CN110287294A - 知识产权概念自动解答方法及*** - Google Patents
知识产权概念自动解答方法及*** Download PDFInfo
- Publication number
- CN110287294A CN110287294A CN201811610973.1A CN201811610973A CN110287294A CN 110287294 A CN110287294 A CN 110287294A CN 201811610973 A CN201811610973 A CN 201811610973A CN 110287294 A CN110287294 A CN 110287294A
- Authority
- CN
- China
- Prior art keywords
- answer
- question
- semantic feature
- matching degree
- feature vector
- 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
Classifications
-
- 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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明专利公开了知识产权概念自动解答方法及***，对用户输入信息提取序列化的词向量；使用基于机器学习的语义识别模型对序列化的词向量进行语义识别，并获得语义特征向量；将所获得的输入信息的语义特征向量与预设问答库中问题的语义特征向量通过基于机器学习的序列匹配算法进行匹配度计算；并根据匹配度输出相应的知识产权问题回答。本发明通过对用户输入文本的自然语言处理，自动高效地进行知识产权概念性问题解答。
Description
技术领域
本发明涉及自然语言处理领域，具体涉及一种基于机器学习算法的知识产 权概念自动解答方法及***。
背景技术
为了提高工作效用和智能化，在越来越多的领域，开始使用人工智能对人 类的自然语言进行理解和反馈。特别是随着机器学习算法的不断革新，对于自 然语言的处理和理解都有了显著的进步，在机器翻译、语音识别、机器阅读等 多种应用场景均取得了较好的效果。
智能聊天机器人基于机器学习对自然语言处理算法构建。其中，为了解决 特定任务的聊天机器人，称为任务型对话机器人。任务型机器人通常在特定条 件下提供信息或服务。通常情况下，是为了满足带有明确目的的用户，例如查 流量、查话费、订票、定餐、定票、咨询等任务型场景。任务型聊天机器人已 经广泛应用于多种智能设备的交互接口，应用于各种交互场景中，解决咨询和 服务链入问题。
知识产权服务领域本质上也与其他服务领域相同，存在着大量的基础交互 场景。而知识产权服务机构的日常工作中，仍有相当大一部分的工作内容是在 给客户解释知识产权基础概念，帮客户查询知识产权数据库的相应信息，以及 给客户知识产权服务项目的选择建议。基础沟通场景中，消耗了知识产权服务 机构的大量时间，增加了运营成本。此外，由于知识产权行业属于科技和法律 的交叉学科，涉及面广，服务人员的知识面难免有所缺失，无法及时给客户最 快速准确的答案。
将聊天机器人应用于知识产权概念性问答，存在着以下难点：(1)用户通 常不具备知识产权基础知识，提出的问题通常语义模糊，无法精确对应至相应 的实体概念；且知识产权属于法律和科技的交叉领域，大部分问题均较有深度， 并且对回答准确程度的要求也不是普通日常对话机器人可以满足的；(2)涉及 领域复杂，在不同的应用场景，同样的关键词可能指代和含义都会有所区别， 同样的模型在不同的应用场景和交互主题上，都会有所区别；(3)在交互较为 复杂的内容时，需要多轮对话和交互，才能解决疑问，现有的对话机器人仅能 回答单轮问题，不能回答多轮组合问题。
本申请旨在克服知识产权服务领域聊天机器人的难点，提出一种基于机器 学习算法的知识产权概念自动解答方法及***。
发明内容
本发明专利的目的在于提供一种基于机器学习算法实现的一种基于机器 学习算法的知识产权概念自动解答方法及***，通过对用户输入文本的自然语 言处理，自动进行知识产权概念性问题解答。
为实现上述目的，本发明提出了一种知识产权概念自动解答方法，该方法 包括如下步骤：
开始一轮问答对话，获得用户的输入信息，对用户输入信息提取序列化的 词向量；
使用基于机器学习的语义识别模型对序列化的词向量进行语义识别，并获 得语义特征向量；
将所获得的输入信息的语义特征向量与预设问答库中问题的语义特征向 量通过基于机器学习的序列匹配算法进行匹配度计算；
如问答库中存在高于匹配度判断阈值的语义特征向量，则将其中匹配度最 高的语义特征向量所对应的回答作为输出信息；
如问答库中不存在匹配度高于匹配度阈值的语义特征向量，则根据缺失的 语义特征向量信息，返回引导信息，并在用户补充输入信息后，并根据用户补 充输入信息，返回序列匹配算法步骤，再次执行；
保存用户输入信息和补充输入信息的语义特征向量，结束本轮问答对话。
其中一较佳实施例中，所述问答对话具有多轮；每一轮问答对话的语义特 征向量均以上一轮问答对话所保存的语义特征向量更新替换获得。
其中一较佳实施例中，所述基于机器学习的语义识别模型为LSTM模型， 具体包括：
输入层，获取序列化的词向量；
LSTM层，对输入层获得的序列化的词向量进行序列建模；
输出层，输出语义特征向量。
其中一较佳实施例中，所述LSTM层设有注意力模型，该注意力模型用于 对所述序列化的词向量进行语义信息加权过滤。
其中一较佳实施例中，所述序列匹配算法为CNN模型下的Seq2Seq算法， 具体包括：
输入层，获得语义特征向量；
卷积层，使用卷积核对语义特征向量进行卷积；
池化层，应用最大值池化对卷积层的输出进行处理；
输出层，通过SOFTMAX函数池化层输出对应至样本空间。
其中一较佳实施例中，所述用户输入信息为文本、图像和语音中的一种或 多种。
其中一较佳实施例中，所述问答库依照如下步骤构建：
通过人工模拟对话和互联网公开数据整理获得知识产权概念问题的问答 对；
对问答对进行聚类，以聚类形成的标签作为问答对的分类标签，对每一个 分类标签设置标准回答；
以带有分类标签的问答对作为语义识别模型的训练数据，训练获得问题的 语义特征向量与标准问答的对应关系。
其中一较佳实施例中，所述问答库依照如下步骤扩充：
在现有问答库无法找到匹配度高于匹配度阈值的语义特征向量时，通过人 工服务人员进行问题解答；
保存人工服务人员和用户的对答记录；
对所获得的对答记录进行采样；
对采样的对答记录整理为问答对，将问答对补充至原有训练数据后，重新 进行语义识别模型的训练。
本发明还提出了知识产权概念自动解答***，包括输入获取模块、词向量 提取模块、语义识别模块、问答库、序列匹配模块和匹配度测算模块；
输入获取模块，用于获取用户输入信息；
词向量提取模块，用于对获取的用户输入文本进行词向量提取，并保留序 列化的词向量；
语义识别模块，用于使用基于机器学习的语义识别模型对获取的序列化的 词向量提取语义特征向量；
问答库，用于储存问答对，且问答对中的问题通过所述语义识别模块提取 出语义特征向量，以用于序列匹配模块进行匹配度计算；
序列匹配模块，用于使用基于机器学习的序列匹配算法进行匹配度计算， 该匹配度计算的用户输入信息产生的语义特征向量和问答库中问题的语义特 征向量进行匹配度计算；
匹配度阈值控制模块，用于将序列匹配模块计算获得的匹配度与预设的匹 配度判断阈值比较，如存在高于匹配度判断阈值的语义特征向量，则将其中匹 配度最高的语义特征向量所对应的回答作为输出信息；如不存在匹配度高于匹 配度阈值的语义特征向量，返回引导信息，以获得更多用户输入信息。
本发明还提出了一种计算机设备，包括存储器和处理器，所述存储器存储 有计算机程序，其特征在于，所述处理器执行上述的知识产权概念自动解答方 法的步骤。
本发明还提出了一种计算机可读存储介质，其上储存有计算机程序，其特 征在于，所述计算机程序被处理器执行时上述的知识产权概念自动解答方法的 步骤。
采用上述技术方案，本发明专利具有以下有益效果：
(1)通过基于机器学习算法的语义识别模型对序列化的词向量进行语义识 别，即词向量之间的关联通过语义训练获得，不同词向量之间的关系不在依赖 于词向量本身的语义，而是根据上下文联系训练获得。该方法能发现词向量之 间在特定应用场景下的潜在联系。相较于使用关键词匹配的算法，能够有效地 实现模糊匹配。使得用户无需精确描述知识产权词汇，其意图就能被***进行 理解和识别。有效解决了知识产权服务问答场景，语义表达模糊的问题。
(2)通过基于机器学习的序列匹配算法对用户输入信息中的语义特征向量 和问答库中问题的语义特征向量进行匹配。对语义特征向量进行进一步的匹 配，并通过匹配度评价算法对语义特征向量的匹配程度进行评估。使不同语义 格式的用户输入信息可通过语义特征向量对应至所指向的实际问题，所有问题 回答均通过匹配引导得出，兼顾了回答的准确和效率。
(3)通过保存每一轮对话的语义特征向量，并作为下一轮对话的语义特征 向量的基础，有效保存了对话中的上下文信息；使通过多轮对话对一个具体概 念进行提问成为可能。更加贴合知识产权概念问答这一使用场景的使用需求。
以下结合附图及实施例对本发明作进一步详细说明；但本发明的基于机器 学习算法的用户意图分类器的生成方法不局限于实施例。
附图说明
图1是本发明的知识产权概念自动解答方法的流程框图；
图2是本发明的序列匹配算法的流程示意图；
图3是LSTM基本单元的结构示意图；
图4是CNN-LSTM模型的局部结构图；
图5是CNN-LSTM模型的全流程结构图。
具体实施方式
下面结合附图和具体实施例对本发明专利作进一步说明。
参见图1所示，本发明提出了一种知识产权概念自动解答方法，该方法包 括如下步骤：
S100开始一轮问答对话，获得用户的输入信息，对用户输入信息提取序 列化的词向量。
S101该用户输入信息可为文本、图片和语音中的一种或多种，其中，文 本信息通过word2vec算法转换为词向量；图片信息通过图片文本转换模块将 图片中的文字信息转化为文本信息，而后处理方法同文本信息；语音信息通过 语音文本转换模块将语音信息转化为文本信息，而后处理方式同文本信息；图 片文本转换模块、语音文本转换模块均有已公开的软件或开源算法可供选择， 本文不再做具体描述说明。
S200使用基于机器学习的语义识别模型对序列化的词向量进行语义识别， 并获得语义特征向量；
所述基于机器学习的语义识别模型为LSTM模型，具体包括：
S210输入层，获取序列化的词向量；
S220LSTM层，对输入层获得的序列化的词向量进行序列建模.
其中LSTM单元的结构参见图2所示，每一个LSTM单元具有输入门、输出 门和遗忘门，LSTM单元具有连接顺序，并连接形成输入门和输出门对应的序列。 每个LSTM单元均具有遗忘门，由于LSTM结构是基于序列关系训练而成，故能 根据读取的序列对下文进行预测判断，并依照序列方向传递，当信息出现更新 时，将陈旧的信息通过遗忘门进行遗忘，而将有价值的信息通过输出门传输至 下一个LSTM单元。
将输入门、输出门和遗忘门，表示为it，ot，fi LSTM更新方法为：
it＝σ(Wixt+Uiht-1+bi)
ot＝σ(Woxt+Uoht-1+bo)
ft＝σWfxt+Ufht-1+bf)
该LSTM单元当前时刻的状态为ct，ht。
所述LSTM层设有注意力模型，该注意力模型用于对所述序列化的词向量 进行语义信息加权过滤。
S230输出层，输出语义特征向量。
S300将所获得的输入信息的语义特征向量与预设问答库中问题的语义特 征向量通过基于机器学习的序列匹配算法进行匹配度计算。
参见图4-5所示，所述序列匹配算法为CNN模型下的Seq2Seq算法，具体 包括：
S310输入层，获得LSTM模型生成的语义特征向量；
S320卷积层，使用卷积核对语义特征向量进行卷积；
S330池化层，应用最大值池化对卷积层的输出进行处理；
S340输出层，通过SOFTMAX函数池化层输出对应至样本空间。
所述序列匹配算法采用rerank打分模型实现。语义特征向量对应至样本 空间后，序列匹配算法对所比较的二个语义特征向量通过打分模型进行匹配度 计算。
S400如问答库中存在高于匹配度判断阈值的语义特征向量，则将其中匹配 度最高的语义特征向量所对应的回答作为输出信息；
所述问答库依照如下步骤构建：
S410通过人工模拟对话和互联网公开数据获得基础问答数据；
S420对技术问答数据进行归类；
S430将相同类的基础问答数据通过语义识别模型提取相同的语义特征向 量，并将该语义特征向量作为该类问题的匹配语义特征向量。
S500如问答库中不存在匹配度高于匹配度阈值的语义特征向量，则根据缺 失的语义特征向量信息，返回引导信息，并在用户补充输入信息后，并根据用 户补充输入信息，返回序列匹配算法步骤，再次执行。
S510预设有补充信息的次数上限，如用户补充输入信息超过该次数上限， 仍旧未找到匹配答案，则判断***中存在答案的可能性低。为防止死循环，系 统终止继续寻求补充信息，而选择将接入人工服务接口或返回提示“该问题暂 无匹配回答”。
S600保存用户输入信息和补充输入信息的语义特征向量，结束本轮问答对 话。
所述问答对话具有多轮；每一轮问答对话的语义特征向量均以上一轮问答 对话所保存的语义特征向量更新替换获得。
S700参见图2所示，所述问答库通过以下方式构建：
S710通过人工模拟对话和互联网公开数据整理获得知识产权概念问题的 问答对；
S720对问答对进行聚类，以聚类形成的标签作为问答对的分类标签，对每 一个分类标签设置标准回答；
S730以带有分类标签的问答对作为语义识别模型的训练数据，训练获得问 题的语义特征向量与标准问答的对应关系。
S740所述问答库依照如下步骤扩充：
S741在现有问答库无法找到匹配度高于匹配度阈值的语义特征向量时， 通过人工服务人员进行问题解答；
S742保存人工服务人员和用户的对答记录；
S743对所获得的对答记录进行采样；对答记录的采样方式可选择随机采 样，或根据语义特征向量进行采样；
S744对采样的对答记录整理为问答对，将问答对补充至原有训练数据后， 重新进行语义识别模型的训练。通过对训练数据的补充，可对语义识别模型进 行进一步更新，使得***自我迭代更新，在使用过程中不断完善。
本发明还提出了知识产权概念自动解答***，包括输入获取模块、词向量 提取模块、语义识别模块、问答库、序列匹配模块和匹配度测算模块；
输入获取模块，用于获取用户输入信息；
词向量提取模块，用于对获取的用户输入文本进行词向量提取，并保留序 列化的词向量；
语义识别模块，用于使用基于机器学习的语义识别模型对获取的序列化的 词向量提取语义特征向量；
问答库，用于储存问答对，且问答对中的问题通过所述语义识别模块提取 出语义特征向量，以用于序列匹配模块进行匹配度计算；
序列匹配模块，用于使用基于机器学习的序列匹配算法进行匹配度计算， 该匹配度计算的用户输入信息产生的语义特征向量和问答库中问题的语义特 征向量进行匹配度计算；
匹配度阈值控制模块，用于将序列匹配模块计算获得的匹配度与预设的匹 配度判断阈值比较，如存在高于匹配度判断阈值的语义特征向量，则将其中匹 配度最高的语义特征向量所对应的回答作为输出信息；如不存在匹配度高于匹 配度阈值的语义特征向量，返回引导信息，以获得更多用户输入信息。
本发明还提出了一种计算机设备，包括存储器和处理器，所述存储器存储 有计算机程序，其特征在于，所述处理器执行上述的知识产权概念自动解答方 法的步骤。
本发明还提出了一种计算机可读存储介质，其上储存有计算机程序，其特 征在于，所述计算机程序被处理器执行时上述的知识产权概念自动解答方法的 步骤。
以下将列举三个应用实例解释本发明的工作过程。
一、文字提问
用户输入“注册商标需要多少时间？”
输入文本通过词向量提取，生成词向量“注册”、“商标”、“需要”、“多少”、 “时间”。
序列化的词向量通过语义识别模块进行语义特征向量提取，并找出最匹配 的问答对：商标申请周期问题。
***将该问题的答案作为输出答案返回，并结束该轮对话，将问题的语义 特征向量保存并作为下一轮对话语义特征基础。
二、图片提问
用户发送图片或PDF文件(专利受理通知书)。***识别图片，获取图片 中的文字信息，包括申请号、专利名称、通知书发出时间。并以提取的文字内 容构成序列化的词向量。
通过语义特征提取算法，匹配问答库中的问答对。通过匹配度判断，发现 不存在满足匹配度阈值的回答。返回提示信息：“已识别为专利流程文件，是 否需要查询专利的最新动态？”得到用户输入文本的进一步反馈后，根据用户 更新的语义特征向量，找到最佳匹配的问题，并作出回答。
三、语音提问
用户输入语音“优先权是什么意思？”***将输入语义识别转化为文字， 而后进行词向量提取。生成词向量“优先权”、“是”、“什么”、“意思”。
序列化的词向量通过语义识别模块进行语义特征向量提取，并找出最匹配 的问答对：优先权概念解答问题。
***将该问题的答案作为输出答案返回，并结束该轮对话，将问题的语义 特征向量保存并作为下一轮对话语义特征基础。
以上所述仅为本发明较佳实施例，故不能依此限定本发明的技术范围，故 凡依本发明的技术实质及说明书内容所作的等效变化与修饰，均应属本发明技 术方案的范围内。
Claims (10)
1.知识产权概念自动解答方法，其特征在于，该方法包括如下步骤：
开始一轮问答对话，获得用户的输入信息，对用户输入信息提取序列化的词向量；
使用基于机器学习的语义识别模型对序列化的词向量进行语义识别，并获得语义特征向量；
将所获得的输入信息的语义特征向量与预设问答库中问题的语义特征向量通过基于机器学习的序列匹配算法进行匹配度计算；
如问答库中存在高于匹配度判断阈值的语义特征向量，则将其中匹配度最高的语义特征向量所对应的回答作为输出信息；
如问答库中不存在匹配度高于匹配度阈值的语义特征向量，则根据缺失的语义特征向量信息，返回引导信息，并在用户补充输入信息后，并根据用户补充输入信息，再次执行序列匹配算法，并重新计算匹配度；
保存用户输入信息和补充输入信息的语义特征向量，结束本轮问答对话。
2.根据权利要求1所述的知识产权概念自动解答方法，其特征在于：所述问答对话具有多轮；每一轮问答对话的语义特征向量均以上一轮问答对话所保存的语义特征向量更新替换获得。
3.根据权利要求1所述的知识产权概念自动解答方法，其特征在于：所述基于机器学习的语义识别模型为LSTM模型，具体包括：
输入层，获取序列化的词向量；
LSTM层，对输入层获得的序列化的词向量进行序列建模；
输出层，输出语义特征向量。
4.根据权利要求3所述的知识产权概念自动解答方法，其特征在于：所述LSTM层设有注意力模型，该注意力模型用于对所述序列化的词向量进行语义信息加权过滤。
5.根据权利要求1所述的知识产权概念自动解答方法，其特征在于，所述序列匹配算法为CNN模型下的Seq2Seq算法，具体包括：
输入层，获得语义特征向量；
卷积层，使用卷积核对语义特征向量进行卷积；
池化层，应用最大值池化对卷积层的输出进行处理；
输出层，通过SOFTMAX函数池化层输出对应至样本空间。
6.根据权利要求1所述的知识产权概念自动解答方法，其特征在于：所述用户输入信息为文本、图像和语音中的一种或多种。
7.根据权利要求1所述的知识产权概念自动解答方法，其特征在于：所述序列匹配算法采用rerank打分模型实现。
8.根据权利要求1所述的知识产权概念自动解答方法，其特征在于，所述问答库依照如下步骤构建：
通过人工模拟对话和互联网公开数据整理获得知识产权概念问题的问答对；
对问答对进行聚类，以聚类形成的标签作为问答对的分类标签，对每一个分类标签设置标准回答；
以带有分类标签的问答对作为语义识别模型的训练数据，训练获得问题的语义特征向量与标准问答的对应关系。
9.根据权利要求8所述的知识产权概念自动解答方法，其特征在于，所述问答库依照如下步骤扩充：
在现有问答库无法找到匹配度高于匹配度阈值的语义特征向量时，通过人工服务人员进行问题解答；
保存人工服务人员和用户的对答记录；
对所获得的对答记录进行采样；
对采样的对答记录整理为问答对，将问答对补充至原有训练数据后，重新进行语义识别模型的训练。
10.知识产权概念自动解答***，其特征在于：包括输入获取模块、词向量提取模块、语义识别模块、问答库、序列匹配模块和匹配度测算模块；
输入获取模块，用于获取用户输入信息；
词向量提取模块，用于对获取的用户输入文本进行词向量提取，并保留序列化的词向量；
语义识别模块，用于使用基于机器学习的语义识别模型对获取的序列化的词向量提取语义特征向量；
问答库，用于储存问答对，且问答对中的问题通过所述语义识别模块提取出语义特征向量，以用于序列匹配模块进行匹配度计算；
序列匹配模块，用于使用基于机器学习的序列匹配算法进行匹配度计算，该匹配度计算的用户输入信息产生的语义特征向量和问答库中问题的语义特征向量进行匹配度计算；
匹配度阈值控制模块，用于将序列匹配模块计算获得的匹配度与预设的匹配度判断阈值比较，如存在高于匹配度判断阈值的语义特征向量，则将其中匹配度最高的语义特征向量所对应的回答作为输出信息；如不存在匹配度高于匹配度阈值的语义特征向量，则返回引导信息，以获得更多用户输入信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811610973.1A CN110287294A (zh) | 2018-12-27 | 2018-12-27 | 知识产权概念自动解答方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811610973.1A CN110287294A (zh) | 2018-12-27 | 2018-12-27 | 知识产权概念自动解答方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110287294A true CN110287294A (zh) | 2019-09-27 |
Family
ID=68000922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811610973.1A Pending CN110287294A (zh) | 2018-12-27 | 2018-12-27 | 知识产权概念自动解答方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110287294A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111813909A (zh) * | 2020-06-24 | 2020-10-23 | 泰康保险集团股份有限公司 | 一种智能问答方法和装置 |
| 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*** |
| CN112163075A (zh) * | 2020-09-27 | 2021-01-01 | 北京乐学帮网络技术有限公司 | 一种信息推荐方法、装置、计算机设备和存储介质 |
| CN116932723A (zh) * | 2023-07-28 | 2023-10-24 | 世优（北京）科技有限公司 | 基于自然语言处理的人机交互***及其方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040030556A1 (en) * | 1999-11-12 | 2004-02-12 | Bennett Ian M. | Speech based learning/training system using semantic decoding |
| CN104461525A (zh) * | 2014-11-27 | 2015-03-25 | 韩慧健 | 一种可自定义的智能咨询平台生成*** |
| CN107562792A (zh) * | 2017-07-31 | 2018-01-09 | 同济大学 | 一种基于深度学习的问答匹配方法 |
| CN107688667A (zh) * | 2017-09-30 | 2018-02-13 | 平安科技（深圳）有限公司 | 智能机器人客服方法、电子装置及计算机可读存储介质 |
| CN108804654A (zh) * | 2018-06-07 | 2018-11-13 | 重庆邮电大学 | 一种基于智能问答的虚拟学习环境构建方法 |
| CN108829757A (zh) * | 2018-05-28 | 2018-11-16 | 广州麦优网络科技有限公司 | 一种聊天机器人的智能服务方法、服务器及存储介质 |
| CN108829756A (zh) * | 2018-05-25 | 2018-11-16 | 杭州知智能科技有限公司 | 一种利用分层注意力上下文网络解决多轮视频问答的方法 |
| CN108846077A (zh) * | 2018-06-08 | 2018-11-20 | 泰康保险集团股份有限公司 | 问答文本的语义匹配方法、装置、介质及电子设备 |
-
2018
- 2018-12-27 CN CN201811610973.1A patent/CN110287294A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040030556A1 (en) * | 1999-11-12 | 2004-02-12 | Bennett Ian M. | Speech based learning/training system using semantic decoding |
| CN104461525A (zh) * | 2014-11-27 | 2015-03-25 | 韩慧健 | 一种可自定义的智能咨询平台生成*** |
| CN107562792A (zh) * | 2017-07-31 | 2018-01-09 | 同济大学 | 一种基于深度学习的问答匹配方法 |
| CN107688667A (zh) * | 2017-09-30 | 2018-02-13 | 平安科技（深圳）有限公司 | 智能机器人客服方法、电子装置及计算机可读存储介质 |
| CN108829756A (zh) * | 2018-05-25 | 2018-11-16 | 杭州知智能科技有限公司 | 一种利用分层注意力上下文网络解决多轮视频问答的方法 |
| CN108829757A (zh) * | 2018-05-28 | 2018-11-16 | 广州麦优网络科技有限公司 | 一种聊天机器人的智能服务方法、服务器及存储介质 |
| CN108804654A (zh) * | 2018-06-07 | 2018-11-13 | 重庆邮电大学 | 一种基于智能问答的虚拟学习环境构建方法 |
| CN108846077A (zh) * | 2018-06-08 | 2018-11-20 | 泰康保险集团股份有限公司 | 问答文本的语义匹配方法、装置、介质及电子设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111813909A (zh) * | 2020-06-24 | 2020-10-23 | 泰康保险集团股份有限公司 | 一种智能问答方法和装置 |
| 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*** |
| CN112163075A (zh) * | 2020-09-27 | 2021-01-01 | 北京乐学帮网络技术有限公司 | 一种信息推荐方法、装置、计算机设备和存储介质 |
| CN116932723A (zh) * | 2023-07-28 | 2023-10-24 | 世优（北京）科技有限公司 | 基于自然语言处理的人机交互***及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109493166B (zh) | 一种针对电子商务导购场景任务型对话***的构建方法 | |
| CN111026842B (zh) | 自然语言处理方法、自然语言处理装置及智能问答*** | |
| CN110633409B (zh) | 一种融合规则与深度学习的汽车新闻事件抽取方法 | |
| CN110287294A (zh) | 知识产权概念自动解答方法及*** | |
| CN109753565A (zh) | 知识产权智能服务方法及*** | |
| CN113254610B (zh) | 面向专利咨询的多轮对话生成方法 | |
| CN109783666A (zh) | 一种基于迭代精细化的图像场景图谱生成方法 | |
| CN109658271A (zh) | 一种基于保险专业场景的智能客服***及方法 | |
| CN103534697B (zh) | 用于提供统计对话管理器训练的方法和*** | |
| CN111325571B (zh) | 一种多任务学习的商品评论标签自动生成方法、装置及*** | |
| CN112989761B (zh) | 文本分类方法及装置 | |
| CN109697679A (zh) | 知识产权服务导引方法及*** | |
| CN117056531A (zh) | 领域知识驱动的大语言模型精调方法、***、设备及存储介质 | |
| CN110210036A (zh) | 一种意图识别方法及装置 | |
| CN112100375A (zh) | 文本信息生成方法、装置、存储介质及设备 | |
| CN111651571A (zh) | 基于人机协同的会话实现方法、装置、设备及存储介质 | |
| CN114818703B (zh) | 基于BERT语言模型和TextCNN模型的多意图识别方法及*** | |
| CN113268561A (zh) | 一种基于多任务联合训练的问题生成方法 | |
| Huang et al. | Developing context-aware dialoguing services for a cloud-based robotic system | |
| CN114020897A (zh) | 一种对话情感识别方法及相关装置 | |
| CN117171403A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN117056451A (zh) | 一种基于语境增强的新能源汽车投诉文本方面-观点对抽取方法 | |
| CN114491265B (zh) | 一种经营性空间平台运营服务***的构建方法 | |
| CN116186219A (zh) | 一种人机对话交互方法方法、***及存储介质 | |
| CN114077831B (zh) | 一种问题文本分析模型的训练方法及装置 |
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: 20190927 |