CN116010571A - 知识库构建方法、信息查询方法、装置以及设备 - Google Patents
知识库构建方法、信息查询方法、装置以及设备 Download PDFInfo
- Publication number
- CN116010571A CN116010571A CN202211713318.5A CN202211713318A CN116010571A CN 116010571 A CN116010571 A CN 116010571A CN 202211713318 A CN202211713318 A CN 202211713318A CN 116010571 A CN116010571 A CN 116010571A
- Authority
- CN
- China
- Prior art keywords
- question
- target
- determining
- answer
- answer pair
- 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
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000009411 base construction Methods 0.000 title claims abstract description 68
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000010365 information processing Effects 0.000 claims description 2
- 230000008685 targeting Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 239000000470 constituent Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 229920002334 Spandex Polymers 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004759 spandex Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种知识库构建方法、信息查询方法、装置、设备、存储介质以及程序产品，涉及数据处理技术领域，尤其涉及人工智能、智能搜索、自动驾驶技术领域，尤其涉及一种知识库构建方法、信息查询方法、知识库构建装置、信息查询装置、存储介质以及程序产品。具体实现方案为：根据与车辆相关的文本，确定句法元素，其中，与车辆相关的文本包括车辆文档；根据句法元素，确定至少一个第一目标问题；根据车辆文档，确定与每一个第一目标问题匹配的第一目标答案，得到至少一个第一问题‑答案对；以及根据至少一个第一问题‑答案对，确定问答对知识库。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及人工智能、智能搜索、自动驾驶技术领域，尤其涉及一种知识库构建方法、信息查询方法、知识库构建装置、信息查询装置、存储介质以及程序产品。
背景技术
随着车辆技术的发展，与车辆相关的人车交互功能服务也在不断优化，如何准确、高效地实现人车交互功能服务是一个亟需解决的技术问题。
发明内容
本公开提供了一种知识库构建方法、信息查询方法、知识库构建装置、信息查询装置、存储介质以及程序产品。
根据本公开的一方面，提供了一种知识库构建方法，包括：根据与车辆相关的文本，确定句法元素，其中，与车辆相关的文本包括车辆文档；根据句法元素，确定至少一个第一目标问题；根据车辆文档，确定与每一个第一目标问题匹配的第一目标答案，得到至少一个第一问题-答案对；以及根据至少一个第一问题-答案对，确定问答对知识库。
根据本公开的一方面，提供了一种信息查询方法，包括：对查询信息进行信息理解，得到目标查询信息；根据目标查询信息，从问答对知识库中确定候选问答对，其中，问答知识库是根据上述知识库构建方法得到的；根据目标查询信息与候选问答对之间的相似度，确定目标问答对；根据目标问答对，确定与查询信息匹配的目标答案。
根据本公开的另一方面，提供了一种知识库构建装置，包括：句法元素确定模块，用于根据与车辆相关的文本，确定句法元素，其中，与车辆相关的文本包括车辆文档；第一目标问题确定模块，用于根据句法元素，确定至少一个第一目标问题；第一问题-答案对确定模块，用于根据车辆文档，确定与每一个第一目标问题匹配的第一目标答案，得到至少一个第一问题-答案对；问答对知识库确定模块，用于根据至少一个第一问题-答案对，确定问答对知识库。
根据本公开的另一方面，提供了一种信息查询装置，包括：信息理解模块，用于对查询信息进行信息理解，得到目标查询信息；候选问答对确定模块，用于根据目标查询信息，从问答对知识库中确定候选问答对，其中，问答知识库是根据上述知识库构建装置得到的；目标问答对确定模块，用于根据目标查询信息与候选问答对之间的相似度，确定目标问答对；目标答案确定模块，用于根据目标问答对，确定与查询信息匹配的目标答案。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开实施例的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本公开实施例的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序存储于可读存储介质和电子设备其中至少之一上，计算机程序存储于可读存储介质和电子设备其中至少之一上，计算机程序在被处理器执行时实现本公开实施例的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1示意性示出了根据本公开实施例的知识库构建方法、信息查询方法和装置的系统架构图；
图2示意性示出了根据本公开实施例的知识库构建方法的流程图；
图3A示意性示出了根据本公开另一实施例的知识库构建方法的依存句法分析的示意图；
图3B示意性示出了根据本公开另一实施例的知识库构建方法的语义依存分析的示意图；
图4示意性示出了根据本公开又一实施例的知识库构建方法的示意图；
图5示意性示出了根据本公开又一实施例的知识库构建方法的示意图；
图6示意性示出了根据本公开实施例的信息查询方法的流程图；
图7示意性示出了根据本公开另一实施例的信息查询方法的示意图；
图8示意性示出了根据本公开实施例的知识库构建装置的框图；
图9示意性示出了根据本公开实施例的信息查询装置的框图；以及
图10示意性示出了可以实现本公开实施例的知识库构建方法、信息查询方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
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)。
根据任务场景的不同，人机交互系统包括为检索式人机交互系统，任务式人机交互系统等。
任务式人机交互系统通过用户输入的命令(例如导航、播放音乐等命令)，触发相应的车辆控制。
检索式人机交互系统基于预先建立的知识库，根据用户输入查询信息，从知识库中查询与该查询信息匹配的答案。
以知识库包括问答对(问题-答案对)为例进行说明，这种方式由于答案与问题匹配，所以不会出现答案不清楚等问题(例如一些实施方式是根据查询信息，生成答案，一些情况下会出现生成的答案混乱、不清楚的情况)。
图1示意性示出了根据本公开一实施例的知识库构建方法、信息查询方法、知识库构建装置、信息查询装置的系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括客户端101、102、103，网络104和服务器105。网络104用以在客户端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。
用户可以使用客户端101、102、103通过网络104与服务器105交互，以接收或发送消息等。客户端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)。
客户端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。本公开实施例的客户端101、102、103例如可以运行应用程序。
服务器105可以是提供各种服务的服务器，例如对用户利用客户端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)反馈给客户端。另外，服务器105还可以是云服务器，即服务器105具有云计算功能。
需要说明的是，本公开实施例所提供的知识库构建方法、信息查询方法可以由服务器105执行。相应地，本公开实施例所提供的知识库构建装置、信息查询装置可以设置于服务器105中。本公开实施例所提供的知识库构建方法、信息查询方法也可以由不同于服务器105且能够与客户端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知识库构建装置、信息查询装置也可以设置于不同于服务器105且能够与客户端101、102、103和/或服务器105通信的服务器或服务器集群中。
在一种示例中，服务器105可以通过网络104获取来自客户端101、102、103的与车辆相关的文本，进行知识库构建。服务器105还可以通过网络104获取来自客户端101、102、103的查询信息，进行信息查询。
应该理解，图1中的客户端、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客户端、网络和服务器。
应注意，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、提供和公开等处理，均符合相关法律法规的规定，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。
本公开实施例提供了一种知识库构建方法，下面结合图1的系统架构，参考图2～图5来描述根据本公开示例性实施方式的知识库构建方法。本公开实施例的知识库构建方法例如可以由图1所示的服务器105来执行。
图2示意性示出了根据本公开一实施例的知识库构建方法的流程图。
如图2所示，本公开实施例的知识库构建方法200例如可以包括操作S210～操作S240。
在操作S210，根据与车辆相关的文本，确定句法元素。
与车辆相关的文本包括车辆文档。
示例性地，车辆文档例如可以包括车企对于具体车辆的说明文档等。
示例性地，车辆文档例如可以是经过结构化处理后的结构化数据。
句法元素可以理解为针对任意一个句子的组成元素。句法元素例如可以从语法维度、语义维度等划分得到。例如，针对车辆文档的某一个句子，可以从语法角度，划分出主语、谓语以及宾语等语法相关的组成元素。例如，还可以从语义维度，划分出在该句子作为某些功能的语义角色。例如，作为人名的语义角色、作为职位的语义角色、作为地点的语义角色等。
在操作S220，根据句法元素，确定至少一个第一目标问题。
句法元素表征句子的组成元素，例如可以针对某一个组成元素作为提问的对象，可以得到第一目标问题。
在操作S230，根据车辆文档，确定与每一个第一目标问题匹配的第一目标答案，得到至少一个第一问题-答案对。
示例性地，第一问题-答案对例如可以用于表征第一目标问题与第一目标答案之间存在一对一、一对多、多对一或者多对多的关联关系。
在操作S240，根据至少一个第一问题-答案对，确定问答对知识库。
根据本公开实施例的知识库构建方法，通过根据与车辆相关的文本，确定句法元素，可以从车辆文档中确定任意一个句子的组成元素，作为后续确定第一目标问题、第一目标答案的基础，可以用于确定准确的第一问题-答案对。
具体地，通过根据句法元素，确定的第一目标问题可以与句法元素准确匹配。通过根据车辆文档，确定的与每一个第一目标问题匹配的第一目标答案更加完整，且与第一目标问题紧密关联。根据至少一个第一问题-答案对，确定的问答对知识库为问题-答案对的形式，可以避免出现答案混乱的情况。另外，由于第一问题-答案对的第一目标问题与第一目标答案相关联，因此，问答知识库用于信息查询的情况下，也可以避免出现答案混乱的情况，具有更高的信息查询效率。
根据本公开实施例的知识库构建方法，可以应用在人车交互场景，例如根据用户的查询信息，在问答知识库中查询到匹配的第一问题-答案对，并将第一目标答案发送给用户，可以避免出现答案混乱的情况，提高人机交互的效率。
根据本公开另一实施例的知识库构建方法，根据与车辆相关的文本，确定句法元素包括：对车辆文档进行依存句法分析，得到句法元素相关的语法属性。对车辆文档进行语义依存分析，得到句法元素相关的语义角色。
依存句法分析(Dependency Syntactic Parsing，DSP)通过依存弧连接句子中的两两词汇，以表示其句法关系，可以形成能表示整个句子句法关系的依存树。句法元素例如是句子中的词汇。
在图3A的示例中，示意性示出了对车辆文档的其中一个句子“车企A的董事长是B”进行依存句法分析的具体示例。
图3A的示例中，句法元素包括“车企A”、“的”、“职位B”，“是”以及“名字C”的具体示例，还示出了句法元素相关的语法属性的具体示例，例如“职位B”与“名字C”之间为动宾关系(VOB)，“职位B”与“是”之间为主谓关系(SBV)、“车企A”与“职位B”之间为定中关系(ATT)、“车企A”与“的”之间为右附加关系(RAD)、“是”为核心(HED)。
语义依存分析(Semantic Dependency Parsing，SDP)可以用于分析句子各个语言单位(语言单位例如是句子中的词汇)之间的语义关联，并将语义关联以依存结构呈现。与依存句法分析不同地，语义依存分析不受句法结构的影响，而是将具有直接语义关联的语言单元通过连接依存弧并标记上相应的语义关系。
在图3B的示例中，示意性示出了对车辆文档的其中一个句子“车企A的董事长是B”进行语义依存分析的具体示例。
图3B的示例中，句法元素包括“车企A”、“的”、“职位B”，“是”以及“名字C”的具体示例。
例如，在图3B的示例中，“root”表征全局核心节点，全局核心节点为“是”，“mDEPD”表征依附关系，“FEAT”表征“车企A”与“职位B”之间的形态特征，“EXP”表征“是”与“董事长”之间的“当事关系”，“LINK”表征客体角色。
以语义角色表征句子情境中的功能，可以将“车企A的职位”确定为一个表征“职位”的语义角色，可以将“名字C”确定为一个表征“名字”的语义角色。
根据本公开实施例的知识库构建方法，通过对车辆文档进行依存句法分析，得到句法元素相关的语法属性以及对车辆文档进行语义依存分析，得到句法元素相关的语义角色，可以从语法属性和语义角色的两个维度表征句法元素，语法属性表征句法元素之间的语法关系，语义角色表征句法元素在该句子场景的作用，从而可以准确、全面地从句子中挖掘信息，便于后续完整、准确地确定问答对。
根据本公开又一实施例的知识库构建方法，例如可以利用以下实施例实现根据句法元素，确定至少一个第一目标问题的具体示例：根据句法元素相关的语法属性和语义角色，得到针对任意一个语义角色的语法通用问题。将句法元素添加至语法通用问题，得到第一目标问题。
示例性地，在上述实施例的“车企A的职位B是名字C”的句子，可以得到“车企A的职位B”和“名字C”的两个语义角色，“车企A的职位B”是一种position(职位)信息，“名字C”是一种name(人名名称)信息，则例如可以将“position是谁”作为一个语法通用问题，与该语法通用问题的答案可以是“name”。例如还可以将“name是什么职位”作为另一个语法通用问题，该语法通用问题的答案可以是“position”。
示例性地，例如可以将句法元素的具体内容添加至语法通用问题中相应位置，得到第一目标问题。例如，在上述实施例中，可以将“车企A的职位B”作为position加入“position是谁”的语法通用问题中，得到“车企A的职位B是谁”这一第一目标问题，类似地，对应的第一目标答案例如可以是“名字C”。
根据本公开实施例的知识库构建方法，通过根据句法元素相关的语法属性和语义角色，得到针对任意一个语义角色的语法通用问题，可以多个覆盖同类型的问题，并且语法通用问题符合正确的语法。通过根据每一个语法通用问题和句法元素，确定第一目标问题，可以根据当前句子的具体内容，得到针对该具体内容的准确的第一目标问题。另外，基于准确的第一目标问题，后续也可以提高第一目标答案的准确性。
图4示意性示出了根据本公开又一实施例的知识库构建方法的示意图。
如图4所示，根据本公开又一实施例的知识库构建方法，还可以包括以下操作：对车辆文档401进行摘要提取，确定目标文档402。提取目标文档402中的关键信息，得到至少一个确定文本关键数据403。将文本关键数据403确定为第二目标答案。根据每一个第二目标答案和目标文档402生成与每一个第二目标答案匹配的第二目标问题404，得到至少一个第二问题-答案对。
目标文档的数据量小于车辆文档。
第二问题-答案对用于确定问答对知识库。
示例性地，例如可以通过文本生成模型M1实现根据每一个第二目标答案和目标文档生成第二目标问题的具体示例。
示例性地，文本生成模型M1例如可以是统一预训练语言模型UniLM(UnifiedLanguage Model Pre-training for Natural Language Understanding andGeneration)。
UniLM可以用于抽象摘要、生成问题等任务。
示例性地，例如可以通过TextRank、TF-IDF等方式实现提取目标文档中的关键信息，得到文本关键数据的具体示例。
示例性地，文本关键数据可以包括关键词、关键句、关键短语中的至少一个。
根据本公开实施例的知识库构建方法，可以对车辆文档再次进行第二目标问题-答案对的挖掘，不同于确定第一目标问题-答案对，第二目标问题-答案对是基于车辆文档的文本关键数据通过文本生成的方式构建的。数据量较多的车辆文档用于文本生成时容易出现混乱的情况下，因此，根据本公开实施例的知识库构建方法，通过对车辆文档进行摘要提取，可以确定数据量更少的目标文档。通过提取目标文档中的关键信息，得到文本关键数据，可以准确地从目标文档中挖掘到更为重要的关键信息。通过文本关键数据可以直接确定第二目标答案，第二目标答案更贴合于车辆文档的内容。通过根据第二目标答案和目标文档，确定的第二目标问题也会更准确，具有更高的问答对知识库构建效率。
图5示意性示出了根据本公开又一实施例的知识库构建方法的示意图。
如图5所示，根据本公开又一实施例的知识库构建方法，还可以包括以下操作：从车辆-用户对话日志501中确定与任意一个车辆文档502相关的至少一个用户提问目标问题503。对车辆文档502进行答案抽取，确定与用户提问目标问题503匹配的用户提问目标答案504，得到至少一个提问问题-答案对。
与车辆相关的文本还包括车辆-用户对话日志。
示例性地，车辆-用户对话日志例如可以是经过结构化处理后的结构化数据。
提问问题-答案对用于确定问答对知识库。
车辆-用户对话日志例如理解为实际场景下的车辆-用户对话内容，例如，用户提出问题Qa，车辆响应于提出的问题Qa，回答Aa。
示例性地，例如可以利用以下实施例实现从车辆-用户对话日志中确定与任意一个车辆文档相关的至少一个用户提问目标问题的具体示例：从车辆-用户对话日志中确定至少一个用户提问问题；对用户提问问题进行聚类，得到至少一个用户提问目标问题。
例如，根据车辆-用户对话日志，用户提出的问题(用户提问问题)都与车型S相关，则可以将车型S的说明文档作为与该车辆-用户对话日志对应的车辆文档，或者可以根据当前车辆文档，从车辆-用户对话日志中定位到与当前车辆文档相关的位置。
一些情况下，用户提问问题实质是相同的，例如只是表述上有一些区别，通过对用户提问问题进行聚类，例如可以将零散的多个用户提问问题处理为数量更少、更准确的用户提问目标问题，可以匹配更为准确的用户提问目标答案。
示例性地，例如可以根据LDA(Latent Dirichlet Allocation，文档主题生成模型)对车辆文档进行主题生成，用于匹配与当前车辆文档相关的用户提问问题。
示例性地，例如可以利用答案抽取模型对车辆文档进行答案抽取，确定与用户提问问题匹配的用户提问目标答案。答案抽取模型例如可以包括SpanBERT模型。
根据本公开实施例的知识库构建方法，还可以从车辆-用户对话日志匹配用户的历史提问问题(用户提问问题)，用户提问问题符合用户的提问习惯。因此，根据本公开实施例的知识库构建方法，可以基于用户提问问题，从车辆文档中抽取对应的答案，得到的用户提问目标答案与用户的提问习惯匹配，可以对车辆文档进行充分的问答对挖掘，通过提问问题-答案对确定的问答对知识库也更完整、更全面。
根据本公开又一实施例的知识库构建方法，还可以包括：对问答对进行评估，得到问答对评估值。根据问答对评估值对问答对进行筛选，得到目标问答对。
目标问答对用于确定问答对知识库。
问答对包括第一问题-答案对、第二问题-答案对、提问问题-答案对中的至少一个。
示例性地，例如可以人工标注一部分问答对的评估值，然后根据极度梯度提升树模型(eXtreme Gradient Boosting，简称为XGBoost)对其余问答对进行评估。例如，可以将人工批注的问答对的评估值准换为词向量，然后将其余问答对的例如依存句法分析结果、语义依存分析结果等也转换为词向量并进行拼接，拼接得到的向量可以作为输入，通过极度梯度提升树模型可以自动化确定其余问答对的评估值。
根据本公开实施例的知识库构建方法，通过上述确定的例如第一问题-答案对、第二问题-答案对以及提问问题-答案对，可以对车辆文档和车辆-用户对话日志进行充分挖掘。通过对问答对进行评估，得到问答对评估值以及根据问答对评估值对问答对进行筛选，得到目标问答对。可以可以过滤掉质量较低的问答对，保留质量更高的目标问答对，以确保更优的问答对质量。从而，本公开实施例的知识库构建方法，可以得到兼具数量多和质量高的目标问答对作为问答知识库，后续基于问答知识库的信息查询也具有更高的效率。
根据本公开又一实施例的知识库构建方法，还可以包括：构建与车辆相关的词汇知识库。
词汇知识库包括以下中的至少一个：核心词、同义词以及停用词。
示例性地，例如可以从相关网站、相关词典等获取核心词、同义词、停用词以构建词汇知识库。或者可以由相关人员添加核心词、同义词以及停用词等以构建词汇知识库。还可以基于自然语言理解技术抽取核心词、同义词以及停用词等以构建词汇知识库。
示例性地，核心词例如可以包括车辆品牌词汇、车辆型号词汇等。同义词可以理解为语义相同或者相近的词汇，例如“车胎”与“轮胎”可以作为一对同义词。在信息检索中，为节省存储空间和提高搜索效率，在处理自然语言数据(或文本)之前或之后会自动过滤掉某些字或词，这些字或词即被称为停用词(Stop Words)，停用词例如包括中文中的语气助词等。
在人车交互领域，很多都是针对不同车企和车型做的少样本冷启动的项目，且场景较为狭窄，话术容易缠绕。例如，很多车型的名称容易混淆等，因此考虑到人车交互的窄领域与容易缠绕的话术，根据本公开实施例的知识库构建方法，还通过构建与车辆相关的词汇知识库，后续例如可以基于构建的词汇知识库，提高人车交互场景下的信息查询准确性。
本公开实施例还提供了一种信息查询方法，下面结合图1的系统架构，参考图6～图7来描述根据本公开示例性实施方式的信息查询方法。本公开实施例的信息查询方法例如可以由图1所示的服务器105来执行。
图6示意性示出了根据本公开一实施例的信息查询方法的流程图。
如图6所示，本公开实施例的信息查询方法600例如可以包括操作S610～操作S640。
在操作S610，对查询信息进行信息理解，得到目标查询信息。
示例性地，查询信息例如可以是从图1的客户端获得的，客户端可以与车辆通信连接。或者查询信息可以是从设置在车辆的人车交互系统得到的。
在操作S620，根据目标查询信息，从问答对知识库中确定候选问答对。
问答知识库是根据上述实施例的知识库构建方法得到的。
在操作S630，根据目标查询信息与候选问答对之间的相似度，确定目标问答对。
在操作S640，根据目标问答对，确定与查询信息匹配的目标答案。
根据本公开实施例的信息查询方法，通过对查询信息进行信息理解，得到的目标查询信息更加准确，由此可以匹配到问答知识库中的更为准确的候选问答对。通过目标查询信息与候选问答对之间的相似度可以再次对候选问答对进行筛选，从而确定更加准确的目标问答对以及目标答案，具有更高的信息查询效率。
需要说明的是，本公开实施例的信息查询方法涉及一种检索式的问答交互形式，根据本公开上述实施例的知识库构建方法，可以构建准确、全面的问答对知识库(具体原理如上文，在此不再赘述)，基于该问答对知识库进行信息查询的效率和准确性均更高，应用于人车交互场景下，可以适应人车交互场景，解决例如话术缠绕、知识库不完整等带来的信息查询准确性较低的问题。
图7示意性示出了根据本公开另一实施例的信息查询方法的示意图。
如图7所示，根据本公开实施例的信息查询方法，例如可以利用以下实施例实现操作S710的对查询信息进行信息理解，得到目标查询信息的具体示例：对查询信息进行分词操作、同义词识别操作以及核心词识别操作中的至少一个，得到目标查询信息。
示例性地，查询信息例如可以用户提出的一个问句，根据本公开实施例的信息查询方法，通过对查询信息进行分词操作、同义词识别操作以及核心词识别操作中的至少一个，得到的目标查询信息可以更匹配于当前的问答知识库和词汇知识库，因此，后续根据目标查询信息进行信息查询的准确性会更高。
示例性地，例如可以基于词汇知识库进行同义词识别操作、核心词识别操作，以确定查询信息是否包含与词汇知识库相关内的同义词以及核心词等。
图7还示意性示出了知识库701的具体示例，知识库701可以包括问答对知识库和词汇知识库，词汇知识库包括同义词、核心词以及停用词。
如图7所示，根据本公开另一实施例的信息查询方法，例如可以利用以下实施例实现操作S720的根据目标查询信息，从问答知识库中确定候选问答对的具体示例：对目标查询信息进行停用词屏蔽操作、同义词替换操作中的至少一个，得到处理后的目标查询信息；确定处理后的目标查询信息和核心词之间的核心词相似度。根据核心词相似度，从问答对知识库中确定候选问答对。
一些情况下，查询信息是问题形式，所以可以根据核心词相似度，从问答对知识库中确定匹配的问题，例如可以是第一目标问题、第二目标问题、用户提问目标问题等，然后将该匹配的问题对应问答对作为候选问答对。
根据本公开实施例的信息查询方法，通过对目标查询信息进行停用词屏蔽操作以及同义词替换操作中的至少一个，得到的处理后的目标查询信息与问答对在文字表述层面的匹配度更高。通过确定处理后的目标查询信息系和核心词之间的核心词相似度以及根据核心词相似度，从问答对知识库中确定候选问答对可以以核心词相似度作为确定候选问答对的一个参数，便于准确确定候选问答对。
示例性地，例如可以基于词汇知识库进行停用词屏蔽操作、确定核心词相似度等。
示例性地，例如可以使用Elastic Search这一分析引擎实现对目标查询信息进行停用词屏蔽操作、同义词替换操作中的至少一个，得到处理后的目标查询信息。确定处理后的目标查询信息和核心词之间的核心词相似度。以及根据核心词相似度，从问答对知识库中确定候选问答对的操作。
如图7所示，根据本公开又一实施例的信息查询方法，例如可以利用以下实施例实现操作S730的根据目标查询信息与候选问答对的相似度，确定目标问答对的具体示例：根据目标查询信息和候选问答对之间的词汇相似度和语义相似度，确定目标问答对。
示例性地，例如可以利用核心词相似度和同义词相似度作为词汇相似度，例如可以利用RoBERTa(Robustly optimized BERT approach，强力优化的BERT方法)模型确定语义相似度。
根据本公开实施例的信息查询方法可以结合词汇相似度和语义相似度准确地从候选问答对中确定更匹配目标查询信息的目标问答对。
示例性地，可以向词汇相似度以及语义相似度赋予权重，该权重例如可以由相关人员根据具体的需求继续设置，由此，可以适应更广泛的应用场景。
示例性地，例如还可以设定一个相似度阈值，将根据目标查询信息和候选问答对之间的词汇相似度和语义相似度得到的相似度数值与相似度阈值进行比较，确定目标问答对，可以对候选问答对进行一次筛选，得更匹配、更准确的目标问答对。
示例性地，例如还可以根据场景要求对核心词、同义词等赋予不同的权重。例如，针对车企A的人车交互系统可以将车企A这一核心词赋予相对更高的权重。
示例性地，例如可以将目标问答对的答案作为目标答案。
图8示意性示出了根据本公开一实施例的知识库构建装置的框图。
如图8所示，本公开实施例的知识库构建装置800例如包括句法元素确定模块810、第一目标问题确定模块820、第一问题-答案对确定模块830以及问答对知识库确定模块840。
句法元素确定模块810，用于根据与车辆相关的文本，确定句法元素，其中，与车辆相关的文本包括车辆文档。
第一目标问题确定模块820，用于根据句法元素，确定至少一个第一目标问题。
第一问题-答案对确定模块830，用于根据车辆文档，确定与每一个第一目标问题匹配的第一目标答案，得到至少一个第一问题-答案对。
问答对知识库确定模块840，用于根据至少一个第一问题-答案对，确定问答对知识库。
示例性地，句法元素确定模块包括：依存句法分析子模块，用于对车辆文档进行依存句法分析，得到句法元素相关的语法属性；语义依存分析子模块，用于对车辆文档进行语义依存分析，得到句法元素相关的语义角色。
示例性地，第一目标问题确定模块包括：语法通用问题确定子模块，用于根据句法元素相关的语法属性和语义角色，得到针对任意一个语义角色的语法通用问题；第一目标问题确定子模块，用于将句法元素添加至语法通用问题，得到第一目标问题。
本公开实施例的知识库构建装置还包括：目标文档确定模块，用于对车辆文档进行摘要提取，确定目标文档，其中，目标文档的数据量小于车辆文档；文本关键数据确定模块，用于提取目标文档中的关键信息，得到至少一个文本关键数据；第二目标答案确定模块，用于将文本关键数据确定为第二目标答案；第二问题-答案对确定模块，用于根据每一个第二目标答案和目标文档生成与每一个第二目标答案匹配的第二目标问题，得到至少一个第二问题-答案对，第二问题-答案对用于确定问答对知识。
本公开实施例的知识库构建装置，与车辆相关的文本还包括车辆-用户对话日志；本公开实施例的知识库构建装置还包括：用户提问目标问题确定模块，用于从车辆-用户对话日志中确定与任意一个车辆文档相关的至少一个用户提问目标问题；提问问题-答案对确定模块，用于对车辆文档进行答案抽取，确定与用户提问目标问题匹配的用户提问目标答案，得到至少一个提问问题-答案对，其中，提问问题-答案对用于确定问答对知识库。
示例性地，用户提问目标问题确定模块包括：用户提问问题确定子模块，用于针对任意一个车辆文档，从车辆-用户对话日志中确定至少一个用户提问问题；聚类子模块，用于对用户提问问题进行聚类，得到至少一个用户提问目标问题。
本公开实施例的知识库构建装置，还包括：问答对评估值确定模块，用于对问答对进行评估，得到问答对评估值，其中，问答对包括第一问题-答案对、第二问题-答案对、提问问题-问答对中的至少一个；目标问答对确定模块，用于根据问答对评估值对问答对进行筛选，得到目标问答对，其中，目标问答对用于确定问答对知识库。
本公开实施例的知识库构建装置，还包括：词汇知识库确定模块，用于构建呢与车辆相关的词汇知识库，其中，词汇知识库包括以下中的至少一个：核心词、同义词以及停用词。
图9示意性示出了根据本公开一实施例的信息查询装置的框图。
如图9所示，本公开实施例的信息查询装置900例如包括信息理解模块910、候选问答对确定模块920、目标问答对确定模块930以及目标答案确定模块940。
信息理解模块910，用于对查询信息进行信息理解，得到目标查询信息。
候选问答对确定模块920，用于根据目标查询信息，从问答对知识库中确定候选问答对，其中，问答知识库是根据上述知识库构建装置得到的。
目标问答对确定模块930，用于根据目标查询信息与候选问答对之间的相似度，确定目标问答对。
目标答案确定模块940，用于根据目标问答对，确定与查询信息匹配的目标答案。
示例性地，信息理解模块包括：目标查询信息确定子模块，用于对查询信息进行分词操作、同义词识别操作以及核心词识别操作的至少一个，得到目标查询信息。
示例性地，候选问答对确定模块包括：目标查询信息处理子模块，用于对目标查询信息进行停用词屏蔽操作、同义词替换操作中的至少一个，得到处理后的目标查询信息；核心词相似度确定子模块，用于确定处理后的目标查询信息和核心词之间的核心词相似度；候选问答对确定子模块，用于根据核心词相似度，从问答对知识库中确定候选问答对。
示例性地，目标问答对确定模块包括：目标问答对确定子模块，用于根据目标查询信息和候选问答对之间的词汇相似度和语义相似度，确定目标问答对。
应该理解，本公开装置部分的实施例与本公开方法部分的实施例对应相同或类似，所解决的技术问题和所达到的技术效果也对应相同或类似，本公开在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如知识库构建方法、信息查询方法。例如，在一些实施例中，知识库构建方法、信息查询方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的知识库构建方法、信息查询方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行知识库构建方法、信息查询方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (27)
1.一种知识库构建方法，包括：
根据与车辆相关的文本，确定句法元素，其中，所述与车辆相关的文本包括车辆文档；
根据所述句法元素，确定至少一个第一目标问题；
根据所述车辆文档，确定与每一个所述第一目标问题匹配的第一目标答案，得到至少一个第一问题-答案对；以及
根据至少一个所述第一问题-答案对，确定问答对知识库。
2.根据权利要求1所述的方法，其中，所述根据与车辆相关的文本，确定句法元素包括：
对所述车辆文档进行依存句法分析，得到所述句法元素相关的语法属性；以及
对所述车辆文档进行语义依存分析，得到所述句法元素相关的语义角色。
3.根据权利要求2所述的方法，其中，所述根据所述句法元素，确定至少一个第一目标问题包括：
根据所述句法元素相关的所述语法属性和所述语义角色，得到针对任意一个所述语义角色的语法通用问题；以及
将所述句法元素添加至所述语法通用问题，得到所述第一目标问题。
4.根据权利要求1所述的方法，还包括：
对所述车辆文档进行摘要提取，确定目标文档，其中，所述目标文档的数据量小于所述车辆文档；
提取所述目标文档中的关键信息，得到至少一个文本关键数据；
将所述文本关键数据确定为第二目标答案；以及
根据每一个所述第二目标答案和所述目标文档生成与每一个所述第二目标答案匹配的第二目标问题，得到至少一个第二问题-答案对，所述第二问题-答案对用于确定所述问答对知识库。
5.根据权利要求4所述的方法，其中，所述与所述车辆相关的文本还包括车辆-用户对话日志；所述方法还包括：
从所述车辆-用户对话日志中确定与任意一个所述车辆文档相关的至少一个用户提问目标问题；以及
对所述车辆文档进行答案抽取，确定与所述用户提问目标问题匹配的用户提问目标答案，得到至少一个提问问题-答案对，其中，所述提问问题-答案对用于确定所述问答对知识库。
6.根据权利要求5所述的方法，其中，所述从所述车辆-用户对话日志中确定与任意一个所述车辆文档相关的至少一个用户提问目标问题包括：
针对任意一个所述车辆文档，从所述车辆-用户对话日志中确定至少一个用户提问问题；
对所述用户提问问题进行聚类，得到至少一个用户提问目标问题。
7.根据权利要求1-6中任一项所述的方法，还包括：
对问答对进行评估，得到问答对评估值，其中，所述问答对包括所述第一问题-答案对、所述第二问题-答案对、所述提问问题-问答对中的至少一个；以及
根据所述问答对评估值对所述问答对进行筛选，得到目标问答对，其中，所述目标问答对用于确定所述问答对知识库。
8.根据权利要求1-6中任一项所述的方法，还包括：
构建与车辆相关的词汇知识库，其中，所述词汇知识库包括以下中的至少一个：核心词、同义词以及停用词。
9.一种信息查询方法，包括：
对查询信息进行信息理解，得到目标查询信息；
根据所述目标查询信息，从问答对知识库中确定候选问答对，其中，所述问答知识库是根据权利要求1-8中任一项所述的知识库构建方法得到的；
根据所述目标查询信息与所述候选问答对之间的相似度，确定目标问答对；以及
根据所述目标问答对，确定与所述查询信息匹配的目标答案。
10.根据权利要求9所述的方法，其中，所述对查询信息进行信息理解，得到目标查询信息包括：
对所述查询信息进行分词操作、同义词识别操作以及核心词识别操作的至少一个，得到所述目标查询信息。
11.根据权利要求9所述的方法，其中，所述根据所述目标查询信息，从问答对知识库中确定候选问答对包括：
对所述目标查询信息进行停用词屏蔽操作、同义词替换操作中的至少一个，得到处理后的目标查询信息；
确定所述处理后的目标查询信息和核心词之间的核心词相似度；以及
根据所述核心词相似度，从所述问答对知识库中确定所述候选问答对。
12.根据权利要求9所述的方法，其中，所述根据所述目标查询信息与所述候选问答对的相似度，确定目标问答对包括：
根据所述目标查询信息和所述候选问答对之间的词汇相似度和语义相似度，确定所述目标问答对。
13.一种知识库构建装置，包括：
句法元素确定模块，用于根据与车辆相关的文本，确定句法元素，其中，所述与车辆相关的文本包括车辆文档；
第一目标问题确定模块，用于根据所述句法元素，确定至少一个第一目标问题；
第一问题→答案对确定模块，用于根据所述车辆文档，确定与每一个所述第一目标问题匹配的第一目标答案，得到至少一个第一问题→答案对；以及
问答对知识库确定模块，用于根据至少一个所述第一问题-答案对，确定问答对知识库。
14.根据权利要求13所述的装置，其中，所述句法元素确定模块包括：
依存句法分析子模块，用于对所述车辆文档进行依存句法分析，得到所述句法元素相关的语法属性；以及
语义依存分析子模块，用于对所述车辆文档进行语义依存分析，得到所述句法元素相关的语义角色。
15.根据权利要求14所述的装置，其中，所述第一目标问题确定模块包括：
语法通用问题确定子模块，用于根据所述句法元素相关的所述语法属性和所述语义角色，得到针对任意一个所述语义角色的语法通用问题；以及
第一目标问题确定子模块，用于将所述句法元素添加至所述语法通用问题，得到所述第一目标问题。
16.根据权利要求13所述的装置，还包括：
目标文档确定模块，用于对所述车辆文档进行摘要提取，确定目标文档，其中，所述目标文档的数据量小于所述车辆文档；
文本关键数据确定模块，用于提取所述目标文档中的关键信息，得到至少一个文本关键数据；
第二目标答案确定模块，用于将所述文本关键数据确定为第二目标答案；以及
第二问题-答案对确定模块，用于根据每一个所述第二目标答案和所述目标文档生成与每一个所述第二目标答案匹配的第二目标问题，得到至少一个第二问题-答案对，所述第二问题→答案对用于确定所述问答对知识。
17.根据权利要求16所述的装置，其中，所述与所述车辆相关的文本还包括车辆-用户对话日志；所述装置还包括：
用户提问目标问题确定模块，用于从所述车辆-用户对话日志中确定与任意一个所述车辆文档相关的至少一个用户提问目标问题；以及
提问问题-答案对确定模块，用于对所述车辆文档进行答案抽取，确定与所述用户提问目标问题匹配的用户提问目标答案，得到至少一个提问问题-答案对，其中，所述提问问题-答案对用于确定所述问答对知识库。
18.根据权利要求17所述的装置，其中，所述用户提问目标问题确定模块包括：
用户提问问题确定子模块，用于针对任意一个所述车辆文档，从所述车辆-用户对话日志中确定至少一个用户提问问题；
聚类子模块，用于对所述用户提问问题进行聚类，得到至少一个用户提问目标问题。
19.根据权利要求13-18中任一项所述的装置，还包括：
问答对评估值确定模块，用于对问答对进行评估，得到问答对评估值，其中，所述问答对包括所述第一问题-答案对、所述第二问题-答案对、所述提问问题-问答对中的至少一个；以及
目标问答对确定模块，用于根据所述问答对评估值对所述问答对进行筛选，得到目标问答对，其中，所述目标问答对用于确定所述问答对知识库。
20.根据权利要求13-18中任一项所述的装置，还包括：
词汇知识库确定模块，用于构建与车辆相关的词汇知识库，其中，所述词汇知识库包括以下中的至少一个：核心词、同义词以及停用词。
21.一种信息查询装置，包括：
信息理解模块，用于对查询信息进行信息理解，得到目标查询信息；
候选问答对确定模块，用于根据所述目标查询信息，从问答对知识库中确定候选问答对，其中，所述问答知识库是根据权利要求13-20中任一项所述的知识库构建装置得到的；
目标问答对确定模块，用于根据所述目标查询信息与所述候选问答对之间的相似度，确定目标问答对；以及
目标答案确定模块，用于根据所述目标问答对，确定与所述查询信息匹配的目标答案。
22.根据权利要求21所述的装置，其中，所述信息理解模块包括：
目标查询信息确定子模块，用于对所述查询信息进行分词操作、同义词识别操作以及核心词识别操作的至少一个，得到所述目标查询信息。
23.根据权利要求21所述的装置，其中，所述候选问答对确定模块包括：
目标查询信息处理子模块，用于对所述目标查询信息进行停用词屏蔽操作、同义词替换操作中的至少一个，得到处理后的目标查询信息；
核心词相似度确定子模块，用于确定所述处理后的目标查询信息和核心词之间的核心词相似度；以及
候选问答对确定子模块，用于根据所述核心词相似度，从所述问答对知识库中确定所述候选问答对。
24.根据权利要求21所述的装置，其中，所述目标问答对确定模块包括：
目标问答对确定子模块，用于根据所述目标查询信息和所述候选问答对之间的词汇相似度和语义相似度，确定所述目标问答对。
25.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8或者9-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8或者9-12中任一项所述的方法。
27.一种计算机程序产品，包括计算机程序，所述计算机程序存储于可读存储介质和电子设备其中至少之一上，所述计算机程序在被处理器执行时实现根据权利要求1-8或者9-12中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211713318.5A CN116010571A (zh) | 2022-12-29 | 2022-12-29 | 知识库构建方法、信息查询方法、装置以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211713318.5A CN116010571A (zh) | 2022-12-29 | 2022-12-29 | 知识库构建方法、信息查询方法、装置以及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116010571A true CN116010571A (zh) | 2023-04-25 |
Family
ID=86035009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211713318.5A Pending CN116010571A (zh) | 2022-12-29 | 2022-12-29 | 知识库构建方法、信息查询方法、装置以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116010571A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117370519A (zh) * | 2023-10-13 | 2024-01-09 | 北京百度网讯科技有限公司 | 生成问答对的方法、装置、设备、存储介质及程序产品 |
-
2022
- 2022-12-29 CN CN202211713318.5A patent/CN116010571A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117370519A (zh) * | 2023-10-13 | 2024-01-09 | 北京百度网讯科技有限公司 | 生成问答对的方法、装置、设备、存储介质及程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11521603B2 (en) | Automatically generating conference minutes | |
| US10831796B2 (en) | Tone optimization for digital content | |
| US9626622B2 (en) | Training a question/answer system using answer keys based on forum content | |
| US9336298B2 (en) | Dialog-enhanced contextual search query analysis | |
| US20160180726A1 (en) | Managing a question and answer system | |
| US9495387B2 (en) | Images for a question answering system | |
| US20160328467A1 (en) | Natural language question answering method and apparatus | |
| WO2018045646A1 (zh) | 基于人工智能的人机交互方法和装置 | |
| CN107209757B (zh) | 自然语言理解缓存器 | |
| US10108698B2 (en) | Common data repository for improving transactional efficiencies of user interactions with a computing device | |
| CN113657100B (zh) | 实体识别方法、装置、电子设备及存储介质 | |
| CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
| US10838993B2 (en) | Augment politeness in question answer systems | |
| CN114840671A (zh) | 对话生成方法、模型的训练方法、装置、设备及介质 | |
| WO2021063089A1 (zh) | 规则匹配方法、规则匹配装置、存储介质及电子设备 | |
| US20160364374A1 (en) | Visual indication for images in a question-answering system | |
| CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
| US10606903B2 (en) | Multi-dimensional query based extraction of polarity-aware content | |
| US20220365956A1 (en) | Method and apparatus for generating patent summary information, and electronic device and medium | |
| CN117112595A (zh) | 一种信息查询方法、装置、电子设备及存储介质 | |
| US20220198358A1 (en) | Method for generating user interest profile, electronic device and storage medium | |
| US20200159824A1 (en) | Dynamic Contextual Response Formulation | |
| CN116010571A (zh) | 知识库构建方法、信息查询方法、装置以及设备 | |
| CN116049370A (zh) | 信息查询方法和信息生成模型的训练方法、装置 | |
| CN115905497A (zh) | 确定答复语句的方法、装置、电子设备和存储介质 |
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 |