JP2022091986A

JP2022091986A - インテリジェント対話方法、装置、電子機器及び記憶媒体

Info

Publication number: JP2022091986A
Application number: JP2022064003A
Authority: JP
Inventors: ドンフェンヘ，; Dongfeng He; ビンジンチェン，; Bingjin Chen; ワンシュンチェン，; Wanshun Chen; ジャヤントゥ，; Jiayang Tu; インツァンリン，; Yingzhan Lin; シウェイファン，; Shiwei Huang
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2021-06-30
Filing date: 2022-04-07
Publication date: 2022-06-21
Anticipated expiration: 2042-04-07
Also published as: US20220129448A1; CN113553414B; CN113553414A; JP7397903B2

Abstract

【課題】インテリジェント対話シナリオに適用するインテリジェント対話方法、電子機器、記憶媒体及びプログラムを提供する。【解決手段】方法は、処理対象の質問情報をターゲットテーブルのテーブルコンテンツと事前にマッチングして、事前マッチング結果を取得するステップ１０１と、質問情報から属性値とのマッチング度が最も高い単語セグメントを抽出するステップ１０２と、各列属性の属性値から、単語セグメントに意味的に関連付けられたターゲット属性値を決定するステップ１０３と、質問情報、各列属性の列属性名、列属性名の最も高いマッチングレベル、属性値の最も高いマッチングレベル及びターゲット属性値に基づいて、質問情報に対応するＳＱＬクエリステートメントを生成するステップ１０４と、ＳＱＬクエリステートメントに基づいてデータベースを検索して、対応する応答ステートメントを生成するステップ１０５と、を含む。【選択図】図１

Description

本開示は、人工知能の分野に関し、特に自然言語処理及び深層学習などの分野に関し、特にインテリジェント対話方法、装置、電子機器及び記憶媒体に関し、具体的にはインテリジェント対話シナリオに適用可能である。

テーブルの質問応答は、フォームのコンテンツに基づいて質問を行い、質問の答えを得るテクノロジである。ここで、このテクノロジには、テーブルデータをデータベースにインポートするステップと、自然言語をＳＱＬステートメントに解析するステップ（このプロセスはＮＬ２ＳＱＬと呼ぶことができる）と、ＳＱＬステートメントを使用してデータベースを検索するステップと、データベースの検索結果に基づいて応答ステートメントを生成するステップとを含む。ここで、コアステップはＮＬ２ＳＱＬである。

ＮＬ２ＳＱＬが直面する最大の課題の１つは、列名と属性値の一般化である。実際のビジネスシナリオでは、多くのユーザがテーブルの情報を理解していないため、ユーザが提示する質問情報がテーブルの列名または属性値と完全にマッチングすることは困難であり、ＳＱＬ解析に失敗し、データベースの検索結果が不十分になり、インテリジェント対話の効果が悪くなる。

本開示は、インテリジェント対話シナリオで使用可能なインテリジェント対話方法、装置、電子機器及び記憶媒体を提供する。

本開示の第１の態様によれば、処理対象の質問情報をターゲットテーブルのテーブルコンテンツと事前にマッチングして、事前マッチング結果を取得するステップであって、前記ターゲットテーブルには、複数の列属性と各列属性の属性値が含まれ、前記事前マッチング結果には、前記各列属性の列属性名の最も高いマッチングレベル、属性値の最も高いマッチングレベル、及び前記質問情報とのマッチング度が最も高い属性値が含まれるステップと、前記質問情報とのマッチング度が最も高い属性値に基づいて、前記質問情報から前記属性値とのマッチング度が最も高い単語セグメントを抽出するステップと、前記各列属性の属性値から、前記単語セグメントに意味的に関連付けられたターゲット属性値を決定するステップと、前記質問情報、前記各列属性の列属性名、前記列属性名の最も高いマッチングレベル、前記属性値の最も高いマッチングレベル、及び前記ターゲット属性値に基づいて、前記質問情報に対応するＳＱＬクエリステートメントを生成するステップと、前記ＳＱＬクエリステートメントに基づいてデータベースを検索して、データベース検索の結果に基づいて応答ステートメントを生成するステップと、を含むインテリジェント対話方法を提供する。

本開示の第２の態様によれば、処理対象の質問情報をターゲットテーブルのテーブルコンテンツと事前にマッチングして、事前マッチング結果を取得するための事前マッチングモジュールであって、前記ターゲットテーブルには、複数の列属性と各列属性の属性値が含まれ、前記事前マッチング結果には、前記各列属性の列属性名の最も高いマッチングレベル、属性値の最も高いマッチングレベル、及び前記質問情報とのマッチング度が最も高い属性値が含まれる事前マッチングモジュールと、前記質問情報とのマッチング度が最も高い属性値に基づいて、前記質問情報から前記属性値とのマッチング度が最も高い単語セグメントを抽出するための抽出モジュールと、前記各列属性の属性値から、前記単語セグメントに意味的に関連付けられたターゲット属性値を決定するための決定モジュールと、前記質問情報、前記各列属性の列属性名、前記列属性名の最も高いマッチングレベル、前記属性値の最も高いマッチングレベル、及び前記ターゲット属性値に基づいて、前記質問情報に対応するＳＱＬクエリステートメントを生成するための第１の生成モジュールと、前記ＳＱＬクエリステートメントに基づいてデータベースを検索して、データベース検索の結果に基づいて応答ステートメントを生成するための第２の生成モジュールと、を備えるインテリジェント対話装置を提供する。

本開示の第３の態様によれば、電子機器を提供し、該電子機器は、少なくとも１つのプロセッサと、前記少なくとも１つのプロセッサと通信可能に接続されたメモリと、を備え、前記メモリには、前記少なくとも１つのプロセッサによって実行される命令が記憶されており、前記命令が、前記少なくとも１つのプロセッサが上記第１の態様に記載の方法を実行できるように、前記少なくとも１つのプロセッサによって実行される。

本開示の第４の態様によれば、コンピュータ命令が記憶されている非一時的なコンピュータ読み取り可能な記憶媒体を提供し、前記コンピュータ命令が、コンピュータに上記第１の態様に記載の方法を実行させる。

本開示の第５の態様によれば、コンピュータプログラムを提供し、前記コンピュータプログラムがプロセッサによって実行される場合、上記第１の態様に記載の方法が実現される。

本開示の技術案によれば、ＮＬ２ＳＱＬ技術が列名と属性値名の一般化能力を有することができ、これによって、ユーザの質問情報は、テーブル内の列名又は属性値名と完全にマッチングすることができ、ＳＱＬ解析の成功率を高め、データベース検索の結果の精度を向上させ、インテリジェント対話の効果を改善することができる。

なお、ここで記載されている内容は、本開示の実施例の肝心または重要な特徴を特定することを意図しておらず、本開示の範囲を限定することも意図していない。本出願の他の特徴は下記の明細書の記載によって理解しやすくなる。

図面は、本出願をより良く理解するために使用され、本開示を限定するものではない。
本開示の実施例により提供されるインテリジェント対話方法のフローチャートである。本開示の実施例の意味マッチングモデルの概略構成図である。本開示の実施例により提供される事前マッチング処理のフローチャートである。本開示の実施例の辞書ツリーの構造の例示的な図である。本開示の実施例により提供される事前マッチング結果の例示的な図である。本開示の実施例により提供されるＳＱＬクエリステートメントの生成方法のフローチャートである。本開示の実施例により提供される別のＳＱＬクエリステートメントの生成方法のフローチャートである。本開示の実施例によるＳＱＬクエリステートメントの生成の概略図である。本開示の実施例により提供されるインテリジェント対話装置の構造ブロック図である。本開示の実施例により提供される別のインテリジェント対話装置の構造ブロック図である。本開示の実施例により提供される別のインテリジェント対話装置の構造ブロック図である。本開示の実施例により提供されるインテリジェント対話の方法を実現するための電子機器の構造ブロック図である。

以下、図面と組み合わせて本出願の例示的な実施例を説明する。理解を容易にするために、その中には本発明の実施例の様々な詳細が含まれ、それらは単なる例示と見なされるべきである。したがって、当業者は、本発明の範囲および精神から逸脱することなく、本明細書に記載の実施例に様々な変更および修正を行うことができる。また、わかりやすくかつ簡潔にするために、以下の説明では、周知の機能および構造の説明を省略する。

なお、ＮＬ２ＳＱＬが直面する最大の課題の１つは、ｃｏｌｕｍｎ（列名）とｖａｌｕｅ（属性値）の一般化である。実際のビジネスシナリオでは、多くのユーザがテーブルの情報を理解していないため、ユーザが提示する質問情報（ｑｕｅｒｙ）がテーブルのｃｏｌｕｍｎまたはｖａｌｕｅと完全にマッチングすることは困難であり、ＳＱＬ解析に失敗する。例えば、ユーザの質問情報（ｑｕｅｒｙ）は、「健康診断結果が合格した候補者は誰ですか」であり、テーブルの「健康診断結果」というｃｏｌｕｍｎのｖａｌｕｅは、「標準に達している」又は「標準に達していない」である。意味的には、「合格した」と「標準に達している」は同じ意味であるが、字面的には、完全にマッチングしないため、文字通りに解析することはできない。これは、従来技術におけるＳＱＬステートメント生成モデルの効果はｃｏｌｕｍｎの命名の品質に依存しているためであり、ｃｏｌｕｍｎの名がこの列の意味を十分に表すことができない場合、モデルは正しい予測ができないため、ＳＱＬ解析に失敗して、データベース検索の結果が不十分になり、インテリジェント対話の効果が悪くなる。

上記の問題に基づいて、本開示は、インテリジェント対話方法、装置、電子機器及び記憶媒体を提供する。本開示は、ＮＬ２ＳＱＬ技術にｃｏｌｕｍｎとｖａｌｕｅの一般化能力を持たせることができるため、ユーザの質問情報をテーブルのｃｏｌｕｍｎ又はｖａｌｕｅと完全にマッチングすることができ、ＳＱＬ解析の成功率を高め、データベース検索の結果の精度を向上させ、インテリジェント対話の効果を改善することができる。具体的に、以下に図面を参照して本開示の実施例に係るインテリジェント対話方法、装置、電子機器及び記憶媒体を説明する。

図１は、本開示の実施例により提供されるインテリジェント対話方法のフローチャートである。図１に示すように、このインテリジェント対話方法は、以下のステップ１０１～１０５を含む。

ステップ１０１では、処理対象の質問情報をターゲットテーブルのテーブルコンテンツと事前にマッチングして、事前マッチング結果を取得する。

例えば、本開示の実施例に係るインテリジェント対話方法では、ユーザに質問入力インターフェースを提供できると仮定すると、このインターフェースを介してユーザによって入力された質問情報を取得し、ユーザによって入力されたこの質問情報を処理対象の質問情報とすることができる。なお、ユーザによって入力された質問情報の形式は音声形式又はテキスト形式であってもよい。ユーザによって入力された質問情報が音声形式である場合、ユーザによって入力されたこの音声に対して音声認識を行って、対応するテキスト情報に変換することができる。

ここで、本実施例では、ターゲットテーブルには複数の列属性と各列属性の属性値が含まれる。なお、このターゲットテーブルはこの質問情報に対応しており、このターゲットテーブルは、後続のデータベース検索で使用されるデータベースにあるテーブルであってもよい。つまり、この質問情報に対応する答え情報は、このターゲットテーブルのテーブルコンテンツに基づいて取得されてもよい。

このステップでは、処理対象の質問情報をターゲットテーブルに対応する辞書ツリーと事前にマッチングして、事前マッチング結果を取得することができる。ここで、事前マッチング結果には、各列属性の列属性名の最も高いマッチングレベル、属性値の最も高いマッチングレベル、及び質問情報とのマッチング度が最も高い属性値が含まれてもよい。

つまり、ターゲットテーブルに対応する辞書ツリーを使用してこの質問情報とマッチングし、このターゲットテーブルの列属性名と属性値から、列属性名の最も高いマッチングレベル、属性値の最も高いマッチングレベル、及び質問情報とのマッチング度が最も高い属性値を取得する。

なお、この辞書ツリーは、ターゲットテーブルのテーブルコンテンツに基づいて確立することができる。辞書ツリーの特徴は、長さｍの文字列を検索する時間計算量がＯ（ｍ）であり、そのクエリ性能はセット内の文字列の数とは関係がなく、テーブルのコンテンツが多い場合に検索及びマッチングを効率的に行うことができることである。

ステップ１０２では、質問情報とのマッチング度が最も高い属性値に基づいて、質問情報から属性値とのマッチング度が最も高い単語セグメントを抽出する。

例えば、質問情報が「ブランド名ＡＡＡＡの車種は何ですか」であり、「ブランド名」という列名の属性値については、ターゲットテーブルに、「ＡＡＡＡＡ」、「ＡＡＢＢＣＣ」などがある場合、質問情報に基づいてターゲットテーブルの辞書ツリーと事前にマッチングして、質問情報とのマッチング度が最も高い属性値「ＡＡＡＡＡ」を取得し、この質問情報とのマッチング度が最も高い属性値「ＡＡＡＡＡ」に基づいて、この質問情報から、この属性値とのマッチング度が最も高い単語セグメント「ＡＡＡＡ」を抽出することができる。

ステップ１０３では、各列属性の属性値から、単語セグメントに意味的に関連付けられたターゲット属性値を決定する。

選択的に、テーブル情報を解析する場合、テーブル内の全ての属性値ｖａｌｕｅに対して、意味マッチングモデルによってベクトル表現を事前に計算してベクトルライブラリに記憶する。質問情報からこの単語セグメントを抽出する場合、この意味マッチングモデルによって、この単語セグメントのベクトル表現を計算し、この単語セグメントのベクトル表現を使用して、ベクトルライブラリで最も類似したベクトル及びそれに対応する属性値ｖａｌｕｅにインデックスを付け、検索された属性値を単語セグメントに意味的に関連付けられたターゲット属性値とすることができる。これにより、意味情報に基づいて、質問情報のセグメントを実際のｖａｌｕｅにマッピングすることにより、文字通りのマッチングが不正確な問題を解決することができる。

なお、本開示の実施例では、この意味マッチングモデルは、事前にトレーニングされていてもよい。抽出された単語セグメントを意味に基づいてターゲットテーブルにおける実際の属性値ｖａｌｕｅにマッピングするために、本開示は、Ｓｅｎｔｅｎｃｅ－ＢＥＲＴ（文の類似度を迅速に計算できるシャムネットワーク）構造に基づいてこの意味マッチングモデルを構築する。例えば、図２に示すように、それはこの意味マッチングモデルの概略構成図である。ここで、この意味マッチングモデルへの入力は２つのシーケンスであり、各シーケンスは、「［ＣＬＳ］ｖａｌｕｅ［ＳＥＰ］」として表される。２つのシーケンスをそれぞれ２つの重みが共有されているＥｒｎｉｅモデルに入力して、ｖａｌｕｅ表現を取得する。２つのシーケンスのｖａｌｕｅｔｏｋｅｎを平均プーリング（ａｖｅｒａｇｅｐｏｏｌｉｎｇ）処理した後、同じ次元の２つのベクトルｕとｖが取得され、計算されたベクトルｕとｖのコサイン距離は、２つのｖａｌｕｅの意味的類似度である。

なお、この意味マッチングモデルのトレーニングに使用されるトレーニングサンプルは、正のサンプルと負のサンプルを含んでも良い。ここで、正のサンプルは、意味が同じで文字通りの偏差がある２つの単語であり、負のサンプルは、意味が異なる２つの単語である。正のサンプルは、シソーラスまたは単語の書き換えによって構築することができる。負のサンプルの構築は２つの段階に分けられる。第１の段階では、ランダムな選択によって負のサンプルが構築される。本開示は、正のサンプルと第１の段階で構築された負のサンプルを使用して、初期の意味マッチングモデルをトレーニングすることができる。第２の段階では、本開示は、初期の意味マッチングモデルを使用して類似度の高い負のサンプル、すなわち、困難な負のサンプルを選別する。本開示は、正のサンプルと困難な負のサンプルを使用して最終的な意味マッチングモデルをトレーニングすることができる。

ステップ１０４では、質問情報、各列属性の列属性名、列属性名の最も高いマッチングレベル、属性値の最も高いマッチングレベル及びターゲット属性値に基づいて、質問情報に対応するＳＱＬクエリステートメントを生成する。

本開示の実施例では、トレーニングされたＳＱＬステートメント生成モデルを使用して、質問情報に対応するＳＱＬクエリステートメントを生成することができる。例えば、質問情報、各列属性の列属性名、列属性名の最も高いマッチングレベル、属性値の最も高いマッチングレベル及びターゲット属性値を入力としてスプライシングし、この入力シーケンスを対応するベクトル表現に変更し、この入力シーケンスに対応するベクトル表現をこのトレーニングされたＳＱＬステートメント生成モデルに入力して、質問情報に対応するＳＱＬクエリステートメントを生成することができる。

ステップ１０５では、ＳＱＬクエリステートメントに基づいてデータベースを検索し、データベース検索の結果に基づいて応答ステートメントを生成する。

選択的に、質問情報に対応するＳＱＬクエリステートメントが取得された場合、このＳＱＬクエリステートメントに基づいてデータベースを検索して、データベース検索の結果を取得し、このデータベース検索の結果及び対応する応答ステートメントテンプレートを使用して、対応する応答ステートメントを生成することができる。選択的に、この応答ステートメントは、音声放送、テキスト表示などの少なくとも１つの表示形式でユーザに提供される。

本開示の実施例に係るインテリジェント対話方法では、質問情報をターゲットテーブルのテーブルコンテンツと事前にマッチングして、事前マッチング結果における質問情報とのマッチング度が最も高い属性値を使用して、この質問情報から単語セグメントを抽出し、この単語セグメントを使用して、この単語セグメントに意味的に関連付けられた実際の属性値名を決定し、事前マッチング結果における各列属性の列属性名の最も高いマッチングレベル、属性値の最も高いマッチングレベル、質問情報、及び実際の属性値名を使用して、この質問情報に対応するＳＱＬクエリステートメントを生成することにより、ＳＱＬ解析の成功率を大幅に高め、データベース検索の結果の精度を向上させ、インテリジェント対話の効果を改善することができる。

なお、検索とマッチングの效率を向上させ、テーブル内の列属性のヒット率を向上させ、ＳＱＬ解析の成功率をさらに向上させるために、ターゲットテーブルに対応する辞書ツリーを使用して、質問情報と事前にマッチングすることができる。選択的に、図３に示すように、前記処理対象の質問情報をターゲットテーブルのテーブルコンテンツと事前にマッチングして、事前マッチング結果を取得する方法は、以下のステップ３０１～３０２を含むことができる。

ステップ３０１では、ターゲットテーブルにおける複数の列属性と各列属性の属性値とに基づいて、ターゲットテーブルに対応する辞書ツリーを確立する。

ここで、本開示の実施例では、この辞書ツリーの各ノードは、マッチングタイプ、マッチングレベル及び各ノードに対応する完全な文字列を含むことができる。一例として、前処理段階では、ターゲットテーブルのすべての列属性と各列属性の属性値を使用して辞書ツリーを構築することができる。ここで、各列属性と列属性の属性値はいずれも独立した辞書ツリーであり、ターゲットテーブルのすべての列属性と各列属性の属性値の各文字列に対して、異なる開始位置から最後までのサブ文字列を抽出し、これらのサブ文字列を対応する辞書ツリーに挿入し、辞書ツリーの各ノードのマッチングレベル及び配合タイプを求める。

例えば、図４に示すように、「品牌名称（日本語の意味：ブランド名）」の列属性のサブ文字列は、「品牌名称」、「牌名称」、「名称」、「称」を含み、サブ文字列が異なれば、元の文字列とのマッチング度も異なる（例えば、「品牌名称」は、元の文字列と完全にマッチングし、「称」は、１文字しかマッチングしない）。これらのサブ文字列を「品牌名称」に対応する辞書ツリーに挿入し、辞書ツリーの各ノードのマッチングレベル及びマッチングタイプ（列属性名又は属性値）を求める。ここで、異なる文字列と元の文字列とのマッチング度に基づいて、マッチングレベルが６つのレベルに分けられ、０は、マッチングしないことを意味し、５は、完全にマッチングすることを意味し、マッチング度は１から４に増加する。ここで、図４に示すように、この辞書ツリーの各ノードはマッチングタイプ、マッチングレベル、及び各ノードに対応する完全な文字列を含むことができる。

ステップ３０２では、辞書ツリーに基づいて、質問情報を事前にマッチングして、事前マッチング結果を取得する。

一実施形態では、質問情報における１文字を起点として、マッチングを続行できなくなるまで、辞書ツリーに従って逆方向にマッチング操作を行い、文字を起点とする最大マッチング文字列間隔、及び対応するマッチングレベルを取得し、質問情報における各文字のマッチング操作を完了した後、重複する文字列間隔リスト、及び対応するマッチングレベルリストを取得し、高から低の順に、各マッチングレベルの文字列間隔を重複排除して、各マッチングレベルの重複しない最大カバレッジ間隔リストを取得し、各マッチングレベルの重複しない最大カバレッジ間隔リストに基づいて、事前マッチング結果を取得する。

例えば、辞書ツリーを使用して、質問情報ｑｕｅｒｙの最大マッチングを行う。ｑｕｅｒｙにおける１文字を起点として、マッチングを続行できなくなるまで、辞書ツリーに従って逆方向にマッチングして、この文字を起点とする最大マッチング文字列間隔、及び対応するマッチングレベルを取得することができる。ｑｕｅｒｙにおける各文字に対して上記のマッチング操作を完了した後、重複する文字列間隔リスト、及び対応するマッチングレベルリストを取得することができる。高から低の順に、各マッチングレベルの文字列間隔を重複排除して、このマッチングレベルの重複しない最大カバレッジ間隔リストを取得することができる。高いマッチングレベルが占有している間隔に対して、低いマッチングレベルは占有できない。最後に、重複しない文字列間隔リストと対応するマッチングレベルリストを取得することができる。例えば、図５に示すように、質問情報が「ＡＡＡ的价格和品牌名（日本語の意味：ＡＡＡの価格とブランド名）」であることを例として、この質問情報を対応するターゲットテーブルの辞書ツリーと事前にマッチングした後、事前マッチング結果を取得し、ここで、この事前マッチング結果には、各列の最も高いｃｏｌｕｍｎマッチングレベル、最も高いｖａｌｕｅマッチングレベル、ｑｕｅｒｙとのマッチング度が最も高いｖａｌｕｅが含まれることができる。

これから分かるように、ターゲットテーブルのテーブルコンテンツを使用して、対応する辞書ツリーを確立し、辞書ツリーの特徴は、長さｍの文字列を検索する時間計算量がＯ（ｍ）であり、そのクエリ性能はセット内の文字列の数とは関係がなく、テーブルのコンテンツが多い場合に検索及びマッチングを効率的に行うことができることである。この辞書ツリーを使用して、質問と事前にマッチングすることにより、検索とマッチングの效率を向上させ、テーブル内の列属性のヒット率を向上させ、ＳＱＬ解析の成功率をさらに向上させることができる。

なお、トレーニングされたＳＱＬステートメント生成モデルを使用して質問情報に対応するＳＱＬクエリステートメントを生成することができる。例えば、質問情報とテーブル情報とのマッチング特徴をモデルに組み込んで、モデルの表現能力を高めることができる。また例えば、各例のマッチング度が最も高いｖａｌｕｅをモデルに追加することで、モデルは、ｃｏｌｕｍｎの名前付けに依存して各列のＳＱＬ操作を予測するだけでなく、ｖａｌｕｅの情報も参照することができ、ｃｏｌｕｍｎの名が欠落している場合でも、ある程度の精度が保証される。選択的に、図６に示すように、前記質問情報、各列属性の列属性名、列属性名の最も高いマッチングレベル、属性値の最も高いマッチングレベル及びターゲット属性値に基づいて、質問情報に対応するＳＱＬクエリステートメントを生成する方法は、以下のステップ６０１～６０５を含むことができる。

ステップ６０１では、各列属性の列属性名、列属性名の最も高いマッチングレベル、属性値の最も高いマッチングレベル、及びターゲット属性値に基づいて、各列属性の特徴ベクトルを生成する。

選択的に、各列属性に対して、この列属性の列属性名、列属性名の最も高いマッチングレベル、属性値の最も高いマッチングレベル、及びターゲット属性値をスプライシングして、Ｅｒｎｉｅモデルを使用して、スプライシングされたシーケンスをベクトル表現に変換し、即ち、スプライシングされた各列属性シーケンスをこのＥｒｎｉｅモデルに入力し、スプライシングされた各列属性シーケンスに対応する特徴ベクトル表現を取得し、この特徴ベクトル表現は、各列属性の特徴ベクトルである。

ステップ６０２では、質問情報に基づいて、質問情報の特徴ベクトルと質問情報における各字の特徴ベクトルを生成する。

選択的に、質問情報をＥｒｎｉｅモデルに入力して、質問情報の特徴ベクトルと質問情報における各字の特徴ベクトルを取得する。

ステップ６０３では、アテンションメカニズムを介して、質問情報の特徴ベクトルと各字の特徴ベクトルとに基づいて、質問情報のグローバル特徴ベクトルを生成する。

選択的に、アテンションメカニズムを介して、質問情報の特徴ベクトルと各字の特徴ベクトルとに基づいて、対応するアテンション特徴ベクトルを生成し、質問情報の特徴ベクトルとアテンション特徴ベクトルとに基づいて、質問情報のグローバル特徴ベクトルを生成する。

ステップ６０４では、各字の特徴ベクトルをそれぞれ各列属性の特徴ベクトルとスプライシングして、対応するスプライシング特徴ベクトルを取得する。

ステップ６０５では、各列属性の特徴ベクトル、グローバル特徴ベクトル及びスプライシング特徴ベクトルを、トレーニングされたＳＱＬステートメント生成モデルに入力して、質問情報に対応するＳＱＬクエリステートメントを取得する。

本開示のいくつかの実施例では、ＳＱＬステートメント生成モデルは、クエリフィールドサブタスク、クエリフィールド判断条件サブタスク、クエリフィールド判断条件シンボルサブタスク、クエリフィールド判断条件数サブタスク、クエリフィールド集約関数サブタスク、クエリ数サブタスク、質問判断条件数サブタスク、シーケンスラベリングサブタスク、及び判断条件間論理コネクタサブタスクを含む。一例として、このクエリフィールドサブタスクはＳ－ＣＯＬサブタスクとすることができ、このＳ－ＣＯＬサブタスクの役割は、このｃｏｌｕｍｎがｓｅｌｅｃｔｃｏｌｕｍｎであるか否かである。

このクエリフィールド判断条件サブタスクは、Ｗ－ＣＯＬサブタスクとすることができ、このＷ－ＣＯＬサブタスクの役割は、このｃｏｌｕｍｎがｗｈｅｒｅｃｏｌｕｍｎであるか否かである。

このクエリフィールド判断条件シンボルサブタスクは、Ｗ－ＯＰサブタスクとすることができ、このＷ－ＯＰサブタスクの役割は、ｗｈｅｒｅｃｏｌｕｍｎの条件シンボルである。

このクエリフィールド判断条件数サブタスクは、Ｗ－ＮＵＭ－ｃｏｌサブタスクとすることができ、このＷ－ＮＵＭ－ｃｏｌサブタスクの役割は、ｗｈｅｒｅｃｏｌｕｍｎに対応するｗｈｅｒｅ条件の数である。

このクエリフィールド集約関数サブタスクは、Ｗ－ＡＧＧサブタスクとすることができ、このＷ－ＡＧＧサブタスクの役割は、ｓｅｌｅｃｔｃｏｌｕｍｎの集約関数である。

このクエリ数サブタスクは、Ｓ－ＮＵＭサブタスクとすることができ、このＳ－ＮＵＭサブタスクの役割は、ｓｅｌｅｃｔの数である。

この質問判断条件数サブタスクは、Ｗ－ＮＵＭ－ａｌｌサブタスクとすることができ、このＷ－ＮＵＭ－ａｌｌサブタスクの役割は、クエリ数サブタスクのｗｈｅｒｅ条件の数である。

このシーケンスラベリングサブタスクは、Ｗ－ＶＡＬ－ｔａｇサブタスクとすることができ、このＷ－ＶＡＬ－ｔａｇサブタスクの役割は、このｑｕｅｒｙｔｏｋｅｎがｗｈｅｒｅｃｏｌｕｍｎのｖａｌｕｅであるか否かである。

この判断条件間論理コネクタサブタスクは、ＣＯＮＮサブタスクとすることができ、このＣＯＮＮサブタスクの役割は、ｗｈｅｒｅ条件間の論理コネクタである。

本実施例では、各列属性の特徴ベクトル、グローバル特徴ベクトル及びスプライシング特徴ベクトルを、トレーニングされたＳＱＬステートメント生成モデルに入力することができる。ＳＱＬステートメント生成モデルにおける各サブタスクは、対応する特徴ベクトルを使用して予測を行って、各サブタスクに対応する予測結果を取得し、各サブタスクに対応する予測結果に基づいて質問情報に対応するＳＱＬクエリステートメントを生成することができる。

一実施形態では、図７に示すように、前記各列属性の特徴ベクトル、グローバル特徴ベクトル及びスプライシング特徴ベクトルを、トレーニングされたＳＱＬステートメント生成モデルに入力して、質問情報に対応するＳＱＬクエリステートメントを取得する方法は、以下のステップ７０１～７０８を含むことができる。

ステップ７０１では、クエリフィールドサブタスクに基づいて各列属性の特徴ベクトルを予測し、各列属性の第１の予測結果を取得する。

ステップ７０２では、クエリフィールド判断条件サブタスクに基づいて各列属性の特徴ベクトルを予測し、各列属性の第２の予測結果を取得する。

ステップ７０３では、クエリフィールド判断条件シンボルサブタスクに基づいて各列属性の特徴ベクトルを予測し、各列属性の第３の予測結果を取得する。

ステップ７０４では、クエリフィールド判断条件数サブタスクに基づいて各列属性の特徴ベクトルを予測し、各列属性の第４の予測結果を取得する。

ステップ７０５では、クエリフィールド集約関数サブタスクに基づいて各列属性の特徴ベクトルを予測し、各列属性の第５の予測結果を取得する。

ステップ７０６では、クエリ数サブタスクに基づいてグローバル特徴ベクトルを予測し、第６の予測結果を取得する。

ステップ７０７では、質問判断条件数サブタスクに基づいてグローバル特徴ベクトルを予測し、第７の予測結果を取得する。

ステップ７０８では、判断条件間論理コネクタサブタスクに基づいてグローバル特徴ベクトルを予測し、第８の予測結果を取得する。

ここで、第８の予測結果から、各列に対するｑｕｅｒｙｔｏｋｅｎのラベリング確率を取得することができ、ラベリング確率が０．５を超える連続した文字列をこの列の候補属性値として抽出し、平均確率を属性値のスコアとすることができる。

なお、本開示の実施例では、第３の予測結果から、各列の異なるｖａｌｕｅの数に対応する確率を取得することができる。次の式に基づいて各列のｖａｌｕｅの数を決定することができる。

ここで、ｎは、この列の列属性の数を表し、ｓｃｏｒｅ_ｉは、ｉ番目に大きい列属性スコアであり、ｐ_ｎは、この列の列属性の数がｎである確率であり、εは、式の正当性を保証するための小さな正の数であり、式は、実際には、判断条件間論理コネクタサブタスクとクエリフィールド判断条件シンボルサブタスクとの２つのサブタスクの合計確率が最も高い列属性の数を選択するものである。各列の列属性の数ｎが得られた後、各列の候補列属性リストから、スコアが最大のｎ個の列属性をこの列の列属性として選択する。

ステップ７０９では、シーケンスラベリングサブタスクに基づいてスプライシング特徴ベクトルを予測し、第９の予測結果を取得する。

ステップ７１０では、第１の予測結果、第２の予測結果、第３の予測結果、第４の予測結果、第５の予測結果、第６の予測結果、第７の予測結果、第８の予測結果及び第９の予測結果に基づいて、質問情報に対応するＳＱＬクエリステートメントを生成する。

選択的に、第９の予測結果に基づいて、各列属性の候補クエリ属性値を決定し、第４の予測結果と第９の予測結果とに基づいて、各列属性の属性値の数を決定し、属性値の数と各列属性の候補クエリ属性値とに基づいて、各列属性のターゲットクエリ属性値を決定し、第１の予測結果と第６の予測結果とに基づいて、ｓｅｌｅｃｔの数と対応するｓｅｌｅｃｔｃｏｌｕｍｎリストを決定し、第２の予測結果と第７の予測結果とに基づいて、ｗｈｅｒｅの数と対応するｗｈｅｒｅｃｏｌｕｍｎリストを決定し、第３の予測結果に基づいて、ｗｈｅｒｅｃｏｌｕｍｎ条件シンボルを決定し、第５の予測結果に基づいて、ｓｅｌｅｃｔｃｏｌｕｍｎ集約関数を決定し、第８の予測結果に基づいて、ｗｈｅｒｅｃｏｌｕｍｎ間の論理コネクタを決定し、各列属性のターゲットクエリ属性値、ｓｅｌｅｃｔの数及び対応するｓｅｌｅｃｔｃｏｌｕｍｎリスト、ｗｈｅｒｅの数及び対応するｗｈｅｒｅｃｏｌｕｍｎリスト、ｗｈｅｒｅｃｏｌｕｍｎ条件シンボル、ｓｅｌｅｃｔｃｏｌｕｍｎ集約関数及びｗｈｅｒｅｃｏｌｕｍｎ間の論理コネクタに基づいて、質問情報に対応するＳＱＬクエリステートメントを生成する。

例えば、図８に示すように、本開示は、Ｅｒｎｉｅモデリングに基づいて、ｑｕｅｒｙ（すなわち、上記の質問情報）と各列のｃｏｌｕｍｎ（すなわち、上記の列属性名）、最も高いｃｏｌｕｍｎマッチングレベル（すなわち、上記の列属性名の最も高いマッチングレベル）、最も高いｖａｌｕｅマッチングレベル（すなわち、上記の属性値の最も高いマッチングレベル）、マッチング度が最も高いｖａｌｕｅ（すなわち、上記のターゲット属性値）を入力としてスプライシングする。具体的な入力シーケンスは、以下のとおりである。
［ＣＬＳ］ｑｕｅｒｙ［ＳＥＰ］［Ｃ］、、．．．［Ｖ］、、．．．［ＣＭ］［ＶＭ］［ＳＥＰ］［Ｃ］、、．．．［Ｖ］、、．．．［ＣＭ］［ＶＭ］［ＳＥＰ］．．．［ＳＥＰ］。

ここで、［Ｃ］はｉ番目の列のｃｏｌｕｍｎの特殊記号であり、．．．はｉ番目のｃｏｌｕｍｎｔｏｋｅｎであり、［Ｖ］はｉ番目の列のｖａｌｕｅの特殊記号であり、．．．はｉ番目の列におけるｑｕｅｒｙとのマッチング度が最も高いｖａｌｕｅｔｏｋｅｎであり、［ＣＭ］は、ｉ番目の列の最も高いｃｏｌｕｍｎマッチングレベルから変換された特殊記号であり、［ＶＭ］は、ｉ番目の列の最も高いｖａｌｕｅマッチングレベルから変換された特殊記号である。Ｑｕｅｒｙとｃｏｌｕｍｎの間、ｃｏｌｕｍｎとｃｏｌｕｍｎの間はいずれも特殊記号［ＳＥＰ］で区切られている。

入力シーケンスの異なる部分は、異なるタイプの埋め込み（ｔｙｐｅｅｍｂｅｄｄｉｎｇ）を使用して区別され、ここで、ｑｕｅｒｙはカテゴリ０であり、文字列タイプのｃｏｌｕｍｎはカテゴリ１であり、数値のｃｏｌｕｍｎはカテゴリ２であり、ｖａｌｕｅはカテゴリ３であり、特殊記号［ＣＭ］及び［ＶＭ］はカテゴリ４であり、特殊記号［ＳＥＰ］及び［ＰＡＤ］はカテゴリ５である。異なるｔｙｐｅｅｍｂｅｄｄｉｎｇは、モデルが入力シーケンスの異なる部分を区別するのに役立つ。

［ＣＬＳ］（すなわち、上記のグローバル特徴ベクトル）へのｑｕｅｒｙｔｏｋｅｎ（すなわち、上記の質問情報における各字）のリソース集中型スプライシング（ａｔｔｅｎｔｉｖｅｐｏｏｌｉｎｇ）を［ＣＬＳ］とスプライシングしてｑｕｅｒｙ表現とする。各列の列属性名（［Ｃ］）、ターゲット属性値（［Ｖ］）、列属性名の最も高いマッチングレベル（［ＣＭ］）、及び属性値の最も高いマッチングレベル（［ＶＭ］）をこの列の表現としてスプライシングする。ｑｕｅｒｙｔｏｋｅｎと各列の［Ｃ］、［Ｖ］、［ＣＭ］、［ＶＭ］を、この列へのｔｏｋｅｎのｖａｌｕｅ表現としてスプライシングする。

なお、本開示の実施例では、Ｑｕｅｒｙ表現は、Ｗ－ＮＵＭ－ａｌｌと、Ｓ＿ＮＵＭと、ＣＯＮＮとの３つのサブタスクを予測するために使用され、これらの３つのサブタスクは全てマルチ分類タスクであり、クロスエントロピー損失を使用してトレーニングされる。各列の表現は、Ｓ－ＣＯＬと、Ｗ－ＣＯＬと、Ｗ－ＯＰと、Ｗ－ＡＧＧと、Ｗ－ＮＵＭ－ｃｏｌとの５つのサブタスクを予測するために使用され、ここで、Ｗ－ＯＰ、Ｗ－ＡＧＧ、及びＷ－ＮＵＭ－ｃｏｌは、クロスエントロピー損失を使用するマルチ分類タスクであり、Ｓ－ＣＯＬとＷ－ＣＯＬは、ＫＬダイバージェンス（相対エントロピー）を損失として使用するソートタスクとして定義され、これによって、すべての列を同時に最適化することができる。各列のｖａｌｕｅ表現は、Ｗ－ＶＡＬ－ｔａｇサブタスクを予測するために使用され、ここで、このサブタスクは、クロスエントロピー損失を使用する０／１バイナリシーケンスラベリングタスクとして定義することができる。

これから分かるように、本開示は、ｑｕｅｒｙとテーブル情報のマッチング特徴をモデルに十分に組み込むことができ、モデルの表現能力を高めることができ、各例のマッチング度が最も高いｖａｌｕｅをモデルに追加することで、モデルは、ｃｏｌｕｍｎの名前付けに依存して各列のＳＱＬ操作を予測するだけでなく、ｖａｌｕｅの情報も参照することができ、ｃｏｌｕｍｎの名が欠落している場合でも、ある程度の精度が保証される。また、本開示は、ｖａｌｕｅの抽出方法を改善し、単一のｃｏｌｕｍｎの複数のｖａｌｕｅを同時に抽取することができる。なお、本開示は、意味検索の能力を有し、意味情報に基づいてｑｕｅｒｙセグメントを実際のｖａｌｕｅにマッチングすることができ、字面的にマッチングが不正確な問題を解決する。

上記実施例を実現するために、本開示は、インテリジェント対話装置をさらに提供する。

図９は、本開示の実施例により提供されるインテリジェント対話装置の構造ブロック図である。図９に示すように、このインテリジェント対話装置は、事前マッチングモジュール９１０、抽出モジュール９２０、決定モジュール９３０、第１の生成モジュール９４０、及び第２の生成モジュール９５０を備える。

ここで、事前マッチングモジュール９１０は、処理対象の質問情報をターゲットテーブルのテーブルコンテンツと事前にマッチングして、事前マッチング結果を取得し、ここで、ターゲットテーブルには複数の列属性と各列属性の属性値が含まれ、事前マッチング結果には、各列属性の列属性名の最も高いマッチングレベル、属性値の最も高いマッチングレベル、及び質問情報とのマッチング度が最も高い属性値が含まれる。

抽出モジュール９２０は、質問情報とのマッチング度が最も高い属性値に基づいて、質問情報から属性値とのマッチング度が最も高い単語セグメントを抽出する。

決定モジュール９３０は、各列属性の属性値から、単語セグメントに意味的に関連付けられたターゲット属性値を決定する。

第１の生成モジュール９４０は、質問情報、各列属性の列属性名、列属性名の最も高いマッチングレベル、属性値の最も高いマッチングレベル及びターゲット属性値に基づいて、質問情報に対応するＳＱＬクエリステートメントを生成する。

第２の生成モジュール９５０は、ＳＱＬクエリステートメントに基づいてデータベースを検索し、データベース検索の結果に基づいて応答ステートメントを生成する。

本出願のいくつかの実施例では、図１０に示すように、図１０は本開示の別の実施例によるインテリジェント対話装置の構造ブロック図であり、このインテリジェント対話装置の事前マッチングモジュール１０１０は、確立ユニット１０１１及びマッチングユニット１０１２を備える。

ここで、確立ユニット１０１１は、前記ターゲットテーブルにおける前記複数の列属性と前記各列属性の属性値とに基づいて、前記ターゲットテーブルに対応する辞書ツリーを確立し、ここで、前記辞書ツリーの各ノードには、マッチングタイプ、マッチングレベル、及び前記各ノードに対応する完全な文字列が含まれる。

マッチングユニット１０１２は、前記辞書ツリーに基づいて、前記質問情報を事前にマッチングして、事前マッチング結果を取得する。一実施形態では、マッチングユニット１０１２は、前記質問情報における１文字を起点として、マッチングを続行できなくなるまで、前記辞書ツリーに従って逆方向にマッチング操作を行って、前記文字を起点とする最大マッチング文字列間隔、及び対応するマッチングレベルを取得し、前記質問情報の各文字に対して前記マッチング操作を完了した後、重複する文字列間隔リスト、及び対応するマッチングレベルリストを取得し、高から低の順に、各マッチングレベルの文字列間隔を重複排除して、前記各マッチングレベルの重複しない最大カバレッジ間隔リストを取得し、前記各マッチングレベルの重複しない最大カバレッジ間隔リストに基づいて、前記事前マッチング結果を取得する。

ここで、図１０の１０２０～１０５０は、図９の９２０～９５０と同じ機能と構造を有する。

本出願のいくつかの実施例では、図１１に示すように、図１１は、本開示の別の実施例によるインテリジェント対話装置の構造ブロック図であり、このインテリジェント対話装置では、第１の生成モジュール１１４０は、第１の生成ユニット１１４１、第２の生成ユニット１１４２、第３の生成ユニット１１４３、スプライシングユニット１１４４、及び第４の生成ユニット１１４５を備える。

ここで、第１の生成ユニット１１４１は、前記各列属性の列属性名、前記列属性名の最も高いマッチングレベル、前記属性値の最も高いマッチングレベル、及び前記ターゲット属性値に基づいて、前記各列属性の特徴ベクトルを生成する。

第２の生成ユニット１１４２は、前記質問情報に基づいて、前記質問情報の特徴ベクトルと前記質問情報の各字の特徴ベクトルを生成する。

第３の生成ユニット１１４３は、アテンションメカニズムを介して、前記質問情報の特徴ベクトルと前記各字の特徴ベクトルに基づいて、前記質問情報のグローバル特徴ベクトルを生成する。一実施形態では、第３の生成ユニット１１４３は、具体的には、アテンションメカニズムを介して、前記質問情報の特徴ベクトルと前記各字の特徴ベクトルに基づいて、対応するアテンション特徴ベクトルを生成し、前記質問情報の特徴ベクトルと前記アテンション特徴ベクトルとに基づいて、前記質問情報のグローバル特徴ベクトルを生成する。

スプライシングユニット１１４４は、前記各字の特徴ベクトルをそれぞれ各列属性の特徴ベクトルとスプライシングして、対応するスプライシング特徴ベクトルを取得する。

第４の生成ユニット１１４５は、前記各列属性の特徴ベクトル、前記グローバル特徴ベクトル、及び前記スプライシング特徴ベクトルを、トレーニングされたＳＱＬステートメント生成モデルに入力して、前記質問情報に対応するＳＱＬクエリステートメントを取得する。ここで、ＳＱＬステートメント生成モデルは、クエリフィールドサブタスク、クエリフィールド判断条件サブタスク、クエリフィールド判断条件シンボルサブタスク、クエリフィールド判断条件数サブタスク、クエリフィールド集約関数サブタスク、クエリ数サブタスク、質問判断条件数サブタスク、シーケンスラベリングサブタスク、及び判断条件間論理コネクタサブタスクを含む。

一実施形態では、第４の生成ユニット１１４５は、具体的には、クエリフィールドサブタスクに基づいて各列属性の特徴ベクトルを予測し、各列属性の第１の予測結果を取得し、クエリフィールド判断条件サブタスクに基づいて各列属性の特徴ベクトルを予測し、各列属性の第２の予測結果を取得し、クエリフィールド判断条件シンボルサブタスクに基づいて各列属性の特徴ベクトルを予測し、各列属性の第３の予測結果を取得し、クエリフィールド判断条件数サブタスクに基づいて各列属性の特徴ベクトルを予測し、各列属性の第４の予測結果を取得し、クエリフィールド集約関数サブタスクに基づいて各列属性の特徴ベクトルを予測し、各列属性の第５の予測結果を取得し、クエリ数サブタスクに基づいてグローバル特徴ベクトルを予測し、第６の予測結果を取得し、質問判断条件数サブタスクに基づいてグローバル特徴ベクトルを予測し、第７の予測結果を取得し、判断条件間論理コネクタサブタスクに基づいてグローバル特徴ベクトルを予測し、第８の予測結果を取得し、シーケンスラベリングサブタスクに基づいてスプライシング特徴ベクトルを予測し、第９の予測結果を取得し、第１の予測結果、第２の予測結果、第３の予測結果、第４の予測結果、第５の予測結果、第６の予測結果、第７の予測結果、第８の予測結果及び第９の予測結果に基づいて、質問情報に対応するＳＱＬクエリステートメントを生成する。

選択的に、本開示の実施例では、第４の生成ユニット１１４５は、第１の予測結果、第２の予測結果、第３の予測結果、第４の予測結果、第５の予測結果、第６の予測結果、第７の予測結果、第８の予測結果及び第９の予測結果に基づいて、質問情報に対応するＳＱＬクエリステートメントを生成する方法は以下のとおりである。第９の予測結果に基づいて、各列属性の候補クエリ属性値を決定し、第４の予測結果と第９の予測結果とに基づいて、各列属性の属性値の数を決定し、属性値の数と各列属性の候補クエリ属性値とに基づいて、各列属性のターゲットクエリ属性値を決定し、第１の予測結果と第６の予測結果とに基づいて、ｓｅｌｅｃｔの数と対応するｓｅｌｅｃｔｃｏｌｕｍｎリストを決定し、第２の予測結果と第７の予測結果とに基づいて、ｗｈｅｒｅの数と対応するｗｈｅｒｅｃｏｌｕｍｎリストを決定し、第３の予測結果に基づいて、ｗｈｅｒｅｃｏｌｕｍｎ条件シンボルを決定し、第５の予測結果に基づいてｓｅｌｅｃｔｃｏｌｕｍｎ集約関数を決定し、第８の予測結果に基づいてｗｈｅｒｅｃｏｌｕｍｎ間の論理コネクタを決定し、各列属性のターゲットクエリ属性値、ｓｅｌｅｃｔの数及び対応するｓｅｌｅｃｔｃｏｌｕｍｎリスト、ｗｈｅｒｅの数及び対応するｗｈｅｒｅｃｏｌｕｍｎリスト、ｗｈｅｒｅｃｏｌｕｍｎ条件シンボル、ｓｅｌｅｃｔｃｏｌｕｍｎ集約関数及びｗｈｅｒｅｃｏｌｕｍｎ間の論理コネクタに基づいて、質問情報に対応するＳＱＬクエリステートメントを生成する。

ここで、図１１の１１１０～１１５０は、図１０の１０１０～１０５０と同じ機能と構造を有する。

上記の実施例の装置に関して、その中の各モジュールが動作を実行する具体的な方式は、方法の実施例において詳細に説明されており、ここでは詳細に説明されていない。

本開示の実施例によれば、本開示は、電子機器及び読み取り可能な記憶媒体をさらに提供する。
本開示の実施例によれば、本開示は、コンピュータプログラムをさらに提供し、前記コンピュータプログラムはプロセッサによって実行される場合、本開示により提供されるインテリジェント対話方法が実現される。

図１２に示すように、本開示の実施例によるインテリジェント対話の方法を実現するための電子機器のブロック図である。電子機器は、ラップトップコンピュータ、デスクトップコンピュータ、ワークステーション、パーソナルデジタルアシスタント、サーバ、ブレードサーバ、大型コンピュータ、及びその他の適切なコンピュータなどの様々な形態のデジタルコンピュータを表すことを目的とする。電子機器は、パーソナルデジタルアシスタント、セルラー電話、スマートフォン、ウェアラブルデバイス、及びその他の類似のコンピュータデバイスなどの様々な形態のモバイルデバイスを表すこともできる。本開示に記載されているコンポーネント、それらの接続関係、及び機能は例示的なものに過ぎず、本明細書の説明及び／又は要求される本開示の実現を制限することを意図したものではない。

図１２に示すように、該電子機器は、１又は複数のプロセッサ１２０１と、メモリ１２０２と、高速インターフェース及び低速インターフェースを備える、各コンポーネントを接続するためのインターフェースとを備える。各コンポーネントは、異なるバスで相互に接続され、共通のマザーボード上に実装されてもよいし、必要に応じて他の形態で実装されてもよい。プロセッサは、外部入力／出力装置（例えば、インターフェースに結合されたディスプレイデバイスなど）にＧＵＩのグラフィカル情報を表示するためにメモリ内又はメモリ上に記憶されている命令を含む、電子機器内で実行される命令を処理することができる。他の実施形態では、複数のプロセッサ及び／又は複数のバスが、必要に応じて、複数のメモリとともに使用されることができる。同様に、複数の電子機器を接続することができ、各機器は、一部の必要な動作（例えば、サーバアレイ、１グループのブレードサーバ、マルチプロセッサシステムとする）を提供することができる。図１２では、１つのプロセッサ１２０１を例に挙げている。

メモリ１２０２は、本開示により提供される非一時的なコンピュータ読み取り可能な記憶媒体である。ここで、前記メモリには、少なくとも１つのプロセッサが本開示により提供されるインテリジェント対話方法を実行するように、少なくとも１つのプロセッサによって実行される命令が格納されている。本開示の非一時的なコンピュータ読み取り可能な記憶媒体には、本開示によって提供されるインテリジェント対話方法をコンピュータに実行させるためのコンピュータ命令が記憶されている。

メモリ１２０２は、非一時的なコンピュータ読み取り可能な記憶媒体として、本開示の実施例におけるインテリジェント対話方法に対応するプログラム命令／モジュール（例えば、図９に示す事前マッチングモジュール９０１、抽出モジュール９０２及び決定モジュール９０３）のような、非一時的なソフトウェアプログラム、非一時的なコンピュータ実行可能プログラム及びモジュールなどを記憶するために使用される。プロセッサ１２０１は、メモリ１２０２に格納された非一時的なソフトウェアプログラム、命令及びモジュールを実行することにより、サーバの様々な機能アプリケーションやデータ処理を実行し、即ち、上記方法の実施例におけるインテリジェント対話方法を実現する。

メモリ１２０２は、オペレーティングシステム、少なくとも１つの機能に必要なアプリケーションを記憶することができるプログラム記憶領域と、インテリジェント対話方法を実現するための電子機器の使用に応じて作成されたデータなどを記憶することができるデータ記憶領域とを含む。また、メモリ１２０２は、高速ランダムアクセスメモリを備えてもよく、また、少なくとも１つの磁気ディスクメモリデバイス、フラッシュメモリデバイス、又は他の非一時的なソリッドステートメモリデバイスなどの非一時的なメモリを備えてもよい。一部の実施形態では、メモリ１２０２は、プロセッサ１２０１に対して遠隔に配置されたメモリを選択的に備えることができる。これらの遠隔メモリは、ネットワークを介してインテリジェント対話方法に係る電子機器に接続されることができる。上記ネットワークの例としては、インターネット、イントラネット、ローカルエリアネットワーク、モバイル通信ネットワーク、及びこれらの組み合わせを含むが、これらに限定されない。

インテリジェント対話方法を実現するための電子機器は、入力装置１２０３及び出力装置１２０４を備える。プロセッサ１２０１、メモリ１２０２、入力装置１２０３及び出力装置１２０４は、バス又は他の方式で接続することができ、図１２では、バスを介して接続される例が示される。

入力装置１２０３は、入力された数字又は文字情報を受信し、インテリジェント対話方法の電子機器のユーザ設定及び機能制御に関するキー信号入力を生成することができ、例えば、タッチスクリーン、キーパッド、マウス、トラックパッド、タッチパッド、ポインティングスティック、１つ又は複数のマウスボタン、トラックボール、ジョイスティックなどの入力装置である。出力装置１２０４は、ディスプレイ装置、補助照明装置（例えば、ＬＥＤ）、及び触覚フィードバック装置（例えば、振動モータ）などを備えることができる。該表示装置は、液晶ディスプレイ（ＬＣＤ）、発光ダイオード（ＬＥＤ）ディスプレイ、及びプラズマディスプレイを含むが、これらに限定されない。一部の実施形態では、表示装置は、タッチスクリーンであってもよい。

本明細書に記載されるシステム及び技術の様々な実施形態は、デジタル電子回路システム、集積回路システム、特定用途向けＡＳＩＣ（特定用途向け集積回路）、コンピュータハードウェア、ファームウェア、ソフトウェア、及び／又はそれらの組み合わせで実現することができる。これらの様々な実施形態は、１つ又は複数のコンピュータプログラムで実施され、当該１つ又は複数のコンピュータプログラムは、少なくとも１つのプログラマブルプロセッサを備えるプログラム可能なシステムで実行及び／又は解釈されすることができ、当該プログラマブルプロセッサは、専用又は汎用のプログラマブルプロセッサであってもよく、記憶システム、少なくとも１つの入力装置、及び少なくとも１つの出力装置からデータ及び命令を受信し、該記憶システム、該少なくとも１つの入力装置、及び該少なくとも１つの出力装置にデータ及び命令を送信することができる。

これらのコンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、又はコードとも呼ばれる）は、プログラマブルプロセッサの機械命令を含み、これらのコンピュータプログラムは、高レベルのプロセス及び／又はオブジェクト指向プログラミング言語、及び／又はアセンブリ／機械言語で実現される。本明細書で使用されるような、「機械読み取り可能な媒体」及び「コンピュータ読み取り可能な媒体」という用語は、プログラマブルプロセッサに機械命令及び／又はデータを提供するための任意のコンピュータプログラム製品、デバイス、及び／又は装置（例えば、磁気ディスク、光学ディスク、メモリ、プログラム可能論理デバイス（ＰＬＤ））を指し、機械読み取り可能な信号である機械命令を受信する機械読み取り可能な媒体を含む。「機械読み取り可能な信号」という用語は、機械命令及び／又はデータをプログラマブルプロセッサに提供するための任意の信号を指す。

ユーザとのインタラクションを提供するために、本明細書に記載されたシステム及び技術をコンピュータ上で実施することができ、当該コンピュータは、ユーザに情報を表示するための表示装置（例えば、ＣＲＴ（陰極線管）又はＬＣＤ（液晶ディスプレイ）モニタ）と、キーボード及びポインティングデバイス（例えば、マウス又はトラックボール）とを有し、ユーザは、当該キーボード及び当該ポインティングデバイスによって入力をコンピュータに提供することができる。他の種類の装置を使用して、ユーザとのインタラクションを提供してもよい。例えば、ユーザに提供されるフィードバックは、任意の形態の感覚フィードバック（例えば、視覚フィードバック、聴覚フィードバック、又は触覚フィードバック）であってもよい。ユーザからの入力は、任意の形態（音響入力と、音声入力と、触覚入力とを含む）で受信されることができる。

本明細書に記載のシステム及び技術は、バックエンドコンポーネントを備えるコンピューティングシステム（例えば、データサーバとする）、又はミドルウェアコンポーネントを備えるコンピューティングシステム（例えば、アプリケーションサーバ）、又はフロントエンドコンポーネントを備えるコンピューティングシステム（例えば、グラフィカルユーザインタフェース又はウェブブラウザを有するユーザコンピュータであり、ユーザは、当該グラフィカルユーザインタフェース又は当該ウェブブラウザによってここで説明されるシステム及び技術の実施形態とインタラクションする）、又はそのようなバックエンドコンポーネント、ミドルウェアコンポーネント、又はフロントエンドコンポーネントの任意の組み合わせを備えるコンピューティングシステムで実施されることができる。システムのコンポーネントは、任意の形式又は媒体のデジタルデータ通信（例えば、通信ネットワーク）によって互いに接続されることができる。通信ネットワークとしては、例えば、ローカルエリアネットワーク（ＬＡＮ）と、ワイドエリアネットワーク（ＷＡＮ）と、インターネットと、ブロックチェンネットワークとを含む。

コンピュータシステムは、クライアント及びサーバを備えることができる。クライアント及びサーバは、一般に、互いから離れており、通常、通信ネットワークを介してインタラクションする。クライアントとサーバの関係は、対応するコンピュータ上で実行され、互いにクライアント－サーバ関係を有するコンピュータプログラムによって生成される。サーバは、クラウドサーバであってよく、クラウドコンピューティングサーバ又はクラウドホストとも称され、クラウドコンピューティングサービスアーキテクチャにおけるホスト製品の１つであり、従来の物理ホスト及びＶＰＳサービス（ＶｉｒｔｕａｌＰｒｉｖａｔｅＳｅｒｖｅｒ、又は「ＶＰＳ」と略称する）における管理困難性が高く、トラフィック拡張性が低いという欠点を解決する。サーバは分散システムのサーバでも、ブロックチェーンを組み合わせたサーバでもよい。

本開示の実施例の技術手段によれば、ＮＬ２ＳＱＬ技術に列名と属性値名の一般化能力を持たせることができるため、ユーザの質問情報をテーブルにおける列名又は属性値名と完全にマッチングすることができ、ＳＱＬ解析の成功率を高め、データベース検索の結果の精度を向上させ、インテリジェント対話の効果を改善することができる。

上記に示された様々な形態のフローを使用して、ステップを並べ替え、追加、又は削除することができる。例えば、本開示に記載された各ステップは、並列に実行されてもよいし、順次的に実行されてもよいし、異なる順序で実行されてもよく、本開示に開示された技術的解決手段の所望の結果を実現できれば、本明細書では限定しない。

上述した具体的な実施形態は、本開示の保護範囲を制限するものではない。当業者にとって、設計の要件や他の要素に基づいて、様々な修正、組み合わせ、サブコンビネーション及び代替を行うことができることは、明らかである。本開示の精神と原則内で行われる任意の修正、同等の置換及び改善などは、すべて本開示の保護範囲に含まれるべきである。

Claims

処理対象の質問情報をターゲットテーブルのテーブルコンテンツと事前にマッチングして、事前マッチング結果を取得するステップであって、前記ターゲットテーブルには、複数の列属性と各列属性の属性値が含まれ、前記事前マッチング結果には、前記各列属性の列属性名の最も高いマッチングレベル、属性値の最も高いマッチングレベル、及び前記質問情報とのマッチング度が最も高い属性値が含まれるステップと、前記質問情報とのマッチング度が最も高い属性値に基づいて、前記質問情報から前記属性値とのマッチング度が最も高い単語セグメントを抽出するステップと、前記各列属性の属性値から、前記単語セグメントに意味的に関連付けられたターゲット属性値を決定するステップと、前記質問情報、前記各列属性の列属性名、前記列属性名の最も高いマッチングレベル、前記属性値の最も高いマッチングレベル、及び前記ターゲット属性値に基づいて、前記質問情報に対応するＳＱＬクエリステートメントを生成するステップと、前記ＳＱＬクエリステートメントに基づいてデータベースを検索して、データベース検索の結果に基づいて応答ステートメントを生成するステップと、を含むインテリジェント対話方法。
前記処理対象の質問情報をターゲットテーブルのテーブルコンテンツと事前にマッチングして、事前マッチング結果を取得するステップが、前記ターゲットテーブルにおける前記複数の列属性と前記各列属性の属性値とに基づいて、前記ターゲットテーブルに対応する辞書ツリーを確立するステップであって、前記辞書ツリーの各ノードには、マッチングタイプ、マッチングレベル、及び前記各ノードに対応する完全な文字列が含まれるステップと、前記辞書ツリーに基づいて、前記質問情報を事前にマッチングして、事前マッチング結果を取得するステップと、を含む請求項１に記載のインテリジェント対話方法。
前記辞書ツリーに基づいて、前記質問情報を事前にマッチングして、事前マッチング結果を取得するステップが、前記質問情報における１文字を起点として、マッチングを続行できなくなるまで、前記辞書ツリーに基づいて逆方向にマッチング操作を行い、前記文字を起点とする最大マッチング文字列間隔、及び対応するマッチングレベルを取得するステップと、前記質問情報の各文字に対して前記マッチング操作を完了した後、重複する文字列間隔リスト、及び対応するマッチングレベルリストを取得するステップと、高から低の順に、各マッチングレベルの文字列間隔を重複排除して、前記各マッチングレベルの重複しない最大カバレッジ間隔リストを取得するステップと、前記各マッチングレベルの重複しない最大カバレッジ間隔リストに基づいて、前記事前マッチング結果を取得するステップと、を含む請求項２に記載のインテリジェント対話方法。
前記質問情報、前記各列属性の列属性名、前記列属性名の最も高いマッチングレベル、前記属性値の最も高いマッチングレベル、及び前記ターゲット属性値に基づいて、前記質問情報に対応するＳＱＬクエリステートメントを生成するステップが、前記各列属性の列属性名、前記列属性名の最も高いマッチングレベル、前記属性値の最も高いマッチングレベル、及び前記ターゲット属性値に基づいて、前記各列属性の特徴ベクトルを生成するステップと、前記質問情報に基づいて、前記質問情報の特徴ベクトルと前記質問情報の各字の特徴ベクトルを生成するステップと、アテンションメカニズムを介して、前記質問情報の特徴ベクトルと前記各字の特徴ベクトルに基づいて、前記質問情報のグローバル特徴ベクトルを生成するステップと、前記各字の特徴ベクトルを各列属性の特徴ベクトルとスプライシングして、対応するスプライシング特徴ベクトルを取得するステップと、前記各列属性の特徴ベクトル、前記グローバル特徴ベクトル、及び前記スプライシング特徴ベクトルを、トレーニングされたＳＱＬステートメント生成モデルに入力して、前記質問情報に対応するＳＱＬクエリステートメントを取得するステップと、を含む請求項１に記載のインテリジェント対話方法。
前記アテンションメカニズムを介して、前記質問情報の特徴ベクトルと前記各字の特徴ベクトルに基づいて、前記質問情報のグローバル特徴ベクトルを生成するステップが、アテンションメカニズムを介して、前記質問情報の特徴ベクトルと前記各字の特徴ベクトルに基づいて、対応するアテンション特徴ベクトルを生成するステップと、前記質問情報の特徴ベクトルと前記アテンション特徴ベクトルとに基づいて、前記質問情報のグローバル特徴ベクトルを生成するステップと、を含む請求項４に記載のインテリジェント対話方法。
前記ＳＱＬステートメント生成モデルには、クエリフィールドサブタスク、クエリフィールド判断条件サブタスク、クエリフィールド判断条件シンボルサブタスク、クエリフィールド判断条件数サブタスク、クエリフィールド集約関数サブタスク、クエリ数サブタスク、質問判断条件数サブタスク、シーケンスラベリングサブタスク、及び判断条件間論理コネクタサブタスクが含まれる請求項４に記載のインテリジェント対話方法。
前記各列属性の特徴ベクトル、前記グローバル特徴ベクトル、及び前記スプライシング特徴ベクトルを、トレーニングされたＳＱＬステートメント生成モデルに入力して、前記質問情報に対応するＳＱＬクエリステートメントを取得するステップが、前記クエリフィールドサブタスクに基づいて前記各列属性の特徴ベクトルを予測し、前記各列属性の第１の予測結果を取得するステップと、前記クエリフィールド判断条件サブタスクに基づいて、前記各列属性の特徴ベクトルを予測し、前記各列属性の第２の予測結果を取得するステップと、前記クエリフィールド判断条件シンボルサブタスクに基づいて、前記各列属性の特徴ベクトルを予測し、前記各列属性の第３の予測結果を取得するステップと、前記クエリフィールド判断条件数サブタスクに基づいて、前記各列属性の特徴ベクトルを予測し、前記各列属性の第４の予測結果を取得するステップと、前記クエリフィールド集約関数サブタスクに基づいて、前記各列属性の特徴ベクトルを予測し、前記各列属性の第５の予測結果を取得するステップと、前記クエリ数サブタスクに基づいて、前記グローバル特徴ベクトルを予測し、第６の予測結果を取得するステップと、前記質問判断条件数サブタスクに基づいて、前記グローバル特徴ベクトルを予測し、第７の予測結果を取得するステップと、前記判断条件間論理コネクタサブタスクに基づいて、前記グローバル特徴ベクトルを予測し、第８の予測結果を取得するステップと、前記シーケンスラベリングサブタスクに基づいて、前記スプライシング特徴ベクトルを予測し、第９の予測結果を取得するステップと、前記第１の予測結果、前記第２の予測結果、前記第３の予測結果、前記第４の予測結果、前記第５の予測結果、前記第６の予測結果、前記第７の予測結果、前記第８の予測結果、及び前記第９の予測結果に基づいて、前記質問情報に対応するＳＱＬクエリステートメントを生成するステップと、を含む請求項６に記載のインテリジェント対話方法。
前記第１の予測結果、前記第２の予測結果、前記第３の予測結果、前記第４の予測結果、前記第５の予測結果、前記第６の予測結果、前記第７の予測結果、前記第８の予測結果、及び前記第９の予測結果に基づいて、前記質問情報に対応するＳＱＬクエリステートメントを生成するステップが、前記第９の予測結果に基づいて、各列属性の候補クエリ属性値を決定するステップと、前記第４の予測結果と前記第９の予測結果とに基づいて、前記各列属性の属性値の数を決定するステップと、前記属性値の数と前記各列属性の候補クエリ属性値とに基づいて、前記各列属性のターゲットクエリ属性値を決定するステップと、前記第１の予測結果と前記第６の予測結果とに基づいて、ｓｅｌｅｃｔの数と対応するｓｅｌｅｃｔｃｏｌｕｍｎリストを決定するステップと、前記第２の予測結果と前記第７の予測結果とに基づいて、ｗｈｅｒｅの数と対応するｗｈｅｒｅｃｏｌｕｍｎリストを決定するステップと、前記第３の予測結果に基づいて、ｗｈｅｒｅｃｏｌｕｍｎ条件シンボルを決定するステップと、前記第５の予測結果に基づいて、ｓｅｌｅｃｔｃｏｌｕｍｎ集約関数を決定するステップと、前記第８の予測結果に基づいて、ｗｈｅｒｅｃｏｌｕｍｎ間の論理コネクタを決定するステップと、前記各列属性のターゲットクエリ属性値、前記ｓｅｌｅｃｔの数及び対応するｓｅｌｅｃｔｃｏｌｕｍｎリスト、前記ｗｈｅｒｅの数及び対応するｗｈｅｒｅｃｏｌｕｍｎリスト、前記ｗｈｅｒｅｃｏｌｕｍｎ条件シンボル、前記ｓｅｌｅｃｔｃｏｌｕｍｎ集約関数、及び前記ｗｈｅｒｅｃｏｌｕｍｎ間の論理コネクタに基づいて、前記質問情報に対応するＳＱＬクエリステートメントを生成するステップと、を含む請求項７に記載のインテリジェント対話方法。
処理対象の質問情報をターゲットテーブルのテーブルコンテンツと事前にマッチングして、事前マッチング結果を取得するための事前マッチングモジュールであって、前記ターゲットテーブルには、複数の列属性と各列属性の属性値が含まれ、前記事前マッチング結果には、前記各列属性の列属性名の最も高いマッチングレベル、属性値の最も高いマッチングレベル、及び前記質問情報とのマッチング度が最も高い属性値が含まれる事前マッチングモジュールと、前記質問情報とのマッチング度が最も高い属性値に基づいて、前記質問情報から前記属性値とのマッチング度が最も高い単語セグメントを抽出するための抽出モジュールと、前記各列属性の属性値から、前記単語セグメントに意味的に関連付けられたターゲット属性値を決定するための決定モジュールと、前記質問情報、前記各列属性の列属性名、前記列属性名の最も高いマッチングレベル、前記属性値の最も高いマッチングレベル、及び前記ターゲット属性値に基づいて、前記質問情報に対応するＳＱＬクエリステートメントを生成するための第１の生成モジュールと、前記ＳＱＬクエリステートメントに基づいてデータベースを検索して、データベース検索の結果に基づいて応答ステートメントを生成するための第２の生成モジュールと、を備えるインテリジェント対話装置。
前記事前マッチングモジュールが、前記ターゲットテーブルにおける前記複数の列属性と前記各列属性の属性値とに基づいて、前記ターゲットテーブルに対応する辞書ツリーを確立するための確立ユニットであって、前記辞書ツリーの各ノードには、マッチングタイプ、マッチングレベル、及び前記各ノードに対応する完全な文字列が含まれる確立ユニットと、前記辞書ツリーに基づいて、前記質問情報を事前にマッチングして、事前マッチング結果を取得するためのマッチングユニットと、を備える請求項９に記載のインテリジェント対話装置。
前記マッチングユニットが、前記質問情報における１文字を起点として、マッチングを続行できなくなるまで、前記辞書ツリーに基づいて逆方向にマッチング操作を行い、前記文字を起点とする最大マッチング文字列間隔、及び対応するマッチングレベルを取得し、前記質問情報の各文字に対して前記マッチング操作を完了した後、重複する文字列間隔リスト、及び対応するマッチングレベルリストを取得し、高から低の順に、各マッチングレベルの文字列間隔を重複排除して、前記各マッチングレベルの重複しない最大カバレッジ間隔リストを取得し、前記各マッチングレベルの重複しない最大カバレッジ間隔リストに基づいて、前記事前マッチング結果を取得する請求項１０に記載のインテリジェント対話装置。
前記第１の生成モジュールが、前記各列属性の列属性名、前記列属性名の最も高いマッチングレベル、前記属性値の最も高いマッチングレベル、及び前記ターゲット属性値に基づいて、前記各列属性の特徴ベクトルを生成するための第１の生成ユニットと、前記
質問情報に基づいて、前記質問情報の特徴ベクトルと前記質問情報の各字の特徴ベクトルを生成するための第２の生成ユニットと、アテンションメカニズムを介して、前記質問情報の特徴ベクトルと前記各字の特徴ベクトルに基づいて、前記質問情報のグローバル特徴ベクトルを生成するための第３の生成ユニットと、前記各字の特徴ベクトルを各列属性の特徴ベクトルとスプライシングして、対応するスプライシング特徴ベクトルを取得するためのスプライシングユニットと、前記各列属性の特徴ベクトル、前記グローバル特徴ベクトル、及び前記スプライシング特徴ベクトルを、トレーニングされたＳＱＬステートメント生成モデルに入力して、前記質問情報に対応するＳＱＬクエリステートメントを取得するための第４の生成ユニットと、を備える請求項９に記載のインテリジェント対話装置。
前記第３の生成ユニットが、アテンションメカニズムを介して、前記質問情報の特徴ベクトルと前記各字の特徴ベクトルに基づいて、対応するアテンション特徴ベクトルを生成し、前記質問情報の特徴ベクトルと前記アテンション特徴ベクトルとに基づいて、前記質問情報のグローバル特徴ベクトルを生成する請求項１２に記載のインテリジェント対話装置。
前記ＳＱＬステートメント生成モデルには、クエリフィールドサブタスク、クエリフィールド判断条件サブタスク、クエリフィールド判断条件シンボルサブタスク、クエリフィールド判断条件数サブタスク、クエリフィールド集約関数サブタスク、クエリ数サブタスク、質問判断条件数サブタスク、シーケンスラベリングサブタスク、及び判断条件間論理コネクタサブタスクが含まれる請求項１２又は１３に記載のインテリジェント対話装置。
前記第４の生成ユニットが、前記クエリフィールドサブタスクに基づいて前記各列属性の特徴ベクトルを予測し、前記各列属性の第１の予測結果を取得し、前記クエリフィールド判断条件サブタスクに基づいて、前記各列属性の特徴ベクトルを予測し、前記各列属性の第２の予測結果を取得し、前記クエリフィールド判断条件シンボルサブタスクに基づいて、前記各列属性の特徴ベクトルを予測し、前記各列属性の第３の予測結果を取得し、前記クエリフィールド判断条件数サブタスクに基づいて、前記各列属性の特徴ベクトルを予測し、前記各列属性の第４の予測結果を取得し、前記クエリフィールド集約関数サブタスクに基づいて、前記各列属性の特徴ベクトルを予測し、前記各列属性の第５の予測結果を取得し、前記クエリ数サブタスクに基づいて、前記グローバル特徴ベクトルを予測し、第６の予測結果を取得し、前記質問判断条件数サブタスクに基づいて、前記グローバル特徴ベクトルを予測し、第７の予測結果を取得し、前記判断条件間論理コネクタサブタスクに基づいて、前記グローバル特徴ベクトルを予測し、第８の予測結果を取得し、前記シーケンスラベリングサブタスクに基づいて、前記スプライシング特徴ベクトルを予測し、第９の予測結果を取得し、前記第１の予測結果、前記第２の予測結果、前記第３の予測結果、前記第４の予測結果、前記第５の予測結果、前記第６の予測結果、前記第７の予測結果、前記第８の予測結果、及び前記第９の予測結果に基づいて、前記質問情報に対応するＳＱＬクエリステートメントを生成する請求項１４に記載のインテリジェント対話装置。
前記第４の生成ユニットが、前記第９の予測結果に基づいて、各列属性の候補クエリ属性値を決定し、前記第４の予測結果と前記第９の予測結果とに基づいて、前記各列属性の属性値の数を決定し、前記属性値の数と前記各列属性の候補クエリ属性値とに基づいて、前記各列属性のターゲットクエリ属性値を決定し、前記第１の予測結果と前記第６の予測結果とに基づいて、ｓｅｌｅｃｔの数と対応するｓｅｌｅｃｔｃｏｌｕｍｎリストを決定し、前記第２の予測結果と前記第７の予測結果とに基づいて、ｗｈｅｒｅの数と対応するｗｈｅｒｅｃｏｌｕｍｎリストを決定し、前記第３の予測結果に基づいて、ｗｈｅｒｅｃｏｌｕｍｎ条件シンボルを決定し、前記第５の予測結果に基づいて、ｓｅｌｅｃｔｃｏｌｕｍｎ集約関数を決定し、前記第８の予測結果に基づいて、ｗｈｅｒｅｃｏｌｕｍｎ間の論理コネクタを決定し、前記各列属性のターゲットクエリ属性値、前記ｓｅｌｅｃｔの数及び対応するｓｅｌｅｃｔｃｏｌｕｍｎリスト、前記ｗｈｅｒｅの数及び対応するｗｈｅｒｅｃｏｌｕｍｎリスト、前記ｗｈｅｒｅｃｏｌｕｍｎ条件シンボル、前記ｓｅｌｅｃｔｃｏｌｕｍｎ集約関数、及び前記ｗｈｅｒｅｃｏｌｕｍｎ間の論理コネクタに基づいて、前記質問情報に対応するＳＱＬクエリステートメントを生成する請求項１５に記載のインテリジェント対話装置。
少なくとも１つのプロセッサと、該少なくとも１つのプロセッサと通信可能に接続されたメモリと、を備え、前記メモリには、前記少なくとも１つのプロセッサによって実行される命令が記憶されており、前記命令が、前記少なくとも１つのプロセッサが請求項１から８のいずれか一項に記載の方法を実行できるように、前記少なくとも１つのプロセッサによって実行される電子機器。
コンピュータ命令が記憶されている非一時的なコンピュータ読み取り可能な記憶媒体であって、前記コンピュータ命令が、コンピュータに請求項１から８のいずれかに記載の方法を実行させる非一時的なコンピュータ読み取り可能な記憶媒体。
プロセッサによって実行される場合、請求項１から８のいずれか一項に記載の方法が実現されるコンピュータプログラム。