CN111767371A - 一种智能问答方法、装置、设备及介质 - Google Patents

一种智能问答方法、装置、设备及介质 Download PDF

Info

Publication number
CN111767371A
CN111767371A CN202010597059.9A CN202010597059A CN111767371A CN 111767371 A CN111767371 A CN 111767371A CN 202010597059 A CN202010597059 A CN 202010597059A CN 111767371 A CN111767371 A CN 111767371A
Authority
CN
China
Prior art keywords
text information
intention
target
recommendation
model
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
Application number
CN202010597059.9A
Other languages
English (en)
Other versions
CN111767371B (zh
Inventor
任宇翔
方成
饶官军
柴鹏飞
吴边
洪叶恩
孟海忠
冯辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Weiyiyun Hangzhou Holding Co ltd
Original Assignee
Weiyiyun Hangzhou Holding Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Weiyiyun Hangzhou Holding Co ltd filed Critical Weiyiyun Hangzhou Holding Co ltd
Priority to CN202010597059.9A priority Critical patent/CN111767371B/zh
Publication of CN111767371A publication Critical patent/CN111767371A/zh
Application granted granted Critical
Publication of CN111767371B publication Critical patent/CN111767371B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/3344—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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • 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
    • G06F16/338—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本发明实施例公开了一种智能问答方法、装置、电子设备及存储介质，该方法包括：接收用户基于问答页面输入的文本信息；将所述文本信息输入至预先训练好的意图识别模型，获得目标意图，若所述文本信息包括至少两个目标意图，通过所述意图识别模型可分别得到所述至少两个目标意图；确定是否存在预设场景配置，若存在预设场景配置，则基于所述预设场景配置根据所述目标意图进行行为推荐，获得应答信息；否则将所述目标意图输入至推荐模型，获得与所述文本信息对应的应答信息；将所述应答信息展示在问答页面。本发明实施例的技术方案，实现了对用户所提出问题的多意图识别与回答，以及针对不同用户的相同问题给出个性化答案的目的。

Description

一种智能问答方法、装置、设备及介质
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种智能问答方法、装置、电子设备及存储介质。
背景技术
智能问答***旨在24小时自动地、尽可能好地解决用户提出的相关问题，让用户满意，快速地解决用户的问题，以减轻客服人员的服务压力。
在医学领域，目前的智能问答***只能处理简单的问题，例如单意图识别与回答，且针对不同用户提出的相同问题的回答是固定的，没有考虑不同用户的个性化特征，为不同用户提供个性化的回答。
发明内容
本发明实施例提供一种智能问答方法、装置、电子设备及存储介质，实现了对用户所提出问题的多意图识别与回答，以及针对不同用户的相同问题给出个性化答案的目的。
第一方面，本发明实施例提供了一种智能问答方法，该方法包括：
接收用户基于问答页面输入的文本信息；
将所述文本信息输入至预先训练好的意图识别模型，获得所述文本信息对应的目标意图，若所述文本信息包括至少两个目标意图，通过所述意图识别模型可分别得到所述至少两个目标意图；
确定是否存在预设场景配置，若存在预设场景配置，则基于所述预设场景配置根据所述目标意图进行行为推荐，获得应答信息；
若不存在预设场景配置，则将所述目标意图输入至推荐模型，通过所述推荐模型进行行为推荐，获得与所述文本信息对应的应答信息；
将所述应答信息展示在问答页面，以提供给所述用户。
第二方面，本发明实施例还提供了一种智能问答装置，该装置包括：
接收模块，用于接收用户基于问答页面输入的文本信息；
识别模块，用于将所述文本信息输入至预先训练好的意图识别模型，获得所述文本信息对应的目标意图，若所述文本信息包括至少两个目标意图，通过所述意图识别模型可分别得到所述至少两个目标意图；
第一推荐模块，用于确定是否存在预设场景配置，若存在预设场景配置，则基于所述预设场景配置根据所述目标意图进行行为推荐，获得应答信息；
第二推荐模块，用于若不存在预设场景配置，则将所述目标意图输入至推荐模型，通过所述推荐模型进行行为推荐，获得与所述文本信息对应的应答信息；
应答模块，用于将所述应答信息展示在问答页面，以提供给所述用户。
第三方面，本发明实施例还提供了一种设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例任一所述的智能问答方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例任一所述的智能问答方法。
本发明实施例提供的一种智能问答方法，通过接收用户基于问答页面输入的文本信息；将所述文本信息输入至预先训练好的意图识别模型，获得所述文本信息对应的目标意图，若所述文本信息包括至少两个目标意图，通过所述意图识别模型可分别得到所述至少两个目标意图；确定是否存在预设场景配置，若存在预设场景配置，则基于所述预设场景配置根据所述目标意图进行行为推荐，获得应答信息；若不存在预设场景配置，则将所述目标意图输入至推荐模型，通过所述推荐模型进行行为推荐，获得与所述文本信息对应的应答信息；将所述应答信息展示在问答页面，以提供给所述用户的技术手段，实现了对用户所提出问题的多意图识别与回答，提高了用户意图的识别精度，以及针对用户所提出问题进行应答的精准度。
附图说明
结合附图并参考以下具体实施方式，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本发明实施例一所提供的一种智能问答方法流程示意图；
图2为本发明实施例一所提供的一种目标意图识别方法流程示意图；
图3为本发明实施例一所提供的另一种智能问答方法流程示意图；
图4为本发明实施例二所提供的一种智能问答装置结构示意图；
图5为本发明实施例三所提供的一种电子设备结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
实施例一
图1为本发明实施例一所提供的一种智能问答方法流程示意图。该方法适用于智能问答***。所述方法可以由智能问答装置来执行，该装置可以通过软件和/或硬件的形式实现。
如图1所述，本发明实施例提供的智能问答方法包括如下步骤：
步骤110、接收用户基于问答页面输入的文本信息。
其中，所述文本信息根据应用场景的不同而不同，例如智能问答***应用于医学领域，则所述文本信息为一些医疗相关的问题，例如具体可以是“糖尿病人适合吃哪些食物？”、“我现在头痛，附近有医院吗？”等。
步骤120、将所述文本信息输入至预先训练好的意图识别模型，获得所述文本信息对应的目标意图，若所述文本信息包括至少两个目标意图，通过所述意图识别模型可分别得到所述至少两个目标意图。
其中，所述意图识别模型包括BERT模型层和全连接层；
所述BERT模型层的输入为所述文本信息，所述BERT模型层的输出为所述全连接层的输入，全连接层每个节点的输出值为所述文本信息归属各预设意图的概率，达到设定值的所述概率对应的预设意图为所述目标意图。
所述预设意图包括下述至少两类：客服意图、内容意图、医院意图、挂号意图、科室意图以及医生意图。
对应的，参考图2所示的一种目标意图识别流程示意图，具体包括：输入文本给BERT模型层，具体的，将输入文本转换为模型要求的输入格式(例如位置向量+字向量+段向量)后输入模型，将BERT模型层的输出(CLS标签)作为全连接层的输入，获得输入文本归属各预设意图的概率。
例如所述文本信息为：“我头痛严重，附近有什么医生可以挂号？”，将该文本信息输入至所述意图识别模型，最终意图识别模型的全连接层的每个节点输出该文本信息归属各预设意图的概率，例如医生意图对应的概率为0.75，医院意图对应的概率为0.2，科室意图对应的概率为0.1，挂号意图对应的概率为0.8，客服意图对应的概率为0.01，内容意图对应的概率为0.02，通过预设的评测阈值对概率没有达到设定值的意图进行拦截，最终获得医生意图和挂号意图两个目标意图，即所述文本信息为：“我头痛严重，附近有什么医生可以挂号？”的目标意图的数量为两个，分别是医生意图和挂号意图，实现了对用户意图的准确、全面地识别。
所述BERT模型层基于训练数据预先训练，所述训练数据的格式为：文本信息以及该文本信息包含的意图标签，所述意图标签的数量包括：至少两个，可以理解的是，所述意图标签的数量还包括一个，以使所述BERT模型层具有对用户输入的单意图问句进行意图识别的功能。通过利用包括至少两个意图标签的训练数据对所述BERT模型层进行预先训练，使得训练后的所述BERT模型层具备全面识别用户意图的功能，进而为用户输入的问题进行精准应答提供参考依据，最终实现对用户输入的问题进行精准应答的目的。
BERT模型是一种新的语言表征模型，它用Transformer的双向编码器表示，旨在通过联合调节所有层中的上下文来预先训练深度双向表示，BERT模型的抽取特征能力非常突出。
步骤130、确定是否存在预设场景配置，若存在预设场景配置，则基于所述预设场景配置根据所述目标意图进行行为推荐，获得应答信息。
其中，所述预设场景配置由应用智能问答装置的应用业务方设置，例如本发明实施例提供的智能问答装置应用于甲医院接待***，甲医院与第三方应用平台合作，将自己的接待***部署至第三方应用平台，当用户基于该第三方应用平台进入甲医院的接待***时，通过智能问答页面输入“我头痛严重，附近有什么医生可以挂号？”时，首先通过步骤120获得该问题对应的目标意图为“医生意图”和“挂号意图”之后，根据甲医院配置的甲医院中负责接诊头痛患者的医生进行行为推荐，即只推荐甲医院的医生，而不考虑甲医院是否处于当前用户所在区域的附近。
示例性的，所述若存在预设场景配置，则基于所述预设场景配置根据所述目标意图进行行为推荐，获得应答信息包括：
当获得所述目标意图时，执行预设场景配置中预存的与所述目标意图对应的行为推荐，获取与所述目标意图对应的应答信息。
步骤140、若不存在预设场景配置，则将所述目标意图输入至推荐模型，通过所述推荐模型进行行为推荐，获得与所述文本信息对应的应答信息。
其中，所述推荐模型包括2层LSTM(Long Short-Term Memory，长短期记忆网络)模型，所述推荐模型的输入还包括：所述用户的历史行为信息、在所述文本信息的输入时间之前所述用户输入的历史文本信息以及所述历史文本信息的关联信息；
所述历史文本信息的关联信息的包括下述至少一种：所述历史文本信息所包括的疾病症状实体词、所述历史文本信息对应的目标意图以及针对该目标意图对应的应答信息。
所述用户的历史行为信息可以指用户在智能问答装置的应用平台产生的历史行为数据，也可以指用户在任何一个第三方应用平台产生的历史行为数据，只要获取相关平台的授权即可对用户的历史行为信息进行获取。例如，所述用户的历史行为信息为其在各医院就医的相关信息，例如挂过号的科室、医生等，甚至还可以包括用户的历史检查报告数据，以基于用户的历史行为信息确定用户的画像标签，为行为推荐提供参考，使所获得的推荐结果更加符合用户的内心期望，从而实现个性化推荐，而不是针对所有用户的相同问题都提供固定的应答信息。
进一步的，为了精准地针对目标意图进行行为推荐，所述推荐模型的输入不仅包括在当前轮对话中用户的相关信息，还包括上一轮或者上几轮对话中用户的相关信息。其中，当前轮对话中用户的相关信息包括当前轮用户输入的文本信息、该文本信息对应的目标意图；上几轮中的每轮对话中用户的相关信息包括用户输入的所述文本信息、该文本信息对应的目标意图以及针对该文本信息反馈的应答信息，以使推荐模型可以联系上下文为用户进行精准推荐。
进一步的，所述推荐模型的输入还包括每轮输入信息中表示疾病症状的实体词。
示例性的，若所述文本信息包括至少两个目标意图，所述将所述目标意图输入至推荐模型，通过所述推荐模型进行行为推荐，获得与所述文本信息对应的应答信息，包括：
通过所述推荐模型分别基于每个目标意图进行行为推荐，获得与每个目标意图分别对应的行为推荐结果；
将不同目标意图对应的行为推荐结果按照设定格式进行数据拼接，得到与所述文本信息对应的应答信息；
所述行为推荐包括下述至少一种：客服推荐、内容推荐、医院推荐、挂号推荐、科室推荐以及医生推荐。
步骤150、将所述应答信息展示在问答页面，以提供给所述用户。
本发明实施例的技术方案，通过接收用户基于问答页面输入的文本信息；将所述文本信息输入至预先训练好的意图识别模型，获得所述文本信息对应的目标意图，若所述文本信息包括至少两个目标意图，通过所述意图识别模型可分别得到所述至少两个目标意图；确定是否存在预设场景配置，若存在预设场景配置，则基于所述预设场景配置根据所述目标意图进行行为推荐，获得应答信息；若不存在预设场景配置，则将所述目标意图输入至推荐模型，通过所述推荐模型进行行为推荐，获得与所述文本信息对应的应答信息；将所述应答信息展示在问答页面，以提供给所述用户的技术手段，实现了对用户所提出问题的多意图识别与回答，提高了用户意图的识别精度，以及针对用户所提出问题进行应答的精准度。
在上述技术方案的基础上，参考图3所示的另一种智能问答方法的流程示意图，具体包括：针对输入文本进行意图识别，得到目标意图，针对目标意图获取对应的推荐行为，获得推荐结果，对推荐结果进行组装并展示。
实施例二
图4为本发明实施例二提供的一种智能问答装置，该装置包括：接收模块410、识别模块420、第一推荐模块430、第二推荐模块440和应答模块450；
其中，接收模块410，用于接收用户基于问答页面输入的文本信息；识别模块420，用于将所述文本信息输入至预先训练好的意图识别模型，获得所述文本信息对应的目标意图，若所述文本信息包括至少两个目标意图，通过所述意图识别模型可分别得到所述至少两个目标意图；第一推荐模块430，用于确定是否存在预设场景配置，若存在预设场景配置，则基于所述预设场景配置根据所述目标意图进行行为推荐，获得应答信息；第二推荐模块440，用于若不存在预设场景配置，则将所述目标意图输入至推荐模型，通过所述推荐模型进行行为推荐，获得与所述文本信息对应的应答信息；应答模块450，用于将所述应答信息展示在问答页面，以提供给所述用户。
在上述技术方案的基础上，所述意图识别模型包括BERT模型层和全连接层；
所述BERT模型层的输入为所述文本信息，所述BERT模型层的输出为所述全连接层的输入，全连接层每个节点的输出值为所述文本信息归属各预设意图的概率，达到设定值的所述概率对应的预设意图为所述目标意图。
在上述技术方案的基础上，所述预设意图包括下述至少两类：客服意图、内容意图、医院意图、挂号意图、科室意图以及医生意图。
在上述技术方案的基础上，所述BERT模型层基于训练数据预先训练，所述训练数据的格式为：文本信息以及该文本信息包含的意图标签，所述意图标签的数量包括：至少两个。
在上述各技术方案的基础上，所述若存在预设场景配置，第一推荐模块430具体用于：当获得所述目标意图时，执行预设场景配置中预存的与所述目标意图对应的行为推荐，获取与所述目标意图对应的应答信息。
在上述各技术方案的基础上，所述推荐模型包括2层长短期记忆网络LSTM模型，所述推荐模型的输入还包括：所述用户的历史行为信息、在所述文本信息的输入时间之前所述用户输入的历史文本信息以及所述历史文本信息的关联信息；
所述历史文本信息的关联信息的包括下述至少一种：所述历史文本信息所包括的疾病症状实体词、所述历史文本信息对应的目标意图以及针对该目标意图对应的应答信息。
在上述各技术方案的基础上，若所述文本信息包括至少两个目标意图，第二推荐模块440包括：
推荐单元，用于通过所述推荐模型分别基于每个目标意图进行行为推荐，获得与每个目标意图分别对应的行为推荐结果；
拼接单元，用于将不同目标意图对应的行为推荐结果按照设定格式进行数据拼接，得到与所述文本信息对应的应答信息；
所述行为推荐包括下述至少一种：客服推荐、内容推荐、医院推荐、挂号推荐、科室推荐以及医生推荐。
本发明实施例的技术方案，通过接收用户基于问答页面输入的文本信息；将所述文本信息输入至预先训练好的意图识别模型，获得所述文本信息对应的目标意图，若所述文本信息包括至少两个目标意图，通过所述意图识别模型可分别得到所述至少两个目标意图；确定是否存在预设场景配置，若存在预设场景配置，则基于所述预设场景配置根据所述目标意图进行行为推荐，获得应答信息；若不存在预设场景配置，则将所述目标意图输入至推荐模型，通过所述推荐模型进行行为推荐，获得与所述文本信息对应的应答信息；将所述应答信息展示在问答页面，以提供给所述用户的技术手段，实现了对用户所提出问题的多意图识别与回答，提高了用户意图的识别精度，以及针对用户所提出问题进行应答的精准度。
本发明实施例所提供的智能问答装置可执行本发明任意实施例所提供的智能问答方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
实施例三
下面参考图5，其示出了适于用来实现本发明实施例的电子设备(例如图5中的终端设备或服务器)400的结构示意图。本发明实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置406加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置406；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置406被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本发明实施例的方法中限定的上述功能。
本发明实施例提供的终端与上述实施例提供的智能问答方法属于同一发明构思，未在本发明实施例中详尽描述的技术细节可参见上述实施例，并且本发明实施例与上述实施例具有相同的有益效果。
实施例四
本发明实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的智能问答方法。
需要说明的是，本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
接收用户基于问答页面输入的文本信息；
将所述文本信息输入至预先训练好的意图识别模型，获得所述文本信息对应的目标意图，若所述文本信息包括至少两个目标意图，通过所述意图识别模型可分别得到所述至少两个目标意图；
确定是否存在预设场景配置，若存在预设场景配置，则基于所述预设场景配置根据所述目标意图进行行为推荐，获得应答信息；
若不存在预设场景配置，则将所述目标意图输入至推荐模型，通过所述推荐模型进行行为推荐，获得与所述文本信息对应的应答信息；
将所述应答信息展示在问答页面，以提供给所述用户。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，可编辑内容显示单元还可以被描述为“编辑单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种智能问答方法，其特征在于，包括：
接收用户基于问答页面输入的文本信息；
将所述文本信息输入至预先训练好的意图识别模型，获得所述文本信息对应的目标意图，若所述文本信息包括至少两个目标意图，通过所述意图识别模型可分别得到所述至少两个目标意图；
确定是否存在预设场景配置，若存在预设场景配置，则基于所述预设场景配置根据所述目标意图进行行为推荐，获得应答信息；
若不存在预设场景配置，则将所述目标意图输入至推荐模型，通过所述推荐模型进行行为推荐，获得与所述文本信息对应的应答信息；
将所述应答信息展示在问答页面，以提供给所述用户。
2.根据权利要求1所述的方法，其特征在于，所述意图识别模型包括BERT模型层和全连接层；
所述BERT模型层的输入为所述文本信息，所述BERT模型层的输出为所述全连接层的输入，全连接层每个节点的输出值为所述文本信息归属各预设意图的概率，达到设定值的所述概率对应的预设意图为所述目标意图。
3.根据权利要求2所述的方法，其特征在于，所述预设意图包括下述至少两类：客服意图、内容意图、医院意图、挂号意图、科室意图以及医生意图。
4.根据权利要求2所述的方法，其特征在于，所述BERT模型层基于训练数据预先训练，所述训练数据的格式为：文本信息以及该文本信息包含的意图标签，所述意图标签的数量包括：至少两个。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述若存在预设场景配置，则基于所述预设场景配置根据所述目标意图进行行为推荐，获得应答信息包括：
当获得所述目标意图时，执行预设场景配置中预存的与所述目标意图对应的行为推荐，获取与所述目标意图对应的应答信息。
6.根据权利要求1-4任一项所述的方法，其特征在于，所述推荐模型包括2层长短期记忆网络LSTM模型，所述推荐模型的输入还包括：所述用户的历史行为信息、在所述文本信息的输入时间之前所述用户输入的历史文本信息以及所述历史文本信息的关联信息；
所述历史文本信息的关联信息的包括下述至少一种：所述历史文本信息所包括的疾病症状实体词、所述历史文本信息对应的目标意图以及针对该目标意图对应的应答信息。
7.根据权利要求1-4任一项所述的方法，其特征在于，若所述文本信息包括至少两个目标意图，所述将所述目标意图输入至推荐模型，通过所述推荐模型进行行为推荐，获得与所述文本信息对应的应答信息，包括：
通过所述推荐模型分别基于每个目标意图进行行为推荐，获得与每个目标意图分别对应的行为推荐结果；
将不同目标意图对应的行为推荐结果按照设定格式进行数据拼接，得到与所述文本信息对应的应答信息；
所述行为推荐包括下述至少一种：客服推荐、内容推荐、医院推荐、挂号推荐、科室推荐以及医生推荐。
8.一种智能问答装置，其特征在于，包括：
接收模块，用于接收用户基于问答页面输入的文本信息；
识别模块，用于将所述文本信息输入至预先训练好的意图识别模型，获得所述文本信息对应的目标意图，若所述文本信息包括至少两个目标意图，通过所述意图识别模型可分别得到所述至少两个目标意图；
第一推荐模块，用于确定是否存在预设场景配置，若存在预设场景配置，则基于所述预设场景配置根据所述目标意图进行行为推荐，获得应答信息；
第二推荐模块，用于若不存在预设场景配置，则将所述目标意图输入至推荐模型，通过所述推荐模型进行行为推荐，获得与所述文本信息对应的应答信息；
应答模块，用于将所述应答信息展示在问答页面，以提供给所述用户。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的智能问答方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一项所述的智能问答方法。
CN202010597059.9A 2020-06-28 2020-06-28 一种智能问答方法、装置、设备及介质 Active CN111767371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010597059.9A CN111767371B (zh) 2020-06-28 2020-06-28 一种智能问答方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010597059.9A CN111767371B (zh) 2020-06-28 2020-06-28 一种智能问答方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN111767371A true CN111767371A (zh) 2020-10-13
CN111767371B CN111767371B (zh) 2024-03-12

Family

ID=72722379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010597059.9A Active CN111767371B (zh) 2020-06-28 2020-06-28 一种智能问答方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN111767371B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112860962A (zh) * 2021-02-10 2021-05-28 北京百度网讯科技有限公司 处理提问信息的方法、装置、电子设备和介质
CN113239146A (zh) * 2021-05-12 2021-08-10 平安科技（深圳）有限公司 应答分析方法、装置、设备及存储介质
CN113268561A (zh) * 2021-04-25 2021-08-17 中国科学技术大学 一种基于多任务联合训练的问题生成方法
CN113360617A (zh) * 2021-06-07 2021-09-07 北京百度网讯科技有限公司 异常识别方法、装置、设备和存储介质
CN113435998A (zh) * 2021-06-23 2021-09-24 平安科技（深圳）有限公司 贷款逾期预测方法、装置、电子设备及存储介质
CN113643136A (zh) * 2021-09-01 2021-11-12 京东科技信息技术有限公司 信息处理方法、***和装置
CN113761144A (zh) * 2020-11-16 2021-12-07 北京沃东天骏信息技术有限公司 应答信息确定方法和装置
CN113794623A (zh) * 2021-08-31 2021-12-14 北京明略软件***有限公司 一种应答消息的生成方法、装置、电子设备及存储介质
WO2022227211A1 (zh) * 2021-04-30 2022-11-03 平安科技（深圳）有限公司 基于Bert的篇章的多意图识别方法、设备及可读存储介质
CN116662522A (zh) * 2023-07-28 2023-08-29 阿里巴巴达摩院(杭州)科技有限公司 问题答案推荐方法、存储介质和电子设备
CN118013981A (zh) * 2024-04-07 2024-05-10 浙江口碑网络技术有限公司 基于文本回答问题的方法、服务器及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160379107A1 (en) * 2015-06-24 2016-12-29 Baidu Online Network Technology (Beijing) Co., Ltd. Human-computer interactive method based on artificial intelligence and terminal device
CN106528531A (zh) * 2016-10-31 2017-03-22 北京百度网讯科技有限公司 基于人工智能的意图分析方法及装置
CN107357855A (zh) * 2017-06-29 2017-11-17 北京神州泰岳软件股份有限公司 支持场景关联的智能问答方法及装置
US20180359132A1 (en) * 2017-06-07 2018-12-13 Accenture Global Solutions Limited Integration platform for multi-network integration of service platforms
CN109684456A (zh) * 2018-12-27 2019-04-26 中国电子科技集团公司信息科学研究院 基于物联网能力知识图谱的场景能力智能问答***
CN110032648A (zh) * 2019-03-19 2019-07-19 微医云(杭州)控股有限公司 一种基于医学领域实体的病历结构化解析方法
CN110188272A (zh) * 2019-05-27 2019-08-30 南京大学 一种基于用户背景的社区问答网站标签推荐方法
CN110459210A (zh) * 2019-07-30 2019-11-15 平安科技（深圳）有限公司 基于语音分析的问答方法、装置、设备及存储介质
CN110909144A (zh) * 2019-11-28 2020-03-24 中信银行股份有限公司 问答对话方法、装置、电子设备及计算机可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160379107A1 (en) * 2015-06-24 2016-12-29 Baidu Online Network Technology (Beijing) Co., Ltd. Human-computer interactive method based on artificial intelligence and terminal device
CN106528531A (zh) * 2016-10-31 2017-03-22 北京百度网讯科技有限公司 基于人工智能的意图分析方法及装置
US20180359132A1 (en) * 2017-06-07 2018-12-13 Accenture Global Solutions Limited Integration platform for multi-network integration of service platforms
CN107357855A (zh) * 2017-06-29 2017-11-17 北京神州泰岳软件股份有限公司 支持场景关联的智能问答方法及装置
CN109684456A (zh) * 2018-12-27 2019-04-26 中国电子科技集团公司信息科学研究院 基于物联网能力知识图谱的场景能力智能问答***
CN110032648A (zh) * 2019-03-19 2019-07-19 微医云(杭州)控股有限公司 一种基于医学领域实体的病历结构化解析方法
CN110188272A (zh) * 2019-05-27 2019-08-30 南京大学 一种基于用户背景的社区问答网站标签推荐方法
CN110459210A (zh) * 2019-07-30 2019-11-15 平安科技（深圳）有限公司 基于语音分析的问答方法、装置、设备及存储介质
CN110909144A (zh) * 2019-11-28 2020-03-24 中信银行股份有限公司 问答对话方法、装置、电子设备及计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
赵璐: "基于BERT特征的双向LSTM神经网络在中文电子病历输入推荐中的应用", 中国数字医学, pages 1 - 4 *
迟海洋;严馨;周枫;徐广义;张磊;: "基于BERT-BiGRU-Attention的在线健康社区用户意图识别方法", 河北科技大学学报, no. 03 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761144A (zh) * 2020-11-16 2021-12-07 北京沃东天骏信息技术有限公司 应答信息确定方法和装置
CN112860962B (zh) * 2021-02-10 2024-04-09 北京百度网讯科技有限公司 处理提问信息的方法、装置、电子设备和介质
CN112860962A (zh) * 2021-02-10 2021-05-28 北京百度网讯科技有限公司 处理提问信息的方法、装置、电子设备和介质
CN113268561B (zh) * 2021-04-25 2021-12-14 中国科学技术大学 一种基于多任务联合训练的问题生成方法
CN113268561A (zh) * 2021-04-25 2021-08-17 中国科学技术大学 一种基于多任务联合训练的问题生成方法
WO2022227211A1 (zh) * 2021-04-30 2022-11-03 平安科技（深圳）有限公司 基于Bert的篇章的多意图识别方法、设备及可读存储介质
CN113239146A (zh) * 2021-05-12 2021-08-10 平安科技（深圳）有限公司 应答分析方法、装置、设备及存储介质
CN113239146B (zh) * 2021-05-12 2023-07-28 平安科技（深圳）有限公司 应答分析方法、装置、设备及存储介质
CN113360617B (zh) * 2021-06-07 2023-08-04 北京百度网讯科技有限公司 异常识别方法、装置、设备和存储介质
CN113360617A (zh) * 2021-06-07 2021-09-07 北京百度网讯科技有限公司 异常识别方法、装置、设备和存储介质
CN113435998B (zh) * 2021-06-23 2023-05-02 平安科技（深圳）有限公司 贷款逾期预测方法、装置、电子设备及存储介质
CN113435998A (zh) * 2021-06-23 2021-09-24 平安科技（深圳）有限公司 贷款逾期预测方法、装置、电子设备及存储介质
CN113794623A (zh) * 2021-08-31 2021-12-14 北京明略软件***有限公司 一种应答消息的生成方法、装置、电子设备及存储介质
CN113643136A (zh) * 2021-09-01 2021-11-12 京东科技信息技术有限公司 信息处理方法、***和装置
CN116662522A (zh) * 2023-07-28 2023-08-29 阿里巴巴达摩院(杭州)科技有限公司 问题答案推荐方法、存储介质和电子设备
CN116662522B (zh) * 2023-07-28 2023-12-12 阿里巴巴达摩院(杭州)科技有限公司 问题答案推荐方法、存储介质和电子设备
CN118013981A (zh) * 2024-04-07 2024-05-10 浙江口碑网络技术有限公司 基于文本回答问题的方法、服务器及***

Also Published As

Publication number Publication date
CN111767371B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN111767371B (zh) 一种智能问答方法、装置、设备及介质
CN110516159B (zh) 一种信息推荐方法、装置、电子设备及存储介质
CN111459364B (zh) 图标更新方法、装置和电子设备
CN112712801A (zh) 一种语音唤醒方法、装置、电子设备及存储介质
US20220391425A1 (en) Method and apparatus for processing information
CN115908640A (zh) 生成图像的方法、装置、可读介质及电子设备
CN112257459B (zh) 语言翻译模型的训练方法、翻译方法、装置和电子设备
CN111444813A (zh) 目标对象的属性分类的识别方法、装置、设备及存储介质
US20230281983A1 (en) Image recognition method and apparatus, electronic device, and computer-readable medium
CN113191257B (zh) 笔顺检测方法、装置和电子设备
CN116416018A (zh) 内容输出方法、装置、计算机可读介质及电子设备
CN113222050A (zh) 图像分类方法、装置、可读介质及电子设备
CN113238652A (zh) 视线估计方法、装置、设备及存储介质
CN111835917A (zh) 活动范围展示方法、装置、设备和计算机可读介质
CN111680754A (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN111797263A (zh) 图像标签生成方法、装置、设备和计算机可读介质
CN111221424A (zh) 用于生成信息的方法、装置、电子设备和计算机可读介质
CN112214695A (zh) 信息处理方法、装置和电子设备
CN111399725B (zh) 用于呈现信息的方法、装置、电子设备和介质
CN112270170B (zh) 一种隐式表述语句的分析方法、装置、介质和电子设备
CN112346630B (zh) 状态确定方法、装置、设备和计算机可读介质
CN111797932B (zh) 图像分类方法、装置、设备和计算机可读介质
CN113077353B (zh) 用于生成核保结论的方法、装置、电子设备和介质
CN113010784B (zh) 用于生成预测信息的方法、装置、电子设备和介质
CN114040014B (zh) 内容推送方法、装置、电子设备及计算机可读存储介质

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