CN115292352A - 问题查询方法、装置、设备、介质和程序产品 - Google Patents
问题查询方法、装置、设备、介质和程序产品 Download PDFInfo
- Publication number
- CN115292352A CN115292352A CN202211003815.6A CN202211003815A CN115292352A CN 115292352 A CN115292352 A CN 115292352A CN 202211003815 A CN202211003815 A CN 202211003815A CN 115292352 A CN115292352 A CN 115292352A
- Authority
- CN
- China
- Prior art keywords
- question
- training
- queried
- sql
- recognition
- 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/243—Natural language 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2452—Query translation
- G06F16/24522—Translation of natural language queries to structured queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种问题查询方法,可以应用于人工智能技术领域。该方法包括:获取待查询问题,其中,所述待查询问题为自然语言;将待查询问题输入至预训练得到的问题识别模型,获取与所述待查询问题匹配的SQL语句;以及将所述与所述待查询问题匹配的SQL语句输入数据库系统,获取问题查询结果,其中,所述获取问题查询结果包括从数据库表中获取与所述待查询问题匹配的字段值,其中,所述预训练得到的问题查询模型基于双重训练集,利用Bert模型训练得到,其中,所述双重训练集包括问题样本数据集和CSpider数据集。本公开还提供了一种问题查询装置、设备、存储介质和程序产品。
Description
技术领域
本公开的实施例涉及人工智能技术领域或金融领域,具体地,涉及一种问题查询方法、装置、设备、介质和程序产品。
背景技术
NL2SQL(NLP Language To SQL)是将自然语言转化为可执行的SQL语句,其目的是让非科技专业人员在无需掌握数据库语言的情况下,可以按需查询所需数据,降低数据库使用的门槛,支持用户使用自然语言进行数据挖掘或数据分析等工作。在NL2SQL技术中,如何准确识别自然语言与数据库中数据库表实体的关联关系,以及自然语言与SQL语法的映射关系是关键内容。
发明内容
有鉴于此,本公开的实施例提供了一种提高自然语言与数据库表实体关联关系,以及自然语言与SQL语法的映射关系的问题查询方法、装置、设备、介质和程序产品。
根据本公开的第一个方面,提供了一种问题查询方法,包括:获取待查询问题,其中,所述待查询问题为自然语言;将所述待查询问题输入至预训练得到的问题识别模型,获取与所述待查询问题匹配的 SQL语句;以及将所述与所述待查询问题匹配的SQL语句输入数据库系统,获取问题查询结果,其中,所述获取问题查询结果包括从数据库表中获取与所述待查询问题匹配的字段值,其中,所述预训练得到的问题查询模型基于双重训练集,利用Bert模型训练得到,其中,所述双重训练集包括问题样本数据集和CSpider数据集,其中,所述问题样本数据集用于训练模型对于问题文本与数据库表实体的映射关系的识别能力,所述CSpider数据集用于训练模型对于问题语句逻辑以及问题语句和SQL语法的映射关系的识别能力。
根据本公开的实施例,预训练得到所述问题识别模型的训练方法包括:基于问题样本数据集对Bert模型进行预训练,获取第一识别模型,所述第一识别模型用于获取第一识别结果,其中,所述第一识别结果包括与问题样本匹配的实体,所述实体包括表名,以及字段名和/或字段类型中的至少一种;基于CSpider数据集样本对所述第一识别模型进行训练,获取第二识别模型,所述第二识别模型用于获取第二识别结果,所述第二识别结果包括第一识别结果,问题语句逻辑以及问题语句和SQL语法的映射关系;基于所述第二识别结果和SQL 语句拼接规则获取SQL样本语句;以及基于所述SQL样本语句的逻辑准确率和执行准确率优化所述第一识别模型和/或SQL语句拼接规则,直至所述逻辑准确率和执行准确率达到预设的阈值,获取所述问题识别模型。
根据本公开的实施例,所述基于问题样本数据集对Bert模型进行预训练,获取第一识别模型还包括:判断所述第一识别结果的准确率是否小于阈值;以及当所述第一识别结果的准确率小于阈值时,对所述第一识别结果进行优化,其中,所述优化包括新增匹配关系和/ 或新增问题样本中的至少一种,其中,所述新增匹配关系包括新增特殊问题样本与实体的匹配关系。
根据本公开的实施例,获取所述问题样本数据集的方法包括:对所述待查询问题样本进行预处理,获取所述问题样本数据集,其中,所述预处理包括对所述待查询问题样本进行分词和构建特征向量。
根据本公开的实施例,基于所述SQL样本语句的逻辑准确率和执行准确率优化所述第一识别模型包括增加问题样本数据进行训练。
根据本公开的实施例,所述问题语句逻辑以及问题语句和SQL 语法的映射关系包括:基于问题语句触发的表关联关系,聚合关系,关键词操作,逻辑嵌套关系,多子句中的至少一种。
根据本公开的实施例,所述获取待查询问题还包括:获取用户提问信息,其中,所述用户提问信息包含语音信息;以及对所述用户提问信息进行语音识别,获取所述待查询问题。
根据本公开的实施例,所述问题查询方法用于进行客户风险识别,其中,所述待查询问题包括风险提问信息,所述问题查询结果包括风险客户信息和/或客户风险信息。
本公开的第二方面提供了一种问题查询装置,包括:问题获取模块,配置为获取待查询问题,其中,所述待查询问题为自然语言;语言转化模块,配置为将所述待查询问题输入至预训练得到的问题识别模型,获取与所述待查询问题匹配的SQL语句,其中,所述预训练得到的问题查询模型基于双重训练集,利用Bert模型训练得到,其中,所述双重训练集包括问题样本数据集和CSpider数据集,其中,所述问题样本数据集用于训练模型对于问题文本与数据库表实体的映射关系的识别能力,所述CSpider数据集用于训练模型对于问题语句逻辑以及问题语句和SqL语法的映射关系的识别能力;以及问题查询模块,配置为将所述与所述待查询问题匹配的SQL语句输入数据库系统,获取问题查询结果,其中,所述获取问题查询结果包括从数据库表中获取与所述待查询问题匹配的字段值。
本公开的第二方面提供了一种问题识别模型的训练装置,包括:第一训练模块、第二训练模块、拼接模块和检验模块。其中,第一训练模块被配置为基于问题样本数据集对Bert模型进行预训练,获取第一识别模型,所述第一识别模型用于获取第一识别结果,其中,所述第一识别结果包括与问题样本匹配的实体,所述实体包括表名,以及字段名和/或字段类型中的至少一种。第二训练模块被配置为基于 CSpider数据集样本对所述第一识别模型进行训练,获取第二识别模型,所述第二识别模型用于获取第二识别结果,所述第二识别结果包括第一识别结果,问题语句逻辑以及问题语句和SQL语法的映射关系。拼接模块被配置为基于所述第二识别结果和SQL语句拼接规则获取SQL样本语句。检验模块被配置为基于所述SQL样本语句的逻辑准确率和执行准确率优化所述第一识别模型和/或SQL语句拼接规则,直至所述逻辑准确率和执行准确率达到预设的阈值,获取所述问题识别模型。
根据本公开的实施例,第一训练模块还包括判断子模块和调整子模块。其中,判断子模块被配置为判断所述第一识别结果的准确率是否小于阈值。调整子模块被配置为当所述第一识别结果的准确率小于阈值时,对所述第一识别结果进行优化,其中,所述优化包括新增匹配关系和/或新增问题样本中的至少一种,其中,所述新增匹配关系包括新增特殊问题样本与实体的匹配关系。
根据本公开的实施例,第一训练模块还可以包括数据预处理子模块,配置为对所述待查询问题样本进行预处理,获取所述问题样本数据集,其中,所述预处理包括对所述待查询问题样本进行分词和构建特征向量。
本公开的第四方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述问题查询方法。
本公开的第五方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述问题查询方法。
本公开的第六方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述问题查询方法。
本公开的实施例提供的方法,基于用双重训练集结合Bert模型训练得到的问题识别模型对输入的待查询问题进行查询。其中,用双重训练集结合Bert模型训练得到的问题识别模型对于问题文本与数据库表实体的映射关系,以及问题语句逻辑以及问题语句和SQL语法的映射关系均具有较准确的识别能力,大大提升了问题查询结果的准确性。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的问题查询方法、装置、设备、介质和程序产品的应用场景图。
图2示意性示出了根据本公开实施例的问题查询方法的流程图。
图3示意性示出了根据本公开实施例的预训练得到所述问题识别模型的训练方法的流程图。
图4示意性示出了根据本公开实施例的所述基于问题样本数据集对Bert模型进行预训练,获取第一识别模型的方法的流程图。
图5示意性示出了根据本公开实施例的获取所述问题样本数据集的方法的流程图。
图6示意性示出了根据本公开实施例的获取待查询问题的方法的流程图。
图7示意性示出了根据本公开实施例的问题查询装置的结构框图。
图8示意性示出了根据本公开实施例的问题获取模块710的结构框图。
图9示意性示出了根据本公开实施例的问题识别模型的训练装置的结构框图。
图10示意性示出了根据本公开实施例的问题识别模型的训练装置的结构框图。
图11示意性示出了根据本公开另一些实施例的第一训练模块的结构框图。
图12示意性示出了根据本公开实施例的适于实现问题查询方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有 B和C、和/或具有A、B、C的系统等)。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
NL2SQL(NLP Language To SQL)是一种将用户的自然语言转化为可执行的SQL语句的技术。其目的是让非科技专业人员在无需掌握数据库语言的情况下,可以按需查询所需数据,降低数据库使用的门槛,支持用户使用自然语言进行数据挖掘或数据分析等工作。在 NL2SQL技术中,如何准确识别自然语言与数据库中数据库表实体的关联关系,以及自然语言与SQL语法的映射关系是关键内容。
有鉴于此,本公开的实施例提供了一种问题查询方法,包括:获取待查询问题,其中,所述待查询问题为自然语言;将所述待查询问题输入至预训练得到的问题识别模型,获取与所述待查询问题匹配的 SQL语句;以及将所述与所述待查询问题匹配的SQL语句输入数据库系统,获取问题查询结果,其中,所述获取问题查询结果包括从数据库表中获取与所述待查询问题匹配的字段值,其中,所述预训练得到的问题查询模型基于双重训练集,利用Bert模型训练得到,其中,所述双重训练集包括问题样本数据集和CSpider数据集,其中,所述问题样本数据集用于训练模型对于问题文本与数据库表实体的映射关系的识别能力,所述CSpider数据集用于训练模型对于问题语句逻辑以及问题语句和SQL语法的映射关系的识别能力。
需要说明的是,本公开实施例提供的问题查询方法、装置、设备、介质和程序产品可用于人工智能技术在自然语言转化为可执行SQL 语句相关方面,也可用于除人工智能技术之外的多种领域,如金融领域等。本公开实施例提供的问题查询方法、装置、设备、介质和程序产品的应用领域不做限定。
以下将结合附图及其说明文字围绕实现本公开的至少一个目的的上述操作进行阐述。
图1示意性示出了根据本公开实施例的问题查询方法、装置、设备、介质和程序产品的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备 101、102、103,网络104和服务器105。网络104用以在终端设备 101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器 105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的问题查询方法一般可以由服务器105执行。相应地,本公开实施例所提供的问题查询装置一般可以设置于服务器105中。本公开实施例所提供的问题查询方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的问题查询装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图6对公开实施例的问题查询方法进行详细描述。
图2示意性示出了根据本公开实施例的问题查询方法的流程图。
如图2所示,该实施例的问题查询方法包括操作S210~操作S230,该问题查询方法可以由处理器执行,也可以由包括处理器的任何电子设备执行。
在操作S210,获取待查询问题。
在操作S220,将所述待查询问题输入至预训练得到的问题识别模型,获取与所述待查询问题匹配的SQL语句。
在操作S230,将所述与所述待查询问题匹配的SQL语句输入数据库系统,获取问题查询结果,其中,所述获取问题查询结果包括从数据库表中获取与所述待查询问题匹配的字段值。
根据本公开的实施例,问题查询方法基于NL2SQL技术构建。因此,用于输入至问题识别模型的待查询问题为自然语言的形式。在将问题输入至问题识别模型后,可以将自然语言形式的问题转化为可执行的与问题匹配的SQL语句。进一步,将SQL语句输入数据库系统即可得到查询结果。
在本公开的实施例中,预训练得到的问题查询模型基于双重训练集,利用Bert模型训练得到。其中,以Bert模型为训练的基础模型结构,利用包括问题样本数据集和CSpider数据集的双重训练集进行训练得到问题查询模型。其中,Bert是一种典型的预训练语言模型,其采用了transformer模型作为特征提取器,transformer模型中的 attention机制能够学习到句子中词与词之间的关系,因此能够通过上下文语境提升准确率。问题样本数据集用于训练模型对于问题文本与数据库表实体的映射关系的识别能力。可以理解,问题样本数据集可以为与待查询问题逻辑相同或类似,用词一致或相近的问题文本,利用问题样本数据集对模型进行预训练,可以得到能够较为准确地识别问题文本的自然语言与数据库表实体的对应关系。在此基础上,利用 CSpider数据集训练模型对于问题语句逻辑以及问题语句和SQL语法的映射关系的识别能力。CSpider是基于Spider数据集翻译而来的中文Text-to-SQL数据集,覆盖金融、房产等多个领域,其更适合用于训练SQL语言中的复杂句式。结合CSpider数据集训练出能够识别问题中的SQL操作类型、处理逻辑的模型,将文本转为可执行的SQL 语句。
本公开的实施例提供的方法,基于用双重训练集结合Bert模型训练得到的问题识别模型对输入的待查询问题进行查询。其中,问题识别模型对于问题文本与数据库表实体的映射关系,以及问题语句逻辑以及问题语句和SQL语法的映射关系均具有较准确的识别能力,大大提升了问题查询结果的准确性。并且,由于CSpider数据集的数据覆盖金融、房产等多个领域,本公开的实施例提供的问题查询方法尤其适用于查询上述领域的问题,例如,识别金融风险。
图3示意性示出了根据本公开实施例的预训练得到所述问题识别模型的训练方法的流程图。
如图3所示,该实施例的预训练得到所述问题识别模型的训练方法包括操作S310~操作S340。
在操作S310,基于问题样本数据集对Bert模型进行预训练,获取第一识别模型,所述第一识别模型用于获取第一识别结果,其中,所述第一识别结果包括与问题样本匹配的实体,所述实体包括表名,以及字段名和/或字段类型中的至少一种。
在操作S320,基于CSpider数据集样本对所述第一识别模型进行训练,获取第二识别模型,所述第二识别模型用于获取第二识别结果,所述第二识别结果包括第一识别结果,问题语句逻辑以及问题语句和 SQL语法的映射关系。
在操作S330,基于所述第二识别结果和SQL语句拼接规则获取 SQL样本语句。
在操作S340,基于所述SQL样本语句的逻辑准确率和执行准确率优化所述第一识别模型和/或SQL语句拼接规则,直至所述逻辑准确率和执行准确率达到预设的阈值,获取所述问题识别模型。
在本公开的实施例中,首先,利用问题样本数据集对Bert模型进行预训练,获取第一识别模型,实现对问题中提及的表名、字段名或字段类型等的语义识别,以匹配数据库内相关表信息。例如:“查询张三的贷款余额”,其中,“张三”和“贷款余额”均为问题样本中的关键词,“贷款余额”与数据库中的“贷款余额表”数据表匹配,“张三”与数据表中的“个人客户姓名”字段匹配,由此,可以建立问题样本与“贷款余额表”表名的关联关系,进一步,通过关键词匹配“个人客户姓名”字段名。从而实现问题文本与数据库表实体的映射关系的准确构建。
而后,针对问题语句的逻辑结果,以及问题语句与SQL语法间的映射关系,更适合将CSpider数据集作为训练集,结合Bert模型进行训练。CSpider数据集继承了经典的Text-to-sql数据集:Spider数据集的优势,相较于其他数据集仅支持单表查询的形式,CSpider数据集能够支持常见关键词、聚合操作及多子句、嵌套等复杂句式。例如:“查询有多少普惠客户存在贷款回流风险?”和“查询命中贷款回流的普惠客户总数?”,虽然两句话表述不同却都对应到COUNT 操作,以及WHERE后相同的判断条件。在自然语言及SQL语法间,利用CSpider数据集能够有效提升Bert模型对于复杂语句的识别能力。
在基于第二识别模型获取第二识别结果后,可以基于所获取的第二识别结果和SQL语句拼接规则获取SQL样本语句以供在数据库系统中执行。例如,针对问题识别出的实体(表)、实体(字段名)、关键词操作,转化成SQL语句“select客户名称from贷款回流模型表where时间(年份)=今年”。
在本公开的实施例中,可以基于转化的SQL样本语句的逻辑准确率和执行准确率对第一识别模型和/或SQL语句拼接规则进行优化。其中,可以将拼接而后实际转化后的SQL语句与真实的SQL语句进行比对,获取逻辑准确率。对于执行准确率,其可以是通过梳理常用的问题集,构建问题+答案的测试集,将实际结果与测试集的结果进行比对,判断答案的准确性。本公开的实施例可以同时采用逻辑准确率和执行准确率对模型的识别准确度进行评估。可以预设逻辑准确率和执行准确率的阈值,当优化后的模型对于转化后SQL样本语句的逻辑准确率和执行准确率达到阈值后,停止优化,此时,获得了本公开实施例的问题识别模型。可以理解,在本公开的实施例中,所述问题识别模型用于获取基于问题文本转化的SQL语句。
在一些具体的实施例中,基于所述SQL样本语句的逻辑准确率和执行准确率优化所述第一识别模型包括增加问题样本数据进行训练。在本公开具体的实施例中,可以采取增加训练样本、调整语法或逻辑结构等方式不断训练优化模型效果。若逻辑准确率较低,可以增加问题样本数据,利用Bert模型提高问题关键词和数据库表实体映射关系的识别能力;若执行准确率低,则存在两种可能性。一种可能性是是SQL语法存在问题,具体表现为针对较为复杂的问题识别出的SQL语句,可能存在拼接后的SQL语法问题,例如字段类型转换、关联语句缺少关联主键或表内缺少查询字段问题。此时,可以一方面优化拼接语句以优化SQL语句转化结果,另一方面增加提示语句,将数据表内没有的信息提示给用户。另一种可能性是是执行结果与预期不符,即查看错误的问题样本及识别出的SQL语句,判断失败原因为映射关系错误、语法问题或逻辑结构问题,若为映射关系错误,则作为逻辑准确率低情况处理,增加问题样本,提高准确率;若为语法问题,可以采用与第一种可能性相同的方法解决;若为逻辑结构问题(即SQL语句顺序问题),例如:“按企业名称倒排序查询命中贷款回流的风险数量”,识别为“select客户类型,count(*)from贷款回流表order by客户类型groupby客户类型”,因语句中“按企业名称倒排序”在语句开头部分,导致语句中先识别出“orderby”操作,导致语句执行失败。此类场景可以根据实际情况,调整模型SQL 语句的拼接顺序,尽可能避免逻辑结构问题,优化模型效果。可以理解,在对问题识别模型进行应用后,还可以持续收集问题,并根据实际的问题识别结果及用户反馈定期基于异常问题样本优化模型效果。
图4示意性示出了根据本公开实施例的所述基于问题样本数据集对Bert模型进行预训练,获取第一识别模型的方法的流程图。
如图4所示,该实施例的基于问题样本数据集对Bert模型进行预训练,获取第一识别模型的方法包括操作S410~操作S420。
其中,在操作S410,判断所述第一识别结果的准确率是否小于阈值。
在操作S420,当所述第一识别结果的准确率小于阈值时,对所述第一识别结果进行优化,其中,所述优化包括新增匹配关系和/或新增问题样本中的至少一种,其中,所述新增匹配关系包括新增特殊问题样本与实体的匹配关系。
在本公开的实施例中,当第一识别结果的准确率小于阈值时,首先可以通过新增问题样本的方式提升第一识别模型对于更多关键词,以及关键词的不同表达形式与数据库表实体映射关系的识别的准确性。另一方面,对于特殊领域或专业名词与数据库表实体的关联关系,可以新增特殊问题样本与数据库表实体的匹配关系。作为具体的实施方式的示例,可以基于专家经验增加特殊关键词与数据库表实体之间的映射关系。例如:“查询近2年内发生过抵押物查封的一般法人客户清单”,其中“一般法人”特指大企业客户,作为客户类型中的一种;“抵押物查封”为押品异常中的一种异常情况,即与“押品异常表”关联。通过新增特殊关键词“一般法人”与“客户类型”字段,特殊关键词“抵押物查封”与“押品异常表”表名的的匹配关系,可以提升第一识别模型对于特殊关键词的识别准确度。
在一些实施例中,所述问题语句逻辑以及问题语句和SQL语法的映射关系包括:基于问题语句触发的表关联关系,聚合关系,关键词操作,逻辑嵌套关系,多子句中的至少一种。其中,表关联关系可以包括Left Join、Inner Join、Right Join等,聚合关系可以包括Count、 Max、Group By等,关键词操作可以包括Select、Where、Order By 等。
图5示意性示出了根据本公开实施例的获取所述问题样本数据集的方法的流程图。
如图5所示,该实施例的获取所述问题样本数据集的方法包括操作S510。
在操作S510,对所述待查询问题样本进行预处理,获取所述问题样本数据集,其中,所述预处理包括对所述待查询问题样本进行分词和构建特征向量。
图6示意性示出了根据本公开实施例的获取待查询问题的方法的流程图。
如图6所示,该实施例的获取待查询问题的方法包括操作S610~操作S620。
在操作S610,获取用户提问信息,其中,所述用户提问信息包含语音信息。
在操作S620,对所述用户提问信息进行语音识别,获取所述待查询问题。
在本公开的实施例中,所获取的待查询问题可以基于语音识别转化得到。例如,用户在PC端或移动端通过麦克风等语音采集装置进行提问,比如:“查询xxx公司近2年内是否存在逾期欠息的情况?”或“查询今年有贷款回流的客户清单”,通过语音识别装置,可以将语音问题转化为文本格式。
如前文所述,本公开的实施例利用CSpider数据集提升模型对于问题语句逻辑以及问题语句和SQL语法的映射关系的识别能力,由此特别适用于对于金融,房地产等领域的问题识别。
在一个具体的实施例中,问题查询方法用于进行客户风险识别。
随着信贷业务模式逐步转型,传统信贷业务流程中信息来源多、信息不对称、风险不可控等问题随着小微信贷业务的发展日益凸显。随着城市数字化转型、政务数据开放,银行从各个数据机构多源公共数据,并结合行内自有数据,挖掘出多种风控模型,刻画客户风险画像;埋点记录业务流转日志,实时计算行内业务运营情况,统计贷款归行率、存贷比等指标,把控贷后风险情况。目前,各大银行都已汇集大量客户信息、风险信息、风控模型数据实现贷款全流程风险管控,针对不同渠道的数据、不同结构的数据都进行了梳理,搭建数据资产平台、数据中台等多种平台对数据进行管理,数据的质量和规范度都达到了可输出的标准。然而,数据规模和复杂度日益增大,业务人员仍需要从多个渠道了解核查客户情况,无法精准获取实质性的风险信息;监管政策持续趋严,管理人员日常统计和风险核查的工作负担不断加重,由于缺乏专业数据分析技能,面对监管部门临时提出的核查需求,只能依靠科技人员编写SQL脚本的方式获取风险客户名单,流程复杂、周期长等问题,严重影响贷前贷后管理的工作效率。在本公开的具体的实施例中,可以利用构建的问题查询方法在已获取到的客户、风险数据中,进行查询操作,获取相关统计数据,实现快速捕捉客户风险信息或关联风险客户。
在本公开的具体的实施例中,所述待查询问题包括风险提问信息,所述问题查询结果包括风险客户信息和/或客户风险信息。典型的风险提问信息和问题查询结果可以如下述示例:
1)输入:查询xxx公司近2年内是否存在逾期欠息的情况?输出:是/否。
2)输入:查询今年有贷款回流的客户清单。输出:客户名单。
3)输入:查询xxx公司近3月关联的风险信息。输出:风险标签清单。
4)输入:查询当年无销售归行的企业名单。输出:客户名单。
5)输入:某涉及失信被执行人风险的xxx公司,查询相关案号。输出:案号。
在本公开的具体的实施例中,通过将问题查询方法应用于进行客户风险识别,可以改变传统的信贷业务模式,支持非专业人员通过自然语言直接查询数据,大大降低了数据获取、数据统计、数据分析等环节的工作量。业务人员可以通过提问的方式,直接获取单一客户的风险信息,快速判断办理贷款业务的风险程度;管理者针对单一或多项风险,能够快速获取相关客户清单,高效完成核查需求;减轻技术人员重复制作同类数据报表的工作量,减少同类型数据需求。同时为前后台人员的工作增效减负,将节省的人力资源投入到前台营销工作或后台研发工作中。另一方面,上述方法的应用可以增强风控能力。业务人员可随时获取客户风险信息,在贷前准入环节,可精准判断风险客户,在评估客户等级、贷款发放等场景提供数据支撑。在贷后管理环节,可实时了解客户情况,通过查询存贷比、销售归行、逾期欠息等情况,把控坏账风险,降低不良贷款的发生率。再一方面,上述方法的应用结合自然语言处理技术,实现客户风险信息智能交互,将原本存在数据库内的数据以服务的形式对外输出,可复用于多种金融风控场景中。
需指出,在本公开的具体的实施例中,数据库记录的风险客户信息和/或客户风险信息可能涉及客户信息。在获取用户的信息之前,可以获得用户的同意或授权。
基于上述问题查询方法,本公开的实施例还提供了一种问题查询装置。以下将结合图7对该装置进行详细描述。
图7示意性示出了根据本公开实施例的问题查询装置的结构框图。
如图7所示,该实施例的问题查询装置700包括问题获取模块 710、语言转化模块720和问题查询模块730。
其中,问题获取模块710被配置为获取待查询问题,其中,所述待查询问题为自然语言。
语言转化模块720被配置为将所述待查询问题输入至预训练得到的问题识别模型,获取与所述待查询问题匹配的SQL语句,其中,所述预训练得到的问题查询模型基于双重训练集,利用Bert模型训练得到,其中,所述双重训练集包括问题样本数据集和CSpider数据集,其中,所述问题样本数据集用于训练模型对于问题文本与数据库表实体的映射关系的识别能力,所述CSpider数据集用于训练模型对于问题语句逻辑以及问题语句和SQL语法的映射关系的识别能力;以及
问题查询模块730被配置为将所述与所述待查询问题匹配的SQL语句输入数据库系统,获取问题查询结果,其中,所述获取问题查询结果包括从数据库表中获取与所述待查询问题匹配的字段值。
在一些实施例中,问题获取模块还可以包含接收子模块和识别子模块。
图8示意性示出了根据本公开实施例的问题获取模块710的结构框图。
如图8所示,该实施例的问题获取模块710包括接收子模块7101 和识别子模块7102。
其中,接收子模块7101被配置为获取用户提问信息,其中,所述用户提问信息包含语音信息。
识别子模块7102被配置为对所述用户提问信息进行语音识别,获取所述待查询问题。
基于上述问题查询方法,本公开的实施例还提供了一种问题识别模型的训练装置。以下将结合图9对该装置进行详细描述。
图9示意性示出了根据本公开实施例的问题识别模型的训练装置的结构框图。
如图9所示,该实施例的问题查询装置800包括第一训练模块 810、第二训练模块820、拼接模块830和检验模块840。
其中,第一训练模块810被配置为基于问题样本数据集对Bert 模型进行预训练,获取第一识别模型,所述第一识别模型用于获取第一识别结果,其中,所述第一识别结果包括与问题样本匹配的实体,所述实体包括表名,以及字段名和/或字段类型中的至少一种。
第二训练模块820被配置为基于CSpider数据集样本对所述第一识别模型进行训练,获取第二识别模型,所述第二识别模型用于获取第二识别结果,所述第二识别结果包括第一识别结果,问题语句逻辑以及问题语句和SQL语法的映射关系。
拼接模块830被配置为基于所述第二识别结果和SQL语句拼接规则获取SQL样本语句。
检验模块840被配置为基于所述SQL样本语句的逻辑准确率和执行准确率优化所述第一识别模型和/或SQL语句拼接规则,直至所述逻辑准确率和执行准确率达到预设的阈值,获取所述问题识别模型。
根据本公开的实施例,第一训练模块还包括判断子模块和调整子模块。
图10示意性示出了根据本公开实施例的问题识别模型的训练装置的结构框图。
如图10所示,该实施例的第一训练模块810包括判断子模块8101 和调整子模块8102。
判断子模块8101被配置为判断所述第一识别结果的准确率是否小于阈值。
调整子模块8102被配置为当所述第一识别结果的准确率小于阈值时,对所述第一识别结果进行优化,其中,所述优化包括新增匹配关系和/或新增问题样本中的至少一种,其中,所述新增匹配关系包括新增特殊问题样本与实体的匹配关系。
在另一些实施例中,第一训练模块还可以包括数据预处理子模块。
图11示意性示出了根据本公开另一些实施例的第一训练模块的结构框图。
如图11所示,该另一些实施例的第一训练模块810包括数据预处理子模块8103。
其中,数据预处理子模块8103被配置为对所述待查询问题样本进行预处理,获取所述问题样本数据集,其中,所述预处理包括对所述待查询问题样本进行分词和构建特征向量。
根据本公开的实施例,获取模块710、语言转化模块720、问题查询模块730、接收子模块7101、识别子模块7102、第一训练模块810、第二训练模块820、拼接模块830、检验模块840、判断子模块8101、调整子模块8102和数据预处理子模块8103中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块710、语言转化模块720、问题查询模块730、接收子模块7101、识别子模块7102、第一训练模块810、第二训练模块820、拼接模块830、检验模块840、判断子模块8101、调整子模块8102和数据预处理子模块8103中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块710、语言转化模块 720、问题查询模块730、接收子模块7101、识别子模块7102、第一训练模块810、第二训练模块820、拼接模块830、检验模块840、判断子模块8101、调整子模块8102和数据预处理子模块8103中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图12示意性示出了根据本公开实施例的适于实现问题查询方法的电子设备的方框图。
如图12所示,根据本公开实施例的电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分 908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器 901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备900还可以包括输入/输出(I/O) 接口905,输入/输出(I/O)接口905也连接至总线904。电子设备 900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910 上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器 (CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903 以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的方法。
在该计算机程序被处理器901执行时执行本公开实施例的系统/ 装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分909被下载和安装,和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++, python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网 (LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (12)
1.一种问题查询方法,其特征在于,包括:
获取待查询问题,其中,所述待查询问题为自然语言;
将所述待查询问题输入至预训练得到的问题识别模型,获取与所述待查询问题匹配的SQL语句;以及
将所述与所述待查询问题匹配的SQL语句输入数据库系统,获取问题查询结果,其中,所述获取问题查询结果包括从数据库表中获取与所述待查询问题匹配的字段值,
其中,所述预训练得到的问题查询模型基于双重训练集,利用Bert模型训练得到,其中,所述双重训练集包括问题样本数据集和CSpider数据集,其中,所述问题样本数据集用于训练模型对于问题文本与数据库表实体的映射关系的识别能力,所述CSpider数据集用于训练模型对于问题语句逻辑以及问题语句和SQL语法的映射关系的识别能力。
2.一种根据权利要求1所述的方法,其中,预训练得到所述问题识别模型的训练方法包括:
基于问题样本数据集对Bert模型进行预训练,获取第一识别模型,所述第一识别模型用于获取第一识别结果,其中,所述第一识别结果包括与问题样本匹配的实体,所述实体包括表名,以及字段名和/或字段类型中的至少一种;
基于CSpider数据集样本对所述第一识别模型进行训练,获取第二识别模型,所述第二识别模型用于获取第二识别结果,所述第二识别结果包括第一识别结果,问题语句逻辑以及问题语句和SQL语法的映射关系;
基于所述第二识别结果和SQL语句拼接规则获取SQL样本语句;以及
基于所述SQL样本语句的逻辑准确率和执行准确率优化所述第一识别模型和/或SQL语句拼接规则,直至所述逻辑准确率和执行准确率达到预设的阈值,获取所述问题识别模型。
3.根据权利要求2所述的方法,其中,所述基于问题样本数据集对Bert模型进行预训练,获取第一识别模型还包括:
判断所述第一识别结果的准确率是否小于阈值;以及
当所述第一识别结果的准确率小于阈值时,对所述第一识别结果进行优化,其中,所述优化包括新增匹配关系和/或新增问题样本中的至少一种,其中,所述新增匹配关系包括新增特殊问题样本与实体的匹配关系。
4.根据权利要求2所述的方法,其中,获取所述问题样本数据集的方法包括:
对所述待查询问题样本进行预处理,获取所述问题样本数据集,其中,所述预处理包括对所述待查询问题样本进行分词和构建特征向量。
5.根据权利要求2所述的方法,其中,基于所述SQL样本语句的逻辑准确率和执行准确率优化所述第一识别模型包括增加问题样本数据进行训练。
6.根据权利要求2所述的方法,其中,所述问题语句逻辑以及问题语句和SQL语法的映射关系包括:基于问题语句触发的表关联关系,聚合关系,关键词操作,逻辑嵌套关系,多子句中的至少一种。
7.根据权利要求1所述的方法,其中,所述获取待查询问题还包括:
获取用户提问信息,其中,所述用户提问信息包含语音信息;以及
对所述用户提问信息进行语音识别,获取所述待查询问题。
8.根据权利要求1所述的方法,其中,所述问题查询方法用于进行客户风险识别,其中,所述待查询问题包括风险提问信息,所述问题查询结果包括风险客户信息和/或客户风险信息。
9.一种问题查询装置,其特征在于,包括:
问题获取模块,配置为获取待查询问题,其中,所述待查询问题为自然语言;
语言转化模块,配置为将所述待查询问题输入至预训练得到的问题识别模型,获取与所述待查询问题匹配的SQL语句,其中,所述预训练得到的问题查询模型基于双重训练集,利用Bert模型训练得到,其中,所述双重训练集包括问题样本数据集和CSpider数据集,其中,所述问题样本数据集用于训练模型对于问题文本与数据库表实体的映射关系的识别能力,所述CSpider数据集用于训练模型对于问题语句逻辑以及问题语句和SQL语法的映射关系的识别能力;以及
问题查询模块,配置为将所述与所述待查询问题匹配的SQL语句输入数据库系统,获取问题查询结果,其中,所述获取问题查询结果包括从数据库表中获取与所述待查询问题匹配的字段值。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,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执行根据权利要求1~8中任一项所述的方法。
11.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~8中任一项所述的方法。
12.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211003815.6A CN115292352A (zh) | 2022-08-22 | 2022-08-22 | 问题查询方法、装置、设备、介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211003815.6A CN115292352A (zh) | 2022-08-22 | 2022-08-22 | 问题查询方法、装置、设备、介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115292352A true CN115292352A (zh) | 2022-11-04 |
Family
ID=83830030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211003815.6A Pending CN115292352A (zh) | 2022-08-22 | 2022-08-22 | 问题查询方法、装置、设备、介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115292352A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910105A (zh) * | 2023-09-12 | 2023-10-20 | 成都瑞华康源科技有限公司 | 一种基于预训练大模型的医疗信息查询系统及方法 |
-
2022
- 2022-08-22 CN CN202211003815.6A patent/CN115292352A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910105A (zh) * | 2023-09-12 | 2023-10-20 | 成都瑞华康源科技有限公司 | 一种基于预训练大模型的医疗信息查询系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11709854B2 (en) | Artificial intelligence based smart data engine | |
US9300672B2 (en) | Managing user access to query results | |
US20180285768A1 (en) | Method and system for rendering a resolution for an incident ticket | |
US11615110B2 (en) | Systems and methods for unifying formats and adaptively automating processing of business records data | |
CN111859969B (zh) | 数据分析方法及装置、电子设备、存储介质 | |
CN114860916A (zh) | 知识检索方法及装置 | |
CN115292352A (zh) | 问题查询方法、装置、设备、介质和程序产品 | |
CN114841128A (zh) | 基于人工智能的业务交互方法、装置、设备、介质及产品 | |
CN111126073B (zh) | 语义检索方法和装置 | |
WO2020253353A1 (zh) | 预设用户的资源获取资质生成方法及相关设备 | |
CN117216393A (zh) | 信息推荐方法、信息推荐模型的训练方法及装置、设备 | |
US20200184961A1 (en) | Voice-enabled human tasks in process modeling | |
CN114417974B (zh) | 模型训练方法、信息处理方法、装置、电子设备和介质 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN114638221A (zh) | 基于业务需求的业务模型生成方法及装置 | |
CN114676694A (zh) | 业务模型的生成方法、装置、设备、介质和程序产品 | |
CN112133308B (zh) | 一种用于语音识别文本多标签分类的方法和装置 | |
CN114626370A (zh) | 训练方法、风险预警方法、装置、设备、介质和程序产品 | |
KR20230103025A (ko) | 기업 신용 분석 및 평가 정보 제공 방법, 장치 및 시스템 | |
CN114723548A (zh) | 数据处理方法、装置、设备、介质和程序产品 | |
CN114201964A (zh) | 舆情风险识别方法、装置、电子设备及存储介质 | |
KR20200129739A (ko) | 뉴스 아카이브의 인공지능 분석을 활용한 경영 컨설팅 방법 및 시스템 | |
US11537747B1 (en) | Generating and continuously maintaining a record of data processing activity for a computer-implemented system | |
CN117971883A (zh) | 数据表图谱生成方法及装置、设备、存储介质和程序产品 | |
CN117520608A (zh) | 数据操作方法、装置、设备和介质 |
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 |