CN116595154B - 任务处理方法以及自动问答方法 - Google Patents

任务处理方法以及自动问答方法 Download PDF

Info

Publication number
CN116595154B
CN116595154B CN202310868639.0A CN202310868639A CN116595154B CN 116595154 B CN116595154 B CN 116595154B CN 202310868639 A CN202310868639 A CN 202310868639A CN 116595154 B CN116595154 B CN 116595154B
Authority
CN
China
Prior art keywords
plug
task processing
task
information
target
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
Application number
CN202310868639.0A
Other languages
English (en)
Other versions
CN116595154A (zh
Inventor
马坚鑫
林润基
葛文斌
张珍茹
周畅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba China Co Ltd
Original Assignee
Alibaba China Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba China Co Ltd filed Critical Alibaba China Co Ltd
Priority to CN202310868639.0A priority Critical patent/CN116595154B/zh
Publication of CN116595154A publication Critical patent/CN116595154A/zh
Application granted granted Critical
Publication of CN116595154B publication Critical patent/CN116595154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33Querying
    • G06F16/332Query formulation
    • G06F16/3329Natural language query formulation or dialogue systems
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00Handling natural language data
    • G06F40/20Natural language analysis
    • G06F40/205Parsing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00Arrangements for program control, e.g. control units
    • G06F9/06Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44Arrangements for executing specific programs
    • G06F9/445Program loading or initiating
    • G06F9/44521Dynamic linking or loading; Link editing at or after load time, e.g. Java class loading
    • G06F9/44526Plug-ins; Add-ons
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Machine Translation (AREA)

Abstract

本说明书实施例提供任务处理方法以及自动问答方法,其中所述任务处理方法包括:接收任务处理请求,其中,任务处理请求携带目标任务信息;利用任务处理模型分析目标任务信息,在确定第三方插件处理目标任务信息的情况下,调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果,其中,任务处理模型为自然语言的深度学习模型。通过将任务处理模型和第三方插件相结合,从而可以处理多模态的任务,提高了任务处理的任务范围,并且,在调用第三方插件之前判断是否要通过第三方插件处理目标任务信息,实现了在有调用需求的情况下才调用第三方插件,提高了任务处理的灵活性。

Description

任务处理方法以及自动问答方法
技术领域
本说明书实施例涉及计算机技术领域,特别涉及一种任务处理方法。本说明书一个或者多个实施例同时涉及一种自动问答方法,一种任务处理装置,一种自动问答装置,一种计算设备,一种计算机可读存储介质以及一种计算机程序。
背景技术
随着计算机技术的发展,大模型开始大放异彩,在语言理解、生成、交互和推理方面表现出的非凡能力,广泛应用于对话、翻译、代码生成等的自然语言处理领域。然而,大模型只支持处理文本任务,无法完成其他复杂任务,因此,如何使大模型完成只靠文本处理无法完成的复杂任务逐渐成为研究重点。
目前,可以设置通用接口将大模型与相关的组件直接“链接”在一起,以利用相关组件进行复杂任务处理。然而,上述方案在任务处理过程中必须要调用相关组件,导致任务处理灵活性极低,因此,亟需一种灵活性高的任务处理方案。
发明内容
有鉴于此,本说明书实施例提供了一种任务处理方法。本说明书一个或者多个实施例同时涉及一种自动问答方法,一种任务处理装置,一种自动问答装置,一种计算设备,一种计算机可读存储介质以及一种计算机程序,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,提供了一种任务处理方法,包括:
接收任务处理请求,其中,任务处理请求携带目标任务信息;
利用任务处理模型分析目标任务信息,在确定第三方插件处理目标任务信息的情况下,调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果,其中,任务处理模型为自然语言的深度学习模型。
根据本说明书实施例的第二方面,提供了一种自动问答方法,包括:
接收客户端发送的问题处理请求,其中,问题处理请求携带待解答问题;
利用任务处理模型分析待解答问题,在确定第三方插件处理待解答问题的情况下,调用目标第三方插件对待解答问题进行处理,获得问题处理请求对应的答复结果,其中,任务处理模型为自然语言的深度学习模型。
根据本说明书实施例的第三方面,提供了一种任务处理装置,包括:
第一接收模块,被配置为接收任务处理请求,其中,任务处理请求携带目标任务信息;
第一处理模块,被配置为利用任务处理模型分析目标任务信息,在确定第三方插件处理目标任务信息的情况下,调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果,其中,任务处理模型为自然语言的深度学习模型。
根据本说明书实施例的第四方面,提供了一种自动问答装置,包括:
第二接收模块,被配置为接收客户端发送的问题处理请求,其中,问题处理请求携带待解答问题;
第二处理模块,被配置为利用任务处理模型分析待解答问题,在确定第三方插件处理待解答问题的情况下,调用目标第三方插件对待解答问题进行处理,获得问题处理请求对应的答复结果,其中,任务处理模型为自然语言的深度学习模型。
根据本说明书实施例的第五方面,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,该计算机可执行指令被处理器执行时实现上述第一方面或者第二方面所提供方法的步骤。
根据本说明书实施例的第六方面,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上述第一方面或者第二方面所提供方法的步骤。
根据本说明书实施例的第七方面,提供了一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述第一方面或者第二方面所提供方法的步骤。
本说明书一个实施例提供的任务处理方法,接收任务处理请求,其中,任务处理请求携带目标任务信息;利用任务处理模型分析目标任务信息,在确定第三方插件处理目标任务信息的情况下,调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果,其中,任务处理模型为自然语言的深度学习模型。通过将任务处理模型和第三方插件相结合,从而可以处理多模态的任务,提高了任务处理的任务范围,并且,在调用第三方插件之前判断是否要通过第三方插件处理目标任务信息,实现了在有调用需求的情况下才调用第三方插件,提高了任务处理的灵活性。
附图说明
图1是本说明书一个实施例提供的一种任务处理系统的架构图;
图2是本说明书一个实施例提供的另一种任务处理系统的架构图;
图3是本说明书一个实施例提供的一种任务处理方法的流程图;
图4是本说明书一个实施例提供的一种自动问答方法的流程图;
图5是本说明书一个实施例提供的一种任务处理方法的处理过程流程图;
图6是本说明书一个实施例提供的另一种任务处理方法的处理过程流程图;
图7a是本说明书一个实施例提供的一种自动问答界面的界面示意图;
图7b是本说明书一个实施例提供的一种答复结果展示界面的界面示意图;
图8是本说明书一个实施例提供的一种任务处理装置的结构示意图;
图9是本说明书一个实施例提供的一种自动问答装置的结构示意图;
图10是本说明书一个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”。
此外,需要说明的是,本说明书一个或多个实施例所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
本说明书一个或多个实施例中,大模型是指具有大规模模型参数的深度学习模型,通常包含上亿、上百亿、上千亿、上万亿甚至十万亿以上的模型参数。大模型又可以称为基石模型/基础模型(Foundation Model),通过大规模无标注的语料进行大模型的预训练,产出亿级以上参数的预训练模型,这种模型能适应广泛的下游任务,模型具有较好的泛化能力,例如大规模语言模型(LLM,Large Language Model)、多模态预训练模型(multi-modal pre-training model)等。
大模型在实际应用时,仅需少量样本对预训练模型进行微调即可应用于不同的任务中,大模型可以广泛应用于自然语言处理(NLP,Natural Language Processing)、计算机视觉等领域,具体可以应用于如视觉问答(VQA,Visual Question Answering)、图像描述(IC,Image Caption)、图像生成等计算机视觉领域任务,以及基于文本的情感分类、文本摘要生成、机器翻译等自然语言处理领域任务,大模型主要的应用场景包括数字助理、智能机器人、搜索、在线教育、办公软件、电子商务、智能设计等。
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。
插件:插件(Plugin)是遵循一定规范的应用程序接口编写出来的程序。实际应用中,插件可以称为应用程序接口(API,Application Programming Interface)、工具(Tool)。
随着计算机技术的发展,大模型开始大放异彩,在语言理解、生成、交互和推理方面表现出的非凡能力,广泛应用于对话、翻译、代码生成等的自然语言处理领域。然而,大模型只支持处理文本任务,无法完成其他复杂任务,因此,如何使大模型完成只靠文本处理无法完成的复杂任务逐渐成为研究重点。
目前,可以设置通用接口将大模型与相关的组件直接“链接”在一起,以利用相关组件进行复杂任务处理。然而,上述方案在任务处理过程中必须要调用相关组件,导致任务处理灵活性极低。
为了解决上述问题,本说明书实施例提供了一种任务处理方案,可以赋予任务处理模型使用一系列第三方插件的能力,将任务处理模型和第三方插件相结合从而完成一系列只靠文本生成无法完成的复杂任务。
具体地,接收任务处理请求,其中,任务处理请求携带目标任务信息;利用任务处理模型分析目标任务信息,在确定第三方插件处理目标任务信息的情况下,调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果,其中,任务处理模型为自然语言的深度学习模型。通过将任务处理模型和第三方插件相结合,从而可以处理多模态的任务,提高了任务处理的任务范围,并且,在调用第三方插件之前判断是否要通过第三方插件处理目标任务信息,实现了在有调用需求的情况下才调用第三方插件,提高了任务处理的灵活性。
在本说明书中,提供了一种任务处理方法,本说明书同时涉及一种自动问答方法,一种任务处理装置,一种自动问答装置,一种计算设备,一种计算机可读存储介质以及一种计算机程序,在下面的实施例中逐一进行详细说明。
参见图1,图1示出了本说明书一个实施例提供的一种任务处理系统的架构图,任务处理系统可以包括客户端100和服务端200;
客户端100,用于向服务端200发送任务处理请求,其中,任务处理请求携带目标任务信息;
服务端200,用于利用任务处理模型分析目标任务信息,在确定第三方插件处理目标任务信息的情况下,调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果,其中,任务处理模型为自然语言的深度学习模型;向客户端100发送任务处理结果;
客户端100,还用于接收服务端200发送的任务处理结果。
应用本说明书实施例的方案,通过将任务处理模型和第三方插件相结合,从而可以处理多模态的任务,提高了任务处理的任务范围,并且,在调用第三方插件之前判断是否要通过第三方插件处理目标任务信息,实现了在有调用需求的情况下才调用第三方插件,提高了任务处理的灵活性。
参见图2,图2示出了本说明书一个实施例提供的另一种任务处理系统的架构图,任务处理系统可以包括多个客户端100以及服务端200。多个客户端100之间通过服务端200可以建立通信连接,在任务处理场景中,服务端200即用来在多个客户端100之间提供任务处理服务,多个客户端100可以分别作为发送端或接收端,通过服务端200实现通信。
用户通过客户端100可与服务端200进行交互以接收其它客户端100发送的数据,或将数据发送至其它客户端100等。在任务处理场景中,可以是用户通过客户端100向服务端200发布数据流,服务端200根据该数据流生成任务处理结果,并将任务处理结果推送至其他建立通信的客户端中。
其中,客户端100与服务端200之间通过网络建立连接。网络为客户端100与服务端200之间提供了通信链路的介质。网络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。客户端100所传输的数据可能需要经过编码、转码、压缩等处理之后才发布至服务端200。
客户端100可以为浏览器、APP(Application,应用程序)、或网页应用如H5(HyperText Markup Language5,超文本标记语言第5版)应用、或轻应用(也被称为小程序,一种轻量级应用程序)或云应用等,客户端100可以基于服务端200提供的相应服务的软件开发工具包(SDK,Software Development Kit),如基于实时通信(RTC,Real TimeCommunication)SDK开发获得等。客户端100可以部署在电子设备中,需要依赖设备运行或者设备中的某些APP而运行等。电子设备例如可以具有显示屏并支持信息浏览等,如可以是个人移动终端如手机、平板电脑、个人计算机等。在电子设备中通常还可以配置各种其它类应用,例如人机对话类应用、模型训练类应用、文本处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
服务端200可以包括提供各种服务的服务器,例如为多个客户端提供通信服务的服务器,又如为客户端上使用的模型提供支持的用于后台训练的服务器,又如对客户端发送的数据进行处理的服务器等。需要说明的是,服务端200可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器也可以是云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN,Content DeliveryNetwork)以及大数据和人工智能平台等基础云计算服务的云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。
值得说明的是,本说明书实施例中提供的任务处理方法一般由服务端执行,但是,在本说明书的其它实施例中,客户端也可以与服务端具有相似的功能,从而执行本说明书实施例所提供的任务处理方法。在其它实施例中,本说明书实施例所提供的任务处理方法还可以是由客户端与服务端共同执行。
参见图3,图3示出了本说明书一个实施例提供的一种任务处理方法的流程图,具体包括以下步骤:
步骤302:接收任务处理请求,其中,任务处理请求携带目标任务信息。
本说明书一个或多个实施例中,可以获取目标任务信息,从而基于目标任务信息进行任务处理,获得任务处理结果。
具体地,目标任务信息可以是不同场景中的任务信息,如会议场景中的任务信息、电商场景的任务信息等等。目标任务信息对应的任务可以是不同类型的任务,如天气查询任务、图像描述任务、文本生成图像任务、商品查询任务、计算任务等等。目标任务信息包括但不限于任务内容、任务执行时间、任务标识等等,具体根据实际情况进行选择,本说明书实施例对此不做任何限定。
实际应用中,接收任务处理请求的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不做任何限定。本说明书一种可能的实现方式中,可以接收用户通过客户端发送的任务处理请求。本说明书另一种可能的实现方式中,可以接收客户端定时发送的任务处理请求。
步骤304:利用任务处理模型分析目标任务信息,在确定第三方插件处理目标任务信息的情况下,调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果,其中,任务处理模型为自然语言的深度学习模型。
本说明书一个或多个实施例中,接收任务处理请求之后,进一步地,可以利用任务处理模型分析目标任务信息,在确定第三方插件处理目标任务信息的情况下,调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果。
具体地,任务处理模型为自然语言的深度学习模型,任务处理模型可以基于样本文本训练得到,也可以将预先训练得到的大模型作为任务处理模型。第三方插件是第三方配置方开发的插件。第三方插件可以是具有不同功能的插件,如天气查询插件、购票插件、绘图插件等等。任务处理结果是指目标任务信息对应的处理结果,例如目标任务信息为查询今天的天气,任务处理结果即为今天天气晴,最高温度30度。
需要说明的是,由于任务处理模型处理的是文本任务,因此利用任务处理模型分析目标任务信息时,可能会出现任务处理模型可以直接处理目标任务信息和任务处理模型无法直接处理目标任务信息这两种情况。第一种情况,任务处理模型可以处理目标任务信息,此时,任务处理模型可以直接处理目标任务信息,获得任务处理结果。在用户指定调用插件处理目标任务信息时,任务处理模型还可以确定由第三方插件处理目标任务信息。第二种情况,任务处理模型不可以直接处理目标任务信息,此时,任务处理模型可以确定由第三方插件处理目标任务信息。
进一步地,任务处理模型确定第三方插件处理目标任务信息之后,调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不做任何限定。
本说明书第一种可能的实现方式中,任务处理模型可以将第三方插件处理目标任务信息的确定结果反馈给任务处理平台,由任务处理平台确定目标任务信息对应的目标第三方插件,并直接调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果。
本说明书第二种可能的实现方式中,任务处理模型可以将第三方插件处理目标任务信息的确定结果反馈给任务处理平台,由任务处理平台确定目标任务信息对应的目标第三方插件,并向任务处理模型发送携带目标第三方插件的标识信息的调用指令,以使任务处理模型调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果。
本说明书第三种可能的实现方式中,任务处理模型确定第三方插件处理目标任务信息之后,可以确定目标任务信息对应的目标第三方插件,将第三方插件处理目标任务信息的确定结果以及目标第三方插件的标识信息反馈给任务处理平台,任务处理平台可以向任务处理模型发送调用指令,以使任务处理模型调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果。
本说明书第四种可能的实现方式中,任务处理模型确定第三方插件处理目标任务信息之后,可以确定目标任务信息对应的目标第三方插件,直接调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果,将任务处理结果发送至任务处理平台。需要说明的是,任务处理平台可以是客户端上的处理平台,还可以是服务端上的处理平台,具体根据实际情况进行选择,本说明书实施例对此不做任何限定。
应用本说明书实施例的方案,通过将任务处理模型和第三方插件相结合,从而可以处理多模态的任务,提高了任务处理的任务范围,并且,在调用第三方插件之前判断是否要通过第三方插件处理目标任务信息,实现了在有调用需求的情况下才调用第三方插件,提高了任务处理的灵活性。
实际应用中,利用任务处理模型分析目标任务信息的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不做任何限定。
本说明书一种可能的实现方式中,可以将目标任务信息输入任务处理模型,由任务处理模型进行任务处理,获得处理结果,根据任务处理模型的处理结果确定任务处理策略,也即,上述利用任务处理模型分析目标任务信息,可以包括以下步骤:
将目标任务信息输入任务处理模型进行处理;
在任务处理模型处理失败的情况下,确定第三方插件处理目标任务信息。
需要说明的是,将目标任务信息输入任务处理模型进行处理,若任务处理模型反馈处理失败,说明任务处理模型无法处理目标任务信息,则可以确定由第三方插件处理目标任务信息。
实际应用中,在任务处理模型处理失败的情况下,可以由任务处理模型直接确定第三方插件处理目标任务信息,也可以是任务处理模型将处理失败的处理结果反馈给任务处理平台,由任务处理平台确定第三方插件处理目标任务信息。
在确定第三方插件处理目标任务信息后,可能存在可以处理目标任务信息的第三方插件,也可能不存在可以处理目标任务信息的第三方插件,本说明书实施例对此不做任何限定。
值得说明的是,若任务处理模型处理失败,且不存在可以处理目标任务信息的第三方插件,可以直接向用户反馈任务处理失败,结束任务处理。进一步地,还可以向用户反馈任务处理失败,并重新进行二次任务处理,直至针对同一目标任务信息的处理次数达到预设迭代次数,向用户反馈任务处理失败,结束任务处理。
应用本说明书实施例的方案,将目标任务信息输入任务处理模型进行处理,在任务处理模型处理失败的情况下,确定第三方插件处理目标任务信息,从而无需除目标任务信息之外的信息即可确定目标任务信息对应的任务处理策略,减少了数据处理量。
进一步地,上述利用任务处理模型处理目标任务信息之后,还可以包括以下步骤:
在任务处理模型处理成功的情况下,获得任务处理请求对应的任务处理结果。
需要说明的是,将目标任务信息输入任务处理模型进行处理,若任务处理模型处理成功,则任务处理模型可以直接生成任务处理结果。
实际应用中,任务处理模型可以将任务处理结果反馈给任务处理平台。同时,为了使任务处理平台明确任务处理结果的来源,也可以向任务处理平台反馈目标任务信息对应的任务处理策略为任务处理模型直接处理得到。
应用本说明书实施例的方案,在任务处理模型处理成功的情况下,获得任务处理请求对应的任务处理结果,在任务处理模型可以处理目标任务信息的情况下,可以利用任务处理模型生成任务处理结果,从而实现了在有调用需求的情况下才调用第三方插件,提高了任务处理的灵活性。
本说明书另一种可能的实现方式中,可以由任务处理模型根据插件属性信息和目标任务信息确定是否有插件性能指标大于预设指标阈值的可用的第三方插件,在有可用第三方插件的情况下,确定由第三方插件处理目标任务信息,也即,上述利用任务处理模型分析目标任务信息,可以包括以下步骤:
获取多个第三方插件的插件属性信息;
将目标任务信息和各第三方插件的插件属性信息输入任务处理模型,获得各第三方插件对应的插件性能指标;
在插件性能指标大于预设指标阈值的情况下,确定第三方插件处理目标任务信息。
具体地,插件属性信息为第三方插件自身的属性信息。插件属性信息包括但不限于插件超文本传输协议(HTTP,HyperText Transfer Protocol)服务地址、插件函数、插件功能描述信息、插件样例信息、插件名称、插件入参、插件出参,具体根据实际情况进行选择,本说明书实施例对此不做任何限定。插件性能指标用于描述第三方插件与目标任务信息的匹配程度,也表征了第三方插件处理目标任务信息的能力。预设指标阈值用于判断是否有第三方插件可以处理目标任务信息。在有第三方插件可以处理目标任务信息的情况下,预设指标阈值还用于从多个第三方插件中筛选出目标第三方插件。预设指标阈值可以根据用户实际需求进行设置,本说明书实施例对此不做任何限定。
实际应用中,获取多个第三方插件的插件属性信息的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不做任何限定。本说明书一种可能的实现方式中,可以接收第三方插件的配置方主动发送的插件属性信息。本说明书另一种可能的实现方式中,为了避免配置方不知道发送哪些插件属性信息,可以向配置方发送插件注册规则,接收配置方基于插件注册规则发送的插件属性信息,从而使得插件属性信息更加准确。
需要说明的是,将目标任务信息和各第三方插件的插件属性信息输入任务处理模型,任务处理模型可以生成目标任务信息的目标任务特征和各插件属性信息的插件属性特征,进一步根据各插件属性特征和目标任务特征的相似程度确定各第三方插件的插件性能指标。
示例性地,假设第三方插件A的插件性能指标为0.6,第三方插件B的插件性能指标为0.8,预设指标阈值为0.7,因为第三方插件B的插件性能指标0.8大于预设指标阈值0.7,则可以确定目标任务信息对应的任务处理策略为第三方插件处理目标任务信息。
应用本说明书实施例的方案,获取多个第三方插件的插件属性信息;将目标任务信息和各第三方插件的插件属性信息输入任务处理模型,获得各第三方插件对应的插件性能指标;在插件性能指标大于预设指标阈值的情况下,确定第三方插件处理目标任务信息,通过利用任务处理模型基于目标任务信息和各第三方插件的插件属性信息确定目标任务信息的任务处理策略,使得在确定由第三方插件处理目标任务信息的情况下,存在可以处理目标任务信息的第三方插件,提高了任务处理的稳定性。
本说明书一种可选的实施例中,插件属性信息包括插件功能描述信息;上述将目标任务信息和各第三方插件的插件属性信息输入任务处理模型,获得各第三方插件对应的插件性能指标,可以包括以下步骤:
将目标任务信息和各第三方插件的插件功能描述信息输入任务处理模型,获得各第三方插件对应的插件性能指标。
具体地,插件功能描述信息用于描述第三方插件能实现的功能。将目标任务信息和各第三方插件的插件功能描述信息输入任务处理模型,获得的各第三方插件对应的插件性能指标表征了第三方插件处理目标任务信息的能力,插件性能指标越大,说明插件处理目标任务信息的能力越强。
示例性地,假设第三方插件为“知识库”,第三方插件的插件功能描述信息可以是“输入一系列关键词,寻找知识库中和这些关键词相关的文档,返回这些文档的摘要文本”。假设第三方插件为“智能绘图(stable diffusion)”,第三方插件的插件功能描述信息可以是“输入一串文本,生成和符合文本描述的一张图片,返回图片的统一资源定位符(URL,Uniform Resource Locator),输入的文本必须是英文文本”。
应用本说明书实施例的方案,将目标任务信息和各第三方插件的插件功能描述信息输入任务处理模型,获得各第三方插件对应的插件性能指标,从而在插件处理能力的维度对各第三方插件进行评估,使得任务处理模型对目标任务信息的分析更加准确。
本说明书另一种可选的实施例中,插件属性信息包括插件样例信息;上述将目标任务信息和各第三方插件的插件属性信息输入任务处理模型,获得各第三方插件对应的插件性能指标,可以包括以下步骤:
将目标任务信息和各第三方插件的插件样例信息输入任务处理模型,获得各第三方插件对应的插件性能指标。
具体地,插件样例信息用于描述第三方插件的使用流程。插件样例信息可以分为插件正样例信息和插件负样例信息。插件正样例信息中包括可以使用该第三方插件的样例信息。插件负样例信息中包括不可以使用该第三方插件的样例信息。
示例性地,假设第三方插件为“知识库”,第三方插件的插件正样例信息可以是“问题:A书核心的两个教义是什么?给人们什么启示?是否需要使用该插件:是。需要使用该插件的原因(可选填):任务处理平台的知识中可能没有A书相关的精确知识,需要查询知识库。插件输入(必填):A书核心的两个教义。插件返回(可选填):...。期望的插件回复(可选填):...。”。第三方插件的插件负样例信息可以是“问题:你是谁?是否需要使用该插件:否”。
假设第三方插件为“智能绘图”,第三方插件的插件正样例信息可以是“问题:帮我画一张画,内容是车水马龙的街道。是否需要使用该插件:是。需要使用该插件的原因(可选填):...。插件输入(必填):A street full of traffic。插件返回(可选填):超文本传输协议服务地址。期望的插件回复(可选填):您好,画我已经帮你画好了,请查收。[图片](超文本传输协议服务地址)。”。第三方插件的插件负样例信息可以是“问题:车水马龙是什么意思?是否需要使用该插件:否”。
应用本说明书实施例的方案,将目标任务信息和各第三方插件的插件样例信息输入任务处理模型,获得各第三方插件对应的插件性能指标,从而在插件使用流程的维度对各第三方插件进行评估,使得任务处理模型对目标任务信息的分析更加准确。
值得说明的是,上述利用任务处理模型分析目标任务信息的方式可以单独运行,也可以组合运行,在组合运行时,分析方式的先后顺序具体根据实际情况进行选择,本说明书实施例对此不做任何限定。
本说明书一种可能的实现方式中,上述获取多个第三方插件的插件属性信息,可以包括以下步骤:
向配置方发送插件注册规则;
接收配置方基于插件注册规则发送的多个第三方插件的插件属性信息。
具体地,插件注册规则中包括配置方将第三方插件注册到任务处理平台所需的信息,如插件超文本传输协议服务地址、插件函数、插件功能描述信息、插件样例信息、插件名称、插件入参、插件出参,具体根据实际情况进行选择,本说明书实施例对此不做任何限定。
需要说明的是,配置方开发获得第三方插件之后,可以将第三方插件封装为超文本传输协议服务或者函数,将插件属性信息注册到任务处理平台。插件入参和插件出参可以用字符串表示。
应用本说明书实施例的方案,向配置方发送插件注册规则;接收配置方基于插件注册规则发送的多个第三方插件的插件属性信息,使得第三方插件可以在任务处理平台注册成功,保证了第三方插件稳定可用。
本说明书一种可选的实施例中,上述调用目标第三方插件对目标任务信息进行处理之前,还可以包括以下步骤:
根据目标任务信息,从多个第三方插件中筛选出目标第三方插件。
实际应用中,根据目标任务信息,从多个第三方插件中筛选出目标第三方插件的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不做任何限定。本说明书一种可能的实现方式中,可以根据目标任务信息和各第三方插件的插件属性信息,计算各第三方插件的插件性能指标,根据各第三方插件的插件性能指标从多个第三方插件中筛选出目标第三方插件。本说明书另一种可能的实现方式中,可以将目标任务信息和各第三方插件的插件属性信息输入任务处理模型,获得各第三方插件对应的插件性能指标,根据各第三方插件的插件性能指标从多个第三方插件中筛选出目标第三方插件。
需要说明的是,根据各第三方插件的插件性能指标从多个第三方插件中筛选出目标第三方插件的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不做任何限定。本说明书一种可能的实现方式中,可以将插件性能指标和预设指标阈值进行比较,从插件性能指标大于预设指标阈值的第三方插件中随机选择目标第三方插件。本说明书另一种可能的实现方式中,可以对各第三方插件的插件性能指标进行排序,将插件性能指标最大的第三方插件作为目标第三方插件。
应用本说明书实施例的方案,根据目标任务信息,从多个第三方插件中筛选出目标第三方插件,从而可以将任务处理模型和第三方插件相结合,处理目标任务信息,扩展了任务处理模型的能力,提高了任务处理的灵活性。
本说明书一种可选的实施例中,任务处理请求还携带项目需求信息;上述调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果之后,还可以包括以下步骤:
将项目需求信息和任务处理结果输入任务处理模型,获得更新后的任务处理结果,其中,更新后的任务处理结果符合项目需求信息。
具体地,项目需求信息用于根据实际项目需求对任务处理结果进行限定。项目需求信息包括但不限于任务处理结果的字数需求、任务处理结果的语言要求,具体根据实际情况进行选择,本说明书实施例对此不做任何限定。
示例性地,假设任务处理结果为英文,而项目需求信息为结果为中文,则可以将项目需求信息和任务处理结果输入任务处理模型,由任务处理模型将英文的任务处理结果翻译成中文的任务处理结果。假设任务处理结果字数过多,则可以将项目需求信息和任务处理结果输入任务处理模型,由任务处理模型对任务处理结果进行主旨提取,获得更新后的任务处理结果。
应用本说明书实施例的方案,将项目需求信息和任务处理结果输入任务处理模型,获得更新后的任务处理结果,保证任务处理结果符合项目需求信息,提高了任务处理的准确性以及用户体验度。
本说明书另一种可选的实施例中,调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果之后,还可以包括以下步骤:
向客户端发送任务处理结果,以使客户端向用户展示任务处理结果。
需要说明的是,调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果之后,可以向客户端发送任务处理结果,同时还可以向客户端发送任务处理结果对应的处理方式,其中,处理方式可以是直接处理得到或者调用第三方插件处理得到,若处理方式为调用第三方插件处理得到,则处理方式中还可以包括第三方插件信息,如插件来源,插件源地址等等。进一步地,若任务处理结果为更新后的任务处理结果,可以向客户端同时发送更新前的任务处理结果以及更新后的处理结果。
实际应用中,客户端向用户展示任务处理结果的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。本说明书一种可能的实现方式中,客户端可以只向用户展示任务处理结果。本说明书另一种可能的实现方式中,客户端可以同时向用户展示任务处理结果以及处理方式,使得用户可以准确知道任务处理结果以及对应的处理方式。本说明书再一种可能的实现方式中,可以向用户同时展示更新前的任务处理结果以及更新后的处理结果。
值得说明的是,获得任务处理请求对应的任务处理结果之后,可以对任务处理结果进行质检,质检通过的情况下向客户端发送任务处理结果,质检未通过的情况下重新进行任务处理。
应用本说明书实施例的方案,向客户端发送任务处理结果,以使客户端向用户展示任务处理结果,使得用户可以准确获得任务处理结果,增加了与用户之间的交互,提高了用户满意度。
本说明书一种可选的实施例中,任务处理请求还携带目标展示需求信息;上述向客户端发送任务处理结果,可以包括以下步骤:
根据目标展示需求信息,向客户端发送任务处理结果,以使客户端向用户展示任务处理结果。
具体地,目标展示需求信息表征用户查看任务处理结果的需求。目标展示需求信息包括但不限于仅展示任务处理结果、展示任务处理结果以及对应的处理方式、展示第三方插件处理得到的任务处理结果以及第三方插件信息、展示任务处理模型处理得到的任务处理结果等等,具体根据用户实际需求进行设置,本说明书实施例对此不作任何限定。
需要说明的是,在目标任务信息对应的处理方式包括任务处理模型处理以及第三方插件处理的情况下,可以分别利用任务处理模型生成第一任务处理结果,利用第三方插件生成第二任务处理结果。接着,可以向用户展示第一任务处理结果和第二任务处理结果。进一步地,在生成第一任务处理结果和第二任务处理结果之后,还可以向用户提供“展示第三方插件处理得到的结果”和“展示任务处理模型处理得到的结果”的展示选项,并接收用户选择的目标展示选项,展示目标展示选项对应的任务处理结果。
应用本说明书实施例的方案,根据目标展示需求信息,向客户端发送任务处理结果,以使客户端向用户展示任务处理结果,增加了与用户之间的交互,提高了用户满意度。
本说明书另一种可选的实施例中,客户端向用户展示任务处理结果之后,用户可以根据任务处理结果自行进行数据处理,也可以基于客户端展示的任务处理结果发送后处理请求,进行多轮问答,也即,上述向客户端发送任务处理结果之后,还可以包括以下步骤:
接收用户基于任务处理结果发送的后处理请求,并对后处理请求进行处理,获得后处理请求对应的后处理结果。
具体地,后处理请求是指用户在获得任务处理结果之后,基于任务处理结果发送的任务处理请求。后处理请求所请求处理的数据可以是新的目标任务信息,还可以是任务处理请求携带的目标任务信息,具体根据实际情况进行选择,本说明书实施例对此不做任何限定。
需要说明的是,若后处理请求所请求处理的数据为任务处理请求携带的目标任务信息,说明用户对任务处理结果不满意,需要重新对目标任务信息进行处理。进一步地,用户基于任务处理结果发送的后处理请求中可以携带用户指定的处理方式。示例性地,若任务展示结果为任务处理模型生成的,则用户基于任务处理结果发送的后处理请求可以请求使用第三方插件处理目标任务信息;若任务展示结果为第三方插件生成的,则用户基于任务处理结果发送的后处理请求可以请求由任务处理模型直接处理目标任务信息。
需要说明的是,“对后处理请求进行处理,获得后处理请求对应的后处理结果”的实现方式与任务处理方法的实现方式相同,本说明书实施例便不再进行赘述。
应用本说明书实施例的方案,接收用户基于任务处理结果发送的后处理请求,并对后处理请求进行处理,获得后处理请求对应的后处理结果,增加了与用户之间的交互,提高了用户满意度。
参见图4,图4示出了本说明书一个实施例提供的一种自动问答方法的流程图,具体包括以下步骤:
步骤402:接收客户端发送的问题处理请求,其中,问题处理请求携带待解答问题。
步骤404:利用任务处理模型分析待解答问题,在确定第三方插件处理待解答问题的情况下,调用目标第三方插件对待解答问题进行处理,获得问题处理请求对应的答复结果,其中,任务处理模型为自然语言的深度学习模型。
需要说明的是,待解答问题也即目标任务信息,答复结果也即任务处理请求对应的任务处理结果。步骤402至步骤404的实现方式与上述302至步骤304的实现方式相同,本说明书实施例便不再进行赘述。
应用本说明书实施例的方案,通过将任务处理模型和第三方插件相结合,从而可以处理多模态的问答任务,提高了处理的问答任务范围,并且,在调用第三方插件之前判断是否要通过第三方插件处理待解答问题,实现了在有调用需求的情况下才调用第三方插件,提高了自动问答的灵活性。
下述结合附图5,以本说明书提供的任务处理方法在电商场景的应用为例,对所述任务处理方法进行进一步说明。其中,图5示出了本说明书一个实施例提供的一种任务处理方法的处理过程流程图,具体包括以下步骤:
步骤502:接收任务处理请求,其中,任务处理请求携带目标任务信息。
步骤504:将目标任务信息输入任务处理模型进行处理,其中,任务处理模型为自然语言的深度学习模型。
步骤506:在任务处理模型处理成功的情况下,获得任务处理请求对应的任务处理结果。
步骤508:在任务处理模型处理失败的情况下,获取多个第三方插件的插件功能描述信息。
步骤510:将目标任务信息和各第三方插件的插件功能描述信息输入任务处理模型,获得各第三方插件对应的第一插件性能指标。
步骤512:根据各第三方插件对应的第一插件性能指标,从多个第三方插件中筛选出目标任务信息对应的至少一个候选第三方插件。
步骤514:获取各候选第三方插件的插件样例信息,将目标任务信息和各候选第三方插件的插件样例信息输入任务处理模型,获得各候选第三方插件对应的第二插件性能指标。
步骤516:根据各候选第三方插件对应的第二插件性能指标,确定目标任务信息对应的目标第三方插件。
步骤518:调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果。
需要说明的是,步骤502至步骤518的实现方式与上述302至步骤304的实现方式相同,本说明书实施例便不再进行赘述。
应用本说明书实施例的方案,通过将任务处理模型和第三方插件相结合,从而可以处理多模态的任务,提高了任务处理的任务范围,并且,在调用第三方插件之前判断是否要通过第三方插件处理目标任务信息,实现了在有调用需求的情况下才调用第三方插件,提高了任务处理的灵活性。
参见图6,图6示出了本说明书一个实施例提供的另一种任务处理方法的处理过程流程图,具体包括:
注册第三方插件:配置方开发第三方插件后,基于插件注册规则发送多个第三方插件的插件属性信息,将第三方插件注册到任务处理平台;
任务处理平台利用第三方插件的插件属性信息构造指令(Instruction):示例性地,指令包括插件功能描述信息以及插件样例信息;插件功能描述信息:在回答用户问题时,可以使用如下插件辅助作答:知识库:输入一系列关键词,寻找知识库中和这些关键词相关的文档,返回这些文档的摘要文本。智能绘图:输入一串文本,生成和符合文本描述的一张图片,返回图片的统一资源定位符,输入的文本必须是英文文本。插件样例信息:“
问题1——A书核心的两个教义是什么?给人们什么启示?
回答1——思考:我的知识中可能没有A书相关的精确知识,需要查询知识库。第三方插件:知识库。输入插件:A书核心的两个教义。观察:知识库返回的结果。思考:我现在能作答了。答复:根据知识库返回的结果作答。
问题2——你是谁?
回答2——不需要使用工具,直接作答。
问题3——帮我画一张画,内容是车水马龙的街道。
回答3——思考:我需要使用工具。第三方插件:智能绘图。输入插件:A streetfull of traffic。观察:智能绘图返回的超文本传输协议服务地址。思考:我现在能作答了。答复:您好,画我已经帮你画好了,请查收。[图片](超文本传输协议服务地址)。
问题4——车水马龙是什么意思?
回答4——不需要使用工具,直接作答。”。
需要说明的是,若第三方插件的入参、返回结果比较复杂,可以直接将json数据看做字符串,示例性地,“问题5——下周的安排是什么?回答5——思考:我需要查询日程。第三方插件:日程管理。输入插件:{"date_from":"2023年5月13日","date_to":"2023年5月20日",}。观察:[{"2023/5/13":"I need to do something that day."},{"2023/5/14":"I need to do another thing that day."},...]。思考:我现在能作答了。答复:...。”。
任务处理模型在进行任务处理时基于指令自主判断是否要调用第三方插件、并根据第三方插件返回的结果继续完成任务。
应用本说明书实施例的方案,任务处理模型可以自主判断是否要调用第三方插件、并根据第三方插件的返回的结果继续完成任务,赋予了任务处理模型使用一系列第三方插件的能力,通过第三方插件拓宽了任务处理模型的能力范围,解决任务处理模型自身的知识性不足,提高了任务处理的灵活性。
参见图7a,图7a示出了本说明书一个实施例提供的一种自动问答界面的界面示意图。自动问答界面分为问题处理请求输入界面和答复结果展示界面。问题处理请求输入界面中包括请求信息输入框、“确定”控件以及“取消”控件。答复结果展示界面中包括答复结果展示框。
用户通过客户端显示的请求信息输入框输入携带待解答问题的问题处理请求,点选“确定”控件,服务端接收客户端发送的问题处理请求,利用任务处理模型分析待解答问题,在确定第三方插件处理待解答问题的情况下,调用目标第三方插件对待解答问题进行处理,获得问题处理请求对应的答复结果,并将答复结果发送至客户端。客户端在答复结果展示框中显示答复结果。
参见图7b,图7b示出了本说明书一个实施例提供的一种答复结果展示界面的界面示意图。客户端在答复结果展示框中显示答复结果之前,还可以在答复结果展示框中显示“展示第三方插件处理得到的结果”和“展示任务处理模型处理得到的结果”控件。若用户点选“展示第三方插件处理得到的结果”,则在答复结果展示框中展示第三方插件对待解答问题处理得到的答复结果;若用户点选“展示任务处理模型处理得到的结果”,则在答复结果展示框中展示任务处理模型对待解答问题处理得到的答复结果;若用户点选“展示第三方插件处理得到的结果”和“展示任务处理模型处理得到的结果”,则在答复结果展示框中展示第三方插件对待解答问题处理得到的答复结果以及任务处理模型对待解答问题处理得到的答复结果。
实际应用中,用户对控件进行操作的方式包括点击、双击、触控、鼠标悬停、滑动、长按、语音控制或摇一摇等任一方式,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
与上述任务处理方法实施例相对应,本说明书还提供了任务处理装置实施例,图8示出了本说明书一个实施例提供的一种任务处理装置的结构示意图。如图8所示,该装置包括:
第一接收模块802,被配置为接收任务处理请求,其中,任务处理请求携带目标任务信息;
第一处理模块804,被配置为利用任务处理模型分析目标任务信息,在确定第三方插件处理目标任务信息的情况下,调用目标第三方插件对目标任务信息进行处理,获得任务处理请求对应的任务处理结果,其中,任务处理模型为自然语言的深度学习模型。
可选地,第一处理模块804,进一步被配置为将目标任务信息输入任务处理模型进行处理;在任务处理模型处理失败的情况下,确定第三方插件处理目标任务信息。
可选地,第一处理模块804,进一步被配置为在任务处理模型处理成功的情况下,获得任务处理请求对应的任务处理结果。
可选地,第一处理模块804,进一步被配置为获取多个第三方插件的插件属性信息;将目标任务信息和各第三方插件的插件属性信息输入任务处理模型,获得各第三方插件对应的插件性能指标;在插件性能指标大于预设指标阈值的情况下,确定第三方插件处理目标任务信息。
可选地,插件属性信息包括插件功能描述信息;第一处理模块804,进一步被配置为将目标任务信息和各第三方插件的插件功能描述信息输入任务处理模型,获得各第三方插件对应的插件性能指标。
可选地,插件属性信息包括插件样例信息;第一处理模块804,进一步被配置为将目标任务信息和各第三方插件的插件样例信息输入任务处理模型,获得各第三方插件对应的插件性能指标。
可选地,第一处理模块804,进一步被配置为向配置方发送插件注册规则;接收配置方基于插件注册规则发送的多个第三方插件的插件属性信息。
可选地,任务处理请求还携带项目需求信息;该装置还包括:输入模块,被配置为将项目需求信息和任务处理结果输入任务处理模型,获得更新后的任务处理结果,其中,更新后的任务处理结果符合项目需求信息。
可选地,该装置还包括:发送模块,被配置为向客户端发送任务处理结果,以使客户端向用户展示任务处理结果。
可选地,发送模块,进一步被配置为根据目标展示需求信息,向客户端发送任务处理结果,以使客户端向用户展示任务处理结果。
可选地,该装置还包括:第三处理模块,被配置为接收用户基于任务处理结果发送的后处理请求,并对后处理请求进行处理,获得后处理请求对应的后处理结果。
应用本说明书实施例的方案,通过将任务处理模型和第三方插件相结合,从而可以处理多模态的任务,提高了任务处理的任务范围,并且,在调用第三方插件之前判断是否要通过第三方插件处理目标任务信息,实现了在有调用需求的情况下才调用第三方插件,提高了任务处理的灵活性。
上述为本实施例的一种任务处理装置的示意性方案。需要说明的是,该任务处理装置的技术方案与上述的任务处理方法的技术方案属于同一构思,任务处理装置的技术方案未详细描述的细节内容,均可以参见上述任务处理方法的技术方案的描述。
与上述自动问答方法实施例相对应,本说明书还提供了自动问答装置实施例,图9示出了本说明书一个实施例提供的一种自动问答装置的结构示意图。如图9所示,该装置包括:
第二接收模块902,被配置为接收客户端发送的问题处理请求,其中,问题处理请求携带待解答问题;
第二处理模块904,被配置为利用任务处理模型分析待解答问题,在确定第三方插件处理待解答问题的情况下,调用目标第三方插件对待解答问题进行处理,获得问题处理请求对应的答复结果,其中,任务处理模型为自然语言的深度学习模型。
应用本说明书实施例的方案,通过将任务处理模型和第三方插件相结合,从而可以处理多模态的问答任务,提高了处理的问答任务范围,并且,在调用第三方插件之前判断是否要通过第三方插件处理待解答问题,实现了在有调用需求的情况下才调用第三方插件,提高了自动问答的灵活性。
上述为本实施例的一种自动问答装置的示意性方案。需要说明的是,该自动问答装置的技术方案与上述的自动问答方法的技术方案属于同一构思,自动问答装置的技术方案未详细描述的细节内容,均可以参见上述自动问答方法的技术方案的描述。
图10示出了本说明书一个实施例提供的一种计算设备的结构框图。该计算设备1000的部件包括但不限于存储器1010和处理器1020。处理器1020与存储器1010通过总线1030相连接,数据库1050用于保存数据。
计算设备1000还包括接入设备1040,接入设备1040使得计算设备1000能够经由一个或多个网络1060通信。这些网络的示例包括公用交换电话网(PSTN,Public SwitchedTelephone Network)、局域网(LAN,Local Area Network)、广域网(WAN,Wide AreaNetwork)、个域网(PAN,Personal Area Network)或诸如因特网的通信网络的组合。接入设备1040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,NetworkInterface Card))中的一个或多个,诸如IEEE802.11无线局域网(WLAN,Wireless LocalArea Networks)无线接口、全球微波互联接入(Wi-MAX,World Interoperability forMicrowave Access)接口、以太网接口、通用串行总线(USB,Universal Serial Bus)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC,Near Field Communication)接口,等等。
在本说明书的一个实施例中,计算设备1000的上述部件以及图10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10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1000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个人计算机(PC,Personal Computer)的静止计算设备。计算设备1000还可以是移动式或静止式的服务器。
其中,处理器1020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任务处理方法或者自动问答方法的步骤。
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任务处理方法和自动问答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,均可以参见上述任务处理方法或者自动问答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任务处理方法或者自动问答方法的步骤。
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任务处理方法和自动问答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,均可以参见上述任务处理方法或者自动问答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程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述任务处理方法或者自动问答方法的步骤。
上述为本实施例的一种计算机程序的示意性方案。需要说明的是,该计算机程序的技术方案与上述的任务处理方法和自动问答方法的技术方案属于同一构思,计算机程序的技术方案未详细描述的细节内容,均可以参见上述任务处理方法或者自动问答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,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,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,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实施例所必须的。
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,根据本说明书实施例的内容,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实施例的原理和实际应用,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)

1.一种任务处理方法,包括:
接收任务处理请求,其中,所述任务处理请求携带目标任务信息;
利用任务处理模型分析所述目标任务信息,在所述任务处理模型确定第三方插件处理所述目标任务信息的情况下,调用目标第三方插件对所述目标任务信息进行处理,获得所述任务处理请求对应的任务处理结果,其中,所述任务处理模型为自然语言的深度学习模型。
2.根据权利要求1所述的方法,所述利用任务处理模型分析所述目标任务信息,包括:
将所述目标任务信息输入所述任务处理模型进行处理;
在所述任务处理模型处理失败的情况下,确定第三方插件处理所述目标任务信息。
3.根据权利要求2所述的方法,所述利用任务处理模型处理所述目标任务信息之后,还包括:
在所述任务处理模型处理成功的情况下,获得所述任务处理请求对应的任务处理结果。
4.根据权利要求1所述的方法,所述利用任务处理模型分析所述目标任务信息,包括:
获取多个第三方插件的插件属性信息;
将所述目标任务信息和各第三方插件的插件属性信息输入任务处理模型,获得所述各第三方插件对应的插件性能指标;
在所述插件性能指标大于预设指标阈值的情况下,确定第三方插件处理所述目标任务信息。
5.根据权利要求4所述的方法,所述插件属性信息包括插件功能描述信息;
所述将所述目标任务信息和各第三方插件的插件属性信息输入任务处理模型,获得所述各第三方插件对应的插件性能指标,包括:
将所述目标任务信息和各第三方插件的插件功能描述信息输入任务处理模型,获得所述各第三方插件对应的插件性能指标。
6.根据权利要求4所述的方法,所述插件属性信息包括插件样例信息;
所述将所述目标任务信息和各第三方插件的插件属性信息输入任务处理模型,获得所述各第三方插件对应的插件性能指标,包括:
将所述目标任务信息和各第三方插件的插件样例信息输入任务处理模型,获得所述各第三方插件对应的插件性能指标。
7.根据权利要求4所述的方法,所述获取多个第三方插件的插件属性信息,包括:
向配置方发送插件注册规则;
接收所述配置方基于所述插件注册规则发送的多个第三方插件的插件属性信息。
8.根据权利要求1所述的方法,所述任务处理请求还携带项目需求信息;
所述调用目标第三方插件对所述目标任务信息进行处理,获得所述任务处理请求对应的任务处理结果之后,还包括:
将所述项目需求信息和所述任务处理结果输入所述任务处理模型,获得更新后的任务处理结果,其中,所述更新后的任务处理结果符合所述项目需求信息。
9.根据权利要求1至8任一项所述的方法,所述调用目标第三方插件对所述目标任务信息进行处理,获得所述任务处理请求对应的任务处理结果之后,还包括:
向客户端发送所述任务处理结果,以使所述客户端向用户展示所述任务处理结果。
10.根据权利要求9所述的方法,所述任务处理请求还携带目标展示需求信息;
所述向客户端发送所述任务处理结果,包括:
根据所述目标展示需求信息,向客户端发送所述任务处理结果,以使所述客户端向用户展示所述任务处理结果。
11.根据权利要求9所述的方法,所述向客户端发送所述任务处理结果之后,还包括:
接收用户基于所述任务处理结果发送的后处理请求,并对所述后处理请求进行处理,获得所述后处理请求对应的后处理结果。
12.一种自动问答方法,包括:
接收客户端发送的问题处理请求,其中,所述问题处理请求携带待解答问题;
利用任务处理模型分析所述待解答问题,在所述任务处理模型确定第三方插件处理所述待解答问题的情况下,调用目标第三方插件对所述待解答问题进行处理,获得所述问题处理请求对应的答复结果,其中,所述任务处理模型为自然语言的深度学习模型。
13.一种计算设备,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,该计算机可执行指令被处理器执行时实现权利要求1至11任意一项或者权利要求12所述方法的步骤。
14.一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至11任意一项或者权利要求12所述方法的步骤。
CN202310868639.0A 2023-07-14 2023-07-14 任务处理方法以及自动问答方法 Active CN116595154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310868639.0A CN116595154B (zh) 2023-07-14 2023-07-14 任务处理方法以及自动问答方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310868639.0A CN116595154B (zh) 2023-07-14 2023-07-14 任务处理方法以及自动问答方法

Publications (2)

Publication Number Publication Date
CN116595154A CN116595154A (zh) 2023-08-15
CN116595154B true CN116595154B (zh) 2023-12-12

Family

ID=87601228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310868639.0A Active CN116595154B (zh) 2023-07-14 2023-07-14 任务处理方法以及自动问答方法

Country Status (1)

Country Link
CN (1) CN116595154B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117112064A (zh) * 2023-08-30 2023-11-24 北京百度网讯科技有限公司 大模型插件调用方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111488211A (zh) * 2020-04-09 2020-08-04 北京嘀嘀无限科技发展有限公司 基于深度学习框架的任务处理方法、装置、设备及介质
CN112765246A (zh) * 2020-12-30 2021-05-07 北京知因智慧科技有限公司 任务处理方法、装置、电子设备和存储介质
KR20220016641A (ko) * 2020-08-03 2022-02-10 (주)한국플랫폼서비스기술 쿼리를 이용한 프레임워크 딥러닝 학습 시스템 및 방법
CN114840327A (zh) * 2022-06-29 2022-08-02 阿里巴巴达摩院(杭州)科技有限公司 多模态多任务的处理方法、设备及系统
CN114968505A (zh) * 2021-02-26 2022-08-30 深圳前海微众银行股份有限公司 任务处理系统、方法、装置、设备、存储介质及程序产品
CN115114443A (zh) * 2022-04-27 2022-09-27 腾讯科技(深圳)有限公司 多模态编码模型的训练方法、装置、电子设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11379720B2 (en) * 2020-03-20 2022-07-05 Avid Technology, Inc. Adaptive deep learning for efficient media content creation and manipulation

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111488211A (zh) * 2020-04-09 2020-08-04 北京嘀嘀无限科技发展有限公司 基于深度学习框架的任务处理方法、装置、设备及介质
KR20220016641A (ko) * 2020-08-03 2022-02-10 (주)한국플랫폼서비스기술 쿼리를 이용한 프레임워크 딥러닝 학습 시스템 및 방법
CN112765246A (zh) * 2020-12-30 2021-05-07 北京知因智慧科技有限公司 任务处理方法、装置、电子设备和存储介质
CN114968505A (zh) * 2021-02-26 2022-08-30 深圳前海微众银行股份有限公司 任务处理系统、方法、装置、设备、存储介质及程序产品
CN115114443A (zh) * 2022-04-27 2022-09-27 腾讯科技(深圳)有限公司 多模态编码模型的训练方法、装置、电子设备及存储介质
CN114840327A (zh) * 2022-06-29 2022-08-02 阿里巴巴达摩院(杭州)科技有限公司 多模态多任务的处理方法、设备及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MINERVA: A multi-modality plugin-based radiation therapy treatment planning system;C.A.Wemple et al;《Applied Radiation and Isotopes》;第61卷(第5期);第745-752页 *
基于多任务学习的多模态情绪识别方法;吴良庆 等;《计算机科学》;第2019年卷(第11期);第284-290页 *

Also Published As

Publication number Publication date
CN116595154A (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN107846350B (zh) 一种语境感知网络聊天的方法、计算机可读介质和系统
CN111368548A (zh) 语义识别方法及装置、电子设备和计算机可读存储介质
US11030405B2 (en) Method and device for generating statement
CN116595154B (zh) 任务处理方法以及自动问答方法
CN116578423B (zh) 任务处理方法、自动问答方法以及图像生成方法
CN117313837A (zh) 一种基于联邦学习的大模型提示学习方法以及装置
CN112860878A (zh) 业务数据推荐方法、存储介质及设备
CN117193964A (zh) 任务处理方法以及自动问答方法
CN116663565A (zh) 信息抽取、会议观点抽取以及信息抽取模型训练方法
CN116610781A (zh) 任务模型训练方法以及装置
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
CN117633540B (zh) 样本数据构建方法及装置
CN117573842B (zh) 文档检索方法以及自动问答方法
CN116467500B (zh) 数据关系识别、自动问答、查询语句生成方法
CN116522014B (zh) 数据处理方法及装置
CN117648079B (zh) 任务处理、代码补全、代码问答及任务处理模型训练方法
CN118212460A (zh) 图像分类方法、自动问答方法、图像类别特征融合模型训练方法及基于深度学习模型的信息处理方法
CN116204619A (zh) 查询模板构建方法、信息查询方法、虚拟对话方法及装置
CN118227731A (zh) 样本数据构建方法及问答模型的训练方法
CN118194985A (zh) 任务处理、法律任务处理及任务处理模型训练方法、计算设备、计算机可读存储介质、及计算机程序产品
CN117972047A (zh) 文档检索方法以及自动问答方法
CN117193960A (zh) 任务处理方法、自动问答方法以及任务处理系统
CN116680357A (zh) 信息抽取方法以及装置
CN117971420A (zh) 任务处理、交通任务处理以及任务处理模型训练方法
CN117312502A (zh) 任务处理方法、问答任务处理方法及计算设备

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
GR01 Patent grant
GR01 Patent grant