CN117349421A - 基于多算法组合的问答方法、系统、电子设备及存储介质 - Google Patents
基于多算法组合的问答方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117349421A CN117349421A CN202311410566.7A CN202311410566A CN117349421A CN 117349421 A CN117349421 A CN 117349421A CN 202311410566 A CN202311410566 A CN 202311410566A CN 117349421 A CN117349421 A CN 117349421A
- Authority
- CN
- China
- Prior art keywords
- answer
- question
- algorithm
- target
- confidence
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 21
- 230000003993 interaction Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- ADTDNFFHPRZSOT-PVFUSPOPSA-N ram-330 Chemical compound C([C@H]1N(CC2)C)C3=CC=C(OC)C(OC)=C3[C@]32[C@@]1(O)CC[C@@H](OC(=O)OCC)C3 ADTDNFFHPRZSOT-PVFUSPOPSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种基于多算法组合的问答方法、系统、电子设备及存储介质，该方法包括：选取若干机器学习模型算法，并对若干机器学习模型算法进行训练，得到对应的若干问答逻辑模型；选取若干问答逻辑模型中的其中一种作为主算法，将其他若干问答逻辑模型作为辅助算法；将目标问题输入主算法，得到多个答案，选取多个答案中置信度最高的一个作为目标答案；基于目标问题确定目标答案在辅助算法中的置信度；计算目标答案的置信度评分；根据置信度评分确定推送的最终答案。本发明实施例通过各多种算法的比较推荐，提升了推荐置信度，并对一些算法异常推送进行规避，使用多种算法模型的并行匹配机制，可择优选择，大大提升了答复的准确度。
Description
技术领域
本发明实施例涉及问答系统技术领域，具体涉及一种基于多算法组合的问答方法、系统、电子设备及存储介质。
背景技术
问答系统是信息检索的一种高级形式，能够更加准确地理解用户用自然语言提出的问题，并通过检索语料库、知识图谱或问答知识库返回简洁、准确的匹配答案。相较于搜索引擎，问答系统能更好地理解用户提问的真实意图,进一步能更有效地满足用户的信息需求。问答系统是目前人工智能和自然语言处理领域中一个倍受关注并具有广泛发展前景的研究方向。
问答系统可分为面向任务、面向知识和面向聊天三类，从关键技术上分，还可以把其分成基于搜索技术的问答系统、基于协同的问答系统、基于知识库的问答系统。
面向任务的问答系统是一种闭域应用，通常使用基于规则的或基于模板的方法，并采用对话状态跟踪技术。在帮助服务中所使用的槽位填充方法，就是一种基于模板的方法。
面向知识的问答系统可用于闭域和开放域，通常使用以数据为驱动的信息检索模型。该类方法基于从问答知识库中查找与提问问题最匹配的知识。一份最新的研究工作尝试使用基于神经网络的方法实现问题间的匹配。最常用的一种方法是基于知识图谱与信息检索相结合的方法，检索知识图谱可给出高准确率的问答，并以信息检索为补充。
基于聊天的问答系统常用于开放域，使用方法包括信息检索和生成模型。
现有基于深度学习算法的问答系统，其一般是采用一种模型算法完成答案推荐，这种方式存在以下问题：
由于训练的数据或者其他因素的影响，可能会导致部分推荐的答案的准确率较低，甚至出现异常推荐的可能性。
发明内容
为了克服现有技术的不足，本发明实施例的目的在于提供一种基于多算法组合的问答方法、系统、电子设备及存储介质，其通过各多种算法的比较推荐，提升了推荐置信度，并对一些算法异常推送进行规避，同时，使用多种算法模型的并行匹配机制，可择优选择，大大提升了答复的准确度。
为解决上述问题，本发明实施例第一方面公开一种基于多算法组合的问答方法，其包括以下步骤：
选取若干机器学习模型算法，并对所述若干机器学习模型算法进行训练，得到对应的若干问答逻辑模型；
选取所述若干问答逻辑模型中的其中一种作为主算法，将其他若干问答逻辑模型作为辅助算法；
将目标问题输入所述主算法，得到多个答案，选取所述多个答案中置信度最高的一个作为目标答案；
基于所述目标问题确定所述目标答案在所述辅助算法中的置信度；
计算所述目标答案的置信度评分：
其中，f(x)为目标答案的置信度评分，ax为目标答案在主算法中的置信度；mi为目标答案在第i种辅助算法的排序位置，k为目标答案在所有辅助算法的位置中间值，wi为目标答案在第i种辅助算法的排序位置的权重；ni为目标答案在第i种辅助算法的置信度，j为目标答案在所有辅助算法的置信度中间值，qi为目标答案在第i种辅助算法的置信度的权重值，1≤i≤n，n为辅助算法的总数；
根据所述置信度评分确定推送的最终答案。
作为可选的方案，在本发明实施例的第一方面中，选取所述若干问答逻辑模型中的其中一种作为主算法，将其他若干问答逻辑模型作为辅助算法，包括：
基于一个或多个问题样本以及所述一个或多个样本对应的答案信息确定每个问答逻辑模型的置信度；
根据所述每个问答逻辑模型的置信度大小进行排序，其中，置信度最大的问答逻辑模型作为主算法，其他问答逻辑模型作为辅助算法。
作为可选的方案，在本发明实施例的第一方面中，根据所述置信度评分确定推送的最终答案，包括：
比对所述置信度评分与置信度预设阈值之间的大小；
如果所述置信度评分大于或等于所述置信度预设阈值，则所述目标答案为推送的最终答案；
如果所述置信度评分小于所述置信度预设阈值，则将推荐答案列表作为推送的最终答案，所述推荐答案列表为将目标问题输入所述主算法得到的置信度靠前的预设个数的答案。
作为可选的方案，在本发明实施例的第一方面中，所述方法还包括：
将所述最终答案转直接推送给用户，或者将所述最终答案进行相关转换后推送给用户。
作为可选的方案，在本发明实施例的第一方面中，所述相关转换为将文字转换成图片或者语音。
作为可选的方案，在本发明实施例的第一方面中，对所述若干机器学习模型算法进行训练，包括：
基于日常交互信息确定训练样本集；
使用所述训练样本集对所述若干机器学习模型算法进行训练；
按照预设时间间隔更新所述训练样本集并基于所述更新的训练样本集对所述若干机器学习模型算法的训练结果进行更新。
作为可选的方案，在本发明实施例的第一方面中，基于日常交互信息确定训练样本集，包括：
对所述日常交互信息的人工标注，获取有效的日常问答信息；
对所述日常问答信息进行主观校准和分类，或者通过用户满意度进行校准，得到最终的训练样本集。
本发明实施例第二方面公开了一种基于多算法组合的问答系统，其包括：
第一选取单元，用于选取若干机器学习模型算法，并对所述若干机器学习模型算法进行训练，得到对应的若干问答逻辑模型；
第二选取单元，用于选取所述若干问答逻辑模型中的其中一种作为主算法，将其他若干问答逻辑模型作为辅助算法；
输入单元，用于将目标问题输入所述主算法，得到多个答案，选取所述多个答案中置信度最高的一个作为目标答案；
第一计算单元，用于基于所述目标问题确定所述目标答案在所述辅助算法中的置信度；
第二计算单元，用于计算所述目标答案的置信度评分：
其中，f(x)为目标答案的置信度评分，ax为目标答案在主算法中的置信度；mi为目标答案在第i种辅助算法的排序位置，k为目标答案在所有辅助算法的位置中间值，wi为目标答案在第i种辅助算法的排序位置的权重；ni为目标答案在第i种辅助算法的置信度，j为目标答案在所有辅助算法的置信度中间值，qi为目标答案在第i种辅助算法的置信度的权重值，1≤i≤n，n为辅助算法的总数；
推送单元，用于根据所述置信度评分确定推送的最终答案。
本发明实施例第三方面公开一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行本发明实施例第一方面公开的一种基于多算法组合的问答方法。
本发明实施例第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的一种基于多算法组合的问答方法。
本发明实施例第五方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本发明实施例第一方面公开的一种基于多算法组合的问答方法。
本发明实施例第六方面公开一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本发明实施例第一方面公开的一种基于多算法组合的问答方法。
与现有技术相比，本发明实施例的有益效果在于：
本发明实施例通过各多种算法的比较推荐，提升了推荐置信度，并对一些算法异常推送进行规避，同时，使用多种算法模型的并行匹配机制，可择优选择，大大提升了答复的准确度。
附图说明
图1是本发明实施例提供的一种基于多算法组合的问答方法的流程示意图；
图2是本发明实施例公开的一种基于多算法组合的问答系统的结构示意图；
图3是本发明实施例公开的一种电子设备的结构示意图。
具体实施方式
本具体实施方式仅仅是对本发明实施例的解释，其并不是对本发明实施例的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明实施例的权利要求范围内都受到专利法的保护。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明实施例一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明实施例保护的范围。
本申请的说明书和权利要求书中的术语“包括”以及它的任何变形，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。
在本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本发明实施例通过各多种算法的比较推荐，提升了推荐置信度，并对一些算法异常推送进行规避，同时，使用多种算法模型的并行匹配机制，可择优选择，大大提升了答复的准确度，以下结合附图进行详细描述。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于多算法组合的问答方法的流程示意图。如图1所示，该基于多算法组合的问答方法包括以下步骤：
S110、选取若干机器学习模型算法，并对所述若干机器学习模型算法进行训练，得到对应的若干问答逻辑模型。
机器学习模型算法有很多种，示例性地，可以采用各种神经网络模型，例如全连接神经网络、卷积神经网络、循环神经网络等。当然，机器学习模型算法也可以是分类模型，例如贝叶斯、决策树以及随机森林等。可以根据需要选取多种机器学习模型算法。
训练机器学习模型算法的训练样本可以从日常交互信息中获取。
示例性地，可以通过运营人员对日常交互信息的标注，获取有效的日常问答信息，建立标准问与扩展问，形成各个算法对应的训练数据集，按指定频率对算法模型进行地区匹配。
为了提升算法训练的准确能力，可以通过以下两种方式的一种或两种进行提升：
1、运营人员日常对日志数据进行人工主观标注、校准、分类，完善对应的问答标准库，使问答库的范围与准确率得到提升。
2、运营人员通过对使用者满意度的获取，获取问答库的准确度并校准。
标注后的数据用于训练各个算法模型，实现整体问答体系的闭环。
S120、选取所述若干问答逻辑模型中的其中一种作为主算法，将其他若干问答逻辑模型作为辅助算法。
训练后的若干问答逻辑模型按照实际使用情况可以分别主算法和辅助算法，即采用多种算法并行匹配机制确定推送的最终答案。
主算法的选择方式有多种，示例性地，可以根据历史使用情况分析设定某个问答逻辑模型为主算法，其他问答逻辑模型对此主算法进行辅助推理，记为辅助算法，对辅助算法进行相关权重设置。
还可以根据一个或多个问题样本以及所述一个或多个样本对应的答案信息确定主算法和辅助算法。
具体地，确定每个问答逻辑模型对应于问题样本和答案信息的置信度，如果采用多个问题样本时，可以去置信度的平均值作为每个问答逻辑模型对应于问题样本和答案信息的置信度。
然后按照置信度大小对这些问答逻辑模型进行排序，将置信度最大的问答逻辑模型作为主算法，其他问答逻辑模型作为辅助算法。
当然，在其他的实施例中，还可以对辅助算法进行筛选，即设定置信度基准值，如果某个问答逻辑模型的置信度小于该置信度基准值时，则放弃该问答逻辑模型。
S130、将目标问题输入所述主算法，得到多个答案，选取所述多个答案中置信度最高的一个作为目标答案。
目标问题为用户的输入信息，该输入信息可以是文字，也可以是语音或图片，在本发明实施例中，根据训练样本的情况确定输入信息的格式，一般地，最终输入主算法的输入信息优选采用文字，因此，如果用户输入的是语音或者图片，则将语音或图片转换成文字。
由于用户输入信息可能较长，因此，可以对输入信息进行一定的特征提取或者相关优化处理，将处理后的输入信息记为目标问题，输入主算法中，可以得到若干个答案，以及这些若干个答案的置信度，这些若干个答案按照置信度高低进行排序，形成答案列表，其中，排序最靠前即置信度最高的答案记为目标答案。
S140、基于所述目标问题确定所述目标答案在所述辅助算法中的置信度。
在本发明较佳的实施例中，并不是直接将目标答案推送给用户，为了提升答复(回复用户问题的答案)的准确性，采用多种算法并行匹配机制，即还要确定该目标答案在辅助算法中的置信度，基于目标答案在主算法以及辅助算法的置信度确定对应于目标问题的目标答案的置信度评分。
对应于目标问题的目标答案在辅助算法的置信度，可以通过将目标问题输入辅助算法完成。目标问题输入辅助算法后，可以得到对应的辅助答案列表以及每个辅助答案的置信度，从这些辅助答案列表中找到目标答案，或者选择与目标答案相似度(相似度计算)最高的一个辅助答案作为目标答案，获取目标答案在辅助答案列表的排序位置(对应于步骤S150的mi)以及在该辅助算法的置信度(对应于步骤S150的ni)。
S150、计算所述目标答案的置信度评分。
其中，f(x)为目标答案的置信度评分，ax为目标答案在主算法中的置信度；mi为目标答案在第i种辅助算法的排序位置，k为目标答案在所有辅助算法的位置中间值(可以通过平均值体现)，wi为目标答案在第i种辅助算法的排序位置的权重；ni为目标答案在第i种辅助算法的置信度，j为目标答案在所有辅助算法的置信度中间值(可以通过平均值体现)，qi为目标答案在第i种辅助算法的置信度的权重值，1≤i≤n，n为辅助算法的总数。
S160、根据所述置信度评分确定推送的最终答案。
最终答案是根据置信度评分和置信度预设阈值之间的关系确定的。
如果所述置信度评分大于或等于所述置信度预设阈值，则所述目标答案为推送的最终答案；如果所述置信度评分小于所述置信度预设阈值，则将推荐答案列表作为推送的最终答案，所述推荐答案列表为将目标问题输入所述主算法得到的置信度靠前的预设个数的答案。
推送的最终答案，可以根据用户需要转换成相应的格式文件后再发送给用户。示例性地，可以直接将文字格式的最终答案推送给用户，也可以将文字格式的最终答案通过相关转换，转换成图片或语音等格式推送给用户。
实施例二
请参阅图2，图2是本发明实施例公开的一种基于多算法组合的问答系统的结构示意图。如图2所示，该基于多算法组合的问答系统可以包括：
第一选取单元210，用于选取若干机器学习模型算法，并对所述若干机器学习模型算法进行训练，得到对应的若干问答逻辑模型；
第二选取单元220，用于选取所述若干问答逻辑模型中的其中一种作为主算法，将其他若干问答逻辑模型作为辅助算法；
输入单元230，用于将目标问题输入所述主算法，得到多个答案，选取所述多个答案中置信度最高的一个作为目标答案；
第一计算单元240，用于基于所述目标问题确定所述目标答案在所述辅助算法中的置信度；
第二计算单元250，用于计算所述目标答案的置信度评分：
其中，f(x)为目标答案的置信度评分，ax为目标答案在主算法中的置信度；mi为目标答案在第i种辅助算法的排序位置，k为目标答案在所有辅助算法的位置中间值，wi为目标答案在第i种辅助算法的排序位置的权重；ni为目标答案在第i种辅助算法的置信度，j为目标答案在所有辅助算法的置信度中间值，qi为目标答案在第i种辅助算法的置信度的权重值，1≤i≤n，n为辅助算法的总数；
推送单元260，用于根据所述置信度评分确定推送的最终答案。
实施例三
请参阅图3，图3示出了可以用来实施本发明实施例的电子设备的结构示意图。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(如头盔、眼镜、手表等)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或/和者要求的本发明实施例的实现。
如图3所示，电子设备包括至少一个处理器310，以及与至少一个处理器310通信连接的存储器，如ROM(只读存储器)320、RAM(随机访问存储器)330等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器310可以根据存储在ROM 320中的计算机程序或者从存储单元380加载到随机访问存储器RAM 330中的计算机程序，来执行各种适当的动作和处理。在RAM 330中，还可存储电子设备操作所需的各种程序和数据。处理器310、ROM320以及RAM 330通过总线340彼此相连。I/O(输入/输出)接口350也连接至总线340。
电子设备中的多个部件连接至I/O接口350，包括：输入单元360，例如键盘、鼠标等；输出单元370，例如各种类型的显示器、扬声器等；存储单元380，例如磁盘、光盘等；以及通信单元390，例如网卡、调制解调器、无线通信收发机等。通信单元390允许电子设备通过诸如因特网的计算机网络或/和各种电信网络与其他设备交换信息/数据。
处理器310可以是各种具有处理和计算能力的通用或/和专用处理组件。处理器310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、各种运行机器学习模型算法的处理器、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。处理器310执行上文实施例一至三任一描述的一种基于多算法组合的问答方法的一个或多个步骤。
在一些实施例中，一种基于多算法组合的问答方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元380。在一些实施例中，计算机程序的部分或者全部可以经由ROM 320或/和通信单元390而被载入或/和安装到电子设备上。当计算机程序加载到RAM 330并由处理器310执行时，可以执行上文实施例一至三任一描述的一种基于多算法组合的问答方法的一个或多个步骤。备选地，在其他实施例中，处理器310可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行一种基于多算法组合的问答方法。
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、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)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、或/和它们的组合中实现。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或/和解释，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。
用于实施本发明实施例的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图或/和框图中所规定的功能/操作被实施。计算机程序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。
在本发明实施例的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。
计算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运行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。
以上对本发明公开的一种基于多算法组合的问答方法、系统、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于多算法组合的问答方法，其特征在于，其包括以下步骤：
选取若干机器学习模型算法，并对所述若干机器学习模型算法进行训练，得到对应的若干问答逻辑模型；
选取所述若干问答逻辑模型中的其中一种作为主算法，将其他若干问答逻辑模型作为辅助算法；
将目标问题输入所述主算法，得到多个答案，选取所述多个答案中置信度最高的一个作为目标答案；
基于所述目标问题确定所述目标答案在所述辅助算法中的置信度；
计算所述目标答案的置信度评分：
其中，f(x)为目标答案的置信度评分，ax为目标答案在主算法中的置信度；mi为目标答案在第i种辅助算法的排序位置，k为目标答案在所有辅助算法的位置中间值，wi为目标答案在第i种辅助算法的排序位置的权重；ni为目标答案在第i种辅助算法的置信度，j为目标答案在所有辅助算法的置信度中间值，qi为目标答案在第i种辅助算法的置信度的权重值，1≤i≤n，n为辅助算法的总数；
根据所述置信度评分确定推送的最终答案。
2.根据权利要求1所述的基于多算法组合的问答方法，其特征在于，选取所述若干问答逻辑模型中的其中一种作为主算法，将其他若干问答逻辑模型作为辅助算法，包括：
基于一个或多个问题样本以及所述一个或多个样本对应的答案信息确定每个问答逻辑模型的置信度；
根据所述每个问答逻辑模型的置信度大小进行排序，其中，置信度最大的问答逻辑模型作为主算法，其他问答逻辑模型作为辅助算法。
3.根据权利要求1所述的基于多算法组合的问答方法，其特征在于，根据所述置信度评分确定推送的最终答案，包括：
比对所述置信度评分与置信度预设阈值之间的大小；
如果所述置信度评分大于或等于所述置信度预设阈值，则所述目标答案为推送的最终答案；
如果所述置信度评分小于所述置信度预设阈值，则将推荐答案列表作为推送的最终答案，所述推荐答案列表为将目标问题输入所述主算法得到的置信度靠前的预设个数的答案。
4.根据权利要求1所述的基于多算法组合的问答方法，其特征在于，所述方法还包括：
将所述最终答案转直接推送给用户，或者将所述最终答案进行相关转换后推送给用户。
5.根据权利要求4所述的基于多算法组合的问答方法，其特征在于，所述相关转换为将文字转换成图片或者语音。
6.根据权利要求1-5任一项所述的基于多算法组合的问答方法，其特征在于，对所述若干机器学习模型算法进行训练，包括：
基于日常交互信息确定训练样本集；
使用所述训练样本集对所述若干机器学习模型算法进行训练；
按照预设时间间隔更新所述训练样本集并基于所述更新的训练样本集对所述若干机器学习模型算法的训练结果进行更新。
7.根据权利要求6所述的基于多算法组合的问答方法，其特征在于，基于日常交互信息确定训练样本集，包括：
对所述日常交互信息的人工标注，获取有效的日常问答信息；
对所述日常问答信息进行主观校准和分类，或者通过用户满意度进行校准，得到最终的训练样本集。
8.一种基于多算法组合的问答系统，其特征在于，其包括：
第一选取单元，用于选取若干机器学习模型算法，并对所述若干机器学习模型算法进行训练，得到对应的若干问答逻辑模型；
第二选取单元，用于选取所述若干问答逻辑模型中的其中一种作为主算法，将其他若干问答逻辑模型作为辅助算法；
输入单元，用于将目标问题输入所述主算法，得到多个答案，选取所述多个答案中置信度最高的一个作为目标答案；
第一计算单元，用于基于所述目标问题确定所述目标答案在所述辅助算法中的置信度；
第二计算单元，用于计算所述目标答案的置信度评分：
其中，f(x)为目标答案的置信度评分，ax为目标答案在主算法中的置信度；mi为目标答案在第i种辅助算法的排序位置，k为目标答案在所有辅助算法的位置中间值，wi为目标答案在第i种辅助算法的排序位置的权重；ni为目标答案在第i种辅助算法的置信度，j为目标答案在所有辅助算法的置信度中间值，qi为目标答案在第i种辅助算法的置信度的权重值，1≤i≤n，n为辅助算法的总数；
推送单元，用于根据所述置信度评分确定推送的最终答案。
9.一种电子设备，其特征在于，其包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行权利要求1-7任一项所述的基于多算法组合的问答方法。
10.一种计算机可读存储介质，其特征在于，其存储计算机程序，其中，所述计算机程序使得计算机执行权利要求1-7任一项所述的基于多算法组合的问答方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311410566.7A CN117349421A (zh) | 2023-10-25 | 2023-10-25 | 基于多算法组合的问答方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311410566.7A CN117349421A (zh) | 2023-10-25 | 2023-10-25 | 基于多算法组合的问答方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117349421A true CN117349421A (zh) | 2024-01-05 |
Family
ID=89370887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311410566.7A Pending CN117349421A (zh) | 2023-10-25 | 2023-10-25 | 基于多算法组合的问答方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117349421A (zh) |
-
2023
- 2023-10-25 CN CN202311410566.7A patent/CN117349421A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10896188B2 (en) | Method and apparatus for determining search results, device and computer storage medium | |
| WO2020177282A1 (zh) | 一种机器对话方法、装置、计算机设备及存储介质 | |
| RU2708941C1 (ru) | Способ и устройство распознавания сегментированных предложений для человеко-машинной интеллектуальной вопросно-ответной системы | |
| US20220027569A1 (en) | Method for semantic retrieval, device and storage medium | |
| JP5744228B2 (ja) | インターネットにおける有害情報の遮断方法と装置 | |
| US10540585B2 (en) | Training sequence generation neural networks using quality scores | |
| CN111191450A (zh) | 语料清洗方法、语料录入设备及计算机可读存储介质 | |
| CN113641805B (zh) | 结构化问答模型的获取方法、问答方法及对应装置 | |
| CN111143564B (zh) | 无监督的多目标篇章级情感分类模型训练方法和装置 | |
| CN115062718A (zh) | 语言模型训练方法、装置、电子设备及存储介质 | |
| CN112380421A (zh) | 简历的搜索方法、装置、电子设备及计算机存储介质 | |
| CN110826327A (zh) | 情感分析方法、装置、计算机可读介质及电子设备 | |
| CN117708300A (zh) | 一种知识库问答方法、装置、设备及介质 | |
| WO2020135054A1 (zh) | 视频推荐方法、装置、设备及存储介质 | |
| CN112925913B (zh) | 用于匹配数据的方法、装置、设备和计算机可读存储介质 | |
| CN117633184A (zh) | 一种模型构建和智能回复方法、设备及介质 | |
| CN114528387A (zh) | 基于对话流自举的深度学习对话策略模型构建方法和系统 | |
| CN117171310A (zh) | 数字人的交互方法、装置、电子设备及存储介质 | |
| CN117349421A (zh) | 基于多算法组合的问答方法、系统、电子设备及存储介质 | |
| CN114416941A (zh) | 融合知识图谱的对话知识点确定模型的生成方法及装置 | |
| CN115359322A (zh) | 一种目标检测模型训练方法、装置、设备和存储介质 | |
| CN115292467A (zh) | 信息处理与模型训练方法、装置、设备、介质及程序产品 | |
| CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
| CN116737888B (zh) | 对话生成模型的训练方法和答复文本的确定方法、装置 | |
| CN118194240B (zh) | 目标检测大模型微调方法、装置、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 |