CN107066556A - 用于人工智能对话***的备选答案排序方法及装置 - Google Patents
用于人工智能对话***的备选答案排序方法及装置 Download PDFInfo
- Publication number
- CN107066556A CN107066556A CN201710188331.6A CN201710188331A CN107066556A CN 107066556 A CN107066556 A CN 107066556A CN 201710188331 A CN201710188331 A CN 201710188331A CN 107066556 A CN107066556 A CN 107066556A
- Authority
- CN
- China
- Prior art keywords
- alternative answer
- knowledge
- alternative
- answer
- inventory
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种用于人工智能对话***的备选答案排序方法及装置,首先根据用户输入的信息获取备选答案清单,再根据知识图谱获取与输入信息相关的知识信息,最后根据这些相关的知识信息对备选答案进行排序,知识信息包括但不限于常识性知识和/或专业知识。本发明在对备选答案进行排序的过程中,在考虑用户输入与答案之间的相关度的基础上,还考虑到了常识性知识和专业知识的影响,***的回复会更加符合常识和逻辑,因此更加合乎用户需求。
Description
技术领域
本发明涉及人工智能对话***,尤其涉及一种用于人工智能对话***的备选答案排序方法及装置。
背景技术
在现有的人工智能对话***中,一般是采用基于语料库的方式生成备选答案,然后对这些备选答案进行排序从而选择合适的回复。在对备选答案进行排序的过程中,一般只是关注于用户输入与答案之间的相关度,这种排序方法因为并不具备知识,所以常常做出错误的回答,无法得到合乎用户需求的答案。
发明内容
本发明的目的是提供一种用于人工智能对话***的备选答案排序方法及装置,旨在解决现有的人工智能对话***在对备选答案进行排序的过程中只依靠相关度进行排序、排序结果无法合乎用户需求的问题。
本发明解决其技术问题所采用的技术方案是:
一种用于人工智能对话***的备选答案排序方法,包括:
根据用户的输入信息,获取备选答案清单;
根据所述输入信息对知识图谱进行查询,获取与所述输入信息相应的知识信息;
根据所述知识信息,对所述备选答案清单中的备选答案进行排序,输出排序结果。
在上述实施例的基础上,进一步地,所述知识信息包括常识信息、专业知识信息。
在上述任意实施例的基础上,进一步地,所述根据所述知识信息,对所述备选答案清单中的备选答案进行排序,输出排序结果的步骤,具体为:
根据所述知识信息,利用机器学习或深度学习的算法,对所述备选答案清单中的备选答案进行排序,输出排序结果。
或者,进一步地,所述根据所述知识信息,对所述备选答案清单中的备选答案进行排序,输出排序结果的步骤,具体为:
根据所述知识信息,利用基于规则的方法,对所述备选答案清单中的备选答案进行排序,输出排序结果。
一种用于人工智能对话***的备选答案排序装置,包括:
清单获取模块,用于根据用户的输入信息,获取备选答案清单;
知识获取模块,用于根据所述输入信息对知识图谱进行查询,获取与所述输入信息相应的知识信息;
排序模块,用于根据所述知识信息,对所述备选答案清单中的备选答案进行排序,输出排序结果。
在上述实施例的基础上,进一步地,所述知识信息包括常识信息、专业知识信息。
在上述任意实施例的基础上,进一步地,所述排序模块用于:
根据所述知识信息,利用机器学习或深度学习的算法,对所述备选答案清单中的备选答案进行排序,输出排序结果。
或者,进一步地,所述排序模块用于:
根据所述知识信息,利用基于规则的方法,对所述备选答案清单中的备选答案进行排序,输出排序结果。
本发明的有益效果是:
本发明提供了一种用于人工智能对话***的备选答案排序方法及装置,首先根据用户输入的信息获取备选答案清单,再根据知识图谱获取与输入信息相关的知识信息,最后根据这些相关的知识信息对备选答案进行排序,知识信息包括但不限于常识性知识和/或专业知识。本发明在对备选答案进行排序的过程中,在考虑用户输入与答案之间的相关度的基础上,还考虑到了常识性知识和专业知识的影响,***的回复会更加符合常识和逻辑,因此更加合乎用户需求。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明实施例提供的一种用于人工智能对话***的备选答案排序方法的流程图;
图2示出了本发明实施例提供的一种用于人工智能对话***的备选答案排序装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不限定本发明。
具体实施例一
如图1所示,本发明实施例提供了一种用于人工智能对话***的备选答案排序方法,包括以下三个步骤:
步骤S101,根据用户的输入信息,获取备选答案清单。
步骤S102,根据所述输入信息对知识图谱进行查询,获取与所述输入信息相应的知识信息。
步骤S103,根据所述知识信息,对所述备选答案清单中的备选答案进行排序,输出排序结果。
本发明实施例首先根据用户输入的信息获取备选答案清单,再根据知识图谱获取与输入信息相关的知识信息,最后根据这些相关的知识信息对备选答案进行排序,知识信息包括但不限于常识性知识和/或专业知识。本发明在对备选答案进行排序的过程中,在考虑用户输入与答案之间的相关度的基础上,还考虑到了常识性知识和专业知识的影响,***的回复会更加符合常识和逻辑,因此更加合乎用户需求。
本发明实施例对知识图谱不做限定,其可以包括个人化知识图谱和全局知识图谱。采用个人化知识图谱,可以在人机对话的时候实现更精确的信息捕捉,同时提高应答效率,另一方面,全局知识图谱的设置,可以提高人工智能对话***的通用性。
本发明实施例对知识信息不做限定,在上述实施例的基础上,优选的,所述知识信息可以包括常识信息、专业知识信息。所述常识为常识性知识。
本发明实施例对步骤S103不做限定,在上述任意实施例的基础上,优选的,所述步骤S103可以具体为:根据所述知识信息,利用机器学习或深度学习的算法,对所述备选答案清单中的备选答案进行排序,输出排序结果。机器学习是实现人工智能的一个途径,即以机器学习为手段解决人工智能中的问题,机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法,可以分为以下类别:监督学习、无监督学习、半监督学习、增强学习。深度学习是使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法,是机器学习中一种基于对数据进行表征学习的算法,表征学习的目标是寻求更好的表示方法并创建更好的模型来从大规模未标记数据中学习这些表示方法,深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
或者,优选的,所述步骤S103可以具体为:根据所述知识信息,利用基于规则的方法,对所述备选答案清单中的备选答案进行排序,输出排序结果。基于规则的方法包括语义规则、语法规则、业务规则,这些规则主要是根据数据本身的特征人为地对分类细节进行限定,实用性较强。
具体实施例二
如图2所示,本发明实施例提供了一种用于人工智能对话***的备选答案排序装置,包括以下三个模块:
清单获取模块201,用于根据用户的输入信息,获取备选答案清单。
知识获取模块202,用于根据所述输入信息对知识图谱进行查询,获取与所述输入信息相应的知识信息。
排序模块203,用于根据所述知识信息,对所述备选答案清单中的备选答案进行排序,输出排序结果。
本发明实施例首先根据用户输入的信息获取备选答案清单,再根据知识图谱获取与输入信息相关的知识信息,最后根据这些相关的知识信息对备选答案进行排序,知识信息包括但不限于常识性知识和/或专业知识。本发明在对备选答案进行排序的过程中,在考虑用户输入与答案之间的相关度的基础上,还考虑到了常识性知识和专业知识的影响,***的回复会更加符合常识和逻辑,因此更加合乎用户需求。
本发明实施例对知识图谱不做限定,其可以包括个人化知识图谱和全局知识图谱。采用个人化知识图谱,可以在人机对话的时候实现更精确的信息捕捉,同时提高应答效率,另一方面,全局知识图谱的设置,可以提高人工智能对话***的通用性。
本发明实施例对知识信息不做限定,在上述实施例的基础上,优选的,所述知识信息可以包括常识信息、专业知识信息。所述常识为常识性知识。
本发明实施例对排序模块不做限定,在上述任意实施例的基础上,优选的,所述排序模块203可以用于:根据所述知识信息,利用机器学习或深度学习的算法,对所述备选答案清单中的备选答案进行排序,输出排序结果。机器学习是实现人工智能的一个途径,即以机器学习为手段解决人工智能中的问题,机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法,可以分为以下类别:监督学习、无监督学习、半监督学习、增强学习。深度学习是使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法,是机器学习中一种基于对数据进行表征学习的算法,表征学习的目标是寻求更好的表示方法并创建更好的模型来从大规模未标记数据中学习这些表示方法,深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
或者,优选的,所述排序模块203可以用于:根据所述知识信息,利用基于规则的方法,对所述备选答案清单中的备选答案进行排序,输出排序结果。基于规则的方法包括语义规则、语法规则、业务规则,这些规则主要是根据数据本身的特征人为地对分类细节进行限定,实用性较强。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。尽管本发明已进行了一定程度的描述,明显地,在不脱离本发明的精神和范围的条件下,可进行各个条件的适当变化。可以理解,本发明不限于所述实施方案,而归于权利要求的范围,其包括所述每个因素的等同替换。
Claims (8)
1.一种用于人工智能对话***的备选答案排序方法,其特征在于,包括:
根据用户的输入信息,获取备选答案清单;
根据所述输入信息对知识图谱进行查询,获取与所述输入信息相应的知识信息;
根据所述知识信息,对所述备选答案清单中的备选答案进行排序,输出排序结果。
2.根据权利要求1所述的用于人工智能对话***的备选答案排序方法,其特征在于,所述知识信息包括常识信息、专业知识信息。
3.根据权利要求1或2所述的用于人工智能对话***的备选答案排序方法,其特征在于,所述根据所述知识信息,对所述备选答案清单中的备选答案进行排序,输出排序结果的步骤,具体为:
根据所述知识信息,利用机器学习或深度学习的算法,对所述备选答案清单中的备选答案进行排序,输出排序结果。
4.根据权利要求1或2所述的用于人工智能对话***的备选答案排序方法,其特征在于,所述根据所述知识信息,对所述备选答案清单中的备选答案进行排序,输出排序结果的步骤,具体为:
根据所述知识信息,利用基于规则的方法,对所述备选答案清单中的备选答案进行排序,输出排序结果。
5.一种用于人工智能对话***的备选答案排序装置,其特征在于,包括:
清单获取模块,用于根据用户的输入信息,获取备选答案清单;
知识获取模块,用于根据所述输入信息对知识图谱进行查询,获取与所述输入信息相应的知识信息;
排序模块,用于根据所述知识信息,对所述备选答案清单中的备选答案进行排序,输出排序结果。
6.根据权利要求5所述的用于人工智能对话***的备选答案排序装置,其特征在于,所述知识信息包括常识信息、专业知识信息。
7.根据权利要求5或6所述的用于人工智能对话***的备选答案排序装置,其特征在于,所述排序模块用于:
根据所述知识信息,利用机器学习或深度学习的算法,对所述备选答案清单中的备选答案进行排序,输出排序结果。
8.根据权利要求5或6所述的用于人工智能对话***的备选答案排序装置,其特征在于,所述排序模块用于:
根据所述知识信息,利用基于规则的方法,对所述备选答案清单中的备选答案进行排序,输出排序结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710188331.6A CN107066556A (zh) | 2017-03-27 | 2017-03-27 | 用于人工智能对话***的备选答案排序方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710188331.6A CN107066556A (zh) | 2017-03-27 | 2017-03-27 | 用于人工智能对话***的备选答案排序方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107066556A true CN107066556A (zh) | 2017-08-18 |
Family
ID=59618180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710188331.6A Pending CN107066556A (zh) | 2017-03-27 | 2017-03-27 | 用于人工智能对话***的备选答案排序方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107066556A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI629606B (zh) * | 2017-09-26 | 2018-07-11 | 大仁科技大學 | 對話系統之對話方法 |
CN108416051A (zh) * | 2018-03-20 | 2018-08-17 | 杭州声讯网络科技有限公司 | 一种针对行业应用的智能对话逻辑算法 |
CN111147375A (zh) * | 2019-12-31 | 2020-05-12 | 秒针信息技术有限公司 | 一种网络操作方法、装置、计算机设备和介质 |
CN114238611A (zh) * | 2021-12-23 | 2022-03-25 | 北京百度网讯科技有限公司 | 用于输出信息的方法、装置、设备以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441636A (zh) * | 2007-11-21 | 2009-05-27 | 中国科学院自动化研究所 | 一种基于知识库的医院信息搜索引擎及*** |
CN103577558A (zh) * | 2013-10-21 | 2014-02-12 | 北京奇虎科技有限公司 | 一种优化问答对的搜索排名的装置和方法 |
CN104598445A (zh) * | 2013-11-01 | 2015-05-06 | 腾讯科技(深圳)有限公司 | 自动问答***和方法 |
CN106095872A (zh) * | 2016-06-07 | 2016-11-09 | 北京高地信息技术有限公司 | 用于智能问答***的答案排序方法及装置 |
-
2017
- 2017-03-27 CN CN201710188331.6A patent/CN107066556A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441636A (zh) * | 2007-11-21 | 2009-05-27 | 中国科学院自动化研究所 | 一种基于知识库的医院信息搜索引擎及*** |
CN103577558A (zh) * | 2013-10-21 | 2014-02-12 | 北京奇虎科技有限公司 | 一种优化问答对的搜索排名的装置和方法 |
CN104598445A (zh) * | 2013-11-01 | 2015-05-06 | 腾讯科技(深圳)有限公司 | 自动问答***和方法 |
CN106095872A (zh) * | 2016-06-07 | 2016-11-09 | 北京高地信息技术有限公司 | 用于智能问答***的答案排序方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI629606B (zh) * | 2017-09-26 | 2018-07-11 | 大仁科技大學 | 對話系統之對話方法 |
CN108416051A (zh) * | 2018-03-20 | 2018-08-17 | 杭州声讯网络科技有限公司 | 一种针对行业应用的智能对话逻辑算法 |
CN111147375A (zh) * | 2019-12-31 | 2020-05-12 | 秒针信息技术有限公司 | 一种网络操作方法、装置、计算机设备和介质 |
CN114238611A (zh) * | 2021-12-23 | 2022-03-25 | 北京百度网讯科技有限公司 | 用于输出信息的方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bang et al. | Explaining a black-box by using a deep variational information bottleneck approach | |
Cinelli et al. | Recommending multiple criteria decision analysis methods with a new taxonomy-based decision support system | |
Forbus et al. | Extending SME to handle large‐scale cognitive modeling | |
Saltz et al. | Data science ethical considerations: a systematic literature review and proposed project framework | |
Kim et al. | Exchange ideology in supervisor-subordinate dyads, LMX, and knowledge sharing: A social exchange perspective | |
CN109376844A (zh) | 基于云平台和模型推荐的神经网络自动训练方法和装置 | |
CN107066556A (zh) | 用于人工智能对话***的备选答案排序方法及装置 | |
CN106445919A (zh) | 一种情感分类方法及装置 | |
Morente-Molinera et al. | A dynamic group decision making process for high number of alternatives using hesitant Fuzzy Ontologies and sentiment analysis | |
CN107851097A (zh) | 数据分析***、数据分析方法、数据分析程序及存储介质 | |
Markowska-Kaczmar et al. | Intelligent techniques in personalization of learning in e-learning systems | |
Alshmrany | Adaptive learning style prediction in e-learning environment using levy flight distribution based CNN model | |
CN110516791A (zh) | 一种基于多重注意力的视觉问答方法及*** | |
WO2020170593A1 (ja) | 情報処理装置及び情報処理方法 | |
CN110309114A (zh) | 媒体信息的处理方法、装置、存储介质和电子装置 | |
CN107833088A (zh) | 内容提供方法、装置及智能设备 | |
Vong et al. | The helpfulness of category labels in semi-supervised learning depends on category structure | |
El Fouki et al. | Intelligent adapted e-learning system based on deep reinforcement learning | |
CN112163620A (zh) | 一种stacking模型融合方法 | |
Fortuna et al. | What is behind the buzzword for experts and laymen: Representation of “artificial intelligence” in the IT-professionals’ and non-professionals’ minds | |
Paireekreng et al. | An integrated model for learning style classification in university students using data mining techniques | |
Hastings et al. | Agreement behavior of isolated annotators for maintenance work-order data mining | |
EP3576024A1 (en) | Accessible machine learning | |
Morco et al. | e-RICE: an expert system using rule-based algorithm to detect, diagnose, and prescribe control options for rice plant diseases in the Philippines | |
Vidulin et al. | Combining human analysis and machine data mining to obtain credible data relations |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |
|
RJ01 | Rejection of invention patent application after publication |