CN110020429A - 语义识别方法及设备 - Google Patents
语义识别方法及设备 Download PDFInfo
- Publication number
- CN110020429A CN110020429A CN201910147719.0A CN201910147719A CN110020429A CN 110020429 A CN110020429 A CN 110020429A CN 201910147719 A CN201910147719 A CN 201910147719A CN 110020429 A CN110020429 A CN 110020429A
- Authority
- CN
- China
- Prior art keywords
- nlp
- result
- keyword
- answer statement
- nlp result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005516 engineering process Methods 0.000 claims abstract description 24
- 238000003058 natural language processing Methods 0.000 claims description 301
- 238000003860 storage Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 16
- 230000005055 memory storage Effects 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 2
- 238000004891 communication Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 15
- 230000009471 action Effects 0.000 description 13
- 239000002245 particle Substances 0.000 description 9
- 230000003993 interaction Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005266 casting Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis 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
- G06F16/33—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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本发明实施例提供一种语义识别方法及设备，该方法包括通过NLP技术对当前询问信息进行处理，获得第一NLP结果；其中所述第一NLP结果包括类型、关键词与动作；判断前一询问信息的第二NLP结果是否存在有实际意义的回答语句；若存在有实际意义的回答语句，则根据所述第一NLP结果与所述第二NLP结果，进行替换操作或补位操作，得到第三NLP结果；根据所述第三NLP结果获得对应的回答语句。本发明实施例基于上下文语义生成的识别结果，能够更加准确的解释用户的语义，适应人与人沟通中的说话习惯(例如代词的使用，缩略句的使用等)，以便于在人机对话过程中，向用户提供正确的反馈，提高用户体验。
Description
技术领域
本发明实施例涉及人工智能技术领域，尤其涉及一种语义识别方法及设备。
背景技术
语义识别是人工智能的一个分支，语义识别技术可以分析网页、文件、邮件、音频、论坛、社交媒体中的大亮数据，应用领域广泛，既可以直接应用与医疗、教育、金融等行业。也可以通过技术接口应用于所有智能语音交互场景，如智能家居、车载语音、可穿戴设备、VR、机器人等，从交互的方式上，也可以分为：事实问答、知识检索、分类问题等。智能语音交互被看做未来人工智能技术中最值得期待的应用场景。
现有的基于上下文的语义识别方案中，识别天气询问的固定句式，若后续出现时间或城市名，则生成该时间或该城市对应的天气信息。
然而，上述方案中场景单一且问句模式固定缺少灵活性，不能适应人的说话习惯(例如代词的使用，缩略句的使用等)。
发明内容
本发明实施例提供一种语义识别方法及设备，以提高语义识别的灵活性，适应人的说话习惯。
第一方面，本发明实施例提供一种语义识别方法，包括：
通过NLP技术对当前询问信息进行处理，获得第一NLP结果；其中所述第一NLP结果包括类型、关键词与动作；
判断前一询问信息的第二NLP结果是否存在有实际意义的回答语句；
若存在有实际意义的回答语句，则根据所述第一NLP结果与所述第二NLP结果，进行替换操作或补位操作，得到第三NLP结果；
根据所述第三NLP结果获得对应的回答语句。
在一种可能的设计中，所述根据所述第一NLP结果与所述第二NLP结果，进行替换操作或补位操作，包括：
根据所述第一NLP结果，判断当前询问信息中是否存在指向性代词或仅存在名词；
若仅存在名词，则根据所述第一NLP结果与所述第二NLP结果，进行替换操作；
若存在指向性代词，则根据所述第一NLP结果，判断所述第一NLP结果中的类型与动作是否均已定义；若均已定义，则根据所述第一NLP结果与所述第二NLP结果，进行补位操作。
在一种可能的设计中，所述根据所述第一NLP结果，判断当前询问信息中是否仅存在名词之前，还包括：
判断所述第一NLP结果中关键词的类型与所述第二NLP结果中关键词的类型是否相同；
所述根据所述第一NLP结果，判断当前询问信息中是否仅存在名词，包括：
若所述第一NLP结果与所述第二NLP结果中关键词的类型相同，则根据所述第一NLP结果，判断当前询问信息中是否仅存在名词。
在一种可能的设计中，所述根据所述第一NLP结果与所述第二NLP结果，进行替换操作，包括：
将所述第二NLP结果中的关键词替换为所述第一NLP结果中的关键词。
在一种可能的设计中，所述根据所述第一NLP结果，判断当前询问信息中是否存在指向性代词，包括：
判断所述第一NLP结果中的关键词是否为指向性代词，若是，则判定当前询问信息中存在指向性代词。
在一种可能的设计中，所述根据所述第一NLP结果与所述第二NLP结果，进行补位操作，包括：
根据所述第二NLP结果对应的回答语句，获得与所述第一NLP结果中的关键词对应的内容；
删除所述第一NLP结果中的关键词，并将所述内容补位到所述第一NLP结果的关键词处。
在一种可能的设计中，其特征在于，所述判断前一询问信息的第二NLP结果是否存在有实际意义的回答语句之后，还包括：
若不存在有实际意义的回答语句，则根据所述第一NLP结果获得对应的回答语句。
第二方面，本发明实施例提供一种语义识别设备，包括：
处理模块，用于通过NLP技术对当前询问信息进行处理，获得第一NLP结果；其中所述第一NLP结果包括类型、关键词与动作；
判断模块，用于判断前一询问信息的第二NLP结果是否存在有实际意义的回答语句；
操作模块，用于若存在有实际意义的回答语句，则根据所述第一NLP结果与所述第二NLP结果，进行替换操作或补位操作，得到第三NLP结果；
反馈模块，用于根据所述第三NLP结果获得对应的回答语句。
在一种可能的设计中，所述操作模块包括：
判断单元，用于若存在有实际意义的回答语句，根据所述第一NLP结果，判断当前询问信息中是否存在指向性代词或仅存在名词；
替换操作单元，用于若仅存在名词，则根据所述第一NLP结果与所述第二NLP结果，进行替换操作；
补位操作单元，用于若存在指向性代词，则根据所述第一NLP结果，判断所述第一NLP结果中的类型与动作是否均已定义；若均已定义，则根据所述第一NLP结果与所述第二NLP结果，进行补位操作。
在一种可能的设计中，所述判断单元具体用于：
判断所述第一NLP结果中关键词的类型与所述第二NLP结果中关键词的类型是否相同；若相同，则判断当前询问信息是否仅存在名词。
在一种可能的设计中，所述替换操作单元，具体用于：
将所述第二NLP结果中的关键词替换为所述第一NLP结果中的关键词，得到所述第三NLP结果，并根据所述第三NLP结果获得对应的回答语句。
在一种可能的设计中，所述判断单元具体用于：
判断所述第一NLP结果中的关键词是否为指向性代词，若是，则判定当前询问信息中存在指向性代词。
在一种可能的设计中，所述补位操作单元具体用于：
根据所述第二NLP结果对应的回答语句，获得与所述第一NLP结果中的关键词对应的内容；
删除所述第一NLP结果中的关键词，并将所述内容补位到所述第一NLP结果的关键词处。
在一种可能的设计中，所述反馈模块还用于若所述第二NLP结果不存在有实际意义的回答语句，则根据所述第一NLP结果获得对应的回答语句。
第三方面，本发明实施例提供一种语义识别设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的方法。
本实施例提供的语义识别方法及设备，该方法通过采用NLP技术对当前询问信息进行处理，并生成第一NLP结果；其中所述第一NLP结果包括类型、关键词与动作；判断前一询问信息对应的第二NLP结果是否存在有实际意义的回答语句；若存在有实际意义的回答语句，则根据所述第一NLP结果与所述第二NLP结果通过替换操作或补位操作生成所述当前询问信息的最终识别结果。本实施例基于上下文语义生成的识别结果，能够更加准确的解释用户的语义，适应人与人沟通中的说话习惯(例如代词的使用，缩略句的使用等)，以便于在人机对话过程中，向用户提供正确的反馈，提高用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的人机语音交互***的架构示意图；
图2为本发明又一实施例提供的语义识别设备的结构示意图；
图3为本发明再一实施例提供的语义识别方法的流程示意图；
图4为本发明另一实施例提供的语义识别设备的结构示意图；
图5为本发明再一实施例提供的语义识别方法的流程示意图；
图6为本发明另一实施例提供的语义识别设备的结构示意图；
图7为本发明再一实施例提供的语义识别设备的结构示意图；
图8为本发明一实施例提供的语义识别设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
图1为本发明一实施例提供的人机语音交互***的架构示意图。如图1所示，本实施例提供的***包括终端101和服务器102。其中，终端101可以为儿童故事机、手机、平板、车载终端等。本实施例对终端101的实现方式不做特别限制，只要该终端101能够与用户进行语音交互即可。
语音交互(Speech Interaction)，是基于语音识别、自然语言处理(NaturalLanguage Processing，NLP)、语音合成等技术，在多种实际应用场景下，赋予终端“能听、会说、懂你”式的智能人机交互体验。适用于多个应用场景中，包括智能问答、智能播放、智能查找等场景。
终端101接收用户输入的语音信息，并对所述语音信息进行语义识别后获取回答语句向用户进行反馈。具体地，该终端101可以根据自身存储的语料库，在本地获取回答语句，也可以将所述语音信息发送给服务器102，由服务器102进行语义识别后获取回答语句，然后通过终端101反馈至用户。若语义识别在终端进行，则终端可以作为语义识别设备，若语义识别在服务器进行，则服务器可以作为语义识别设备。本实施例对具体的实现方式不做特别限制，终端101本地获取回答语句以及由服务器102根据语音信息获取回答语句皆可。
图2为本发明又一实施例提供的语义识别设备的结构框图。如图2所示，该设备20包括：语音识别模块201、处理模块202与反馈模块203；所述语音识别模块201，用于接收用户输入的语音信息，并对所述语音信息进行识别，生成文本信息，并将所述文本信息发送给所述处理模块202；所述处理模块202，用于对所述文本信息进行NLP处理得到NLP结果，并将所述NLP结果发送给所述反馈模块203；所述反馈模块203，用于根据所述NLP结果，在常规语料库中查找是否存在具有实际意义的回答语句，若存在，则将查找到的具有实际意义的回答语句反馈至用户，若不存在，则从兜底语料库中随机或根据预定规则获取兜底回答语句，并将所述兜底回答语句反馈至用户。
在具体实现过程中，所述语音识别模块201自动接收语音信息，并对所述语音信息进行识别，生成文本信息，并将所述文本信息发送给所述处理模块202；所述处理模块202对所述文本信息进行NLP处理得到NLP结果，并将所述NLP结果发送给所述反馈模块203；所述反馈模块203根据所述NLP结果，在常规语料库中查找是否存在具有实际意义的回答语句，若存在，则将查找到的具有实际意义的回答语句反馈至用户，若不存在，则从兜底语料库中随机或根据预定规则获取兜底回答语句，并将所述兜底回答语句反馈至用户。
由此可见，在此过程中NLP结果作为查找回答语句的依据对于反馈的回答语句的正确性起着重要作用。然而，现有技术中，所述处理模块202仅对所述语音识别模块201接收到的当前询问信息进行处理，得到所述NLP结果。存在根据所述NLP结果反馈的回答语句不恰当的情况，影响用户体验。基于此，本发明实施例提供一种语义识别方法，以提高语义识别的准确度。
下面采用具体的实施例来详细说明本发明实施例提供的语义识别方法。
图3为本发明再一实施例提供的语义识别方法的流程示意图。如图3所示，该方法包括：
S301、通过NLP技术对当前询问信息进行处理，获得第一NLP结果；其中所述第一NLP结果包括类型、关键词与动作。
可选地，该方法的执行主体可以为能够与人进行语音交互的智能终端，例如：手机、平板、电话手表等。
可选地，所述询问信息可以为语音信息，还可以为用户输入的文本信息。若所述询问信息为语音信息，则所述通过NLP技术对当前询问信息进行处理，可以包括：对所述当前询问信息进行语音识别，生成文本信息；通过NLP技术对所述文本信息进行处理。
可选地，所述通过NLP技术对当前询问信息进行处理，可以包括：对当前询问信息进行词性标注。即对句子中的词语标注为名词、动词、形容词、副词等的过程，还可以对词性标注的结果进行关键词(Key)提取、动作(Action)提取、助词(Particle)提取以及类型(Type)确定。
例如：用户输入询问信息“今天的天气怎么样？”，通过NLP技术对该询问信息，进行处理后会得到相应的NLP结果为“Type＝天气，Key1＝今天，Key2＝天气，Action＝查询，Particle＝怎么样”。
S302、判断前一询问信息的第二NLP结果是否存在有实际意义的回答语句。
本实施例中，对于步骤S301与步骤S302的执行顺序不做限定，步骤S301与步骤S302可以平行执行，也可以顺序执行
本实施例中，所述前一询问信息，是指与当前询问信息相邻并在当前询问信息之前用户输入的询问信息。
例如：针对以下的人机对话内容：
人：“今天的天气怎么样？”
机：“今天的天气为晴转多云。”
人：“明天呢？”
若将“明天呢”作为当前询问信息，则“今天的天气怎么样”则为前一询问信息。
本实施例中，所述有实际意义的回答语句，可以为用于人机交互的智能终端能够在常规语料库中查找到对应回答语句。相应的，没有实际意义的回答语句，可以为在常规语料库中查找不到对应回答语句，从兜底语料库中随机或根据预定规则反馈的兜底回答语句。
例如：针对前一询问信息“今天的天气怎么样”，生成的NLP结果，只能终端的反馈模块能够在常规语料库中查找到对应回答语句“今天的天气为晴转多云”，即该询问信息“今天的天气怎么样”存在有实际意义的回答语句。
针对当前询问信息“明天呢”，生成的NLP结果，智能终端的反馈模块无法在常规语料库中查找到对应回答语句，被定义为兜底闲聊，需要在兜底语料库中随机或根据预定规则反馈的无意义的兜底回答语句，即该询问信息“明天呢”不存在有实际意义的回答语句。
S303、若存在有实际意义的回答语句，则根据所述第一NLP结果与所述第二NLP结果，进行替换操作或补位操作，得到第三NLP结果。
若前一询问信息的回答语句为有实际意义的回答语句，而非针对兜底闲聊分配的无意义的兜底回答语句，则根据前一询问信息与当前询问信息分别对应的NLP结果(第一NLP结果和第二NLP结果)，进行替换或补位处理，得到针对当前询问信息的最终的NLP结果，即所述第三NLP结果。
例如，上述人机对话中，对于当前询问信息“明天呢”，需要将前一询问信息“今天的天气怎么样？”对应的第二NLP结果，以及当前询问信息“明天呢”对应的第一NLP结果，进行替换操作或补位操作，得到第三NLP结果。
所述替换操作可以为将前一询问信息中的“今天”替换为当前询问信息中的“明天”，则所述第三NLP结果可以为“明天的天气怎么样？”
所述补位操作可以为将前一询问信息中的除“今天”外的(“天气怎么样”)补位到当前询问信息中“明天”后面，则所述第三NLP结果可以为“明天天气怎么样？”
S304、根据所述第三NLP结果获得对应的回答语句。
可选地，智能终端的反馈模块可以根据所述第三NLP结果从存储于智能终端的本地的语料库获取，或者从服务器侧获取。
本实施例提供的语义识别方法，通过采用NLP技术对当前询问信息进行处理，并生成第一NLP结果；其中所述第一NLP结果包括类型、关键词与动作；判断前一询问信息对应的第二NLP结果是否存在有实际意义的回答语句；若存在有实际意义的回答语句，则根据所述第一NLP结果与所述第二NLP结果通过替换操作或补位操作生成所述当前询问信息的最终识别结果。本实施例基于上下文语义生成的识别结果，能够更加准确的解释用户的语义，适应人与人沟通中的说话习惯(例如代词的使用，缩略句的使用等)，以便于在人机对话过程中，向用户提供正确的反馈，提高用户体验。
在一个具体实施例中，图4为本发明另一实施例提供的语义识别设备的结构示意图，如图4所示，所述语义识别设备40可以包括：语音识别模块201、处理模块202、NLP结果存储模块206、操作模块205与反馈模块203。所述语音识别模块201，用于接收用户输入的语音信息，并对所述语音信息进行识别，生成文本信息，并将所述文本信息发送给所述处理模块202。所述处理模块202，用于对所述文本信息进行NLP处理得到NLP结果，并将所述NLP结果发送给所述语境理解模块和所述NLP结果缓存模块。所述NLP结果存储模块206，用于存储前一语音信息对应的NLP结果，并将前一语音信息对应的NLP结果发送给所述语境理解模块。所述判断模块204，用于判断前一询问信息的第二NLP结果是否存在有实际意义的回答语句，若存在，则所述操作模块205根据当前语音信息和前一语音信息分别对应的NLP结果，通过替换操作或补位操作，得到第三NLP结果，并将所述第三NLP结果发送给所述反馈模块203。所述反馈模块203，用于根据所述第三NLP结果，在常规语料库中查找具有实际意义的回答语句，并将将查找到的具有实际意义的回答语句反馈至用户。也就是说，语音识别模块201和处理模块202用于执行步骤S301；语境理解模块用于执行步骤S302和S303；反馈模块203用于执行步骤S304。
可选地，所述处理模块202可以对询问信息进行处理后得到JS对象简谱(JavaScript Object Notation,Json)格式的NLP结果。所述NLP结果存储模块206可以以列表的形式对NLP结果进行存储。
在一个具体实施例中，上述实施例提供的语义识别方法，还可以包括：
S305、若不存在有实际意义的回答语句，则根据所述第一NLP结果获得对应的回答语句。
若前一语音信息不存在有实际意义的回答语句，则表明针对用户输入的前一语音信息，智能终端只能反馈给用户从兜底语料库获取的没有实际意义的兜底回答语句，可以判定前一语音信息与当前语音信息并不相关，因此可以直接根据当前语音信息的第一NLP结果，获得对应的回答语句。
图5为本发明再一实施例提供的语义识别方法的流程示意图。如图5所示，该方法包括：
S501、通过NLP技术对当前询问信息进行处理，获得第一NLP结果；其中所述第一NLP结果包括类型、关键词与动作。
S502、判断前一询问信息的第二NLP结果是否存在有实际意义的回答语句。
本实施例中步骤S501和步骤S502与上述实施例中步骤S301和步骤S302相类似，此处不再赘述。
S503、根据所述第一NLP结果，判断当前询问信息中是否存在指向性代词或仅存在名词。
代词是代替名词并起到名词作用的词。代词可以包括：人称代词(你、我、他等)、反身代词(我自己、你自己、他自己、它自己等)、疑问代词(哪里、谁、何时等)、不定代词(一些、很多、任何、每个等)、指向性代词(这个、那个、这里、那里、第几个等)。
可选地，判断当前询问信息中是否存在指向性代词，可以包括：将当前询问信息进行分词处理，并判断各个分词是否为指向性代词。例如：对询问语句“那个景点在什么地方？”进行分词处理后得到“那个”“景点”“在”“什么”“地方”，分别对各个分词进行词性判断，可以得到“那个”为指向性代词。
在一个具体实施例中，所述根据所述第一NLP结果，判断当前询问信息中是否存在指向性代词，包括：判断所述第一NLP结果中的关键词是否为指向性代词，若是，则判定当前询问信息中存在指向性代词。
例如：针对以下的人机对话内容：
人：“深圳有什么好玩的旅游景点？”
机：“世界之窗、锦绣中华·民俗文化村、深圳欢乐谷、仙湖植物园、小梅沙、青青世界。”
人：“帮我导航到第一个”
当前询问信息“帮我导航到第一个”对应的第一NLP结果中“Type＝兴趣点(Pointof Interest，POI)，Key1＝我，Key2＝第一个，Action＝导航”。第一NLP结果中的“Key2＝第一个”为指向性代词，则判定当前询问信息中存在指向性代词。
在一个具体实施例中，所述根据所述第一NLP结果，判断当前询问信息中是否仅存在名词之前，还包括：判断所述第一NLP结果中关键词的类型与所述第二NLP结果中关键词的类型是否相同。
所述根据所述第一NLP结果，判断当前询问信息中是否仅存在名词，包括：若所述第一NLP结果与所述第二NLP结果中关键词的类型相同，则根据所述第一NLP结果，判断当前询问信息中是否仅存在名词。
例如：针对以下的人机对话内容：
人：“今天的天气怎么样？”
机：“今天的天气为晴转多云。”
人：“明天呢？”
当前询问信息“明天呢”对应的第一NLP结果中“Type＝闲聊，Key＝明天，Action＝播报，Particle＝呢”，前一询问信息“今天的天气怎么样”对应的第二NLP结果中“Type＝天气，Key1＝今天，Key2＝天气，Action＝查询，Particle＝怎么样”。通过将第一NLP结果中的“Key＝明天”与第二NLP结果中的“Key1＝今天”做比较，可以得到，两个关键词同属于时间名词，类型相同。因此，可以进一步对当前询问信息中是否仅存在名词进行判断。
S504、若仅存在名词，则根据所述第一NLP结果与所述第二NLP结果，进行替换操作，得到第三NLP结果。
在一个具体实施例中，所述根据所述第一NLP结果与所述第二NLP结果，进行替换操作，包括：将所述第二NLP结果中的关键词替换为所述第一NLP结果中的关键词。
例如：当前询问信息“明天呢”对应的第一NLP结果中“Type＝闲聊，Key＝明天，Action＝播报，Particle＝呢”，前一询问信息“今天的天气怎么样”对应的第二NLP结果中“Type＝天气，Key1＝今天，Key2＝天气，Action＝查询，Particle＝怎么样”。由于当前询问信息中仅存在时间名词“明天”则将明天替换掉前一询问信息中的时间名词“今天”，于是替换操作得到的当前询问信息对应的第三NLP结果为“Type＝天气，Key1＝明天，Key2＝天气，Action＝查询，Particle＝怎么样”也即“明天的天气怎么样”。以使智能终端根据第三NLP结果在常规语料库中查找回答语句。
S505、若存在指向性代词，则根据所述第一NLP结果，判断所述第一NLP结果中的类型与动作是否均已定义；若均已定义，则根据所述第一NLP结果与所述第二NLP结果，进行补位操作，得到第三NLP结果。
在一个具体实施例中，所述根据所述第一NLP结果与所述第二NLP结果，进行补位操作，包括：
S5051、根据所述第二NLP结果对应的回答语句，获得与所述第一NLP结果中的关键词对应的内容。
S5052、删除所述第一NLP结果中的关键词，并将所述内容补位到所述第一NLP结果的关键词处。
例如：
前一询问信息“深圳有什么好玩的旅游景点”对应的第二NLP结果中“Type＝POI，Key1＝深圳，Key2＝景点，Key3＝好玩的，Action＝查询”。智能终端的反馈模块可以根据第二NLP结果查找到回答语句“世界之窗、锦绣中华·民俗文化村、深圳欢乐谷、仙湖植物园、小梅沙、青青世界。”当前询问信息“帮我导航到第一个”对应的第一NLP结果中“Type＝POI，Key1＝我，Key2＝第一个，Action＝导航”。由于指向性代词为“Key2＝第一个”，则将上述回答语句中的第一个景点“世界之窗”补位到指向性代词“第一个”处，即得到第三NLP结果“Type＝POI，Key1＝我，Key2＝世界之窗，Action＝导航”，也即“帮我导航到世界之窗”。以使智能终端根据第三NLP结果在常规语料库中查找回答语句。
S506、根据所述第三NLP结果获得对应的回答语句。
本实施例中步骤S506与上述实施例中步骤S304相类似，此处不再赘述。
本实施例提供的端点检测方法，通过具体判断当前询问信息中是否存在指向性代词或仅存在名词，确定对当前询问信息和前一询问信息采用替换操作或者补位操作，能够快捷的实现将存在指向性代词或仅存在名词的不完整问句扩充完整，以使进行语义识别的智能终端准确快速的获取问答语句。避免由于当前询问信息中是否存在指向性代词或仅存在名词造成的不完整，误判为兜底闲聊，而导致无法获取正确的回答语句，影响用户体验。
图6为本发明另一实施例提供的语义识别设备的结构示意图。如图6所示，该语义识别设备60包括：分帧模块801、检测模块802以及确定模块803。
处理模块202，用于通过NLP技术对当前询问信息进行处理，获得第一NLP结果；其中所述第一NLP结果包括类型、关键词与动作。
可选地，所述询问信息可以为语音信息，还可以为用户输入的文本信息。若所述询问信息为语音信息，则所述通过NLP技术对当前询问信息进行处理，可以包括：对所述当前询问信息进行语音识别，生成文本信息；通过NLP技术对所述文本信息进行处理。
可选地，所述通过NLP技术对当前询问信息进行处理，可以包括：对当前询问信息进行词性标注。即对句子中的词语标注为名词、动词、形容词、副词等的过程，还可以对词性标注的结果进行关键词(Key)提取、动作(Action)提取、助词(Particle)提取以及类型(Type)确定。
例如：用户输入询问信息“今天的天气怎么样？”，通过NLP技术对该询问信息，进行处理后会得到相应的NLP结果为“Type＝天气，Key1＝今天，Key2＝天气，Action＝查询，Particle＝怎么样”。
判断模块204，用于判断前一询问信息的第二NLP结果是否存在有实际意义的回答语句。
所述前一询问信息，是指与当前询问信息相邻并在当前询问信息之前用户输入的询问信息。
例如：针对以下的人机对话内容：
人：“今天的天气怎么样？”
机：“今天的天气为晴转多云。”
人：“明天呢？”
若将“明天呢”作为当前询问信息，则“今天的天气怎么样”则为前一询问信息。
本实施例中，所述有实际意义的回答语句，可以为用于人机交互的智能终端能够在常规语料库中查找到对应回答语句。相应的，没有实际意义的回答语句，可以为在常规语料库中查找不到对应回答语句，从兜底语料库中随机或根据预定规则反馈的兜底回答语句。
例如：针对前一询问信息“今天的天气怎么样”，生成的NLP结果，只能终端的反馈模块能够在常规语料库中查找到对应回答语句“今天的天气为晴转多云”，即该询问信息“今天的天气怎么样”存在有实际意义的回答语句。
针对当前询问信息“明天呢”，生成的NLP结果，智能终端的反馈模块无法在常规语料库中查找到对应回答语句，被定义为兜底闲聊，需要在兜底语料库中随机或根据预定规则反馈的无意义的兜底回答语句，即该询问信息“明天呢”不存在有实际意义的回答语句。
操作模块205，用于若存在有实际意义的回答语句，则根据所述第一NLP结果与所述第二NLP结果，进行替换操作或补位操作，得到第三NLP结果。
若前一询问信息的回答语句为有实际意义的回答语句，而非针对兜底闲聊分配的无意义的兜底回答语句，则根据前一询问信息与当前询问信息分别对应的NLP结果(第一NLP结果和第二NLP结果)，进行替换或补位处理，得到针对当前询问信息的最终的NLP结果，即所述第三NLP结果。
例如，上述人机对话中，对于当前询问信息“明天呢”，需要将前一询问信息“今天的天气怎么样？”对应的第二NLP结果，以及当前询问信息“明天呢”对应的第一NLP结果，进行替换操作或补位操作，得到第三NLP结果。
所述替换操作可以为将前一询问信息中的“今天”替换为当前询问信息中的“明天”，则所述第三NLP结果可以为“明天的天气怎么样？”
所述补位操作可以为将前一询问信息中的除“今天”外的(“天气怎么样”)补位到当前询问信息中“明天”后面，则所述第三NLP结果可以为“明天天气怎么样？”
反馈模块203，用于根据所述第三NLP结果获得对应的回答语句。
可选地，所述反馈模块203可以根据所述第三NLP结果从存储于智能终端的本地的语料库获取，或者从服务器侧获取。
本发明实施例提供的语义识别设备，处理模块202通过采用NLP技术对当前询问信息进行处理，并生成第一NLP结果；其中所述第一NLP结果包括类型、关键词与动作；判断模块204判断前一询问信息对应的第二NLP结果是否存在有实际意义的回答语句；若存在有实际意义的回答语句，则操作模块205根据所述第一NLP结果与所述第二NLP结果通过替换操作或补位操作生成所述当前询问信息的最终识别结果。本实施例基于上下文语义生成的识别结果，能够更加准确的解释用户的语义，适应人与人沟通中的说话习惯(例如代词的使用，缩略句的使用等)，以便于在人机对话过程中，向用户提供正确的反馈，提高用户体验。
图7为本发明再一实施例提供的语义识别设备的结构示意图。如图7所示，该语义识别设备70的操作模块205包括：
判断单元2051，用于若存在有实际意义的回答语句，根据所述第一NLP结果，判断当前询问信息中是否存在指向性代词或仅存在名词；
替换操作单元2052，用于若仅存在名词，则根据所述第一NLP结果与所述第二NLP结果，进行替换操作；
补位操作单元2053，用于若存在指向性代词，则根据所述第一NLP结果，判断所述第一NLP结果中的类型与动作是否均已定义；若均已定义，则根据所述第一NLP结果与所述第二NLP结果，进行补位操作。
可选地，所述判断单元具体用于：判断所述第一NLP结果中关键词的类型与所述第二NLP结果中关键词的类型是否相同；若相同，则判断当前询问信息是否仅存在名词。
可选地，所述替换操作单元，具体用于：将所述第二NLP结果中的关键词替换为所述第一NLP结果中的关键词，得到所述第三NLP结果，并根据所述第三NLP结果获得对应的回答语句。
可选地，所述判断单元具体用于：判断所述第一NLP结果中的关键词是否为指向性代词，若是，则判定当前询问信息中存在指向性代词。
可选地，所述补位操作单元具体用于：根据所述第二NLP结果对应的回答语句，获得与所述第一NLP结果中的关键词对应的内容；删除所述第一NLP结果中的关键词，并将所述内容补位到所述第一NLP结果的关键词处。
可选地，所述反馈模块还用于：用于若所述第二NLP结果不存在有实际意义的回答语句，则根据所述第一NLP结果获得对应的回答语句。
本发明实施例提供的端点检测设备，可用于执行上述的方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
图8为本发明一实施例提供的语义识别设备的硬件结构示意图。如图8所示，本实施例提供的语义识别设备80包括：至少一个处理器801和存储器802。其中，处理器801、存储器802通过总线803连接。
可选地，该语义识别设备还可以包括通信部件，通信部件通过总线803与处理器801和存储器802连接。
在具体实现过程中，至少一个处理器801执行所述存储器802存储的计算机执行指令，使得至少一个处理器801执行如上语义识别设备80所执行的语义识别方法。
当本实施例的语义识别方法由服务器执行时，该通信部件可以将询问信息发送给服务器，并从服务器接收反馈回的回答语句。
处理器801的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图8所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上语义识别设备执行的语义识别方法。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上语义识别设备执行的语义识别方法。
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (16)
1.一种语义识别方法，其特征在于，包括：
通过自然语言处理NLP技术对当前询问信息进行处理，获得第一NLP结果；其中所述第一NLP结果包括类型、关键词与动作；
判断前一询问信息的第二NLP结果是否存在有实际意义的回答语句；
若存在有实际意义的回答语句，则根据所述第一NLP结果与所述第二NLP结果，进行替换操作或补位操作，得到第三NLP结果；
根据所述第三NLP结果获得对应的回答语句。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一NLP结果与所述第二NLP结果，进行替换操作或补位操作，包括：
根据所述第一NLP结果，判断当前询问信息中是否存在指向性代词或仅存在名词；
若仅存在名词，则根据所述第一NLP结果与所述第二NLP结果，进行替换操作；
若存在指向性代词，则根据所述第一NLP结果，判断所述第一NLP结果中的类型与动作是否均已定义；若均已定义，则根据所述第一NLP结果与所述第二NLP结果，进行补位操作。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一NLP结果，判断当前询问信息中是否仅存在名词之前，还包括：
判断所述第一NLP结果中关键词的类型与所述第二NLP结果中关键词的类型是否相同；
所述根据所述第一NLP结果，判断当前询问信息中是否仅存在名词，包括：
若所述第一NLP结果与所述第二NLP结果中关键词的类型相同，则根据所述第一NLP结果，判断当前询问信息中是否仅存在名词。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一NLP结果与所述第二NLP结果，进行替换操作，包括：
将所述第二NLP结果中的关键词替换为所述第一NLP结果中的关键词。
5.根据权利要求2所述的方法，其特征在于，所述根据所述第一NLP结果，判断当前询问信息中是否存在指向性代词，包括：
判断所述第一NLP结果中的关键词是否为指向性代词，若是，则判定当前询问信息中存在指向性代词。
6.根据权利要求2所述的方法，其特征在于，所述根据所述第一NLP结果与所述第二NLP结果，进行补位操作，包括：
根据所述第二NLP结果对应的回答语句，获得与所述第一NLP结果中的关键词对应的内容；
删除所述第一NLP结果中的关键词，并将所述内容补位到所述第一NLP结果的关键词处。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述判断前一询问信息的第二NLP结果是否存在有实际意义的回答语句之后，还包括：
若不存在有实际意义的回答语句，则根据所述第一NLP结果获得对应的回答语句。
8.一种语义识别设备，其特征在于，包括：
处理模块，用于通过自然语言处理NLP技术对当前询问信息进行处理，获得第一NLP结果；其中所述第一NLP结果包括类型、关键词与动作；
判断模块，用于判断前一询问信息的第二NLP结果是否存在有实际意义的回答语句；
操作模块，用于若存在有实际意义的回答语句，则根据所述第一NLP结果与所述第二NLP结果，进行替换操作或补位操作，得到第三NLP结果；
反馈模块，用于根据所述第三NLP结果获得对应的回答语句。
9.根据权利要求8所述的设备，其特征在于，所述操作模块包括：
判断单元，用于若存在有实际意义的回答语句，根据所述第一NLP结果，判断当前询问信息中是否存在指向性代词或仅存在名词；
替换操作单元，用于若仅存在名词，则根据所述第一NLP结果与所述第二NLP结果，进行替换操作；
补位操作单元，用于若存在指向性代词，则根据所述第一NLP结果，判断所述第一NLP结果中的类型与动作是否均已定义；若均已定义，则根据所述第一NLP结果与所述第二NLP结果，进行补位操作。
10.根据权利要求9所述的设备，其特征在于，所述判断单元具体用于：
判断所述第一NLP结果中关键词的类型与所述第二NLP结果中关键词的类型是否相同；若相同，则判断当前询问信息是否仅存在名词。
11.根据权利要求10所述的设备，其特征在于，所述替换操作单元，具体用于：
将所述第二NLP结果中的关键词替换为所述第一NLP结果中的关键词，得到所述第三NLP结果，并根据所述第三NLP结果获得对应的回答语句。
12.根据权利要求9所述的设备，其特征在于，所述判断单元具体用于：
判断所述第一NLP结果中的关键词是否为指向性代词，若是，则判定当前询问信息中存在指向性代词。
13.根据权利要求9所述的设备，其特征在于，所述补位操作单元具体用于：
根据所述第二NLP结果对应的回答语句，获得与所述第一NLP结果中的关键词对应的内容；
删除所述第一NLP结果中的关键词，并将所述内容补位到所述第一NLP结果的关键词处。
14.根据权利要求8至13任一项所述的设备，其特征在于，所述反馈模块还用于：用于若所述第二NLP结果不存在有实际意义的回答语句，则根据所述第一NLP结果获得对应的回答语句。
15.一种语义识别设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至7任一项所述的语义识别方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至7任一项所述的语义识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910147719.0A CN110020429B (zh) | 2019-02-27 | 2019-02-27 | 语义识别方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910147719.0A CN110020429B (zh) | 2019-02-27 | 2019-02-27 | 语义识别方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110020429A true CN110020429A (zh) | 2019-07-16 |
| CN110020429B CN110020429B (zh) | 2023-05-23 |
Family
ID=67189089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910147719.0A Active CN110020429B (zh) | 2019-02-27 | 2019-02-27 | 语义识别方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110020429B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111681647A (zh) * | 2020-06-10 | 2020-09-18 | 北京百度网讯科技有限公司 | 用于识别词槽的方法、装置、设备以及存储介质 |
| CN113035179A (zh) * | 2021-03-03 | 2021-06-25 | 科大讯飞股份有限公司 | 一种语音识别方法、装置、设备及计算机可读存储介质 |
| CN113488036A (zh) * | 2020-06-10 | 2021-10-08 | 海信集团有限公司 | 一种多轮语音交互方法、终端及服务器 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6101490A (en) * | 1991-07-19 | 2000-08-08 | Hatton; Charles Malcolm | Computer system program for creating new ideas and solving problems |
| CN101593206A (zh) * | 2009-06-25 | 2009-12-02 | 腾讯科技（深圳）有限公司 | 基于问答互动平台中答案的搜索方法及装置 |
| CN102637192A (zh) * | 2012-02-17 | 2012-08-15 | 清华大学 | 一种自然语言问答的方法 |
| CN105930452A (zh) * | 2016-04-21 | 2016-09-07 | 北京紫平方信息技术股份有限公司 | 一种识别自然语言的智能应答方法 |
| CN107609101A (zh) * | 2017-09-11 | 2018-01-19 | 远光软件股份有限公司 | 智能交互方法、设备及存储介质 |
| CN108920604A (zh) * | 2018-06-27 | 2018-11-30 | 百度在线网络技术（北京）有限公司 | 语音交互方法及设备 |
-
2019
- 2019-02-27 CN CN201910147719.0A patent/CN110020429B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6101490A (en) * | 1991-07-19 | 2000-08-08 | Hatton; Charles Malcolm | Computer system program for creating new ideas and solving problems |
| CN101593206A (zh) * | 2009-06-25 | 2009-12-02 | 腾讯科技（深圳）有限公司 | 基于问答互动平台中答案的搜索方法及装置 |
| CN102637192A (zh) * | 2012-02-17 | 2012-08-15 | 清华大学 | 一种自然语言问答的方法 |
| CN105930452A (zh) * | 2016-04-21 | 2016-09-07 | 北京紫平方信息技术股份有限公司 | 一种识别自然语言的智能应答方法 |
| CN107609101A (zh) * | 2017-09-11 | 2018-01-19 | 远光软件股份有限公司 | 智能交互方法、设备及存储介质 |
| CN108920604A (zh) * | 2018-06-27 | 2018-11-30 | 百度在线网络技术（北京）有限公司 | 语音交互方法及设备 |
Non-Patent Citations (2)
| Title |
|---|
| A. CLEMENTEENA 等: ""A literature survey on question answering system in natural"", 《INTERNATIONAL JOURNAL OF ENGINEERING & TECHNOLOGY》 * |
| 王慧慧: ""基于自然语言处理的问答***研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111681647A (zh) * | 2020-06-10 | 2020-09-18 | 北京百度网讯科技有限公司 | 用于识别词槽的方法、装置、设备以及存储介质 |
| CN113488036A (zh) * | 2020-06-10 | 2021-10-08 | 海信集团有限公司 | 一种多轮语音交互方法、终端及服务器 |
| CN111681647B (zh) * | 2020-06-10 | 2023-09-05 | 北京百度网讯科技有限公司 | 用于识别词槽的方法、装置、设备以及存储介质 |
| CN113035179A (zh) * | 2021-03-03 | 2021-06-25 | 科大讯飞股份有限公司 | 一种语音识别方法、装置、设备及计算机可读存储介质 |
| CN113035179B (zh) * | 2021-03-03 | 2023-09-26 | 中国科学技术大学 | 一种语音识别方法、装置、设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110020429B (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109657054B (zh) | 摘要生成方法、装置、服务器及存储介质 | |
| CN108847241B (zh) | 将会议语音识别为文本的方法、电子设备及存储介质 | |
| CN110276023B (zh) | Poi变迁事件发现方法、装置、计算设备和介质 | |
| CN110148416A (zh) | 语音识别方法、装置、设备和存储介质 | |
| US20170206897A1 (en) | Analyzing textual data | |
| CN109522419B (zh) | 会话信息补全方法及装置 | |
| CN110415679B (zh) | 语音纠错方法、装置、设备和存储介质 | |
| CN110232129B (zh) | 场景纠错方法、装置、设备和存储介质 | |
| CN105931644A (zh) | 一种语音识别方法及移动终端 | |
| CN108304375A (zh) | 一种信息识别方法及其设备、存储介质、终端 | |
| CN109635270A (zh) | 双向概率性的自然语言重写和选择 | |
| CN101815996A (zh) | 检测名称实体和新词 | |
| CN106570180A (zh) | 基于人工智能的语音搜索方法及装置 | |
| JP2020004382A (ja) | 音声対話方法及び装置 | |
| CN114556328A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN110020429A (zh) | 语义识别方法及设备 | |
| CN111488468A (zh) | 地理信息知识点抽取方法、装置、存储介质及计算机设备 | |
| CN114154487A (zh) | 文本自动纠错方法、装置、电子设备及存储介质 | |
| CN105161095A (zh) | 语音识别语法树的构图方法及装置 | |
| CN109710732A (zh) | 信息查询方法、装置、存储介质和电子设备 | |
| CN108153875B (zh) | 语料处理方法、装置、智能音箱和存储介质 | |
| CN108334491B (zh) | 文本分析方法、装置、计算设备及存储介质 | |
| CN111508497B (zh) | 语音识别方法、装置、电子设备及存储介质 | |
| CN108268443B (zh) | 确定话题点转移以及获取回复文本的方法、装置 | |
| CN109472032A (zh) | 一种实体关系图的确定方法、装置、服务器及存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211103 Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Apollo Zhilian (Beijing) Technology Co.,Ltd. Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing Applicant before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |