CN116204624A - 应答方法、装置、电子设备及存储介质 - Google Patents
应答方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116204624A CN116204624A CN202310211897.1A CN202310211897A CN116204624A CN 116204624 A CN116204624 A CN 116204624A CN 202310211897 A CN202310211897 A CN 202310211897A CN 116204624 A CN116204624 A CN 116204624A
- Authority
- CN
- China
- Prior art keywords
- information
- determining
- sub
- candidate
- evaluation value
- 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
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
Abstract
本公开提供了一种应答方法、装置、电子设备及存储介质,涉及人工智能技术领域,尤其涉及自然语言理解、深度学习等领域。具体实现方案为:响应于检测到输入信息包括至少两个数据类别的至少两个子信息,确定至少两个子信息的多模态特征;根据多模态特征,从问题库中确定第一候选问题集;确定至少两个子信息中的每个子信息对应的第二候选问题集;根据第一候选问题集和与每个子信息对应的第二候选问题集,确定目标问题;以及基于目标问题确定针对输入信息的答案。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自然语言理解、深度学习等领域,更具体地,本公开提供了一种应答方法、装置、电子设备、存储介质以及计算机程序产品。
背景技术
对于网盘云服务类、电商类、社交类、办公类等客服平台的智能客服,随着用户反馈渠道增多,智能客服的反馈界面呈现多样化形式,例如在用户反馈的一个问题中,用户可能想要通过图片、语音、文本等多种方式向智能客服提问。智能客服准确理解用户意图是解决用户诉求的先决条件,但是目前智能客服支持的输入信息种类有限,且智能客服对用户意图的理解准确性偏低。
发明内容
本公开提供了一种应答方法、装置、电子设备、存储介质以及计算机程序产品。
根据本公开的一方面,提供了一种应答方法,包括:响应于检测到输入信息包括至少两个数据类别的至少两个子信息,确定至少两个子信息的多模态特征;根据多模态特征,从问题库中确定第一候选问题集;确定至少两个子信息中的每个子信息对应的第二候选问题集;根据第一候选问题集和与每个子信息对应的第二候选问题集,确定目标问题;以及基于目标问题确定针对输入信息的答案。
根据本公开的另一方面,提供了一种应答装置,包括:第一确定模块、第二确定模块、第三确定模块、第四确定模块以及第五确定模块。第一确定模块用于响应于检测到输入信息包括至少两个数据类别的至少两个子信息,确定至少两个子信息的多模态特征。第二确定模块用于根据多模态特征,从问题库中确定第一候选问题集。第三确定模块用于确定至少两个子信息中的每个子信息对应的第二候选问题集。第四确定模块用于根据第一候选问题集和与每个子信息对应的第二候选问题集,确定目标问题。第五确定模块用于基于目标问题确定针对输入信息的答案。
根据本公开的另一个方面,提供了一种电子设备,包括:至少一个处理器;以及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提供的方法。
根据本公开的另一个方面,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,其中,计算机指令用于使计算机执行本公开提供的方法。
根据本公开的另一个方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本公开提供的方法。
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是根据本公开实施例的应答方法和装置的应用场景示意图;
图2是根据本公开实施例的应答方法的示意流程图;
图3是根据本公开实施例的多阶段应答方法的示意原理图;
图4A是根据本公开实施例的意图理解阶段的示意原理图;
图4B是根据本公开实施例的针对多模态输入信息的意图理解阶段的示意原理图;
图5是根据本公开实施例的确定目标问题的示意流程图;
图6是根据本公开实施例的应答装置的示意结构框图;以及
图7是用来实施本公开实施例的应答方法的电子设备的结构框图。
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。
在一些实施例中,智能客服意图理解的处理方案主要基于用户输入的文本信息。例如,在智能客服的反馈界面中不展示图片和语音的反馈选项,用户只能通过文字形式反馈。又例如,智能客服中展示图片反馈选项,但是当用户输入图片时候,智能客服会提示用户使用文本的方式再次描述问题。又例如,遇到图片反馈问题,直接转人工处理。
然而随着交互样式的多样性,用户想要通过图片、语音和文本的多种方式向客服机器人提问。上述技术方案中的智能客服无法基于文本之外的其他信息准确理解用户意图,影响用户对产品使用的流畅度体验,降低对用户反馈问题的机器解决率。此外,由于智能客户获取的输入信息的数据类别有限,由此对用户意图的理解准确性偏低。
本公开实施例旨在提供一种应答方法,该方法能够基于多模态融合技术,充分抽取图片、语音、文本等多类别的特征信息,来确定第一候选问题集。还基于单模态的信息确定第二候选问题集,进而根据第一候选问题集和第二候选问题集确定目标问题,该目标问题可以准确表征用户要提出的问题,从而提升智能客服场景中意图理解的效果。
此外,在一些实施例中,除了利用多模态融合技术,还设计了多阶段的意图理解,利用漏斗型的方法逐层解决问题,同时形成优化闭环。
以下将结合附图和具体实施例详细阐述本公开提供的技术方案。
图1是根据本公开实施例的应答方法和装置的应用场景示意图。
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可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备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,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备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。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备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(例如根据用户的输入信息确定的答案等)反馈给终端设备。
需要说明的是,本公开实施例所提供的应答方法一般可以由服务器105执行。相应地,本公开实施例所提供的应答装置一般可以设置于服务器105中。本公开实施例所提供的应答方法也可以由不同于服务器105且能够与终端设备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应答装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、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终端设备、网络和服务器。
图2是根据本公开实施例的应答方法的示意流程图。
如图2所示,该应答方法200可以包括操作S210~操作S250。
在操作S210,响应于检测到输入信息包括至少两个数据类别的至少两个子信息,确定至少两个子信息的多模态特征。
例如,用户可以通过智能客服的反馈界面,输入文本、语音、图像、视频等类别的信息。
可以理解的是,输入信息可以包括单一数据类别的子信息,例如输入信息仅包括文本信息,或者输入信息仅包括音频信息。输入信息也可以至少两个数据类别的子信息,例如输入信息包括文本信息、音频信息和图像信息中的至少两种子信息。
例如,可以利用编码模块提取每个类别的子信息,得到子信息的特征。例如,当输入信息包括文本类别的文本信息和图像类别的图像信息时,可以提取文本信息的文本特征和图像信息的图像特征,可以将上述文本特征和图像特征确定为多模态特征,也可以对文本特征和图像特征进行融合,然后将融合后的特征作为多模态特征。
在操作S220,根据多模态特征,从问题库中确定第一候选问题集。
例如,可以确定多个问题中每个问题的特征,然后确定多模态特征和多个问题的特征之间的相似度,并将相似度大于等于阈值的问题,添加至第一候选问题集。
在操作S230,确定至少两个子信息中的每个子信息对应的第二候选问题集。
例如,可以预先配置子信息的数据类别和处理策略之间的对应关系,处理策略可以包括文本处理策略、音频处理策略和图像处理策略。
例如,文本处理策略可以从文本信息中提取关键词,然后基于预先配置的对应关系,确定与关键词对应的候选问题,并将该候选问题添加至针对文本信息的第二候选问题集a中。
例如,音频处理策略可以对音频信息进行ASR识别(自动语音识别,AutomaticSpeech Recognition),得到参考文本信息,然后采用与上述文本处理策略类似的方式来处理由音频信息转换的参考文本信息,针对音频信息的第二候选问题集b。
例如,图像处理策略可以对图像信息进行识别,确定与图像信息相关的实体信息,例如图像中包括与“账户会员”相关的会员实体、与“下载速度慢”相关的进度条实体等,然后可以基于实体信息与问题之间的对应关系,确定与实体信息对应的候选问题,并将该候选问题添加至针对图像信息的第二候选问题集c中。
可以看出,当输入信息包括文本类别的文本信息、语音类别的音频信息和图像类别的图像信息,确定出的第二候选问题集可以包括上述第二候选问题集a、第二候选问题集b和第二候选问题集c。
在操作S240,根据第一候选问题集和与每个子信息对应的第二候选问题集,确定目标问题。
例如,根据上述操作可以得到多个候选问题集,即第一候选问题集和与每个子信息对应的第二候选问题集。可以统计同一个候选问题在上述多个候选问题集中的出现频次,并将出现频次最高的候选问题,确定为目标问题。
在操作S250,基于目标问题确定针对输入信息的答案。
例如,可以预先构建问题和答案之间的对应关系,然后基于该对应关系,确定与目标问题对应的答案,作为针对输入信息的应答结果。
本公开实施例提供的技术方案可以根据多模态特征确定第一候选问题集,还基于单模态的信息确定第二候选问题集,进而根据第一候选问题集和第二候选问题集确定目标问题。该技术方案可以让用户通过多种方式反馈遇到的问题,增加反馈的灵活性,提高用户使用的满意度。并且确定出的目标问题可以准确表征用户要提出的问题,从而提升智能客服场景中意图理解的效果。
图3是根据本公开实施例的多阶段应答方法的示意原理图。
请参考图3,本实施例中,确定答案的方法可以包括多个阶段,例如第一阶段为意图引导阶段310,第二阶段为意图理解阶段320,第三阶段为意图完善阶段330。通过多阶段意图理解,提高多模态融合反馈内容的意图理解准确率。通过多模态融合技术,可以接收并理解用户多种样式的反馈。
在意图引导阶段31 0,可以在用户输入时,估计用户的输入内容,展示相应的问题,以便用户点击展示的问题,来降低意图理解难度,还可以降低用户输入难度。若用户点击该内容,则可以直接通过规则匹配的方法,展示与用户点击问题对应的答案。
在意图理解阶段320,若用户在前端页面输入文本、语音、图像等类别的输入信息之后,可以基于构建的问题库,采用相关的策略逐层对用户反馈意图进行理解。意图理解阶段320的处理策略将在下文进行详细描述,在此不再赘述。
在意图完善阶段330,若在意图引导阶段310和意图理解阶段320均未准确理解用户输入信息的意图,可以通过该阶段对问题库或者意图理解阶段320使用的深度学习模型进行优化。意图完善阶段330的处理策略将在下文进行详细描述,在此不再赘述。
图4A是根据本公开实施例的意图理解阶段的示意原理图。
请参考图4A,以下将对意图理解阶段进行详细说明。
意图理解阶段可以提高智能客服意图理解的准确率。例如,可以对输入信息410进行识别,确定输入信息410包括的子信息的数据类别420。
例如,当输入信息410仅包括文本、语音、图像等多种信息中的单一数据类别的信息时,意图理解阶段可以包括针对单一数据类别420的处理策略,例如意图理解阶段包括文本处理策略431、音频处理策略432、图像处理策略433之一。
又例如,当输入信息410同时包括文本、语音、图像等多种信息中的至少两个数据类型的子信息时,此时可以采用多模态处理策略,例如,多模态处理策略可以包括用于处理文本信息得到一个第一候选问题集的文本处理策略431、用于处理音频信息得到另一个第一候选问题集的音频处理策略432、用于处理图像信息得到另一个第一候选问题集的图像处理策略433,多模态处理策略还需要包括根据多模态特征确定第一候选问题集的融合处理策略434,以及用于根据第一候选问题集和与每个子信息对应的第二候选问题集确定目标问题的排序策略435。
以下结合图4B,对多模态处理策略中的文本处理策略431、音频处理策略432、图像处理策略433和融合处理策略434进行详细说明。
请参考图4B,上述文本处理策略431可以包括:对文本信息4311进行文本情感识别,确定负面情感值,若用户通过文字表达不满、愤怒等负面情感值超过情感阈值时,表示用户存在负向情感,此时可以优先发起人工处理流程,从而提高用户满意度。
若负面情感值未超过情感阈值,表示用户未存在较大负向情感,此时可以确定文本信息4311的文本向量4312,然后根据文本向量4312和问题库中问题的问题向量之间的第一相似度4313,从问题库中确定与文本信息4311对应的第二候选问题集4314。
例如,可以利用ERNIE3.0或者其他模型对文本信息4311进行向量化处理,得到文本向量4312。还可以预先对问题库中问题的描述文本进行向量化处理,得到问题向量。然后可以使用Faiss(Facebook AI SimilaritySearch)和TF-IDF(词频-逆向文件频率,termfrequency-inverse document frequency)方法或者其他方式,计算文本向量4312和问题向量之间的第一相似度4313,并将与文本向量4312之间的第一相似度4313大于等于阈值的问题,添加至与文本信息4311对应的第二候选问题集4314。
本实施例可以对文本信息4311进行处理,基于文本信息4311的文本向量4312和问题的问题向量之间的第一相似度4313,来召回第二候选问题集4314,可以确保第二候选问题集4314的准确性。
在一些实施例中,文本处理策略431可以省略对文本信息4311进行文本情感识别并确定负面情感值的操作。
请参考图4B,上述音频处理策略432可以包括:基于语调等信息,对音频信息4321进行音频情感识别,若用户的负向情感值超过阈值,表示用户存在负向情感,可以优先发起人工处理流程,从而提高用户满意度。
若未超过阈值,表示用户未存在较大负向情感,则可以确定参考文本信息4322的参考文本向量4323,然后根据参考文本向量4323和问题库中问题的问题向量之间的第二相似度4324,从问题库中确定与音频信息4321对应的第二候选问题集4325。
例如,可以对音频信息4321进行ASR识别,得到参考文本信息4322,然后采用上述文本处理策略431类似的方法继续处理参考文本,即,对参考文本信息4322进行情感分析确定是否需要发起人工处理流程,然后在不需要发起人工处理流程的情况下,对参考文本进行向量化处理,得到参考文本向量4323,然后计算文本向量和问题向量之间的第二相似度4324,并将与参考文本向量4323之间的第二相似度4324大于等于阈值的问题,添加至与音频信息4321对应的第二候选问题集4325。
本实施例可以对音频信息4321进行处理,然后基于参考文本的参考文本向量4323和问题的问题向量之间的第二相似度4324,召回第二候选问题集4325,可以确保第二候选问题集4325的准确性。
在一些实施例中,音频处理策略432可以省略对音频信息4321进行音频情感识别并确定负面情感值的操作。
需要说明的是,问题库中可以包括多个标准问题,标准问题表示对一类问题的规范化描述,此外,问题库中还可以包括与标准问题属于同一类问题的多个相似问题。例如某个标准问题为“退款”,相似问题可以包括“我不想要了”,“退钱”等。
在基于第一相似度和第二相似度4324召回第二候选问题集4325的过程中,若检索到相似度较高的相似问题,可以将相似问题映射到标准问题,并召回对应的标准问题,从而使召回的第二候选问题集4325中的问题更加规范化。
请参考图4B,上述图像处理策略433可以包括:确定图像信息4331的图像类别4333,然后根据图像类别4333,从问题库中确定与图像信息4331相对应的第二候选问题集4334。
例如,可以先对图像信息4331进行预处理,例如将图像信息4331缩放至预先设定大小,同时进行归一化处理。然后可以将预处理之后的图像信息4331输入第二深度学习模型4332,第二深度学习模型4332输出图像信息4331所属的至少一个图像类别4333,还输出该至少一个图像类别4333各自的第二分类置信度。第二深度学习模型4332可以是图像分类模型,例如是VGG1 6图像分类模型。
接下来,可以基于预先配置的图像类别4333和问题之间的对应关系,将与图像信息4331所属图像类别4333相对应的问题,添加至与图像信息4331相对应的第二候选问题集4334中。
需要说明的是,图像类别4333可以具有层级,例如一级图像类别为“会员类别”,二级图像类别为“会员生效日”和“会员续费价格”等。
本实施例可以对图像信息4331进行处理,然后基于第二深度学习模型4332来确定图像信息4331的图像类别4333,可以确保图像类别4333的准确性。此外,还基于图像类别4333和问题之间的对应关系确定第二候选问题集4334,可以提高数据处理效率。
请参考图4B,上述融合处理策略434可以包括:根据多模态特征4341,确定与输入信息相关联的问题类别4343,然后将多个问题中与问题类别4343相对应的问题,添加至第一候选问题集4344。
例如,可以确定输入信息的文本特征,该文本特征可以包括输入信息中文本信息的第一文本特征,还可以根据输入信息中音频信息确定的参考文本信息的第二文本特征。还可以确定输入信息中图像信息的图像特征。然后可以将文本特征和图像特征融合为多模态特征4341。需要说明的是,当输入信息中不包括图像信息时,图像特征可以设置为0。
例如,可以将多模态特征4341输入预先训练的第一深度学习模型4342,第一深度学习模型4342输出多模态特征4341所属的至少一个问题类别4343,还输出该至少一个问题类别4343各自的第一分类置信度。第一深度学习模型4342可以是分类模型,例如可以是模型ERNIE-ViL。可以理解的是,第一深度学习模型4342是利用训练样本进行训练的,训练样本可以包括多模态特征4341样本,标签表征样本实际类别。
例如,可以预先建立问题类别4343和问题之间的对应关系,然后可以基于该对应关系,将问题库中与问题类别4343相对应的问题添加至第一候选问题集4344。
本实施例根据多种数据类别的子信息确定多模态特征4341,然后基于第一深度学习模型4342确定输入信息相关联的问题类别4343,可以确保问题类别4343的准确性。此外,基于问题类别4343和对应关系确定第一候选问题集4344,可以提高数据处理效率。
图5是根据本公开实施例的确定目标问题的示意流程图。
以下结合图5,对本实施例中的排序策略540进行说明,本实施例中,排序策略540可以包括操作S541~操作S542。
在操作S541,针对第一候选问题集和第二候选问题集中每个候选问题,根据针对候选问题的评价指标,确定候选问题的评价值。
在操作S542,根据每个候选问题的评价值,确定目标问题。
本实施例基于候选问题的评价指标确定评价值,然后基于多个评价值,从多个候选问题中确定目标问题,可以从多个候选问题中筛选出与输入信息匹配度较高的目标问题,提高针对输入信息的意图理解效果。
例如,评价指标可以包括相似度。相似度例如可以包括以下中的至少一个:基于输入信息中文本信息和候选问题确定的第一相似度,以及基于参考文本信息和候选问题确定的第二相似度,其中参考文本信息是根据输入信息中的音频信息确定的。
例如,评价指标可以包括分类置信度。分类置信度例如可以包括以下中的至少一个:基于多模态特征确定的问题类别的第一分类置信度,输入信息中图像信息的图像类别的第二分类置信度。
本实施例将第一相似度、第二相似度、第一分类置信度和第二分类置信度作为评价指标,基于该些评价指标可以准确确定候选问题的评价值。
例如,可以针对候选问题,分别基于第一分类置信度、第二分类置信度、第一相似度和第二相似度,确定第一子评价值、第二子评价值、第三子评价值和第四子评价值。然后根据第一子评价值、第二子评价值、第三子评价值以及第四子评价值,确定候选问题的评价值。
例如,第一分类置信度与第一子评价值可以呈正相关,可以将第一分类置信度确定为第一子评价值。例如,第二分类置信度与第二子评价值可以呈正相关,可以将第二分类置信度确定为第二子评价值。例如,第一相似度与第三子评价值可以呈正相关,可以将第一相似度确定为第三子评价值。例如,第二相似度与第四子评价值可以呈正相关,可以将第二相似度确定为第四子评价值。
在其他实施例中,也可以预先建立评价指标和对应子评价值的的对应关系,并基于对应关系来确定对应的子评价值。例如,预先建立第一分类置信度和第一子评价值的对应关系,并基于对应关系来确定第一子评价值。
例如,可以将第一子评价值、第二子评价值、第三子评价值以及第四子评价值的加权和确定为评价值,四个评价指标的权重值可以相等。
本实施例根据多个评价指标来分别确定第一子评价值、第二子评价值、第三子评价值以及第四子评价值,并基于该四个子评价值来确定评价值,可以提高评价值的准确性,从而准确评估问题和输入信息的匹配程度。
在基于评价值确定目标问题的过程中,例如,可以将评价值按照从高至低的顺序进行排序,并将评价值排名前N个候选问题确定为目标问题,N是大于等于1的整数。
又例如,可以确定最大评价值是否大于等于第一阈值,若是,则表示用户较大概率在询问与该最大评价值对应的候选问题,因此可以将与最大评价值对应的候选问题,确定为目标问题,还可以直接输出与该最大评价值对应问题的答案。
若最大评价值小于第一阈值,则可以根据评价值的排序,将预定数量个问题确定为目标问题,预定数量个问题可以是评价值排名靠前的一些问题。还可以通过列表的形式输出该预定数量个目标问题,供用户选择。预定数量可以是至少两个,例如预定数量是5个。
此外,还可以确定上述预定数量个问题的评价值中是否包括小于等于第二阈值的评价值,若包括,则表示本轮针对输入信息的意图理解效果较差,可以进入意图完善阶段。若不包括,则表示本轮针对输入信息的意图理解效果较好,可以省略意图完善阶段的处理过程。
以上结合图4B和图5,对多模态处理策略中的文本处理策略、音频处理策略、图像处理策略、融合处理策略和排序策略进行详细说明。
意图完善阶段可以用于完善问题库和优化深度学习模型,以下将对意图完善阶段进行说明。
例如,可以在确定预定数量个问题的评价值中包括小于等于第二阈值的评价值的情况下,确定意图理解效果差。例如,意图理解效果差的原因为问题库中包括输入信息表征的实际问题,但是意图理解阶段未准确理解输入信息表征的实际问题,意图理解效果差的原因也可以为问题库中缺少输入信息表征的实际问题。例如,可以基于聚类模型和主动学习技术,分析意图理解效果差的原因。
例如,对于问题库中缺少输入信息表征的实际问题的情况,可以将与实际问题相关的问题添加至问题库中,从而对问题库进行扩充。与实际问题相关的问题可以是与输入信息相近含义的问题。
例如,对于问题库中包括输入信息表征的实际问题,但是未准确理解输入信息表征的实际问题的情况,可以将与实际问题相关的问题添加至问题库中,从而对问题库进行扩充。
例如,对于问题库中包括输入信息表征的实际问题,但是未准确理解输入信息表征的实际问题的情况,还可以基于该未准确理解的输入信息进行数据增强,并对上述意图理解阶段使用的深度学习模型进行训练,从而提高模型处理结果的准确性。
例如,可以根据输入信息中的至少两个子信息确定第一样本,例如将至少两个子信息进行特征提取得到多模态特征,然后将多模态特征作为第一样本,第一样本的标签为该输入信息所表征的实际问题的类别。然后利用第一样本训练第一深度学习模型,第一深度学习模型用于基于多模态特征确定问题类别。
又例如,可以根据输入信息中的图像信息确定第二样本,例如将输入信息中的图像信息进行特征提取得到图像特征,然后将该图像特征作为第二样本,第二样本的标签为图像类别。然后利用第二样本训练第二深度学习模型,第二深度学习模型用于基于输入信息中的图像信息确定图像类别。
可以看出,上述意图完善阶段可以用于完善问题库和优化深度学习模型,从而在后续处理输入信息的过程中,提高针对输入信息的意图理解效果。
图6是根据本公开实施例的应答装置的示意结构框图。
如图6所示,该应答装置600可以包括:第一确定模块610、第二确定模块620、第三确定模块630、第四确定模块640以及第五确定模块650。
第一确定模块610用于响应于检测到输入信息包括至少两个数据类别的至少两个子信息,确定至少两个子信息的多模态特征。
第二确定模块620用于根据多模态特征,从问题库中确定第一候选问题集。
第三确定模块630用于确定至少两个子信息中的每个子信息对应的第二候选问题集。
第四确定模块640用于根据第一候选问题集和与每个子信息对应的第二候选问题集,确定目标问题。
第五确定模块650用于基于目标问题确定针对输入信息的答案。
根据本公开另一实施例,第二确定模块包括:第一确定子模块和添加子模块。第一确定子模块用于根据多模态特征,确定与至少两个子信息相关联的问题类别。添加子模块用于将问题库中与问题类别相对应的问题,添加至第一候选问题集。
根据本公开另一实施例,第三确定模块包括:第二确定子模块和第三确定子模块。第二确定子模块用于响应于检测到至少两个子信息包括文本信息,确定文本信息的文本向量。第三确定子模块用于根据文本向量和问题库中问题的问题向量之间的第一相似度,从问题库中确定与文本信息对应的第二候选问题集。
根据本公开另一实施例,第三确定模块包括:第四确定子模块、第五确定子模块和第六确定子模块。第四确定子模块用于响应于检测到至少两个子信息包括音频信息,确定与音频信息对应的参考文本信息。第五确定子模块用于确定参考文本信息的参考文本向量。第六确定子模块用于根据参考文本向量和问题库中问题的问题向量之间的第二相似度,从问题库中确定与音频信息对应的第二候选问题集。
根据本公开另一实施例,第三确定模块包括:第七确定子模块和第八确定子模块。第七确定子模块用于响应于检测到至少两个子信息包括图像信息,确定图像信息的图像类别。第八确定子模块用于根据图像类别,从问题库中确定与图像信息相对应的第二候选问题集。
根据本公开另一实施例,第四确定模块包括:第九确定子模块和第十确定子模块。第九确定子模块用于针对第一候选问题集和第二候选问题集中每个候选问题,根据针对候选问题的评价指标,确定候选问题的评价值。第十确定子模块用于根据每个候选问题的评价值,确定目标问题。
根据本公开另一实施例,评价指标包括以下中的至少一个:基于多模态特征确定的问题类别的第一分类置信度,输入信息中图像信息的图像类别的第二分类置信度,基于输入信息中文本信息和候选问题确定的第一相似度,以及基于参考文本信息和候选问题确定的第二相似度,其中参考文本信息是根据输入信息中的音频信息确定的。
根据本公开另一实施例,评价指标包括第一分类置信度、第二分类置信度、第一相似度和第二相似度。第九确定子模块包括:第一确定单元和第二确定单元。第一确定单元用于针对候选问题,分别基于第一分类置信度、第二分类置信度、第一相似度和第二相似度,确定第一子评价值、第二子评价值、第三子评价值和第四子评价值。第二确定单元用于根据第一子评价值、第二子评价值、第三子评价值以及第四子评价值,确定候选问题的评价值。
根据本公开另一实施例,第十一确定子模块包括:第三确定单元和第四确定单元。第三确定单元用于响应于检测到最大评价值大于等于第一阈值,将与最大评价值对应的候选问题,确定为目标问题。第四确定单元用于响应于检测到最大评价值小于第一阈值,根据评价值的排序,将预定数量个问题确定为目标问题。
根据本公开另一实施例,上述装置还包括:添加模块和执行模块,添加模块用于响应于检测到预定数量个问题的评价值中包括小于等于第二阈值的评价值,且问题库中缺少输入信息表征的实际问题,将与实际问题相关的问题添加至问题库中。执行模块用于响应于检测到预定数量个问题的评价值中包括小于等于第二阈值的评价值,且问题库中包括输入信息表征的实际问题,执行以下操作中的至少一个:将与实际问题相关的问题添加至问题库中;根据至少两个子信息确定第一样本,以便利用第一样本训练第一深度学习模型,第一深度学习模型用于基于多模态特征确定问题类别;和根据输入信息中的图像信息确定第二样本,以便利用第二样本训练第二深度学习模型,第二深度学习模型用于基于输入信息中的图像信息确定图像类别。
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。
根据本公开的实施例,本公开还提供了一种电子设备,包括至少一个处理器;以及与至少一个处理器通信连接的存储器;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上述应答方法。
根据本公开的实施例,本公开还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,其中,计算机指令用于使计算机执行上述应答方法。
根据本公开的实施例,本公开还提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现上述应答方法。
图7是用来实施本公开实施例的应答方法的电子设备的结构框图。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7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如应答方法。例如,在一些实施例中,应答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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的应答方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行应答方法。
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 (23)
1.一种应答方法,包括:
响应于检测到输入信息包括至少两个数据类别的至少两个子信息,确定所述至少两个子信息的多模态特征;
根据所述多模态特征,从问题库中确定第一候选问题集;
确定所述至少两个子信息中的每个子信息对应的第二候选问题集;
根据所述第一候选问题集和与所述每个子信息对应的第二候选问题集,确定目标问题;以及
基于所述目标问题确定针对所述输入信息的答案。
2.根据权利要求1所述的方法,其中,所述根据所述多模态特征,从问题库中确定第一候选问题集包括:
根据所述多模态特征,确定与所述至少两个子信息相关联的问题类别;以及
将所述问题库中与所述问题类别相对应的问题,添加至所述第一候选问题集。
3.根据权利要求1所述的方法,其中,所述确定所述至少两个子信息中的每个子信息对应的第二候选问题集包括:
响应于检测到所述至少两个子信息包括文本信息,确定所述文本信息的文本向量;以及
根据所述文本向量和所述问题库中问题的问题向量之间的第一相似度,从所述问题库中确定与所述文本信息对应的第二候选问题集。
4.根据权利要求1所述的方法,其中,所述确定所述至少两个子信息中的每个子信息对应的第二候选问题集包括:
响应于检测到所述至少两个子信息包括音频信息,确定与所述音频信息对应的参考文本信息;
确定所述参考文本信息的参考文本向量;以及
根据所述参考文本向量和所述问题库中问题的问题向量之间的第二相似度,从所述问题库中确定与所述音频信息对应的第二候选问题集。
5.根据权利要求1所述的方法,其中,所述确定所述至少两个子信息中的每个子信息对应的第二候选问题集包括:
响应于检测到所述至少两个子信息包括图像信息,确定所述图像信息的图像类别;以及
根据所述图像类别,从所述问题库中确定与所述图像信息相对应的第二候选问题集。
6.根据权利要求1至5中任意一项所述的方法,其中,所述根据所述第一候选问题集和与所述每个子信息对应的第二候选问题集,确定目标问题包括:
针对所述第一候选问题集和所述第二候选问题集中每个候选问题,根据针对所述候选问题的评价指标,确定所述候选问题的评价值;以及
根据所述每个候选问题的评价值,确定所述目标问题。
7.根据权利要求6所述的方法,其中,所述评价指标包括以下中的至少一个:基于所述多模态特征确定的问题类别的第一分类置信度,所述输入信息中图像信息的图像类别的第二分类置信度,基于所述输入信息中文本信息和所述候选问题确定的第一相似度,以及基于参考文本信息和所述候选问题确定的第二相似度,其中所述参考文本信息是根据所述输入信息中的音频信息确定的。
8.根据权利要求7所述的方法,其中,所述评价指标包括第一分类置信度、第二分类置信度、第一相似度和第二相似度;所述根据针对所述候选问题的评价指标,确定所述候选问题的评价值包括:
针对所述候选问题,分别基于所述第一分类置信度、所述第二分类置信度、所述第一相似度和所述第二相似度,确定第一子评价值、第二子评价值、第三子评价值和第四子评价值;以及
根据所述第一子评价值、所述第二子评价值、所述第三子评价值以及所述第四子评价值,确定所述候选问题的评价值。
9.根据权利要求6所述的方法,其中,所述根据所述每个候选问题的评价值,确定所述目标问题包括:
响应于检测到最大评价值大于等于第一阈值,将与所述最大评价值对应的候选问题,确定为所述目标问题;以及
响应于检测到所述最大评价值小于所述第一阈值,根据评价值的排序,将预定数量个问题确定为所述目标问题。
10.根据权利要求9所述的方法,还包括:
响应于检测到所述预定数量个问题的评价值中包括小于等于第二阈值的评价值,且所述问题库中缺少所述输入信息表征的实际问题,将与所述实际问题相关的问题添加至所述问题库中;以及
响应于检测到所述预定数量个问题的评价值中包括小于等于第二阈值的评价值,且所述问题库中包括所述输入信息表征的实际问题,执行以下操作中的至少一个:
将与所述实际问题相关的问题添加至所述问题库中;
根据所述至少两个子信息确定第一样本,以便利用所述第一样本训练第一深度学习模型,所述第一深度学习模型用于基于多模态特征确定问题类别;和
根据所述输入信息中的图像信息确定第二样本,以便利用所述第二样本训练第二深度学习模型,所述第二深度学习模型用于基于所述输入信息中的图像信息确定图像类别。
11.一种应答装置,包括:
第一确定模块,用于响应于检测到输入信息包括至少两个数据类别的至少两个子信息,确定所述至少两个子信息的多模态特征;
第二确定模块,用于根据所述多模态特征,从问题库中确定第一候选问题集;
第三确定模块,用于确定所述至少两个子信息中的每个子信息对应的第二候选问题集;
第四确定模块,用于根据所述第一候选问题集和与所述每个子信息对应的第二候选问题集,确定目标问题;以及
第五确定模块,用于基于所述目标问题确定针对所述输入信息的答案。
12.根据权利要求11所述的装置,其中,所述第二确定模块包括:
第一确定子模块,用于根据所述多模态特征,确定与所述至少两个子信息相关联的问题类别;以及
添加子模块,用于将所述问题库中与所述问题类别相对应的问题,添加至所述第一候选问题集。
13.根据权利要求11所述的装置,其中,所述第三确定模块包括:
第二确定子模块,用于响应于检测到所述至少两个子信息包括文本信息,确定所述文本信息的文本向量;以及
第三确定子模块,用于根据所述文本向量和所述问题库中问题的问题向量之间的第一相似度,从所述问题库中确定与所述文本信息对应的第二候选问题集。
14.根据权利要求11所述的装置,其中,所述第三确定模块包括:
第四确定子模块,用于响应于检测到所述至少两个子信息包括音频信息,确定与所述音频信息对应的参考文本信息;
第五确定子模块,用于确定所述参考文本信息的参考文本向量;以及
第六确定子模块,用于根据所述参考文本向量和所述问题库中问题的问题向量之间的第二相似度,从所述问题库中确定与所述音频信息对应的第二候选问题集。
15.根据权利要求11所述的装置,其中,所述第三确定模块包括:
第七确定子模块,用于响应于检测到所述至少两个子信息包括图像信息,确定所述图像信息的图像类别;以及
第八确定子模块,用于根据所述图像类别,从所述问题库中确定与所述图像信息相对应的第二候选问题集。
16.根据权利要求11至15中任意一项所述的装置,其中,所述第四确定模块包括:
第九确定子模块,用于针对所述第一候选问题集和所述第二候选问题集中每个候选问题,根据针对所述候选问题的评价指标,确定所述候选问题的评价值;以及
第十确定子模块,用于根据所述每个候选问题的评价值,确定所述目标问题。
17.根据权利要求16所述的装置,其中,所述评价指标包括以下中的至少一个:基于所述多模态特征确定的问题类别的第一分类置信度,所述输入信息中图像信息的图像类别的第二分类置信度,基于所述输入信息中文本信息和所述候选问题确定的第一相似度,以及基于参考文本信息和所述候选问题确定的第二相似度,其中所述参考文本信息是根据所述输入信息中的音频信息确定的。
18.根据权利要求17所述的装置,其中,所述评价指标包括第一分类置信度、第二分类置信度、第一相似度和第二相似度;所述第九确定子模块包括:
第一确定单元,用于针对所述候选问题,分别基于所述第一分类置信度、所述第二分类置信度、所述第一相似度和所述第二相似度,确定第一子评价值、第二子评价值、第三子评价值和第四子评价值;以及
第二确定单元,用于根据所述第一子评价值、所述第二子评价值、所述第三子评价值以及所述第四子评价值,确定所述候选问题的评价值。
19.根据权利要求16所述的装置,其中,所述第十一确定子模块包括:
第三确定单元,用于响应于检测到最大评价值大于等于第一阈值,将与所述最大评价值对应的候选问题,确定为所述目标问题;以及
第四确定单元,用于响应于检测到所述最大评价值小于所述第一阈值,根据评价值的排序,将预定数量个问题确定为所述目标问题。
20.根据权利要求19所述的装置,还包括:
添加模块,用于响应于检测到所述预定数量个问题的评价值中包括小于等于第二阈值的评价值,且所述问题库中缺少所述输入信息表征的实际问题,将与所述实际问题相关的问题添加至所述问题库中;以及
执行模块,用于响应于检测到所述预定数量个问题的评价值中包括小于等于第二阈值的评价值,且所述问题库中包括所述输入信息表征的实际问题,执行以下操作中的至少一个:
将与所述实际问题相关的问题添加至所述问题库中;
根据所述至少两个子信息确定第一样本,以便利用所述第一样本训练第一深度学习模型,所述第一深度学习模型用于基于多模态特征确定问题类别;和
根据所述输入信息中的图像信息确定第二样本,以便利用所述第二样本训练第二深度学习模型,所述第二深度学习模型用于基于所述输入信息中的图像信息确定图像类别。
21.一种电子设备,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至10中任一项所述的方法。
22.一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至10中任一项所述的方法。
23.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310211897.1A CN116204624A (zh) | 2023-02-28 | 2023-02-28 | 应答方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310211897.1A CN116204624A (zh) | 2023-02-28 | 2023-02-28 | 应答方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116204624A true CN116204624A (zh) | 2023-06-02 |
Family
ID=86509316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310211897.1A Pending CN116204624A (zh) | 2023-02-28 | 2023-02-28 | 应答方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116204624A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401394A (zh) * | 2023-06-06 | 2023-07-07 | 摩尔线程智能科技(北京)有限责任公司 | 对象集和图像生成方法、装置、电子设备及存储介质 |
-
2023
- 2023-02-28 CN CN202310211897.1A patent/CN116204624A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401394A (zh) * | 2023-06-06 | 2023-07-07 | 摩尔线程智能科技(北京)有限责任公司 | 对象集和图像生成方法、装置、电子设备及存储介质 |
CN116401394B (zh) * | 2023-06-06 | 2023-08-29 | 摩尔线程智能科技(北京)有限责任公司 | 对象集和图像生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428010B (zh) | 人机智能问答的方法和装置 | |
CN112559800B (zh) | 用于处理视频的方法、装置、电子设备、介质和产品 | |
CN113407677B (zh) | 评估咨询对话质量的方法、装置、设备和存储介质 | |
CN107291774B (zh) | 错误样本识别方法和装置 | |
CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
CN113239204A (zh) | 文本分类方法及装置、电子设备、计算机可读存储介质 | |
CN113139816A (zh) | 信息处理方法、装置、电子设备和存储介质 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN116204624A (zh) | 应答方法、装置、电子设备及存储介质 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN110826327A (zh) | 情感分析方法、装置、计算机可读介质及电子设备 | |
EP4145306A1 (en) | Method and apparatus of processing data, electronic device, and medium | |
CN116468479A (zh) | 确定页面质量评估维度方法、页面质量的评估方法和装置 | |
CN114444514B (zh) | 语义匹配模型训练、语义匹配方法及相关装置 | |
CN107656627B (zh) | 信息输入方法和装置 | |
CN113360672B (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
CN113051381B (zh) | 信息质检方法、装置、计算机系统和计算机可读存储介质 | |
JP2023554210A (ja) | インテリジェント推奨用のソートモデルトレーニング方法及び装置、インテリジェント推奨方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
JP2021162997A (ja) | 情報処理装置及び情報処理方法 | |
CN113761183A (zh) | 意图识别方法和意图识别装置 | |
CN113344405B (zh) | 基于知识图谱生成信息的方法、装置、设备、介质和产品 | |
CN116911313B (zh) | 一种语义漂移文本的识别方法及装置 | |
CN113988923B (zh) | 确定信息的方法、装置、设备以及存储介质 | |
CN114139031B (zh) | 数据分类方法、装置、电子设备及存储介质 |
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 |