中句子模板能够被重复使用,能够提高对话组合式的可扩展性和易维护性,并提高对话检测的准确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种对话检测方法和装置、电子设备、存储介质。
背景技术
为了保证对话质量,通常会检测对话的内容,根据检测结果判断对话是否违规。随着语音识别技术的发展,可通过语音识别技术自动检测对话,具体为:将对话数据识别成相应的文字,然后通过预定义的关键词进行检测,能够检测出对话数据中是否含有预定义的关键词,将触发关键词的对话数据进行重点筛查,但是在实际情况中,有一部分的违规场景是由多句乃至多轮对话才能判定是否违规,因此仅通过关键词检测对话的准确率不高。
发明内容
本公开实施例的主要目的在于提出一种对话检测方法和装置、电子设备、存储介质,能够提高对话检测的准确率。
为实现上述目的,本公开实施例的第一方面提出了一种对话检测方法,包括:
获取待检测的对话数据;
对所述对话数据进行语句分割处理,得到至少两个文本语句;
根据预设的窗口容量对所述文本语句进行窗口划分,得到至少一个检测窗口;其中,每一检测窗口至少包括一个文本语句;其中,所述文本语句至少包括一个文本句子;
根据预设的句子模板,对每一所述检测窗口的每一所述文本语句进行相似度检测,以得到相似度检测结果;
根据每一所述检测窗口的所述相似度检测结果,匹配对应的对话组合式;
计算所述对话组合式,以得到对话检测结果。
在一些实施例,所述获取待检测的对话数据,包括:
获取待检测的对话录音;
对所述对话录音进行文字识别,以得到所述对话数据。
在一些实施例,所述获取待检测的对话数据,包括:
获取待检测的对话信息,并识别所述对话信息,得到包含对话角色信息和对话时间信息的对话数据;
所述对所述对话数据进行语句分割处理,得到至少两个文本语句,包括:
根据所述对话角色信息和所述对话时间信息,对所述对话数据进行语句分割处理,得到文本语句。
在一些实施例,所述根据所述对话角色信息和所述对话时间信息,对所述对话数据进行语句分割处理,得到至少两个文本语句,包括:
根据所述对话角色信息,对所述对话数据进行语句分割处理,得到所述文本语句;
根据所述对话时间信息,确定每一所述文本语句对应的停顿时间段;
若所述停顿时间段大于预设时间段,则根据所述停顿时间段对所述文本语句进行语句分割处理,得到至少两个所述文本语句。
在一些实施例,所述根据预设的句子模板,对每一所述检测窗口的每一所述文本语句进行相似度检测,以得到相似度检测结果,包括:
根据所述句子模板,对每一所述检测窗口的每一所述文本语句进行相似度检测,以得到目标相似度;
获取预设的相似度阈值;
判断每一所述目标相似度与所述相似度阈值之间的大小关系;
根据所述大小关系,得到所述句子模板与每一所述检测窗口的每一所述文本语句的相似度检测结果。
在一些实施例,所述根据所述句子模板,对每一所述检测窗口的每一所述文本语句进行相似度检测,以得到目标相似度,包括:
获取所述句子模板对应的第一词向量;
将每一所述检测窗口的每一所述文本语句转换成第二词向量;
计算每一所述检测窗口的每一所述第二词向量分别与所述第一词向量之间的相似度,以得到目标相似度。
在一些实施例,所述根据每一所述检测窗口的所述相似度检测结果,匹配对应的对话组合式,包括:
根据每一所述检测窗口的所述相似度检测结果,获取对应的相似模板;其中,所述相似模板为与所述文本语句相似度大于相似度阈值的句子模板;
将所述相似模板与预设的规则符号进行组合,以得到对应的对话组合式。
本公开实施例的第二方面提出了一种对话检测装置,包括:
获取模块:用于获取待检测的对话数据;
分割模块:用于对所述对话数据进行语句分割处理,得到至少两个文本语句;
划分模块:用于根据预设的窗口容量对所述文本语句进行窗口划分,得到至少一个检测窗口;其中,每一检测窗口至少包括一个文本语句;
检测模块:用于根据预设的句子模板,对每一所述检测窗口的每一所述文本语句进行相似度检测,以得到相似度检测结果;
匹配模块:用于根据每一所述检测窗口的所述相似度检测结果,匹配对应的对话组合式;
计算模块:用于计算所述对话组合式,以得到对话检测结果。
本公开实施例的第三方面提出了一种电子设备,包括:
至少一个处理器,以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述指令时实现如本申请第一方面实施例任一项所述的方法。
本公开实施例的第四方面提出了一种存储介质,该存储介质为计算机可读存储介质,所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如本申请第一方面实施例任一项所述的方法。
本公开实施例提出的对话检测方法和装置、电子设备、存储介质,通过获取待检测的对话数据,对获取到的对话数据进行语句分割处理,得到至少两个文本语句,接着根据预设的窗口容量对文本语句进行划分,得到至少一个检测窗口,通过设置检测窗口来限制对话出现的范围,并且能够检测多轮对话,有效提高对话检测的准确率,根据预设的句子模板,对每个检测窗口的每个文本语句进行相似度的检测,以得到相似度检测结果,根据每个检测窗口的相似度检测结果,匹配对应的对话组合式,最后计算对话组合式,以得到对话检测结果,其中句子模板能够被重复使用,能够提高对话组合式的可扩展性和易维护性,并提高对话检测的准确度。
附图说明
图1是本公开实施例提供的对话检测方法的流程图;
图2是图1中的步骤S100的流程图;
图3是图1中的步骤S200的流程图;
图4是图1中的步骤S400的流程图;
图5是图4中的步骤S410的流程图;
图6是图1中的步骤S500的流程图;
图7为本公开实施例提供的对话检测装置的模块结构框图;
图8是本公开实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、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,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的,不是旨在限制本发明。
首先,对本申请中涉及的若干名词进行解析:
人工智能(artificial intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式作出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
深度学习(Deep Learning,DL):是机器学习(Machine Learning,ML)领域中一个新的研究方向,深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
自动语音识别技术(Automatic Speech Recognition,ASR):是一种将人的语音转换为文本的技术。
正则表达式(Regular Expression,RE):又称规则表达式,是计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个模式或规则的文本,具体地,是对字符串(包括普通字符(例如,a到z之间的字母)和特殊字符(称为“元字符”))操作的一种逻辑公式,就是用事先定义好的一些特定字符、及这些特定字符的组合,组成一个“规则字符串”,这个“规则字符串”用来表达对字符串的一种过滤逻辑,正则表达式是一种文本模式,该模式描述在搜索文本时要匹配的一个或多个字符串。
自然语言处理(natural language processing,NLP):是计算机科学领域与人工智能领域中的一个重要方向,用于研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学,因此这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系,自然语言处理并不是一般地研究自然语言,而在于研制能有效地实现自然语言通信的计算机系统,特别是其中的软件系统,因而它是计算机科学的一部分。
栈(stack):又名堆栈,它是一种运算受限的线性表,限定仅在表尾进行插入和删除操作的线性表。这一端被称为栈顶,相对地,把另一端称为栈底。向一个栈插入新元素又称作进栈、入栈或压栈,它是把新元素放到栈顶元素的上面,使之成为新的栈顶元素;从一个栈删除元素又称作出栈或退栈,它是把栈顶元素删除掉,使其相邻的元素成为新的栈顶元素。
词向量(Word embedding):又叫Word嵌入式自然语言处理中的一组语言建模和特征学习技术的统称,其中来自词汇表的单词或短语被映射到实数的向量。从概念上讲,词向量涉及从每个单词一维的空间到具有更低维度的连续向量空间的数学嵌入。生成这种映射的方法包括神经网络、单词共生矩阵的降维、概率模型、可解释的知识库方法和术语的显式表示单词出现的背景。当词向量用作底层输入表示时,单词和短语嵌入已经被证明可以提高NLP任务的性能,例如语法分析和情感分析。
Word2vec:是一群用来产生词向量的相关模型,这些模型为浅而双层的神经网络,用来训练以重新建构语言学之词文本。网络以词表现,并且需猜测相邻位置的输入词,在Word2vec中词袋模型假设下,词的顺序是不重要的。训练完成之后,Word2vec模型可用来映射每个词到一个向量,可用来表示词对词之间的关系,该向量为神经网络之隐藏层。
余弦相似度:又称为余弦相似性,是通过计算两个向量的夹角余弦值来评估他们的相似度,通过余弦相似度测量两个向量的夹角的余弦值来度量它们之间的相似性。余弦相似度将向量根据坐标值,绘制到向量空间中,如最常见的二维空间。
逻辑运算符:在形式逻辑中,逻辑运算符或逻辑联结词把语句连接成更复杂的复杂语句。例如,假设有两个逻辑命题,分别是“A”和“B”,可以将它们组成复杂命题“A和B”或“非A”或“非B”等。一个将多个语句组成的新的语句或命题叫做复合语句或复合命题,其基本的操作符有:“非”(!)、“与”(∧)、“或”(∨)、“条件”(→)以及“双条件”“非”是一个一元操作符,它只操作一项,剩下的是二元操作符,通过操作两项来组成复杂语句。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
为了保证对话质量,通常会检测对话的内容,根据检测结果判断对话是否违规。随着语音识别技术的发展,可通过语音识别技术自动检测对话,具体为:将对话数据识别成相应的文字,然后通过预定义的关键词、正则表达式匹配或者利用自然语言处理来进行违规检测,但是实际情况中,有一部分的违规场景是由多句乃至多轮对话才能判定是否违规,因此仅通过关键词检测对话的准确率不高,并且基于正则规则对对话内容进行逐句判断,使得可识别的句法死板,可扩展性差。
此外,基于深度学习的模型检测对话内容,要想达到可靠的效果仍然需要大量的数据作为支撑,如果数据量不满足要求,同样会导致对话检测的效果较差。
基于此,本公开实施例提供一种对话检测方法和装置、电子设备、存储介质,能够提高对话检测的准确率。
本公开实施例提供对话检测方法和装置、电子设备、存储介质,具体通过如下实施例进行说明,首先描述本公开实施例中的对话检测方法。
本公开实施例提供的对话检测方法,涉及人工智能技术领域。本公开实施例提供的对话检测方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现对话检测方法的应用等,但并不局限于以上形式。
本公开实施例可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
参照图1,根据本公开实施例第一方面实施例的对话检测方法,包括但不限于包括步骤S100至步骤S600。
S100,获取待检测的对话数据;
S200,将对话数据进行语句分割处理,得到至少两个文本语句;
S300,根据预设的窗口容量对文本语句进行窗口划分,得到至少一个检测窗口;
S400,根据预设的句子模板,对每一检测窗口的每一文本语句进行相似度检测,以得到相似度检测结果;
S500,根据每一检测窗口的相似度检测结果,匹配对应的对话组合式;
S600,计算对话组合式,以得到对话检测结果。
在步骤S100中,获取待检测的对话数据,其中对话指的是两个或两个以上的人之间的谈话,对话数据主要包括在对话过程中产生的文字数据或者语音数据,在一些实际的场景中,例如一些咨询服务,会存在客户与客服之间的对话,根据与客户沟通媒介的不同,客服可分为两类:一种是文字客服,一种是语音客服,文字客服是指主要以打字聊天的形式进行的客户服务,在文字对话过程中可产生文字数据,语音客服主要包括以电话或在线语音的形式进行的客户服务,在电话或者语音对话的过程中可产生语音数据,需要对这些对话数据进行检测,来识别对话数据中是否包括关键信息或者是否出现指定的对话。
在一些实施例中,如图2所示,步骤S100具体包括步骤:
S110,获取待检测的对话录音;
S120,将对话录音进行文字识别,以得到对话数据。
在步骤S110中,获取待检测的对话录音,主要包括无损格式和有损格式的录音,其中无损格式例如WAV,FLAC,APE,ALAC等,有损格式例如MP3,AAC等。
在步骤S120中,对获取到的对话录音进行文字识别,以得到对话数据,在本申请实施例中,主要利用ASR技术将对话录音转换成文本。
在一些实施例中,本申请在得到对话数据后,还需要区分两个对话角色从而提高对话的检测准确率。在实际应用中,获取持单轨/双轨的wav格式、mp3格式的录音文件。在对录音转文本之后,会自动将文本分为两个对话角色,但是此时无法判断哪个角色是客服、哪个是客户,需要根据预设的分离规则对文本进行角色分离,由于本申请实施例对文本进行质检分析时所用到的规则,在很多情况下都有检测角色的限制,即一个规则只检测客服或者客户,若在角色分离的过程中出错,将会影响质检结果的准确性。录音文件通常分为单轨和双轨两种,其中单轨指的是客服、客户两个人的声音存储在一个轨上,在录音文件转文本后,通过获取预设的角色关键词列表,对转写文本从上到下逐句分析,当某一句话包含预设的角色关键词,例如客服的角色关键词时,可以判定这句话的角色为客服,另一个角色就是客户;双轨指的是客服、客户两个人的声音分别存储在两个轨上,即使两个角色的对话存在交叉,但由于音轨的不同,在录音转文本时可以准确区分为两个角色。
在步骤S200中,将对话数据进行语句分割处理,得到至少两个文本语句,由于直接由录音通过ASR转移为文本,其文本数据在某些情况下比较多,如果直接对文本数据进行检测,效率会比较低,所以本申请实施例考虑将对话数据进行语句分割,分割成多个文本语句,这样不仅能够提高检测效率,并且还能限制对话出现的范围,例如某些关键词在对话数据中相隔得比较远,但它们处于同一个文本,不考虑语句分割的情况下,可能会将没有联系的两个关键词联系起来,从而导致判断错误,为了避免这一问题,需要将对话数据进行语句分割,分别对多个部分的文本语句进行检测,在提高检测效率的同时,避免检测出错。需要说明的是,本申请的文本语句可能为单个句子,也可能为多句话组合在一起的语句。
在一些实施例中,步骤S100具体还包括步骤:获取待检测的对话信息,并识别对话信息,得到包含对话角色信息和对话时间信息的对话数据,其中角色信息主要包括对话角色的名称等,对话时间信息包括在对话过程中角色切换的时间,或者对话过程中各句子间隔的时间等。
在一些实施例中,对话数据包括对话角色信息、对话时间信息,步骤S200具体包括步骤:“根据对话角色信息和对话时间信息,将对话数据进行语句分割处理,得到至少两个文本语句”,具体为:对话角色信息如上述举例,可以区分为客户和客服等,对话时间信息包括对话的时间,根据对话角色信息和对话时间信息,将对话数据进行语句分割处理,在区分角色的情况下,还能够根据时间间隔或者时间先后的关系,将对话数据进行合理的分割,从而提高对话检测的准确率。
在一些实施例中,如图3所示,步骤“根据对话角色信息和对话时间信息,将对话数据进行语句分割处理,得到至少两个文本语句”,具体包括步骤:
S210,根据对话角色信息,将对话数据进行语句分割处理,得到文本语句;
S220,根据对话时间信息,确定每一文本语句对应的停顿时间段;
S230,若停顿时间段大于预设时间段,则根据停顿时间段对文本语句进行语句分割处理,得到至少两个文本语句。
在步骤S210中,根据对话角色信息,对对话数据进行语句分割处理,得到文本语句,由于ASR技术能够自动区分文本数据的对话角色,所以可以直接定位到对话角色所在的对话内容,在切换角色的时候,就直接进行分句,以得到第一次分割的文本语句,需要说明的是,在本申请实施例中,为了方便检测,需要对文本语句进行分行处理,将一个文本语句设置为一行,不同的文本语句设置为不同的行。
在步骤S220和步骤S230中,根据对话时间信息,确定每一文本语句对应的停顿时间段,根据对话时间信息,能够定位到文本数据中哪些时间段是没有文本的,获取每一段空白文本开始和结束所对应的开始时间和结束时间,根据开始时间和结束时间得到每一段空白文本的停顿时间段,若停顿时间段大于预设时间段,则根据停顿时间段对文本语句进行语句分割处理,得到至少两个文本语句,也就是将该空白文本前后对应的文本语句进行进一步的语句分割处理。在实际应用中,客服和客户在轮流说话,在切换角色的时候进行第一次分句,在某个角色对应的语句中,检测到其停顿了一定的时间,例如停顿超过2秒,则对该语句进行第二次分句,以保证分句的准确性。
在步骤S300中,根据预设的窗口容量对文本语句进行窗口划分,得到至少一个检测窗口;每一检测窗口至少包括一个文本语句,也就是说将文本语句分别放到多个窗口下,通过窗口将文本语句进行合理的分割,从而提高对话检测的准确率。在实际应用中,按照文本语句的数量划分成若干个窗口,将文本语句的文本格式调整成如下形式,长度不限,本领域技术根据待检测的对话内容的需要,可以动态调整每次检测的窗口的大小,例如将窗口的容量设置为5,即一个窗口包括5行,每一行为一个文本语句,其具体的形式如下表1所示,表1内的内容显示在该窗口,该窗口显示的内容包括文本语句1至文本语句5,文本语句1包括文本内容1,文本语句2包括文本内容2,文本语句3包括文本内容3,文本语句4包括文本内容4,文本语句5包括文本内容5,文本内容1至文本内容5各占一行,文本语句1为客户所说的话,文本语句2为客户所说的话,文本语句3为客服所说的话,文本语句4为客户所说的话,文本语句5为客服所说的话。需要理解的是,下面描述仅是示例性说明,而不是对本申请的具体限制。
表1
在进行多轮对话的检测过程中,包括一问一答的对话,本申请实施例的检测窗口用来限制对话出现的范围,例如,客户问“我买个假的收据可以吗“,客服不能回答”可以“,但是可能在文本数据的后续的内容中出现类似”可以“的用词,如果将与某个词或句子相隔很远的关键信息联系起来,会导致判断错误,通过窗口限制对话的范围来避免产生此类问题,需要说明的是,不同对话轮数设置的检测窗口的大小不同,本领域技术人员可以根据具体的对话内容,对窗口大小进行调整,在此不再赘述。
在步骤S400中,根据预设的句子模板,对每一检测窗口的每一文本语句进行相似度检测,以得到相似度检测结果,句子模板为提前设置好的需要检测的指定对话,相似度检测结果为句子模板与文本语句之间的文本相似值,可以通过具体的数值进行体现。
在一些实施例中,句子模板声明想要识别的句子内容和句子意思,由于多轮对话是由多个单句组成,每句话的内容和说话人的身份也不相同,可分为2人或2人以上,句子内容通过编号来区别不同的单句,在编号后面接上想要识别的句子的内容,以及说话人的身份。句子模板的具体形式如下所示,用rule1、rule2和rule3等表示相应的句子模板,用<角色>表示说话人的身份,需要理解的是,下面描述仅是示例性说明,而不是对本申请的具体限制。
rule1:是否可以提供营业执照?<客服>
rule2:我没有营业执照,用朋友的可以吗?<客户>
rule3:不行<客服>
在一些实施例中,如图4所示,步骤S400具体包括步骤:
S410,根据句子模板,对每一检测窗口的每一文本语句进行相似度检测,以得到目标相似度;
S420,获取预设的相似度阈值;
S430,判断每一目标相似度与相似度阈值之间的大小关系;
S440,根据大小关系,得到句子模板与每一检测窗口的每一文本语句的相似度检测结果。
在步骤S410中,根据句子模板,对每一检测窗口的每一文本语句进行相似度检测,以得到目标相似度,目标相似度为句子模板与文本语句之间的相似度。
在一些实施例中,如图5所示,步骤S410具体包括步骤:
S411,获取句子模板对应的第一词向量;
S412,将每一检测窗口的每一文本语句转换成第二词向量;
S413,计算每一检测窗口的每一第二词向量分别与第一词向量之间的相似度,以得到目标相似度。
在步骤S411至步骤S413中,获取句子模板对应的第一词向量,第一词向量指句子模板的词向量,将每一检测窗口的每一文本语句转换成第二词向量,第二词向量指文本语句的词向量,需要说明的是,句子模板的第一词向量可预先生成,也可以在对话检测过程中,将句子模板和文本语句同时进行词向量的转换,在具体应用中,先将编号和编号对应的句子分别经过word2vec转换为768维的词向量,得到编号的词向量X=(x1,x2,…,x768)和待判别句子的词向量Y=(y1,y2,…,y768),然后计算词向量X和词向量Y两者间的余弦相似度,其中余弦相似度具体计算公式如下:
其中,cos(X,Y)词向量X和词向量Y两者间的余弦相似度,i为词向量的顺序。
在步骤S420至步骤S440中,获取预设的相似度阈值,判断每一目标相似度与相似度阈值之间的大小关系,根据每一目标相似度与相似度阈值之间大小关系,得到句子模板与每一检测窗口的每一文本语句的相似度检测结果,相似度检测结果包括相似和不相似。在实际应用中,可将相似度阈值设置为0.7,判断每一目标相似度是否大于0.7,目标相似度大于0.7的相似度检测结果为相似,目标相似度小于或等于0.7的相似度检测结果为不相似。
在步骤S500中,根据每一检测窗口的相似度检测结果,匹配对应的对话组合式,对话组合式具体指将句子模板和预设的规则符号进行组合而得到的对话规则,其中预设的规则符号包括但不限于“!”、“&”、“*”、“%”和“^”,本申请实施例中的对话规则用于声明想要检测的对话,即各个rule以何种方式组合成多轮对话。在对话规则中,用Model来表示对话组合式,随后声明对话规则,最后声明该Model检测的对话窗口大小。
在本申请实施例中,定义5种计算符号用来声明规则,规则如下表2所示,需要理解的是,下面描述仅是示例性说明,而不是对本申请的具体限制。
表2
在一些实施例中,可以在规则中设置优先级,优先级表示计算的优先程度,例如,检测“客户提供假营业执照,坐席没说不行”则可以用如下对话组合式表示:Model1:(rule1%rule2)^rule3<5>,其中<5>表示优先级为5,通过规则1至规则5和具体的相似度检测结果,就能计算对话组合式Model1是真值还是假值,若对话中包括对话组合式Model1,且对话组合式Model1为真值,则说明成功检测到对话组合式Model1的对话内容,即“客户提供假营业执照,坐席没说不行”,若对话中包括对话组合式Model1,且对话组合式Model1为假值,则说明没有检测到对话组合式Model1的对话内容。
在一些实施例中,如图6所示,步骤S500具体包括步骤:
S510,根据每一检测窗口的相似度检测结果,获取对应的相似模板;
S520,将相似模板与预设的规则符号进行组合,以得到对应的对话组合式。
在步骤S510中,相似模板为与文本语句相似度大于相似度阈值的句子模板
在步骤S520和步骤S520中,根据每一检测窗口的相似度检测结果,获取对应的相似模板,其中相似模板为与文本语句相似度大于相似度阈值的句子模板,即获取相似度检测结果为相似的相似模板,接着将相似模板与预设的规则符号进行组合,以得到对应的对话组合式,如上述提到的规则1至规则5。
在步骤S600中,计算对话组合式,以得到对话检测结果。在实际应用中,可以通过引入栈的方式,进行相似度的识别,例如在检测窗口内,对每个rule设置一个空栈,随后依次对每个rule和每个句子进行相似度判定,根据相似度检测结果将某些句子加入到对应rule的栈中,若该句与rule的相似度超过阈值0.7,将该句子加入到对应rule的栈中,所有句子和rule判别完后,若对应rule的栈不为空,则该rule的值设置为真,否则设置为假。例如,本申请实施例得到的对话组合式如上所示的对话组合式Model1所示:(rule1%rule2)^rule3,若得到rule1、rule2的栈皆不为空,rule3栈为空,则可生成计算式子:检测结果=(真%真)^假。根据所定义计算符号含义,可得到检测结果=真,即成功检测到该对话“客户提供假营业执照,坐席没说不行”,依次计算所有的对话组合式,以得到对话检测结果,对话检测结果包括成功结果和失败结果,其中成功结果包括检测到指定对话的内容以及位置等。
本公开实施例提出对话检测方法,通过获取待检测的对话数据,对获取到的对话数据进行语句分割处理,得到至少两个文本语句,接着根据预设的窗口容量对文本语句进行划分,得到至少一个检测窗口,通过设置检测窗口来限制对话出现的范围,并且能够检测多轮对话,有效提高对话检测的准确率,根据预设的句子模板,对每个检测窗口的每个文本语句进行相似度的检测,以得到相似度检测结果,根据每个检测窗口的相似度检测结果,匹配对应的对话组合式,最后计算对话组合式,以得到对话检测结果,其中句子模板能够被重复使用,能够提高对话组合式的可扩展性和易维护性,并提高对话检测的准确度。
本公开实施例还提供一种对话检测装置,如图7所示,可以实现上述对话检测方法,该装置包括:获取模块710、分割模块720、划分模块730、检测模块740、匹配模块750和计算模块760,其中获取模块710用于获取待检测的对话数据;分割模块720用于对对话数据进行语句分割处理,得到至少两个文本语句;划分模块730用于根据预设的窗口容量对文本语句进行窗口划分,得到至少一个检测窗口;其中,每一检测窗口至少包括一个文本语句;检测模块740用于根据预设的句子模板,对每一检测窗口的每一文本语句进行相似度检测,以得到相似度检测结果;匹配模块750用于根据每一检测窗口的相似度检测结果,匹配对应的对话组合式;计算模块760用于计算对话组合式,以得到对话检测结果。本申请实施例的对话检测装置用于执行上述实施例中的对话检测方法,其具体处理过程与上述实施例中的对话检测方法相同,此处不再一一赘述。
本公开实施例提出的对话检测装置,通过实现上述对话检测方法,对获取到的对话数据进行语句分割处理,得到至少两个文本语句,接着根据预设的窗口容量对文本语句进行划分,得到至少一个检测窗口,通过设置检测窗口来限制对话出现的范围,并且能够检测多轮对话,有效提高对话检测的准确率,根据预设的句子模板,对每个检测窗口的每个文本语句进行相似度的检测,以得到相似度检测结果,根据每个检测窗口的相似度检测结果,匹配对应的对话组合式,最后计算对话组合式,以得到对话检测结果,其中句子模板能够被重复使用,能够提高对话组合式的可扩展性和易维护性,并提高对话检测的准确度。
本公开实施例还提供了一种电子设备,包括:
至少一个处理器,以及,
与至少一个处理器通信连接的存储器;其中,
存储器存储有指令,指令被至少一个处理器执行,以使至少一个处理器执行指令时实现如本申请第一方面实施例中任一项的方法。
下面结合图8对电子设备的硬件结构进行详细说明。该电子设备包括:处理器801、存储器802、输入/输出接口803、通信接口804和总线805。
处理器801,可以采用通用的CPU(CentralProcessin(Unit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,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,以实现本公开实施例所提供的技术方案;
存储器802,可以采用ROM(ReadOnlyMemory,只读存储器)、静态存储设备、动态存储设备或者RAM(RandomAccessMemory,随机存取存储器)等形式实现。存储器802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802中,并由处理器801来调用执行本公开实施例的对话检测方法;
输入/输出接口803,用于实现信息输入及输出;
通信接口804,用于实现本设备与其他设备的通信交互,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;和
总线805,在设备的各个组件(例如处理器801、存储器802、输入/输出接口803和通信接口804)之间传输信息;
其中处理器801、存储器802、输入/输出接口803和通信接口804通过总线805实现彼此之间在设备内部的通信连接。
第四方面,本公开实施例还提供一种存储介质,该存储介质是计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令用于使计算机执行如本申请第一方面实施例中任一项的方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本公开实施例提出的对话检测方法和装置、电子设备、存储介质,通过获取待检测的对话数据,对获取到的对话数据进行语句分割处理,得到至少两个文本语句,接着根据预设的窗口容量对文本语句进行划分,得到至少一个检测窗口,通过设置检测窗口来限制对话出现的范围,并且能够检测多轮对话,有效提高对话检测的准确率,根据预设的句子模板,对每个检测窗口的每个文本语句进行相似度的检测,以得到相似度检测结果,根据每个检测窗口的相似度检测结果,匹配对应的对话组合式,最后计算对话组合式,以得到对话检测结果,其中句子模板能够被重复使用,能够提高对话组合式的可扩展性和易维护性,并提高对话检测的准确度。
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案,并不构成对于本公开实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本公开实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1-图6中示出的技术方案并不构成对本公开实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本公开实施例的优选实施例,并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本公开实施例的权利范围之内。
Claims (10)
1.一种对话检测方法,其特征在于,包括:
获取待检测的对话数据;
对所述对话数据进行语句分割处理,得到至少两个文本语句;其中,所述文本语句至少包括一个文本句子;
根据预设的窗口容量对所述文本语句进行窗口划分,得到至少一个检测窗口;其中,每一检测窗口至少包括一个文本语句;
根据预设的句子模板,对每一所述检测窗口的每一所述文本语句进行相似度检测,以得到相似度检测结果;
根据每一所述检测窗口的所述相似度检测结果,匹配对应的对话组合式;
计算所述对话组合式,以得到对话检测结果。
2.根据权利要求1所述的方法,其特征在于,所述获取待检测的对话数据,包括:
获取待检测的对话录音;
对所述对话录音进行文字识别,以得到所述对话数据。
3.根据权利要求1所述的方法,其特征在于,所述获取待检测的对话数据,包括:
获取待检测的对话信息,并识别所述对话信息,得到包含对话角色信息和对话时间信息的对话数据;
所述对所述对话数据进行语句分割处理,得到至少两个文本语句,包括:
根据所述对话角色信息和所述对话时间信息,对所述对话数据进行语句分割处理,得到至少两个文本语句。
4.根据权利要求3所述的方法,其特征在于,所述根据所述对话角色信息和所述对话时间信息,对所述对话数据进行语句分割处理,得到至少两个文本语句,包括:
根据所述对话角色信息,对所述对话数据进行语句分割处理,得到所述文本语句;
根据所述对话时间信息,确定每一所述文本语句对应的停顿时间段;
若所述停顿时间段大于预设时间段,则根据所述停顿时间段对所述文本语句进行语句分割处理,得到至少两个所述文本语句。
5.根据权利要求1所述的方法,其特征在于,所述根据预设的句子模板,对每一所述检测窗口的每一所述文本语句进行相似度检测,以得到相似度检测结果,包括:
根据所述句子模板,对每一所述检测窗口的每一所述文本语句进行相似度检测,以得到目标相似度;
获取预设的相似度阈值;
判断每一所述目标相似度与所述相似度阈值之间的大小关系;
根据所述大小关系,得到所述句子模板与每一所述检测窗口的每一所述文本语句的相似度检测结果。
6.根据权利要求5所述的方法,其特征在于,所述根据所述句子模板,对每一所述检测窗口的每一所述文本语句进行相似度检测,以得到目标相似度,包括:
获取所述句子模板对应的第一词向量;
将每一所述检测窗口的每一所述文本语句转换成第二词向量;
计算每一所述检测窗口的每一所述第二词向量分别与所述第一词向量之间的相似度,以得到目标相似度。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述根据每一所述检测窗口的所述相似度检测结果,匹配对应的对话组合式,包括:
根据每一所述检测窗口的所述相似度检测结果,获取对应的相似模板;其中,所述相似模板为与所述文本语句相似度大于相似度阈值的句子模板;
将所述相似模板与预设的规则符号进行组合,以得到对应的对话组合式。
8.一种对话检测装置,其特征在于,包括:
获取模块:用于获取待检测的对话数据;
分割模块:用于对所述对话数据进行语句分割处理,得到至少两个文本语句;
划分模块:用于根据预设的窗口容量对所述文本语句进行窗口划分,得到至少一个检测窗口;其中,每一检测窗口至少包括一个文本语句;
检测模块:用于根据预设的句子模板,对每一所述检测窗口的每一所述文本语句进行相似度检测,以得到相似度检测结果;
匹配模块:用于根据每一所述检测窗口的所述相似度检测结果,匹配对应的对话组合式;
计算模块:用于计算所述对话组合式,以得到对话检测结果。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,其中,所述存储器中存储有程序,所述程序被所述处理器执行时所述处理器用于执行如权利要求1至7中任一项所述的方法。
10.一种存储介质,所述存储介质为计算机可读存储介质,其特征在于,所述计算机可读存储有计算机程序,在所述计算机程序被计算机执行时,所述计算机用于执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111219071.7A CN113901838A (zh) | 2021-10-20 | 2021-10-20 | 对话检测方法和装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111219071.7A CN113901838A (zh) | 2021-10-20 | 2021-10-20 | 对话检测方法和装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113901838A true CN113901838A (zh) | 2022-01-07 |
Family
ID=79192943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111219071.7A Pending CN113901838A (zh) | 2021-10-20 | 2021-10-20 | 对话检测方法和装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901838A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548118A (zh) * | 2022-04-27 | 2022-05-27 | 中信建投证券股份有限公司 | 一种服务对话检测方法及系统 |
CN116561259A (zh) * | 2023-07-07 | 2023-08-08 | 北京中关村科金技术有限公司 | 会话分割模型的测试方法、装置、设备及介质 |
-
2021
- 2021-10-20 CN CN202111219071.7A patent/CN113901838A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548118A (zh) * | 2022-04-27 | 2022-05-27 | 中信建投证券股份有限公司 | 一种服务对话检测方法及系统 |
CN116561259A (zh) * | 2023-07-07 | 2023-08-08 | 北京中关村科金技术有限公司 | 会话分割模型的测试方法、装置、设备及介质 |
CN116561259B (zh) * | 2023-07-07 | 2023-09-05 | 北京中关村科金技术有限公司 | 会话分割模型的测试方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795913B (zh) | 一种文本编码方法、装置、存储介质及终端 | |
CN113887215A (zh) | 文本相似度计算方法、装置、电子设备及存储介质 | |
CN113901838A (zh) | 对话检测方法和装置、电子设备、存储介质 | |
CN111144097B (zh) | 一种对话文本的情感倾向分类模型的建模方法和装置 | |
CN114238571A (zh) | 模型的训练方法、知识分类方法、装置、设备、介质 | |
CN114783421A (zh) | 智能推荐方法和装置、设备、介质 | |
CN116541493A (zh) | 基于意图识别的交互应答方法、装置、设备、存储介质 | |
CN114492661B (zh) | 文本数据分类方法和装置、计算机设备、存储介质 | |
CN116821285A (zh) | 基于人工智能的文本处理方法、装置、设备及介质 | |
CN115238143A (zh) | 查询语句生成方法及装置、模型训练方法、设备、介质 | |
CN117278675A (zh) | 一种基于意图分类的外呼方法、装置、设备及介质 | |
CN117033796A (zh) | 基于用户表达偏好的智能回复方法、装置、设备及介质 | |
CN116701604A (zh) | 问答语料库的构建方法和装置、问答方法、设备及介质 | |
CN109902162B (zh) | 基于数字指纹的文本相似性的识别方法、存储介质及装置 | |
CN116665639A (zh) | 语音合成方法、语音合成装置、电子设备及存储介质 | |
CN114786059B (zh) | 视频生成方法、视频生成装置、电子设备、存储介质 | |
CN116580704A (zh) | 语音识别模型的训练方法、语音识别方法、设备及介质 | |
CN115017886A (zh) | 文本匹配方法、文本匹配装置、电子设备及存储介质 | |
CN114048319B (zh) | 基于注意力机制的幽默文本分类方法、装置、设备、介质 | |
CN115964997A (zh) | 选择题的混淆选项生成方法及装置、电子设备、存储介质 | |
CN115795007A (zh) | 智能问答方法、智能问答装置、电子设备及存储介质 | |
CN115292460A (zh) | 一种话题推荐方法、装置、电子设备及存储介质 | |
CN115036022A (zh) | 健康风险评估方法和评估系统、计算机设备、存储介质 | |
CN114416962A (zh) | 问题答案的预测方法、预测装置、电子设备、存储介质 | |
CN114610887A (zh) | 坐席违规话术识别方法、装置、电子设备、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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40062556 Country of ref document: HK |