CN116913262A - 车载语义理解的方法、装置、电子设备及可读存储介质 - Google Patents
车载语义理解的方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116913262A CN116913262A CN202310912886.6A CN202310912886A CN116913262A CN 116913262 A CN116913262 A CN 116913262A CN 202310912886 A CN202310912886 A CN 202310912886A CN 116913262 A CN116913262 A CN 116913262A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- entity
- matching
- input text
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000003068 static effect Effects 0.000 claims abstract description 77
- 238000004590 computer program Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000007906 compression Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 88
- 230000001276 controlling effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013144 data compression Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
- B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/1822—Parsing for meaning understanding
-
- 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
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
- G10L15/19—Grammatical context, e.g. disambiguation of the recognition hypotheses based on word sequence rules
- G10L15/193—Formal grammars, e.g. finite state automata, context free grammars or word 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
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/54—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for retrieval
-
- 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
- G10L2015/081—Search algorithms, e.g. Baum-Welch or Viterbi
-
- 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
- G10L2015/223—Execution procedure of a spoken command
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Mechanical Engineering (AREA)
- Machine Translation (AREA)
Abstract
本申请涉及智能座舱技术领域,提供了一种车载语义理解的方法、装置、电子设备及可读存储介质。该方法包括:接收输入文本;依照文法解析器中输入文本对应的静态规则与实体匹配方式为输入文本匹配对应的目标车载实体,静态规则包括指定文本与车载实体的标签之间的语义规则,文法解析器包括静态规则、实体匹配方式及多模式匹配方式;依照文法解析器中多模式匹配方式为输入文本匹配对应的目标控制信息;将目标车载实体及目标控制信息作为语义理解结果,按照目标控制信息控制目标车载实体执行相应操作。本申请提供的车载语义理解的方法,能够在车端网络状况不佳或无网络连接时提供流畅的语义理解,以得到语义理解结果,从而提升了用户的使用感受。
Description
技术领域
本申请涉及智能座舱技术领域,尤其涉及一种车载语义理解的方法、装置、电子设备及可读存储介质。
背景技术
现有技术中,通过语义解析领域的深度神经网络模型能够避免车辆在行驶过程中,遇到网络延时较大或无网络连接导致的车端与云端之间无法建立稳定的网络连接的问题。然而,深度神经网络模型对于训练数据的需求量大、开发时间长、计算代价高昂,使用文法解析器能够做到数据结果可靠、低延迟、保障发送指令的时效性、快速解决故障异常,但车端计算能力有限,当文法解析器中包括的文法规则达到一定数量之后,输入文本与文法规则的匹配耗时较慢,且车载实体数量较多,容易导致实体冲突从而出现文法规则错误匹配的情况。
发明内容
有鉴于此,本申请实施例提供了一种车载语义理解的方法、装置、电子设备及可读存储介质,以解决现有技术中车载实体数量较多时,容易导致实体冲突从而出现文法规则错误匹配的问题。
本申请实施例的第一方面,提供了一种车载语义理解的方法,包括:
接收输入文本;
依照文法解析器中输入文本对应的静态规则与实体匹配方式为输入文本匹配对应的目标车载实体,文法解析器包括静态规则、实体匹配方式及多模式匹配方式,静态规则包括指定文本与车载实体的标签之间的语义规则;
依照文法解析器中多模式匹配方式为输入文本匹配对应的目标控制信息;
将目标车载实体及目标控制信息作为语义理解结果,按照目标控制信息控制目标车载实体执行相应操作。
本申请实施例的第二方面,提供了一种车载语义理解的装置,包括:
接收模块,被配置为接收输入文本;
匹配模块,被配置为依照文法解析器中输入文本对应的静态规则与实体匹配方式为输入文本匹配对应的目标车载实体,文法解析器包括静态规则、实体匹配方式及多模式匹配方式,静态规则包括指定文本与车载实体的标签之间的语义规则;
匹配模块,还被配置为依照文法解析器中多模式匹配方式为输入文本匹配对应的目标控制信息;
控制模块,被配置为将目标车载实体及目标控制信息作为语义理解结果,按照目标控制信息控制目标车载实体执行相应操作。
本申请实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本申请实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:将输入文本输入文法解析器,通过文法解析器为输入文本匹配对应的目标静态规则、实体匹配与多模式匹配方式的方式匹配到对应的目标车载实体及目标控制信息,其中,静态规则能够减少在实体匹配过程中由于车载实体数量或实体匹配规则过多带来的车载实体冲突的情况,多模式匹配能够提升目标控制信息的匹配速度、准确性及灵活性,从而通过文法解析器对输入文本进行语义理解,提升了用户的使用感受及处理输入文本的速度。同时,文法解析器设置在车端,能够在车端网络状况不佳或无网络连接时提供流畅的语义理解,并根据语义理解结果控制车载实体执行相应操作,从而提升了用户的使用感受。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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它的附图。
图1是本申请实施例的一种应用场景的场景示意图;
图2是本申请实施例提供的一种车载语义理解的方法流程示意图;
图3是本申请实施例提供的一种多模式匹配方式的流程示意图;
图4是本申请实施例提供的一种车载语义理解的应用方法流程示意图;
图5是本申请实施例提供的一种车载语义理解的装置示意图;
图6是本申请实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
下面将结合附图详细说明根据本申请实施例的一种车载语义理解的方法和装置。
图1是本申请实施例的一种应用场景的场景示意图。该应用场景可以包括第一终端设备101、第二终端设备102、服务器103以及网络104。
第一终端设备101可以是硬件,也可以是软件。当第一终端设备101为硬件时,其可以是具有显示屏且支持与服务器103通信的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等;当第一终端设备101为软件时,其可以安装在如上所述的电子设备中。第一终端设备101可以实现为多个软件或软件模块,也可以实现为单个软件或软件模块,本申请实施例对此不作限制。进一步地,第一终端设备101上可以安装有各种应用,例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
第二终端设备102可以是硬件,也可以是软件。当第二终端设备102为硬件时,其可以是具有显示屏且支持与服务器103通信的各种电子设备,包括但不限于车载电脑和整车控制器等;当第二终端设备102为软件时,其可以安装在如上所述的电子设备中。第二终端设备102可以实现为多个软件或软件模块,也可以实现为单个软件或软件模块,本申请实施例对此不作限制。进一步地,第二终端设备102上可以安装有各种应用,例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用、控制车辆类应用等。
服务器103可以是提供各种服务的服务器,例如,对与其建立通信连接的终端设备发送的请求进行接收的后台服务器,该后台服务器可以对终端设备发送的请求进行接收和分析等处理,并生成处理结果。服务器103可以是一台服务器,也可以是由若干台服务器组成的服务器集群,或者还可以是一个云计算服务中心,本申请实施例对此不作限制。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,其可以是为第一终端设备101和第二终端设备102提供各种服务的各种电子设备。当服务器103为软件时,其可以是为第一终端设备101和第二终端设备102提供各种服务的多个软件或软件模块,也可以是为第一终端设备101和第二终端设备102提供各种服务的单个软件或软件模块,本申请实施例对此不作限制。
网络104可以是采用同轴电缆、双绞线和光纤连接的有线网络,也可以是无需布线就能实现各种通信设备互联的无线网络,例如,蓝牙(Bluetooth)、近场通信(Near FieldCommunication,NFC)、红外(Infrared)等,本申请实施例对此不作限制。
需要说明的是,第一终端设备101、第二终端设备102、服务器103以及网络104的具体类型、数量和组合可以根据应用场景的实际需求进行调整,本申请实施例对此不作限制。
在现有技术中,语音识别技术依赖于特定设备,而对文本的语义理解部分基本是依托于云端服务的强大计算能力,从而在车端需要对输入文本进行语义理解时,需要通过云端服务进行语义理解,故在车端与云端的网络连接稳定时,才能进行流畅的语义理解。然而,在车辆行驶过程中不可避免的会遇到网络延时较大的情况,甚至是无网络连接的情况,例如车辆在隧道或偏远山区行驶的情况,此时,车端无法与云端服务建立网络连接或是连接不稳定,若至依靠云端进行语义理解,则车载语音对话功能将不可用。
为了避免这种情况的出现,需要在车端进行语义理解,但现有硬件无法做到将整个云端的服务移植到车端,其中最重要的问题有两个,一是车端算力不足,另一是整个语义理解的内容较为庞大,几乎会占用车端中控的所有空间,故上述方案与实际逻辑不符合。针对上述问题,需要一个占用资源小、耗费算力小且不依靠网络的语义理解方案。
随着深度神经网络模型的发展,在语义理解领域也得到了更深层的应用,但深度神经网络模型也存在着自身不可忽略的缺点,如存在“黑盒子”性质、训练模型的训练数据需求量大、开发时间长、计算代价高昂等。在车辆行驶过程中,行驶路段及路况是不断变化的,因此移动信号波动大、网络连接的稳定性无法得到保证,车载设备的语音输入及语义理解极其依赖网络,对语义理解结果的可靠性、指令时效性及故障排除及时性等均有着较高的要求。在这种情况下,需要实现语义理解的方法可靠、低延迟、指令即发即达及故障异常快速解决,而深度神经网络模型存在的缺点不满足上述需求,基于文法规则的模型能够满足上述需求,故本申请选择基于文法规则的模型(下文称为文法解析器)进行语义理解。
同时,由于车端的算力有限,当文法解析器中的规则达到一定数量后,与输入文本进行匹配的过程耗时较长,且车载实体较多,在此情况下,容易导致多个车载实体冲突进而出现规则匹配错误的情况。
针对上述问题,本申请在文法解析器中写入静态规则,与实体匹配一同为输入文本匹配目标车载实体,采用多模式匹配的方法进行目标操作信息的匹配,同时结合车端在行驶过程中存在的与云端网络连接不稳定的情况及车端的硬件环境,引入定时增量更新的数据更新策略。
通过本申请的文法解析器得到语义理解结果,并按照目标控制信息控制目标车载实体执行相应操作的过程,有着预期结果可控、开发速度快、易维护升级、计算代价低、时效性强等多重优势,能够解决车载领域的语义理解所面临的问题。
图2是本申请实施例提供的一种车载语义理解的方法流程示意图。如图2所示,该车载语义理解的方法包括以下步骤:
S201,接收输入文本;
S202,依照文法解析器中输入文本对应的静态规则与实体匹配方式为输入文本匹配对应的目标车载实体;
S203,依照文法解析器中多模式匹配方式为输入文本匹配对应的目标控制信息;
S204,将目标车载实体及目标控制信息作为语义理解结果,按照目标控制信息控制目标车载实体执行相应操作。
图2的车载语义理解的方法可以由图1的第二终端设备102及服务器执行。
其中,文法解析器包括静态规则、实体匹配方式及多模式匹配方式,静态规则包括指定文本与车载实体的标签之间的语义规则。
在一些实施例中,接收用户的输入文本,通过文法解析器对输入文本进行匹配,其中,依照输入文本对应的文法解析器中静态规则与实体匹配方式为输入文本匹配对应的目标车载实体,依照输入文本对应的文法解析器中多模式匹配方式为输入文本匹配对应的目标控制信息。
其中,多模式匹配方式可以是AC(Aho-Corasick automaton)自动机匹配方式,AC自动机用于匹配与输入文本匹配目标控制信息,能够解决因车端算力不足而导致的文法解析器与输入文本匹配目标控制信息的匹配过程速度慢的问题。当需要在一个输入文本对应的字符串中匹配多个动作(action)的模式串时,即对输入文本中车载实体以外的动作语义理解均可采用AC自动机实现。
其中,接收用户的输入文本可以通过语音识别技术ASR(Automatic SpeechRecognition)相关的设备接收用户的语音消息并对语音消息进行识别,得到输入文本。
将依照文法解析器对输入文本匹配得到的目标车载实体及目标控制信息作为语义理解结果,按照目标控制信息控制目标车载实体执行相应操作。
在接收输入文本之前,将车载实体对象抽象化,并建立车载实体的数据信息,数据信息中包括各车载实体的标签及基础信息。将所有车载实体的数据信息上传至云端,在车端联网的情况下,全文搜索引擎Lucene通过定时任务拉取云端存储的车载实体的数据信息。
其中,Lucene是一种轻量级的基于倒排索引的全文搜索引擎,具有不依赖网络、体积小且搜索速度快的优点。Lucene能够将车载实体的数据信息保存在本地设备用,从而无需依赖网络连接,这种本地存储的优点在于即使没有网络连接或网络连接不稳定的情况下,车载语音对话系统仍然能够访问和查询车载实体的数据信息。同时,由于Lucene采用轻量级的数据结构和索引技术,占用资源较少,适合在资源有限的环境下使用,即非常符合车载环境。
接述上例,拉取到云端存储的车载实体的数据信息之后,通过Lucene建立倒排索引,以能够对输入文本进行语义理解时通过车载实体的标签确定对应的车载实体。
根据本申请实施例提供的技术方案,通过文法解析器中的静态规则能够减少在实体匹配过程中由于车载实体数量过多或实体匹配规则过多带来的车载实体冲突的情况,多模式匹配能够提升目标控制信息的匹配速度、准确性及灵活性,从而通过文法解析器对输入文本进行语义理解,提升了用户的使用感受及处理输入文本的速度。同时,由于文法解析器设置在车端,能够在车端网络状况不佳或无网络连接时提供流畅的语义理解,并根据语义理解结果控制对应的车载实体执行相应操作,从而提升了用户的使用感受。
本申请实施例在车载实体的匹配方面,利用Lucene的强大搜索功能结合静态规则,能够迅速而准确地匹配用户的输入信息对应的目标车载实体,Lucene提供了高效的索引和搜索技术,能够根据关键字和实体匹配方式确定目标车载实体,且Lucene还能够搜索包括人名、地点、日期等特定实体,在本申请实施例的基础上更新Lucene中的规则能够实现更多种类的匹配,从而能够准确地识别用户的输入文本中的实体信息。
本申请实施例在多模式匹配方面,使用AC自动机的匹配算法,能够解释和相应用户的意图,AC自动机具有以下显著优点:
高效性:AC自动机在搜索和匹配过程中相比逐一匹配的方法,能够同时匹配多个模式,从而大幅提高了输入文本与目标控制信息的匹配速度,对于理解包括大量控制信息和意图复杂的输入文本的语义时,能够提升语义理解的速度和准确度;
精确性:AC自动机通过构建一个有限状态机,能够将输入文本与文法解析器中控制信息进行匹配,这种匹配是基于确定性的有限自动机理论,因此能够确保根据输入文本匹配到的目标控制信息的准确性,避免了误解和错误的匹配,使得本申请提供的方法能够更好的理解用户的需求,并提供准确地回答或执行相应的动作;
灵活性:AC自动机具有很高的灵活性,能够轻松应对各种控制信息的变化和扩展,例如在AC自动机中添加或删除对应模式,AC自动机能够快速适应新的控制信息的匹配规则或业务规则的变化,从而使得本申请提供的车载语义理解的方法具备了较强的适应性和可扩展性,能够应对不断演变的语义理解任务。
在一些实施例中,依照文法解析器中输入文本对应的静态规则与实体匹配方式为输入文本匹配对应的目标车载实体,包括:
基于实体匹配方式为输入文本匹配对应的车载实体;
当车载实体为多个,基于输入文本对应的静态规则在多个车载实体中为输入文本匹配对应的目标车载实体。
文法解析器采用递归的方式将输入文本与文法解析器的树状网络的各节点进行匹配,若匹配成功,则表示该输入文本的语义为此节点所代表的语义。
接收到输入文本,根据实体匹配方式为输入文本匹配对应的车载实体,匹配结果可能为一个车载实体,也可能为多个车载实体。当车载实体为一个,则确定该车载实体为目标车载实体,当车载实体为多个,则根据输入文本对应的静态规则在多个车载实体中为输入文本匹配对应的目标车载实体。
其中,目标车载实体可能为一个,也可能为多个。
本申请一示例性实施例中,以输入文本为“驾驶模式开成运动”为例,输入文本的关键词“运动”可能表示多个车载实体,例如油门、刹车、灯光、座椅角度、风扇等多个车载实体,其中,灯光不是运动驾驶模式对应的车载实体,静态规则中包括“运动模式”与车载实体的标签之间的语义规则,通过静态规则中运动模式”与车载实体的标签之间的语义规则,在上述多个车载实体中为输入文本匹配对应的目标车载实体。
根据本申请实施例提供的技术方案,能够通过文法解析器对输入文本进行实体匹配,并且当匹配到的车载实体为多个时,根据静态规则再次进行匹配,从而保证文法解析器能够准确理解输入文本的语义。
在一些实施例中,当车载实体为多个,基于静态规则在多个车载实体中为输入文本匹配对应的目标车载实体,包括:
获取多个车载实体的数据信息,数据信息包括车载实体的标签及基础信息;
在所有静态规则中确定输入文本对应的静态规则,作为目标静态规则;
基于目标静态规则,在多个数据信息中筛选符合目标静态规则的数据信息,将静态规则的数据信息对应的车载实体作为目标车载实体。
获取上述实施例中多个车载实体的数据信息,在文法解析器中所有静态规则中确定输入文本对应的静态规则,作为目标静态规则。根据目标静态规则,在多个数据信息中筛选符合目标静态规则的数据信息,将经过静态规则筛选出的数据信息对应的车载实体作为目标车载实体。
其中,目标车载实体可以为一个,也可以为多个。
本申请一示例性实施例中,以输入文本为“氛围灯改成运动”为例,进行示例性说明。输入文本包括的关键词“运动”可能表示多个车载实体,然而人并非所有带有“运动”标签的车载实体均符合输入文本的条件。接收到该输入文本时,通过Lucene进行文本搜索以得到多个与“运动”匹配的车载实体,进一步的,在多个车载实体中根据车载实体的标签与静态规则进行匹配,选出符合输入文本“氛围灯改成运动”的车载实体作为目标车载实体。
更进一步的,静态规则及车载实体的数据信息在程序启动时可以被装载进AbnfFuzzer中,AbnfFuzzer是一种用于多模式匹配的工具,能够高效地匹配多个静态规则。
根据本申请实施例提供的技术方案,能够通过静态规则和标签对车载实体进行更加精确的匹配,以确定目标车载实体,同时能够避免多车载实体之间的冲突,将静态规则及标签装载进AbnfFuzzer能够在与输入文本匹配的过程中提高匹配效率和准确性。
在一些实施例中,依照文法解析器中基于多模式匹配方式为输入文本匹配对应的目标控制信息,包括:
按照输入文本的字符串的顺序,基于多模式匹配方式重复执行以下步骤:
若当前字符串在文法规则中不存在匹配结果,则将下一字符串作为当前字符串;
若当前字符串在文法规则中存在匹配结果,则将匹配结果作为目标控制信息,然后将下一字符串作为当前字符串。
其中,文法解析器还包括文法规则,文法规则包括语法规则及语义规则。
本申请一示例性实施例中,以通过AC自动机为输入文本匹配对应的目标控制信息为例,进行示例性说明。AC自动机将文法解析器中的控制信息作为模式串,与输入文本进行匹配,具体方式为:
将控制信息对应词条所在的文法规则作为模式串,将模式串插入AC自动机中,以能在每个文法规则对应的标签和控制信息均会被作为独立的模式串通过AC自动机与字符串进行精确匹配。
接述上例,在为输入文本进行匹配的过程中,AC自动机从输入文本对应的字符串的首个字符串开始,根据当前字符串进行状态转移,即按照输入文本对应的字符串顺序根据文法规则进行匹配,当前字符串匹配到一个模式串时,表示该字符串已匹配到一个目标控制信息,将目标控制信息作为匹配结果,若当前字符串在模式串中不存在匹配结果,则将下一字符串作为当前字符串。
图3是本申请实施例提供的一种多模式匹配方式的流程示意图。如图3所示,输入文本对应的字符串通过多模式匹配方式进行匹配时,对输入文本的汉字字符串进行AC自动机匹配,若AC自动机与输入文本的汉字字符串匹配成功,则确定目标控制信息,若AC自动机与输入文本的汉字字符串匹配失败,则对输入文本的拼音字符串进行匹配,若匹配失败,则目标控制信息匹配失败,代表当前字符串不存在目标控制信息,若匹配成功,则确定当前字符串的目标控制信息。重复执行以上步骤,直至输入文本对应的所有字符串均匹配完毕。
根据本申请实施例提供的技术方案,通过AC自动机对输入文本的字符串匹配目标控制信息,AC自动机能够自动处理状态转移及回溯,以便根据输入文本的字符串中高效地匹配多个控制信息,从而匹配得到目标控制信息。
本申请通过引入AC自动机进行目标控制信息的匹配,AC自动机的时间复杂度与字符串的长度和模式串的总长度呈线性关系,车载的输入文本往往是短文本,从而能够减少匹配目标控制信息的时间开销,因此,能够有效解决车端算力不足导致的匹配目标控制信息速度慢的问题,提高匹配效率,并在实际应用中为相关任务(例如车载系统中的命令匹配、动作识别等相关任务),提供更好的性能和用户体验。
在一些实施例中,按照目标控制信息控制目标车载实体执行相应操作,包括:
若输入文本已完成所有目标车载实体的匹配,按照目标控制信息控制所有目标车载实体执行相应操作;
若输入文本未完成所有目标车载实体的匹配,记录目标控制信息。
当输入文本已完成所有目标车载实体的匹配,即已确定输入文本对应的所有目标车载实体,则AC自动机匹配得到的目标控制信息控制所有目标车载实体执行相应操作。若输入文本未完成所有目标车载实体,即未确定输入文本对应的所有目标车载实体,则记录AC自动机匹配得到的目标控制信息,以在输入文本对应的目标车载实体完成匹配时根据目标控制信息控制对应的所有目标车载实体执行相应操作。
根据本申请实施例提供的技术方案,能够在处理或记录AC自动机匹配得到的目标控制信息,以高效的对输入文本进行语义理解,提升用户的使用感受。
在一些实施例中,还包括:
向云端发送更新请求;
接收云端基于更新请求反馈并经过压缩处理的更新指令,以在当前文法解析器及车载实体的数据信息基础上更新更新指令对应的更新内容,更新内容为云端的最新文法解析器及最新数据信息区别于当前文法解析器及当前数据信息的更新内容。
本申请实施例提供的一种数据包装载方法为:采用数据压缩包和程序开发工具包(Software Development Kit,SDK)的形式装载在车端,以提供给车端的应用程序调用,其中,数据压缩包经过解压缩操作得到数据包,数据压缩包中主要包括Lucene的相关数据及Lucene存储的数据,程序开发工具包简称为SDK包。
接述上例,初始化车机时,能够预装一部分基本数据,若用户在使用过程中,对离线语音的语义理解要求较高时,可以在车端的显示屏设置提示信息,以提示用户是否下载离线语音包,若用户选择是,则通过压缩拉取及增量拉取相结合的策略更新本地的数据包及SDK包。
其中,SDK包也可以通过开发工具将整套应用程序压缩为可引用的SDK包提供给车载终端。
由于Lucene存储的数据信息及文法解析器等数据包需要存储在车辆的中控空间中,而非通过云端进行语义理解,故在进行本地的语义理解时需要考虑数据传输流量、空间占比等因素,本申请实施例在更新数据包及SDK包时时采用压缩拉取和增量拉取相结合的策略,具体为:
向云端发送更新请求,并接受云端根据更新请求反馈并经过压缩处理的更新指令,以在当前文法解析器及当前车载实体的数据信息基础上根据更新指令对应的更新内容进行更新。
其中,更新内容为云端的最新文法解析器及数据信息区别于当前文法解析器及当前数据信息的更新内容,即对最新或已更改的数据信息及文法解析器所对应的数据进行更新。
其中,云端同步了车端Lucene中记录的数据,当云端反馈更新指令,在云端通过当前云端记录的所有数据与记录的车端Lucene包括的数据进行对比,确定更新内容。
根据本申请实施例提供的技术方案,在云端将更新内容对应的数据进行压缩后传输,能够减少传输时间和网络带宽的占用,并且在接收到更新指令时能够记录更新时间或版本号等信息,同时进行增量拉取的数据传输,能够减少数据传输量和处理时间,以减少数据传输的开销,还能够在有限的车机资源下高效地更新和维护数据信息,确保车载语音对话系统始终具备最新的语义理解能力。同时,能够保证车载实体的数据信息为最新版本,本申请实施例提供的技术方案会定期向云端发送更新请求,以检查车载实体的数据信息的更新情况。
在一些实施例中,文法解析器的构建过程包括:
基于扩展的巴克斯范式建立文法解析器;
将静态规则写入文法解析器,并将车载实体对应的标签作为规则添加至文法解析器。
在构建文法解析器时,将文法解析器中所有规则(包括静态规则、文法规则、实体匹配与多模式匹配)通过父子关系建立树状网络,该树状网络类似于二叉树,其中,每一节点为一条语义规则。
本申请一示例性实施例中,利用antlr生成词法分析器、语法分析器和树分析器等构建abnfFuzzer文法树状结构解析器,在没有规则数据时,文法解析器将输入文本逐字进行拆解,通过Lucene进行车载实体的搜索,利用静态规则规避多车载实体的问题,采用AC自动机对输入文本中车载实体之外的词条进行匹配。扩展的巴克斯范式建立文法解析器的具体规则为:
以“rule_[领域]_[意图]_[指令]”作为开头,编写各领域的文法规则,其中,进行弱规则编写时,在规则记录里添加“_weak”标识。
一示例性的泛用规则编写如:rule_DOMAIN_INTENT_set_any=[anyword]/mid_source_set,该规则表示在某一领域中的某意图,DOMAIN为对应领域,INTENT为对应意图,set为对应的控制信息,any为车载实体,通过“/”表示同一语义的两种表示方法。
其中,以DEVICE领域的规则,表示打开某一位置上的车载实体的一条语义规则为例,可进行如下表示:
rule_DEVICE_OPEN=mid_DEVICE_OPEN_AIRCONDITIONER/mid_DEVI CE_OPEN_WINDOW,表示打开空调或车窗;
rule_DEVICE_CLOSE=mid_DEVICE_CLOSE_AIRCONDITIONER/mid_DE VICE_CLOSE_WINDOW,表示打开空调或车窗;
rule_DEVICE_OPEN_weak=mid_DEVICE_OPEN_weak_1/mid_DEVICE_O PEN_weak_2,表示与打开相关的两条弱规则,例如“开启、开开”等词语均可被识别为“open”的相关弱规则,以提升文法解析器的泛用性。
其中,mid_起承转合的无用临时变量,形式为:mid_DOMAIN_INTENT_set=anyword,无用临时变量可进行如下编写:
open="打开"/"开启"/"开",表示字符串对应的控制信息;
seat=@副?驾驶位?|(前|后)排(左|右)(侧|边|方)@,表示车载实体的具体位置,其中包括了静态规则;
mid_DEVICE_OPEN_AIRCONDITIONER=open@{{devicename}}@,表示控制信息与车载实体的对应关系;
mid_DEVICE_OPEN_WINDOW=open@{{seat}}@@{{devicename}}@,表示控制信息与已定位的车载实体的对应关系,是对上一规则的细化;
mid_DEVICE_OPEN_weak_1=@^.{0,3}想要@open@{{devicename}}@,为该规则中包括的第一条弱规则;
mid_DEVICE_OPEN_weak_2=@^.{0,3}@open@{{devicename}}@@好不好?@,为该规则中包括的第二条弱规则。
其中,devicename来源于Lucene中存储的车载实体的数据信息。
图4是本申请实施例提供的一种车载语义理解的应用方法流程示意图。如图4所示,以输入文本为“打开副驾窗户”,通过文法解析器输出对应的语义理解结果为例,进行示例性的说明。
接收到输入文本“打开副驾窗户”,将其输入至文法解析器,文法解析器利用Lucene进行全文搜索,搜索到对应的目标车载实体为“窗户”,利用静态规则检测到车载实体对应的位置为“副驾”,利用多模式匹配检测到目标控制信息为“打开”,则语义理解结果为“open副驾window”,根据语义理解结果控制副驾窗户打开。
根据本申请实施例提供的技术方案,能够通过扩展的巴克斯范式构建文法解析器,并在文法解析器中添加静态规则,以避免文法解析器中的规则和车载实体达到一定数量之后出现的多车载实体之间的冲突,并在程序初始化的时候装载入AbnfFuzzer,以提升语义理解的准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图5是本申请实施例提供的一种车载语义理解的装置示意图。如图5所示,该车载语义理解的装置包括:接收模块501,匹配模块502和控制模块503,其中:
接收模块501,被配置为接收输入文本;
匹配模块502,被配置为依照文法解析器中输入文本对应的静态规则与实体匹配方式为输入文本匹配对应的目标车载实体,文法解析器包括静态规则、实体匹配方式及多模式匹配方式,静态规则包括指定文本与车载实体的标签之间的语义规则;
匹配模块502,还被配置为依照文法解析器中多模式匹配方式为输入文本匹配对应的目标控制信息;
控制模块503,被配置为将目标车载实体及目标控制信息作为语义理解结果,按照目标控制信息控制目标车载实体执行相应操作。
在一些实施例中,匹配模块502被配置为依照文法解析器中输入文本对应的静态规则与实体匹配方式为输入文本匹配对应的目标车载实体,用于:
基于实体匹配方式为输入文本匹配对应的车载实体;
当车载实体为多个,基于输入文本对应的静态规则在多个车载实体中为输入文本匹配对应的目标车载实体。
在一些实施例中,匹配模块502被配置为当车载实体为多个,基于静态规则在多个车载实体中为输入文本匹配对应的目标车载实体,用于:
获取多个车载实体的数据信息,数据信息包括车载实体的标签及基础信息;
在所有静态规则中确定输入文本对应的静态规则,作为目标静态规则;
基于目标静态规则,在多个数据信息中筛选符合目标静态规则的数据信息,将静态规则的数据信息对应的车载实体作为目标车载实体。
在一些实施例中,文法解析器还包括文法规则,文法规则包括语法规则及语义规则,匹配模块502还被配置为依照文法解析器中基于多模式匹配方式为输入文本匹配对应的目标控制信息,用于:
按照输入文本的字符串的顺序,基于多模式匹配方式重复执行以下步骤:
若当前字符串在文法规则中不存在匹配结果,则将下一字符串作为当前字符串;
若当前字符串在文法规则中存在匹配结果,则将匹配结果作为目标控制信息,然后将下一字符串作为当前字符串。
在一些实施例中,匹配模块502被配置为按照目标控制信息控制目标车载实体执行相应操作,包括:
若输入文本已完成所有目标车载实体的匹配,按照目标控制信息控制所有目标车载实体执行相应操作;
若输入文本未完成所有目标车载实体的匹配,记录目标控制信息。
在一些实施例中,车载语义理解的装置还用于:
向云端发送更新请求;
接收云端基于更新请求反馈并经过压缩处理的更新指令,以在当前文法解析器及当前车载实体的数据信息基础上更新更新指令对应的更新内容,更新内容为云端的最新文法解析器及最新数据信息区别于当前文法解析器及当前数据信息的更新内容。
在一些实施例中,匹配模块502还被配置为用于文法解析器的构建:
基于扩展的巴克斯范式建立文法解析器;
将静态规则写入文法解析器,并将车载实体对应的标签作为规则添加至文法解析器。
图6是本申请实施例提供的电子设备6的示意图。如图6所示,该实施例的电子设备6包括:处理器601、存储器602以及存储在该存储器602中并且可在处理器601上运行的计算机程序603。处理器601执行计算机程序603时实现上述各个方法实施例中的步骤。或者,处理器601执行计算机程序603时实现上述各装置实施例中各模块/单元的功能。
电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备6可以包括但不仅限于处理器601和存储器602。本领域技术人员可以理解,图6仅仅是电子设备6的示例,并不构成对电子设备6的限定,可以包括比图示更多或更少的部件,或者不同的部件。
处理器601可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器602可以是电子设备6的内部存储单元,例如,电子设备6的硬盘或内存。存储器602也可以是电子设备6的外部存储设备,例如,电子设备6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(Flash Card)等。存储器602还可以既包括电子设备6的内部存储单元也包括外部存储设备。存储器602用于存储计算机程序以及电子设备所需的其它程序和数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。
集成的模块/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存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种车载语义理解的方法,其特征在于,包括:
接收输入文本;
依照文法解析器中所述输入文本对应的静态规则与实体匹配方式为所述输入文本匹配对应的目标车载实体,所述文法解析器包括所述静态规则、所述实体匹配方式及多模式匹配方式,所述静态规则包括指定文本与车载实体的标签之间的语义规则;
依照所述文法解析器中所述多模式匹配方式为所述输入文本匹配对应的目标控制信息;
将所述目标车载实体及所述目标控制信息作为语义理解结果,按照所述目标控制信息控制所述目标车载实体执行相应操作。
2.根据权利要求1所述的方法,其特征在于,依照文法解析器中所述输入文本对应的静态规则与实体匹配方式为所述输入文本匹配对应的目标车载实体,包括:
基于所述实体匹配方式为所述输入文本匹配对应的所述车载实体;
当所述车载实体为多个,基于所述输入文本对应的所述静态规则在多个所述车载实体中为所述输入文本匹配对应的所述目标车载实体。
3.根据权利要求2所述的方法,其特征在于,当所述车载实体为多个,基于所述静态规则在多个所述车载实体中为所述输入文本匹配对应的所述目标车载实体,包括:
获取多个所述车载实体的数据信息,所述数据信息包括所述车载实体的标签及基础信息;
在所有所述静态规则中确定所述输入文本对应的所述静态规则,作为目标静态规则;
基于所述目标静态规则,在多个所述数据信息中筛选符合所述目标静态规则的所述数据信息,将所述静态规则的所述数据信息对应的所述车载实体作为目标车载实体。
4.根据权利要求1所述的方法,所述文法解析器还包括文法规则,所述文法规则包括语法规则及语义规则,依照所述文法解析器中基于所述多模式匹配方式为所述输入文本匹配对应的目标控制信息,包括:
按照所述输入文本的字符串的顺序,基于所述多模式匹配方式重复执行以下步骤:
若当前所述字符串在所述文法规则中不存在匹配结果,则将下一所述字符串作为当前所述字符串;
若当前所述字符串在所述文法规则中存在匹配结果,则将匹配结果作为所述目标控制信息,然后将下一所述字符串作为当前所述字符串。
5.根据权利要求4所述的方法,其特征在于,按照所述目标控制信息控制所述目标车载实体执行相应操作,包括:
若所述输入文本已完成所有所述目标车载实体的匹配,按照所述目标控制信息控制所有所述目标车载实体执行相应操作;
若所述输入文本未完成所有所述目标车载实体的匹配,记录所述目标控制信息。
6.根据权利要求1所述的方法,其特征在于,还包括:
向云端发送更新请求;
接收所述云端基于所述更新请求反馈并经过压缩处理的更新指令,以在当前所述文法解析器及当前所述车载实体的数据信息基础上更新所述更新指令对应的更新内容,所述更新内容为所述云端的最新文法解析器及最新数据信息区别于当前所述文法解析器及当前所述数据信息的更新内容。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述文法解析器的构建过程包括:
基于扩展的巴克斯范式建立所述文法解析器;
将所述静态规则写入所述文法解析器,并将所述车载实体对应的标签作为规则添加至所述文法解析器。
8.一种车载语义理解的装置,其特征在于,包括:
接收模块,被配置为接收输入文本;
匹配模块,被配置为依照文法解析器中所述输入文本对应的静态规则与实体匹配方式为所述输入文本匹配对应的目标车载实体,所述文法解析器包括所述静态规则、所述实体匹配方式及多模式匹配方式,所述静态规则包括指定文本与车载实体的标签之间的语义规则;
匹配模块,还被配置为依照所述文法解析器中所述多模式匹配方式为所述输入文本匹配对应的目标控制信息;
控制模块,被配置为将所述目标车载实体及所述目标控制信息作为语义理解结果,按照所述目标控制信息控制所述目标车载实体执行相应操作。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310912886.6A CN116913262A (zh) | 2023-07-24 | 2023-07-24 | 车载语义理解的方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310912886.6A CN116913262A (zh) | 2023-07-24 | 2023-07-24 | 车载语义理解的方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116913262A true CN116913262A (zh) | 2023-10-20 |
Family
ID=88357911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310912886.6A Pending CN116913262A (zh) | 2023-07-24 | 2023-07-24 | 车载语义理解的方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116913262A (zh) |
-
2023
- 2023-07-24 CN CN202310912886.6A patent/CN116913262A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6960006B2 (ja) | 会話システムにおいて意図が不明確なクエリを処理する方法およびシステム | |
CN110046254B (zh) | 用于生成模型的方法和装置 | |
CN110096584B (zh) | 一种应答方法和装置 | |
CN111144128B (zh) | 语义解析方法和装置 | |
CN107656996B (zh) | 基于人工智能的人机交互方法和装置 | |
CN111340220B (zh) | 用于训练预测模型的方法和装置 | |
CN113434683A (zh) | 文本分类方法、装置、介质及电子设备 | |
CN107908743B (zh) | 人工智能应用构建方法和装置 | |
CN110764760B (zh) | 用于绘制程序流程图的方法、装置、计算机系统和介质 | |
EP3843090B1 (en) | Method and apparatus for outputting analysis abnormality information in spoken language understanding | |
CN110737678B (zh) | 一种数据查找方法、装置、设备和存储介质 | |
CN110675865B (zh) | 用于训练混合语言识别模型的方法和装置 | |
CN107943881A (zh) | 题库生成方法、服务器及计算机可读存储介质 | |
CN112837683A (zh) | 语音服务方法及装置 | |
CN111324344A (zh) | 代码语句的生成方法、装置、设备及可读存储介质 | |
CN116486815A (zh) | 车载语音信号处理方法及装置 | |
CN116913262A (zh) | 车载语义理解的方法、装置、电子设备及可读存储介质 | |
CN112182179B (zh) | 实体问答处理方法、装置、电子设备和存储介质 | |
CN114548114A (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
CN106682221B (zh) | 问答交互的响应方法、装置及问答系统 | |
CN110209829B (zh) | 信息处理方法和装置 | |
CN110471961A (zh) | 一种产品需求获取方法、装置、设备和存储介质 | |
CN109284097A (zh) | 实现复杂数据分析的方法、设备、系统及存储介质 | |
CN113742197B (zh) | 模型管理装置、方法、数据管理装置、方法及系统 | |
CN115563183B (zh) | 查询方法、装置及程序产品 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240118 Address after: No. 13 Xingxiang Road, Zengjia Town, High tech Zone, Shapingba District, Chongqing, 400039 Applicant after: Chongqing Selis Phoenix Intelligent Innovation Technology Co.,Ltd. Address before: 618 Liangjiang Avenue, Longxing Town, Yubei District, Chongqing Applicant before: Chongqing Celes New Energy Automobile Design Institute Co.,Ltd. |
|
TA01 | Transfer of patent application right |