CN116701609A - 基于深度学习的智能客服问答方法、系统、终端及介质 - Google Patents

基于深度学习的智能客服问答方法、系统、终端及介质 Download PDF

Info

Publication number
CN116701609A
CN116701609A CN202310930922.1A CN202310930922A CN116701609A CN 116701609 A CN116701609 A CN 116701609A CN 202310930922 A CN202310930922 A CN 202310930922A CN 116701609 A CN116701609 A CN 116701609A
Authority
CN
China
Prior art keywords
question
deep learning
feature
information
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.)
Granted
Application number
CN202310930922.1A
Other languages
English (en)
Other versions
CN116701609B (zh
Inventor
方楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Yonghe Technology Co ltd
Original Assignee
Sichuan Yonghe Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Yonghe Technology Co ltd filed Critical Sichuan Yonghe Technology Co ltd
Priority to CN202310930922.1A priority Critical patent/CN116701609B/zh
Publication of CN116701609A publication Critical patent/CN116701609A/zh
Application granted granted Critical
Publication of CN116701609B publication Critical patent/CN116701609B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/35—Clustering; Classification
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了基于深度学习的智能客服问答方法、系统、终端及介质，涉及人工智能技术领域，其技术方案要点是：建立深度学习问答模型；提取用户提问数据中的第一特征信息，并生成词向量信息；将词向量信息输入到深度学习问答模型，输出得到答案文本信息；以重构用户提问数据的语义为目标，得到与第一特征信息衔接的增量特征；依据增量特征对答案文本信息进行属性分类，并基于属性分类后的答案文本信息完成对用户提问数据的应答。本发明可以在初始的答案文本信息与用户提问数据不匹配时，在初始的答案文本信息基础上进行深入应答，可以有效提高在一次问答过程中满足用户需求的成功率，减少反复进行问答的情况发生，提高了智能客服问答的效率。

Description

基于深度学习的智能客服问答方法、系统、终端及介质
技术领域
本发明涉及人工智能技术领域，更具体地说，它涉及基于深度学习的智能客服问答方法、系统、终端及介质。
背景技术
传统的园区智能客服系统采用的是固定的规则和模板，无法随着用户语义的变化而灵活地回答问题，这导致了园区智能客服系统的应用场景受限，无法满足用户日益增长的需求。
为此，现有技术中记载有应用深度学习技术的自动问答方法，其主要是依据每对问题和答案的样本数据来训练构建深度学习模型，然后从提问数据中提取特征后生成词向量，最后将生成的词向量输入到深度学习模型后输出得到针对提问数据的答案文本。然而，答案文本与提问数据的匹配程度不仅仅受样本数据的丰富程度影响，在一定程度上也会受到用户对提问数据所表征语义进行表达的准确性影响，尤其是在通过语音形式进行提问时，语音数据中缺少一个词特征时，所表达的语义可能存在明显差异，这就容易导致答案文本与提问数据的匹配程度不高，从而需要用户再次提供准确语义的提问数据，导致整个智能客服问答过程交互复杂，问答效率较低。
因此，如何研究设计一种能够克服上述缺陷的基于深度学习的智能客服问答方法、系统、终端及介质是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足，本发明的目的是提供基于深度学习的智能客服问答方法、系统、终端及介质，可以在初始的答案文本信息与用户提问数据不匹配时，在初始的答案文本信息基础上进行深入应答，可以有效提高在一次问答过程中满足用户需求的成功率，减少反复进行问答的情况发生，提高了智能客服问答的效率。
本发明的上述技术目的是通过以下技术方案得以实现的：
第一方面，提供了基于深度学习的智能客服问答方法，包括以下步骤：
获取问题样本数据和对应的答案样本数据，并采用深度学习技术对问题样本数据和答案样本数据进行训练，得到深度学习问答模型；
提取用户提问数据中的第一特征信息，并依据第一特征信息生成词向量信息；
将词向量信息输入到深度学习问答模型，输出得到答案文本信息；
以重构用户提问数据的语义为目标，得到与第一特征信息衔接的增量特征；
依据增量特征对答案文本信息进行属性分类，并基于属性分类后的答案文本信息完成对用户提问数据的应答。
进一步的，所述增量特征的获得过程具体为：
在第一特征信息中按序排列的关键词特征之间嵌入一个词特征，得到第二特征信息；
若第二特征信息与第一特征信息所表征的语义不同，则嵌入的词特征为增量特征。
进一步的，若所述增量特征存在多个，则依据增量特征的优先级对用户提问数据进行分段应答。
进一步的，所述增量特征的优先级依据在第一特征信息中的嵌入位置进行划分；
增量特征的嵌入位置越靠近第一特征信息中的头部侧，对应的优先级越高；
反之，增量特征的嵌入位置越靠近第一特征信息中的尾部侧，对应的优先级越低。
进一步的，若两个不同的所述增量特征在第一特征信息中的嵌入位置相同，则依据增量特征的热度划分优先级；
所述增量特征的热度越高，则对应的优先级越高；
其中，所述增量特征在问答过程中的应用频次越多，热度越高。
进一步的，所述增量特征的热度由应用频次决定；
其中，所述增量特征在问答过程中的应用频次越多，热度越高。
进一步的，若在当前应答周期中接收到用户反馈的应答确认信号或下一个提问信号时，终止当前应答周期中的分段应答。
第二方面，提供了基于深度学习的智能客服问答系统，包括：
模型训练模块，用于获取问题样本数据和对应的答案样本数据，并采用深度学习技术对问题样本数据和答案样本数据进行训练，得到深度学习问答模型；
特征提取模块，用于提取用户提问数据中的第一特征信息，并依据第一特征信息生成词向量信息；
答案匹配模块，用于将词向量信息输入到深度学习问答模型，输出得到答案文本信息；
语义重构模块，用于以重构用户提问数据的语义为目标，得到与第一特征信息衔接的增量特征；
分段应答模块，用于依据增量特征对答案文本信息进行属性分类，并基于属性分类后的答案文本信息完成对用户提问数据的应答。
第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任意一项所述的基于深度学习的智能客服问答方法。
第四方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如第一方面中任意一项所述的基于深度学习的智能客服问答方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明提供的基于深度学习的智能客服问答方法，通过重构用户提问数据的语义方式，来得到可以与第一特征信息衔接的增量特征，并依据增量特征对答案文本信息进行属性分类， 可以在初始的答案文本信息与用户提问数据不匹配时，在初始的答案文本信息基础上进行深入应答，可以有效提高在一次问答过程中满足用户需求的成功率，减少反复进行问答的情况发生，提高了智能客服问答的效率；
2、本发明依据增量特征的优先级对用户提问数据进行分段应答，可以有效减少在进行属性分类后答案文本信息的输出用时过长的情况发生。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明实施例1中的流程图；
图2是本发明实施例2中的系统框图。
实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1：基于深度学习的智能客服问答方法，如图1所示，包括以下步骤：
步骤S1：获取问题样本数据和对应的答案样本数据，并采用深度学习技术对问题样本数据和答案样本数据进行训练，得到深度学习问答模型；
步骤S2：提取用户提问数据中的第一特征信息，并依据第一特征信息生成词向量信息；
步骤S3：将词向量信息输入到深度学习问答模型，输出得到答案文本信息；
步骤S4：以重构用户提问数据的语义为目标，得到与第一特征信息衔接的增量特征；
步骤S5：依据增量特征对答案文本信息进行属性分类，并基于属性分类后的答案文本信息完成对用户提问数据的应答。
需要说明的是，应用深度学习问答模型来得到初始的答案文本信息是现有技术，在此不做过多描述，本发明主要是通过重构用户提问数据的语义方式，来得到可以与第一特征信息衔接的增量特征，并依据增量特征对答案文本信息进行属性分类， 可以在初始的答案文本信息与用户提问数据不匹配时，在初始的答案文本信息基础上进行深入应答，可以有效提高在一次问答过程中满足用户需求的成功率，减少反复进行问答的情况发生，提高了智能客服问答的效率。
在本实施例中，增量特征的获得过程具体为：在第一特征信息中按序排列的关键词特征之间嵌入一个词特征，得到第二特征信息；若第二特征信息与第一特征信息所表征的语义不同，则嵌入的词特征为增量特征。
例如，用户提问数据为“5区有哪些公司”。其中的第一特征信息为{5区、公司}，若嵌入一个词特征“行业”，则得到第二特征信息{5区、行业、公司}，那么重构的语义则为“5区有哪些行业公司”。同理，还可以重构语义如“5区有哪些地区公司”、“5区有哪些公司正在办公”。
若增量特征存在多个，则依据增量特征的优先级对用户提问数据进行分段应答。在多次重构语义后，则增量特征可以是多个，例如上述的“行业”“地区”、“正在办公”。
增量特征的优先级依据在第一特征信息中的嵌入位置进行划分；增量特征的嵌入位置越靠近第一特征信息中的头部侧，对应的优先级越高；反之，增量特征的嵌入位置越靠近第一特征信息中的尾部侧，对应的优先级越低。例如，“地区”的优先级高于 “正在办公”的优先级。
若两个不同的增量特征在第一特征信息中的嵌入位置相同，则依据增量特征的热度划分优先级；增量特征的热度越高，则对应的优先级越高。其中，增量特征在问答过程中的应用频次越多，热度越高。
在本实施例中，增量特征的热度由应用频次决定；其中，增量特征在问答过程中的应用频次越多，热度越高。
例如，“行业”“地区”的嵌入位置相同，若“行业”的应用频次高于“地区”的应用频次，那么“行业”的优先级高于“地区”的优先级。
若在当前应答周期中接收到用户反馈的应答确认信号或下一个提问信号时，终止当前应答周期中的分段应答。
当用户提问数据为“5区有哪些公司”，得到初始的答案文本信息为：A(a)、B(b)、C(c)、D(d)、E(e)、F(f)。以A(a)为例，A为公司名称，a为A公司的状态属性信息，状态属性信息包括但不限于公司规模、行业信息、办公作息时间和公司所属区域等信息。
若依据上述“行业”、“正在办公”两个增量特征对初始的答案文本信息进行属性分类，则最终分段应答的内容形式可以如下：
第一阶段：“m行业有A(a)、B(b)、C(c)；n行业有D(d)、E(e)、F(f)”；
第二阶段：“其中，A(a)和E(e)正在办公”。
若用户本意是提问“5区有哪些行业公司”，那么在初始的答案文本信息以上述第一阶段的内容输出后即可满足用户需求，此时用户可以给出一个反馈信号，例如回答“好的”、“正确”、“可以”等词汇。
若用户本意是提问“5区有哪些公司正在办公”，那么在初始的答案文本信息以上述第二阶段的内容输出后即可满足用户需求，此时用户可以给出一个反馈信号。
此外，用户还可以直接提出下一个提问数据来结束上一个问答过程。
实施例2：基于深度学习的智能客服问答系统，该系统用于实现实施例1中所记载的基于深度学习的智能客服问答方法，如图2所示，包括模型训练模块、特征提取模块、答案匹配模块、语义重构模块和分段应答模块。
其中，模型训练模块，用于获取问题样本数据和对应的答案样本数据，并采用深度学习技术对问题样本数据和答案样本数据进行训练，得到深度学习问答模型；特征提取模块，用于提取用户提问数据中的第一特征信息，并依据第一特征信息生成词向量信息；答案匹配模块，用于将词向量信息输入到深度学习问答模型，输出得到答案文本信息；语义重构模块，用于以重构用户提问数据的语义为目标，得到与第一特征信息衔接的增量特征；分段应答模块，用于依据增量特征对答案文本信息进行属性分类，并基于属性分类后的答案文本信息完成对用户提问数据的应答。
工作原理：本发明通过重构用户提问数据的语义方式，来得到可以与第一特征信息衔接的增量特征，并依据增量特征对答案文本信息进行属性分类， 可以在初始的答案文本信息与用户提问数据不匹配时，在初始的答案文本信息基础上进行深入应答，可以有效提高在一次问答过程中满足用户需求的成功率，减少反复进行问答的情况发生，提高了智能客服问答的效率。
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实施例的方法、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。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于深度学习的智能客服问答方法，其特征是，包括以下步骤：
获取问题样本数据和对应的答案样本数据，并采用深度学习技术对问题样本数据和答案样本数据进行训练，得到深度学习问答模型；
提取用户提问数据中的第一特征信息，并依据第一特征信息生成词向量信息；
将词向量信息输入到深度学习问答模型，输出得到答案文本信息；
以重构用户提问数据的语义为目标，得到与第一特征信息衔接的增量特征；
依据增量特征对答案文本信息进行属性分类，并基于属性分类后的答案文本信息完成对用户提问数据的应答。
2.根据权利要求1所述的基于深度学习的智能客服问答方法，其特征是，所述增量特征的获得过程具体为：
在第一特征信息中按序排列的关键词特征之间嵌入一个词特征，得到第二特征信息；
若第二特征信息与第一特征信息所表征的语义不同，则嵌入的词特征为增量特征。
3.根据权利要求1所述的基于深度学习的智能客服问答方法，其特征是，若所述增量特征存在多个，则依据增量特征的优先级对用户提问数据进行分段应答。
4.根据权利要求3所述的基于深度学习的智能客服问答方法，其特征是，所述增量特征的优先级依据在第一特征信息中的嵌入位置进行划分；
增量特征的嵌入位置越靠近第一特征信息中的头部侧，对应的优先级越高；
反之，增量特征的嵌入位置越靠近第一特征信息中的尾部侧，对应的优先级越低。
5.根据权利要求4所述的基于深度学习的智能客服问答方法，其特征是，若两个不同的所述增量特征在第一特征信息中的嵌入位置相同，则依据增量特征的热度划分优先级；
所述增量特征的热度越高，则对应的优先级越高；
其中，所述增量特征在问答过程中的应用频次越多，热度越高。
6.根据权利要求5所述的基于深度学习的智能客服问答方法，其特征是，所述增量特征的热度由应用频次决定；
其中，所述增量特征在问答过程中的应用频次越多，热度越高。
7.根据权利要求3所述的基于深度学习的智能客服问答方法，其特征是，若在当前应答周期中接收到用户反馈的应答确认信号或下一个提问信号时，终止当前应答周期中的分段应答。
8.基于深度学习的智能客服问答系统，其特征是，包括：
模型训练模块，用于获取问题样本数据和对应的答案样本数据，并采用深度学习技术对问题样本数据和答案样本数据进行训练，得到深度学习问答模型；
特征提取模块，用于提取用户提问数据中的第一特征信息，并依据第一特征信息生成词向量信息；
答案匹配模块，用于将词向量信息输入到深度学习问答模型，输出得到答案文本信息；
语义重构模块，用于以重构用户提问数据的语义为目标，得到与第一特征信息衔接的增量特征；
分段应答模块，用于依据增量特征对答案文本信息进行属性分类，并基于属性分类后的答案文本信息完成对用户提问数据的应答。
9.一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-7中任意一项所述的基于深度学习的智能客服问答方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征是，所述计算机程序被处理器执行可实现如权利要求1-7中任意一项所述的基于深度学习的智能客服问答方法。
CN202310930922.1A 2023-07-27 2023-07-27 基于深度学习的智能客服问答方法、系统、终端及介质 Active CN116701609B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310930922.1A CN116701609B (zh) 2023-07-27 2023-07-27 基于深度学习的智能客服问答方法、系统、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310930922.1A CN116701609B (zh) 2023-07-27 2023-07-27 基于深度学习的智能客服问答方法、系统、终端及介质

Publications (2)

Publication Number Publication Date
CN116701609A true CN116701609A (zh) 2023-09-05
CN116701609B CN116701609B (zh) 2023-09-29

Family

ID=87831360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310930922.1A Active CN116701609B (zh) 2023-07-27 2023-07-27 基于深度学习的智能客服问答方法、系统、终端及介质

Country Status (1)

Country Link
CN (1) CN116701609B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060074980A1 (en) * 2004-09-29 2006-04-06 Sarkar Pte. Ltd. System for semantically disambiguating text information
US20170061004A1 (en) * 2015-08-31 2017-03-02 International Business Machines Corporation Managing question and answer sessions during a web conference
CN106599317A (zh) * 2016-12-30 2017-04-26 上海智臻智能网络科技股份有限公司 问答系统的测试数据处理方法、装置及终端
US20180341871A1 (en) * 2017-05-25 2018-11-29 Accenture Global Solutions Limited Utilizing deep learning with an information retrieval mechanism to provide question answering in restricted domains
CN110431626A (zh) * 2017-03-03 2019-11-08 微软技术许可有限责任公司 使用成对比较进行重复语音查询中的超发音检测以改进语音识别
CN110956041A (zh) * 2019-11-27 2020-04-03 重庆邮电大学 一种基于深度学习的并购重组公告摘要方法
CN111914062A (zh) * 2020-07-13 2020-11-10 上海乐言信息科技有限公司 一种基于关键词的长文本问答对生成系统
CN112071429A (zh) * 2020-09-04 2020-12-11 汪礼君 一种基于知识图谱的医疗自动问答系统构建方法
CN112100344A (zh) * 2020-08-18 2020-12-18 淮阴工学院 一种基于知识图谱的金融领域知识问答方法
CN112417126A (zh) * 2020-12-02 2021-02-26 车智互联（北京）科技有限公司 一种问答方法、计算设备以及存储介质
CN114416942A (zh) * 2021-12-29 2022-04-29 南京视察者智能科技有限公司 一种基于深度学习的自动化问答方法
US20220253599A1 (en) * 2019-07-19 2022-08-11 National Institute Of Information And Communications Technology Answer classifier and representation generator for question-answering system, and computer program for training the representation generator
US20230035338A1 (en) * 2020-11-09 2023-02-02 Xi'an Jiaotong University Community question-answer website answer sorting method and system combined with active learning

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060074980A1 (en) * 2004-09-29 2006-04-06 Sarkar Pte. Ltd. System for semantically disambiguating text information
US20170061004A1 (en) * 2015-08-31 2017-03-02 International Business Machines Corporation Managing question and answer sessions during a web conference
CN106599317A (zh) * 2016-12-30 2017-04-26 上海智臻智能网络科技股份有限公司 问答系统的测试数据处理方法、装置及终端
CN110431626A (zh) * 2017-03-03 2019-11-08 微软技术许可有限责任公司 使用成对比较进行重复语音查询中的超发音检测以改进语音识别
US20180341871A1 (en) * 2017-05-25 2018-11-29 Accenture Global Solutions Limited Utilizing deep learning with an information retrieval mechanism to provide question answering in restricted domains
US20220253599A1 (en) * 2019-07-19 2022-08-11 National Institute Of Information And Communications Technology Answer classifier and representation generator for question-answering system, and computer program for training the representation generator
CN110956041A (zh) * 2019-11-27 2020-04-03 重庆邮电大学 一种基于深度学习的并购重组公告摘要方法
CN111914062A (zh) * 2020-07-13 2020-11-10 上海乐言信息科技有限公司 一种基于关键词的长文本问答对生成系统
CN112100344A (zh) * 2020-08-18 2020-12-18 淮阴工学院 一种基于知识图谱的金融领域知识问答方法
CN112071429A (zh) * 2020-09-04 2020-12-11 汪礼君 一种基于知识图谱的医疗自动问答系统构建方法
US20230035338A1 (en) * 2020-11-09 2023-02-02 Xi'an Jiaotong University Community question-answer website answer sorting method and system combined with active learning
CN112417126A (zh) * 2020-12-02 2021-02-26 车智互联（北京）科技有限公司 一种问答方法、计算设备以及存储介质
CN114416942A (zh) * 2021-12-29 2022-04-29 南京视察者智能科技有限公司 一种基于深度学习的自动化问答方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DANIIL SOROKIN等: "Modeling Semantics with Gated Graph Neural Networks for Knowledge Base Question Answering", 《HTTPS://ARXIV.ORG/ABS/1808.04126》, pages 1 - 12 *
刘珮: "面向阅读理解任务的问答系统研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 9, pages 138 - 1431 *
最AI的小PAI: "智能问答系统：问句预处理、检索和深度语义匹配技术", pages 1, Retrieved from the Internet <URL:《https://zhuanlan.zhihu.com/p/70203821》> *
李菲: "基于数据增广的作物种植问答系统研究", 《中国优秀硕士学位论文全文数据库农业科技辑》, no. 5, pages 043 - 3 *

Also Published As

Publication number Publication date
CN116701609B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN110277086B (zh) 基于电网调度知识图谱的语音合成方法、系统及电子设备
CN110610698B (zh) 一种语音标注方法及装置
US20200233908A1 (en) Interactive system and computer program therefor
CN111611382A (zh) 话术模型训练方法、对话信息生成方法及装置、系统
CN112766990B (zh) 基于多轮对话改进的智能客服辅助系统和方法
CN113901289A (zh) 一种基于无监督学习的推荐方法及系统
US20220358658A1 (en) Semi Supervised Training from Coarse Labels of Image Segmentation
CN110909174A (zh) 一种基于知识图谱的简单问答中实体链接的改进方法
CN116701609B (zh) 基于深度学习的智能客服问答方法、系统、终端及介质
CN117708282A (zh) 一种基于大语言模型的知识问答方法及系统
CN117370512A (zh) 回复对话的方法、装置、设备及存储介质
CN117009478A (zh) 一种基于软件知识图谱问答问句解析过程的算法融合方法
CN111161708A (zh) 语音信息处理方法及装置
CN116681088A (zh) 一种基于大模型的翻译系统、方法及储存介质
CN116070642A (zh) 一种基于表情嵌入的文本情感分析方法及相关装置
CN116127049A (zh) 模型训练方法、文本生成方法、终端设备及计算机介质
CN115270818A (zh) 一种意图识别方法及装置、存储介质、计算机设备
CN111814922B (zh) 一种基于深度学习的视频片段内容匹配方法
CN114490974A (zh) 信息自动回复方法、装置、系统、电子设备及可读介质
CN114818711A (zh) 基于神经网络的多信息融合命名实体识别方法
CN111881266B (zh) 一种应答方法及装置
CN115481617A (zh) 一种基于抽取模型的多任务抽取方法和装置
CN112948251A (zh) 软件自动测试方法及装置
CN112347196B (zh) 基于神经网络的实体关系抽取方法及装置
CN116363737B (zh) 一种人脸图像属性编辑方法、系统、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant