CN111767381A - 自动问答方法和装置 - Google Patents
自动问答方法和装置 Download PDFInfo
- Publication number
- CN111767381A CN111767381A CN202010614920.8A CN202010614920A CN111767381A CN 111767381 A CN111767381 A CN 111767381A CN 202010614920 A CN202010614920 A CN 202010614920A CN 111767381 A CN111767381 A CN 111767381A
- Authority
- CN
- China
- Prior art keywords
- question
- word
- text template
- type
- knowledge graph
- 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 62
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/332—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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了自动问答方法和装置,涉及人工智能技术领域、自然语言处理技术领域、大数据技术领域、智能搜索技术领域。该方法的一具体实施方式包括:获取输入的问题,确定问题所匹配的文本模板;查询文本模板所匹配的逻辑表达式;基于问题和逻辑表达式,生成查询语句;采用查询语句,查询问题的答案。该实施方式可以提高了问答问题的处理效率。
Description
技术领域
本申请的实施例涉及计算机技术领域,具体涉及人工智能技术领域、自然语言处理技术领域、大数据技术领域、智能搜索技术领域,尤其涉及自动问答方法和装置。
背景技术
问答***是信息检索的一种高级形式,以其简单、准确的互动方式受人类青睐,在人工智能的大时代下,问答***的智能化也成为研究热点。20世纪80年代,LENAT等发起的知识库研究项目,将问答***带入“知识原则”的时代,在知识库的基础上进行自然语言的理解、学习及问答研究。
发明内容
提供了一种自动问答方法、装置、电子设备以及计算机可读介质。
根据第一方面,提供了一种自动问答方法,上述方法包括:获取输入的问题,确定问题所匹配的文本模板;查询文本模板所匹配的逻辑表达式;基于问题和逻辑表达式,生成查询语句;采用查询语句,查询问题的答案。
根据第二方面,提供了一种自动问答装置,该装置包括:获取单元,被配置成获取输入的问题,确定问题所匹配的文本模板;匹配单元,被配置成查询文本模板所匹配的逻辑表达式;生成单元,被配置成基于问题和逻辑表达式,生成查询语句;查询单元,被配置成采用查询语句,查询问题的答案。
根据第三方面,提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器,其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面任一实现方式描述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面任一实现方式描述的方法。
本申请的实施例提供的自动问答方法和装置,首先获取输入的问题,确定文体所匹配的文本模板;其次,查询文本模板所匹配的逻辑表达式;再次,基于问题和逻辑表达式,生成查询语句;最后,采用查询语句,查询问题的答案。由此,在配置文本模板以及逻辑表达式之后,若得到问题,可以直接通过问题、与问题匹配的文本模板和逻辑表达式生成查询语句,再采用查询语句进行问题的答案的查询工作,提升了问答问题的处理效率,提高了用户的体验。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请自动问答方法的一个实施例的流程图;
图2是根据本申请确定问题所匹配的文本模板的方法的流程图;
图3是根据本申请自动问答方法的另一个实施例的流程图;
图4是根据本申请自动问答方法的第三个实施例的流程图;
图5是根据本申请自动问答装置的实施例的结构示意图;
图6是用来实现本申请实施例的自动问答方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1示出了根据本申请自动问答方法的一个实施例的流程100。上述自动问答方法包括以下步骤:
步骤101,获取输入的问题,确定问题所匹配的文本模板。
本实施例中,自动问答方法运行于其上的执行主体可以通过用户终端得到输入的问题,也可以通过在线服务端实时得到输入的问题。问题的模式可以有多种,例如“姚某的女儿和老婆是谁?”、“周某某和张某某分别多高?”等等。
本实施例中,文本模板为具有预置的问题格式的模板,当输入的问题的格式与文本模板的问题格式一致时,才能确定问题与该文本模板相匹配。例如,问题为:歼20的机长和机高分别是多少?与问题相匹配的文本模板为:<E1:歼20>的<P1:*>和<P1:*>(是什么|是)?(\\?|?)其中,E1表示实体,P1、P2为E1的属性。
本实施例中,与问题所匹配的文本模板是由开发人员预设的文本模板。一般基于问题得到问题的模板,是将问题与预设的文本模板进行匹配,得到与问题的模板相匹配的预设的文本模板,即为与问题所匹配的文本模板。
执行主体在执行自动问答方法过程中,还可以由开发人员继续添加或编辑预设的文本模板。由此,通过继续添加或编辑预设的文本模板人为地干预匹配的问题类型,通过添加预设的文本模板,可以补充一些与无法回答的问题相匹配的预设的文本模板。
本实施例中,确定问题所匹配的文本模板,可选地,可以基于整个问题的句子进行匹配得到的文本模板,具体包括:将整个问题与文本模板进行匹配,如果问题与当前的文本模板相似度为设定比例(例如,80%)以上,则确定当前的文本模板是与问题相匹配的文本模板。
可选地,确定问题所匹配的文本模板,还可以基于问题中关键字进行匹配,具体包括:搜索问题中的关键字以及各个关键字之间的位置关系,若问题的关键字以及各个关键字之间的位置关系均与当前文本模板一致,则确定当前的文本模板是与问题相匹配的文本模板。
步骤102,查询文本模板所匹配的逻辑表达式。
本实施例中,逻辑表达式是与文本模板相匹配的表达式,逻辑表达式用于表征与其匹配的文本模板的各个部分之间(比如,实体与实体之间,实体与实体属性之间)的内在逻辑,该内在逻辑包括:查询属性,比较,求最大值、求最小值等,各个部分之间的内在逻辑表现为以下形式:实体的实体属性等于什么?实体1比实体2大多少?实体1比实体2小多少?等等。
例如,文本模板为:<E1:歼20>的<P1:*>和<P1:*>(是什么|是)?(\\?|?),而与文本模板相匹配的逻辑表达式为:<E1><P1>$eq<A1>;<E1><P2>$eq<A2>,其中,$eq表示等于,A1与A2均表示为答案。
本实施例中,用于与文本模板进行匹配的逻辑表达式是由开发人员基于文本模板预设的表达式,并且在自动问答方法运行以及开发人员继续添加文本模板过程中,还可以继续添加逻辑表达式。进一步地,本实施例能够人为地干预问题回答结果,通过配置文本模版以及与文本模板对应的逻辑表达式,补充一些无法回答的问题的文本模板以及逻辑表达式。
步骤103,基于问题和逻辑表达式,生成查询语句。
本实施例中,由逻辑表达式可以生成针对不同数据库的查询语句,但是逻辑表达式仅表示与问题匹配的文本模板中各个部分之间的内在逻辑的表达式,无法完全表征问题,因此需要将问题中与文本模板相对应的实体或实体属性的词添加入逻辑表达式,以得到表征问题的逻辑表达式,从而将表征问题的逻辑表达式封装成查询语句,再具体查询与查询语句对应的数据库。
步骤104,采用查询语句,查询问题的答案。
本实施例中,查询语句是与数据库相匹配的语句,而数据库可以是基于与问题相关的知识图谱建立的数据库,知识图谱是基于图的数据结构,知识图谱包括问题中各个实体、实体属性之间的关联关系,通过查询语句查询基于知识图谱建立的数据库,可以快速、便捷地得到问题的答案。
本实施例中,采用基于问题和逻辑表达式生成的查询语句进行数据库查询操作,达到了将自然语言转化为机器能够理解的数据库查询语句的目的。
进一步地,本实施例提供的自动问答方法可适用于任一种的图谱问答***,并且可以扩展到更多的问答任务中,如表格问答等一切需要将自然语言转化为机器理解的语言。
本实施例提供的自动问答方法还可以应用在ACG(Animation、Comic、Game的缩写,即动画、漫画、游戏的总称)产业中,其作为企业智能搜索的一个重要模块,对图谱问答***的准确性有很大的提高,并且可以帮助图谱问答***进行冷启动,提升总体的产品体验度,满足客户的需求。
本实施例提供的自动问答方法,首先获取输入的问题,确定文体所匹配的文本模板;其次,查询文本模板所匹配的逻辑表达式;再次,基于问题和逻辑表达式,生成查询语句;最后,采用查询语句,查询问题的答案。由此,在配置文本模板以及逻辑表达式之后,若得到问题,可以直接通过问题、与问题匹配的文本模板和逻辑表达式生成查询语句,再采用查询语句进行问题的答案的查询工作,提升了问答问题的处理效率,提高了用户的体验。
本申请的一些可选实现方式中,参考图2,图2示出了根据本申请确定问题所匹配的文本模板的方法的流程200,该确定问题所匹配的文本模板的方法包括以下步骤:
步骤201,获取输入的问题。
本可选实现方式中,自动问答方法运行于其上的执行主体输出的问题。自动问答方法运行于其上的执行主体可以通过用户终端得到输入的问题,也可以通过在线服务端实时得到输入的问题。
步骤202,对问题进行分词,得到至少一个词语。
本可选实现方式中,可以人工进行分词,还可以通过分词模型对各文本样本进行分词,分词模型可以包括:HMM(Hidden Markov Model)、BERT(Bidirectional EncoderRepresentations from Transformers)等,相对于HMM模型,BERT模型可以充分描述字符级、词级、句子级甚至句间关系特征。当然,分词模型不限于上述分词模型,只要适用于本申请的分词模型均在本申请的保护范围之内。
步骤203,基于每个词语的类型,确定问题的文本模板。
本可选实现方式中,可选地,针对每个词语可以预设一些词语的类型,并将问题中各个词语转换为由词语的类型组成的问题的文本模板,例如,一个问题为:中国的侦察机有哪些,其中“中国”的词语类型为“国家”,“侦察机”的词语的类型为“飞机”,确定的问题的文本模板为:国家的飞机有哪些。
在本实施例的一些可选实现方式中,每个词语的类型可以基于以下步骤确定:基于每个词语的词义,确定每个词语所对应的槽位;槽位基于知识图谱中的实物名和实物名的属性确定;基于每个词语所对应的槽位,确定每个槽位所对应的实物类型,将每个槽位所对应的实物类型作为词语的类型。
上述可选实现方式中,采用槽位确定与词语的词义相关联的知识图谱的实物名以及实物类型,将实物类型作为词语的类型,由此通过槽位匹配知识图谱中已有的知识进行问题的词语的类型识别,提高了问题的识别效率,提高了用户体验。
在本实施例的另一些可选实现方式中,每个词语的类型可以基于以下步骤确定:将每个词语输入已训练的归属模型,得到已训练的归属模型输出的每个词语对应的知识图谱中的实物名;已训练的归属模型采用词语与知识图谱中的实物名的对应关系训练得到;基于实物名,确定实物名在知识图谱中所属的实物类型,将实物类型作为词语的类型。
上述可选实现方式中,采用已训练的归属模型确定与词语的词义相关联的知识图谱的实物名,由实物名确定知识图谱中的实物类型,将实物类型作为词语的类型,由此通过模型匹配知识图谱中已有的知识进行问题的词语的类型识别,提高了问题的识别效率,提高了用户体验。
步骤204,将问题的文本模板与预设的文本模板进行匹配,并将预设的文本模板中与问题的文本模板相匹配的文本模板作为问题所匹配的文本模板。
本可选实现方式中,预设的词语的类型可以与问题相关的知识图谱中词语的类型一致,而预设的文本模板也可以由问题相关的知识图谱中各个实物类型组成的文本模板。
本可选实现方式中,将预设的文本模板中与问题的文本模板相匹配的文本模板作为问题所匹配的文本模板,可以依据知识图谱中各个实物类型的关系确定问题的答案的类型,以达到快速定位问题答案的目的。
本可选实现方式中,对问题进行分词,并基于分词后每个词语的类型,确定问题的文本模板,将问题的文本模型与预设的文本模板进行匹配,并将与问题的文本模板相匹配的文本模板作为问题所匹配的文本模板,通过本可选实现方式,基于问题的词语的类型,形成问题的文本模板,相对于单个问题形成的问题的文本模板,提高了问题的泛化效果,以及文本模板匹配的可靠性,提高了自动问答方法实施的效率。
继续参考图3,图3示出了根据本申请自动问答方法的另一个实施例的流程300,该自动问答方法包括以下步骤:
步骤301,获取输入的问题。
步骤302,对问题进行分词,得到至少一个词语。
步骤303,基于每个词语的词义,确定每个词语所对应的槽位。
其中,槽位基于知识图谱中的实物名和实物名的属性确定。
本实施例中,可以采用一些常用的语义分析工具得到词语的词义,具体地,可以采用One-hot、Word Embedding等等语义分析工具得到词语的词义。
本实施例中,槽位是构成槽的单位,槽为实体已明确定义的属性,例如,打车中的,出发地点槽、目的地槽、出发时间槽中的属性分别是“出发地点”、“目的地”和“出发时间”。槽位是***需要向用户收集的关键信息,例如,出发地点槽可以通过上下文获得或直接获得。在本可选实现方式中,在确定每个词语的词义之后,首选确定每个词语所对应的槽,再确定每个词语所对应的槽位。每个槽位都对应有知识图谱中的实物名或者实物名的属性,在确定了每个词语所对应的槽位之后,相应地,就可以确定每个词语对应的知识图谱中的实物名或实物名的属性。
步骤304,基于每个词语所对应的槽位,确定每个槽位所对应的实物类型,将每个槽位所对应的实物类型作为词语的类型。
本实施例中,在确定了知识图谱中的实物名或实物名的属性之后,可以通过查表等方式得到实物类型。
具体参照表1所示,其中,表1对应的问题为:歼20的机长和机高分别是多少?对问题进行分词后,确定问题的词语为:歼20、机长、机高,其中,词语“歼20”对应“<E1:武器>”的槽位,词语“机长”对应<P1>的槽位,词语“机高”对应<P2>的槽位。需要说明的是,“<E1:武器>”“<P1>”“<P2>”等的获得过程可以是:是在识别到词语之后,对词语对应的槽位进行挖空,再填充各词语对应的知识图谱中的实物类型,该获得过程也是槽位泛化的过程。
相应地,进一步还可以确定:词语“歼20”对应的知识图谱中的实物名为“歼-20战斗机”,词语“机长”对应的知识图谱中的实物名的属性为“<机长>”,词语“机高”对应的知识图谱中的实物名的属性为“<机高>”。而实物名“歼-20战斗机”在知识图谱中的实物类型为武器,实物名的属性“<机长>”在知识图谱中的实物类型为机长,实物名的属性“<机高>”在知识图谱中的实物类型为机高。
表1
槽位 | <E1:武器> | <P1> | <P2> |
实物类型 | 武器 | 机长 | 机高 |
实物名或实物属性 | 歼-20战斗机 | <机长> | <机高> |
本实施例中,将每个槽位所对应的实物类型作为词语的类型,可以通过槽位实现对问题进行泛化的效果,从而该词语的类型所形成的问题的文本模板都可以与预设的文本模板进行匹配,提高了问题匹配效果。
步骤305,基于每个词语的类型,确定问题的文本模板。
步骤306,将问题的文本模板与预设的文本模板进行匹配,并将预设的文本模板中与问题的文本模板相匹配的文本模板作为问题所匹配的文本模板。
步骤307,查询文本模板所匹配的逻辑表达式。
步骤308,将问题的每个词语对应的知识图谱中的实物名添加至逻辑表达式,生成查询语句。
本实施例中,由于逻辑表达式仅仅的是问题中各个词语之间的关系,无法完全呈现问题的内容,将每个词语对应的知识图谱中的实物名添加至逻辑表达式,生成的查询语句是与知识图谱的数据库相匹配的查询语句。
例如,逻辑表达式为:<E1><P1>$eq<A1>;<E1><P2>$eq<A2>;E1对应的知识图谱中的实物名为:歼-20战斗机,P1对应的知识图谱中的实物名为:机长,P2对应的知识图谱中的实物名为:机高。转化成的查询知识图谱的数据库的查询语句为:SELECT?A1?A2{<歼-20战斗机><机长>?A1.<歼-20战斗机><机高>?A2.}。
由于逻辑表达式与知识图谱中的实物名相匹配,在得到上述查询语句之后可以很容易地,根据查询语句的内容查询知识图谱中问题的答案,并返回查询到问题的答案。
步骤309,采用查询语句,查询问题的答案。
本实施例提供的自动问答方法,采用槽位确定与词语的词义相关联的知识图谱的实物名以及实物类型,将实物类型作为词语的类型,并在生成查询语句之前,将实物名添加至逻辑表达式中,提高了问题与文本模板匹配的效果,并提升了问题在知识图谱中查询的效率,最终提高了用户体验。
继续参考图4,图4示出了根据本申请自动问答方法的第三个实施例的流程400,该自动问答方法包括以下步骤:
步骤401,获取输入的问题。
步骤402,对问题进行分词,得到至少一个词语。
步骤403,将每个词语输入已训练的归属模型,得到已训练的归属模型输出的每个词语对应的知识图谱中的实物名。
其中,已训练的归属模型采用词语与知识图谱中的实物名的对应关系训练得到。
本实施例中,已训练的归属模型用于检测词语对应的知识图谱中的实物名,其是预先训练好的模型,并且可以采用诸如卷积神经网络等模型结构构建归属模型,得到已训练的归属模型。在训练归属模型时,首先收集多个词语作为训练样本,确定词语对应的知识图谱中的实物名,根据归属模型对训练样本的检测结果与训练样本对应的知识图谱中的实物I名之间的差异确定归属模型的误差,利用误差反向传播的方式迭代调整文本行检测模型的参数,使其误差逐步缩小。在归属模型的误差收敛至一定的范围内或迭代的次数达到预设的次数阈值时可以停止调整参数,得到已训练的归属模型。
步骤404,基于实物名,确定实物名在知识图谱中所属的实物类型,将实物类型作为词语的类型。
本实施例中,基于已训练的归属模型得到的知识图谱中的实物名,可以通过查表或者查找知识图谱的方式,得到实物名在知识图谱中所属的实物类型。
步骤405,基于每个词语的类型,确定问题的文本模板。
步骤406,将问题的文本模板与预设的文本模板进行匹配,并将预设的文本模板中与问题的文本模板相匹配的文本模板作为问题所匹配的文本模板。
步骤407,查询文本模板所匹配的逻辑表达式。
步骤408,将问题的每个词语对应的知识图谱中的实物名添加至逻辑表达式,生成查询语句。
本实施例中,由于逻辑表达式仅仅的是问题中各个词语之间的关系,无法完全呈现问题的内容,将每个词语对应的知识图谱中的实物名添加至逻辑表达式,生成的查询语句是与知识图谱的数据库相匹配的查询语句。
由于逻辑表达式与知识图谱中的实物名相匹配,在得到上述查询语句之后可以很容易地,根据查询语句的内容查询知识图谱中问题的答案,并返回查询到问题的答案。
步骤409,采用查询语句,查询问题的答案。
本实施例提供的自动问答方法,采用已训练的归属模型确定与词语的词义相关联的知识图谱的实物名,由实物名确定知识图谱中的实物类型,将实物类型作为词语的类型,并在生成查询语句之前,将实物名添加至逻辑表达式中,提高了问题与文本模板匹配的效果,提升了问题在知识图谱中查询的效率,提高了用户体验。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了自动问答装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可应用于各种电子设备中。
如图5所示,本实施例提供的自动问答装置500包括:获取单元501,匹配单元502,生成单元503,查询单元504。其中,上述获取单元501,可以被配置成被配置成获取输入的问题,确定问题所匹配的文本模板。上述匹配单元502,可以被配置成查询文本模板所匹配的逻辑表达式。上述生成单元503,可以被配置成基于问题和逻辑表达式,生成查询语句。上述查询单元504,可以被配置成采用查询语句,查询问题的答案。
在本实施例中,自动问答装置500中:获取单元501,匹配单元502,生成单元503,查询单元504的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101、步骤102、步骤103、步骤104的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述获取单元501包括:问题获取模块(图中未示出)、问题分词模块(图中未示出)、模板确定模块(图中未示出)、模板匹配模块(图中未示出)。其中,上述问题获取模块,可以被配置成获取输入的问题。上述问题分词模块,可以被配置成对问题进行分词,得到至少一个词语。上述模板确定模块,可以被配置成基于每个词语的类型,确定问题的文本模板。上述模板匹配模块,可以被配置成将问题的文本模板与预设的文本模板进行匹配,并将预设的文本模板中与问题的文本模板相匹配的文本模板作为问题所匹配的文本模板。
在本实施例的一些可选的实现方式中,上述模板确定模块中每个词语的类型基于以下模块确定:槽位确定模块(图中未示出)、词语类型确定模块(图中未示出)。上述槽位确定模块,可以被配置成基于每个词语的词义,确定每个词语所对应的槽位;槽位基于知识图谱中的实物名和实物名的属性确定。上述词语类型确定模块,可以被配置成基于每个词语所对应的槽位,确定每个槽位所对应的实物类型,将每个槽位所对应的实物类型作为词语的类型。
在本实施例的一些可选的实现方式中,上述模板确定模块中每个词语的类型基于以下模块确定:模型确定模块(图中未示出)、确定词语类型模块(图中未示出)。上述模型确定模块,可以被配置成将每个词语输入已训练的归属模型,得到已训练的归属模型输出的每个词语对应的知识图谱中的实物名;已训练的归属模型采用词语与知识图谱中的实物名的对应关系训练得到。上述确定词语类型模块,可以被配置成基于实物名,确定实物名在知识图谱中所属的实物类型,将实物类型作为词语的类型。
在本实施例的一些可选的实现方式中,生成单元503,还被配置成将问题的每个词语对应的知识图谱中的实物名添加至逻辑表达式,生成查询语句。
本申请的实施例提供的自动问答装置,首先获取单元501获取输入的问题,确定文体所匹配的文本模板;其次,匹配单元502查询文本模板所匹配的逻辑表达式;再次,生成单元503基于问题和逻辑表达式,生成查询语句;最后,查询单元504采用查询语句,查询问题的答案。由此,在配置文本模板以及逻辑表达式之后,若得到问题,可以直接通过问题、与问题匹配的文本模板和逻辑表达式生成查询语句,再采用查询语句进行问题的答案的查询工作,提升了问答问题的处理效率,提高了用户的体验。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的自动问答方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线605互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的自动问答方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的自动问答方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的自动问答方法对应的程序指令/模块(例如,图5所示的获取单元501、匹配单元502、生成单元503、查询单元504)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的自动问答方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据自动问答方法的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至自动问答方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
自动问答方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线605连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与自动问答方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与虚拟专用服务器(VPS)服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种自动问答方法,所述方法包括:
获取输入的问题,确定所述问题所匹配的文本模板;
查询所述文本模板所匹配的逻辑表达式;
基于所述问题和所述逻辑表达式,生成查询语句;
采用所述查询语句,查询所述问题的答案。
2.根据权利要求1所述的方法,其中,所述获取输入的问题,确定所述问题所匹配的文本模板,包括:
获取输入的问题;
对所述问题进行分词,得到至少一个词语;
基于每个所述词语的类型,确定所述问题的文本模板;
将所述问题的文本模板与预设的文本模板进行匹配,并将所述预设的文本模板中与所述问题的文本模板相匹配的文本模板作为所述问题所匹配的文本模板。
3.根据权利要求2所述的方法,其中,所述每个所述词语的类型基于以下步骤确定:
基于每个所述词语的词义,确定每个所述词语所对应的槽位;所述槽位基于知识图谱中的实物名和实物名的属性确定;
基于每个所述词语所对应的槽位,确定每个槽位所对应的实物类型,将每个槽位所对应的实物类型作为所述词语的类型。
4.根据权利要求2所述的方法,其中,所述每个所述词语的类型基于以下步骤确定:
将每个所述词语输入已训练的归属模型,得到所述已训练的归属模型输出的每个所述词语对应的知识图谱中的实物名;所述已训练的归属模型采用词语与知识图谱中的实物名的对应关系训练得到;
基于所述实物名,确定所述实物名在所述知识图谱中所属的实物类型,将所述实物类型作为所述词语的类型。
5.根据权利要求3或4所述的方法,其中,所述基于所述问题和所述逻辑表达式,生成查询语句,包括:
将所述问题的每个所述词语对应的知识图谱中的实物名添加至所述逻辑表达式,生成查询语句。
6.一种自动问答装置,所述装置包括:
获取单元,被配置成获取输入的问题,确定所述问题所匹配的文本模板;
匹配单元,被配置成查询所述文本模板所匹配的逻辑表达式;
生成单元,被配置成基于所述问题和所述逻辑表达式,生成查询语句;
查询单元,被配置成采用所述查询语句,查询所述问题的答案。
7.根据权利要求6所述的装置,其中,所述获取单元包括:
问题获取模块,被配置成获取输入的问题;
问题分词模块,被配置成对所述问题进行分词,得到至少一个词语;
模板确定模块,被配置成基于每个所述词语的类型,确定所述问题的文本模板;
模板匹配模块,被配置成将所述问题的文本模板与预设的文本模板进行匹配,并将所述预设的文本模板中与所述问题的文本模板相匹配的文本模板作为所述问题所匹配的文本模板。
8.根据权利要求7所述的装置,其中,所述模板确定模块中每个所述词语的类型基于以下模块确定:
槽位确定模块,被配置成基于每个所述词语的词义,确定每个所述词语所对应的槽位;所述槽位基于知识图谱中的实物名和实物名的属性确定;
词语类型确定模块,被配置成基于每个所述词语所对应的槽位,确定每个槽位所对应的实物类型,将每个槽位所对应的实物类型作为所述词语的类型。
9.根据权利要求7所述的装置,其中,所述模板确定模块中每个所述词语的类型基于以下模块确定:
模型确定模块,被配置成将每个所述词语输入已训练的归属模型,得到所述已训练的归属模型输出的每个所述词语对应的知识图谱中的实物名;所述已训练的归属模型采用词语与知识图谱中的实物名的对应关系训练得到;
确定词语类型模块,被配置成基于所述实物名,确定所述实物名在所述知识图谱中所属的实物类型,将所述实物类型作为所述词语的类型。
10.根据权利要求8或9所述的装置,其中,所述生成单元,还被配置成将所述问题的每个所述词语对应的知识图谱中的实物名添加至所述逻辑表达式,生成查询语句。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010614920.8A CN111767381A (zh) | 2020-06-30 | 2020-06-30 | 自动问答方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010614920.8A CN111767381A (zh) | 2020-06-30 | 2020-06-30 | 自动问答方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111767381A true CN111767381A (zh) | 2020-10-13 |
Family
ID=72723417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010614920.8A Pending CN111767381A (zh) | 2020-06-30 | 2020-06-30 | 自动问答方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767381A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182195A (zh) * | 2020-10-27 | 2021-01-05 | 北京百分点信息科技有限公司 | 自动问答方法、装置、可读存储介质及电子设备 |
CN112560449A (zh) * | 2021-02-23 | 2021-03-26 | 北京远鉴信息技术有限公司 | 一种文本质量的检测方法、装置、电子设备及存储介质 |
CN113626468A (zh) * | 2021-08-12 | 2021-11-09 | 平安科技(深圳)有限公司 | 基于人工智能的sql语句生成方法、装置、设备及存储介质 |
CN113641805A (zh) * | 2021-07-19 | 2021-11-12 | 北京百度网讯科技有限公司 | 结构化问答模型的获取方法、问答方法及对应装置 |
WO2022105122A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技(深圳)有限公司 | 基于人工智能的答案生成方法、装置、计算机设备及介质 |
CN116028605A (zh) * | 2023-01-03 | 2023-04-28 | 北京百度网讯科技有限公司 | 逻辑表达式生成方法、模型训练方法、装置及介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040167875A1 (en) * | 2003-02-20 | 2004-08-26 | Eriks Sneiders | Information processing method and system |
CN104866593A (zh) * | 2015-05-29 | 2015-08-26 | 中国电子科技集团公司第二十八研究所 | 一种基于知识图谱的数据库搜索方法 |
CN105868313A (zh) * | 2016-03-25 | 2016-08-17 | 浙江大学 | 一种基于模板匹配技术的知识图谱问答***及方法 |
CN106294341A (zh) * | 2015-05-12 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 一种智能问答***及其主题判别方法和装置 |
CN107247736A (zh) * | 2017-05-08 | 2017-10-13 | 广州索答信息科技有限公司 | 一种基于知识图谱的厨房领域问答方法及*** |
CN107918634A (zh) * | 2017-06-27 | 2018-04-17 | 上海壹账通金融科技有限公司 | 智能问答方法、装置及计算机可读存储介质 |
CN108268580A (zh) * | 2017-07-14 | 2018-07-10 | 广东神马搜索科技有限公司 | 基于知识图谱的问答方法及装置 |
CN108446286A (zh) * | 2017-02-16 | 2018-08-24 | 阿里巴巴集团控股有限公司 | 一种自然语言问句答案的生成方法、装置及服务器 |
CN109271504A (zh) * | 2018-11-07 | 2019-01-25 | 爱因互动科技发展(北京)有限公司 | 基于知识图谱的推理对话的方法 |
CN109492077A (zh) * | 2018-09-29 | 2019-03-19 | 北明智通(北京)科技有限公司 | 基于知识图谱的石化领域问答方法及*** |
CN109522393A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 智能问答方法、装置、计算机设备和存储介质 |
CN109657037A (zh) * | 2018-12-21 | 2019-04-19 | 焦点科技股份有限公司 | 一种基于实体类型和语义相似度的知识图谱问答方法及*** |
CN109753658A (zh) * | 2018-12-29 | 2019-05-14 | 百度在线网络技术(北京)有限公司 | 交互方法和装置 |
CN111125309A (zh) * | 2019-12-23 | 2020-05-08 | 中电云脑(天津)科技有限公司 | 自然语言处理方法、装置及计算设备、存储介质 |
CN111339246A (zh) * | 2020-02-10 | 2020-06-26 | 腾讯云计算(北京)有限责任公司 | 查询语句模板的生成方法、装置、设备及介质 |
-
2020
- 2020-06-30 CN CN202010614920.8A patent/CN111767381A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040167875A1 (en) * | 2003-02-20 | 2004-08-26 | Eriks Sneiders | Information processing method and system |
CN106294341A (zh) * | 2015-05-12 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 一种智能问答***及其主题判别方法和装置 |
CN104866593A (zh) * | 2015-05-29 | 2015-08-26 | 中国电子科技集团公司第二十八研究所 | 一种基于知识图谱的数据库搜索方法 |
CN105868313A (zh) * | 2016-03-25 | 2016-08-17 | 浙江大学 | 一种基于模板匹配技术的知识图谱问答***及方法 |
CN108446286A (zh) * | 2017-02-16 | 2018-08-24 | 阿里巴巴集团控股有限公司 | 一种自然语言问句答案的生成方法、装置及服务器 |
CN107247736A (zh) * | 2017-05-08 | 2017-10-13 | 广州索答信息科技有限公司 | 一种基于知识图谱的厨房领域问答方法及*** |
CN107918634A (zh) * | 2017-06-27 | 2018-04-17 | 上海壹账通金融科技有限公司 | 智能问答方法、装置及计算机可读存储介质 |
CN108268580A (zh) * | 2017-07-14 | 2018-07-10 | 广东神马搜索科技有限公司 | 基于知识图谱的问答方法及装置 |
CN109492077A (zh) * | 2018-09-29 | 2019-03-19 | 北明智通(北京)科技有限公司 | 基于知识图谱的石化领域问答方法及*** |
CN109522393A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 智能问答方法、装置、计算机设备和存储介质 |
CN109271504A (zh) * | 2018-11-07 | 2019-01-25 | 爱因互动科技发展(北京)有限公司 | 基于知识图谱的推理对话的方法 |
CN109657037A (zh) * | 2018-12-21 | 2019-04-19 | 焦点科技股份有限公司 | 一种基于实体类型和语义相似度的知识图谱问答方法及*** |
CN109753658A (zh) * | 2018-12-29 | 2019-05-14 | 百度在线网络技术(北京)有限公司 | 交互方法和装置 |
CN111125309A (zh) * | 2019-12-23 | 2020-05-08 | 中电云脑(天津)科技有限公司 | 自然语言处理方法、装置及计算设备、存储介质 |
CN111339246A (zh) * | 2020-02-10 | 2020-06-26 | 腾讯云计算(北京)有限责任公司 | 查询语句模板的生成方法、装置、设备及介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182195A (zh) * | 2020-10-27 | 2021-01-05 | 北京百分点信息科技有限公司 | 自动问答方法、装置、可读存储介质及电子设备 |
CN112182195B (zh) * | 2020-10-27 | 2022-12-27 | 北京百分点科技集团股份有限公司 | 自动问答方法、装置、可读存储介质及电子设备 |
WO2022105122A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技(深圳)有限公司 | 基于人工智能的答案生成方法、装置、计算机设备及介质 |
CN112560449A (zh) * | 2021-02-23 | 2021-03-26 | 北京远鉴信息技术有限公司 | 一种文本质量的检测方法、装置、电子设备及存储介质 |
CN113641805A (zh) * | 2021-07-19 | 2021-11-12 | 北京百度网讯科技有限公司 | 结构化问答模型的获取方法、问答方法及对应装置 |
CN113641805B (zh) * | 2021-07-19 | 2024-05-24 | 北京百度网讯科技有限公司 | 结构化问答模型的获取方法、问答方法及对应装置 |
CN113626468A (zh) * | 2021-08-12 | 2021-11-09 | 平安科技(深圳)有限公司 | 基于人工智能的sql语句生成方法、装置、设备及存储介质 |
WO2023015841A1 (zh) * | 2021-08-12 | 2023-02-16 | 平安科技(深圳)有限公司 | 基于人工智能的 sql 语句生成方法、装置、设备及存储介质 |
CN113626468B (zh) * | 2021-08-12 | 2024-03-01 | 平安科技(深圳)有限公司 | 基于人工智能的sql语句生成方法、装置、设备及存储介质 |
CN116028605A (zh) * | 2023-01-03 | 2023-04-28 | 北京百度网讯科技有限公司 | 逻辑表达式生成方法、模型训练方法、装置及介质 |
CN116028605B (zh) * | 2023-01-03 | 2023-11-14 | 北京百度网讯科技有限公司 | 逻辑表达式生成方法、模型训练方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111767381A (zh) | 自动问答方法和装置 | |
US10635392B2 (en) | Method and system for providing interface controls based on voice commands | |
KR102565673B1 (ko) | 시멘틱 표현 모델의 생성 방법, 장치, 전자 기기 및 저장 매체 | |
CN111428049B (zh) | 一种事件专题的生成方法、装置、设备和存储介质 | |
CN112507700A (zh) | 事件抽取方法、装置、电子设备及存储介质 | |
CN112507715A (zh) | 确定实体之间关联关系的方法、装置、设备和存储介质 | |
US20210200813A1 (en) | Human-machine interaction method, electronic device, and storage medium | |
CN112528001B (zh) | 一种信息查询方法、装置及电子设备 | |
CN112541076B (zh) | 目标领域的扩充语料生成方法、装置和电子设备 | |
CN112163405A (zh) | 问题的生成方法和装置 | |
CN111966781B (zh) | 数据查询的交互方法及装置、电子设备和存储介质 | |
CN111611990A (zh) | 用于识别图像中表格的方法和装置 | |
CN111984774B (zh) | 搜索方法、装置、设备以及存储介质 | |
CN111090991B (zh) | 场景纠错方法、装置、电子设备和存储介质 | |
US11704326B2 (en) | Generalization processing method, apparatus, device and computer storage medium | |
CN111767334A (zh) | 信息抽取方法、装置、电子设备及存储介质 | |
US20230094730A1 (en) | Model training method and method for human-machine interaction | |
CN111708800A (zh) | 查询方法、装置及电子设备 | |
CN112559718B (zh) | 对话处理的方法、装置、电子设备和存储介质 | |
EP3822818A1 (en) | Method, apparatus, device and storage medium for intelligent response | |
EP3855323A1 (en) | Method and apparatus for generating conversation, electronic device, and storage medium | |
CN113743127B (zh) | 任务型对话的方法、装置、电子设备及存储介质 | |
CN112614479B (zh) | 训练数据的处理方法、装置及电子设备 | |
CN113595874B (zh) | 即时通讯群组的搜索方法、装置、电子设备和存储介质 | |
CN115168577B (zh) | 模型更新方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |