CN113946651B - 维修知识推荐方法、装置、电子设备、介质及产品 - Google Patents
维修知识推荐方法、装置、电子设备、介质及产品 Download PDFInfo
- Publication number
- CN113946651B CN113946651B CN202111138570.3A CN202111138570A CN113946651B CN 113946651 B CN113946651 B CN 113946651B CN 202111138570 A CN202111138570 A CN 202111138570A CN 113946651 B CN113946651 B CN 113946651B
- Authority
- CN
- China
- Prior art keywords
- maintenance
- knowledge
- recall
- dialogue
- information
- 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.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 239000013598 vector Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 9
- 230000000977 initiatory effect Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000012827 research and development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F16/33—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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种维修知识推荐方法、装置、电子设备、介质及产品,本发明提供的维修知识推荐方法、装置、电子设备、介质及产品,通过对先前轮次对话和本轮次对话中用户输入信息进行语义理解分析,根据各轮次语义理解分析结果从维修图谱中对候选知识点进行多路召回,可以有效解决因用户输入信息不连贯导致召回的备选集质量低的问题,且多路召回方式可以进一步提高备选集的准确性,从而使发送给用户的维修回复信息更满足实际维修需求。
Description
技术领域
本发明涉及设备故障维修技术领域,尤其涉及一种维修知识推荐方法、装置、电子设备、介质及产品。
背景技术
在维修场景下,维修人员想要定位故障,往往需要询问研发专家得到答案,而研发专家的时间成本较高,人力资源较为稀缺。因此使用智能对话系统,通过人与智能对话系统对话的方式获取维修知识,能节省研发专家更多的时间。
现有的智能对话系统普遍利用用户当前输入的文本特征进行知识的问答,虽然能够大体上定位用户问句中的含义,并能够使用维修知识图谱引入系统化知识,从而为维修人员提供相关答案,但是,现有的智能对话系统存在以下两方面问题:
一方面,现有的智能对话系统在知识点召回时仅使用当前轮次的语义信息,导致系统对用户输入的信息受限于当前最近一次输入,使得召回的备选集质量低下。
另一方面,现有的智能对话系统单纯依据文本输入的信息,在较多同类型产品且维修知识共享相同故障实体和故障关系的情况下,仅靠语义信息难以区分相似知识点之间的区别,导致输出的答案不够准确、可靠。
发明内容
本发明提供一种维修知识推荐方法、装置、电子设备、介质及产品,用以解决现有技术中智能对话系统召回的备选集质量低以及难以区分相似知识点的缺陷。
第一方面,本发明提供一种维修知识推荐方法,该方法包括:
获取历史维修数据,从所述历史维修数据中抽取故障相关的实体、关系以及知识点,构建得到维修图谱;
分别获取先前轮次对话和当前轮次对话中用户输入信息,并对各轮次对话中用户输入信息进行语义理解分析;
根据各轮次对话中用户输入信息的语义理解分析结果,从所述维修图谱中对候选知识点进行多路召回,得到维修知识备选集;其中,所述多路召回包括知识图谱召回、向量召回和/或倒排索引召回;
根据所述维修知识备选集生成维修回复信息,并将所述维修回复信息输出。
根据本发明提供的维修知识推荐方法,根据各轮次对话中用户输入信息的语义理解分析结果,从所述维修图谱中对候选知识点进行多路召回,得到维修知识备选集的过程,包括:
从所述语义理解分析结果中提取各轮次对话涉及的实体,根据所述各轮次对话涉及的实体,从所述维修图谱中对候选知识点进行知识图谱召回,得到第一召回结果;
从所述语义理解分析结果中提取各轮次对话涉及的语义信息,将先前轮次对话涉及的语义信息与当前轮次对话涉及的语义信息进行拼接和向量化表示,并从所述维修图谱中对候选知识点进行向量召回,得到第二召回结果;
从所述语义理解分析结果中获取用户意图,并根据用户意图确定索引范围,在所述索引范围内从所述维修图谱中对候选知识点进行倒排索引召回,得到第三召回结果;
根据所述第一召回结果、第二召回结果和/或第三召回结果,构建得到维修知识备选集。
根据本发明提供的维修知识推荐方法,根据所述维修知识备选集生成维修回复信息,并将所述维修回复信息输出之前,还包括:
获取发起对话请求的用户对应的第一待维修设备信息,根据所述第一待维修设备信息对所述维修知识备选集中相似的候选知识点进行过滤。
根据本发明提供的维修知识推荐方法,根据所述维修知识备选集生成维修回复信息,并将所述维修回复信息输出之前,还包括:
获取发起对话请求的用户对应的第二待维修设备信息;
获取所述语义理解分析结果中用户输入信息对应的文本特征;
获取过滤后的维修知识备选集中候选知识点对应的图谱信息;
将所述第二待维修设备信息、文本特征和图谱信息输入知识评分模型,得到所述知识评分模型输出的各候选知识点对应的分数;其中,所述知识评分模型是基于第二待维修设备信息样本数据、文本特征样本数据和图谱信息样本数据以及对应的得分结果对深度学习网络进行训练得到的;
根据各候选知识点对应的分数,对所述维修知识备选集中的候选知识点进行排序。
根据本发明提供的维修知识推荐方法,根据所述维修知识备选集生成维修回复信息,并将所述维修回复信息输出的过程,包括:
获取所述维修知识备选集中候选知识点对应的分数最高值;
将所述分数最高值与预设的分数阈值范围进行比较,若所述分数最高值大于分数阈值最大值,则输出确定答案的话术及分数最高的候选知识点对应的维修答案;
若所述分数最高值在所述分数阈值范围内且所述维修知识备选集中候选知识点数量小于预设的数量阈值,则输出返回候选的话术及候选知识点;
若所述分数最高值小于分数阈值最小值且所述维修知识备选集中有实体命中,则输出追问实体的话术;
若所述分数最高值小于分数阈值最小值且所述维修知识备选集中无实体命中,则输出不能回答的话术。
根据本发明提供的维修知识推荐方法,所述第一待维修设备信息包括:设备种类、设备型号和/或设备年份;
所述第二待维修设备信息包括:设备历史维修记录、设备常驻地、设备各部件性能和/或设备工作时长。
第二方面,本发明还提供一种维修知识推荐装置,包括:
图谱构建模块,用于获取历史维修数据,从所述历史维修数据中抽取故障相关的实体、关系以及知识点,构建得到维修图谱;
语义理解模块,用于分别获取先前轮次对话和当前轮次对话中用户输入信息,并对各轮次对话中用户输入信息进行语义理解分析;
多路召回模块,用于根据各轮次对话中用户输入信息的语义理解分析结果,从所述维修图谱中对候选知识点进行多路召回,得到维修知识备选集;其中,所述多路召回包括知识图谱召回、向量召回和/或倒排索引召回;
回复生成模块,用于根据所述维修知识备选集生成维修回复信息,并将所述维修回复信息输出。
第三方面,本发明还提供一种电子设备,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如上述任一种所述维修知识推荐方法的步骤。
第四方面,本发明还提供一种非暂态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如上述任一种所述维修知识推荐方法的步骤。
第五方面,本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述维修知识推荐方法的步骤。
本发明提供的维修知识推荐方法、装置、电子设备、介质及产品,通过对先前轮次对话和本轮次对话中用户输入信息进行语义理解分析,根据各轮次语义理解分析结果从维修图谱中对候选知识点进行多路召回,可以有效解决因用户输入信息不连贯导致召回的备选集质量低的问题,且多路召回方式可以进一步提高备选集的准确性,从而使发送给用户的维修回复信息更满足实际维修需求。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的维修知识推荐方法的流程示意图;
图2是本发明提供的维修知识推荐装置的结构示意图之一;
图3是本发明提供的维修知识推荐装置的结构示意图之二;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了本发明实施例提供的维修知识推荐方法,该方法包括:
S110:获取历史维修数据,从历史维修数据中抽取故障相关的实体、关系以及知识点,构建得到维修图谱。
本实施例中构建维修图谱时,可以从历史维修数据中抽取相关维修描述,使用命名实体识别和关系抽取,从维修描述中抽取故障相关的实体和关系,存储至图数据库中,具体地,将维修描述中的知识点和实体存储成点的形式,将关系存储成边的形式,故障维修方法存储为知识点的一个属性,从而构建得到完整的维修知识图谱,即维修图谱。
S120:分别获取先前轮次对话和当前轮次对话中用户输入信息,并对各轮次对话中用户输入信息进行语义理解分析。
本实施例中通过现有的文本纠错、命名实体识别、关系分类、意图识别等算法,对各轮次对话中用户输入信息进行语义理解,首先通过意图识别和命名实体识别,获得用户输入信息的文本特征,并对文本特征进行分析,得到用户的语义信息,最终得到的语义理解分析结果会更新到对话状态管理模块中。
可以理解的是,本实施例中提到的意图识别、命名实体识别算法可以采用Transformer模型和Softmax模型等语义识别模型结构实现,当然其他可以实现语义识别的算法也可以应用于本实施例中。
需要说明的是,本实施例中先前轮次对话与本轮次对话应属于同一个完整对话中,为了保证获得的多个轮次的对话间存在紧密的关联,还可以设置时间条件和终止状态条件,通过对话时间和终止状态进行分析,判断获得的几轮对话是否属于同一个完整的对话,从而保证得到的上下文信息的连贯性。
S130:根据各轮次对话中用户输入信息的语义理解分析结果,从维修图谱中对候选知识点进行多路召回,得到维修知识备选集;其中,多路召回包括知识图谱召回、向量召回和/或倒排索引召回。
本实施例中通过多路召回获得维修知识备选集的过程,具体包括:
从语义理解分析结果中提取各轮次对话涉及的实体,根据各轮次对话涉及的实体,利用先前轮次对话涉及的实体和本轮对话涉及的实体,从维修图谱中对候选知识点进行知识图谱召回,得到第一召回结果;
从语义理解分析结果中提取各轮次对话涉及的语义信息,将先前轮次对话涉及的语义信息与当前轮次对话涉及的语义信息进行拼接,并获得向量化表示,利用获得的向量,从维修图谱中对候选知识点进行向量召回,得到第二召回结果;
从语义理解分析结果中获取用户意图,并根据用户意图确定索引范围,在索引范围内从维修图谱中对候选知识点进行倒排索引召回,得到第三召回结果;
通过上述三种召回方式可以得到三组候选知识点,将第一召回结果、第二召回结果和/或第三召回结果组合,即可构建得到维修知识备选集。
需要说明的是,本实施例将维修图谱分别存储至不同类别的知识库中,根据用户意图可以确定当前用户输入的维修问题属于哪类知识库,进而可以定位到相应的知识库,在相应的知识库中根据用户输入的整句话进行倒排索引召回,倒排索引召回可以通过现有的近似最近邻搜索算法实现。
S140:根据维修知识备选集生成维修回复信息,并将维修回复信息输出。
可以理解的是,上述S140中,维修回复信息可以是整个维修知识备选集,也就是将获得的候选知识点全部推荐给用户,但这样给用户推荐的答案中包含很多无用信息以及重复信息,后期留给用户处理的工作量较大。为此,本实施例进一步加入了过滤操作和排序操作,以进一步提高维修知识备选集的质量。
更优地,本实施例在获得维修知识备选集后,根据维修知识备选集生成维修回复信息,并将维修回复信息输出之前,还可以先做一步过滤操作,具体如下:
获取发起对话请求的用户对应的第一待维修设备信息,根据第一待维修设备信息对维修知识备选集中相似的候选知识点进行过滤。
具体地,上述第一待维修设备信息包括:设备种类、设备型号和/或设备年份。根据第一待维修设备信息可以对维修知识备选集中相似度较高,但归属于不同类别的知识点进行进一步筛选过滤,从而进一步提高维修知识备选集的质量。
更优地,本实施例在获得维修知识备选集后,根据维修知识备选集生成维修回复信息,并将维修回复信息输出之前,还可以先做一步排序操作,该排序操作可以在过滤操作后进行,具体如下:
获取发起对话请求的用户对应的第二待维修设备信息,本实施例中第二待维修设备信息包括:设备历史维修记录、设备常驻地、设备各部件性能和/或设备工作时长。
获取语义理解分析结果中用户输入信息对应的文本特征,本实施例中文本特征包括文本相似度、故障实体以及实体关系。
获取过滤后的维修知识备选集中候选知识点对应的图谱信息,本实施例中图谱信息包括故障实体的父节点、子节点等知识图谱信息。
将第二待维修设备信息、文本特征和图谱信息输入知识评分模型,得到知识评分模型输出的各候选知识点对应的分数;其中,知识评分模型是基于第二待维修设备信息样本数据、文本特征样本数据和图谱信息样本数据以及对应的得分结果对深度学习网络进行训练得到的。
根据各候选知识点对应的分数,对维修知识备选集中的候选知识点进行排序。
可以理解的是,训练知识评分模型所用到的深度学习神经网络模块可以是Poly-encoders等使用Transformer体系结构的网络模型。
在对候选知识点进行排序时,本实施例采用分数递降的方式排序,即分数最高的候选知识点排在第一位,分数最低的候选知识点排在最后一位,根据分数由高到低依次排序。
需要说明的是,本实施例中第一待维修设备信息和第二待维修设备信息是从整个待维修设备信息中提取到的,在数据量较大的情况下,可以对整个待维修设备信息使用深度学习技术进行编码,获得稠密的待维修设备向量,以便更全面覆盖待维修设备信息。
具体地,本实施例中根据维修知识备选集生成维修回复信息,并将维修回复信息输出的过程,包括:
首先,获取维修知识备选集中候选知识点对应的分数最高值,本实施例中是维修知识备选集中排在首位的候选知识点对应的分数。
将该分数最高值与预设的分数阈值范围进行比较,若分数最高值大于分数阈值最大值,比如大于0.95,则输出“确定答案”的话术及分数最高的候选知识点对应的维修答案;
若分数最高值在分数阈值范围内且维修知识备选集中候选知识点数量小于预设的数量阈值,即维修知识备选集中候选知识点数量较小,比如候选知识点数量小于5个,可以判定为维修知识备选集中候选知识点数量较小,此时输出“返回候选”的话术及候选知识点;
若分数最高值小于分数阈值最小值,即维修知识备选集中候选知识点数量较小,但维修知识备选集中有实体命中,则输出“追问实体”的话术,进一步询问缺失实体;
若分数最高值小于分数阈值最小值且维修知识备选集中无实体命中,则输出“不能回答”的话术。
由此可见,本实施例根据对话状态管理模块输出的结果,即候选知识点排序结果,进行分析判断,获得“确定答案”、“返回候选”、“追问实体”、“不能回答”这四种回复状态,可以根据实际情况给出对应的回复,用户体验效果更佳。
需要说明的是,在对话状态管理模块中,可以通过深度学习的方式,对对话状态进行编码,使其自动更新至最新状态,不需要手动编写更新策略。
不难发现,本发明实施例提供的维修知识推荐方法,使用了多种召回方式并加入上下文信息,将历史的故障实体、用户意图以及句子向量加入到召回的过程中,从知识图谱、向量召回、倒排索引召回中,获得质量更高、覆盖更全的备选集,使维修对话有理解信息连贯性的能力。
同时,该方法还通过用户对应的第一待维修设备信息区分文本相似度较高的知识点,并融合图谱信息、第二待维修设备信息和文本信息进行答案排序,通过加入第一待维修设备信息使相近问题得到区分,提高了备选集质量。而且融合了第二待维修设备信息的知识评分模型,使排序分数更贴近用户选择,更符合实际需求。
下面对本发明提供的维修知识推荐装置进行描述,下文描述的维修知识推荐装置与上文描述的维修知识推荐方法可相互对应参照。
图2示出了本发明实施例提供的维修知识推荐装置,包括:
图谱构建模块210,用于获取历史维修数据,从历史维修数据中抽取故障相关的实体、关系以及知识点,构建得到维修图谱;
语义理解模块220,用于分别获取先前轮次对话和当前轮次对话中用户输入信息,并对各轮次对话中用户输入信息进行语义理解分析;
多路召回模块230,用于根据各轮次对话中用户输入信息的语义理解分析结果,从维修图谱中对候选知识点进行多路召回,得到维修知识备选集;其中,多路召回包括知识图谱召回、向量召回和/或倒排索引召回;
回复生成模块240,用于根据维修知识备选集生成维修回复信息,并将维修回复信息输出。
根据目前上述装置的结构,回复生成模块240生成的维修回复信息可以是整个维修知识备选集,也就是将获得的候选知识点全部发送给用户,但这样给用户回复的答案中包含很多无用信息以及重复信息,后期留给用户处理的工作量较大。
为此,参见附图3,本实施例增设了候选过滤模块310和答案排序模块320,以进一步提高维修知识备选集的质量。
具体地,候选过滤模块310主要用于获取发起对话请求的用户对应的第一待维修设备信息,第一待维修设备信息包括:设备种类、设备型号和/或设备年份,然后根据第一待维修设备信息对维修知识备选集中相似的候选知识点进行过滤。
答案排序模块320主要用于根据预先获取到的第二待维修设备信息、文本特征以及图谱信息,获得知识评分模型输出的各候选知识点对应的分数,根据分数对各候选知识点进行排序。
具体地,答案排序模块320实现对候选知识点排序的过程,具体如下:
第一步:获取发起对话请求的用户对应的第二待维修设备信息,本实施例中第二待维修设备信息包括:设备历史维修记录、设备常驻地、设备各部件性能和/或设备工作时长。
第二步:获取语义理解分析结果中用户输入信息对应的文本特征,本实施例中文本特征包括文本相似度、故障实体以及实体关系。
第三步:获取过滤后的维修知识备选集中候选知识点对应的图谱信息,本实施例中图谱信息包括故障实体的父节点、子节点等知识图谱信息。
第四步:将第二待维修设备信息、文本特征和图谱信息输入知识评分模型,得到知识评分模型输出的各候选知识点对应的分数;其中,知识评分模型是基于第二待维修设备信息样本数据、文本特征样本数据和图谱信息样本数据以及对应的得分结果对深度学习网络进行训练得到的。
第五步:根据各候选知识点对应的分数,对维修知识备选集中的候选知识点进行排序。
由此可见,本发明实施例提供的维修知识推荐装置具体通过用户上下文语义信息来解决信息不连贯导致的召回备选集质量低的问题,同时,通过第一待维修设备信息来解决相似知识点难以区分的问题,并通过第二待维修设备信息、图谱信息和文本特征融合的方式为各候选知识点打分,从而根据分数对答案进行排序,获得的维修答案更加准确,从而有效提高了维修排故的成功率。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行维修知识推荐方法,该方法包括:获取历史维修数据,从历史维修数据中抽取故障相关的实体、关系以及知识点,构建得到维修图谱;分别获取先前轮次对话和当前轮次对话中用户输入信息,并对各轮次对话中用户输入信息进行语义理解分析;根据各轮次对话中用户输入信息的语义理解分析结果,从维修图谱中对候选知识点进行多路召回,得到维修知识备选集;其中,多路召回包括知识图谱召回、向量召回和/或倒排索引召回;根据维修知识备选集生成维修回复信息,并将维修回复信息输出。
此外,上述的存储器430中的逻辑指令可以通过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,本发明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,包括若干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)执行本发明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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的维修知识推荐方法,该方法包括:获取历史维修数据,从历史维修数据中抽取故障相关的实体、关系以及知识点,构建得到维修图谱;分别获取先前轮次对话和当前轮次对话中用户输入信息,并对各轮次对话中用户输入信息进行语义理解分析;根据各轮次对话中用户输入信息的语义理解分析结果,从维修图谱中对候选知识点进行多路召回,得到维修知识备选集;其中,多路召回包括知识图谱召回、向量召回和/或倒排索引召回;根据维修知识备选集生成维修回复信息,并将维修回复信息输出。
又一方面,本发明还提供一种非暂态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以执行上述各提供的维修知识推荐方法,该方法包括:获取历史维修数据,从历史维修数据中抽取故障相关的实体、关系以及知识点,构建得到维修图谱;分别获取先前轮次对话和当前轮次对话中用户输入信息,并对各轮次对话中用户输入信息进行语义理解分析;根据各轮次对话中用户输入信息的语义理解分析结果,从维修图谱中对候选知识点进行多路召回,得到维修知识备选集;其中,多路召回包括知识图谱召回、向量召回和/或倒排索引召回;根据维修知识备选集生成维修回复信息,并将维修回复信息输出。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干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)执行各个实施例或者实施例的某些部分所述的方法。
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,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种维修知识推荐方法,其特征在于,包括:
获取历史维修数据,从所述历史维修数据中抽取故障相关的实体、关系以及知识点,构建得到维修图谱;
分别获取先前轮次对话和当前轮次对话中用户输入信息,并对各轮次对话中用户输入信息进行语义理解分析;
根据各轮次对话中用户输入信息的语义理解分析结果,从所述维修图谱中对候选知识点进行多路召回,得到维修知识备选集;其中,所述多路召回包括知识图谱召回、向量召回和倒排索引召回;
根据所述维修知识备选集生成维修回复信息,并将所述维修回复信息输出;
根据各轮次对话中用户输入信息的语义理解分析结果,从所述维修图谱中对候选知识点进行多路召回,得到维修知识备选集的过程,包括:
从所述语义理解分析结果中提取各轮次对话涉及的实体,根据所述各轮次对话涉及的实体,从所述维修图谱中对候选知识点进行知识图谱召回,得到第一召回结果;
从所述语义理解分析结果中提取各轮次对话涉及的语义信息,将先前轮次对话涉及的语义信息与当前轮次对话涉及的语义信息进行拼接和向量化表示,并从所述维修图谱中对候选知识点进行向量召回,得到第二召回结果;
从所述语义理解分析结果中获取用户意图,并根据用户意图确定索引范围,在所述索引范围内从所述维修图谱中对候选知识点进行倒排索引召回,得到第三召回结果;
根据所述第一召回结果、第二召回结果和第三召回结果,构建得到维修知识备选集;
第一待维修设备信息包括:设备种类、设备型号和/或设备年份;
第二待维修设备信息包括:设备历史维修记录、设备常驻地、设备各部件性能和/或设备工作时长。
2.根据权利要求1所述的一种维修知识推荐方法,其特征在于,根据所述维修知识备选集生成维修回复信息,并将所述维修回复信息输出之前,还包括:
获取发起对话请求的用户对应的所述第一待维修设备信息,根据所述第一待维修设备信息对所述维修知识备选集中相似的候选知识点进行过滤。
3.根据权利要求2所述的一种维修知识推荐方法,其特征在于,根据所述维修知识备选集生成维修回复信息,并将所述维修回复信息输出之前,还包括:
获取发起对话请求的用户对应的所述第二待维修设备信息;
获取所述语义理解分析结果中用户输入信息对应的文本特征;
获取过滤后的维修知识备选集中候选知识点对应的图谱信息;
将所述第二待维修设备信息、文本特征和图谱信息输入知识评分模型,得到所述知识评分模型输出的各候选知识点对应的分数;其中,所述知识评分模型是基于第二待维修设备信息样本数据、文本特征样本数据和图谱信息样本数据以及对应的得分结果对深度学习网络进行训练得到的;
根据各候选知识点对应的分数,对所述维修知识备选集中的候选知识点进行排序。
4.根据权利要求3所述的一种维修知识推荐方法,其特征在于,根据所述维修知识备选集生成维修回复信息,并将所述维修回复信息输出的过程,包括:
获取所述维修知识备选集中候选知识点对应的分数最高值;
将所述分数最高值与预设的分数阈值范围进行比较,若所述分数最高值大于分数阈值最大值,则输出确定答案的话术及分数最高的候选知识点对应的维修答案;
若所述分数最高值在所述分数阈值范围内且所述维修知识备选集中候选知识点数量小于预设的数量阈值,则输出返回候选的话术及候选知识点;
若所述分数最高值小于分数阈值最小值且所述维修知识备选集中有实体命中,则输出追问实体的话术;
若所述分数最高值小于分数阈值最小值且所述维修知识备选集中无实体命中,则输出不能回答的话术。
5.一种维修知识推荐装置,其特征在于,包括:
图谱构建模块,用于获取历史维修数据,从所述历史维修数据中抽取故障相关的实体、关系以及知识点,构建得到维修图谱;
语义理解模块,用于分别获取先前轮次对话和当前轮次对话中用户输入信息,并对各轮次对话中用户输入信息进行语义理解分析;
多路召回模块,用于根据各轮次对话中用户输入信息的语义理解分析结果,从所述维修图谱中对候选知识点进行多路召回,得到维修知识备选集;其中,所述多路召回包括知识图谱召回、向量召回和倒排索引召回;
回复生成模块,用于根据所述维修知识备选集生成维修回复信息,并将所述维修回复信息输出;
根据各轮次对话中用户输入信息的语义理解分析结果,从所述维修图谱中对候选知识点进行多路召回,得到维修知识备选集的过程,包括:
从所述语义理解分析结果中提取各轮次对话涉及的实体,根据所述各轮次对话涉及的实体,从所述维修图谱中对候选知识点进行知识图谱召回,得到第一召回结果;
从所述语义理解分析结果中提取各轮次对话涉及的语义信息,将先前轮次对话涉及的语义信息与当前轮次对话涉及的语义信息进行拼接和向量化表示,并从所述维修图谱中对候选知识点进行向量召回,得到第二召回结果;
从所述语义理解分析结果中获取用户意图,并根据用户意图确定索引范围,在所述索引范围内从所述维修图谱中对候选知识点进行倒排索引召回,得到第三召回结果;
根据所述第一召回结果、第二召回结果和第三召回结果,构建得到维修知识备选集;
第一待维修设备信息包括:设备种类、设备型号和/或设备年份;
第二待维修设备信息包括:设备历史维修记录、设备常驻地、设备各部件性能和/或设备工作时长。
6.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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4任一项所述维修知识推荐方法的步骤。
7.一种非暂态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如权利要求1至4任一项所述维修知识推荐方法的步骤。
8.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述维修知识推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111138570.3A CN113946651B (zh) | 2021-09-27 | 2021-09-27 | 维修知识推荐方法、装置、电子设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111138570.3A CN113946651B (zh) | 2021-09-27 | 2021-09-27 | 维修知识推荐方法、装置、电子设备、介质及产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113946651A CN113946651A (zh) | 2022-01-18 |
CN113946651B true CN113946651B (zh) | 2024-05-10 |
Family
ID=79329429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111138570.3A Active CN113946651B (zh) | 2021-09-27 | 2021-09-27 | 维修知识推荐方法、装置、电子设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113946651B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115774996B (zh) * | 2022-12-05 | 2023-07-25 | 英仕互联(北京)信息技术有限公司 | 智能面试的追问题目生成方法、装置和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509519A (zh) * | 2018-03-09 | 2018-09-07 | 北京邮电大学 | 基于深度学习的通用知识图谱增强问答交互系统及方法 |
WO2021000676A1 (zh) * | 2019-07-03 | 2021-01-07 | 平安科技(深圳)有限公司 | 问答方法、问答装置、计算机设备及存储介质 |
CN112785397A (zh) * | 2021-03-09 | 2021-05-11 | 中国工商银行股份有限公司 | 一种产品推荐方法、装置及存储介质 |
CN112786194A (zh) * | 2021-01-28 | 2021-05-11 | 北京一脉阳光医学信息技术有限公司 | 基于人工智能的医学影像导诊导检系统、方法及设备 |
CN113032538A (zh) * | 2021-03-11 | 2021-06-25 | 五邑大学 | 一种基于知识图谱的话题转移方法、控制器及存储介质 |
CN113127646A (zh) * | 2021-04-20 | 2021-07-16 | 清华大学 | 基于知识图谱的智能对话推荐方法及装置 |
CN113268609A (zh) * | 2021-06-22 | 2021-08-17 | 中国平安人寿保险股份有限公司 | 基于知识图谱的对话内容推荐方法、装置、设备及介质 |
-
2021
- 2021-09-27 CN CN202111138570.3A patent/CN113946651B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509519A (zh) * | 2018-03-09 | 2018-09-07 | 北京邮电大学 | 基于深度学习的通用知识图谱增强问答交互系统及方法 |
WO2021000676A1 (zh) * | 2019-07-03 | 2021-01-07 | 平安科技(深圳)有限公司 | 问答方法、问答装置、计算机设备及存储介质 |
CN112786194A (zh) * | 2021-01-28 | 2021-05-11 | 北京一脉阳光医学信息技术有限公司 | 基于人工智能的医学影像导诊导检系统、方法及设备 |
CN112785397A (zh) * | 2021-03-09 | 2021-05-11 | 中国工商银行股份有限公司 | 一种产品推荐方法、装置及存储介质 |
CN113032538A (zh) * | 2021-03-11 | 2021-06-25 | 五邑大学 | 一种基于知识图谱的话题转移方法、控制器及存储介质 |
CN113127646A (zh) * | 2021-04-20 | 2021-07-16 | 清华大学 | 基于知识图谱的智能对话推荐方法及装置 |
CN113268609A (zh) * | 2021-06-22 | 2021-08-17 | 中国平安人寿保险股份有限公司 | 基于知识图谱的对话内容推荐方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
基于图数据库的知识图谱管理系统构建分析;董登奎;王清;;信息系统工程;20200420(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113946651A (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112199375B (zh) | 跨模态的数据处理方法、装置、存储介质以及电子装置 | |
CN111858869B (zh) | 一种数据匹配方法、装置、电子设备和存储介质 | |
CN116737908A (zh) | 知识问答方法、装置、设备和存储介质 | |
CN111078837A (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 | |
CN111309887B (zh) | 一种训练文本关键内容提取模型的方法和系统 | |
CN110019728B (zh) | 自动交互方法及存储介质、终端 | |
CN114092742B (zh) | 一种基于多角度的小样本图像分类装置和方法 | |
CN102279889A (zh) | 一种基于地理信息的问题推送方法及系统 | |
CN117076688A (zh) | 基于领域知识图谱的知识问答方法及其装置、电子设备 | |
CN113946651B (zh) | 维修知识推荐方法、装置、电子设备、介质及产品 | |
CN115905487A (zh) | 文档问答方法、系统、电子设备及存储介质 | |
CN109492085A (zh) | 基于数据处理的答案确定方法、装置、终端及存储介质 | |
CN112597292A (zh) | 问题回复推荐方法、装置、计算机设备和存储介质 | |
CN112115994A (zh) | 图像识别模型的训练方法、装置、服务器及存储介质 | |
CN116703075B (zh) | 电力调度决策方法、装置、电子设备及存储介质 | |
WO2020107836A1 (zh) | 基于 word2vec 的用户缺失画像的补充方法和相关设备 | |
CN118036756B (zh) | 大模型多轮对话的方法、装置、计算机设备及存储介质 | |
CN117312530B (zh) | 问卷调查、模型训练方法、装置、设备、介质及产品 | |
KR102446504B1 (ko) | 온라인 로르샤하 검사 시스템 및 그 동작 방법 | |
CN111611354B (zh) | 人机对话控制方法、装置、服务器及可读存储介质 | |
CN117557132A (zh) | 客户服务语言质检方法、装置、电子设备及存储介质 | |
CN117972044A (zh) | 基于知识增强的视觉问答方法及平台 | |
CN116127025A (zh) | 意图识别方法、应答方法、设备及存储介质 | |
CN116975269A (zh) | 文本处理方法及装置、智能设备、存储介质、产品 | |
CN115134247A (zh) | 节点识别方法、装置、电子设备及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |