CN116992001A - 知识问答方法、装置、设备、音箱和存储介质 - Google Patents

知识问答方法、装置、设备、音箱和存储介质 Download PDF

Info

Publication number
CN116992001A
CN116992001A CN202310988506.7A CN202310988506A CN116992001A CN 116992001 A CN116992001 A CN 116992001A CN 202310988506 A CN202310988506 A CN 202310988506A CN 116992001 A CN116992001 A CN 116992001A
Authority
CN
China
Prior art keywords
applet
knowledge question
model
answering
target applet
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
Application number
CN202310988506.7A
Other languages
English (en)
Inventor
章志成
王珂欣
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202310988506.7A priority Critical patent/CN116992001A/zh
Publication of CN116992001A publication Critical patent/CN116992001A/zh
Pending legal-status Critical Current

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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44521—Dynamic linking or loading; Link editing at or after load time, e.g. Java class loading
    • G06F9/44526—Plug-ins; Add-ons
    • 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 Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Stored Programmes (AREA)

Abstract

本公开提供了一种知识问答方法、装置、设备、音箱和存储介质，涉及智能问答技术领域，尤其涉及大模型技术，特别涉及大语言模型、对话式模型和生成式模型等。具体实现方案为：获取问询语句；根据所述问询语句，对知识问答模型中所集成的目标小程序进行处理，得到小程序处理结果；其中，所述小程序处理结果包括展示处理方式对应的小程序展示结果，和/或，运行处理方式对应的小程序运行结果；根据所述小程序处理结果，生成所述问询语句的知识问答结果。根据本公开的技术，实现了对知识问答模型的功能扩展。

Description

知识问答方法、装置、设备、音箱和存储介质
技术领域
本公开涉及智能问答技术领域，尤其涉及大模型技术，特别涉及大语言模型、对话式模型和生成式模型等。
背景技术
智能问答是指以自然语言理解为核心，通过对输入的问询语句进行语义分析，然后在大规模知识库通过语义检索或对话管理等技术，匹配相关问题，最后通过自然语言生成技术，进行答案的生成和回复。
发明内容
本公开提供了一种知识问答方法、装置、设备、音箱和存储介质。
根据本公开的一方面，提供了一种知识问答方法，包括：
获取问询语句；
根据所述问询语句，对知识问答模型中所集成的目标小程序进行处理，得到小程序处理结果；其中，所述小程序处理结果包括展示处理方式对应的小程序展示结果，和/或，运行处理方式对应的小程序运行结果；
根据所述小程序处理结果，生成所述问询语句的知识问答结果。
根据本公开的另一方面，还提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例提供的任意一种知识问答方法。
根据本公开的另一方面，还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行本公开实施例提供的任意一种知识问答方法。
根据本公开的技术，实现了对知识问答模型的功能扩展。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例提供的一种知识问答方法的流程图；
图2是本公开实施例提供的另一种知识问答方法的流程图；
图3是本公开实施例提供的另一种知识问答方法的流程图；
图4是本公开实施例提供的一种知识问答装置的结构图；
图5是用来实现本公开实施例的知识问答方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本公开实施例提供的知识问答方法和知识问答装置，适用于在基于知识问答模型进行知识问答的应用场景中。本公开实施例所提供的各知识问答方法，可以由知识问答装置执行，该装置可以采用软件和/或硬件实现，并具体配置于电子设备中。
为了便于理解，首先对知识问答方法进行详细说明。
参见图1所示的一种知识问答方法，包括：
S101、获取问询语句。
S102、根据问询语句，对知识问答模型中所集成的目标小程序进行处理，得到小程序处理结果；其中，小程序处理结果包括展示处理方式对应的小程序展示结果，和/或，运行处理方式对应的小程序运行结果。
S103、根据小程序处理结果，生成问询语句的知识问答结果。
其中，问询语句可以理解为在进行知识问答过程中，所输入的携带问询问题的语句。其中，问询语句可以是文本数据、或者将其他形式的数据(如语音等)对应的文本数据转化结果，本公开对此不作任何限定。
其中，知识问答模型，可以理解为专用于基于问询语句，确定问答结果的机器学习模型或深度学习模型，本公开对知识问答模型的具体网络结构和训练方式，不作任何限定。
其中，小程序是一种不需要下载安装即可使用的应用，它实现了应用“触手可及”的梦想，可以通过扫一扫或搜一下即可打开应用，也体现了“用完即走”的理念，无需关心是否安装太多应用的问题，应用将无处不在，随时可用，单又无需安装卸载。
其中，知识问答模型中集成有目标小程序，用于在知识问答过程中，辅助实现目标小程序对应的业务功能。值得注意的是，本公开对目标小程序的集成方式不作任何限定，仅需保证知识问答模型中的目标小程序，可配合知识问答模型，提供相应业务功能即可。
在一个可选实施例中，目标小程序可以以插件形式集成于知识问答模型中。这样做的好处在于，提高了目标小程序与知识问答模型之间数据交互的便捷性，同时降低了开发和运营成本。
具体的，目标小程序中可以集成小程序SDK(Software Development Kit，软件开发工具包)，该小程序SDK用于支持目标小程序所需要的各种业务功能和特性，包括但不限于网络请求、数据存储和组件渲染等。小程序SDK可以采用现有的小程序框架加以实现，本公开对此不作任何限定。
其中，对目标小程序进行处理，可以包括不同的处理方式，以丰富对知识问答模型中所集成目标小程序的可处理方式。其中，对知识问答模型中所集成的目标小程序的具体处理方式，可以由技术人员根据需要或经验进行设置，或由操作用户按需设置，本公开对此不作任何限定。
可选的，处理方式可以包括展示处理方式；相应的，小程序处理结果包括小程序展示结果，用于表征直接进行目标小程序的基础信息展示的展示界面。其中，基础信息可以包括小程序图标和小程序描述数据等中的至少一种。相应的，可以根据问询语句，展示知识问答模型中所集成的目标小程序，得到小程序展示结果。
举例说明，若知识问答模型中集成有“待办事项”小程序，具备添加、删除和提醒待办事项的功能。当问询语句为“请帮忙添加一个待办事项：下午到咖啡店与朋友聊一聊”，此时，可以直接展示“待办事项”小程序的图标，通过点击该图标，可运行该“待办事项”小程序，以供使用。其中，所展示图标，即为小程序展示结果。
或者可选的，处理方式可以包括运行处理方式；相应的，小程序处理结果包括小程序运行结果，用于保证运行目标小程序后，所生成的小程序展示界面和字符结果数据等中的至少一种。相应的，可以根据问询语句，运行知识问答模型中所集成的目标小程序，得到小程序运行结果。
举例说明，若知识问答模型中集成有“待办事项”小程序，具备添加、删除和提醒待办事项的功能。当问询语句为“请帮忙添加一个待办事项：下午到咖啡店与朋友聊一聊”，此时，可以直接运行“待办事项”小程序，在待办事项列表中添加“下午到咖啡店与朋友聊一聊”这一待办事项。可以将待办事项列表添加页面作为小程序运行结果，或者将待办事项列表添加后的反馈结果(如，已经将“下午到咖啡店与朋友聊一聊”这一待办事项添加成功)，作为小程序运行结果。
示例性的，运行目标小程序，可以是在知识问答模型中直接调用目标小程序，例如可以基于JS(JavaScript，一种计算机编程语言)SDK的调用方式，直接调用目标小程序，提高知识问答效率。
需要说明的是，知识问答模型中所集成的候选小程序的数量可以为至少一个；不同候选小程序所实现的业务功能相同或不同。相应的，可以从知识问答模型内所集成的各候选小程序中，选取与问询语句相匹配的目标小程序；根据问询语句，对目标小程序进行处理，得到小程序处理结果。
可以理解的是，通过将知识问答模型内集成不同的候选小程序，丰富了知识问答模型中所集成小程序的多样性，进而提高了知识问答模型的业务类别的丰富性。相应的，在进行小程序处理时，有针对性的对问询语句相匹配的目标小程序进行处理，避免了对无关候选小程序的处理带来运算资源的浪费，且减少了不必要的数据处理等待时间，有助于提高知识问答结果确定效率。
在一个可选实施例中，若知识问答模型中仅集成有一个候选小程序，则可以根据问询语句，判定是否对候选小程序进行展示和/或运行处理；若是，则将该候选小程序作为目标小程序，并对目标小程序进行相应处理；若否，则不再存在目标小程序，因此也无需执行对目标小程序的处理操作。
示例性的，根据问询语句，判定是否对候选小程序进行展示和/或运行处理，可以是：根据问询语句，确定问询意图；若问询意图与所集成的候选小程序的描述语句相匹配(如相似度大于预设相似度阈值，或候选小程序的描述语句中存在问询意图相匹配的关键字)，则判定需要对候选小程序进行展示和/或运行处理；否则，判定无需对候选小程序进行展示和/或运行处理。
在另一可选实施例中，若知识问答模型中集成有至少两个候选小程序，则可以根据问询语句，确定问询意图；从知识问答模型内所集成的各候选小程序中，选取与问询意图相匹配的目标小程序。
可选的，可以从各候选小程序中，选取与问询意图的业务功能相匹配的候选小程序，作为目标小程序。
示例性的，可以根据问询意图与候选小程序的描述语句的匹配情况，选取与问询意图的业务功能相匹配的候选小程序，作为目标小程序。例如，可以确定问询意图与候选小程序的描述语句相似度，并将相似度大于预设相似度阈值的候选小程序作为目标小程序；或者，可以将功能描述语句中存在问询意图对应关键字的候选小程序，作为目标小程序。其中，预设相似度阈值可以为经验值或试验值。
或者可选的，可以从与问询意图的业务功能相匹配的各候选小程序中，基于预设选取策略，选取本次待处理的目标小程序。其中，预设选取策略可以是随机选取、基于历史使用频次选取和基于小程序评分选取等中的至少一种。
可以理解的是，通过引入问询语句的问询意图，从知识问答模型内所集成的各候选小程序中，选取与问询意图相匹配的目标小程序，提高了所选取目标小程序与问询意图的契合度，进而有助于提高知识问答结果的准确度。
值得注意的是，在交互时知识问答过程中，问询语句中可能存在指代或内容省略的情况，直接使用问询语句确定知识问答结果，存在知识问答结果不准确的情况。为了避免上述情况发生，示例性的，根据问询语句，确定问询意图，可以是：获取问询语句对应的历史关联数据；根据历史关联数据，更新问询语句；根据更新后的问询语句，确定问询意图。
其中，历史关联数据可以是相同语境下与问询语句相关的历史问询语句，例如可以是与问询语句的输入时间相邻和/或输入次数相邻的历史问询语句。其中，输入时间相邻的历史问询语句，可以是在问询语句的输入时间之前的历史预设时间段内，所输入的问询语句；输入次数相邻的历史问询语句，可以是在问询语句的输入次数之前的历史预设次数阈值内，所输入的问询语句。其中，历史预设时间段或历史预设次数阈值，可以由技术人员根据需要或经验值进行设置，或通过大量试验确定，本公开对此不作任何限定。
可以理解的是，通过引入问询语句的历史关联数据，对问询语句进行更新，能够实现对问询语句的指代消解和省略补充，保证了问询语句的完整性和准确度，从而保证了问询意图确定结果的准确度，进而有助于提高目标小程序确定结果的准确度。
本公开实施例通过在知识问答模型中集成目标小程序，从而在知识问答过程中，可以直接在知识问答模型中对目标小程序进行处理，即可得到小程序处理结果，并结合小程序处理结果，生成问询语句的知识问答结果。采用上述方式，使得知识问答模型具备了目标小程序的业务处理能力，丰富了知识问答模型的业务功能，实现了对知识问答模型的功能扩展。另外，由于小程序的无需下载、安装和注册的特性，降低了使用门槛和操作升本，提升了用户留存率和用户黏性，同时保证了知识问答模型的轻量性和使用过程的便捷度。
在上述各技术方案的基础上，本公开还提供了一个可选实施例。在该可选实施例中，对目标小程序的加载和/或卸载时机进行了优化改进。需要说明的是，在本公开实施例中未详述部分，可参见其他实施例的相关表述，在此不再赘述。
参见图2所示的知识问答方法，包括：
S201、获取问询语句。
S202、在知识问答模型中，加载目标小程序。
S203、根据问询语句，对知识问答模型中所集成的目标小程序进行处理，得到小程序处理结果。
S204、在知识问答模型中，卸载目标小程序。
S205、根据小程序处理结果，生成问询语句的知识问答结果。
可以理解的是，当知识问答模型中预先加载有目标小程序时，可以直接对目标小程序进行处理即可，无需重复加载目标小程序。当在本次知识问答之前，并未加载有目标小程序时，需要现在知识问答模型中进行目标小程序加载，以供后续使用。
示例性的，在知识问答模型中，加载目标小程序，可以是将目标小程序的运行环境，加载至知识问答模型的运行环境中，使得知识问答模型能够对目标小程序提供运行环境支持，以便后续基于目标小程序的运行环境，对目标小程序进行运行处理，保证目标小程序的正常运行。
值得注意的是，S202可以在S201之前、之后、之时或两者交叉执行，仅需保证S202在S203之前实现即可，本公开对S201和S202的执行顺序不作任何限定。
相应的，还可以按需在知识问答模型中进行目标小程序的动态卸载，提高目标小程序使用过程的灵活性和可支配性。
示例性的，响应于对目标小程序或知识问答模型的卸载操作，在知识问答模型中，卸载目标小程序。
可以理解的是，在对目标小程序不再具备使用需求时，可以通过对目标小程序的卸载操作，在知识问答模型中，卸载目标小程序，实现了对知识问答模型的减负，有助于提高知识问答模型的简洁性和数据处理效率。当不再具备知识问答模型的使用需求时，在进行知识问答模型卸载过程中，进行目标小程序的关联卸载，避免了卸载数据遗漏，给知识问答模型的承载设备带来的影响，有助于提高知识问答模型的承载设备的清洁度。
值得注意的是，S204可以在S205之前、之后、指示或两者交叉执行，仅需保证S204在S203之后实现即可，本公开对S204和S205的执行顺序不作任何限定。
在一个可选实施例中，若目标小程序以插件集成于知识问答模型中，可以在知识问答模型中引入插件模式，相应的，在知识问答模型的插件模式下，加载插件形式的目标小程序；和/或在知识问答模型的插件模式下，卸载插件形式的目标小程序。
可以理解的是，通过在知识问答模型中引入插件模式，进行目标小程序的加卸载，实现了目标小程序和知识问答模型的分离，保证了小程序插件和知识问答模型的松耦合。因此，在插件模式下实现对目标小程序的加载或卸载操作，能够在不影响对知识问答模型自身的知识问答功能的情况下，实现目标小程序的动态加卸载，提高了目标小程序加卸载过程的灵活性。
本公开实施例通过在对知识问答模型所集成的目标小程序进行处理之前，在知识问答模型中加载目标小程序，和/或，在对知识问答模型集成承的目标小程序进行处理之后，在知识问答模型中卸载目标小程序，增加了对知识问答模型中目标小程序的按需加载和/或卸载的功能，提高了知识问答模型和目标小程序集成过程的灵活性，增强了知识问答模型的使用体验。
在上述各技术方案的基础上，本公开还提供了一个可选实施例，在该可选实施例中，对知识问答模型与目标小程序之间的数据交互过程，进行了优化改进。需要说明的是，在本公开实施例中未详述部分，可参见其他实施例的相关表述，在此不再赘述。
参见图3所示的知识问答方法，包括：
S301、获取问询语句。
S302、将问询语句转化为小程序可识别格式，以更新问询语句。
S303、根据更新后的问询语句，对知识问答模型中所集成的目标小程序进行处理，得到小程序处理结果。
S304、根据小程序处理结果，生成问询语句的知识问答结果。
由于目标小程序和知识问答模型本质属于不同的应用程序，因此，在目标小程序和知识问答模型进行数据交互过程中，存在由于数据格式不兼容，导致数据交互过程无法顺利实现的情况。为了保证目标小程序与知识问答模型之间数据交互过程的顺利实现，还可以在知识问答模型和目标小程序之间进行数据交互时，将数据发送方所发送数据转化为数据接收方可识别格式的数据；其中，数据发送方为知识问答模型与目标小程序中的其中一个，数据接收方为知识问答模型与目标小程序中的另一个。例如，可以在目标小程序和知识问答模型之间，引入数据交互层，并通过数据交互层，实现两者所交互数据的格式转化。这样做的好处在于，保证了目标小程序与知识问答模型之间数据传输通道的有效性，为知识问答过程的顺利执行提供了保障。
可选的，可以基于预设通信协议，实现目标小程序与知识问答模型之间的数据交互。其中，预设通信协议可以由技术人员根据需要或经验值进行设置或调整，或通过大量试验确定。例如，可以基于WebSocket(一种在单个TCP(Transmission Control Protocol，传输控制协议)连接上进行全双工通信的协议)协议，在目标小程序与知识问答模型之间，实现实时的、双向的数据交互。
在一个可选实施例中，可以通过数据交互层，将问询语句转化为小程序可识别格式，以更新问询语句，使得更新后的问询语句能够供目标小程序正常使用；相应的，根据更新后的问询语句，对知识问答模型中所集成的目标小程序进行处理(如运行处理)，得到小程序处理结果。这样做的好处在于，便于目标小程序能够顺利根据问询语句，得到相应的小程序处理结果，为知识问答结果的生成提供了保障。
示例性的，知识问答模型可以通过向目标小程序发送网络请求的方式，将问询语句发送至数据交互层，通过数据交互层将问询语句转化为小程序可识别格式之后，将格式转化后的问询语句传输至目标小程序，进行使用。
在另一可选实施例中，还可以在目标小程序生成小程序处理结果之后，通过数据交互层，将小程序处理结果转化为模型可识别格式，以更新小程序处理结果；根据更新后的小程序处理结果，生成知识问答结果。这样做的好处在于，便于知识问答模型能够有效获知小程序处理结果，避免由于格式不兼容,导致无法生成知识问答结果的情况发生，提高了知识问答结果生成过程的有效性。
小程序处理结果可以呈现不同类型，如包括界面类和字符类等。
可选的，若小程序处理结果包括界面类的小程序处理结果，由于界面渲染展示通常不存在格式隔离，因此，可以直接将界面类的小程序处理结果，作为知识问答结果。
示例性的，可以基于网页视图(WebView)技术，在知识问答模型中渲染并展示目标小程序的界面和内容。具体的，通过嵌入在知识问答模型中的网页视图，加载并渲染目标小程序的界面和内容，从而提高了界面类知识问答结果展示过程的便捷性和流畅性。
或者可选的，若小程序处理结果包括字符类的小程序处理结果，由于编码格式的不同，知识问答模型通常无法直接识别该类小程序处理结果，因此，需要将字符类的小程序处理结果，转化为模型可识别格式，并将格式转化结果替代原始小程序处理结果，作为知识问答结果。
值得注意的是，本公开对目标小程序和知识问答模式所适配的可识别格式不作任何限定，仅需保证两者之间的交互数据(如问询语句或小程序处理结果等)，能够顺利实现格式转化即可。
需要说明的是，格式转化过程中涉及的小程序处理结果，可以是中间处理结果或最终处理结果，本公开对此不作任何限定。另外，字符类的知识问答结果可以按需进行展示。例如，可以不再展示中间处理结果，针对最终处理结果，可以根据实际需求进行展示，如可以仅展示目标小程序运行成败与否的结果。
延续前例，若知识问答模型中集成有“待办事项”小程序，具备添加、删除和提醒待办事项的功能。当问询语句为“请帮忙添加一个待办事项：下午到咖啡店与朋友聊一聊”，此时，可以直接运行“待办事项”小程序，在待办事项列表中添加“下午到咖啡店与朋友聊一聊”这一待办事项。可以将待办事项列表添加页面作为小程序运行结果，或者将待办事项列表添加后的反馈结果(如，已经将“下午到咖啡店与朋友聊一聊”这一待办事项添加成功)，在知识问答模型的展示界面中加以展示。或者还可以通过添加标识符的方式，确定该待办事项是否添加成功。如通过在预设区域(如问询语句之后的空白区域)添加第一标识符(如“√”)，表示添加成功；通过在预设区域添加第二标识符(如“×”)，表示添加失败。其中，第一标识符与第二标识符不同，本公开对两标识符的具体呈现形式、呈现方式和呈现位置不作任何限定。
可以理解的是，针对不同类型的小程序处理结果，采用不同方式生成知识问答结果，提高了知识问答结果生成过程的多样性，保证了目标小程序向知识问答模型回传数据过程的交互连通性。
在上述各技术方案的基础上，当在知识问答模型中展示目标小程序(如小程序图标或小程序界面)时，还可以响应于对目标小程序的触控操作，生成小程序操作结果；根据小程序操作结果，更新知识问答结果。这样做的好处在于，可以通过将对知识问答模型中目标小程序的触控响应，与知识问答模型的对话交互过程进行补充，进一步丰富了知识问答过程的灵活性和便捷性，提升了使用体验。
不难理解的是，通过在知识问答模型中集成目标小程序，通过目标小程序对知识问答模型的功能进行扩展，能够根据不同应用领域下的场景需求，进行目标小程序的定制和优化，提高了知识问答模型的领域普适性。
在一个具体实现方式中，知识问答模型可以是智能客服、在线问答或智能助手等领域下的神经网络模型；相应的，对目标小程序的触控操作可以是对电商类、社交类或游戏类等小程序中的购物控件、预订控件或查询控件等的触控操作等，来实现物品购买、服务预订或信息查询等功能，提高了知识问答模型的应用领域的丰富性和多样性。
在一个可选实施例中，知识问答模型可以是大语言模型(Large Language Model,LLM)；其中，大语言模型基于不同自然语言任务下的训练样本学习得到。所谓大模型可以理解为具有较大的参数数量(如上亿规模)的神经网络模型。其中，大语言模型即为采用大量训练样本所训练的深度学习模型。由于大语言模型训练时所采用的训练样本，对应至少一个自然语言任务，因此，训练所得的大语言模型具备较好的自然语言处理能力，可以实现自然语言文本的生成或进行语言文本的理解等。其中，自然语言任务可以包括文本生成任务、知识问答任务、文本解析任务、对话任务和文本续写任务等中的至少一种。本公开对所使用的大语言模型的具体网络结构不作任何限定，可以是能够持续从海量数据和大规模知识中融合学习，具备知识增强、检索增强或对话增强等技术特色，拥有信息提取和知识生成能力的知识增强型大语言模型。其中，训练样本可以是文本数据、语音数据和图片数据等中的至少一种，本公开对此不作任何限定。
在一个具体实现方式中，大语言模型可以是GPT(Generative Pre-Training，生成式预训练)模型。
可以理解的是，通过将知识问答模型细化为大语言模型，提高了知识问答模型的知识问答能力，从而提高了知识问答结果的准确度。
可选的，可以基于云计算平台实现大语言模型的部署，以确保大语言模型的高可用性和可伸缩性，同时可以通过高效的计算能力，满足目标小程序的运行需求。
作为上述各知识问答方法的实现，本公开还提供了一种实施上述各知识问答方法的执行装置的可选实施例。
参见图4所示的知识问答装置400，包括：问询语句获取模块401、目标小程序处理模块402和知识问答结果生成模块403。其中，
问询语句获取模块401，用于获取问询语句；
目标小程序处理模块402，用于根据所述问询语句，对知识问答模型中所集成的目标小程序进行处理，得到小程序处理结果；其中，所述小程序处理结果包括展示处理方式对应的小程序展示结果，和/或，运行处理方式对应的小程序运行结果；
知识问答结果生成模块403，用于根据所述小程序处理结果，生成所述问询语句的知识问答结果。
本公开实施例通过在知识问答模型中集成目标小程序，在知识问答过程中，可以直接在知识问答模型中对目标小程序进行处理，即可得到小程序处理结果，并结合小程序处理结果，生成问询语句的知识问答结果。采用上述方式，使得知识问答模型具备了目标小程序的业务处理能力，丰富了知识问答模型的业务功能，实现了对知识问答模型的功能扩展。另外，由于小程序的无需下载、安装和注册的特性，降低了使用门槛和操作升本，提升了用户留存率和用户黏性，同时保证了知识问答模型的轻量性和使用过程的便捷度。
在一个可选实施例中，所述目标小程序处理模块402，包括：
目标小程序选取单元，用于从所述知识问答模型内所集成的各候选小程序中，选取与所述问询语句相匹配的目标小程序；
目标小程序处理单元，用于根据所述问询语句，对所述目标小程序进行处理，得到所述小程序处理结果。
在一个可选实施例中，所述目标小程序选取单元，包括：
问询意图确定子单元，用于根据所述问询语句，确定问询意图；
目标小程序选取子单元，用于从所述知识问答模型内所集成的各候选小程序中，选取与所述问询意图相匹配的目标小程序。
在一个可选实施例中，所述目标小程序以插件形式集成于所述知识问答模型中。
在一个可选实施例中，所述装置400，还包括：
目标小程序加载模块，用于在对知识问答模型中所集成的目标小程序进行处理之前，在所述知识问答模型中，加载所述目标小程序；和/或，
目标小程序卸载模块，用于在对知识问答模型中所集成的目标小程序进行处理之后，在所述知识问答模型中，卸载所述目标小程序。
在一个可选实施例中，所述目标小程序加载模块，具体用于：
在所述知识问答模型的插件模式下，加载插件形式的目标小程序；
和/或，
所述目标小程序卸载模块，具体用于：
在所述知识问答模型的插件模式下，卸载插件形式的目标小程序。
在一个可选实施例中，所述目标小程序卸载模块，具体用于：
响应于对所述目标小程序或所述知识问答模型的卸载操作，在所述知识问答模型中，卸载所述目标小程序
在一个可选实施例中，该装置400，还包括：
格式转化模块，用于在所述知识问答模型和所述目标小程序之间进行数据交互时，将数据发送方所发送数据转化为数据接收方可识别格式的数据；
其中，数据发送方为所述知识问答模型与所述目标小程序中的其中一个，所述数据接收方为所述知识问答模型与所述目标小程序中的另一个。
在一个可选实施例中，所述目标小程序处理模块402，包括：
问询语句更新单元，用于将所述问询语句转化为小程序可识别格式，以更新所述问询语句；
更新响应单元，用于根据更新后的问询语句，对所述知识问答模型中所集成的目标小程序进行处理，得到小程序处理结果。
在一个可选实施例中，所述知识问答结果生成模块403，具体用于：
将界面类的小程序处理结果作为所述知识问答结果；和/或，
将字符类的小程序处理结果转化为模型可识别格式，并将格式转化结果作为所述知识问答结果。
在一个可选实施例中，该装置400，还包括：
触控响应模块，用于响应于对所述目标小程序的触控操作，生成小程序操作结果；
结果更新模块，用于根据所述小程序操作结果，更新所述知识问答结果。
在一个可选实施例中，所述知识问答模型为大语言模型；
其中，所述大语言模型基于不同自然语言任务下的训练样本学习得到。
上述知识问答装置可执行本公开任意实施例所提供的知识问答方法，具备执行各知识问答方法相应的功能模块和有益效果。
本公开的技术方案中，所涉及的问询语句等数据的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种处理机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如知识问答方法。例如，在一些实施例中，知识问答方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的知识问答方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行知识问答方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
本公开实施例还提供一种音箱，在该音箱中设置有图5所示的电子设备，该音箱可以是智能音箱，本公开对该音箱的具体呈现方式不作任何限定。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上处理并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (24)

1.一种知识问答方法，包括：
获取问询语句；
根据所述问询语句，对知识问答模型中所集成的目标小程序进行处理，得到小程序处理结果；其中，所述小程序处理结果包括展示处理方式对应的小程序展示结果，和/或，运行处理方式对应的小程序运行结果；
根据所述小程序处理结果，生成所述问询语句的知识问答结果。
2.根据权利要求1所述的方法，其中，所述根据所述问询语句，对知识问答模型中所集成的目标小程序进行处理，得到小程序处理结果，包括：
从所述知识问答模型内所集成的各候选小程序中，选取与所述问询语句相匹配的目标小程序；
根据所述问询语句，对所述目标小程序进行处理，得到所述小程序处理结果。
3.根据权利要求2所述的方法，其中，所述从所述知识问答模型内所集成的各候选小程序中，选取与所述问询语句相匹配的目标小程序，包括：
根据所述问询语句，确定问询意图；
从所述知识问答模型内所集成的各候选小程序中，选取与所述问询意图相匹配的目标小程序。
4.根据权利要求1-3任一项所述的方法，其中，所述目标小程序以插件形式集成于所述知识问答模型中。
5.根据权利要求1-4任一项所述的方法，其中，所述方法还包括：
在对知识问答模型中所集成的目标小程序进行处理之前，在所述知识问答模型中，加载所述目标小程序；和/或，
在对知识问答模型中所集成的目标小程序进行处理之后，在所述知识问答模型中，卸载所述目标小程序。
6.根据权利要求5所述的方法，其中，所述在所述知识问答模型中，加载所述目标小程序，包括：
在所述知识问答模型的插件模式下，加载插件形式的目标小程序；
和/或，
所述在所述知识问答模型中，卸载所述目标小程序，包括：
在所述知识问答模型的插件模式下，卸载插件形式的目标小程序。
7.根据权利要求5所述的方法，其中，所述在所述知识问答模型中，卸载所述目标小程序，包括：
响应于对所述目标小程序或所述知识问答模型的卸载操作，在所述知识问答模型中，卸载所述目标小程序。
8.根据权利要求1-7任一项所述的方法，在所述知识问答模型和所述目标小程序之间进行数据交互时，所述方法还包括：
将数据发送方所发送数据转化为数据接收方可识别格式的数据；
其中，数据发送方为所述知识问答模型与所述目标小程序中的其中一个，所述数据接收方为所述知识问答模型与所述目标小程序中的另一个。
9.根据权利要求1-8任一项所述的方法，还包括：
响应于对所述目标小程序的触控操作，生成小程序操作结果；
根据所述小程序操作结果，更新所述知识问答结果。
10.根据权利要求1-9任一项所述的方法，其中，所述知识问答模型为大语言模型；
其中，所述大语言模型基于不同自然语言任务下的训练样本学习得到。
11.一种知识问答装置，包括：
问询语句获取模块，用于获取问询语句；
目标小程序处理模块，用于根据所述问询语句，对知识问答模型中所集成的目标小程序进行处理，得到小程序处理结果；其中，所述小程序处理结果包括展示处理方式对应的小程序展示结果，和/或，运行处理方式对应的小程序运行结果；
知识问答结果生成模块，用于根据所述小程序处理结果，生成所述问询语句的知识问答结果。
12.根据权利要求11所述的装置，其中，所述目标小程序处理模块，包括：
目标小程序选取单元，用于从所述知识问答模型内所集成的各候选小程序中，选取与所述问询语句相匹配的目标小程序；
目标小程序处理单元，用于根据所述问询语句，对所述目标小程序进行处理，得到所述小程序处理结果。
13.根据权利要求12所述的装置，其中，所述目标小程序选取单元，包括：
问询意图确定子单元，用于根据所述问询语句，确定问询意图；
目标小程序选取子单元，用于从所述知识问答模型内所集成的各候选小程序中，选取与所述问询意图相匹配的目标小程序。
14.根据权利要求11-13任一项所述的装置，其中，所述目标小程序以插件形式集成于所述知识问答模型中。
15.根据权利要求11-14任一项所述的装置，其中，所述装置还包括：
目标小程序加载模块，用于在对知识问答模型中所集成的目标小程序进行处理之前，在所述知识问答模型中，加载所述目标小程序；和/或，
目标小程序卸载模块，用于在对知识问答模型中所集成的目标小程序进行处理之后，在所述知识问答模型中，卸载所述目标小程序。
16.根据权利要求15所述的装置，其中，所述目标小程序加载模块，具体用于：
在所述知识问答模型的插件模式下，加载插件形式的目标小程序；
和/或，
所述目标小程序卸载模块，具体用于：
在所述知识问答模型的插件模式下，卸载插件形式的目标小程序。
17.根据权利要求15所述的装置，其中，所述目标小程序卸载模块，具体用于：
响应于对所述目标小程序或所述知识问答模型的卸载操作，在所述知识问答模型中，卸载所述目标小程序。
18.根据权利要求11-17任一项所述的装置，还包括：
格式转化模块，用于在所述知识问答模型和所述目标小程序之间进行数据交互时，将数据发送方所发送数据转化为数据接收方可识别格式的数据；
其中，数据发送方为所述知识问答模型与所述目标小程序中的其中一个，所述数据接收方为所述知识问答模型与所述目标小程序中的另一个。
19.根据权利要求11-18任一项所述的装置，还包括：
触控响应模块，用于响应于对所述目标小程序的触控操作，生成小程序操作结果；
结果更新模块，用于根据所述小程序操作结果，更新所述知识问答结果。
20.根据权利要求11-19任一项所述的装置，其中，所述知识问答模型为大语言模型；
其中，所述大语言模型基于不同自然语言任务下的训练样本学习得到。
21.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的知识问答方法。
22.一种音箱，所述音箱中设置有权利要求21所述的电子设备。
23.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-10中任一项所述的知识问答方法。
24.一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现权利要求1-10中任一项所述知识问答方法的步骤。
CN202310988506.7A 2023-08-07 2023-08-07 知识问答方法、装置、设备、音箱和存储介质 Pending CN116992001A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310988506.7A CN116992001A (zh) 2023-08-07 2023-08-07 知识问答方法、装置、设备、音箱和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310988506.7A CN116992001A (zh) 2023-08-07 2023-08-07 知识问答方法、装置、设备、音箱和存储介质

Publications (1)

Publication Number Publication Date
CN116992001A true CN116992001A (zh) 2023-11-03

Family

ID=88526288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310988506.7A Pending CN116992001A (zh) 2023-08-07 2023-08-07 知识问答方法、装置、设备、音箱和存储介质

Country Status (1)

Country Link
CN (1) CN116992001A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111125309A (zh) * 2019-12-23 2020-05-08 中电云脑(天津)科技有限公司 自然语言处理方法、装置及计算设备、存储介质
CN113553412A (zh) * 2021-06-30 2021-10-26 北京百度网讯科技有限公司 问答处理方法、装置、电子设备和存储介质
CN115033677A (zh) * 2022-06-30 2022-09-09 中国工商银行股份有限公司 基于对话机器人的事件处理方法、装置、设备和介质
CN116541497A (zh) * 2023-04-25 2023-08-04 百度时代网络技术（北京）有限公司 任务型对话的处理方法、装置、设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111125309A (zh) * 2019-12-23 2020-05-08 中电云脑(天津)科技有限公司 自然语言处理方法、装置及计算设备、存储介质
CN113553412A (zh) * 2021-06-30 2021-10-26 北京百度网讯科技有限公司 问答处理方法、装置、电子设备和存储介质
CN115033677A (zh) * 2022-06-30 2022-09-09 中国工商银行股份有限公司 基于对话机器人的事件处理方法、装置、设备和介质
CN116541497A (zh) * 2023-04-25 2023-08-04 百度时代网络技术（北京）有限公司 任务型对话的处理方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CN111428010B (zh) 人机智能问答的方法和装置
WO2017186050A1 (zh) 人机智能问答系统的断句识别方法和装置
US20130239006A1 (en) Aggregator, filter and delivery system for online context dependent interaction, systems and methods
CN107948437B (zh) 熄屏显示方法和装置
CN116737908A (zh) 知识问答方法、装置、设备和存储介质
CN112102448A (zh) 虚拟对象图像显示方法、装置、电子设备和存储介质
CN109873756B (zh) 用于发送信息的方法和装置
CN116521841B (zh) 用于生成回复信息的方法、装置、设备及介质
CN115309877A (zh) 对话生成方法、对话模型训练方法及装置
CN112382294A (zh) 语音识别方法、装置、电子设备和存储介质
CN111259125A (zh) 语音播报的方法和装置、智能音箱、电子设备、存储介质
WO2022115291A1 (en) Method and system for over-prediction in neural networks
CN116303962A (zh) 对话生成方法、深度学习模型的训练方法、装置和设备
CN113836278A (zh) 通用对话模型的训练与对话生成方法、装置
CN113554180B (zh) 信息预测方法、装置、电子设备及存储介质
US20210098012A1 (en) Voice Skill Recommendation Method, Apparatus, Device and Storage Medium
US20230237312A1 (en) Reinforcement learning techniques for selecting a software policy network and autonomously controlling a corresponding software client based on selected policy network
CN115879469B (zh) 文本数据处理方法、模型训练方法、装置及介质
CN117033587A (zh) 人机交互方法、装置、电子设备及介质
CN113360590B (zh) 兴趣点信息的更新方法、装置、电子设备及存储介质
CN116992001A (zh) 知识问答方法、装置、设备、音箱和存储介质
CN114118937A (zh) 基于任务的信息推荐方法、装置、电子设备及存储介质
CN114428917A (zh) 基于地图的信息共享方法、装置、电子设备和介质
CN111131354B (zh) 用于生成信息的方法和装置
CN113554062A (zh) 多分类模型的训练方法、设备和存储介质

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