CN114461777A - 智能问答方法、装置、设备及存储介质 - Google Patents
智能问答方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114461777A CN114461777A CN202210133855.6A CN202210133855A CN114461777A CN 114461777 A CN114461777 A CN 114461777A CN 202210133855 A CN202210133855 A CN 202210133855A CN 114461777 A CN114461777 A CN 114461777A
- Authority
- CN
- China
- Prior art keywords
- question
- answer
- answered
- complete
- supplementary
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 71
- 238000012360 testing method Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 125000004122 cyclic group Chemical group 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000002457 bidirectional effect Effects 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 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
- G06F16/33—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
- 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
- G06F40/295—Named entity recognition
-
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种智能问答方法，包括：接收待回答问题，并记录接收时间；提取待回答问题的待回答问题实体和待回答问题意图，根据待回答问题实体和待回答问题意图，从答案库中查询待回答问题的当前答案；从接收到问题的时间开始的预设时间段内，判断是否接收到补充问题；若没有接收到补充问题，则将当前答案返回至用户；若接收到补充问题，则整合待回答问题及补充问题，得到完整问题，并利用上下文答案分析模型识别完整问题的完整答案，并将完整答案返回至用户。本发明还提出一种智能问答装置、电子设备以及存储介质。本发明可以提高问答的准确度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种智能问答方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人工智能的发展，智能问答已经运用到语音助手、智能客服以及在线咨询等各服务领域。智能问答是指聊天机器人以自然语言理解为核心，通过对用户的提问信息进行语义分析，然后在大规模知识库通过搜索或对话管理技术匹配相关问题，最后通过自然语言生成技术对用户进行回复的问题智能回复方式。智能问答中有两种交互模式，一种采用一问一答的单轮对话，聊天机器人可以通过检索、语义分析以及相似度排序等方法得到一个合理的答案；另一种采用长时间的多轮次问答，根据多轮次对话信息得到用户提问的问题答案。
现有的智能问答方式中，聊天机器人无法有效识别上下文信息，而这些上下文是智能问答的关键，缺少这些信息，无法正确回答用户的提问，并且随着线上历史对话的积累，线上智能问答的准确度较低。
发明内容
本发明提供一种智能问答方法、装置、设备及存储介质，其主要目的在于解决线上问答时的精确度较低的问题。
接收到用户的问题时，记录所述问题，得到待回答问题，并记录接收到所述问题的时间；
提取所述待回答问题的待回答问题实体和待回答问题意图，根据所述待回答问题实体和所述待回答问题意图，从预构建的答案库中查询所述待回答问题的当前答案；
从接收到所述问题的时间开始的预设时间段内，判断是否接收到所述用户的补充问题；
若没有接收到所述用户的补充问题，则将所述当前答案返回至所述用户；
若接收到所述用户的补充问题，则整合所述待回答问题及所述补充问题，得到完整问题，并利用预先训练完成的上下文答案分析模型识别所述完整问题的完整答案，并将所述完整答案返回至所述用户。
可选地，所述提取所述待回答问题的待回答问题实体和待回答问题意图，包括：
利用预构建的分词工具，对所述待回答问题执行分词操作以及词性标注；
根据所述分词操作后的每个词语以及对应的词性标注，分析所述待回答问题的语义信息；
根据所述语义信息，识别出待回答问题的实体和意图，得到所述待回答问题实体和待回答问题意图。
可选地，所述根据所述待回答问题实体和所述待回答问题意图，从预构建的答案库中查询所述待回答问题的当前答案，包括：
根据所述待回答问题实体在所述答案库中进行查找，获取与所述待回答问题实体相关联的关联答案；
在所述关联答案中查询与所述待回答问题意图的字段对应的答案文本，得到所述当前答案。
可选地，所述整合所述待回答问题及所述补充问题，得到完整问题包括：
提取所述补充问题的补充问题意图和补充问题实体；
将所述补充问题实体、所述待回答问题实体、所述补充问题意图以及所述待回答问题意图进行字段识别；
当所述补充问题实体与所述待回答问题实体的字段一致时，将所述字段执行整合操作，及当所述补充问题实体与所述待回答问题实体的字段不一致时，则将所述字段执行拼接操作；
当所述补充问题意图与所述待回答问题意图的字段一致时，将所述字段执行整合操作，及当所述补充问题意图与所述待回答问题意图的字段不一致时，则将所述字段执行拼接操作；
汇总所述整合操作及/或所述拼接操作后的问题，得到所述完整问题。
可选地，所述利用预构建的上下文答案分析模型识别所述完整问题的完整答案之前，所述方法还包括：
获取预标注的问答文本，并将所述问答文本作为训练语料；
将所述训练语料根据预设的比例切割成训练集及测试集；
对所述训练集进行双向编码，得到所述训练集的编码数据，并将所述编码数据执行汇总以及输出，得到训练集中每个所述问答文本的语义向量；
将所述语义向量作为所述上下文答案分析模型的初始向量，并对所述语义向量进行循环嵌入计算，得到所述训练集中每个所述问答文本中问题的预测答案；
根据所述预测答案与所述预标注的问答文本中对应问题的真实答案，利用预构建的损失函数，计算损失值偏差；
当所述损失值偏差大于所述损失值偏差阈值时，则调整所述上下文答案分析模型中的模型参数，并返回上述将所述语义向量作为所述上下文答案分析模型的初始向量，并对所述语义向量进行循环嵌入计算，得到所述训练集中每个所述问答文本中问题的预测答案的步骤；
当所述损失值偏差不大于所述损失值偏差阈值时，得到初始上下文答案分析模型；
利用所述测试集测试所述初始上下文答案分析模型，得到测试通过率，并判断所述测试通过率是否大于预设的测试通过率阈值；
当所述测试通过不大于所述测试通过率阈值时，调整所述上下文答案分析模型中的模型参数，并返回上述将所述语义向量作为所述上下文答案分析模型的初始向量，并对所述语义向量进行循环嵌入计算，得到所述训练集中每个所述问答文本中问题的预测答案的步骤；
当所述测试通过不大于所述测试通过率阈值时，得到训练完成的上下文答案分析模型。
可选地，所述利用预构建的损失函数，计算损失值偏差，包括：
利用下述损失函数，计算所述损失值偏差：
其中，pi为所述预测答案，yi为所述真实答案，L为所述上下文答案分析模型的神经元细胞个数，m为所述上下文答案分析模型中的神经元细胞总数。
可选地，所述利用预先训练完成的上下文答案分析模型识别所述完整问题的完整答案，包括；
提取所述完整问题的完整问题意图和完整问题实体；
将所述完整问题意图和所述完整问题实体执行双向编码，得到所述完整问题的编码数据；
将所述完整问题的编码数据在所述上下文答案分析模型的编码层中执行汇总以及输出，得到每个所述问答文本的语义向量；
利用所述上下文答案分析模型的解码层获取所述语义向量，并执行循环嵌入计算，得到所述完整问题的完整答案。
为了解决上述问题，本发明还提供一种智能问答装置，所述装置包括：
初始问题获取模块，用于接收到用户的问题时，记录所述问题，得到待回答问题，并记录接收到所述问题的时间；
补充问题获取模块，用于提取所述待回答问题的待回答问题实体和待回答问题意图，根据所述待回答问题实体和所述待回答问题意图，从预构建的答案库中查询所述待回答问题的当前答案；从接收到所述问题的时间开始的预设时间段内，判断是否接收到所述用户的补充问题；若没有接收到所述用户的补充问题，则将所述当前答案返回至所述用户；
完整答案生成模块，用于判定若接收到所述用户的补充问题，则整合所述待回答问题及所述补充问题，得到完整问题，并利用预先训练完成的上下文答案分析模型识别所述完整问题的完整答案，并将所述完整答案返回至所述用户。
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上述所述的智能问答方法。
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，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的智能问答方法。
本发明实施例通过提取用户输入的待回答问题的问题实体及问题意图，在预构建的答案库中查询当前答案；另外，当接收到用户在预设的时间段中输入的补充问题时，整合所述待回答问题以及所述补充问题，得到完整问题，并将所述完整问题的完整问题意图及完整问题实体在同一语义空间进行词向量编码后输入至预构建的上下文答案分析模型中进行循环嵌入计算，完成智能问答流程。因此，本方案可以提高线上问答的准确率。
附图说明
图1为本发明一实施例提供的智能问答方法的流程示意图；
图2为本发明一实施例提供的智能问答装置的功能模块图；
图3为本发明一实施例提供的实现所述智能问答方法的电子设备的结构示意图。
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智能问答方法。所述智能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。换言之，所述智能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。所述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。
参照图1所示，为本发明一实施例提供的智能问答方法的流程示意图。
在本实施例中，所述智能问答方法包括：
S1、接收到用户的问题时，记录所述问题，得到待回答问题，并记录接收到所述问题的时间；
本发明实施例中，所述待回答问题可以是用户在聊天机器人交互界面输入的问题。例如，用户可以在交互界面输入语音或者文本格式的问题，当所述用户输入的为语音格式的问题时，本发明实施例先将所述语音格式的问题转换为文本格式，得到文本格式的问题。
S2、提取所述待回答问题的待回答问题实体和待回答问题意图，根据所述待回答问题实体和所述待回答问题意图，从预构建的答案库中查询所述待回答问题的当前答案；
本发明实施例中，所述待回答问题实体和所述待回答问题意图可以是一个问题的基本属性。例如，所述问题为“今天天气怎样？”，则所述问题的问题意图是“天气怎样”，而问题实体为“今天”。
本发明实施例中，可以采用自然语言处理模型提取所述待回答问题的待回答问题实体和待回答问题意图。
详细地，所述提取所述待回答问题的待回答问题实体和待回答问题意图，包括：
利用预构建的分词工具，对所述待回答问题执行分词操作以及词性标注；
根据所述分词操作后的每个词语以及对应的词性标注，分析所述待回答问题的语义信息；
根据所述语义信息，识别出待回答问题的实体和意图，得到所述待回答问题实体和待回答问题意图。
其中，本发明实施例可以通过结巴分词对所述待回答问题执行词语切分和词性标注。
本发明实施例中，所述词性标注是根据分词后的词语的词性，在切分完成的词语后标注上对应词性的过程。例如，“n为普通名词”、“nw为作品名”、“PER为人名”、“LOC为地名”、“ORG为机构名”及“TIME为时间”等。
本发明实施例中，所述待回答问题实体可以是“LOC为地名”、“PER为人名”以及“TIME为时间”等。
进一步地，本发明实施例中，所述预构建的答案库可以是聊天机器人的自身系统中预先存储的关于大量问题的简易答案。
详细地，所述根据所述待回答问题实体和所述待回答问题意图，从预构建的答案库中查询所述待回答问题的当前答案，包括：
根据所述待回答问题实体在所述答案库中进行查找，获取与所述待回答问题实体相关联的关联答案；
在所述关联答案中查询与所述待回答问题意图的字段对应的答案文本，得到所述当前答案。
S3、从接收到所述问题的时间开始的预设时间段内，判断是否接收到所述用户的补充问题；
本发明实施例中，所述预设的时间段可以是接收到所述问题计时开始，在获取下一个问题之间的间隔时间。例如，所述预设时间段可以设置为5S。
若没有接收到所述用户的补充问题，则执行S4、将所述当前答案返回至所述用户；
详细地，本发明实施例若没有接收到所述用户的补充问题，则将所述当前答案作为最终答案返回至所述用户。
若接收到所述用户的补充问题，则执行S5、整合所述待回答问题及所述补充问题，得到完整问题，并利用预先训练完成的上下文答案分析模型识别所述完整问题的完整答案，并将所述完整答案返回至所述用户。
本发明实施例中，所述整合所述待回答问题及所述补充问题，得到完整问题包括：
提取所述补充问题的补充问题意图和补充问题实体；
将所述补充问题实体、所述待回答问题实体、所述补充问题意图以及所述待回答问题意图进行字段识别；
当所述补充问题实体与所述待回答问题实体的字段一致时，将所述字段执行整合操作，及当所述补充问题实体与所述待回答问题实体的字段不一致时，则将所述字段执行拼接操作；
当所述补充问题意图与所述待回答问题意图的字段一致时，将所述字段执行整合操作，及当所述补充问题意图与所述待回答问题意图的字段不一致时，则将所述字段执行拼接操作；
汇总所述整合操作及/或所述拼接操作后的问题，得到所述完整问题。
本发明实施例中，所述提取所述补充问题的补充问题意图以及补充问题实体的步骤与所述步骤S1中提取所述待回答问题的问题实体和问题意图的操作一致，这里不再赘述。
本发明实施例中，所述预构建的上下文答案分析模型可以是基于LSTM算法的深度学习模型，其中，所述上下文答案分析模型中主要包括编码层和解码层，所述编码层主要用于将文本进行编码，得到语义向量；所述解码层主要用于输出预测。
详细地，所述利用预构建的上下文答案分析模型识别所述完整问题的完整答案之前，所述方法还包括：
获取预标注的问答文本，并将所述问答文本作为训练语料；
将所述训练语料根据预设的比例切割成训练集及测试集；
对所述训练集进行双向编码，得到所述训练集的编码数据，并将所述编码数据执行汇总以及输出，得到训练集中每个所述问答文本的语义向量；
将所述语义向量作为所述上下文答案分析模型的初始向量，并对所述语义向量进行循环嵌入计算，得到所述训练集中每个所述问答文本中问题的预测答案；
根据所述预测答案与所述预标注的问答文本中对应问题的真实答案，利用预构建的损失函数，计算损失值偏差；
当所述损失值偏差大于所述损失值偏差阈值时，则调整所述上下文答案分析模型中的模型参数，并返回上述将所述语义向量作为所述上下文答案分析模型的初始向量，并对所述语义向量进行循环嵌入计算，得到所述训练集中每个所述问答文本中问题的预测答案的步骤；
当所述损失值偏差不大于所述损失值偏差阈值时，得到初始上下文答案分析模型；
利用所述测试集测试所述初始上下文答案分析模型，得到测试通过率，并判断所述测试通过率是否大于预设的测试通过率阈值；
当所述测试通过不大于所述测试通过率阈值时，调整所述上下文答案分析模型中的模型参数，并返回上述将所述语义向量作为所述上下文答案分析模型的初始向量，并对所述语义向量进行循环嵌入计算，得到所述训练集中每个所述问答文本中问题的预测答案的步骤；
当所述测试通过不大于所述测试通过率阈值时，得到训练完成的上下文答案分析模型。
应当了解的是，所述上下文答案分析模型的通过测试中，可存在少许答案预测失败的问题。在接受范围内，所述测试通过率阈值可设置为90％。
本发明实施例中，所述双向编码可以是对一个文本进行正向以及反向编码的编码方式，进行双向编码可以更大限度的保留文本的语义信息。
本发明实施例中，可以利用下述损失函数，计算所述损失值偏差：
其中，pi为所述预测答案，yi为所述真实答案，L为所述上下文答案分析模型的神经元细胞个数，m为所述上下文答案分析模型中的神经元细胞总数。
详细地，所述利用预先训练完成的上下文答案分析模型识别所述完整问题的完整答案，包括；
提取所述完整问题的完整问题意图和完整问题实体；
将所述完整问题意图和所述完整问题实体执行双向编码，得到所述完整问题的编码数据；
将所述完整问题的编码数据在编码层中执行汇总以及输出，得到每个所述问答文本的语义向量；
利用所述解码层获取所述语义向量，并执行循环嵌入计算，得到所述完整问题的完整答案。
本发明实施例中，可采用Word2vec算法对所述完整问题的问题意图和问题实体以及待回答问题的当前答案在同一语义空间进行词向量编码。
本发明实施例通过提取用户输入的待回答问题的问题实体及问题意图，在预构建的答案库中查询当前答案；另外，当接收到用户在预设的时间段中输入的补充问题时，整合所述待回答问题以及所述补充问题，得到完整问题，并将所述完整问题的完整问题意图及完整问题实体在同一语义空间进行词向量编码后输入至预构建的上下文答案分析模型中进行循环嵌入计算，并将得到的完整答案返回至所述用户，完成智能问答流程。
如图2所示，是本发明一实施例提供的智能问答装置的功能模块图。
本发明所述智能问答装置100可以安装于电子设备中。根据实现的功能，所述智能问答装置100可以包括初始问题获取模块101、补充问题获取模块102以及完整答案生成模块103。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：
所述初始问题获取模块101，用于接收到用户的问题时，记录所述问题，得到待回答问题，并记录接收到所述问题的时间；
本发明实施例中，所述待回答问题可以是用户在聊天机器人交互界面输入的问题。例如，用户可以在交互界面输入语音或者文本格式的问题，当所述用户输入的为语音格式的问题时，本发明实施例先将所述语音格式的问题转换为文本格式，得到文本格式的问题。
所述补充问题获取模块102，用于提取所述待回答问题的待回答问题实体和待回答问题意图，根据所述待回答问题实体和所述待回答问题意图，从预构建的答案库中查询所述待回答问题的当前答案；从接收到所述问题的时间开始的预设时间段内，判断是否接收到所述用户的补充问题；若没有接收到所述用户的补充问题，则将所述当前答案返回至所述用户；
本发明实施例中，所述待回答问题实体和所述待回答问题意图可以是一个问题的基本属性。例如，所述问题为“今天天气怎样？”，则所述问题的问题意图是“天气怎样”，而问题实体为“今天”。
本发明实施例中，可以采用自然语言处理模型提取所述待回答问题的待回答问题实体和待回答问题意图。
详细地，所述提取所述待回答问题的待回答问题实体和待回答问题意图，包括：
利用预构建的分词工具，对所述待回答问题执行分词操作以及词性标注；
根据所述分词操作后的每个词语以及对应的词性标注，分析所述待回答问题的语义信息；
根据所述语义信息，识别出待回答问题的实体和意图，得到所述待回答问题实体和待回答问题意图。
其中，本发明实施例可以通过结巴分词对所述待回答问题执行词语切分和词性标注。
本发明实施例中，所述词性标注是根据分词后的词语的词性，在切分完成的词语后标注上对应词性的过程。例如，“n为普通名词”、“nw为作品名”、“PER为人名”、“LOC为地名”、“ORG为机构名”及“TIME为时间”等。
本发明实施例中，所述待回答问题实体可以是“LOC为地名”、“PER为人名”以及“TIME为时间”等。
进一步地，本发明实施例中，所述预构建的答案库可以是聊天机器人的自身系统中预先存储的关于大量问题的简易答案。
详细地，所述根据所述待回答问题实体和所述待回答问题意图，从预构建的答案库中查询所述待回答问题的当前答案，包括：
根据所述待回答问题实体在所述答案库中进行查找，获取与所述待回答问题实体相关联的关联答案；
在所述关联答案中查询与所述待回答问题意图的字段对应的答案文本，得到所述当前答案。
本发明实施例中，所述预设的时间段可以是接收到所述问题计时开始，在获取下一个问题之间的间隔时间。例如，所述预设时间段可以设置为5S。
详细地，本发明实施例若没有接收到所述用户的补充问题，则将所述当前答案作为最终答案返回至所述用户。
所述完整答案生成模块103，用于判定若接收到所述用户的补充问题，则整合所述待回答问题及所述补充问题，得到完整问题，并利用预先训练完成的上下文答案分析模型识别所述完整问题的完整答案，并将所述完整答案返回至所述用户。
本发明实施例中，所述整合所述待回答问题及所述补充问题，得到完整问题包括：
提取所述补充问题的补充问题意图和补充问题实体；
将所述补充问题实体、所述待回答问题实体、所述补充问题意图以及所述待回答问题意图进行字段识别；
当所述补充问题实体与所述待回答问题实体的字段一致时，将所述字段执行整合操作，及当所述补充问题实体与所述待回答问题实体的字段不一致时，则将所述字段执行拼接操作；
当所述补充问题意图与所述待回答问题意图的字段一致时，将所述字段执行整合操作，及当所述补充问题意图与所述待回答问题意图的字段不一致时，则将所述字段执行拼接操作；
汇总所述整合操作及/或所述拼接操作后的问题，得到所述完整问题。
本发明实施例中，所述提取所述补充问题的补充问题意图以及补充问题实体的步骤与所述步骤S1中提取所述待回答问题的问题实体和问题意图的操作一致，这里不再赘述。
本发明实施例中，所述预构建的上下文答案分析模型可以是基于LSTM算法的深度学习模型，其中，所述上下文答案分析模型中主要包括编码层和解码层，所述编码层主要用于将文本进行编码，得到语义向量；所述解码层主要用于输出预测。
详细地，所述利用预构建的上下文答案分析模型识别所述完整问题的完整答案之前，所述方法还包括：
获取预标注的问答文本，并将所述问答文本作为训练语料；
将所述训练语料根据预设的比例切割成训练集及测试集；
对所述训练集进行双向编码，得到所述训练集的编码数据，并将所述编码数据执行汇总以及输出，得到训练集中每个所述问答文本的语义向量；
将所述语义向量作为所述上下文答案分析模型的初始向量，并对所述语义向量进行循环嵌入计算，得到所述训练集中每个所述问答文本中问题的预测答案；
根据所述预测答案与所述预标注的问答文本中对应问题的真实答案，利用预构建的损失函数，计算损失值偏差；
当所述损失值偏差大于所述损失值偏差阈值时，则调整所述上下文答案分析模型中的模型参数，并返回上述将所述语义向量作为所述上下文答案分析模型的初始向量，并对所述语义向量进行循环嵌入计算，得到所述训练集中每个所述问答文本中问题的预测答案的步骤；
当所述损失值偏差不大于所述损失值偏差阈值时，得到初始上下文答案分析模型；
利用所述测试集测试所述初始上下文答案分析模型，得到测试通过率，并判断所述测试通过率是否大于预设的测试通过率阈值；
当所述测试通过不大于所述测试通过率阈值时，调整所述上下文答案分析模型中的模型参数，并返回上述将所述语义向量作为所述上下文答案分析模型的初始向量，并对所述语义向量进行循环嵌入计算，得到所述训练集中每个所述问答文本中问题的预测答案的步骤；
当所述测试通过不大于所述测试通过率阈值时，得到训练完成的上下文答案分析模型。
应当了解的是，所述上下文答案分析模型的通过测试中，可存在少许答案预测失败的问题。在接受范围内，所述测试通过率阈值可设置为90％。
本发明实施例中，所述双向编码可以是对一个文本进行正向以及反向编码的编码方式，进行双向编码可以更大限度的保留文本的语义信息。
本发明实施例中，可以利用下述损失函数，计算所述损失值偏差：
其中，pi为所述预测答案，yi为所述真实答案，L为所述上下文答案分析模型的神经元细胞个数，m为所述上下文答案分析模型中的神经元细胞总数。
详细地，所述利用预先训练完成的上下文答案分析模型识别所述完整问题的完整答案，包括；
提取所述完整问题的完整问题意图和完整问题实体；
将所述完整问题意图和所述完整问题实体执行双向编码，得到所述完整问题的编码数据；
将所述完整问题的编码数据在编码层中执行汇总以及输出，得到每个所述问答文本的语义向量；
利用所述解码层获取所述语义向量，并执行循环嵌入计算，得到所述完整问题的完整答案。
本发明实施例中，可采用Word2vec算法对所述完整问题的问题意图和问题实体以及待回答问题的当前答案在同一语义空间进行词向量编码。
本发明实施例通过提取用户输入的待回答问题的问题实体及问题意图，在预构建的答案库中查询当前答案；另外，当接收到用户在预设的时间段中输入的补充问题时，整合所述待回答问题以及所述补充问题，得到完整问题，并将所述完整问题的完整问题意图及完整问题实体在同一语义空间进行词向量编码后输入至预构建的上下文答案分析模型中进行循环嵌入计算，并将得到的完整答案返回至所述用户，完成智能问答流程。
如图3所示，是本发明一实施例提供的实现智能问答方法的电子设备的结构示意图。
所述电子设备1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，如智能问答程序。
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(例如执行智能问答程序等)，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，例如智能问答程序的代码等，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3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3示出的结构并不构成对所述电子设备1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1中的所述存储器11存储的智能问答程序是多个指令的组合，在所述处理器10中运行时，可以实现：
接收到用户的问题时，记录所述问题，得到待回答问题，并记录接收到所述问题的时间；
提取所述待回答问题的待回答问题实体和待回答问题意图，根据所述待回答问题实体和所述待回答问题意图，从预构建的答案库中查询所述待回答问题的当前答案；
从接收到所述问题的时间开始的预设时间段内，判断是否接收到所述用户的补充问题；
若没有接收到所述用户的补充问题，则将所述当前答案返回至所述用户；
若接收到所述用户的补充问题，则整合所述待回答问题及所述补充问题，得到完整问题，并利用预先训练完成的上下文答案分析模型识别所述完整问题的完整答案，并将所述完整答案返回至所述用户。
具体地，所述处理器10对上述指令的具体实现方法可参考附图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1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，可以存储在一个计算机可读存储介质中。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：
接收到用户的问题时，记录所述问题，得到待回答问题，并记录接收到所述问题的时间；
提取所述待回答问题的待回答问题实体和待回答问题意图，根据所述待回答问题实体和所述待回答问题意图，从预构建的答案库中查询所述待回答问题的当前答案；
从接收到所述问题的时间开始的预设时间段内，判断是否接收到所述用户的补充问题；
若没有接收到所述用户的补充问题，则将所述当前答案返回至所述用户；
若接收到所述用户的补充问题，则整合所述待回答问题及所述补充问题，得到完整问题，并利用预先训练完成的上下文答案分析模型识别所述完整问题的完整答案，并将所述完整答案返回至所述用户。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，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)
1.一种智能问答方法，其特征在于，所述方法包括：
接收到用户的问题时，记录所述问题，得到待回答问题，并记录接收到所述问题的时间；
提取所述待回答问题的待回答问题实体和待回答问题意图，根据所述待回答问题实体和所述待回答问题意图，从预构建的答案库中查询所述待回答问题的当前答案；
从接收到所述问题的时间开始的预设时间段内，判断是否接收到所述用户的补充问题；
若没有接收到所述用户的补充问题，则将所述当前答案返回至所述用户；
若接收到所述用户的补充问题，则整合所述待回答问题及所述补充问题，得到完整问题，并利用预先训练完成的上下文答案分析模型识别所述完整问题的完整答案，并将所述完整答案返回至所述用户。
2.如权利要求1所述的智能问答方法，其特征在于，所述提取所述待回答问题的待回答问题实体和待回答问题意图，包括：
利用预构建的分词工具，对所述待回答问题执行分词操作以及词性标注；
根据所述分词操作后的每个词语以及对应的词性标注，分析所述待回答问题的语义信息；
根据所述语义信息，识别出待回答问题的实体和意图，得到所述待回答问题实体和待回答问题意图。
3.如权利要求1所述的智能问答方法，其特征在于，所述根据所述待回答问题实体和所述待回答问题意图，从预构建的答案库中查询所述待回答问题的当前答案，包括：
根据所述待回答问题实体在所述答案库中进行查找，获取与所述待回答问题实体相关联的关联答案；
在所述关联答案中查询与所述待回答问题意图的字段对应的答案文本，得到所述当前答案。
4.如权利要求1所述的智能问答方法，其特征在于，所述整合所述待回答问题及所述补充问题，得到完整问题，包括：
提取所述补充问题的补充问题意图和补充问题实体；
将所述补充问题实体、所述待回答问题实体、所述补充问题意图以及所述待回答问题意图进行字段识别；
当所述补充问题实体与所述待回答问题实体的字段一致时，将所述字段执行整合操作，及当所述补充问题实体与所述待回答问题实体的字段不一致时，则将所述字段执行拼接操作；
当所述补充问题意图与所述待回答问题意图的字段一致时，将所述字段执行整合操作，及当所述补充问题意图与所述待回答问题意图的字段不一致时，则将所述字段执行拼接操作；
汇总所述整合操作及/或所述拼接操作后的问题，得到所述完整问题。
5.如权利要求4所述的智能问答方法，其特征在于，所述利用预构建的上下文答案分析模型识别所述完整问题的完整答案之前，所述方法还包括：
获取预标注的问答文本，并将所述问答文本作为训练语料；
将所述训练语料根据预设的比例切割成训练集及测试集；
对所述训练集进行双向编码，得到所述训练集的编码数据，并将所述编码数据执行汇总以及输出，得到训练集中每个所述问答文本的语义向量；
将所述语义向量作为所述上下文答案分析模型的初始向量，并对所述语义向量进行循环嵌入计算，得到所述训练集中每个所述问答文本中问题的预测答案；
根据所述预测答案与所述预标注的问答文本中对应问题的真实答案，利用预构建的损失函数，计算损失值偏差；
当所述损失值偏差大于所述损失值偏差阈值时，则调整所述上下文答案分析模型中的模型参数，并返回上述将所述语义向量作为所述上下文答案分析模型的初始向量，并对所述语义向量进行循环嵌入计算，得到所述训练集中每个所述问答文本中问题的预测答案的步骤；
当所述损失值偏差不大于所述损失值偏差阈值时，得到初始上下文答案分析模型；
利用所述测试集测试所述初始上下文答案分析模型，得到测试通过率，并判断所述测试通过率是否大于预设的测试通过率阈值；
当所述测试通过不大于所述测试通过率阈值时，调整所述上下文答案分析模型中的模型参数，并返回上述将所述语义向量作为所述上下文答案分析模型的初始向量，并对所述语义向量进行循环嵌入计算，得到所述训练集中每个所述问答文本中问题的预测答案的步骤；
当所述测试通过不大于所述测试通过率阈值时，得到训练完成的上下文答案分析模型。
6.如权利要求5中所述的智能问答方法，其特征在于，所述利用预构建的损失函数，计算损失值偏差，包括：
利用下述损失函数，计算所述损失值偏差：
其中，pi为所述预测答案，yi为所述真实答案，L为所述上下文答案分析模型的神经元细胞个数，m为所述上下文答案分析模型中的神经元细胞总数。
7.如权利要求1所述的智能问答方法，其特征在于，所述利用预先训练完成的上下文答案分析模型识别所述完整问题的完整答案，包括；
提取所述完整问题的完整问题意图和完整问题实体；
将所述完整问题意图和所述完整问题实体执行双向编码，得到所述完整问题的编码数据；
将所述完整问题的编码数据在所述上下文答案分析模型的编码层中执行汇总以及输出，得到每个所述问答文本的语义向量；
利用所述上下文答案分析模型的解码层获取所述语义向量，并执行循环嵌入计算，得到所述完整问题的完整答案。
8.一种智能问答装置，其特征在于，所述装置包括：
初始问题获取模块，用于接收到用户的问题时，记录所述问题，得到待回答问题，并记录接收到所述问题的时间；
补充问题获取模块，用于提取所述待回答问题的待回答问题实体和待回答问题意图，根据所述待回答问题实体和所述待回答问题意图，从预构建的答案库中查询所述待回答问题的当前答案；从接收到所述问题的时间开始的预设时间段内，判断是否接收到所述用户的补充问题；若没有接收到所述用户的补充问题，则将所述当前答案返回至所述用户；
完整答案生成模块，用于判定若接收到所述用户的补充问题，则整合所述待回答问题及所述补充问题，得到完整问题，并利用预先训练完成的上下文答案分析模型识别所述完整问题的完整答案，并将所述完整答案返回至所述用户。
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中任意一项所述的智能问答方法。
10.一种计算机可读存储介质，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中任意一项所述的智能问答方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210133855.6A CN114461777B (zh) | 2022-02-14 | 2022-02-14 | 智能问答方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210133855.6A CN114461777B (zh) | 2022-02-14 | 2022-02-14 | 智能问答方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114461777A true CN114461777A (zh) | 2022-05-10 |
| CN114461777B CN114461777B (zh) | 2024-07-19 |
Family
ID=81413828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210133855.6A Active CN114461777B (zh) | 2022-02-14 | 2022-02-14 | 智能问答方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114461777B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114996427A (zh) * | 2022-06-24 | 2022-09-02 | 平安普惠企业管理有限公司 | 基于智能问答的消息展示方法、装置、设备及存储介质 |
| CN115617974A (zh) * | 2022-12-14 | 2023-01-17 | 北京红棉小冰科技有限公司 | 一种对话处理方法、装置、设备及存储介质 |
| CN117076626A (zh) * | 2023-08-07 | 2023-11-17 | 北京字跳网络技术有限公司 | 一种交互方法、装置、计算机设备及存储介质 |
| CN117217332A (zh) * | 2023-09-26 | 2023-12-12 | 广州方舟信息科技有限公司 | 一种药品问答模型训练方法、装置、电子设备和存储介质 |
| CN117951280A (zh) * | 2024-03-25 | 2024-04-30 | 可之(宁波)人工智能科技有限公司 | 一种基于生成式大模型的智能问答学习方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829038A (zh) * | 2018-12-11 | 2019-05-31 | 平安科技（深圳）有限公司 | 基于深度学习的问答反馈方法、装置、设备及存储介质 |
| CN109918560A (zh) * | 2019-01-09 | 2019-06-21 | 平安科技（深圳）有限公司 | 一种基于搜索引擎的问答方法和装置 |
| CN112632260A (zh) * | 2020-12-30 | 2021-04-09 | 平安证券股份有限公司 | 智能问答方法、装置、电子设备及计算机可读存储介质 |
| US20210406619A1 (en) * | 2020-06-30 | 2021-12-30 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus for visual question answering, computer device and medium |
-
2022
- 2022-02-14 CN CN202210133855.6A patent/CN114461777B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829038A (zh) * | 2018-12-11 | 2019-05-31 | 平安科技（深圳）有限公司 | 基于深度学习的问答反馈方法、装置、设备及存储介质 |
| CN109918560A (zh) * | 2019-01-09 | 2019-06-21 | 平安科技（深圳）有限公司 | 一种基于搜索引擎的问答方法和装置 |
| US20210406619A1 (en) * | 2020-06-30 | 2021-12-30 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus for visual question answering, computer device and medium |
| CN112632260A (zh) * | 2020-12-30 | 2021-04-09 | 平安证券股份有限公司 | 智能问答方法、装置、电子设备及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张栋;李寿山;王晶晶;: "基于问题与答案联合表示学习的半监督问题分类方法", 中文信息学报, no. 01, 15 January 2017 (2017-01-15) * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114996427A (zh) * | 2022-06-24 | 2022-09-02 | 平安普惠企业管理有限公司 | 基于智能问答的消息展示方法、装置、设备及存储介质 |
| CN115617974A (zh) * | 2022-12-14 | 2023-01-17 | 北京红棉小冰科技有限公司 | 一种对话处理方法、装置、设备及存储介质 |
| CN115617974B (zh) * | 2022-12-14 | 2023-12-01 | 北京红棉小冰科技有限公司 | 一种对话处理方法、装置、设备及存储介质 |
| CN117076626A (zh) * | 2023-08-07 | 2023-11-17 | 北京字跳网络技术有限公司 | 一种交互方法、装置、计算机设备及存储介质 |
| CN117217332A (zh) * | 2023-09-26 | 2023-12-12 | 广州方舟信息科技有限公司 | 一种药品问答模型训练方法、装置、电子设备和存储介质 |
| CN117951280A (zh) * | 2024-03-25 | 2024-04-30 | 可之(宁波)人工智能科技有限公司 | 一种基于生成式大模型的智能问答学习方法 |
| CN117951280B (zh) * | 2024-03-25 | 2024-06-28 | 可之(宁波)人工智能科技有限公司 | 一种基于生成式大模型的智能问答学习方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114461777B (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114461777B (zh) | 智能问答方法、装置、设备及存储介质 | |
| CN113821622B (zh) | 基于人工智能的答案检索方法、装置、电子设备及介质 | |
| CN111639153A (zh) | 基于法律知识图谱的查询方法、装置、电子设备及介质 | |
| CN113704429A (zh) | 基于半监督学习的意图识别方法、装置、设备及介质 | |
| CN113378970A (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
| CN114781402A (zh) | 问诊意图识别方法、装置、电子设备及可读存储介质 | |
| CN112988963A (zh) | 基于多流程节点的用户意图预测方法、装置、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 | |
| CN113887941A (zh) | 业务流程生成方法、装置、电子设备及介质 | |
| CN114416939A (zh) | 智能问答方法、装置、设备及存储介质 | |
| CN115510188A (zh) | 文本关键词关联方法、装置、设备及存储介质 | |
| CN114595321A (zh) | 问题标注方法、装置、电子设备及存储介质 | |
| CN115309865A (zh) | 基于双塔模型的交互式检索方法、装置、设备及存储介质 | |
| CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
| CN114880449A (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
| CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
| CN114610855A (zh) | 对话回复生成方法、装置、电子设备及存储介质 | |
| CN113918704A (zh) | 基于机器学习的问答方法、装置、电子设备及介质 | |
| CN113254814A (zh) | 网络课程视频打标签方法、装置、电子设备及介质 | |
| CN113656703B (zh) | 基于新上线课程的智能推荐方法、装置、设备及存储介质 | |
| CN116340537A (zh) | 人物关系抽取方法、装置、电子设备及存储介质 | |
| CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
| CN114548114A (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
| CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
| CN114996427A (zh) | 基于智能问答的消息展示方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |