CN114490986B - 计算机实施的数据挖掘方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种计算机实施的数据挖掘方法、装置、电子设备及存储介质，涉及计算机技术领域，尤其涉及人工智能和自然语言处理技术领域。实现方案为：获取目标领域的对话场景下的用户输入文本数据集和目标领域的实体词典；识别用户输入文本数据集中的第一问题文本；提取第一问题文本中的第一实体词汇；基于实体词典，获取第一实体词汇所对应的第一上位词汇；用相应于第一上位词汇的词槽替换第一问题文本中的第一实体词汇，以获取问题模板；基于问题模板和实体词典中与第一上位词汇对应的多个第二实体词汇，获取多个扩展问题文本；基于多个扩展问题文本和目标领域的文档库，获取分别对应于多个扩展问题文本的多个第一扩展答案。

Description

计算机实施的数据挖掘方法、装置、电子设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及人工智能和自然语言处理技术领域，具体涉及一种计算机实施的数据挖掘的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

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。

FAQ(Frequently Asked Questions，常问问题)问答技术是智能问答应用场景中最常用的一种问答技术，其关键在于预先构建问答库，而问答库的质量直接影响线上问答的体验效果。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种计算机实施的数据挖掘的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种计算机实施的数据挖掘方法，包括：获取目标领域的对话场景下的用户输入文本数据集和目标领域的实体词典，其中，实体词典包括多个上位词汇，并且多个上位词汇中的每个上位词汇对应多个实体词汇；对用户输入文本数据集中的用户输入文本数据进行语义分析，以识别用户输入文本数据集中的第一问题文本；提取第一问题文本中的第一实体词汇；基于实体词典，获取第一实体词汇所对应的第一上位词汇；用相应于第一上位词汇的词槽替换第一问题文本中的第一实体词汇，以获取问题模板；基于问题模板和实体词典中与第一上位词汇对应的多个第二实体词汇，获取多个扩展问题文本；以及基于多个扩展问题文本和目标领域的文档库，获取分别对应于多个扩展问题文本的多个第一扩展答案，其中，文档库包括目标领域的多个文档资源。

根据本公开的另一方面，提供了一种计算机实施的数据挖掘装置，包括：第一获取单元，被配置为获取目标领域的对话场景下的用户输入文本数据集和目标领域的实体词典，其中，实体词典包括多个上位词汇，并且多个上位词汇中的每个上位词汇对应多个实体词汇；识别单元，被配置为对用户输入文本数据集中的用户输入文本数据进行语义分析，以识别用户输入文本数据集中的第一问题文本；提取单元，被配置为提取第一问题文本中的第一实体词汇；第二获取单元，被配置为基于实体词典，获取第一实体词汇所对应的第一上位词汇；替换单元，被配置为用相应于第一上位词汇的词槽替换第一问题文本中的第一实体词汇，以获取问题模板；第三获取单元，被配置为基于问题模板和实体词典中与第一上位词汇对应的多个第二实体词汇，获取多个扩展问题文本；以及第四获取单元，被配置为基于多个扩展问题文本和目标领域的文档库，获取分别对应于多个扩展问题文本的多个第一扩展答案，其中，文档库包括目标领域的多个文档资源。

根据本公开的另一方面，提供了一种电子设备，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，这些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上述计算机实施的数据挖掘方法。

根据本公开的另一方面，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，其中，计算机指令用于使计算机执行上述计算机实施的数据挖掘方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述计算机实施的数据挖掘方法。

根据本公开的一个或多个实施例，能够基于目标领域对话场景下的用户输入文本数据集进行分析，识别用户在目标领域下提问的问题；进而，基于上述分析结果，构建问题模板，并基于问题模板和实体词典进行扩展问题挖掘，从而预测用户可能问到的问题；进而基于扩展问题进行答案挖掘，从而提升答案挖掘的精准性以及答案挖掘的效率。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的计算机实施的数据挖掘方法的流程图；

图3示出了根据本公开的实施例的提取第一问题文本中的第一实体词汇的方法的流程图；

图4示出了根据本公开的实施例的基于扩展问题获取第一扩展答案的方法的示意图；

图5示出了根据本公开的实施例的计算机实施的数据挖掘装置的结构框图；

图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行计算机实施的数据挖掘方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来输入问题文本。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

目前，对FAQ问答库的构建主要包括三种方式。其一是通过人工进行编写，但是这种方式通常需要编写者具有相关领域较强的业务知识，且需要编写者在相关领域的各种文档资源中反复阅读与确认，因此问答库构建效率较低，且人工成本较高；其二是基于文本规则，通过计算机对文档资源中的明显的具有问题与答案形式的段落进行抽取，这种方式的适用范围较窄，并且所构建的问答库中的问答数据无法覆盖用户的问答需求；其三是通过自然语言理解模型，从文档资源理解、挖掘潜在的问题与答案，这种方式虽然可以对非结构化的文本数据进行抽取，但是其挖掘出的问答数据往往较为开放，业务针对性较低，同样无法覆盖用户的问答需求，且通过该方法进行问答数据挖掘，对多个文档资源往往需要反复进行理解，存在效率较低的问题。

根据本公开的实施例，如图2所示，提供了一种计算机实施的数据挖掘方法，包括：步骤S201、获取目标领域的对话场景下的用户输入文本数据集和目标领域的实体词典，其中，实体词典包括多个上位词汇，并且多个上位词汇中的每个上位词汇对应多个实体词汇；步骤S202、对用户输入文本数据集中的用户输入文本数据进行语义分析，以识别用户输入文本数据集中的第一问题文本；步骤S203、提取第一问题文本中的第一实体词汇；步骤S204、基于实体词典，获取第一实体词汇所对应的第一上位词汇；步骤S205、用相应于第一上位词汇的词槽替换第一问题文本中的第一实体词汇，以获取问题模板；步骤S206、基于问题模板和实体词典中与第一上位词汇对应的多个第二实体词汇，获取多个扩展问题文本；以及步骤S207、基于多个扩展问题文本和目标领域的文档库，获取分别对应于多个扩展问题文本的多个第一扩展答案，其中，文档库包括目标领域的多个文档资源。

根据本公开的实施例，能够基于目标领域对话场景下的用户输入文本数据集进行分析，识别用户在目标领域下提问的问题；进而，基于上述分析结果，构建问题模板，并基于问题模板和实体词典进行扩展问题挖掘，从而预测用户可能问到的问题；进而基于扩展问题进行答案挖掘，从而提升答案挖掘的精准性以及答案挖掘的效率。

目前许多领域都已开始进行智能问答系统的构建，以为用户提供更加便捷且专业的服务，而由于不同目标领域之间存在较大差异，因此对不同目标领域往往需要分别构建适用于目标领域的问答库。下文将以汽车领域为例，进行一个或多个实施例的技术方案的描述。

在一些实施例中，对目标领域进行问答库的构建，需要首先获取该目标领域的对话场景下的用户输入文本数据集，例如，在汽车领域，该用户输入文本数据集可以包括用户在线上咨询客服时所输入的文本数据，以及用户在相关问题搜索界面输入到搜索框中的文本数据等。

这些文本数据往往不仅包括用户所输入的问题，还包括例如与客服进行日常对话的一些文本数据。这部分对话文本数据如果不经筛除，可能会对之后的用户的问题挖掘和问题构建产生干扰，因此需在先进行识别和筛除。同时，上述文本数据中还可能包括一些不能通过智能问答系统回答的问题，例如，具有时效性的问题“我的车还有多长时间需要车检”，或者主观问题“哪款车更适合我”等，具有这类特征的问题也需要一并筛除。

根据一些实施例，可以通过训练好的文本分类模型来识别用户输入文本数据集中的第一问题文本，其中，第一问题文本即为不涉及时效性的客观问题。可选的，文本分类模型可以应用textCNN、DCNN、RCNN、HAN等模型，在此不作限制。

由此，通过将上述存在干扰的文本数据进行筛除，获得第一文本问题，可以在排除后续问题模板构建时的干扰数据的同时，进一步降低数据量，提升后续处理的效率。

在一些实施例中，还需要获取目标领域的实体词典，该实体词典可以是目标领域中现有的专业术语词典，其中，该实体词典中可以包括多个上位词汇，并且每个上位词汇都包括与之对应的多个实体词汇，例如，在汽车领域中的实体词典中的其中一部分如表1所示。

表1

上位词汇	车型	配置	功能
				实体词汇1	车型A	电动天窗	自动巡航模式
实体词汇2	车型B	360度全景影像	自动驻车系统
				实体词汇3	车型C	座椅加热	车载操作系统
……	……	……	……

在一些实施例中，在进行问题模板构建之前，还可以对经过筛除干扰数据后的多个第一问题文本进行问题聚类。具体而言，首先需要经过预训练语言模型获取各第一问题文本的语义向量，并对多个第一问题文本的语义向量进行聚类分析，从而获取多个问题簇。可以将多个问题簇按照问题簇中所包含的问题数量进行排序，从而可以直观的获取用户常问的问题。可以基于预设数量阈值，对问题数量小于预设数量阈值的问题簇去除，从而进一步降低后续处理的数据量。

在一些实施例中，还可以进一步获取两两第一问题文本的语义向量之间的欧氏距离，并且判断该欧式距离是否小于预设距离阈值，当该欧式距离小于预设距离阈值时，则随机选择两个第一问题文本中的一个进行删除。通过这种方式可以将多个第一问题文本中语义相同，句式上仅有微小差别的问题文本去除，从而进一步降低后续处理的数据量。

可选的，聚类分析可以通过K-Means、DBSCAN等聚类算法实现，在此不做限定。

在一些实施例中，基于第一问题文本生成问题模板，首先需要提取第一问题文本中的第一实体词汇，具体实现方法可以包括：将第一问题文本输入句法依存分析模型，以获取第一问题文本中的多个分词，其中，多个分词至少包括第一问题文本的主语、谓语和宾语中的一项；分别将多个分词中的每个分词结合第一问题文本输入词汇重要度分析模型，以分别获取多个分词中的每个分词在第一问题文本中的重要度得分；以及将多个分词中的重要度得分小于预设阈值的分词筛除，以获取至少一个第二实体词汇。

通过将第一问题文本输入句法依存分析模型，可以获取到第一问题文本中的相应于各句子成分的多个分词，例如，第一问题文本可以为“车型A标配电动天窗吗”，则通过句法依存分析，可以分别获得主语“车型A”、谓语“标配”、宾语“电动天窗”以及助词“吗”。

随后，可以通过将所获取的多个分词中的每个分词都与第一问题文本一并输入到词汇重要度分析模型中，从而获取这多个分词对于第一问题文本的重要度的得分。通过预设阈值，将重要度得分小于预设阈值的分词进行筛除，从而获取该第一问题文本中的第二实体词汇，也即上述第一实体词汇。例如，对于第一问题文本“车型A标配电动天窗吗”和其多个分词“车型A”、“标配”、“电动天窗”以及“吗”分别进行词汇重要度分析，并筛除重要度得分较低的分词，所获得的第二实体词汇为“车型A”和“电动天窗”。

在一些实施例中，可以对上述第二实体词汇进行进一步的处理，包括：将至少一个第二实体词汇中的每个第二实体词汇输入语法分析模型，以获取至少一个第二实体词汇中的每个第二实体词汇的实体类型；以及筛除至少一个第二实体词汇中的实体类型与多个预设实体类型均不相同的第二实体词汇，以获取至少一个第三实体词汇。其中，实体类型可以包括例如人物、机构、车名、配置、地名等。而预设实体类型则可以根据实际场景或目标领域的需要自行设定，在此不作限制。

在一个示例中，通过上述操作，获取到了第一问题文本“A市汽车品牌A 4S店保养多少钱”的第二实体词汇“A市”、“汽车品牌A4S店”、“保养”，通过将上述第二实体词汇输入语法分析模型，可以分别获取“A市”的实体类型“城市”，“汽车品牌A4S店”的实体类型“机构名”以及“保养”的实体类型“操作名”，而预设的实体类型中不包含“操作名”这一实体类型，因此将“保养”去除，所获的第三实体词汇包括“A市”以及“汽车品牌A4S店”，也即所要获取的第一问题文本中的第一实体词汇。

在一个示例中，上述句法依存分析模型、词汇重要度分析模型以及语法分析模型均是基于自然语言处理模型构建的具有相应功能的分析模型，可以理解的，本领域技术人员可以自行选择所应用的句法依存分析模型、词汇重要度分析模型以及语法分析模型，在此不做限制。

由此，通过上述操作进行第一实体词汇，可以在保证提取到符合目标领域的业务场景的实体词汇的同时，尽量减少冗余词汇的提取，从而避免后续生成的问题模板中词槽过多，产生的扩展问题数据量过大，影响数据挖掘效率。

根据一些实施例，如图3所示，给出了提取第一问题文本中的第一实体词汇的方法，包括：步骤S301、将第一问题文本输入句法依存分析模型，以获取第一问题文本中的多个分词，其中，多个分词至少包括第一问题文本的主语、谓语和宾语中的一项；步骤S302、分别将多个分词中的每个分词结合第一问题文本输入词汇重要度分析模型，以分别获取多个分词中的每个分词在第一问题文本中的重要度得分；步骤S303、将多个分词中的重要度得分小于预设阈值的分词筛除，以获取至少一个第二实体词汇；步骤S304、将至少一个第二实体词汇中的每个第二实体词汇输入语法分析模型，以获取至少一个第二实体词汇中的每个第二实体词汇的实体类型；以及步骤S305、筛除至少一个第二实体词汇中的实体类型与多个预设实体类型均不相同的第二实体词汇，以获取至少一个第三实体词汇。

提取所述第一问题文本中的第一实体词汇的方法中步骤S301-步骤S305的操作与上述操作类似，在此不再赘述。

随后，可以通过匹配实体词典，从而获取第一实体词汇的第一上位词汇。

在一些实施例中，也可以通过语法分析获取实体词汇的上位词汇，具体方法包括：将至少一个第二实体词汇中的每个第二实体词汇输入词汇上位分析模型，以获取至少一个第二实体词汇中的每个第二实体词汇的第二上位词汇；响应于实体词典中不存在第二上位词汇，将第二上位词汇以及与第二上位词汇对应的第四实体词汇添加到实体词典中。其中，上述词汇上位分析模型可以是基于WordNet语料库构建的自然语言处理模型，可以基于NLTK自然语言处理工具包实现。可以理解的，本领域技术人员也可以根据实际需要自行构建词汇上位分析模型，在此不作限制。

在一个示例中，通过上述操作，获取到了第一问题文本“A市汽车品牌A4S店保养多少钱”的第二实体词汇“A市”以及“汽车品牌A4S店”，通过将上述实体词汇输入到上位分析模型中，可以分别获取“A市”的上位词汇为“地名”，“汽车品牌A4S店”的上位词汇为“汽车4S店”。而对于汽车领域的实体词典而言，其中并不具有上位词汇“地名”及其相应的实体词汇，因此可以将该上位词汇及其相应的实体词汇添加到实体词典中。由此，通过上述方法，可以获取更符合业务场景需求的实体词典，同时也可以基于该实体词典获取更丰富的扩展问题，进而构建更加符合用户需求的问答库。

随后，可以用相应于第一上位词汇的词槽替换第一问题文本中的第一实体词汇，以获取问题模板。例如，对于汽车领域，基于第一问题文本获取的问题模板中的其中一些示例如表2所示。其中，以第一问题文本“车型A标配电动天窗吗”为例，通过上述方法提取的第一实体词汇为“车型A”和“电动天窗”，如表1所示，其分别对应的上位词汇为“车型”和“配置”。因此，分别通过对应“车型”的词槽“[@车型]”以及对应配置的词槽“[@配置]”分别替换第一问题文本中的相应词汇，从而生成问题模板“[@车型]标配[@配置]吗”。

表2

第一问题文本	问题模板
		车型A标配电动天窗吗	[@车型]标配[@配置]吗
车型B是否有360度全景影像	[@车型]是否有[@配置]
		如何开启车型C的自动巡航模式	如何开启[@车型][@功能]
……	……

由此，可以基于上述问题模板及实体词典，在词槽中填写相应于上位词汇的实体词汇，生成多个扩展问题，从而实现对目标领域的用户问题的预测。

根据一些实施例，基于多个扩展问题文本和目标领域的文档库，可以获取分别对应于多个扩展问题文本的多个第一扩展答案，具体方式包括：对多个扩展问题文本中的每个扩展问题文本：基于该扩展问题文本，通过全文搜索引擎对目标领域的文档库进行检索，以召回多个候选段落；分别将多个候选段落中的每个候选段落结合该扩展问题输入机器阅读理解模型，以获取分别由多个候选段落中抽取的多个第二扩展答案；以及基于多个扩展问题文本的每个扩展问题文本的多个第二扩展答案，获取多个第一扩展答案。

如图4所示，首先可以基于上述问题模板及实体词典，在词槽中填写相应于上位词汇的实体词汇，生成多个扩展问题；基于每个扩展问题，首先对文档库中的文档资源进行全文检索，例如可以应用配置了上述文档库的ES搜索引擎，基于扩展问题进行全文检索，从而获取多个候选段落。

通过全文检索获取的多个候选段落可以是经过排序后召回的检索结果，因此多个候选段落按照相关度进行排序。

在一些实施例中，可以仅选择排序在前预设范围内的候选段落，例如，可以仅选择排序在前5的候选段落，从而能够在保证后续扩展答案的准确性的同时，降低后续自然语言理解的计算量，提高获取扩展答案的效率。

在获取多个候选段落后，可以通过将该扩展问题和每个候选段落分别输入到自然语言理解模型中，从而进行答案抽取，分别获取多个第二扩展答案。由此，基于多个扩展问题及每个扩展问题相应的多个第二扩展答案，即获得了多个第一扩展答案，进而构成目标领域的智能问答场景下所应用的问答库。

在一些实施例中，还可以基于自然语言理解模型分别获取扩展问题与多个扩展答案之间的相关度得分，可以基于该相关度得分，选择与每个扩展问题相关度最高的扩展答案，从而获取更加精简的问答库。

由此，通过将问题答案的挖掘划分为两个阶段，也即候选段落获取阶段和扩展答案抽取阶段，相较直接通过自然语言理解模型进行问题挖掘而言，可以极大减少自然语言理解模型所处理的数据量以及计算复杂度，进而提升了答案挖掘的效率。

根据一些实施例，如图5所示，提供了一种计算机实施的数据挖掘装置500，包括：第一获取单元510，被配置为获取目标领域的对话场景下的用户输入文本数据集和目标领域的实体词典，其中，实体词典包括多个上位词汇，并且多个上位词汇中的每个上位词汇对应多个实体词汇；识别单元520，被配置为对用户输入文本数据集中的用户输入文本数据进行语义分析，以识别用户输入文本数据集中的第一问题文本；提取单元530，被配置为提取第一问题文本中的第一实体词汇；第二获取单元540，被配置为基于实体词典，获取第一实体词汇所对应的第一上位词汇；替换单元550，被配置为用相应于第一上位词汇的词槽替换第一问题文本中的第一实体词汇，以获取问题模板；第三获取单元560，被配置为基于问题模板和实体词典中与第一上位词汇对应的多个第二实体词汇，获取多个扩展问题文本；以及第四获取单元570，被配置为基于多个扩展问题文本和目标领域的文档库，获取分别对应于多个扩展问题文本的多个第一扩展答案，其中，文档库包括目标领域的多个文档资源。

计算机实施的数据挖掘装置500中的单元510-单元570的操作与上述计算机实施的数据挖掘方法的步骤S201-步骤S207的操作类似，在此不再赘述。

根据一些实施例，第四获取单元可以包括：对多个扩展问题文本中的每个扩展问题文本：检索子单元，被配置为基于该扩展问题文本，通过全文搜索引擎对目标领域的文档库进行检索，以召回多个候选段落；以及第一输入子单元，被配置为分别将多个候选段落中的每个候选段落结合该扩展问题输入机器阅读理解模型，以获取分别由多个候选段落中抽取的多个第二扩展答案；以及获取子单元，被配置为基于多个扩展问题文本的每个扩展问题文本的多个第二扩展答案，获取多个第一扩展答案。

根据一些实施例，提取单元可以包括：第二输入子单元，被配置为将第一问题文本输入句法依存分析模型，以获取第一问题文本中的多个分词，其中，多个分词至少包括第一问题文本的主语、谓语和宾语中的一项；第三输入子单元，被配置为分别将多个分词中的每个分词结合第一问题文本输入词汇重要度分析模型，以分别获取多个分词中的每个分词在第一问题文本中的重要度得分；以及第一筛除子单元，被配置为将多个分词中的重要度得分小于预设阈值的分词筛除，以获取至少一个第二实体词汇。

根据一些实施例，提取单元还可以包括：第四输入子单元，被配置为将至少一个第二实体词汇中的每个第二实体词汇输入语法分析模型，以获取至少一个第二实体词汇中的每个第二实体词汇的实体类型；以及第二筛除子单元，被配置为筛除至少一个第二实体词汇中的实体类型与多个预设实体类型均不相同的第二实体词汇，以获取至少一个第三实体词汇。

根据一些实施例，计算机实施的数据挖掘装置还可以包括：输入单元，被配置为将至少一个第二实体词汇中的每个第二实体词汇输入词汇上位分析模型，以获取至少一个第二实体词汇中的每个第二实体词汇的第二上位词汇；以及添加单元，被配置为响应于实体词典中不存在第二上位词汇，将第二上位词汇以及与第二上位词汇对应的第四实体词汇添加到实体词典中。

根据本公开的实施例，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。

参考图6，现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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包括计算单元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单元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RAM603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)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、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙^TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元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。计算单元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计算单元、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。计算单元601执行上文所描述的各个方法和处理，例如计算机实施的数据挖掘方法。例如，在一些实施例中，计算机实施的数据挖掘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并由计算单元601执行时，可以执行上文描述的计算机实施的数据挖掘方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行计算机实施的数据挖掘方法。

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)、复杂可编程逻辑设备(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。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、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，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。

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、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (13)

1.一种计算机实施的数据挖掘方法，所述方法包括：

获取目标领域的对话场景下的用户输入文本数据集和所述目标领域的实体词典，其中，所述实体词典包括多个上位词汇，并且所述多个上位词汇中的每个上位词汇对应多个实体词汇；

对所述用户输入文本数据集中的用户输入文本数据进行语义分析，以识别所述用户输入文本数据集中的第一问题文本；

提取所述第一问题文本中的第一实体词汇；

基于所述实体词典，获取所述第一实体词汇所对应的第一上位词汇；

用相应于所述第一上位词汇的词槽替换所述第一问题文本中的所述第一实体词汇，以获取问题模板；

基于所述问题模板和所述实体词典中与所述第一上位词汇对应的多个第二实体词汇，获取多个扩展问题文本；以及

基于所述多个扩展问题文本和所述目标领域的文档库，获取分别对应于所述多个扩展问题文本的多个第一扩展答案，其中，所述文档库包括所述目标领域的多个文档资源。

2.根据权利要求1所述的方法，其中，所述基于所述多个扩展问题文本和所述目标领域的文档库，获取分别对应于所述多个扩展问题文本的多个第一扩展答案包括：

对所述多个扩展问题文本中的每个扩展问题文本：

基于该扩展问题文本，通过全文搜索引擎对所述目标领域的文档库进行检索，以召回多个候选段落；以及

分别将所述多个候选段落中的每个候选段落结合该扩展问题输入自然语言理解模型，以获取分别由所述多个候选段落中抽取的多个第二扩展答案；以及

基于所述多个扩展问题文本的每个扩展问题文本的所述多个第二扩展答案，获取所述多个第一扩展答案。

3.根据权利要求1或2所述的方法，其中，所述提取所述第一问题文本中的第一实体词汇包括：

将所述第一问题文本输入句法依存分析模型，以获取所述第一问题文本中的多个分词，其中，所述多个分词至少包括所述第一问题文本的主语、谓语和宾语中的一项；

分别将所述多个分词中的每个分词结合所述第一问题文本输入词汇重要度分析模型，以分别获取所述多个分词中的每个分词在所述第一问题文本中的重要度得分；以及

将所述多个分词中的所述重要度得分小于预设阈值的分词筛除，以获取至少一个第二实体词汇。

4.根据权利要求3所述的方法，其中，所述提取所述第一问题文本中的第一实体词汇还包括：

将所述至少一个第二实体词汇中的每个第二实体词汇输入语法分析模型，以获取所述至少一个第二实体词汇中的每个第二实体词汇的实体类型；以及

筛除所述至少一个第二实体词汇中的实体类型与多个预设实体类型均不相同的第二实体词汇，以获取至少一个第三实体词汇。

5.根据权利要求3所述的方法，还包括：

将所述至少一个第二实体词汇中的每个第二实体词汇输入词汇上位分析模型，以获取所述至少一个第二实体词汇中的每个第二实体词汇的第二上位词汇；以及

响应于所述实体词典中不存在所述第二上位词汇，将所述第二上位词汇以及与所述第二上位词汇对应的第四实体词汇添加到所述实体词典中。

6.一种计算机实施的数据挖掘装置，所述装置包括：

第一获取单元，被配置为获取目标领域的对话场景下的用户输入文本数据集和所述目标领域的实体词典，其中，所述实体词典包括多个上位词汇，并且所述多个上位词汇中的每个上位词汇对应多个实体词汇；

识别单元，被配置为对所述用户输入文本数据集中的用户输入文本数据进行语义分析，以识别所述用户输入文本数据集中的第一问题文本；

提取单元，被配置为提取所述第一问题文本中的第一实体词汇；

第二获取单元，被配置为基于所述实体词典，获取所述第一实体词汇所对应的第一上位词汇；

替换单元，被配置为用相应于所述第一上位词汇的词槽替换所述第一问题文本中的所述第一实体词汇，以获取问题模板；

第三获取单元，被配置为基于所述问题模板和所述实体词典中与所述第一上位词汇对应的多个第二实体词汇，获取多个扩展问题文本；以及

第四获取单元，被配置为基于所述多个扩展问题文本和所述目标领域的文档库，获取分别对应于所述多个扩展问题文本的多个第一扩展答案，其中，所述文档库包括所述目标领域的多个文档资源。

7.根据权利要求5所述的装置，其中，所述第四获取单元包括：

对所述多个扩展问题文本中的每个扩展问题文本：

检索子单元，被配置为基于该扩展问题文本，通过全文搜索引擎对所述目标领域的文档库进行检索，以召回多个候选段落；

第一输入子单元，被配置为分别将所述多个候选段落中的每个候选段落结合该扩展问题输入自然语言理解模型，以获取分别由所述多个候选段落中抽取的多个第二扩展答案；以及

获取子单元，被配置为基于所述多个扩展问题文本的每个扩展问题文本的所述多个第二扩展答案，获取所述多个第一扩展答案。

8.根据权利要求5或6所述的装置，其中，所述提取单元包括：

第二输入子单元，被配置为将所述第一问题文本输入句法依存分析模型，以获取所述第一问题文本中的多个分词，其中，所述多个分词至少包括所述第一问题文本的主语、谓语和宾语中的一项；

第三输入子单元，被配置为分别将所述多个分词中的每个分词结合所述第一问题文本输入词汇重要度分析模型，以分别获取所述多个分词中的每个分词在所述第一问题文本中的重要度得分；以及

第一筛除子单元，被配置为将所述多个分词中的所述重要度得分小于预设阈值的分词筛除，以获取至少一个第二实体词汇。

9.根据权利要求8所述的装置，其中，所述提取单元还包括：

第四输入子单元，被配置为将所述至少一个第二实体词汇中的每个第二实体词汇输入语法分析模型，以获取所述至少一个第二实体词汇中的每个第二实体词汇的实体类型；以及

第二筛除子单元，被配置为筛除所述至少一个第二实体词汇中的实体类型与多个预设实体类型均不相同的第二实体词汇，以获取至少一个第三实体词汇。

10.根据权利要求8所述的装置，还包括：

输入单元，被配置为将所述至少一个第二实体词汇中的每个第二实体词汇输入词汇上位分析模型，以获取所述至少一个第二实体词汇中的每个第二实体词汇的第二上位词汇；以及

添加单元，被配置为响应于所述实体词典中不存在所述第二上位词汇，将所述第二上位词汇以及与所述第二上位词汇对应的第四实体词汇添加到所述实体词典中。

11.一种电子设备，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1-5中任一项所述的方法。

12.一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1-5中任一项所述的方法。

13.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-5中任一项所述的方法。