CN114238611B - 用于输出信息的方法、装置、设备以及存储介质 - Google Patents

用于输出信息的方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN114238611B
CN114238611B CN202111587727.0A CN202111587727A CN114238611B CN 114238611 B CN114238611 B CN 114238611B CN 202111587727 A CN202111587727 A CN 202111587727A CN 114238611 B CN114238611 B CN 114238611B
Authority
CN
China
Prior art keywords
knowledge
determining
input
initial vector
answer
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
Application number
CN202111587727.0A
Other languages
English (en)
Other versions
CN114238611A (zh
Inventor
姜文斌
柴春光
吕雅娟
朱勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111587727.0A priority Critical patent/CN114238611B/zh
Publication of CN114238611A publication Critical patent/CN114238611A/zh
Application granted granted Critical
Publication of CN114238611B publication Critical patent/CN114238611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/30—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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Abstract

本公开提供了用于输出信息的方法、装置、设备以及存储介质，涉及自然语言处理、知识图谱、深度学习等人工智能技术领域。具体实现方案为：获取用户的输入，输入包括问题以及对应的候选答案；确定输入的初始向量；根据初始向量以及预先建立的知识库，确定输入的相关知识；基于相关知识，确定候选答案属于问题的正确答案的置信度；输出与置信度对应的信息。本实现方式能够根据用户的输入从知识库中获取相关知识，从而能够提高候选答案判断的准确性。

Description

用于输出信息的方法、装置、设备以及存储介质
技术领域
本公开涉及计算机技术领域，具体涉及自然语言处理、知识图谱、深度学习等人工智能技术领域，尤其涉及用于输出信息的方法、装置、设备以及存储介质。
背景技术
医疗领域的问答系统对知识和推理的依赖程度非常高。正确回答问题需要基于图谱和教材等多种来源的知识，对病历内容进行综合的理解与推理。尽管当前智能问答技术已经取得了很大的发展，但在利用知识和实现推理方面，仍然难以满足医疗领域的问答需求。
发明内容
本公开提供了一种用于输出信息的方法、装置、设备以及存储介质。
根据第一方面，提供了一种用于输出信息的方法，包括：获取用户的输入，上述输入包括问题以及对应的候选答案；确定上述输入的初始向量；根据初始向量以及预先建立的知识库，确定上述输入的相关知识；基于相关知识，确定候选答案属于问题的正确答案的置信度；输出与上述置信度对应的信息。
根据第二方面，提供了一种用于输出信息的装置，包括：输入获取单元，被配置成获取用户的输入，上述输入包括问题以及对应的候选答案；向量确定单元，被配置成确定上述输入的初始向量；知识获取单元，被配置成根据初始向量以及预先建立的知识库，确定上述输入的相关知识；答案判断单元，被配置成基于相关知识，确定候选答案属于问题的正确答案的置信度；信息输出单元，被配置成输出与上述置信度对应的信息。
根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，上述指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面所描述的方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，上述计算机指令用于使计算机执行如第一方面所描述的方法。
根据第五方面，一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现如第一方面所描述的方法。
根据本公开的技术能够根据用户的输入从知识库中获取相关知识，从而能够提高候选答案判断的准确性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于输出信息的方法的一个实施例的流程图；
图3是根据本公开的用于输出信息的方法的一个应用场景的示意图；
图4是根据本公开的用于输出信息的方法的另一个实施例的流程图；
图5是根据本公开的用于输出信息的装置的一个实施例的结构示意图；
图6是用来实现本公开实施例的用于输出信息的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于输出信息的方法或用于输出信息的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如智能问答类应用等。用户可以通过上述智能问答类应用输入病历、问题和候选答案。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上提供智能问答的后台服务器。后台服务器可以利用预先建立的知识库中的知识对病历、问题以及候选答案进行判断，得到判断结果，并将判断结果反馈给终端设备101、102、103。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开实施例所提供的用于输出信息的方法一般由服务器105执行。相应地，用于输出信息的装置一般设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本公开的用于输出信息的方法的一个实施例的流程200。本实施例的用于输出信息的方法，包括以下步骤：
步骤201，获取用户的输入。
本实施例中，用于输出信息的方法的执行主体可以通过多种方式获取用户的输入。例如，用户可以通过终端上安装的智能问答类应用输入信息。上述输入可以包括问题和候选答案，还可以包括病历。上述问题可以是医疗领域的问题，也可以是其它领域的问题。上述候选答案可以是各种用于回答上述问题的答案，执行主体需要判断上述候选答案是否是上述问题的正确答案。举例来说，问题是“用什么药退烧？”，候选答案可以是“布洛芬”。
步骤202，确定上述输入的初始向量。
执行主体可以通过多种方式确定上述输入的初始向量。例如，执行主体可以利用预先训练的向量确定模型确定上述输入的向量，将上述向量作为初始向量。上述向量确定模型可以为语言模型、也可以为各种特征提取算法。上述初始向量中可以包含输入的语义信息。
步骤203，根据初始向量以及预先建立的知识库，确定上述输入的相关知识。
执行主体在确定初始向量后，可以根据上述初始向量从预先建立的知识库中确定出上述输入的相关知识。上述知识库中可以包括多种形式的知识，例如可以包括结构化的文档、键值对、向量集合等等。执行主体可以首先将知识库中的各知识向量化，然后计算初始向量与向量化后得到的各向量之间的相似度。将相似度大于预设阈值的知识作为相关知识。
步骤204，基于相关知识，确定候选答案属于问题的正确答案的置信度。
执行主体在确定相关知识后，可以利用上述相关知识，确定候选答案是否属于问题的正确答案。例如，执行主体可以将上述相关知识输入预先训练的模型中，根据模型的输出结果确定候选答案是否属于问题的正确答案。上述输出结果可以是置信度，如果上述置信度大于或等于预设阈值，则认为上述候选答案属于正确答案。如果上述置信度小于预设阈值，则认为上述候选答案不是正确答案。
步骤205，输出与上述置信度对应的信息。
本实施例中，不同的置信度可以对应不同的信息。执行主体可以输出不同的信息以供用户查看上述置信度。例如，如果置信度大于或等于预设阈值，则其所对应的信息可以为“此答案为正确答案”。如果置信度小于预设阈值，则其所对应的信息可以为“此答案为错误答案”。或者，上述信息中还可以包括置信度值。
继续参见图3，其示出了根据本公开的用于输出信息的方法的一个应用场景的示意图。在图3的应用场景中，用户通过终端301中安装的病历填写应用中输入问题和候选答案，病历填写应用可以将上述问题和候选答案上传给服务器302。服务器302通过多次访问知识库303，确定出相关知识。最后服务器302根据相关知识判断出上述候选答案不是上述问题的正确答案，并将上述判断结果反馈给终端301。
本公开的上述实施例提供的用于输出信息的方法，能够根据用户的输入从知识库中获取相关知识，从而能够提高候选答案判断的准确性。
继续参见图4，其示出了根据本公开的用于输出信息的方法的另一个实施例的流程400。如图4所示，本实施例的方法可以包括以下步骤：
步骤401，获取用户的输入。
步骤402，确定上述输入的初始向量。
步骤403，根据初始向量，从知识库中进行至少一次知识获取操作，确定上述输入的相关知识。
本实施例中，执行主体可以根据上述初始向量，从知识库中进行至少一次知识获取操作。可以理解的是，每执行一次知识获取操作，可以从知识库中获取到一部分知识。执行主体可以将各次知识获取操作得到的知识作为相关知识。
在本实施例的一些可选的实现方式中，知识库中可以包括键值对集合。执行主体可以确定键值对集合中各键的向量。然后根据初始向量和各键的向量，确定相关键。具体的，执行主体可以计算初始向量和各键之间的相似度，将相似度大于预设阈值的键作为相关键。将各相关键对应的值作为相关知识。
在本实施例的一些可选的实现方式中，执行主体可以通过以下步骤确定相关知识：
步骤4031，将首次知识获取操作得到的知识与初始向量结合，得到迭代知识。
步骤4032，将首次之后的知识获取操作得到的知识与前次得到的迭代知识结合，得到更新的迭代知识。
步骤4033，将每次得到的迭代知识作为相关知识。
本实现方式中，执行主体可以将首次知识获取操作得到的知识与初始向量结合，将结合后得到的知识作为迭代知识。这里，结合可以包括将知识获取操作得到的知识向量化后与初始向量拼接，然后进行降维，使得迭代知识的维度与初始向量的维度相同。或者，执行主体可以将知识获取操作得到的知识向量化后与初始向量加权，得到迭代知识。
然后，执行主体可以将之后每次知识获取操作得到的知识与前次得到的迭代知识进行结合，得到更新的迭代知识。这里的结合可以与首次的结合相同，也可以不同。
执行主体可以将各迭代知识作为相关知识。
步骤404，确定每次得到的迭代知识的概率值以及权重值；根据概率值、权重值以及对应的阈值，确定候选答案属于上述问题的正确答案的置信度。
执行主体可以为每次得到的迭代知识确定概率值和权重值。然后，根据上述概率值和权重值确定每次得到的迭代知识的值。将每次迭代知识的值相加，将得到的最终值作为置信度。
在本实施例的一些可选的实现方式中，执行主体可以利用预先训练的分类模型，确定每次得到的迭代知识的概率值；利用预先训练的权重模型，确定每次得到的迭代知识的权重值。
上述分类模型和上述权重模型可以是神经网络，也可以是其它算法模块。
步骤405，输出与上述置信度对应的信息。
本公开的上述实施例提供的用于输出信息的方法，可以通过多次知识获取操作多次从知识库中获取相关知识，实现问题的多次推理，从而能够提高候选答案确定的准确性。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于输出信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于输出信息的装置500包括：输入获取单元501、向量确定单元502、知识获取单元503、答案判断单元504和信息输出单元505。
输入获取单元501，被配置成获取用户的输入，输入包括问题以及对应的候选答案。
向量确定单元502，被配置成确定输入的初始向量。
知识获取单元503，被配置成根据初始向量以及预先建立的知识库，确定输入的相关知识。
答案判断单元504，被配置成基于相关知识，确定候选答案属于问题的正确答案的置信度。
信息输出单元505，被配置成输出与上述置信度对应的信息。
在本实施例的一些可选的实现方式中，知识获取单元503可以进一步被配置成：根据初始向量，从知识库中进行至少一次知识获取操作，确定输入的相关知识。
在本实施例的一些可选的实现方式中，知识库包括键值对集合。知识获取单元503可以进一步被配置成：根据初始向量以及知识库中键值对集合中各键的向量，确定输入的相关键；将相关键对应的值作为相关知识。
在本实施例的一些可选的实现方式中，知识获取单元503可以进一步被配置成：将首次知识获取操作得到的知识与初始向量结合，得到迭代知识；将首次之后的知识获取操作得到的知识与前次得到的迭代知识结合，得到更新的迭代知识；将每次得到的迭代知识作为相关知识。
在本实施例的一些可选的实现方式中，答案判断单元504可以进一步被配置成：确定每次得到的迭代知识的概率值以及权重值；根据概率值、权重值以及对应的阈值，确定候选答案属于问题的正确答案的置信度。
在本实施例的一些可选的实现方式中，答案判断单元504可以进一步被配置成：利用预先训练的分类模型，确定每次得到的迭代知识的概率值；利用预先训练的权重模型，确定每次得到的迭代知识的权重值。
应当理解，用于输出信息的装置500中记载的单元501至单元505分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于输出信息的方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了根据本公开实施例的执行用于输出信息的方法的电子设备600的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，电子设备600包括处理器601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储器608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储电子设备600操作所需的各种程序和数据。处理器601、ROM 602以及RAM 603通过总线604彼此相连。I/O接口(输入/输出接口)605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储器608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器601可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器601执行上文所描述的各个方法和处理，例如用于输出信息的方法。例如，在一些实施例中，用于输出信息的方法可被实现为计算机软件程序，其被有形地包含于机器可读存储介质，例如存储器608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由处理器601执行时，可以执行上文描述的用于输出信息的方法的一个或多个步骤。备选地，在其他实施例中，处理器601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于输出信息的方法。
本文中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。
用于实施本公开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。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品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601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服务器上执行。
在本公开的上下文中，机器可读存储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。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储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)、光学存储设备、磁存储设备、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，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、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服务器。客户端和服务器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-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，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。服务器也可以是分布式系统的服务器，或者是结合了区块链的服务器。
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，本公开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，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开的保护范围之内。

Claims (9)

1.一种用于输出信息的方法，包括：
获取用户的输入，所述输入包括问题以及对应的候选答案；
确定所述输入的初始向量；
根据所述初始向量以及预先建立的知识库，确定所述输入的相关知识；
基于所述相关知识，确定所述候选答案属于所述问题的正确答案的置信度；
输出与所述置信度对应的信息；
所述根据所述初始向量以及预先建立的知识库，确定所述输入的相关知识，包括：根据所述初始向量，从所述知识库中进行至少一次知识获取操作，确定所述输入的相关知识；
所述根据所述初始向量，从所述知识库中进行至少一次知识获取操作，确定所述输入的相关知识，包括：将首次知识获取操作得到的知识与所述初始向量结合，得到迭代知识；将首次之后的知识获取操作得到的知识与前次得到的迭代知识结合，得到更新的迭代知识；将每次得到的迭代知识作为所述相关知识；
所述基于所述相关知识，确定所述候选答案属于所述问题的正确答案的置信度，包括：确定每次得到的迭代知识的概率值以及权重值；根据所述概率值、权重值，确定所述候选答案属于所述问题的正确答案的置信度。
2.根据权利要求1所述的方法，其中，所述知识库包括键值对集合；以及
所述根据所述初始向量以及预先建立的知识库，确定所述输入的相关知识，包括：
根据所述初始向量以及所述知识库中键值对集合中各键的向量，确定所述输入的相关键；
将所述相关键对应的值作为所述相关知识。
3.根据权利要求1所述的方法，其中，所述确定每次得到的迭代知识的概率值以及权重值，包括：
利用预先训练的分类模型，确定每次得到的迭代知识的概率值；
利用预先训练的权重模型，确定每次得到的迭代知识的权重值。
4.一种用于输出信息的装置，包括：
输入获取单元，被配置成获取用户的输入，所述输入包括问题以及对应的候选答案；
向量确定单元，被配置成确定所述输入的初始向量；
知识获取单元，被配置成根据所述初始向量以及预先建立的知识库，确定所述输入的相关知识；
答案判断单元，被配置成基于所述相关知识，确定所述候选答案属于所述问题的正确答案的置信度；
信息输出单元，被配置成输出与所述置信度对应的信息；
所述知识获取单元进一步被配置成：根据所述初始向量，从所述知识库中进行至少一次知识获取操作，确定所述输入的相关知识；
所述知识获取单元进一步被配置成：将首次知识获取操作得到的知识与所述初始向量结合，得到迭代知识；将首次之后的知识获取操作得到的知识与前次得到的迭代知识结合，得到更新的迭代知识；将每次得到的迭代知识作为所述相关知识；
所述答案判断单元进一步被配置成：确定每次得到的迭代知识的概率值以及权重值；根据所述概率值、权重值，确定所述候选答案属于所述问题的正确答案的置信度。
5.根据权利要求4所述的装置，其中，所述知识库包括键值对集合；以及
所述知识获取单元进一步被配置成：
根据所述初始向量以及所述知识库中键值对集合中各键的向量，确定所述输入的相关键；
将所述相关键对应的值作为所述相关知识。
6.根据权利要求4所述的装置，其中，所述答案判断单元进一步被配置成：
利用预先训练的分类模型，确定每次得到的迭代知识的概率值；
利用预先训练的权重模型，确定每次得到的迭代知识的权重值。
7.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
9.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-3中任一项所述的方法。
CN202111587727.0A 2021-12-23 2021-12-23 用于输出信息的方法、装置、设备以及存储介质 Active CN114238611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111587727.0A CN114238611B (zh) 2021-12-23 2021-12-23 用于输出信息的方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111587727.0A CN114238611B (zh) 2021-12-23 2021-12-23 用于输出信息的方法、装置、设备以及存储介质

Publications (2)

Publication Number Publication Date
CN114238611A CN114238611A (zh) 2022-03-25
CN114238611B true CN114238611B (zh) 2023-05-16

Family

ID=80761774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111587727.0A Active CN114238611B (zh) 2021-12-23 2021-12-23 用于输出信息的方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN114238611B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169364B (zh) * 2022-06-17 2024-03-08 北京百度网讯科技有限公司 智能问答方法、装置、设备以及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885842A (zh) * 2017-11-10 2018-04-06 上海智臻智能网络科技股份有限公司 智能问答的方法、装置、服务器及存储介质
CN111382255A (zh) * 2020-03-17 2020-07-07 北京百度网讯科技有限公司 用于问答处理的方法、装置、设备和介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874441B (zh) * 2017-02-07 2024-03-05 腾讯科技（上海）有限公司 智能问答方法和装置
CN107066556A (zh) * 2017-03-27 2017-08-18 竹间智能科技（上海）有限公司 用于人工智能对话系统的备选答案排序方法及装置
US10599821B2 (en) * 2017-12-08 2020-03-24 International Business Machines Corporation Collecting user feedback through logon questions
CN110019838A (zh) * 2017-12-25 2019-07-16 上海智臻智能网络科技股份有限公司 智能问答系统及智能终端
CN109783624A (zh) * 2018-12-27 2019-05-21 联想(北京)有限公司 基于知识库的答案生成方法、装置和智能会话系统
CN113515932B (zh) * 2021-07-28 2023-11-10 北京百度网讯科技有限公司 处理问答信息的方法、装置、设备和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885842A (zh) * 2017-11-10 2018-04-06 上海智臻智能网络科技股份有限公司 智能问答的方法、装置、服务器及存储介质
CN111382255A (zh) * 2020-03-17 2020-07-07 北京百度网讯科技有限公司 用于问答处理的方法、装置、设备和介质

Also Published As

Publication number Publication date
CN114238611A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN112487173B (zh) 人机对话方法、设备和存储介质
EP3958145A1 (en) Method and apparatus for semantic retrieval, device and storage medium
CN112561079A (zh) 分布式的模型训练装置、方法及计算机程序产品
CN113988157B (zh) 语义检索网络训练方法、装置、电子设备及存储介质
CN115690443B (zh) 特征提取模型训练方法、图像分类方法及相关装置
US20220398834A1 (en) Method and apparatus for transfer learning
CN112528641A (zh) 建立信息抽取模型的方法、装置、电子设备和可读存储介质
CN114238611B (zh) 用于输出信息的方法、装置、设备以及存储介质
CN114186681A (zh) 用于生成模型簇的方法、装置及计算机程序产品
CN112307738A (zh) 用于处理文本的方法和装置
CN117114063A (zh) 用于训练生成式大语言模型和用于处理图像任务的方法
CN113361621B (zh) 用于训练模型的方法和装置
CN113408304B (zh) 文本翻译方法、装置、电子设备及存储介质
CN114817476A (zh) 语言模型的训练方法、装置、电子设备和存储介质
CN114048315A (zh) 确定文档标签的方法、装置、电子设备和存储介质
CN113377924A (zh) 数据处理方法、装置、设备以及存储介质
CN113360672A (zh) 用于生成知识图谱的方法、装置、设备、介质和产品
CN112948584A (zh) 短文本分类方法、装置、设备以及存储介质
CN111274818A (zh) 词向量的生成方法、装置
CN113344405B (zh) 基于知识图谱生成信息的方法、装置、设备、介质和产品
CN115510203B (zh) 问题答案确定方法、装置、设备、存储介质及程序产品
CN115034198B (zh) 语言模型中嵌入模块计算优化的方法
CN112989797B (zh) 模型训练、文本扩展方法，装置，设备以及存储介质
CN116069914B (zh) 训练数据的生成方法、模型训练方法以及装置
CN114925185B (zh) 交互方法、模型的训练方法、装置、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
GR01 Patent grant
GR01 Patent grant