CN114880449A - 智能问答的答复生成方法、装置、电子设备及存储介质 - Google Patents
智能问答的答复生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114880449A CN114880449A CN202210542214.6A CN202210542214A CN114880449A CN 114880449 A CN114880449 A CN 114880449A CN 202210542214 A CN202210542214 A CN 202210542214A CN 114880449 A CN114880449 A CN 114880449A
- Authority
- CN
- China
- Prior art keywords
- answer
- question
- historical
- training
- answers
- 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 42
- 238000012549 training Methods 0.000 claims abstract description 131
- 238000012216 screening Methods 0.000 claims abstract description 15
- 230000004044 response Effects 0.000 claims description 68
- 239000013598 vector Substances 0.000 claims description 64
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011156 evaluation 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
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 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
- 238000006467 substitution reaction Methods 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
- 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
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0613—Third-party assisted
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种智能问答的答复生成方法，包括：获取用户的当前提问，从预设的历史问答信息中筛选符合第一预设条件的历史问答信息作为参考语料，其中，所述历史问答信息包括历史提问及所述历史提问对应的历史答复；获取历史答复对应的相反答复，并利用历史答复及所述相反答复，对预构建的问答模型进行答复分类训练；利用当前提问及参考语料对完成答复分类训练的问答模型进行答复预测训练，并生成预测答复；从预测答复中选择满足第四预设条件的答复作为最终答复。本发明还提出一种智能问答的答复生成装置、电子设备以及存储介质。本发明可以优化智能问答中的逻辑一致性。
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的答复生成方法、装置、电子设备及存储介质。
背景技术
智能问答在人们的生活和工作中得到广泛的应用，例如，线上购物智能客服服务、考勤常见问题自助系统等。
当前较为普遍的方式是利用对话语料对基于深度学习的问答模型进行训练，生成与用户当前提问相关的回复。这种回复生成方式中，通常最终生成的回复与用户当前提问具有一定的相关性，符合问答的基本场景要求，但是可能会存在当前回复与历史回复相冲突不一致的情况。
因此，要使得人工智能能够准确回答出用户的问题，还需要保证智能对话的前后逻辑性的一致性，才能实现人工智能针对用户问题给出合适回复。
发明内容
本发明提供一种智能问答的答复生成方法、装置、电子设备及存储介质，其主要目的在于优化智能问答中的逻辑一致性。
为实现上述目的，本发明提供的一种智能问答的答复生成方法，包括：
获取用户的当前提问，根据所述当前提问从预设的历史问答信息中筛选符合第一预设条件的历史问答信息作为参考语料，其中，所述历史问答信息包括历史提问及所述历史提问对应的历史答复；
获取所述参考语料中历史答复对应的相反答复，并利用所述参考语料中历史答复及所述相反答复，对预构建的问答模型进行答复分类训练，直至所述答复分类训练满足第二预设条件时，结束所述答复分类训练；
利用所述当前提问及所述参考语料对完成答复分类训练的问答模型进行答复预测训练，直至所述答复预测训练满足第三预设条件时，结束所述答复预测训练，生成预测答复；
从所述预测答复中选择满足第四预设条件的答复作为最终答复。
可选地，所述根据所述当前提问从预设的历史问答信息中筛选符合第一预设条件的历史问答信息作为参考语料，其中，所述历史问答信息包括历史提问及所述历史提问对应的历史答复，包括：
分别计算所述预设的历史问答信息中的每个历史提问与所述当前提问之间的综合相似度；
选择所述综合相似度满足第一预设条件的历史提问对应的历史问答信息作为参考语料。
可选地，所述分别计算所述预设的历史问答信息中的每个历史提问与所述当前提问之间的综合相似度，包括：
利用基于倒排索引的方式提取每个所述历史提问与所述当前提问的重叠词语，并根据所述重叠词语的词频计算每个所述历史提问与所述当前提问之间的第一相似度；
将每个所述历史提问与所述当前提问转化为低维度词向量，并采用基于余弦相似度的方法计算每个历史提问词向量与当前提问词向量的第二相似度；
提取每个所述历史提问词向量与所述当前提问词向量的词向量极值，并根据所述词向量极值计算每个历史提问词向量与当前提问词向量的第三相似度；
利用基于BERT模型对每个所述历史提问与所述当前提问进行全局词向量编码，得到每个所述历史提问与所述当前提问的全局词向量，并根据所述每个所述历史提问与所述当前提问的全局词向量计算第四相似度；
将所述第一相似度、所述第二相似度、所述第三相似度以及所述第四相似度进行归一化处理，计算归一化后的所有相似度的均值，将所述均值作为相应历史提问与所述当前提问之间的综合相似度。
可选地，所述利用所述当前提问及所述参考语料对预构建的问答模型进行答复预测训练，生成预测答复，包括：
将所述参考语料与所述当前提问进行文本拼接，得到问答训练文本；
对所述问答训练文本执行词向量转换操作，得到文本向量；
根据所述文本向量，利用所述预构建的问答模型中的前馈神经网络层对所述当前提问进行答复预测，得到预测答复；
计算所述预测答复与所述当前提问真实答复之间的预测损失值，并判断所述预测损失值是否满足所述第三预设条件；
当所述预测损失值不满足所述第三预设条件时，调整所述预构建的问答模型的参数，并返回上述的利用所述预构建的问答模型中的前馈神经网络层对所述当前提问进行答复预测的步骤；
当所述预测损失值满足第三预设条件时，结束所述预构建的问答模型的预测训练，并提取所述预测答复。
可选地，所述计算所述预测答复与所述当前提问真实答复之间的预测损失值，包括：
可采用下述损失值公式：
其中，pi为所述预测答复，yi为所述真实答复，Loss1为所述预测答复与所述真实答复之间的预测损失值，L为所述预构建的问答模型的神经元细胞个数，m为所述预构建的问答模型中的神经元细胞总数。
可选地，所述利用所述参考语料中历史答复及所述相反答复，对所述预构建的问答模型进行答复分类训练，包括：
将所述参考语料中历史答复作为所述答复分类训练的正标签，及将所述相反答复作为所述答复分类训练的负标签；
利用所述参考语料中历史答复及所述相反答复对所述预构建的问答模型的答复分类进行答复分类训练；
利用预设的损失函数计算每种所述正标签及每种所述负标签的对应的分类损失值，判断所述分类损失值是否满足所述第二预设条件；
当所述分类损失值不满足所述第二预设条件时，调整所述预构建的问答模型的参数，并返回上述的利用所述参考语料中历史答复及所述相反答复对所述预构建的问答模型的答复分类进行答复分类训练的步骤；
当所述分类损失值满足所述第二预设条件时，结束所述预构建的问答模型的分类训练。
可选地，所述从所述候选答复中选择满足第四预设条件的答复作为最终答复，包括：
计算每个所述预测答复的置信度；
提取所述置信度满足所述第四预设条件的预测答复，作为所述最终答复。
为了解决上述问题，本发明还提供一种智能问答的答复生成装置，所述装置包括：
训练语料选取模块，用于获取用户的当前提问，根据所述当前提问从预设的历史问答信息中筛选符合第一预设条件的历史问答信息作为参考语料，其中，所述历史问答信息包括历史提问及所述历史提问对应的历史答复；
答复一致性训练模块，用于获取所述参考语料中历史答复对应的相反答复，并利用所述参考语料中历史答复及所述相反答复，对预构建的问答模型进行答复分类训练，直至所述答复分类训练满足第二预设条件时，结束所述答复分类训练；
答复预测模块，用于利用所述当前提问及所述参考语料对完成答复分类训练的问答模型进行答复预测训练，直至所述答复预测训练满足第三预设条件时，结束所述答复预测训练，生成预测答复；
答复筛选模块，用于从所述预测答复中选择满足第四预设条件的答复作为最终答复。
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的答复生成方法。
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的答复生成方法。
本发明实施例根据用户的当前提问，从预设的历史问答信息中筛选符合第一预设条件的历史问题信息作为参考语料，可以去除与所述当前提问无关的历史问答信息，提升参考语料的使用价值，进一步地，获取参考语料中的历史答复对应的相反答复，利用所述参考语料中历史答复及每个历史答复对应的相反答复，对所述预构建的问答模型进行答复分类训练，使得所述预构建的问答模型具备对逻辑一致或逻辑不一致的答复的识别能力，再利用所述当前提问和所述参考语料对完成答复分类训练的问答模型进行答复预测训练，保障了所述问答模型所预测的答复与历史答复前后逻辑的一致性。
附图说明
图1为本发明一实施例提供的智能问答的答复生成方法的流程示意图；
图2为本发明一实施例提供的智能问答的答复生成方法中一个步骤的详细流程示意图；
图3为本发明一实施例提供的智能问答的答复生成方法中一个步骤的详细流程示意图；
图4为本发明一实施例提供的智能问答的答复生成方法中一个步骤的详细流程示意图；
图5为本发明一实施例提供的智能问答的答复生成装置的功能模块图；
图6为本发明一实施例提供的实现所述智能问答的答复生成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的答复生成方法。所述智能问答的答复生成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，所述智能问答的答复生成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的答复生成方法的流程示意图。在本实施例中，所述智能问答的答复生成方法包括以下步骤S1-S4：
S1、获取用户的当前提问，根据所述当前提问从预设的历史问答信息中筛选符合第一预设条件的历史问答信息作为参考语料，其中，所述历史问答信息包括历史提问及所述历史提问对应的历史答复；
本发明实施例中，所述第一预设条件是指历史问答信息中的历史提问和当前提问之间的相似度需要满足的某一相似度阈值，例如，所述相似度阈值可以设置为0.95。
本发明实施例通过根据所述当前提问从预设的历史问答信息中筛选符合第一预设条件的历史问答信息作为参考语料，可以去除与所述当前提问无关的历史问答信息，提升参考语料的使用价值。
作为本发明一实施例，所述根据所述当前提问从预设的历史问答信息中筛选符合第一预设条件的历史问答信息作为参考语料，包括：分别计算每个所述历史提问与所述当前提问之间的综合相似度；选择所述综合相似度满足第一预设条件的历史提问对应的历史问答信息作为参考语料。
本发明实施例中，所述预设的相似度算法库是指利用多个相似度算法构建的相似度算法集合，例如，所述预设的相似度算法库包括但不限于基于倒排索引、基于词向量的相似度计算方法Greedy Matching和Vector Extrema、基于BERTScore预训练模型的相似度计算方法。
进一步地，本发明实施例通过分别计算每个所述历史提问与所述当前提问之间的综合相似度，并利用多种相似度计算公式计算得出的相似度进行综合相似度评估，可以进一步剔除无关历史问答信息对对话回复的影响。
详细地，参照图2所示，所述分别计算每个所述历史提问与所述当前提问之间的综合相似度，包括以下步骤S100-S104：
S100、利用基于倒排索引的方式提取每个所述历史提问与所述当前提问的重叠词语，并根据所述重叠词语的词频计算每个所述历史提问与所述当前提问之间的第一相似度；
S101、将每个所述历史提问与所述当前提问转化为低维度词向量，并采用基于余弦相似度的方法计算每个历史提问词向量与当前提问词向量的第二相似度；
S102、提取每个所述历史提问词向量与所述当前提问词向量的词向量极值，并根据所述词向量极值计算每个历史提问词向量与当前提问词向量的第三相似度；
S103、利用基于BERT模型对每个所述历史提问与所述当前提问进行全局词向量编码，得到每个所述历史提问与所述当前提问的全局词向量，并根据所述每个所述历史提问与所述当前提问的全局词向量计算第四相似度；
S104、将所述第一相似度、所述第二相似度、所述第三相似度以及所述第四相似度进行归一化处理，计算归一化后的所有相似度的均值，将所述均值作为相应历史提问与所述当前提问之间的综合相似度。
本发明实施例中，所述BERT模型是指自然语言处理领域中通过大规模文本数据预训练生成，并在小规模数据业务场景中对下游任务进行微调的深度学习模型。
S2、获取所述参考语料中历史答复对应的相反答复，并利用所述参考语料中历史答复及所述相反答复，对预构建的问答模型进行答复分类训练，直至所述答复分类训练满足第二预设条件时，结束所述答复分类训练；
本发明实施例中，所述预构建的问答模型是指基于预训练模型GPT进行构建的处理语言任务的模型。
本发明实施例中，所述获取所述参考语料中历史答复对应的相反答复，可通过预构建的语义模型对所述历史答复进行语义分析后，根据所述历史答复的语义生成与所述语义相反的答复，作为所述历史答复对应的相反答复，其中，所述预构建的语义模型可采用LDA模型。
本发明实施例通过获取所述参考语料中历史答复对应的相反答复，并利用所述参考语料中历史答复及所述相反答复，对预构建的问答模型进行答复分类训练，可以扩展答复分类训练时训练语料的维度，提升分类的准确率。
详细地，参照图3所示，所述利用所述参考语料中历史答复及所述相反答复，对预构建的问答模型进行答复分类训练，包括以下步骤S200-S204：
S200、将所述参考语料中历史答复作为所述答复分类训练的正标签，及将所述相反答复作为所述答复分类训练的负标签；
S201、利用所述参考语料中历史答复及所述相反答复对所述预构建的问答模型的答复分类进行答复分类训练；
S202、利用预设的损失函数计算每种所述正标签及每种所述负标签的对应的分类损失值，判断所述分类损失值是否满足所述第二预设条件；
S203、当所述分类损失值不满足所述第二预设条件时，调整所述预构建的问答模型的参数，并返回上述的利用所述参考语料中历史答复及所述相反答复对所述预构建的问答模型的答复分类进行答复分类训练的步骤；
S204、当所述分类损失值满足所述第二预设条件时，结束所述预构建的问答模型的分类训练。
进一步地，所述利用预设的损失函数计算每种所述正标签及每种所述负标签的对应的分类损失值，可采用下述损失函数：
其中，yi为分类类别，pi为预测分类结果为正标签的概率，Loss2为所述所述历史答复分类为所述正标签类别下的分类损失值，及
其中，yi为分类类别，pi为预测分类结果为负标签的概率，Loss2为所述所述历史答复分类为所述负标签类别下的分类损失值。
S3、利用所述当前提问及所述参考语料对完成答复分类训练的问答模型进行答复预测训练，直至所述答复预测训练满足第三预设条件时，结束所述答复预测训练，生成预测答复；
本发明实施例中，所述第三预设条件是指答复预测训练中的损失值需要满足的损失值阈值要求。
详细地，参照图4所示，所述利用所述当前提问及所述参考语料对完成答复分类训练的问答模型进行答复预测训练，直至所述答复预测训练满足第三预设条件时，结束所述答复预测训练，生成预测答复，包括以下步骤S300-S305：
S300、将所述参考语料与所述当前提问进行文本拼接，得到问答训练文本；
S301、对所述问答训练文本执行词向量转换操作，得到文本向量；
S302、根据所述文本向量，利用所述预构建的问答模型中的前馈神经网络层对所述当前提问进行答复预测，得到预测答复；
S303、计算所述预测答复与所述当前提问真实答复之间的预测损失值，并判断所述预测损失值是否满足所述第三预设条件；
S304、当所述预测损失值不满足所述第三预设条件时，调整所述预构建的问答模型的参数，并返回上述的利用所述预构建的问答模型中的前馈神经网络层对所述当前提问进行答复预测的步骤；
S305、当所述预测损失值满足第三预设条件时，结束所述预构建的问答模型的预测训练，并提取所述预测答复。
进一步地，所述计算所述预测答复与所述当前提问真实答复之间的预测损失值，包括：
可采用下述损失值公式：
其中，pi为所述预测答复，yi为所述真实答复，Loss1为所述预测答复与所述真实答复之间的预测损失值，L为所述预构建的问答模型的神经元细胞个数，m为所述预构建的问答模型中的神经元细胞总数。
S4、从所述预测答复中选择满足第四预设条件的答复作为最终答复。
本发明实施例中，所述第四预设条件是指计算候选回复的置信度，满足预设要求的置信度阈值。
详细地，所述从所述候选答复中选择满足第三预设条件的答复作为最终答复，包括：计算所述候选答复的置信度；提取所述置信度满足预设条件的候选答复，作为所述最终答复。
本发明实施例根据用户的当前提问，从预设的历史问答信息中筛选符合第一预设条件的历史问题信息作为参考语料，可以去除与所述当前提问无关的历史问答信息，提升参考语料的使用价值，进一步地，获取参考语料中的历史答复对应的相反答复，利用所述参考语料中历史答复及每个历史答复对应的相反答复，对所述预构建的问答模型进行答复分类训练，使得所述预构建的问答模型具备对逻辑一致或逻辑不一致的答复的识别能力，再利用所述当前提问和所述参考语料对完成答复分类训练的问答模型进行答复预测训练，保障了所述问答模型所预测的答复与历史答复前后逻辑的一致性。
如图5所示，是本发明一实施例提供的智能问答的答复生成装置的功能模块图。
本发明所述智能问答的答复生成装置100可以安装于电子设备中。根据实现的功能，所述智能问答的答复生成装置100可以包括训练语料选取模块101、答复一致性训练模块102、答复预测模块103及答复筛选模块104。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：
所述训练语料选取模块101，用于获取用户的当前提问，根据所述当前提问从预设的历史问答信息中筛选符合第一预设条件的历史问答信息作为参考语料，其中，所述历史问答信息包括历史提问及所述历史提问对应的历史答复；
本发明实施例中，所述第一预设条件是指历史问答信息中的历史提问和当前提问之间的相似度需要满足的某一相似度阈值，例如，所述相似度阈值可以设置为0.95。
本发明实施例通过根据所述当前提问从预设的历史问答信息中筛选符合第一预设条件的历史问答信息作为参考语料，可以去除与所述当前提问无关的历史问答信息，提升参考语料的使用价值。
作为本发明一实施例，所述根据所述当前提问从预设的历史问答信息中筛选符合第一预设条件的历史问答信息作为参考语料，包括：分别计算每个所述历史提问与所述当前提问之间的综合相似度；选择所述综合相似度满足第一预设条件的历史提问对应的历史问答信息作为参考语料。
本发明实施例中，所述预设的相似度算法库是指利用多个相似度算法构建的相似度算法集合，例如，所述预设的相似度算法库包括但不限于基于倒排索引、基于词向量的相似度计算方法Greedy Matching和Vector Extrema、基于BERTScore预训练模型的相似度计算方法。
进一步地，本发明实施例通过分别计算每个所述历史提问与所述当前提问之间的综合相似度，并利用多种相似度计算公式计算得出的相似度进行综合相似度评估，可以进一步剔除无关历史问答信息对对话回复的影响。
详细地，所述分别计算每个所述历史提问与所述当前提问之间的综合相似度，包括：利用基于倒排索引的方式提取每个所述历史提问与所述当前提问的重叠词语，并根据所述重叠词语的词频计算每个所述历史提问与所述当前提问之间的第一相似度；将每个所述历史提问与所述当前提问转化为低维度词向量，并采用基于余弦相似度的方法计算每个历史提问词向量与当前提问词向量的第二相似度；提取每个所述历史提问词向量与所述当前提问词向量的词向量极值，并根据所述词向量极值计算每个历史提问词向量与当前提问词向量的第三相似度；利用基于BERT模型对每个所述历史提问与所述当前提问进行全局词向量编码，得到每个所述历史提问与所述当前提问的全局词向量，并根据所述每个所述历史提问与所述当前提问的全局词向量计算第四相似度；将所述第一相似度、所述第二相似度、所述第三相似度以及所述第四相似度进行归一化处理，计算归一化后的所有相似度的均值，将所述均值作为相应历史提问与所述当前提问之间的综合相似度。
本发明实施例中，所述BERT模型是指自然语言处理领域中通过大规模文本数据预训练生成，并在小规模数据业务场景中对下游任务进行微调的深度学习模型。
所述答复一致性训练模块102，用于获取所述参考语料中历史答复对应的相反答复，并利用所述参考语料中历史答复及所述相反答复，对预构建的问答模型进行答复分类训练，直至所述答复分类训练满足第二预设条件时，结束所述答复分类训练；
本发明实施例中，所述预构建的问答模型是指基于预训练模型GPT进行构建的处理语言任务的模型。
本发明实施例中，所述获取所述参考语料中历史答复对应的相反答复，可通过预构建的语义模型对所述历史答复进行语义分析后，根据所述历史答复的语义生成与所述语义相反的答复，作为所述历史答复对应的相反答复，其中，所述预构建的语义模型可采用LDA模型。
本发明实施例通过获取所述参考语料中历史答复对应的相反答复，并利用所述参考语料中历史答复及所述相反答复，对预构建的问答模型进行答复分类训练，可以扩展答复分类训练时训练语料的维度，提升分类的准确率。
详细地，所述利用所述参考语料中历史答复及所述相反答复，对预构建的问答模型进行答复分类训练，包括：将所述参考语料中历史答复作为所述答复分类训练的正标签，及将所述相反答复作为所述答复分类训练的负标签；利用所述参考语料中历史答复及所述相反答复对所述预构建的问答模型的答复分类进行答复分类训练；利用预设的损失函数计算每种所述正标签及每种所述负标签的对应的分类损失值，判断所述分类损失值是否满足所述第二预设条件；当所述分类损失值不满足所述第二预设条件时，调整所述预构建的问答模型的参数，并返回上述的利用所述参考语料中历史答复及所述相反答复对所述预构建的问答模型的答复分类进行答复分类训练的步骤；当所述分类损失值满足所述第二预设条件时，结束所述预构建的问答模型的分类训练。
进一步地，所述利用预设的损失函数计算每种所述正标签及每种所述负标签的对应的分类损失值，可采用下述损失函数：
其中，yi为分类类别，pi为预测分类结果为正标签的概率，Loss2为所述所述历史答复分类为所述正标签类别下的分类损失值，及
其中，yi为分类类别，pi为预测分类结果为负标签的概率，Loss2为所述所述历史答复分类为所述负标签类别下的分类损失值。
所述答复预测模块103，用于利用所述当前提问及所述参考语料对完成答复分类训练的问答模型进行答复预测训练，直至所述答复预测训练满足第三预设条件时，结束所述答复预测训练，生成预测答复；
本发明实施例中，所述第三预设条件是指答复预测训练中的损失值需要满足的损失值阈值要求。
详细地，所述利用所述当前提问及所述参考语料对完成答复分类训练的问答模型进行答复预测训练，直至所述答复预测训练满足第三预设条件时，结束所述答复预测训练，生成预测答复，包括：将所述参考语料与所述当前提问进行文本拼接，得到问答训练文本；对所述问答训练文本执行词向量转换操作，得到文本向量；根据所述文本向量，利用所述预构建的问答模型中的前馈神经网络层对所述当前提问进行答复预测，得到预测答复；计算所述预测答复与所述当前提问真实答复之间的预测损失值，并判断所述预测损失值是否满足所述第三预设条件；当所述预测损失值不满足所述第三预设条件时，调整所述预构建的问答模型的参数，并返回上述的利用所述预构建的问答模型中的前馈神经网络层对所述当前提问进行答复预测的步骤；当所述预测损失值满足第三预设条件时，结束所述预构建的问答模型的预测训练，并提取所述预测答复。
进一步地，所述计算所述预测答复与所述当前提问真实答复之间的预测损失值，包括：
可采用下述损失值公式：
其中，pi为所述预测答复，yi为所述真实答复，Loss1为所述预测答复与所述真实答复之间的预测损失值，L为所述预构建的问答模型的神经元细胞个数，m为所述预构建的问答模型中的神经元细胞总数。
所述最终答复筛选模块104，用于从所述预测答复中选择满足第四预设条件的答复作为最终答复。
本发明实施例中，所述第四预设条件是指计算候选回复的置信度，满足预设要求的置信度阈值。
详细地，所述从所述候选答复中选择满足第三预设条件的答复作为最终答复，包括：计算所述候选答复的置信度；提取所述置信度满足预设条件的候选答复，作为所述最终答复。
如图6所示，是本发明一实施例提供的实现智能问答的答复生成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，如智能问答的答复生成程序。
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(例如执行智能问答的答复生成程序等)，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，例如智能问答的答复生成程序的代码等，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6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6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存储的智能问答的答复生成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：
获取用户的当前提问，根据所述当前提问从预设的历史问答信息中筛选符合第一预设条件的历史问答信息作为参考语料，其中，所述历史问答信息包括历史提问及所述历史提问对应的历史答复；
获取所述参考语料中历史答复对应的相反答复，并利用所述参考语料中历史答复及所述相反答复，对预构建的问答模型进行答复分类训练，直至所述答复分类训练满足第二预设条件时，结束所述答复分类训练；
利用所述当前提问及所述参考语料对完成答复分类训练的问答模型进行答复预测训练，直至所述答复预测训练满足第三预设条件时，结束所述答复预测训练，生成预测答复；
从所述预测答复中选择满足第四预设条件的答复作为最终答复。
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：
获取用户的当前提问，根据所述当前提问从预设的历史问答信息中筛选符合第一预设条件的历史问答信息作为参考语料，其中，所述历史问答信息包括历史提问及所述历史提问对应的历史答复；
获取所述参考语料中历史答复对应的相反答复，并利用所述参考语料中历史答复及所述相反答复，对预构建的问答模型进行答复分类训练，直至所述答复分类训练满足第二预设条件时，结束所述答复分类训练；
利用所述当前提问及所述参考语料对完成答复分类训练的问答模型进行答复预测训练，直至所述答复预测训练满足第三预设条件时，结束所述答复预测训练，生成预测答复；
从所述预测答复中选择满足第四预设条件的答复作为最终答复。
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)
1.一种智能问答的答复生成方法，其特征在于，所述方法包括：
获取用户的当前提问，根据所述当前提问从预设的历史问答信息中筛选符合第一预设条件的历史问答信息作为参考语料，其中，所述历史问答信息包括历史提问及所述历史提问对应的历史答复；
获取所述参考语料中历史答复对应的相反答复，并利用所述参考语料中历史答复及所述相反答复，对预构建的问答模型进行答复分类训练，直至所述答复分类训练满足第二预设条件时，结束所述答复分类训练；
利用所述当前提问及所述参考语料对完成答复分类训练的问答模型进行答复预测训练，直至所述答复预测训练满足第三预设条件时，结束所述答复预测训练，生成预测答复；
从所述预测答复中选择满足第四预设条件的答复作为最终答复。
2.如权利要求1所述的智能问答的答复生成方法，其特征在于，所述根据所述当前提问从预设的历史问答信息中筛选符合第一预设条件的历史问答信息作为参考语料，其中，所述历史问答信息包括历史提问及所述历史提问对应的历史答复，包括：
分别计算所述预设的历史问答信息中的每个历史提问与所述当前提问之间的综合相似度；
选择所述综合相似度满足第一预设条件的历史提问对应的历史问答信息作为参考语料。
3.如权利要求2所述的智能问答的答复生成方法，其特征在于，所述分别计算所述预设的历史问答信息中的每个历史提问与所述当前提问之间的综合相似度，包括：
利用基于倒排索引的方式提取每个所述历史提问与所述当前提问的重叠词语，并根据所述重叠词语的词频计算每个所述历史提问与所述当前提问之间的第一相似度；
将每个所述历史提问与所述当前提问转化为低维度词向量，并采用基于余弦相似度的方法计算每个历史提问词向量与当前提问词向量的第二相似度；
提取每个所述历史提问词向量与所述当前提问词向量的词向量极值，并根据所述词向量极值计算每个历史提问词向量与当前提问词向量的第三相似度；
利用基于BERT模型对每个所述历史提问与所述当前提问进行全局词向量编码，得到每个所述历史提问与所述当前提问的全局词向量，并根据所述每个所述历史提问与所述当前提问的全局词向量计算第四相似度；
将所述第一相似度、所述第二相似度、所述第三相似度以及所述第四相似度进行归一化处理，计算归一化后的所有相似度的均值，将所述均值作为相应历史提问与所述当前提问之间的综合相似度。
4.如权利要求1所述的智能问答的答复生成方法，其特征在于，所述利用所述当前提问及所述参考语料对预构建的问答模型进行答复预测训练，生成预测答复，包括：
将所述参考语料与所述当前提问进行文本拼接，得到问答训练文本；
对所述问答训练文本执行词向量转换操作，得到文本向量；
根据所述文本向量，利用所述预构建的问答模型中的前馈神经网络层对所述当前提问进行答复预测，得到预测答复；
计算所述预测答复与所述当前提问真实答复之间的预测损失值，并判断所述预测损失值是否满足所述第三预设条件；
当所述预测损失值不满足所述第三预设条件时，调整所述预构建的问答模型的参数，并返回上述的利用所述预构建的问答模型中的前馈神经网络层对所述当前提问进行答复预测的步骤；
当所述预测损失值满足第三预设条件时，结束所述预构建的问答模型的预测训练，并提取所述预测答复。
5.如权利要求4所述的智能问答的答复生成方法，其特征在于，所述计算所述预测答复与所述当前提问真实答复之间的预测损失值，包括：
可采用下述损失值公式：
其中，pi为所述预测答复，yi为所述真实答复，Loss1为所述预测答复与所述真实答复之间的预测损失值，L为所述预构建的问答模型的神经元细胞个数，m为所述预构建的问答模型中的神经元细胞总数。
6.如权利要求1所述的智能问答的答复生成方法，其特征在于，所述利用所述参考语料中历史答复及所述相反答复，对所述预构建的问答模型进行答复分类训练，包括：
将所述参考语料中历史答复作为所述答复分类训练的正标签，及将所述相反答复作为所述答复分类训练的负标签；
利用所述参考语料中历史答复及所述相反答复对所述预构建的问答模型的答复分类进行答复分类训练；
利用预设的损失函数计算每种所述正标签及每种所述负标签的对应的分类损失值，判断所述分类损失值是否满足所述第二预设条件；
当所述分类损失值不满足所述第二预设条件时，调整所述预构建的问答模型的参数，并返回上述的利用所述参考语料中历史答复及所述相反答复对所述预构建的问答模型的答复分类进行答复分类训练的步骤；
当所述分类损失值满足所述第二预设条件时，结束所述预构建的问答模型的分类训练。
7.如权利要求1所述的智能问答的答复生成方法，其特征在于，所述从所述候选答复中选择满足第四预设条件的答复作为最终答复，包括：
计算每个所述预测答复的置信度；
提取所述置信度满足所述第四预设条件的预测答复，作为所述最终答复。
8.一种智能问答的答复生成装置，其特征在于，所述装置包括：
训练语料选取模块，用于获取用户的当前提问，根据所述当前提问从预设的历史问答信息中筛选符合第一预设条件的历史问答信息作为参考语料，其中，所述历史问答信息包括历史提问及所述历史提问对应的历史答复；
答复一致性训练模块，用于获取所述参考语料中历史答复对应的相反答复，并利用所述参考语料中历史答复及所述相反答复，对预构建的问答模型进行答复分类训练，直至所述答复分类训练满足第二预设条件时，结束所述答复分类训练；
答复预测模块，用于利用所述当前提问及所述参考语料对完成答复分类训练的问答模型进行答复预测训练，直至所述答复预测训练满足第三预设条件时，结束所述答复预测训练，生成预测答复；
答复筛选模块，用于从所述预测答复中选择满足第四预设条件的答复作为最终答复。
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的答复生成方法。
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的答复生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210542214.6A CN114880449B (zh) | 2022-05-17 | 2022-05-17 | 智能问答的答复生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210542214.6A CN114880449B (zh) | 2022-05-17 | 2022-05-17 | 智能问答的答复生成方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114880449A true CN114880449A (zh) | 2022-08-09 |
| CN114880449B CN114880449B (zh) | 2024-05-10 |
Family
ID=82676115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210542214.6A Active CN114880449B (zh) | 2022-05-17 | 2022-05-17 | 智能问答的答复生成方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114880449B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115412745A (zh) * | 2022-08-12 | 2022-11-29 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
| CN115952274A (zh) * | 2023-03-10 | 2023-04-11 | 北京百度网讯科技有限公司 | 基于深度学习模型的数据生成方法、训练方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107807933A (zh) * | 2016-09-09 | 2018-03-16 | 阿里巴巴集团控股有限公司 | 一种针对提问的回复方法和装置 |
| CN112052310A (zh) * | 2020-09-28 | 2020-12-08 | 平安普惠企业管理有限公司 | 基于大数据的信息获取方法、装置、设备及存储介质 |
| US20210035132A1 (en) * | 2019-08-01 | 2021-02-04 | Qualtrics, Llc | Predicting digital survey response quality and generating suggestions to digital surveys |
| CN113836296A (zh) * | 2021-09-28 | 2021-12-24 | 平安科技（深圳）有限公司 | 一种佛学问答摘要的生成方法、装置、设备及存储介质 |
-
2022
- 2022-05-17 CN CN202210542214.6A patent/CN114880449B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107807933A (zh) * | 2016-09-09 | 2018-03-16 | 阿里巴巴集团控股有限公司 | 一种针对提问的回复方法和装置 |
| US20210035132A1 (en) * | 2019-08-01 | 2021-02-04 | Qualtrics, Llc | Predicting digital survey response quality and generating suggestions to digital surveys |
| CN112052310A (zh) * | 2020-09-28 | 2020-12-08 | 平安普惠企业管理有限公司 | 基于大数据的信息获取方法、装置、设备及存储介质 |
| CN113836296A (zh) * | 2021-09-28 | 2021-12-24 | 平安科技（深圳）有限公司 | 一种佛学问答摘要的生成方法、装置、设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115412745A (zh) * | 2022-08-12 | 2022-11-29 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
| CN115412745B (zh) * | 2022-08-12 | 2024-02-27 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
| CN115952274A (zh) * | 2023-03-10 | 2023-04-11 | 北京百度网讯科技有限公司 | 基于深度学习模型的数据生成方法、训练方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114880449B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
| CN114880449B (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
| 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 | |
| CN113886691A (zh) | 基于历史数据的智能推荐方法、装置、电子设备及介质 | |
| CN113378970A (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
| CN113887930A (zh) | 问答机器人健康度评估方法、装置、设备及存储介质 | |
| CN113821622A (zh) | 基于人工智能的答案检索方法、装置、电子设备及介质 | |
| CN113807973A (zh) | 文本纠错方法、装置、电子设备及计算机可读存储介质 | |
| CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
| CN114398557A (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
| CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
| CN112885423A (zh) | 疾病标签检测方法、装置、电子设备及存储介质 | |
| CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
| CN113918704A (zh) | 基于机器学习的问答方法、装置、电子设备及介质 | |
| CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN114625340B (zh) | 基于需求分析的商用软件研发方法、装置、设备及介质 | |
| CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
| CN115099680A (zh) | 风险管理方法、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 | |
| CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 | |
| CN114676307A (zh) | 基于用户检索的排序模型训练方法、装置、设备及介质 | |
| CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
| CN114385815A (zh) | 基于业务需求的新闻筛选方法、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 | |
| CN113806540A (zh) | 文本打标签方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |