CN115017276A - 结合模糊逻辑与r-gcn的政务咨询多轮对话方法及系统 - Google Patents
结合模糊逻辑与r-gcn的政务咨询多轮对话方法及系统 Download PDFInfo
- Publication number
- CN115017276A CN115017276A CN202210311947.9A CN202210311947A CN115017276A CN 115017276 A CN115017276 A CN 115017276A CN 202210311947 A CN202210311947 A CN 202210311947A CN 115017276 A CN115017276 A CN 115017276A
- Authority
- CN
- China
- Prior art keywords
- answer
- background
- sentence
- clause
- gcn
- 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 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 3
- 230000008451 emotion Effects 0.000 claims description 27
- 230000009471 action Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013138 pruning Methods 0.000 claims description 6
- 230000001149 cognitive effect Effects 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 5
- 230000007935 neutral effect Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 238000009223 counseling Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 239000003086 colorant Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010013710 Drug interaction Diseases 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种结合模糊逻辑与R‑GCN的政务咨询多轮对话方法及系统,涉及智能问答机器人技术领域,该方法包括根据多轮人机对话文本进行预处理,获得问题及其背景、以及与问题相对应的答案;根据答案进行句法依存关系分析,结合模糊逻辑获得答案中的各个分句,利用R‑GCN进行推演以获得各个分句是否与背景相匹配的判定结果,根据判定结果生成回复文本。本发明能够强调对话的逻辑推理关系准确回答询问者问题,提高多轮对话的逻辑理解能力,有效降低学习成本。
Description
技术领域
本发明涉及智能问答机器人技术领域,具体涉及一种结合模糊逻辑与R-GCN的政务咨询多轮对话方法及系统。
背景技术
人工智能的发展为深化政府治理变革提供了重大机遇与全新途径,越来越多公共部门开始采用人工智能技术改善公共服务、降低行政中公民的学习成本。其中智能问答机器人作为人工智能中的典型应用,已经在实际政务咨询服务中投入使用,在降低学习成本方面卓有成效,如日本政府在“垃圾分类”、“税务咨询”、“总台服务”、“父母养育支持”等多个场景提供咨询服务;杭州政府提供服务咨询机器人“小杭”、长春市政府提供服务咨询机器人“小优同学”,公民不需要掌握行政服务方面的专业知识,仅需要询问机器人便可了解政务服务。由此可见,在使用智能机器人(简称政务机器人)降低学习成本方面具有巨大的应用前景。
当前我国共有31个省政府的门户网站提供了政务机器人咨询服务,但是普遍存在问答能力偏弱、不得不依赖人工服务的问题,获取服务的学习成本依然很高,如下表所示。
问题 | 示例网站 |
基本问题无法回答 | 新疆智能客服、福建智能客服 |
没有基本分区推荐 | 湖北智能客服、河北智能客服 |
问题回答程度不高,无法满足需求 | 山东智能客服 |
通常AI机器人面对复杂询问,会依据已知知识图谱与对话背景进行逻辑推理,给出最终答案,例如当提问“2022年1月25日从北京出发到张家口,需要被隔离吗”时,机器人会直接推荐出对应政策条款“猜您刚刚问的是:北京市疫情防控进(返)京政策?国内进(返)京人员:……”。在实践中,由于政务机器人会设置提问字数长度,如北京政务问答机器人要求35字以内;浙江政务问答机器人要求100字以内,而民众缺乏先验知识无法简短准确的描述自身咨询诉求的问题,需要政务机器人根据问题进一步提问引导,例如针对上述提问机器人还会给出相关政策索引进行引导,从而形成多轮具有逻辑推理关系的对话。所以政务机器人需要理解“问题-答案”、“背景-答案”之间的逻辑关系,才能够针对询问者意图有效引导,即政务机器人需要具备面向多轮对话的逻辑理解能力。
所以这种多轮对话讨论的话题通常是非连续的,并且相互交织在一起的,提高政务机器人面向多轮对话的逻辑理解能力,关键在于识别对话中上下文中问答对应关系(reply to)的固有结构,按逻辑层次对多轮对话进行建模。在对话关系建模方面,应用最广泛的对话模型往往将对话按照时序整段输入,导致对应于不同主题的问答交织在一起并不适用于多轮对话建模。因此,多轮对话往往建模成多视角的匹配问题予以计算:(1)将上下文分解成多个主题单元并进一步细粒度的表示这些模块之间的关系,采用多跳选择网络(MSN)、双重注意力机制(TADAM)、认知图谱问答模型(Cognitive Graph QA)等机制来计算上下文中主题单元与回答(response)的匹配关系;(2)构建一种掩码机制的自注意力网络,使得每个单词只从相关的词汇上,如相同的话语、相同的演讲者等,补充全局的语境意,从而找到“问”“答”之间的对应关系,从语境上保持逻辑一致性;(3)对话语结构与行动三元组进行建模,以深度学习(RNN)的方法保持行动主体与对话响应的一致关系。此三类方法在识别与分割多轮对话主题方面卓有成效,并广泛地应用在自动问答、对话生成、检索、聊天机器人、问答文本处理、语言模型预训练等下游任务上。
但是,对话模型在政务咨询、在线医疗等知识密集型领域表现不佳。因为上述对话模型目的在于使对话模型更为符合口语交流的习惯,训练的语料以口语对话为主,如来自豆瓣多轮评论、微博单轮评论等,其中的匹配关系更多关注词语中的语境一致,没有强调逻辑的推理连贯性。大量的上下文语境为对话提供丰富信息以外,也会产生噪声影响模型性能,使得输出结果趋于泛化,如SMN、DAM等基于匹配的对话模型对对抗样本中的噪声非常敏感,导致逻辑匹配准确度下降。同时,政务咨询中询问者与行政人员的回答之间、以及询问者不同问题之间存在很强的逻辑推理关系,与口语对话的语料有很大区别,不仅强调语境,政务机器人更强调语境中蕴含的匹配逻辑转变。而目前针对政务机器人情景对话模型的研究较少。
发明内容
因此,为了克服上述缺陷,本发明实施例提供一种结合模糊逻辑与R-GCN的政务咨询多轮对话方法及系统,能够强调对话的逻辑推理关系准确回答询问者问题,提高多轮对话的逻辑理解能力,有效降低学习成本。
为此,本发明实施例的一种结合模糊逻辑与R-GCN的政务咨询多轮对话方法,包括以下步骤:
“问题-答案”的匹配过程;以及
“答案-背景”的匹配过程。
所述“答案-背景”的匹配过程包括:规则拆解、背景识别以及回复生成步骤。
其中,规则拆解步骤包括:
将答案根据分句标注进行分句拆解;提取分句中的连词形成连词词表,将所述连词词表中的各个连词嵌入到与、或、非和等价于的逻辑关系中,依据连词判断分句之间的逻辑关系;提取分句中的名词和动词,绘制分句句法图;基于模糊逻辑判断规则,将分句之间的逻辑关系和分句句法图进行融合,得到答案的线索关系图。
背景识别步骤包括:
将答案的分句和背景的事实句子输入训练好的BERT模型,经模型推演后获得模型输出的背景的事实句子对答案的分句的支持力度。
回复生成步骤包括:
根据背景的事实句子得到事实句子的背景图;采用R-GCN模型计算答案的线索关系图Gsub与事实句子的背景图Gbak之间的匹配度,当Gsub真包含于Gbak时,根据答案和对答案的分句的支持力度为1的背景的事实句子,生成回复文本。
本发明实施例的结合模糊逻辑与R-GCN的政务咨询多轮对话方法及系统,具有如下优点:
通过建立规则拆解,依据已有经验中学习到的逻辑判断规则对新问题进行推理,有利于增强经验积累,更有效率、自动地复用知识。通过计算隶属度来定义推理算子,克服了精确样本不足问题,更加适用于政务咨询场景下推理准确性的要求。通过采用R-GCN模型提升了查询图与知识图谱之间的匹配性能,从而通过动态构建答案的线索关系图与事实句子的背景图的推理图谱,并在图上进行关系推理,减少了图谱构建时的信息损失,同时保留图结构进行可解释关系推理,能够强调对话的逻辑推理关系准确回答询问者问题,提高多轮对话的逻辑理解能力,有效降低学习成本。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案,下面将对具体实施方式描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1中结合模糊逻辑与R-GCN的政务咨询多轮对话方法的一个具体示例的流程图;
图2为本发明实施例1中“问题-答案”匹配过程的一个具体示例的示意图;
图3为本发明实施例1中“答案-背景”匹配过程的一个具体示例的示意图;
图4为本发明实施例2中结合模糊逻辑与R-GCN的政务咨询多轮对话系统的一个具体示例的原理框图;
图5为本发明实施例2中“答案-背景”匹配子系统的一个具体示例的原理示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,本文所用的术语仅用于描述特定实施例的目的,而并非旨在限制本发明。除非上下文明确指出,否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时,是意图说明存在该特征、整数、步骤、操作、元素和/或组件,而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,本说明书中的某些图式是用于例示方法的流程图。应了解,这些流程图中的每一个方块、及这些流程图中方块的组合可通过计算机程序指令来实施。这些计算机程序指令可加载至一计算机或其他可编程的设备上来形成一机器,以使在所述计算机或其他可编程设备上执行的指令形成用于实施在所述流程图方块中所规定功能的结构。这些计算机程序指令也可储存于一计算机可读存储器中,所述计算机可读存储器可指令一计算机或其他可编程设备以一特定方式工作,以使储存于所述计算机可读存储器中的指令形成一包含用于实施在所述流程图方块中所规定功能的指令结构的制品。所述计算机程序指令也可加载至一计算机或其他可编程设备上,以便在所述计算机或其他可编程设备上执行一系列操作步骤来形成一由计算机实施的过程,从而使在所述计算机或其他可编程设备上执行的指令提供用于实施在所述流程图方块中所规定功能的步骤。
相应地,各流程图中的方块支持用于执行所规定功能的结构的组合及用于执行所规定功能的步骤的组合。还应了解,所述流程图中的每一个方块、及所述流程图中方块的组合可由执行所规定功能或步骤的基于专用硬件的计算机系统、或者专用硬件与计算机指令的组合来实施。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种结合模糊逻辑与R-GCN(图神经网络的衍生模型,能够处理异构图信息,通过使用DistMult解码器在关系图的多步推断中累积证据,从而显著提升知识库中链接预测、实体分类任务的效果)的政务咨询多轮对话方法,分为“问题-答案”、“答案-背景”两层知识图谱之间的匹配问题,如图1所示,包括以下步骤:
S1、“问题-答案”的匹配过程:
根据多轮人机对话文本进行预处理,获得问题及其背景、以及与所述问题相对应的答案;优选地,如图2所示,具体为:
根据多轮人机对话文本进行主题聚合,提炼出询问者问题及其背景,结合初步分类导航标签获得背景知识图谱,基于Cognitive Graph QA模型匹配获得与问题相对应的答案;可从多轮人机对话文本中提炼出询问者的信息需求(即问题),信息需求是描述询问者当前困惑的自然语言,对话文本包括询问者描述当前困惑的自然语言和初步分类导航标签,初步分类导航标签可通过已有政务机器人(如浙江、内蒙古、上海、广东、福建、北京、吉林等门户网站的政务机器人的导航服务)获得,背景知识图谱为相关知识储备,包括已知案例、政策、法规、百科知识等。例如图2中通过“问题-答案”的匹配过程,将多轮对话文本进行主题聚合得到问题——2009年8月,因为S市……,造成我巨大的经济损失,从而匹配得到与问题相对应的答案(法条)——《中华人民共和国行政许可法》第八条规定:“行政许可……,行政机关应当依法给予补偿。”。
S2、“答案-背景”的匹配过程:
根据所述答案进行句法依存关系分析,结合模糊逻辑获得所述答案中的各个分句,利用R-GCN进行推演以获得所述各个分句是否与所述背景相匹配的判定结果,根据所述判定结果生成回复文本。例如图3中从答案(法条)中得到三个分句:
G1={行政许可所依据的法律、法规、规章修改或者废止};
G2={准予行政许可所依据的客观情况发生重大变化的};
G3={给公民、法人或者其他组织造成财产损失的},从而可以将三个分句与问题之间的逻辑关系表示为据此获得与背景匹配的结果,得到回复文本“根据《中华人民共和国行政许可法》第八条规定,因为S市作为旅游名胜和名人旅游风景区需要达到环境标准,S市政府撤销您的行政许可,造成巨大经济损失,需要给予补偿。”
优选地,所述S2的步骤包括:
S21、规则拆解步骤:
将所述答案根据分句标注进行分句拆解;提取分句中的连词形成连词词表,将所述连词词表中的各个连词嵌入到与(∩)、或(∪)、非和等价于的逻辑关系中,依据连词判断分句之间的逻辑关系;提取分句中的名词和动词,绘制分句句法图;基于模糊逻辑判断规则,将分句之间的逻辑关系和分句句法图进行融合,得到答案的线索关系图。
优选地,所述将所述答案根据分句标注进行分句拆解的步骤包括:
S211-1、可采用Stanford corenlp工具,依据内嵌入的规则库将答案分别进行标记、分句、词性标注、语法解析等步骤,进行分句拆解,获得包括简单从句IP、名词性短语NP、动词性短语VP、断句符号PU的分句。
S212-1、从所述简单从句IP、名词性短语NP和动词性短语VP的分句中提取所有并列连词和从属连词,形成连词词表;并列连词分为选择、比较、并列、假设、转折、让步、承接、因果等的关系,其中,选择连词、比较连词设为或(∪)的逻辑关系,并列连词、假设连词设为与(∩)的逻辑关系,转折连词、让步连词设为非的逻辑关系,承接连词、因果连词设为等价于的逻辑关系;
S212-2、根据每个并列连词对各个逻辑关系(与(∩)、或(∪)、非和等价于)的隶属度,使用one-hot编码方式将所述连词词表中的各个并列连词嵌入到逻辑关系中;优选地,采用并列连词对各个逻辑关系的隶属度的最大值来判断该并列连词表示的逻辑关系,如下所示:
其中,CCi,i=1,2,…,n,为连词词表中的各个并列连词;
S212-3、根据各个并列连词的逻辑关系,获得分句之间的逻辑关系。
优选地,所述提取分句中的名词和动词,绘制分句句法图的步骤包括:
S213-1、提取分句中的名词和动词,并绘制获得分句的句法依存树,所述名词包括专有名词NR、时间名词NT和其他名词NN,所述动词包括谓词性形容词VA、系动词VC、表存在的所有性动词VE和其他动词VV;
S213-2、根据所述名词和动词,将分句的句法依存树进行剪枝,保留所述名词和动词;
S213-3、根据剪枝后的分句的句法依存树,以名词为节点、以描述名词之间的动作指向关系(动词)为边、以名词之间的动作情感色彩(动词情感)为边标签(边属性),绘制获得分句句法图Gk=(V,E,R),其中,k=1,2,…,K,K为分句总个数,Gk中共涉及m个名词(节点)va∈V(m),a=1,2,…,m,eab=(va,rab,vb)∈E,eab为边,vb为名词,vb∈V(m),b=1,2,…,m,rab为名词va、vb之间的动作情感色彩的边标签,rab∈R(1,0,-1),1为正向情感,0为中立情感,-1为负向情感。
优选地,所述基于模糊逻辑判断规则,将分句之间的逻辑关系和分句句法图进行融合,得到答案的线索关系图的步骤包括:
S214-1、基于模糊逻辑判断规则,将各分句句法图按照分句之间的逻辑关系进行融合,得到答案的线索关系图Gsub;所述模糊逻辑判断规则如下表所示:
S22、背景识别步骤:
将答案的分句和背景的事实句子(即背景中描述事实的句子)输入训练好的BERT模型,经模型推演后获得模型输出的背景的事实句子对答案的分句的支持力度,所述支持力度的取值为0或1,当支持力度取值为0时表示背景的事实句子不能支持答案的分句,当支持力度取值为1时表示背景的事实句子能支持答案的分句。
所述BERT模型由多层Transformer组成,优选地可在大型语料库里进行预训练,模型包括第一输入端、第二输入端和输出端,第一输入端用于输入答案的分句,第二输入端用于输入背景的事实句子,输出端用于输出背景的事实句子对答案的分句的支持力度。
训练BERT模型的步骤包括:
(1)从案例库中选出答案样本和背景样本组成训练样本集,其中50%的背景样本能够支持相应的答案样本,另外50%的背景样本不能支持相应的答案样本;
(2)将答案样本和背景样本分别输入BERT模型,经模型推演后获得模型输出的背景的事实句子对答案的分句的支持力度预测值;
(3)根据所有答案样本和背景样本的支持力度预测值和实际值,计算获得误差评价值,计算公式为:
其中,F为误差评价值,S为样本个数,Di ′为第i个样本对应的支持力度预测值,Di为第i个样本对应的支持力度实际值;
(4)判断误差评价值是否小于预设阈值或迭代次数是否达到预设迭代次数最大值;当误差评价值小于预设阈值或迭代次数达到预设迭代次数最大值时,停止迭代,获得训练好的BERT模型;当误差评价值大于或等于预设阈值和迭代次数未达到预设迭代次数最大值时,返回步骤(1),继续迭代。
S23、回复生成步骤:
将所述背景的事实句子按照与S21的规则拆解步骤基本相同的步骤,得到事实句子的背景图;采用R-GCN模型计算答案的线索关系图Gsub与事实句子的背景图Gbak之间的匹配度,当Gsub真包含于Gbak时,表示答案可以解释询问者的提问背景,根据答案和对答案的分句的支持力度为1的背景的事实句子,生成回复文本;否则,针对Gsub未包含于Gbak的节点的含义生成新的问题,以更新多轮人机对话文本,返回步骤S1,继续求证。
优选地,所述将所述背景的事实句子按照与S21的规则拆解步骤基本相同的步骤,得到事实句子的背景图的步骤具体为:
将背景的事实句子根据分句标注进行分句拆解;提取分句中的连词形成连词词表,将所述连词词表中的各个连词嵌入到与、或、非和等价于的逻辑关系中,依据连词判断分句之间的逻辑关系;提取分句中的名词和动词,绘制事实句子的背景图。
优选地,所述将背景的事实句子根据分句标注进行分句拆解的步骤包括:
S231-1、可采用Stanford corenlp工具,依据内嵌入的规则库将背景的事实句子分别进行标记、分句、词性标注、语法解析等步骤,进行分句拆解,获得包括简单从句IP、名词性短语NP、动词性短语VP、断句符号PU的分句。
优选地,所述提取分句中的名词和动词,绘制事实句子的背景图的步骤与S213-1至S213-3的步骤不同的是:
以名词为节点、以描述名词之间的动作指向关系(动词)为边、以名词之间的动作情感色彩(动词情感)为边属性、名词的特征向量和名词所在背景的事实句子对答案的分句的支持力度,绘制获得背景图Gbak=(V,E,R,X,Y),其中,节点(实体)为vc,Gbak中共涉及n个节点vc∈V(n),c=1,2,…,n,ecd=(vc,rcd,vd)∈E,ecd为边,vd为节点,vd∈V(n),d=1,2,…,n,rcd为节点vc、vd之间的动作情感色彩的边标签,rcd∈R(1,0,-1),1为正向情感,0为中立情感,-1为负向情感,节点vc的特征(背景的事实句子中各名词的特征向量)为Xc,节点vc的标签(节点所在背景的事实句子对答案的分句的支持力度)为Yc∈(0,1),可见背景图Gbak中的节点被分为两类标签,支持答案的线索关系图Gsub和不支持答案的线索关系图Gsub。
优选地,所述采用R-GCN模型计算答案的线索关系图Gsub与事实句子的背景图Gbak之间的匹配度的步骤包括:
S232-1、将背景图Gbak输入到R-GCN模型中,基于背景图Gbak中节点vc的标签Yc∈(0,1)进行节点分类任务,获得背景图Gbak中所有节点的标签和边;通常Gbak的边是不完整的,目标就是预测缺失的边;
所述R-GCN模型采用堆叠的R-GCN并在最后一层叠加了一个Softmax层,并以交叉熵损失函数进行训练;
R-GCN的结构为:
交叉熵损失函数的计算公式为:
S232-3、当所述条件均成立时,获得Gsub与Gbak之间的匹配度为1,Gsub真包含于Gbak的判断结果;
S232-4、当所述条件中任一不成立时,获得Gsub与Gbak之间的匹配度为0,Gsub不真包含于Gbak的判断结果。
上述结合模糊逻辑与R-GCN的政务咨询多轮对话方法,通过建立规则拆解,依据已有经验中学习到的逻辑判断规则对新问题进行推理,有利于增强经验积累,更有效率、自动地复用知识。通过计算隶属度来定义推理算子,克服了精确样本不足问题,更加适用于政务咨询场景下推理准确性的要求。通过采用R-GCN模型提升了查询图与知识图谱之间的匹配性能,从而通过动态构建答案的线索关系图与事实句子的背景图的推理图谱,并在图上进行关系推理,减少了图谱构建时的信息损失,同时保留图结构进行可解释关系推理,能够强调对话的逻辑推理关系准确回答询问者问题,提高多轮对话的逻辑理解能力,有效降低学习成本。
实施例2
本实施例提供一种结合模糊逻辑与R-GCN的政务咨询多轮对话系统,如图4所示,包括:
“问题-答案”匹配子系统1,用于根据多轮人机对话文本进行预处理,获得问题及其背景、以及与所述问题相对应的答案;以及
“答案-背景”匹配子系统2,用于根据所述答案进行句法依存关系分析,结合模糊逻辑获得所述答案中的各个分句,利用R-GCN进行推演以获得所述各个分句是否与所述背景相匹配的判定结果,根据所述判定结果生成回复文本。
优选地,所述“问题-答案”匹配子系统包括:
提炼装置,用于根据多轮人机对话文本进行主题聚合,提炼出询问者问题及其背景,结合初步分类导航标签获得背景知识图谱,基于Cognitive Graph QA模型匹配获得与问题相对应的答案。
优选地,如图5所示,所述“答案-背景”匹配子系统包括:
规则拆解子系统(System 1),用于将所述答案根据分句标注进行分句拆解;提取分句中的连词形成连词词表,将所述连词词表中的各个连词嵌入到与(∩)、或(∪)、非和等价于的逻辑关系中,依据连词判断分句之间的逻辑关系;提取分句中的名词和动词,绘制分句句法图;基于模糊逻辑判断规则,将分句之间的逻辑关系和分句句法图进行融合,得到答案的线索关系图;
背景识别子系统(System 2),用于将答案的分句和背景的事实句子(即背景中描述事实的句子)输入训练好的BERT模型,经模型推演后获得模型输出的背景的事实句子对答案的分句的支持力度,所述支持力度的取值为0或1,当支持力度取值为0时表示背景的事实句子不能支持答案的分句,当支持力度取值为1时表示背景的事实句子能支持答案的分句;
回复生成子系统(System 3),用于根据所述背景的事实句子得到事实句子的背景图;采用R-GCN模型计算答案的线索关系图Gsub与事实句子的背景图Gbak之间的匹配度,当Gsub真包含于Gbak时,表示答案可以解释询问者的提问背景,根据答案和对答案的分句的支持力度为1的背景的事实句子,生成回复文本;否则,针对Gsub未包含于Gbak的节点的含义生成新的问题,以更新多轮人机对话文本,返回“问题-答案”匹配子系统,继续求证。
优选地,所述规则拆解子系统包括:
分句拆解装置,用于采用Stanford corenlp工具,依据内嵌入的规则库将答案分别进行标记、分句、词性标注、语法解析等步骤,进行分句拆解,获得包括简单从句IP、名词性短语NP、动词性短语VP、断句符号PU的分句;
逻辑关系判断装置,用于从所述简单从句IP、名词性短语NP和动词性短语VP的分句中提取所有并列连词和从属连词,形成连词词表;根据每个并列连词对各个逻辑关系(与(∩)、或(∪)、非和等价于)的隶属度,使用one-hot编码方式将所述连词词表中的各个并列连词嵌入到逻辑关系中;根据各个并列连词的逻辑关系,获得分句之间的逻辑关系;
分句句法图绘制装置,用于提取分句中的名词和动词,并绘制获得分句的句法依存树;根据所述名词和动词,将分句的句法依存树进行剪枝,保留所述名词和动词;根据剪枝后的分句的句法依存树,以名词为节点、以描述名词之间的动作指向关系(动词)为边、以名词之间的动作情感色彩(动词情感)为边标签(边属性),绘制获得分句句法图Gk=(V,E,R),其中,k=1,2,…,K,K为分句总个数,Gk中共涉及m个名词(节点)va∈V(m),a=1,2,…,m,eab=(va,rab,vb)∈E,eab为边,vb为名词,vb∈V(m),b=1,2,…,m,rab为名词va、vb之间的动作情感色彩的边标签,rab∈R(1,0,-1),1为正向情感,0为中立情感,-1为负向情感;
答案的线索关系图获得装置,用于基于模糊逻辑判断规则,将各分句句法图按照分句之间的逻辑关系进行融合,得到答案的线索关系图Gsub。
优选地,所述回复生成子系统包括:
背景分句拆解装置,用于采用Stanford corenlp工具,依据内嵌入的规则库将背景的事实句子分别进行标记、分句、词性标注、语法解析等步骤,进行分句拆解,获得包括简单从句IP、名词性短语NP、动词性短语VP、断句符号PU的分句;
背景图获得装置,用于从所述简单从句IP、名词性短语NP和动词性短语VP的分句中提取所有并列连词和从属连词,形成连词词表;根据每个并列连词对各个逻辑关系(与(∩)、或(∪)、非和等价于)的隶属度,使用one-hot编码方式将所述连词词表中的各个并列连词嵌入到逻辑关系中;根据各个并列连词的逻辑关系,获得分句之间的逻辑关系;从所述简单从句IP、名词性短语NP和动词性短语VP的分句中提取所有并列连词和从属连词,形成连词词表;根据每个并列连词对各个逻辑关系(与(∩)、或(∪)、非和等价于)的隶属度,使用one-hot编码方式将所述连词词表中的各个并列连词嵌入到逻辑关系中;根据各个并列连词的逻辑关系,获得分句之间的逻辑关系;提取分句中的名词和动词,并绘制获得分句的句法依存树;根据所述名词和动词,将分句的句法依存树进行剪枝,保留所述名词和动词;根据剪枝后的分句的句法依存树,以名词为节点、以描述名词之间的动作指向关系(动词)为边、以名词之间的动作情感色彩(动词情感)为边属性、名词的特征向量和名词所在背景的事实句子对答案的分句的支持力度,绘制获得背景图Gbak=(V,E,R,X,Y),其中,节点(实体)为vc,Gbak中共涉及n个节点vc∈V(n),c=1,2,…,n,ecd=(vc,rcd,vd)∈E,ecd为边,vd为节点,vd∈V(n),d=1,2,…,n,rcd为节点vc、vd之间的动作情感色彩的边标签,rcd∈R(1,0,-1),1为正向情感,0为中立情感,-1为负向情感,节点vc的特征(背景的事实句子中各名词的特征向量)为Xc,节点vc的标签(节点所在背景的事实句子对答案的分句的支持力度)为Yc∈(0,1),可见背景图Gbak中的节点被分为两类标签,支持答案的线索关系图Gsub和不支持答案的线索关系图Gsub;
匹配度计算装置,用于将背景图Gbak输入到R-GCN模型中,基于背景图Gbak中节点vc的标签Yc∈(0,1)进行节点分类任务,获得背景图Gbak中所有节点的标签和边;判断条件:节点的标签为1的节点集合答案的线索关系图Gsub的节点集合Vsub;和Vlabel=1之间存在的边集合答案的线索关系图Gsub的边集合Esub是否均成立;当所述条件均成立时,获得Gsub与Gbak之间的匹配度为1,Gsub真包含于Gbak的判断结果;当所述条件中任一不成立时,获得Gsub与Gbak之间的匹配度为0,Gsub不真包含于Gbak的判断结果;
回复文本生成装置,用于当Gsub真包含于Gbak时,根据答案和对答案的分句的支持力度为1的背景的事实句子,生成回复文本。
上述结合模糊逻辑与R-GCN的政务咨询多轮对话系统,通过建立规则拆解,依据已有经验中学习到的逻辑判断规则对新问题进行推理,有利于增强经验积累,更有效率、自动地复用知识。通过计算隶属度来定义推理算子,克服了精确样本不足问题,更加适用于政务咨询场景下推理准确性的要求。通过采用R-GCN模型提升了查询图与知识图谱之间的匹配性能,从而通过动态构建答案的线索关系图与事实句子的背景图的推理图谱,并在图上进行关系推理,减少了图谱构建时的信息损失,同时保留图结构进行可解释关系推理,能够强调对话的逻辑推理关系准确回答询问者问题,提高多轮对话的逻辑理解能力,有效降低学习成本。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种结合模糊逻辑与R-GCN的政务咨询多轮对话方法,其特征在于,包括以下步骤:
根据多轮人机对话文本进行预处理,获得问题及其背景、以及与所述问题相对应的答案;
根据所述答案进行句法依存关系分析,结合模糊逻辑获得所述答案中的各个分句,利用R-GCN进行推演以获得所述各个分句是否与所述背景相匹配的判定结果,根据所述判定结果生成回复文本。
2.根据权利要求1所述的方法,其特征在于,所述根据多轮人机对话文本进行预处理,获得问题及其背景、以及与所述问题相对应的答案的步骤包括:
根据多轮人机对话文本进行主题聚合,提炼出询问者问题及其背景,结合初步分类导航标签获得背景知识图谱,基于Cognitive Graph QA模型匹配获得与问题相对应的答案。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述答案进行句法依存关系分析,结合模糊逻辑获得所述答案中的各个分句,利用R-GCN进行推演以获得所述各个分句是否与所述背景相匹配的判定结果,根据所述判定结果生成回复文本的步骤包括:
将所述答案根据分句标注进行分句拆解;提取分句中的连词形成连词词表,将所述连词词表中的各个连词嵌入到与、或、非和等价于的逻辑关系中,依据连词判断分句之间的逻辑关系;提取分句中的名词和动词,绘制分句句法图;基于模糊逻辑判断规则,将分句之间的逻辑关系和分句句法图进行融合,得到答案的线索关系图;
将答案的分句和背景的事实句子输入训练好的BERT模型,经模型推演后获得模型输出的背景的事实句子对答案的分句的支持力度;
根据所述背景的事实句子得到事实句子的背景图;采用R-GCN模型计算答案的线索关系图Gsub与事实句子的背景图Gbak之间的匹配度,当Gsub真包含于Gbak时,根据答案和对答案的分句的支持力度为1的背景的事实句子,生成回复文本。
4.根据权利要求3所述的方法,其特征在于,所述将所述答案根据分句标注进行分句拆解的步骤包括:
采用Stanford corenlp工具,依据内嵌入的规则库将答案分别进行标记、分句、词性标注、语法解析等步骤,进行分句拆解,获得包括简单从句IP、名词性短语NP、动词性短语VP、断句符号PU的分句。
5.根据权利要求3或4所述的方法,其特征在于,所述提取分句中的连词形成连词词表,将所述连词词表中的各个连词嵌入到与、或、非和等价于的逻辑关系中,依据连词判断分句之间的逻辑关系的步骤包括:
从所述简单从句IP、名词性短语NP和动词性短语VP的分句中提取所有并列连词和从属连词,形成连词词表;
根据每个并列连词对各个逻辑关系的隶属度,使用one-hot编码方式将所述连词词表中的各个并列连词嵌入到逻辑关系中;
根据各个并列连词的逻辑关系,获得分句之间的逻辑关系。
6.根据权利要求3-5任一项所述的方法,其特征在于,所述提取分句中的名词和动词,绘制分句句法图的步骤包括:
提取分句中的名词和动词,并绘制获得分句的句法依存树;
根据所述名词和动词,将分句的句法依存树进行剪枝,保留所述名词和动词;
根据剪枝后的分句的句法依存树,以名词为节点、以描述名词之间的动作指向关系为边、以名词之间的动作情感色彩为边标签,绘制获得分句句法图Gk=(V,E,R),其中,k=1,2,…,K,K为分句总个数,Gk中共涉及m个名词va∈V(m),a=1,2,…,m,eab=(va,rab,vb)∈E,eab为边,vb为名词,vb∈V(m),b=1,2,…,m,rab为名词va、vb之间的动作情感色彩的边标签,rab∈R(1,0,-1),1为正向情感,0为中立情感,-1为负向情感。
7.一种结合模糊逻辑与R-GCN的政务咨询多轮对话系统,其特征在于,包括:
“问题-答案”匹配子系统,用于根据多轮人机对话文本进行预处理,获得问题及其背景、以及与所述问题相对应的答案;以及
“答案-背景”匹配子系统,用于根据所述答案进行句法依存关系分析,结合模糊逻辑获得所述答案中的各个分句,利用R-GCN进行推演以获得所述各个分句是否与所述背景相匹配的判定结果,根据所述判定结果生成回复文本。
8.一种结合模糊逻辑与R-GCN的政务咨询多轮对话系统,其特征在于,包括:
一个或多个处理器;以及
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-6任一项所述的结合模糊逻辑与R-GCN的政务咨询多轮对话方法。
9.一种政务机器人,其特征在于,包括如权利要求8所述的结合模糊逻辑与R-GCN的政务咨询多轮对话系统。
10.一种计算机程序产品,包括计算机程序,其存储在计算机可读存储介质上,并且适合于在计算机上执行,其特征在于,所述计算机程序包括适于当其在所述计算机上运行时执行如权利要求1-6任一项所述的结合模糊逻辑与R-GCN的政务咨询多轮对话方法的步骤的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210311947.9A CN115017276B (zh) | 2022-03-28 | 2022-03-28 | 政务咨询多轮对话方法、系统、政务机器人和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210311947.9A CN115017276B (zh) | 2022-03-28 | 2022-03-28 | 政务咨询多轮对话方法、系统、政务机器人和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115017276A true CN115017276A (zh) | 2022-09-06 |
CN115017276B CN115017276B (zh) | 2022-11-29 |
Family
ID=83066728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210311947.9A Active CN115017276B (zh) | 2022-03-28 | 2022-03-28 | 政务咨询多轮对话方法、系统、政务机器人和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115017276B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076653A (zh) * | 2023-10-17 | 2023-11-17 | 安徽农业大学 | 基于思维链及可视化提升上下文学习知识库问答方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05101106A (ja) * | 1991-05-16 | 1993-04-23 | Internatl Business Mach Corp <Ibm> | 質問回答システム |
CN1307223A (zh) * | 2000-01-28 | 2001-08-08 | 张千山 | 增量编码器 |
US20160306791A1 (en) * | 2015-04-15 | 2016-10-20 | International Business Machines Corporation | Determining User-Friendly Information to Solicit in a Question and Answer System |
CN109726396A (zh) * | 2018-12-20 | 2019-05-07 | 泰康保险集团股份有限公司 | 问答文本的语义匹配方法、装置、介质及电子设备 |
CN112115700A (zh) * | 2020-08-19 | 2020-12-22 | 北京交通大学 | 一种基于依存句法树和深度学习的方面级情感分析方法 |
CN112417125A (zh) * | 2020-12-01 | 2021-02-26 | 南开大学 | 基于深度强化学习的开放域对话回复方法及系统 |
US20210232915A1 (en) * | 2020-01-23 | 2021-07-29 | UMNAI Limited | Explainable neural net architecture for multidimensional data |
US20210287102A1 (en) * | 2020-03-10 | 2021-09-16 | International Business Machines Corporation | Interpretable knowledge contextualization by re-weighting knowledge graphs |
WO2021184311A1 (zh) * | 2020-03-19 | 2021-09-23 | 中山大学 | 一种自动生成可推理问答的方法和装置 |
CN113515613A (zh) * | 2021-06-25 | 2021-10-19 | 华中科技大学 | 一种集成闲聊、知识和任务问答的智能机器人 |
CN113553402A (zh) * | 2021-07-28 | 2021-10-26 | 山西大学 | 一种基于图神经网络的考试阅读理解自动问答方法 |
FR3111210A1 (fr) * | 2020-06-04 | 2021-12-10 | Thales | Communication bidirectionnelle homme-machine |
CN113792132A (zh) * | 2021-09-24 | 2021-12-14 | 泰康保险集团股份有限公司 | 一种目标答案确定方法、装置、设备及介质 |
US20210398439A1 (en) * | 2020-06-18 | 2021-12-23 | The Hong Kong University Of Science And Technology | Peer-inspired student performance prediction in interactive online question pools with graph neural network |
CN114118064A (zh) * | 2020-08-27 | 2022-03-01 | 海信视像科技股份有限公司 | 显示设备、文本纠错方法及服务器 |
CN114153955A (zh) * | 2021-11-11 | 2022-03-08 | 科讯嘉联信息技术有限公司 | 一种融合闲聊和常识的多技能任务型对话系统构建方法 |
CN114218364A (zh) * | 2021-11-23 | 2022-03-22 | 海信电子科技(武汉)有限公司 | 问答知识库扩充方法与装置 |
-
2022
- 2022-03-28 CN CN202210311947.9A patent/CN115017276B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05101106A (ja) * | 1991-05-16 | 1993-04-23 | Internatl Business Mach Corp <Ibm> | 質問回答システム |
CN1307223A (zh) * | 2000-01-28 | 2001-08-08 | 张千山 | 增量编码器 |
US20160306791A1 (en) * | 2015-04-15 | 2016-10-20 | International Business Machines Corporation | Determining User-Friendly Information to Solicit in a Question and Answer System |
CN109726396A (zh) * | 2018-12-20 | 2019-05-07 | 泰康保险集团股份有限公司 | 问答文本的语义匹配方法、装置、介质及电子设备 |
US20220027737A1 (en) * | 2020-01-23 | 2022-01-27 | UMNAI Limited | Explainable neural net architecture for multidimensional data |
US20210232915A1 (en) * | 2020-01-23 | 2021-07-29 | UMNAI Limited | Explainable neural net architecture for multidimensional data |
US20210287102A1 (en) * | 2020-03-10 | 2021-09-16 | International Business Machines Corporation | Interpretable knowledge contextualization by re-weighting knowledge graphs |
WO2021184311A1 (zh) * | 2020-03-19 | 2021-09-23 | 中山大学 | 一种自动生成可推理问答的方法和装置 |
FR3111210A1 (fr) * | 2020-06-04 | 2021-12-10 | Thales | Communication bidirectionnelle homme-machine |
US20210398439A1 (en) * | 2020-06-18 | 2021-12-23 | The Hong Kong University Of Science And Technology | Peer-inspired student performance prediction in interactive online question pools with graph neural network |
CN112115700A (zh) * | 2020-08-19 | 2020-12-22 | 北京交通大学 | 一种基于依存句法树和深度学习的方面级情感分析方法 |
CN114118064A (zh) * | 2020-08-27 | 2022-03-01 | 海信视像科技股份有限公司 | 显示设备、文本纠错方法及服务器 |
CN112417125A (zh) * | 2020-12-01 | 2021-02-26 | 南开大学 | 基于深度强化学习的开放域对话回复方法及系统 |
CN113515613A (zh) * | 2021-06-25 | 2021-10-19 | 华中科技大学 | 一种集成闲聊、知识和任务问答的智能机器人 |
CN113553402A (zh) * | 2021-07-28 | 2021-10-26 | 山西大学 | 一种基于图神经网络的考试阅读理解自动问答方法 |
CN113792132A (zh) * | 2021-09-24 | 2021-12-14 | 泰康保险集团股份有限公司 | 一种目标答案确定方法、装置、设备及介质 |
CN114153955A (zh) * | 2021-11-11 | 2022-03-08 | 科讯嘉联信息技术有限公司 | 一种融合闲聊和常识的多技能任务型对话系统构建方法 |
CN114218364A (zh) * | 2021-11-23 | 2022-03-22 | 海信电子科技(武汉)有限公司 | 问答知识库扩充方法与装置 |
Non-Patent Citations (3)
Title |
---|
WEIDONG LI等: "Knowledge Graph Completion by Jointly Learning Structural Features and Soft Logical Rules", 《 IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING ( EARLY ACCESS )》 * |
张金斗: "知识图谱分布式表示学习方法及应用研究", 《中国博士学位论文全文数据库信息科技辑》 * |
王芳等: "公共危机中谣言真实度计算及其与正面信息的交锋研究", 《图书与情报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076653A (zh) * | 2023-10-17 | 2023-11-17 | 安徽农业大学 | 基于思维链及可视化提升上下文学习知识库问答方法 |
CN117076653B (zh) * | 2023-10-17 | 2024-01-02 | 安徽农业大学 | 基于思维链及可视化提升上下文学习知识库问答方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115017276B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798140B (zh) | 一种对话系统构建方法、语义受控应答方法及装置 | |
Forsythand et al. | Lexical and discourse analysis of online chat dialog | |
Ruiz-Casado et al. | Automatic extraction of semantic relationships for wordnet by means of pattern learning from wikipedia | |
WO2023225858A1 (zh) | 一种基于常识推理的阅读型考题生成系统及方法 | |
Higashinaka et al. | Evaluating coherence in open domain conversational systems. | |
Sahu et al. | Prashnottar: a Hindi question answering system | |
Aguiar et al. | Automatic construction of concept maps from texts | |
Meera et al. | Natural language processing | |
Moreno-Jiménez et al. | A new e-learning tool for cognitive democracies in the Knowledge Society | |
CN115017276B (zh) | 政务咨询多轮对话方法、系统、政务机器人和存储介质 | |
Raphalen et al. | " You might think about slightly revising the title": Identifying Hedges in Peer-tutoring Interactions | |
Varaprasad et al. | Applications and Techniques of Natural Language Processing: An Overview. | |
Antony et al. | A survey of advanced methods for efficient text summarization | |
CN109858550A (zh) | 潜在工艺失效模式机器识别方法 | |
Aretoulaki | Towards a hybrid abstract generation system | |
Yi et al. | Contextual information and commonsense based prompt for emotion recognition in conversation | |
Yu et al. | Using llm-assisted annotation for corpus linguistics: A case study of local grammar analysis | |
Keezhatta | Understanding EFL Linguistic Models through Relationship between Natural Language Processing and Artificial Intelligence Applications. | |
Maragoudakis et al. | MeteoBayes: Effective plan recognition in a weather dialogue system | |
Peng et al. | Readability assessment for Chinese L2 sentences: an extended knowledge base and comprehensive evaluation model-based method | |
Sucameli et al. | Dialogue act and slot recognition in Italian complex dialogues | |
Vázquez et al. | Automatic Generation of Dialogues based on Grammatical Inference and the use of a Knowledge Base | |
Ahmad | Interplay Between Linguistics and AI | |
Pham et al. | Rule-enriched Decision Tree Classifier for Conditional Sentence Sentiment Analysis | |
Salim Keezhatta | Understanding EFL Linguistic Models through Relationship between Natural Language Processing and Artificial Intelligence Applications |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221202 Address after: Room 408, gate 3, building 25, Southwest Village, Nankai University, Nankai District, Tianjin 300071 Patentee after: Wang Fang Patentee after: Lian Zhixuan Address before: Room 301, Unit 1, 18th Floor, Longjin East 5th District, Dongxiaokou Town, Changping, Fengtai District, Beijing 102208 Patentee before: Lian Zhixuan |
|
TR01 | Transfer of patent right |