CN116662522B - 问题答案推荐方法、存储介质和电子设备 - Google Patents
问题答案推荐方法、存储介质和电子设备 Download PDFInfo
- Publication number
- CN116662522B CN116662522B CN202310942673.8A CN202310942673A CN116662522B CN 116662522 B CN116662522 B CN 116662522B CN 202310942673 A CN202310942673 A CN 202310942673A CN 116662522 B CN116662522 B CN 116662522B
- Authority
- CN
- China
- Prior art keywords
- answered
- question
- questions
- legal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 106
- 238000012549 training Methods 0.000 claims description 86
- 238000011176 pooling Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 18
- 238000003062 neural network model Methods 0.000 description 15
- 230000006399 behavior Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 6
- 230000008520 organization Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 235000012020 french fries Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 235000019580 granularity Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
- G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种问题答案推荐方法、存储介质和电子设备。其中,该方法包括:获取待回答问题,其中,待回答问题为预设知识领域的问答在线咨询服务相关联的问题;对待回答问题进行意图识别,得到识别结果,其中,识别结果用于从预设知识领域中识别出待回答问题对应的分类标签;基于待回答问题与识别结果推荐待回答问题匹配的目标答案。本申请解决了现有技术中基于用户输入直接召回数据进行问答推荐的方式造成的问题推荐结果准确度低的技术问题。
Description
技术领域
本申请涉及计算机技术领域,尤其是大模型技术领域,具体而言,涉及一种问题答案推荐方法、存储介质和电子设备。
背景技术
随着人工智能技术的发展,神经网络模型越来越广泛地被应用于各行业的问答推荐场景中。现有的问答系统通常基于文本匹配或向量召回等方式根据用户输入直接召回相关数据进行回答,然而,通常用户输入的内容与指定知识领域的数据之间有较大的偏差,这导致难以从指定知识领域的海量数据中准确召回答案数据。指定知识领域的问答推荐结果准确度低成为相关应用场景中亟待解决的问题之一。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种问题答案推荐方法、存储介质和电子设备,以至少解决现有技术中基于用户输入直接召回数据进行问答推荐的方式造成的问题推荐结果准确度低的技术问题。
根据本申请实施例的一个方面,提供了一种问题答案推荐方法,包括:获取待回答问题,其中,待回答问题为预设知识领域的问答在线咨询服务相关联的问题;对待回答问题进行意图识别,得到识别结果,其中,识别结果用于从预设知识领域中识别出待回答问题对应的分类标签;基于待回答问题与识别结果推荐待回答问题匹配的目标答案。
根据本申请实施例的另一方面,还提供了一种问题答案推荐方法,包括:获取待回答法律问题,其中,待回答法律问题为法律知识领域的问答在线咨询服务相关联的法律问题;对待回答法律问题进行意图识别,得到识别结果,其中,识别结果用于从法律知识领域中识别出待回答法律问题对应的法条分类标签;基于待回答法律问题与识别结果推荐待回答法律问题匹配的目标法条答案。
根据本申请实施例的另一方面,还提供了一种计算机可读存储介质,上述计算机可读存储介质包括存储的程序,其中,在上述程序运行时控制上述计算机可读存储介质所在设备执行任意一项上述的问题答案推荐方法。
根据本申请实施例的另一方面,还提供了一种电子设备,包括:处理器;以及存储器,与上述处理器连接,用于为上述处理器提供处理以下处理步骤的指令:获取待回答问题,其中,待回答问题为预设知识领域的问答在线咨询服务相关联的问题;对待回答问题进行意图识别,得到识别结果,其中,识别结果用于从预设知识领域中识别出待回答问题对应的分类标签;基于待回答问题与识别结果推荐待回答问题匹配的目标答案。
在本申请实施例中,获取预设知识领域的问答在线咨询服务相关联的问题之后,先对待回答问题进行意图识别,得到识别结果,该识别结果用于从预设知识领域中识别出待回答问题对应的分类标签,然后基于待回答问题与识别结果推荐待回答问题匹配的目标答案。由此,基于意图识别和问题分类的构思增强了答案匹配过程中对待回答问题和预设知识领域的机器理解,达到了基于预设知识领域针对待回答问题进行准确地答案匹配和答案推荐的目的,从而实现了提升预设知识领域中问题推荐结果的准确度的技术效果,进而解决了现有技术中基于用户输入直接召回数据进行问答推荐的方式造成的问题推荐结果准确度低的技术问题。
容易注意到的是,上面的通用描述和后面的详细描述仅仅是为了对本申请进行举例和解释,并不构成对本申请的限定。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种问题答案推荐方法的应用场景的示意图;
图2是根据本申请实施例1的一种问题答案推荐方法的流程图;
图3是根据本申请实施例1的一种可选的神经网络模型的第一架构的示意图;
图4是根据本申请实施例1的一种可选的预训练模型的结构的示意图;
图5是根据本申请实施例1的一种可选的法条推荐场景下的问题回答推荐过程的示意图;
图6是根据本申请实施例1的一种可选的神经网络模型的第二架构的示意图;
图7是根据本申请实施例1的一种可选的图形用户界面的示意图;
图8是根据本申请实施例2的一种问题答案推荐方法的流程图;
图9是根据本申请实施例3的一种问题答案推荐装置的结构示意图;
图10是根据本申请实施例3的一种可选的问题答案推荐装置的结构示意图;
图11是根据本申请实施例3的另一种可选的问题答案推荐装置的结构示意图;
图12是根据本申请实施例3的又一种可选的问题答案推荐装置的结构示意图;
图13是根据本申请实施例4的一种问题答案推荐装置的结构示意图;
图14是根据本申请实施例4的一种可选的问题答案推荐装置的结构示意图;
图15是根据本申请实施例5的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请提供的技术方案主要采用大模型技术实现,此处的大模型是指具有大规模模型参数的深度学习模型,通常可以包含上亿、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(Large Language Model,LLM)、多模态预训练模型(multi-modal pre-training model)等。
需要说明的是,大模型在实际应用时,可以通过少量样本对预训练模型进行微调,使得大模型可以应用于不同的任务中。例如,大模型可以广泛应用于自然语言处理(Natural Language Processing,NLP)、计算机视觉等领域,具体可以应用于如视觉问答(Visual Question Answering,VQA)、图像描述(Image Caption,IC)、图像生成等计算机视觉领域任务,也可以广泛应用于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。因此,大模型主要的应用场景包括但不限于数字助理、智能机器人、搜索、在线教育、办公软件、电子商务、智能设计等。
实施例1
根据本申请实施例,提供了一种问题答案推荐方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
考虑到大模型的模型参数量庞大,且移动终端的运算资源有限,本申请实施例提供的上述问题答案推荐方法可以应用于如图1所示的应用场景,但不仅限于此。在如图1所示的应用场景中,大模型部署在服务器10中,服务器10可以通过局域网连接、广域网连接、因特网连接,或者其他类型的数据网络,连接一个或多个客户端设备20,此处的客户端设备20可以包括但不限于:智能手机、平板电脑、笔记本电脑、掌上电脑、个人计算机、智能家居设备、车载设备等。客户端设备20可以通过图形用户界面与用户进行交互,实现对大模型的调用,进而实现本申请实施例所提供的方法。
在本申请实施例中,客户端设备和服务器构成的系统可以执行如下步骤:客户端设备执行向服务器发送待回答问题和从服务器获取该待回答问题对应的目标答案的步骤,服务器执行问题答案推荐方法对应的步骤(以获取待回答问题,确定待回答问题匹配的目标答案,并将该目标答案推荐至客户端)。需要说明的是,在客户端设备的运行资源能够满足大模型的部署和运行条件的情况下,本申请实施例可以在客户端设备中进行。
在上述运行环境下,本申请提供了如图2所示的问题答案推荐方法。图2是根据本申请实施例1的一种问题答案推荐方法的流程图,如图2所示,该问题答案推荐方法包括:
步骤S21,获取待回答问题,其中,待回答问题为预设知识领域的问答在线咨询服务相关联的问题;
步骤S22,对待回答问题进行意图识别,得到识别结果,其中,识别结果用于从预设知识领域中识别出待回答问题对应的分类标签;
步骤S23,基于待回答问题与识别结果推荐待回答问题匹配的目标答案。
上述预设知识领域可以但不限于电商、教育、医疗、会议、社交网络、金融产品、物流和导航等知识领域。对应地,上述问题答案推荐方法可以但不限于应用于电商、教育、医疗、会议、社交网络、金融产品、物流和导航等领域中涉及知识问答推荐的应用场景。
在具体的应用场景中,上述待回答问题可以是根据用户通过文字、语音、视频等方式输入的数据确定的。上述待回答问题的形式不限于提问式、指令式、陈述式等。例如,待回答问题可以是:“请帮我查询合同违约的相关法条”,“保险赔付的规定是什么”等。
在具体的应用场景中,上述预设知识领域的问答在线咨询服务可以是通过数字助理、智能机器人、智能搜索、应用程序等实现的智能人机交互服务。上述预设知识领域可以对应有多个结构化的分类标签。
本申请实施例提供的上述问题答案推荐方法可以运行于上述应用场景对应的客户端,客户端通过用户实时输入的数据确定待回答问题,将该待回答问题传输至服务端,并从该服务端获取待回答问题匹配的目标答案。进一步地,客户端还可以通过输出设备(如显示屏、VR眼镜、耳机、扬声器等)将目标答案以文本、音频或视频等方式提供给用户。
本申请实施例提供的上述基于场景重建生成视频的方法可以运行于上述应用场景对应的服务端。上述服务端可以是独立的服务器或者服务器集群,根据客户端给定的待回答问题,对待回答问题进行意图识别,得到识别结果,该识别结果用于从预设知识领域中识别出待回答问题对应的分类标签,然后基于待回答问题与识别结果推荐待回答问题匹配的目标答案。上述服务端还可以是云服务器,通过软件即服务(Software as a Service,SaaS)的方式与客户端进行实时交互,根据客户端给定的待回答问题,基于意图识别和问题分类的构思,基于预设知识领域针对待回答问题进行准确地答案匹配和答案推荐,进而将待回答问题匹配的目标答案返回给客户端以提供给用户。
在本申请实施例中,获取预设知识领域的问答在线咨询服务相关联的问题之后,先对待回答问题进行意图识别,得到识别结果,该识别结果用于从预设知识领域中识别出待回答问题对应的分类标签,然后基于待回答问题与识别结果推荐待回答问题匹配的目标答案。由此,基于意图识别和问题分类的构思增强了答案匹配过程中对待回答问题和预设知识领域的机器理解,达到了基于预设知识领域针对待回答问题进行准确地答案匹配和答案推荐的目的,从而实现了提升预设知识领域中问题推荐结果的准确度的技术效果,进而解决了现有技术中基于用户输入直接召回数据进行问答推荐的方式造成的问题推荐结果准确度低的技术问题。
在本申请实施例中,以法条推荐场景下通过法条问答模型进行数据处理和答案匹配为例进行解释说明。
目前LLM被应用于越来越多的法条推荐场景中。现有的基于法条推荐的问答系统通常根据用户输入直接召回相关法条数据进行回答,然而,通常用户输入的内容与法律法规之间有较大的偏差,这导致难以海量的法条数据中准确召回与用户输入准确匹配的法条。法条推荐结果准确度低成为法条推荐场景中亟待解决的问题之一。
在本申请之前,相关技术领域尚未提出上述问题的有效解决方案。
根据本申请实施例提供的上述问题答案推荐方法,在法条推荐场景中,利用LLM对法条进行理解,将法条进行结构化,结合用户意图库为法条打上分类标签。当用户输入法条推荐问题时,通过意图识别算法对该法条推荐问题进行意图识别,根据识别结果从法条数据中召回相关的法条,再基于召回结果和法条推荐算法为用户推荐准确的法条(即目标答案)。由此,与现有的基于法条推荐的问答系统相比,本申请能够通过意图识别和结构化的分类标签,得到与用户输入的法条推荐问题相关度较高的目标答案,并且,基于意图识别结果结合考虑了用户问题和法条数据,上述法条推荐过程具备较高的灵活性,能够与更多不同的具体场景适配。
上述基于法条推荐的问答系统可以是人工智能(Artificial Intelligence,AI)法官助理、基于问答的在线咨询服务等。
以下对根据本申请提供的上述方法的可选实施例进行进一步说明。
在一种可选的实施例中,在步骤S22中,对待回答问题进行意图识别,得到识别结果,包括如下方法步骤:
步骤S221,对待回答问题进行划分,得到多个待识别语言单位;
步骤S222,分别对多个待识别语言单位进行独立编码,得到多个第一编码结果;
步骤S223,分别对多个第一编码结果进行池化处理,得到多个池化处理结果;
步骤S224,对多个池化处理结果进行统一编码,得到识别结果。
在上述可选的实施例中,上述多个待识别语言单位为机器可识别的语言单位。多个待识别语言单位可以是多个单句。对待回答问题进行划分得到多个单句包括:对待回答问题进行语义分析,得到语义分析结果;根据语义分析结果得到多个单句。
上述多个待识别语言单位可以对应有多种粒度,例如,多个待识别语言单位包括:至少一个单句、至少一个词语、至少一个短语,其中,单句为句子成分完整的内容,词语可设置为2字符至4字符的内容,短语可设置为至少一个形容词、副词或动词与一个名词的组合内容。
具体的应用场景中,待回答问题通常为用户通过文本、音频或视频等方式输入的内容,可能存在口语化、冗余信息较多的问题。例如,待回答问题中存在较多语气词、标点符号、重复义词等,比如,“那个那个帮我找一下那个民法,就是民法里面的,和离婚财产分割有关系的法条,还有再查一下子女分给谁的规定”。为了得到更加贴近于用户语义的识别结果,需要将上述待回答问题划分为多个待识别语言单位。例如可以有以下几种划分方式:
第一种,多个待识别语言单位由词语或短语组成,包括:民法、离婚、财产分割、子女抚养权;
第二中,多个待识别语言单位由单句组成,包括:查询民法中的离婚法条。查询离婚法条中涉及财产分割的法条。查询离婚法条中涉及子女抚养权的法条。
在上述可选的实施例中,对多个单句进行独立编码可以是采用多个预训练模型对多个单句进行分别编码,得到多个第一编码结果。上述第一编码结果包括每个单句对应的编码向量。
在上述可选的实施例中,分别对多个第一编码结果进行的池化(Pooling)处理可以是最大池化(Max Pooling)处理。多个池化处理结果可以是多个单句对应的降维编码向量。进一步地,对多个池化处理结果进行统一编码,所得到的识别结果用于表征待回答问题对应的用户意图的概率分布。
根据上述步骤S221至步骤S224,本申请实施例通过池化处理可以提取多个单句中每个单句对应的主要特征,降低意图识别网络的复杂度、提升网络对单句关键特征的敏感性。
在一种可选的实施例中,在步骤S222中,分别对多个待识别语言单位进行独立编码,得到多个第一编码结果,包括如下方法步骤:
步骤S2221,获取额外信息,其中,额外信息为多个待识别语言单位的索引信息;
步骤S2222,分别对额外信息和多个待识别语言单位进行独立编码,得到多个第一编码结果。
在上述可选的实施例中,上述额外信息可以是待回答问题对应的多个单句的索引信息。根据上述步骤S2221至步骤S2222,本申请实施例在独立编码的过程中,利用该额外信息可以在意图识别的过程中对多个单句进行快速定位,提高数据访问效率。
在一种可选的实施例中,在步骤S224中,对多个池化处理结果进行统一编码,得到识别结果,包括如下方法步骤:
步骤S2241,获取位置编码,其中,位置编码用于确定多个待识别语言单位的排列顺序;
步骤S2242,对位置编码和多个池化处理结果进行统一编码,得到识别结果。
在上述可选的实施例中,上述位置编码可以用于待回答问题对应的多个单句的排列顺序。考虑到多个单句的排列顺序对待回答问题对应的用户意图的概率分布的影响,在上述统一编码的过程中,对位置编码和多个池化处理结果(也即多个单句的降维特征向量)进行统一编码,由此,所得到的识别结果所表征的用户意图的概率分布准确度较高,能够更加准确地表征用户的提问意图。
根据上述步骤S2241至步骤S2242,本申请实施例提供一种如图3所示的神经网络模型的第一架构,该第一架构的神经网络模型用于对待回答问题进行意图识别。如图3所示,将待回答问题划分为k个单句,获取待回答问题对应的额外信息和位置编码;采用预训练模型(图3中记为E1至E(k+1))分别对额外信息和k个单句进行编码,得到多个第一编码结果(图3中未示出);分别对多个第一编码结果进行池化处理(图3中记为池化处理1至池化处理k+1),得到多个第一池化处理结果(图3中未示出);利用位置编码与多个第一池化处理结果进行统一编码,将输出结果作为识别结果。具体地,上述统一编码由N1个Transformer层和线性编码层(Linear)实现。
需要说明的是,图3中的k+1个预训练模型可以是相同结构的神经网络模型,该相同结构可以如图4所示,包括嵌入层(Embedding)和N2个Transformer层。上述第一架构的神经网络模型中还可以包括滑动窗口算法,以增强该模型对长文本的适应性。
在一种可选的实施例中,问题答案推荐方法还包括如下方法步骤:
步骤S241,对预设知识领域中的知识内容进行结构化处理,得到结构化知识以及结构化知识对应的分类标签;
步骤S242,构建意图体系,其中,意图体系包括多个层级的意图;
步骤S243,在结构化知识对应的分类标签与多个层级的意图之间建立关联关系,其中,关联关系用于对待回答问题进行意图识别以得到识别结果。
在上述可选的实施例中,多个层级的划分方式可以根据具体应用场景的划分需求确定。例如,划分方式可以是:
(1)按照语义的从属关系划分,例如,四个层级划分为:物权纠纷#用益物权纠纷#土地承包经营权纠纷#承包地征收补偿费用分配纠纷;
(2)按照法条章节划分,例如,划分为:刑法#第一章#第一节#第一条#第一款。
在上述可选的实施例中,以法条推荐场景为例,预设知识领域为法律领域,法律领域中的知识内容包括法律法规、司法解释等数据(本文中统称为法条)。法条问答推荐过程如图5所示,对法条进行结构化处理,得到附带标签的结构化的法条(也即,结构化知识以及结构化知识对应的分类标签)。
以法条推荐场景为例,对法律原文进行结构化处理,得到结构化知识以及结构化知识对应的分类标签节选如下:
民法总则第二十四条:
1.非讼程序案件案由#认定自然人无民事行为能力、限制民事行为能力案件#申请宣告自然人无民事行为能力#\N
2.非讼程序案件案由#认定自然人无民事行为能力、限制民事行为能力案件#\N#\N
3.物权纠纷#用益物权纠纷#土地承包经营权纠纷#承包地征收补偿费用分配纠纷
4.物权纠纷#所有权纠纷#侵害集体经济组织成员权益纠纷#\N
5.非讼程序案件案由#认定自然人无民事行为能力、限制民事行为能力案件#申请宣告自然人限制民事行为能力#\N
6.合同、准合同纠纷#合同纠纷#确认合同效力纠纷#确认合同无效纠纷
7.非讼程序案件案由#监护权特别程序案件#申请确定监护人#\N
上述节选的结构化法条对应的法条原文如下:
第二十四条不能辨认或者不能完全辨认自己行为的成年人,其利害关系人或者有关组织,可以向人民法院申请认定该成年人为无民事行为能力人或者限制民事行为能力人。
被人民法院认定为无民事行为能力人或者限制民事行为能力人的,经本人、利害关系人或者有关组织申请,人民法院可以根据其智力、精神健康恢复的状况,认定该成年人恢复为限制民事行为能力人或者完全民事行为能力人。
本条规定的有关组织包括:居民委员会、村民委员会、学校、医疗机构、妇女联合会、残疾人联合会、依法设立的老年人组织、民政部门等。
容易发现,与法条原文相比,上述结构化法条能够帮助机器(神经网络模型、LLM)增强对法条的理解,便于基于用户意图将用户输入的待回答问题与法条原文进行结合。
在上述可选的实施例中,所构建的意图体系包括多个种类的意图,多个种类的意图中的每个种类的意图包括多个层级的意图,在存储时每两个层级之间可以用特定符号分隔。以法条推荐场景为例,构建505个种类的意图,特定符号设置为#,多个层级的数量设置为四个,意图体系节选如下:
1.合同、准合同纠纷#合同纠纷#典当纠纷#\N
2.与公司、证券等有关的民事纠纷#与公司有关的纠纷#公司决议纠纷#公司决议效力确认纠纷
3.婚姻家庭、继承纠纷#婚姻家庭纠纷#\N#\N
4.合同、准合同纠纷#合同纠纷#建设工程合同纠纷#建设工程施工合同纠纷
5.婚姻家庭、继承纠纷#婚姻家庭纠纷#夫妻财产约定纠纷#\N
6.知识产权与竞争纠纷#知识产权权属、侵权纠纷#确认不侵害知识产权纠纷#\N
7.……
以第一种意图为例,“合同、准合同纠纷”为第一层级(高层级),“合同纠纷”为第二层级,“典当纠纷”为第三层级,“\N”为第四层级(低层级)。同一种意图中,高层级包含对应的更低层级,也就是说,层级越低,意图识别粒度越小。“\N”表示该层级设置为空。
在上述可选的实施例中,在结构化知识对应的分类标签与多个层级的意图之间建立关联关系,该关联关系可以是分类标签与多个层级的意图之间的映射信息,该映射信息可以以表格、数据库或者其他数据结构存储,不做限定。上述关联关系用于对待回答问题进行意图识别以得到识别结果。
仍然如图5所示,对用户输入(即待回答问题)进行意图识别,得到识别结果。该识别结果用于表征待回答问题对应的用户意图的概率分布。例如,该识别结果用于表征待回答问题与多个用户意图标签之间的匹配概率,该匹配概率数值越高表示对应的用户意图标签与待回答问题之间的匹配程度越高。
此外,如图3所示的第一架构的神经网络模型还用于对预设知识领域中的知识内容进行结构化处理。相应地,以法条推荐场景为例,图3所示的多个单句可以是对法条原文进行语义分割得到的多个单句。额外信息可以是法条原文对应的多个单句的索引信息,位置编码用于确定法条原文对应的多个单句的排列顺序。对应地,输出结果作为结构化知识以及结构化知识对应的分类标签。在一种具体的应用场景中,如图3所示的上述第一架构的神经网络模型可以是司法预训练模型。
根据上述步骤S241至步骤S243,本申请实施例实现了将非结构化的法条原文进行结构化表征,还实现了将用户输入的主观的待回答问题进行客观地概率表征,便于机器(神经网络模型、LLM)对法条原文和用户意图进行理解,进而有助于提升法条问答推荐结果的准确度。
在一种可选的实施例中,在步骤S23中,基于待回答问题与识别结果推荐待回答问题匹配的目标答案,包括如下方法步骤:
步骤S231,对识别结果进行知识召回处理,得到候选答案;
步骤S232,基于待回答问题与候选答案,推荐待回答问题匹配的目标答案。
在上述可选的实施例中,仍然如图3所示,对识别结果进行法条召回处理,得到候选法条库(即候选答案)。具体地,法条召回处理包括:根据识别结果所表征的待回答问题对应的用户意图的概率分布,确定与待回答问题之间的匹配概率满足预设条件(如高于预设阈值)的至少一个意图标签所对应的至少一个法条,得到候选法条库。
在上述可选的实施例中,仍然如图3所示,基于用户输入(即待回答问题)与候选法条库,推荐目标答案。具体地,采用预先训练的法条推荐模型,根据用户输入从候选法条库中选取目标法条,并基于目标法条生成目标答案。该目标答案可以是基于目标法条生成的采用自然语言表达的文本消息。
在一种可选的实施例中,在步骤S232中,基于待回答问题与候选答案,推荐待回答问题匹配的目标答案,包括如下方法步骤:
步骤S2321,对待回答问题进行划分,得到多个待识别语言单位;
步骤S2322,分别对多个待识别语言单位进行独立编码,得到多个第一编码结果;
步骤S2323,分别对候选答案进行独立编码,得到多个第二编码结果;
步骤S2324,对多个第一编码结果与多个第二编码结果进行多维感知分类,推荐待回答问题匹配的目标答案。
根据上述步骤S2321至步骤S2322,本申请实施例提供一种如图6所示的神经网络模型的第二架构,该第二架构的神经网络模型为法条推荐模型。如图6所示,对待回答问题进行划分,得到m个单句(图6中记为单句1至单句m);采用预训练模型F1至预训练模型F(m)分别对m个单句进行独立编码,得到m个第一编码结果(图6中未示出);采用预训练模型G1至预训练模型G(c)分别对候选答案进行独立编码,得到c个第二编码结果(图6中未示出),其中,候选答案包括c个候选法条,图6中记为候选法条1至候选法条c;对m个第一编码结果与c个第二编码结果进行多维感知分类,推荐待回答问题匹配的目标答案。
仍然如图6所示,对m个第一编码结果与c个第二编码结果进行多维感知分类,推荐待回答问题匹配的目标答案包括:分别对m个第一编码结果进行池化处理,得到m个第一池化处理结果;分别对c个第二编码结果进行池化处理,得到c个第二池化处理结果;根据候选答案确定c个候选法条对应的权重信息;基于权重信息,对m个第一池化处理结果与c个第二池化处理结果进行乘法计算,得到m个乘法计算结果;对m个乘法计算结果进行取最大计算或求和计算,生成目标答案。
容易理解的是,如图6所示的法条推荐模型为“双塔结构”,第一塔的输入为待回答问题对应的m个单句,第二塔的输入为候选答案对应的c个候选法条。通过“双塔结构”,本申请实施例提供的问题答案推荐方法在法条推荐场景中能够更加充分地利用法条自身的文本信息,通过多维感知器分类器实现更加精准的法条推荐功能。
在一种可选的实施例中,在步骤S222或步骤S2322中,分别对多个待识别语言单位进行独立编码,得到多个第一编码结果,包括如下方法步骤:
步骤S31,采用目标预训练模型分别对多个待识别语言单位进行独立编码,得到多个第一编码结果,其中,目标预训练模型采用预训练任务通过机器学习训练得到,预训练任务包括:词级别任务和句级别任务。
在上述可选的实施例中,上述目标预训练模型可以是如图3所示的第一架构的神经网络模型或者如图6所示的第二架构的神经网络模型。多个待识别语言单位可以是待回答问题对应的多个单句或者法条原文对应的多个单句。采用词级别(token-level)任务和句级别(sentence-level)任务训练得到上述目标预训练模型。
具体地,词级别任务包括:掩码语言模型(Masked Language Model,MLM)任务,排序(Shuffle)预测任务和随机(random)预测任务,其中,MLM任务用于对原始文本中的一部分词(token)进行掩码(Mask),然后根据原始文本的剩余部分对掩码部分进行还原。
具体地,句级别任务包括:简单的对比句向量表征框架(Simple ContrastiveLearning of Sentence Embeddings,SimCSE)任务。SimCSE任务包括有监督任务和无监督任务,其中,有监督任务用于对原始文本进行数据增强以构造第一正样本,无监督任务用于基于原始文本对应的蕴含数据集确定第二正样本和负样本,第一正样本、第二正样本和负样本用于对比学习训练。需要说明的是,上述蕴含数据集为用于训练和测试蕴含关系模型的数据集。蕴含关系指的是一个语句是否可以从其他语句中推断出来。上述第二正样本为根据蕴含数据集被标注为正例的语句,负样本为根据蕴含数据集被标注为负例的语句。
根据上述步骤S31,本申请实施例通过结合使用词级别预训练和句级别预训练的方式,得到预测能力更强的目标预训练模型,该预测能力为确定两个语句之间的相似度的能力。由此,利用目标预训练模型分别对多个待识别语言单位进行独立编码,能够更加准确地得到待回答问题对应的意图标签,以及能够更加准确地得到结构化法条和结构化法条对应的分类标签,进一步增强法条推荐结果的准确度。
在一种可选的实施例中,问题答案推荐方法还包括如下方法步骤:
步骤S32,基于预训练语料确定预训练任务,其中,预训练语料包括:通用知识领域的语料,预设知识领域的语料;
步骤S33,采用预训练任务对初始预训练模型进行训练,得到目标预训练模型。
在上述可选的实施例中,以法条推荐场景为例,预设知识领域的语料为司法文书,司法文书包括但不限于:裁判文书、法律法规、庭审笔录、法律问答和法律百科等司法领域文本。
以法条推荐场景为例,上述初始预训练模型可以是司法预训练模型(Legal Mind-NLU系列模型),Legal Mind-NLU系列模型使用了深度学习技术,特别是基于Transformer架构的模型,如BERT、RoBERTa等。这些模型在训练过程中利用了大规模的法律文本数据集,使其能够理解法律术语、法规、案例、合同和其他法律相关的文本。LegalMind-NLU系列模型可以应用于多个法律任务,包括文本分类、命名实体识别、关系抽取、问答系统等。例如,可以使用这些模型来自动化法律文件的分类和标注,提取关键信息,生成摘要,回答用户的法律问题等。
需要说明的是,由于司法文书格式规范,为了防止模型过拟合,在处理预训练数据时,基于预设的司法文书结构化引擎标识出了司法文书各类段落(如诉情、辩称、事实认定、审理经过等),然后针对不同的司法文本内容采取了不同的采样规则进行采样和后续训练。
在一种可选的实施例中,通过终端设备提供一图形用户界面,图形用户界面所显示的内容至少部分地包含一问答在线咨询服务场景,问题答案推荐方法还包括如下方法步骤:
步骤S251,响应作用于图形用户界面的第一触控操作,获取在输入框内输入的待回答问题;
步骤S252,响应作用于图形用户界面的第二触控操作,获取目标答案;
步骤S253,在图形用户界面内展示目标答案。
根据上述步骤S251至步骤S253,本申请实施例提供一种如图7所示的图形用户界面,该图形用户界面显示有问答在线咨询服务场景,以法条推荐场景为例,该图形用户界面为智能法条查询系统的界面,该图形用户界面内包含第一触控区域、第二触控区域和第三触控区域,其中,第一触控区域为问题输入框,第一触控区域用于获取用户输入的问题,第二触控区域为“确定”按钮,第三触控区域为答案显示区域。
当检测到作用于问题输入框的第一触控操作时,获取在输入框内输入的待回答问题;当检测到作用于“确定”按钮的第二触控操作时,获取目标答案;获取目标答案之后在答案显示区域展示该目标答案。
需要说明的是,本申请实施例并不对图形用户界面的具体显示内容和具体显示样式进行限定,并不对第一触控操作和第二触控操作的具体操作形式进行限定。
通过上述可选的实施例,本申请提供一种问题答案推荐方法的可视化实现方式,该可视化实现方式可以在客户端实现,以支持用户输入待回答问题和获取目标答案,这种方式对用户来说操作友好、便捷,用户体验好。
需要说明的是,本申请所涉及的用户信息(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。
需要说明的是,对于前述的各方法实施例,为了简单描述,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,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。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是本申请所必须的。
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根据上述实施例的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。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(如只读存储器(Read-OnlyMemory,ROM)、随机存取器(Random Access Memory,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,或者网络设备等)执行本申请各个实施例所述的方法。
实施例2
在如实施例1中的运行环境下,本申请提供了如图8所示的另一种问题答案推荐方法。图8是根据本申请实施例2的一种问题答案推荐方法的流程图,如图8所示,该问题答案推荐方法包括:
步骤S81,获取待回答法律问题,其中,待回答法律问题为法律知识领域的问答在线咨询服务相关联的法律问题;
步骤S82,对待回答法律问题进行意图识别,得到识别结果,其中,识别结果用于从法律知识领域中识别出待回答法律问题对应的法条分类标签;
步骤S83,基于待回答法律问题与识别结果推荐待回答法律问题匹配的目标法条答案。
在法律知识领域的问答在线咨询服务相关的应用场景中,上述待回答法律问题可以是根据用户通过文字、语音、视频等方式输入的数据确定的。上述待回答法律问题的形式不限于提问式、指令式、陈述式等。例如,待回答法律问题可以是:“请帮我查询合同违约的相关法条”,“保险赔付的规定是什么”等。
在具体的应用场景中,上述法律知识领域的问答在线咨询服务可以是通过数字助理、智能机器人、智能搜索、应用程序等实现的智能人机交互服务。上述法律知识领域可以对应有多个结构化的法条分类标签。
本申请实施例提供的上述问题答案推荐方法可以运行于上述应用场景对应的客户端,客户端通过用户实时输入的数据确定待回答法律问题,将该待回答法律问题传输至服务端,并从该服务端获取待回答法律问题匹配的目标法条答案。进一步地,客户端还可以通过输出设备(如显示屏、VR眼镜、耳机、扬声器等)将目标法条答案以文本、音频或视频等方式提供给用户。
本申请实施例提供的上述基于场景重建生成视频的方法可以运行于上述应用场景对应的服务端。上述服务端可以是独立的服务器或者服务器集群,根据客户端给定的待回答法律问题,对待回答法律问题进行意图识别,得到识别结果,该识别结果用于从法律知识领域中识别出待回答法律问题对应的法条分类标签,然后基于待回答法律问题与识别结果推荐待回答法律问题匹配的目标法条答案。上述服务端还可以是云服务器,通过软件即服务(Software as a Service,SaaS)的方式与客户端进行实时交互,根据客户端给定的待回答法律问题,基于意图识别和问题分类的构思,基于法律知识领域针对待回答法律问题进行准确地答案匹配和答案推荐,进而将待回答法律问题匹配的目标法条答案返回给客户端以提供给用户。
在本申请实施例中,获取法律知识领域的问答在线咨询服务相关联的法律问题之后,先对待回答法律问题进行意图识别,得到识别结果,该识别结果用于从法律知识领域中识别出待回答法律问题对应的法条分类标签,然后基于待回答法律问题与识别结果推荐待回答法律问题匹配的目标法条答案。由此,基于意图识别和问题分类的构思增强了答案匹配过程中对待回答法律问题和法律知识领域的机器理解,达到了基于法律知识领域针对待回答法律问题进行准确地答案匹配和答案推荐的目的,从而实现了提升法律知识领域中问题推荐结果的准确度的技术效果,进而解决了现有技术中基于用户输入直接召回法条进行问答推荐的方式造成的法条推荐结果准确度低的技术问题。
在一种可选的实施例中,通过终端设备提供一图形用户界面,图形用户界面所显示的内容至少部分地包含一法律问答在线咨询服务场景,问题答案推荐方法还包括如下方法步骤:
步骤S841,响应作用于图形用户界面的第一触控操作,获取在输入框内输入的待回答法律问题;
步骤S842,响应作用于图形用户界面的第二触控操作,获取目标法条答案;
步骤S843,在图形用户界面内展示目标法条答案。
在上述可选的实施例中,图形用户界面为智能法条查询系统的界面,该图形用户界面内包含第一触控区域、第二触控区域和第三触控区域,其中,第一触控区域为问题输入框,第一触控区域用于获取用户输入的问题,第二触控区域为“确定”按钮,第三触控区域为答案显示区域。
当检测到作用于问题输入框的第一触控操作时,获取在输入框内输入的待回答法律问题;当检测到作用于“确定”按钮的第二触控操作时,获取目标法条答案;获取目标法条答案之后在答案显示区域展示该目标法条答案。
需要说明的是,本申请实施例并不对图形用户界面的具体显示内容和具体显示样式进行限定,并不对第一触控操作和第二触控操作的具体操作形式进行限定。
通过上述可选的实施例,本申请提供一种问题答案推荐方法的可视化实现方式,该可视化实现方式可以在客户端实现,以支持用户输入待回答法律问题和获取目标法条答案,这种方式对用户来说操作友好、便捷,用户体验好。
需要说明的是,本实施例的优选实施方式可以参见实施例1中的相关描述,此处不再赘述。
实施例3
根据本申请实施例,还提供了一种用于实施上述问题答案推荐方法的装置实施例。图9是根据本申请实施例3的一种问题答案推荐装置的结构示意图,如图3所示,该装置包括:
获取模块901,用于获取待回答问题,其中,待回答问题为预设知识领域的问答在线咨询服务相关联的问题;
识别模块902,用于对待回答问题进行意图识别,得到识别结果,其中,识别结果用于从预设知识领域中识别出待回答问题对应的分类标签;
推荐模块903,用于基于待回答问题与识别结果推荐待回答问题匹配的目标答案。
可选地,上述识别模块902还用于:对待回答问题进行划分,得到多个待识别语言单位;分别对多个待识别语言单位进行独立编码,得到多个第一编码结果;分别对多个第一编码结果进行池化处理,得到多个池化处理结果;对多个池化处理结果进行统一编码,得到识别结果。
可选地,上述识别模块902还用于:获取额外信息,其中,额外信息为多个待识别语言单位的索引信息;分别对额外信息和多个待识别语言单位进行独立编码,得到多个第一编码结果。
可选地,上述识别模块902还用于:获取位置编码,其中,位置编码用于确定多个待识别语言单位的排列顺序;对位置编码和多个池化处理结果进行统一编码,得到识别结果。
可选地,图10是根据本申请实施例3的一种可选的问题答案推荐装置的结构示意图,如图10所示,该装置除包括图9所示的所有模块外,还包括:构建模块904,用于对预设知识领域中的知识内容进行结构化处理,得到结构化知识以及结构化知识对应的分类标签;构建意图体系,其中,意图体系包括多个层级的意图;在结构化知识对应的分类标签与多个层级的意图之间建立关联关系,其中,关联关系用于对待回答问题进行意图识别以得到识别结果。
可选地,上述推荐模块903还用于:对识别结果进行知识召回处理,得到候选答案;基于待回答问题与候选答案,推荐待回答问题匹配的目标答案。
可选地,上述推荐模块903还用于:对待回答问题进行划分,得到多个待识别语言单位;分别对多个待识别语言单位进行独立编码,得到多个第一编码结果;分别对候选答案进行独立编码,得到多个第二编码结果;对多个第一编码结果与多个第二编码结果进行多维感知分类,推荐待回答问题匹配的目标答案。
可选地,上述识别模块902或上述推荐模块903还包括:编码单元(图中未示出),用于:采用目标预训练模型分别对多个待识别语言单位进行独立编码,得到多个第一编码结果,其中,目标预训练模型采用预训练任务通过机器学习训练得到,预训练任务包括:词级别任务和句级别任务。
可选地,图11是根据本申请实施例3的另一种可选的问题答案推荐装置的结构示意图,如图11所示,该装置除包括图10所示的所有模块外,还包括:训练模块905,用于基于预训练语料确定预训练任务,其中,预训练语料包括:通用知识领域的语料,预设知识领域的语料;采用预训练任务对初始预训练模型进行训练,得到目标预训练模型。
可选地,图12是根据本申请实施例3的又一种可选的问题答案推荐装置的结构示意图,如图12所示,该装置除包括图11所示的所有模块外,还包括:展示模块906,用于响应作用于图形用户界面的第一触控操作,获取在输入框内输入的待回答问题;响应作用于图形用户界面的第二触控操作,获取目标答案;在图形用户界面内展示目标答案。
此处需要说明的是,上述获取模块901、识别模块902和推荐模块903对应于实施例1中的步骤S21至步骤S23,三个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块或单元可以是存储在存储器(例如,存储器104)中并由一个或多个处理器(例如,处理器102a,102b,……,102n)处理的硬件组件或软件组件,上述模块也可以作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在本申请实施例中,获取预设知识领域的问答在线咨询服务相关联的问题之后,先对待回答问题进行意图识别,得到识别结果,该识别结果用于从预设知识领域中识别出待回答问题对应的分类标签,然后基于待回答问题与识别结果推荐待回答问题匹配的目标答案。由此,基于意图识别和问题分类的构思增强了答案匹配过程中对待回答问题和预设知识领域的机器理解,达到了基于预设知识领域针对待回答问题进行准确地答案匹配和答案推荐的目的,从而实现了提升预设知识领域中问题推荐结果的准确度的技术效果,进而解决了现有技术中基于用户输入直接召回数据进行问答推荐的方式造成的问题推荐结果准确度低的技术问题。
需要说明的是,本实施例的优选实施方式可以参见实施例1中的相关描述,此处不再赘述。
实施例4
根据本申请实施例,还提供了另一种用于实施上述实施例2中的问题答案推荐方法的装置实施例。图13是根据本申请实施例4的一种问题答案推荐装置的结构示意图,如图13所示,该装置包括:
获取模块1301,用于获取待回答法律问题,其中,待回答法律问题为法律知识领域的问答在线咨询服务相关联的法律问题;
识别模块1302,用于对待回答法律问题进行意图识别,得到识别结果,其中,识别结果用于从法律知识领域中识别出待回答法律问题对应的法条分类标签;
推荐模块1303,用于基于待回答法律问题与识别结果推荐待回答法律问题匹配的目标法条答案。
可选地,图14是根据本申请实施例4的一种可选的问题答案推荐装置的结构示意图,如图14所示,该装置除包括图13所示的所有模块外,还包括:展示模块1304,用于响应作用于图形用户界面的第一触控操作,获取在输入框内输入的待回答法律问题;响应作用于图形用户界面的第二触控操作,获取目标法条答案;在图形用户界面内展示目标法条答案。
此处需要说明的是,上述获取模块1301、识别模块1302、推荐模块1303对应于实施例2中的步骤S81至步骤S83,三个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例2所公开的内容。需要说明的是,上述模块或单元可以是存储在存储器(例如,存储器104)中并由一个或多个处理器(例如,处理器102a,102b,……,102n)处理的硬件组件或软件组件,上述模块也可以作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在本申请实施例中,获取法律知识领域的问答在线咨询服务相关联的法律问题之后,先对待回答法律问题进行意图识别,得到识别结果,该识别结果用于从法律知识领域中识别出待回答法律问题对应的法条分类标签,然后基于待回答法律问题与识别结果推荐待回答法律问题匹配的目标法条答案。由此,基于意图识别和问题分类的构思增强了答案匹配过程中对待回答法律问题和法律知识领域的机器理解,达到了基于法律知识领域针对待回答法律问题进行准确地答案匹配和答案推荐的目的,从而实现了提升法律知识领域中问题推荐结果的准确度的技术效果,进而解决了现有技术中基于用户输入直接召回法条进行问答推荐的方式造成的法条推荐结果准确度低的技术问题。
需要说明的是,本实施例的优选实施方式可以参见实施例1或实施例2中的相关描述,此处不再赘述。
实施例5
根据本申请实施例,还提供了一种计算机终端,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地,在本实施例中,上述计算机终端也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算机终端可以执行问题答案推荐方法中以下步骤的程序代码:获取待回答问题,其中,待回答问题为预设知识领域的问答在线咨询服务相关联的问题;对待回答问题进行意图识别,得到识别结果,其中,识别结果用于从预设知识领域中识别出待回答问题对应的分类标签;基于待回答问题与识别结果推荐待回答问题匹配的目标答案。
可选地,图15是根据本申请实施例5的一种计算机终端的结构框图,如图15所示,该计算机终端150可以包括:一个或多个(图中仅示出一个)处理器1502、存储器1504、存储控制器1506、以及外设接口1508,其中,外设接口1508与射频模块、音频模块和显示器连接。
其中,存储器1504可用于存储软件程序以及模块,如本申请实施例中的问题答案推荐方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的问题答案推荐方法。存储器1504可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1504可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端150。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器1502可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取待回答问题,其中,待回答问题为预设知识领域的问答在线咨询服务相关联的问题;对待回答问题进行意图识别,得到识别结果,其中,识别结果用于从预设知识领域中识别出待回答问题对应的分类标签;基于待回答问题与识别结果推荐待回答问题匹配的目标答案。
可选地,上述处理器1502还可以执行如下步骤的程序代码:对待回答问题进行划分,得到多个待识别语言单位;分别对多个待识别语言单位进行独立编码,得到多个第一编码结果;分别对多个第一编码结果进行池化处理,得到多个池化处理结果;对多个池化处理结果进行统一编码,得到识别结果。
可选地,上述处理器1502还可以执行如下步骤的程序代码:获取额外信息,其中,额外信息为多个待识别语言单位的索引信息;分别对额外信息和多个待识别语言单位进行独立编码,得到多个第一编码结果。
可选地,上述处理器1502还可以执行如下步骤的程序代码:获取位置编码,其中,位置编码用于确定多个待识别语言单位的排列顺序;对位置编码和多个池化处理结果进行统一编码,得到识别结果。
可选地,上述处理器1502还可以执行如下步骤的程序代码:对预设知识领域中的知识内容进行结构化处理,得到结构化知识以及结构化知识对应的分类标签;构建意图体系,其中,意图体系包括多个层级的意图;在结构化知识对应的分类标签与多个层级的意图之间建立关联关系,其中,关联关系用于对待回答问题进行意图识别以得到识别结果。
可选地,上述处理器1502还可以执行如下步骤的程序代码:对识别结果进行知识召回处理,得到候选答案;基于待回答问题与候选答案,推荐待回答问题匹配的目标答案。
可选地,上述处理器1502还可以执行如下步骤的程序代码:对待回答问题进行划分,得到多个待识别语言单位;分别对多个待识别语言单位进行独立编码,得到多个第一编码结果;分别对候选答案进行独立编码,得到多个第二编码结果;对多个第一编码结果与多个第二编码结果进行多维感知分类,推荐待回答问题匹配的目标答案。
可选地,上述处理器1502还可以执行如下步骤的程序代码:采用目标预训练模型分别对多个待识别语言单位进行独立编码,得到多个第一编码结果,其中,目标预训练模型采用预训练任务通过机器学习训练得到,预训练任务包括:词级别任务和句级别任务。
可选地,上述处理器1502还可以执行如下步骤的程序代码:基于预训练语料确定预训练任务,其中,预训练语料包括:通用知识领域的语料,预设知识领域的语料;采用预训练任务对初始预训练模型进行训练,得到目标预训练模型。
可选地,上述处理器1502还可以执行如下步骤的程序代码:响应作用于图形用户界面的第一触控操作,获取在输入框内输入的待回答问题;响应作用于图形用户界面的第二触控操作,获取目标答案;在图形用户界面内展示目标答案。
处理器1502可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取待回答法律问题,其中,待回答法律问题为法律知识领域的问答在线咨询服务相关联的法律问题;对待回答法律问题进行意图识别,得到识别结果,其中,识别结果用于从法律知识领域中识别出待回答法律问题对应的法条分类标签;基于待回答法律问题与识别结果推荐待回答法律问题匹配的目标法条答案。
可选地,上述处理器1502还可以执行如下步骤的程序代码:响应作用于图形用户界面的第一触控操作,获取在输入框内输入的待回答法律问题;响应作用于图形用户界面的第二触控操作,获取目标法条答案;在图形用户界面内展示目标法条答案。
采用本申请实施例,获取预设知识领域的问答在线咨询服务相关联的问题之后,先对待回答问题进行意图识别,得到识别结果,该识别结果用于从预设知识领域中识别出待回答问题对应的分类标签,然后基于待回答问题与识别结果推荐待回答问题匹配的目标答案。由此,基于意图识别和问题分类的构思增强了答案匹配过程中对待回答问题和预设知识领域的机器理解,达到了基于预设知识领域针对待回答问题进行准确地答案匹配和答案推荐的目的,从而实现了提升预设知识领域中问题推荐结果的准确度的技术效果,进而解决了现有技术中基于用户输入直接召回数据进行问答推荐的方式造成的问题推荐结果准确度低的技术问题。
本领域普通技术人员可以理解,图15所示的结构仅为示意,计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(MobileInternet Devices,MID)等终端设备。图15其并不对上述计算机终端的结构造成限定。例如,计算机终端150还可包括比图15中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图15所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、ROM、RAM、磁盘或光盘等。
实施例6
根据本申请实施例,还提供了一种计算机可读存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例1或实施例2所提供的问题答案推荐方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:获取待回答问题,其中,待回答问题为预设知识领域的问答在线咨询服务相关联的问题;对待回答问题进行意图识别,得到识别结果,其中,识别结果用于从预设知识领域中识别出待回答问题对应的分类标签;基于待回答问题与识别结果推荐待回答问题匹配的目标答案。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:对待回答问题进行划分,得到多个待识别语言单位;分别对多个待识别语言单位进行独立编码,得到多个第一编码结果;分别对多个第一编码结果进行池化处理,得到多个池化处理结果;对多个池化处理结果进行统一编码,得到识别结果。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:获取额外信息,其中,额外信息为多个待识别语言单位的索引信息;分别对额外信息和多个待识别语言单位进行独立编码,得到多个第一编码结果。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:获取位置编码,其中,位置编码用于确定多个待识别语言单位的排列顺序;对位置编码和多个池化处理结果进行统一编码,得到识别结果。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:对预设知识领域中的知识内容进行结构化处理,得到结构化知识以及结构化知识对应的分类标签;构建意图体系,其中,意图体系包括多个层级的意图;在结构化知识对应的分类标签与多个层级的意图之间建立关联关系,其中,关联关系用于对待回答问题进行意图识别以得到识别结果。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:对识别结果进行知识召回处理,得到候选答案;基于待回答问题与候选答案,推荐待回答问题匹配的目标答案。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:对待回答问题进行划分,得到多个待识别语言单位;分别对多个待识别语言单位进行独立编码,得到多个第一编码结果;分别对候选答案进行独立编码,得到多个第二编码结果;对多个第一编码结果与多个第二编码结果进行多维感知分类,推荐待回答问题匹配的目标答案。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:采用目标预训练模型分别对多个待识别语言单位进行独立编码,得到多个第一编码结果,其中,目标预训练模型采用预训练任务通过机器学习训练得到,预训练任务包括:词级别任务和句级别任务。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:基于预训练语料确定预训练任务,其中,预训练语料包括:通用知识领域的语料,预设知识领域的语料;采用预训练任务对初始预训练模型进行训练,得到目标预训练模型。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:响应作用于图形用户界面的第一触控操作,获取在输入框内输入的待回答问题;响应作用于图形用户界面的第二触控操作,获取目标答案;在图形用户界面内展示目标答案。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:获取待回答法律问题,其中,待回答法律问题为法律知识领域的问答在线咨询服务相关联的法律问题;对待回答法律问题进行意图识别,得到识别结果,其中,识别结果用于从法律知识领域中识别出待回答法律问题对应的法条分类标签;基于待回答法律问题与识别结果推荐待回答法律问题匹配的目标法条答案。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:响应作用于图形用户界面的第一触控操作,获取在输入框内输入的待回答法律问题;响应作用于图形用户界面的第二触控操作,获取目标法条答案;在图形用户界面内展示目标法条答案。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,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,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (13)
1.一种问题答案推荐方法,其特征在于,包括:
获取待回答问题,其中,所述待回答问题为预设知识领域的问答在线咨询服务相关联的问题;
对所述待回答问题进行意图识别,得到识别结果,其中,所述识别结果用于从所述预设知识领域中识别出所述待回答问题对应的分类标签;
基于所述待回答问题与所述识别结果推荐所述待回答问题匹配的目标答案;
所述问题答案推荐方法还包括:对所述预设知识领域中的知识内容进行结构化处理,得到结构化知识以及所述结构化知识对应的分类标签;构建意图体系,其中,所述意图体系包括多个层级的意图;在所述结构化知识对应的分类标签与所述多个层级的意图之间建立关联关系,其中,所述关联关系用于对所述待回答问题进行意图识别以得到所述识别结果。
2.根据权利要求1所述的问题答案推荐方法,其特征在于,对所述待回答问题进行意图识别,得到所述识别结果包括:
对所述待回答问题进行划分,得到多个待识别语言单位;
分别对所述多个待识别语言单位进行独立编码,得到多个第一编码结果;
分别对所述多个第一编码结果进行池化处理,得到多个池化处理结果;
对所述多个池化处理结果进行统一编码,得到所述识别结果。
3.根据权利要求2所述的问题答案推荐方法,其特征在于,分别对所述多个待识别语言单位进行独立编码,得到所述多个第一编码结果包括:
获取额外信息,其中,所述额外信息为所述多个待识别语言单位的索引信息;
分别对所述额外信息和所述多个待识别语言单位进行独立编码,得到所述多个第一编码结果。
4.根据权利要求2所述的问题答案推荐方法,其特征在于,对所述多个池化处理结果进行统一编码,得到所述识别结果包括:
获取位置编码,其中,所述位置编码用于确定所述多个待识别语言单位的排列顺序;
对所述位置编码和所述多个池化处理结果进行统一编码,得到所述识别结果。
5.根据权利要求1所述的问题答案推荐方法,其特征在于,基于所述待回答问题与所述识别结果推荐所述待回答问题匹配的所述目标答案包括:
对所述识别结果进行知识召回处理,得到候选答案;
基于所述待回答问题与所述候选答案,推荐所述待回答问题匹配的所述目标答案。
6.根据权利要求5所述的问题答案推荐方法,其特征在于,基于所述待回答问题与所述候选答案,推荐所述待回答问题匹配的所述目标答案包括:
对所述待回答问题进行划分,得到多个待识别语言单位;
分别对所述多个待识别语言单位进行独立编码,得到多个第一编码结果;
分别对所述候选答案进行独立编码,得到多个第二编码结果;
对所述多个第一编码结果与所述多个第二编码结果进行多维感知分类,推荐所述待回答问题匹配的所述目标答案。
7.根据权利要求2或6所述的问题答案推荐方法,其特征在于,分别对所述多个待识别语言单位进行独立编码,得到所述多个第一编码结果包括:
采用目标预训练模型分别对所述多个待识别语言单位进行独立编码,得到所述多个第一编码结果,其中,所述目标预训练模型采用预训练任务通过机器学习训练得到,所述预训练任务包括:词级别任务和句级别任务。
8.根据权利要求7所述的问题答案推荐方法,其特征在于,所述问题答案推荐方法还包括:
基于预训练语料确定所述预训练任务,其中,所述预训练语料包括:通用知识领域的语料,所述预设知识领域的语料;
采用所述预训练任务对初始预训练模型进行训练,得到所述目标预训练模型。
9.根据权利要求1所述的问题答案推荐方法,其特征在于,通过终端设备提供一图形用户界面,所述图形用户界面所显示的内容至少部分地包含一问答在线咨询服务场景,所述问题答案推荐还包括:
响应作用于所述图形用户界面的第一触控操作,获取在输入框内输入的所述待回答问题;
响应作用于所述图形用户界面的第二触控操作,获取所述目标答案;
在所述图形用户界面内展示所述目标答案。
10.一种问题答案推荐方法,其特征在于,包括:
获取待回答法律问题,其中,所述待回答法律问题为法律知识领域的问答在线咨询服务相关联的法律问题;
对所述待回答法律问题进行意图识别,得到识别结果,其中,所述识别结果用于从所述法律知识领域中识别出所述待回答法律问题对应的法条分类标签;
基于所述待回答法律问题与所述识别结果推荐所述待回答法律问题匹配的目标法条答案;
所述问题答案推荐方法还包括:对所述法律知识领域中的知识内容进行结构化处理,得到结构化知识以及所述结构化知识对应的法条分类标签;构建意图体系,其中,所述意图体系包括多个层级的意图;在所述结构化知识对应的法条分类标签与所述多个层级的意图之间建立关联关系,其中,所述关联关系用于对所述待回答法律问题进行意图识别以得到所述识别结果。
11.根据权利要求10所述的问题答案推荐方法,其特征在于,通过终端设备提供一图形用户界面,所述图形用户界面所显示的内容至少部分地包含一法律问答在线咨询服务场景,所述问题答案推荐还包括:
响应作用于所述图形用户界面的第一触控操作,获取在输入框内输入的所述待回答法律问题;
响应作用于所述图形用户界面的第二触控操作,获取所述目标法条答案;
在所述图形用户界面内展示所述目标法条答案。
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包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至11中任意一项所述的问题答案推荐方法。
13.一种电子设备,其特征在于,包括:
处理器;以及
存储器,与所述处理器连接,用于为所述处理器提供处理以下处理步骤的指令:
获取待回答问题,其中,所述待回答问题为预设知识领域的问答在线咨询服务相关联的问题;
对所述待回答问题进行意图识别,得到识别结果,其中,所述识别结果用于从所述预设知识领域中识别出所述待回答问题对应的分类标签;
基于所述待回答问题与所述识别结果推荐所述待回答问题匹配的目标答案;
所述问题答案推荐方法还包括:对所述预设知识领域中的知识内容进行结构化处理,得到结构化知识以及所述结构化知识对应的分类标签;构建意图体系,其中,所述意图体系包括多个层级的意图;在所述结构化知识对应的分类标签与所述多个层级的意图之间建立关联关系,其中,所述关联关系用于对所述待回答问题进行意图识别以得到所述识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310942673.8A CN116662522B (zh) | 2023-07-28 | 2023-07-28 | 问题答案推荐方法、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310942673.8A CN116662522B (zh) | 2023-07-28 | 2023-07-28 | 问题答案推荐方法、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116662522A CN116662522A (zh) | 2023-08-29 |
CN116662522B true CN116662522B (zh) | 2023-12-12 |
Family
ID=87721011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310942673.8A Active CN116662522B (zh) | 2023-07-28 | 2023-07-28 | 问题答案推荐方法、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662522B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117194730B (zh) * | 2023-11-06 | 2024-02-20 | 北京枫清科技有限公司 | 一种意图识别和问答方法、装置、电子设备及存储介质 |
CN118093802A (zh) * | 2023-12-21 | 2024-05-28 | 汉王科技股份有限公司 | 领域问题回答内容生成方法、装置、电子设备 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019733A (zh) * | 2017-12-28 | 2019-07-16 | 中兴通讯股份有限公司 | 一种面向社区的智能问答方法及装置 |
CN110765257A (zh) * | 2019-12-30 | 2020-02-07 | 杭州识度科技有限公司 | 一种知识图谱驱动型的法律智能咨询系统 |
CN111767371A (zh) * | 2020-06-28 | 2020-10-13 | 微医云(杭州)控股有限公司 | 一种智能问答方法、装置、设备及介质 |
CN113157863A (zh) * | 2021-04-25 | 2021-07-23 | 平安科技(深圳)有限公司 | 问答数据处理方法、装置、计算机设备及存储介质 |
WO2021151271A1 (zh) * | 2020-05-20 | 2021-08-05 | 平安科技(深圳)有限公司 | 基于命名实体的文本问答的方法、装置、设备及存储介质 |
CN113312461A (zh) * | 2021-05-25 | 2021-08-27 | 深圳平安综合金融服务有限公司 | 基于自然语言处理的智能问答方法、装置、设备及介质 |
CN113707303A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 基于知识图谱的医疗问题解答方法、装置、设备及介质 |
WO2021257178A1 (en) * | 2020-06-19 | 2021-12-23 | Microsoft Technology Licensing, Llc | Provide knowledge answers for knowledge-intention queries |
CN114281951A (zh) * | 2021-08-13 | 2022-04-05 | 腾讯科技(深圳)有限公司 | 信息获取方法、装置、设备及存储介质 |
WO2022142006A1 (zh) * | 2020-12-30 | 2022-07-07 | 平安科技(深圳)有限公司 | 基于语义识别的话术推荐方法、装置、设备及存储介质 |
CN114741493A (zh) * | 2022-04-29 | 2022-07-12 | 广东美的厨房电器制造有限公司 | 问答方法、问答系统、厨房电器、计算机可读存储介质 |
CN114817507A (zh) * | 2022-05-23 | 2022-07-29 | 深圳前海微众银行股份有限公司 | 基于意图识别的回复推荐方法、装置、设备和存储介质 |
CN115292457A (zh) * | 2022-06-30 | 2022-11-04 | 腾讯科技(深圳)有限公司 | 知识问答方法、装置、计算机可读介质及电子设备 |
CN116244412A (zh) * | 2022-12-20 | 2023-06-09 | 北京航天云路有限公司 | 多意图识别方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114416953B (zh) * | 2022-01-20 | 2023-10-31 | 北京百度网讯科技有限公司 | 问答处理方法、问答模型的训练方法和装置 |
-
2023
- 2023-07-28 CN CN202310942673.8A patent/CN116662522B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019733A (zh) * | 2017-12-28 | 2019-07-16 | 中兴通讯股份有限公司 | 一种面向社区的智能问答方法及装置 |
CN110765257A (zh) * | 2019-12-30 | 2020-02-07 | 杭州识度科技有限公司 | 一种知识图谱驱动型的法律智能咨询系统 |
WO2021151271A1 (zh) * | 2020-05-20 | 2021-08-05 | 平安科技(深圳)有限公司 | 基于命名实体的文本问答的方法、装置、设备及存储介质 |
WO2021257178A1 (en) * | 2020-06-19 | 2021-12-23 | Microsoft Technology Licensing, Llc | Provide knowledge answers for knowledge-intention queries |
CN111767371A (zh) * | 2020-06-28 | 2020-10-13 | 微医云(杭州)控股有限公司 | 一种智能问答方法、装置、设备及介质 |
WO2022142006A1 (zh) * | 2020-12-30 | 2022-07-07 | 平安科技(深圳)有限公司 | 基于语义识别的话术推荐方法、装置、设备及存储介质 |
CN113157863A (zh) * | 2021-04-25 | 2021-07-23 | 平安科技(深圳)有限公司 | 问答数据处理方法、装置、计算机设备及存储介质 |
CN113312461A (zh) * | 2021-05-25 | 2021-08-27 | 深圳平安综合金融服务有限公司 | 基于自然语言处理的智能问答方法、装置、设备及介质 |
CN114281951A (zh) * | 2021-08-13 | 2022-04-05 | 腾讯科技(深圳)有限公司 | 信息获取方法、装置、设备及存储介质 |
CN113707303A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 基于知识图谱的医疗问题解答方法、装置、设备及介质 |
WO2023029512A1 (zh) * | 2021-08-30 | 2023-03-09 | 康键信息技术(深圳)有限公司 | 基于知识图谱的医疗问题解答方法、装置、设备及介质 |
CN114741493A (zh) * | 2022-04-29 | 2022-07-12 | 广东美的厨房电器制造有限公司 | 问答方法、问答系统、厨房电器、计算机可读存储介质 |
CN114817507A (zh) * | 2022-05-23 | 2022-07-29 | 深圳前海微众银行股份有限公司 | 基于意图识别的回复推荐方法、装置、设备和存储介质 |
CN115292457A (zh) * | 2022-06-30 | 2022-11-04 | 腾讯科技(深圳)有限公司 | 知识问答方法、装置、计算机可读介质及电子设备 |
CN116244412A (zh) * | 2022-12-20 | 2023-06-09 | 北京航天云路有限公司 | 多意图识别方法及装置 |
Non-Patent Citations (4)
Title |
---|
Query Intent Recognition Based on Multi-Class Features;Lirong Qiu等;IEEE Access;全文 * |
基于外部知识和层级篇章表示的阅读理解方法;谭红叶;李宣影;刘蓓;;中文信息学报(04);全文 * |
基于知识图谱的智能答疑系统研究;陈志云;商月;钱冬明;;计算机应用与软件(02);全文 * |
基于问题生成的知识图谱问答方法;乔振浩;车万翔;刘挺;;智能计算机与应用(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116662522A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444709B (zh) | 文本分类方法、装置、存储介质及设备 | |
Ravi et al. | A novel automatic satire and irony detection using ensembled feature selection and data mining | |
Ali et al. | Merged ontology and SVM-based information extraction and recommendation system for social robots | |
Sundararajan et al. | Multi‐Rule Based Ensemble Feature Selection Model for Sarcasm Type Detection in Twitter | |
CN116662522B (zh) | 问题答案推荐方法、存储介质和电子设备 | |
CN112231569B (zh) | 新闻推荐方法、装置、计算机设备及存储介质 | |
Ningsih et al. | Disaster tweets classification in disaster response using bidirectional encoder representations from transformer (BERT) | |
Kusal et al. | A Review on Text-Based Emotion Detection--Techniques, Applications, Datasets, and Future Directions | |
CN115310551A (zh) | 文本分析模型训练方法、装置、电子设备和存储介质 | |
Abishek et al. | An enhanced deep learning model for duplicate question pairs recognition | |
CN117351336A (zh) | 图像审核方法和相关设备 | |
Meenakshi et al. | Novel Shared Input Based LSTM for Semantic Similarity Prediction | |
Arbaaeen et al. | Natural language processing based question answering techniques: A survey | |
Tiwari et al. | Neural network and NLP based chatbot for answering COVID-19 queries | |
CN117349515A (zh) | 搜索处理方法、电子设备和存储介质 | |
CN117764373A (zh) | 风险预测的方法、装置、设备及存储介质 | |
Lipizzi et al. | A computational model implementing subjectivity with the'Room Theory'. The case of detecting Emotion from Text | |
Donald et al. | Bias Detection for Customer Interaction Data: A Survey on Datasets, Methods, and Tools | |
Gour | AI-based Natural Language Processing (NLP) Systems | |
TS et al. | Fake news detection on social media using Adaptive Optimization based Deep Learning Approach | |
Teli et al. | Lingual markers for automating personality profiling: background and road ahead | |
Shigehalli | Natural language understanding in argumentative dialogue systems | |
He et al. | A Question and Answering System for Mental Health of the Elderly Based on BiLSTM-CRF Model and Knowledge Graph | |
CN116089602B (zh) | 信息处理方法、装置、电子设备、存储介质和程序产品 | |
Sefara et al. | Topic classification of tweets in the broadcasting domain using machine learning methods |
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 |