CN114117019A - 智能问答的处理方法、装置、设备及存储介质 - Google Patents
智能问答的处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114117019A CN114117019A CN202111493016.7A CN202111493016A CN114117019A CN 114117019 A CN114117019 A CN 114117019A CN 202111493016 A CN202111493016 A CN 202111493016A CN 114117019 A CN114117019 A CN 114117019A
- Authority
- CN
- China
- Prior art keywords
- answer result
- answer
- determining
- result set
- question 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.)
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供的一种智能问答的处理方法、装置、设备及存储介质,涉及智能服务技术领域。该方法包括:通过获取用户输入的问题信息,根据预设的语义关联矩阵确定初步的答案结果集合;其中,语义关联矩阵表征问题信息、问题信息所关联的答案结果两者之间的关系;答案结果集合中包括多个答案结果;根据初步的答案结果集合和决策规则表,确定最小范围的答案结果集合;其中,最小范围的答案结果集合中的答案结果的数量小于初步的答案结果集合中的答案结果的数量;根据最小范围的答案结果集合和条件属性,确定并显示最优的答案结果;其中,条件属性表征问题信息的特征。采用本技术方案,能够快速且准确地根据用户提出的问题确定与之对应的答案。
Description
技术领域
本申请涉及智能服务技术领域,尤其涉及一种智能问答的处理方法、装置、设备及存储介质。
背景技术
随着互联网和人工智能技术的飞速发展,机器人在智能咨询、导航及交易办理等方面扮演着非常重要的角色,但是智能问答目前在关键技术上还存在一些缺陷。
比如问题匹配这个问题,常用的方式有两种,其中一种是采用深度学习算法,另一种是采用模版匹配的方法。对于深度学习算法,目前智能问答场景级的问题库不足以支撑深度学习模型的训练,因此,无法使得深度学习模型输出比较准确的结果;对于模版匹配的方法,需要运维人员手工编写大量的扩展问题和答案,工作量比较巨大且需要耗费较多的人力资源。
因此,亟需一种答案结果匹配方法,能够快速且准确地根据用户提出的问题确定与之对应的答案。
发明内容
本申请提供一种智能问答的处理方法、装置、设备及存储介质,能够快速且准确地根据用户提出的问题确定与之对应的答案。
第一方面,本申请提供一种智能问答的处理方法,所述方法包括:
获取用户输入的问题信息,根据预设的语义关联矩阵确定初步的答案结果集合;其中,所述语义关联矩阵表征问题信息、问题信息所关联的答案结果两者之间的关系;所述答案结果集合中包括多个答案结果;
根据所述初步的答案结果集合和决策规则表,确定最小范围的答案结果集合;其中,所述最小范围的答案结果集合中的答案结果的数量小于所述初步的答案结果集合中的答案结果的数量;
根据所述最小范围的答案结果集合和条件属性,确定并显示最优的答案结果;其中,所述条件属性表征问题信息的特征。
在一个示例中,获取用户输入的问题信息,根据预设的语义关联矩阵确定初步的答案结果集合,包括:
根据用户输入的问题信息,在所述预设的语义关联矩阵中确定所述问题信息所关联的答案结果以及所述答案结果对应的关联度数值;
将所述关联度数值与阈值进行比较,确定召回答案结果;
将所述召回答案结果按照所述关联度数值的自然次序进行排序,确定所述初步的答案结果集合。
在一个示例中,根据用户输入的问题信息,在所述预设的语义关联矩阵中确定所述问题信息所关联的答案结果以及所述答案结果对应的关联度数值,包括:
获取用户输入的所述问题信息的关键词,在所述预设的语义关联矩阵中确定与所述关键词匹配的至少一个标准问题信息;
根据每一个所述标准问题信息,在所述预设的语义关联矩阵中确定所述问题信息所关联的答案结果以及所述答案结果对应的关联度数值。
在一个示例中,在获取用户输入的问题信息,根据预设的语义关联矩阵确定初步的答案结果集合之前,还包括:
根据预处理问题信息库中的标准问题信息和预设维度,确定所述标准问题信息与预设答案的第一语义值;
根据所述预设答案和预设维度,确定所述预设答案与所述标准问题信息的第二语义值;
根据所述第一语义值和所述第二语义值,确定预设的语义关联矩阵。
在一个示例中,根据所述初步的答案结果集合和决策规则表,确定最小范围的答案结果集合,包括:
根据所述初步的答案结果集合在所述决策规则表中确定答案结果的等价集合;
根据所述答案结果的等价集合和粗糙集算法,确定最小范围的答案结果集合。
第二方面,本申请提供一种智能问答的处理装置,所述装置包括:
获取单元,用于获取用户输入的问题信息,根据预设的语义关联矩阵确定初步的答案结果集合;其中,所述语义关联矩阵表征问题信息、问题信息所关联的答案结果两者之间的关系;所述答案结果集合中包括多个答案结果;
第一确定单元,用于根据所述初步的答案结果集合和决策规则表,确定最小范围的答案结果集合;其中,所述最小范围的答案结果集合中的答案结果的数量小于所述初步的答案结果集合中的答案结果的数量;
第二确定单元,用于根据所述最小范围的答案结果集合和条件属性,确定并显示最优的答案结果;其中,所述条件属性表征问题信息的特征。
在一个示例中,所述获取单元,包括:
关联度数值确定模块,用于根据用户输入的问题信息,在所述预设的语义关联矩阵中确定所述问题信息所关联的答案结果以及所述答案结果对应的关联度数值;
答案结果确定模块,用于将所述关联度数值与阈值进行比较,确定召回答案结果;
初步的答案结果集合确定模块,用于将所述召回答案结果按照所述关联度数值的自然次序进行排序,确定所述初步的答案结果集合。
在一个示例中,关联度数值确定模块,包括:
获取用户输入的所述问题信息的关键词,在所述预设的语义关联矩阵中确定与所述关键词匹配的至少一个标准问题信息;
根据每一个所述标准问题信息,在所述预设的语义关联矩阵中确定所述问题信息所关联的答案结果以及所述答案结果对应的关联度数值。
在一个示例中,所述装置,还包括:
第三确定单元,用于根据预处理问题信息库中的标准问题信息和预设维度,确定所述标准问题信息与预设答案的第一语义值;
第四确定单元,用于根据所述预设答案和预设维度,确定所述预设答案与所述标准问题信息的第二语义值;
第五确定单元,用于根据所述第一语义值和所述第二语义值,确定预设的语义关联矩阵。
在一个示例中,第一确定单元,包括:
根据所述初步的答案结果集合在所述决策规则表中确定答案结果的等价集合;
根据所述答案结果的等价集合和粗糙集算法,确定最小范围的答案结果集合。
本申请提供的一种智能问答的处理方法、装置、设备及存储介质,通过获取用户输入的问题信息,根据预设的语义关联矩阵确定初步的答案结果集合;其中,所述语义关联矩阵表征问题信息、问题信息所关联的答案结果两者之间的关系;所述答案结果集合中包括多个答案结果;根据所述初步的答案结果集合和决策规则表,确定最小范围的答案结果集合;其中,所述最小范围的答案结果集合中的答案结果的数量小于所述初步的答案结果集合中的答案结果的数量;根据所述最小范围的答案结果集合和条件属性,确定并显示最优的答案结果;其中,所述条件属性表征问题信息的特征。采用本技术方案,能够快速且准确地根据用户提出的问题确定与之对应的答案。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是根据本申请实施例一提供的一种智能问答的场景示意图;
图2是根据本申请实施例二提供的一种智能问答的处理方法的流程示意图;
图3是根据本申请实施例三提供的一种智能问答的处理方法的流程示意图;
图4是根据本申请实施例四提供的一种智能问答的处理方法的流程示意图;
图5是根据本申请实施例五提供的一种智能问答的处理装置的示意图;
图6是根据本申请实施例六提供的一种智能问答的处理装置的示意图;
图7是根据一示例性实施例示出的一种终端设备的框图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
本申请提供的一种智能问答的处理方法,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1是根据本申请实施例一提供的一种智能问答的场景示意图,从图1可以看出向应用程序中的智能客服端选择输入方式,可以是文字输入问题或者拨打指定电话咨询相关问题,其中,在各种应用程序中的智能客服端输入的方式可以是图像、文字和语音,由智能客服端对图像和语音进行文字转换,将转换后的文本信息进行处理,将处理后的结果进行展示。用户拨打指定电话后,将语音信息转化成文本信息,并根据文本信息中的关键信息在问题库中进行查询并反馈至用户。
图2是根据本申请实施例二提供的一种智能问答的处理方法的流程示意图。实施例二中包括如下步骤:
S201、获取用户输入的问题信息,根据预设的语义关联矩阵确定初步的答案结果集合;其中,语义关联矩阵表征问题信息、问题信息所关联的答案结果两者之间的关系;答案结果集合中包括多个答案结果。
示例性地,用户输入的问题可以是文字进行输入的。本实施例中的语义关联矩阵是存储于问题库中的。问题库中存储有至少一个问题信息以及问题信息关联的答案结果,其中,语义关联矩阵是将至少一个问题信息以及与该问题信息关联的答案结果进行关联后得到的。语义关联矩阵中问题信息与该问题信息关联的答案结果的关联度越高,则语义关联矩阵中的数值越高。
例如,用户输入的问题信息可以是:
我想挂失信用卡?问题库中的问题信息的形式为:
标准问|答案|答案业务类型|答案描述类型;其中,问题库中的问题信息可以为:
{什么是储蓄卡?|储蓄卡是银行为储户一种金融交易卡……|业务概念|图文};
{储蓄卡开卡流程是什么?|储蓄卡开卡步骤为……|业务咨询|图文};
{储蓄卡开卡如何办理?|储蓄卡开卡页面|业务导航|页面};
{储蓄卡补卡流程是什么?|储蓄卡补卡步骤为……|业务咨询|图文};
{储蓄卡补卡如何办理?|储蓄卡补卡页面|业务导航|页面};
{储蓄卡注销流程是什么?|储蓄卡注销步骤为……|业务咨询|图文};
{储蓄卡注销如何办理?|储蓄卡注销页面|业务导航|页面};
{储蓄卡挂失流程是什么?|储蓄卡挂失步骤为……|业务咨询|图文};
{储蓄卡挂失如何办理?|储蓄卡挂失页面|业务导航|页面};
{储蓄卡费率如何计算?|储蓄卡费率……|业务概念|图文};
{什么是信用卡?|信用卡又称贷记卡……|业务概念|图文};
{信用卡注销流程是什么?|信用卡注销步骤为……|业务咨询|图文};
{信用卡注销如何办理?|信用卡注销页面|业务导航|页面};
{信用卡挂失流程是什么?|信用卡挂失步骤为……|业务咨询|图文};
{信用卡挂失如何办理?|信用卡挂失页面|业务导航|页面};
{信用卡费率如何计算?|信用卡费率……|业务概念|图文};
{信用卡开卡流程是什么?|信用卡开卡步骤为……|业务咨询|图文};
{信用卡开卡如何办理?|信用卡开卡页面|业务导航|页面};
{信用卡补卡流程是什么?|信用卡补卡步骤为……|业务咨询|图文};
{信用卡补卡如何办理?|信用卡开补页面|业务导航|页面}。
初步的答案结果集合是初步在问题库中确定的至少两个答案结果,并在该初步的答案结果集合中进行细分确定。例如,初步的答案结果集合可以为如下内容:
{信用卡挂失流程是什么?|信用卡挂失步骤为……|业务咨询|图文};
{信用卡挂失如何办理?|信用卡挂失页面|业务导航|页面}。
进一步地,还会在问题库中确定出与用户输入的问题有关联的答案结果集合,例如,若用户输入的问题是我想挂失信用卡?则与用户输入的问题有关联的答案结果集合可以为:
{什么是信用卡?|信用卡又称贷记卡,……|业务概念|图文};
{信用卡注销流程是什么?|信用卡注销步骤为……|业务咨询|图文};
{信用卡注销如何办理?|信用卡注销页面url|业务导航|页面};
{信用卡挂失流程是什么?|信用卡挂失步骤为……|业务咨询|图文};
{信用卡挂失如何办理?|信用卡挂失页面|业务导航|页面};
{信用卡费率如何计算?|信用卡费率,……|业务概念|图文};
{信用卡开卡流程是什么?|信用卡开卡步骤为……|业务咨询|图文};
{信用卡开卡如何办理?|信用卡开卡页面|业务导航|页面};
{信用卡补卡流程是什么?|信用卡补卡步骤为……|业务咨询|图文};
{信用卡补卡如何办理?|信用卡开补页面|业务导航|页面};
{储蓄卡挂失流程是什么?|储蓄卡挂失步骤为……|业务咨询|图文};
{储蓄卡挂失如何办理?|储蓄卡挂失页面|业务导航|页面}。
S202、根据初步的答案结果集合和决策规则表,确定最小范围的答案结果集合;其中,最小范围的答案结果集合中的答案结果的数量小于初步的答案结果集合中的答案结果的数量。
本实施例中,决策规则表为基于粗糙集构建的决策规则表,具体的,决策表Q=(U,R)为问题库系统,U代表了问题库的论域,里面包含了问题、答案及其他辅助内容,且C,是两个属性子集,分别称为条件属性和决策属性,且C∪D=R,则该问题库系统称为决策规则表,记作T=(U,R,C,D)或简称CD决策表。关系IND(C)和关系IND(D)的等价类分别称为条件类和决策类。将用户输入的问题信息加入U后,形成有决策的分类决策引擎。
答案结果是否命中决策引擎:是指对检索结果前10条进行分析,得出一个与用户输入的问题信息等价的集合,这个集合是非空的,如果是空的则说明问题库里面不包含答案结果;
最小范围的答案结果集合决策引擎:根据粗糙集上近似的思想判断出和用户输入的问题信息在同一个等价关系中的集合。
具体的,若用户输入的问题是:
我想挂失信用卡?
最小范围的答案结果集合可以为:
{信用卡注销如何办理?|信用卡注销页面|业务导航|页面};
{信用卡挂失流程是什么?|信用卡挂失步骤为|业务咨询|图文};
{信用卡挂失如何办理?|信用卡挂失页面|业务导航|页面};
{信用卡开卡如何办理?|信用卡开卡页面|业务导航|页面};
{信用卡补卡如何办理?|信用卡开补页面|业务导航|页面}。
S203、根据最小范围的答案结果集合和条件属性,确定并显示最优的答案结果;其中,条件属性表征问题信息的特征。
本实施例中,最小范围的答案结果集合为对该问题的最为准确的答案的集合。条件属性为问题目的、问题核心信息、问句类型、与答案结果语义的关系、问题辅助信息等。最优的答案结果为最后显示的答案结果。
本实施例中,例如,最优的答案结果可以为:
{信用卡挂失流程是什么?|信用卡挂失步骤为……|业务咨询|图文}。
进一步地,根据最优的答案结果可以向用户推荐相关答案结果,例如,相关答案结果可以为:
{信用卡挂失流程是什么?|信用卡挂失步骤为……|业务咨询|图文},
{信用卡注销如何办理?|信用卡注销页面|业务导航|页面},
{信用卡补卡如何办理?|信用卡开补页面|业务导航|页面},
{信用卡开卡如何办理?|信用卡开卡页面|业务导航|页面}。
本申请提供的一种智能问答的处理方法、装置、设备及存储介质,通过获取用户输入的问题信息,根据预设的语义关联矩阵确定初步的答案结果集合;其中,语义关联矩阵表征问题信息、问题信息所关联的答案结果两者之间的关系;答案结果集合中包括多个答案结果;根据初步的答案结果集合和决策规则表,确定最小范围的答案结果集合;其中,最小范围的答案结果集合中的答案结果的数量小于初步的答案结果集合中的答案结果的数量;根据最小范围的答案结果集合和条件属性,确定并显示最优的答案结果;其中,条件属性表征问题信息的特征。采用本技术方案,能够快速且准确地根据用户提出的问题确定与之对应的答案。
图3是根据本申请实施例三提供的一种智能问答的处理方法的流程示意图。实施例三中包括如下步骤:
S301、根据用户输入的问题信息,在预设的语义关联矩阵中确定问题信息所关联的答案结果以及答案结果对应的关联度数值。
本实施例中,具体的语义关联矩阵可以参见下表1,其中,问题1与答案1中的关联度数值为10,10表示关联程度比较高。表1中罗列了4个答案和4个问题,可以从表1中获取每一个答案和每一个问题之间的关联度数值。对角线10分越多,说明问题库问题与答案结果关联度越高,其他10分越多,说明问题库问题与答案结果模糊度较高,质量较差,需要得到改善。1-9分越多并且越接近高分说明该问题是聚焦某个业务领域的问题,问题直接的关联度较高,需要将关联度尽量离散化,使得问题之间更容易划分边界。0分的越多说明问题之间的独立性越强,边界更清晰,有利于利用粗糙集进行分类;问句之间的可进行关系推理计算,对于关联答案集合的计算形成有效的数据支撑。
表1语义关联矩阵
问题/答案 | 答案1 | 答案2 | 答案3 | 答案4 |
问题1 | 10 | 9 | 8 | 0 20 |
问题2 | 6 | 10 | 0 | 0 |
问题3 | 1 | 10 | 10 | 0 |
问题4 | 5 | 9 | 8 | 10 |
在一个示例中,根据用户输入的问题信息,在预设的语义关联矩阵中确定问题信息所关联的答案结果以及答案结果对应的关联度数值,包括:
获取用户输入的问题信息的关键词,在预设的语义关联矩阵中确定与关键词匹配的至少一个标准问题信息。
本实施例中,标准问题信息为预设的语义关联矩阵中的问题信息,在预设的语义关联矩阵中查找到与关键词匹配的至少一个标准问题信息。
根据每一个标准问题信息,在预设的语义关联矩阵中确定问题信息所关联的答案结果以及答案结果对应的关联度数值。
本实施例中,将与该标准问题信息关联的答案结果进行罗列,并同时获取与答案结果对应的关联度数值。
S302、将关联度数值与阈值进行比较,确定召回答案结果。
本实施例中,阈值可以由用户自行设置,可以是8。则在预设的语义关联矩阵中将关联度数值大于8的答案结果进行返回。
S303、将召回答案结果按照关联度数值的自然次序进行排序,确定初步的答案结果集合。
本实施例中,将召回结果中的答案结果进行排序得到最终的初步的答案结果集合。
S304、根据初步的答案结果集合和决策规则表,确定最小范围的答案结果集合;其中,最小范围的答案结果集合中的答案结果的数量小于初步的答案结果集合中的答案结果的数量。
示例性地,本步骤可以参见上述步骤S202,不再赘述。
S305、根据最小范围的答案结果集合和条件属性,确定并显示最优的答案结果;其中,条件属性表征问题信息的特征。
示例性地,本步骤可以参见上述步骤S203,不再赘述。
在一个示例中,在获取用户输入的问题信息,根据预设的语义关联矩阵确定初步的答案结果集合之前,还包括:
根据预处理问题信息库中的标准问题信息和预设维度,确定标准问题信息与预设答案的第一语义值;根据预设答案和预设维度,确定预设答案与标准问题信息的第二语义值;根据第一语义值和第二语义值,确定预设的语义关联矩阵。
本实施例中,主要计算问句到答案语义关联关系,将问句拆分成几个维度:问句类型、问句目的、问题核心信息。其中,问句类型:疑问、反问、肯定问、否定问等;问句目的:原因、地点、时间、人物、功能导航、规则、流程、复合等;问句核心信息:核心词汇、短语、业务关键词、动态信息等;问题辅助信息:答案类型、答案表达形式等。
比如将“信用卡如何办理?”可结构化表达为:疑问、流程、信用卡、办理。预设答案与标准问题信息的第二语义值的计算过程为:原始问句命中,则为包含关系,则对应的语义关联矩阵中的关联度数值为10;核心信息命中或者问句目的信息命中,则为包含关系,则对应的语义关联矩阵中的关联度数值为10;部分核心信息命中,则为半包含关系,则对应的语义关联矩阵中的关联度数值为1-9;无任何信息命中,则为不包含关系,则对应的语义关联矩阵中的关联度数值为0。
问句到答案结果的语义关系计算流程为通过意图识别模型识别问句的意图和答案结果,其中意图识别模型是由神经网络模型进行搭建的。
遍历问题库中所有问题,分别计算问题与答案结果之间的语义关系;如果存在两个以上的答案结果中同时包含一个问句,则说明问句和答案结果是模糊的,应该做答案结果或者问题合并处理;问句和答案结果无语义关系,说明这种语义关系是隐藏型的,无需处理;问句如果和超过2个答案结果,则说明这些答案结果之间是有关系的。
本实施例中,在计算答案结果到问句的语义关系时,先将答案结果按照预设的模型进行语句识别,先将答案结果按照段落、语句和关键词进行拆分,将拆分后的结果用于问句的匹配。其中,预设的模型可以为深度学习模型。
在一个示例中,根据初步的答案结果集合和决策规则表,确定最小范围的答案结果集合,包括:根据初步的答案结果集合在决策规则表中确定答案结果的等价集合;根据答案结果的等价集合和粗糙集算法,确定最小范围的答案结果集合。
本实施例中,粗糙集算法作为一种处理不精确、不一致、不完整等各种不完备的信息有效的工具,一方面得益于他的数学基础成熟、不需要先验知识;另一方面在于它的易用性。由于粗糙集理论创建的目的和研究的出发点就是直接对数据进行分析和推理,从中发现隐含的知识,揭示潜在的规律,因此是一种天然的数据挖掘或者知识发现方法,它与基于概率论的数据挖掘方法、基于模糊理论的数据挖掘方法和基于证据理论的数据挖掘方法等其他处理不确定性问题理论的方法相比较,最显著的区别是它不需要提供问题所需处理的数据集合之外的任何先验知识,而且与处理其他不确定性问题的理论有很强的互补性。
本申请提供的一种智能问答的处理方法、装置、设备及存储介质,通过根据用户输入的问题信息,在预设的语义关联矩阵中确定问题信息所关联的答案结果以及答案结果对应的关联度数值,将关联度数值与阈值进行比较,确定召回答案结果,将召回答案结果按照关联度数值的自然次序进行排序,确定初步的答案结果集合,根据初步的答案结果集合和决策规则表,确定最小范围的答案结果集合;其中,最小范围的答案结果集合中的答案结果的数量小于初步的答案结果集合中的答案结果的数量,根据最小范围的答案结果集合和条件属性,确定并显示最优的答案结果;其中,条件属性表征问题信息的特征。采用本技术方案,能够快速且准确地根据用户提出的问题确定与之对应的答案。
图4是根据本申请实施例四提供的一种智能问答的处理方法的流程示意图。实施例四中包括如下步骤:
S401、获取用户输入的问题信息,根据预设的语义关联矩阵确定初步的答案结果集合;其中,语义关联矩阵表征问题信息、问题信息所关联的答案结果两者之间的关系;答案结果集合中包括多个答案结果。
示例性地,用户输入的问题可以是语音信息进行输入的,若用户输入的问题是语音信息,则先将语音信息转化成文本信息,其中,转化的算法可以是通过语音识别算法将语音信息转化成文本信息,再获取文本信息中的问题信息,在预设的语义关联矩阵中查找该问题信息,并在语义关联矩阵中确定最终的答案结果,将上述答案结果的集合确定为初步的答案结果集合。
S402、根据初步的答案结果集合在决策规则表中确定答案结果的等价集合。
示例性地,将初步的答案结果集合与用户输入的问题信息作为决策规则表的输入,若决策规则表输出的内容为空,则答案结果的等价集合为空,说明没有答案结果与用户输入的问题信息相匹配。若决策规则表输出的内容不为空,则将输出的结果作为答案结果的等价集合。
S403、根据答案结果的等价集合和粗糙集算法,确定最小范围的答案结果集合。
本实施例中,根据答案结果的等价集合以及粗糙集算法中的上近似策略确定最小范围的答案结果集合。
S404、根据最小范围的答案结果集合和条件属性,确定并显示最优的答案结果;其中,条件属性表征问题信息的特征。
示例性地,本步骤可以参见上述步骤S203,不再赘述。
本申请提供的一种智能问答的处理方法、装置、设备及存储介质,通过获取用户输入的语音的问题信息,将语音的问题信息转化成文本信息,将文本信息根据预设的语义关联矩阵确定初步的答案结果集合,并根据所述初步的答案结果集合在所述决策规则表中确定答案结果的等价集合,根据所述最小范围的答案结果集合和条件属性,确定并显示最优的答案结果;其中,所述条件属性表征问题信息的特征。采用本技术方案,能够将用户输入问题的方式不局限于文本形式,可以实现多样问题输入,进而能够提升用户体验。
图5是根据本申请实施例五提供的一种智能问答的处理装置的示意图。实施例五中的装置50,包括:
获取单元501,用于获取用户输入的问题信息,根据预设的语义关联矩阵确定初步的答案结果集合;其中,语义关联矩阵表征问题信息、问题信息所关联的答案结果两者之间的关系;答案结果集合中包括多个答案结果。
第一确定单元502,用于根据初步的答案结果集合和决策规则表,确定最小范围的答案结果集合;其中,最小范围的答案结果集合中的答案结果的数量小于初步的答案结果集合中的答案结果的数量。
第二确定单元503,用于根据最小范围的答案结果集合和条件属性,确定并显示最优的答案结果;其中,条件属性表征问题信息的特征。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图6是根据本申请实施例六提供的一种智能问答的处理装置的示意图。实施例六中的装置60,包括:
获取单元601,用于获取用户输入的问题信息,根据预设的语义关联矩阵确定初步的答案结果集合;其中,语义关联矩阵表征问题信息、问题信息所关联的答案结果两者之间的关系;答案结果集合中包括多个答案结果。
第一确定单元602,用于根据初步的答案结果集合和决策规则表,确定最小范围的答案结果集合;其中,最小范围的答案结果集合中的答案结果的数量小于初步的答案结果集合中的答案结果的数量。
第二确定单元603,用于根据最小范围的答案结果集合和条件属性,确定并显示最优的答案结果;其中,条件属性表征问题信息的特征。
在一个示例中,获取单元601,包括:
关联度数值确定模块6011,用于根据用户输入的问题信息,在预设的语义关联矩阵中确定问题信息所关联的答案结果以及答案结果对应的关联度数值。
答案结果确定模块6012,用于将关联度数值与阈值进行比较,确定召回答案结果。
初步的答案结果集合确定模块6013,用于将召回答案结果按照关联度数值的自然次序进行排序,确定初步的答案结果集合。
在一个示例中,关联度数值确定模块6011,包括:
获取用户输入的问题信息的关键词,在预设的语义关联矩阵中确定与关键词匹配的至少一个标准问题信息;根据每一个标准问题信息,在预设的语义关联矩阵中确定问题信息所关联的答案结果以及答案结果对应的关联度数值。
在一个示例中,装置,还包括:
第三确定单元604,用于根据预处理问题信息库中的标准问题信息和预设维度,确定标准问题信息与预设答案的第一语义值。
第四确定单元605,用于根据预设答案和预设维度,确定预设答案与标准问题信息的第二语义值。
第五确定单元606,用于根据第一语义值和第二语义值,确定预设的语义关联矩阵。
在一个示例中,第一确定单元602,包括:
根据初步的答案结果集合在决策规则表中确定答案结果的等价集合;根据答案结果的等价集合和粗糙集算法,确定最小范围的答案结果集合。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图7是根据一示例性实施例示出的一种终端设备的框图,该设备可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
装置700可以包括以下一个或多个组件:处理组件702,存储器704,电源组件706,多媒体组件708,音频组件710,输入/输出(I/O)接口712,传感器组件714,以及通信组件716。
处理组件702通常控制装置700的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件702可以包括一个或多个处理器720来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件702可以包括一个或多个模块,便于处理组件702和其他组件之间的交互。例如,处理组件702可以包括多媒体模块,以方便多媒体组件708和处理组件702之间的交互。
存储器704被配置为存储各种类型的数据以支持在装置700的操作。这些数据的示例包括用于在装置700上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器704可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件706为装置700的各种组件提供电力。电源组件706可以包括电源管理系统,一个或多个电源,及其他与为装置700生成、管理和分配电力相关联的组件。
多媒体组件708包括在装置700和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件708包括一个前置摄像头和/或后置摄像头。当装置700处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件710被配置为输出和/或输入音频信号。例如,音频组件710包括一个麦克风(MIC),当装置700处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器704或经由通信组件716发送。在一些实施例中,音频组件710还包括一个扬声器,用于输出音频信号。
I/O接口712为处理组件702和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件714包括一个或多个传感器,用于为装置700提供各个方面的状态评估。例如,传感器组件714可以检测到装置700的打开/关闭状态,组件的相对定位,例如所述组件为装置700的显示器和小键盘,传感器组件714还可以检测装置700或装置700一个组件的位置改变,用户与装置700接触的存在或不存在,装置700方位或加速/减速和装置700的温度变化。传感器组件714可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件714还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件714还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件716被配置为便于装置700和其他设备之间有线或无线方式的通信。装置700可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件716经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件716还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置700可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器704,上述指令可由装置700的处理器720执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当该存储介质中的指令由终端设备的处理器执行时,使得终端设备能够执行上述终端设备的智能问答的处理方法。
本申请还公开了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如本实施例中所述的方法。
本申请以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或电子设备上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据电子设备)、或者包括中间件部件的计算系统(例如,应用电子设备)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和电子设备。客户端和电子设备一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-电子设备关系的计算机程序来产生客户端和电子设备的关系。电子设备可以是云电子设备,又称为云计算电子设备或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。电子设备也可以为分布式系统的电子设备,或者是结合了区块链的电子设备。应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种智能问答的处理方法,其特征在于,所述方法包括:
获取用户输入的问题信息,根据预设的语义关联矩阵确定初步的答案结果集合;其中,所述语义关联矩阵表征问题信息、问题信息所关联的答案结果两者之间的关系;所述答案结果集合中包括多个答案结果;
根据所述初步的答案结果集合和决策规则表,确定最小范围的答案结果集合;其中,所述最小范围的答案结果集合中的答案结果的数量小于所述初步的答案结果集合中的答案结果的数量;
根据所述最小范围的答案结果集合和条件属性,确定并显示最优的答案结果;其中,所述条件属性表征问题信息的特征。
2.根据权利要求1所述的方法,其特征在于,获取用户输入的问题信息,根据预设的语义关联矩阵确定初步的答案结果集合,包括:
根据用户输入的问题信息,在所述预设的语义关联矩阵中确定所述问题信息所关联的答案结果以及所述答案结果对应的关联度数值;
将所述关联度数值与阈值进行比较,确定召回答案结果;
将所述召回答案结果按照所述关联度数值的自然次序进行排序,确定所述初步的答案结果集合。
3.根据权利要求2所述的方法,其特征在于,根据用户输入的问题信息,在所述预设的语义关联矩阵中确定所述问题信息所关联的答案结果以及所述答案结果对应的关联度数值,包括:
获取用户输入的所述问题信息的关键词,在所述预设的语义关联矩阵中确定与所述关键词匹配的至少一个标准问题信息;
根据每一个所述标准问题信息,在所述预设的语义关联矩阵中确定所述问题信息所关联的答案结果以及所述答案结果对应的关联度数值。
4.根据权利要求1-3任一项所述的方法,其特征在于,在获取用户输入的问题信息,根据预设的语义关联矩阵确定初步的答案结果集合之前,还包括:
根据预处理问题信息库中的标准问题信息和预设维度,确定所述标准问题信息与预设答案的第一语义值;
根据所述预设答案和预设维度,确定所述预设答案与所述标准问题信息的第二语义值;
根据所述第一语义值和所述第二语义值,确定预设的语义关联矩阵。
5.根据权利要求1所述的方法,其特征在于,根据所述初步的答案结果集合和决策规则表,确定最小范围的答案结果集合,包括:
根据所述初步的答案结果集合在所述决策规则表中确定答案结果的等价集合;
根据所述答案结果的等价集合和粗糙集算法,确定最小范围的答案结果集合。
6.一种智能问答的处理装置,其特征在于,所述装置包括:
获取单元,用于获取用户输入的问题信息,根据预设的语义关联矩阵确定初步的答案结果集合;其中,所述语义关联矩阵表征问题信息、问题信息所关联的答案结果两者之间的关系;所述答案结果集合中包括多个答案结果;
第一确定单元,用于根据所述初步的答案结果集合和决策规则表,确定最小范围的答案结果集合;其中,所述最小范围的答案结果集合中的答案结果的数量小于所述初步的答案结果集合中的答案结果的数量;
第二确定单元,用于根据所述最小范围的答案结果集合和条件属性,确定并显示最优的答案结果;其中,所述条件属性表征问题信息的特征。
7.根据权利要求6所述的装置,其特征在于,所述获取单元,包括:
关联度数值确定模块,用于根据用户输入的问题信息,在所述预设的语义关联矩阵中确定所述问题信息所关联的答案结果以及所述答案结果对应的关联度数值;
答案结果确定模块,用于将所述关联度数值与阈值进行比较,确定召回答案结果;
初步的答案结果集合确定模块,用于将所述召回答案结果按照所述关联度数值的自然次序进行排序,确定所述初步的答案结果集合。
8.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-5中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-5中任一项所述的方法。
10.一种计算机程序产品,其特征在于,包括计算机程序,该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111493016.7A CN114117019A (zh) | 2021-12-08 | 2021-12-08 | 智能问答的处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111493016.7A CN114117019A (zh) | 2021-12-08 | 2021-12-08 | 智能问答的处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114117019A true CN114117019A (zh) | 2022-03-01 |
Family
ID=80363492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111493016.7A Pending CN114117019A (zh) | 2021-12-08 | 2021-12-08 | 智能问答的处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114117019A (zh) |
-
2021
- 2021-12-08 CN CN202111493016.7A patent/CN114117019A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107621886B (zh) | 一种输入推荐方法、装置及电子设备 | |
US20240089331A1 (en) | Display Method, Related Device, and Non-Transitory Readable Storage Medium | |
CN111884908A (zh) | 联系人标识显示方法、装置及电子设备 | |
CN114880480A (zh) | 一种基于知识图谱的问答方法及装置 | |
CN113037925B (zh) | 信息处理方法、信息处理装置、电子设备和可读存储介质 | |
CN113347306A (zh) | 业务名称显示方法、装置、电子设备及存储介质 | |
CN112528326A (zh) | 信息处理方法、装置及电子设备 | |
CN111506718A (zh) | 会话消息确定方法、装置、计算机设备和存储介质 | |
CN111968639A (zh) | 语音控制方法、装置、电子设备及存储介质 | |
CN116029673A (zh) | 业务审批数据抽样评价方法、装置、设备及存储介质 | |
CN114374663B (zh) | 消息处理方法和消息处理装置 | |
CN111428001A (zh) | 一种短信信息检索方法、装置及存储介质 | |
CN115687303A (zh) | 数据信息迁移方法、装置、设备及存储介质 | |
CN114117019A (zh) | 智能问答的处理方法、装置、设备及存储介质 | |
CN114090738A (zh) | 场景数据信息确定的方法、装置、设备及存储介质 | |
CN113138702B (zh) | 信息处理方法、装置、电子设备及存储介质 | |
CN112765946B (zh) | 图表显示方法、装置及电子设备 | |
CN114020245A (zh) | 页面构建方法及装置、设备和介质 | |
CN113157966A (zh) | 显示方法、装置及电子设备 | |
CN112837813A (zh) | 自动问诊方法及装置 | |
CN112306251A (zh) | 一种输入方法、装置和用于输入的装置 | |
CN111103986A (zh) | 用户词库管理方法及装置、输入方法及装置 | |
CN116450917B (zh) | 信息搜索方法及装置、电子设备和介质 | |
CN112765447B (zh) | 数据搜索方法、装置和电子设备 | |
CN115033784A (zh) | 基于搜索词自主学习的信息推荐方法及电子装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |