CN115952260A - 汽车领域问答方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明涉及汽车服务技术领域，提供一种汽车领域问答方法、装置、电子设备及存储介质，该方法获取用户针对目标车辆的查询语句；然后将查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果；最后基于识别结果，在目标车辆对应的目标知识图谱中查找查询语句对应的目标答案。该方法利用目标知识图谱确定用户查询语句的答案，不仅能够帮助用户快速了解到目标车辆的相关知识，以一站解决用户对目标车辆的相关知识的各种问答，还可以节省用户获取目标车辆的相关知识的时间，提高服务效率，提升用户体验。此外，由于对查询语句分别进行命名实体识别、意图识别以及句式类型识别，借助于识别结果，可以进一步提高目标答案的查找效率。

Description

汽车领域问答方法、装置、电子设备及存储介质

技术领域

本发明涉及汽车服务技术领域，尤其涉及一种汽车领域问答方法、装置、电子设备及存储介质。

背景技术

现代生活用车场景中，用户使用车辆过程时，对功能使用、参数配置、故障维修、车辆保养等知识了解度薄弱，如何让用户在用车场景下及时获取自己想要的用车知识是用车场景下亟待解决的问题。

现有的车辆用车场景下，为保证用户及时获取自己想要的用车知识，通常在客户端开发电子手册专栏，用户可以在该专栏下进行搜索进而得到自己想要的用车知识。或者，运用常见问题解答(Frequently Asked Questions，FAQ)的方式，维护用户可能问到的问题语料，并在客户端通过智能问答的方式进行问答。

但是，直接提供一个电子手册让用户检索，从根本上没有解决用户查询耗时且阅读不便的痛点。而运用FQA的方式，则会增加问题语料资源的维护工作，需要根据用户的问答持续投入资源制作，成本较高。

发明内容

本发明提供一种汽车领域问答方法、装置、电子设备及存储介质，用以解决现有技术中存在的缺陷。

本发明提供一种汽车领域问答方法，包括：

获取用户针对目标车辆的查询语句；

将所述查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果；

基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案；

其中，所述目标知识图谱基于所述目标车辆的电子使用手册与通用车辆知识图谱进行知识融合构建。

根据本发明提供的一种汽车领域问答方法，所述识别结果包括命名实体、意图信息以及句式类型信息；

所述基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案，包括：

基于所述意图信息，确定所述命名实体的属性信息；

基于所述查询语句，将所述命名实体与所述目标知识图谱进行实体链接，并基于所述属性信息，确定所述目标知识图谱中与所述命名实体匹配的候选实体；

从所述目标知识图谱中确定所述候选实体对应的属性值，并基于所述句式类型信息以及所述属性值，确定所述目标答案。

根据本发明提供的一种汽车领域问答方法，所述基于所述查询语句，将所述命名实体与所述目标知识图谱进行实体链接，包括：

基于所述意图信息，判断所述查询语句是否涉及故障问题；

若所述查询语句涉及故障问题，则对所述查询语句中涉及的故障问题进行分类，得到分类结果；

基于所述分类结果以及所述查询语句，将所述命名实体与所述目标知识图谱进行实体链接。

根据本发明提供的一种汽车领域问答方法，所述将所述查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果，包括：

将所述查询语句与问题语料进行匹配，得到匹配结果；

若所述匹配结果为空，则将所述查询语句输入至拒识模型，得到所述拒识模型输出的拒识结果；

若所述拒识结果为非拒识，则将所述查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到所述识别结果；

其中，所述拒识模型基于携带有领域标签的查询样本训练得到。

根据本发明提供的一种汽车领域问答方法，所述将所述查询语句进行自然语言理解，得到匹配结果，之后包括：

若所述匹配结果不为空，则将与所述查询语句匹配的目标问题语料对应的答案作为所述目标答案。

根据本发明提供的一种汽车领域问答方法，所述基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案，之后包括：

若所述目标答案为空，则与所述用户进行多轮对话，在每轮对话中将所述用户的输入信息进行上下文理解，得到理解结果；

基于所述理解结果，确定所述目标答案。

根据本发明提供的一种汽车领域问答方法，所述基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案，之后包括：

从多个维度统计预设时间段内的所述查询语句以及所述目标答案，得到统计结果；

基于统计结果，构建用户画像以及个性化知识卡片，并对所述目标知识图谱进行更新。

本发明还提供一种汽车领域问答装置，包括：

获取模块，用于获取用户针对目标车辆的查询语句；

识别模块，用于将所述查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果；

答案模块，用于基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案；

其中，所述目标知识图谱基于所述目标车辆的电子使用手册与通用车辆知识图谱进行知识融合构建。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的汽车领域问答方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的汽车领域问答方法。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的汽车领域问答方法。

本发明提供的汽车领域问答方法、装置、电子设备及存储介质，该方法首先获取用户针对目标车辆的查询语句；然后将查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果；最后基于识别结果，在目标车辆对应的目标知识图谱中查找查询语句对应的目标答案；该目标知识图谱基于目标车辆的电子使用手册与通用车辆知识图谱进行知识融合构建。该方法利用目标知识图谱确定用户查询语句的答案，不仅能够帮助用户快速了解到目标车辆的相关知识，以一站解决用户对目标车辆的相关知识的各种问答，还可以节省用户获取目标车辆的相关知识的时间，提高服务效率，提升用户体验。而且，该方法还可以降低服务成本，减少维护成本。此外，由于对查询语句分别进行命名实体识别、意图识别以及句式类型识别，借助于识别结果，可以进一步提高目标答案的查找效率。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术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，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是本发明提供的汽车领域问答方法的流程示意图之一；

图2是本发明提供的汽车领域问答方法的流程示意图之二；

图3是本发明提供的汽车领域问答方法的流程示意图之三；

图4是本发明提供的汽车领域问答装置的结构示意图；

图5是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中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。

由于现有的车辆用车场景下，为保证用户及时获取自己想要的用车知识，无论是在客户端开发电子手册专栏的方式，还是运用FAQ的方式，都无法很好的实现对用户查询内容的快速且准确地响应。而且，由于FAQ需要不断地增加问题语料资源的维护工作，增加维护成本。为此，本发明实施例中提供了一种汽车领域问答方法。

图1为本发明实施例中提供的一种汽车领域问答方法的流程示意图，如图1所示，该方法包括：

S1，获取用户针对目标车辆的查询语句；

S2，将所述查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果；

S3，基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案；

其中，所述目标知识图谱基于所述目标车辆的电子使用手册与通用车辆知识图谱进行知识融合构建。

具体地，本发明实施例中提供的汽车领域问答方法，是一种基于知识图谱的智能问答方法，该知识图谱是一种结构化知识库。该方法的执行主体为汽车领域问答装置，该装置可以是自然语言理解(Natural Language Understanding，NLU)引擎，可以提供知识图谱问答(Knowledge-based QA，KBQA)服务，例如该装置可以配置于车辆的中控设备内，即车机端。

首先执行步骤S1，获取用户针对目标车辆的查询语句。该用户可以是目标车辆的所有者或驾驶者，查询语句可以是文本形式也可以是语音形式，此处不作具体限定。该目标车辆可以是联网车。

然后执行步骤S2，将查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果。命名实体识别(Named Entity Recognition，NER)是指对查询语句进行槽位抽取，进而得到查询语句中的命名实体。命名实体是指查询语句中具有特定意义的实体，主要包括人名、地名、机构名以及专有名词等。

例如，查询语句为“汽车空调外循环进气口尺寸是多少”，槽位抽取结果为：汽车[空调@parts][外循环@features][进气口@parts][尺寸@attribute]是多少。其中，parts表示属于汽车的一部分，features表示特征，attribute表示属性。由此，命名实体包括汽车、空调以及进气口。

此处，命名实体识别可以通过NER模型实现，即可以将查询语句输入至NER模型，得到NER模型输出的查询语句中的命名实体。该NER模型既可以是成熟的命名实体识别模型，也可以通过携带有实体标签的语句样本对第一初始模型进行训练得到，该第一初始模型可以是BERT模型，也可以是其他神经网络模型，此处不作具体限定。该NER模型支持抽取的槽位可以全面覆盖汽车领域的实体。

意图识别是指查询语句的意图信息，用以确定命名实体的属性。例如查询语句为“空调怎么打开”，意图信息为“打开方法”，命名实体经由命名实体识别得到为空调，因此可以确定用户想要查询的是空调的打开方法的属性值。

此处，意图识别可以通过意图(intent)识别模型实现，即可以将查询语句输入至意图识别模型，得到意图识别模型输出的查询语句中的意图信息。可以理解的是，该意图识别模型既可以是成熟的意图识别模型，也可以通过携带有意图标签的语句样本对第二初始模型进行训练得到，该第二初始模型也可以是BERT模型或其他神经网络模型，此处不作具体限定。该意图识别模型可以支持大量意图信息的识别，可以精确定位用户的查询语句的属性。

将查询语句进行句式类型识别，是指对查询语句的句式类型进行分类，便于后续利用知识图谱据此做答案推导。查询语句的句式类型可以是一般疑问句、对比疑问句或判断疑问句等，也可以是陈述句，此处不作具体限定。例如，若查询语句为“空调怎么打开”，则其句式类型信息为一般疑问句，若查询语句为“宝马和奔驰哪个好”，则其句式类型信息为对比疑问句，若查询语句为“我的车是油电混合的吗”，则其句式类型信息为判断疑问句，若查询语句为“提供一下刹车片型号”，则其句式类型信息为陈述句。

此处，句式类型识别可以通过句式类型(querytype)识别模型实现，即可以将查询语句输入至句式类型识别模型，得到句式类型识别模型输出的查询语句的句式类型信息。可以理解的是，该句式类型识别模型既可以是成熟的句式类型识别模型，也可以通过携带有句式类型标签的语句样本对第三初始模型进行训练得到，该第三初始模型可以是BLSTM+attention模型或其他深度学习模型，此处不作具体限定。

上述三种识别操作后，得到识别结果，该识别结果可以包括命名实体识别得到的命名实体、意图识别得到的意图信息以及句式类型识别得到的句式类型信息。

最后执行步骤S3，根据步骤S2得到的识别结果，在目标车辆对应的目标知识图谱中查找查询语句对应的目标答案。该目标知识图谱可以通过目标车辆的电子使用手册与通用车辆知识图谱进行知识融合构建得到。

在构建目标知识图谱时，可以先根据数据标注平台对语句样本进行标注，得到语句样本中的知识标签。该数据标注平台可以采用人工执行众包任务的方式实现，使该数据标注平台可以具有资源众包标注的能力以及支持其他需要众包数据的需求。

然后，利用模型训练平台，以携带有知识标签的语句样本作为训练样本进行基础模型的训练，得到知识抽取工具。基础模型的结构可以根据需要进行选定，该模型训练平台可以在基于知识库的智能问答服务中，具备自动训练、测试的能力。训练得到的知识抽取工具可以针对汽车手册中的半结构化、非结构化知识进行抽取，具备较高抽取效率，尽量在人工参与的情况下，完成对目标车辆的用车相关的目标知识图谱的构建。

此后，可以利用知识抽取工具对目标车辆的电子使用手册进行知识抽取，得到电子使用手册中的目标知识信息。进而，将目标知识信息与通用车辆知识图谱进行知识融合，即得到目标知识图谱。

可以理解的是，通用车辆知识图谱是指所有车辆共用的知识图谱或目标车辆的同类型车辆的已知知识图谱。在进行知识融合时，可以分别进行概念识别、概念抽取、实体识别、实体对齐、实体链接以及属性对齐，即可将目标知识信息融入进通用车辆知识图谱，得到目标知识图谱。

在执行步骤S3时，可以通过将识别结果中的命名实体与目标知识图谱进行实体链接，并通过识别结果中的意图信息确定命名实体的属性，进而得到查询语句对应的目标答案。此处，目标知识图谱中各节点可以是实体-属性-属性值构成的三元组，实体链接以及属性对齐后，得到目标知识图谱内与识别结果中命名实体对应的候选实体的三元组内的属性值。最后结合识别结果中的句式类型信息，将属性值转换为目标答案，并以合适的形式反馈给用户。例如，可以通过智能推荐的方式，让用户的用车问题以更加智能化的方式得到解决。目标答案的推荐方式可以是文本形式推荐，也可以是语音形式推荐，还可以是二者结合，此处不作具体限定。

本发明实施例中提供的汽车领域问答方法，首先获取用户针对目标车辆的查询语句；然后将查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果；最后基于识别结果，在目标车辆对应的目标知识图谱中查找查询语句对应的目标答案；该目标知识图谱基于目标车辆的电子使用手册与通用车辆知识图谱进行知识融合构建。该方法利用目标知识图谱确定用户查询语句的答案，不仅能够帮助用户快速了解到目标车辆的相关知识，以一站解决用户对目标车辆的相关知识的各种问答，还可以节省用户获取目标车辆的相关知识的时间，提高服务效率，提升用户体验。而且，该方法还可以降低服务成本，减少维护成本。此外，由于对查询语句分别进行命名实体识别、意图识别以及句式类型识别，借助于识别结果，可以进一步提高目标答案的查找效率。

在上述实施例的基础上，本发明实施例中提供的汽车领域问答方法，所述识别结果包括命名实体、意图信息以及句式类型信息；

所述基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案，包括：

基于所述意图信息，确定所述命名实体的属性信息；

基于所述查询语句，将所述命名实体与所述目标知识图谱进行实体链接，并基于所述属性信息，确定所述目标知识图谱中与所述命名实体匹配的候选实体；

从所述目标知识图谱中确定所述候选实体对应的属性值，并基于所述句式类型信息以及所述属性值，确定所述目标答案。

具体地，由于识别结果包括命名实体、意图信息以及句式类型信息，因此在基于识别结果，在目标车辆对应的目标知识图谱中查找查询语句对应的目标答案时，可以先根据意图信息，确定出命名实体的属性信息。此后，可以利用查询语句，将命名实体与目标知识图谱进行实体链接，确定出目标知识图谱中与命名实体匹配的初始实体。此处，初始实体可以包括一个或多个。确定初始实体的过程，可以通过计算目标知识图谱中各实体与命名实体之间的特征距离实现，并将目标知识图谱中特征距离小于预设距离的实体作为初始实体。

此后，可以根据属性信息，确定出目标知识图谱中与命名实体匹配的候选实体，即可以利用属性信息以及目标知识图谱中各三元组内的属性，将命名实体与目标知识图谱中各初始实体进行属性对齐，得到候选实体。

最后，可以从目标知识图谱中确定候选实体对应的属性值，即确定目标知识图谱中候选实体的三元组内的属性值。进而，可以根据句式类型信息以及属性值，确定目标答案。此处，可以借助于句式类型信息，将属性值转换为目标答案，并以合适的形式反馈给用户。例如，若查询语句为“我的车是油电混合的吗”，则其句式类型信息为判断疑问句，若属性值可以是“目标车辆为烧油车”等，则目标答案可以为“不是的，您的车是烧油车”。

本发明实施例中，结合识别结果中的命名实体、意图信息以及句式类型信息，确定目标答案，可以提高目标答案的确定效率，使用户的查询语句得到及时响应。

在上述实施例的基础上，本发明实施例中提供的汽车领域问答方法，所述基于所述查询语句，将所述命名实体与所述目标知识图谱进行实体链接，包括：

基于所述意图信息，判断所述查询语句是否涉及故障问题；

若所述查询语句涉及故障问题，则对所述查询语句中涉及的故障问题进行分类，得到分类结果；

基于所述分类结果以及所述查询语句，将所述命名实体与所述目标知识图谱进行实体链接。

具体地，在基于识别结果，在目标车辆对应的目标知识图谱中查找查询语句对应的目标答案，或者基于查询语句，将命名实体与目标知识图谱进行实体链接时，可以先根据意图信息，判断查询语句是否涉及故障问题，即通过意图信息判断用户是否是要查询关于目标车辆的故障问题。

若查询语句涉及故障问题，则说明用户要查询关于目标车辆的故障问题，此时可以进一步对查询语句中涉及的故障问题进行分类，得到分类结果。在分类时，可以将查询语句输入故障分类模型，得到故障分类模型输出的分类结果。该故障分类模型可以通过携带有故障类型标签的语句样本对第四初始模型进行训练得到，该第四初始模型可以根据需要进行选定，例如可以是BERT模型。

例如，查询语句为“发动机咔咔响”或“发动机咚咚响”，此时得到的分类结果可以是“发动机异响”。

在对第四初始模型进行训练时，可以先将语句样本输入至第四初始模型，得到第四初始模型输出的预测结果，然后根据预测结果与故障类型标签，计算损失函数值，最后根据损失函数值，更新第四初始模型的模型参数；迭代执行上述的输入过程以及计算过程，直至损失函数收敛或达到预设迭代次数，得到故障分类模型。本发明实施例中，该故障分类模型可以支持大几十种故障的分类。

此后，结合分类结果以及识别结果，在目标车辆对应的目标知识图谱中查找查询语句对应的目标答案。更具体地，结合分类结果以及查询语句，将命名实体与目标知识图谱进行实体链接。在进行实体链接时，可以不需要对命名实体中的故障类实体进行实体链接，进而可以大大缓解故障类实体的实体链接难度，进而降低确定目标答案的难度。

在上述实施例的基础上，本发明实施例中提供的汽车领域问答方法，所述基于所述查询语句，将所述命名实体与所述目标知识图谱进行实体链接，还包括：

将所述命名实体进行实体模糊，得到实体模糊结果；

基于所述查询语句以及所述实体模糊结果，将所述命名实体与所述目标知识图谱进行实体链接。

具体地，为提高实体链接成功率，可以先根据字面相似度和拼音相似度将命名实体映射到一个标准实体名上，实现实体模糊。例如，查询语句中的命名实体为“定速寻航”，则得到的实体模糊结果为“定速巡航”。进而，结合查询语句以及实体模糊结果，可以快速准确地将命名实体与目标知识图谱进行实体链接。

在上述实施例的基础上，本发明实施例中提供的汽车领域问答方法，所述将所述查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果，包括：

将所述查询语句与问题语料进行匹配，得到匹配结果；

若所述匹配结果为空，则将所述查询语句输入至拒识模型，得到所述拒识模型输出的拒识结果；

若所述拒识结果为非拒识，则将所述查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到所述识别结果；

其中，所述拒识模型基于携带有领域标签的查询样本训练得到。

具体地，在将查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果时，可以先将查询语句与问题语料进行匹配进行，得到匹配结果。该自然语言理解的过程，该匹配过程，可以是定制说法匹配的过程，可以通过FAQ模型实现。该FAQ模型可以通过对大量不同用户的问题语料及对应的答案进行构建。

该FAQ模型可以具有给出百科知识答案、进行多轮对话的上下文理解以及多轮对话的故障查询引导等多种技能。其中，给出百科知识答案时，查询语句可以是介绍零部件等基本功能的语句。

若匹配结果为空，说明查询语句与问题语料不匹配，则进一步将查询语句输入至拒识模型，得到拒识模型输出的拒识结果。该拒识模型用于判断查询语句涉及的查询内容是否属于汽车领域的用车场景，即通过目标知识图谱是否能够给出目标答案。该拒识模型得到的拒识结果可以包括拒识和非拒识，拒识则表示该查询内容不属于汽车领域的用车场景，非拒识则表示该查询内容属于汽车领域的用车场景。拒识结果可以通过模型得分进行表示，模型得分高于或等于预设阈值，表示拒识，模型得分低于预设阈值，则表示非拒识。

该拒识模型可以通过携带有领域标签的查询样本对第五初始模型进行训练得到。在对第五初始模型进行训练时，可以先将查询样本输入至第五初始模型，得到由第五初始模型输出的检测结果，然后通过领域标签以及检测结果计算损失函数，当损失函数收敛时即得到训练好的拒识模型。

此后，在拒识模型得到的拒识结果为非拒识时，则将查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果。

在拒识模型得到拒识结果之后，还可以引入人工干预，通过人工将查询语句与拒识黑名单和拒识白名单进行比对，若查询语句存在于拒识黑名单，且拒识结果为拒识，则最终认为不对该查询语句进行回答，输出提示信息；若查询语句存在于拒识白名单，且拒识结果为非拒识，则最终认为需要对该查询语句进行回答，即继续将查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果，并基于识别结果，在目标车辆对应的目标知识图谱中查找查询语句对应的目标答案。

也就是说，本发明实施例中，可以不直接对查询语句分别进行命名实体识别、意图识别以及句式类型识别，而是先利用FAQ模型和拒识模型进行筛选，满足筛选条件，即FAQ模型输出的第一理解结果为空且拒识模型输出的拒识结果为非拒识的情况下，才将查询语句分别进行命名实体识别、意图识别以及句式类型识别。如此可以大大降低命名实体识别、意图识别以及句式类型识别的工作量，进而提高对用户的查询语句的响应速度。

在上述实施例的基础上，本发明实施例中提供的汽车领域问答方法，所述将所述查询语句与问题语料进行匹配，得到匹配结果，之后包括：若所述匹配结果不为空，则将与所述查询语句匹配的目标问题语料对应的答案作为所述目标答案。

具体地，在将查询语句与问题语料进行匹配，得到匹配结果时，若匹配结果不为空，说明存在与查询语句匹配的目标问题语料，则可以利用该匹配结果确定目标答案。进而，可以将目标问题语料对应的答案作为目标答案提供给用户。

本发明实施例中，在匹配结果不为空的情况下，可以根据匹配结果确定目标答案，可以减少对查询语句进行命名实体识别、意图识别以及句式类型识别的过程，缩短确定目标答案所需的时长，提高对用户的查询语句的响应效率。

在上述实施例的基础上，本发明实施例中提供的汽车领域问答方法，所述将所述查询语句输入至拒识模型，得到所述拒识模型输出的拒识结果，之后包括：

若所述拒识结果为拒识，则输出提示信息，以提示用户该查询语句不属于汽车领域，无法给出目标答案。

在上述实施例的基础上，本发明实施例中提供的汽车领域问答方法，所述基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案，之后包括：

若所述目标答案为空，则与所述用户进行多轮对话，在每轮对话中将所述用户的输入信息进行上下文理解，得到理解结果；

基于所述理解结果，确定所述目标答案。

具体地，在基于识别结果，在目标车辆对应的目标知识图谱中查找查询语句对应的目标答案时，可能出现目标答案为空的情况，即虽然查询语句属于汽车领域的用车场景，但是无法给出目标答案。此时，需要与用户进行多轮对话，以引导用户给出更多的输入信息，有助于目标答案的确定。在每轮对话中，需要将用户的输入信息进行上下文理解，得到理解结果。此后，根据理解结果，确定出目标答案。

其中，上下文理解的过程也可以通过上述的FAQ模型实现，即若理解结果为空，则继续通过将查询语句分别进行命名实体识别、意图识别以及句式类型识别的方式确定目标答案。若理解结果不为空，则选取与理解结果匹配的问题语料对应的答案作为目标答案提供给用户。

在上述实施例的基础上，本发明实施例中提供的汽车领域问答方法，所述基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案，之后包括：

从多个维度统计预设时间段内的所述查询语句以及所述目标答案，得到统计结果；

基于统计结果，构建用户画像以及个性化知识卡片，并对所述目标知识图谱进行更新。

具体地，在得到查询语句对应的目标答案之后，对于预设时间段内的查询语句以及目标答案而言，可以从多个维度进行统计，即将预设时间段内的查询语句以及对应的目标答案进行分类，一个维度对应一类，例如关于零部件的功能查询、关于空调的控制查询。此外，还可以根据预设时间段内各类查询语句以及对应的目标答案的查询次数确定用户的高频关注点。

此后，根据得到的统计结果，构建用户画像以及个性化知识卡片。该用户画像可以进行大屏展示问答的趋势和详细信息，该个性化知识卡片可以通过用户的高频关注点制作。

此外，还可以根据统计结果，识别出用户喜好，通过人机耦合的方式对目标知识图谱进行更新，还可以对统计结果进行数据分析，进而对各模型进行更新，使更新后的目标知识图谱以及各模型效果更佳，进而提升问答效果。

如图2所示，在上述实施例的基础上，本发明实施例中提供的汽车领域问答方法，包括：

1)获取用户针对目标车辆的查询语句query；

2)将查询语句query进行定制说法匹配，即将查询语句query与问题语料进行匹配，得到匹配结果；若匹配结果为不为空，则执行步骤3)，若理解结果为空，则执行步骤4)；

3)进行后处理，即将与查询语句匹配的目标问题语料对应的答案作为目标答案；

4)将查询语句query输入至拒识模型，得到拒识结果；

5)进行人工干预，判断最终是否需要对查询语句query进行拒识，即是否需要对查询语句query进行回答；若需要对查询语句query进行拒识，即不需要对查询语句query进行回答，则执行步骤6)，若不能对查询语句query进行拒识，即需要对查询语句query进行回答，则执行步骤7)；

6)进行后处理，即输出提示信息；

7)将查询语句query分别经过命名实体识别模型、意图识别模型以及句式类别识别模型，得到命名实体、意图信息以及句式类别信息；

8)对命名实体进行实体模糊，得到实体模糊结果；基于意图信息，确定命名实体的属性信息；并基于意图信息判断所述查询语句是否涉及故障问题；若查询语句涉及故障问题，则利用故障分类模型对查询语句中涉及的故障问题进行分类，得到分类结果；

9)基于实体模糊结果、分类结果、属性信息以及句式类别信息，进行后处理，即在目标车辆对应的目标知识图谱中查找查询语句对应的目标答案：先基于查询语句以及实体模糊结果，将命名实体与目标知识图谱进行实体链接，然后基于属性信息，确定目标知识图谱中与命名实体匹配的候选实体，最后从目标知识图谱中确定候选实体对应的属性值，并基于句式类型信息以及属性值，确定目标答案。

如图3所示，在上述实施例的基础上，本发明实施例中提供的汽车领域问答方法，还包括：

借助于数据标注平台对语句样本进行标注，得到语句样本中的知识标签，为模型训练平台提供训练样本；

利用模型训练平台，以携带有知识标签的语句样本作为训练样本进行基础模型的训练，得到知识抽取工具；

利用知识抽取工具，对目标车辆的电子使用手册进行知识抽取，得到电子使用手册中的目标知识信息，进而将目标知识信息与通用车辆知识图谱进行知识融合，即得到目标知识图谱。在进行知识融合时，可以分别进行概念识别、概念抽取、实体识别、实体对齐、实体链接以及属性对齐等操作。

同样地，还可以利用模型训练平台，对命名实体识别模型、意图识别模型、句式类型识别模型、分类模型以及故障分类模型等涉及的各模型进行训练，进而可以提供KBQA服务，以实现目标车辆的车机端高可用的问答能力。

综上所述，本发明实施例中针对智能汽车领域的用户用车场景，以知识图谱构建方式为主线，通过知识众包、抽取、清洗和映射等多种方式将非结构化数据和半结构化数据转化为结构化数据，构建并沉淀目标知识图谱，并以FAQ为辅。提供用户从原来的手翻眼看的模式升级为口喊耳听眼看的模式。针对用户真实问答数据，通过大数据统计分析并补充知识图谱和优化智能问答语义理解模型，解决用户的最高频痛点，从而实现问答助手能力的闭环。

如图4所示，在上述实施例的基础上，本发明实施例中提供了一种汽车领域问答装置，包括：

获取模块41，用于获取用户针对目标车辆的查询语句；

识别模块42，用于将所述查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果；

答案模块43，用于基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案；

其中，所述目标知识图谱基于所述目标车辆的电子使用手册与通用车辆知识图谱进行知识融合构建。

在上述实施例的基础上，本发明实施例中提供的汽车领域问答装置，所述识别结果包括命名实体、意图信息以及句式类型信息；

所述答案模块，具体用于：

基于所述意图信息，确定所述命名实体的属性信息；

基于所述查询语句，将所述命名实体与所述目标知识图谱进行实体链接，并基于所述属性信息，确定所述目标知识图谱中与所述命名实体匹配的候选实体；

从所述目标知识图谱中确定所述候选实体对应的属性值，并基于所述句式类型信息以及所述属性值，确定所述目标答案。

在上述实施例的基础上，本发明实施例中提供的汽车领域问答装置，所述答案模块，具体用于：

基于所述意图信息，判断所述查询语句是否涉及故障问题；

若所述查询语句涉及故障问题，则对所述查询语句中涉及的故障问题进行分类，得到分类结果；

基于所述分类结果以及所述查询语句，将所述命名实体与所述目标知识图谱进行实体链接。

在上述实施例的基础上，本发明实施例中提供的汽车领域问答装置，所述识别模块，具体用于：

将所述查询语句与问题语料进行匹配，得到匹配结果；

若所述匹配结果为空，则将所述查询语句输入至拒识模型，得到所述拒识模型输出的拒识结果；

若所述拒识结果为非拒识，则将所述查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到所述识别结果；

其中，所述拒识模型基于携带有领域标签的查询样本训练得到。

在上述实施例的基础上，本发明实施例中提供的汽车领域问答装置，所述识别模块，还用于：

若所述匹配结果不为空，则将与所述查询语句匹配的目标问题语料对应的答案作为所述目标答案。

在上述实施例的基础上，本发明实施例中提供的汽车领域问答装置，还包括多轮对话模块，用于：

若所述目标答案为空，则与所述用户进行多轮对话，在每轮对话中将所述用户的输入信息进行上下文理解，得到理解结果；

基于所述理解结果，确定所述目标答案。

在上述实施例的基础上，本发明实施例中提供的汽车领域问答装置，还包括统计模块，用于：

从多个维度统计预设时间段内的所述查询语句以及所述目标答案，得到统计结果；

基于统计结果，构建用户画像以及个性化知识卡片，并对所述目标知识图谱进行更新。

具体地，本发明实施例中提供的汽车领域问答装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。

图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(Processor)510、通信接口(Communications Interface)520、存储器(Memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行上述各实施例中提供的汽车领域问答方法，该方法包括：获取用户针对目标车辆的查询语句；将所述查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果；基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案；其中，所述目标知识图谱基于所述目标车辆的电子使用手册与通用车辆知识图谱进行知识融合构建。

此外，上述的存储器530中的逻辑指令可以通过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取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例中提供的汽车领域问答方法，该方法包括：获取用户针对目标车辆的查询语句；将所述查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果；基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案；其中，所述目标知识图谱基于所述目标车辆的电子使用手册与通用车辆知识图谱进行知识融合构建。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例中提供的汽车领域问答方法，该方法包括：获取用户针对目标车辆的查询语句；将所述查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果；基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案；其中，所述目标知识图谱基于所述目标车辆的电子使用手册与通用车辆知识图谱进行知识融合构建。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种汽车领域问答方法，其特征在于，包括：

获取用户针对目标车辆的查询语句；

将所述查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果；

基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案；

其中，所述目标知识图谱基于所述目标车辆的电子使用手册与通用车辆知识图谱进行知识融合构建。

2.根据权利要求1所述的汽车领域问答方法，其特征在于，所述识别结果包括命名实体、意图信息以及句式类型信息；

所述基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案，包括：

基于所述意图信息，确定所述命名实体的属性信息；

基于所述查询语句，将所述命名实体与所述目标知识图谱进行实体链接，并基于所述属性信息，确定所述目标知识图谱中与所述命名实体匹配的候选实体；

从所述目标知识图谱中确定所述候选实体对应的属性值，并基于所述句式类型信息以及所述属性值，确定所述目标答案。

3.根据权利要求2所述的汽车领域问答方法，其特征在于，所述基于所述查询语句，将所述命名实体与所述目标知识图谱进行实体链接，包括：

基于所述意图信息，判断所述查询语句是否涉及故障问题；

若所述查询语句涉及故障问题，则对所述查询语句中涉及的故障问题进行分类，得到分类结果；

基于所述分类结果以及所述查询语句，将所述命名实体与所述目标知识图谱进行实体链接。

4.根据权利要求1-3中任一项所述的汽车领域问答方法，其特征在于，所述将所述查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果，包括：

将所述查询语句与问题语料进行匹配，得到匹配结果；

若所述匹配结果为空，则将所述查询语句输入至拒识模型，得到所述拒识模型输出的拒识结果；

若所述拒识结果为非拒识，则将所述查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到所述识别结果；

其中，所述拒识模型基于携带有领域标签的查询样本训练得到。

5.根据权利要求4所述的汽车领域问答方法，其特征在于，所述将所述查询语句进行自然语言理解，得到匹配结果，之后包括：

若所述匹配结果不为空，则将与所述查询语句匹配的目标问题语料对应的答案作为所述目标答案。

6.根据权利要求1-3中任一项所述的汽车领域问答方法，其特征在于，所述基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案，之后包括：

若所述目标答案为空，则与所述用户进行多轮对话，在每轮对话中将所述用户的输入信息进行上下文理解，得到理解结果；

基于所述理解结果，确定所述目标答案。

7.根据权利要求1-3中任一项所述的汽车领域问答方法，其特征在于，所述基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案，之后包括：

从多个维度统计预设时间段内的所述查询语句以及所述目标答案，得到统计结果；

基于统计结果，构建用户画像以及个性化知识卡片，并对所述目标知识图谱进行更新。

8.一种汽车领域问答装置，其特征在于，包括：

获取模块，用于获取用户针对目标车辆的查询语句；

识别模块，用于将所述查询语句分别进行命名实体识别、意图识别以及句式类型识别，得到识别结果；

答案模块，用于基于所述识别结果，在所述目标车辆对应的目标知识图谱中查找所述查询语句对应的目标答案；

其中，所述目标知识图谱基于所述目标车辆的电子使用手册与通用车辆知识图谱进行知识融合构建。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的汽车领域问答方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，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1-7中任一项所述的汽车领域问答方法。

Images