CN116166782A - 一种基于深度学习的智能问答方法 - Google Patents
一种基于深度学习的智能问答方法 Download PDFInfo
- Publication number
- CN116166782A CN116166782A CN202310094250.5A CN202310094250A CN116166782A CN 116166782 A CN116166782 A CN 116166782A CN 202310094250 A CN202310094250 A CN 202310094250A CN 116166782 A CN116166782 A CN 116166782A
- Authority
- CN
- China
- Prior art keywords
- question
- answer
- knowledge database
- answering
- data
- 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 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 56
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 235000012907 honey Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于深度学习的智能问答方法，属于人工智能及自然语言处理技术领域，该方法的实现包括以下步骤：构建问答知识数据库，进行数据预处理，相似语句自动生成丰富文本问答数据集；搭建问答系统网络，基于问答数据集训练模型；获取用户输入的问题，进行数据预处理；语义识别对比问题的相似度，检索问答知识数据库，搜索匹配答案；问答知识数据库在线实时更新，记录用户问题到知识数据库库，完成自我学习；使用Sentence‑BERT模型对文本数据进行句向量化处理，通过Faiss建立向量索引，使用IndexIVFFlat倒排文件索引方法提高检索速度。本发明能够实现高效准确的语义匹配，提高问答准确率和用户体验感。
Description
技术领域
本发明涉及人工智能及自然语言处理技术领域，具体地说是一种基于深度学习的智能问答方法。
背景技术
随着互联网时代的快速发展，越来越多的人们习惯于在网络上寻求问题解答，体现在生活中的各行各业中，用户每天提出的问题不仅数量多，还会出现很多描述方式不同但语义相同的问题，对这类问题重复进行解答会耗费大量的人力和物力。智能问答技术应运而生，它以准确、简洁的自然语言回答用户提出的复杂问题，被大家熟知的有解决人们线上购物需求的阿里的小蜜，满足人的陪伴需求的小爱同学等。
现有智能问答技术多以文本信息、语音信息交互，形式比较单一，无法准确获取用户意图，对于复杂的语句环境问答准确率低，影响用户体验感。传统的模型训练速度慢、计算量大、匹配精准度低，目前广泛使用深度神经网络来提取文本特征，常用的如RNN、CNN和Transformer等模型，其中Transformer具有更好的泛化性能，BERT等大型预训练神经网络模型被用于对话系统中的检索任务，但在生成任务上表现较差，而实现检索和生成模式的相结合更有助于提升问题答复的质量和效率，问答系统应该进一步提升对话生成的质量，提升数据利用率及加深对文本语义的理解。
发明内容
本发明的技术任务是针对以上不足之处，提供一种基于深度学习的智能问答方法，能够实现高效准确的语义匹配，提高问答准确率和用户体验感。
本发明解决其技术问题所采用的技术方案是：
一种基于深度学习的智能问答方法，该方法的实现包括以下步骤：
1)、构建问答知识数据库，进行数据预处理，相似语句自动生成丰富文本问答数据集；
2)、搭建问答系统网络，基于问答数据集训练模型；
3)、获取用户输入的问题，进行数据预处理；
4)、语义识别对比问题的相似度，检索问答知识数据库，搜索匹配答案；
5)、问答知识数据库在线实时更新，记录用户问题到知识数据库库，完成自我学习；
其中，使用Sentence-BERT模型对文本数据进行句向量化处理，通过Faiss建立向量索引，使用IndexIVFFlat倒排文件索引方法提高检索速度。
该方法能够精准地理解用户的意图，解决多义词在不同语境下具有不同含义的问题，实现快速及准确的文本相似度匹配，显著提高了文本匹配准确度及问答效率。
优选的，所述构建问答知识数据库，相似语句自动生成丰富文本问答数据集，
利用用户与客服的问答对数据构建问答文档；并进行数据预处理操作包括分词、去除停用词和分配id号操作，从而得到数据集；采集到的问题和答案对应id号存储于问答知识数据库中。
优选的，所述数据预处理操作具体包括：
去除标点符号等特殊符号；
采用jieba全模式分词，把句子中所有的可以成词的词语快速扫描出来；
采用哈工大停用词表，去除掉会影响分类结果的停用词。
优选的，所述搭建问答系统网络，基于问答数据集训练模型，
将问答数据集作为模型的输入，对深度学习网络模型进行训练，使用Sentence-BERT模型对文本数据进行句向量化处理，然后通过Faiss对这些特征向量进行计算并建立向量索引，最后利用倒排文件索引方法提高对数据的检索速度与准确度；
训练过程中，用预训练的Sentence-BERT模型参数，微调后获取最优参数，模型中引入双向自注意力机制，在训练过程中自动融入上下文信息，动态更新词、字向量，解决一词多义问题。
优选的，所述获取用户输入的问题并进行数据预处理，
对用户输入的问题进行语义特征向量提取，首先进行数据预处理包括分词、去除停用词；然后调用Sentence-BERT模型将预处理的数据转换为特征向量，即将分词映射成向量来表示。
优选的，所述语义识别对比问题的相似度，检索问答知识数据库，搜索匹配答案；
调用Faiss对步骤3)中转换得到的特征向量进行计算并建立向量索引；与问答知识数据库中问题进行相似度计算，具体计算方法为：使用余弦函数计算句向量之间的相似度，即两个向量的积除以模长的积来计算夹角的余弦值，从候选相似句中选择与用户问题最相似的答案，即取余弦值最大的。
进一步的，所述语义识别对比问题的相似度，检索问答知识数据库，搜索匹配答案，
首先基于原始的特征向量创建一个索引文件，首次创建包括Train和Add增加两个过程，之后索引文件中增加新的向量时，只需要依次执行Add操作；当增加向量数量过多时，可选择重新更新创建整个索引文件；
使用IndexIVFFlat倒排文件索引方法实现快速搜索：首先把问答知识数据库中所有向量通过K-means算法划分成多个聚类，查询时通过遍历全部聚类的中心向量，得到与输入向量最近邻的若干个聚类中心，最后在这些聚类中通过IndexFlatL2来计算向量间的距离，然后找出距离最接近的K个元素。
优选的，所述问答知识数据库在线实时更新，记录用户问题到知识数据库，完成自我学习；
当检索结果为空集或各个待定问句与输入问题的余弦相似度最高值低于匹配阈值时，则转人工回复，并将该问题增加进问答知识数据库中。
本发明还要求保护一种基于深度学习的智能问答系统，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行上述的基于深度学习的智能问答方法。
本发明还要求保护计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述的基于深度学习的智能问答方法。
本发明的一种基于深度学习的智能问答方法与现有技术相比，具有以下有益效果：
解决了传统的模型训练速度慢、计算量大、匹配精准度低等问题，提高问答准确率和用户体验感；本智能问答方法使用Sentence-BERT模型对文本数据进行句向量化处理，通过Faiss建立向量索引，使用IndexIVFFlat倒排文件索引方法提高检索速度，有效解决多义词在不同语境下具有不同含义的问题，实现了高效准确的语义匹配，显著提高了文本匹配准确度及问答效率。
附图说明
图1是本发明一个实施例提供的基于深度学习的智能问答方法实现流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本发明实施例提供了一种基于深度学习的智能问答方法，该方法的实现包括以下步骤：
S1、构建问答知识数据库，进行数据预处理，相似语句自动生成丰富文本问答数据集；
S2、搭建问答系统网络，基于问答数据集训练模型；
S3、获取用户输入的问题，进行数据预处理；
S4、语义识别对比问题的相似度，检索问答知识数据库，搜索匹配答案；
S5、问答知识数据库在线实时更新，记录用户问题到知识数据库库，完成自我学习；
其中，使用Sentence-BERT模型对文本数据进行句向量化处理，通过Faiss建立向量索引，使用IndexIVFFlat倒排文件索引方法提高检索速度。
本方法能够精准地理解用户的意图，解决多义词在不同语境下具有不同含义的问题，实现快速及准确的文本相似度匹配，显著提高了文本匹配准确度及问答效率。具体实现如下：
在步骤S1中，利用用户与客服的问答对数据构建问答文档；并进行分词、去除停用词和分配id号等数据预处理操作，从而得到数据集；采集到的问题和答案对应id号存储于问答知识数据库中。
本实施例中所述数据预处理操作具体包括：
去除标点符号等特殊符号；
采用jieba全模式分词，把句子中所有的可以成词的词语快速扫描出来；
采用哈工大停用词表，去除掉会影响分类结果的停用词。
在步骤S2中，将问答数据集作为模型的输入，对深度学习网络模型进行训练，使用Sentence-BERT模型对文本数据进行句向量化处理，然后通过Faiss对这些特征向量进行计算并建立向量索引，最后利用倒排文件索引方法提高对数据的检索速度与准确度；
训练过程中，用预训练的Sentence-BERT模型参数，微调后获取最优参数，模型中引入双向自注意力机制，在训练过程中自动融入上下文信息，动态更新词、字向量，解决一词多义问题。
在步骤S3中，对用户输入的问题进行语义特征向量提取，首先进行数据预处理包括分词、去除停用词；然后调用Sentence-BERT模型将预处理的数据转换为特征向量，即将分词映射成向量来表示。
在步骤S4中，调用Faiss对步骤3)中转换得到的特征向量进行计算并建立向量索引；与问答知识数据库中问题进行相似度计算，具体计算方法为：使用余弦函数计算句向量之间的相似度，即两个向量的积除以模长的积来计算夹角的余弦值，从候选相似句中选择与用户问题最相似的答案，即取余弦值最大的。
首先基于原始的特征向量创建一个索引文件，首次创建包括Train和Add增加两个过程，之后索引文件中增加新的向量时，只需要依次执行Add操作；当增加向量数量过多时，可选择重新更新创建整个索引文件；
使用IndexIVFFlat倒排文件索引方法实现快速搜索：首先把问答知识数据库中所有向量通过K-means算法划分成多个聚类，查询时通过遍历全部聚类的中心向量，得到与输入向量最近邻的若干个聚类中心，最后在这些聚类中通过IndexFlatL2来计算向量间的距离，然后找出距离最接近的K个元素。
在步骤S5中，当检索结果为空集或各个待定问句与输入问题的余弦相似度最高值低于匹配阈值时，则转人工回复，并将该问题增加进问答知识数据库中。
本发明实施例还提供一种基于深度学习的智能问答系统，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行上述实施例所述的基于深度学习的智能问答方法。
本发明实施例还提供一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述实施例中所述的基于深度学习的智能问答方法。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的智能问答方法，其特征在于，该方法的实现包括以下步骤：
1)、构建问答知识数据库，进行数据预处理，相似语句自动生成丰富文本问答数据集；
2)、搭建问答系统网络，基于问答数据集训练模型；
3)、获取用户输入的问题，进行数据预处理；
4)、语义识别对比问题的相似度，检索问答知识数据库，搜索匹配答案；
5)、问答知识数据库在线实时更新，记录用户问题到知识数据库库，完成自我学习；
其中，使用Sentence-BERT模型对文本数据进行句向量化处理，通过Faiss建立向量索引，使用IndexIVFFlat倒排文件索引方法提高检索速度。
2.根据权利要求1所述的一种基于深度学习的智能问答方法，其特征在于，所述构建问答知识数据库，相似语句自动生成丰富文本问答数据集，
利用用户与客服的问答对数据构建问答文档；并进行数据预处理操作包括分词、去除停用词和分配id号操作，从而得到数据集；采集到的问题和答案对应id号存储于问答知识数据库中。
3.根据权利要求2所述的一种基于深度学习的智能问答方法，其特征在于，所述数据预处理操作具体包括：
去除标点符号等特殊符号；
采用jieba全模式分词，把句子中所有的可以成词的词语快速扫描出来；
采用哈工大停用词表，去除掉会影响分类结果的停用词。
4.根据权利要求1或2所述的一种基于深度学习的智能问答方法，其特征在于，所述搭建问答系统网络，基于问答数据集训练模型，
将问答数据集作为模型的输入，对深度学习网络模型进行训练，使用Sentence-BERT模型对文本数据进行句向量化处理，然后通过Faiss对这些特征向量进行计算并建立向量索引，最后利用倒排文件索引方法提高对数据的检索速度与准确度；
训练过程中，用预训练的Sentence-BERT模型参数，微调后获取最优参数，模型中引入双向自注意力机制，在训练过程中自动融入上下文信息，动态更新词、字向量，解决一词多义问题。
5.根据权利要求4所述的一种基于深度学习的智能问答方法，其特征在于，所述获取用户输入的问题并进行数据预处理，
对用户输入的问题进行语义特征向量提取，首先进行数据预处理包括分词、去除停用词；然后调用Sentence-BERT模型将预处理的数据转换为特征向量，即将分词映射成向量来表示。
6.根据权利要求5所述的一种基于深度学习的智能问答方法，其特征在于，所述语义识别对比问题的相似度，检索问答知识数据库，搜索匹配答案；
调用Faiss对步骤3)中转换得到的特征向量进行计算并建立向量索引；与问答知识数据库中问题进行相似度计算，具体计算方法为：使用余弦函数计算句向量之间的相似度，即两个向量的积除以模长的积来计算夹角的余弦值，从候选相似句中选择与用户问题最相似的答案，即取余弦值最大的。
7.根据权利要求6所述的一种基于深度学习的智能问答方法，其特征在于，所述语义识别对比问题的相似度，检索问答知识数据库，搜索匹配答案，
首先基于原始的特征向量创建一个索引文件，首次创建包括Train和Add增加两个过程，之后索引文件中增加新的向量时，只需要依次执行Add操作；当增加向量数量过多时，可选择重新更新创建整个索引文件；
使用IndexIVFFlat倒排文件索引方法实现快速搜索：首先把问答知识数据库中所有向量通过K-means算法划分成多个聚类，查询时通过遍历全部聚类的中心向量，得到与输入向量最近邻的若干个聚类中心，最后在这些聚类中通过IndexFlatL2来计算向量间的距离，然后找出距离最接近的K个元素。
8.根据权利要求7所述的一种基于深度学习的智能问答方法，其特征在于，所述问答知识数据库在线实时更新，记录用户问题到知识数据库，完成自我学习；
当检索结果为空集或各个待定问句与输入问题的余弦相似度最高值低于匹配阈值时，则转人工回复，并将该问题增加进问答知识数据库中。
9.一种基于深度学习的智能问答系统，其特征在于，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行权利要求1至8任一所述的方法。
10.计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1至8任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310094250.5A CN116166782A (zh) | 2023-02-07 | 2023-02-07 | 一种基于深度学习的智能问答方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310094250.5A CN116166782A (zh) | 2023-02-07 | 2023-02-07 | 一种基于深度学习的智能问答方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116166782A true CN116166782A (zh) | 2023-05-26 |
Family
ID=86421479
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310094250.5A Pending CN116166782A (zh) | 2023-02-07 | 2023-02-07 | 一种基于深度学习的智能问答方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116166782A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116822633A (zh) * | 2023-08-31 | 2023-09-29 | 清华大学 | 基于自我认知的模型推理方法、装置及电子设备 |
| CN117076757A (zh) * | 2023-10-16 | 2023-11-17 | 校导帮(南京)科技创业有限公司 | 基于大模型的知识服务检索和管理系统 |
| CN117094396A (zh) * | 2023-10-19 | 2023-11-21 | 北京英视睿达科技股份有限公司 | 知识抽取方法、装置、计算机设备及存储介质 |
| CN117332851A (zh) * | 2023-09-08 | 2024-01-02 | 珠海盈米基金销售有限公司 | 一种基于私有知识库的llm问答平台搭建方法及系统 |
| CN117592562A (zh) * | 2024-01-18 | 2024-02-23 | 卓世未来(天津)科技有限公司 | 基于自然语言处理的知识库自动构建方法 |
| CN117609444A (zh) * | 2023-11-08 | 2024-02-27 | 天讯瑞达通信技术有限公司 | 一种基于大模型的搜索问答方法 |
| CN117633179A (zh) * | 2023-11-30 | 2024-03-01 | 武汉铁路职业技术学院 | 一种铁路行业智能问答助手系统 |
| CN117743548A (zh) * | 2023-12-21 | 2024-03-22 | 北京新数科技有限公司 | 一种基于大模型的本地知识库智能问答方法、系统、设备及可读存储介质 |
| CN117891929A (zh) * | 2024-03-18 | 2024-04-16 | 南京华飞数据技术有限公司 | 改进型深度学习算法的知识图谱智能问答信息识别方法 |
| CN118051602A (zh) * | 2024-04-15 | 2024-05-17 | 可之(宁波)人工智能科技有限公司 | 面向信息安全领域的智能问答方法及系统、介质、设备 |
| CN118093843A (zh) * | 2024-04-25 | 2024-05-28 | 湖南科德信息咨询集团有限公司 | 基于知识库的问答处理系统 |
| CN118133843A (zh) * | 2024-05-06 | 2024-06-04 | 深圳启程智远网络科技有限公司 | 一种基于自更新nlp的语义识别方法、设备及介质 |
| CN118133843B (zh) * | 2024-05-06 | 2024-07-05 | 深圳启程智远网络科技有限公司 | 一种基于自更新nlp的语义识别方法、设备及介质 |
-
2023
- 2023-02-07 CN CN202310094250.5A patent/CN116166782A/zh active Pending
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116822633B (zh) * | 2023-08-31 | 2023-12-26 | 清华大学 | 基于自我认知的模型推理方法、装置及电子设备 |
| CN116822633A (zh) * | 2023-08-31 | 2023-09-29 | 清华大学 | 基于自我认知的模型推理方法、装置及电子设备 |
| CN117332851B (zh) * | 2023-09-08 | 2024-05-31 | 珠海盈米基金销售有限公司 | 一种基于私有知识库的llm问答平台搭建方法及系统 |
| CN117332851A (zh) * | 2023-09-08 | 2024-01-02 | 珠海盈米基金销售有限公司 | 一种基于私有知识库的llm问答平台搭建方法及系统 |
| CN117076757A (zh) * | 2023-10-16 | 2023-11-17 | 校导帮(南京)科技创业有限公司 | 基于大模型的知识服务检索和管理系统 |
| CN117076757B (zh) * | 2023-10-16 | 2024-01-23 | 校导帮(南京)科技创业有限公司 | 基于大模型的知识服务检索和管理系统 |
| CN117094396A (zh) * | 2023-10-19 | 2023-11-21 | 北京英视睿达科技股份有限公司 | 知识抽取方法、装置、计算机设备及存储介质 |
| CN117094396B (zh) * | 2023-10-19 | 2024-01-23 | 北京英视睿达科技股份有限公司 | 知识抽取方法、装置、计算机设备及存储介质 |
| CN117609444A (zh) * | 2023-11-08 | 2024-02-27 | 天讯瑞达通信技术有限公司 | 一种基于大模型的搜索问答方法 |
| CN117633179B (zh) * | 2023-11-30 | 2024-06-21 | 武汉铁路职业技术学院 | 一种铁路行业智能问答助手系统 |
| CN117633179A (zh) * | 2023-11-30 | 2024-03-01 | 武汉铁路职业技术学院 | 一种铁路行业智能问答助手系统 |
| CN117743548A (zh) * | 2023-12-21 | 2024-03-22 | 北京新数科技有限公司 | 一种基于大模型的本地知识库智能问答方法、系统、设备及可读存储介质 |
| CN117592562B (zh) * | 2024-01-18 | 2024-04-09 | 卓世未来(天津)科技有限公司 | 基于自然语言处理的知识库自动构建方法 |
| CN117592562A (zh) * | 2024-01-18 | 2024-02-23 | 卓世未来(天津)科技有限公司 | 基于自然语言处理的知识库自动构建方法 |
| CN117891929A (zh) * | 2024-03-18 | 2024-04-16 | 南京华飞数据技术有限公司 | 改进型深度学习算法的知识图谱智能问答信息识别方法 |
| CN117891929B (zh) * | 2024-03-18 | 2024-05-17 | 南京华飞数据技术有限公司 | 改进型深度学习算法的知识图谱智能问答信息识别方法 |
| CN118051602A (zh) * | 2024-04-15 | 2024-05-17 | 可之(宁波)人工智能科技有限公司 | 面向信息安全领域的智能问答方法及系统、介质、设备 |
| CN118093843A (zh) * | 2024-04-25 | 2024-05-28 | 湖南科德信息咨询集团有限公司 | 基于知识库的问答处理系统 |
| CN118133843A (zh) * | 2024-05-06 | 2024-06-04 | 深圳启程智远网络科技有限公司 | 一种基于自更新nlp的语义识别方法、设备及介质 |
| CN118133843B (zh) * | 2024-05-06 | 2024-07-05 | 深圳启程智远网络科技有限公司 | 一种基于自更新nlp的语义识别方法、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116166782A (zh) | 一种基于深度学习的智能问答方法 | |
| CN112035730B (zh) | 一种语义检索方法、装置及电子设备 | |
| CN112800170A (zh) | 问题的匹配方法及装置、问题的回复方法及装置 | |
| CN113157885B (zh) | 一种面向人工智能领域知识的高效智能问答系统 | |
| CN110390049B (zh) | 一种面向软件开发问题的答案自动生成方法 | |
| CN117149984B (zh) | 一种基于大模型思维链的定制化培训方法及装置 | |
| CN112685550B (zh) | 智能问答方法、装置、服务器及计算机可读存储介质 | |
| CN112349294B (zh) | 语音处理方法及装置、计算机可读介质、电子设备 | |
| CN116150335A (zh) | 一种军事场景下文本语义检索方法 | |
| CN113221530A (zh) | 一种基于circle loss的文本相似度匹配方法、装置、计算机设备和储存介质 | |
| CN113032541A (zh) | 一种基于bert并融合句群检索的答案抽取方法 | |
| CN115858750A (zh) | 基于自然语言处理的电网技术标准智能问答方法及系统 | |
| CN111563378A (zh) | 一种联合学习的多文档阅读理解实现方法 | |
| CN114461774A (zh) | 一种基于语义相似度的问答系统搜索匹配方法及其应用 | |
| CN116910272B (zh) | 基于预训练模型t5的学术知识图谱补全方法 | |
| CN107562907B (zh) | 一种智能律师专家案件应答装置 | |
| CN116628146A (zh) | 一种金融领域的faq智能问答方法及系统 | |
| CN115238705A (zh) | 语义解析结果重排序方法及系统 | |
| CN112000782A (zh) | 一种基于k-means聚类算法的智能客服问答系统 | |
| CN117453895B (zh) | 一种智能客服应答方法、装置、设备及可读存储介质 | |
| CN117609444B (zh) | 一种基于大模型的搜索问答方法 | |
| CN114218939A (zh) | 文本分词方法、装置、设备及存储介质 | |
| CN117057360A (zh) | 一种用于进行用户分层的语义处理方法 | |
| CN118093822A (zh) | 法律领域的法律知识智慧问答匹配方法 | |
| CN116150309A (zh) | 意图识别方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |