CN110263144A - 一种答案获取方法及装置 - Google Patents
一种答案获取方法及装置 Download PDFInfo
- Publication number
- CN110263144A CN110263144A CN201910570444.1A CN201910570444A CN110263144A CN 110263144 A CN110263144 A CN 110263144A CN 201910570444 A CN201910570444 A CN 201910570444A CN 110263144 A CN110263144 A CN 110263144A
- Authority
- CN
- China
- Prior art keywords
- answer
- text
- default
- enquirement
- type
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 235000021167 banquet Nutrition 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer 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
- 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
- G06F16/3343—Query execution using phonetics
-
- 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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种答案获取方法及装置，其中方法为：获取提问文本；通过预训练的提问分类模型，确定所述提问文本的提问类型是否与预设答案类型库中的答案类型匹配；若所述提问文本的提问类型不与所述预设答案类型库中的答案类型匹配，则根据所述预设答案库中每个答案的第一深度语义向量与所述提问文本的第二深度语义向量的至少一个语义相似度，获取所述提问文本的答案。上述方法应用于金融科技(Fintech)时，通过预训练的提问分类模型，首先确定提问文本的提问类型是否与预设答案类型库中的答案类型匹配，在不匹配时，由于所述至少一个语义相似度表征了提问文本与预设答案库中每个答案的语义吻合程度，从而提升了获取到答***率。
Description
技术领域
本发明涉及金融科技(Fintech)领域和智能通信领域，尤其涉及一种答案获取方法及装置。
背景技术
随着计算机技术的发展，越来越多的技术(大数据、分布式、区块链(Blockchain)、人工智能等)应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变。目前，金融科技领域中的智能通信过程中，经常需要根据用户的提问，向用户返回问题的答案。
目前电话呼入***中获取用户问题答案的方式为，根据提问文本的关键词在人工收集的答案库中进行搜索，并将命中的答案反馈给用户。显然，人工收集的答案库有限，且效率低下，而且根据关键词进行搜索获取到的答案，难以保证获取到的答案语义为预期语义，从而导致获取到的用户答案也不够准确。
发明内容
本申请实施例提供一种答案获取方法及装置，解决了现有技术中获取到的用户答案不够准确的问题。
第一方面，本申请实施例提供一种答案获取方法，包括：获取提问文本；通过预训练的提问分类模型，确定所述提问文本的提问类型是否与预设答案类型库中的答案类型匹配；若所述提问文本的提问类型不与所述预设答案类型库中的答案类型匹配，则根据所述预设答案库中每个答案的第一深度语义向量与所述提问文本的第二深度语义向量的至少一个语义相似度，获取所述提问文本的答案。
上述方法中，通过预训练的提问分类模型，首先确定提问文本的提问类型是否与预设答案类型库中的答案类型匹配，在不匹配时，由于所述至少一个语义相似度表征了提问文本与预设答案库中每个答案的语义吻合程度，从而提升了获取到答***率。
一种可选实施方式中，若所述提问文本的提问类型与所述预设答案类型库中的答案类型匹配，则获取所述提问文本在所述预设答案类型库中匹配的答案类型对应的至少一个关键答案要素；根据所述提问文本和所述至少一个关键答案要素，确定所述至少一个关键答案要素中每个关键答案要素对于所述提问文本的子答案，将所述至少一个关键答案要素对于所述提问文本的所有子答案的组合，作为所述提问文本的答案。
上述方法中，根据至少一个关键答案要素拆解出来的每个关键答案要素，确定每个关键答案要素对于所述提问文本的子答案，从而更细粒度地获取所述提问文本的答案，提升了获取到答***率。
一种可选实施方式中，所述根据所述预设答案库中每个答案的第一深度语义向量与所述提问文本的第二深度语义向量的至少一个语义相似度，确定所述提问文本的答案，包括：
若所述第一语义相似度大于或等于预设语义相似度阈值，则将所述第一语义相似度的第一深度语义向量在所述预设答案库中对应的答案，作为所述提问文本的答案；所述第一语义相似度为所述至少一个语义相似度中最大的语义相似度。
通过设置预设语义相似度阈值，将大于或等于预设语义相似度阈值的第一语义相似度的第一深度语义向量在所述预设答案库中对应的答案，作为所述提问文本的答案，在保证语义相似度的前提下，获取提问文本在所述预设答案库中语义相似度最大的答案。
一种可选实施方式中，若所述第一语义相似度小于所述预设语义相似度阈值，则确定所述提问文本是否与预构建的知识图谱中的三元组匹配；若是，则将所述提问文本与所述预构建的知识图谱中匹配的三元组，作为所述提问文本的答案。
上述方法中，在第一语义相似度小于所述预设语义相似度阈值时，确定提问文本是否与预构建的知识图谱中的三元组匹配，从而预构建的知识图谱起到了备份作用，用于第一语义相似度小于所述预设语义相似度阈值时，将所述提问文本与所述预构建的知识图谱中匹配的三元组，作为所述提问文本的答案，从而进一步提升了获取到答***率。
一种可选实施方式中，若所述提问文本不与所述预构建的知识图谱中的三元组匹配，则确定所述提问文本是否与预设聊天库中的聊天语句匹配，若是，则将所述提问文本与所述预设聊天库中匹配的聊天语句，作为所述提问文本的答案；或者，若否，则将预设默认答案作为所述提问文本的答案。
上述方法中，将所述提问文本与所述预设聊天库中匹配的聊天语句，作为所述提问文本的答案，或者将预设默认答案作为所述提问文本的答案，从而在所述提问文本不与所述预构建的知识图谱中的三元组匹配时，还有备份的聊天语句以及预设默认答案，从而提高了用户感受，并提升了答案准确率。
第二方面，本申请提供一种答案获取装置，包括：获取模块，用于获取提问文本；处理模块，用于通过预训练的提问分类模型，确定所述提问文本的提问类型是否与预设答案类型库中的答案类型匹配；若所述提问文本的提问类型不与所述预设答案类型库中的答案类型匹配，则根据所述预设答案库中每个答案的第一深度语义向量与所述提问文本的第二深度语义向量的至少一个语义相似度，获取所述提问文本的答案。
一种可选实施方式中，所述处理模块还用于：若所述提问文本的提问类型与所述预设答案类型库中的答案类型匹配，则获取所述提问文本在所述预设答案类型库中匹配的答案类型对应的至少一个关键答案要素；根据所述提问文本和所述至少一个关键答案要素，确定所述至少一个关键答案要素中每个关键答案要素对于所述提问文本的子答案，将所述至少一个关键答案要素对于所述提问文本的所有子答案的组合，作为所述提问文本的答案。
一种可选实施方式中，所述处理模块具体用于：若所述第一语义相似度大于或等于预设语义相似度阈值，则将所述第一语义相似度的第一深度语义向量在所述预设答案库中对应的答案，作为所述提问文本的答案；所述第一语义相似度为所述至少一个语义相似度中最大的语义相似度。
一种可选实施方式中，所述处理模块还用于：若所述第一语义相似度小于所述预设语义相似度阈值，则确定所述提问文本是否与预构建的知识图谱中的三元组匹配；若是，则将所述提问文本与所述预构建的知识图谱中匹配的三元组，作为所述提问文本的答案。
一种可选实施方式中，所述处理模块还用于：若所述提问文本不与所述预构建的知识图谱中的三元组匹配，则确定所述提问文本是否与预设聊天库中的聊天语句匹配，若是，则将所述提问文本与所述预设聊天库中匹配的聊天语句，作为所述提问文本的答案；或者，若否，则将预设默认答案作为所述提问文本的答案。
上述第二方面及第二方面各个实施例的有益效果，可以参考上述第一方面及第一方面各个实施例的有益效果，这里不再赘述。
第三方面，本申请实施例提供一种计算机设备，包括程序或指令，当所述程序或指令被执行时，用以执行上述第一方面及第一方面各个实施例的方法。
第四方面，本申请实施例提供一种存储介质，包括程序或指令，当所述程序或指令被执行时，用以执行上述第一方面及第一方面各个实施例的方法。
附图说明
图1为本申请实施例提供的一种答案获取方法可应用的电话呼入智能***的架构示意图；
图2为本申请实施例提供的一种答案获取方法的时序交互示意图；
图3为本申请实施例提供的一种答案获取方法的步骤流程示意图；
图4为本申请实施例提供的一种答案获取方法的具体步骤流程示意图；
图5为本申请实施例提供的一种答案获取装置的结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图及具体的实施方式对上述技术方案进行详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互结合。
在电信运营业务的运转过程中，用户经常会碰到各种各样的问题，需要解答。电话呼入***是一个用于用户提问并给用户解答的***，电话呼入***即支持用户电话呼入并提供问题答疑指引的***。
目前电话呼入***中获取用户问题答案的方式会导致获取到的用户答案不够准确，为此本申请实施例提供一种答案获取方法。
如图1所示，为本申请实施例提供的一种答案获取方法可应用的电话呼入智能***的架构示意图。
该***架构包括以下部分：
终端设备：终端设备为客户用于拨打电话提问的设备，发起来电。
电信运营商：电信运营商用于转接终端的来电。
公司网络：公司网络用于将电信运营商转接的来电，并将来电再转接给智能机器人。
坐席话务服务平台：坐席话务服务平台包括多个人工座席，用于人工接管来电。
智能机器人：智能机器人用于接听用户来电，将通话录音转化成文本，或将文本转化为通话录音，返回用户来电提问的答案。
基于上述架构，可以通过以下流程完成答案获取。
S101：用户通过终端设备拨打客服坐席电话。
S102：来电经过电信运营商和公司网络转接，并由智能机器人自动接听来电。
S103：智能机器人将交互文本通过语音合成引擎转换成语音播放给用户，引导用户提问。
S104：智能机器人将用户通话录音通过语音识别引擎转换成提问文本。
S105：智能客服机器人通过提问文本，获取答案，然后通过语音合成引擎转换成语音播放给用户。
S106：重复S103-S105，若用户主动挂掉电话则通话结束库，若用户语音输入“转人工”则由人工坐席托管通话，直到用户挂掉电话，通话结束。
下面结合图2详细介绍上述***架构，如图2所示，为本申请实施例提供的一种答案获取方法的时序交互示意图。包括以下步骤：
步骤201：拨打电话。
用户通过终端设备拨打电话，产生来电，此时终端设备的通话状态为呼出状态。
步骤202：通知电话接入。
电信运营商通知智能机器人来电。
步骤203：发送接通电话命令。
智能机器人接收到来电后，向电信运营商发送接通电话命令。
步骤204：接听电话。
电信运营商接通电话，此时终端设备的通话状态为接通状态。
步骤205：录制通话语音，获得通话录音。
电信运营商接听用户的语音，并获得通话录音。
步骤206：发送通话录音。
电信运营商将转换的通话录音发送至语音识别引擎。
步骤207：将通话录音转化为提问文本。
语音识别引擎将通话录音转化为提问文本。
步骤208：返回响应提问文本的答案文本。
智能机器人获取提问文本的答案文本，并返回至语音合成引擎。
步骤209：发送答案语音。
语音合成引擎答案文本转化为答案语音，并将答案语音发送至电信运营商。
步骤2010：发送答案语音。
电信运营商发送答案语音至终端设备。
若智能机器人未接收到转人工命令且用户未挂断电话，则循环执行步骤205～步骤2010。
若智能机器人在步骤207时接收到的问题文本为“转人工”，则执行步骤2011～步骤2012。
步骤2011：发送转人工命令。
智能机器人向电信运营商发送转人工命令。
步骤2012：接入人工服务。
电信运营商将终端设备与坐席话务服务平台连接通话，从而实现接入人工服务。
步骤2013：挂断电话。
需要说明的是，步骤2013可能在步骤201～步骤2012中任何两个相邻步骤之间执行。
本申请中使用智能机器人自动接听电话，并可以对用户特定任务型提问进行多轮对话交互，对非任务型提问进行深度语义分析并查找答案，同时也支持用户转人工坐席服务。此方案可在智能客服机器人服务和坐席服务之间取得良好的平衡，解决了上面提到的缺陷，带来了巨大的商业收益。
智能机器人是使用自然语言处理技术、机器学习与深度学习框架等来实现的自动问答***，可与用户进行多轮会话并深度语义理解用户的提问意图，通过执行任务或查找知识库获得用户所需要的答案。使用的技术包括意图理解、语义匹配、搜索引擎、推荐引擎、任务引擎、知识图谱等。
本申请的知识库组成如表1所示：
| 问题 | 答案 | 知识点产生方式 |
| 提问文本 | 预设答案类型 | 机器自学习辅助 |
| 提问文本 | 预设聊天库 | 机器自学习辅助 |
| 提问文本 | 知识图谱 | 定期编辑，内容相对稳定 |
| 提问文本 | 预设聊天库 | 定期编辑，内容相对稳定 |
表1
需要说明的是，预设答案类型和预设聊天库是通过机器自学习辅助产生的，当提问文本在预设答案类型和预设聊天库匹配不到内容时，则传递到业务***，由业务人员确认若属于已有的内容，未匹配准确，则将该提问文本归为已有内容一类，若不属于已有的内容，则将编辑新内容，加入到相应知识库中。从而不断积累成预设答案类型和预设聊天库，从而不断扩充内容，并不断将相似问题归为一类。
本方案知识库的问题部分只有用户提问文本组成，而不是关键词和模式，符合人类自然对话习惯，极大降低知识库的编辑难度。答案部分则包含预设答案类型、预设答案库、预构建的知识图谱和聊天库，更有力的支持了对话的智能化程度提升、答案的丰富度提升。
如图3所示，为本申请实施例提供的一种答案获取方法的步骤流程示意图。
步骤301：获取提问文本。
其中，提问文本是用户录音转化的文本。
步骤302：通过预训练的提问分类模型，确定所述提问文本的提问类型是否与预设答案类型库中的答案类型匹配。
与预设答案类型库中的答案类型匹配的提问类型，是需要智能机器人运算得出具体答案的提问类型，一般不直接在预设答案库中给出具体答案，而是先通过预设答案类型库，确定答案类型，再根据提问文本中的具体信息，确定提问文本的答案。
步骤303：若所述提问文本的提问类型不与所述预设答案类型库中的答案类型匹配，则根据所述预设答案库中每个答案的第一深度语义向量与所述提问文本的第二深度语义向量的至少一个语义相似度，获取所述提问文本的答案。
第一深度语义向量为用于描述预设答案库中相应答案语义的一个向量，每个维度可描述该答案的一项属性。相应地，第二深度语义向量为用于描述提问文本语义的一个向量。
上述方法中，通过预训练的提问分类模型，首先确定提问文本的提问类型是否与预设答案类型库中的答案类型匹配，在不匹配时，由于所述至少一个语义相似度表征了提问文本与预设答案库中每个答案的语义吻合程度，从而提升了获取到答***率。
步骤303中，根据所述至少一个语义相似度，确定所述提问文本的答案，可以按照以下方式进行：
若所述第一语义相似度大于或等于预设语义相似度阈值，则将所述第一语义相似度的第一深度语义向量在所述预设答案库中对应的答案，作为所述提问文本的答案；所述第一语义相似度为所述至少一个语义相似度中最大的语义相似度。
需要说明的是，至少一个语义相似度中每个语义相似度的描述方式不做限定。举例来说，用第一语义相似度可用第一深度语义向量与第二深度语义向量的夹角余弦值来表示。
通过设置预设语义相似度阈值，将大于或等于预设语义相似度阈值的第一语义相似度的第一深度语义向量在所述预设答案库中对应的答案，作为所述提问文本的答案，在保证语义相似度的前提下，获取提问文本在所述预设答案库中语义相似度最大的答案。
在上述可选实施方式中，若所述第一语义相似度小于所述预设语义相似度阈值，则确定所述提问文本是否与预构建的知识图谱中的三元组匹配；若是，则将所述提问文本与所述预构建的知识图谱中匹配的三元组，作为所述提问文本的答案。
举例来说，提问文本中包括关键词A1。其中，A1在预构建的知识图谱中匹配的三元组为A1A2A3，则返回A1A2A3。
上述方法中，在第一语义相似度小于所述预设语义相似度阈值时，确定提问文本是否与预构建的知识图谱中的三元组匹配，从而预构建的知识图谱起到了备份作用，用于第一语义相似度小于所述预设语义相似度阈值时，将所述提问文本与所述预构建的知识图谱中匹配的三元组，作为所述提问文本的答案，从而进一步提升了获取到答***率。
在上述可选实施方式中，若所述提问文本不与所述预构建的知识图谱中的三元组匹配，则确定所述提问文本是否与预设聊天库中的聊天语句匹配，若是，则将所述提问文本与所述预设聊天库中匹配的聊天语句，作为所述提问文本的答案；或者，若否，则将预设默认答案作为所述提问文本的答案。
举例来说，提问文本B不与所述预构建的知识图谱中的三元组匹配，则确定B是否与预设聊天库中的聊天语句匹配，如果B与预设聊天库中的聊天语句B匹配，则将聊天语句B作为提问文本B的答案。
上述方法中，将所述提问文本与所述预设聊天库中匹配的聊天语句，作为所述提问文本的答案，或者将预设默认答案作为所述提问文本的答案，从而在所述提问文本不与所述预构建的知识图谱中的三元组匹配时，还有备份的聊天语句以及预设默认答案，从而提高了用户感受，并提升了答案准确率。
步骤303中，若所述提问文本的提问类型与所述预设答案类型库中的答案类型匹配，则一种可选实施方式为：
获取所述提问文本在所述预设答案类型库中匹配的答案类型对应的至少一个关键答案要素；根据所述提问文本和所述至少一个关键答案要素，确定所述至少一个关键答案要素中每个关键答案要素对于所述提问文本的子答案，将所述至少一个关键答案要素对于所述提问文本的所有子答案的组合，作为所述提问文本的答案。
举例来说，若提问文本C与答案类型“答案类型1”匹配。答案类型1包含关键答案要素1、关键答案要素2、关键答案要素3、关键答案要素4这4个关键答案要素。提问文本C与答案类型1中关键答案要素1、关键答案要素2、关键答案要素3匹配，则根据提问文本C分别与关键答案要素1、关键答案要素2、关键答案要素3匹配的子答案1、子答案2、子答案3，将子答案1、子答案2、子答案3的组合作为提问文本C的答案。而且，在返回提问文本C的答案后，智能机器人还会反问是否需要获取关键答案要素4的子答案。
上述方法中，根据至少一个关键答案要素拆解出来的每个关键答案要素，确定每个关键答案要素对于所述提问文本的子答案，从而更细粒度地获取所述提问文本的答案，提升了获取到答***率。
下面以一个具体实施例来说明。
智能机器人如果匹配到预设答案类型库则智能机器人使用对应的答案类型则执行单轮或多轮对话获得所有必要槽位信息，然后使用槽位信息执行任务，并将任务执行的结果返回给用户；如果匹配到预设答案库的问题则，作为答案；如果在知识图谱中查找到对应三元组则返回三元组，作为答案；最后如果在聊天库中查找到答案则返回聊天语句，作为答案。
用户提问“借款10000元10天的话利息是多少？”。
智能机器人首先使用提问分类模型对当前问题进行提问类型分类，如果该提问类型能在预设答案类型库中匹配到答案类型，则使用对应的答案类型进行多轮会话，获得该答案类型所需的所有关键答案要素，然后进行计算得到结果返回给用户。在此例中，假如对提问文本进行要素分析发现了金额是10000元，借款时间是10天，那么还缺少关键答案要素“日利率”，智能机器人会反问用户“您的日利率是多少？”，在得到用户回答并解析出日利率的值后，该任务将执行最后的计算得到利息数额，并返回给用户。
如果预设答案类型库中并没有对应的答案类型，则智能机器人将选择在预设答案库中进行查找，智能机器人将计算用户提问的深度语义向量与预设答案库中候选答案的问题的深度语义向量之间的语义相似度，并取语义相似度最高的答案作为结果返回给用户，从实际效果上看答***率和召回率大幅提升。举例来说如果关键词“贷款”作为，那么现有技术中提问必须包含“贷款”两字才能召回答案，而深度语义向量则不需要关键词一样，只要语义一样即可，比如“借钱”、“借款”等，召回率得到提升；另一方面关键词一般在句子中字的占比较小，使用关键词查找答案的时候由于没有考虑句子间其他词影响，可能导致查找的答案偏差较大，而深度语义向量则是考虑了句子中所有词的语义影响，因此查找到的答案准确率也更高。
如果预设答案库中没有此提问文本的答案，则机器人将选择在知识图谱中查找答案，举例来说，知识图谱中的三元组是，由主语-谓语-宾语(subject-predication-object,SPO)三元组，还可以是其他类型三元组，在此不做限定。智能机器人将提取文本中关键的SPO，以期能在知识图谱中查找到缺失的SPO(主谓宾)三要素之一，或在只是途中查找、推理提问中SPO间可能存在的关系。作为对预设答案类型库返回的关键答案要素组合，或者预设答案库中返回的答案补充。
如果上述三个步骤都不能找到合理答案，则进入聊天库中查找聊天语句返回给用户，作为答案。最后，如果聊天库中没有匹配到聊天语句的话，则返回预设默认答案给用户。比如预设默认答案是：”很抱歉，目前无法回答您提出的问题？我可以回答以下问题...”。
通过上述多层次的知识库、多轮交互机制、深度语义分析模型可很好的解决现有技术存在的问题，极大提升回答问题的准确率和召回率，极大提升对话交互中用户体验。
除此之外，本申请的知识库拥有较强的自学习能力。主要体现为：1、对查找不到答案的提问进行聚类、分类、过滤等处理，并将得到的问题集定期推送给业务人员去关联已有知识点或添加对应答案。2、对历史上所有的用户提问进行聚类，查找到与知识库中已有问题相似的问法并提交给业务人员审核以便补充知识点的相似问题，从而提升答***率和召回率。3、对转人工后的对话数据进行分析，挖掘新的知识点并推送给业务人员审核、修改并添加到知识库中，随着知识库的完备率提升，用户转人工率将进一步降低。4、对存在的知识点进行规整，比如将重复和相似的知识点规整到一处，将包含多个主题的知识点拆分成多个知识点等。
下面结合图4，详细介绍本申请实施例提供的一种答案获取方法，如图4所示，为本申请实施例提供的具体步骤流程示意图。
步骤401：获取用户的提问文本。
步骤402：确定用户的通话状态是否为任务状态。
若用户已预设答案类型库中有对应的答案类型，且正在针对该答案类型通话，则确定用户在任务状态。
若是，则执行步骤406；否则执行步骤403。
步骤403：进行槽位分析，确定槽位是否已满。
槽位即当前一轮会话可连续提问的问题的位置，若槽位已满则说明在该轮会话中已不能额外提问。
若是，则执行步骤404；否则执行步骤405。
步骤404：重新发起一轮会话。
步骤404之后，返回步骤401。
步骤405：执行任务，查找该答案类型中对应的至少一个关键答案要素。
步骤405之后，将该至少一个关键答案要素的子答案组合，作为提问文本的答案，并执行步骤411。
步骤406：确定提问文本的提问类型是否在预设答案类型库中有匹配的答案类型。
若是，则执行步骤407；否则，执行步骤408。
步骤407：将用户的通话状态设置为任务状态。
步骤407之后，执行步骤403。
步骤408：确定提问类型是否在预设答案库中有匹配的答案。
若有，则将该答案作为提问文本的答案，并执行步骤411；否则，执行步骤409。
步骤409：确定提问类型是否在聊天库中有匹配的答案。
若是，则将该答案作为提问文本的答案，并执行步骤411；否则，执行步骤410。
步骤410：将预设默认答案作为提问文本的答案，并执行步骤411。
步骤411：将提问文本的答案返回用户。
步骤412：结束通话。
需要说明的是，步骤401～步骤411中，用户可能随时挂掉电话，即直接跳转到步骤412。
从中可以看出，在智能机器人答案查找方面本申请使用的技术更先进、层次更丰富、流程更合理，极大提高了答案返回的准确率和召回率，降低了转人工的概率，提升用户体验。
如图5所示，为本申请实施例提供的一种答案获取装置的结构示意图，本申请提出一种答案获取装置，包括：获取模块501，用于获取提问文本；处理模块502，用于通过预训练的提问分类模型，确定所述提问文本的提问类型是否与预设答案类型库中的答案类型匹配；若所述提问文本的提问类型不与所述预设答案类型库中的答案类型匹配，则根据所述预设答案库中每个答案的第一深度语义向量与所述提问文本的第二深度语义向量的至少一个语义相似度，获取所述提问文本的答案。
一种可选实施方式中，所述处理模块502还用于：若所述提问文本的提问类型与所述预设答案类型库中的答案类型匹配，则获取所述提问文本在所述预设答案类型库中匹配的答案类型对应的至少一个关键答案要素；根据所述提问文本和所述至少一个关键答案要素，确定所述至少一个关键答案要素中每个关键答案要素对于所述提问文本的子答案，将所述至少一个关键答案要素对于所述提问文本的所有子答案的组合，作为所述提问文本的答案。
一种可选实施方式中，所述处理模块502具体用于：若所述第一语义相似度大于或等于预设语义相似度阈值，则将所述第一语义相似度的第一深度语义向量在所述预设答案库中对应的答案，作为所述提问文本的答案；所述第一语义相似度为所述至少一个语义相似度中最大的语义相似度。
一种可选实施方式中，所述处理模块502还用于：若所述第一语义相似度小于所述预设语义相似度阈值，则确定所述提问文本是否与预构建的知识图谱中的三元组匹配；若是，则将所述提问文本与所述预构建的知识图谱中匹配的三元组，作为所述提问文本的答案。
一种可选实施方式中，所述处理模块502还用于：若所述提问文本不与所述预构建的知识图谱中的三元组匹配，则确定所述提问文本是否与预设聊天库中的聊天语句匹配，若是，则将所述提问文本与所述预设聊天库中匹配的聊天语句，作为所述提问文本的答案；或者，若否，则将预设默认答案作为所述提问文本的答案。
本申请实施例提供一种计算机设备，包括程序或指令，当所述程序或指令被执行时，用以执行上述第一方面及第一方面各个实施例的方法。
本申请实施例提供一种存储介质，包括程序或指令，当所述程序或指令被执行时，用以执行上述第一方面及第一方面各个实施例的方法。
最后应说明的是：本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种答案获取方法，其特征在于，包括：
获取提问文本；
通过预训练的提问分类模型，确定所述提问文本的提问类型是否与预设答案类型库中的答案类型匹配；
若所述提问文本的提问类型不与所述预设答案类型库中的答案类型匹配，则根据所述预设答案库中每个答案的第一深度语义向量与所述提问文本的第二深度语义向量的至少一个语义相似度，获取所述提问文本的答案。
2.如权利要求1所述的方法，其特征在于，还包括：
若所述提问文本的提问类型与所述预设答案类型库中的答案类型匹配，则获取所述提问文本在所述预设答案类型库中匹配的答案类型对应的至少一个关键答案要素；
根据所述提问文本和所述至少一个关键答案要素，确定所述至少一个关键答案要素中每个关键答案要素对于所述提问文本的子答案，将所述至少一个关键答案要素对于所述提问文本的所有子答案的组合，作为所述提问文本的答案。
3.如权利要求1或2所述的方法，其特征在于，所述根据所述预设答案库中每个答案的第一深度语义向量与所述提问文本的第二深度语义向量的至少一个语义相似度，确定所述提问文本的答案，包括：
若所述第一语义相似度大于或等于预设语义相似度阈值，则将所述第一语义相似度的第一深度语义向量在所述预设答案库中对应的答案，作为所述提问文本的答案；所述第一语义相似度为所述至少一个语义相似度中最大的语义相似度。
4.如权利要求3所述的方法，其特征在于，还包括：
若所述第一语义相似度小于所述预设语义相似度阈值，则确定所述提问文本是否与预构建的知识图谱中的三元组匹配；若是，则将所述提问文本与所述预构建的知识图谱中匹配的三元组，作为所述提问文本的答案。
5.如权利要求4所述的方法，其特征在于，还包括：
若所述提问文本不与所述预构建的知识图谱中的三元组匹配，则确定所述提问文本是否与预设聊天库中的聊天语句匹配，若是，则将所述提问文本与所述预设聊天库中匹配的聊天语句，作为所述提问文本的答案；或者，
若否，则将预设默认答案作为所述提问文本的答案。
6.一种答案获取装置，其特征在于，包括：
获取模块，用于获取提问文本；
处理模块，用于通过预训练的提问分类模型，确定所述提问文本的提问类型是否与预设答案类型库中的答案类型匹配；若所述提问文本的提问类型不与所述预设答案类型库中的答案类型匹配，则根据所述预设答案库中每个答案的第一深度语义向量与所述提问文本的第二深度语义向量的至少一个语义相似度，获取所述提问文本的答案。
7.如权利要求6所述的装置，其特征在于，所述处理模块还用于：
若所述提问文本的提问类型与所述预设答案类型库中的答案类型匹配，则获取所述提问文本在所述预设答案类型库中匹配的答案类型对应的至少一个关键答案要素；
根据所述提问文本和所述至少一个关键答案要素，确定所述至少一个关键答案要素中每个关键答案要素对于所述提问文本的子答案，将所述至少一个关键答案要素对于所述提问文本的所有子答案的组合，作为所述提问文本的答案。
8.如权利要求6或7所述的装置，其特征在于，所述处理模块具体用于：
若所述第一语义相似度大于或等于预设语义相似度阈值，则将所述第一语义相似度的第一深度语义向量在所述预设答案库中对应的答案，作为所述提问文本的答案；所述第一语义相似度为所述至少一个语义相似度中最大的语义相似度。
9.如权利要求8所述的装置，其特征在于，所述处理模块还用于：
若所述第一语义相似度小于所述预设语义相似度阈值，则确定所述提问文本是否与预构建的知识图谱中的三元组匹配；若是，则将所述提问文本与所述预构建的知识图谱中匹配的三元组，作为所述提问文本的答案。
10.如权利要求9所述的装置，其特征在于，所述处理模块还用于：
若所述提问文本不与所述预构建的知识图谱中的三元组匹配，则确定所述提问文本是否与预设聊天库中的聊天语句匹配，若是，则将所述提问文本与所述预设聊天库中匹配的聊天语句，作为所述提问文本的答案；或者，
若否，则将预设默认答案作为所述提问文本的答案。
11.一种计算机设备，其特征在于，包括程序或指令，当所述程序或指令被执行时，如权利要求1至5中任意一项所述的方法被执行。
12.一种存储介质，其特征在于，包括程序或指令，当所述程序或指令被执行时，如权利要求1至5中任意一项所述的方法被执行。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910570444.1A CN110263144A (zh) | 2019-06-27 | 2019-06-27 | 一种答案获取方法及装置 |
| PCT/CN2019/117517 WO2020258654A1 (zh) | 2019-06-27 | 2019-11-12 | 一种答案获取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910570444.1A CN110263144A (zh) | 2019-06-27 | 2019-06-27 | 一种答案获取方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110263144A true CN110263144A (zh) | 2019-09-20 |
Family
ID=67922619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910570444.1A Pending CN110263144A (zh) | 2019-06-27 | 2019-06-27 | 一种答案获取方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110263144A (zh) |
| WO (1) | WO2020258654A1 (zh) |
Cited By (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110837549A (zh) * | 2019-11-06 | 2020-02-25 | 腾讯科技（深圳）有限公司 | 一种信息处理方法、装置及存储介质 |
| CN111444724A (zh) * | 2020-03-23 | 2020-07-24 | 腾讯科技（深圳）有限公司 | 医疗问答对质检方法、装置、计算机设备和存储介质 |
| CN111931514A (zh) * | 2020-07-28 | 2020-11-13 | 薛杨杨 | 基于深度学***台 |
| CN111966840A (zh) * | 2020-08-18 | 2020-11-20 | 北京猿力未来科技有限公司 | 一种语言教学的人机交互管理方法和管理*** |
| CN112084315A (zh) * | 2020-09-07 | 2020-12-15 | 腾讯科技（深圳）有限公司 | 问答互动方法、装置、存储介质及设备 |
| WO2020258654A1 (zh) * | 2019-06-27 | 2020-12-30 | 深圳前海微众银行股份有限公司 | 一种答案获取方法及装置 |
| CN112163083A (zh) * | 2020-10-20 | 2021-01-01 | 珠海格力电器股份有限公司 | 智能问答方法、装置、电子设备和存储介质 |
| CN112287085A (zh) * | 2020-11-06 | 2021-01-29 | 中国平安财产保险股份有限公司 | 语义匹配方法、***、设备及存储介质 |
| CN113297354A (zh) * | 2021-06-16 | 2021-08-24 | 深圳前海微众银行股份有限公司 | 文本匹配方法、装置、设备及存储介质 |
| WO2021252827A1 (en) * | 2020-06-12 | 2021-12-16 | Apple Inc. | Providing personalized responses based on semantic context |
| CN113807148A (zh) * | 2020-06-16 | 2021-12-17 | 阿里巴巴集团控股有限公司 | 文本识别匹配方法和装置、终端设备 |
| US11467802B2 (en) | 2017-05-11 | 2022-10-11 | Apple Inc. | Maintaining privacy of personal information |
| US11487364B2 (en) | 2018-05-07 | 2022-11-01 | Apple Inc. | Raise to speak |
| US11538469B2 (en) | 2017-05-12 | 2022-12-27 | Apple Inc. | Low-latency intelligent automated assistant |
| US11557310B2 (en) | 2013-02-07 | 2023-01-17 | Apple Inc. | Voice trigger for a digital assistant |
| US11610065B2 (en) | 2020-06-12 | 2023-03-21 | Apple Inc. | Providing personalized responses based on semantic context |
| US11630525B2 (en) | 2018-06-01 | 2023-04-18 | Apple Inc. | Attention aware virtual assistant dismissal |
| US11675491B2 (en) | 2019-05-06 | 2023-06-13 | Apple Inc. | User configurable task triggers |
| US11696060B2 (en) | 2020-07-21 | 2023-07-04 | Apple Inc. | User identification using headphones |
| US11699448B2 (en) | 2014-05-30 | 2023-07-11 | Apple Inc. | Intelligent assistant for home automation |
| US11705130B2 (en) | 2019-05-06 | 2023-07-18 | Apple Inc. | Spoken notifications |
| US11749275B2 (en) | 2016-06-11 | 2023-09-05 | Apple Inc. | Application integration with a digital assistant |
| US11783815B2 (en) | 2019-03-18 | 2023-10-10 | Apple Inc. | Multimodality in digital assistant systems |
| CN116886656A (zh) * | 2023-09-06 | 2023-10-13 | 北京小糖科技有限责任公司 | 面向聊天室的舞蹈知识推送方法及其装置 |
| US11790914B2 (en) | 2019-06-01 | 2023-10-17 | Apple Inc. | Methods and user interfaces for voice-based control of electronic devices |
| US11809886B2 (en) | 2015-11-06 | 2023-11-07 | Apple Inc. | Intelligent automated assistant in a messaging environment |
| US11838579B2 (en) | 2014-06-30 | 2023-12-05 | Apple Inc. | Intelligent automated assistant for TV user interactions |
| US11838734B2 (en) | 2020-07-20 | 2023-12-05 | Apple Inc. | Multi-device audio adjustment coordination |
| US11837237B2 (en) | 2017-05-12 | 2023-12-05 | Apple Inc. | User-specific acoustic models |
| US11888791B2 (en) | 2019-05-21 | 2024-01-30 | Apple Inc. | Providing message response suggestions |
| US11893992B2 (en) | 2018-09-28 | 2024-02-06 | Apple Inc. | Multi-modal inputs for voice commands |
| US11900936B2 (en) | 2008-10-02 | 2024-02-13 | Apple Inc. | Electronic devices with voice command and contextual data processing capabilities |
| US11900923B2 (en) | 2018-05-07 | 2024-02-13 | Apple Inc. | Intelligent automated assistant for delivering content from user experiences |
| US11914848B2 (en) | 2020-05-11 | 2024-02-27 | Apple Inc. | Providing relevant data items based on context |
| US11954405B2 (en) | 2015-09-08 | 2024-04-09 | Apple Inc. | Zero latency digital assistant |
| US11979836B2 (en) | 2007-04-03 | 2024-05-07 | Apple Inc. | Method and system for operating a multi-function portable electronic device using voice-activation |
| US12001933B2 (en) | 2015-05-15 | 2024-06-04 | Apple Inc. | Virtual assistant in a communication session |
| US12014118B2 (en) | 2017-05-15 | 2024-06-18 | Apple Inc. | Multi-modal interfaces having selection disambiguation and text modification capability |
| CN111966840B (zh) * | 2020-08-18 | 2024-07-02 | 北京猿力未来科技有限公司 | 一种语言教学的人机交互管理方法和管理*** |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112818222B (zh) * | 2021-01-26 | 2024-02-23 | 吾征智能技术(北京)有限公司 | 一种基于知识图谱的个性化饮食推荐方法及*** |
| CN113032540B (zh) * | 2021-03-19 | 2023-06-23 | 北京百度网讯科技有限公司 | 人机交互方法、装置、设备和存储介质 |
| CN113688252B (zh) * | 2021-08-09 | 2023-09-26 | 广西师范大学 | 基于多特征协同知识图谱和区块链的安全跨域推荐方法 |
| CN113792153B (zh) * | 2021-08-25 | 2023-12-12 | 北京度商软件技术有限公司 | 问答推荐方法及其装置 |
| TWI790069B (zh) * | 2021-12-28 | 2023-01-11 | 高雄榮民總醫院 | 文獻評讀學習系統 |
| CN114297362A (zh) * | 2021-12-31 | 2022-04-08 | 浙江力石科技股份有限公司 | 一种基于文旅行业结合算法对问答*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220380A (zh) * | 2017-06-27 | 2017-09-29 | 北京百度网讯科技有限公司 | 基于人工智能的问答推荐方法、装置和计算机设备 |
| CN108197167A (zh) * | 2017-12-18 | 2018-06-22 | 深圳前海微众银行股份有限公司 | 人机对话处理方法、设备及可读存储介质 |
| CN109740077A (zh) * | 2018-12-29 | 2019-05-10 | 北京百度网讯科技有限公司 | 基于语义索引的答案搜索方法、装置及其相关设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107180029A (zh) * | 2016-03-09 | 2017-09-19 | 阿里巴巴集团控股有限公司 | 一种基于咨询业务的信息处理方法及装置 |
| CN108073576A (zh) * | 2016-11-09 | 2018-05-25 | 上海诺悦智能科技有限公司 | 智能搜索方法、搜索装置以及搜索引擎*** |
| CN107133349B (zh) * | 2017-05-24 | 2018-02-23 | 北京无忧创新科技有限公司 | 一种对话机器人*** |
| CN110263144A (zh) * | 2019-06-27 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 一种答案获取方法及装置 |
-
2019
- 2019-06-27 CN CN201910570444.1A patent/CN110263144A/zh active Pending
- 2019-11-12 WO PCT/CN2019/117517 patent/WO2020258654A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220380A (zh) * | 2017-06-27 | 2017-09-29 | 北京百度网讯科技有限公司 | 基于人工智能的问答推荐方法、装置和计算机设备 |
| CN108197167A (zh) * | 2017-12-18 | 2018-06-22 | 深圳前海微众银行股份有限公司 | 人机对话处理方法、设备及可读存储介质 |
| CN109740077A (zh) * | 2018-12-29 | 2019-05-10 | 北京百度网讯科技有限公司 | 基于语义索引的答案搜索方法、装置及其相关设备 |
Cited By (50)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11979836B2 (en) | 2007-04-03 | 2024-05-07 | Apple Inc. | Method and system for operating a multi-function portable electronic device using voice-activation |
| US11900936B2 (en) | 2008-10-02 | 2024-02-13 | Apple Inc. | Electronic devices with voice command and contextual data processing capabilities |
| US11862186B2 (en) | 2013-02-07 | 2024-01-02 | Apple Inc. | Voice trigger for a digital assistant |
| US11557310B2 (en) | 2013-02-07 | 2023-01-17 | Apple Inc. | Voice trigger for a digital assistant |
| US12009007B2 (en) | 2013-02-07 | 2024-06-11 | Apple Inc. | Voice trigger for a digital assistant |
| US11699448B2 (en) | 2014-05-30 | 2023-07-11 | Apple Inc. | Intelligent assistant for home automation |
| US11838579B2 (en) | 2014-06-30 | 2023-12-05 | Apple Inc. | Intelligent automated assistant for TV user interactions |
| US12001933B2 (en) | 2015-05-15 | 2024-06-04 | Apple Inc. | Virtual assistant in a communication session |
| US11954405B2 (en) | 2015-09-08 | 2024-04-09 | Apple Inc. | Zero latency digital assistant |
| US11809886B2 (en) | 2015-11-06 | 2023-11-07 | Apple Inc. | Intelligent automated assistant in a messaging environment |
| US11749275B2 (en) | 2016-06-11 | 2023-09-05 | Apple Inc. | Application integration with a digital assistant |
| US11467802B2 (en) | 2017-05-11 | 2022-10-11 | Apple Inc. | Maintaining privacy of personal information |
| US11862151B2 (en) | 2017-05-12 | 2024-01-02 | Apple Inc. | Low-latency intelligent automated assistant |
| US11538469B2 (en) | 2017-05-12 | 2022-12-27 | Apple Inc. | Low-latency intelligent automated assistant |
| US11837237B2 (en) | 2017-05-12 | 2023-12-05 | Apple Inc. | User-specific acoustic models |
| US12014118B2 (en) | 2017-05-15 | 2024-06-18 | Apple Inc. | Multi-modal interfaces having selection disambiguation and text modification capability |
| US12026197B2 (en) | 2017-06-01 | 2024-07-02 | Apple Inc. | Intelligent automated assistant for media exploration |
| US11487364B2 (en) | 2018-05-07 | 2022-11-01 | Apple Inc. | Raise to speak |
| US11900923B2 (en) | 2018-05-07 | 2024-02-13 | Apple Inc. | Intelligent automated assistant for delivering content from user experiences |
| US11907436B2 (en) | 2018-05-07 | 2024-02-20 | Apple Inc. | Raise to speak |
| US11630525B2 (en) | 2018-06-01 | 2023-04-18 | Apple Inc. | Attention aware virtual assistant dismissal |
| US11893992B2 (en) | 2018-09-28 | 2024-02-06 | Apple Inc. | Multi-modal inputs for voice commands |
| US11783815B2 (en) | 2019-03-18 | 2023-10-10 | Apple Inc. | Multimodality in digital assistant systems |
| US11705130B2 (en) | 2019-05-06 | 2023-07-18 | Apple Inc. | Spoken notifications |
| US11675491B2 (en) | 2019-05-06 | 2023-06-13 | Apple Inc. | User configurable task triggers |
| US11888791B2 (en) | 2019-05-21 | 2024-01-30 | Apple Inc. | Providing message response suggestions |
| US11790914B2 (en) | 2019-06-01 | 2023-10-17 | Apple Inc. | Methods and user interfaces for voice-based control of electronic devices |
| WO2020258654A1 (zh) * | 2019-06-27 | 2020-12-30 | 深圳前海微众银行股份有限公司 | 一种答案获取方法及装置 |
| CN110837549A (zh) * | 2019-11-06 | 2020-02-25 | 腾讯科技（深圳）有限公司 | 一种信息处理方法、装置及存储介质 |
| CN110837549B (zh) * | 2019-11-06 | 2023-08-11 | 腾讯科技（深圳）有限公司 | 一种信息处理方法、装置及存储介质 |
| CN111444724A (zh) * | 2020-03-23 | 2020-07-24 | 腾讯科技（深圳）有限公司 | 医疗问答对质检方法、装置、计算机设备和存储介质 |
| US11914848B2 (en) | 2020-05-11 | 2024-02-27 | Apple Inc. | Providing relevant data items based on context |
| WO2021252827A1 (en) * | 2020-06-12 | 2021-12-16 | Apple Inc. | Providing personalized responses based on semantic context |
| US11610065B2 (en) | 2020-06-12 | 2023-03-21 | Apple Inc. | Providing personalized responses based on semantic context |
| CN113807148B (zh) * | 2020-06-16 | 2024-07-02 | 阿里巴巴集团控股有限公司 | 文本识别匹配方法和装置、终端设备 |
| CN113807148A (zh) * | 2020-06-16 | 2021-12-17 | 阿里巴巴集团控股有限公司 | 文本识别匹配方法和装置、终端设备 |
| US11838734B2 (en) | 2020-07-20 | 2023-12-05 | Apple Inc. | Multi-device audio adjustment coordination |
| US11750962B2 (en) | 2020-07-21 | 2023-09-05 | Apple Inc. | User identification using headphones |
| US11696060B2 (en) | 2020-07-21 | 2023-07-04 | Apple Inc. | User identification using headphones |
| CN111931514A (zh) * | 2020-07-28 | 2020-11-13 | 薛杨杨 | 基于深度学***台 |
| CN111966840A (zh) * | 2020-08-18 | 2020-11-20 | 北京猿力未来科技有限公司 | 一种语言教学的人机交互管理方法和管理*** |
| CN111966840B (zh) * | 2020-08-18 | 2024-07-02 | 北京猿力未来科技有限公司 | 一种语言教学的人机交互管理方法和管理*** |
| CN112084315A (zh) * | 2020-09-07 | 2020-12-15 | 腾讯科技（深圳）有限公司 | 问答互动方法、装置、存储介质及设备 |
| CN112163083A (zh) * | 2020-10-20 | 2021-01-01 | 珠海格力电器股份有限公司 | 智能问答方法、装置、电子设备和存储介质 |
| CN112163083B (zh) * | 2020-10-20 | 2023-11-03 | 珠海格力电器股份有限公司 | 智能问答方法、装置、电子设备和存储介质 |
| CN112287085A (zh) * | 2020-11-06 | 2021-01-29 | 中国平安财产保险股份有限公司 | 语义匹配方法、***、设备及存储介质 |
| CN112287085B (zh) * | 2020-11-06 | 2023-12-05 | 中国平安财产保险股份有限公司 | 语义匹配方法、***、设备及存储介质 |
| CN113297354A (zh) * | 2021-06-16 | 2021-08-24 | 深圳前海微众银行股份有限公司 | 文本匹配方法、装置、设备及存储介质 |
| CN116886656B (zh) * | 2023-09-06 | 2023-12-08 | 北京小糖科技有限责任公司 | 面向聊天室的舞蹈知识推送方法及其装置 |
| CN116886656A (zh) * | 2023-09-06 | 2023-10-13 | 北京小糖科技有限责任公司 | 面向聊天室的舞蹈知识推送方法及其装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020258654A1 (zh) | 2020-12-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263144A (zh) | 一种答案获取方法及装置 | |
| CN106202301B (zh) | 一种基于深度学习的智能应答*** | |
| CN111192060B (zh) | 一种基于电力it服务全渠道自助应答实现方法 | |
| US8483375B2 (en) | System and method for joining conference calls | |
| US20210004832A1 (en) | System and method for escalation using agent assist within a cloud-based contact center | |
| CN109977218B (zh) | 一种应用于对话场景的自动应答***和方法 | |
| CN105592237B (zh) | 一种会话切换的方法、装置及智能客服机器人 | |
| CN110266899A (zh) | 客户意图的识别方法和客服*** | |
| CN109979457A (zh) | 一种应用于智能对话机器人的千人千面的方法 | |
| CN109753560B (zh) | 智能问答***的信息处理方法及装置 | |
| CN106357942A (zh) | 基于上下文对话语义识别的智能应答方法及*** | |
| KR101901920B1 (ko) | 인공지능 음성인식 딥러닝을 위한 음성 및 텍스트 간 역전사 서비스 제공 시스템 및 방법 | |
| WO2016201815A1 (zh) | 一种提供在线客服的方法及装置 | |
| CN110347863A (zh) | 话术推荐方法和装置及存储介质 | |
| CN110266900A (zh) | 客户意图的识别方法、装置及客服*** | |
| CN112885348A (zh) | 结合ai智能语音电销方法 | |
| CN109859032A (zh) | 基于智能语音的账款催收方法、装置、设备和存储介质 | |
| CN111128241A (zh) | 语音通话的智能质检方法及*** | |
| CN109829729A (zh) | 一种智能外呼***及方法 | |
| CN109509002A (zh) | 自动配置实现对话流程的***和方法、存储介质 | |
| CN102665016A (zh) | 基于云计算的自定义交互式语音问答实现方法 | |
| CN109120513A (zh) | 基于智能机器人应答的全媒体***及实现方法 | |
| CN115858744A (zh) | 一种基于ai的外呼方法、装置和存储介质 | |
| CN113779217A (zh) | 一种基于人机交互的智能语音外呼业务方法及*** | |
| CN117424960A (zh) | 智能语音服务方法、装置、终端设备以及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |