CN114722174A - 提词方法和装置、电子设备及存储介质 - Google Patents
提词方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114722174A CN114722174A CN202210361868.9A CN202210361868A CN114722174A CN 114722174 A CN114722174 A CN 114722174A CN 202210361868 A CN202210361868 A CN 202210361868A CN 114722174 A CN114722174 A CN 114722174A
- Authority
- CN
- China
- Prior art keywords
- target
- keywords
- candidate
- question
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种提词方法和装置、电子设备及存储介质,属于人工智能技术领域。该方法包括:接收问题搜索请求;其中,问题搜索请求包括触发请求和目标问题;根据触发请求对目标问题进行关键词提取,得到目标关键词;根据预设的目标标签层级对目标关键词进行标签匹配搜索,得到候选问答数据;其中,候选问答数据包括候选问题及候选答案;对候选问题进行关键词提取,得到候选关键词;根据候选关键词和目标关键词进行匹配度计算,得到目标匹配分数;根据目标匹配分数对候选答案进行答案筛选处理,得到目标答案;将目标答案进行推荐展示。本申请实施例能够可以在提词时提高问题回答的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种提词方法和装置、电子设备及存储介质。
背景技术
目前,为了满足现场会话场景的问答需求,被提问人常常需要提前查阅大量相关资料来应对提问人提出的不同问题,而这一方式往往会受限于被提问人的记忆力与临场反应力,会影响问题回答的准确性,因此,如何提高问题回答的准确性,成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种提词方法和装置、电子设备及存储介质,可以在提词时提高问题回答的准确性。
为实现上述目的,本申请实施例的第一方面提出了一种提词方法,所述方法包括:
接收问题搜索请求;其中,所述问题搜索请求包括触发请求和目标问题;
根据所述触发请求对所述目标问题进行关键词提取,得到目标关键词;
根据预设标签层级对所述目标关键词进行标签匹配搜索,得到候选问答数据;其中,所述候选问答数据包括候选问题及候选答案;
对所述候选问题进行关键词提取,得到候选关键词;
根据所述候选关键词和所述目标关键词进行匹配度计算,得到目标匹配分数;
根据所述目标匹配分数对所述候选答案进行答案筛选处理,得到目标答案;
将所述目标答案进行推荐展示。
在一些实施例,所述根据所述触发请求对所述目标问题进行关键词提取,得到目标关键词的步骤,包括:
根据所述触发请求调用预设的关键词提取模型;
通过所述关键词提取模型对所述目标问题进行关键词提取,得到初始关键词;
根据预设的筛选条件对所述初始关键词进行关键词筛选处理,得到所述目标关键词。
在一些实施例,所述预设标签层级包括多个目标标签,所述根据预设标签层级对所述目标关键词进行标签匹配搜索,得到候选问答数据的步骤,包括:
根据所述目标标签对所述目标关键词进行标签匹配搜索,得到每一预设标签类别的匹配概率值;
根据所述匹配概率值对所述目标标签中的参考问答数据进行问答筛选处理,得到所述候选问答数据。
在一些实施例,所述根据所述候选关键词和所述目标关键词进行匹配度计算,得到目标匹配分数的步骤,包括:
对所述目标关键词和候选关键词进行相似度计算,得到相似匹配度分数;
对所述目标关键词和候选关键词进行搜索匹配度计算,得到搜索匹配分数;
通过预设的调节因子对所述相似匹配度分数和所述搜索匹配分数进行加权计算,得到所述目标匹配分数。
在一些实施例,所述根据所述目标匹配分数对所述候选答案进行答案筛选处理,得到目标答案的步骤,包括:
比对所述目标匹配分数与预设的匹配分数阈值;
将所述目标匹配分数大于所述匹配分数阈值的候选答案作为所述目标答案。
在一些实施例,在所述根据预设标签层级对所述目标关键词进行标签匹配搜索,得到候选问答数据的步骤之前,所述方法还包括预先构建所述预设标签层级,具体包括:
获取参考问答文本;
对所述参考问答文本进行关键词提取,得到参考关键词;
将所述参考关键词输入至预先构建的初始标签层级中;
通过所述初始标签层级对所述参考关键词进行标签匹配,得到所述参考关键词对应的标签数据;
根据所述标签数据对所述初始标签层级进行优化,得到所述预设标签层级。
在一些实施例,在所述预先构建所述预设标签层级的步骤之前,所述方法还包括预先构建所述初始标签层级,具体包括:
获取历史问答文本;
对所述历史问答文本进行关键词提取,得到历史关键词;
根据所述历史关键词和预设的标签类别构建所述初始标签层级。
为实现上述目的,本申请实施例的第二方面提出了一种提词装置,所述装置包括:
搜索请求获取模块,用于接收问题搜索请求;其中,所述问题搜索请求包括触发请求和目标问题;
目标关键词提取模块,用于根据所述触发请求对所述目标问题进行关键词提取,得到目标关键词;
候选问答数据获取模块,用于根据预设标签层级对所述目标关键词进行标签匹配搜索,得到候选问答数据;其中,所述候选问答数据包括候选问题及候选答案;
候选关键词提取模块,用于对所述候选问题进行关键词提取,得到候选关键词;
匹配分值计算模块,用于根据所述候选关键词和所述目标关键词进行匹配度计算,得到目标匹配分数;
筛选模块,用于根据所述目标匹配分数对所述候选答案进行答案筛选处理,得到目标答案;
提词展示模块,用于将所述目标答案进行推荐展示。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述第一方面所述的方法。
本申请提出的提词方法和装置、电子设备及存储介质,其通过接收问题搜索请求;其中,问题搜索请求包括触发请求和目标问题;进而根据触发请求对目标问题进行关键词提取,得到目标关键词,这一方式能够识别目标问题中的关键信息,降低问题搜索难度。进而,根据预设标签层级对目标关键词进行标签匹配搜索,能够较为方便地匹配到与目标关键词对应的候选问答数据,其中,候选问答数据包括候选问题及候选答案,在得到候选问答数据之后,对候选问题进行关键词提取,得到候选关键词,根据候选关键词和目标关键词进行匹配度计算,得到目标匹配分数,最后根据目标匹配分数对候选答案进行答案筛选处理,得到目标答案,并将目标答案进行推荐展示。通过匹配分值计算能够清楚地确定不同候选关键词与目标关键词的相关性,并得到与目标关键词最相关的候选关键词,从而将该候选关键词对应的候选答案作为目标答案,并将目标答案进行推荐展示给被提问人,能够使得生成的目标答案更加贴合当前的问题搜索需求,使得被提问人能够及时、准确地根据目标答案对相应的问题进行回答,可以在提词时提高问题回答的准确性。
附图说明
图1是本申请实施例提供的提词方法的流程图;
图2是图1中的步骤S102的流程图;
图3是本申请实施例提供的提词方法的另一流程图;
图4是本申请实施例提供的提词方法的另一流程图;
图5是图1中的步骤S103的流程图;
图6是图1中的步骤S105的流程图;
图7是图1中的步骤S106的流程图;
图8是本申请实施例提供的提词装置的结构示意图;
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
人工智能(artificial intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。
自然语言处理(natural language processing,NLP):NLP用计算机来处理、理解以及运用人类语言(如中文、英文等),NLP属于人工智能的一个分支,是计算机科学与语言学的交叉学科,又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域,它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction,NER):从自然语言文本中抽取指定类型的实体、关系、事件等事实信息,并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的,例如句子、段落、篇章,文本信息正是由一些小的具体的单位构成的,例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取,当然,文本信息抽取技术所抽取的信息可以是各种类型的信息。
网络爬虫(又称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者):网络爬虫是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。
自动语音识别技术(Automatic Speech Recognition,ASR):自动语音识别技术是一种将人的语音转换为文本的技术。语音识别的输入一般是时域的语音信号,数学上用一系列向量表示信号长度(length T)和维度(dimensiond),该自动语义识别技术的输出是文本,用一系列令牌token表示字段长度(length N)和不同令牌(different tokens)。
字典树(Trie树):又称单词查找树或键树,是一种树形结构,是一种哈希树的变种。典型应用是用于统计和排序大量的字符串(但不仅限于字符串),所以经常被搜索引擎系统用于文本词频统计。它的优点是:最大限度地减少无谓的字符串比较。Trie的核心思想是空间换时间。利用字符串的公共前缀来降低查询时间的开销以达到提高效率的目的。前缀树的3个基本性质:(1)根节点不包含字符,除根节点外每一个节点都只包含一个字符。(2)从根节点到某一节点,路径上经过的字符连接起来,为该节点对应的字符串。(3)每个节点的所有子节点包含的字符都不相同。
目前,为了满足现场会话场景的问答需求,被提问人常常需要提前查阅大量相关资料,在现场根据记忆直接回答或翻阅来应对提问人提出的不同问题,而这一方式往往需要被提问人具备各项专业领域的基本理解力和较强的记忆力,也要求制作参考资料的人能够尽可能的精炼和准确,实际上存在参考资料越多“命中”提问概率越高,但现场被提问人需要阅读的资料越多,记住全部内容的可能性越低的矛盾,影响问题回答的准确性,因此,如何提高问题回答的准确性,成为了亟待解决的技术问题。
基于此,本申请实施例提供了一种提词方法和装置、提词器、电子设备及存储介质,可以在提词时提高问题回答的准确性。
本申请实施例提供的提词方法和装置、提词器、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的提词方法。
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。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的提词方法,涉及人工智能技术领域。本申请实施例提供的提词方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、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、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;软件可以是实现提词方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本申请实施例提供的提词方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S107。
步骤S101,接收问题搜索请求;其中,问题搜索请求包括触发请求和目标问题;
步骤S102,根据触发请求对目标问题进行关键词提取,得到目标关键词;
步骤S103,根据预设标签层级对目标关键词进行标签匹配搜索,得到候选问答数据;其中,候选问答数据包括候选问题及候选答案;
步骤S104,对候选问题进行关键词提取,得到候选关键词;
步骤S105,根据候选关键词和目标关键词进行匹配度计算,得到目标匹配分数;
步骤S106,根据目标匹配分数对候选答案进行答案筛选处理,得到目标答案;
步骤S107,将目标答案进行推荐展示。
本申请实施例的步骤S101至步骤S107,其根据触发请求对目标问题进行关键词提取,得到目标关键词,能够识别目标问题中的关键信息,降低问题搜索难度。根据预设标签层级对目标关键词进行标签匹配搜索,能够较为方便地匹配到与目标关键词对应的候选问答数据,其中,候选问答数据包括候选问题及候选答案,在得到候选问答数据之后,对候选问题进行关键词提取,得到候选关键词,根据候选关键词和目标关键词进行匹配度计算,通过匹配分值计算能够清楚地确定不同候选关键词与目标关键词的相关性,并得到与目标关键词最相关的候选关键词,从而将该候选关键词对应的候选答案作为目标答案,并将目标答案进行推荐展示给被提问人,能够使得生成的目标答案更加贴合当前的问题搜索需求,使得被提问人能够及时、准确地根据目标答案对相应的问题进行回答,可以在提词时提高问题回答的准确性。
在一些实施例的步骤S101中,根据提问人给出的问题,用户可以在提词器上输入对应的问题,使得提词器可以接收到对应的问题搜索请求;其中,问题搜索请求包括触发请求和目标问题。需要说明的是,用户在输入对应的问题时,可以是通过编辑文字的方式输入对应的问题,也可以是通过语音的方式输入对应的问题,还可以是其他方式将问题输入至提词器中进行搜索,不做限制。
例如,当用户通过语音输入的方式将提问人的问题输入到提词器时,提词器可以采用ASR技术对语音问题进行解析处理,具体地,提词器采用的ASR技术以声音的基本元素作为单元,由于不同的单词由不同的音素组成,通过识别输入语音中存在哪些音素,进而将这些音素组合成识别出的文字能够得到对应的语音文本,因而,提词器根据声音的基础元素设置有一个音素映射表,该音素映射表能够反映语音信号与音素的对应关系。根据这一音素映射表对通过语音方式输入的目标问题的语音信号进行语音识别处理,识别目标问题的语音信号中存在的音素,进而将这些音素组合成识别出的文字,得到每一语音信号对应的语音特征词段,将语音问题转化为文字问题,从而对这一文字问题进行答案搜索,使得提词过程变得多模态化,提高答案搜索方式的多样性与普适性。
请参阅图2,在一些实施例中,步骤S102可以包括但不限于包括步骤S201至步骤S203:
步骤S201,根据触发请求调用预设的关键词提取模型;
步骤S202,通过关键词提取模型对目标问题进行关键词提取,得到初始关键词;
步骤S203,根据预设的筛选条件对初始关键词进行关键词筛选处理,得到目标关键词。
在一些实施例的步骤S201和步骤S202中,提词器会根据触发请求指令调用预设的关键词提取模型,其中,预设的关键词提取模型为基于字典树的ESIM模型,该关键词提取模型的训练过程具体可以包括:获取样本问题数据,该样本问题数据上带有问题词性类别标签、问题意图类别标签等等,对样本问题数据进行分割处理,得到样本问题字段,通过预设的字典树遍历所有的样本问题字段,得到样本问题关键词。根据样本问题关键词与问题词性类别标签、问题意图类别标签进行匹配,构建关键词对照表。根据关键词对照表的样本问题关键词与样本问题的匹配关系,更新关键词提取模型的损失函数,直至迭代次数满足预设的迭代条件,停止更新关键词提取模型的损失函数,得到最终的关键词提取模型。
在一些实施例的步骤S202中,首先可以在关键词提取模型中的Jieba分词器内预设符合需求的字段长度、语句类别等等,从而通过Jieba分词器对目标问题进行分割处理,得到多个目标问题字段。由于关键词提取模型内预设的字典树中预先存储有相应的问题关键词,该问题关键词作为字典树的子节点,将目标问题字段输入至关键词提取模型中,对初始关键词进行提取,在字典树中从根节点开始,逐步向下查找,遍历所有的叶子节点,计算每一叶子节点的问题关键词与当前目标问题字段的相似度,提取相似度大于预设阈值的叶子节点的问题关键词作为初始关键词。
在一些实施例的步骤S203中,根据预设的筛选条件对初始关键词进行关键词筛选处理,其中,预设的筛选条件可以是初始关键词的词段长度满足预设长度、或者是初始关键词的相似度最高等等,或者是其他。例如,采用TF-IDF、TextRank等技术,根据筛选条件对初始关键词进行筛选排序,获得更能够反映此时语料且与主题、场景相关的关键词,将满足筛选条件的初始关键词作为目标关键词。
请参阅图3,在一些实施例中,在步骤S103之前,提词方法包括预先构建预设标签层级,具体包括步骤S301至步骤S305:
步骤S301,获取参考问答文本;
步骤S302,对参考问答文本进行关键词提取,得到参考关键词;
步骤S303,将参考关键词输入至预先构建的初始标签层级中;
步骤S304,通过初始标签层级对参考关键词进行标签匹配,得到参考关键词对应的标签数据;
步骤S305,根据标签数据对初始标签层级进行优化,得到预设标签层级。
在一些实施例的步骤S301中,可以通过编写网络爬虫,设置好数据源之后进行有目标性的爬取数据,得到参考问答文本。例如,参考问答文本可以是根据当前发布会需求预先整理出来的问答资料,即参考问答文本为在除过往发布会上提问人提出过的问题,以及与问题对应的专业回答资料以外,有针对性地新增的一些问答资料等。需要说明的是,该参考问答文本为自然语言文本,其中,参考问答文本包括参考问题和参考答案。
在一些实施例的步骤S302中,先基于光学字符识别技术(OCR)获取参考问答文本中的多个参考问答段落,再利用自然语言处理技术(NLP)对每个参考问答段落进行文本解析得到多个参考关键词。具体地,可以采用上述预训练的关键词提取模型对参考问答文本进行关键词提取,首先可以在关键词提取模型中的Jieba分词器内预设符合需求的字段长度、语句类别等等,从而通过Jieba分词器对参考问答文本进行分割处理,得到多个参考问答字段。由于关键词提取模型内预设的字典树中预先存储有相应的问答关键词,该问答关键词作为字典树的子节点,将参考问答字段输入至关键词提取模型中,对参考关键词进行提取,在字典树中从根节点开始,逐步向下查找,遍历所有的叶子节点,计算每一叶子节点的问答关键词与当前参考问答字段的相似度,提取相似度大于预设阈值的叶子节点的问答关键词作为参考关键词。
在一些实施例的步骤S303中,将参考关键词输入至初始标签层级中,其中,初始标签层级可以根据历史问答文本和预设的标签类别构建而成,初始标签层级包含着过往发布会上提问人提出过的问题、与问题对应的专业回答资料,以及这些问答资料的问答标签等等。
在一些实施例的步骤S304中,通过初始标签层级对参考关键词进行标签匹配,得到参考关键词对应的标签数据,其中,该标签数据包括整体三级标签。具体地,将参考关键词匹配到对应的初始标签层级下的标签里,从而形成结构化展示。将该参考关键词与初始标签层级中的第三级标签名称进行匹配,为了快速定位参考问答文本对应的标签,利用一个三元组定义初始标签层级的整体三级标签。整体三级标签的表示形式为“第一级标签-第二级标签-第三级标签”。
例如,在一些具体应用场景下,第一级标签为“寿&健”,第二级标签为第一级标签下的“寿险”,第三级标签为“营运利润&剩余边际”。具体分为以下三种情况:
第一种情况:当标签匹配结果的数量为0时,首先,利用新增的参考问答文本匹配初始标签层级下的第一级标签和第二级标签;然后,提取新增的参考问答文本中对应的答案文本的答案关键词,将提取的答案关键词与初始标签层级中的第三级标签名称进行匹配,得到新增的参考问答文本的整体三级标签。
第二种情况:当标签匹配结果的数量为1,直接根据匹配初始标签层级下的问答标签分类得到对应的整体三级标签。
第三种情况:当标签匹配结果的数量大于1,根据第一级标签和第二级标签对新增的参考问答文本的参考问题进行清洗过滤,得到整体三级标签。具体地,针对同时会在多种标签下出现的参考关键词,参考问题中出现对应第一级标签和第二级标签中的关键词时,才认为属于该标签。例如:当提取到新增参考问题的参考关键词为“营运利润”,该“营运利润”可能涉及多个不同一级标签,若新增参考问题的参考关键词中包含第一级标签“科技”,则该新增参考问题的整体三级标签为“科技-科技整体-科技业绩”;若新增参考问题中出现第二级标签“寿险”,整体三级标签应为“寿&健-寿险-营运利润&剩余边际”。
在一些实施例的步骤S305中,根据标签数据对初始标签层级进行优化时,需要对初始标签层级和问答标签分类进行复核确认。具体地,当解析得到的参考关键词为已标签层级下的关键词,则将参考关键词对应的参考问答对自动分类至对应的问答标签分类下,并且对当前的问答标签分类进行复核;当解析得到的参考关键词不是已标签层级下的关键词,首先,将该参考关键词添加到初始标签层级下,更新并复核当前的初始标签层级;然后将该参考关键词对应的问答对自动分类至对应的问答标签分类下;之后,再次复核更新后的问答标签分类,得到预设标签层级。
请参阅图4,在一些实施例中,在预先构建预设标签层级之前,该提词方法还包括预先构建初始标签层级,具体包括步骤S401至步骤S403:
步骤S401,获取历史问答文本;
步骤S402,对历史问答文本进行关键词提取,得到历史关键词;
步骤S403,根据历史关键词和预设的标签类别构建初始标签层级。
在一些实施例的步骤S401中,可以通过编写网络爬虫,设置好数据源之后进行有目标性的爬取数据,得到历史问答文本。例如,数据源可以是行业内已开展过的发布会资料,也可以是论坛上的行业资讯等等。历史问答文本可以是过往发布会保存下来的问答资料,即在过往发布会上提问人提出过的问题,以及与问题对应的专业回答等等。需要说明的是,该历史问答文本为自然语言文本。
在一些实施例的步骤S402中,对历史问答文本进行关键词提取,得到历史关键词的过程与对参考问答文本进行关键词提取,得到参考关键词的过程基本一致,此处不再赘述。
在一些实施例的步骤S403中,将解析得到的初始关键词添加到初始标签层级中,从而构建历史问答文本对应的标签层级。具体地,将解析得到的初始关键词添加到对应的标签层级下,并将该初始关键词对应的历史问答对自动分类至对应的问答标签分类下。其中,初始标签层级下的问答标签分类包括:第一级标签、第二级标签和第三级标签。
在一些具体应用场景下,第一级标签概括性最高,一般是业务板块的提炼;第二级标签为第一级标签中相应业务板块下的经营主题;第三级标签为第二级标签中相应经营主题的更具体的经营内容,即第一级标签包含第二级标签,第二级标签包含第三级标签。历史问答对包含历史关键词对应的历史问题和对应的历史答案。
请参阅图5,在一些实施例中,预设标签层级包括多个目标标签,步骤S103还可以包括但不限于包括步骤S501至步骤S502:
步骤S501,根据目标标签对目标关键词进行标签匹配搜索,得到每一预设标签类别的匹配概率值;
步骤S502,根据匹配概率值对目标标签中的参考问答数据进行问答筛选处理,得到候选问答数据。
在一些实施例的步骤S501中,根据预设函数和目标标签对目标关键词进行标签匹配搜索,其中,预设函数可以为softmax函数。例如,通过softmax函数在每一目标标签上创建一个概率分布,得到目标关键词属于每一目标标签的匹配概率值。
在一些实施例的步骤S502中,提取在目标标签中,匹配概率值大于或者等于匹配概率阈值的参考问答数据,将该参考问答数据作为候选问答数据。
在一些实施例的步骤S104中,对候选问题进行关键词提取,得到候选关键词的过程与提取目标关键词的过程基本一致。具体地,首先可以在关键词提取模型中的Jieba分词器内预设符合需求的字段长度、语句类别等等,从而通过Jieba分词器对候选问题进行分割处理,得到多个候选问题字段。由于关键词提取模型内预设的字典树中预先存储有相应的问题关键词,该问题关键词作为字典树的子节点,将候选问题字段输入至关键词提取模型中,对候选关键词进行提取,在字典树中从根节点开始,逐步向下查找,遍历所有的叶子节点,计算每一叶子节点的问题关键词与当前候选问题的相似度,提取相似度大于预设阈值的叶子节点的问题关键词作为候选关键词。
请参阅图6,在一些实施例,步骤S105还可以包括不限于包括步骤S601至步骤S603:
步骤S601,对目标关键词和候选关键词进行相似度计算,得到相似匹配度分数;
步骤S602,对目标关键词和候选关键词进行搜索匹配度计算,得到搜索匹配分数;
步骤S603,通过预设的调节因子对相似匹配度分数和搜索匹配分数进行加权计算,得到目标匹配分数。
在一些实施例的步骤S601中,在对目标关键词和候选关键词进行相似度计算时,可以采用余弦相似度算法等协同过滤算法来对目标关键词和候选关键词进行相似度计算。例如,首先将目标关键词和候选关键词段进行向量化处理,得到目标关键词向量u以及候选关键词向量v,根据余弦相似度算法的公式(如公式1所示),计算目标关键词和候选关键词的相似匹配度分数y1。
在一些实施例的步骤S602中,在对目标关键词和候选关键词进行搜索匹配度计算时,可以对目标关键词和候选关键词进行ES搜索匹配,即基于BM25等匹配算法对候选关键词进行文本召回,并进一步粗、精排序,获得此时的搜索匹配分数。以BM25匹配算法为例,将输入的目标关键词进行分词,然后分别计算目标关键词中每个字段与候选关键词的相关度,然后进行加权求和。得到目标关键词与候选关键词的搜索匹配分数y2。计算公式如公式(2)所示:
其中,Wi为预设权重,R(qi,d)为每个字段与候选关键词的相关度得分,对于每个字段与候选关键词的相关度得分也可以采用余弦相似度算法等协同过滤算法来计算。
在一些实施例的步骤S603中,根据预设的调节因子可以对相似匹配度分数和搜索匹配分数进行动态权重结合,具体地,调节因子可以为α、β,根据公式(3)对相似匹配度分数和搜索匹配分数进行加权计算,得到目标匹配分数y。公式(3)表示为:
Y=α*y1+β*y2 公式(3)
请参阅图7,在一些实施例中,步骤S106还可以包括但不限于包括步骤S701至步骤S702:
步骤S701,比对目标匹配分数与预设的匹配分数阈值;
步骤S702,将目标匹配分数大于匹配分数阈值的候选答案作为目标答案。
在一些实施例的步骤S701中,比对目标匹配分数与预设的匹配分数阈值的大小关系,其中,预设的匹配分数阈值可以根据实际情况进行设定,匹配分数阈值为0至100之间的任一数值,不做限制。
在一些实施例的步骤S702中,通过比对目标匹配分数与预设的匹配分数阈值的大小关系,将目标匹配分数大于匹配分数阈值的候选答案作为目标答案。
进一步地,为了避免目标答案数量过多,影响查阅效率,在一些具体场景下,可以对目标匹配分数大于匹配分数阈值的候选答案进行排序,根据目标匹配分数的高低,对候选答案进行降序排列,选取处于前五位的候选答案作为目标答案。
在一些实施例的步骤S107中,可以通过PC、PAD等多种终端将目标答案进行推荐展示,并且在线实时的更新目标答案信息,这一方式能够改善传统的纸质材料的展示形式,既满足了无纸化的要求,也可以满足不同场景下的提词需求,提高了该提词方法的适用性。
本申请实施例的提词方法通过接收问题搜索请求;其中,问题搜索请求包括触发请求和目标问题;进而根据触发请求对目标问题进行关键词提取,得到目标关键词,这一方式能够识别目标问题中的关键信息,降低问题搜索难度。进而,根据预设标签层级对目标关键词进行标签匹配搜索,能够较为方便地匹配到与目标关键词对应的候选问答数据,其中,候选问答数据包括候选问题及候选答案,在得到候选问答数据之后,对候选问题进行关键词提取,得到候选关键词,根据候选关键词和目标关键词进行匹配度计算,得到目标匹配分数,最后根据目标匹配分数对候选答案进行答案筛选处理,得到目标答案,并将目标答案进行推荐展示。通过匹配分值计算能够清楚地确定不同候选关键词与目标关键词的相关性,并得到与目标关键词最相关的候选关键词,从而将该候选关键词对应的候选答案作为目标答案,并将目标答案进行推荐展示给被提问人,能够使得生成的目标答案更加贴合当前的问题搜索需求。该方法可以快速又准确地实现对目标问题的高精度搜索,使得被提问人能够及时、准确地根据目标答案对相应的问题进行回答,可以在提词时提高问题回答的准确性。
请参阅图8,本申请实施例还提供一种提词装置,可以实现上述提词方法,该装置包括:
搜索请求获取模块801,用于接收问题搜索请求;其中,问题搜索请求包括触发请求和目标问题;
目标关键词提取模块802,用于根据触发请求对目标问题进行关键词提取,得到目标关键词;
候选问答数据获取模块803,用于根据预设标签层级对目标关键词进行标签匹配搜索,得到候选问答数据;其中,候选问答数据包括候选问题及候选答案;
候选关键词提取模块804,用于对候选问题进行关键词提取,得到候选关键词;
匹配分值计算模块805,用于根据候选关键词和目标关键词进行匹配度计算,得到目标匹配分数;
答案筛选模块806,用于根据目标匹配分数对候选答案进行答案筛选处理,得到目标答案;
提词展示模块807,用于将目标答案进行推荐展示。
在一些实施例中,目标关键词提取模块802包括:
调用单元,用于根据触发请求调用预设的关键词提取模型;
第一关键词提取单元,用于通过关键词提取模型对目标问题进行关键词提取,得到初始关键词;
关键词筛选单元,用于根据预设的筛选条件对初始关键词进行关键词筛选处理,得到目标关键词。
在一些实施例中,提词装置还包括预设标签层级构建模块,该预设标签层级构建模块包括:
参考问答文本获取单元,用于获取参考问答文本;
第二关键词提取单元,用于对参考问答文本进行关键词提取,得到参考关键词;
输入单元,用于将参考关键词输入至预先构建的初始标签层级中;
第一标签匹配单元,用于通过初始标签体系对参考关键词进行标签匹配,得到参考关键词对应的标签数据;
优化单元,用于根据标签数据对初始标签层级进行优化,得到预设标签层级。
在一些实施例中,预设标签层级包括多个目标标签,候选问答数据获取模块803包括:
第二标签匹配单元,用于根据目标标签对目标关键词进行标签匹配搜索,得到每一预设标签类别的匹配概率值;
问答筛选单元,用于根据匹配概率值对目标标签中的参考问答数据进行问答筛选处理,得到候选问答数据。
在一些实施例中,匹配分值计算模块805包括:
相似度计算单元,用于对目标关键词和候选关键词进行相似度计算,得到相似匹配度分数;
匹配度计算单元,用于对目标关键词和候选关键词进行搜索匹配度计算,得到搜索匹配分数;
加权计算单元,用于通过预设的调节因子对相似匹配度分数和搜索匹配分数进行加权计算,得到目标匹配分数。
在一些实施例中,答案筛选模块806包括:
比对单元,用于比对目标匹配分数与预设的匹配分数阈值;
目标答案确定单元,用于将目标匹配分数大于匹配分数阈值的候选答案作为目标答案。
需要说明的是,本申请实施例的提词装置用于实现上述提词方法,本申请实施例的提词装置与前述的提词方法相对应,具体的处理过程请参照前述的提词方法,在此不再赘述。
本申请实施例还提供了一种提词器,该提词器包括上述实施例的提词装置。本申请实施例的提词器用于实现上述提词方法,本申请实施例的提词器与前述的提词方法相对应,具体的处理过程请参照前述的提词方法,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括:存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线,程序被处理器执行时实现上述提词方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9,图9示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器901,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器902,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器902可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器902中,并由处理器901来调用执行本申请实施例的提词方法;
输入/输出接口903,用于实现信息输入及输出;
通信接口904,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线905,在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息;
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质,存储介质为计算机可读存储介质,用于计算机可读存储,存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现上述提词方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例的提词方法、提词装置、提词器、电子设备及存储介质,其通过接收问题搜索请求;其中,问题搜索请求包括触发请求和目标问题;进而根据触发请求对目标问题进行关键词提取,得到目标关键词,这一方式能够识别目标问题中的关键信息,降低问题搜索难度。进而,根据预设标签层级对目标关键词进行标签匹配搜索,能够较为方便地匹配到与目标关键词对应的候选问答数据,其中,候选问答数据包括候选问题及候选答案,在得到候选问答数据之后,对候选问题进行关键词提取,得到候选关键词,根据候选关键词和目标关键词进行匹配度计算,得到目标匹配分数,最后根据目标匹配分数对候选答案进行答案筛选处理,得到目标答案,并将目标答案进行推荐展示。通过匹配分值计算能够清楚地确定不同候选关键词与目标关键词的相关性,并得到与目标关键词最相关的候选关键词,从而将该候选关键词对应的候选答案作为目标答案,并将目标答案进行推荐展示给被提问人,能够使得生成的目标答案更加贴合当前的问题搜索需求,使得被提问人能够及时、准确地根据目标答案对相应的问题进行回答,可以在提词时提高问题回答的准确性。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1-7中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,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。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,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,上述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
集成的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取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种提词方法,其特征在于,所述方法包括:
接收问题搜索请求;其中,所述问题搜索请求包括触发请求和目标问题;
根据所述触发请求对所述目标问题进行关键词提取,得到目标关键词;
根据预设标签层级对所述目标关键词进行标签匹配搜索,得到候选问答数据;其中,所述候选问答数据包括候选问题及候选答案;
对所述候选问题进行关键词提取,得到候选关键词;
根据所述候选关键词和所述目标关键词进行匹配度计算,得到目标匹配分数;
根据所述目标匹配分数对所述候选答案进行答案筛选处理,得到目标答案;
将所述目标答案进行推荐展示。
2.根据权利要求1所述的提词方法,其特征在于,所述根据所述触发请求对所述目标问题进行关键词提取,得到目标关键词的步骤,包括:
根据所述触发请求调用预设的关键词提取模型;
通过所述关键词提取模型对所述目标问题进行关键词提取,得到初始关键词;
根据预设的筛选条件对所述初始关键词进行关键词筛选处理,得到所述目标关键词。
3.根据权利要求1所述的提词方法,其特征在于,所述预设标签层级包括多个目标标签,所述根据预设标签层级对所述目标关键词进行标签匹配搜索,得到候选问答数据的步骤,包括:
根据所述目标标签对所述目标关键词进行标签匹配搜索,得到每一预设标签类别的匹配概率值;
根据所述匹配概率值对所述目标标签中的参考问答数据进行问答筛选处理,得到所述候选问答数据。
4.根据权利要求1所述的提词方法,其特征在于,所述根据所述候选关键词和所述目标关键词进行匹配度计算,得到目标匹配分数的步骤,包括:
对所述目标关键词和候选关键词进行相似度计算,得到相似匹配度分数;
对所述目标关键词和候选关键词进行搜索匹配度计算,得到搜索匹配分数;
通过预设的调节因子对所述相似匹配度分数和所述搜索匹配分数进行加权计算,得到所述目标匹配分数。
5.根据权利要求1所述的提词方法,其特征在于,所述根据所述目标匹配分数对所述候选答案进行答案筛选处理,得到目标答案的步骤,包括:
比对所述目标匹配分数与预设的匹配分数阈值;
将所述目标匹配分数大于所述匹配分数阈值的候选答案作为所述目标答案。
6.根据权利要求1至5任一项所述的提词方法,其特征在于,在所述根据预设标签层级对所述目标关键词进行标签匹配搜索,得到候选问答数据的步骤之前,所述方法还包括预先构建所述预设标签层级,具体包括:
获取参考问答文本;
对所述参考问答文本进行关键词提取,得到参考关键词;
将所述参考关键词输入至预先构建的初始标签层级中;
通过所述初始标签层级对所述参考关键词进行标签匹配,得到所述参考关键词对应的标签数据;
根据所述标签数据对所述初始标签层级进行优化,得到所述预设标签层级。
7.根据权利要求6所述的提词方法,其特征在于,在所述预先构建所述预设标签层级的步骤之前,所述方法还包括预先构建所述初始标签层级,具体包括:
获取历史问答文本;
对所述历史问答文本进行关键词提取,得到历史关键词;
根据所述历史关键词和预设的标签类别构建所述初始标签层级。
8.一种提词装置,其特征在于,所述装置包括:
搜索请求获取模块,用于接收问题搜索请求;其中,所述问题搜索请求包括触发请求和目标问题;
目标关键词提取模块,用于根据所述触发请求对所述目标问题进行关键词提取,得到目标关键词;
候选问答数据获取模块,用于根据预设标签层级对所述目标关键词进行标签匹配搜索,得到候选问答数据;其中,所述候选问答数据包括候选问题及候选答案;
候选关键词提取模块,用于对所述候选问题进行关键词提取,得到候选关键词;
匹配分值计算模块,用于根据所述候选关键词和所述目标关键词进行匹配度计算,得到目标匹配分数;
筛选模块,用于根据所述目标匹配分数对所述候选答案进行答案筛选处理,得到目标答案;
提词展示模块,用于将所述目标答案进行推荐展示。
9.一种电子设备,其特征在于,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现如权利要求1至7任一项所述的提词方法的步骤。
10.一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至7中任一项所述的提词方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210361868.9A CN114722174A (zh) | 2022-04-07 | 2022-04-07 | 提词方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210361868.9A CN114722174A (zh) | 2022-04-07 | 2022-04-07 | 提词方法和装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114722174A true CN114722174A (zh) | 2022-07-08 |
Family
ID=82242538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210361868.9A Pending CN114722174A (zh) | 2022-04-07 | 2022-04-07 | 提词方法和装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114722174A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115344679A (zh) * | 2022-08-16 | 2022-11-15 | 中国平安财产保险股份有限公司 | 问题数据的处理方法、装置、计算机设备及存储介质 |
CN117827214A (zh) * | 2023-12-25 | 2024-04-05 | 慧之安信息技术股份有限公司 | 一种算法管理平台中的算法拓展方法及系统 |
-
2022
- 2022-04-07 CN CN202210361868.9A patent/CN114722174A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115344679A (zh) * | 2022-08-16 | 2022-11-15 | 中国平安财产保险股份有限公司 | 问题数据的处理方法、装置、计算机设备及存储介质 |
CN117827214A (zh) * | 2023-12-25 | 2024-04-05 | 慧之安信息技术股份有限公司 | 一种算法管理平台中的算法拓展方法及系统 |
CN117827214B (zh) * | 2023-12-25 | 2024-06-11 | 慧之安信息技术股份有限公司 | 一种算法管理平台中的算法拓展方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9779085B2 (en) | Multilingual embeddings for natural language processing | |
CN111708873A (zh) | 智能问答方法、装置、计算机设备和存储介质 | |
KR102491172B1 (ko) | 자연어 질의응답 시스템 및 그 학습 방법 | |
Yilmaz et al. | Improving educational web search for question-like queries through subject classification | |
CN116561538A (zh) | 问答评分方法、问答评分装置、电子设备及存储介质 | |
CN114722069A (zh) | 语言转换方法和装置、电子设备及存储介质 | |
CN114722174A (zh) | 提词方法和装置、电子设备及存储介质 | |
CN114626097A (zh) | 脱敏方法、脱敏装置、电子设备及存储介质 | |
CN114240552A (zh) | 基于深度聚类算法的产品推荐方法、装置、设备及介质 | |
CN111813993A (zh) | 视频内容的拓展方法、装置、终端设备及存储介质 | |
CN114926039A (zh) | 风险评估方法、风险评估装置、电子设备及存储介质 | |
CN114841146B (zh) | 文本摘要生成方法和装置、电子设备及存储介质 | |
CN116541493A (zh) | 基于意图识别的交互应答方法、装置、设备、存储介质 | |
WO2020111827A1 (ko) | 프로필 자동생성서버 및 방법 | |
CN117271736A (zh) | 一种问答对的生成方法和系统、电子设备及存储介质 | |
CN114942994A (zh) | 文本分类方法、文本分类装置、电子设备及存储介质 | |
CN113342944B (zh) | 一种语料泛化方法、装置、设备及存储介质 | |
CN115878752A (zh) | 文本情感的分析方法、装置、设备、介质及程序产品 | |
CN116719999A (zh) | 文本相似度检测方法和装置、电子设备及存储介质 | |
CN115795007A (zh) | 智能问答方法、智能问答装置、电子设备及存储介质 | |
CN114090778A (zh) | 基于知识锚点的检索方法、装置、电子设备及存储介质 | |
CN114492437B (zh) | 关键词识别方法、装置、电子设备及存储介质 | |
CN114398903B (zh) | 意图识别方法、装置、电子设备及存储介质 | |
CN116127066A (zh) | 文本聚类方法、文本聚类装置、电子设备及存储介质 | |
CN115270746A (zh) | 问题样本生成方法和装置、电子设备及存储介质 |
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 |