CN117009478A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN117009478A
CN117009478A CN202310756571.7A CN202310756571A CN117009478A CN 117009478 A CN117009478 A CN 117009478A CN 202310756571 A CN202310756571 A CN 202310756571A CN 117009478 A CN117009478 A CN 117009478A
Authority
CN
China
Prior art keywords
question
fusion
model
knowledge graph
model layer
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
CN202310756571.7A
Other languages
English (en)
Inventor
李森林
陈治
胡文冲
田一泽
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.)
Wuhan Kotei Informatics Co Ltd
Original Assignee
Wuhan Kotei Informatics 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 Wuhan Kotei Informatics Co Ltd filed Critical Wuhan Kotei Informatics Co Ltd
Priority to CN202310756571.7A priority Critical patent/CN117009478A/zh
Publication of CN117009478A publication Critical patent/CN117009478A/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
    • G06F16/33—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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及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，包括：构建融合模型，融合模型包括：bert模型层、bilstm神经网络模型层和textcnn模型层，bert模型层用于获取输入的问句的语义向量，并将语义向量分别输入bilstm神经网络模型层和textcnn模型层后分别进行实体识别和意图分类；构建训练集对融合模型进行训练，将待识别问句输入训练完成的融合模型；基于知识图谱问答中的问句解析过程，将实体识别算法与关系抽取算法用一种新型的融合算法将两个流水线任务变成一种新型的融合任务，实现了模型参数共享提高问句解析流程的准确度，并且提升了推理时间成本。

Description

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
技术领域
本发明涉及算法模型领域，尤其涉及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。
背景技术
目前基于知识图谱问答问句解析部分通常需要命名实体识别与关系分类的算法。
命名实体识别主要识别问句中的实体，目前做命名实体识别较为优秀的算法为bert(Bidirectional Encoder Representations from Transformer)+bilstm(Bidirectional Long Short－Term Memory，双向长短期记忆网络)+crf。关系分类主要用于识别问句中的意图，关系分类目前较为优秀的算法为bert+textcnn(文本分类模型)。通过问句解析识别问题的实体与意图可以去知识图谱数据库中匹配相应的答案，从而实现知识图谱的问答。但是针对这样的流水线模型，模型推理时间相当于是两个任务的累加，并且两个任务没有相关性，整体问句解析的精度不高。
发明内容
本发明针对现有技术中存在的技术问题，提供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及系统，解决了知识图谱问答过程中流水线模型或者其他融合中任务准确度低与推理耗时长的问题。
根据本发明的第一方面，提供了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，包括：
步骤1，构建融合模型，所述融合模型包括：bert模型层、bilstm神经网络模型层和textcnn模型层，所述bert模型层用于获取输入的问句的语义向量，并将所述语义向量分别输入所述bilstm神经网络模型层和textcnn模型层后分别进行实体识别和意图分类；
步骤2，构建训练集对所述融合模型进行训练，将待识别问句输入训练完成的所述融合模型。在上述技术方案的基础上，本发明还可以作出如下改进。
可选的，所述融合模型的处理过程中：
所述bert模型层提取输入的问句的文本的特征得到所述问句的所述语义向量。
可选的，所述融合模型的处理过程中：
所述语义向量经过所述bilstm神经网络模型层在运用条件随机场后得到所述问句的实体识别结果。
可选的，所述融合模型的处理过程中：
所述语义向量经过所述textcnn层并融合所述bilstm神经网络模型层中的语义向量信息后，输入到全连接得到所述问句的意图分类结果。
可选的，所述融合模型的处理过程中：实体识别任务和意图分类任务的共用的梯度共同更新。
可选的，所述构建所述训练集的过程包括：
收集软件问答数据；
通过EDA与回译对所述软件问答数据进行数据扩充与标注生成所述数据集；标注的内容包括：分类信息与实体BIO编码信息。
可选的，所述融合方法还包括：
通过收集历史的结构化、半结构化和非结构化数据，利用抽取的技术得到构建知识图谱的三元组；
利用neo4j作为存储的数据库，利用导入语句构建软件的知识图谱；
所述步骤2中将待识别问句输入训练完成的所述融合模型后，根据所述融合模型输出的实体识别和意图分类结果在所述知识图谱中进行查询，所述知识图谱输出答案并返回。
根据本发明的第二方面，提供一种基于软件知识图谱问答问句解析过程的算法融合系统，包括：融合模型构建模块和融合模型训练模块；
所述融合模型构建模块，用于构建融合模型，所述融合模型包括：bert模型层、bilstm神经网络模型层和textcnn模型层，所述bert模型层用于获取输入的问句的语义向量，并将所述语义向量分别输入所述bilstm神经网络模型层和textcnn模型层后分别进行实体识别和意图分类；
所述融合模型训练模块，用于构建训练集对所述融合模型进行训练，将待识别问句输入训练完成的所述融合模型。
根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现基于软件知识图谱问答问句解析过程的算法融合方法的步骤。
根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现基于软件知识图谱问答问句解析过程的算法融合方法的步骤。
本发明提供的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、系统、电子设备及存储介质，提出了一种新型的问句解析的融合模型，该融合模型实现了bert+bilstm+crf命名实体识别任务与bert+textcnn关系抽取两个算法模型各种维度参数共享与向量维度拼接。这种新型的融合模型本质上是两个任务权重参数的共享，相互影响共同的学习，从而提升了问句解析整体的准确度。与此同时去除了一些冗余的流程，减少了流程的时间开销。
附图说明
图1为本发明提供的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的流程图；
图2为本发明提供的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的实施例的流程图；
图3为本发明提供的一种融合模型的实施例的结构示意图；
图4为本发明提供的一种知识图谱的实施例的结构示意图；
图5为本发明提供的一种基于软件知识图谱问答问句解析过程的算法融合系统的结构框图；
图6为本发明提供的一种可能的电子设备的硬件结构示意图；
图7为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明提供的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流程图，如图1所示，该融合方法包括：
步骤1，构建融合模型，融合模型包括：bert模型层、bilstm神经网络模型层和textcnn模型层，bert模型层用于获取输入的问句的语义向量，并将语义向量分别输入bilstm神经网络模型层和textcnn模型层后分别进行实体识别和意图分类；
步骤2，构建训练集对融合模型进行训练，将待识别问句输入训练完成的融合模型。
本发明提供的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，基于知识图谱问答中的问句解析过程，将实体识别算法与关系抽取算法用一种新型的融合算法将两个流水线任务变成一种新型的融合任务，实现了模型参数共享提高问句解析流程的准确度，并且提升了推理时间成本。
实施例1
本发明提供的实施例1为本发明提供的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的实施例，实施本文内容需要收集构建软件知识图谱的数据、软件问答数据、搭建流水线bert+bilstm+crf与bert+textcnn算法模型、搭建相应的融合模型、得到相关的准确度与时间的对比数据。图2为本发明提供的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的实施例的流程图，结合图1和图2可知，该融合方法的实施例包括：
步骤1，构建融合模型，融合模型包括：bert模型层、bilstm神经网络模型层和textcnn模型层，bert模型层用于获取输入的问句的语义向量，并将语义向量分别输入bilstm神经网络模型层和textcnn模型层后分别进行实体识别和意图分类。
如图3所示为本发明提供的一种融合模型的实施例的结构示意图，结合图3可知：
在一种可能的实施例方式中，融合模型的处理过程中：
bert模型层提取输入的问句的文本的特征得到问句的语义向量。
具体实施中，将语义向量分成相同的两部分，第一部分语义向量输入bilstm神经网络模型层，第二部分语义向量输入textcnn层。
在一种可能的实施例方式中，融合模型的处理过程中：
语义向量经过bilstm神经网络模型层在运用条件随机场的crf后得到问句的实体识别结果。
在一种可能的实施例方式中，融合模型的处理过程中：
语义向量经过textcnn层并融合bilstm神经网络模型层中的语义向量信息后，输入到全连接得到问句的意图分类结果。
在一种可能的实施例方式中，融合模型的处理过程中：实体识别任务和意图分类任务的共用的梯度共同更新。
本发明实现了bert+bilstm+crf与bert+textcnn的融合，模型在bert模型层共享权重参数，并且在textcnn做问句分类时融合了bilstm模型与实体的语义信息，同时在梯度更新时，两个任务共用的梯度共同更新，使得两个任务共同学习，相互影响，从而提升整体问句解析的精度，并且减少重复加载bert模型的预训练词向量，加速了推理速度。
步骤2，构建训练集对融合模型进行训练，将待识别问句输入训练完成的融合模型。
在一种可能的实施例方式中，构建训练集的过程包括：
收集软件问答数据。
通过EDA(Easy data augmentation，简单数据增强)与回译对软件问答数据进行数据扩充与标注生成数据集；标注的内容包括：分类信息与实体BIO编码信息。
在一种可能的实施例方式中，融合方法还包括：
通过收集历史的结构化、半结构化和非结构化数据，利用抽取的技术得到构建知识图谱的三元组。
利用neo4j作为存储的数据库，利用导入语句构建软件的知识图谱；如图4为本发明提供的一种知识图谱的实施例的结构示意图。
步骤2中将待识别问句输入训练完成的融合模型后，根据融合模型输出的实体识别和意图分类结果在知识图谱中进行查询，知识图谱输出答案并返回。
如下表所示为使用各种模型后的效果参数实施例表。
其中硬件环境：3070TI。
综合准确度是指问句解析时同时预测对了实体识别和关系分类的准确度。
从训练结果来看，对于融合模型在准确度和时间上相对于流水线模型都有一定的优势。
实施例2
本发明提供的实施例2为本发明提供的一种基于软件知识图谱问答问句解析过程的算法融合系统的实施例，图5为本发明实施例提供的一种基于软件知识图谱问答问句解析过程的算法融合系统结构图，结合图5可知，该实施例包括：包括：融合模型构建模块和融合模型训练模块。
融合模型构建模块，用于构建融合模型，融合模型包括：bert模型层、bilstm神经网络模型层和textcnn模型层，bert模型层用于获取输入的问句的语义向量，并将语义向量分别输入bilstm神经网络模型层和textcnn模型层后分别进行实体识别和意图分类。
融合模型训练模块，用于构建训练集对融合模型进行训练，将待识别问句输入训练完成的融合模型。
可以理解的是，本发明提供的一种基于软件知识图谱问答问句解析过程的算法融合系统与前述各实施例提供的基于软件知识图谱问答问句解析过程的算法融合方法相对应，基于软件知识图谱问答问句解析过程的算法融合系统的相关技术特征可参考基于软件知识图谱问答问句解析过程的算法融合方法的相关技术特征，在此不再赘述。
请参阅图6，图6为本发明实施例提供的电子设备的实施例示意图。如图6所示，本发明实施例提了一种电子设备，包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311，处理器1320执行计算机程序1311时实现以下步骤：构建融合模型，融合模型包括：bert模型层、bilstm神经网络模型层和textcnn模型层，bert模型层用于获取输入的问句的语义向量，并将语义向量分别输入bilstm神经网络模型层和textcnn模型层后分别进行实体识别和意图分类；构建训练集对融合模型进行训练，将待识别问句输入训练完成的融合模型。
请参阅图7，图7为本发明提供的一种计算机可读存储介质的实施例示意图。如图7所示，本实施例提供了一种计算机可读存储介质1400，其上存储有计算机程序1411，该计算机程序1411被处理器执行时实现如下步骤：构建融合模型，融合模型包括：bert模型层、bilstm神经网络模型层和textcnn模型层，bert模型层用于获取输入的问句的语义向量，并将语义向量分别输入bilstm神经网络模型层和textcnn模型层后分别进行实体识别和意图分类；构建训练集对融合模型进行训练，将待识别问句输入训练完成的融合模型。
本发明实施例提供的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、系统、电子设备及存储介质，提出了一种新型的问句解析的融合模型，相对于流水线模型，可以通过两个任务相互影响来提升准确度。融合模型通过减少冗余模型加载推理来提升时间效率。相对于其他融合模型，该融合模型将bert模型引入，并将更适合分类任务的textcnn去做分类任务，更适合bilstm与crf算法去做实体识别任务，并实现了不同维度的融合，从而提升推理的准确度。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种基于软件知识图谱问答问句解析过程的算法融合方法，其特征在于，所述融合方法包括：
步骤1，构建融合模型，所述融合模型包括：bert模型层、bilstm神经网络模型层和textcnn模型层，所述bert模型层用于获取输入的问句的语义向量，并将所述语义向量分别输入所述bilstm神经网络模型层和textcnn模型层后分别进行实体识别和意图分类；
步骤2，构建训练集对所述融合模型进行训练，将待识别问句输入训练完成的所述融合模型。
2.根据权利要求1所述的融合方法，其特征在于，所述融合模型的处理过程中：
所述bert模型层提取输入的问句的文本的特征得到所述问句的所述语义向量。
3.根据权利要求1所述的融合方法，其特征在于，所述融合模型的处理过程中：
所述语义向量经过所述bilstm神经网络模型层在运用条件随机场后得到所述问句的实体识别结果。
4.根据权利要求1所述的融合方法，其特征在于，所述融合模型的处理过程中：
所述语义向量经过所述textcnn层并融合所述bilstm神经网络模型层中的语义向量信息后，输入到全连接得到所述问句的意图分类结果。
5.根据权利要求1所述的融合方法，其特征在于，所述融合模型的处理过程中：实体识别任务和意图分类任务的共用的梯度共同更新。
6.根据权利要求1所述的融合方法，其特征在于，所述构建所述训练集的过程包括：
收集软件问答数据；
通过EDA与回译对所述软件问答数据进行数据扩充与标注生成所述数据集；标注的内容包括：分类信息与实体BIO编码信息。
7.根据权利要求1所述的融合方法，其特征在于，所述融合方法还包括：
通过收集历史的结构化、半结构化和非结构化数据，利用抽取的技术得到构建知识图谱的三元组；
利用neo4j作为存储的数据库，利用导入语句构建软件的知识图谱；
所述步骤2中将待识别问句输入训练完成的所述融合模型后，根据所述融合模型输出的实体识别和意图分类结果在所述知识图谱中进行查询，所述知识图谱输出答案并返回。
8.一种基于软件知识图谱问答问句解析过程的算法融合系统，其特征在于，包括：融合模型构建模块和融合模型训练模块；
所述融合模型构建模块，用于构建融合模型，所述融合模型包括：bert模型层、bilstm神经网络模型层和textcnn模型层，所述bert模型层用于获取输入的问句的语义向量，并将所述语义向量分别输入所述bilstm神经网络模型层和textcnn模型层后分别进行实体识别和意图分类；
所述融合模型训练模块，用于构建训练集对所述融合模型进行训练，将待识别问句输入训练完成的所述融合模型。
9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的基于软件知识图谱问答问句解析过程的算法融合方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的基于软件知识图谱问答问句解析过程的算法融合方法的步骤。
CN202310756571.7A 2023-06-25 2023-06-25 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 Pending CN117009478A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310756571.7A CN117009478A (zh) 2023-06-25 2023-06-25 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310756571.7A CN117009478A (zh) 2023-06-25 2023-06-25 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

Publications (1)

Publication Number Publication Date
CN117009478A true CN117009478A (zh) 2023-11-07

Family

ID=88573582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310756571.7A Pending CN117009478A (zh) 2023-06-25 2023-06-25 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

Country Status (1)

Country Link
CN (1) CN117009478A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117171332A (zh) * 2023-11-02 2023-12-05 江西拓世智能科技股份有限公司 基于ai的智能问答方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117171332A (zh) * 2023-11-02 2023-12-05 江西拓世智能科技股份有限公司 基于ai的智能问答方法及系统

Similar Documents

Publication Publication Date Title
CN114565104A (zh) 语言模型的预训练方法、结果推荐方法及相关装置
CN112100383A (zh) 一种面向多任务语言模型的元-知识微调方法及平台
CN112925904B (zh) 一种基于Tucker分解的轻量级文本分类方法
CN113761868B (zh) 文本处理方法、装置、电子设备及可读存储介质
CN113408284A (zh) 文本处理模型的训练方法、装置、电子设备及存储介质
CN112749556B (zh) 多语言模型的训练方法和装置、存储介质和电子设备
CN113239143B (zh) 融合电网故障案例库的输变电设备故障处理方法及系统
CN117094334A (zh) 基于大型语言模型的数据处理方法、装置和设备
CN114647713A (zh) 基于虚拟对抗的知识图谱问答方法、设备及存储介质
CN113901289A (zh) 一种基于无监督学习的推荐方法及系统
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
CN114372454B (zh) 文本信息抽取方法、模型训练方法、装置及存储介质
CN115345177A (zh) 意图识别模型训练方法和对话方法及装置
CN109299007A (zh) 一种缺陷修复者自动推荐方法
CN117708282A (zh) 一种基于大语言模型的知识问答方法及系统
CN117669726A (zh) 自然语言问题处理方法、电子设备及计算机可读存储介质
CN116663523B (zh) 多角度增强网络的语义文本相似度计算方法
CN116070642A (zh) 一种基于表情嵌入的文本情感分析方法及相关装置
CN114003708B (zh) 基于人工智能的自动问答方法、装置、存储介质及服务器
CN116186220A (zh) 信息检索方法、问答处理方法、信息检索装置及系统
CN117131165A (zh) 由电子设备执行的方法及相关设备
Mei et al. Guest editorial introduction to the special Section on video and language
CN113392221B (zh) 一种对薄实体的处理方法及相关装置
CN118261163B (zh) 基于transformer结构的智能评价报告生成方法及系统
Hameed et al. DIA-English-Arabic neural machine translation domain: sulfur industry

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