CN115982391B - 信息处理方法及装置 - Google Patents
信息处理方法及装置 Download PDFInfo
- Publication number
- CN115982391B CN115982391B CN202310263165.7A CN202310263165A CN115982391B CN 115982391 B CN115982391 B CN 115982391B CN 202310263165 A CN202310263165 A CN 202310263165A CN 115982391 B CN115982391 B CN 115982391B
- Authority
- CN
- China
- Prior art keywords
- intention
- node
- information
- entity
- text
- 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.)
- Active
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书提供信息处理方法及装置,其中所述信息处理方法包括:在知识图谱中确定实体节点以及与所述实体节点具有关联关系的意图节点;基于所述实体节点和所述意图节点确定问题文本;将所述问题文本作为样本,所述意图节点作为与所述样本对应的标签,对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型;基于所述实体节点和所述意图节点,将知识库更新为目标知识库;其中,所述目标知识库用于存储所述目标意图识别模型预测的至少一个意图信息,以及各意图信息与所述目标知识库中问题信息对应的映射关系。
Description
技术领域
本说明书涉及计算机技术领域,特别涉及信息处理方法。本说明书同时涉及信息处理装置,金融信息处理方法,金融信息处理装置,一种计算设备,以及一种计算机可读存储介质。
背景技术
随着计算机技术的发展,智能问答在越来越多的场景下得到广泛的应用,例如银行、电商、医疗领域的智能客服,人们工作、生活、学习过程中使用的智能助手等均能够高效、正确的为用户提供便捷的服务。
现有技术中,在知识问答场景下,通常是基于问题和答案进行模型训练,从而使得训练后的模型具有答案预测的能力,然而这种方法由于只基于确定的问题和答案进行预测,模型基于问题和答案学习到的“知识”有限,从而导致模型预测准确度不高,预测效率低。因此需要更有效的方法以解决上述问题。
发明内容
有鉴于此,本说明书实施例提供了一种信息处理方法。本说明书同时涉及一种信息处理装置,一种计算设备,以及一种计算机可读存储介质,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种信息处理方法,包括:
在知识图谱中确定实体节点以及与所述实体节点具有关联关系的意图节点;
基于所述实体节点和所述意图节点确定问题文本;
将所述问题文本作为样本,所述意图节点作为与所述样本对应的标签,对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型;
基于所述实体节点和所述意图节点,将知识库更新为目标知识库;
其中,所述目标知识库用于存储所述目标意图识别模型预测的至少一个意图信息,以及各意图信息与所述目标知识库中问题信息对应的映射关系。
根据本说明书实施例的第二方面,提供了一种信息查询方法,包括:
接收携带有问题查询文本的查询请求;
将所述问题查询文本输入至目标意图识别模型进行预测,获得与所述问题查询文本对应的预测意图信息;
基于所述预测意图信息查询所述目标知识库,根据查询结果确定答案信息,并作为所述查询请求的响应;
其中,所述目标意图识别模型和所述目标知识库通过上述方法确定。
根据本说明书实施例的第三方面,提供了一种金融信息处理方法,包括:
在金融知识图谱中确定实体节点以及与所述实体节点具有关联关系的意图节点;
基于所述实体节点和所述意图节点确定问题文本;
将所述问题文本作为样本,所述意图节点作为与所述样本对应的标签,对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型;
基于所述实体节点和所述意图节点,将金融知识库更新为目标金融知识库;
其中,所述目标金融知识库用于存储所述目标意图识别模型预测的至少一个意图信息,以及各意图信息与所述目标金融知识库中问题信息对应的映射关系。
可选地,所述方法,还包括:
接收携带有金融问题查询文本的查询请求;
基于所述查询请求,将所述金融问题查询文本输入至所述目标意图识别模型进行预测,获得与所述问题查询文本对应的预测意图信息;
基于所述预测意图信息查询所述目标金融知识库,根据查询结果确定答案信息,并作为所述查询请求的响应。
可选地,所述接收携带有金融问题查询文本的查询请求,包括:
接收客户端通过信息查询页面提交的金融问题查询文本的查询请求;
相应的,基于所述预测意图信息查询所述目标金融知识库,根据查询结果确定答案信息,并作为所述查询请求的响应步骤执行之后,还包括:
基于所述答案信息生成反馈信息,所述反馈信息用于将所述客户端展示的所述信息查询页面更新为包含所述答案信息的信息反馈页面。
根据本说明书实施例的第四方面,提供了一种信息处理装置,包括:
第一确定模块,被配置为在知识图谱中确定实体节点以及与所述实体节点具有关联关系的意图节点;
第二确定模块,被配置为基于所述实体节点和所述意图节点确定问题文本;
训练模块,被配置为将所述问题文本作为样本,所述意图节点作为与所述样本对应的标签,对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型;
更新模块,被配置为基于所述实体节点和所述意图节点,将知识库更新为目标知识库;其中,所述目标知识库用于存储所述目标意图识别模型预测的至少一个意图信息,以及各意图信息与所述目标知识库中问题信息对应的映射关系。
根据本说明书实施例的第五方面,提供了一种信息查询装置,包括:
接收模块,被配置为接收携带有问题查询文本的查询请求;
输入模块,被配置为将所述问题查询文本输入至目标意图识别模型进行预测,获得与所述问题查询文本对应的预测意图信息;
查询模块,被配置为基于所述预测意图信息查询所述目标知识库,根据查询结果确定答案信息,并作为所述查询请求的响应;其中,所述目标意图识别模型和所述目标知识库通过上述方法确定。
根据本说明书实施例的第六方面,提供了一种金融信息处理装置,包括:
第三确定模块,被配置为在金融知识图谱中确定实体节点以及与所述实体节点具有关联关系的意图节点;
第四确定模块,被配置为基于所述实体节点和所述意图节点确定问题文本;
模型训练模块,被配置为将所述问题文本作为样本,所述意图节点作为与所述样本对应的标签,对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型;
金融知识库更新模块,被配置为基于所述实体节点和所述意图节点,将金融知识库更新为目标金融知识库;其中,所述目标金融知识库用于存储所述目标意图识别模型预测的至少一个意图信息,以及各意图信息与所述目标金融知识库中问题信息对应的映射关系。
根据本说明书实施例的第七方面,提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该指令被处理器执行时实现所述信息处理方法的步骤。
根据本说明书实施例的第八方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现所述信息处理方法的步骤。
本说明书提供的信息处理方法,在知识图谱中确定实体节点以及与实体节点具有关联关系的意图节点;基于实体节点和意图节点确定问题文本;将问题文本作为样本,意图节点作为与样本对应的标签,对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型;基于实体节点和意图节点,将知识库更新为目标知识库;其中,目标知识库用于存储目标意图识别模型预测的至少一个意图信息,以及各意图信息与目标知识库中问题信息对应的映射关系。
本说明书一实施例基于知识图谱中包含的实体节点以及与实体节点具有关联关系的意图节点对意图识别模型进行训练,同时基于实体节点和意图节点更新知识库,从而使得目标知识库中包含目标意图模型预测出的意图信息,便于基于意图信息在知识库中确定答案,从而提高答案确定的准确性。将意图节点和实体节点链接起来进行模型训练,使得意图节点能够融合更多的意图信息和实体信息,使得训练后的模型识别准确度更高,结合意图识别模型和知识库进行预测进一步提高预测效率和准确度。
附图说明
图1示出了本说明书一实施例提供的一种信息处理方法的示意图;
图2示出了本说明书一实施例提供的一种信息处理方法的流程图;
图3示出了本说明书一实施例提供的一种应用于金融知识问答的信息处理方法的处理流程图;
图4示出了本说明书一实施例提供的一种信息处理方法的知识图谱示意图;
图5示出了本说明书一实施例提供的一种信息处理方法的处理示意图;
图6示出了本说明书一实施例提供的一种信息查询方法的流程图;
图7示出了本说明书一实施例提供的一种金融信息处理方法的流程图;
图8示出了本说明书一实施例提供的一种信息处理装置的结构示意图;
图9示出了本说明书一实施例提供的一种信息查询装置的结构示意图;
图10示出了本说明书一实施例提供的一种金融信息处理装置的结构示意图;
图11示出了本说明书一实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先,对本说明书一个或多个实施例涉及的名词术语进行解释。
知识图谱(Knowledge Graph),在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系;是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。
随着计算机技术的发展,智能问答在越来越多的场景下得到广泛的应用,例如银行、电商、医疗领域的智能客服,人们工作、生活、学习过程中使用的智能助手等均能够高效、正确的为用户提供便捷的服务,构建一个高效准确的问答系统能够为用户提供更便捷的服务。图1示出了本说明书一实施例提供的一种信息处理方法的示意图。
如图1所示,获取业务知识,基于业务知识构建知识图谱。在知识图谱中确定实体节点以及与实体节点具有关联关系的意图节点,基于实体节点和意图节点确定问题文本。将问题文本作为样本,将意图节点作为与样本对应的标签,进而由问题文本和意图节点组成样本对,基于样本对对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型。基于实体节点和意图节点,对知识库进行更新,将实体节点对应的实体信息以及意图节点对应的意图信息存储至知识库,从而将知识库更新为目标知识库。其中,目标知识库用于存储目标意图识别模型预测的至少一个意图信息,以及各意图信息与目标知识库中问题信息对应的映射关系。
基于知识图谱中包含的实体节点以及与实体节点具有关联关系的意图节点对意图识别模型进行训练,同时基于实体节点和意图节点更新知识库,从而使得目标知识库中包含目标意图模型预测出的意图信息,便于基于意图信息在知识库中确定答案,从而提高答案确定的准确性。将意图节点和实体节点链接起来进行模型训练,使得意图节点能够融合更多的意图信息和实体信息,使得训练后的模型识别准确度更高,结合意图识别模型和知识库进行预测进一步提高预测效率和准确度。
在本说明书中,提供了信息处理方法,本说明书同时涉及信息处理装置,金融信息处理方法,金融信息处理装置,一种计算设备,以及一种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
图2示出了本说明书一实施例提供的一种信息处理方法的流程图,具体包括以下步骤:
步骤S202,在知识图谱中确定实体节点以及与所述实体节点具有关联关系的意图节点。
具体的,知识图谱是指基于知识发展进程与结构关系的一系列各种不同的图形,以及它们之间的相互联系构建而成的可视化的图谱;知识图谱中包含节点和边,即,以知识为节点,知识之间的关系为边构建的图结构;相应的,实体节点即为知识图谱中包含的一类节点,意图节点即为知识图谱中包含的另一类与实体节点之间存在关联关系的节点;实体节点可以为代表命名实体的节点,相应的,意图节点可以为基于与实体节点代表的实体信息对应的实体属性信息生成的节点,即,实体节点表示命名实体,与实体节点具有关联关系的意图节点表示命名实体的属性信息;意图节点包含与实体节点之间具有直接关联关系的意图节点,以及与实体节点之间具有间接关联关系的意图节点。
基于此,获取知识图谱,识别知识图谱中包含的实体节点,并基于知识图谱中的关系确定与实体节点具有直接关联关系和间接关联关系的意图节点,从而获得由实体节点、至少一个意图节点组成的节点组,以便于下游业务的执行。
实际应用中,针对不同的问答领域的知识图谱,知识图谱中包含的实体节点和意图节点也不同。在本实施例中,知识图谱包括但不限于医疗领域、服务领域、学科知识领域、金融领域、互联网技术领域对应的知识图谱;相应的,在金融领域对应的知识图谱中,实体可以为产品、公司、银行、银行卡等,意图可以为开户、行情基本信息、产品基本信息、公司基本信息、手机软件操作、个人基本信息、金融基础知识类、流程、权限、更换、补办、注销、重置、修改等。在医疗领域实体可以为疾病、药物、科室、医院等,意图可以为挂号、缴费、打印报告等。从而基于实体、意图以及实体和意图之间的关系构建知识图谱。从而便于后续基于知识图谱提取实体节点和意图节点,进而基于提取到的实体节点和意图节点进行后续处理。
进一步的,考虑到知识图谱中节点之间除了具有直接关联关系之外,还具有间接关联关系,在确定与实体节点之间具有关联关系的意图节点时,除了将与实体节点直接相连的意图节点之外,还需要确定与实体节点间接相连的意图节点,具体实现如下:
在知识图谱中确定实体节点,并确定与所述实体节点具有直接关联关系的第一意图节点,以及与所述实体节点具有间接关联关系的第二意图节点;将所述第一意图节点和所述第二意图节点作为与所述实体节点具有关联关系的意图节点。
具体的,第一意图节点是指知识图谱中确定实体节点后,与实体节点直接相连的意图节点;相应的,第二意图节点是指知识图谱中与实体节点间接相连的意图节点,例如:实体节点1连接意图节点1,意图节点1连接意图节点2,则实体节点1和意图节点2之间的关系即为间接关联关系;意图节点2可能还连接意图节点3,那么意图节点3也可以作为与实体节点1具有间接关联关系的第二意图节点。
基于此,在知识图谱中确定实体节点,并基于知识图谱中节点之间的连线关系确定与实体节点具有直接关联关系的第一意图节点,以及与实体节点具有间接关联关系的第二意图节点。将第一意图节点和第二意图节点作为与实体节点具有关联关系的意图节点。
举例说明,在智能问答场景下,可以基于智能问答的相应领域对应的知识图谱进行问答准备。智能问答的领域包括但不限于医疗领域、服务领域、学科知识领域、金融领域、互联网技术领域等。针对不同的领域均可以基于领域内的知识构建知识图谱,知识图谱中的节点为实体或实体对应的属性信息,知识图谱中的边即为实体之间、实体与属性信息之间,属性信息之间的关系。在智能问答为服务领域的情况下,知识图谱中可以包含商品、购买、退货、查询、物流信息等节点,商品节点直接连接购买节点、退货节点以及查询节点,而节点与物流信息节点直接连接,在商品为实体节点的情况下,购买节点、退货节点以及查询节点即为第一意图节点,物流信息节点即为第二意图节点,实体节点和物流信息节点之间具有间接关联关系,实体节点和购买节点、退货节点以及查询节点之间具有直接关联关系。
综上所述,将与实体节点具有直接关联关系的第一意图节点,以及与实体节点具有间接关联关系的第二意图节点作为与实体节点具有关联关系的意图节点,从而确定与实体节点关联的较多的意图节点,为实体节点融合更多的意图特征,提高后续预测业务的准确性。
步骤S204,基于所述实体节点和所述意图节点确定问题文本。
具体的,在上述在知识图谱中确定实体节点以及与实体节点具有关联关系的意图节点之后,即可基于实体节点和意图节点确定问题文本,其中,问题文本是指与意图节点对应的意图信息和实体节点对应的实体信息之间具有关联关系的文本;问题文本中可以包含意图节点对应的意图信息和/或实体节点对应的实体信息;例如:意图节点对应的意图信息为手机号码修改,实体节点对应的实体信息为银行卡,那么对应的问题文本即可为“绑定银行卡的手机号码怎么修改”,即,问题文本中包含实体信息和意图信息;意图节点对应的意图信息为信息修改,实体节点对应的实体信息为银行卡,那么对应的问题文本即可为“绑定银行卡的手机号码怎么修改”、“银行卡密码怎么改”,即,问题文本中包含实体信息,且问题文本和意图信息存在意图关联关系。
基于此,在知识图谱中确定实体节点以及与实体节点具有关联关系的意图节点后,基于实体节点和意图节点生成问题文本,或者基于实体节点和意图节点在问题文本库中选择问题文本。
实际应用中,在确定与实体节点和意图节点对应的问题文本时,可以由人工标注的方法实现,人工编辑与实体节点和意图节点对应的问题文本;还可以基于历史问答记录确定与实体节点和意图节点对应的问题文本,即,在历史问答记录中查找与实体节点和意图节点关联的历史问答文本,并基于历史问答文本生成与实体节点和意图节点对应的问题文本;还可以通过问题生成模型实现问题文本的生成。
进一步的,在确定了实体节点和意图节点后,即可基于意图节点和实体节点构建训练样本对意图识别模型进行训练,然而仅基于实体节点和意图节点进行训练难以达到模型训练的目的,训练完成的意图识别模型预测能力较弱,因此在构建训练样本之间,可以针对实体节点和意图节点设定问题文本,以问题文本为标签进行模型训练,具体实现如下:
按照文本生成规则对所述实体节点的实体信息进行处理,根据处理结果生成与所述意图节点的意图信息之间具有意图关联关系的问题文本;或者,基于所述意图节点的意图信息和所述实体节点的实体信息创建问题文本确定任务;执行所述问题文本选择任务,根据执行结果确定问题文本。
具体的,处理结果可以基于实体节点的实体信息生成的与实体信息关联的文本信息;可以是基于实体节点的实体信息生成的包含实体信息的多条文本信息;在生成文本信息时,将意图节点的意图信息作为影响因子,生成与意图信息存在关联关系的文本信息,进而在多条文本信息中选择一条或多条文本信息作为问题文本;问题文本确定任务可以是针对意图节点的意图信息和实体节点的实体信息创建的用于在问题文本库中筛选问题文本的任务,执行问题文本确定任务即为在问题文本库中筛选问题文本;执行问题文本确定任务还可以是在通过搜索引擎进行检索获得的问题文本文档中进行匹配,以实现匹配到与意图节点的意图信息和实体节点的实体信息关联度较高的问题文本。
基于此,按照文本生成规则对实体节点的实体信息进行处理,基于生成模型生成与意图节点的意图信息关联的文本信息,或者由人工编辑文本信息,在文本信息中筛选与意图节点的意图信息之间具有意图关联关系的问题文本。或者,基于意图节点的意图信息和实体节点的实体信息创建用于生成与实体节点和意图节点关联的问题文本的问题文本确定任务,执行问题文本选择任务,即可在问题文本库中筛选问题文本,或在通过搜索引擎进行检索获得的问题文本文档中匹配问题文本。
沿用上例,在确定了实体节点为商品节点,意图节点为查询节点的情况下,即可基于商品节点的商品信息生成关联查询节点的查询信息的问题文本。可以通过文本生成模型的方式自动生成关联商品信息和查询信息的问题,也可以通过人工编辑的方式生成问题,例如商品信息为“苹果”,查询信息为“物流查询”,那么生成的问题文本可以为“我买的苹果发货了吗”;还可以基于商品信息和查询信息在问答历史记录中选择与其匹配的问题文本,如“我买的苹果什么时候发货”。
综上所述,基于实体节点的实体信息和意图节点的意图信息生成问题文本,或在现有文本内容中选择问题文本,从而提高问题文本确定的灵活性,提高问题文本的多样性。
步骤S206,将所述问题文本作为样本,所述意图节点作为与所述样本对应的标签,对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型。
具体的,在上述基于实体节点和意图节点确定问题文本之后,即可将问题文本作为样本,意图节点作为与样本对应的标签,对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型,其中,样本是指用于进行模型训练的文本内容,标签即为与样本对应的参考信息,在进行模型训练时,将样本输入意图识别模型,由意图识别模型输出预测结果,基于预测结果和样本对应的标签计算损失值,进而基于损失值对意图识别模型进行调参,直到模型训练完成,获得目标意图识别模型;意图识别模型即为具有预测输入内容的意图信息达到能力的机器学习模型,训练停止条件可以为达到预设的训练时间、模型预测准确度,还可以为达到预设的训练次数。
基于此,在基于实体节点和意图节点确定问题文本后,基于实体节点和意图节点构建样本对进行模型训练。将问题文本作为样本,将意图节点作为与样本对应的标签,由样本和样本对应的标签构成样本对,基于样本对对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型。
实际应用中,在将问题文本作为样本,将意图节点作为与样本对应的标签对意图识别模型进行训练之前,可以先基于知识图谱生成样本对集合,样本对中包含实体节点对应的实体信息、意图节点对应的意图信息以及与实体信息对应的问题文本,将问题文本作为意图识别模型的输入,将意图信息作为标签,在意图识别模型输出预测意图信息后,基于预测意图信息和意图信息计算损失值,并基于损失值对意图识别模型进行调参,进而再次进行预测,直到满足训练停止条件。在本实施例中,意图识别模型可以基于图卷积神经网络、Albert-tiny模型生成,需要说明的是,本实施例对意图识别模型的种类不做任何限定。
进一步的,在对意图识别模型进行训练时,考虑到知识图谱中包含的实体节点和意图节点较多,且节点之间的关系较为复杂,因此可以基于知识图谱中的实体节点和意图节点生成包含样本和标签的样本对,对意图识别模型进行训练,具体实现如下:
将所述问题文本转换为问题向量,将所述意图节点转换为意图向量;将所述问题向量输入至所述意图识别模型进行处理,获得预测意图向量;基于所述预测意图向量和所述意图向量对所述意图识别模型进行调参,直至获得满足训练停止条件的目标意图识别模型。
具体的,问题向量是指基于对问题文本进行编码后获得的向量表达形式的问题文本;相应的意图向量即为基于对意图节点对应的意图信息进行编码后,获得的向量表达形式的意图信息;预测意图向量是指将问题向量输入至意图识别模型进行预测后,获得的针对问题向量的预测结果,预测意图向量表示对问题文本的进行预测获得的意图信息,表示意图识别模型的预测结果;损失值表示预测意图向量和意图向量之间的差异程度,用于对意图识别模型进行参数调整,从而进行后续的训练。
基于此,对问题文本进行编码处理,将问题文本转换为问题向量。对意图节点对应的意图信息进行编码处理,将意图节点转换为意图向量。将问题向量输入至意图识别模型进行处理,获得意图识别模型输出的预测意图向量。基于预测意图向量和意图向量计算损失值,并基于损失值对意图识别模型进行调参,获得中间意图识别模型,并继续对中间意图模型进行训练,直至获得满足训练停止条件的目标意图识别模型。在预测得到预测意图向量后还可以将预测意图向量和意图向量进行比对,进而基于比对结果对意图识别模型进行调参,直到获得满足训练停止条件的目标意图识别模型。还可以基于样本和样本标签对意图识别模型进行训练,在满足训练次数的情况下,基于验证集对模型的预测能力进行验证,在训练后的意图识别模型能够完成意图预测的情况下,停止训练获得目标意图识别模型。
实际应用中,在基于问题向量和意图向量对意图识别模型进行训练时,目标函数可以为,/>,其中,x表示问题文本;y表示意图节点;/>表示意图节点i的相邻节点集合;/>表示意图节点i的向量表示;/>表示两个意图节点间的关系向量;/>表示权重计算函数;GNN为图卷积神经网络;/>表示经过表征后的节点/>的向量。图卷积神经网络可以有效地建立起图谱各节点间的关系,并将其与Albert-tiny编码后的问题文本融合,利用更多的知识完成意图识别任务。
综上所述,将问题向量输入意图识别模型进行错了,获得预测意图向量,进而基于预测意图向量和意图向量计算损失值,以及对意图识别模型 进行调参,直至获得满足训练停止条件的目标意图识别模型,从而将意图节点对应的意图信息融入到模型训练过程中,使得目标意图预测模型具有识别问题文本对应的意图信息的能力,提高意图识别的效率和准确率。
进一步的,考虑到仅确定与意图节点具有直接关联关系的意图节点具有局限性,且知识图谱中与意图节点关联的意图节点可能为多个,因此在确定意图节点对应的意图向量时,可以结合与意图节点对应的至少一个关联意图节点市场意图向量,具体实现如下:
基于所述知识图谱确定所述意图节点对应的至少一个关联意图节点;构建每个关联意图节点的关联意图向量,计算所述意图节点与每个关联意图节点之间的关系向量;基于每个关联意图节点的关联意图向量,以及所述意图节点与每个关联意图节点之间的关系向量,生成所述意图向量。
具体的,关联意图节点是指基于知识图谱确定的与意图节点具有直接连接关系的意图节点,以及与意图节点具有间接连接关系的意图节点;相应的,关联意图向量基于对关联意图节点对应的关联意图信息进行编码后,获得的向量表达形式的关联意图信息;关系向量是指基于意图节点以及与意图节点对应的关联意图节点生成的向量,表示意图节点对应的意图信息与关联意图节点对应的关联意图信息之间的关系。
基于此,基于知识图谱确定意图节点对应的至少一个关联意图节点,分别构建每个关联意图节点的关联意图向量。分别确定意图节点的意图向量,以及每个关联意图节点的关联意图向量,基于意图节点的意图向量与每个关联意图节点的关联意图向量计算意图节点和每个关联意图节点之间的关系向量。基于每个关联意图节点的关联意图向量,以及意图节点与每个关联意图节点之间的关系向量,生成意图向量。
综上所述,基于知识图谱计算意图节点与每个关联意图节点之间的关系向量,基于关联意图向量和关系向量,生成意图向量,从而获得融合了较多意图节点的意图信息的意图向量,从而目标意图识别模型的预测准确度。
步骤S208,基于所述实体节点和所述意图节点,将知识库更新为目标知识库;其中,所述目标知识库用于存储所述目标意图识别模型预测的至少一个意图信息,以及各意图信息与所述目标知识库中问题信息对应的映射关系。
具体的,在上述将问题文本作为样本,意图节点作为与样本对应的标签,对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型之后,即可基于实体节点和意图节点,将知识库更新为目标知识库,其中,知识库是指存储知识信息的单元,知识库中存储与知识图谱的领域对应的信息。知识库中的结构包括问题-答案,由问题-答案组成知识链,知识库中以记录的形式存储多条知识链;目标知识库即为更新后的知识库,基于实体节点的实体信息和意图节点的意图信息对知识库进行更新,将实体信息和意图信息存储至知识库,获得目标知识库;映射关系是指意图信息和问题信息之间的问答关系,即,目标知识库中一条意图信息对应一条问题信息。
基于此,在以问题文本为样本,以意图节点为样本对应的标签,对意图识别模型进行训练获得目标意图识别模型时,基于实体节点对应的实体信息和意图节点对应的意图信息对知识库进行更新,将实体信息和意图信息存储至知识库,实现将知识库更新为目标知识库。目标知识库中存储目标意图识别模型能够预测出的至少一个意图信息,基于目标知识库能够确定各意图信息与目标知识库中存储的问题信息之间的映射关系,即,目标意图识别模型能够预测出的至少一个意图信息,在目标知识库中均存在与其关联的问题信息。
实际应用中,意图识别模型的训练和知识库的更新可以同步实现。在基于知识图谱确定实体节点,以及与实体节点具有关联关系的意图节点后,实体节点和意图节点即构成了一个实体意图对,基于实体意图对能够在知识库中确定与实体和意图相关的知识记录,进而基于实体和意图对该知识记录进行更新;以及基于实体和意图确定与实体和意图关联的问题信息,将问题信息作为标签,将意图和实体作为样本对意图识别模型进行训练,直到获得满足训练停止条件的目标意图识别模型,从而使得目标意图识别模型具有预测输入文本的意图的功能。
进一步的,在基于实体节点和意图节点更新知识库时,考虑到与实体节点关联的意图节点可能为多个,且多个意图节点与实体节点之间连接的紧密程度不同,因此可以对意图节点进行排序,从而获得由实体节点信息和意图节点信息组成的知识链路,具体实现如下:
基于所述实体节点的实体节点信息和所述意图节点的意图节点信息构建意图知识链路;根据所述实体节点信息在所述知识库中确定待更新问题文本;基于所述意图知识链路对所述待更新问题文本对应的文本记录进行更新,根据更新结果确定目标知识库;其中,所述目标知识库中每条记录对应一条问答知识链路,所述问答知识链路中链路节点对应的节点信息存储在所述目标知识库中。
具体的,意图知识链路是指由实体节点信息和意图节点信息按照排序规则进行排序后获得的链路;待更新问题文本是指知识库中包含的与实体节点信息关联的问题文本;相应的,文本记录为知识库中确定的待更新问题文本对应的至少一条记录。
基于此,确定实体节点的实体节点信息,确定意图节点的意图节点信息,基于实体节点信息和意图节点信息以及实体节点和意图节点之间的关系构建意图知识链路。根据实体节点信息在知识库中确定包含节点信息或者与实体节点信息关联的待更新问题文本。基于意图知识链路中的意图节点信息和实体节点信息对待更新问题文本对应的文本记录进行更新,将意图节点信息和实体节点信息存储至文本记录对应的位置,根据更新结果确定目标知识库。目标知识库中每条记录均对应一条问答知识链路,问答知识链路中每个链路节点对应的节点信息存储在目标知识库中。
沿用上例,在确定实体节点为商品节点,意图节点为查询节点的情况下,基于商品和查询构成知识链路:商品-查询,在存储了问题和答案信息的知识库中确定与商品相关的问题:“如何查询订单”,并将商品以及查询存储在该问题对应的记录中,获得问答知识链路:“如何查询订单-查询-商品-点击我的订单选择要查询的商品”。
综上所述,基于意图知识链路对待更新问题文本对应的文本记录进行更新,确定目标知识库,从而提高知识库的信息丰富程度。在后续基于知识库进行问答时,提高答案反馈的准确率。
进一步的,考虑到知识图谱中的意图节点之间具有直接关联关系或间接关联关系,因此在构建知识链路时,也需要按照意图节点之间的关系类型进行构建,具体实现如下:
将第一意图节点和第二意图节点作为所述意图节点;将所述第一意图节点的第一意图节点信息和所述第二意图节点的第二意图节点信息作为所述意图节点的意图节点信息;按照意图节点优先级构建包含所述第一意图节点信息、所述第二意图节点信息和实体节点信息的知识链路。
具体的,优先级是指优先等级参数,即,优先级较高的排序较为靠前,优先级低的排序较为靠后;在本实施例中,优先级是指第一意图节点和第二意图节点之间的等级,即,第一意图节点的优先级高于第二意图节点的优先级,相应的,在基于第一意图节点的第一意图节点信息、第二意图节点的第二意图节点信息以及实体节点信息构建知识链路时,即可按照优先级对第一意图节点信息,第二意图节点信息以及实体节点信息进行排序。
基于此,确定知识图谱中与实体节点对应的第一意图节点和第二意图节点,将第一意图节点和第二意图节点作为意图节点;获取第一意图节点的第一意图节点信息,以及第二意图节点的第二意图节点信息,将第一意图节点信息和第二意图节点信息作为意图节点的意图节点信息。按照意图节点相对于实体节点的优先级构建包含第一意图节点信息,第二意图节点信息和实体节点信息的知识链路,第二意图节点信息可以为第一意图节点信息的属性信息。
沿用上例,在确定实体节点为商品节点,意图节点为查询节点和物流信息节点的情况下,由于查询节点的层级/优先级高于物流信息节点,即物流信息可以为查询的属性,相应的,查询的属性还可以是发货时间,发货地点等。按照意图节点优先级进行排序,获得知识链路:物流信息节点-查询节点-商品节点。
综上所述,按照意图节点优先级构建包含第一意图节点信息,第二意图节点信息和实体节点信息的知识链路,从而便于基于知识链路对知识库进行更新,提高知识库的更新效率。
进一步的,在进行知识问答的场景下,通常是直接将问题输入至问答模型,由问答模型输出问题对应的答案,然而这种方式答案的正确性则完全取决于问答模型的预测能力,可能由于问答模型的预测能力较弱导致答案准确度低,因此,可以将问题查询文本输入至目标意图识别模型进行预测,获得与问题查询文本对应的预测意图信息,进而再基于目标知识库确定预测意图信息对应的答案信息,具体实现如下:
接收携带有问题查询文本的查询请求;将所述问题查询文本输入至所述目标意图识别模型进行预测,获得与所述问题查询文本对应的预测意图信息;基于所述预测意图信息查询所述目标知识库,根据查询结果确定答案信息,并作为所述查询请求的响应。
具体的,问题查询文本是指在实际应用中可能接收到的问题,例如:我的订单什么时候发货、时区之间如何转换、银行卡绑定的手机号如何修改等;查询请求是指基于问题查询文本生成的计算机命令,用于提交到服务器进行问题查询;预测意图信息是指目标意图识别模型将问题查询文本输入,输出的对问题查询文本进行预测的信息,表示问题查询文本对应的查询意图;相应的,查询结果即为基于预测意图信息查询目标数据库获得的与预测意图信息匹配的信息,答案信息可以为查询结果中与预测意图信息匹配度较高的一条或多条信息。
基于此,接收携带有问题查询文本的查询请求,将问题查询文本输入至目标意图识别模型进行预测,获得与问题查询文本对应的预测意图信息,基于预测意图信息查询目标知识库,根据查询结果确定目标知识库中与预测意图信息匹配的基准问题信息,并分别计算每个基于基准问题信息与问题查询文本之间的相似度,选择相似度较高的基准问题信息作为与问题查询文本相似的目标问题文本,并基于目标问题文本在目标知识库中确定目标问题文本对应的目标知识记录,将目标知识记录对应的目标答案信息作为答案信息,并作为查询请求的响应。
沿用上例,在接收到查询请求“商品产地是哪里”后,将“商品产地是哪里”输入至目标意图识别模型,输出预测的意图:产地查询。基于“产地查询”在存储了问题和答案的目标知识库中进行查询,查询到:商品发货地是哪里、商家是哪里、商品产自哪里等三条问题信息,在三条问题信息中选择与查询请求“商品产地是哪里”匹配度最高的“商品产自哪里”作为问题信息。基于问题信息“商品产自哪里”查询目标知识库,获得问题信息对应的答案信息:地区甲,并将地区甲作为查询请求的响应。
综上所述,在接收到携带有问题查询文本的查询请求时,先将问题查询文本输入至目标意图识别模型进行预测,再基于预测意图信息查询目标知识库确定答案信息,从而确保确定的答案信息均来自于目标知识库,提高答案信息的准确性。
进一步的,在基于目标意图识别模型确定预测意图信息后,考虑到目标知识库中包含的与预测意图信息相关的知识记录存在多条,因此还需要在多条知识记录中确定一条或多条较为准确的知识记录,提取答案信息,具体实现如下:
基于所述预测意图信息,在所述目标知识库中查询包含所述预测意图信息的至少一条知识记录;在每条知识记录中提取基准问题文本;根据所述问题查询文本与每条基准问题文本的相似度,在至少一条知识记录中确定目标知识记录,并将所述目标知识记录中的答案文本作为所述问题查询文本的答案信息。
具体的,知识记录是指目标知识库中存储的包含问题、答案、实体、意图的记录;基准问题文本为与问题查询文本相似的文本;目标知识记录是指包含与问题查询文本匹配度较高的基准问题文本的知识记录;答案文本是指与问题查询文本对应的答案信息。
基于此,基于预测意图信息,在目标知识库中查询包含预测意图信息的至少一条知识记录。在每条知识记录中提取基准问题文本,基于相似度模型计算每个基准问题文本和问题查询文本之间的相似度,按照相似度的大小对基准问题文本进行排序,选择设定数量的基准问题文本对应的知识记录作为目标知识记录,并将目标知识记录中的答案文本作为问题查询文本的答案信息。
沿用上例,在接收到查询请求“商品产地是哪里”后,将“商品产地是哪里”输入至目标意图识别模型,输出预测的意图:产地查询。基于“产地查询”在存储了问题和答案的目标知识库中进行查询,查询到:商品发货地是哪里、商家是哪里、商品产自哪里等三条问题信息,分别计算每条问题信息与查询请求“商品产地是哪里”之间的相似度,分别获得相似度:70%,30%和98%,则选择相似度为98%的“商品产自哪里”作为匹配度最高的问题信息。基于问题信息“商品产自哪里”查询目标知识库,获得问题信息对应的答案信息:地区甲,并将地区甲作为查询请求的响应。
综上所述,本说明书一实施例基于知识图谱中包含的实体节点以及与实体节点具有关联关系的意图节点对意图识别模型进行训练,同时基于实体节点和意图节点更新知识库,从而使得目标知识库中包含目标意图模型预测出的意图信息,便于基于意图信息在知识库中确定答案,从而提高答案确定的准确性。将意图节点和实体节点链接起来进行模型训练,使得意图节点能够融合更多的意图信息和实体信息,使得训练后的模型识别准确度更高,结合意图识别模型和知识库进行预测进一步提高预测效率和准确度。
下述结合附图3,以本说明书提供的信息处理方法在金融知识问答的应用为例,对所述信息处理方法进行进一步说明。其中,图3示出了本说明书一实施例提供的一种应用于金融知识问答的信息处理方法的处理流程图,具体包括以下步骤:
传统IVR问答((Interactive Voice Response)交互式语音应答)系统对知识利用不充分主要体现在三个方面,一是缺乏结构化的IVR知识;二是模型训练时缺乏知识融入;三是预测时缺乏可以显式融合IVR知识图谱的问答系统模式。因此,本实施例提供了融合IVR图谱训练和预测的问答系统用于充分利用IVR业务知识来提升预测精度。
步骤S302,获取金融知识,并提取金融知识中的实体,一级意图和二级意图。
根据金融业务知识,构建了如图4中(a)所示的三个层级的知识体系:一级意图、二级意图和实体。其中:一级意图包括但不限于:银证转账、开户、新股中签、账号密码、行情基本信息、产品基本信息、公司基本信息、手机软件操作、个人/基本信息、金融基础知识类;二级意图(即一级意图的属性)包括但不限于:开户条件(流程、权限、生效时间、费用、材料等);银证转账(查询、绑定、更换、补办、注销等);账号密码类(查询、重置、修改、激活、登入等),例如:查询权限、办理进度、生效时间、开户费用、开通流程、开户材料、失败原因、录制视频;实体包括但不限于:股票板块、时间、地点、渠道、产品、上市公司、银行、银行卡、账号类型、密码类型、客户类型、办理渠道。图4中(b)示出了实体和实体值之间的关系,如图:股票板块实体对应A股、B股和C股,A股对应a板、b板、c板、d板、e板、f板;时间可以是今天明天或者特定日期;客户类型可以是机构投资者,个人投资者;办理渠道可以是手机、电脑或线下。
步骤S304,基于实体,一级意图,二级意图,以及实体与一级意图之间的关系,一级意图和二级意图之间的关系构建金融知识图谱。
上述实体、意图节点以及关系有效地连接起了金融知识,可以构成金融知识图谱。
步骤S306,在金融知识图谱中确定实体节点,并确定与实体节点具有直接关联关系的第一意图节点,以及与实体节点具有间接关联关系的第二意图节点,并将第一意图节点和第二意图节点作为与实体节点具有关联关系的意图节点。
如图4中(a)所示,可以从中提取时间-开户-开户条件、时间-开户-生效时间、客户类型-开户-开户费用等多组实体与意图的组合。
步骤S308,基于实体节点和意图节点确定问题文本。
分别确定每组实体与意图的组合对应的问题信息,例如:实体为银行卡、一级意图为业务办理,二级意图为信息修改,那么即可生成问题信息:绑定银行卡的手机怎么换。
步骤S310,将问题文本作为样本,将意图节点作为与样本对应的标签,融合实体节点对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型。
图5示出了本说明书一实施例提供的一种信息处理方法的处理示意图,融合金融知识图谱的意图识别模型如图5中(a)所示。在基于问题信息、意图对意图识别模型进行训练时,目标函数可以为,/>,其中,x表示问题信息;y表示意图节点,y可以作为模型训练时的样本标签;e表示实体;/>表示实体节点i的相邻节点集合,/>表示意图节点i的相邻节点集合;/>表示意图节点i的向量表示;/>表示两个意图节点间的关系向量;/>表示权重计算函数;GNN为图卷积神经网络;/>表示经过表征后的节点/>的向量。图卷积神经网络可以有效地建立起图谱各节点间的关系,并将其与Albert-tiny编码后的问题文本融合,利用更多的知识完成意图识别任务。
融合金融知识图谱的意图识别模型可以利用GNN充分学习标签之间和标签与实体之间的关系,缓解因训练语料过少造成的意图类别欠拟合问题,GNN编码后的意图标签可以和文本的编码进行充分的信息交互。
步骤S312,按照意图节点优先级,基于第一意图节点和第二意图节点构建包含第一意图节点信息,第二意图节点信息和实体节点信息的金融知识链路。
意图节点优先级也可以是意图节点的层级,第一意图节点高于第二意图节点,根据金融知识图谱中第一意图节点,第二意图节点和实体构建知识链路:开户-携带材料-个人投资者、开户-携带材料-机构投资者。实现基于金融知识图谱对知识库进行扩充。
步骤S314,根据实体节点信息在知识库中确定待更新问题文本。
步骤S316,基于金融知识链路对待更新问题文本对应的文本记录进行更新,根据更新结果确定目标知识库。
根据实体“个人投资者”在知识库中确定对应的问题:个人投资者开户携带材料,并基于知识链路:开户-携带材料-个人投资者进行更新,获得:开户-携带材料-个人投资者-个人投资者开户携带材料-1.开户本人的证件;2.账户卡原件。基于金融知识图谱将知识库更新为目标知识库。
步骤S318,在接收携带有问题查询文本的查询请求的情况下,将问题查询文本输入至目标意图识别模型进行预测,获得与问题查询文本对应的预测意图信息。
在接收到需要查询的问题:绑定的银行卡怎么换,以及绑定银行卡的手机怎么换时,分别将两个问题输入到目标意图识别模型进行预测,获得预测的意图信息如图5中(b)所示,问题:绑定的银行卡怎么换,对应银证转账-变更存管银行-银行卡;问题:绑定银行卡的手机怎么换,对应业务办理-信息修改-手机。
步骤S320,基于预测意图信息,在目标知识库中查询包含预测意图信息的至少一条知识记录。
步骤S322,在每条知识记录中提取基准问题文本,采用相似度模型计算问题查询文本与每条基准问题文本的相似度,并基于计算结果在至少一条知识记录中确定目标知识记录,将目标知识记录中的答案文本作为问题查询文本的答案信息。
为了在预测阶段可以继续融合图谱知识,可以显示地利用金融知识图谱对问答进行干预,提高准确率和降低误命中率。当知识库两个标准问的意图和属性相同,且表达又相近时,例如“新股如何申购”和“新债的申购方法”的一级意图“交易”和二级意图“如何操作”都相同。客户问“新股的申购方法”通过意图预测后,需要基于相似度模型进行精排对“新股如何申购”和“新债的申购方法”进行排序。因为“新债的申购方法”与“新股的申购方法”高度重叠,相似度模型容易将“新债的申购方法”排在前面,从而导致误命中。 融合金融知识图谱后,根据实体“交易如何操作新股”的路线准确返回“新股如何申购”的答案。
本实施例构建了金融知识图谱,将意图节点和实体节点互相链接了起来,使得原本孤立的意图节点可以融合更多的意图节点和实体节点的信息。利用GNN模型建模意图之间和意图与实体在图谱中的空间关系,将图谱信息和文本信息融合到意图模型的训练过程中,让模型学习到更深层次的金融知识,提升意图识别的准确率。由于相似度模型对相近的金融业务问题很难做出正确的匹配,设计了可以显示融合金融知识图谱预测的问答系统模式,将金融知识图谱与知识库中的词条连接,在预测阶段显式地融合金融知识图谱进行预测,有效弥补相似度模型的不足。
综上所述,本说明书一实施例基于知识图谱中包含的实体节点以及与实体节点具有关联关系的意图节点对意图识别模型进行训练,同时基于实体节点和意图节点更新知识库,从而使得目标知识库中包含目标意图模型预测出的意图信息,便于基于意图信息在知识库中确定答案,从而提高答案确定的准确性。将意图节点和实体节点链接起来进行模型训练,使得意图节点能够融合更多的意图信息和实体信息,使得训练后的模型识别准确度更高,结合意图识别模型和知识库进行预测进一步提高预测效率和准确度。
图6示出了本说明书一实施例提供的一种信息查询方法的流程图,具体包括以下步骤:
步骤S602,接收携带有问题查询文本的查询请求;
步骤S604,将所述问题查询文本输入至目标意图识别模型进行预测,获得与所述问题查询文本对应的预测意图信息;
步骤S606,基于所述预测意图信息查询所述目标知识库,根据查询结果确定答案信息,并作为所述查询请求的响应。
综上所述,知识图谱中包含的实体节点以及与实体节点具有关联关系的意图节点对意图识别模型进行训练,同时基于实体节点和意图节点更新知识库,从而使得目标知识库中包含目标意图模型预测出的意图信息,便于基于意图信息在知识库中确定答案,从而提高答案确定的准确性。将意图节点和实体节点链接起来进行模型训练,使得意图节点能够融合更多的意图信息和实体信息,使得训练后的模型识别准确度更高,结合意图识别模型和知识库进行预测进一步提高预测效率和准确度。
图7示出了本说明书一实施例提供的一种金融信息处理方法的流程图,具体包括以下步骤:
步骤S702,在金融知识图谱中确定实体节点以及与所述实体节点具有关联关系的意图节点;
步骤S704,基于所述实体节点和所述意图节点确定问题文本;
步骤S706,将所述问题文本作为样本,所述意图节点作为与所述样本对应的标签,对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型;
步骤S708,基于所述实体节点和所述意图节点,将金融知识库更新为目标金融知识库;其中,所述目标金融知识库用于存储所述目标意图识别模型预测的至少一个意图信息,以及各意图信息与所述目标金融知识库中问题信息对应的映射关系。
进一步的,在目标意图识别模型训练完成,以及金融知识库更新完成后,即可基于目标意图识别模型和目标金融知识库进行知识问答,具体实现如下:
接收携带有金融问题查询文本的查询请求;基于所述查询请求,将所述金融问题查询文本输入至所述目标意图识别模型进行预测,获得与所述问题查询文本对应的预测意图信息;基于所述预测意图信息查询所述目标金融知识库,根据查询结果确定答案信息,并作为所述查询请求的响应。
进一步的,接收携带有金融问题查询文本的查询请求,包括:接收客户端通过信息查询页面提交的金融问题查询文本的查询请求;相应的,基于所述预测意图信息查询所述目标金融知识库,根据查询结果确定答案信息,并作为所述查询请求的响应步骤执行之后,还包括:基于所述答案信息生成反馈信息,所述反馈信息用于将所述客户端展示的所述信息查询页面更新为包含所述答案信息的信息反馈页面。
综上所述,知识图谱中包含的实体节点以及与实体节点具有关联关系的意图节点对意图识别模型进行训练,同时基于实体节点和意图节点更新知识库,从而使得目标知识库中包含目标意图模型预测出的意图信息,便于基于意图信息在知识库中确定答案,从而提高答案确定的准确性。将意图节点和实体节点链接起来进行模型训练,使得意图节点能够融合更多的意图信息和实体信息,使得训练后的模型识别准确度更高,结合意图识别模型和知识库进行预测进一步提高预测效率和准确度。
与上述方法实施例相对应,本说明书还提供了信息处理装置实施例,图8示出了本说明书一实施例提供的一种信息处理装置的结构示意图。如图8所示,该装置包括:
第一确定模块802,被配置为在知识图谱中确定实体节点以及与所述实体节点具有关联关系的意图节点;
第二确定模块804,被配置为基于所述实体节点和所述意图节点确定问题文本;
训练模块806,被配置为将所述问题文本作为样本,所述意图节点作为与所述样本对应的标签,对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型;
更新模块808,被配置为基于所述实体节点和所述意图节点,将知识库更新为目标知识库;其中,所述目标知识库用于存储所述目标意图识别模型预测的至少一个意图信息,以及各意图信息与所述目标知识库中问题信息对应的映射关系。
一个可选地实施例中,所述第一确定模块802进一步被配置为:
在知识图谱中确定实体节点,并确定与所述实体节点具有直接关联关系的第一意图节点,以及与所述实体节点具有间接关联关系的第二意图节点;将所述第一意图节点和所述第二意图节点作为与所述实体节点具有关联关系的意图节点。
一个可选地实施例中,所述第二确定模块804进一步被配置为:
按照文本生成规则对所述实体节点的实体信息进行处理,根据处理结果生成与所述意图节点的意图信息之间具有意图关联关系的问题文本;或者,基于所述意图节点的意图信息和所述实体节点的实体信息创建问题文本确定任务;执行所述问题文本选择任务,根据执行结果确定问题文本。
一个可选地实施例中,所述训练模块806进一步被配置为:
将所述问题文本转换为问题向量,将所述意图节点转换为意图向量;将所述问题向量输入至所述意图识别模型进行处理,获得预测意图向量;基于所述预测意图向量和所述意图向量对所述意图识别模型进行调参,直至获得满足训练停止条件的目标意图识别模型。
一个可选地实施例中,所述训练模块806进一步被配置为:
基于所述知识图谱确定所述意图节点对应的至少一个关联意图节点;构建每个关联意图节点的关联意图向量,计算所述意图节点与每个关联意图节点之间的关系向量;基于每个关联意图节点的关联意图向量,以及所述意图节点与每个关联意图节点之间的关系向量,生成所述意图向量。
一个可选地实施例中,所述更新模块808进一步被配置为:
基于所述实体节点的实体节点信息和所述意图节点的意图节点信息构建意图知识链路;根据所述实体节点信息在所述知识库中确定待更新问题文本;基于所述意图知识链路对所述待更新问题文本对应的文本记录进行更新,根据更新结果确定目标知识库;其中,所述目标知识库中每条记录对应一条问答知识链路,所述问答知识链路中链路节点对应的节点信息存储在所述目标知识库中。
一个可选地实施例中,所述更新模块808进一步被配置为:
将第一意图节点和第二意图节点作为所述意图节点;将所述第一意图节点的第一意图节点信息和所述第二意图节点的第二意图节点信息作为所述意图节点的意图节点信息;按照意图节点优先级构建包含所述第一意图节点信息、所述第二意图节点信息和实体节点信息的知识链路。
一个可选地实施例中,所述更新模块808还被配置为:
接收携带有问题查询文本的查询请求;将所述问题查询文本输入至所述目标意图识别模型进行预测,获得与所述问题查询文本对应的预测意图信息;基于所述预测意图信息查询所述目标知识库,根据查询结果确定答案信息,并作为所述查询请求的响应。
一个可选地实施例中,所述更新模块808进一步被配置为:
基于所述预测意图信息,在所述目标知识库中查询包含所述预测意图信息的至少一条知识记录;在每条知识记录中提取基准问题文本;根据所述问题查询文本与每条基准问题文本的相似度,在至少一条知识记录中确定目标知识记录,并将所述目标知识记录中的答案文本作为所述问题查询文本的答案信息。
上述为本实施例的一种信息处理装置的示意性方案。需要说明的是,该信息处理装置的技术方案与上述的信息处理方法的技术方案属于同一构思,信息处理装置的技术方案未详细描述的细节内容,均可以参见上述信息处理方法的技术方案的描述。
图9示出了本说明书一实施例提供的一种信息查询装置的结构示意图。如图9所示,该装置包括:
接收模块902,被配置为接收携带有问题查询文本的查询请求;
输入模块904,被配置为将所述问题查询文本输入至目标意图识别模型进行预测,获得与所述问题查询文本对应的预测意图信息;
查询模块906,被配置为基于所述预测意图信息查询所述目标知识库,根据查询结果确定答案信息,并作为所述查询请求的响应;其中,所述目标意图识别模型和所述目标知识库通过上述方法确定。
综上所述,本说明书一实施例基于知识图谱中包含的实体节点以及与实体节点具有关联关系的意图节点对意图识别模型进行训练,同时基于实体节点和意图节点更新知识库,从而使得目标知识库中包含目标意图模型预测出的意图信息,便于基于意图信息在知识库中确定答案,从而提高答案确定的准确性。将意图节点和实体节点链接起来进行模型训练,使得意图节点能够融合更多的意图信息和实体信息,使得训练后的模型识别准确度更高,结合意图识别模型和知识库进行预测进一步提高预测效率和准确度。
上述为本实施例的一种信息查询装置的示意性方案。需要说明的是,该信息查询装置的技术方案与上述的信息查询方法的技术方案属于同一构思,信息查询装置的技术方案未详细描述的细节内容,均可以参见上述信息查询方法的技术方案的描述。
图10示出了本说明书一实施例提供的一种金融信息处理装置的结构示意图。如图10所示,该装置包括:
第三确定模块1002,被配置为在金融知识图谱中确定实体节点以及与所述实体节点具有关联关系的意图节点;
第四确定模块1004,被配置为基于所述实体节点和所述意图节点确定问题文本;
模型训练模块1006,被配置为将所述问题文本作为样本,所述意图节点作为与所述样本对应的标签,对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型;
金融知识库更新模块1008,被配置为基于所述实体节点和所述意图节点,将金融知识库更新为目标金融知识库;其中,所述目标金融知识库用于存储所述目标意图识别模型预测的至少一个意图信息,以及各意图信息与所述目标金融知识库中问题信息对应的映射关系。
一个可选地实施例中,所述金融知识库更新模块1008,还被配置为:
接收携带有金融问题查询文本的查询请求;基于所述查询请求,将所述金融问题查询文本输入至所述目标意图识别模型进行预测,获得与所述问题查询文本对应的预测意图信息;基于所述预测意图信息查询所述目标金融知识库,根据查询结果确定答案信息,并作为所述查询请求的响应。
一个可选地实施例中,所述金融知识库更新模块1008,还被配置为:
接收客户端通过信息查询页面提交的金融问题查询文本的查询请求;相应的,基于所述预测意图信息查询所述目标金融知识库,根据查询结果确定答案信息,并作为所述查询请求的响应步骤执行之后,还包括:基于所述答案信息生成反馈信息,所述反馈信息用于将所述客户端展示的所述信息查询页面更新为包含所述答案信息的信息反馈页面。
综上所述,本说明书一实施例基于金融知识图谱中包含的实体节点以及与实体节点具有关联关系的意图节点对意图识别模型进行训练,同时基于实体节点和意图节点更新金融知识库,从而使得目标金融知识库中包含目标意图模型预测出的意图信息,便于基于意图信息在知识库中确定答案,从而提高答案确定的准确性。将意图节点和实体节点链接起来进行模型训练,使得意图节点能够融合更多的意图信息和实体信息,使得训练后的模型识别准确度更高,结合意图识别模型和金融知识库进行预测进一步提高预测效率和准确度。
上述为本实施例的一种金融信息处理装置的示意性方案。需要说明的是,该金融信息处理装置的技术方案与上述的金融信息处理方法的技术方案属于同一构思,金融信息处理装置的技术方案未详细描述的细节内容,均可以参见上述金融信息处理方法的技术方案的描述。
图11示出了根据本说明书一实施例提供的一种计算设备1100的结构框图。该计算设备1100的部件包括但不限于存储器1110和处理器1120。处理器1120与存储器1110通过总线1130相连接,数据库1150用于保存数据。
计算设备1100还包括接入设备1140,接入设备1140使得计算设备1100能够经由一个或多个网络1160通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备1140可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备1100的上述部件以及图11中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图11所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备1100可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备1100还可以是移动式或静止式的服务器。
其中,处理器1120用于执行如下计算机可执行指令,该计算机可执行指令被处理器执行时实现上述信息处理方法的步骤。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的信息处理方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述信息处理方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现上述信息处理方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的信息处理方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述信息处理方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书并不受所描述的动作顺序的限制,因为依据本说明书,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (14)
1.一种信息处理方法,其特征在于,包括:
在知识图谱中确定实体节点以及与所述实体节点具有关联关系的意图节点,其中,所述意图节点包含第一意图节点和第二意图节点,所述第一意图节点与所述实体节点具有直接关联关系,所述第二意图节点与所述实体节点具有间接关联关系,所述第二意图节点为所述第一意图节点的属性;
基于所述实体节点和所述意图节点确定问题文本;
将所述问题文本作为样本,所述意图节点作为与所述样本对应的标签,对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型;
基于所述实体节点和所述意图节点,将知识库更新为目标知识库;
其中,所述目标知识库用于存储所述目标意图识别模型预测的至少一个意图信息,以及各意图信息与所述目标知识库中问题信息对应的映射关系。
2.根据权利要求1所述的方法,其特征在于,所述基于所述实体节点和所述意图节点确定问题文本,包括:
按照文本生成规则对所述实体节点的实体信息进行处理,根据处理结果生成与所述意图节点的意图信息之间具有意图关联关系的问题文本;
或者,
基于所述意图节点的意图信息和所述实体节点的实体信息创建问题文本确定任务;执行所述问题文本选择任务,根据执行结果确定问题文本。
3.根据权利要求1所述的方法,其特征在于,所述将所述问题文本作为样本,所述意图节点作为与所述样本对应的标签,对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型,包括:
将所述问题文本转换为问题向量,将所述意图节点转换为意图向量;
将所述问题向量输入至所述意图识别模型进行处理,获得预测意图向量;
基于所述预测意图向量和所述意图向量对所述意图识别模型进行调参,直至获得满足训练停止条件的目标意图识别模型。
4.根据权利要求3所述的方法,其特征在于,所述将所述意图节点转换为与所述问题向量对应的意图向量,包括:
基于所述知识图谱确定所述意图节点对应的至少一个关联意图节点;
构建每个关联意图节点的关联意图向量,计算所述意图节点与每个关联意图节点之间的关系向量;
基于每个关联意图节点的关联意图向量,以及所述意图节点与每个关联意图节点之间的关系向量,生成所述意图向量。
5.根据权利要求1所述的方法,其特征在于,所述基于所述实体节点和所述意图节点,将知识库更新为目标知识库,包括:
基于所述实体节点的实体节点信息和所述意图节点的意图节点信息构建意图知识链路;
根据所述实体节点信息在所述知识库中确定待更新问题文本;
基于所述意图知识链路对所述待更新问题文本对应的文本记录进行更新,根据更新结果确定目标知识库;
其中,所述目标知识库中每条记录对应一条问答知识链路,所述问答知识链路中链路节点对应的节点信息存储在所述目标知识库中。
6.根据权利要求5所述的方法,其特征在于,所述基于所述实体节点的实体节点信息和所述意图节点的意图节点信息构建知识链路,包括:
将第一意图节点和第二意图节点作为所述意图节点;
将所述第一意图节点的第一意图节点信息和所述第二意图节点的第二意图节点信息作为所述意图节点的意图节点信息;
按照意图节点优先级构建包含所述第一意图节点信息、所述第二意图节点信息和实体节点信息的知识链路。
7.根据权利要求1所述的方法,其特征在于,所述基于所述实体节点和所述意图节点,将知识库更新为目标知识库步骤执行之后,还包括:
接收携带有问题查询文本的查询请求;
将所述问题查询文本输入至所述目标意图识别模型进行预测,获得与所述问题查询文本对应的预测意图信息;
基于所述预测意图信息查询所述目标知识库,根据查询结果确定答案信息,并作为所述查询请求的响应。
8.根据权利要求7所述的方法,其特征在于,所述基于所述预测意图信息查询所述目标知识库,根据查询结果确定答案信息,包括:
基于所述预测意图信息,在所述目标知识库中查询包含所述预测意图信息的至少一条知识记录;
在每条知识记录中提取基准问题文本;
根据所述问题查询文本与每条基准问题文本的相似度,在至少一条知识记录中确定目标知识记录,并将所述目标知识记录中的答案文本作为所述问题查询文本的答案信息。
9.一种信息查询方法,其特征在于,包括:
接收携带有问题查询文本的查询请求;
将所述问题查询文本输入至目标意图识别模型进行预测,获得与所述问题查询文本对应的预测意图信息;
基于所述预测意图信息查询所述目标知识库,根据查询结果确定答案信息,并作为所述查询请求的响应;
其中,所述目标意图识别模型和所述目标知识库通过权利要求1-8任一项所述方法确定。
10.一种金融信息处理方法,其特征在于,包括:
在金融知识图谱中确定实体节点以及与所述实体节点具有关联关系的意图节点,其中,所述意图节点包含第一意图节点和第二意图节点,所述第一意图节点与所述实体节点具有直接关联关系,所述第二意图节点与所述实体节点具有间接关联关系,所述第二意图节点为所述第一意图节点的属性;
基于所述实体节点和所述意图节点确定问题文本;
将所述问题文本作为样本,所述意图节点作为与所述样本对应的标签,对意图识别模型进行训练,直至获得满足训练停止条件的目标意图识别模型;
基于所述实体节点和所述意图节点,将金融知识库更新为目标金融知识库;
其中,所述目标金融知识库用于存储所述目标意图识别模型预测的至少一个意图信息,以及各意图信息与所述目标金融知识库中问题信息对应的映射关系。
11.根据权利要求10所述的方法,还包括:
接收携带有金融问题查询文本的查询请求;
基于所述查询请求,将所述金融问题查询文本输入至所述目标意图识别模型进行预测,获得与所述问题查询文本对应的预测意图信息;
基于所述预测意图信息查询所述目标金融知识库,根据查询结果确定答案信息,并作为所述查询请求的响应。
12.根据权利要求11所述的方法,所述接收携带有金融问题查询文本的查询请求,包括:
接收客户端通过信息查询页面提交的金融问题查询文本的查询请求;
相应的,基于所述预测意图信息查询所述目标金融知识库,根据查询结果确定答案信息,并作为所述查询请求的响应步骤执行之后,还包括:
基于所述答案信息生成反馈信息,所述反馈信息用于将所述客户端展示的所述信息查询页面更新为包含所述答案信息的信息反馈页面。
13.一种计算设备,其特征在于,包括存储器和处理器;所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,以实现权利要求1至12任意一项所述方法的步骤。
14.一种计算机可读存储介质,其存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1至12任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310263165.7A CN115982391B (zh) | 2023-03-17 | 2023-03-17 | 信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310263165.7A CN115982391B (zh) | 2023-03-17 | 2023-03-17 | 信息处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115982391A CN115982391A (zh) | 2023-04-18 |
CN115982391B true CN115982391B (zh) | 2023-07-25 |
Family
ID=85963412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310263165.7A Active CN115982391B (zh) | 2023-03-17 | 2023-03-17 | 信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115982391B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852553B (zh) * | 2024-03-07 | 2024-05-10 | 深圳华强电子网集团股份有限公司 | 基于聊天记录提取元器件交易场景信息的语言处理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3702930A1 (en) * | 2017-11-27 | 2020-09-02 | ZTE Corporation | Intelligent question and answer method and device |
CN113312461A (zh) * | 2021-05-25 | 2021-08-27 | 深圳平安综合金融服务有限公司 | 基于自然语言处理的智能问答方法、装置、设备及介质 |
CN114647713A (zh) * | 2022-03-29 | 2022-06-21 | 招商银行股份有限公司 | 基于虚拟对抗的知识图谱问答方法、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427467B (zh) * | 2019-06-26 | 2022-10-11 | 深圳追一科技有限公司 | 问答处理方法、装置、计算机设备和存储介质 |
CN111506719B (zh) * | 2020-04-20 | 2023-09-12 | 深圳追一科技有限公司 | 一种关联问句推荐方法、装置、设备及可读存储介质 |
CN111831807A (zh) * | 2020-07-14 | 2020-10-27 | 北京妙医佳健康科技集团有限公司 | 意图识别方法、营养知识的问答方法及装置 |
-
2023
- 2023-03-17 CN CN202310263165.7A patent/CN115982391B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3702930A1 (en) * | 2017-11-27 | 2020-09-02 | ZTE Corporation | Intelligent question and answer method and device |
CN113312461A (zh) * | 2021-05-25 | 2021-08-27 | 深圳平安综合金融服务有限公司 | 基于自然语言处理的智能问答方法、装置、设备及介质 |
CN114647713A (zh) * | 2022-03-29 | 2022-06-21 | 招商银行股份有限公司 | 基于虚拟对抗的知识图谱问答方法、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Question Answering Model Based on Graph Knowledge and Entity Recognition;Shuya Ren et al;《2020 12th International Conference on Measuring Technology and Mechatronics Automation(ICMTMA)》;第578-581页 * |
基于知识图谱的智能问答意图识别联合模型;马自力 等;《计算机工程与应用》;59(6);第171-178页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115982391A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Topic sentiment mining for sales performance prediction in e-commerce | |
Khoshfetrat et al. | Critical risk factors for implementing building information modelling (BIM): a Delphi-based survey | |
US8688603B1 (en) | System and method for identifying and correcting marginal false positives in machine learning models | |
Cao et al. | Hybrid computational model for forecasting Taiwan construction cost index | |
CN113592568B (zh) | 一种商机挖掘方法、装置、计算机设备及存储介质 | |
CN115982391B (zh) | 信息处理方法及装置 | |
CN114693215A (zh) | 采购请求处理方法、装置、计算机设备及存储介质 | |
Ravinder et al. | ABC analysis for inventory management: Bridging the gap between research and classroom | |
Ocampo | Decision modeling for manufacturing sustainability with fuzzy analytic hierarchy process | |
CN116468460A (zh) | 基于人工智能的消费金融客户画像识别系统及其方法 | |
CN115455189A (zh) | 基于提示学习的政策文本分类方法 | |
Makridis et al. | A deep learning approach using natural language processing and time-series forecasting towards enhanced food safety | |
Rao et al. | BMSP-ML: big mart sales prediction using different machine learning techniques | |
Zhao et al. | Revolutionizing finance with llms: An overview of applications and insights | |
Rajkar et al. | Stock market price prediction and analysis | |
CN116756281A (zh) | 知识问答方法、装置、设备和介质 | |
KR101853555B1 (ko) | Sw 시장 정보 서비스 시스템 | |
CN115269984A (zh) | 一种专业情报推荐方法和系统 | |
Lo et al. | From ELIZA to ChatGPT: The Evolution of NLP and Financial Applications | |
Sträßer et al. | Knowledge Management of Private Banks as an Asset Improved by Artificial Intelligence Discipline—Applied to Strategic McKinsey Portfolio Concept as Part of the Portfolio Management | |
CN114298023A (zh) | 一种基于任务主题词驱动的用户决策需求生成方法及应用 | |
Oro et al. | A Cognitive Automation Approach for a Smart Lending and Early Warning Application. | |
CN112860878A (zh) | 业务数据推荐方法、存储介质及设备 | |
Kumar | Leveraging crowd knowledge to curate documentation for agile software industry using deep learning and expert ranking | |
Rahul et al. | Introduction to Data Mining and Machine Learning Algorithms |
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 | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |