CN115659058A - 问题生成的方法和装置 - Google Patents
问题生成的方法和装置 Download PDFInfo
- Publication number
- CN115659058A CN115659058A CN202211714287.5A CN202211714287A CN115659058A CN 115659058 A CN115659058 A CN 115659058A CN 202211714287 A CN202211714287 A CN 202211714287A CN 115659058 A CN115659058 A CN 115659058A
- Authority
- CN
- China
- Prior art keywords
- standard
- vector
- user
- feature
- layer
- 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 39
- 239000013598 vector Substances 0.000 claims abstract description 145
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012886 linear function Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 66
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种问题生成的方法和装置。该问题生成的方法包括:依据标准问题,获取标准问题的词语级向量;通过对用户画像和用户行为轨迹进行编码,得到用户画像的特征向量和用户行为轨迹的特征向量;依据标准问题点击详情、标准问题对应的多级标签体系、词语级向量、用户画像的特征向量和用户行为轨迹的特征向量对问题推荐模型进行训练,得到训练后的问题推荐模型;依据用户请求信息中的用户行为轨迹和用户画像通过训练后的问题推荐模型从标准问题数据集中得到目标问题。本发明提供的方案能够实现有效捕捉层级依赖关系,通过共享信息,相互补充来提升问题推荐的精确度的技术效果。
Description
技术领域
本发明涉及计算机技术应用领域,尤其涉及一种问题生成的方法和装置。
背景技术
通过使用智能手机利用各种软件,比如购物、移动支付、交通出行等APP,在网络上完成各种货币交易、生活服务等,在现在的生活中非常普遍,当使用上述软件遇到问题的时候,客户最希望的是能够第一时间在客服界面上看到自己想咨询的问题,然后直接找到答案。如果第一眼没有看到想要的问题,那就希望在和“客服”交互过程中以最少的交互次数获取到需要的答案。现有的问题推荐模型都是根据用户画像信息,历史订单信息、历史访问页面等用户业务行为轨迹数据来给用户推荐相关标准问题,这就导致并不会准确为客户提供准确的问题。
针对上述由于相关技术无法精确的基于用户的轨迹行为来推荐给用户想要询问的问题,目前尚未提出有效的解决方案。
发明内容
为解决上述技术问题,本发明实施例期望提供一种问题生成的方法和装置,以至少解决由于相关技术无法精确的基于用户的轨迹行为来推荐给用户想要询问的问题。
本发明的技术方案是这样实现的:
第一方面,本发明实施例提供一种问题生成的方法,包括:获取问题推荐数据集中的用户画像、用户行为轨迹、标准问题点击详情、标准问题和标准问题对应的多级标签体系;依据标准问题,获取标准问题的词语级向量;通过对用户画像和用户行为轨迹进行编码,得到用户画像的特征向量和用户行为轨迹的特征向量;依据标准问题点击详情、标准问题对应的多级标签体系、词语级向量、用户画像的特征向量和用户行为轨迹的特征向量对问题推荐模型进行训练,得到训练后的问题推荐模型;依据用户请求信息中的用户行为轨迹和用户画像通过训练后的问题推荐模型从标准问题数据集中得到目标问题。
可选的,依据标准问题,获取标准问题的词语级向量包括:依据标准问题生成标准问题文本;对标准问题文本进行编码,得到标准问题文本的词语级向量。
进一步地,可选的,对标准问题文本进行编码,得到标准问题文本的词语级向量包括:
可选的,通过对用户画像和用户行为轨迹进行编码,得到用户画像的特征向量和用户行为轨迹的特征向量包括:分别获取用户画像的用户画像特征和用户行为轨迹的用户行为特征;对用户画像特征和用户行为特征中的类别特征以及数值特征值作为特征编码进行嵌入编码, 得到用户画像的特征向量和用户行为轨迹的特征向量。
可选的,依据标准问题点击详情、标准问题对应的多级标签体系、词语级向量、用户画像的特征向量和用户行为轨迹的特征向量对问题推荐模型进行训练,得到训练后的问题推荐模型包括:依据用户画像的特征向量和用户行为轨迹的特征向量进行多级标签体系中的一级标签和二级标签的第一预测任务;依据用户画像的特征向量、用户行为轨迹的特征向量和词语级向量进行标准问题的预测任务;通过深度神经网络对预测任务进行特征编码,得到第一指定层网络编码后的特征表示;通过交叉网络对预测任务进行特征编码,得到第二指定层网络编码后的特征表示;将第一指定层网络编码后的特征表示和第二指定层网络编码后的特征表示连接,并通过前反馈神经网络进行任务预测;通过门机制,将上层标签预测有用的特征传递到下一层预测任务中,将上层的特征和本层的特征进行融合以产生本层的层次化特征,用于本层的预测分类任务;通过第一预测分类任务完成问题推荐一级标签的预测任务,通过第二预测分类任务完成问题推荐二级标签的预测任务,通过第三预测分类任务完成问题推荐标准问题的预测任务,完成问题推荐模型的训练,得到训练后的问题推荐模型。
进一步地,可选的,通过深度神经网络对预测任务进行特征编码,得到第一指定层网络编码后的特征表示包括:
其中,x0为所述用户画像的特征向量和所述用户行为轨迹的特征向量连接后的特
征向量,为第一指定层网络编码后的特征表示,为第一指定层的上一层网络编码
后的特征表示,为权重参数,为偏置项,ReLu为非线性函数,为
DNN网络的层数。
可选的,将第一指定层网络编码后的特征表示和第二指定层网络编码后的特征表示连接,并通过前反馈神经网络进行任务预测包括:
可选的,通过门机制,将上层标签预测有用的特征传递到下一层预测任务中,将上层的特征和本层的特征进行融合以产生本层的层次化特征,用于本层的预测分类任务包括:
第二方面,本发明实施例提供一种问题生成的装置,包括:获取模块,用于获取问题推荐数据集中的用户画像、用户行为轨迹、标准问题点击详情、标准问题和标准问题对应的多级标签体系;第一向量获取模块,用于依据标准问题,获取标准问题的词语级向量;第二向量获取模块,用于通过对用户画像和用户行为轨迹进行编码,得到用户画像的特征向量和用户行为轨迹的特征向量;模型训练模块,用于依据标准问题点击详情、标准问题对应的多级标签体系、词语级向量、用户画像的特征向量和用户行为轨迹的特征向量对问题推荐模型进行训练,得到训练后的问题推荐模型;问题生成模块,用于依据用户请求信息中的用户行为轨迹和用户画像通过训练后的问题推荐模型从标准问题数据集中得到目标问题。
可选的,第一向量获取模块包括:文本生成单元,用于依据标准问题生成标准问题文本;向量获取单元,用于对标准问题文本进行编码,得到标准问题文本的词语级向量。
本发明实施例提供了一种问题生成的方法和装置。通过获取问题推荐数据集中的用户画像、用户行为轨迹、标准问题点击详情、标准问题和标准问题对应的多级标签体系;依据标准问题,获取标准问题的词语级向量;通过对用户画像和用户行为轨迹进行编码,得到用户画像的特征向量和用户行为轨迹的特征向量;依据标准问题点击详情、标准问题对应的多级标签体系、词语级向量、用户画像的特征向量和用户行为轨迹的特征向量对问题推荐模型进行训练,得到训练后的问题推荐模型;依据用户请求信息中的用户行为轨迹和用户画像通过训练后的问题推荐模型从标准问题数据集中得到目标问题,从而能够实现有效捕捉层级依赖关系,通过共享信息,相互补充来提升问题推荐的精确度的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例一提供的一种问题生成的方法的流程示意图;
图2为本发明实施例一提供的一种问题生成的方法中问题生成的示意图;
图3为本发明实施例一提供的一种问题生成的方法中模型训练的示意图;
图4为本发明实施例二提供的一种问题生成的装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于限定特定顺序。
还需要说明是,本发明下述各个实施例可以单独执行,各个实施例之间也可以相互结合执行,本发明实施例对此不作具体限制。
实施例一
第一方面,本发明实施例提供一种问题生成的方法,图1为本发明实施例一提供的一种问题生成的方法的流程示意图;如图1所示,本申请实施例提供的问题生成的方法包括:
步骤S100,获取问题推荐数据集中的用户画像、用户行为轨迹、标准问题点击详情、标准问题和标准问题对应的多级标签体系;
步骤S102,依据标准问题,获取标准问题的词语级向量;
可选的,步骤S102中依据标准问题,获取标准问题的词语级向量包括:依据标准问题生成标准问题文本;对标准问题文本进行编码,得到标准问题文本的词语级向量。
进一步地,可选的,对标准问题文本进行编码,得到标准问题文本的词语级向量包括:
步骤S104,通过对用户画像和用户行为轨迹进行编码,得到用户画像的特征向量和用户行为轨迹的特征向量;
可选的,步骤S104中通过对用户画像和用户行为轨迹进行编码,得到用户画像的特征向量和用户行为轨迹的特征向量包括:分别获取用户画像的用户画像特征和用户行为轨迹的用户行为特征;对用户画像特征和用户行为特征中的类别特征以及数值特征值作为特征编码进行嵌入编码, 得到用户画像的特征向量和用户行为轨迹的特征向量。
步骤S106,依据标准问题点击详情、标准问题对应的多级标签体系、词语级向量、用户画像的特征向量和用户行为轨迹的特征向量对问题推荐模型进行训练,得到训练后的问题推荐模型;
可选的,步骤S106中依据标准问题点击详情、标准问题对应的多级标签体系、词语级向量、用户画像的特征向量和用户行为轨迹的特征向量对问题推荐模型进行训练,得到训练后的问题推荐模型包括:依据用户画像的特征向量和用户行为轨迹的特征向量进行多级标签体系中的一级标签和二级标签的第一预测任务;依据用户画像的特征向量、用户行为轨迹的特征向量和词语级向量进行标准问题的预测任务;通过深度神经网络对预测任务进行特征编码,得到第一指定层网络编码后的特征表示;通过交叉网络对预测任务进行特征编码,得到第二指定层网络编码后的特征表示;将第一指定层网络编码后的特征表示和第二指定层网络编码后的特征表示连接,并通过前反馈神经网络进行任务预测;通过门机制,将上层标签预测有用的特征传递到下一层预测任务中,将上层的特征和本层的特征进行融合以产生本层的层次化特征,用于本层的预测分类任务;通过第一预测分类任务完成问题推荐一级标签的预测任务,通过第二预测分类任务完成问题推荐二级标签的预测任务,通过第三预测分类任务完成问题推荐标准问题的预测任务,完成问题推荐模型的训练,得到训练后的问题推荐模型。
其中,标准问题点击详情用于表示在模型训练过程中标准问题是否被点击。进一步地,可选的,通过深度神经网络对预测任务进行特征编码,得到第一指定层网络编码后的特征表示包括:
其中,x0为所述用户画像的特征向量和所述用户行为轨迹的特征向量连接后的特
征向量,为第一指定层网络编码后的特征表示,为第一指定层的上一层网络编码
后的特征表示,为权重参数,为偏置项,ReLu为非线性函数,为
DNN网络的层数。
可选的,将第一指定层网络编码后的特征表示和第二指定层网络编码后的特征表示连接,并通过前反馈神经网络进行任务预测包括:
可选的,通过门机制,将上层标签预测有用的特征传递到下一层预测任务中,将上层的特征和本层的特征进行融合以产生本层的层次化特征,用于本层的预测分类任务包括:
步骤S108,依据用户请求信息中的用户行为轨迹和用户画像通过训练后的问题推荐模型从标准问题数据集中得到目标问题。
综上,结合步骤S100至步骤S108,图2为本发明实施例一提供的一种问题生成的方法中问题生成的示意图;如图2所示,本申请实施例提供的问题的生成方法中通过获取问题推荐数据集中的用户画像、用户行为轨迹、标准问题点击详情、标准问题,以及标准问题对应的多级标签体系,对标准问题文本进行分词,获得标准问题文本的词语级向量表示,对用户行为轨迹和用户画像进行特征编码,获得用户行为轨迹及用户画像的特征向量表示,将标准问题文本的词语级向量表示、用户行为轨迹及用户画像的特征向量表示输入多级标签的问题推荐模型中进行模型训练,寻找最优参数,保存最优模型,依据该最优模型根据用户行为轨迹和用户画像从标准问题数据集中找到用户最想询问的标准问题(即,本申请实施例中的目标问题)。
本申请实施例提供的问题的生成方法在模型训练过程具体实施如下:
其中,如图3所示,图3为本发明实施例一提供的一种问题生成的方法中模型训练的示意图。
步骤三:在进行标准问题一级标签和二级标签预测任务时:
其中,x0为所述用户画像的特征向量和所述用户行为轨迹的特征向量连接后的特征向量;
在进行标准问题的预测任务时:
步骤六:将左侧和右侧得到的两个特征表示直接concat起来,使用一个前馈神经网络来进行任务的预测,具体的计算过程如下:
步骤七:在多任务学习框架下,我们通过门机制,将上层标签预测有用的特征传递到下一层预测任务中,将上层的特征和本层的特征进行融合以产生本层的层次化特征,用于本层的预测分类任务,具体的计算过程如下:
步骤八:最后我们使用来完成问题推荐一级标签的预测任务,来完成问题
推荐二级标签的预测任务,来完成问题推荐标准问题的推荐预测任务,在训练过程中我
们使用负对数似然函数来作为损失函数。则最终的Loss函数为一级标签、二级标签和标准
问题预测的多任务loss之和为:
步骤九:使用问题推荐数据集对一种融合多级标签知识的多任务问题推荐方法进行模型训练,选择在开发集上F1指标最好的模型进行保存,该模型能够精准的推荐给用户他想要询问的标准问题。
本发明实施例提供了一种问题生成的方法,通过获取问题推荐数据集中的用户画像、用户行为轨迹、标准问题点击详情、标准问题和标准问题对应的多级标签体系;依据标准问题,获取标准问题的词语级向量;通过对用户画像和用户行为轨迹进行编码,得到用户画像的特征向量和用户行为轨迹的特征向量;依据标准问题点击详情、标准问题对应的多级标签体系、词语级向量、用户画像的特征向量和用户行为轨迹的特征向量对问题推荐模型进行训练,得到训练后的问题推荐模型;依据用户请求信息中的用户行为轨迹和用户画像通过训练后的问题推荐模型从标准问题数据集中得到目标问题,从而能够实现有效捕捉层级依赖关系,通过共享信息,相互补充来提升问题推荐的精确度的技术效果。
实施例二
第二方面,本发明实施例提供一种问题生成的装置,图4为本发明实施例二提供的一种问题生成的装置的示意图,如图4所示,本申请实施例提供的问题生成的装置包括:获取模块40,用于获取问题推荐数据集中的用户画像、用户行为轨迹、标准问题点击详情、标准问题和标准问题对应的多级标签体系;第一向量获取模块42,用于依据标准问题,获取标准问题的词语级向量;第二向量获取模块44,用于通过对用户画像和用户行为轨迹进行编码,得到用户画像的特征向量和用户行为轨迹的特征向量;模型训练模块46,用于依据标准问题点击详情、标准问题对应的多级标签体系、词语级向量、用户画像的特征向量和用户行为轨迹的特征向量对问题推荐模型进行训练,得到训练后的问题推荐模型;问题生成模块48,用于依据用户请求信息中的用户行为轨迹和用户画像通过训练后的问题推荐模型从标准问题数据集中得到目标问题。
可选的,第一向量获取模块42包括:文本生成单元,用于依据标准问题生成标准问题文本;向量获取单元,用于对标准问题文本进行编码,得到标准问题文本的词语级向量。
本发明实施例提供了一种问题生成的装置,通过获取问题推荐数据集中的用户画像、用户行为轨迹、标准问题点击详情、标准问题和标准问题对应的多级标签体系;依据标准问题,获取标准问题的词语级向量;通过对用户画像和用户行为轨迹进行编码,得到用户画像的特征向量和用户行为轨迹的特征向量;依据标准问题点击详情、标准问题对应的多级标签体系、词语级向量、用户画像的特征向量和用户行为轨迹的特征向量对问题推荐模型进行训练,得到训练后的问题推荐模型;依据用户请求信息中的用户行为轨迹和用户画像通过训练后的问题推荐模型从标准问题数据集中得到目标问题,从而能够实现有效捕捉层级依赖关系,通过共享信息,相互补充来提升问题推荐的精确度的技术效果。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.一种问题生成的方法,其特征在于,包括:
获取问题推荐数据集中的用户画像、用户行为轨迹、标准问题点击详情、标准问题和标准问题对应的多级标签体系;
依据所述标准问题,获取所述标准问题的词语级向量;
通过对所述用户画像和所述用户行为轨迹进行编码,得到所述用户画像的特征向量和所述用户行为轨迹的特征向量;
依据所述标准问题点击详情、所述标准问题对应的多级标签体系、所述词语级向量、所述用户画像的特征向量和所述用户行为轨迹的特征向量对问题推荐模型进行训练,得到训练后的所述问题推荐模型;
依据用户请求信息中的用户行为轨迹和用户画像通过训练后的所述问题推荐模型从标准问题数据集中得到目标问题。
2.根据权利要求1所述的问题生成的方法,其特征在于,所述依据所述标准问题,获取所述标准问题的词语级向量包括:
依据所述标准问题生成标准问题文本;
对所述标准问题文本进行编码,得到所述标准问题文本的词语级向量。
4.根据权利要求1所述的问题生成的方法,其特征在于,所述通过对所述用户画像和所述用户行为轨迹进行编码,得到所述用户画像的特征向量和所述用户行为轨迹的特征向量包括:
分别获取所述用户画像的用户画像特征和所述用户行为轨迹的用户行为特征;
对所述用户画像特征和所述用户行为特征中的类别特征以及数值特征值作为特征编码进行嵌入编码, 得到所述用户画像的特征向量和所述用户行为轨迹的特征向量。
5.根据权利要求1所述的问题生成的方法,其特征在于,所述依据所述标准问题点击详情、所述标准问题对应的多级标签体系、所述词语级向量、所述用户画像的特征向量和所述用户行为轨迹的特征向量对问题推荐模型进行训练,得到训练后的所述问题推荐模型包括:
依据所述用户画像的特征向量和所述用户行为轨迹的特征向量进行所述多级标签体系中的一级标签和二级标签的第一预测任务;
依据所述用户画像的特征向量、所述用户行为轨迹的特征向量和所述词语级向量进行标准问题的预测任务;
通过深度神经网络对所述预测任务进行特征编码,得到第一指定层网络编码后的特征表示;
通过交叉网络对所述预测任务进行特征编码,得到第二指定层网络编码后的特征表示;
将所述第一指定层网络编码后的特征表示和所述第二指定层网络编码后的特征表示连接,并通过前反馈神经网络进行任务预测;
通过门机制,将上层标签预测有用的特征传递到下一层预测任务中,将上层的特征和本层的特征进行融合以产生本层的层次化特征,用于本层的预测分类任务;
通过第一预测分类任务完成问题推荐一级标签的预测任务,通过第二预测分类任务完成问题推荐二级标签的预测任务,通过第三预测分类任务完成问题推荐标准问题的预测任务,完成问题推荐模型的训练,得到训练后的所述问题推荐模型。
9.一种问题生成的装置,其特征在于,包括:
获取模块,用于获取问题推荐数据集中的用户画像、用户行为轨迹、标准问题点击详情、标准问题和标准问题对应的多级标签体系;
第一向量获取模块,用于依据所述标准问题,获取所述标准问题的词语级向量;
第二向量获取模块,用于通过对所述用户画像和所述用户行为轨迹进行编码,得到所述用户画像的特征向量和所述用户行为轨迹的特征向量;
模型训练模块,用于依据所述标准问题点击详情、所述标准问题对应的多级标签体系、所述词语级向量、所述用户画像的特征向量和所述用户行为轨迹的特征向量对问题推荐模型进行训练,得到训练后的所述问题推荐模型;
问题生成模块,用于依据用户请求信息中的用户行为轨迹和用户画像通过训练后的所述问题推荐模型从标准问题数据集中得到目标问题。
10.根据权利要求9所述的问题生成的装置,其特征在于,所述第一向量获取模块包括:
文本生成单元,用于依据所述标准问题生成标准问题文本;
向量获取单元,用于对所述标准问题文本进行编码,得到所述标准问题文本的词语级向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211714287.5A CN115659058B (zh) | 2022-12-30 | 2022-12-30 | 问题生成的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211714287.5A CN115659058B (zh) | 2022-12-30 | 2022-12-30 | 问题生成的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115659058A true CN115659058A (zh) | 2023-01-31 |
CN115659058B CN115659058B (zh) | 2023-04-11 |
Family
ID=85023013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211714287.5A Active CN115659058B (zh) | 2022-12-30 | 2022-12-30 | 问题生成的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659058B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260472A1 (en) * | 2017-03-10 | 2018-09-13 | Eduworks Corporation | Automated tool for question generation |
CN110399492A (zh) * | 2019-07-22 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 针对用户问句的问题分类模型的训练方法和装置 |
US20190354848A1 (en) * | 2018-05-15 | 2019-11-21 | Sap Se | Automated question generation using semantics and deep learning |
CN111400471A (zh) * | 2020-03-13 | 2020-07-10 | 江苏满运软件科技有限公司 | 问题推荐方法、系统、电子设备和存储介质 |
CN112464100A (zh) * | 2020-12-14 | 2021-03-09 | 未来电视有限公司 | 信息推荐模型训练方法、信息推荐方法、装置及设备 |
CN112667714A (zh) * | 2021-03-17 | 2021-04-16 | 腾讯科技(深圳)有限公司 | 基于深度学习的用户画像优化方法、装置及存储介质 |
WO2021081837A1 (zh) * | 2019-10-30 | 2021-05-06 | 深圳市欢太科技有限公司 | 模型构建方法、分类方法、装置、存储介质及电子设备 |
CN114072782A (zh) * | 2020-05-29 | 2022-02-18 | 京东方科技集团股份有限公司 | 问题推荐方法及装置、系统和电子设备、可读存储介质 |
CN114254070A (zh) * | 2020-09-25 | 2022-03-29 | 阿里巴巴集团控股有限公司 | 问题推荐方法和装置 |
CN114398909A (zh) * | 2022-01-18 | 2022-04-26 | 中国平安人寿保险股份有限公司 | 用于对话训练的问题生成方法、装置、设备和存储介质 |
CN114443942A (zh) * | 2020-11-04 | 2022-05-06 | 航天信息股份有限公司 | 一种标准问题推荐方法、装置、介质和设备 |
CN115455169A (zh) * | 2022-10-31 | 2022-12-09 | 杭州远传新业科技股份有限公司 | 一种基于词汇知识和语义依存的知识图谱问答方法和系统 |
-
2022
- 2022-12-30 CN CN202211714287.5A patent/CN115659058B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260472A1 (en) * | 2017-03-10 | 2018-09-13 | Eduworks Corporation | Automated tool for question generation |
US20190354848A1 (en) * | 2018-05-15 | 2019-11-21 | Sap Se | Automated question generation using semantics and deep learning |
CN110399492A (zh) * | 2019-07-22 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 针对用户问句的问题分类模型的训练方法和装置 |
WO2021081837A1 (zh) * | 2019-10-30 | 2021-05-06 | 深圳市欢太科技有限公司 | 模型构建方法、分类方法、装置、存储介质及电子设备 |
CN111400471A (zh) * | 2020-03-13 | 2020-07-10 | 江苏满运软件科技有限公司 | 问题推荐方法、系统、电子设备和存储介质 |
CN114072782A (zh) * | 2020-05-29 | 2022-02-18 | 京东方科技集团股份有限公司 | 问题推荐方法及装置、系统和电子设备、可读存储介质 |
CN114254070A (zh) * | 2020-09-25 | 2022-03-29 | 阿里巴巴集团控股有限公司 | 问题推荐方法和装置 |
CN114443942A (zh) * | 2020-11-04 | 2022-05-06 | 航天信息股份有限公司 | 一种标准问题推荐方法、装置、介质和设备 |
CN112464100A (zh) * | 2020-12-14 | 2021-03-09 | 未来电视有限公司 | 信息推荐模型训练方法、信息推荐方法、装置及设备 |
CN112667714A (zh) * | 2021-03-17 | 2021-04-16 | 腾讯科技(深圳)有限公司 | 基于深度学习的用户画像优化方法、装置及存储介质 |
CN114398909A (zh) * | 2022-01-18 | 2022-04-26 | 中国平安人寿保险股份有限公司 | 用于对话训练的问题生成方法、装置、设备和存储介质 |
CN115455169A (zh) * | 2022-10-31 | 2022-12-09 | 杭州远传新业科技股份有限公司 | 一种基于词汇知识和语义依存的知识图谱问答方法和系统 |
Non-Patent Citations (5)
Title |
---|
WEI LI等: "Multi-level Gated Recurrent Neural Network for Dialog Act Classification" * |
叶超: "问答社区中的问题推荐方法研究" * |
安毫亿: "面向法律案例模拟系统评价的句子匹配实现方法研究" * |
王皓宇: "基于深度学习的在线问答社区问题标签推荐研究" * |
郭喻栋;郭志刚;席耀一;: "基于降噪自编码器网络与词向量的信息推荐方法" * |
Also Published As
Publication number | Publication date |
---|---|
CN115659058B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363745A (zh) | 机器人客服转人工客服的方法和装置 | |
CN113065358B (zh) | 面向银行咨询服务基于多粒度对齐的文本对语义匹配方法 | |
CN111309887B (zh) | 一种训练文本关键内容提取模型的方法和系统 | |
CN109740160B (zh) | 一种基于人工智能语义分析的任务发布方法 | |
CN108021934A (zh) | 多要素识别的方法及装置 | |
CN111353013A (zh) | 一种智能投顾的实现方法及系统 | |
CN110399472B (zh) | 面试提问提示方法、装置、计算机设备及存储介质 | |
CN111324738B (zh) | 一种确定文本标签的方法和系统 | |
CN110110372B (zh) | 一种用户时序行为自动切分预测方法 | |
CN114386436B (zh) | 文本数据的分析方法、模型训练方法、装置及计算机设备 | |
CN110377733A (zh) | 一种基于文本的情绪识别方法、终端设备及介质 | |
CN114547475A (zh) | 一种资源推荐方法、装置及系统 | |
WO2023231513A1 (zh) | 对话内容的生成方法及装置、存储介质、终端 | |
CN110489730A (zh) | 文本处理方法、装置、终端及存储介质 | |
Bashir et al. | Hesitant probabilistic fuzzy preference relations in decision making | |
Joshi et al. | A new approach in multiple attribute decision making using exponential hesitant fuzzy entropy | |
CN110827078B (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
CN117235264A (zh) | 文本处理方法、装置、设备和计算机可读存储介质 | |
CN115659058B (zh) | 问题生成的方法和装置 | |
CN111353728A (zh) | 一种风险分析方法和系统 | |
CN114357284B (zh) | 基于深度学习的众包任务个性化推荐方法和系统 | |
CN111382232A (zh) | 问答信息处理方法、装置及计算机设备 | |
Ocampo et al. | A sustainable manufacturing strategy from different strategic responses under uncertainty | |
CN114692649A (zh) | 一种利用多视角信息的自动回答文本生成方法 | |
CN114067139A (zh) | 一种相似物品的搜索方法及装置、计算机可读存储介质 |
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 |