CN114020892A - 基于人工智能的答案选取方法、装置、电子设备及介质 - Google Patents
基于人工智能的答案选取方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114020892A CN114020892A CN202111307256.3A CN202111307256A CN114020892A CN 114020892 A CN114020892 A CN 114020892A CN 202111307256 A CN202111307256 A CN 202111307256A CN 114020892 A CN114020892 A CN 114020892A
- Authority
- CN
- China
- Prior art keywords
- question
- user
- answer
- determining
- target
- 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
- 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
- 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
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及人工智能技术领域,提供一种基于人工智能的答案选取方法、装置、电子设备及介质,所述方法包括:获取用户输入的问题文本,并确定问题文本对应的问题关键词;基于问题关键词,确定多个匹配问题;计算问题文本与每个匹配问题之间的相似度,并基于相似度在所述多个匹配问题中确定目标问题;确定目标问题对应的多个问题答案,并基于所述多个问题答案在预先构建好的问题知识库中进行知识推理,得到每个问题答案对应的目标用户特征;计算所述用户信息与每个问题答案对应的目标用户特征之间的匹配值;基于所述匹配值,在所述多个问题答案中确定目标答案。本申请提高了提高答案选取的准确率。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种基于人工智能的答案选取方法、装置、电子设备及介质。
背景技术
随着信息技术的快速发展,为了方便用户快速精准地找到想要的信息,搜索引擎一般会提供智能问答服务。目前搜索引擎的智能问答服务一般是基于用户输入的问题,通过在已有的问答数据库中进行查找匹配,获取到与用户输入的问题匹配的解答文本,并反馈给用户。
但是在实际应用中,针对同一问题可能有多个不同的答案,例如:多个人分别给出答案。而针对同一问题,答案的质量也不相同,例如:由于每个人对问题的了解程度、自身知识储备、回答态度等不同,造成答案质量也不同。所以如何从所有的答案中筛选出质量和准确度较高的答案成为目前亟待解决的问题。
发明内容
鉴于以上内容,有必要提出一种基于人工智能的答案选取方法、装置、电子设备及介质,根据用户对应的用户特征,从所有的答案中筛选出质量和准确度较高的答案,提高答案选取的准确率。
第一方面,本申请提供了一种基于人工智能的答案选取方法,所述方法包括:
获取用户输入的问题文本,并确定所述问题文本对应的问题关键词;
基于预先构建的关键词索引列表,确定所述问题关键词对应的索引编号,并基于所述索引编号得到多个匹配问题;
计算所述问题文本与每个所述匹配问题之间的相似度,并基于所述相似度在所述多个匹配问题中确定目标问题;
确定所述目标问题对应的多个问题答案,并基于所述多个问题答案在预先构建好的问题知识库中进行知识推理,得到每个所述问题答案对应的目标用户特征;
获取所述用户对应的用户信息,并计算所述用户信息与每个所述问题答案对应的目标用户特征之间的匹配值;
基于所述匹配值,在所述多个问题答案中确定目标答案。
根据本申请的一个可选的实施方式,所述计算所述用户信息与每个所述问题答案对应的目标用户特征之间的匹配值包括:
确定所述问题答案对应的目标用户特征的特征维度和所述特征维度对应的维度权重;
将所述目标用户特征确定为节点,并基于所述特征维度和所述维度权重确定所述节点对应的权重;
根据所述节点和所述节点对应的权重,构建所述问题答案对应的用户特征树;
根据所述用户对应的用户信息和所述用户特征树,确定所述用户与所述问题答案之间的匹配值。
根据本申请的一个可选的实施方式,所述根据所述用户对应的用户信息和所述用户特征树,确定所述用户与所述问题答案之间的匹配值包括:
基于所述用户对应的用户信息,确定所述用户对应的用户特征;
根据所述用户特征遍历所述用户特征树,确定所述用户特征树中是否存在与所述用户特征匹配的目标用户特征;
若所述用户特征树中存在与所述用户特征匹配的目标用户特征,基于所述目标用户特征确定所述用户与所述问题答案之间的匹配值。
根据本申请的一个可选的实施方式,所述确定所述问题文本对应的问题关键词包括:
对所述问题文本进行分词处理,得到多个分词;
根据预设同义词库中的词对所述多个分词进行替换处理,得到处理后的分词;
基于预设停用词库中的词对所述处理后的分词进行停用词处理,得到所述问题文本对应的问题关键词。
根据本申请的一个可选的实施方式,所述计算所述问题文本与每个匹配问题之间的相似度包括:
对问题文本进行分词处理得到第一分词结果及对每个匹配问题进行分词处理得到多个第二分词结果;
基于word2vector提取所述第一分词结果中的词向量,得到第一词向量;
基于word2vector提取每个所述第二分词结果中的词向量,得到多个第二词向量;
根据所述第一词向量和所述多个第二词向量,计算所述问题文本与每个匹配问题之间的相似度。
根据本申请的一个可选的实施方式,基于所述多个问题答案在预先构建好的问题知识库中进行知识推理之前,所述方法包括:
基于埋点,确定问题答案对应的浏览用户;
计算所述浏览用户对所述问题答案的浏览时间;
若所述浏览时间大于或等于预设浏览时长,获取所述浏览用户对应的用户信息;
基于所述用户信息,确定用户特征;
基于所述问题答案和所述用户特征,构建问题知识库。
根据本申请的一个可选的实施方式,所述基于所述匹配值,在所述多个问题答案中确定目标答案包括:
若一问题答案与所述用户之间的匹配值大于或等于匹配度阈值,确定所述问题答案为目标答案;
若有多个目标答案,基于每个所述目标答案与所述用户的匹配度,对所述多个目标答案进行排序;
根据排序的顺序,向所述用户显示所述多个目标答案。
第二方面,本申请提供了一种基于人工智能的答案选取装置,所述装置包括:
文本获取模块,用于获取用户输入的问题文本,并确定所述问题文本对应的问题关键词;
问题匹配模块,用于基于预先构建的关键词索引列表,确定所述问题关键词对应的索引编号,并基于所述索引编号得到多个匹配问题;
问题确定模块,用于计算所述问题文本与每个所述匹配问题之间的相似度,并基于所述相似度在所述多个匹配问题中确定目标问题;
特征确定模块,用于确定所述目标问题对应的多个问题答案,并基于所述多个问题答案在预先构建好的问题知识库中进行知识推理,得到每个所述问题答案对应的目标用户特征;
特征匹配模块,用于获取所述用户对应的用户信息,并计算所述用户信息与每个所述问题答案对应的目标用户特征之间的匹配值;
答案确定模块,用于基于所述匹配值,在所述多个问题答案中确定目标答案。
第三方面,本申请提供了一种电子设备,所述电子设备包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现所述基于人工智能的答案选取方法。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述基于人工智能的答案选取方法。
综上所述,本申请所述的基于人工智能的答案选取方法、装置、电子设备及介质,通过获取用户输入的问题文本,并确定问题文本对应的问题关键词;基于预先构建的关键词索引列表,确定所述问题关键词对应的索引编号,并基于所述索引编号得到多个匹配问题,通过问题关键词可以数据库中众多的问题中选择与用户的问题文本相关的问题,得到数量较少的匹配问题,从而减少计算问题文本与问题之间相似度的工作量;计算所述问题文本与每个匹配问题之间的相似度,并基于所述相似度在所述多个匹配问题中确定目标问题,目标问题为与问题文本相符程度最高的问题,提高了目标问题的准确率;接着确定所述目标问题对应的多个问题答案,并基于所述多个问题答案在预先构建好的问题知识库中进行知识推理,得到每个所述问题答案对应的目标用户特征;计算用户对应的用户信息与每个所述问题答案对应的目标用户特征之间的匹配值;基于所述匹配值,在所述多个问题答案中确定目标答案;目标用户特征用于表示问题答案的适用人群对应的特征,将目标用户特征与所述用户对应的用户特征进行对比,确定问题答案与所述用户的适用程度,即匹配度,可以提高确定目标答案的效率。
附图说明
图1是本申请实施例一提供的基于人工智能的答案选取方法的流程图。
图2是本申请实施例二提供的基于人工智能的答案选取装置的结构图。
图3是本申请实施例三提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和具体实施例对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
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申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述在一个可选的实施方式中实施例的目的,不是旨在于限制本申请。
本申请实施例提供的基于人工智能的答案选取方法由电子设备执行,相应地,基于人工智能的答案选取装置运行于电子设备中。所述电子设备可以包括手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等。
本申请实施例可以基于人工智能技术对用户输入的问题文本进行处理,得到所述问题文本对应的目标答案。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。
实施例一
图1是本申请实施例一提供的基于人工智能的答案选取方法的流程图。所述基于人工智能的答案选取方法具体包括以下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些可以省略。
S11,获取用户输入的问题文本,并确定所述问题文本对应的问题关键词。
示例性的,获取用户在搜索引擎的输入窗口输入的问题文本,并确定问题文本中的问题关键词。所述问题关键词可以为所述问题文本中预设词性的词,预测词性可以包括名词、动词、形容词。问题关键词可以表示问题文本的基本意思。例如,问题文本为“根据后退N帧协议实现可靠数据传输的原理是什么啊”,该文本对应的问题关键词为“根据后退N帧协议实现可靠数据传输原理”。
在一个可选的实施方式中,所述确定所述问题文本对应的问题关键词包括:
对所述问题文本进行分词处理,得到多个分词;
根据预设同义词库中的词对所述多个分词进行替换处理,得到处理后的分词;
基于预设停用词库中的词对所述处理后的分词进行停用词处理,得到所述问题文本对应的问题关键词。
示例性的,可以采用结巴分词工具对问题文本进行分词处理,得到多个分词,分词可以为一个字,两个字,三个及以上的字组成的词。接着,电子设备将每个分词与同义词库中的每个词进行匹配,查询所述同义词库中是否存在分词对应的同义词,将分词替换为对应的同义词。替换后的同义词的适用性高于替换前的分词,指代性更明确,替换后的同义词更通用。例如,将问题关键词中分词“后退N帧协议”替换为同义词“GBN协议”。
使用停用词库去除问题文本中不表达任何含义的词汇,如去除问题文本中的虚词和副词。如“的”,“啊”等。
例如,问题文本为“根据后退N帧协议实现可靠数据传输的原理是什么啊”,对问题文本进行分词处理、替换处理、通用词处理后得到所述问题文本对应的问题关键词为“根据GBN协议实现可靠数据传输原理”。
S12,基于预先构建的关键词索引列表,确定所述问题关键词对应的索引编号,并基于所述索引编号得到多个匹配问题。
关键词索引列表是以问题关键词为键,以索引编号为值的列表,其中关键词索引列表包括问题关键词与索引编号之间的映射关系。基于问题关键词在关键词索引列表中进行查询,可以确定问题关键词对应的索引编号。基于索引编号可以提高确定匹配问题的速率,从而提高答案选取的速率。
示例性的,若所述问题文本包括多个问题关键词,可以基于预先构建的关键词索引列表,确定每个问题关键词对应的索引号,根据确定的多个索引号,得到所述问题文本对应的索引编号,并基于所述索引编号在预先设置的数据库中进行查找,得到多个匹配问题。例如,可以按照问题关键词的顺序,将所述问题关键词对应的多个索引号进行组合,得到所述问题文本对应的索引编号。
在一个可选的实施方式中,所述方法还包括:获取多个问题,每个所述问题包括问题关键词,为所述问题关键词分配对应的索引编号;根据所述索引编号与所述问题关键词构建所述关键词索引列表。
示例性的,根据所述问题关键词对应的索引编号,在搜索引擎对应的问题库中,查找与所述问题关键词匹配的多个问题。例如,可以查找问题关键词对应的问题领域,在所述问题领域中,查找与所述问题关键词匹配的多个问题。
问题库中可以记载索引编号对应的多个问题文本。在问答库中,每个索引编号对应多个问题,服务器在得到索引编号后,查询问题库,从问题库中提取出索引编号对应的多个匹配问题。
S13,计算所述问题文本与每个所述匹配问题之间的相似度,并基于所述相似度在所述多个匹配问题中确定目标问题。
示例性的,可以基于文本表示模型计算所述问题文本与每个匹配问题之间的相似度,或者可以基于相似度度量方法计算所述问题文本与每个匹配问题之间的相似度。所述相似度度量方法可以包括余弦相似度、欧几里得距离、最小编辑距离、杰拉德相似度等。
确定所述问题文本与每个匹配问题之间的相似度,并将于所述问题文本相似度最高的匹配问题,确定为目标问题。
在一个可选的实施方式中,所述计算所述问题文本与每个匹配问题之间的相似度包括:
对问题文本进行分词处理得到第一分词结果及对每个匹配问题进行分词处理得到多个第二分词结果;
基于word2vector提取所述第一分词结果中的词向量,得到第一词向量;
基于word2vector提取每个所述第二分词结果中的词向量,得到多个第二词向量;
根据所述第一词向量和所述多个第二词向量,计算所述问题文本与每个匹配问题之间的相似度。
示例性的,可以采用结巴分词工具对问题文本和每个匹配问题进行分词处理,得到多个词向量。其中,一个匹配问题有且仅有一个对应的第二分词结果。
word2vector是一种用来产生词向量的模型,可以将词转换为词向量,同时保证词之间的内在联系。一个第二分词结果有且仅有一个对应的第二词向量。示例性的,可以基于第一词向量与一第二词向量之间的距离,确定问题文本与该第二词向量对应的匹配问题之间的相似度。
S14,确定所述目标问题对应的多个问题答案,并基于所述多个问题答案在预先构建好的问题知识库中进行知识推理,得到每个所述问题答案对应的目标用户特征。
示例性的,将所述目标问题对应的多个问题答案分别输入预先构建好的问题知识库中进行知识推理,确定每个问题答案对应的目标用户,得到目标用户对应的目标用户特征。所述目标用户为问题答案所适用的用户,确定所述目标用户对应的目标用户特征,目标用户特征为目标用户具有的特征。其中,目标用户特征可以包括用户职位、用户工作、用户年龄、用户喜好、用户工作所属领域等等。
在一个可选的实施方式中,所述问题知识库中包括问题答案与目标用户特征之间的映射关系。一个问题答案可以对应一个或多个目标用户特征。
在一个可选的实施方式中,所述基于所述多个问题答案在预先构建好的问题知识库中进行知识推理之前,所述方法包括:
基于埋点,确定问题答案对应的浏览用户;
计算所述浏览用户对所述问题答案的浏览时间;
若所述浏览时间大于或等于预设浏览时长,获取所述浏览用户对应的用户信息;
基于所述用户信息,确定用户特征;
基于所述问题答案和所述用户特征,构建问题知识库。
示例性的,可以基于网页埋点,确定点击问题答案的用户,即确定问题答案对应的浏览用户。可以通过记录每个浏览用户在所述问题答案界面上停留的时间,计算所述浏览用户对所述问题答案的浏览时间。浏览用户在问题答案的浏览时间上停留的时间越长,该问题答案越适合该浏览用户的需求。若浏览时间大于或等于预设浏览时长,确定该问题答案符合该浏览用户的需求,确定所述浏览用户对应的用户信息,并从所述用户信息中提取所述用户对应的用户特征。根据所述问题答案与所述用户特征之前的映射关系,构建问题知识库。
S15,获取所述用户对应的用户信息,并计算所述用户信息与每个所述问题答案对应的目标用户特征之间的匹配值。
示例性的,确定用户对应的用户信息中的用户特征,所述用户特征可以包括用户职位、用户工作、用户年龄、用户喜好、用户工作所属领域等特征,例如,英语教师、工龄四年、28岁、摄影运动、教育领域。计算所述用户特征与问题答案对应的目标用户特征之间的匹配值。用户对应的用户特征与目标用户特征之间的匹配值越大,该目标用户特征对应的问题答案越适用于所述用户;用户对应的用户特征与目标用户特征之间的匹配值越小,该目标用户特征对应的问题答案越不适用于所述用户。
在一个可选的实施方式中,所述计算所述用户信息与每个所述问题答案对应的目标用户特征之间的匹配值包括:
确定所述问题答案对应的目标用户特征的特征维度和所述特征维度对应的维度权重;
将所述目标用户特征确定为节点,并基于所述特征维度和所述维度权重确定所述节点对应的权重;
根据所述节点和所述节点对应的权重,构建所述问题答案对应的用户特征树;
根据所述用户对应的用户信息和所述用户特征树,确定所述用户与所述问题答案之间的匹配值。
示例性的,可以预先根据用户特征的内容,设置特征维度表,特征维度表中记录了每个用户特征与特征维度之间的映射关系。确定浏览用户对应的多个目标用户特征后,可以根据目标用户特征去特征维度表中进行查询,确定每个目标用户特征对应的特征维度。可以预先设置,每个特征维度对应的维度权重。
特征维度高的目标用户特征对应的节点越靠近根节点,对应的维度权重也越大;特征维度低的目标用户特征对应的节点越远离根节点,对应的维度权重也越小。相同特征维度的目标用户特征对应的节点与根节点的距离相同,对应的维度权重也相同。
在一个可选的实施方式中,所述根据所述用户对应的用户信息和所述用户特征树,确定所述用户与所述问题答案之间的匹配值包括:
基于所述用户对应的用户信息,确定所述用户对应的用户特征;
根据所述用户特征遍历所述用户特征树,确定所述用户特征树中是否存在与所述用户特征匹配的目标用户特征;
若所述用户特征树中存在与所述用户特征匹配的目标用户特征,基于所述目标用户特征确定所述用户与所述问题答案之间的匹配值。
示例性的,若所述用户特征树中存在与所述用户特征匹配的目标用户特征,基于所述目标用户特征对应的维度权重,计算所述用户与所述问题答案之间的匹配值。例如,若若所述用户特征树中存在三个与所述用户特征匹配的目标用户特征,将所述三个目标用户特征对应的维度权重相加,得到用户与所述问题答案之间的匹配值。
S16,基于所述匹配值,在所述多个问题答案中确定目标答案。
所述目标答案可以包括一个或多个。一问题答案的目标用户特征与用户对应的用户特征的匹配值越大,该问题答案越适用于该用户提出的问题;一问题答案的目标用户特征与用户对应的用户特征的匹配值越小,该问题答案越不适用于该用户提出的问题。
在一个可选的实施方式中,所述基于所述匹配值,在所述多个问题答案中确定目标答案包括:
若一问题答案与所述用户之间的匹配值大于或等于匹配度阈值,确定所述问题答案为目标答案;
若有多个目标答案,基于每个所述目标答案与所述用户的匹配度,对所述多个目标答案进行排序;
根据排序的顺序,向所述用户显示所述多个目标答案。
若一问题答案与所述用户之间的匹配值小于所述匹配度阈值,确定所述问题答案不是目标答案。该问题答案与所述用户不匹配,对该用户来说,这个问题答案为无效答案。
示例性的,若存在多个目标答案,可以基于每个所述目标答案与所述用户的匹配度的大小,对所述多个目标答案进行倒序排序。匹配度大的目标答案排序在前,匹配度小的目标答案排序在后。根据排序的顺序,向用户显示所述多个目标答案,即排序在前的目标答案,显示的位置靠前,排序在后的目标答案,显示的位置靠后。
本申请所述的基于人工智能的答案选取方法,通过获取用户输入的问题文本,并确定问题文本对应的问题关键词;基于预先构建的关键词索引列表,确定所述问题关键词对应的索引编号,并基于所述索引编号得到多个匹配问题,通过问题关键词可以数据库中众多的问题中选择与用户的问题文本相关的问题,得到数量较少的匹配问题,从而减少计算问题文本与问题之间相似度的工作量;计算所述问题文本与每个匹配问题之间的相似度,并基于所述相似度在所述多个匹配问题中确定目标问题,目标问题为与问题文本相符程度最高的问题,提高了目标问题的准确率;接着确定所述目标问题对应的多个问题答案,并基于所述多个问题答案在预先构建好的问题知识库中进行知识推理,得到每个所述问题答案对应的目标用户特征;计算用户对应的用户信息与每个所述问题答案对应的目标用户特征之间的匹配值;基于所述匹配值,在所述多个问题答案中确定目标答案;目标用户特征用于表示问题答案的适用人群对应的特征,将目标用户特征与所述用户对应的用户特征进行对比,确定问题答案与所述用户的适用程度,即匹配度,可以提高确定目标答案的效率。
实施例二
图2是本申请实施例二提供的基于人工智能的答案选取装置的结构图。
在一些实施例中,所述基于人工智能的答案选取装置20可以包括多个由计算机程序段所组成的功能模块。所述基于人工智能的答案选取装置20中的各个程序段的计算机程序可以存储于电子设备的存储器中,并由至少一个处理器所执行,以执行(详见图1描述)基于人工智能的答案选取方法的功能。
本实施例中,所述基于人工智能的答案选取装置20根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:文本获取模块201、问题匹配模块202、问题确定模块203、特征确定模块204、特征匹配模块205及答案确定模块206。本申请所称的模块是指一种能够被至少一个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,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
文本获取模块201,用于获取用户输入的问题文本,并确定所述问题文本对应的问题关键词。
示例性的,获取用户在搜索引擎的输入窗口输入的问题文本,并确定问题文本中的问题关键词。所述问题关键词可以为所述问题文本中预设词性的词,预测词性可以包括名词、动词、形容词。问题关键词可以表示问题文本的基本意思。例如,问题文本为“根据后退N帧协议实现可靠数据传输的原理是什么啊”,该文本对应的问题关键词为“根据后退N帧协议实现可靠数据传输原理”。
在一个可选的实施方式中,文本获取模块201确定所述问题文本对应的问题关键词包括:
对所述问题文本进行分词处理,得到多个分词;
根据预设同义词库中的词对所述多个分词进行替换处理,得到处理后的分词;
基于预设停用词库中的词对所述处理后的分词进行停用词处理,得到所述问题文本对应的问题关键词。
示例性的,可以采用结巴分词工具对问题文本进行分词处理,得到多个分词,分词可以为一个字,两个字,三个及以上的字组成的词。接着,电子设备将每个分词与同义词库中的每个词进行匹配,查询所述同义词库中是否存在分词对应的同义词,将分词替换为对应的同义词。替换后的同义词的适用性高于替换前的分词,指代性更明确,替换后的同义词更通用。例如,将问题关键词中分词“后退N帧协议”替换为同义词“GBN协议”。
使用停用词库去除问题文本中不表达任何含义的词汇,如去除问题文本中的虚词和副词。如“的”,“啊”等。
例如,问题文本为“根据后退N帧协议实现可靠数据传输的原理是什么啊”,对问题文本进行分词处理、替换处理、通用词处理后得到所述问题文本对应的问题关键词为“根据GBN协议实现可靠数据传输原理”。
问题匹配模块202,用于基于预先构建的关键词索引列表,确定所述问题关键词对应的索引编号,并基于所述索引编号得到多个匹配问题。
关键词索引列表是以问题关键词为键,以索引编号为值的列表,其中关键词索引列表包括问题关键词与索引编号之间的映射关系。基于问题关键词在关键词索引列表中进行查询,可以确定问题关键词对应的索引编号。基于索引编号可以提高确定匹配问题的速率,从而提高答案选取的速率。
示例性的,若所述问题文本包括多个问题关键词,可以基于预先构建的关键词索引列表,确定每个问题关键词对应的索引号,根据确定的多个索引号,得到所述问题文本对应的索引编号,并基于所述索引编号在预先设置的数据库中进行查找,得到多个匹配问题。例如,可以按照问题关键词的顺序,将所述问题关键词对应的多个索引号进行组合,得到所述问题文本对应的索引编号。
在一个可选的实施方式中,所述问题匹配模块202还用于:获取多个问题,每个所述问题包括问题关键词,为所述问题关键词分配对应的索引编号;根据所述索引编号与所述问题关键词构建所述关键词索引列表。示例性的,根据所述问题关键词对应的索引编号,在搜索引擎对应的问题库中,查找与所述问题关键词匹配的多个问题。例如,可以查找问题关键词对应的问题领域,在所述问题领域中,查找与所述问题关键词匹配的多个问题。
问题库中可以记载索引编号对应的多个问题文本。在问答库中,每个索引编号对应多个问题,服务器在得到索引编号后,查询问题库,从问题库中提取出索引编号对应的多个匹配问题。
问题确定模块203,用于计算所述问题文本与每个所述匹配问题之间的相似度,并基于所述相似度在所述多个匹配问题中确定目标问题。
示例性的,可以基于文本表示模型计算所述问题文本与每个匹配问题之间的相似度,或者可以基于相似度度量方法计算所述问题文本与每个匹配问题之间的相似度。所述相似度度量方法可以包括余弦相似度、欧几里得距离、最小编辑距离、杰拉德相似度等。
确定所述问题文本与每个匹配问题之间的相似度,并将于所述问题文本相似度最高的匹配问题,确定为目标问题。
在一个可选的实施方式中,问题确定模块203计算所述问题文本与每个匹配问题之间的相似度包括:
对问题文本进行分词处理得到第一分词结果及对每个匹配问题进行分词处理得到多个第二分词结果;
基于word2vector提取所述第一分词结果中的词向量,得到第一词向量;
基于word2vector提取每个所述第二分词结果中的词向量,得到多个第二词向量;
根据所述第一词向量和所述多个第二词向量,计算所述问题文本与每个匹配问题之间的相似度。
示例性的,可以采用结巴分词工具对问题文本和每个匹配问题进行分词处理,得到多个词向量。其中,一个匹配问题有且仅有一个对应的第二分词结果。
word2vector是一种用来产生词向量的模型,可以将词转换为词向量,同时保证词之间的内在联系。一个第二分词结果有且仅有一个对应的第二词向量。示例性的,可以基于第一词向量与一第二词向量之间的距离,确定问题文本与该第二词向量对应的匹配问题之间的相似度。
特征确定模块204,用于确定所述目标问题对应的多个问题答案,并基于所述多个问题答案在预先构建好的问题知识库中进行知识推理,得到每个所述问题答案对应的目标用户特征。
示例性的,将所述目标问题对应的多个问题答案分别输入预先构建好的问题知识库中进行知识推理,确定每个问题答案对应的目标用户,得到目标用户对应的目标用户特征。所述目标用户为问题答案所适用的用户,确定所述目标用户对应的目标用户特征,目标用户特征为目标用户具有的特征。其中,目标用户特征可以包括用户职位、用户工作、用户年龄、用户喜好、用户工作所属领域等等。
在一个可选的实施方式中,所述问题知识库中包括问题答案与目标用户特征之间的映射关系。一个问题答案可以对应一个或多个目标用户特征。目标用户特征为该问题答案适用的用户具有的特征。
在一个可选的实施方式中,特征确定模块204基于所述多个问题答案在预先构建好的问题知识库中进行知识推理之前,所述特征确定模块204还用于:
基于埋点,确定问题答案对应的浏览用户;
计算所述浏览用户对所述问题答案的浏览时间;
若所述浏览时间大于或等于预设浏览时长,获取所述浏览用户对应的用户信息;
基于所述用户信息,确定用户特征;
基于所述问题答案和所述用户特征,构建问题知识库。
示例性的,可以基于网页埋点,确定点击问题答案的用户,即确定问题答案对应的浏览用户。可以通过记录每个浏览用户在所述问题答案界面上停留的时间,计算所述浏览用户对所述问题答案的浏览时间。浏览用户在问题答案的浏览时间上停留的时间越长,该问题答案越适合该浏览用户的需求。若浏览时间大于或等于预设浏览时长,确定该问题答案符合该浏览用户的需求,确定所述浏览用户对应的用户信息,并从所述用户信息中提取所述用户对应的用户特征。根据所述问题答案与所述用户特征之前的映射关系,构建问题知识库。
特征匹配模块205,用于获取所述用户对应的用户信息,并计算所述用户信息与每个所述问题答案对应的目标用户特征之间的匹配值。
示例性的,确定用户对应的用户信息中的用户特征,所述用户特征可以包括用户职位、用户工作、用户年龄、用户喜好、用户工作所属领域等特征,例如,英语教师、工龄四年、28岁、摄影运动、教育领域。计算所述用户特征与问题答案对应的目标用户特征之间的匹配值。用户对应的用户特征与目标用户特征之间的匹配值越大,该目标用户特征对应的问题答案越适用于所述用户;用户对应的用户特征与目标用户特征之间的匹配值越小,该目标用户特征对应的问题答案越不适用于所述用户。
在一个可选的实施方式中,特征匹配模块205计算所述用户信息与每个所述问题答案对应的目标用户特征之间的匹配值包括:
确定所述问题答案对应的目标用户特征的特征维度和所述特征维度对应的维度权重;
将所述目标用户特征确定为节点,并基于所述特征维度和所述维度权重确定所述节点对应的权重;
根据所述节点和所述节点对应的权重,构建所述问题答案对应的用户特征树;
根据所述用户对应的用户信息和所述用户特征树,确定所述用户与所述问题答案之间的匹配值。
示例性的,可以预先根据用户特征的内容,设置特征维度表,特征维度表中记录了每个用户特征与特征维度之间的映射关系。确定浏览用户对应的多个目标用户特征后,可以根据目标用户特征去特征维度表中进行查询,确定每个目标用户特征对应的特征维度。可以预先设置,每个特征维度对应的维度权重。
特征维度高的目标用户特征对应的节点越靠近根节点,对应的维度权重也越大;特征维度低的目标用户特征对应的节点越远离根节点,对应的维度权重也越小。相同特征维度的目标用户特征对应的节点与根节点的距离相同,对应的维度权重也相同。
在一个可选的实施方式中,特征匹配模块205根据所述用户对应的用户信息和所述用户特征树,确定所述用户与所述问题答案之间的匹配值包括:
基于所述用户对应的用户信息,确定所述用户对应的用户特征;
根据所述用户特征遍历所述用户特征树,确定所述用户特征树中是否存在与所述用户特征匹配的目标用户特征;
若所述用户特征树中存在与所述用户特征匹配的目标用户特征,基于所述目标用户特征确定所述用户与所述问题答案之间的匹配值。
示例性的,若所述用户特征树中存在与所述用户特征匹配的目标用户特征,基于所述目标用户特征对应的维度权重,计算所述用户与所述问题答案之间的匹配值。例如,若若所述用户特征树中存在三个与所述用户特征匹配的目标用户特征,将所述三个目标用户特征对应的维度权重相加,得到用户与所述问题答案之间的匹配值。
答案确定模块206,用于基于所述匹配值,在所述多个问题答案中确定目标答案。
所述目标答案可以包括一个或多个。一问题答案的目标用户特征与用户对应的用户特征的匹配值越大,该问题答案越适用于该用户提出的问题;一问题答案的目标用户特征与用户对应的用户特征的匹配值越小,该问题答案越不适用于该用户提出的问题。
在一个可选的实施方式中,答案确定模块206基于所述匹配值,在所述多个问题答案中确定目标答案包括:
若一问题答案与所述用户之间的匹配值大于或等于匹配度阈值,确定所述问题答案为目标答案;
若有多个目标答案,基于每个所述目标答案与所述用户的匹配度,对所述多个目标答案进行排序;
根据排序的顺序,向所述用户显示所述多个目标答案。
若一问题答案与所述用户之间的匹配值小于所述匹配度阈值,确定所述问题答案不是目标答案。该问题答案与所述用户不匹配,对该用户来说,这个问题答案为无效答案。
示例性的,若存在多个目标答案,可以基于每个所述目标答案与所述用户的匹配度的大小,对所述多个目标答案进行倒序排序。匹配度大的目标答案排序在前,匹配度小的目标答案排序在后。根据排序的顺序,向用户显示所述多个目标答案,即排序在前的目标答案,显示的位置靠前,排序在后的目标答案,显示的位置靠后。
本申请所述的基于人工智能的答案选取装置,通过获取用户输入的问题文本,并确定问题文本对应的问题关键词;基于预先构建的关键词索引列表,确定所述问题关键词对应的索引编号,并基于所述索引编号得到多个匹配问题,通过问题关键词可以数据库中众多的问题中选择与用户的问题文本相关的问题,得到数量较少的匹配问题,从而减少计算问题文本与问题之间相似度的工作量;计算所述问题文本与每个匹配问题之间的相似度,并基于所述相似度在所述多个匹配问题中确定目标问题,目标问题为与问题文本相符程度最高的问题,提高了目标问题的准确率;接着确定所述目标问题对应的多个问题答案,并基于所述多个问题答案在预先构建好的问题知识库中进行知识推理,得到每个所述问题答案对应的目标用户特征;计算用户对应的用户信息与每个所述问题答案对应的目标用户特征之间的匹配值;基于所述匹配值,在所述多个问题答案中确定目标答案;目标用户特征用于表示问题答案的适用人群对应的特征,将目标用户特征与所述用户对应的用户特征进行对比,确定问题答案与所述用户的适用程度,即匹配度,可以提高确定目标答案的效率。
实施例三
本实施例提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述基于人工智能的答案选取方法实施例中的步骤,例如图1所示的S11-S16:
S11,获取用户输入的问题文本,并确定所述问题文本对应的问题关键词;
S12,基于预先构建的关键词索引列表,确定所述问题关键词对应的索引编号,并基于所述索引编号得到多个匹配问题;
S13,计算所述问题文本与每个所述匹配问题之间的相似度,并基于所述相似度在所述多个匹配问题中确定目标问题;
S14,确定所述目标问题对应的多个问题答案,并基于所述多个问题答案在预先构建好的问题知识库中进行知识推理,得到每个所述问题答案对应的目标用户特征;
S15,获取所述用户对应的用户信息,并计算所述用户信息与每个所述问题答案对应的目标用户特征之间的匹配值;
S16,基于所述匹配值,在所述多个问题答案中确定目标答案。
或者,该计算机程序被处理器执行时实现上述装置实施例中各模块/单元的功能,例如图2中的模块201-206:
文本获取模块201,用于获取用户输入的问题文本,并确定所述问题文本对应的问题关键词;
问题匹配模块202,用于基于预先构建的关键词索引列表,确定所述问题关键词对应的索引编号,并基于所述索引编号得到多个匹配问题;
问题确定模块203,用于计算所述问题文本与每个所述匹配问题之间的相似度,并基于所述相似度在所述多个匹配问题中确定目标问题;
特征确定模块204,用于确定所述目标问题对应的多个问题答案,并基于所述多个问题答案在预先构建好的问题知识库中进行知识推理,得到每个所述问题答案对应的目标用户特征;
特征匹配模块205,用于获取所述用户对应的用户信息,并计算所述用户信息与每个所述问题答案对应的目标用户特征之间的匹配值;
答案确定模块206,用于基于所述匹配值,在所述多个问题答案中确定目标答案。
实施例四
参阅图3所示,为本申请实施例三提供的电子设备的结构示意图。在本申请较佳实施例中,所述电子设备3包括存储器31、至少一个处理器32、收发器33及至少一条通信总线34。
本领域技术人员应该了解,图3示出的电子设备的结构并不构成本申请实施例的限定,既可以是总线型结构,也可以是星形结构,所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述电子设备3是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备,所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是,所述电子设备3仅为举例,其他现有的或今后可能出现的电子产品如可适应于本申请,也应包含在本申请的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器31中存储有计算机程序,所述计算机程序被所述至少一个处理器32执行时实现如所述的基于人工智能的答案选取方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请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。
在一些实施例中,所述至少一个处理器32是所述电子设备3的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备3的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块,以及调用存储在所述存储器31内的数据,以执行电子设备3的各种功能和处理数据。例如,所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本申请实施例中所述的基于人工智能的答案选取方法的全部或者部分步骤;或者实现基于人工智能的答案选取装置的全部或者部分功能。所述至少一个处理器32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。
在一些实施例中,所述至少一条通信总线34被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出,所述电子设备3还可以包括给各个部件供电的电源(比如电池),优选的,电源可以通过电源管理装置与所述至少一个处理器32逻辑相连,从而通过电源管理装置实现管理充电、放电、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3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。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块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,电子设备,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分。
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,所述模块的划分,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。
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,既可以位于一个地方,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,在本申请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,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请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申请。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,本申请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申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。说明书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。第一,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申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的答案选取方法,其特征在于,所述方法包括:
获取用户输入的问题文本,并确定所述问题文本对应的问题关键词;
基于预先构建的关键词索引列表,确定所述问题关键词对应的索引编号,并基于所述索引编号得到多个匹配问题;
计算所述问题文本与每个所述匹配问题之间的相似度,并基于所述相似度在所述多个匹配问题中确定目标问题;
确定所述目标问题对应的多个问题答案,并基于所述多个问题答案在预先构建好的问题知识库中进行知识推理,得到每个所述问题答案对应的目标用户特征;
获取所述用户对应的用户信息,并计算所述用户信息与每个所述问题答案对应的目标用户特征之间的匹配值;
基于所述匹配值,在所述多个问题答案中确定目标答案。
2.如权利要求1所述的基于人工智能的答案选取方法,其特征在于,所述计算所述用户信息与每个所述问题答案对应的目标用户特征之间的匹配值包括:
确定所述问题答案对应的目标用户特征的特征维度和所述特征维度对应的维度权重;
将所述目标用户特征确定为节点,并基于所述特征维度和所述维度权重确定所述节点对应的权重;
根据所述节点和所述节点对应的权重,构建所述问题答案对应的用户特征树;
根据所述用户对应的用户信息和所述用户特征树,确定所述用户与所述问题答案之间的匹配值。
3.如权利要求2所述的基于人工智能的答案选取方法,其特征在于,所述根据所述用户对应的用户信息和所述用户特征树,确定所述用户与所述问题答案之间的匹配值包括:
基于所述用户对应的用户信息,确定所述用户对应的用户特征;
根据所述用户特征遍历所述用户特征树,确定所述用户特征树中是否存在与所述用户特征匹配的目标用户特征;
若所述用户特征树中存在与所述用户特征匹配的目标用户特征,基于所述目标用户特征确定所述用户与所述问题答案之间的匹配值。
4.如权利要求1所述的基于人工智能的答案选取方法,其特征在于,所述确定所述问题文本对应的问题关键词包括:
对所述问题文本进行分词处理,得到多个分词;
根据预设同义词库中的词对所述多个分词进行替换处理,得到处理后的分词;
基于预设停用词库中的词对所述处理后的分词进行停用词处理,得到所述问题文本对应的问题关键词。
5.如权利要求1所述的基于人工智能的答案选取方法,其特征在于,所述计算所述问题文本与每个所述匹配问题之间的相似度包括:
对问题文本进行分词处理得到第一分词结果及对每个匹配问题进行分词处理得到多个第二分词结果;
基于word2vector提取所述第一分词结果中的词向量,得到第一词向量;
基于word2vector提取每个所述第二分词结果中的词向量,得到多个第二词向量;
根据所述第一词向量和所述多个第二词向量,计算所述问题文本与每个匹配问题之间的相似度。
6.如权利要求1所述的基于人工智能的答案选取方法,其特征在于,基于所述多个问题答案在预先构建好的问题知识库中进行知识推理之前,所述方法包括:
基于埋点,确定问题答案对应的浏览用户;
计算所述浏览用户对所述问题答案的浏览时间;
若所述浏览时间大于或等于预设浏览时长,获取所述浏览用户对应的用户信息;
基于所述用户信息,确定用户特征;
基于所述问题答案和所述用户特征,构建问题知识库。
7.如权利要求1至6中任意一项所述的基于人工智能的答案选取方法,其特征在于,所述基于所述匹配值,在所述多个问题答案中确定目标答案包括:
若一问题答案与所述用户之间的匹配值大于或等于匹配度阈值,确定所述问题答案为目标答案;
若有多个目标答案,基于每个所述目标答案与所述用户的匹配度,对所述多个目标答案进行排序;
根据排序的顺序,向所述用户显示所述多个目标答案。
8.一种基于人工智能的答案选取装置,其特征在于,所述装置包括:
文本获取模块,用于获取用户输入的问题文本,并确定所述问题文本对应的问题关键词;
问题匹配模块,用于基于预先构建的关键词索引列表,确定所述问题关键词对应的索引编号,并基于所述索引编号得到多个匹配问题;
问题确定模块,用于计算所述问题文本与每个所述匹配问题之间的相似度,并基于所述相似度在所述多个匹配问题中确定目标问题;
特征确定模块,用于确定所述目标问题对应的多个问题答案,并基于所述多个问题答案在预先构建好的问题知识库中进行知识推理,得到每个所述问题答案对应的目标用户特征;
特征匹配模块,用于获取所述用户对应的用户信息,并计算所述用户信息与每个所述问题答案对应的目标用户特征之间的匹配值;
答案确定模块,用于基于所述匹配值,在所述多个问题答案中确定目标答案。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述基于人工智能的答案选取方法。
10.一种计算机可读存储介质,所述计算机可读存储介质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7中任意一项所述基于人工智能的答案选取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111307256.3A CN114020892A (zh) | 2021-11-05 | 2021-11-05 | 基于人工智能的答案选取方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111307256.3A CN114020892A (zh) | 2021-11-05 | 2021-11-05 | 基于人工智能的答案选取方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114020892A true CN114020892A (zh) | 2022-02-08 |
Family
ID=80061744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111307256.3A Pending CN114020892A (zh) | 2021-11-05 | 2021-11-05 | 基于人工智能的答案选取方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114020892A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235242A (zh) * | 2023-11-15 | 2023-12-15 | 浙江力石科技股份有限公司 | 一种基于智能问答数据库的热点信息筛选方法及系统 |
CN117235287A (zh) * | 2023-11-13 | 2023-12-15 | 悦享星光(北京)科技有限公司 | 一种人工智能问答知识库的建立方法及系统 |
-
2021
- 2021-11-05 CN CN202111307256.3A patent/CN114020892A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235287A (zh) * | 2023-11-13 | 2023-12-15 | 悦享星光(北京)科技有限公司 | 一种人工智能问答知识库的建立方法及系统 |
CN117235287B (zh) * | 2023-11-13 | 2024-01-30 | 悦享星光(北京)科技有限公司 | 一种人工智能问答知识库的建立方法及系统 |
CN117235242A (zh) * | 2023-11-15 | 2023-12-15 | 浙江力石科技股份有限公司 | 一种基于智能问答数据库的热点信息筛选方法及系统 |
CN117235242B (zh) * | 2023-11-15 | 2024-02-06 | 浙江力石科技股份有限公司 | 一种基于智能问答数据库的热点信息筛选方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108804641B (zh) | 一种文本相似度的计算方法、装置、设备和存储介质 | |
CN111708873A (zh) | 智能问答方法、装置、计算机设备和存储介质 | |
CN111984793A (zh) | 文本情感分类模型训练方法、装置、计算机设备及介质 | |
CN111639486A (zh) | 段落搜索方法、装置、电子设备及存储介质 | |
CN112149409B (zh) | 医疗词云生成方法、装置、计算机设备及存储介质 | |
CN113627797B (zh) | 入职员工画像生成方法、装置、计算机设备及存储介质 | |
CN114020892A (zh) | 基于人工智能的答案选取方法、装置、电子设备及介质 | |
CN114880447A (zh) | 信息检索方法、装置、设备及存储介质 | |
CN114663223A (zh) | 基于人工智能的信用风险评估方法、装置及相关设备 | |
CN110795544B (zh) | 内容搜索方法、装置、设备和存储介质 | |
CN116821373A (zh) | 基于图谱的prompt推荐方法、装置、设备及介质 | |
CN114706985A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN112948553B (zh) | 法律智能问答方法、装置、电子设备及存储介质 | |
CN113486659A (zh) | 文本匹配方法、装置、计算机设备及存储介质 | |
CN112632264A (zh) | 智能问答方法、装置、电子设备及存储介质 | |
CN111931034A (zh) | 数据搜索方法、装置、设备及存储介质 | |
CN116628162A (zh) | 语义问答方法、装置、设备及存储介质 | |
WO2023279692A1 (zh) | 基于问答平台的数据处理方法、装置及相关设备 | |
CN115658858A (zh) | 基于人工智能的对话推荐方法及相关设备 | |
CN114139530A (zh) | 同义词提取方法、装置、电子设备及存储介质 | |
US20230018116A1 (en) | Systems and methods for synthesizing cross domain collective intelligence | |
CN114003712A (zh) | 基于人工智能的文档搜索方法、装置、设备及存储介质 | |
CN114492446A (zh) | 法律文书处理方法、装置、电子设备及存储介质 | |
CN114372082A (zh) | 基于人工智能的数据查询方法、装置、电子设备及介质 | |
CN113705692A (zh) | 基于人工智能的情感分类方法、装置、电子设备及介质 |
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 |