CN108446321B - 一种基于深度学习的自动问答方法 - Google Patents
一种基于深度学习的自动问答方法 Download PDFInfo
- Publication number
- CN108446321B CN108446321B CN201810137788.9A CN201810137788A CN108446321B CN 108446321 B CN108446321 B CN 108446321B CN 201810137788 A CN201810137788 A CN 201810137788A CN 108446321 B CN108446321 B CN 108446321B
- Authority
- CN
- China
- Prior art keywords
- content
- question
- intelligent terminal
- display interface
- similarity
- 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.)
- Active
Links
Images
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
- G06F16/3331—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
- G06F16/33—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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明涉及计算机技术领域,提供了一种基于深度学习的自动问答方法。其中方法包括将问题内容输入一个神经网络,正确答案内容和错误答案内容输入另一个神经网络,计算问题内容与正确答案内容之间的第一相似度,以及问题内容与错误答案内容之间的第二相似度;根据预设的第一相似度和第二相似度之间的距离,调整语义识别模型,以便再次使用所述语义识别模型计算得到的第一相似度和第二相似度之间的距离满足预设条件。本发明提出了一种基于深度学习的自动问答方法的实现,尤其是针对其中的学习部分提供了高效可行的实现手段,降低了现有技术中需要人工维护的成本支出,并且,通过训练过程提高了最终匹配出问题内容所对应的正确答案内容的准确度。
Description
【技术领域】
本发明涉及计算机技术领域,特别是涉及一种基于深度学习的自动问答方法。
【背景技术】
随着深度学习技术的快速发展,自然语言处理领域也越来越多地引入了深度学习技术,其效果相比传统的基于规则或传统统计方法的处理方式有了长足的进步。然而深度学习模型的一个难点在于其训练过程需要大量的数据支持,数据量不足会显著影响模型效果。在问答***领域,问答数据往往只有数百条到数千条量级,同时数据整理和扩充的人工成本非常高,甚至有时候是不可行的。
鉴于此,克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。
【发明内容】
本发明要解决的技术问题是在问答***领域,问答数据往往只有数百条到数千条量级,同时数据整理和扩充的人工成本非常高,甚至有时候是不可行的。
本发明进一步要解决的技术问题是提供一种基于深度学习的自动问答方法。
本发明采用如下技术方案:
第一方面,本发明提供了一种基于深度学习的自动问答方法,获取请求终端发送的问题内容,并根据语义识别模型匹配出与所述问题内容相似度最高的答案内容后,反馈给所述请求终端;其中,所述语义识别模型训练数据集采用问题内容、正确答案内容和错误答案内容的三元组形式,具体的语义识别模型的训练方法包括:
将问题内容输入一个神经网络,正确答案内容和错误答案内容输入另一个神经网络,计算问题内容与正确答案内容之间的第一相似度,以及问题内容与错误答案内容之间的第二相似度;
根据预设的第一相似度和第二相似度之间的距离,调整语义识别模型,以便再次使用所述语义识别模型计算得到的第一相似度和第二相似度之间的距离满足预设条件;
其中,语义识别模型的训练数据是在收集整理的语料数据基础上,利用语料扩充方法得到。
优选的,所述语料扩充方法包括:
在标准问题内容中***数量和/或位置随机的干扰词,以便得到同一问题表现出的不同形式的问题内容;和/或,
随机打乱标准问题的词序或根据特定语法规则对标准问题词序进行转换;和/或,
随机替换标准答案中的专用词汇,作为错误回答内容。
优选的,在服务器未寻找到相似度满足预设阈值的答案内容时,所述方法还包括:
建立与所述智能终端的问题协助链接,并获取所述智能终端的界面操控权限;
读取所述智能终端中显示界面内容,并根据所述问题内容控制所述智能终端,逐一的触发显示界面中相应操作,以便在智能终端的显示界面内容中呈现解答所述问题的内容。
优选的,所述建立与所述智能终端的问题协助链接,具体包括:
服务器在接收到获取携带问题内容的请求消息后,向所述智能终端发送获取其界面操控的权限验证请求;
服务器在接收到智能终端的验证通过响应后,建立与所述智能终端的问题协助链接;此时,服务器拥有了控制智能终端主界面的权限。
优选的,所述读取所述智能终端中显示界面内容,并根据所述问题内容控制所述智能终端,逐一的触发显示界面中相应操作,还包括:
对应于每一次触发显示界面中相应操作后,均完成一次所述智能终端中显示界面内容的读取,并通过图像识别方式,获取所述显示界面内容所对应的操作结果,以便生成下一级显示界面中相应操作的触发指令。
优选的,所述通过图像识别方式,获取所述显示界面内容所对应的操作结果,以便生成下一级显示界面中相应操作的触发指令,具体包括:
通过图像识别方式,从所述显示界面内容中默认的关键词区域,获取上一级触发指令的操作结果;
查询本地存储的对应各级触发指令操作结果的下一级响应内容,生成下一级显示界面中相应操作的触发指令。
优选的,若根据读取的智能终端中显示界面内容,无法确定当前的操作状态,则发送***备份请求给所述智能终端;服务器在接收到所述智能终端返回的***备份文件后,通过本地的虚拟机还原所述备份***,并通过在本地执行所述请求消息的响应操作过程,从而确认智能终端侧的问题所在。
优选的,所述触发显示界面中相应操作时,还包括:
生成智能终端中操作指令的显示图标,所述智能终端在完成相应的操作指令时,配合与所述操作指令动作相对应的显示图标。
优选的,在语义识别模型训练的每一步,自动生成多样化的输入数据。
第二方面,本发明还提供了一种基于深度学习的自动问答终端,包括至少一个处理器和存储器,所述至少一个处理器和存储器之间通过数据总线连接,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令在被所述处理器执行后,用于完成第一方面所述的基于深度学习的自动问答方法。
第三方面,本发明还提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,用于完成第一方面所述的基于深度学习的自动问答方法。
本发明提出了一种基于深度学习的自动问答方法的实现,尤其是针对其中的学习部分提供了高效可行的实现手段,降低了现有技术中需要人工维护的成本支出,并且,通过训练过程提高了最终匹配出问题内容所对应的正确答案内容的准确度。
进一步,在本发明的扩展方案中,服务器在获取了用户的问题内容后,通过获取智能终端的界面操控权限,以及配以本发明所提出的对智能终端显示界面内容的解析,来确认当前智能终端所处于的解决问题的状态节点,以便能够精准的生成下一操作的指令,即逐一的触发显示界面中相应操作,以便抵达最终解决问题的状态节点。相比较现有技术,不仅能够实现服务器的自动化解决各种复杂技术问题,而且,避免了因为用户表述不清楚造成智能终端状态和服务器侧信息不对等,以至于造成解决问题过程中重复请求和解答内容不精准的情况发生。与上述自动问答模型构成技术方案上的互补。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于深度学习的自动问答方法流程示意图;
图2是本发明实施例提供的一种基于深度学习的自动问答训练架构示意图;
图3是本发明实施例提供的一种基于深度学习的自动问答方法补充流程示意图;
图4是本发明实施例提供的一种基于界面控制的自动解答效果示意图;
图5是本发明实施例提供的一种问题协助链接建立流程示意图;
图6是本发明实施例提供的一种基于界面控制的控制节点信息捕捉和指令生成的流程示意图;
图7是本发明实施例提供的一种基于深度学习的自动问答终端的结构示意图。
【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仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作,因此不应当理解为对本发明的限制。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明实施例中,智能终端包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放视频内容,一般也具备移动上网特性。该类设备包括:视频播放器,掌上游戏机,以及智能玩具和便携式车载导航设备。
(4)其他具有视频播放功能或连接互联网功能的电子设备。
实施例1:
本发明实施例1提供了一种基于深度学习的自动问答方法,包括获取请求终端发送的问题内容,并根据语义识别模型匹配出与所述问题内容相似度最高的答案内容后,反馈给所述请求终端;其中,所述语义识别模型训练数据集采用问题内容、正确答案内容和错误答案内容的三元组形式,如图1所示,具体的语义识别模型的训练方法包括:
在步骤201中,将问题内容输入一个神经网络,正确答案内容和错误答案内容输入另一个神经网络,计算问题内容与正确答案内容之间的第一相似度,以及问题内容与错误答案内容之间的第二相似度。
例如:以图2所示的架构模型为例,图中问题内容和答案(包括正确答案和错误答案)均被输入到向量表示单元中,在所述向量表示单元中将问题内容和答案转换为多维的向量对象;CNN表示卷积神经网络;所述池化单元用于降维;损失函数计算单元用来计算模型参数最优化解的函数。
在步骤202中,根据预设的第一相似度和第二相似度之间的距离,调整语义识别模型,以便再次使用所述语义识别模型计算得到的第一相似度和第二相似度之间的距离满足预设条件。其中,语义识别模型的训练数据是在收集整理的语料数据基础上,利用语料扩充方法得到。
本发明实施例提出了一种基于深度学习的自动问答方法的实现,尤其是针对其中的学习部分提供了高效可行的实现手段,降低了现有技术中需要人工维护的成本支出,并且,通过训练过程提高了最终匹配出问题内容所对应的正确答案内容的准确度。
基于本发明实施例1的训练方案,还提出了一种所述语料扩充方法包括:
方式一、在标准问题内容中***数量和/或位置随机的干扰词,以便得到同一问题表现出的不同形式的问题内容;训练语义识别模型对于提取重点词汇,排除无关词汇的能力。
方式二、随机打乱标准问题的词序或根据特定语法规则对标准问题词序进行转换。
方式一、随机替换标准答案中的专用词汇,作为错误回答内容。
上述三种方式可以采用其中的一种或者多种组合的方式来扩充语料。从而能够在有限的数据集情况下,训练出能够应对复杂语义环境的自动问题的解答。
结合本发明实施例,还存在一种优选的实现方式,具体的:在语义识别模型训练的每一步,自动生成多样化的输入数据,从而提高***提取关键信息和深层语法含义的能力,进而提高***稳定性和抗干扰能力。
其中,所述每一步是指神经网络模型迭代训练过程中的每一次更新,即将训练数据输入进网络,然后计算网络参数更新的过程。数据可以通过上述三种语料扩充方式对原始数据进行变换而自动生成,比如原始问题为“请问什么是kdj指标”,经过变换之后可能得到“指标请问kdj什么是”【打乱次序】、“请问星期一什么是kdj方法指标”【加入干扰词星期一、方法】、“kdj指标是什么”【更换说法】;原始答案“kdj是一种随机指标”可以变换为“股票是一种随机指标”、“kdj是一种股票代码”【通过替换专用词作为错误回答】等等。
在具体实践中,能够根据用户的问题内容匹配出正确答案内容,并且,所述正确答案内容能够被用户正确的理解和使用当然是最好的结果,但是,实际上往往不会如此顺利,其中,有可能发生服务器未寻找到相似度满足预设阈值的答案内容,或者,服务器反馈给智能终端的正确答案内容无法被用户正确的理解,以至于仍就无法解决用户所提出的问题内容,此时,基于本发明实施例基础上,还提供了一种优选的实现方案,用于弥补上述可能出现的问题内容无法有效得到解决的情况,如图3所示,则本发明实施例的所述方法还包括:
在步骤301中,建立与所述智能终端的问题协助链接,并获取所述智能终端的界面操控权限。
在本发明实施例中,所述智能终端的问题协助链接可以是由用户的智能终端侧主动发起的。由智能终端主动发起问题协助链接的情况,通常是上述的服务器反馈给智能终端的正确答案内容无法被用户正确的理解,以至于仍就无法解决用户所提出的问题内容。而另一种情形,即服务器未寻找到相似度满足预设阈值的答案内容,此时,所述问题协助链接的主动发起方通常是服务器侧。上述两种发起方式均属于本发明实施例的保护范围内。
由于,所述问题协助链接涉及服务器拥有了对智能终端界面操控权限,因此,优选的是通过加密算法完成两者的问题协助链接的建立。例如:通过智能终端向第三方(例如:运营商)发送校验码请求,并在智能终端和服务器分别接受第三方的校验码返回后,智能终端和服务器分别校对对方的校验码正确后,完成所述问题协助链接的建立。除此以外,还可以采用现有比较成熟的秘钥的方式,在完成安全认证后建立所述问题协助链接。
在步骤302中,读取所述智能终端中显示界面内容,并根据所述问题内容控制所述智能终端,逐一的触发显示界面中相应操作,以便在智能终端的显示界面内容中呈现解答所述问题的内容。
服务器在获取了用户的问题内容后,通过获取智能终端的界面操控权限,以及配以本发明实施例所提出的对智能终端显示界面内容的解析,来确认当前智能终端所处于的解决问题的状态节点,以便能够精准的生成下一操作的指令,即逐一的触发显示界面中相应操作,以便抵达最终解决问题的状态节点。相比较现有技术,不仅能够实现服务器的自动化解决各种复杂技术问题,而且,避免了因为用户表述不清楚造成智能终端状态和服务器侧信息不对等,以至于造成解决问题过程中重复请求和解答内容不精准的情况发生。与上述自动问答模型构成技术方案上的互补。
在本发明实施例中,所述触发显示界面中相应操作时,为了能够进一步提高服务器控制智能终端界面完成用户所请求的问题的解答过程,给与用户自身的启示性和指导性,结合本发明实施例1还存在一种优选的实现方案,具体的:
生成智能终端中操作指令的显示图标,所述智能终端在完成相应的操作指令时,配合与所述操作指令动作相对应的显示图标。如图4所述,以用户请求问题为如何观察XXX股票的筹码盈利比例为例,服务器在获取了智能终端的问题内容和界面操控权限后,会通过搜索栏寻找到相应的股票,并打开相应股票的筹码分布界面,如图4中左图所示,紧接着会在左图上再生成一显示图标(图中虚线框所示),并挪到需要进行操作的对象上,即图中所示“筹码分布趋势”按钮;在点击了相应“筹码分布趋势”按钮后,将所述显示图标挪到最终要提示给用户的答案所在区域,如图4中右图中虚线框所示即为问题的答案内容。
在本发明实施例中,对于步骤301中实现的,所述建立与所述智能终端的问题协助链接,存在一种可选的实现方式,如图5所示,具体包括:
在步骤3011中,服务器在接收到获取携带问题内容的请求消息后,向所述智能终端发送获取其界面操控的权限验证请求。
其中,所述权限验证请求可以在智能终端侧表现为一提示窗口,例如提示窗口内容可以为“针对您提出的XXX问题请求,服务器需要获取您当前界面的控制主权,若您接解决问题请求的方式请点击‘确认’否则点击‘取消’”。
在步骤3012中,服务器在接收到智能终端的验证通过响应后,建立与所述智能终端的问题协助链接;此时,服务器拥有了控制智能终端主界面的权限。
以上述提示窗口内容为例,进一步阐述,所述服务器在接收到智能终端的验证通过响应,即表现为用户通过其控制的智能终端向服务器返回‘确认’的选择操作。
在具体实现时,除了可以采用上述步骤3011-步骤3012来实现问题协助链接建立以外,还可以通过一种智能终端侧软件应用安装时提供的条款确认用户在申请远端服务器进行问题解决时,拥有控制当前智能终端主界面控制功能的权限,因此,在服务器获取到智能终端发送过来的携带问题内容的请求消息后,进一步在确认无法匹配出本地的正确答案时,便根据请求消息中携带的智能终端的网络标识信息(例如:3G或者4G网络环境下网络标识信息是代表智能终端唯一身份标识符的IMEI号;WIFI网络环境下网络标识信息是代表智能终端网络位置的IP地址等等)直接与所述智能终端建立问题协助链接,并默认获取其界面操控权限。
基于本发明实施例,对于步骤302中所涉及的,所述读取所述智能终端中显示界面内容,并根据所述问题内容控制所述智能终端,逐一的触发显示界面中相应操作,如图6所示,还包括:
在步骤3021中,对应于每一次触发显示界面中相应操作后,均完成一次所述智能终端中显示界面内容的读取。
在步骤3022中,通过图像识别方式,获取所述显示界面内容所对应的操作结果,以便生成下一级显示界面中相应操作的触发指令。
其中,图像识别方式在获取所述显示界面内容所对应的操作结果时,可以作为强有力的辅助手段。通常情况下,所述图像识别方式可以和服务器历史学习的对应于所述问题内容的问题答案是匹配起来的(例如:对于一些问题内容是如何找到目的文件所在位置,或者是如何执行完成某一公共界面上的操作等等,这一类问题内容所对应的问题答案基本是固定模板的),因此,在使用图像识别方式时,可以借鉴问题答案中所包含的文本内容和文本所在位置,从而提高图像识别的针对性,提高识别效率。然而,在某些特殊情况下,例如:对于一些结合特定对象的问题内容,此时,作为历史经验的问题答案便不一定能够解决or覆盖到当前的问题内容,此时,便需要严格依托于图像识别来寻找到下一触发操作的目标位置。
在具体实现中,对于上述图像识别方式,也可能出现服务器侧历史没有记录or存储过的状态信息,此时,针对这种突发情况服务器通常是无法提供精准解决方案,为此本发明实施例还提供了一种优选的解决方案,具体的:若根据读取的智能终端中显示界面内容,无法确定当前的操作状态,则发送***备份请求给所述智能终端;服务器在接收到所述智能终端返回的***备份文件后,通过本地的虚拟机还原所述备份***,并通过在本地执行所述请求消息的响应操作过程,从而确认智能终端侧的问题所在。
为了进一步提高本发明实施例中所提出的图像识别的效率,对于同一款应用来说,其运行在不同智能终端中的界面上的,不同操作阶段的关键信息(即关键词)的显示位置都是被应用程序实现设定好的,因此,在进行每一操作下的状态界面的图像识别时可以直接到关键词所在区域进行区域优先识别,而仅仅在区域优先识别没有获取到有效内容的情况下,再进行对应于全屏幕的图像对象的识别,因此,上述步骤3022中所涉及的内容,具体包括:
通过图像识别方式,从所述显示界面内容中默认的关键词区域,获取上一级触发指令的操作结果。查询本地存储的对应各级触发指令操作结果的下一级响应内容,生成下一级显示界面中相应操作的触发指令。
实施例2:
本发明实施例还提供了一种基于深度学习的自动问答终端,如图7所示,包括一个或多个处理器21以及存储器22。其中,图7中以一个处理器21为例。
处理器21和存储器22可以通过总线或者其他方式连接,图7中以通过总线连接为例。
存储器22作为一种基于深度学习的自动问答方法和装置非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如实施例1中的基于深度学习的自动问答方法。
存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器22可选包括相对于处理器21远程设置的存储器,这些远程存储器可以通过网络连接至处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器22中,当被所述一个或者多个处理器21执行时,执行上述实施例1中的基于深度学习的自动问答方法,例如,执行以上描述的图1所示的各个步骤。
本发明实施例还提供了一种非易失性计算机存储介质,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例如图7中的一个处理器21,可使得上述一个或多个处理器可执行实施例1中的智能问题解决方法,例如,执行以上描述的图1、图3、图5和图6所示的各个步骤。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的自动问答方法,其特征在于,获取请求终端发送的问题内容,并根据语义识别模型匹配出与所述问题内容相似度最高的答案内容后,反馈给所述请求终端;其中,所述语义识别模型训练数据集采用问题内容、正确答案内容和错误答案内容的三元组形式,具体的语义识别模型的训练方法包括:
将问题内容输入一个神经网络,正确答案内容和错误答案内容输入另一个神经网络,计算问题内容与正确答案内容之间的第一相似度,以及问题内容与错误答案内容之间的第二相似度;
根据预设的第一相似度和第二相似度之间的距离,调整语义识别模型,以便再次使用所述语义识别模型计算得到的第一相似度和第二相似度之间的距离满足预设条件;
其中,语义识别模型的训练数据是在收集整理的语料数据基础上,利用语料扩充方法得到;
在服务器未寻找到相似度满足预设阈值的答案内容时,所述方法还包括:
建立与智能终端的问题协助链接,并获取所述智能终端的界面操控权限;
读取所述智能终端中显示界面内容,并根据所述问题内容控制所述智能终端,逐一的触发显示界面中相应操作,以便在智能终端的显示界面内容中呈现解答所述问题的内容;
所述读取所述智能终端中显示界面内容,并根据所述问题内容控制所述智能终端,逐一的触发显示界面中相应操作,还包括:
对应于每一次触发显示界面中相应操作后,均完成一次所述智能终端中显示界面内容的读取,并通过图像识别方式,获取所述显示界面内容所对应的操作结果,以便生成下一级显示界面中相应操作的触发指令;
图像识别方式和服务器历史学习的对应于所述问题内容的问题答案是匹配起来的,在使用图像识别方式时,借鉴问题答案中所包含的文本内容和文本所在位置,从而增加图像识别的针对性。
2.根据权利要求1所述的基于深度学习的自动问答方法,其特征在于,所述语料扩充方法包括:
在标准问题内容中***数量和/或位置随机的干扰词,以便得到同一问题表现出的不同形式的问题内容;和/或,
随机打乱标准问题的词序或根据特定语法规则对标准问题词序进行转换;和/或,
随机替换标准答案中的专用词汇,作为错误回答内容。
3.根据权利要求1所述的基于深度学习的自动问答方法,其特征在于,所述建立与所述智能终端的问题协助链接,具体包括:
服务器在接收到获取携带问题内容的请求消息后,向所述智能终端发送获取其界面操控的权限验证请求;
服务器在接收到智能终端的验证通过响应后,建立与所述智能终端的问题协助链接;此时,服务器拥有了控制智能终端主界面的权限。
4.根据权利要求1所述的基于深度学习的自动问答方法,其特征在于,所述通过图像识别方式,获取所述显示界面内容所对应的操作结果,以便生成下一级显示界面中相应操作的触发指令,具体包括:
通过图像识别方式,从所述显示界面内容中默认的关键词区域,获取上一级触发指令的操作结果;
查询本地存储的对应各级触发指令操作结果的下一级响应内容,生成下一级显示界面中相应操作的触发指令。
5.根据权利要求1-4任一所述的基于深度学习的自动问答方法,其特征在于,若根据读取的智能终端中显示界面内容,无法确定当前的操作状态,则发送***备份请求给所述智能终端;服务器在接收到所述智能终端返回的***备份文件后,通过本地的虚拟机还原备份***,并通过在本地执行请求消息的响应操作过程,从而确认智能终端侧的问题所在。
6.根据权利要求1-4任一所述的基于深度学习的自动问答方法,其特征在于,所述触发显示界面中相应操作时,还包括:
生成智能终端中操作指令的显示图标,所述智能终端在完成相应的操作指令时,配合与所述操作指令动作相对应的显示图标。
7.根据权利要求1所述的基于深度学习的自动问答方法,其特征在于,
在语义识别模型训练的每一步,自动生成多样化的输入数据;
其中,所述每一步是指神经网络模型迭代训练过程中的每一次更新;所述输入数据包括由问题、正确答案和错误答案构成的三元组数据。
8.一种基于深度学习的自动问答终端,其特征在于,包括至少一个处理器和存储器,所述至少一个处理器和存储器之间通过数据总线连接,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令在被所述处理器执行后,用于完成权利要求1-7任一所述的基于深度学习的自动问答方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810137788.9A CN108446321B (zh) | 2018-02-10 | 2018-02-10 | 一种基于深度学习的自动问答方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810137788.9A CN108446321B (zh) | 2018-02-10 | 2018-02-10 | 一种基于深度学习的自动问答方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108446321A CN108446321A (zh) | 2018-08-24 |
CN108446321B true CN108446321B (zh) | 2021-03-30 |
Family
ID=63192248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810137788.9A Active CN108446321B (zh) | 2018-02-10 | 2018-02-10 | 一种基于深度学习的自动问答方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446321B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674246A (zh) * | 2019-09-19 | 2020-01-10 | 北京小米智能科技有限公司 | 问答模型训练方法、自动问答方法及装置 |
CN111159373B (zh) * | 2019-12-26 | 2023-04-07 | 上海智臻智能网络科技股份有限公司 | 智能问答***的知识库建立方法、装置和存储介质 |
US11386890B1 (en) * | 2020-02-11 | 2022-07-12 | Amazon Technologies, Inc. | Natural language understanding |
CN112463949B (zh) * | 2020-12-01 | 2022-09-16 | 贝壳技术有限公司 | 数据召回方法与***、交互方法及交互*** |
US20230135625A1 (en) * | 2021-10-28 | 2023-05-04 | International Business Machines Corporation | Automated generation of dialogue flow from documents |
CN116975395B (zh) * | 2023-09-22 | 2024-01-23 | 安徽淘云科技股份有限公司 | 错误反馈数据的处理方法、装置、设备以及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106547831A (zh) * | 2016-10-10 | 2017-03-29 | 天脉聚源(北京)科技有限公司 | 提高图像信息的处理效率的方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1940915B (zh) * | 2005-09-29 | 2010-05-05 | 国际商业机器公司 | 训练语料扩充***和方法 |
CN101566998B (zh) * | 2009-05-26 | 2011-12-28 | 华中师范大学 | 一种基于神经网络的中文问答*** |
CN104346406B (zh) * | 2013-08-08 | 2018-05-22 | 北大方正集团有限公司 | 训练语料扩充装置和训练语料扩充方法 |
US20160232441A1 (en) * | 2015-02-05 | 2016-08-11 | International Business Machines Corporation | Scoring type coercion for question answering |
CN105915527B (zh) * | 2016-05-16 | 2019-03-08 | 北京安云世纪科技有限公司 | 一种控制移动终端的方法和装置、移动终端 |
CN107368547A (zh) * | 2017-06-28 | 2017-11-21 | 西安交通大学 | 一种基于深度学习的智能医疗自动问答方法 |
-
2018
- 2018-02-10 CN CN201810137788.9A patent/CN108446321B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106547831A (zh) * | 2016-10-10 | 2017-03-29 | 天脉聚源(北京)科技有限公司 | 提高图像信息的处理效率的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108446321A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446321B (zh) | 一种基于深度学习的自动问答方法 | |
JP6828001B2 (ja) | 音声ウェイクアップ方法及び装置 | |
CN108446322B (zh) | 一种智能问答***的实现方法和装置 | |
CN108235697B (zh) | 一种机器人动态学习方法、***、机器人以及云端服务器 | |
CN110930980B (zh) | 一种中英文混合语音的声学识别方法及*** | |
JP2013542484A (ja) | 対話システムにおける思考追跡および行動選択 | |
CN101233559A (zh) | 用于不同语言的说话者之间的增强的交互和理解的上下文敏感通信和翻译方法 | |
US10839017B2 (en) | Adaptive, interactive, and cognitive reasoner of an autonomous robotic system utilizing an advanced memory graph structure | |
CN109256125B (zh) | 语音的离线识别方法、装置与存储介质 | |
CN112183098B (zh) | 会话的处理方法和装置、存储介质、电子装置 | |
CN112115244A (zh) | 对话交互方法、装置、存储介质及电子设备 | |
CN115827838A (zh) | 基于故事续写和动态知识库的对话生成方法及*** | |
CN111399629A (zh) | 一种终端设备的操作引导方法、终端设备及存储介质 | |
JP5545489B2 (ja) | 学習システム、シミュレーション装置、および学習方法 | |
KR102285115B1 (ko) | 챗봇 기반의 웹페이지 내비게이션 장치 및 방법 | |
CN111611369B (zh) | 基于人工智能的交互方法和相关装置 | |
CN108415983B (zh) | 一种基于交互的智能问题解决方法和装置 | |
WO2018195307A1 (en) | Scalable framework for autonomous artificial intelligence characters | |
CN115409042B (zh) | 一种基于思维导图的机器人问答方法及装置 | |
CN115658875B (zh) | 基于聊天服务的数据处理方法及相关产品 | |
CN112069830A (zh) | 一种智能会话方法及装置 | |
CN111104502A (zh) | 外呼***的对话管理方法、***、电子设备和存储介质 | |
EP4064031A1 (en) | Method and system for tracking in extended reality using voice commmand | |
CN112947256A (zh) | 基于机器人的电脑***控制方法、装置、介质及机器人 | |
CN106682221B (zh) | 问答交互的响应方法、装置及问答*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |