CN117874211A - 基于saas软件的智能问答方法、系统、介质及电子设备 - Google Patents
基于saas软件的智能问答方法、系统、介质及电子设备 Download PDFInfo
- Publication number
- CN117874211A CN117874211A CN202410281809.XA CN202410281809A CN117874211A CN 117874211 A CN117874211 A CN 117874211A CN 202410281809 A CN202410281809 A CN 202410281809A CN 117874211 A CN117874211 A CN 117874211A
- Authority
- CN
- China
- Prior art keywords
- data
- question
- answer
- training
- text
- 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
- 102100036366 ProSAAS Human genes 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 108
- 230000004044 response Effects 0.000 claims abstract description 48
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003058 natural language processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种基于SAAS软件的智能问答方法、系统、介质及电子设备，方法包括：接收来自目标对象提交的待处理问题数据；将待处理问题数据包括的语音或者文字输入预先训练的智能问答模型中；预先训练的智能问答模型基于SAAS软件提供的API信息对待处理问题数据进行自动化响应和API调用，得到待处理问题数据对应的最终回复数据；预先训练的智能问答模型是通过训练数据集训练生成的，训练数据集是基于SAAS软件提供的API信息进行标注和整理的，API信息包括可用的数据接口、数据格式以及数据结构；输出待处理问题数据对应的最终回复数据。因此，采用本申请实施例，可实现对用户提出问题的自动化响应和API调用，自动化生成关于用户提出问题的反馈。
Description
技术领域
本申请涉及计算机技术领域，特别涉及一种基于SAAS软件的智能问答方法、系统、介质及电子设备。
背景技术
企业管理软件（SAAS软件）是一种集成管理企业各个部门和业务流程的软件系统，但是随着业务的不断发展，SAAS软件提供了庞大的业务处理模块，用户可通过不同的业务处理模块中的具体业务功能，可实现业务的具体处理。
在现有技术中，用户在通过SAAS软件进行业务办理过程中，需要花费大量的时间寻找具体的功能模块中的业务信息，无法自动化对用户的问题进行响应和反馈，可见SAAS软件智能化程度低，难以满足不同用户需求的变化，导致工作效率低下。
发明内容
本申请实施例提供了一种基于SAAS软件的智能问答方法、系统、介质及电子设备。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种基于SAAS软件的智能问答方法，方法包括：
接收来自目标对象提交的待处理问题数据；
将待处理问题数据包括的语音或者文字输入预先训练的智能问答模型中；其中，预先训练的智能问答模型基于SAAS软件提供的API信息对待处理问题数据进行自动化响应和API调用，得到待处理问题数据对应的最终回复数据；其中，
预先训练的智能问答模型是通过训练数据集训练生成的，训练数据集是基于SAAS软件提供的API信息进行标注和整理的，API信息包括可用的数据接口、数据格式以及数据结构；
输出待处理问题数据对应的最终回复数据。
可选的，基于SAAS软件提供的API信息对待处理问题数据进行自动化响应和API调用，得到待处理问题数据对应的最终回复数据，包括：
采用自然语言处理算法对待处理问题数据进行理解和分析，生成关于待处理问题的自动化响应信息；
调用SAAS软件提供的API信息，以获取相关系统信息；
通过自动化响应信息和相关系统信息进行自然语言反馈，得到待处理问题数据对应的最终回复数据。
可选的，接收来自目标对象提交的待处理问题数据之前，还包括：
收集用户在预设周期内所提交的历史问题数据；
获取SAAS软件提供的API信息，API信息包括可用的数据接口、数据格式以及数据结构；
整理并标注历史问题数据与数据接口、数据格式以及数据结构，得到训练数据集；
创建智能问答模型；
根据训练数据集对智能问答模型进行训练，以使智能问答模型拟合出历史问题数据与API信息之间的关系，生成预先训练的智能问答模型。
可选的，历史问题数据包括语音数据或文本数据；
整理并标注历史问题数据与数据接口、数据格式以及数据结构，得到训练数据集，包括：
根据语音数据或文本数据，生成每个历史问题数据对应的关键词序列；
利用数据接口、数据格式以及数据结构，从SAAS软件中获取每个历史问题数据对应的关键词序列对应的系统信息，得到每个历史问题数据对应的系统响应文本；
根据每个历史问题数据对应的系统响应文本，对每个历史问题数据对应的关键词序列进行标注，得到训练数据集。
可选的，根据每个历史问题数据对应的系统响应文本，对每个历史问题数据对应的关键词序列进行标注，得到训练数据集，包括：
将每个历史问题数据对应的系统响应文本和每个历史问题数据对应的关键词序列进行关联，得到预设数量的历史问答文本；
对每个历史问答文本进行错别字替换、特殊字符处理以及断句处理，得到多个第一问答文本；
将每个第一问答文本进行问答角色划分、问答顺序归类以及问答拼接，得到多个第二问答文本；
根据敏感词库和预先训练的混淆度计算模型判定每个第二问答文本是否满足预设条件；
在每个第二问答文本满足预设条件的情况下，得到训练数据集。
可选的，训练数据集包括多个第二问答文本，每个第二问答文本包括属于第一角色的关键词序列以及属于第二角色的系统响应文本，第一角色为用户，第二角色为SAAS软件；
根据训练数据集对智能问答模型进行训练，以使智能问答模型拟合出历史问题数据与API信息之间的关系，生成预先训练的智能问答模型，包括：
将多个第二问答文本按照预设数量进行划分，得到训练集和测试集；
将训练集输入智能问答模型，输出模型损失值；
在损失值到达最小且训练次数满足预设阈值时，按照用户在前以及SAAS软件在后的方式，将测试集中任意一个第二问答文本包括的属于用于的关键词序列输入智能问答模型中，输出任意一个第二问答文本对应的目标回复文本；
计算测试集中任意一个第二问答文本包括的属于SAAS软件的系统响应文本与任意一个第二问答文本对应的目标回复文本之间的文本相似程度；
当文本相似程度大于等于预设阈值时，生成预先训练的智能问答模型。
可选的，当文本相似程度小于预设阈值时，根据测试集中任意一个第二问答文本包括的属于SAAS软件的系统响应文本与任意一个第二问答文本对应的目标回复文本，生成反馈内容推送至用于SAAS软件研发的客户端，以优化和定制测试集中任意一个第二问答文本包括的属于SAAS软件的系统响应文本；
调整智能问答模型的模型参数，并继续执行整理并标注历史问题数据与数据接口、数据格式以及数据结构，得到训练数据集的步骤，直到文本相似程度大于等于预设阈值。
第二方面，本申请实施例提供了一种基于SAAS软件的智能问答系统，系统包括：
问题数据接收模块，用于接收来自目标对象提交的待处理问题数据；
问题数据输入模块，用于将待处理问题数据包括的语音或者文字输入预先训练的智能问答模型中；其中，预先训练的智能问答模型基于SAAS软件提供的API信息对待处理问题数据进行自动化响应和API调用，得到待处理问题数据对应的最终回复数据；其中，
预先训练的智能问答模型是通过训练数据集训练生成的，训练数据集是基于SAAS软件提供的API信息进行标注和整理的，API信息包括可用的数据接口、数据格式以及数据结构；
回复数据输出模块，用于输出待处理问题数据对应的最终回复数据。
第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种电子设备，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，首先接收来自目标对象提交的待处理问题数据；将待处理问题数据包括的语音或者文字输入预先训练的智能问答模型中；输出待处理问题数据对应的最终回复数据。由于本申请中预先训练的智能问答模型基于SAAS软件提供的API信息对待处理问题数据进行自动化响应和API调用以及预先训练的智能问答模型是通过训练数据集训练生成的，训练数据集是基于SAAS软件提供的API信息进行标注和整理的，API信息包括可用的数据接口、数据格式以及数据结构，通过训练模型使得参数之间建立关系可自动对用户提出问题的自动化响应和API调用，从而自动化生成关于用户提出问题的反馈。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请实施例提供的一种基于SAAS软件的智能问答方法的流程示意图；
图2是本申请实施例提供的一种基于SAAS软件的智能问答的应用场景的场景示意图；
图3是本申请实施例提供的一种智能问答模型的模型训练方法的流程示意图；
图4是本申请实施例提供的一种基于SAAS软件的智能问答系统的结构示意图；
图5是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述和附图充分地示出本申请的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的系统和方法的例子。
在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供了一种基于SAAS软件的智能问答方法、系统、介质及电子设备，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于本申请中预先训练的智能问答模型基于SAAS软件提供的API信息对待处理问题数据进行自动化响应和API调用以及预先训练的智能问答模型是通过训练数据集训练生成的，训练数据集是基于SAAS软件提供的API信息进行标注和整理的，API信息包括可用的数据接口、数据格式以及数据结构，通过训练模型使得参数之间建立关系可自动对用户提出问题的自动化响应和API调用，从而自动化生成关于用户提出问题的反馈，下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图3，对本申请实施例提供的基于SAAS软件的智能问答方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的基于SAAS软件的智能问答系统上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。
请参见图1，为本申请实施例提供了一种基于SAAS软件的智能问答方法的流程示意图。如图1所示，本申请实施例的方法可以包括以下步骤：
S101，接收来自目标对象提交的待处理问题数据；
其中，目标对象是使用SAAS软件的主体，可以是用户，待处理问题数据包括语音或者文字。
在本申请实施例中，用户通过客户端在使用SAAS软件的过程中，在该SAAS软件所提供的智能问答模块中可输入文字或者语音，并通过主动或者被动的方式触发提交功能，以将该输入的文字或者语音发送至服务端，服务端可接收来自目标对象提交的待处理问题数据。
S102，将待处理问题数据包括的语音或者文字输入预先训练的智能问答模型中；
其中，预先训练的智能问答模型基于SAAS软件提供的API信息对待处理问题数据进行自动化响应和API调用，得到待处理问题数据对应的最终回复数据；其中，预先训练的智能问答模型是通过训练数据集训练生成的，训练数据集是基于SAAS软件提供的API信息进行标注和整理的，API信息包括可用的数据接口、数据格式以及数据结构。
在本申请实施例中，基于SAAS软件提供的API信息对待处理问题数据进行自动化响应和API调用，得到待处理问题数据对应的最终回复数据的具体过程包括：采用自然语言处理算法对待处理问题数据进行理解和分析，生成关于待处理问题的自动化响应信息；调用SAAS软件提供的API信息，以获取相关系统信息；通过自动化响应信息和相关系统信息进行自然语言反馈，得到待处理问题数据对应的最终回复数据。
在本申请实施例中，可按照以下步骤生成预先训练的智能问答模型，包括以下过程：收集用户在预设周期内所提交的历史问题数据；获取SAAS软件提供的API信息，API信息包括可用的数据接口、数据格式以及数据结构；整理并标注历史问题数据与数据接口、数据格式以及数据结构，得到训练数据集；创建智能问答模型；根据训练数据集对智能问答模型进行训练，以使智能问答模型拟合出历史问题数据与API信息之间的关系，生成预先训练的智能问答模型。
在一种可能的实现方式中，服务端在接收到待处理问题数据后，可以解析出该待处理问题数据包括的语音或者文字，最后将待处理问题数据包括的语音或者文字输入预先训练的智能问答模型中，以通过预先训练的智能问答模型对语音或者文字进行理解和分析，生成关于待处理问题的自动化响应信息。
S103，输出待处理问题数据对应的最终回复数据。
在本申请实施例中，服务端在得到待处理问题数据对应的最终回复数据之后，可输出待处理问题数据对应的最终回复数据。
例如图2所示，图2是本申请提供的一种实施场景的场景示意图，通过客户端上安装的SAAS软件可输入文字或者语音，并通过主动或者被动的方式触发提交功能，以将该输入的文字或者语音发送至服务端，经过服务端的中预先训练的智能问答模型基于SAAS软件提供的API信息对待处理问题数据进行自动化响应和API调用，最终得到最终回复数据，最后服务端可输出待处理问题数据对应的最终回复数据，并将该最终回复数据反馈至客户端。
在本申请实施例中，首先接收来自目标对象提交的待处理问题数据；将待处理问题数据包括的语音或者文字输入预先训练的智能问答模型中；输出待处理问题数据对应的最终回复数据。由于本申请中预先训练的智能问答模型基于SAAS软件提供的API信息对待处理问题数据进行自动化响应和API调用以及预先训练的智能问答模型是通过训练数据集训练生成的，训练数据集是基于SAAS软件提供的API信息进行标注和整理的，API信息包括可用的数据接口、数据格式以及数据结构，通过训练模型使得参数之间建立关系可自动对用户提出问题的自动化响应和API调用，从而自动化生成关于用户提出问题的反馈，从而提升了工作效率。
请参见图3，为本申请实施例提供了一种系统参数配置模型训练方法的流程示意图。如图3所示，本申请实施例的方法可以包括以下步骤：
S201，收集用户在预设周期内所提交的历史问题数据；
其中，历史问题数据包括语音数据或文本数据；预设周期为一段时间，例如一个月或者一年，具体可根据实际应用场景自行确定。
在本申请实施例中，可在本地数据库获取用户在预设周期内所提交的历史问题数据，或者线上进行自动收集用户在预设周期内所提交的历史问题数据。
S202，获取SAAS软件提供的API信息，API信息包括可用的数据接口、数据格式以及数据结构；
其中，API信息可以是研发人员进行撰写的API文档，该文档中包括可用的数据接口、数据格式以及数据结构。
在本申请实施例中，可直接在数据库中获取SAAS软件提供的可用的数据接口、数据格式以及数据结构，得到SAAS软件提供的API信息。
S203，整理并标注历史问题数据与数据接口、数据格式以及数据结构，得到训练数据集；
在本申请实施例中，在整理并标注历史问题数据与数据接口、数据格式以及数据结构，得到训练数据集的过程中，包括：根据语音数据或文本数据，生成每个历史问题数据对应的关键词序列；利用数据接口、数据格式以及数据结构，从SAAS软件中获取每个历史问题数据对应的关键词序列对应的系统信息，得到每个历史问题数据对应的系统响应文本；根据每个历史问题数据对应的系统响应文本，对每个历史问题数据对应的关键词序列进行标注，得到训练数据集。
在本申请实施例中，在根据每个历史问题数据对应的系统响应文本，对每个历史问题数据对应的关键词序列进行标注，得到训练数据集的过程中，包括：将每个历史问题数据对应的系统响应文本和每个历史问题数据对应的关键词序列进行关联，得到预设数量的历史问答文本；对每个历史问答文本进行错别字替换、特殊字符处理以及断句处理，得到多个第一问答文本；将每个第一问答文本进行问答角色划分、问答顺序归类以及问答拼接，得到多个第二问答文本；根据敏感词库和预先训练的混淆度计算模型判定每个第二问答文本是否满足预设条件；在每个第二问答文本满足预设条件的情况下，得到训练数据集。
在本申请实施例中，利用数据接口、数据格式以及数据结构，从SAAS软件中获取每个历史问题数据对应的关键词序列对应的系统信息，得到每个历史问题数据对应的系统响应文本的过程，包括：从数据接口中，确定用于访问每个历史问题数据对应的特定数据源的数据接口，得到每个历史问题数据对应的目标数据接口；从数据格式中，基于每个历史问题数据对应的目标数据接口，确定每个历史问题数据的编码方式以及字段含义，得到每个历史问题数据对应的目标数据格式；从数据结构中，根据每个历史问题数据对应的目标数据格式，确定每个历史问题数据之间的关系和层级结构，得到每个历史问题数据对应的目标数据结构；根据每个历史问题数据对应的目标数据结构对SAAS软件进行处理和分析，以从SAAS软件中获取每个历史问题数据对应的关键词序列对应的系统信息，得到每个历史问题数据对应的系统响应文本。
其中，训练数据集包括多个第二问答文本，每个第二问答文本包括属于第一角色的关键词序列以及属于第二角色的系统响应文本，第一角色为用户，第二角色为SAAS软件。
S204，创建智能问答模型；
其中，系统参数配置模型可以采用神经网络进行构建，具体可以是递归神经网络(RNN)、卷积神经网络 (CNN)、长短时记忆网络 (LSTM) 和注意力机制 (Attention)其中一种。
S205，根据训练数据集对智能问答模型进行训练，以使智能问答模型拟合出历史问题数据与API信息之间的关系，生成预先训练的智能问答模型。
在本申请实施例中，在根据训练数据集对智能问答模型进行训练，以使智能问答模型拟合出历史问题数据与API信息之间的关系，生成预先训练的智能问答模型的过程中，包括：将多个第二问答文本按照预设数量进行划分，得到训练集和测试集；将训练集输入智能问答模型，输出模型损失值；在损失值到达最小且训练次数满足预设阈值时，按照用户在前以及SAAS软件在后的方式，将测试集中任意一个第二问答文本包括的属于用于的关键词序列输入智能问答模型中，输出任意一个第二问答文本对应的目标回复文本；计算测试集中任意一个第二问答文本包括的属于SAAS软件的系统响应文本与任意一个第二问答文本对应的目标回复文本之间的文本相似程度；当文本相似程度大于等于预设阈值时，生成预先训练的智能问答模型。
进一步地，当文本相似程度小于预设阈值时，根据测试集中任意一个第二问答文本包括的属于SAAS软件的系统响应文本与任意一个第二问答文本对应的目标回复文本，生成反馈内容推送至用于SAAS软件研发的客户端，以优化和定制测试集中任意一个第二问答文本包括的属于SAAS软件的系统响应文本；调整智能问答模型的模型参数，并继续执行整理并标注历史问题数据与数据接口、数据格式以及数据结构，得到训练数据集的步骤，直到文本相似程度大于等于预设阈值。
在本申请实施例中，首先接收来自目标对象提交的待处理问题数据；将待处理问题数据包括的语音或者文字输入预先训练的智能问答模型中；输出待处理问题数据对应的最终回复数据。由于本申请中预先训练的智能问答模型基于SAAS软件提供的API信息对待处理问题数据进行自动化响应和API调用以及预先训练的智能问答模型是通过训练数据集训练生成的，训练数据集是基于SAAS软件提供的API信息进行标注和整理的，API信息包括可用的数据接口、数据格式以及数据结构，通过训练模型使得参数之间建立关系可自动对用户提出问题的自动化响应和API调用，从而自动化生成关于用户提出问题的反馈，从而提升了工作效率。
下述为本申请系统实施例，可以用于执行本申请方法实施例。对于本申请系统实施例中未披露的细节，请参照本申请方法实施例。
请参见图4，其示出了本申请一个示例性实施例提供的基于SAAS软件的智能问答系统的结构示意图。该基于SAAS软件的智能问答系统可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。该系统1包括问题数据接收模块10、问题数据输入模块20、回复数据输出模块30。
问题数据接收模块10，用于接收来自目标对象提交的待处理问题数据；
问题数据输入模块20，用于将待处理问题数据包括的语音或者文字输入预先训练的智能问答模型中；其中，预先训练的智能问答模型基于SAAS软件提供的API信息对待处理问题数据进行自动化响应和API调用，得到待处理问题数据对应的最终回复数据；其中，
预先训练的智能问答模型是通过训练数据集训练生成的，训练数据集是基于SAAS软件提供的API信息进行标注和整理的，API信息包括可用的数据接口、数据格式以及数据结构；
回复数据输出模块30，用于输出待处理问题数据对应的最终回复数据。
需要说明的是，上述实施例提供的基于SAAS软件的智能问答系统在执行基于SAAS软件的智能问答方法时，仅以上述各功能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模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于SAAS软件的智能问答系统与基于SAAS软件的智能问答方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，首先接收来自目标对象提交的待处理问题数据；将待处理问题数据包括的语音或者文字输入预先训练的智能问答模型中；输出待处理问题数据对应的最终回复数据。由于本申请中预先训练的智能问答模型基于SAAS软件提供的API信息对待处理问题数据进行自动化响应和API调用以及预先训练的智能问答模型是通过训练数据集训练生成的，训练数据集是基于SAAS软件提供的API信息进行标注和整理的，API信息包括可用的数据接口、数据格式以及数据结构，通过训练模型使得参数之间建立关系可自动对用户提出问题的自动化响应和API调用，从而自动化生成关于用户提出问题的反馈，从而提升了工作效率。
本申请还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的基于SAAS软件的智能问答方法。
本申请还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的基于SAAS软件的智能问答方法。
请参见图5，为本申请实施例提供了一种电子设备的结构示意图。如图5所示，电子设备1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏（Display）、摄像头（Camera），可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable Logic Array，PLA）中的至少一种硬件形式来实现。处理器1001可集成中央处理器（Central Processing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器1005包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储系统。如图5所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于SAAS软件的智能问答应用程序。
在图5所示的电子设备1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的基于SAAS软件的智能问答应用程序，并具体执行以下操作：
接收来自目标对象提交的待处理问题数据；
将待处理问题数据包括的语音或者文字输入预先训练的智能问答模型中；其中，预先训练的智能问答模型基于SAAS软件提供的API信息对待处理问题数据进行自动化响应和API调用，得到待处理问题数据对应的最终回复数据；其中，
预先训练的智能问答模型是通过训练数据集训练生成的，训练数据集是基于SAAS软件提供的API信息进行标注和整理的，API信息包括可用的数据接口、数据格式以及数据结构；
输出待处理问题数据对应的最终回复数据。
在一个实施例中，处理器1001在执行基于SAAS软件提供的API信息对待处理问题数据进行自动化响应和API调用，得到待处理问题数据对应的最终回复数据时，具体执行以下操作：
采用自然语言处理算法对待处理问题数据进行理解和分析，生成关于待处理问题的自动化响应信息；
调用SAAS软件提供的API信息，以获取相关系统信息；
通过自动化响应信息和相关系统信息进行自然语言反馈，得到待处理问题数据对应的最终回复数据。
在一个实施例中，处理器1001在执行接收来自目标对象提交的待处理问题数据之前时，还执行以下操作：
收集用户在预设周期内所提交的历史问题数据；
获取SAAS软件提供的API信息，API信息包括可用的数据接口、数据格式以及数据结构；
整理并标注历史问题数据与数据接口、数据格式以及数据结构，得到训练数据集；
创建智能问答模型；
根据训练数据集对智能问答模型进行训练，以使智能问答模型拟合出历史问题数据与API信息之间的关系，生成预先训练的智能问答模型。
在一个实施例中，处理器1001在执行整理并标注历史问题数据与数据接口、数据格式以及数据结构，得到训练数据集时，具体执行以下操作：
根据语音数据或文本数据，生成每个历史问题数据对应的关键词序列；
利用数据接口、数据格式以及数据结构，从SAAS软件中获取每个历史问题数据对应的关键词序列对应的系统信息，得到每个历史问题数据对应的系统响应文本；
根据每个历史问题数据对应的系统响应文本，对每个历史问题数据对应的关键词序列进行标注，得到训练数据集。
在一个实施例中，处理器1001在执行根据每个历史问题数据对应的系统响应文本，对每个历史问题数据对应的关键词序列进行标注，得到训练数据集时，具体执行以下操作：
将每个历史问题数据对应的系统响应文本和每个历史问题数据对应的关键词序列进行关联，得到预设数量的历史问答文本；
对每个历史问答文本进行错别字替换、特殊字符处理以及断句处理，得到多个第一问答文本；
将每个第一问答文本进行问答角色划分、问答顺序归类以及问答拼接，得到多个第二问答文本；
根据敏感词库和预先训练的混淆度计算模型判定每个第二问答文本是否满足预设条件；
在每个第二问答文本满足预设条件的情况下，得到训练数据集。
在一个实施例中，处理器1001在执行根据训练数据集对智能问答模型进行训练，以使智能问答模型拟合出历史问题数据与API信息之间的关系，生成预先训练的智能问答模型时，具体执行以下操作：
将多个第二问答文本按照预设数量进行划分，得到训练集和测试集；
将训练集输入智能问答模型，输出模型损失值；
在损失值到达最小且训练次数满足预设阈值时，按照用户在前以及SAAS软件在后的方式，将测试集中任意一个第二问答文本包括的属于用于的关键词序列输入智能问答模型中，输出任意一个第二问答文本对应的目标回复文本；
计算测试集中任意一个第二问答文本包括的属于SAAS软件的系统响应文本与任意一个第二问答文本对应的目标回复文本之间的文本相似程度；
当文本相似程度大于等于预设阈值时，生成预先训练的智能问答模型。
在一个实施例中，处理器1001还执行以下操作：
当文本相似程度小于预设阈值时，根据测试集中任意一个第二问答文本包括的属于SAAS软件的系统响应文本与任意一个第二问答文本对应的目标回复文本，生成反馈内容推送至用于SAAS软件研发的客户端，以优化和定制测试集中任意一个第二问答文本包括的属于SAAS软件的系统响应文本；
调整智能问答模型的模型参数，并继续执行整理并标注历史问题数据与数据接口、数据格式以及数据结构，得到训练数据集的步骤，直到文本相似程度大于等于预设阈值。
在本申请实施例中，首先接收来自目标对象提交的待处理问题数据；将待处理问题数据包括的语音或者文字输入预先训练的智能问答模型中；输出待处理问题数据对应的最终回复数据。由于本申请中预先训练的智能问答模型基于SAAS软件提供的API信息对待处理问题数据进行自动化响应和API调用以及预先训练的智能问答模型是通过训练数据集训练生成的，训练数据集是基于SAAS软件提供的API信息进行标注和整理的，API信息包括可用的数据接口、数据格式以及数据结构，通过训练模型使得参数之间建立关系可自动对用户提出问题的自动化响应和API调用，从而自动化生成关于用户提出问题的反馈，从而提升了工作效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，基于SAAS软件的智能问答的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，基于SAAS软件的智能问答的程序的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。
Claims (10)
1.一种基于SAAS软件的智能问答方法，其特征在于，所述方法包括：
接收来自目标对象提交的待处理问题数据；
将所述待处理问题数据包括的语音或者文字输入预先训练的智能问答模型中；其中，所述预先训练的智能问答模型基于SAAS软件提供的API信息对所述待处理问题数据进行自动化响应和API调用，得到所述待处理问题数据对应的最终回复数据；其中，
所述预先训练的智能问答模型是通过训练数据集训练生成的，所述训练数据集是基于SAAS软件提供的API信息进行标注和整理的，所述API信息包括可用的数据接口、数据格式以及数据结构；
输出所述待处理问题数据对应的最终回复数据。
2.根据权利要求1所述的方法，其特征在于，所述基于SAAS软件提供的API信息对所述待处理问题数据进行自动化响应和API调用，得到所述待处理问题数据对应的最终回复数据，包括：
采用自然语言处理算法对所述待处理问题数据进行理解和分析，生成关于所述待处理问题的自动化响应信息；
调用SAAS软件提供的API信息，以获取相关系统信息；
通过所述自动化响应信息和所述相关系统信息进行自然语言反馈，得到所述待处理问题数据对应的最终回复数据。
3.根据权利要求1或2所述的方法，其特征在于，所述接收来自目标对象提交的待处理问题数据之前，还包括：
收集用户在预设周期内所提交的历史问题数据；
获取SAAS软件提供的API信息，所述API信息包括可用的数据接口、数据格式以及数据结构；
整理并标注所述历史问题数据与所述数据接口、数据格式以及数据结构，得到训练数据集；
创建智能问答模型；
根据所述训练数据集对所述智能问答模型进行训练，以使所述智能问答模型拟合出所述历史问题数据与所述API信息之间的关系，生成预先训练的智能问答模型。
4.根据权利要求3所述的方法，其特征在于，所述历史问题数据包括语音数据或文本数据；
所述整理并标注所述历史问题数据与所述数据接口、数据格式以及数据结构，得到训练数据集，包括：
根据所述语音数据或所述文本数据，生成每个历史问题数据对应的关键词序列；
利用所述数据接口、数据格式以及数据结构，从所述SAAS软件中获取所述每个历史问题数据对应的关键词序列对应的系统信息，得到每个历史问题数据对应的系统响应文本；
根据所述每个历史问题数据对应的系统响应文本，对所述每个历史问题数据对应的关键词序列进行标注，得到训练数据集。
5.根据权利要求4所述的方法，其特征在于，所述根据所述每个历史问题数据对应的系统响应文本，对所述每个历史问题数据对应的关键词序列进行标注，得到训练数据集，包括：
将所述每个历史问题数据对应的系统响应文本和所述每个历史问题数据对应的关键词序列进行关联，得到预设数量的历史问答文本；
对每个历史问答文本进行错别字替换、特殊字符处理以及断句处理，得到多个第一问答文本；
将每个第一问答文本进行问答角色划分、问答顺序归类以及问答拼接，得到多个第二问答文本；
根据敏感词库和预先训练的混淆度计算模型判定每个第二问答文本是否满足预设条件；
在每个第二问答文本满足预设条件的情况下，得到训练数据集。
6.根据权利要求3所述的方法，其特征在于，所述训练数据集包括多个第二问答文本，每个第二问答文本包括属于第一角色的关键词序列以及属于第二角色的系统响应文本，所述第一角色为用户，所述第二角色为SAAS软件；
所述根据所述训练数据集对所述智能问答模型进行训练，以使所述智能问答模型拟合出所述历史问题数据与所述API信息之间的关系，生成预先训练的智能问答模型，包括：
将所述多个第二问答文本按照预设数量进行划分，得到训练集和测试集；
将所述训练集输入所述智能问答模型，输出模型损失值；
在所述损失值到达最小且训练次数满足预设阈值时，按照所述用户在前以及所述SAAS软件在后的方式，将所述测试集中任意一个第二问答文本包括的属于用于的关键词序列输入所述智能问答模型中，输出任意一个第二问答文本对应的目标回复文本；
计算所述测试集中任意一个第二问答文本包括的属于SAAS软件的系统响应文本与任意一个第二问答文本对应的目标回复文本之间的文本相似程度；
当所述文本相似程度大于等于预设阈值时，生成预先训练的智能问答模型。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
当所述文本相似程度小于预设阈值时，根据所述测试集中任意一个第二问答文本包括的属于SAAS软件的系统响应文本与任意一个第二问答文本对应的目标回复文本，生成反馈内容推送至用于SAAS软件研发的客户端，以优化和定制所述测试集中任意一个第二问答文本包括的属于SAAS软件的系统响应文本；
调整所述智能问答模型的模型参数，并继续执行所述整理并标注所述历史问题数据与所述数据接口、数据格式以及数据结构，得到训练数据集的步骤，直到所述文本相似程度大于等于预设阈值。
8.一种基于SAAS软件的智能问答方法，其特征在于，所述方法包括：
问题数据接收模块，用于接收来自目标对象提交的待处理问题数据；
问题数据输入模块，用于将所述待处理问题数据包括的语音或者文字输入预先训练的智能问答模型中；其中，所述预先训练的智能问答模型基于SAAS软件提供的API信息对所述待处理问题数据进行自动化响应和API调用，得到所述待处理问题数据对应的最终回复数据；其中，
所述预先训练的智能问答模型是通过训练数据集训练生成的，所述训练数据集是基于SAAS软件提供的API信息进行标注和整理的，所述API信息包括可用的数据接口、数据格式以及数据结构；
回复数据输出模块，用于输出所述待处理问题数据对应的最终回复数据。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-7任意一项的方法步骤。
10.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410281809.XA CN117874211A (zh) | 2024-03-13 | 2024-03-13 | 基于saas软件的智能问答方法、系统、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410281809.XA CN117874211A (zh) | 2024-03-13 | 2024-03-13 | 基于saas软件的智能问答方法、系统、介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117874211A true CN117874211A (zh) | 2024-04-12 |
Family
ID=90584983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410281809.XA Pending CN117874211A (zh) | 2024-03-13 | 2024-03-13 | 基于saas软件的智能问答方法、系统、介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117874211A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2887339A1 (en) * | 2013-12-20 | 2015-06-24 | Baidu Online Network Technology Beijing Co., Ltd. | A question distribution method and a question distribution system for a q & a platform |
| CN112749265A (zh) * | 2021-01-08 | 2021-05-04 | 哈尔滨工业大学 | 一种基于多信息源的智能问答系统 |
| US20220067292A1 (en) * | 2020-08-31 | 2022-03-03 | Google Llc | Guided text generation for task-oriented dialogue |
| CN114840657A (zh) * | 2022-05-27 | 2022-08-02 | 北京工业大学 | 一种基于混合模式的api知识图谱自适应构建及智能问答方法 |
| KR20230144505A (ko) * | 2023-03-10 | 2023-10-16 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 딥러닝 모델 기반의 데이터 생성 방법, 트레이닝 방법 및 장치 |
| CN116910561A (zh) * | 2023-07-31 | 2023-10-20 | 阿里巴巴（中国）有限公司 | 数据集构建的方法和服务器 |
| CN116975635A (zh) * | 2023-07-25 | 2023-10-31 | 特赞（上海）信息科技有限公司 | 参数预测模型的训练方法、参数预测方法和装置 |
| CN117034135A (zh) * | 2023-06-29 | 2023-11-10 | 南通大学 | 一种基于提示学习和双信息源融合的api推荐方法 |
| CN117575008A (zh) * | 2023-11-14 | 2024-02-20 | 腾讯科技（深圳）有限公司 | 训练样本生成方法、模型训练方法、知识问答方法及设备 |
-
2024
- 2024-03-13 CN CN202410281809.XA patent/CN117874211A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2887339A1 (en) * | 2013-12-20 | 2015-06-24 | Baidu Online Network Technology Beijing Co., Ltd. | A question distribution method and a question distribution system for a q & a platform |
| US20220067292A1 (en) * | 2020-08-31 | 2022-03-03 | Google Llc | Guided text generation for task-oriented dialogue |
| CN112749265A (zh) * | 2021-01-08 | 2021-05-04 | 哈尔滨工业大学 | 一种基于多信息源的智能问答系统 |
| CN114840657A (zh) * | 2022-05-27 | 2022-08-02 | 北京工业大学 | 一种基于混合模式的api知识图谱自适应构建及智能问答方法 |
| KR20230144505A (ko) * | 2023-03-10 | 2023-10-16 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 딥러닝 모델 기반의 데이터 생성 방법, 트레이닝 방법 및 장치 |
| CN117034135A (zh) * | 2023-06-29 | 2023-11-10 | 南通大学 | 一种基于提示学习和双信息源融合的api推荐方法 |
| CN116975635A (zh) * | 2023-07-25 | 2023-10-31 | 特赞（上海）信息科技有限公司 | 参数预测模型的训练方法、参数预测方法和装置 |
| CN116910561A (zh) * | 2023-07-31 | 2023-10-20 | 阿里巴巴（中国）有限公司 | 数据集构建的方法和服务器 |
| CN117575008A (zh) * | 2023-11-14 | 2024-02-20 | 腾讯科技（深圳）有限公司 | 训练样本生成方法、模型训练方法、知识问答方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109002510B (zh) | 一种对话处理方法、装置、设备和介质 | |
| CN107193974B (zh) | 基于人工智能的地域性信息确定方法和装置 | |
| CN111159220B (zh) | 用于输出结构化查询语句的方法和装置 | |
| EP4012564A1 (en) | Data processing method, data processing device, and storage medium | |
| CN116226334A (zh) | 生成式大语言模型训练方法以及基于模型的搜索方法 | |
| CN107862425B (zh) | 风控数据采集方法、设备、系统及可读存储介质 | |
| CN109324956B (zh) | 系统测试方法、设备及计算机可读存储介质 | |
| CN111737443B (zh) | 答案文本的处理方法和装置、关键文本的确定方法 | |
| US20210294969A1 (en) | Generation and population of new application document utilizing historical application documents | |
| CN114116441A (zh) | 一种ui界面测试方法、装置、电子设备及存储介质 | |
| CN114003818A (zh) | 页面推荐方法、装置、服务器及存储介质 | |
| CN113342954A (zh) | 一种应用于问答系统的图像信息处理方法、装置及电子设备 | |
| CN112966076A (zh) | 智能问答问题的生成方法、装置、计算机设备及存储介质 | |
| CN117314139A (zh) | 业务流程的建模方法、装置、终端设备及存储介质 | |
| CN117371428A (zh) | 基于大语言模型的文本处理方法与装置 | |
| EP4246365A1 (en) | Webpage identification method and apparatus, electronic device, and medium | |
| EP4254256A1 (en) | Spoken language processing method and apparatus, electronic device, and storage medium | |
| CN112579733A (zh) | 规则匹配方法、规则匹配装置、存储介质及电子设备 | |
| CN113791860B (zh) | 一种信息转换方法、装置和存储介质 | |
| CN113688232B (zh) | 招标文本分类方法、装置、存储介质及终端 | |
| CN117874211A (zh) | 基于saas软件的智能问答方法、系统、介质及电子设备 | |
| US20210312223A1 (en) | Automated determination of textual overlap between classes for machine learning | |
| CN114297380A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| CN109857838B (zh) | 用于生成信息的方法和装置 | |
| CN114118937A (zh) | 基于任务的信息推荐方法、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 |