CN116610784A - 一种保险业务场景问答推荐方法及其相关设备 - Google Patents
一种保险业务场景问答推荐方法及其相关设备 Download PDFInfo
- Publication number
- CN116610784A CN116610784A CN202310506051.0A CN202310506051A CN116610784A CN 116610784 A CN116610784 A CN 116610784A CN 202310506051 A CN202310506051 A CN 202310506051A CN 116610784 A CN116610784 A CN 116610784A
- Authority
- CN
- China
- Prior art keywords
- question
- entity
- candidate
- relation
- answer
- 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 60
- 239000013598 vector Substances 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 238000012216 screening Methods 0.000 claims description 81
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 239000013604 expression vector Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Animal Behavior & Ethology (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Human Computer Interaction (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例属于AI智能问答技术领域，涉及一种保险业务场景问答推荐方法及其相关设备，包括获取保险对话业务场景下的问题文本；对问题文本进行问题实体抽取和问题关系抽取，通过预设的问题实体相似知识库和预设的问题关系相似知识库，构建候选问题实体集和候选问题关系集，大大简化模型复杂度，提高模型运行速度，同时，在构建学习评分模型时，结合候选问题实体集、候选问题关系集和候选答案集，进行模型训练，获得包含丰富语义信息的表示向量，使学习评分模型训练不仅利用知识图谱结构化信息，还利用知识图谱实体和关系的语义信息，提高问题关系抽取的正确率，通过学习评分模型获得最优评分时问题答案，以此提高知识库问答回答问题的正确率。
Description
技术领域
本申请涉及AI智能问答技术领域，尤其涉及一种保险业务场景问答推荐方法及其相关设备。
背景技术
对话系统是人工智能的一个重要分支，有任务驱动型对话系统、问答系统、开放域聊天等子系统。其中，任务驱动型对话系统一般需要通过与用户进行多轮对话，逐步收集完成任务所需的必要信息，给用户提供相应的服务；而问答系统则侧重于直接理解用户的问题，给出精准的答案，必要时系统也会向用户主动发问以进行澄清。常见的问答系统基于常见问题(FAQ)的相似度计算，但是为了给用户提供更精准的回答，基于知识图谱的问答系统受到了越来越多的关注。
现有的知识库问答主要有三种模式，分别为仅使用知识图谱结构化的信息进行检索对比，获取答案数据进行回返、使用预训练模型和深度网络将实体识别输出的mention链接至知识图谱或者仅利用问句文本和候选关系确定问题关系。因此，现有技术在进行AI智能问答上，还存在问答推荐方式较多，造成推荐准确率无法保证的问题。
发明内容
本申请实施例的目的在于提出一种保险业务场景问答推荐方法及其相关设备，以解决现有技术在进行AI智能问答上，还存在问答推荐方式较多，造成推荐准确率无法保证的问题。
为了解决上述技术问题，本申请实施例提供一种保险业务场景问答推荐方法，采用了如下所述的技术方案：
一种保险业务场景问答推荐方法，包括下述步骤：
获取保险对话业务场景下的问题文本；
对所述问题文本进行问题实体抽取和问题关系抽取，获取相应的问题实体数据和问题关系数据；
基于所述问题实体数据和预设的第一筛选规则，从预设的问题实体相似知识库中筛选出预设数量的问题实体相似数据，构建候选问题实体集；
基于所述问题关系数据和预设的第二筛选规则，从预设的问题关系相似知识库中筛选出预设数量的问题关系相似数据，构建候选问题关系集；
将所述候选问题实体集和所述候选问题关系集作为输入集，输入预先学习训练完成的学习评分模型；
获取所述候选问题实体集中任一元素和所述候选问题关系集中任一元素进行组合，获取组合结果所对应的候选答案，构建候选答案集；
通过所述学习训练完成的学习评分模型对所述候选问题实体集、所述候选问题关系集和所述候选答案集进行综合评分，通过综合评分结果筛选出最终输出的问题答案推荐给目标客户。
进一步的，在执行所述对所述问题文本进行问题实体抽取和问题关系抽取，获取相应的问题实体数据和问题关系数据的步骤之前，所述方法还包括：
预先连接预设的问题实体抽取子模型和问题关系抽取子模型，其中，所述问题实体抽取子模型包括问题实体识别组件，所述问题关系抽取子模型包括问题关系识别组件；
所述对所述问题文本进行问题实体抽取和问题关系抽取，获取相应的问题实体数据和问题关系数据的步骤，具体包括：
根据所述问题实体识别组件对所述问题文本进行问题实体向量获取，其中，所述问题实体识别组件由BERT+CRF综合模型构成；
以预构建的候选知识图谱对应的实体表示向量为监督信号，与所述问题实体向量进行对比，获取所述问题实体向量对应的问题实体名称，其中，所述预构建的候选知识图谱为根据问题实体相似性所预先构建的知识图谱；
根据所述问题关系识别组件对所述问题文本进行问题关系向量获取，根据所述问题关系向量获取所述问题文本中的问题关系，其中，所述问题关系识别组件由Sentence-BERT模型构成。
进一步的，所述问题实体抽取子模型还包括问题实体链接组件，所述基于所述问题实体数据和预设的第一筛选规则，从预设的问题实体相似知识库中筛选出预设数量的问题实体相似数据，构建候选问题实体集的步骤，具体包括：
通过所述问题实体链接组件，将所述问题实体名称链接至所述问题实体相似知识库中，其中，所述问题实体相似知识库中包含了若干个问题实体名称及所述若干个问题实体名称所分别对应的问题实体向量；
根据所述问题实体向量从所述问题实体相似知识库中筛选出与所述问题实体向量间误差在预设可允许范围内的所有问题实体名称作为初选问题实体；
根据所述问题实体向量对所有初选问题实体进行向量误差排序，根据排序筛选出所述预设数量的初选问题实体，构建候选问题实体集。
进一步的，所述问题关系抽取子模型还包括问题关系链接组件，所述基于所述问题关系数据和预设的第二筛选规则，从预设的问题关系相似知识库中筛选出预设数量的问题关系相似数据，构建候选问题关系集的步骤，具体包括：
通过所述问题关系链接组件，将所述问题关系向量链接至所述问题关系相似知识库中，其中，所述问题关系相似知识库中包含了若干个问题关系向量，以及所述若干个问题关系向量所分别对应的问题关系表示文本；
根据所述问题关系向量从所述问题关系相似知识库中匹配到误差在预设可允许范围内的若干个问题关系向量；
获取所述若干个问题关系向量所分别对应的问题关系表示文本，构建候选问题关系集。
进一步的，在执行所述将所述候选问题实体集和所述候选问题关系集作为输入集，输入预先学习训练完成的学习评分模型的步骤之前，所述方法还包括：
获取所述问题实体相似知识库、所述问题关系相似知识库和预设的答案实体知识库中的所有问题实体数据、所有问题关系数据、所有答案实体数据；
根据所述所有问题实体数据、所有问题关系数据、所有答案实体数据构建初始化的保险产品知识图谱；
根据所述初始化的保险产品知识图谱中各个问题实体、各个问题关系、各个答案实体构建[问题实体-问题关系-答案实体]形式的三元组；
根据所述初始化的保险产品知识图谱对应的空间映射矩阵，获取每个三元组所包含的模长信息和角度信息；
根据预设的评分函数、所述每个三元组所包含的模长信息和角度信息，计算所述初始化的保险产品知识图谱的评分值；
通过随机负采样技术，获得负样本，并通过预设的损失函数和所述负样本计算所述初始化的保险产品知识图谱的损失值；
根据SGD优化方法，反复优化所述初始化的保险产品知识图谱，直到所述评分值和所述损失值都满足预设的要求条件，所述学习评分模型学习训练完成，将反复优化后最终获得的保险产品知识图谱作为答案实体筛选知识图谱。
进一步的，所述获取所述候选问题实体集中任一元素和所述候选问题关系集中任一元素进行组合，获取组合结果所对应的候选答案，构建候选答案集的步骤，具体包括：
从所述候选问题实体集中任选一问题实体作为目标三元组的问题实体；
从所述候选问题关系集中任选一问题关系表示实体作为目标三元组的问题关系；
根据所述目标三元组的问题实体和所述目标三元组的问题关系，从所述答案实体筛选知识图谱中筛选出相应的答案实体；
对从所述答案实体筛选知识图谱中筛选出的所有答案实体进行整理，获得所述候选答案集。
进一步的，在执行所述通过所述学习训练完成的学习评分模型对所述候选问题实体集、所述候选问题关系集和所述候选答案集进行综合评分，通过综合评分结果筛选出最终输出的问题答案推荐给目标客户的步骤之前，所述方法还包括：
根据所述目标三元组的问题实体、所述目标三元组的问题关系、和从所述答案实体筛选知识图谱中筛选出相应的答案实体为映射数据构建目标三元组，循环进行目标三元组构建，得到目标三元组集；
所述通过所述学习训练完成的学习评分模型对所述候选问题实体集、所述候选问题关系集和所述候选答案集进行综合评分，通过综合评分结果筛选出最终输出的问题答案推荐给目标客户的步骤，具体包括：
将所述目标三元组集输入至所述学习训练完成的学习评分模型中；
根据所述学习训练完成的学习评分模型对所述目标三元组集中每个三元组进行评分，获得评分集；
从所述评分集中筛选出评分值为最大值时所对应的三元组，作为终选三元组；
获取所述终选三元组中的答案实体，并将所述终选三元组中的答案实体作为最优的问题答案推荐给目标客户，其中，所述目标客户为提出所述问题文本的客户。
为了解决上述技术问题，本申请实施例还提供一种保险业务场景问答推荐装置，采用了如下所述的技术方案：
一种保险业务场景问答推荐装置，包括：
问题文本获取模块，用于获取保险对话业务场景下的问题文本；
文本数据抽取模块，用于对所述问题文本进行问题实体抽取和问题关系抽取，获取相应的问题实体数据和问题关系数据；
候选问题实体集构建模块，用于基于所述问题实体数据和预设的第一筛选规则，从预设的问题实体相似知识库中筛选出预设数量的问题实体相似数据，构建候选问题实体集；
候选问题关系集构建模块，用于基于所述问题关系数据和预设的第二筛选规则，从预设的问题关系相似知识库中筛选出预设数量的问题关系相似数据，构建候选问题关系集；
模型输入模块，用于将所述候选问题实体集和所述候选问题关系集作为输入集，输入预先学习训练完成的学习评分模型；
候选答案集构建模块，用于获取所述候选问题实体集中任一元素和所述候选问题关系集中任一元素进行组合，获取组合结果所对应的候选答案，构建候选答案集；
筛选推荐模块，用于通过所述学习训练完成的学习评分模型对所述候选问题实体集、所述候选问题关系集和所述候选答案集进行综合评分，通过综合评分结果筛选出最终输出的问题答案推荐给目标客户。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述所述的保险业务场景问答推荐方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的保险业务场景问答推荐方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例所述保险业务场景问答推荐方法，通过获取保险对话业务场景下的问题文本；对问题文本进行问题实体抽取和问题关系抽取，构建候选问题实体集；构建候选问题关系集；将候选问题实体集和候选问题关系集输入预先学习训练完成的学习评分模型；构建候选答案集；通过所述学习训练完成的学习评分模型对所述候选问题实体集、所述候选问题关系集和所述候选答案集进行综合评分，通过综合评分结果筛选出最终输出的问题答案推荐给目标客户。通过预设的问题实体相似知识库和预设的问题关系相似知识库，大大简化模型复杂度，提高模型运行速度，且提高实体抽取模块抽取正确实体的概率，同时，在构建学习评分模型时，采用三元组方式，获得包含丰富语义信息的表示向量，使进行问题关系抽取时不仅利用知识图谱结构化信息，还能利用知识图谱实体和关系的语义信息，提高问题关系抽取的正确率，以此提高知识库问答回答问题的正确率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的保险业务场景问答推荐方法的一个实施例的流程图；
图3根据本申请实施例进行学习评分模型训练的一个具体实施例的流程图；
图4是图2所示步骤206的一个具体实施例的流程图；
图5是图2所示步骤207的一个具体实施例的流程图；
图6根据本申请的保险业务场景问答推荐装置的一个实施例的结构示意图；
图7是图6所示模块602的一个具体实施例的结构示意图；
图8根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，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、无线通信链路或者光纤电缆等等。
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上可以安装有各种通讯客户端应用，例如网页浏览器应用、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。
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、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、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，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的保险业务场景问答推荐方法一般由服务器/终端设备执行，相应地，保险业务场景问答推荐装置一般设置于服务器/终端设备中。
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。
继续参考图2，示出了根据本申请的保险业务场景问答推荐方法的一个实施例的流程图。所述的保险业务场景问答推荐方法，包括以下步骤：
步骤201，获取保险对话业务场景下的问题文本。
本实施例中，所述获取保险对话业务场景下的问题文本的步骤，具体包括：通过外接预设的保险业务客户端问答接口，获取用户输入或者录入的保险对话问题文本。
步骤202，对所述问题文本进行问题实体抽取和问题关系抽取，获取相应的问题实体数据和问题关系数据。
本实施例中，在执行所述对所述问题文本进行问题实体抽取和问题关系抽取，获取相应的问题实体数据和问题关系数据的步骤之前，所述方法还包括：预先连接预设的问题实体抽取子模型和问题关系抽取子模型，其中，所述问题实体抽取子模型包括问题实体识别组件，所述问题关系抽取子模型包括问题关系识别组件。
本实施例中，所述对所述问题文本进行问题实体抽取和问题关系抽取，获取相应的问题实体数据和问题关系数据的步骤，具体包括：根据所述问题实体识别组件对所述问题文本进行问题实体向量获取，其中，所述问题实体识别组件由BERT+CRF综合模型构成；以预构建的候选知识图谱对应的实体表示向量为监督信号，与所述问题实体向量进行对比，获取所述问题实体向量对应的问题实体名称，其中，所述预构建的候选知识图谱为根据问题实体相似性所预先构建的知识图谱。
本实施例中，所述BERT+CRT综合模型，即在自然语言BERT模型中引入条件随机场算法，更新为所述BERT+CRT综合模型，其中，CRF(conditional random field algorithm，条件随机场)，通过采用所述BERT+CRT综合模型，引入条件随机场，相较于BERT模型直接进行问题实体识别，所述BERT+CRT综合模型具备更高效率和准确的命名实体识别效果。
本实施例中，所述对所述问题文本进行问题实体抽取和问题关系抽取，获取相应的问题实体数据和问题关系数据的步骤，还包括：根据所述问题关系识别组件对所述问题文本进行问题关系向量获取，根据所述问题关系向量获取所述问题文本中的问题关系，其中，所述问题关系识别组件由Sentence-BERT模型构成。
所述Sentence-BERT模型即语义相似度双塔模型，即对将要匹配的两个句子分别进行编码与特征提取，最后进行相似度交互计算。本实施例中，首先，采用ROBERTa模型，对所述问题关系相似知识库中每个元素进行编码，获取所述问题关系相似知识库中每个元素对应的关系表示向量，然后，再使用ROBERTa模型，对所述问题文本进行编码，获取所述问题文本对应的关系表示向量；将所述问题关系相似知识库中每个元素对应的关系表示向量输入到所述Sentence-BERT模型中第一个“塔”中，将所述问题文本对应的关系表示向量输入到所述Sentence-BERT模型中第二个“塔”中，进行比较，从第一个“塔”中获取与第二个“塔”中相似的关系表示向量，通过所述相似的关系表示向量确定所述问题文本的问题关系向量。采用所述Sentence-BERT模型，通过双塔对比，提高了匹配计算速度。
步骤203，基于所述问题实体数据和预设的第一筛选规则，从预设的问题实体相似知识库中筛选出预设数量的问题实体相似数据，构建候选问题实体集。
本实施例中，所述问题实体抽取子模型还包括问题实体链接组件，所述基于所述问题实体数据和预设的第一筛选规则，从预设的问题实体相似知识库中筛选出预设数量的问题实体相似数据，构建候选问题实体集的步骤，具体包括：通过所述问题实体链接组件，将所述问题实体名称链接至所述问题实体相似知识库中，其中，所述问题实体相似知识库中包含了若干个问题实体名称及所述若干个问题实体名称所分别对应的问题实体向量；根据所述问题实体向量从所述问题实体相似知识库中筛选出与所述问题实体向量间误差在预设可允许范围内的所有问题实体名称作为初选问题实体；根据所述问题实体向量对所有初选问题实体进行向量误差排序，根据排序筛选出所述预设数量的初选问题实体，构建候选问题实体集。
步骤204，基于所述问题关系数据和预设的第二筛选规则，从预设的问题关系相似知识库中筛选出预设数量的问题关系相似数据，构建候选问题关系集。
本实施例中，所述问题关系抽取子模型还包括问题关系链接组件，所述基于所述问题关系数据和预设的第二筛选规则，从预设的问题关系相似知识库中筛选出预设数量的问题关系相似数据，构建候选问题关系集的步骤，具体包括：通过所述问题关系链接组件，将所述问题关系向量链接至所述问题关系相似知识库中，其中，所述问题关系相似知识库中包含了若干个问题关系向量，以及所述若干个问题关系向量所分别对应的问题关系表示文本；根据所述问题关系向量从所述问题关系相似知识库中匹配到误差在预设可允许范围内的若干个问题关系向量；获取所述若干个问题关系向量所分别对应的问题关系表示文本，构建候选问题关系集。
通过预设的问题实体相似知识库和预设的问题关系相似知识库，大大简化模型复杂度，提高模型运行速度，且提高实体抽取模块抽取正确实体的概率，进而提高知识库问答系统回答问题的正确率。
步骤205，将所述候选问题实体集和所述候选问题关系集作为输入集，输入预先学习训练完成的学习评分模型。
继续参考图3，本实施例中，在执行所述将所述候选问题实体集和所述候选问题关系集作为输入集，输入预先学习训练完成的学习评分模型的步骤之前，所述方法还包括学习评分模型训练步骤，图3根据本申请实施例进行学习评分模型训练的一个具体实施例的流程图，包括：
步骤301，获取所述问题实体相似知识库、所述问题关系相似知识库和预设的答案实体知识库中的所有问题实体数据、所有问题关系数据、所有答案实体数据；
步骤302，根据所述所有问题实体数据、所有问题关系数据、所有答案实体数据构建初始化的保险产品知识图谱；
步骤303，根据所述初始化的保险产品知识图谱中各个问题实体、各个问题关系、各个答案实体构建[问题实体-问题关系-答案实体]形式的三元组；
步骤304，根据所述初始化的保险产品知识图谱对应的空间映射矩阵，获取每个三元组所包含的模长信息和角度信息；
步骤305，根据预设的评分函数、所述每个三元组所包含的模长信息和角度信息，计算所述初始化的保险产品知识图谱的评分值；
步骤306，通过随机负采样技术，获得负样本，并通过预设的损失函数和所述负样本计算所述初始化的保险产品知识图谱的损失值；
步骤307，根据SGD优化方法，反复优化所述初始化的保险产品知识图谱，直到所述评分值和所述损失值都满足预设的要求条件，所述学习评分模型学习训练完成，将反复优化后最终获得的保险产品知识图谱作为答案实体筛选知识图谱。
本实施例中，所述SGD优化方法即随机梯度下降优化算法，目的为找到使所述学习评分模型在训练数据集上的误差最小化的模型参数。保证了学习训练完成的学习评分模型的评估优良性。
通过在构建学习评分模型时，获得包含丰富语义信息的表示向量，使进行问题关系抽取时不仅利用知识图谱结构化信息，还能利用知识图谱实体和关系的语义信息，提高问题关系抽取的正确率，以此提高知识库问答回答问题的正确率。
步骤206，获取所述候选问题实体集中任一元素和所述候选问题关系集中任一元素进行组合，获取组合结果所对应的候选答案，构建候选答案集。
继续参考图4，图4是图2所示步骤206的一个具体实施例的流程图，包括：
步骤401，从所述候选问题实体集中任选一问题实体作为目标三元组的问题实体；
步骤402，从所述候选问题关系集中任选一问题关系表示实体作为目标三元组的问题关系；
步骤403，根据所述目标三元组的问题实体和所述目标三元组的问题关系，从所述答案实体筛选知识图谱中筛选出相应的答案实体；
步骤404，对从所述答案实体筛选知识图谱中筛选出的所有答案实体进行整理，获得所述候选答案集。
步骤207，通过所述学习训练完成的学习评分模型对所述候选问题实体集、所述候选问题关系集和所述候选答案集进行综合评分，通过综合评分结果筛选出最终输出的问题答案推荐给目标客户。
本实施例中，在执行所述通过所述学习训练完成的学习评分模型对所述候选问题实体集、所述候选问题关系集和所述候选答案集进行综合评分，通过综合评分结果筛选出最终输出的问题答案推荐给目标客户的步骤之前，所述方法还包括：根据所述目标三元组的问题实体、所述目标三元组的问题关系、和从所述答案实体筛选知识图谱中筛选出相应的答案实体为映射数据构建目标三元组，循环进行目标三元组构建，得到目标三元组集。
继续参考图5，图5是图2所示步骤207的一个具体实施例的流程图，包括：
步骤501，将所述目标三元组集输入至所述学习训练完成的学习评分模型中；
步骤502，根据所述学习训练完成的学习评分模型对所述目标三元组集中每个三元组进行评分，获得评分集；
步骤503，从所述评分集中筛选出评分值为最大值时所对应的三元组，作为终选三元组；
步骤504，获取所述终选三元组中的答案实体，并将所述终选三元组中的答案实体作为最优的问题答案推荐给目标客户，其中，所述目标客户为提出所述问题文本的客户。
通过采用学习训练完成的学习评分模型筛选出最优的问题答案推荐给目标客户，使得问题答案推荐不仅利用知识图谱结构化信息，还能利用知识图谱实体和关系的语义信息，提高问题关系抽取的正确率，以此提高知识库问答回答问题的正确率。
本申请通过获取保险对话业务场景下的问题文本；对问题文本进行问题实体抽取和问题关系抽取，构建候选问题实体集；构建候选问题关系集；将候选问题实体集和候选问题关系集输入预先学习训练完成的学习评分模型；构建候选答案集；通过所述学习训练完成的学习评分模型对所述候选问题实体集、所述候选问题关系集和所述候选答案集进行综合评分，通过综合评分结果筛选出最终输出的问题答案推荐给目标客户。通过预设的问题实体相似知识库和预设的问题关系相似知识库，大大简化模型复杂度，提高模型运行速度，且提高实体抽取模块抽取正确实体的概率，同时，在构建学习评分模型时，采用三元组方式，获得包含丰富语义信息的表示向量，使进行问题关系抽取时不仅利用知识图谱结构化信息，还能利用知识图谱实体和关系的语义信息，提高问题关系抽取的正确率，以此提高知识库问答回答问题的正确率。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例中，通过在构建学习评分模型时，采用三元组方式，获得包含丰富语义信息的表示向量，使进行问题关系抽取时不仅利用知识图谱结构化信息，还能利用知识图谱实体和关系的语义信息，同时，通过预设的问题实体相似知识库和预设的问题关系相似知识库，大大简化模型复杂度，提高模型运行速度，提高问题关系抽取的正确率，以此提高知识库问答回答问题的正确率。
进一步参考图6，作为对上述图2所示方法的实现，本申请提供了一种保险业务场景问答推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例所述的保险业务场景问答推荐装置600包括：问题文本获取模块601、文本数据抽取模块602、候选问题实体集构建模块603、候选问题关系集构建模块604、模型输入模块605、候选答案集构建模块606和筛选推荐模块607。其中：
问题文本获取模块601，用于获取保险对话业务场景下的问题文本；
文本数据抽取模块602，用于对所述问题文本进行问题实体抽取和问题关系抽取，获取相应的问题实体数据和问题关系数据；
候选问题实体集构建模块603，用于基于所述问题实体数据和预设的第一筛选规则，从预设的问题实体相似知识库中筛选出预设数量的问题实体相似数据，构建候选问题实体集；
候选问题关系集构建模块604，用于基于所述问题关系数据和预设的第二筛选规则，从预设的问题关系相似知识库中筛选出预设数量的问题关系相似数据，构建候选问题关系集；
模型输入模块605，用于将所述候选问题实体集和所述候选问题关系集作为输入集，输入预先学习训练完成的学习评分模型；
候选答案集构建模块606，用于获取所述候选问题实体集中任一元素和所述候选问题关系集中任一元素进行组合，获取组合结果所对应的候选答案，构建候选答案集；
筛选推荐模块607，用于通过所述学习训练完成的学习评分模型对所述候选问题实体集、所述候选问题关系集和所述候选答案集进行综合评分，通过综合评分结果筛选出最终输出的问题答案推荐给目标客户。
继续参考图7，图7是图6所示模块602的一个具体实施例的结构示意图，所述文本数据抽取模块602包括问题实体抽取子模块701和问题关系抽取子模块702。其中：
问题实体抽取子模块701，用于根据所述问题实体识别组件对所述问题文本进行问题实体向量获取，其中，所述问题实体识别组件由BERT+CRF综合模型构成；还用于以预构建的候选知识图谱对应的实体表示向量为监督信号，与所述问题实体向量进行对比，获取所述问题实体向量对应的问题实体名称；
问题关系抽取子模块702，用于根据所述问题关系识别组件对所述问题文本进行问题关系向量获取，根据所述问题关系向量获取所述问题文本中的问题关系，其中，所述问题关系识别组件由Sentence-BERT模型构成。
在本申请实施例的一些具体实施方式中，所述的保险业务场景问答推荐装置600还包括：学习评分模型学习训练模块，其中，所述学习评分模型学习训练模块用于获取所述问题实体相似知识库、所述问题关系相似知识库和预设的答案实体知识库中的所有问题实体数据、所有问题关系数据、所有答案实体数据；还用于根据所述所有问题实体数据、所有问题关系数据、所有答案实体数据构建初始化的保险产品知识图谱；还用于根据所述初始化的保险产品知识图谱中各个问题实体、各个问题关系、各个答案实体构建[问题实体-问题关系-答案实体]形式的三元组；还用于根据所述初始化的保险产品知识图谱对应的空间映射矩阵，获取每个三元组所包含的模长信息和角度信息；还用于根据预设的评分函数、所述每个三元组所包含的模长信息和角度信息，计算所述初始化的保险产品知识图谱的评分值；还用于通过随机负采样技术，获得负样本，并通过预设的损失函数和所述负样本计算所述初始化的保险产品知识图谱的损失值；还用于根据SGD优化方法，反复优化所述初始化的保险产品知识图谱，直到所述评分值和所述损失值都满足预设的要求条件，所述学习评分模型学习训练完成，将反复优化后最终获得的保险产品知识图谱作为答案实体筛选知识图谱。
本申请通过获取保险对话业务场景下的问题文本；对问题文本进行问题实体抽取和问题关系抽取，构建候选问题实体集；构建候选问题关系集；将候选问题实体集和候选问题关系集输入预先学习训练完成的学习评分模型；构建候选答案集；通过所述学习训练完成的学习评分模型对所述候选问题实体集、所述候选问题关系集和所述候选答案集进行综合评分，通过综合评分结果筛选出最终输出的问题答案推荐给目标客户。通过预设的问题实体相似知识库和预设的问题关系相似知识库，大大简化模型复杂度，提高模型运行速度，且提高实体抽取模块抽取正确实体的概率，同时，在构建学习评分模型时，采用三元组方式，获得包含丰富语义信息的表示向量，使进行问题关系抽取时不仅利用知识图谱结构化信息，还能利用知识图谱实体和关系的语义信息，提高问题关系抽取的正确率，以此提高知识库问答回答问题的正确率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Onl y Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。
所述计算机设备8包括通过系统总线相互通信连接存储器8a、处理器8b、网络接口8c。需要指出的是，图中仅示出了具有组件8a-8c的计算机设备8，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器8a至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器8a可以是所述计算机设备8的内部存储单元，例如该计算机设备8的硬盘或内存。在另一些实施例中，所述存储器8a也可以是所述计算机设备8的外部存储设备，例如该计算机设备8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器8a还可以既包括所述计算机设备8的内部存储单元也包括其外部存储设备。本实施例中，所述存储器8a通常用于存储安装于所述计算机设备8的操作系统和各类应用软件，例如保险业务场景问答推荐方法的计算机可读指令等。此外，所述存储器8a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器8b在一些实施例中可以是中央处理器(Centra lProcessing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器8b通常用于控制所述计算机设备8的总体操作。本实施例中，所述处理器8b用于运行所述存储器8a中存储的计算机可读指令或者处理数据，例如运行所述保险业务场景问答推荐方法的计算机可读指令。
所述网络接口8c可包括无线网络接口或有线网络接口，该网络接口8c通常用于在所述计算机设备8与其他电子设备之间建立通信连接。
本实施例提出的计算机设备，属于AI智能问答技术领域。本申请通过获取保险对话业务场景下的问题文本；对问题文本进行问题实体抽取和问题关系抽取，构建候选问题实体集；构建候选问题关系集；将候选问题实体集和候选问题关系集输入预先学习训练完成的学习评分模型；构建候选答案集；通过所述学习训练完成的学习评分模型对所述候选问题实体集、所述候选问题关系集和所述候选答案集进行综合评分，通过综合评分结果筛选出最终输出的问题答案推荐给目标客户。通过预设的问题实体相似知识库和预设的问题关系相似知识库，大大简化模型复杂度，提高模型运行速度，且提高实体抽取模块抽取正确实体的概率，同时，在构建学习评分模型时，采用三元组方式，获得包含丰富语义信息的表示向量，使进行问题关系抽取时不仅利用知识图谱结构化信息，还能利用知识图谱实体和关系的语义信息，提高问题关系抽取的正确率，以此提高知识库问答回答问题的正确率。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被处理器执行，以使所述处理器执行如上述的保险业务场景问答推荐方法的步骤。
本实施例提出的计算机可读存储介质，属于AI智能问答技术领域。本申请通过获取保险对话业务场景下的问题文本；对问题文本进行问题实体抽取和问题关系抽取，构建候选问题实体集；构建候选问题关系集；将候选问题实体集和候选问题关系集输入预先学习训练完成的学习评分模型；构建候选答案集；通过所述学习训练完成的学习评分模型对所述候选问题实体集、所述候选问题关系集和所述候选答案集进行综合评分，通过综合评分结果筛选出最终输出的问题答案推荐给目标客户。通过预设的问题实体相似知识库和预设的问题关系相似知识库，大大简化模型复杂度，提高模型运行速度，且提高实体抽取模块抽取正确实体的概率，同时，在构建学习评分模型时，采用三元组方式，获得包含丰富语义信息的表示向量，使进行问题关系抽取时不仅利用知识图谱结构化信息，还能利用知识图谱实体和关系的语义信息，提高问题关系抽取的正确率，以此提高知识库问答回答问题的正确率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种保险业务场景问答推荐方法，其特征在于，包括下述步骤：
获取保险对话业务场景下的问题文本；
对所述问题文本进行问题实体抽取和问题关系抽取，获取相应的问题实体数据和问题关系数据；
基于所述问题实体数据和预设的第一筛选规则，从预设的问题实体相似知识库中筛选出预设数量的问题实体相似数据，构建候选问题实体集；
基于所述问题关系数据和预设的第二筛选规则，从预设的问题关系相似知识库中筛选出预设数量的问题关系相似数据，构建候选问题关系集；
将所述候选问题实体集和所述候选问题关系集作为输入集，输入预先学习训练完成的学习评分模型；
获取所述候选问题实体集中任一元素和所述候选问题关系集中任一元素进行组合，获取组合结果所对应的候选答案，构建候选答案集；
通过所述学习训练完成的学习评分模型对所述候选问题实体集、所述候选问题关系集和所述候选答案集进行综合评分，通过综合评分结果筛选出最终输出的问题答案推荐给目标客户。
2.根据权利要求1所述的保险业务场景问答推荐方法，其特征在于，在执行所述对所述问题文本进行问题实体抽取和问题关系抽取，获取相应的问题实体数据和问题关系数据的步骤之前，所述方法还包括：
预先连接预设的问题实体抽取子模型和问题关系抽取子模型，其中，所述问题实体抽取子模型包括问题实体识别组件，所述问题关系抽取子模型包括问题关系识别组件；
所述对所述问题文本进行问题实体抽取和问题关系抽取，获取相应的问题实体数据和问题关系数据的步骤，具体包括：
根据所述问题实体识别组件对所述问题文本进行问题实体向量获取，其中，所述问题实体识别组件由BERT+CRF综合模型构成；
以预构建的候选知识图谱对应的实体表示向量为监督信号，与所述问题实体向量进行对比，获取所述问题实体向量对应的问题实体名称，其中，所述预构建的候选知识图谱为根据问题实体相似性所预先构建的知识图谱；
根据所述问题关系识别组件对所述问题文本进行问题关系向量获取，根据所述问题关系向量获取所述问题文本中的问题关系，其中，所述问题关系识别组件由Sentence-BERT模型构成。
3.根据权利要求2所述的保险业务场景问答推荐方法，其特征在于，所述问题实体抽取子模型还包括问题实体链接组件，所述基于所述问题实体数据和预设的第一筛选规则，从预设的问题实体相似知识库中筛选出预设数量的问题实体相似数据，构建候选问题实体集的步骤，具体包括：
通过所述问题实体链接组件，将所述问题实体名称链接至所述问题实体相似知识库中，其中，所述问题实体相似知识库中包含了若干个问题实体名称及所述若干个问题实体名称所分别对应的问题实体向量；
根据所述问题实体向量从所述问题实体相似知识库中筛选出与所述问题实体向量间误差在预设可允许范围内的所有问题实体名称作为初选问题实体；
根据所述问题实体向量对所有初选问题实体进行向量误差排序，根据排序筛选出所述预设数量的初选问题实体，构建候选问题实体集。
4.根据权利要求2所述的保险业务场景问答推荐方法，其特征在于，所述问题关系抽取子模型还包括问题关系链接组件，所述基于所述问题关系数据和预设的第二筛选规则，从预设的问题关系相似知识库中筛选出预设数量的问题关系相似数据，构建候选问题关系集的步骤，具体包括：
通过所述问题关系链接组件，将所述问题关系向量链接至所述问题关系相似知识库中，其中，所述问题关系相似知识库中包含了若干个问题关系向量，以及所述若干个问题关系向量所分别对应的问题关系表示文本；
根据所述问题关系向量从所述问题关系相似知识库中匹配到误差在预设可允许范围内的若干个问题关系向量；
获取所述若干个问题关系向量所分别对应的问题关系表示文本，构建候选问题关系集。
5.根据权利要求1至4任一项所述的保险业务场景问答推荐方法，其特征在于，在执行所述将所述候选问题实体集和所述候选问题关系集作为输入集，输入预先学习训练完成的学习评分模型的步骤之前，所述方法还包括：
获取所述问题实体相似知识库、所述问题关系相似知识库和预设的答案实体知识库中的所有问题实体数据、所有问题关系数据、所有答案实体数据；
根据所述所有问题实体数据、所有问题关系数据、所有答案实体数据构建初始化的保险产品知识图谱；
根据所述初始化的保险产品知识图谱中各个问题实体、各个问题关系、各个答案实体构建[问题实体-问题关系-答案实体]形式的三元组；
根据所述初始化的保险产品知识图谱对应的空间映射矩阵，获取每个三元组所包含的模长信息和角度信息；
根据预设的评分函数、所述每个三元组所包含的模长信息和角度信息，计算所述初始化的保险产品知识图谱的评分值；
通过随机负采样技术，获得负样本，并通过预设的损失函数和所述负样本计算所述初始化的保险产品知识图谱的损失值；
根据SGD优化方法，反复优化所述初始化的保险产品知识图谱，直到所述评分值和所述损失值都满足预设的要求条件，所述学习评分模型学习训练完成，将反复优化后最终获得的保险产品知识图谱作为答案实体筛选知识图谱。
6.根据权利要求5所述的保险业务场景问答推荐方法，其特征在于，所述获取所述候选问题实体集中任一元素和所述候选问题关系集中任一元素进行组合，获取组合结果所对应的候选答案，构建候选答案集的步骤，具体包括：
从所述候选问题实体集中任选一问题实体作为目标三元组的问题实体；
从所述候选问题关系集中任选一问题关系表示实体作为目标三元组的问题关系；
根据所述目标三元组的问题实体和所述目标三元组的问题关系，从所述答案实体筛选知识图谱中筛选出相应的答案实体；
对从所述答案实体筛选知识图谱中筛选出的所有答案实体进行整理，获得所述候选答案集。
7.根据权利要求6所述的保险业务场景问答推荐方法，其特征在于，在执行所述通过所述学习训练完成的学习评分模型对所述候选问题实体集、所述候选问题关系集和所述候选答案集进行综合评分，通过综合评分结果筛选出最终输出的问题答案推荐给目标客户的步骤之前，所述方法还包括：
根据所述目标三元组的问题实体、所述目标三元组的问题关系、和从所述答案实体筛选知识图谱中筛选出相应的答案实体为映射数据构建目标三元组，循环进行目标三元组构建，得到目标三元组集；
所述通过所述学习训练完成的学习评分模型对所述候选问题实体集、所述候选问题关系集和所述候选答案集进行综合评分，通过综合评分结果筛选出最终输出的问题答案推荐给目标客户的步骤，具体包括：
将所述目标三元组集输入至所述学习训练完成的学习评分模型中；
根据所述学习训练完成的学习评分模型对所述目标三元组集中每个三元组进行评分，获得评分集；
从所述评分集中筛选出评分值为最大值时所对应的三元组，作为终选三元组；
获取所述终选三元组中的答案实体，并将所述终选三元组中的答案实体作为最优的问题答案推荐给目标客户，其中，所述目标客户为提出所述问题文本的客户。
8.一种保险业务场景问答推荐装置，其特征在于，包括：
问题文本获取模块，用于获取保险对话业务场景下的问题文本；
文本数据抽取模块，用于对所述问题文本进行问题实体抽取和问题关系抽取，获取相应的问题实体数据和问题关系数据；
候选问题实体集构建模块，用于基于所述问题实体数据和预设的第一筛选规则，从预设的问题实体相似知识库中筛选出预设数量的问题实体相似数据，构建候选问题实体集；
候选问题关系集构建模块，用于基于所述问题关系数据和预设的第二筛选规则，从预设的问题关系相似知识库中筛选出预设数量的问题关系相似数据，构建候选问题关系集；
模型输入模块，用于将所述候选问题实体集和所述候选问题关系集作为输入集，输入预先学习训练完成的学习评分模型；
候选答案集构建模块，用于获取所述候选问题实体集中任一元素和所述候选问题关系集中任一元素进行组合，获取组合结果所对应的候选答案，构建候选答案集；
筛选推荐模块，用于通过所述学习训练完成的学习评分模型对所述候选问题实体集、所述候选问题关系集和所述候选答案集进行综合评分，通过综合评分结果筛选出最终输出的问题答案推荐给目标客户。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的保险业务场景问答推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的保险业务场景问答推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310506051.0A CN116610784A (zh) | 2023-05-06 | 2023-05-06 | 一种保险业务场景问答推荐方法及其相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310506051.0A CN116610784A (zh) | 2023-05-06 | 2023-05-06 | 一种保险业务场景问答推荐方法及其相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116610784A true CN116610784A (zh) | 2023-08-18 |
Family
ID=87681009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310506051.0A Pending CN116610784A (zh) | 2023-05-06 | 2023-05-06 | 一种保险业务场景问答推荐方法及其相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116610784A (zh) |
-
2023
- 2023-05-06 CN CN202310506051.0A patent/CN116610784A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
| CN112287069B (zh) | 基于语音语义的信息检索方法、装置及计算机设备 | |
| CN111666416B (zh) | 用于生成语义匹配模型的方法和装置 | |
| WO2021218028A1 (zh) | 基于人工智能的面试内容精炼方法、装置、设备及介质 | |
| CN112685550B (zh) | 智能问答方法、装置、服务器及计算机可读存储介质 | |
| US20220083742A1 (en) | Man-machine dialogue method and system, computer device and medium | |
| CN112085091B (zh) | 基于人工智能的短文本匹配方法、装置、设备及存储介质 | |
| CN111400473A (zh) | 意图识别模型的训练方法及装置、存储介质及电子设备 | |
| CN116796857A (zh) | 一种llm模型训练方法、装置、设备及其存储介质 | |
| CN113705191A (zh) | 样本语句的生成方法、装置、设备及存储介质 | |
| CN114519397B (zh) | 基于对比学习的实体链接模型的训练方法、装置、设备 | |
| CN115757731A (zh) | 对话问句改写方法、装置、计算机设备及存储介质 | |
| CN115438149A (zh) | 一种端到端模型训练方法、装置、计算机设备及存储介质 | |
| CN111931503B (zh) | 信息抽取方法及装置、设备、计算机可读存储介质 | |
| CN116881446A (zh) | 一种语义分类方法、装置、设备及其存储介质 | |
| CN116610784A (zh) | 一种保险业务场景问答推荐方法及其相关设备 | |
| CN113569741A (zh) | 图像试题的答案生成方法、装置、电子设备及可读介质 | |
| CN111835861A (zh) | 考试系统数据处理方法、装置、计算机设备及存储介质 | |
| CN112818084A (zh) | 信息交互方法、相关装置、设备及计算机可读介质 | |
| CN116701593A (zh) | 基于GraphQL的中文问答模型训练方法及其相关设备 | |
| CN113792549B (zh) | 一种用户意图识别的方法、装置、计算机设备及存储介质 | |
| CN113421551B (zh) | 语音识别方法、装置、计算机可读介质及电子设备 | |
| CN116796709A (zh) | 一种文本生成方法、装置、计算机设备及存储介质 | |
| CN116821298A (zh) | 一种应用于投保信息的关键词自动识别方法、及相关设备 | |
| CN116756286A (zh) | 基于全链路线上化的问答模型优化方法及其相关设备 |
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 |