CN113918704A - 基于机器学习的问答方法、装置、电子设备及介质 - Google Patents
基于机器学习的问答方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113918704A CN113918704A CN202111264243.2A CN202111264243A CN113918704A CN 113918704 A CN113918704 A CN 113918704A CN 202111264243 A CN202111264243 A CN 202111264243A CN 113918704 A CN113918704 A CN 113918704A
- Authority
- CN
- China
- Prior art keywords
- answer
- question
- training
- feature
- confidence
- 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 48
- 238000010801 machine learning Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 215
- 238000013178 mathematical model Methods 0.000 claims abstract description 65
- 239000013598 vector Substances 0.000 claims description 65
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
-
- 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
- G06N3/04—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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明涉及人工智能技术领域，揭露一种基于机器学习的问答方法，包括：获取第一训练问题集、第二训练问题集、第一答案特征集、第二答案特征集，通过第一和第二答案特征集分别训练得到的数学模型计算第一训练问题集的第一置信度和第二训练问题集的第二置信度；若第一训练问题集中不存在与提问语句匹配的问题，根据第一置信度和第二置信度将第一和第二答案特征集细分，直至细分后的特征子集中出现和提问语句的特征相似度大于预设相似阈值的答案特征，根据该答案特征构建提问语句的答案。本发明还涉及区块链技术，所述题库数据集可存储于区块链节点中。本发明还提出一种基于机器学习的问答装置、电子设备以及存储介质。本发明可提高问答的准确性。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于机器学习的问答方法、装置、电子设备及计算机可读存储介质。
背景技术
在科技发达和信息爆炸的现代社会中，如何从大规模的信息中提取出人们想要的信息已成为了技术人员研究的目标，技术人员因此研发了问答模型，具体的，问答模型可以接收用户提出的问题并进行作答，可以满足用户的需求。
现有技术中，当用户提出的问题在现存的答案数据库中不存在时，无论如何对问答模型进行训练，都不能找到这些问题的正确答案，因此导致问答模型处于卡顿状态或者提供完全不相关的答案，降低问答的准确性，影响用户体验。
发明内容
本发明提供一种基于机器学习的问答方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高问答的准确性。
为实现上述目的，本发明提供的一种基于机器学习的问答方法，包括：
获取包含问题题库和答案题库的题库数据集，从所述题库数据集中选取存在正确候选答案的训练问题组成第一训练问题集；
从所述答案题库中获取所述第一训练问题集对应的候选答案集，提取所述候选答案集的特征，得到第一答案特征集，利用所述第一答案特征集训练预设的数学模型，得到第一数学模型，通过所述第一数学模型计算所述第一训练问题集的置信度，得到第一置信度；
利用关联度算法获取所述答案题库中与所述第一答案特征集相关的特征，得到第二答案特征集，利用所述第二答案特征集对所述预设的数学模型进行训练，得到第二数学模型，通过所述第二数学模型计算所述第一训练问题集的置信度，得到第二置信度；
获取提问语句；
若所述第一训练问题集中不存在与所述提问语句匹配的目标训练问题，则根据所述第一置信度和所述第二置信度将所述第一答案特征集和所述第二答案特征集进行细分，直至细分后的特征子集中出现和所述提问语句的特征相似度大于预设相似阈值的答案特征，并根据所述答案特征构建所述提问语句的答案；
若所述第一训练问题集中存在与所述提问语句匹配的目标训练问题，则直接将所述目标训练问题对应的候选答案作为所述提问语句的答案。
可选地，所述根据所述第一置信度和所述第二置信度将所述第一答案特征集和所述第二答案特征集进行细分，直至细分后的特征子集中出现和所述提问语句的特征相似度大于预设相似阈值的答案特征，并根据所述答案特征构建所述提问语句的答案，包括：
根据所述第一置信度将所述第一答案特征集划分为第一特征子集和第二特征子集，所述第一特征子集的置信度大于所述第一置信度，所述第二特征子集的置信度小于所述第一置信度；
根据所述第二置信度将所述第二答案特征集划分为第三特征子集和第四特征子集，所述第三特征子集的置信度大于所述第二置信度，所述第四特征子集的置信度小于所述第二置信度；
获取所述所述提问语句的语句特征；
从所述第一特征子集、所述第二特征子集、所述第三特征子集和所述第四特征子集中查找是否存在和所述语句特征对应的答案特征；
若不存在，则将所述第一特征子集、所述第二特征子集、所述第三特征子集和所述第四特征子集继续细分直至任一特征子集中存在和所述语句特征对应的答案特征，并根据所述答案特征构建所述提问语句的答案；
若存在，则根据和所述语句特征对应的答案特征构建所述提问语句的答案。
可选地，所述若所述第一训练问题集中存在与所述提问语句匹配的目标训练问题，则直接将所述目标训练问题对应的候选答案作为所述提问语句的答案，包括：
将所述提问语句和所述第一训练问题集中的训练问题向量化，得到提问语句向量和训练问题向量集；
利用余弦相似度计算公式计算所述提问语句向量和所述训练问题向量集中各个训练问题向量之间的相似度；
若存在相似度大于预设阈值的训练问题向量，则确定所述第一训练问题集中存在和所述提问语句匹配的目标训练问题，并将相似度大于预设阈值的目标训练问题对应的候选答案作为所述提问语句的答案；
若不存在相似度大于预设阈值的训练问题向量，则确定所述第一训练问题集中不存在与所述提问语句匹配的目标训练问题。
可选地，所述提取所述候选答案集的特征，得到第一答案特征集，包括：
根据预设的停用词表将所述候选答案集中的各个候选答案进行停用词去除，得到去词答案集；
利用预设的特征提取网络提取所述去词答案集的答案特征，得到所述第一答案特征集。
可选地，所述利用预设的特征提取网络提取所述去词答案集的答案特征，得到所述第一答案特征集，包括：
将所述去词答案集中各个去词答案文本转化为字向量，得到字向量集；
将所述字向量集中各个字向量转化为矩阵，得到字向量矩阵集，并将所述字向量矩阵集中各个字向量矩阵通过预设卷积神经网络中的卷积层、池化层、和全连接层提取特征，得到所述第一答案特征集。
可选地，所述利用预设的特征提取网络提取所述去词答案集的答案特征，得到所述第一答案特征集，包括：
将所述第一训练问题集输入至所述第一数学模型进行向量转换，得到所述第一训练问题集中每个训练问题的向量；
对每个所述训练问题的向量进行归一化计算，得到每个所述训练问题的向量对应的置信度，确定所有所述训练问题的向量对应的置信度的平均值为第一置信度。
可选地，所述从所述题库数据集中选取存在正确候选答案的训练问题组成第一训练问题集，包括：
利用答案筛选法从所述候选答案集中获取所有答案为正确的候选答案，得到正确答案集；
集合所述正确答案集中的各个正确答案对应的训练问题，得到第一训练问题集。
为了解决上述问题，本发明还提供一种基于机器学习的问答装置，所述装置包括：
问题集构建模块，用于获取包含问题题库和答案题库的题库数据集，从所述题库数据集中选取存在正确候选答案的训练问题组成第一训练问题集；
第一置信度计算模块，用于从所述答案题库中获取所述第一训练问题集对应的候选答案集，提取所述候选答案集的特征，得到第一答案特征集，利用所述第一答案特征集训练预设的数学模型，得到第一数学模型，通过所述第一数学模型计算所述第一训练问题集的置信度，得到第一置信度；
第二置信度计算模块，用于利用关联度算法获取所述答案题库中与所述第一答案特征集相关的特征，得到第二答案特征集，利用所述第二答案特征集对所述预设的数学模型进行训练，得到第二数学模型，通过所述第二数学模型计算所述第一训练问题集的置信度，得到第二置信度；
特征答案构建模块，用于获取提问语句，若所述第一训练问题集中不存在与所述提问语句匹配的目标训练问题，则根据所述第一置信度和所述第二置信度将所述第一答案特征集和所述第二答案特征集进行细分，直至细分后的特征子集中出现和所述提问语句的特征相似度大于预设相似阈值的答案特征，并根据所述答案特征构建所述提问语句的答案；
答案直接获取模块，用于若所述第一训练问题集中存在与所述提问语句匹配的目标训练问题，则直接将所述目标训练问题对应的候选答案作为所述提问语句的答案。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
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，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的基于机器学习的问答方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如上所述的基于机器学习的问答方法。
本发明实施例中，从题库数据集中选取存在正确候选答案的训练问题组成第一训练问题集，获取第一训练问题集对应的候选答案集，提取候选答案集的特征，得到第一答案特征集，获取所述第一训练问题集对应的候选答案集，之后根据第一答案特征集训练预设的数学模型得到第一数学模型和第一置信度，再利用关联度算法基于第一答案特征集获取第二答案特征集，根据第二答案特征集再次训练数学模型得到第二数学模型得到第二置信度，获取提问语句后，若所述第一训练问题集中不存在与所述提问语句匹配的训练问题，根据第一置信度和第二置信度分别对第一答案特征集和第二答案特征集进行特征细化，从第一答案特征集和第二答案特征集中查找出用于回答提问语句的特征，根据这一特征构建提问语句的答案，使得即使现存的答案数据库中不存在与提问语句直接配对的答案时，仍然能得到与提问语句相匹配的答案，从而实现了提高问答的准确性的目的。
附图说明
图1为本发明一实施例提供的一种基于机器学习的问答方法的流程示意图；
图2为本发明一实施例提供一种基于机器学习的问答方法中一个步骤的详细流程示意图；
图3为本发明一实施例提供一种基于机器学习的问答方法中一个步骤的详细流程示意图；
图4为本发明一实施例提供的基于机器学习的问答装置的模块示意图；
图5为本发明一实施例提供的实现基于机器学习的问答方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于机器学习的问答方法。所述基于机器学习的问答方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。其中，服务器可以是独立的服务器，也可以是提供云服务、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、内容分发网络(Content Delivery Network，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。换言之，所述基于机器学习的问答方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的一种基于机器学习的问答方法的流程示意图。在本实施例中，所述基于机器学习的问答方法包括：
S1、获取包含问题题库和答案题库的题库数据集，从所述题库数据集中选取存在正确候选答案的训练问题组成第一训练问题集。
本发明实施例所述训练问题以及所述训练问题对应的候选答案均以文本的形式存在。
本发明实施例中，所述题库数据集中包含答案为正确的候选答案和答案为错误的候选答案，所述题库数据集中训练问题和候选答案呈一一对应的关系。
本发明实施例中，所述问题题库和所述答案题库可以为从多个数据源获取的数据。例如，利用爬虫技术从网络中爬取的已公开的问答数据，根据问答数据构建问题题库和答案题库。其中，问题题库和答案题库中的数据为网站提供的问答数据，包括训练问题以及训练问题对应的候选答案。
本发明实施例中，所述从所述题库数据集中选取存在正确候选答案的训练问题组成第一训练问题集，包括：
利用答案筛选法从所述候选答案集中获取所有答案为正确的候选答案，得到正确答案集；
集合所述正确答案集中的各个正确答案对应的训练问题，得到第一训练问题集。
具体的，所述答案为正确的候选答案为所述获取所述问答数据时通过人工确认的答案，例如，用户在向回答网站提问时，得到用户确认的答案，反之，未得到用户确认的答案为确认的答案为答案不为正确的候选答案。
本发明实施例中，所述正确答案集为所述答案题库中答案为正确的候选答案组成的集合，进一步地，所述答案题库中还包括答案不为正确的候选答案。
本发明其他实施例中，还可在获取包含问题题库和答案题库的题库数据集前将答案题库中的候选答案分类为正确的候选答案和非正确的候选答案，根据正确的候选答案构建第一训练问题集。
本发明实施例中，所述答案筛选法为文本相似度算法，包括TF-IDF算法、BM25算法、simhash算法。
S2、从所述答案题库中获取所述第一训练问题集对应的候选答案集，提取所述候选答案集的特征，得到第一答案特征集，利用所述第一答案特征集训练预设的数学模型，得到第一数学模型，通过所述第一数学模型计算所述第一训练问题集的置信度，得到第一置信度。
请参考图2，图2为为本发明一实施例提供一种基于机器学习的问答方法中一个步骤的详细流程示意图。
本发明实施例中，所述提取所述候选答案集的特征，得到第一答案特征集，包括：
S201、根据预设的停用词表将所述候选答案集中的各个候选答案进行停用词去除，得到去词答案集；
S202、利用预设的特征提取网络提取所述去词答案集的答案特征，得到所述第一答案特征集。
本发明实施例中，所述答案特征为将所述第问题题库中的候选答案转化为文本向量后在向量空间具有的语义特征。
详细地，所述停用词为在信息检索过程中，为了节省存储空间和提高搜索效率，在处理自然语言数据之前或之后会自动过滤掉某些字或词，例如“的”、“在”、“呢”等词。所述停用词表是预先由人工输入、非自动化生成的停用字组成的表。
本发明实施例中，所述特征提取网络为卷积神经网络(Convolutional NeuralNetworks,CNN)是类包含卷积计算且具有深度结构的前馈神经网络，属于深度学习的代表算法之一。
请参考图3，图3为为本发明一实施例提供一种基于机器学习的问答方法中一个步骤的详细流程示意图。
本发明实施例中，所述利用预设的特征提取网络提取所述去词答案集的答案特征，得到所述第一答案特征集，包括：
S2021、将所述去词答案集中各个去词答案文本转化为字向量，得到字向量集；
S2022、将所述字向量集中各个字向量转化为矩阵，得到字向量矩阵集，并将所述字向量矩阵集中各个字向量矩阵通过预设卷积神经网络中的卷积层、池化层、和全连接层提取特征，得到所述第一答案特征集。
本发明实施例在利用全连接层对池化后的字向量矩阵进行全连接之前，还包括利用扁平化层(Flatten)对字向量矩阵进行扁平化，转化为一维矩阵。
本发明实施例中，所述卷积层用于利用预设卷积核对所述字向量矩阵进行卷积，所述池化层用于对卷积后的矩阵进行压缩降维，简化数据计算的复杂度，提取主要特征信息，所述全连接层用于对经过扁平化的一维矩阵进行全连接，提取矩阵中的特征。
本发明实施例中，所述预设的数学模型为自然语言处理模型(Natural LanguageProcessing，NLP)，是指通过对用户提出的自然语言问题进行自动化地分析和处理，并给出答案的模型。
具体的，所述自然语言处理模型可分为文本问答和知识库问答两大类型。
详细地，所述通过所述第一数学模型计算所述第一训练问题集的置信度，得到第一置信度，包括：
将所述第一训练问题集输入至所述第一数学模型进行向量转换，得到所述第一训练问题集中每个训练问题的向量；
对每个所述训练问题的向量进行归一化计算，得到每个所述训练问题的向量对应的置信度，确定所有所述训练问题的向量对应的置信度的平均值为第一置信度。
本发明实施例中，将所述第一训练问题集输入至所述第一数学模型进行向量转换为将文本格式的训练问题转化为向量格式的训练问题。
本发明实施例中，所述置信度又可称之为置信水平，指特定个体对待特定命题真实性相信的程度，为概率对个人信念合理性的度量。
例如，一考生有90％的概率参加高考的分数在600分至650分之间，则置信度为90％，此外，置信区间为[600,650]。
本发明实施例中，所述第一置信度表示所述第一答案特征对于所述第一训练问题集的平均置信水平。
S3、利用关联度算法获取所述答案题库中与所述第一答案特征集相关的特征，得到第二答案特征集，利用所述第二答案特征集对所述预设的数学模型进行训练，得到第二数学模型，通过所述第二数学模型计算所述第一训练问题集的置信度，得到第二置信度。
本发明实施例中，与所述第一特征集合相关的特征为和所述第一特征集合相关性较高的特征，相关性用于反应特征之间的关联程度。
本发明实施例中，可以采用下述关联度算法中的关联度计算公式计算所述答案题库的各个候选答案中与所述第一特征相关联的特征，得到第二答案特征集：
MMR＝arg[α*sim1(Di,Q)),(1-α)*(sim2(Di,Dj))]i,j∈R
其中，MMR为关联度，R为所述答案题库，Di为R中第i个候选答案，Dj为第二答案特征集，Q为所述第一答案特征集，sim1(Di,Q)为Dj和Q之间的相似度，sim2(Di,Dj)为Di和Dj之间的相似度，α为预设权重系数，arg为求平均运算。
本发明实施例中，计算得到被选取的每一个特征构建的第二答案特征集与所述第一答案特征集的关联度后，可将所述第二答案特征集合中的特征进行排序，确立各个特征的优先度。
本发明实施例中，所述第二答案特征集为根据所述第一答案特征集进行相关特征提取的特征集合。
本发明实施例中，得到所述第二数据模型的训练过程和上述根据第一答案特征集训练得到第一数学模型的训练过程相同，故在此不做赘述。
本发明实施例中，对所述第二答案特征集进行机器学习，得到第二数学模型，并通过所述第二数学模型计算所述第一训练问题集的第二置信度的操作和上述计算所述第一置信度的操作相同。
进一步地，所述第二置信度为所述第二答案特征集中的特征作为所述第一训练问题集答案的平均置信度。
S4、获取提问语句。
本发明实施例中，所述提问语句为用户输入或者从预设数据库中获取的待寻找问题答案的语句。
S5、判断所述第一训练问题集中是否存在与所述提问语句匹配的训练问题。
本发明实施例中，通过计算所述第一训练问题集中各个训练问题和所述提问语句的相似度，判断所述第一训练问题集中是否存在与所述提问语句匹配的训练问题。
具体的，所述第一训练问题集中的训练问题和所述提问语句均为文本格式，可以通过文本相似度算法计算所述第一训练问题集中的训练问题和所述提问语句的相似度。例如上述的TF-IDF算法、BM25算法和simhash算法。
S6、若所述第一训练问题集中不存在与所述提问语句匹配的目标训练问题，则根据所述第一置信度和所述第二置信度将所述第一答案特征集和所述第二答案特征集进行细分，直至细分后的特征子集中出现和所述提问语句的特征相似度大于预设相似阈值的答案特征，并根据所述答案特征构建所述提问语句的答案。
本发明实施例中，所述根据所述第一置信度和所述第二置信度将所述第一答案特征集和所述第二答案特征集进行细分，直至细分后的特征子集中出现和所述提问语句的特征相似度大于预设相似阈值的答案特征，并根据所述答案特征构建所述提问语句的答案，包括：
根据所述第一置信度将所述第一答案特征集划分为第一特征子集和第二特征子集，所述第一特征子集的置信度大于所述第一置信度，所述第二特征子集的置信度小于所述第一置信度；
根据所述第二置信度将所述第二答案特征集划分为第三特征子集和第四特征子集，所述第三特征子集的置信度大于所述第二置信度，所述第四特征子集的置信度小于所述第二置信度；
获取所述所述提问语句的语句特征；
从所述第一特征子集、所述第二特征子集、所述第三特征子集和所述第四特征子集中查找是否存在和所述语句特征对应的答案特征；
若不存在，则将所述第一特征子集、所述第二特征子集、所述第三特征子集和所述第四特征子集继续细分直至任一特征子集中存在和所述语句特征对应的答案特征，并根据所述答案特征构建所述提问语句的答案；
若存在，则根据和所述语句特征对应的答案特征构建所述提问语句的答案。
本发明实施例中，采用无监督学习方法对所述第一答案特征集和所述第二答案特征集进行细分，即将所述第一答案特征集细分为答案特征相近的答案特征组成的第一特征子集，以及答案特征相近的答案特征组成的第二特征子集，将所述第二答案特征集细分为答案特征相近的答案特征组成的第三特征子集，以及答案特征相近的答案特征组成的第四特征子集。
进一步地，例如，对于金融投资这一领域下的答案特征集，可以分为金融风险较高的高风险投资的特征子集，包括股票、基金等，以及金融风险较低的低风险投资特征子集，包括定期存款、国债等。
本发明实施例中，所述语句特征为所述提问语句具有的特征，例如，提问语句为“周末天气怎样”，存在的语句特征有时间特征和天气特征。
本发明实施例中，根据所述答案特征构建所述提问语句的答案是通过所述答案特征对所述提问语句进行关键词替换，并补充停用词。
例如，提问语句为“周末天气怎样”，答案特征为“下雨”，进行关键词替换后的答案为“周末天气是下雨”。
所述停用词为在信息检索过程中，和S2中相同，是为了节省存储空间和提高搜索效率，在处理自然语言数据之前或之后会自动过滤掉某些字或词，例如“的”、“在”、“呢”等词。
本发明另一实施例中，还可以将所述答案特征直接作为所述提问语句的答案，例如，提问语句为“周末天气怎样”，答案特征为“下雨”，答案为“下雨”。
S7、若所述第一训练问题集中存在与所述提问语句匹配的目标训练问题，则直接将所述目标训练问题对应的候选答案作为所述提问语句的答案。
本发明实施例通过文本相似度比较判断所述提问语句和所述第一训练问题集中的训练问题是否匹配。
具体的，所述若所述第一训练问题集中存在与所述提问语句匹配的目标训练问题，则直接将所述目标训练问题对应的候选答案作为所述提问语句的答案，包括:
将所述提问语句和所述第一训练问题集中的训练问题向量化，得到提问语句向量和训练问题向量集；
利用余弦相似度计算公式计算所述提问语句向量和所述训练问题向量集中各个训练问题向量之间的相似度；
若存在相似度大于预设阈值的训练问题向量，则确定所述第一训练问题集中存在和所述提问语句匹配的目标训练问题，并将相似度大于预设阈值的目标训练问题对应的候选答案作为所述提问语句的答案；
若不存在相似度大于预设阈值的训练问题向量，则确定所述第一训练问题集中不存在与所述提问语句匹配的目标训练问题。
本发明实施例中，从题库数据集中选取存在正确候选答案的训练问题组成第一训练问题集，获取第一训练问题集对应的候选答案集，提取候选答案集的特征，得到第一答案特征集，获取所述第一训练问题集对应的候选答案集，之后根据第一答案特征集训练预设的数学模型得到第一数学模型和第一置信度，再利用关联度算法基于第一答案特征集获取第二答案特征集，根据第二答案特征集再次训练数学模型得到第二数学模型得到第二置信度，获取提问语句后，若所述第一训练问题集中不存在与所述提问语句匹配的训练问题，根据第一置信度和第二置信度分别对第一答案特征集和第二答案特征集进行特征细化，从第一答案特征集和第二答案特征集中查找出用于回答提问语句的特征，根据这一特征构建提问语句的答案，使得即使现存的答案数据库中不存在与提问语句直接配对的答案时，仍然能得到与提问语句相匹配的答案，从而实现了提高问答的准确性的目的。
如图4所示，是本发明基于机器学习的问答装置的模块示意图。
本发明所述基于机器学习的问答装置100可以安装于电子设备中。根据实现的功能，所述基于机器学习的问答装置可以包括问题构建模块101、第一置信度计算模块102、第二置信度计算模块103、特征答案构建模块104、答案直接获取模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述问题集构建模块101，用于获取包含问题题库和答案题库的题库数据集，从所述题库数据集中选取存在正确候选答案的训练问题组成第一训练问题集；
第一置信度计算模块102，用于从所述答案题库中获取所述第一训练问题集对应的候选答案集，提取所述候选答案集的特征，得到第一答案特征集，利用所述第一答案特征集训练预设的数学模型，得到第一数学模型，通过所述第一数学模型计算所述第一训练问题集的置信度，得到第一置信度；
第二置信度计算模块103，用于利用关联度算法获取所述答案题库中与所述第一答案特征集相关的特征，得到第二答案特征集，利用所述第二答案特征集对所述预设的数学模型进行训练，得到第二数学模型，通过所述第二数学模型计算所述第一训练问题集的置信度，得到第二置信度；
特征答案构建模块104，用于获取提问语句，若所述第一训练问题集中不存在与所述提问语句匹配的目标训练问题，则根据所述第一置信度和所述第二置信度将所述第一答案特征集和所述第二答案特征集进行细分，直至细分后的特征子集中出现和所述提问语句的特征相似度大于预设相似阈值的答案特征，并根据所述答案特征构建所述提问语句的答案；
答案直接获取模块105，用于若所述第一训练问题集中存在与所述提问语句匹配的目标训练问题，则直接将所述目标训练问题对应的候选答案作为所述提问语句的答案。
详细地，本发明实施例中所述基于机器学习的问答装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于机器学习的问答方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明实现基于机器学习的问答方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于机器学习的问答程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于机器学习的问答程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于机器学习的问答程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的基于机器学习的问答程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取包含问题题库和答案题库的题库数据集，从所述题库数据集中选取存在正确候选答案的训练问题组成第一训练问题集；
从所述答案题库中获取所述第一训练问题集对应的候选答案集，提取所述候选答案集的特征，得到第一答案特征集，利用所述第一答案特征集训练预设的数学模型，得到第一数学模型，通过所述第一数学模型计算所述第一训练问题集的置信度，得到第一置信度；
利用关联度算法获取所述答案题库中与所述第一答案特征集相关的特征，得到第二答案特征集，利用所述第二答案特征集对所述预设的数学模型进行训练，得到第二数学模型，通过所述第二数学模型计算所述第一训练问题集的置信度，得到第二置信度；
获取提问语句；
若所述第一训练问题集中不存在与所述提问语句匹配的目标训练问题，则根据所述第一置信度和所述第二置信度将所述第一答案特征集和所述第二答案特征集进行细分，直至细分后的特征子集中出现和所述提问语句的特征相似度大于预设相似阈值的答案特征，并根据所述答案特征构建所述提问语句的答案；
若所述第一训练问题集中存在与所述提问语句匹配的目标训练问题，则直接将所述目标训练问题对应的候选答案作为所述提问语句的答案。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/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，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取包含问题题库和答案题库的题库数据集，从所述题库数据集中选取存在正确候选答案的训练问题组成第一训练问题集；
从所述答案题库中获取所述第一训练问题集对应的候选答案集，提取所述候选答案集的特征，得到第一答案特征集，利用所述第一答案特征集训练预设的数学模型，得到第一数学模型，通过所述第一数学模型计算所述第一训练问题集的置信度，得到第一置信度；
利用关联度算法获取所述答案题库中与所述第一答案特征集相关的特征，得到第二答案特征集，利用所述第二答案特征集对所述预设的数学模型进行训练，得到第二数学模型，通过所述第二数学模型计算所述第一训练问题集的置信度，得到第二置信度；
获取提问语句；
若所述第一训练问题集中不存在与所述提问语句匹配的目标训练问题，则根据所述第一置信度和所述第二置信度将所述第一答案特征集和所述第二答案特征集进行细分，直至细分后的特征子集中出现和所述提问语句的特征相似度大于预设相似阈值的答案特征，并根据所述答案特征构建所述提问语句的答案；
若所述第一训练问题集中存在与所述提问语句匹配的目标训练问题，则直接将所述目标训练问题对应的候选答案作为所述提问语句的答案。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于机器学习的问答方法，其特征在于，所述方法包括：
获取包含问题题库和答案题库的题库数据集，从所述题库数据集中选取存在正确候选答案的训练问题组成第一训练问题集；
从所述答案题库中获取所述第一训练问题集对应的候选答案集，提取所述候选答案集的特征，得到第一答案特征集，利用所述第一答案特征集训练预设的数学模型，得到第一数学模型，通过所述第一数学模型计算所述第一训练问题集的置信度，得到第一置信度；
利用关联度算法获取所述答案题库中与所述第一答案特征集相关的特征，得到第二答案特征集，利用所述第二答案特征集对所述预设的数学模型进行训练，得到第二数学模型，通过所述第二数学模型计算所述第一训练问题集的置信度，得到第二置信度；
获取提问语句；
若所述第一训练问题集中不存在与所述提问语句匹配的目标训练问题，则根据所述第一置信度和所述第二置信度将所述第一答案特征集和所述第二答案特征集进行细分，直至细分后的特征子集中出现和所述提问语句的特征相似度大于预设相似阈值的答案特征，并根据所述答案特征构建所述提问语句的答案；
若所述第一训练问题集中存在与所述提问语句匹配的目标训练问题，则直接将所述目标训练问题对应的候选答案作为所述提问语句的答案。
2.如权利要求1所述的基于机器学习的问答方法，其特征在于，所述根据所述第一置信度和所述第二置信度将所述第一答案特征集和所述第二答案特征集进行细分，直至细分后的特征子集中出现和所述提问语句的特征相似度大于预设相似阈值的答案特征，并根据所述答案特征构建所述提问语句的答案，包括：
根据所述第一置信度将所述第一答案特征集划分为第一特征子集和第二特征子集，所述第一特征子集的置信度大于所述第一置信度，所述第二特征子集的置信度小于所述第一置信度；
根据所述第二置信度将所述第二答案特征集划分为第三特征子集和第四特征子集，所述第三特征子集的置信度大于所述第二置信度，所述第四特征子集的置信度小于所述第二置信度；
获取所述所述提问语句的语句特征；
从所述第一特征子集、所述第二特征子集、所述第三特征子集和所述第四特征子集中查找是否存在和所述语句特征对应的答案特征；
若不存在，则将所述第一特征子集、所述第二特征子集、所述第三特征子集和所述第四特征子集继续细分直至任一特征子集中存在和所述语句特征对应的答案特征，并根据所述答案特征构建所述提问语句的答案；
若存在，则根据和所述语句特征对应的答案特征构建所述提问语句的答案。
3.如权利要求1所述的基于机器学习的问答方法，其特征在于，所述若所述第一训练问题集中存在与所述提问语句匹配的目标训练问题，则直接将所述目标训练问题对应的候选答案作为所述提问语句的答案，包括：
将所述提问语句和所述第一训练问题集中的训练问题向量化，得到提问语句向量和训练问题向量集；
利用余弦相似度计算公式计算所述提问语句向量和所述训练问题向量集中各个训练问题向量之间的相似度；
若存在相似度大于预设阈值的训练问题向量，则确定所述第一训练问题集中存在和所述提问语句匹配的目标训练问题，并将相似度大于预设阈值的目标训练问题对应的候选答案作为所述提问语句的答案；
若不存在相似度大于预设阈值的训练问题向量，则确定所述第一训练问题集中不存在与所述提问语句匹配的目标训练问题。
4.如权利要求1所述的基于机器学习的问答方法，其特征在于，所述提取所述候选答案集的特征，得到第一答案特征集，包括：
根据预设的停用词表将所述候选答案集中的各个候选答案进行停用词去除，得到去词答案集；
利用预设的特征提取网络提取所述去词答案集的答案特征，得到所述第一答案特征集。
5.如权利要求4所述的基于机器学习的问答方法，其特征在于，所述利用预设的特征提取网络提取所述去词答案集的答案特征，得到所述第一答案特征集，包括：
将所述去词答案集中各个去词答案文本转化为字向量，得到字向量集；
将所述字向量集中各个字向量转化为矩阵，得到字向量矩阵集，并将所述字向量矩阵集中各个字向量矩阵通过预设卷积神经网络中的卷积层、池化层、和全连接层提取特征，得到所述第一答案特征集。
6.如权利要求1所述的基于机器学习的问答方法，其特征在于，所述通过所述第一数学模型计算所述第一训练问题集的置信度，得到第一置信度，包括：
将所述第一训练问题集输入至所述第一数学模型进行向量转换，得到所述第一训练问题集中每个训练问题的向量；
对每个所述训练问题的向量进行归一化计算，得到每个所述训练问题的向量对应的置信度，确定所有所述训练问题的向量对应的置信度的平均值为第一置信度。
7.如权利要求1所述的基于机器学习的问答方法，其特征在于，所述从所述题库数据集中选取存在正确候选答案的训练问题组成第一训练问题集，包括：
利用答案筛选法从所述候选答案集中获取所有答案为正确的候选答案，得到正确答案集；
集合所述正确答案集中的各个正确答案对应的训练问题，得到第一训练问题集。
8.一种基于机器学习的问答装置，其特征在于，所述装置包括：
问题集构建模块，用于获取包含问题题库和答案题库的题库数据集，从所述题库数据集中选取存在正确候选答案的训练问题组成第一训练问题集；
第一置信度计算模块，用于从所述答案题库中获取所述第一训练问题集对应的候选答案集，提取所述候选答案集的特征，得到第一答案特征集，利用所述第一答案特征集训练预设的数学模型，得到第一数学模型，通过所述第一数学模型计算所述第一训练问题集的置信度，得到第一置信度；
第二置信度计算模块，用于利用关联度算法获取所述答案题库中与所述第一答案特征集相关的特征，得到第二答案特征集，利用所述第二答案特征集对所述预设的数学模型进行训练，得到第二数学模型，通过所述第二数学模型计算所述第一训练问题集的置信度，得到第二置信度；
特征答案构建模块，用于获取提问语句，若所述第一训练问题集中不存在与所述提问语句匹配的目标训练问题，则根据所述第一置信度和所述第二置信度将所述第一答案特征集和所述第二答案特征集进行细分，直至细分后的特征子集中出现和所述提问语句的特征相似度大于预设相似阈值的答案特征，并根据所述答案特征构建所述提问语句的答案；
答案直接获取模块，用于若所述第一训练问题集中存在与所述提问语句匹配的目标训练问题，则直接将所述目标训练问题对应的候选答案作为所述提问语句的答案。
9.一种电子设备，其特征在于，所述电子设备包括：
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，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的基于机器学习的问答方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于机器学习的问答方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111264243.2A CN113918704A (zh) | 2021-10-28 | 2021-10-28 | 基于机器学习的问答方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111264243.2A CN113918704A (zh) | 2021-10-28 | 2021-10-28 | 基于机器学习的问答方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113918704A true CN113918704A (zh) | 2022-01-11 |
Family
ID=79243366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111264243.2A Pending CN113918704A (zh) | 2021-10-28 | 2021-10-28 | 基于机器学习的问答方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113918704A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033342A (zh) * | 2018-07-24 | 2018-12-18 | 北京京东尚科信息技术有限公司 | 应用于服务系统的服务提供方法、装置和服务模型 |
| CN117521673A (zh) * | 2024-01-08 | 2024-02-06 | 安徽大学 | 一种具备分析训练性能的自然语言处理系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130029307A1 (en) * | 2011-07-29 | 2013-01-31 | International Business Machines Corporation | Method and system for computer question-answering |
| CN106295792A (zh) * | 2016-08-05 | 2017-01-04 | 北京光年无限科技有限公司 | 基于多模型输出的对话数据交互处理方法及装置 |
| CN107025297A (zh) * | 2017-04-18 | 2017-08-08 | 上海斐讯数据通信技术有限公司 | 一种聊天机器人及其自动聊天方法 |
| US20180373782A1 (en) * | 2017-06-27 | 2018-12-27 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for recommending answer to question based on artificial intelligence |
| CN111368043A (zh) * | 2020-02-19 | 2020-07-03 | 中国平安人寿保险股份有限公司 | 基于人工智能的事件问答方法、装置、设备及存储介质 |
| CN113312461A (zh) * | 2021-05-25 | 2021-08-27 | 深圳平安综合金融服务有限公司 | 基于自然语言处理的智能问答方法、装置、设备及介质 |
-
2021
- 2021-10-28 CN CN202111264243.2A patent/CN113918704A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130029307A1 (en) * | 2011-07-29 | 2013-01-31 | International Business Machines Corporation | Method and system for computer question-answering |
| CN106295792A (zh) * | 2016-08-05 | 2017-01-04 | 北京光年无限科技有限公司 | 基于多模型输出的对话数据交互处理方法及装置 |
| CN107025297A (zh) * | 2017-04-18 | 2017-08-08 | 上海斐讯数据通信技术有限公司 | 一种聊天机器人及其自动聊天方法 |
| US20180373782A1 (en) * | 2017-06-27 | 2018-12-27 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for recommending answer to question based on artificial intelligence |
| CN111368043A (zh) * | 2020-02-19 | 2020-07-03 | 中国平安人寿保险股份有限公司 | 基于人工智能的事件问答方法、装置、设备及存储介质 |
| CN113312461A (zh) * | 2021-05-25 | 2021-08-27 | 深圳平安综合金融服务有限公司 | 基于自然语言处理的智能问答方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 华颖;余华云;: "基于深度学习智能问答技术的研究", 电脑知识与技术, no. 21, 25 July 2020 (2020-07-25) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033342A (zh) * | 2018-07-24 | 2018-12-18 | 北京京东尚科信息技术有限公司 | 应用于服务系统的服务提供方法、装置和服务模型 |
| CN117521673A (zh) * | 2024-01-08 | 2024-02-06 | 安徽大学 | 一种具备分析训练性能的自然语言处理系统 |
| CN117521673B (zh) * | 2024-01-08 | 2024-03-22 | 安徽大学 | 一种具备分析训练性能的自然语言处理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
| CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
| CN112287069B (zh) | 基于语音语义的信息检索方法、装置及计算机设备 | |
| CN111695354A (zh) | 基于命名实体的文本问答方法、装置及可读存储介质 | |
| CN112988963B (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
| CN113918704A (zh) | 基于机器学习的问答方法、装置、电子设备及介质 | |
| CN113722483A (zh) | 话题分类方法、装置、设备及存储介质 | |
| CN114880449B (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
| CN113821622A (zh) | 基于人工智能的答案检索方法、装置、电子设备及介质 | |
| CN112667775A (zh) | 基于关键词提示的检索方法、装置、电子设备及存储介质 | |
| CN113627797A (zh) | 入职员工画像生成方法、装置、计算机设备及存储介质 | |
| CN115238670A (zh) | 信息文本抽取方法、装置、设备及存储介质 | |
| CN115221276A (zh) | 基于clip的中文图文检索模型训练方法、装置、设备及介质 | |
| CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
| CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
| CN113360654B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
| CN114461777A (zh) | 智能问答方法、装置、设备及存储介质 | |
| CN113254814A (zh) | 网络课程视频打标签方法、装置、电子设备及介质 | |
| CN113111159A (zh) | 问答记录生成方法、装置、电子设备及存储介质 | |
| CN116821373A (zh) | 基于图谱的prompt推荐方法、装置、设备及介质 | |
| CN111639164A (zh) | 问答系统的问答匹配方法、装置、计算机设备及存储介质 | |
| CN116341646A (zh) | Bert模型的预训练方法、装置、电子设备及存储介质 | |
| CN114676307A (zh) | 基于用户检索的排序模型训练方法、装置、设备及介质 | |
| CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
| CN114462411B (zh) | 命名实体识别方法、装置、设备及存储介质 |
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 |