CN116631402A - 一种业务查询方法、装置、电子设备及存储介质 - Google Patents
一种业务查询方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116631402A CN116631402A CN202310620598.3A CN202310620598A CN116631402A CN 116631402 A CN116631402 A CN 116631402A CN 202310620598 A CN202310620598 A CN 202310620598A CN 116631402 A CN116631402 A CN 116631402A
- Authority
- CN
- China
- Prior art keywords
- service
- node
- query result
- keywords
- user
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 43
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 23
- 238000012216 screening Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000036541 health Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text 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
- G06F16/35—Clustering; Classification
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- 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)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种业务查询方法、装置、电子设备及存储介质,涉及语音识别技术领域。该方法包括:对获取到的用户语音进行识别,识别得到该用户语音的文本内容;根据该文本内容,从历史经验数据库中筛选出满足要求的目标三组数据;根据目标三元组数据中的业务词汇,在知识图谱中获取该业务词汇对应的节点,将文本内容中的关键词输入到节点对应的循环神经网络模型中,得到分类结果;根据分类结果向用户反馈查询结果,用户对反馈的查询结果进行选择,获得用户语音的查询结果。通过历史经验数据库对文本内容进行第一次业务词汇的定位,并结合循环神经网络模型进行业务词汇的第二次定位,从而提高业务查询的准确性以及效率。
Description
技术领域
本申请涉及语音识别技术领域,尤其涉及一种业务查询方法、装置、电子设备及存储介质。
背景技术
语音识别技术,也被称为自动语音识别(Automatic Speech Recognition,ASR),其目标是将人类的语音中的词汇内容转换为计算机可读的输入,例如按键、二进制编码或者字符序列。随着社会的发展,该技术在各个行业也得到了广泛应用,例如,在驾驶、医疗、智能家居、金融服务等。
以金融服务为例,用户通过运用语音识别,实现了语音导航、语音交易、办理业务等基础服务。随着业务种类的不断扩充,针对用户设计出的应用程序或网页端软件中,也会包括各种业务对应的专有名词。目前,基于语音识别技术进行业务查询时,主要采取以下两种方法:
其一,对获取到的用户语音进行识别,转换成该用户语音对应的文本信息,对该文本信息进行切词以及关键词提取,根据提取到的关键词匹配出用户想要查询的业务或者功能按钮。然而该方法需要依赖于用户说出较准确的专有名词,若用户不清楚各种业务的专有名词,则无法快速且准确地匹配出用户想要查询的业务或者功能按钮,从而增加了用户的操作时间,影响用户体验,甚至会影响业务办理的转化率。
其二,基于自然语言理解技术,对获取到的用户语音进行理解以及分析,预测出用户想要查询的业务或者功能按钮。虽然该方法无需依赖于用户说出较为准确的专有名词,但算法复杂,处理时间较长,甚至预测出的查询结果存在误差,降低了用户体验。
因此,如何提高业务查询的准确性以及效率,是目前亟需解决的问题。
发明内容
本申请提供了一种业务查询方法,用以提高业务查询的准确性以及效率。
第一方面,提供的一种业务查询方法,包括:
对获取到的用户语音进行识别,识别得到所述用户语音的文本内容;根据所述文本内容,从历史经验数据库中筛选出满足要求的目标三元组数据;根据所述目标三元组数据中的业务词汇,在知识图谱中获取所述业务词汇对应的节点;将所述文本内容中的关键词输入到所述节点对应的循环神经网络模型中,得到分类结果;根据所述分类结果向用户反馈查询结果;用户对反馈的查询结果进行选择,获得用户语音的查询结果。
可选的,所述根据所述文本内容,从历史经验数据库中筛选出满足要求的目标三元组数据,包括:
对所述文本内容进行关键词提取,得到提取到的关键词;获取所述历史经验数据库中的所有三元组数据,并根据所述提取到的关键词,从所述所有三元组数据中筛选出所述目标三元组数据。
可选的,所述根据所述提取到的关键词,从所述所有三元组数据中筛选出所述目标三元组数据,包括:
针对所述所有三元组数据中每条三元组数据中的关键词,按照权重值从高至低进行排序,获取权重值排名前3的所有关键词;针对所述每条三元组数据,将所述权重值排名前3的所有关键词与所述提取到的关键词进行对比,获得相同关键词的个数;比较每条三元组数据与所述提取的关键词的相同关键词的个数,将所述个数按照从高至低排序,获得排名前5的个数所对应的三元组数据;将所述提取到的关键词,与所述排名前5的个数所对应的三元组数据分别进行相似度计算,得到5个相似度数值;将所述5个相似度数值中最大的相似度数值对应的三元组数据作为所述目标三元组数据。
可选的,所述根据所述分类结果向用户反馈查询结果,包括:
当所述分类结果为无类型或者所述节点为叶子节点时,获取所述节点对应的业务词汇,并将所述业务词汇在系统界面中对应的业务按钮控件作为第一查询结果,将所述节点的上一级节点和下一级所有节点对应的业务词汇在所述系统界面中对应的业务按钮控件作为第二查询结果,将所述第一查询结果和所述第二查询结果在所述系统界面中反馈给用户;当所述分类结果为所述节点的下一级节点时,将所述提取到的关键词输入至所述节点的下一级节点,再次获得分类结果,按照知识图谱的树节点层级逐层进行分类,直至所述分类结果为无类型或当前节点为叶子节点时为止,将所述当前节点对应的业务词汇在所述系统界面中对应的业务按钮控件作为所述第一查询结果,将所述节点的上一级节点和下一级所有节点对应的业务词汇在所述系统界面中对应的业务按钮控件作为所述第二查询结果,将所述第一查询结果和所述第二查询结果在所述系统界面中反馈给用户。
可选的,所述用户对反馈的查询结果进行选择,获得用户语音的查询结果,包括:
当用户选择的是所述第一查询结果时,将所述第一查询结果作为用户语音的查询结果;当用户选择的是所述第二查询结果中的一个业务词汇对应的业务按钮控件时,将所述提取到的关键词和所述用户选择的业务按钮控件对应的业务词汇作为正样本,输入至用户选择的业务词汇对应的节点的循环神经网络模型的新增样本库中,并将所述提取到的关键词和所述用户选择的业务按钮控件对应的业务词汇作为负样本,输入至所述第一查询结果对应的节点的循环神经网络模型的新增样本库中,以使各节点的循环神经网络模型根据各新增样本库中的样本进行定期优化,在优化完成后,将所述各新增样本库中的样本删除。
第二方面,提供一种业务查询装置,包括:
识别模块,用于对获取到的用户语音进行识别,识别得到所述用户语音的文本内容;筛选模块,用于根据所述文本内容,从历史经验数据库中筛选出满足要求的目标三元组数据;查询模块,用于根据所述目标三元组数据中的业务词汇,在知识图谱中获取所述业务词汇对应的节点;分类模块,用于将所述文本内容中的关键词输入到所述节点对应的循环神经网络模型中,得到分类结果;反馈模块,用于根据所述分类结果向用户反馈查询结果;选择模块,用于用户对反馈的查询结果进行选择,获得用户语音的查询结果。
可选的,所述筛选模块,具体用于:
对所述文本内容进行关键词提取,得到提取到的关键词;获取所述历史经验数据库中的所有三元组数据,并根据所述提取到的关键词,从所述所有三元组数据中筛选出所述目标三元组数据。
可选的,所述筛选模块,具体用于:
针对所述所有三元组数据中每条三元组数据中的关键词,按照权重值从高至低进行排序,获取权重值排名前3的所有关键词;针对所述每条三元组数据,将所述权重值排名前3的所有关键词与所述提取到的关键词进行对比,获得相同关键词的个数;比较每条三元组数据与所述提取的关键词的相同关键词的个数,将所述个数按照从高至低排序,获得排名前5的个数所对应的三元组数据;将所述提取到的关键词,与所述排名前5的个数所对应的三元组数据分别进行相似度计算,得到5个相似度数值;将所述5个相似度数值中最大的相似度数值对应的三元组数据作为所述目标三元组数据。
可选的,所述反馈模块,具体用于:
当所述分类结果为无类型或者所述节点为叶子节点时,获取所述节点对应的业务词汇,并将所述业务词汇在系统界面中对应的业务按钮控件作为第一查询结果,将所述节点的上一级节点和下一级所有节点对应的业务词汇在所述系统界面中对应的业务按钮控件作为第二查询结果,将所述第一查询结果和所述第二查询结果在所述系统界面中反馈给用户;当所述分类结果为所述节点的下一级节点时,将所述提取到的关键词输入至所述节点的下一级节点,再次获得分类结果,按照知识图谱的树节点层级逐层进行分类,直至所述分类结果为无类型或当前节点为叶子节点时为止,将所述当前节点对应的业务词汇在所述系统界面中对应的业务按钮控件作为所述第一查询结果,将所述节点的上一级节点和下一级所有节点对应的业务词汇在所述系统界面中对应的业务按钮控件作为所述第二查询结果,将所述第一查询结果和所述第二查询结果在所述系统界面中反馈给用户。
可选的,所述选择模块,具体用于:
所述选择模块,具体用于:
当用户选择的是所述第一查询结果时,将所述第一查询结果作为用户语音的查询结果;当用户选择的是所述第二查询结果中的一个业务词汇对应的业务按钮控件时,将所述提取到的关键词和所述用户选择的业务按钮控件对应的业务词汇作为正样本,输入至用户选择的业务词汇对应的节点的循环神经网络模型的新增样本库中,并将所述提取到的关键词和所述用户选择的业务按钮控件对应的业务词汇作为负样本,输入至所述第一查询结果对应的节点的循环神经网络模型的新增样本库中,以使各节点的循环神经网络模型根据各新增样本库中的样本进行定期优化,在优化完成后,将所述各新增样本库中的样本删除。
第三方面,提供一种电子设备,包括:
存储器,用于存放计算机程序;处理器,用于执行所述存储器上所存放的计算机程序时,实现第一方面中任一项所述的方法步骤。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中任一项中所述的方法步骤。
第五方面,提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现第一方面中任一项所述的方法步骤。
本申请实施例中,根据文本相似度算法和循环神经网络模型相结合的方法,针对用户语音的文本内容定位到用户语音想要查询的业务词汇,首先根据文本相似度算法对用户语音的文本内容进行业务词汇的第一次定位,获得第一次定位后的业务词汇;根据第一次定位后的业务词汇,在知识图谱的节点中采用循环神经网络模型对用户语音的文本内容进行第二次定位,最终定位到用户语音想要查询的业务词汇。通过以上两次定位的方法,能够准确定位到用户语音想要查询的业务词汇,同时能够提高业务查询的效率。
上述第二方面至第五方面中的各个方面以及各个方面可能达到的技术效果请参照上述针对第一方面或第一方面中的各种可能方案可以达到的技术效果说明,这里不再重复赘述。
附图说明
图1为本申请实施例适用的应用场景示意图;
图2为本申请实施例提供的一种业务查询方法的流程图;
图3为本申请实施例提供的一种筛选目标三元组数据的流程图;
图4为本申请实施例提供的一种业务查询装置的结构示意图;
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述。方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。需要说明的是,在本申请的描述中“多个”理解为“至少两个”。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。A与B连接,可以表示:A与B直接连接和A与B通过C连接这两种情况。另外,在本申请的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。
本申请技术方案中,对数据的获取(或者信息)、存储、使用、处理等,均符合国家相关法律法规要求。
为了更好地理解本申请实施例,下面首先对本申请实施例中的部分用语进行解释说明,以便于本领域技术人员理解。
(1)循环神经网络(Recurrent Neural Network,RNN)是一类以序列数据为输入,在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。在自然语言处理(Natural Language Processing,NLP),例如语音识别、语言建模、机器翻译等领域得到广泛应用。
(2)知识图谱是一种基于图的数据结构,由节点(point)和边(Edge)组成,每个节点表示一个“实体”,在本申请所指的是业务,每条边为实体与实体之间的“关系”,知识图谱本质上是语义网络。
下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍,需要说明的是,以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施时,可以根据实际需要灵活地应用本申请实施例提供的技术方案。
图1为本申请实施例适用的应用场景示意图。如图所示,该应用场景主要包括:终端10、服务器11。其中,终端10和服务器11之间可通过通信网络进行信息交互,该通信网络采用的通信方式可包括:无线通信方式和有线通信方式。
示例性的,终端10可通过蜂窝移动通信技术接入网络,与服务器11进行通信,该蜂窝移动通信技术,可包括第五代移动通信(5th Generation Mobile Networks,5G)技术。
示例性的,终端10可通过短距离无线通信方式接入网络,与服务器11进行通信,该短距离无线通信方式,可包括无线保真(Wireless Fidelity,Wi-Fi)技术。
本申请实施例对上述设备的数量不做任何限制,如图1所示,仅以终端10和服务器11为例进行描述,下面对上述各设备及其各自的功能进行简要介绍。
终端10是一种可以向用户提供语音和/或数据连通性的设备,包括:具有无线连接功能的手持式终端设备、车载终端设备等。
示例性的,终端10包括但不限于:手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(Mobile Internet Device,MID)、可穿戴设备,虚拟现实(Virtual Reality,VR)设备、增强现实(Augmented Reality,AR)设备、工业控制中的无线终端设备、无人驾驶中的无线终端设备、智能电网中的无线终端设备、运输安全中的无线终端设备、智慧城市中的无线终端设备,或智慧家庭中的无线终端设备等。
此外,终端10上可以安装有业务查询相关的客户端,该客户端可以是软件(例如,APP、浏览器等),也可以是网页、小程序等。在本申请实施例中,终端10可以使用上述业务查询相关的客户端,并且能够与服务器11之间进行业务查询相关的信息交互。
进一步地,服务器11可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、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(Content DeliveryNetwork,CDN)、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。
进一步地,在本申请实施例中,上述服务器11可以搭载有与上述客户端对应的业务查询平台或装置,用于处理各种业务查询。
为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。所述方法在实际的处理过程中或者装置执行时,可按照实施例或者附图所示的方法顺序执行或者并执行。
图2为本申请实施例提供的一种业务查询方法的流程图。该流程可由业务查询装置所执行,该装置可通过软件的方式实现,也可通过硬件的方式实现,还可通过软件和硬件结合的方式实现。
本申请实施例中,根据文本相似度算法和循环神经网络模型相结合的方法,针对用户语音的文本内容定位到用户语音想要查询的业务词汇,也即首先根据文本相似度算法对用户语音的文本内容进行业务词汇的第一次定位,获得第一次定位后的业务词汇;根据第一次定位后的业务词汇,在知识图谱的节点中采用循环神经网络模型对用户语音的文本内容进行第二次定位,最终定位到用户语音想要查询的业务词汇。通过以上两次定位的方法,能够准确定位到用户语音想要查询的业务词汇,同时能够提高业务查询的效率。如图2所示,该流程包括如下步骤:
S201:对获取到的用户语音进行识别,识别得到用户语音的文本内容。
该步骤中,可采用常见的语音识别方法,对用户语音进行识别,得到文本内容,本申请实施例在此不做限制。
在一些实施例中,得到该文本内容后,还可将该文本内容中的重复词汇、与业务无关词汇等进行过滤。
S202:根据上述文本内容,从历史经验数据库中筛选出满足要求的目标三元组数据。
可选的,从历史经验数据库中筛选出满足要求的目标三元组数据,可以通过以下方式:对文本内容进行关键词提取,得到提取到的关键词;获取历史经验数据库中的所有三元组数据,并根据提取到的关键词,从所有三元组数据中筛选出该目标三元组数据。
可选的,历史经验数据库中的每条三元组数据可包括历史文本内容的关键词、关键词权重值、业务词汇。历史文本内容的关键词可经过多个用户历史语音对应的历史文本内容所提取的关键词集合;关键词权重值为经过多个用户历史语音对应的历史文本内容所提取的关键词的权重值;业务词汇为三元组数据所对应的用户想要查询的业务词汇。
例如,一条三元组数据内容为:{保险、健康、疾病、老人、老年人、退休、保障};{5、3、3、2、2、2、1};老年健康保险。以上三元组数据中的{保险、健康、疾病、老人、老年人、退休、保障}为历史文本内容中的关键词,可经过多个用户历史语音对应的历史文本内容所提取和汇总的关键词集合;{5、3、3、2、2、2、1}为关键词的权重值,其分别为{保险、健康、疾病、老人、老年人、退休、保障}中各关键词的权重值,例如,保险对应的权重值为5,老人对应的权重值为2,老年健康保险为业务词汇,即该条三元组数据对应的业务词汇。
进一步地,根据该提取到的关键词,从历史经验数据库中筛选出满足要求的目标三元组数据,具体可以如图3所示:
S301:针对所有三元组数据中每条三元组数据中的关键词,按照权重值从高至低进行排序,获取权重值排名前3的所有关键词。
举例来讲,某条三元组数据为:{保险、健康、疾病、老人、老年人、退休、保障};{5、3、3、2、2、2、1};老年健康保险。该条三元组按照权重值从高至低排序,筛选出权重值排名前3的所有关键词为权重值5、3、2所对应的关键词,分别为保险、健康、疾病、老人、老年人、退休。
S302:针对每条三元组数据,将权重值排名前3的所有关键词与提取到的关键词进行对比,获得相同关键词的个数。
假设提取到的关键词为:保险、健康、老人,以上述S301的三元组数据为例进行对比,可确定出相同关键词的个数为3个。
S303:比较每条三元组数据与提取的关键词的相同关键词的个数,将该个数按照从高至低排序,获得排名前5的个数所对应的三元组数据。
举例来讲,三元组数据A、B、C、D、E、F、G中的候选关键词,与提取到的关键词存在相同关键词的个数分别为:10、3、6、5、1、8、9,则获得排名前5的个数,也即10、9、8、6、5,所对应的三元组数据,即A、G、F、C、D。
S304:将提取到的关键词,与排名前5的个数所对应的三元组数据分别进行相似度计算,得到5个相似度数值。
举例来讲,将上述A、G、F、C、D分别与提取的关键词进行相似度计算,获得5个相似度数值。
S305:将5个相似度数值中最大的相似度数值对应的三元组数据作为该目标三元组数据。
可选的,相似度数值计算表达式为:其中,R为相似度数值,λi为提取到的关键词与S303中获得的三元组数据相同的关键词的权重值;n为提取到的关键词与S303中获得的三元组数据相同的关键词个数。
在一些实施例中,当提取到的关键词中有部分关键词是存在于该目标三元组数据中时,将该目标三元组数据中与提取到的关键词中相同关键词的权重m,m=0.01;当提取关键词中有部分关键词不存在于该目标三元组数据中时,可将该部分关键词添加到该目标三元组数据中,并设置添加的关键词的权重值为1。
在另一些实施例中,在构建该历史经验数据库时,针对每条三元组数据中的关键词的权重值,在进行初始化时均设置为1。进一步地,在S201之前,构建该历史经验数据库时,针对每条三元组数据中的关键词的权重值,在初始化时均设置为1。
S203:根据上述目标三元组数据中的业务词汇,在知识图谱中获取该业务词汇对应的节点。
进一步地,上述历史经验数据库中每条三元组数据的业务词汇均对应一个知识图谱中的节点。
进一步地,知识图谱可以是预先构建的,该知识图谱是基于各项业务之间的上下级关系构建的,可以是以树状图的形式存在,可包括根节点、中间节点、叶子节点,每个节点对应一个业务,每个业务都有各自专有的业务词汇,以金融、保险、基金、儿童保险、老人保险这些业务词汇的上下级关系为例,构建的知识图谱为:“金融”为根节点,“保险”、“基金”为中间节点;“儿童保险”、“老人保险”为中间节点“保险”的下一级节点,即,叶子节点。
进一步地,该知识图谱中每个根节点和中间节点中均设置一个循环神经网络模型,每个节点的循环神经网络模型为预先构建的,该每个循环神经网络模型的输入可为文本内容中的关键词,输出为分类结果,该分类结果用于表征将关键词输入到某节点的循环神经网络模型后,该分类结果在知识图谱中对应为当前节点的下一级节点或无类型。例如,针对业务词汇为“保险”的中间节点,其下一级节点为“儿童保险”、“老人保险”,针对该中间节点对应的循环神经网络模型,如果输入关键词“儿童、低龄、少儿、幼儿、保险、保障”,则循环神经网络模型的分类结果为儿童保险;如果输入关键词为“保险、保障”,则循环神经网络模型的分类结果为无类型。
可选的,节点的循环神经网络模型的构建方式为:将针对该节点以及下一级节点的用户历史语音对应的关键词,和最终定位到的业务词汇作为样本,对该循环神经网络模型进行训练,以获得训练完成的循环神经网络模型。例如,针对业务词汇为“保险”的中间节点,其下一级节点为“儿童保险”、“老人保险”,{“儿童、低龄、少儿、幼儿、保险、保障”:儿童保险}、{“保险、保障”:无类型}等,为正样本;{保障,儿童,理财:儿童保险}等,为负样本,根据正负样本对循环神经网络模型进行训练。
S204:将上述文本内容中的关键词输入到该节点对应的循环神经网络模型中,得到分类结果。
S205:根据上述分类结果向用户反馈查询结果。
可选的,该步骤具体可以包括如下过程:
当分类结果为无类型或者节点为叶子节点时,获取节点对应的业务词汇,并将业务词汇在系统界面中对应的业务按钮控件作为第一查询结果,将节点的上一级节点和下一级所有节点对应的业务词汇在系统界面中对应的业务按钮控件作为第二查询结果,将第一查询结果和第二查询结果在该系统界面中反馈给用户。
当分类结果为节点的下一级节点时,将提取到的关键词输入至节点的下一级节点,再次获得分类结果,按照知识图谱的树节点层级逐层进行分类,直至分类结果为无类型或当前节点为叶子节点时为止,将当前节点对应的业务词汇在系统界面中对应的业务按钮控件作为第一查询结果,将节点的上一级节点和下一级所有节点对应的业务词汇在系统界面中对应的业务按钮控件作为第二查询结果,将第一查询结果和第二查询结果在系统界面中反馈给用户。
在一些实施例中,若当前节点为叶子节点,且无下一级节点时,则将其上一级节点对应的业务词汇在系统界面中对应的业务按钮控件作为第二查询结果。
S206:用户对反馈的查询结果进行选择,获得用户语音的查询结果。
可选的,用户对反馈的查询结果进行选择,获得用户语音的查询结果,可包括:
当用户选择的是第一查询结果时,将第一查询结果作为用户语音的查询结果;当用户选择的是第二查询结果中的一个业务词汇对应的业务按钮控件时,将提取到的关键词和用户选择的业务按钮控件对应的业务词汇作为正样本,输入至用户选择的业务词汇对应的节点的循环神经网络模型的新增样本库中,并将提取到的关键词和用户选择的业务按钮控件对应的业务词汇作为负样本,输入至第一查询结果对应的节点的循环神经网络模型的新增样本库中,以使各节点的神经网络模型根据各新增样本库中的样本进行定期优化,在优化完成后,将各新增样本库中的样本删除。
本申请实施例中的有益效果如下:
1、采用文本相似度算法进行业务词汇的第一次定位,直接定位到知识图谱中的相对准确的节点,提高了业务词汇查询算法的整体效率;并再次根据循环神经网络模型进行业务词汇的第二次定位,提高了业务词汇查询的准确性;
2、采用关键词和关键词权重的方法实现对业务词汇的第一次定位,提高了业务词汇查询的准确性;
3、历史经验数据库中的关键词和关键词权重动态调整,能够进一步提高业务词汇查询的准确性;同时,根据用户的选择形成正负样本,对循环神经网络模型进行更新迭代训练,进一步提高了业务词汇查询的准确性。
基于相同的技术构思,本申请实施例中还提供了一种业务查询装置,该装置可实现本申请实施例中上述业务查询方法流程。
图4为本申请实施例提供的一种业务查询装置的结构示意图。该装置包括识别模块401、筛选模块402、查询模块403、分类模块404、反馈模块405、选择模块406。
识别模块401,用于对获取到的用户语音进行识别,识别得到所述用户语音的文本内容。
筛选模块402,用于根据所述文本内容,从历史经验数据库中筛选出满足要求的目标三元组数据。
查询模块403,用于根据所述目标三元组数据中的业务词汇,在知识图谱中获取所述业务词汇对应的节点。
分类模块404,用于将所述文本内容中的关键词输入到所述节点对应的循环神经网络模型中,得到分类结果。
反馈模块405,用于根据所述分类结果向用户反馈查询结果。
选择模块406,用于用户对反馈的查询结果进行选择,获得用户语音的查询结果。
可选的,筛选模块402,具体用于:
对所述文本内容进行关键词提取,得到提取到的关键词;获取所述历史经验数据库中的所有三元组数据,并根据所述提取到的关键词,从所述所有三元组数据中筛选出所述目标三元组数据。
可选的,筛选模块402,具体用于:
针对所述所有三元组数据中每条三元组数据中的关键词,按照权重值从高至低进行排序,获取权重值排名前3的所有关键词;针对所述每条三元组数据,将所述权重值排名前3的所有关键词与所述提取到的关键词进行对比,获得相同关键词的个数;比较每条三元组数据与所述提取的关键词的相同关键词的个数,将所述个数按照从高至低排序,获得排名前5的个数所对应的三元组数据;将所述提取到的关键词,与所述排名前5的个数所对应的三元组数据分别进行相似度计算,得到5个相似度数值;将所述5个相似度数值中最大的相似度数值对应的三元组数据作为所述目标三元组数据。
可选的,所述反馈模块405,具体用于:
当所述分类结果为无类型或者所述节点为叶子节点时,获取所述节点对应的业务词汇,并将所述业务词汇在系统界面中对应的业务按钮控件作为第一查询结果,将所述节点的上一级节点和下一级所有节点对应的业务词汇在所述系统界面中对应的业务按钮控件作为第二查询结果,将所述第一查询结果和所述第二查询结果在所述系统界面中反馈给用户;当所述分类结果为所述节点的下一级节点时,将所述提取到的关键词输入至所述节点的下一级节点,再次获得分类结果,按照知识图谱的树节点层级逐层进行分类,直至所述分类结果为无类型或当前节点为叶子节点时为止,将所述当前节点对应的业务词汇在所述系统界面中对应的业务按钮控件作为所述第一查询结果,将所述节点的上一级节点和下一级所有节点对应的业务词汇在所述系统界面中对应的业务按钮控件作为所述第二查询结果,将所述第一查询结果和所述第二查询结果在所述系统界面中反馈给用户。
可选的,所述选择模块406,具体用于:
当用户选择的是所述第一查询结果时,将所述第一查询结果作为用户语音的查询结果;当用户选择的是所述第二查询结果中的一个业务词汇对应的业务按钮控件时,将所述提取到的关键词和所述用户选择的业务按钮控件对应的业务词汇作为正样本,输入至用户选择的业务词汇对应的节点的循环神经网络模型的新增样本库中,并将所述提取到的关键词和所述用户选择的业务按钮控件对应的业务词汇作为负样本,输入至所述第一查询结果对应的节点的循环神经网络模型的新增样本库中,以使各节点的循环神经网络模型根据各新增样本库中的样本进行定期优化,在优化完成后,将所述各新增样本库中的样本删除。
在此需要说明的是,本申请实施例提供的上述装置,能够实现上述方法实施例中的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
基于相同的技术构思,本申请实施例中还提供了一种电子设备,所述电子设备可以实现前述一种业务查询装置的功能。
图5为本申请实施例提供的电子设备的结构示意图。
至少一个处理器501,以及与至少一个处理器501连接的存储器502,本申请实施例中不限定处理器501与存储器502之间的具体连接介质,图5中是以处理器501和存储器502之间通过总线500连接为例。总线500在图5中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。总线500可以分为地址总线、数据总线、控制总线等,为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。或者,处理器501也可以称为控制器,对于名称不做限制。
在本申请实施例中,存储器502存储有可被至少一个处理器501执行的指令,至少一个处理器501通过执行存储器502存储的指令,可以执行前文论述的一种数据处理方法。处理器501可以实现图4所示的装置中各个模块的功能。
其中,处理器501是该装置的控制中心,可以利用各种接口和线路连接整个该控制设备的各个部分,通过运行或执行存储在存储器502内的指令以及调用存储在存储器502内的数据,该装置的各种功能和处理数据,从而对该装置进行整体监控。
在一种可能的设计中,处理器501可包括一个或多个处理单元,处理器501可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器501中。在一些实施例中,处理器501和存储器502可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器501可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的一种业务查询方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器502可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器502是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器502还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
通过对处理器501进行设计编程,可以将前述实施例中介绍的一种业务查询方法所对应的代码固化到芯片内,从而使芯片在运行时能够执行图2所示的实施例的一种业务查询方法。如何对处理器501进行设计编程为本领域技术人员所公知的技术,这里不再赘述。
在此需要说明的是,本申请实施例提供的上述通电子设备,能够实现上述方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行上述实施例中的一种业务查询方法。
本申请实施例还提供了一种计算机程序产品,所述计算机程序产品在被计算机调用时,使得所述计算机执行上述实施例中的一种业务查询方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (13)
1.一种业务查询方法,其特征在于,包括:
对获取到的用户语音进行识别,识别得到所述用户语音的文本内容;
根据所述文本内容,从历史经验数据库中筛选出满足要求的目标三元组数据;
根据所述目标三元组数据中的业务词汇,在知识图谱中获取所述业务词汇对应的节点;
将所述文本内容中的关键词输入到所述节点对应的循环神经网络模型中,得到分类结果;
根据所述分类结果向用户反馈查询结果;
用户对反馈的查询结果进行选择,获得用户语音的查询结果。
2.如权利要求1所述的方法,其特征在于,所述根据所述文本内容,从历史经验数据库中筛选出满足要求的目标三元组数据,包括:
对所述文本内容进行关键词提取,得到提取到的关键词;
获取所述历史经验数据库中的所有三元组数据,并根据所述提取到的关键词,从所述所有三元组数据中筛选出所述目标三元组数据。
3.如权利要求2所述的方法,其特征在于,所述根据所述提取到的关键词,从所述所有三元组数据中筛选出所述目标三元组数据,包括:
针对所述所有三元组数据中每条三元组数据中的关键词,按照权重值从高至低进行排序,获取权重值排名前3的所有关键词;
针对所述每条三元组数据,将所述权重值排名前3的所有关键词与所述提取到的关键词进行对比,获得相同关键词的个数;
比较每条三元组数据与所述提取的关键词的相同关键词的个数,将所述个数按照从高至低排序,获得排名前5的个数所对应的三元组数据;
将所述提取到的关键词,与所述排名前5的个数所对应的三元组数据分别进行相似度计算,得到5个相似度数值;
将所述5个相似度数值中最大的相似度数值对应的三元组数据作为所述目标三元组数据。
4.如权利要求1所述的方法,其特征在于,所述根据所述分类结果向用户反馈查询结果,包括:
当所述分类结果为无类型或者所述节点为叶子节点时,获取所述节点对应的业务词汇,并将所述业务词汇在系统界面中对应的业务按钮控件作为第一查询结果,将所述节点的上一级节点和下一级所有节点对应的业务词汇在所述系统界面中对应的业务按钮控件作为第二查询结果,将所述第一查询结果和所述第二查询结果在所述系统界面中反馈给用户;
当所述分类结果为所述节点的下一级节点时,将所述提取到的关键词输入至所述节点的下一级节点,再次获得分类结果,按照知识图谱的树节点层级逐层进行分类,直至所述分类结果为无类型或当前节点为叶子节点时为止,将所述当前节点对应的业务词汇在所述系统界面中对应的业务按钮控件作为所述第一查询结果,将所述节点的上一级节点和下一级所有节点对应的业务词汇在所述系统界面中对应的业务按钮控件作为所述第二查询结果,将所述第一查询结果和所述第二查询结果在所述系统界面中反馈给用户。
5.如权利要求1-4任一项所述的方法,其特征在于,所述用户对反馈的查询结果进行选择,获得用户语音的查询结果,包括:
当用户选择的是所述第一查询结果时,将所述第一查询结果作为用户语音的查询结果;
当用户选择的是所述第二查询结果中的一个业务词汇对应的业务按钮控件时,将所述提取到的关键词和所述用户选择的业务按钮控件对应的业务词汇作为正样本,输入至用户选择的业务词汇对应的节点的循环神经网络模型的新增样本库中,并将所述提取到的关键词和所述用户选择的业务按钮控件对应的业务词汇作为负样本,输入至所述第一查询结果对应的节点的循环神经网络模型的新增样本库中,以使各节点的循环神经网络模型根据各新增样本库中的样本进行定期优化,在优化完成后,将所述各新增样本库中的样本删除。
6.一种业务查询装置,其特征在于,包括:
识别模块,用于对获取到的用户语音进行识别,识别得到所述用户语音的文本内容;
筛选模块,用于根据所述文本内容,从历史经验数据库中筛选出满足要求的目标三元组数据;
查询模块,用于根据所述目标三元组数据中的业务词汇,在知识图谱中获取所述业务词汇对应的节点;
分类模块,用于将所述文本内容中的关键词输入到所述节点对应的循环神经网络模型中,得到分类结果;
反馈模块,用于根据所述分类结果向用户反馈查询结果;
选择模块,用于用户对反馈的查询结果进行选择,获得用户语音的查询结果。
7.如权利要求6所述的装置,其特征在于,所述筛选模块,具体用于:
对所述文本内容进行关键词提取,得到提取到的关键词;
获取所述历史经验数据库中的所有三元组数据,并根据所述提取到的关键词,从所述所有三元组数据中筛选出所述目标三元组数据。
8.如权利要求7所述的装置,其特征在于,所述筛选模块,具体用于:
针对所述所有三元组数据中每条三元组数据中的关键词,按照权重值从高至低进行排序,获取权重值排名前3的所有关键词;
针对所述每条三元组数据,将所述权重值排名前3的所有关键词与所述提取到的关键词进行对比,获得相同关键词的个数;
比较每条三元组数据与所述提取的关键词的相同关键词的个数,将所述个数按照从高至低排序,获得排名前5的个数所对应的三元组数据;
将所述提取到的关键词,与所述排名前5的个数所对应的三元组数据分别进行相似度计算,得到5个相似度数值;
将所述5个相似度数值中最大的相似度数值对应的三元组数据作为所述目标三元组数据。
9.如权利要求6所述的装置,其特征在于,所述反馈模块,具体用于:
当所述分类结果为无类型或者所述节点为叶子节点时,获取所述节点对应的业务词汇,并将所述业务词汇在系统界面中对应的业务按钮控件作为第一查询结果,将所述节点的上一级节点和下级所有节点对应的业务词汇在所述系统界面中对应的业务按钮控件作为第二查询结果,将所述第一查询结果和所述第二查询结果在所述系统界面中反馈给用户;
当所述分类结果为所述节点的下一级节点时,将所述提取到的关键词输入至所述节点的下一级节点,再次获得分类结果,按照知识图谱的树节点层级逐层进行分类,直至所述分类结果为无类型或当前节点为叶子节点时为止,将所述当前节点对应的业务词汇在所述系统界面中对应的业务按钮控件作为所述第一查询结果,将所述节点的上一级节点和下一级所有节点对应的业务词汇在所述系统界面中对应的业务按钮控件作为所述第二查询结果,将所述第一查询结果和所述第二查询结果在所述系统界面中反馈给用户。
10.如权利要求6-9任一项所述的装置,其特征在于,所述选择模块,具体用于:
当用户选择的是所述第一查询结果时,将所述第一查询结果作为用户语音的查询结果;
当用户选择的是所述第二查询结果中的一个业务词汇对应的业务按钮控件时,将所述提取到的关键词和所述用户选择的业务按钮控件对应的业务词汇作为正样本,输入至用户选择的业务词汇对应的节点的循环神经网络模型的新增样本库中,并将所述提取到的关键词和所述用户选择的业务按钮控件对应的业务词汇作为负样本,输入至所述第一查询结果对应的节点的循环神经网络模型的新增样本库中,以使各节点的循环神经网络模型根据各新增样本库中的样本进行定期优化,在优化完成后,将所述各新增样本库中的样本删除。
11.一种电子设备,其特征在于,包括:
存储器,用于存放计算机程序;
处理器,用于执行所述存储器上所存放的计算机程序时,实现权利要求1-5中任一项所述的方法步骤。
12.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5中任一项中所述的方法步骤。
13.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-5中任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310620598.3A CN116631402A (zh) | 2023-05-30 | 2023-05-30 | 一种业务查询方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310620598.3A CN116631402A (zh) | 2023-05-30 | 2023-05-30 | 一种业务查询方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116631402A true CN116631402A (zh) | 2023-08-22 |
Family
ID=87591679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310620598.3A Pending CN116631402A (zh) | 2023-05-30 | 2023-05-30 | 一种业务查询方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116631402A (zh) |
-
2023
- 2023-05-30 CN CN202310620598.3A patent/CN116631402A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6549332B2 (ja) | 機械学習に基づくネットワークモデル構築方法及び装置 | |
WO2020019686A1 (zh) | 一种会话交互方法及装置 | |
CN110069709B (zh) | 意图识别方法、装置、计算机可读介质及电子设备 | |
CN109376222B (zh) | 问答匹配度计算方法、问答自动匹配方法及装置 | |
CN112084789B (zh) | 文本处理方法、装置、设备及存储介质 | |
WO2021169842A1 (zh) | 数据更新方法、装置、电子设备及计算机可读存储介质 | |
CN111444320A (zh) | 文本检索方法、装置、计算机设备和存储介质 | |
CN109325040B (zh) | 一种faq问答库泛化方法、装置及设备 | |
CN112115232A (zh) | 一种数据纠错方法、装置及服务器 | |
CN112528637A (zh) | 文本处理模型训练方法、装置、计算机设备和存储介质 | |
CN114329029B (zh) | 对象检索方法、装置、设备及计算机存储介质 | |
CN111858898A (zh) | 基于人工智能的文本处理方法、装置及电子设备 | |
WO2023040742A1 (zh) | 文本数据的处理方法、神经网络的训练方法以及相关设备 | |
CN116719520B (zh) | 代码生成方法及装置 | |
CN111221936A (zh) | 一种信息匹配方法、装置、电子设备及存储介质 | |
CN112989829B (zh) | 一种命名实体识别方法、装置、设备及存储介质 | |
CN112817560B (zh) | 一种基于表函数的计算任务处理方法、系统及计算机可读存储介质 | |
CN117194616A (zh) | 一种垂域知识图谱的知识查询方法、装置、计算机设备和存储介质 | |
CN116680401A (zh) | 文档处理方法、文档处理装置、设备及存储介质 | |
CN111400340A (zh) | 一种自然语言处理方法、装置、计算机设备和存储介质 | |
CN116701752A (zh) | 基于人工智能的新闻推荐方法、装置、电子设备及介质 | |
CN112579733A (zh) | 规则匹配方法、规则匹配装置、存储介质及电子设备 | |
CN116631402A (zh) | 一种业务查询方法、装置、电子设备及存储介质 | |
CN114417016A (zh) | 一种基于知识图谱的文本信息匹配方法、装置及相关设备 | |
CN113076089A (zh) | 一种基于对象类型的api补全方法 |
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 |