CN115374256A - 问答数据处理方法、装置、设备、存储介质及产品 - Google Patents
问答数据处理方法、装置、设备、存储介质及产品 Download PDFInfo
- Publication number
- CN115374256A CN115374256A CN202110547434.3A CN202110547434A CN115374256A CN 115374256 A CN115374256 A CN 115374256A CN 202110547434 A CN202110547434 A CN 202110547434A CN 115374256 A CN115374256 A CN 115374256A
- Authority
- CN
- China
- Prior art keywords
- question
- data
- answer
- answering
- evaluation index
- 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
- 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
- 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
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例提供一种问答数据处理方法、装置、设备、存储介质及产品。方法包括:获取在线问答数据集,在线问答数据集中包括不同问答领域对应的问答机器人产生的意图数据;根据意图数据,与意图数据对应的应答评价指标对在线问答数据集进行聚合操作,获得各意图数据对应的问答机器人的评价指标数据;根据评价指标数据,确定各意图数据对应的各问答机器人的综合分值;采用各意图数据下综合分值超过预设的阈值的问答机器人的目标问答数据,对预设的问答网络模型进行更新操作。由于该目标问答数据为不同问答领域内的优质答复,从而采用该目标问答数据更新后的问答网络模型能够根据用户发出的提问信息,反馈更加优质的答复,提高用户的使用体验。
Description
技术领域
本公开实施例涉及人工智能领域,尤其涉及一种问答数据处理方法、装置、设备、存储介质及产品。
背景技术
智能问答机器人是基于自然语言处理和深度学习,实时与人对话,精确地定位访客所需要的提问知识,通过与访客进行交互,为访客提供个性化的信息服务。
在问答机器人的问答模型训练过程中,一般都是采用特定领域的问答数据对模型进行训练,使得能够对特定领域的问题进行解答。
在实现本公开过程中,发明人发现现有技术中至少存在如下问题:特定领域的问答数据往往数据量较小,且问答数据的质量可能较差,采用上述数据进行模型训练会导致问答机器人无法根据用户的问题给出优质的答复,进而导致用户体验较差。
发明内容
本公开实施例提供一种问答数据处理方法、装置、设备、存储介质及产品,用以解决现有的问答数据处理方法数据量较小且数据质量较差,导致问答机器人无法提供优质服务的技术问题。
第一方面,本公开实施例提供一种问答数据处理方法,包括:
获取预存的在线问答数据集,所述在线问答数据集中包括不同问答领域对应的问答机器人产生的意图数据;
根据所述意图数据,以及与所述意图数据对应的应答评价指标对所述在线问答数据集进行聚合操作,获得各意图数据对应的问答机器人的评价指标数据;
根据所述评价指标数据,确定各意图数据对应的各问答机器人的综合分值;
采用各意图数据下综合分值超过预设的阈值的问答机器人的目标问答数据,对各所述问答机器人对应的问答网络模型进行更新操作。
第二方面,本公开实施例提供一种问答数据处理装置,包括:
获取模块,用于获取预存的在线问答数据集,所述在线问答数据集中包括不同问答领域对应的问答机器人产生的意图数据;
聚合模块,用于根据所述意图数据,以及与所述意图数据对应的应答评价指标对所述在线问答数据集进行聚合操作,获得各意图数据对应的问答机器人的评价指标数据;
确定模块,用于根据所述评价指标数据,确定各意图数据对应的各问答机器人的综合分值;
更新模块,用于采用各意图数据下综合分值超过预设的阈值的问答机器人的目标问答数据,对各所述问答机器人对应的问答网络模型进行更新操作。
第三方面,本公开实施例提供一种电子设备,包括:存储器,处理器;
存储器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器用于调用所述存储器中的程序指令执行如第一方面所述的问答数据处理方法。
第四方面,本公开实施例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计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面所述的问答数据处理方法。
第五方面,本公开实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如第一方面所述的问答数据处理方法。
本公开实施例提供的问答数据处理方法、装置、设备、存储介质及产品,通过对不同问答领域对应的问答机器人产生的意图数据进行聚合操作,得到各意图数据对应的问答机器人的评价指标数据,并且根据该评价指标数据确定各意图数据对应的各问答机器人的综合分值。从而能够根据该综合分值,在不同问答领域的在线问答数据集中得到质量较高的目标问答数据,该目标问答数据可以用于对问答机器人的问答网络模型进行更新。由于该目标问答数据为不同问答领域内的优质答复,从而采用该目标问答数据更新后的问答网络模型能够根据用户发出的提问信息,反馈更加优质的答复,提高用户的使用体验。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本公开基于的系统架构示意图;
图2为本公开实施例一提供的在线问答数据处理方法的流程示意图;
图3为本公开实施例提供的应用场景示意图;
图4为本公开实施例二提供的问答数据处理方法的流程示意图;
图5为本公开实施例三提供的问答数据处理方法的流程示意图;
图6为本公开实施例四提供的问答数据处理方法的流程示意图;
图7为本公开实施例五提供的问答数据处理装置的结构示意图;
图8是为本公开实施例六提供的电子设备的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
针对上述提及的在现有的问答数据处理方法数据量较小且数据质量较差,导致问答机器人无法提供优质服务的技术问题,本公开提供了一种问答数据处理方法、装置、设备、存储介质及产品。
需要说明的是,本公开提供问答数据处理方法、装置、设备、存储介质及产品可运用在对各种在线问答平台、在线问答机器人训练数据集建立、模型更新的场景中。
为了给用户提供更加实时准确的问答服务,各个领域均采用在线问答机器人对用户的在线提问进行解答。具体地,该在线问答机器人可以将本领域多年积累的自身基本情况常见问题及其解答,整理为规范的问答数据集,以支撑各种形式问题的智能问答。但是,由于现有的问答数据集仅局限于固定的领域,数据量可能较少,且可能存在部分问答数据无法准确地解答用户的问题,因此,采用该问答数据集进行智能问答的支撑,往往可能无法准确地解决用户的问题,导致用户体验较差。
在解决上述技术问题的过程中,发明人通过研究发现,不同领域问答机器人在处理问题的过程中,可能存在同一意图的问答数据,为了提高在线问答机器人的答复精度,提高用户体验,可以基于不同领域的问答数据,建立在线问答数据集,并选取该在线问答数据集中的优质答复作为在线问答机器人的支撑。
本公开实施例提供的问答数据处理方法,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本公开的实施例进行描述。
图1为本公开基于的系统架构示意图,如图1所示,本公开基于的系统架构至少包括:服务器1以及数据库2。其中,服务器1中设置有问答数据处理装置。该问答数据处理装置采用C/C++、Java、Shell或Python等语言编写;数据库2则可为云端服务器或服务器集群,其内存储有大量的问答数据。
图2为本公开实施例一提供的在线问答数据处理方法的流程示意图,如图2所示,该方法包括:
步骤201、获取预存的在线问答数据集,所述在线问答数据集中包括不同问答领域对应的问答机器人产生的意图数据。
本实施例的执行主体为在线问答数据处理装置,该在线问答数据处理装置可耦合于服务器中。该服务器可以与数据库通信连接,从而能够从数据库中获取在线问答数据集。
在本实施方式中,由于不同领域问答机器人在处理问题的过程中,可能存在同一意图的优质问答数据,因此,为了实现对问答机器人问题答复的数据支撑,可以获取预存的在线问答数据集,其中,该在线问答数据集中包括不同问答领域对应的问答机器人产生的意图数据。可选地,该在线问答数据集中可以包括不同问答领域对应的问答机器人产生的全部意图数据。
步骤202、根据所述意图数据,以及与所述意图数据对应的应答评价指标对所述在线问答数据集进行聚合操作,获得各意图数据对应的问答机器人的评价指标数据。
在本实施方式中,每个问答机器人的每通会话的每个消息都有对应的意图,每个意图上都会关联到应答评价指标。其中,应答评价指标包括但不限于应答后用户要求转人工率/应答满意度/应答解决率,咨询转化率/咨询流失率等。
这些应答评价指标可以是精准关联到具体的意图,也可以是每个意图对应答评价指标进行共同分摊。因此,在获取到在线问答数据集之后,可以根据该意图数据,以及与意图数据对应的应答评价指标对在线问答数据集进行聚合操作,获得各意图数据对应的问答机器人的评价指标数据。
步骤203、根据所述评价指标数据,确定各意图数据对应的各问答机器人的综合分值。
在本实施方式中,在确定各意图数据对应的问答机器人的评价指标数据之后,即可以根据该评价指标数据确定各意图数据对应的各问答机器人的综合分值。其中,综合分值越高,表征该问答机器人对该意图数据的应答能力越优秀。
步骤204、采用各意图数据下综合分值超过预设的阈值的问答机器人的目标问答数据,对各所述问答机器人对应的问答网络模型进行更新操作。
在本实施例中,在确定各意图数据对应的问答机器人的综合分值之后,可以根据该综合分值进行目标问答数据的选择。具体地,可以将各意图数据下综合分值超过预设的阈值的问答机器人的该意图数据对应的问答数据作为目标问答数据。因此,可以采用该目标问答数据作为在线问答机器人的支撑。可选地,可以采用该目标问答数据对问答机器人对应的问答网络模型进行更新操作。
作为一种可以实施的方式,可以根据该综合分值,对各问答机器人进行排序,选择排序靠前的预设数量个问答机器人对应的问答数据作为目标问答数据。
图3为本公开实施例提供的应用场景示意图,如图3所示,可以在不同问答领域对应的问答机器人产生的意图数据31中确定优质的目标问答数据32,采用该目标问答数据32作为在线问答机器人33的支撑。
本实施例提供的问答数据处理方法,通过对不同问答领域对应的问答机器人产生的意图数据进行聚合操作,得到各意图数据对应的问答机器人的评价指标数据,并且根据该评价指标数据确定各意图数据对应的各问答机器人的综合分值。从而能够根据该综合分值,在不同问答领域的在线问答数据集中得到质量较高的目标问答数据,该目标问答数据可以用于对问答机器人的问答网络模型进行更新。由于该目标问答数据为不同问答领域内的优质答复,从而采用该目标问答数据更新后的问答网络模型能够根据用户发出的提问信息,反馈更加优质的答复,提高用户的使用体验。
图4为本公开实施例二提供的问答数据处理方法的流程示意图,所述评价指标数据为评价指标矩阵;如图2所示,步骤202具体包括:
步骤401、针对每一意图数据,根据所述意图数据对应的至少一个应答评价指标以及各问答机器人的标识,生成各问答机器人对应的五元组数据。
步骤402、对所述五元组数据进行聚合操作,获得各意图数据对应的问答机器人的待处理矩阵。
步骤403、对所述待处理矩阵进行统一量纲处理,获得所述各意图数据对应的问答机器人的评价指标矩阵。
在本实施例中,针对每一意图数据,每一问答机器人可以产生与该意图数据的会话数据,因此,可以根据意图数据对应的至少一个应答评价指标以及各问答机器人的标识,生成各问答机器人对应的五元组数据。
举例来说,每个问答机器人的每个意图对应会话的应答评价指标为五元组<I,r,i,l,k>,其中I为意图编码,r为机器人编码,i为会话编码,l为指标编码,k为指标具体值。
进一步地,由于应答评价指标可以是精准关联到具体的意图,也可以是每个意图对应答评价指标进行共同分摊。因此,可以对五元组数据进行聚合操作,获得各意图数据对应的问答机器人的待处理矩阵。进一步地,为了提高后续的数据处理效率,可以对待处理矩阵进行统一量纲处理,获得各意图数据对应的问答机器人的评价指标矩阵。
具体地,在上述任一实施例的基础上,步骤403包括:
对所述待处理矩阵进行归一化、标准化和求秩操作中的一种或多种操作,获得所述各意图数据对应的问答机器人的评价指标矩阵。
在本实施例中,具体可以采用归一化、标准化、求秩操作中的一项或多项实现对五元组数据的聚合操作。
举例来说,该统一量纲处理具体可以为归一化操作,举例来说,可以采用公式1实现对待处理矩阵Ijl的统一量纲处理,获得各意图数据对应的问答机器人的评价指标矩阵Pjl。
Pjl=[Ijl-min(Il)]/[max(Il)-min(Il)] (1)
其中,max(Il)为指标l对应的最大的指标具体值,min(Il)为指标l对应的最小的指标具体值。
本实施例提供的问答数据处理方法,通过在获取到在线问答数据集之后,对该在线问答数据集进行聚合以及统一量纲操作,从而能够获得各意图数据对应的问答机器人的评价指标矩阵,从而后续可以根据该评价指标矩阵实现对机器人综合分值的计算,进而能够根据该综合分值,在不同问答领域的在线问答数据集中得到质量较高的目标问答数据。
图5为本公开实施例三提供的问答数据处理方法的流程示意图,在上述任一实施例的基础上,如图5所示,步骤203具体包括:
步骤501、采用无监督学习方法确定各评价指标矩阵对应的权重信息。
步骤502、根据所述评价指标矩阵以及所述评价指标矩阵对应的权重信息,确定各意图数据对应的各问答机器人的综合分值。
在本实施例中,具体可以采用无监督的方法确定各评价指标矩阵对应的权重信息。根据该权重信息以及评价指标矩阵,综合确定各意图数据对应的各问答机器人的综合分值。由于在综合分值的计算过程中,首先确定各评价指标矩阵对应的权重信息,从而能够提高各问答机器人对应的综合分值的准确性。
进一步地,在上述任一实施例的基础上,步骤501具体包括:
采用预设的权重信息确定算法确定各评价指标矩阵对应的权重信息;
所述预设的权重信息确定算法包括以下算法的任意一种或多种:
主成分算法、独立成本分解算法、或奇异值分解算法、粗糙集算法。
具体地,可以采用主成分算法、独立成本分解算法、或奇异值分解算法、粗糙集算法中的任意一种或多种实现对各评价指标矩阵对应的权重信息的计算,本公开对此不做限制。
进一步地,在上述任一实施例的基础上,步骤203具体包括:
将所述评价指标矩阵以及所述评价指标矩阵对应的权重信息进行加权求和操作。
将加权求和的结果确定为所述各意图数据对应的各问答机器人的综合分值。
在本实施例中,在确定各评价指标矩阵对应的权重之后,可以采用加权求和的方式,实现对各问答机器人的综合分值的计算。
本实施例提供的问答数据处理方法,通过分别确定各评价指标矩阵对应的权重,根据该权重信息以及评价指标矩阵,综合确定各意图数据对应的各问答机器人的综合分值。从而能够提高各问答机器人对应的综合分值的准确性。
图6为本公开实施例四提供的问答数据处理方法的流程示意图,在上述任一实施例的基础上,如图6所示,步骤204具体包括:
步骤601、获取各意图数据下综合分值超过预设的阈值的问答机器人的问答数据集合。
步骤602、对所述问答数据集合中的数据进行预设的数据处理操作,获得所述目标问答数据。
步骤603、将所述目标问答数据中的问题数据输入至所述问答机器人对应的问答网络模型中,获得所述问答网络模型输出的预测答案;
步骤604、根据所述预测答案以及所述目标问答数据中的标准答案,计算所述问答网络模型对应的损失值;
步骤605、根据所述损失值对所述问答网络模型的参数进行调整操作。
其中,预设的数据处理操作包括以下操作中的任意一种或多种:
聚类操作、实体识别操作、关键词提取操作、语义理解操作。
在本实施例中,在获取到取各意图数据下综合分值超过预设的阈值的问答机器人的问答数据集合之后,可以对该问答数据集合进行预设的数据处理操作,得到目标问答数据。具体地,该预设的数据处理操作包括以下操作中的任意一种或多种:聚类操作、实体识别操作、关键词提取操作、语义理解操作。从而后续能够采用该目标问答数据作为在线问答机器人的支撑。可选地,可以采用该目标问答数据对问答机器人对应的问答网络模型进行更新操作。
具体地,可以将目标问答数据中的问题数据作为问答网络模型的输入,问答网络模型可以对该问题数据进行预测处理,输出与问答数据对应的预测答案。根据该预测答案与目标问答数据中的标准答案,计算该问答网络模型对应的损失值。从而能够根据该损失值对问答网络模型的参数进行调节。
可选地,在调节之后,可以返回执行将目标问答数据中的问题数据作为问答网络模型的输入的步骤,根据调整参数后的问答网络模型输出的预测答案与标准答案计算调整参数中的问答网络模型的损失值,判断该损失值是否满足预设的收敛条件,当满足收敛条件时,则获得更新后的问答网络模型。反之,则可以继续采用该目标问答数据对问答网络模型进行再训练,直至该问答网络模型收敛。
本实施例提供的问答数据处理方法,通过首先对问答数据集合进行预设的数据处理操作,采用数据处理后的目标问答数据作为在线问答机器人的支撑,从而采用该目标问答数据更新后的问答网络模型能够根据用户发出的提问信息,反馈更加优质的答复,提高用户的使用体验。
图7为本公开实施例五提供的问答数据处理装置的结构示意图,如图7所示,该装置包括:获取模块71、聚合模块72、确定模块73以及更新模块74。其中,获取模块71,用于获取预存的在线问答数据集,所述在线问答数据集中包括不同问答领域对应的问答机器人产生的意图数据。聚合模块72,用于根据所述意图数据,以及与所述意图数据对应的应答评价指标对所述在线问答数据集进行聚合操作,获得各意图数据对应的问答机器人的评价指标数据。确定模块73,用于根据所述评价指标数据,确定各意图数据对应的各问答机器人的综合分值。更新模块74,用于采用各意图数据下综合分值超过预设的阈值的问答机器人的目标问答数据,对各所述问答机器人对应的问答网络模型进行更新操作。
本实施例提供的问答数据处理装置,通过对不同问答领域对应的问答机器人产生的意图数据进行聚合操作,得到各意图数据对应的问答机器人的评价指标数据,并且根据该评价指标数据确定各意图数据对应的各问答机器人的综合分值。从而能够根据该综合分值,在不同问答领域的在线问答数据集中得到质量较高的目标问答数据,该目标问答数据可以用于对问答机器人的问答网络模型进行更新。由于该目标问答数据为不同问答领域内的优质答复,从而采用该目标问答数据更新后的问答网络模型能够根据用户发出的提问信息,反馈更加优质的答复,提高用户的使用体验。
进一步地,在实施例五的基础上,所述评价指标数据为评价指标矩阵;
所述聚合模块用于:针对每一意图数据,根据所述意图数据对应的至少一个应答评价指标以及各问答机器人的标识,生成各问答机器人对应的五元组数据。对所述五元组数据进行聚合操作,获得各意图数据对应的问答机器人的待处理矩阵。对所述待处理矩阵进行统一量纲处理,获得所述各意图数据对应的问答机器人的评价指标矩阵。
进一步地,在实施例五的基础上,所述聚合模块用于:对所述待处理矩阵进行归一化、标准化和求秩操作中的一种或多种操作,获得所述各意图数据对应的问答机器人的评价指标矩阵。
进一步地,在上述任一实施例的基础上,所述确定模块用于:采用无监督装置确定各评价指标矩阵对应的权重信息。根据所述评价指标矩阵以及所述评价指标矩阵对应的权重信息,确定各意图数据对应的各问答机器人的综合分值。
进一步地,在上述任一实施例的基础上,所述确定模块用于:采用预设的权重信息确定算法确定各评价指标矩阵对应的权重信息。所述预设的权重信息确定算法包括以下算法的任意一种或多种:主成分算法、独立成本分解算法、或奇异值分解算法、粗糙集算法。
进一步地,在上述任一实施例的基础上,所述确定模块用于:将所述评价指标矩阵以及所述评价指标矩阵对应的权重信息进行加权求和操作。将加权求和的结果确定为所述各意图数据对应的各问答机器人的综合分值。
进一步地,在上述任一实施例的基础上,所述更新模块用于:获取各意图数据下综合分值超过预设的阈值的问答机器人的问答数据集合。对所述问答数据集合中的数据进行预设的数据处理操作,获得所述目标问答数据。将所述目标问答数据中的问题数据输入至所述问答机器人对应的问答网络模型中,获得所述问答网络模型输出的预测答案;根据所述预测答案以及所述目标问答数据中的标准答案,计算所述问答网络模型对应的损失值;根据所述损失值对所述问答网络模型的参数进行调整操作。其中,预设的数据处理操作包括以下操作中的任意一种或多种:聚类操作、实体识别操作、关键词提取操作、语义理解操作。
图8是为本公开实施例六提供的电子设备的结构示意图,该设备可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,个人数字助理等。
装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置800的处理器820执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本公开的又一实施例还提供了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计算机执行指令,所述计算机执行指令被处理器执行时用于实现如上述任一实施例所述的问答数据处理方法。
本公开的又一实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上述任一实施例所述的问答数据处理方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (17)
1.一种问答数据处理方法,其特征在于,包括:
获取预存的在线问答数据集,所述在线问答数据集中包括不同问答领域对应的问答机器人产生的意图数据;
根据所述意图数据,以及与所述意图数据对应的应答评价指标对所述在线问答数据集进行聚合操作,获得各意图数据对应的问答机器人的评价指标数据;
根据所述评价指标数据,确定各意图数据对应的各问答机器人的综合分值;
采用各意图数据下综合分值超过预设的阈值的问答机器人的目标问答数据,对各所述问答机器人对应的问答网络模型进行更新操作。
2.根据权利要求1所述的方法,其特征在于,所述评价指标数据为评价指标矩阵;
所述根据所述意图数据,以及与所述意图数据对应的应答评价指标对所述在线问答数据集进行聚合操作,包括:
针对每一意图数据,根据所述意图数据对应的至少一个应答评价指标以及各问答机器人的标识,生成各问答机器人对应的五元组数据;
对所述五元组数据进行聚合操作,获得各意图数据对应的问答机器人的待处理矩阵;
对所述待处理矩阵进行统一量纲处理,获得所述各意图数据对应的问答机器人的评价指标矩阵。
3.根据权利要求2所述的方法,其特征在于,所述对所述待处理矩阵进行统一量纲处理,获得所述各意图数据对应的问答机器人的评价指标矩阵,包括:
对所述待处理矩阵进行归一化、标准化和求秩操作中的一种或多种操作,获得所述各意图数据对应的问答机器人的评价指标矩阵。
4.根据权利要求2所述的方法,其特征在于,所述根据所述评价指标数据,确定各意图数据对应的各问答机器人的综合分值,包括:
采用无监督学习方法确定各评价指标矩阵对应的权重信息;
根据所述评价指标矩阵以及所述评价指标矩阵对应的权重信息,确定各意图数据对应的各问答机器人的综合分值。
5.根据权利要求4所述的方法,其特征在于,所述采用无监督学习方法确定各评价指标矩阵对应的权重信息,包括:
采用预设的权重信息确定算法确定各评价指标矩阵对应的权重信息;
所述预设的权重信息确定算法包括以下算法的任意一种或多种:
主成分算法、独立成本分解算法、奇异值分解算法、粗糙集算法。
6.根据权利要求4所述的方法,其特征在于,所述根据所述评价指标矩阵以及所述评价指标矩阵对应的权重信息,确定各意图数据对应的各问答机器人的综合分值,包括:
将所述评价指标矩阵以及所述评价指标矩阵对应的权重信息进行加权求和操作;
将加权求和的结果确定为所述各意图数据对应的各问答机器人的综合分值。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述采用各意图数据下综合分值超过预设的阈值的问答机器人的目标问答数据,对各所述问答机器人对应的问答网络模型进行更新操作,包括:
获取各意图数据下综合分值超过预设的阈值的问答机器人的问答数据集合;
对所述问答数据集合中的数据进行预设的数据处理操作,获得所述目标问答数据;
将所述目标问答数据中的问题数据输入至所述问答机器人对应的问答网络模型中,获得所述问答网络模型输出的预测答案;
根据所述预测答案以及所述目标问答数据中的标准答案,计算所述问答网络模型对应的损失值;
根据所述损失值对所述问答网络模型的参数进行调整操作;
其中,预设的数据处理操作包括以下操作中的任意一种或多种:
聚类操作、实体识别操作、关键词提取操作、语义理解操作。
8.一种问答数据处理装置,其特征在于,包括:
获取模块,用于获取预存的在线问答数据集,所述在线问答数据集中包括不同问答领域对应的问答机器人产生的意图数据;
聚合模块,用于根据所述意图数据,以及与所述意图数据对应的应答评价指标对所述在线问答数据集进行聚合操作,获得各意图数据对应的问答机器人的评价指标数据;
确定模块,用于根据所述评价指标数据,确定各意图数据对应的各问答机器人的综合分值;
更新模块,用于采用各意图数据下综合分值超过预设的阈值的问答机器人的目标问答数据,对各所述问答机器人对应的问答网络模型进行更新操作。
9.根据权利要求8所述的装置,其特征在于,所述评价指标数据为评价指标矩阵;
所述聚合模块用于:
针对每一意图数据,根据所述意图数据对应的至少一个应答评价指标以及各问答机器人的标识,生成各问答机器人对应的五元组数据;
对所述五元组数据进行聚合操作,获得各意图数据对应的问答机器人的待处理矩阵;
对所述待处理矩阵进行统一量纲处理,获得所述各意图数据对应的问答机器人的评价指标矩阵。
10.根据权利要求9所述的装置,其特征在于,所述聚合模块用于:
对所述待处理矩阵进行归一化、标准化和求秩操作中的一种或多种操作,获得所述各意图数据对应的问答机器人的评价指标矩阵。
11.根据权利要求9所述的装置,其特征在于,所述确定模块用于:
采用无监督装置确定各评价指标矩阵对应的权重信息;
根据所述评价指标矩阵以及所述评价指标矩阵对应的权重信息,确定各意图数据对应的各问答机器人的综合分值。
12.根据权利要求11所述的装置,其特征在于,所述确定模块用于:
采用预设的权重信息确定算法确定各评价指标矩阵对应的权重信息;
所述预设的权重信息确定算法包括以下算法的任意一种或多种:
主成分算法、独立成本分解算法、或奇异值分解算法、粗糙集算法。
13.根据权利要求11所述的装置,其特征在于,所述确定模块用于:
将所述评价指标矩阵以及所述评价指标矩阵对应的权重信息进行加权求和操作;
将加权求和的结果确定为所述各意图数据对应的各问答机器人的综合分值。
14.根据权利要求8-13任一项所述的装置,其特征在于,所述更新模块用于:
获取各意图数据下综合分值超过预设的阈值的问答机器人的问答数据集合;
对所述问答数据集合中的数据进行预设的数据处理操作,获得所述目标问答数据;
将所述目标问答数据中的问题数据输入至所述问答机器人对应的问答网络模型中,获得所述问答网络模型输出的预测答案;
根据所述预测答案以及所述目标问答数据中的标准答案,计算所述问答网络模型对应的损失值;
根据所述损失值对所述问答网络模型的参数进行调整操作;
其中,预设的数据处理操作包括以下操作中的任意一种或多种:
聚类操作、实体识别操作、关键词提取操作、语义理解操作。
15.一种电子设备,包括:存储器,处理器;
存储器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器用于调用所述存储器中的程序指令执行如权利要求1-7任一项所述的问答数据处理方法。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-7任一项所述的问答数据处理方法。
17.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的问答数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547434.3A CN115374256A (zh) | 2021-05-19 | 2021-05-19 | 问答数据处理方法、装置、设备、存储介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547434.3A CN115374256A (zh) | 2021-05-19 | 2021-05-19 | 问答数据处理方法、装置、设备、存储介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115374256A true CN115374256A (zh) | 2022-11-22 |
Family
ID=84059403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110547434.3A Pending CN115374256A (zh) | 2021-05-19 | 2021-05-19 | 问答数据处理方法、装置、设备、存储介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115374256A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577089A (zh) * | 2022-11-24 | 2023-01-06 | 零犀(北京)科技有限公司 | 一种优化对话流程中节点的方法、装置、设备和存储介质 |
-
2021
- 2021-05-19 CN CN202110547434.3A patent/CN115374256A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577089A (zh) * | 2022-11-24 | 2023-01-06 | 零犀(北京)科技有限公司 | 一种优化对话流程中节点的方法、装置、设备和存储介质 |
CN115577089B (zh) * | 2022-11-24 | 2023-03-10 | 零犀(北京)科技有限公司 | 一种优化对话流程中节点的方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871896B (zh) | 数据分类方法、装置、电子设备及存储介质 | |
CN107832836B (zh) | 无模型深度增强学习探索方法及装置 | |
CN109543066B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN109670077B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN107133354B (zh) | 图像描述信息的获取方法及装置 | |
CN107341509B (zh) | 卷积神经网络的训练方法、装置及可读存储介质 | |
CN111160448A (zh) | 一种图像分类模型的训练方法及装置 | |
CN111210844B (zh) | 语音情感识别模型的确定方法、装置、设备及存储介质 | |
CN109255128B (zh) | 多层级标签的生成方法、装置和存储介质 | |
CN109543069B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN112148980B (zh) | 基于用户点击的物品推荐方法、装置、设备和存储介质 | |
CN110674246A (zh) | 问答模型训练方法、自动问答方法及装置 | |
CN112150457A (zh) | 视频检测方法、装置及计算机可读存储介质 | |
CN111199730B (zh) | 语音识别方法、装置、终端及存储介质 | |
CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN115374256A (zh) | 问答数据处理方法、装置、设备、存储介质及产品 | |
CN107480773B (zh) | 训练卷积神经网络模型的方法、装置及存储介质 | |
CN112712385B (zh) | 广告推荐方法、装置、电子设备及存储介质 | |
WO2024124913A1 (zh) | 实体信息确定方法、装置和设备 | |
CN112308588A (zh) | 广告的投放方法、装置及存储介质 | |
CN112861592B (zh) | 图像生成模型的训练方法、图像处理方法及装置 | |
CN112434714A (zh) | 多媒体识别的方法、装置、存储介质及电子设备 | |
CN111898019B (zh) | 信息推送方法及装置 | |
CN113254611A (zh) | 提问推荐方法及装置、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 |