CN114490965A - 问题处理方法、装置、电子设备和存储介质 - Google Patents
问题处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114490965A CN114490965A CN202111590578.3A CN202111590578A CN114490965A CN 114490965 A CN114490965 A CN 114490965A CN 202111590578 A CN202111590578 A CN 202111590578A CN 114490965 A CN114490965 A CN 114490965A
- Authority
- CN
- China
- Prior art keywords
- question
- answer pair
- character
- candidate
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims description 233
- 238000012545 processing Methods 0.000 claims description 69
- 238000000034 method Methods 0.000 claims description 66
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 8
- 238000003058 natural language processing Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 24
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 239000004576 sand Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06F16/332—Query formulation
-
- 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
- G06F16/3347—Query execution using vector based model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/338—Presentation of query results
-
- 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
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90344—Query processing by using string matching techniques
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种问题处理方法、装置、电子设备和存储介质,涉及自然语言处理、深度学习等领域。具体实现方案为:确定获取的待处理问题与至少一个参考问答对中各候选问题之间的第一相似度,确定待处理问题与至少一个参考问答对之间的第二相似度,之后根据至少一个参考问答对的第二相似度,从至少一个参考问答对中确定目标问答对,以根据目标问答对中的目标答案,回复待处理问题。由此,根据待处理问题与各参考问答对之间的相似度,来确定待处理问题所属的目标问答对,从而根据目标问答对中的目标答案,回复待处理问题,可以提升问题回复结果的准确性和可靠性。
Description
技术领域
本公开涉及人工智能领域,具体涉及自然语言处理、深度学习等技术领域,尤其涉及问题处理方法、装置、电子设备和存储介质。
背景技术
随着互联网业务的快速增长,对于智能问答的需求日渐高涨。其中,智能问答属于AI(Artificial Intelligence,人工智能)领域,以一问一答的形式,精确定位用户的提问,并通过与用户交互,来实现为用户提供个性化的信息服务。
因此,如何实现对用户的提问进行处理,以得到提问对应的答案是非常重要的。
发明内容
本公开提供了一种用于问题处理方法、装置、电子设备和存储介质。
根据本公开的一方面,提供了一种问题处理方法,包括:
获取待处理问题,并确定所述待处理问题与至少一个参考问答对中各候选问题之间的第一相似度;
根据所述待处理问题与所述至少一个参考问答对中各所述候选问题之间的第一相似度,确定所述待处理问题与所述至少一个参考问答对之间的第二相似度;
根据所述至少一个参考问答对的第二相似度,从所述至少一个参考问答对中确定目标问答对;
根据所述目标问答对中的目标答案,回复所述待处理问题。
根据本公开的另一方面,提供了一种问题处理装置,包括:
获取模块,用于获取待处理问题;
第一确定模块,用于确定所述待处理问题与至少一个参考问答对中各候选问题之间的第一相似度;
第二确定模块,用于根据所述待处理问题与所述至少一个参考问答对中各所述候选问题之间的第一相似度,确定所述待处理问题与所述至少一个参考问答对之间的第二相似度;
第三确定模块,用于根据所述至少一个参考问答对的第二相似度,从所述至少一个参考问答对中确定目标问答对;
回复模块,用于根据所述目标问答对中的目标答案,回复所述待处理问题。
根据本公开的又一方面,提供了一种电子设备,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本公开上述一方面提出的问题处理方法。
根据本公开的再一方面,提供了一种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本公开上述一方面提出的问题处理方法。
根据本公开的还一方面,提供了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本公开上述一方面提出的问题处理方法。
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为本公开实施例一所提供的问题处理方法的流程示意图;
图2为本公开实施例二所提供的问题处理方法的流程示意图;
图3为本公开实施例三所提供的问题处理方法的流程示意图;
图4为本公开实施例四所提供的问题处理方法的流程示意图;
图5为本公开实施例五所提供的问题处理方法的流程示意图;
图6为本公开实施例六所提供的问题处理方法的流程示意图;
图7为本公开实施例中的模型结构示意图;
图8为本公开实施例七所提供的问题处理装置的结构示意图;
图9示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
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。
FAQ(Frequently Asked Questions,常见问题)匹配算法是对话系统或智能问答系统中很重要的实现方法。通常,一个FAQ系统中需要标注多个问答对,并且每个问答对中需给出多个候选问题。当用户输入的问题进入FAQ系统时,FAQ系统会基于检索算法从上述多个问答对中,检索出与用户输入的问题相似的多个候选问题,然后再通过匹配算法从上述多个候选问题中确定与用户输入的问题最接近的候选问题,从而将该最接近的候选问题所属的问答对中的答案,作为与用户输入的问题匹配的答案。
例如,一个FAQ系统中包含两个问答对:第一个问答对是关于名字的,包含的候选问题为『你叫什么名字』、『你的名字叫啥』,答案为『我叫小D』。第二个问答对是关于年龄的,包含的候选问题为『你几岁』、『你多大』,答案为『我XX岁了』。当用户输入的问题为『你的名字』时,基于检索算法从上述两个问答对中,检索出『你叫什么名字』、『你的名字叫啥』这两个候选问题。然后经过匹配算法确定用户输入的问题『你的名字』和候选问题『你叫什么名字』更匹配,从而确定用户输入的问题属于第一个问答对。
其中,在整个FAQ系统中,最为关键的是匹配算法,原因为匹配算法最终决定用户输入的问题所属的类别。
相关技术中,现有的FAQ系统中的FAQ匹配模型通常是基于逐点Pointwise来实现的。Pointwise指的是,将一个问题和候选集中每个候选问题分别计算相似度得分。基于Pointwise匹配算法实现的FAQ系统,认为问题与候选问题的匹配,只需要考虑最接近的候选问题,而不需要考虑候选集中候选问题与候选问题之间的关系。
其中,主流的Pointwise匹配算法,有通过句向量余弦值、siamese(一种匹配算法)、Interaction-base(一种匹配算法)等方案。其主要是将两个问题输入模型中,通过模型中的一些网络结构预测出这两个问题的相似度得分。仍以上述例子进行示例,可以将『你的名字』和『你叫什么名字』一起输入模型中,由模型预测『你的名字』和『你叫什么名字』这两个问题的相似度得分。
在确定问题与候选问题的相似度得分后,需要确定问题所属的问答对。现有FAQ系统通常是采用问答对中候选问题的最大相似度得分来表示问答对的得分,从而基于问答对的得分,来确定问题所属的问答对,例如可以将最大得分的问答对,作为问题所属的问答对。
然而,基于Pointwise匹配算法的FAQ系统的训练阶段的输入和预测阶段的输入是不一致的,导致增加了训练和预测之间的误差。在FAQ系统的匹配阶段,FAQ系统需要从各候选问题中找出与问题最相似的候选问题,这意味FAQ系统的输入其实是整个候选集。基于Pointwise匹配算法的FAQ系统,需要将各候选问题分别输入至模型中,这样既没有考虑到候选问题与候选问题之间的关系,同时模型训练所构造的训练数据也无法完全接近预测阶段的输入。
仍以上述例子进行示例,假设用户输入的问题为“你的名字”,可以将『你的名字』和『你叫什么名字』,或者『你的名字』和『你的名字叫啥』分别输入至模型中,但是合理的方式应该为将『你的名字』、『你叫什么名字』和『你的名字叫啥』一起输入至模型中。
此外,基于问题的匹配,会导致模型预测阶段的输出和FAQ系统的输出不一致。FAQ系统最终需要的是问题所属的类别,而不是与问题最相似的候选问题。而现有的方案只考虑用户输入的问题与候选问题的匹配程度,忽视了用户输入的问题与问答对的匹配程度。可能发生当用户输入的问题只与某个异常的候选问题匹配时,而与问答对中其它候选问题非常不匹配时,会出现识别异常的情况。
仍以上述例子进行示例,模型会输出『你叫什么名字』和『你的名字叫啥』两个得分,但是合理的输出应该是第一个问答对的得分和第二个问答对的得分。
针对上述问题,本公开提出一种问题处理方法、装置、电子设备和存储介质。
下面参考附图描述本公开实施例的问题处理方法、装置、电子设备和存储介质。
图1为本公开实施例一所提供的问题处理方法的流程示意图。
本公开实施例以该问题处理方法被配置于问题处理装置中来举例说明,该问题处理装置可以应用于任一电子设备中,以使该电子设备可以执行问题处理功能。
其中,电子设备可以为任一具有计算能力的设备,例如可以为PC(PersonalComputer,个人电脑)、移动终端、服务器等,移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该问题处理方法可以包括以下步骤:
步骤101,获取待处理问题,并确定待处理问题与至少一个参考问答对中各候选问题之间的第一相似度。
在本公开实施例中,待处理问题可以为用户输入的问题,输入方式包括但不限于触摸输入(如滑动、点击等)、键盘输入、语音输入等。
在本公开实施例中,参考问答对的个数可以为一个,或者也可以为多个,本公开对此并不做限制。其中,参考问答对为预设的,每个参考问答对中可以包括至少一个候选问题以及一个答案。
举例而言,当第一个参考问答对关于姓名时,该参考问答对中可以包含『你叫什么名字』、『你的名字叫啥』、『你的姓名是』等候选问题,该参考问答对中的答案可以为『我叫小D』。再例如,当第二个参考问答对关于年龄时,该参考问答对中可以包含『你几岁』、『你多大』等候选问题,该参考问答对中的答案可以为『我XX岁了』。
在本公开实施例中,可以获取待处理问题,并计算该待处理问题与至少一个参考问答对中每个候选问题之间的相似度,本公开中记为第一相似度。比如,可以基于相似度计算算法,确定待处理问题与各候选问题之间的第一相似度。
步骤102,根据待处理问题与至少一个参考问答对中各候选问题之间的第一相似度,确定待处理问题与至少一个参考问答对之间的第二相似度。
在本公开实施例中,针对任意的一个参考问答对,可以根据待处理问题与该参考问答对中各候选问题之间的第一相似度,确定待处理问题与该参考问答对之间的相似度,本公开中记为第二相似度。
步骤103,根据至少一个参考问答对的第二相似度,从至少一个参考问答对中确定目标问答对。
在本公开实施例中,可以根据各参考问答对的第二相似度,从各参考问答对中确定目标问答对。
作为一种可能的实现方式,可以将最大第二相似度对应的参考问答对,作为目标问答对。
作为另一种可能的实现方式,可以将第二相似度高于设定的相似度阈值(比如80%、90%、95%等)的参考问答对,作为目标问答对。
由此,可以实现根据不同方式,确定目标问答对,可以提升该方法的灵活性和适用性。
步骤104,根据目标问答对中的目标答案,回复待处理问题。
在本公开实施例中,可以根据目标问答对中的目标答案,回复待处理问题。
仍以上述例子进行示例,假设待处理问题为『你的名字』,则可以确定该待处理问题与第一个参考问答对之间的第二相似度最高,可以根据该第一个参考问答对中的答案,回复待处理问题,即回复信息为『我叫小D』。
本公开实施例的问题处理方法,通过确定获取的待处理问题与至少一个参考问答对中各候选问题之间的第一相似度,确定待处理问题与至少一个参考问答对之间的第二相似度,之后根据至少一个参考问答对的第二相似度,从至少一个参考问答对中确定目标问答对,以根据目标问答对中的目标答案,回复待处理问题。由此,根据待处理问题与各参考问答对之间的相似度,来确定待处理问题所属的目标问答对,从而根据目标问答对中的目标答案,回复待处理问题,可以提升问题回复结果的准确性和可靠性。
需要说明的是,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,均在征得用户同意的前提下进行,并且均符合相关法律法规的规定,且不违背公序良俗。
为了清楚说明本公开上述实施例中是如何根据待处理问题与参考问答对中各候选问题之间的第一相似度,确定该待处理问题与参考问答对之间的第二相似度的,本公开还提出一种问题处理方法。
图2为本公开实施例二所提供的问题处理方法的流程示意图。
如图2所示,该问题处理方法可以包括以下步骤:
步骤201,获取待处理问题,并确定待处理问题与至少一个参考问答对中各候选问题之间的第一相似度。
步骤201的执行过程可以参见本公开任一实施例的执行过程,在此不做赘述。
步骤202,针对任意的一个参考问答对,从参考问答对中的各候选问题中,确定第一相似度高于设定阈值的目标问题。
在本公开实施例中,针对任意的一个参考问答对,可以从该参考问答对中的各候选问题中,确定第一相似度高于设定阈值的目标问题,即可以对参考问答对中的各候选问题进行筛选,以保留第一相似度高于设定阈值的目标问题。
步骤203,将各目标问题的第一相似度进行累加,或者,对各目标问题的第一相似度进行加权求和,以得到相似度得分。
其中,相似度得分用于表征待处理问题与参考问答对之间的相似度。
在本公开实施例中,可以将各目标问题的第一相似度进行累加,得到相似度得分,或者,将各目标问题的第一相似度进行加权求和,得到相似度得分。
步骤204,根据相似度得分,确定待处理问题与对应参考问答对之间的第二相似度。
在本公开实施例中,可以根据相似度得分,确定待处理问题与对应参考问答对之间的第二相似度。其中,相似度得分与第二相似度成正向关系。
作为一种示例,可以将相似度得分,作为待处理问题与对应参考问答对之间的第二相似度。
作为另一种示例,可以根据下述公式(1),确定待处理问题与对应参考问答对之间的第二相似度:
其中,yc是指第c个参考问答对的第二相似度,T为设定阈值,比如T可以为0,ys为第c个参考问答对中第s个候选问题的第一相似度。
需要说明的是,本公开仅以先对参考问答对中的候选问题进行筛选,得到目标问题,根据目标问题的第一相似度,确定待处理问题与该参考问答对之间的第二相似度进行示例,实际应用时,也可以无需对各候选问题进行筛选,即,针对任意的一个参考问答对,可以将该参考问答对中的各候选问题的第一相似度进行累加,或者,对该参考问答对中的各候选问题的第一相似度进行加权求和,以得到相似度得分,从而根据相似度得分,确定待处理问题与该参考问答对之间的第二相似度。
步骤205,根据至少一个参考问答对的第二相似度,从至少一个参考问答对中确定目标问答对。
步骤206,根据目标问答对中的目标答案,回复待处理问题。
步骤205至206的执行过程,可以参见本公开任一实施例的执行过程,在此不做赘述。
本公开实施例的问题处理方法,通过按照参考问答对中各候选问题对应的第一相似度,对各候选问题进行筛选,仅保留第一相似度高于设定阈值的目标问题,从而根据各目标问题的第一相似度,确定待处理问题与对应参考问答对之间的第二相似度,可以去除未高于设定阈值的候选问题对参考问答对的负面影响,从而提升后续目标问答对确定结果的准确性和可靠性。
为了清楚说明本公开上述实施例中是如何确定待处理问题与各候选问题之间的第一相似度的,本公开还提出一种问题处理方法。
图3为本公开实施例三所提供的问题处理方法的流程示意图。
如图3所示,该问题处理方法可以包括以下步骤:
步骤301,获取待处理问题。
步骤301的执行过程可以参见本公开任一实施例的执行过程,在此不做赘述。
步骤302,针对任意的一个参考问答对,根据参考问答对中各候选问题,确定待处理问题对应的第一目标句向量。
在本公开实施例中,针对任意的一个参考问答对,可以根据该参考问答对中各候选问题,确定该待处理问题对应的句向量,本公开中记为第二目标句向量。也就是说,对于不同的参考问答对,待处理问题对应的第一目标句向量可以不同。
步骤303,获取参考问答对中各候选问题对应的第二目标句向量。
在本公开实施例中,可以获取参考问答对中每个候选问题对应的句向量,本公开中记为第二目标句向量。
步骤304,根据第一目标句向量和参考问答对中各候选问题对应的第二目标句向量之间的相似度,确定待处理问题与参考问答对中各候选问题之间的第一相似度。
在本公开实施例中,可以根据待处理问题对应的第一目标句向量,与上述参考问答对中各候选问题对应的第二目标句向量之间的相似度,确定待处理问题与该参考问答对中各候选问题之间的第一相似度。例如,针对参考问答对中的每个候选问题,可以将待处理问题对应的第一目标句向量与该候选问题对应的第二目标句向量之间的相似度,作为待处理问题与该候选问题之间的第一相似度。
例如,标记待处理问题对应的第一目标句向量为γ,参考问答对中共有m个候选问题,则针对参考问答对中的第s个候选问题,标记该候选问题对应的第二目标句向量为δs,则待处理问题与该第s个候选问题之间的第一相似度可以为通过下述公式确定:
ys=H(γ,δs); (2)
其中,ys为参考问答对中第s个候选问题的第一相似度,H函数是非线性函数,用于将向量γ和δs映射到实数空间进行相似度计算。
步骤305,根据待处理问题与至少一个参考问答对中各候选问题之间的第一相似度,确定待处理问题与至少一个参考问答对之间的第二相似度。
步骤306,根据至少一个参考问答对的第二相似度,从至少一个参考问答对中确定目标问答对。
步骤307,根据目标问答对中的目标答案,回复待处理问题。
步骤305至307的执行过程可以参见本公开任一实施例的执行过程,在此不做赘述。
本公开实施例的问题处理方法,通过针对任意的一个参考问答对,根据参考问答对中各候选问题,确定待处理问题对应的第一目标句向量;获取参考问答对中各候选问题对应的第二目标句向量;根据第一目标句向量和参考问答对中各候选问题对应的第二目标句向量之间的相似度,确定待处理问题与参考问答对中各候选问题之间的第一相似度。由此,可以实现根据待处理问题对应的句向量和各候选问题对应的句向量,来有效地计算待处理问题与各候选问题之间的第一相似度。
为了清楚说明本公开任一实施例中是如何确定待处理问题对应的第一目标句向量的,本公开还提出一种问题处理方法。
图4为本公开实施例四所提供的问题处理方法的流程示意图。
如图4所示,该问题处理方法可以包括以下步骤:
步骤401,获取待处理问题。
步骤401的执行过程可以参见本公开任一实施例的执行过程,在此不做赘述。
步骤402,对待处理问题进行编码,以得到待处理问题中各第一字符对应的第一字符向量。
在本公开实施例中,可以基于文本编码方式,对待处理问题中各第一字符进行编码,以得到待处理问题中各第一字符对应的第一字符向量。
作为一种示例,可以采用LSTM(Long Short Term Memory,长短期记忆网络)、CNN(Convolutional Neural Network,卷积神经网络)、BERT(Bidirectional EncoderRepresentations from Transformers,来自转换器的双向编码器的表示)等自然语言处理常见的编码器,对待处理问题中的各第一字符进行编码,以得到各第一字符对应的第一字符向量。
步骤403,针对任意的一个参考问答对,对参考问答对中各候选问题进行编码,以得到参考问答对中各候选问题中各第二字符对应的第二字符向量。
在本公开实施例中,针对任意的一个参考问答对,可以基于文本编码方式,对该参考问答对中的每个候选问题中的各第二字符进行编码,以得到对应候选问题中的各第二字符对应的第二字符向量。
需要说明的是,不同问题对应的长度可能不同,为了便于对长度不同的各问题进行处理,以及提升后续目标问答对确定结果的准确性和可靠性,在本公开实施例的一种可能的实现方式中,可以对待处理问题和/或各候选问题进行对齐处理,以使对齐处理后的各问题的长度(长度即为问题包含的字符个数)匹配。
作为一种可能的实现方式,可以根据设定长度,对待处理问题进行对齐处理,其中,对齐处理后的待处理问题的长度与设定长度匹配;和/或,根据设定长度,对至少一个参考问答对中各候选问题进行对齐处理,其中,对齐处理后的各候选问题的长度与设定长度匹配。
举例而言,以设定长度为10进行示例,假设待处理问题为『你的名字』,该待处理问题包括4个字符,则可以将『你的名字』填充到10个字符,例如填充后的待处理问题为『你的名字PPPPPP』,其中,P表示填充padding的字符。从而本公开中,可以对填充后的待处理问题中的各字符进行编码,得到各字符对应的第一字符向量。
作为另一种可能的实现方式,还可以对待处理问题和至少一个参考问答对中各候选问题进行对齐处理,其中,对齐处理后的待处理问题的长度与对齐处理后的各候选问题的长度匹配。
步骤404,将各第一字符的第一字符向量与各第二字符的第二字符向量进行对齐处理,以得到对齐处理后的待处理问题中各第一字符的第一字符向量,以及得到对齐处理后的参考问答对中各候选问题中各第二字符的第二字符向量。
在本公开实施例中,可以将待处理问题中各第一字符对应的第一字符向量,与上述参考问答对中各候选问题中各第二字符对应的第二字符向量进行对齐处理,以得到对齐处理后的待处理问题中各第一字符的第一字符向量,以及得到对齐处理后的该参考问答对中各候选问题中各第二字符的第二字符向量。
作为一种示例,假设对待处理问题和各候选问题进行对齐处理后,各问题的长度为n,即各问题均包含n个字符,标记待处理问题中第i个第一字符对应的第一字符向量为ai,其中,0<i≤n,针对任意的一个候选问题,标记该候选问题中第i个第二字符对应的第二字符向量为bi,则可以先计算待处理问题中的第i个第一字符与上述候选问题中第j个第二字符之间的相关程度,比如可以通过下述公式(3),确定第i个第一字符ai与第j个第二字符bj之间的相关程度:
eij=F(ai,bj); (3)
其中,eij为ai与bj之间的相关程度,F函数为非线性函数,用于将向量ai与bj映射到实数空间进行相似度计算。
则待处理问题中对齐后的第i个第一字符的第一字符向量可以为:
其中,αi表示对齐后的第i个第一字符。
候选问题中对齐后的第j个第二字符的第二字符向量可以为:
其中,βj表示对齐后的第j个第二字符。
步骤405,根据对齐处理后的待处理问题中各第一字符的第一字符向量,以及对齐处理后的参考问答对中各候选问题中各第二字符的第二字符向量,确定待处理问题对应的第一目标句向量。
在本公开实施例中,可以根据对齐处理后的待处理问题中的各第一字符的第一字符向量,以及对齐处理后的参考问答对中各候选问题中各第二字符的第二字符向量,确定待处理问题对应的第一目标句向量。
步骤406,获取参考问答对中各候选问题对应的第二目标句向量。
步骤407,根据第一目标句向量和参考问答对中各候选问题对应的第二目标句向量之间的相似度,确定待处理问题与参考问答对中各候选问题之间的第一相似度。
步骤408,根据待处理问题与至少一个参考问答对中各候选问题之间的第一相似度,确定待处理问题与至少一个参考问答对之间的第二相似度。
步骤409,根据至少一个参考问答对的第二相似度,从至少一个参考问答对中确定目标问答对。
步骤410,根据目标问答对中的目标答案,回复待处理问题。
步骤406至410的执行过程可以参见本公开任一实施例的执行过程,在此不做赘述。
本公开实施例的问题处理方法,通过针对任意的一个参考问答对,对待处理问题中的各字符的字符向量与该参考问答对中各候选问题中各字符的字符向量进行对齐处理,从而根据对齐处理后的待处理问题中的各字符的字符向量,以及对齐处理后的该参考问答对中各候选问题中各字符的字符向量,确定待处理问题对应的句向量,可以实现结合参考问答对中各候选问题中各字符的字符向量,来生成待处理问题的句向量,即待处理问题的句向量的生成,结合了待处理问题与参考问答对中各候选问题之间的关系,可以提升后续目标问答对确定结果的准确性和可靠性。
为了清楚说明本公开上述实施例中是如何确定待处理问题对应的第一目标句向量的,本公开还提出一种问题处理方法。
图5为本公开实施例五所提供的问题处理方法的流程示意图。
如图5所示,该问题处理方法可以包括以下步骤:
步骤501,获取待处理问题。
步骤502,对待处理问题进行编码,以得到待处理问题中各第一字符对应的第一字符向量。
步骤503,针对任意的一个参考问答对,对参考问答对中各候选问题进行编码,以得到参考问答对中各候选问题中各第二字符对应的第二字符向量。
步骤504,将各第一字符的第一字符向量与各第二字符的第二字符向量进行对齐处理,以得到对齐处理后的待处理问题中各第一字符的第一字符向量,以及得到对齐处理后的参考问答对中各候选问题中各第二字符的第二字符向量。
步骤501至504的执行过程可以参见上述任一实施例的执行过程,在此不做赘述。
步骤505,对对齐处理后的待处理问题中各第一字符的第一字符向量进行编码,得到待处理问题中各第一字符对应的第一目标特征。
在本公开实施例中,可以基于文本编码方式,对上述对齐处理后的待处理问题中的各第一字符的第一字符向量进行再次编码,得到待处理问题中各第一字符对应的第一目标特征。
比如,可以基于LSTM、CNN、BERT等自然语言处理常见的编码器,对上述对齐处理后的待处理问题中的各第一字符的第一字符向量进行再次编码,得到各第一字符对应的第一目标特征。
步骤506,对对齐处理后的参考问答对中各候选问题中各第二字符的第二字符向量进行编码,得到参考问答对中各候选问题中各第二字符对应的第二目标特征。
在本公开实施例中,针对参考问答对中的每个候选问题,同样可以基于文本编码方式,对上述对齐处理后的该候选问题中各第二字符的第二字符向量进行再次编码,得到该候选问题中各第二字符对应的第二目标特征。
步骤507,根据参考问答对中各候选问题中各第二字符对应的第二目标特征,确定参考问答对中各候选问题对应的初始句向量。
在本公开实施例中,可以根据参考问答对中各候选问题中各第二字符对应的第二目标特征,确定该参考问答对中各候选问题对应的初始句向量。
作为一种示例,可以通过下述公式确定候选问题对应的初始句向量:
其中,βs为参考问答对中的第s个参考问题对应的初始句向量,βj s为第s个参考问题中第j个第二字符对应的第二目标特征。
步骤508,根据参考问答对中各候选问题对应的初始句向量与各第一字符的第一目标特征之间的关联度,以及参考问答对中各候选问题对应的初始句向量,确定各第一字符对应的第一目标字符向量。
在本公开实施例中,可以计算参考问答对中各候选问题对应的初始句向量与各第一字符的第一目标特征之间的关联度。
作为一种示例,可以根据下述公式,确定初始句向量与第一目标特征之间的关联度:
ηis=F(α'i,βs); (7)
其中,α'i表示待处理问题中第i个第一字符对应的第一目标特征,ηis表示待处理问题中第i个第一字符的第一目标特征与参考问答对中第s个参考问题之间的关联度。
在本公开实施例中,可以根据参考问答对中各候选问题对应的初始句向量与各第一字符的第一目标特征之间的关联度,以及该参考问答对中各候选问题对应的初始句向量,确定各第一字符对应的第一目标字符向量。
作为一种示例,可以根据下述公式,确定各第一字符对应的第一目标字符向量:
其中,γi表示待处理问题中第i个第一字符对应的第一目标字符向量,m为参考问答对中参考问题的个数。
步骤509,根据各第一字符对应的第一目标字符向量,确定待处理问题对应的第一目标句向量。
在本公开实施例中,可以根据待处理问题中各第一字符对应的第一目标字符向量,确定待处理问题对应的第一目标句向量。
作为一种示例,标记第一目标句向量为γ,则可以通过下述公式,确定γ:
其中,n为第一字符的个数。
步骤510,获取参考问答对中各候选问题对应的第二目标句向量。
步骤511,根据第一目标句向量和参考问答对中各候选问题对应的第二目标句向量之间的相似度,确定待处理问题与参考问答对中各候选问题之间的第一相似度。
步骤512,根据待处理问题与至少一个参考问答对中各候选问题之间的第一相似度,确定待处理问题与至少一个参考问答对之间的第二相似度。
步骤513,根据至少一个参考问答对的第二相似度,从至少一个参考问答对中确定目标问答对。
步骤514,根据目标问答对中的目标答案,回复待处理问题。
步骤510至514的执行过程可以参见本公开任一实施例的执行过程,在此不做赘述。
本公开实施例的问题处理方法,通过计算待处理问题中各第一字符对应的第一目标字符向量,从而可以根据各第一目标字符向量,有效计算待处理问题对应的第一目标句向量。
为了清楚说明本公开任一实施例中是如何确定各候选问题对应的第二目标句向量的,本公开还提出一种问题处理方法。
图6为本公开实施例五所提供的问题处理方法的流程示意图。
如图6所示,该问题处理方法可以包括以下步骤:
步骤601,获取待处理问题。
步骤602,针对任意的一个参考问答对,根据参考问答对中各候选问题,确定待处理问题对应的第一目标句向量。
步骤601至602的执行过程可以参见本公开任一实施例的执行过程,在此不做赘述。
步骤603,根据参考问答对中各候选问题中各第二字符对应的第二目标特征和参考问答对中各候选问题对应的初始句向量之间的关联度,以及参考问答对中各候选问题对应的初始句向量,确定参考问答对中各候选问题中各第二字符对应的第二目标字符向量。
在本公开实施例中,可以基于上述实施例,确定每个候选问题中各第二字符对应的第二目标特征,以及确定每个候选问题对应的初始句向量。
在本公开实施例中,可以计算参考问答对中各候选问题中各第二字符对应的第二目标特征和该参考问答对中各候选问题对应的初始句向量之间的关联度。
作为一种示例,可以根据下述公式,确定第二目标特征与初始句向量之间的关联度:
ηjs=F(β'j,βs); (10)
其中,β'j表示参考问答对中任意的一个候选问题中第j个第二字符对应的第二目标特征,βs为参考问答对中的第s个参考问题对应的初始句向量,ηjs表示参考问答对中任意的一个候选问题中第j个第二字符对应的第二目标特征与该参考问答对中的第s个参考问题对应的初始句向量之间的关联度。
在本公开实施例中,可以根据参考问答对中各候选问题中各第二字符对应的第二目标特征和参考问答对中各候选问题对应的初始句向量之间的关联度,以及该参考问答对中各候选问题对应的初始句向量,确定该参考问答对中各候选问题中各第二字符对应的第二目标字符向量。
作为一种示例,可以根据下述公式,确定各第二字符对应的第二目标字符向量:
其中,δj表示公式(10)中β'j所在的候选问题中第j个第二字符对应的第二目标字符向量,m为参考问答对中参考问题的个数。
步骤604,根据参考问答对中各候选问题中各第二字符对应的第二目标字符向量,确定参考问答对中各候选问题对应的第二目标句向量。
在本公开实施例中,针对参考问答对中的每个候选问题,可以根据该候选问题中各第二字符对应的第二目标字符向量,确定该候选问题对应的第二目标句向量。
作为一种示例,可以通过下述公式确定各候选问题对应的第二目标句向量:
步骤605,根据第一目标句向量和参考问答对中各候选问题对应的第二目标句向量之间的相似度,确定待处理问题与参考问答对中各候选问题之间的第一相似度。
步骤606,根据待处理问题与至少一个参考问答对中各候选问题之间的第一相似度,确定待处理问题与至少一个参考问答对之间的第二相似度。
步骤607,根据至少一个参考问答对的第二相似度,从至少一个参考问答对中确定目标问答对。
步骤608,根据目标问答对中的目标答案,回复待处理问题。
步骤605至608的执行过程可以参见本公开任一实施例的执行过程,在此不做赘述。
作为一种示例,以FAQ匹配模型确定待处理问题与各参考问答对之间的相似度进行示例,在FAQ匹配模型的预测阶段,可以将待处理问题和各参考问答对中各参考问题输入至FAQ匹配模型,以由FAQ匹配模型输出待处理问题与各参考问答对之间的第二相似度,从而可以基于各参考问答对的第二相似度,从参考问答对中确定目标问答对,从而可以根据目标问答对中的目标答案,回复待处理问题。
其中,在FAQ匹配模型的训练阶段:
一、训练样本收集。
FAQ系统匹配算法的训练数据来自于数据库中的候选问题,但是在构造训练集时,为了使得FAQ匹配模型尽可能地接近FAQ系统的输入,可以借助于FAQ系统同样的检索算法。对于数据库中的问题(后续称为待检索问题或待处理问题),可以利用现有的FAQ系统的算法进行检索,确定候选集(该候选集中包括多个候选问题,其中,一个候选集对应一个参考问答对,参考问答对中除了可以包括候选集,还可以包括答案),然后利用(待检索问题,召回的候选集,召回的候选集所属的类别),构成训练样本。
二、模型结构可以如图7所示。
模型结构主要分为三层,分别是:问题与候选问题对齐、跨候选问题对齐、参考问答对的得分预测。
其中,1、待检索问题与候选问题对齐。
首先,针对任意的一个候选问题,可以将待检索问题与该候选问题通过编码器进行编码,得到待检索问题和该候选问题中各字符的字符向量(或称为编码向量)。
其次,在模型中,需要各问题的输入是同样字数的,但是各问题包含的字数可能不同,因此,为了满足模型的输入需求,可以将各问题(即待检索问题和候选问题)填充padding到指定的长度。例如,将各问题填充padding到10个字符的长度。例如,以问题为『你的名字』进行示例,可以将『你的名字』变为10个字符长度的问题『你的名字PPPPPP』,其中,P表示填充padding的字符。之后,再计算『你的名字PPPPPP』这10个字符对应的字符向量。
再者,可以将待检索问题中各字符的字符向量分别与候选问题中各字符的编码向量进行对齐处理:
(1)待检索问题的字符向量为ai(0<i≤n),其中,n为待检索问题填充后的字符个数,ai为待检索问题中第i个字符对应的字符向量,候选问题的字符向量为bi(0<i≤n),其中,n为候选问题填充后的字符个数,bi为候选问题中第i个字符对应的字符向量。
(2)计算待检索问题中第i个字符与候选问题中第j个字符的相关程度eij=F(ai,bj),则对齐处理后的待检索问题中第i个字符的字符向量为:
对齐处理后的候选问题中第j个字符的字符向量为:
2、跨候选问题对齐。
(1)将对齐处理后的待检索问题中各字符的字符向量输入至编码器进行再次编码,得到待检索问题中各字符对应的目标特征,以及将对齐处理后的候选问题中各字符的字符向量输入至编码器进行再次编码,得到候选问题中各字符对应的目标特征。
(2)候选问题之间相互对齐。
其次,计算待检索问题中各字符的目标特征与候选问题的初始句向量之间的关联度:ηis=F(α'i,βs),其中,α'i表示待检索问题中第i个字符对应的目标特征,ηis表示待检索问题中第i个字符的目标特征与候选集中第s个参考问题对应的初始句向量之间的关联度;以及计算候选问题中各字符的目标特征与候选问题的初始句向量之间的关联度:ηjs=F(β'j,βs),其中,β'j表示候选集中任意的一个候选问题中第j个字符对应的目标特征,βs为候选集中第s个参考问题对应的初始句向量,ηjs表示上述候选集中任意的一个候选问题中第j个字符对应的目标特征与上述第s个参考问题对应的初始句向量之间的关联度。
再者,计算对齐后的待检索问题中各字符对应的目标字符向量:
以及计算对齐后的候选问题中各字符对应的目标字符向量:
其中,δj表示上述β'j所在的候选问题中第j个字符对应的目标字符向量。
3、参考问答对的得分预测。
其次,计算待检索问题与候选问题之间的相似度得分(本公开中记为第一相似度):ys=H(γ,δs),其中,ys为候选集中第s个候选问题与待检索问题的相似度得分(即第一相似度)。
则本公开中,参考问答对的得分(即待检索问题与参考问答对之间的第二相似度),可以由候选集中各候选问题的相似度得分累加得到,因此,每个参考问答对的第二相似度可以为:其中,yc是指第c个参考问答对的第二相似度,ys为第c个参考问答对中第s个候选问题的第一相似度。
其中,Sigmoid函数是将实数空间映射到(0,1)的区间,用来表示每个参考问答对的匹配得分。其中,采用max(ys,0),是考虑到参考问答对中对于有负分影响的候选问题,去除其对于参考问答对的负面影响。
根据上述步骤一收集到的训练样本,可以将其输入至模型中进行训练,即可以根据训练样本上标注的待检索问题与参考问答对之间的相似度得分,与模型输出的待检索问题与参考问答对之间的相似度得分之间的差异,生成损失函数,根据损失函数的取值,对模型进行训练,以使损失函数的取值最小化,其中,训练的损失函数可以采用BCE(BinaryCross Entropy,二分类交叉熵)损失,训练器可以采用常用的adam。
在模型预测阶段,只需将用户输入的待处理问题以及各参考问答对中的各候选问题输入至模型中,即可预测出每个参考问答对的得分,从而可以将得分最高的参考问答对中的答案,作为待处理问题对应的答案。
由此,直接将FAQ的候选集输入进模型,更符合FAQ系统目标。且模型考虑了候选问题之间的联系,可以提升模型预测结果的准确性,同时训练阶段的输入和预测阶段的输入完全一致,可以减少训练和预测之间的误差。此外,模型匹配的是各参考问答对的相似度得分,而非各候选问题的相似度得分,也更符合FAQ系统目标,同时减少了异常的候选问题对于最后识别效果的干扰,进一步提升模型预测结果的准确性。
本公开实施例的问题处理方法,通过计算参考问答对中各候选问题中各第二字符对应的第二目标字符向量,从而可以根据各第二目标字符向量,有效计算各候选问题对应的第二目标句向量。
与上述图1至图6实施例提供的问题处理方法相对应,本公开还提供一种问题处理装置,由于本公开实施例提供的问题处理装置与上述图1至图6实施例提供的问题处理方法相对应,因此在问题处理方法的实施方式也适用于本公开实施例提供的问题处理装置,在本公开实施例中不再详细描述。
图8为本公开实施例七所提供的问题处理装置的结构示意图。
如图8所示,该问题处理装置800可以包括:获取模块810、第一确定模块820、第二确定模块830、第三确定模块840以及回复模块850。
其中,获取模块810,用于获取待处理问题。
第一确定模块820,用于确定待处理问题与至少一个参考问答对中各候选问题之间的第一相似度。
第二确定模块830,用于根据待处理问题与至少一个参考问答对中各候选问题之间的第一相似度,确定待处理问题与至少一个参考问答对之间的第二相似度。
第三确定模块840,用于根据至少一个参考问答对的第二相似度,从至少一个参考问答对中确定目标问答对。
回复模块850,用于根据目标问答对中的目标答案,回复待处理问题。
在本公开实施例的一种可能的实现方式中,第二确定模块830,具体用于:针对任意的一个参考问答对,从参考问答对中的各候选问题中,确定第一相似度高于设定阈值的目标问题;将各目标问题的第一相似度进行累加,或者,对各目标问题的第一相似度进行加权求和,以得到相似度得分;根据相似度得分,确定待处理问题与对应参考问答对之间的第二相似度。
在本公开实施例的一种可能的实现方式中,第一确定模块820,可以包括:
第一确定单元,用于针对任意的一个参考问答对,根据参考问答对中各候选问题,确定待处理问题对应的第一目标句向量。
获取单元,用于获取参考问答对中各候选问题对应的第二目标句向量。
第二确定单元,用于根据第一目标句向量和参考问答对中各候选问题对应的第二目标句向量之间的相似度,确定待处理问题与参考问答对中各候选问题之间的第一相似度。
在本公开实施例的一种可能的实现方式中,第一确定单元,具体用于:对待处理问题进行编码,以得到待处理问题中各第一字符对应的第一字符向量;针对任意的一个参考问答对,对参考问答对中各候选问题进行编码,以得到参考问答对中各候选问题中各第二字符对应的第二字符向量;将各第一字符的第一字符向量与各第二字符的第二字符向量进行对齐处理,以得到对齐处理后的待处理问题中各第一字符的第一字符向量,以及得到对齐处理后的参考问答对中各候选问题中各第二字符的第二字符向量;根据对齐处理后的待处理问题中各第一字符的第一字符向量,以及对齐处理后的参考问答对中各候选问题中各第二字符的第二字符向量,确定待处理问题对应的第一目标句向量。
在本公开实施例的一种可能的实现方式中,第一确定单元,具体用于:对对齐处理后的待处理问题中各第一字符的第一字符向量进行编码,得到待处理问题中各第一字符对应的第一目标特征;对对齐处理后的参考问答对中各候选问题中各第二字符的第二字符向量进行编码,得到参考问答对中各候选问题中各第二字符对应的第二目标特征;根据参考问答对中各候选问题中各第二字符对应的第二目标特征,确定参考问答对中各候选问题对应的初始句向量;根据参考问答对中各候选问题对应的初始句向量与各第一字符的第一目标特征之间的关联度,以及参考问答对中各候选问题对应的初始句向量,确定各第一字符对应的第一目标字符向量;根据各第一字符对应的第一目标字符向量,确定待处理问题对应的第一目标句向量。
在本公开实施例的一种可能的实现方式中,获取单元,具体用于:根据参考问答对中各候选问题中各第二字符对应的第二目标特征和参考问答对中各候选问题对应的初始句向量之间的关联度,以及参考问答对中各候选问题对应的初始句向量,确定参考问答对中各候选问题中各第二字符对应的第二目标字符向量;根据参考问答对中各候选问题中各第二字符对应的第二目标字符向量,确定参考问答对中各候选问题对应的第二目标句向量。
在本公开实施例的一种可能的实现方式中,第一确定单元,还用于:根据设定长度,对待处理问题进行对齐处理,其中,对齐处理后的待处理问题的长度与设定长度匹配;和/或,根据设定长度,对至少一个参考问答对中各候选问题进行对齐处理,其中,对齐处理后的各候选问题的长度与设定长度匹配;
和/或,对待处理问题和至少一个参考问答对中各候选问题进行对齐处理,其中,对齐处理后的待处理问题的长度与对齐处理后的各候选问题的长度匹配。
在本公开实施例的一种可能的实现方式中,第三确定模块840,具体用于:将第二相似度高于相似度阈值的参考问答对,确定为目标问答对;或者,将最大第二相似度对应的参考问答对,确定为目标问答对。
本公开实施例的问题处理装置,通过确定获取的待处理问题与至少一个参考问答对中各候选问题之间的第一相似度,确定待处理问题与至少一个参考问答对之间的第二相似度,之后根据至少一个参考问答对的第二相似度,从至少一个参考问答对中确定目标问答对,以根据目标问答对中的目标答案,回复待处理问题。由此,根据待处理问题与各参考问答对之间的相似度,来确定待处理问题所属的目标问答对,从而根据目标问答对中的目标答案,回复待处理问题,可以提升问题回复结果的准确性和可靠性。
为了实现上述实施例,本公开还提供一种电子设备,该电子设备可以包括至少一个处理器;以及与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,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本公开上述任一实施例提出的问题处理方法。
为了实现上述实施例,本公开还提供一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行本公开上述任一实施例提出的问题处理方法。
为了实现上述实施例,本公开还提供一种计算机程序产品,该计算机程序产品包括计算机程序,计算机程序在被处理器执行时实现本公开上述任一实施例提出的问题处理方法。
根据本公开的实施例,本公开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9示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。其中,电子设备可以包括上述实施例中的服务端、客户端。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9所示,电子设备900包括计算单元901,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)902中的计算机程序或者从存储单元908加载到RAM(Random AccessMemory,随机访问/存取存储器)903中的计算机程序,来执行各种适当的动作和处理。在RAM903中,还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM903通过总线904彼此相连。I/O(Input/Output,输入/输出)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许电子设备900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。
计算单元901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。计算单元901的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如上述问题处理方法。例如,在一些实施例中,上述问题处理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介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的问题处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述问题处理方法。
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、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、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。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服务器上执行。
在本公开的上下文中,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、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、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(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,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:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
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(VirtualPrivate Server,虚拟专用服务器)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
根据本公开实施例的技术方案,通过确定获取的待处理问题与至少一个参考问答对中各候选问题之间的第一相似度,确定待处理问题与至少一个参考问答对之间的第二相似度,之后根据至少一个参考问答对的第二相似度,从至少一个参考问答对中确定目标问答对,以根据目标问答对中的目标答案,回复待处理问题。由此,根据待处理问题与各参考问答对之间的相似度,来确定待处理问题所属的目标问答对,从而根据目标问答对中的目标答案,回复待处理问题,可以提升问题回复结果的准确性和可靠性。
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提出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,均应包含在本公开保护范围之内。
Claims (19)
1.一种问题处理方法,所述方法包括:
获取待处理问题,并确定所述待处理问题与至少一个参考问答对中各候选问题之间的第一相似度;
根据所述待处理问题与所述至少一个参考问答对中各所述候选问题之间的第一相似度,确定所述待处理问题与所述至少一个参考问答对之间的第二相似度;
根据所述至少一个参考问答对的第二相似度,从所述至少一个参考问答对中确定目标问答对;
根据所述目标问答对中的目标答案,回复所述待处理问题。
2.根据权利要求1所述的方法,其中,所述根据所述待处理问题与所述至少一个参考问答对中各候选问题之间的第一相似度,确定所述待处理问题与所述至少一个参考问答对之间的第二相似度,包括:
针对任意的一个所述参考问答对,从所述参考问答对中的各所述候选问题中,确定第一相似度高于设定阈值的目标问题;
将各所述目标问题的第一相似度进行累加,或者,对各所述目标问题的第一相似度进行加权求和,以得到相似度得分;
根据所述相似度得分,确定所述待处理问题与对应参考问答对之间的第二相似度。
3.根据权利要求1所述的方法,其中,所述确定所述待处理问题与至少一个参考问答对中各候选问题之间的第一相似度,包括:
针对任意的一个所述参考问答对,根据所述参考问答对中各所述候选问题,确定所述待处理问题对应的第一目标句向量;
获取所述参考问答对中各所述候选问题对应的第二目标句向量;
根据所述第一目标句向量和所述参考问答对中各所述候选问题对应的第二目标句向量之间的相似度,确定所述待处理问题与所述参考问答对中各所述候选问题之间的第一相似度。
4.根据权利要求3所述的方法,其中,所述针对任意的一个所述参考问答对,根据所述参考问答对中各所述候选问题,确定所述待处理问题对应的第一目标句向量,包括:
对所述待处理问题进行编码,以得到所述待处理问题中各第一字符对应的第一字符向量;
针对任意的一个所述参考问答对,对所述参考问答对中各所述候选问题进行编码,以得到所述参考问答对中各所述候选问题中各第二字符对应的第二字符向量;
将各所述第一字符的第一字符向量与各所述第二字符的第二字符向量进行对齐处理,以得到对齐处理后的所述待处理问题中各所述第一字符的第一字符向量,以及得到对齐处理后的所述参考问答对中各所述候选问题中各所述第二字符的第二字符向量;
根据所述对齐处理后的所述待处理问题中各所述第一字符的第一字符向量,以及所述对齐处理后的所述参考问答对中各所述候选问题中各第二字符的第二字符向量,确定所述待处理问题对应的第一目标句向量。
5.根据权利要求4所述的方法,其中,所述根据所述对齐处理后的所述待处理问题中各所述第一字符的第一字符向量,以及所述对齐处理后的所述参考问答对中各所述候选问题中各第二字符的第二字符向量,确定所述待处理问题对应的第一目标句向量,包括:
对所述对齐处理后的所述待处理问题中各所述第一字符的第一字符向量进行编码,得到所述待处理问题中各所述第一字符对应的第一目标特征;
对所述对齐处理后的所述参考问答对中各所述候选问题中各第二字符的第二字符向量进行编码,得到所述参考问答对中各所述候选问题中各所述第二字符对应的第二目标特征;
根据所述参考问答对中各所述候选问题中各所述第二字符对应的第二目标特征,确定所述参考问答对中各所述候选问题对应的初始句向量;
根据所述参考问答对中各所述候选问题对应的初始句向量与各所述第一字符的第一目标特征之间的关联度,以及所述参考问答对中各所述候选问题对应的初始句向量,确定各所述第一字符对应的第一目标字符向量;
根据各所述第一字符对应的第一目标字符向量,确定所述待处理问题对应的第一目标句向量。
6.根据权利要求5所述的方法,其中,所述获取所述参考问答对中各所述候选问题对应的第二目标句向量,包括:
根据所述参考问答对中各所述候选问题中各所述第二字符对应的第二目标特征和所述参考问答对中各所述候选问题对应的初始句向量之间的关联度,以及所述参考问答对中各所述候选问题对应的初始句向量,确定所述参考问答对中各所述候选问题中各所述第二字符对应的第二目标字符向量;
根据所述参考问答对中各所述候选问题中各所述第二字符对应的第二目标字符向量,确定所述参考问答对中各所述候选问题对应的第二目标句向量。
7.根据权利要求4-6中任一项所述的方法,其中,所述对所述待处理问题进行编码之前,所述方法还包括:
根据设定长度,对所述待处理问题进行对齐处理,其中,对齐处理后的所述待处理问题的长度与所述设定长度匹配;
和/或,
根据设定长度,对所述至少一个参考问答对中各所述候选问题进行对齐处理,其中,对齐处理后的各所述候选问题的长度与所述设定长度匹配;
和/或,
对所述待处理问题和所述至少一个参考问答对中各所述候选问题进行对齐处理,其中,对齐处理后的所述待处理问题的长度与对齐处理后的各所述候选问题的长度匹配。
8.根据权利要求1所述的方法,其中,所述根据所述至少一个参考问答对的第二相似度,从所述至少一个参考问答对中确定目标问答对,包括:
将第二相似度高于相似度阈值的参考问答对,确定为所述目标问答对;
或者,
将最大第二相似度对应的参考问答对,确定为所述目标问答对。
9.一种问题处理装置,所述装置包括:
获取模块,用于获取待处理问题;
第一确定模块,用于确定所述待处理问题与至少一个参考问答对中各候选问题之间的第一相似度;
第二确定模块,用于根据所述待处理问题与所述至少一个参考问答对中各所述候选问题之间的第一相似度,确定所述待处理问题与所述至少一个参考问答对之间的第二相似度;
第三确定模块,用于根据所述至少一个参考问答对的第二相似度,从所述至少一个参考问答对中确定目标问答对;
回复模块,用于根据所述目标问答对中的目标答案,回复所述待处理问题。
10.根据权利要求9所述的装置,其中,所述第二确定模块,具体用于:
针对任意的一个所述参考问答对,从所述参考问答对中的各所述候选问题中,确定第一相似度高于设定阈值的目标问题;
将各所述目标问题的第一相似度进行累加,或者,对各所述目标问题的第一相似度进行加权求和,以得到相似度得分;
根据所述相似度得分,确定所述待处理问题与对应参考问答对之间的第二相似度。
11.根据权利要求9所述的装置,其中,所述第一确定模块,包括:
第一确定单元,用于针对任意的一个所述参考问答对,根据所述参考问答对中各所述候选问题,确定所述待处理问题对应的第一目标句向量;
获取单元,用于获取所述参考问答对中各所述候选问题对应的第二目标句向量;
第二确定单元,用于根据所述第一目标句向量和所述参考问答对中各所述候选问题对应的第二目标句向量之间的相似度,确定所述待处理问题与所述参考问答对中各所述候选问题之间的第一相似度。
12.根据权利要求11所述的装置,其中,所述第一确定单元,具体用于:
对所述待处理问题进行编码,以得到所述待处理问题中各第一字符对应的第一字符向量;
针对任意的一个所述参考问答对,对所述参考问答对中各所述候选问题进行编码,以得到所述参考问答对中各所述候选问题中各第二字符对应的第二字符向量;
将各所述第一字符的第一字符向量与各所述第二字符的第二字符向量进行对齐处理,以得到对齐处理后的所述待处理问题中各所述第一字符的第一字符向量,以及得到对齐处理后的所述参考问答对中各所述候选问题中各所述第二字符的第二字符向量;
根据所述对齐处理后的所述待处理问题中各所述第一字符的第一字符向量,以及所述对齐处理后的所述参考问答对中各所述候选问题中各第二字符的第二字符向量,确定所述待处理问题对应的第一目标句向量。
13.根据权利要求12所述的装置,其中,所述第一确定单元,具体用于:
对所述对齐处理后的所述待处理问题中各所述第一字符的第一字符向量进行编码,得到所述待处理问题中各所述第一字符对应的第一目标特征;
对所述对齐处理后的所述参考问答对中各所述候选问题中各第二字符的第二字符向量进行编码,得到所述参考问答对中各所述候选问题中各所述第二字符对应的第二目标特征;
根据所述参考问答对中各所述候选问题中各所述第二字符对应的第二目标特征,确定所述参考问答对中各所述候选问题对应的初始句向量;
根据所述参考问答对中各所述候选问题对应的初始句向量与各所述第一字符的第一目标特征之间的关联度,以及所述参考问答对中各所述候选问题对应的初始句向量,确定各所述第一字符对应的第一目标字符向量;
根据各所述第一字符对应的第一目标字符向量,确定所述待处理问题对应的第一目标句向量。
14.根据权利要求13所述的装置,其中,所述获取单元,具体用于:
根据所述参考问答对中各所述候选问题中各所述第二字符对应的第二目标特征和所述参考问答对中各所述候选问题对应的初始句向量之间的关联度,以及所述参考问答对中各所述候选问题对应的初始句向量,确定所述参考问答对中各所述候选问题中各所述第二字符对应的第二目标字符向量;
根据所述参考问答对中各所述候选问题中各所述第二字符对应的第二目标字符向量,确定所述参考问答对中各所述候选问题对应的第二目标句向量。
15.根据权利要求12-14中任一项所述的装置,其中,所述第一确定单元,还用于:
根据设定长度,对所述待处理问题进行对齐处理,其中,对齐处理后的所述待处理问题的长度与所述设定长度匹配;
和/或,
根据设定长度,对所述至少一个参考问答对中各所述候选问题进行对齐处理,其中,对齐处理后的各所述候选问题的长度与所述设定长度匹配;
和/或,
对所述待处理问题和所述至少一个参考问答对中各所述候选问题进行对齐处理,其中,对齐处理后的所述待处理问题的长度与对齐处理后的各所述候选问题的长度匹配。
16.根据权利要求9所述的装置,其中,所述第三确定模块,具体用于:
将第二相似度高于相似度阈值的参考问答对,确定为所述目标问答对;
或者,
将最大第二相似度对应的参考问答对,确定为所述目标问答对。
17.一种电子设备,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1-8中任一项所述的问题处理方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的问题处理方法。
19.一种计算机程序产品,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1-8中任一项所述问题处理方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111590578.3A CN114490965B (zh) | 2021-12-23 | 2021-12-23 | 问题处理方法、装置、电子设备和存储介质 |
US18/055,947 US20230070966A1 (en) | 2021-12-23 | 2022-11-16 | Method for processing question, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111590578.3A CN114490965B (zh) | 2021-12-23 | 2021-12-23 | 问题处理方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114490965A true CN114490965A (zh) | 2022-05-13 |
CN114490965B CN114490965B (zh) | 2022-11-08 |
Family
ID=81493387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111590578.3A Active CN114490965B (zh) | 2021-12-23 | 2021-12-23 | 问题处理方法、装置、电子设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230070966A1 (zh) |
CN (1) | CN114490965B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897183A (zh) * | 2022-05-16 | 2022-08-12 | 北京百度网讯科技有限公司 | 问题数据处理方法、深度学习模型的训练方法和装置 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140164303A1 (en) * | 2012-12-11 | 2014-06-12 | International Business Machines Corporation | Method of answering questions and scoring answers using structured knowledge mined from a corpus of data |
CN106844530A (zh) * | 2016-12-29 | 2017-06-13 | 北京奇虎科技有限公司 | 一种问答对分类模型的训练方法和装置 |
CN108304437A (zh) * | 2017-09-25 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 一种自动问答方法、装置及存储介质 |
CN108549710A (zh) * | 2018-04-20 | 2018-09-18 | 腾讯科技(深圳)有限公司 | 智能问答方法、装置、存储介质及设备 |
CN109271505A (zh) * | 2018-11-12 | 2019-01-25 | 深圳智能思创科技有限公司 | 一种基于问题答案对的问答系统实现方法 |
KR20190076712A (ko) * | 2017-12-22 | 2019-07-02 | 주식회사 솔트룩스 | 복수의 질의 응답 모듈을 가지는 자동 질의 응답 시스템 |
CN110019715A (zh) * | 2017-12-08 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 应答确定方法、装置、设备、介质和系统 |
CN110096580A (zh) * | 2019-04-24 | 2019-08-06 | 北京百度网讯科技有限公司 | 一种faq对话方法、装置及电子设备 |
CN110309283A (zh) * | 2019-06-28 | 2019-10-08 | 阿里巴巴集团控股有限公司 | 一种智能问答的答案确定方法及装置 |
CN111046155A (zh) * | 2019-11-27 | 2020-04-21 | 中博信息技术研究院有限公司 | 一种基于fsm多轮问答的语义相似度计算方法 |
CN111159363A (zh) * | 2018-11-06 | 2020-05-15 | 航天信息股份有限公司 | 一种基于知识库的问题答案确定方法及装置 |
CN111460081A (zh) * | 2020-03-30 | 2020-07-28 | 招商局金融科技有限公司 | 基于深度学习的答案生成方法、电子装置及可读存储介质 |
US20200250248A1 (en) * | 2019-02-02 | 2020-08-06 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, computer device and storage medium for verifying community question answer data |
CN111858859A (zh) * | 2019-04-01 | 2020-10-30 | 北京百度网讯科技有限公司 | 自动问答处理方法、装置、计算机设备及存储介质 |
CN112948557A (zh) * | 2021-03-09 | 2021-06-11 | 哈尔滨工业大学 | 一种以说明文档为辅助的可迭代的基于常用问题集的智能客服系统 |
CN113342924A (zh) * | 2021-07-05 | 2021-09-03 | 北京读我网络技术有限公司 | 答案检索方法及装置、存储介质及电子设备 |
CN113342958A (zh) * | 2021-07-02 | 2021-09-03 | 马上消费金融股份有限公司 | 问答匹配方法、文本匹配模型的训练方法和相关设备 |
-
2021
- 2021-12-23 CN CN202111590578.3A patent/CN114490965B/zh active Active
-
2022
- 2022-11-16 US US18/055,947 patent/US20230070966A1/en active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140164303A1 (en) * | 2012-12-11 | 2014-06-12 | International Business Machines Corporation | Method of answering questions and scoring answers using structured knowledge mined from a corpus of data |
CN106844530A (zh) * | 2016-12-29 | 2017-06-13 | 北京奇虎科技有限公司 | 一种问答对分类模型的训练方法和装置 |
CN108304437A (zh) * | 2017-09-25 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 一种自动问答方法、装置及存储介质 |
CN110019715A (zh) * | 2017-12-08 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 应答确定方法、装置、设备、介质和系统 |
KR20190076712A (ko) * | 2017-12-22 | 2019-07-02 | 주식회사 솔트룩스 | 복수의 질의 응답 모듈을 가지는 자동 질의 응답 시스템 |
CN108549710A (zh) * | 2018-04-20 | 2018-09-18 | 腾讯科技(深圳)有限公司 | 智能问答方法、装置、存储介质及设备 |
CN111159363A (zh) * | 2018-11-06 | 2020-05-15 | 航天信息股份有限公司 | 一种基于知识库的问题答案确定方法及装置 |
CN109271505A (zh) * | 2018-11-12 | 2019-01-25 | 深圳智能思创科技有限公司 | 一种基于问题答案对的问答系统实现方法 |
US20200250248A1 (en) * | 2019-02-02 | 2020-08-06 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, computer device and storage medium for verifying community question answer data |
CN111858859A (zh) * | 2019-04-01 | 2020-10-30 | 北京百度网讯科技有限公司 | 自动问答处理方法、装置、计算机设备及存储介质 |
CN110096580A (zh) * | 2019-04-24 | 2019-08-06 | 北京百度网讯科技有限公司 | 一种faq对话方法、装置及电子设备 |
CN110309283A (zh) * | 2019-06-28 | 2019-10-08 | 阿里巴巴集团控股有限公司 | 一种智能问答的答案确定方法及装置 |
CN111046155A (zh) * | 2019-11-27 | 2020-04-21 | 中博信息技术研究院有限公司 | 一种基于fsm多轮问答的语义相似度计算方法 |
CN111460081A (zh) * | 2020-03-30 | 2020-07-28 | 招商局金融科技有限公司 | 基于深度学习的答案生成方法、电子装置及可读存储介质 |
CN112948557A (zh) * | 2021-03-09 | 2021-06-11 | 哈尔滨工业大学 | 一种以说明文档为辅助的可迭代的基于常用问题集的智能客服系统 |
CN113342958A (zh) * | 2021-07-02 | 2021-09-03 | 马上消费金融股份有限公司 | 问答匹配方法、文本匹配模型的训练方法和相关设备 |
CN113342924A (zh) * | 2021-07-05 | 2021-09-03 | 北京读我网络技术有限公司 | 答案检索方法及装置、存储介质及电子设备 |
Non-Patent Citations (3)
Title |
---|
杨凤: "基于人工智能的课程答疑系统的研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
蔡慧: "检索式问答应用的设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
邢世样: "基于深度学习的智能问答系统研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897183A (zh) * | 2022-05-16 | 2022-08-12 | 北京百度网讯科技有限公司 | 问题数据处理方法、深度学习模型的训练方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US20230070966A1 (en) | 2023-03-09 |
CN114490965B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112487173B (zh) | 人机对话方法、设备和存储介质 | |
EP4064277A1 (en) | Method and apparatus for training speech recognition model, device and storage medium | |
CN112560496A (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
CN113553412B (zh) | 问答处理方法、装置、电子设备和存储介质 | |
CN113901907A (zh) | 图文匹配模型训练方法、图文匹配方法及装置 | |
CN115309877A (zh) | 对话生成方法、对话模型训练方法及装置 | |
CN113361578A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN111368551A (zh) | 一种确定事件主体的方法和装置 | |
CN113641805A (zh) | 结构化问答模型的获取方法、问答方法及对应装置 | |
CN112580733A (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN113407851A (zh) | 基于双塔模型的确定推荐信息的方法、装置、设备和介质 | |
CN112632227A (zh) | 简历匹配方法、装置、电子设备、存储介质和程序产品 | |
CN115062718A (zh) | 语言模型训练方法、装置、电子设备及存储介质 | |
CN116152833A (zh) | 基于图像的表格还原模型的训练方法及表格还原方法 | |
CN114490965B (zh) | 问题处理方法、装置、电子设备和存储介质 | |
CN115840867A (zh) | 数学解题模型的生成方法、装置、电子设备和存储介质 | |
CN116226478B (zh) | 信息处理方法、模型训练方法、装置、设备及存储介质 | |
CN116010916A (zh) | 用户身份信息识别方法、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 | |
CN114841172A (zh) | 文本匹配双塔模型的知识蒸馏方法、装置及程序产品 | |
CN114398482A (zh) | 一种词典构造方法、装置、电子设备及存储介质 | |
CN114970666A (zh) | 一种口语处理方法、装置、电子设备及存储介质 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
CN113886543A (zh) | 生成意图识别模型的方法、装置、介质及程序产品 | |
CN114722841B (zh) | 翻译方法、装置及计算机程序产品 |
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 |