CN108563669A - 一种自动实现app操作的智能*** - Google Patents
一种自动实现app操作的智能*** Download PDFInfo
- Publication number
- CN108563669A CN108563669A CN201810017031.6A CN201810017031A CN108563669A CN 108563669 A CN108563669 A CN 108563669A CN 201810017031 A CN201810017031 A CN 201810017031A CN 108563669 A CN108563669 A CN 108563669A
- Authority
- CN
- China
- Prior art keywords
- parameter
- user
- interface
- app
- extracting
- 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.)
- Granted
Links
Landscapes
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种能自动实现app操作的智能***,包括:会话管理模块、预先训练好的意图识别模型和参数提取模型、用户意图与参数对应关系、用户交互规则、用户意图与接口对应关系、接口与参数对应关系、未提取参数列表;并且,所述智能***的运行流程如下:S1预处理;S2判断是否处于用户交互中1并进行处理;S3省略恢复;S4意图识别;S5参数提取;S6更新未提取参数列表;S7判断是否处于用户交互中2并进行处理;S8完成app操作;S9退出流程。采用本发明,可以使得操作app更方便、快捷。
Description
技术领域
本发明涉及智能***领域,尤其涉及一种自动操作app智能***。
背景技术
智能手机的快速发展,大家越来越多的使用手机app。但在用户使用app时,尤其在时间较紧迫时,会感觉比较繁琐,例如用户用高德地图查询路线,需要先进入高德地图的线路界面,输入出发地和目的地后才能进行查询。
发明内容
本发明所要解决的技术问题是提供一种能自动实现app操作的智能***,使得用户使用app更加方便、快捷。
为了解决上述技术问题,本发明采用如下技术方案:
一种自动实现app操作的智能***,其特征在于,所述的***包括:会话管理模块;预先训练好的意图识别、意图修饰词模型和参数提取模型;用户意图与参数对应关系;用户交互规则;用户意图与接口对应关系;接口与参数对应关系;未提取参数列表;并且,所述智能***的运行流程如下:
S1预处理:对用户输入的自然语言问句进行预处理,进行去特殊符号、去停止词、分词;
S2判断是否处于用户交互中1并进行处理:根据未提取参数列表是否为空,判断当前问句是否处于与用户交互提取剩余参数值之中,若未提取参数列表为空,则不处于用户交互之中,执行S3;否则,存储用户输入的参数值,将该参数从未提取参数列表中移除后,执行S7;
S3省略恢复:对预处理后的问句进行上下文省略恢复;
S4意图识别:意图及意图修饰词识别模型,对省略恢复后的问句,提取其意图及意图修饰词;
S5参数提取:根据识别出的用户意图,调用该意图对应的参数提取模型,提取省略恢复后问句中的参数及参数值,将其存储于map中,map的key为参数,value为参数值;
S6更新未提取参数列表:根据用户意图与参数对应关系,判断用户意图的哪些参数还未提取参数值,将这些参数存入未提取参数列表中;
S7判断是否处于用户交互中2并进行处理:若未提取参数列表为空,则执行S8;否则,从未提取参数列表中任意取一个参数,根据预先制定的用户交互规则,生成与用户交互的问句,然后执行S9;
S8完成app操作:app的操作通过调用一系列的接口来完成;
S9退出流程。
优选的,所述意图识别模型的训练方法如下:利用已训练好的词向量模型,将用户问句转化为词向量后,利用开源的神经网络模型训练工具进行训练。
进一步优选的,所述词向量模型的训练方法为直接利用组对形式对词向量进行训练。
进一步优选的,所述的词向量训练方法如下:①用D表示词典,w是D中的元素,X表示训练集中所有的连续n元短语,x是X中的元素,代表正样本,是将连续n元短语x中的中间词替换为w的连续n元短语,代表负样本;
②引入窗口中打分函数f(x),对x进行打分,以度量x中n元短语的排列顺序的正确程度,通过公式
优化窗口打分函数f(x);
③利用传统的神经网络对窗口打分函数f(x)的优化进行训练;
经过训练得到的是Distributed Representation形式的词向量。本发明采用的是Distributed Representation形式的词向量,即稠密、低维的实数向量,它的每一维表示词语的一个潜在特征,该特征捕获了有用的句法和语义特征。其特点是将词语的不同句法和语义特征分布到词向量的每一个维度上去表示。
进一步的,所述词向量模型的训练方法中引入马尔科夫决策过程对替换短语的选取进行优化。
进一步的,所述引入马尔科夫决策过程对替换短语的选取进行优化的步骤如下:首先构造马尔科夫链,时刻n对应每次更换替换词w,状态s对应连续n元短语x,行动a对应选取的替换词w,时刻n的转移概率p(sn+1|sn,an)对应p(xw|x,w),转移概率矩阵可以通过训练集的统计特征获得,回报函数v(sn+1|sn,an)对应v(xw|x,w)=f(x)-f(xw);然后构造长期期望总回报Vπ(s)=Eπ{∑λn-1v(sn+1|sn,an)|s0},其中π为策略链,λ为折扣因子,利用转移概率将该表达式变形为Vπ(sn)=∑{p(sn+1|sn,an)|v(sn+1|sn,an)+λVπ(sn+1)|};最后通过值迭代算法获得最优策略链π*,
进一步的,所述S8的流程如下:首先根据用户意图,从用户意图与接口对应关系map中,查找完成app操作所需的一系列接口,然后依次调用这些接口;调用接口时,首先从接口参数对应关系map中,查找该接口所需要的参数,然后从参数值存储map中,取到参数对应的参数值,从而完成接口的调用;当依次调用所有的接口后,也就完成了该app的操作;最后,根据意图修饰词过滤结果。
该智能***实现的前提是具有会话管理,预先训练好意图识别模型和参数提取模型,并存储用户意图与参数对应关系、与用户交互规则、用户意图与接口对应关系、接口与参数对应关系。
会话管理:根据不同的会话来区分不同的用户,当用户超过一定时间不交互时,对该用户会话做过期处理。
对一个会话,在开启该会话时,初始化未提取参数列表为空。在处理会话中的各个用户问句时,不再执行该初始化操作。
意图及意图修饰词识别模型:用来识别用户意图及意图修饰词。对收集的用户自然语言问句,进行预处理,包括去特殊符号、去停止词、进行ansj分词。对预处理后的问句标注该问句的用户意图及意图修饰词。利用已训练好的词向量模型,将用户问句转化为词向量后,利用开源的神经网络模型训练工具,训练得到用户意图及意图修饰词识别模型。
用户意图:即手机app上,用户可进行的操作。例如,对高德地图,用户可进行的操作(即用户意图)有查询某地点的地址、查询路线、查询公交线路等。对滴滴打车软件,用户可进行的操作(即用户意图)有:打快车、打出租车、打专车等。
所谓意图及意图修饰词识别模型,可看做一个分类模型,将用户问句分为某一类。比如对高德地图,将用户问句分为查询地址类、查询路线类等。
词向量模型训练:常用的词向量训练方法,需要先训练语言模型,才能得到词向量表示,这将导致计算资源的浪费。本发明直接利用组对形式对词向量进行训练。本发明的词向量训练方法如下:①用D表示词典,w是D中的元素,X表示训练集中所有的连续n元短语,x是X中的元素,代表正样本,xw是将连续n元短语x中的中间词替换为w的连续n元短语,代表负样本;②引入窗口中打分函数f(x),对x进行打分,以度量x中n元短语的排列顺序的正确程度,通过公式优化窗口打分函数f(x);③利用传统的神经网络对窗口打分函数f(x)的优化进行训练;④引入马尔科夫决策过程对替换短语的选取进行优化,进一步加快训练过程,首先构造马尔科夫链,时刻n对应每次更换替换词w,状态s对应连续n元短语x,行动a对应选取的替换词w,时刻n的转移概率p(sn+1|sn,an)对应p(xw|x,w),转移概率矩阵可以通过训练集的统计特征获得,回报函数v(sn+1|sn,an)对应v(xw|x,w)=f(x)-f(xw);然后构造长期期望总回报Vπ(s)=Eπ{∑λn-1v(sn+1|sn,an)|s0},其中π为策略链,λ为折扣因子,利用转移概率将该表达式变形为Vπ(sn)=∑{p(sn+1|sn,an)|v(sn+1|sn,an)+λVπ(sn+1)|};最后通过值迭代算法获得最优策略链π*,即迭代求解Bellman方程组。
引入马尔科夫决策过程的词向量训练方法具有如下优势:
与传统的词向量模型相比,该方法不需要预先训练语言模型,而是利用组对形式直接训练词向量模型,降低了训练的复杂度。创新性地引入了马尔科夫决策过程,降低了搜索空间的维度。
对于wiki中文语料,经过预处理(如去特殊符号、分词)后,大小大约为1G。利用genism平台,在16g内存+4核的笔记本电脑上运行词向量训练算法。经典的word2vec算法大约运行43min,CW算法运行37min,而采用本发明词向量训练方法(即上述引入了马尔科夫决策过程的词向量训练方法)运行了27min。由此可看出,本发明的词向量训练算法的计算量要小很多。
参数提取模型:每个用户意图对应一个参数提取模型。根据识别出的用户意图,调用相应的参数提取模型,提取用户问句中的参数及参数值。训练方法与意图识别模型类似,只不过标注不同。对用户问句,标注问句中的参数及参数值,多个参数之间用tab键分隔,如:“从鸡鸣寺怎么去玄武湖”的标注为“出发地:鸡鸣寺目的地:玄武湖”。
我们将用户意图及其对应的参数提取模型存放路径存储在一个map中,map的key为用户意图,value为参数提取模型存放路径,以方便查找用户意图对应的参数提取模型。
用户意图与参数对应关系:用于生成未提取参数列表,从而判断当前用户问句是否处于与用户交互提取剩余参数值中。用户意图与参数对应关系存放在map中,key为用户意图,value为用户意图对应的参数列表。
用户交互规则:因与用户交互的目的是提取剩余参数值,因此制定一个简单的规则即可。如:请您输入<参数>。
用户意图与接口对应关系:存储实现用户意图,也即app操作,的一系列接口。存储在map中,key为用户意图,value为实现app操作的接口列表,这些接口之间是有顺序的。
接口与参数对应关系:存储调用接口所需的参数。存储在map中,key为接口名称,value为实现接口所需参数列表,这些参数之间是有顺序的。
为了实现自动完成app操作的目标,本发明实现步骤如下:
【预处理】:对用户输入的自然语言问句进行预处理,进行去特殊符号、去停止词、分词。
是否处于用户交互中1:根据未提取参数列表是否为空,判断当前问句是否处于与用户交互提取剩余参数值之中。若未提取参数列表为空,则不处于用户交互之中,执行【省略恢复】这一步。否则,存储用户输入的参数值(这里假设用户输入的就只有参数值),将该参数从未提取参数列表中移除后,执行【是否处于用户交互中2】
【省略恢复】:对预处理后的问句进行上下文省略恢复。根据用户前几次的问句,对当前问句进行补全,从而减少与用户交互提取剩余参数的次数。如:用户上个问句为“玄武湖在哪”,下个问句为“从鸡鸣寺怎么去”,对后一个问句进行上下文省略恢复,恢复成“从鸡鸣寺怎么去玄武湖”,这样就无需与用户交互以提取目的地参数。
【意图识别】:调用意图识别模型,对省略恢复后的问句,提取其意图及意图修饰词。
【参数提取】:根据识别出的用户意图,调用该意图对应的参数提取模型,提取省略恢复后问句中的参数及参数值,将其存储于map中,map的key为参数,value为参数值。如“怎么去玄武湖”,经参数提取模型,得到的结果是目的地:玄武湖,其中参数是目的地,参数值是玄武湖。存储时,“目的地”存储在map的key中,“玄武湖”存储于map的value中。
【更新未提取参数列表】:根据用户意图与参数对应关系,判断用户意图的哪些参数还未提取参数值,将这些参数存入未提取参数列表中。如:“怎么去玄武湖”,用户意图是路线查询,该用户意图需要“出发地”和“目的地”两个参数,而【参数提取】这一步仅提取到“目的地”这一个参数,因此未提取参数列表为:{出发地}。
【是否处于用户交互中2】:若未提取参数列表为空,则执行【完成app操作】步骤。否则,从未提取参数列表中任意取一个参数,根据预先制定的用户交互规则,生成与用户交互的问句,然后【退出流程】。如,未提取参数列表中有参数“目的地”,根据用户交互规则,生成的与用户交互问句是:请您输入目的地。
【完成app操作】app的操作可通过调用一系列的接口来完成。首先根据用户意图,从用户意图与接口对应关系map中,查找完成app操作所需的一系列接口(有顺序),然后依次调用这些接口。调用接口时,首先从接口参数对应关系map中,查找该接口所需要的参数,然后从参数值存储map中,取到参数对应的参数值,从而完成接口的调用。当依次调用所有的接口后,也就完成了该app的操作。最后,根据意图修饰词过滤结果。
【退出流程】。
采用上述技术方案,本发明可以实现自动操作app。
附图说明
图1自动实现app操作的智能***整体流程图
图2根据用户意图、提取的参数完成app操作流程图
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制。
对于本领域技术人员来说,附图中某些公知流程及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
***与高德地图结合的实施例,例如用户想查询南京航空航天大学江宁校区到玄武湖最快的路线,可以按照如下步骤操作。在用户首次打开高德地图的搜索框所在页面时,初始化未提取参数列表为空。
步骤1,用户在高德地图首页的搜索框中输入:到玄武湖最快的路线是什么?。
步骤2,对用户问句进行预处理,去特殊符号、停止词、分词。
步骤3,未提取参数列表为空,不处于与用户交互提取剩余参数中。
步骤4,进行省略恢复判断。因该问句为用户的第一个问句,不需要进行省略恢复。
步骤5,将用户问句输入意图及意图修饰词识别模型,识别出用户的意图是“查询路线”,意图的修饰词是“最快”。所述的意图及意图修饰词识别模型为利用已训练好的词向量模型,将用户问句转化为词向量后,利用开源的神经网络模型训练工具训练而得到。所述词向量训练方法如下:①用D表示词典,w是D中的元素,X表示训练集中所有的连续n元短语,x是X中的元素,代表正样本,xw是将连续n元短语x中的中间词替换为w的连续n元短语,代表负样本;②引入窗口中打分函数f(x),对x进行打分,以度量x中n元短语的排列顺序的正确程度,通过公式优化窗口打分函数f(x);③利用传统的神经网络对窗口打分函数f(x)的优化进行训练;④引入马尔科夫决策过程对替换短语的选取进行优化,进一步加快训练过程,首先构造马尔科夫链,时刻n对应每次更换替换词w,状态s对应连续n元短语x,行动a对应选取的替换词w,时刻n的转移概率p(sn+1|sn,an)对应p(xw|x,w),转移概率矩阵可以通过训练集的统计特征获得,回报函数v(sn+1|sn,an)对应v(xw|x,w)=f(x)-f(xw);然后构造长期期望总回报Vπ(s)=Eπ{∑λn-1v(sn+1|sn,an)|s0},其中π为策略链,λ为折扣因子,利用转移概率将该表达式变形为Vπ(sn)=∑{p(sn+1|sn,an)|v(sn+1|sn,an)+λVπ(sn+1)|};最后通过值迭代算法获得最优策略链π*,即迭代求解Bellman方程组。
步骤6,根据用户意图“查询路线”,调用该用户意图对应的参数提取模型,提取参数及参数值为:目的地:玄武湖。
步骤7,根据用户意图与参数对应关系,生成未提取参数列表为:{出发地}。
步骤8,未提取参数列表不为空,取未提取参数列表中任意一个参数,根据与用户交互规则,生成与用户交互问句。这里由参数“出发地”生成的与用户交互问句为“请输入出发地:”。
至此第一轮交互已完成,开始下一轮交互。
步骤9,用户输入出发地后,对其进行预处理,去特殊符号、停止词、分词。
步骤10,未提取参数列表为{出发地},不为空,处于与用户交互提取参数过程中。
步骤11,假设用户输入的就是参数值。存储用户输入的参数值,更新未提取参数列表,移除参数“出发地”。此时未提取参数列表为:{}。
步骤12,未提取参数列表为空,所有参数提取完成。
步骤13,根据用户意图“查询路线”,查找完成该app操作所需要的接口列表,依次调用这些接口。调用接口时,首先查找该接口所需参数,然后查找参数对应的参数值。将查找到参数值传入接口,完成接口的调用。根据用户意图修饰词“最快”,筛选完成所有接口调用后返回的结果,将用时最少的线路展示给用户。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种自动实现app操作的智能***,其特征在于,所述的***包括:会话管理模块;预先训练好的意图及意图修饰词识别模型和参数提取模型;用户意图与参数对应关系;用户交互规则;用户意图与接口对应关系;接口与参数对应关系;未提取参数列表;并且,所述智能***的运行流程如下:
S1预处理:对用户输入的自然语言问句进行预处理,进行去特殊符号、去停止词、分词;
S2判断是否处于用户交互中1并进行处理:根据未提取参数列表是否为空,判断当前问句是否处于与用户交互提取剩余参数值之中,若未提取参数列表为空,则不处于用户交互之中,执行S3;否则,存储用户输入的参数值,将该参数从未提取参数列表中移除后,执行S7;
S3省略恢复:对预处理后的问句进行上下文省略恢复;
S4意图识别:调用意图及意图修饰词识别模型,对省略恢复后的问句,提取其意图及意图修饰词;
S5参数提取:根据识别出的用户意图,调用该意图对应的参数提取模型,提取省略恢复后问句中的参数及参数值,将其存储于map中,map的key为参数,value为参数值;
S6更新未提取参数列表:根据用户意图与参数对应关系,判断用户意图的哪些参数还未提取参数值,将这些参数存入未提取参数列表中;
S7判断是否处于用户交互中2并进行处理:若未提取参数列表为空,则执行S8;否则,从未提取参数列表中任意取一个参数,根据预先制定的用户交互规则,生成与用户交互的问句,然后执行S9;
S8完成app操作:app的操作通过调用一系列的接口来完成;
S9退出流程。
2.根据权利要求1所述一种自动实现app操作的智能***,其特征在于所述意图识别模型的训练方法如下:利用已训练好的词向量模型,将用户问句转化为词向量后,利用开源的神经网络模型训练工具进行训练。
3.根据权利要求2所述一种自动实现app操作的智能***,其特征在于所述词向量的训练方法为直接利用组对形式对词向量进行训练。
4.根据权利要求3所述一种自动实现app操作的智能***,其特征在于所述的词向量训练方法如下:①用D表示词典,w是D中的元素,X表示训练集中所有的连续n元短语,x是X中的元素,代表正样本,xw是将连续n元短语x中的中间词替换为w的连续n元短语,代表负样本;
②引入窗口中打分函数f(x),对x进行打分,以度量x中n元短语的排列顺序的正确程度,通过公式
优化窗口打分函数f(x);
③利用传统的神经网络对窗口打分函数f(x)的优化进行训练;
经过训练得到的是Distributed Representation形式的词向量。
5.根据权利要求4所述一种自动实现app操作的智能***,其特征在于所述词向量模型的训练方法中引入马尔科夫决策过程对替换短语的选取进行优化。
6.根据权利要求5所述一种自动实现app操作的智能***,其特征在于所述引入马尔科夫决策过程对替换短语的选取进行优化的步骤如下:首先构造马尔科夫链,时刻n对应每次更换替换词w,状态s对应连续n元短语x,行动a对应选取的替换词w,时刻n的转移概率p(sn+1|sn,an)对应p(xw|x,w),转移概率矩阵可以通过训练集的统计特征获得,回报函数v(sn+1|sn,an)对应v(xw|x,w)=f(x)-f(xw);然后构造长期期望总回报Vπ(s)=Eπ{∑λn-1v(sn+1|sn,an)|s0},其中π为策略链,λ为折扣因子,利用转移概率将该表达式变形为Vπ(sn)=∑{p(sn+1|sn,an)|v(sn+1|sn,an)+λVπ(sn+1)|};最后通过值迭代算法获得最优策略链π*,
7.根据权利要求1-6任一项所述一种自动实现app操作的智能***,其特征在于所述S8的流程如下:首先根据用户意图,从用户意图与接口对应关系map中,查找完成app操作所需的一系列接口,然后依次调用这些接口;调用接口时,首先从接口参数对应关系map中,查找该接口所需要的参数,然后从参数值存储map中,取到参数对应的参数值,从而完成接口的调用;当依次调用所有的接口后,也就完成了该app的操作;最后,根据意图修饰词过滤结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810017031.6A CN108563669B (zh) | 2018-01-09 | 2018-01-09 | 一种自动实现app操作的智能*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810017031.6A CN108563669B (zh) | 2018-01-09 | 2018-01-09 | 一种自动实现app操作的智能*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108563669A true CN108563669A (zh) | 2018-09-21 |
CN108563669B CN108563669B (zh) | 2021-09-24 |
Family
ID=63529751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810017031.6A Active CN108563669B (zh) | 2018-01-09 | 2018-01-09 | 一种自动实现app操作的智能*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108563669B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023246609A1 (zh) * | 2022-06-24 | 2023-12-28 | 华为技术有限公司 | 语音交互的方法、电子设备和语音助手开发平台 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002077640A2 (en) * | 2001-03-25 | 2002-10-03 | Exiqon A/S | Systems for analysis of biological materials |
CN103514230A (zh) * | 2012-06-29 | 2014-01-15 | 北京百度网讯科技有限公司 | 一种用于根据语料序列训练语言模型的方法与设备 |
US20140236578A1 (en) * | 2013-02-15 | 2014-08-21 | Nec Laboratories America, Inc. | Question-Answering by Recursive Parse Tree Descent |
CN105068661A (zh) * | 2015-09-07 | 2015-11-18 | 百度在线网络技术(北京)有限公司 | 基于人工智能的人机交互方法和*** |
CN105354180A (zh) * | 2015-08-26 | 2016-02-24 | 欧阳江 | 一种实现开放式语义交互服务的方法及*** |
CN106095834A (zh) * | 2016-06-01 | 2016-11-09 | 竹间智能科技(上海)有限公司 | 基于话题的智能对话方法及*** |
-
2018
- 2018-01-09 CN CN201810017031.6A patent/CN108563669B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002077640A2 (en) * | 2001-03-25 | 2002-10-03 | Exiqon A/S | Systems for analysis of biological materials |
CN103514230A (zh) * | 2012-06-29 | 2014-01-15 | 北京百度网讯科技有限公司 | 一种用于根据语料序列训练语言模型的方法与设备 |
US20140236578A1 (en) * | 2013-02-15 | 2014-08-21 | Nec Laboratories America, Inc. | Question-Answering by Recursive Parse Tree Descent |
CN105354180A (zh) * | 2015-08-26 | 2016-02-24 | 欧阳江 | 一种实现开放式语义交互服务的方法及*** |
CN105068661A (zh) * | 2015-09-07 | 2015-11-18 | 百度在线网络技术(北京)有限公司 | 基于人工智能的人机交互方法和*** |
CN106095834A (zh) * | 2016-06-01 | 2016-11-09 | 竹间智能科技(上海)有限公司 | 基于话题的智能对话方法及*** |
Non-Patent Citations (2)
Title |
---|
洪维恩: "《Java完全自学手册》", 31 May 2009 * |
黄丽霞、周丽霞、赵丽梅: "《信息检索教程》", 31 July 2014 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023246609A1 (zh) * | 2022-06-24 | 2023-12-28 | 华为技术有限公司 | 语音交互的方法、电子设备和语音助手开发平台 |
Also Published As
Publication number | Publication date |
---|---|
CN108563669B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717049B (zh) | 一种面向文本数据的威胁情报知识图谱构建方法 | |
CN111222305B (zh) | 一种信息结构化方法和装置 | |
CN105868184B (zh) | 一种基于循环神经网络的中文人名识别方法 | |
CN110347894A (zh) | 基于爬虫的知识图谱处理方法、装置、计算机设备及存储介质 | |
Li et al. | TDEER: An efficient translating decoding schema for joint extraction of entities and relations | |
CN109255118A (zh) | 一种关键词提取方法及装置 | |
CN108388651A (zh) | 一种基于图核和卷积神经网络的文本分类方法 | |
CN111062451B (zh) | 一种基于文本引导图模型的图像描述生成方法 | |
CN106886580A (zh) | 一种基于深度学习的图片情感极性分析方法 | |
CN108549658A (zh) | 一种基于语法分析树上注意力机制的深度学习视频问答方法及*** | |
CN110188195B (zh) | 一种基于深度学习的文本意图识别方法、装置及设备 | |
Li et al. | R-vgae: Relational-variational graph autoencoder for unsupervised prerequisite chain learning | |
CN107357785A (zh) | 主题特征词抽取方法及***、情感极性判断方法及*** | |
CN109977398A (zh) | 一种特定领域的语音识别文本纠错方法 | |
CN106682224B (zh) | 一种数据录入方法、***及数据库 | |
CN105975497A (zh) | 微博话题自动推荐方法及装置 | |
Stewart et al. | Seq2kg: an end-to-end neural model for domain agnostic knowledge graph (not text graph) construction from text | |
CN109446299A (zh) | 基于事件识别的搜索电子邮件内容的方法及*** | |
CN108563669A (zh) | 一种自动实现app操作的智能*** | |
CN115270774B (zh) | 一种半监督学习的大数据关键词词典构建方法 | |
Amin | Cases without borders: automating knowledge acquisition approach using deep autoencoders and siamese networks in case-based reasoning | |
CN113869049B (zh) | 基于法律咨询问题的具有法律属性的事实抽取方法及装置 | |
CN110232328A (zh) | 一种征信报告解析方法、装置及计算机可读存储介质 | |
CN115774782A (zh) | 多语种文本分类方法、装置、设备及介质 | |
CN114969347A (zh) | 缺陷查重实现方法、装置、终端设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |