CN111782767A - 问答方法、装置、设备及存储介质 - Google Patents

问答方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111782767A
CN111782767A CN202010613891.3A CN202010613891A CN111782767A CN 111782767 A CN111782767 A CN 111782767A CN 202010613891 A CN202010613891 A CN 202010613891A CN 111782767 A CN111782767 A CN 111782767A
Authority
CN
China
Prior art keywords
question
information
vector
answer
answer information
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
Application number
CN202010613891.3A
Other languages
English (en)
Inventor
李世杰
张子健
陈欢
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.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology 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 Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202010613891.3A priority Critical patent/CN111782767A/zh
Publication of CN111782767A publication Critical patent/CN111782767A/zh
Pending legal-status Critical Current

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
    • G06F16/332—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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种问答方法、装置、设备及存储介质，属于自然语言处理领域。方法包括：调用答案生成模型，根据第一问题信息的第一问题向量和至少一条第二问题向量，获取至少一条答案信息，根据第一问题信息或第一问题向量，在问答数据库中进行检索；调用排序模型，按照与第一问题信息的匹配度从高到低的顺序，对获取到的多条答案信息进行排序，将排在第一位的答案信息确定为目标答案信息。保证了即使在采用检索方式检索不到答案信息的情况下也能生成答案信息，不会出现答案信息缺失的情况，而且也综合考虑了上下文的影响以及答案信息与问题信息的匹配程度，提高了答案信息的准确性。

Description

问答方法、装置、设备及存储介质
技术领域
本申请涉及自然语言处理领域，特别涉及一种问答方法、装置、设备及存储介质。
背景技术
随着互联网的普及和自然语言处理技术的广泛应用，智能问答功能逐渐兴起，用户输入问题信息后，利用智能问答功能可以自动回答用户的问题，从而与用户进行互动。
相关技术中，用户输入问题信息后，获取该问题信息中的关键词，基于获取的关键词，在数据库中检索与该关键词匹配的答案信息，以完成对问题信息的回答。
但是，无法在数据库中检索到匹配的答案信息时，则无法对该问题信息进行回答，因此上述方法具有局限性。
发明内容
本申请实例提供了一种问答方法、装置、设备及存储介质，提高了获取的答案信息的准确性。所述技术方案如下：
一方面，提供了一种问答方法，所述方法包括：
获取第一问题信息的第一问题向量和至少一条第二问题信息的第二问题向量，所述至少一条第二问题信息为在所述第一问题信息之前获取的问题信息；
调用答案生成模型，根据所述第一问题向量和至少一条第二问题向量，获取至少一条答案信息，所述答案生成模型用于根据任一问题向量生成所述任一问题向量匹配的答案信息；
根据所述第一问题信息或所述第一问题向量，在问答数据库中进行检索；
调用排序模型，按照与所述第一问题信息的匹配度从高到低的顺序，对获取到的多条答案信息进行排序，将排在第一位的答案信息确定为所述目标答案信息。
在一种可能实现方式中，所述方法还包括：
获取样本问题信息和对应的样本答案信息，以及所述样本问题信息与所述样本答案信息的样本匹配度；
根据所述样本问题信息、所述样本答案信息和所述样本匹配度，对所述排序模型进行训练，得到训练后的排序模型。
在另一种可能实现方式中，所述根据所述样本问题信息、所述样本答案信息和所述样本匹配度，对所述排序模型进行训练，得到训练后的排序模型，包括：
将所述样本问题信息与所述样本答案信息输入至所述排序模型中，获取所述样本问题信息与所述样本答案信息的预测匹配度；
根据所述样本匹配度和所述预测匹配度，对所述排序模型进行训练，得到训练后的排序模型。
在另一种可能实现方式中，所述排序模型包括多个匹配层、一个融合层和一个排序层，所述调用排序模型，按照与所述第一问题信息的匹配度从高到低的顺序，对获取到的多条答案信息进行排序，将排在第一位的答案信息确定为所述目标答案信息，包括：
调用所述多个匹配层，分别获取每条答案信息与所述第一问题信息的匹配度；
调用所述融合层，获取所述每条答案信息的多个匹配度的融合匹配度；
调用所述排序层，按照融合匹配度由高到低的顺序，对所述多条答案信息进行排序，将排在第一位的答案信息确定为所述目标答案信息。
在另一种可能实现方式中，所述获取第一问题信息的第一问题向量，包括：
对所述第一问题信息进行分词处理，得到分词后的多个第一词语；
获取所述多个第一词语的相似词语；
每次将至少一个第一词语替换为对应的相似词语，生成一条相似问题信息；
根据所述第一问题信息和所述至少一条相似问题信息，获取所述第一问题向量。
在另一种可能实现方式中，所述获取所述多个第一词语的相似词语，包括：
从知识数据库中，获取所述多个第一词语中每个第一词语关联的相似词语，所述知识数据库用于存储各个词语与每个词语关联的相似词语；或者，
获取所述多个第一词语中每个第一词语与至少一个预设词语的相似度，将与任一第一词语的相似度大于第一预设相似度的预设词语，作为所述任一第一词语的相似词语。
在另一种可能实现方式中，所述根据所述第一问题信息和所述至少一条相似问题信息，获取所述第一问题向量，包括：
获取所述至少一条相似问题信息的特征向量和所述第一问题信息的特征向量的平均向量，作为所述第一问题向量。
在另一种可能实现方式中，所述调用答案生成模型，根据所述第一问题向量和至少一条第二问题向量，获取至少一条答案信息，包括：
将所述第一问题向量和所述至少一条第二问题向量进行拼接，得到第三问题向量；
调用所述答案生成模型，根据所述第三问题向量，获取所述至少一条答案信息。
在另一种可能实现方式中，所述根据所述第一问题信息或所述第一问题向量，在问答数据库中进行检索，包括：
将所述第一问题向量和所述至少一条第二问题向量进行拼接，得到第三问题向量；
根据所述第三问题向量与所述问答数据库中的每个预设答案信息的特征向量之间的相似度，获取至少一条答案信息，所述至少一条答案信息的特征向量与所述第三问题向量的相似度大于其他预设答案信息的特征向量与所述第三问题向量的相似度。
在另一种可能实现方式中，所述至少一条第二问题向量包括多条第二问题向量，所述调用答案生成模型，根据所述第一问题向量和至少一条第二问题向量，获取至少一条答案信息，包括：
对所述多条第二问题向量进行加权平均，得到第四问题向量；
将所述第一问题向量和所述第四问题向量进行拼接，得到融合问题向量；
根据所述融合问题向量，调用所述答案生成模型，获取所述至少一条答案信息。
在另一种可能实现方式中，所述根据所述第一问题信息或所述第一问题向量，在问答数据库中进行检索，包括：
对所述多个第二问题向量进行加权平均，得到第四问题向量；
将所述第一问题向量和所述第四问题向量进行拼接，得到融合问题向量；
根据所述融合问题向量与所述问答数据库中的每个预设答案信息的特征向量之间的相似度，获取至少一条答案信息，所述至少一条答案信息的特征向量与所述融合问题向量的相似度大于其他预设答案信息的特征向量与所述融合问题向量的相似度。
在另一种可能实现方式中，所述根据所述第一问题信息或所述第一问题向量，在问答数据库中进行检索，包括：
根据所述第一问题向量，在所述问答数据库中进行检索，确定至少一条第五问题向量，所述至少一条第五问题向量包括所述第一问题向量相似的问题向量；或者，
根据所述第一问题向量和所述至少一条第二问题向量，在所述问答数据库中进行检索，确定至少一条第五问题向量，所述至少一条第五问题向量包括所述第一问题向量相似的问题向量或所述至少一条第二问题向量相似的问题向量中的至少一种；
从所述问答数据库中，获取所述至少一条第五问题向量的答案信息，作为所述至少一条答案信息。
在另一种可能实现方式中，所述根据所述第一问题信息或所述第一问题向量，在问答数据库中进行检索，包括：
根据所述第一问题向量与所述问答数据库中的每个预设答案信息的特征向量之间的相似度，获取所述至少一条答案信息，所述至少一条答案信息的特征向量与所述第一问题向量的相似度大于其他预设答案信息的特征向量与所述第一问题向量的相似度。
在另一种可能实现方式中，所述根据所述第一问题信息或所述第一问题向量，在问答数据库中进行检索，包括：
对所述第一问题信息进行分词处理，得到所述第一问题信息的关键词或实体；
对所述问答数据库中预设答案信息进行分词处理，得到所述预设答案信息的关键词或实体；
根据所述第一问题信息的关键词或实体，以及所述问答数据库中预设答案信息的关键词或实体，获取至少一条答案信息。
另一方面，提供了一种问答装置，所述装置包括：
获取模块，用于获取第一问题信息的第一问题向量和至少一条第二问题信息的第二问题向量，所述至少一条第二问题信息为在所述第一问题信息之前获取的问题信息；
生成模块，用于调用答案生成模型，根据所述第一问题向量和至少一条第二问题向量，获取至少一条答案信息，所述答案生成模型用于根据任一问题向量生成所述任一问题向量匹配的答案信息；
检索模块，用于根据所述第一问题信息或所述第一问题向量，在问答数据库中进行检索；
排序模块，用于调用排序模型，按照与所述第一问题信息的匹配度从高到低的顺序，对获取到的多条答案信息进行排序，将排在第一位的答案信息确定为所述目标答案信息。
在一种可能实现方式中，所述装置还包括：
所述获取模块，用于获取样本问题信息和对应的样本答案信息，以及所述样本问题信息与所述样本答案信息的样本匹配度；
训练模块，用于根据所述样本问题信息、所述样本答案信息和所述样本匹配度，对所述排序模型进行训练，得到训练后的排序模型。
在另一种可能实现方式中，所述训练模块，包括：
输入单元，用于将所述样本问题信息与所述样本答案信息输入至所述排序模型中，获取所述样本问题信息与所述样本答案信息的预测匹配度；
训练单元，用于根据所述样本匹配度和所述预测匹配度，对所述排序模型进行训练，得到训练后的排序模型。
在另一种可能实现方式中，所述排序模型包括多个匹配层、一个融合层和一个排序层，所述生成模块，包括：
匹配度获取单元，用于调用所述多个匹配层，分别获取每条答案信息与所述第一问题信息的匹配度；
融合单元，用于调用所述融合层，获取每条答案信息的多个匹配度的融合匹配度；
排序单元，用于调用所述排序层，按照融合匹配度由高到低的顺序，对所述多条答案信息进行排序，将排在第一位的答案信息确定为所述目标答案信息。
在另一种可能实现方式中，所述获取模块，用于执行以下任一项：
对所述第一问题信息进行分词处理，得到分词后的多个第一词语；
获取所述多个第一词语的相似词语；
每次将至少一个第一词语替换为对应的相似词语，生成一条相似问题信息；
根据所述第一问题信息和所述至少一条相似问题信息，获取所述第一问题向量。
在另一种可能实现方式中，所述获取模块，用于执行以下任一项：
从知识数据库中，获取所述多个第一词语中每个第一词语关联的相似词语，所述知识数据库用于存储各个词语与每个词语关联的相似词语；或者，
获取所述多个第一词语中每个第一词语与至少一个预设词语的相似度，将与任一第一词语的相似度大于第一预设相似度的预设词语，作为所述任一第一词语的相似词语。
在另一种可能实现方式中，所述获取模块，用于获取所述至少一条相似问题信息的特征向量和所述第一问题信息的特征向量的平均向量，作为所述第一问题向量。
在另一种可能实现方式中，所述生成模块，用于执行以下任一项：
将所述第一问题向量和所述至少一条第二问题向量进行拼接，得到第三问题向量；
调用所述答案生成模型，根据所述第三问题向量，获取所述至少一条答案信息。
在另一种可能实现方式中，所述检索模块，用于执行以下任一项：
将所述第一问题向量和所述至少一条第二问题向量进行拼接，得到第三问题向量；
根据所述第三问题向量与所述问答数据库中的每个预设答案信息的特征向量之间的相似度，获取至少一条答案信息，所述至少一条答案信息的特征向量与所述第三问题向量的相似度大于其他预设答案信息的特征向量与所述第三问题向量的相似度。
在另一种可能实现方式中，所述至少一条第二问题向量包括多条第二问题向量，所述生成模块，用于执行以下任一项：
对所述多条第二问题向量进行加权平均，得到第四问题向量；
将所述第一问题向量和所述第四问题向量进行拼接，得到融合问题向量；
根据所述融合问题向量，调用所述答案生成模型，获取所述至少一条答案信息。
在另一种可能实现方式中，所述检索模块，用于执行以下任一项：
对所述多个第二问题向量进行加权平均，得到第四问题向量；
将所述第一问题向量和所述第四问题向量进行拼接，得到融合问题向量；
根据所述融合问题向量与所述问答数据库中的每个预设答案信息的特征向量之间的相似度，获取至少一条答案信息，所述至少一条答案信息的特征向量与所述融合问题向量的相似度大于其他预设答案信息的特征向量与所述融合问题向量的相似度。
在另一种可能实现方式中，所述检索模块，用于执行以下任一项：
根据所述第一问题向量，在所述问答数据库中进行检索，确定至少一条第五问题向量，所述至少一条第五问题向量包括所述第一问题向量相似的问题向量；或者，
根据所述第一问题向量和所述至少一条第二问题向量，在所述问答数据库中进行检索，确定至少一条第四问题向量，所述至少一条第四问题向量包括所述第一问题向量相似的问题向量或所述至少一条第二问题向量相似的问题向量中的至少一种；
从所述问答数据库中，获取所述至少一条第四问题向量的答案信息，作为所述至少一条答案信息。
在另一种可能实现方式中，所述检索模块，用于执行以下任一项：
对所述第一问题信息进行分词处理，得到所述第一问题信息的关键词或实体；
对所述问答数据库中预设答案信息进行分词处理，得到所述预设答案信息的关键词或实体；
根据所述第一问题信息的关键词或实体，以及所述问答数据库中预设答案信息的关键词或实体，获取至少一条答案信息。
另一方面，提供了一种电子设备，所述电子设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条指令，所述至少一条指令由所述一个或多个处理器加载并执行以实现如所述问答方法所执行的操作。
另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如所述的问答方法所执行的操作。
本申请实施例提供的问答方法、装置、设备及存储介质，采用了基于模型自动生成的方式和检索方式来获取答案信息，再调用排序模型，按照答案信息与问题信息的匹配度对获取的多条答案信息进行排序，获取排在第一位的答案信息，即为与第一问题信息最为匹配的答案信息，保证了即使在采用检索方式检索不到答案信息的情况下也能生成答案信息，不会出现答案信息缺失的情况，而且也综合考虑了上下文的影响以及答案信息与问题信息的匹配程度，提高了答案信息的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种实施环境的结构示意图；
图2是本申请实施例提供的一种问答方法的流程图；
图3是本申请实施例提供的一种问答方法的流程图；
图4是本申请实施例提供的一种答案生成模型的框图；
图5是本申请实施例提供的一种检索答案信息的框图；
图6是本申请实施例提供的一种排序模型进行排序的框图；
图7是本申请实施例提供的一种确定答案的框图；
图8是本申请实施例提供的一种输入模块所执行操作的框图；
图9是本申请实施例提供的一种问答装置的结构示意图；
图10是本申请实施例提供的一种问答装置的结构示意图；
图11是本申请实施例提供的一种终端的结构示意图；
图12是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
本申请提供的问答方法，可以在线上自动为用户提问的问题提供答案，提高了对问题进行回答的准确性，且可以应用于多种场景下：
例如，本申请提供的问答方法，应用于智能客服场景中，在用户使用任一应用程序时，该任一应用程序可以为用户提供客服问答功能的服务，用户可以在该应用程序中输入问题信息，当应用程序检测到用户输入的问题信息后，然后采用本申请实施例提供的问答方法，根据该问题信息，确定出匹配的答案，供用户查看确定出的答案。
或者，本申请提供的问答方法，应用于娱乐互动场景中，当用户需要进行娱乐时，可以与智能机器人进行互动交流，用户可以向智能机器人输入问题信息，然后采用本申请实施例提供的问答方法，根据用户输入的问题信息，确定出匹配的答案，然后再向用户回复该答案，进而与用户进行互动。
另外，本申请实施例提供的方法应用于电子设备中，该电子设备可以包括终端，还可以包括服务器。
当电子设备包括终端时，本申请实施例提供的方法由终端执行。
或者，图1示出了本申请实施例的实施环境结构示意图，参见图1，当电子设备包括终端101和服务器102时，终端101与服务器102之间通过通信网络连接，当终端101获取第一问题信息后，通过通信网络将该第一问题信息发送给服务器102，服务器102根据本申请实施例提供的方法，确定目标答案信息，然后再将目标答案信息反馈给终端101，用户即可通过终端101查看该目标问题信息。
其中，该终端可以为手机、平板电脑、计算机等多种类型的终端，该服务器可以为一台服务器、或者由若干服务器组成的服务器集群，或者是一个云计算服务中心。
图2是本申请实施例提供的一种问答方法的流程图，参见图2，该方法包括：
201、获取第一问题信息的第一问题向量和至少一条第二问题信息的第二问题向量。
其中，至少一条第二问题信息为在第一问题信息之前获取的问题信息。
202、调用答案生成模型，根据第一问题向量和至少一条第二问题向量，获取至少一条答案信息。
其中，答案生成模型用于根据任一问题向量生成任一问题向量匹配的答案信息。
203、根据第一问题信息或第一问题向量，在问答数据库中进行检索。
204、调用排序模型，按照与第一问题信息的匹配度从高到低的顺序，对获取到的多条答案信息进行排序，将排在第一位的答案信息确定为目标答案信息。
本申请实施例提供的方法，采用了基于模型自动生成的方式和检索方式来获取答案信息，再调用排序模型，按照答案信息与问题信息的匹配度对获取的多条答案信息进行排序，获取排在第一位的答案信息，即为与第一问题信息最为匹配的答案信息，保证了即使在采用检索方式检索不到答案信息的情况下也能生成答案信息，不会出现答案信息缺失的情况，而且也综合考虑了上下文的影响以及答案信息与问题信息的匹配程度，提高了答案信息的准确性。
在一种可能实现方式中，方法还包括：
获取样本问题信息和对应的样本答案信息，以及样本问题信息与样本答案信息的样本匹配度；
根据样本问题信息、样本答案信息和样本匹配度，对排序模型进行训练，得到训练后的排序模型。
在另一种可能实现方式中，根据样本问题信息、样本答案信息和样本匹配度，对排序模型进行训练，得到训练后的排序模型，包括：
将样本问题信息与样本答案信息输入至排序模型中，获取样本问题信息与样本答案信息的预测匹配度；
根据样本匹配度和预测匹配度，对排序模型进行训练，得到训练后的排序模型。
在另一种可能实现方式中，排序模型包括多个匹配层、一个融合层和一个排序层，调用排序模型，按照与第一问题信息的匹配度从高到低的顺序，对获取到的多条答案信息进行排序，将排在第一位的答案信息确定为目标答案信息，包括：
调用多个匹配层，分别获取每条答案信息与第一问题信息的匹配度；
调用融合层，获取每条答案信息的多个匹配度的融合匹配度；
调用排序层，按照融合匹配度由高到低的顺序，对多条答案信息进行排序，将排在第一位的答案信息确定为目标答案信息。
在另一种可能实现方式中，获取第一问题信息的第一问题向量，包括：
对第一问题信息进行分词处理，得到分词后的多个第一词语；
获取多个第一词语的相似词语；
每次将至少一个第一词语替换为对应的相似词语，生成一条相似问题信息；
根据第一问题信息和至少一条相似问题信息，获取第一问题向量。
在另一种可能实现方式中，获取多个第一词语的相似词语，包括：
从知识数据库中，获取多个第一词语中每个第一词语关联的相似词语，知识数据库用于存储各个词语与每个词语关联的相似词语；或者，
获取多个第一词语中每个第一词语与至少一个预设词语的相似度，将与任一第一词语的相似度大于第一预设相似度的预设词语，作为任一第一词语的相似词语。
在另一种可能实现方式中，根据第一问题信息和至少一条相似问题信息，获取第一问题向量，包括：
获取至少一条相似问题信息的特征向量和第一问题信息的特征向量的平均向量，作为第一问题向量。
在另一种可能实现方式中，调用答案生成模型，根据第一问题向量和至少一条第二问题向量，获取至少一条答案信息，包括：
将第一问题向量和至少一条第二问题向量进行拼接，得到第三问题向量；
调用答案生成模型，根据第三问题向量，获取至少一条答案信息。
在另一种可能实现方式中，根据第一问题信息或第一问题向量，在问答数据库中进行检索，包括：
将第一问题向量和至少一条第二问题向量进行拼接，得到第三问题向量；
根据第三问题向量与问答数据库中的每个预设答案信息的特征向量之间的相似度，获取至少一条答案信息，至少一条答案信息的特征向量与第三问题向量的相似度大于其他预设答案信息的特征向量与第三问题向量的相似度。
在另一种可能实现方式中，至少一条第二问题向量包括多条第二问题向量，调用答案生成模型，根据第一问题向量和至少一条第二问题向量，获取至少一条答案信息，包括：
对多条第二问题向量进行加权平均，得到第四问题向量；
将第一问题向量和第四问题向量进行拼接，得到融合问题向量；
根据融合问题向量，调用答案生成模型，获取至少一条答案信息。
在另一种可能实现方式中，根据第一问题信息或第一问题向量，在问答数据库中进行检索，包括：
对多个第二问题向量进行加权平均，得到第四问题向量；
将第一问题向量和第四问题向量进行拼接，得到融合问题向量；
根据融合问题向量与问答数据库中的每个预设答案信息的特征向量之间的相似度，获取至少一条答案信息，至少一条答案信息的特征向量与融合问题向量的相似度大于其他预设答案信息的特征向量与融合问题向量的相似度。
在另一种可能实现方式中，根据第一问题信息或第一问题向量，在问答数据库中进行检索，包括：
根据第一问题向量，在问答数据库中进行检索，确定至少一条第五问题向量，至少一条第五问题向量包括第一问题向量相似的问题向量；或者，
根据第一问题向量和至少一条第二问题向量，在问答数据库中进行检索，确定至少一条第五问题向量，至少一条第五问题向量包括第一问题向量相似的问题向量或至少一条第二问题向量相似的问题向量中的至少一种；
从问答数据库中，获取至少一条第五问题向量的答案信息，作为至少一条答案信息。
在另一种可能实现方式中，根据第一问题信息或第一问题向量，在问答数据库中进行检索，包括：
根据第一问题向量与问答数据库中的每个预设答案信息的特征向量之间的相似度，获取至少一条答案信息，至少一条答案信息的特征向量与第一问题向量的相似度大于其他预设答案信息的特征向量与融合问题向量的相似度。
在另一种可能实现方式中，根据第一问题信息或第一问题向量，在问答数据库中进行检索，包括：
对第一问题信息进行分词处理，得到第一问题信息的关键词或实体；
对问答数据库中预设答案信息进行分词处理，得到预设答案信息的关键词或实体；
根据第一问题信息的关键词或实体，以及问答数据库中预设答案信息的关键词或实体，获取至少一条答案信息。
图3是本申请实施例提供的一种问答方法的流程图，参见图3，该方法应用于电子设备中，该方法包括：
301、获取第一问题信息的第一问题向量和至少一条第二问题信息的第二问题向量。
其中，该第一问题信息为用户当前输入的问题信息。例如，该第一问题信息可以为用户询问操作的问题信息、或者为用户询问名称的问题信息、或者为用户询问物品价格的问题信息等等。
本申请实施例中，在针对第一问题信息进行回答时，不仅根据获取的第一问题信息的第一问题向量进行回答，而且还需要获取该第一问题信息之前的至少一条第二问题信息，后续根据该第一问题信息和至少一条第二问题信息进行回答。
该第一问题信息为用户当前所询问的问题，在该第一问题信息之前，用户还询问过其他问题，因此，获取该第一问题信息之前的至少一个第二问题信息，后续综合该用户在之前询问的问题信息，对用户的第一问题信息进行回答，可以提高生成的答案信息的准确率。
在一种可能实现方式中，将获取的至少一条第二问题信息输入至向量编码模型中，获取该至少一个第二问题信息的第二问题向量。其中，该向量编码模型用于获取任一问题信息的问题向量。
可选地，对第一问题信息进行分词处理，得到分词后的多个第一词语，获取多个第一词语的相似词语，每次将至少一个第一词语替换为对应的相似词语，生成一条相似问题信息，根据第一问题信息和至少一条相似问题信息，获取第一问题向量。
其中，获取第一词语的相似词语，在用相似词语将第一词语替换后，可以获取到与第一问题信息相似的相似问题信息，通过对获取的第一词语的扩展，进而实现了对第一问题信息的扩展，能够获取更多的与第一问题信息相似的其他问题信息，能够充分考虑到同一信息的不同表达方式。
获取到分词的多个第一词语的相似词语后，可以将至少一个第一词语替换为对应的相似词语，例如，将其中的一个第一词语替换为对应的相似词语，将其中的两个第一词语替换为对应的相似词语等等，然后可以生成替换后的一条相似问题信息，然后再根据该第一问题信息和至少一条相似问题信息，获取第一问题向量。
在一种可能实现方式中，从知识数据库中，获取多个第一词语中每个第一词语关联的相似词语。
其中，该知识数据库用于存储各个词语与每个词语关联的相似词语。且该知识数据库可以描述各个词语之间的关系，在每个词语之间建立关联，形成词语之间的网状结构。
当对第一问题信息进行分词处理，再根据分词得到的第一词语查询该知识数据库，即可确定该知识数据库中与第一词语关联的相似词语。
在另一种可能实现方式中，获取多个第一词语中每个第一词语与至少一个预设词语的相似度，将与任一第一词语的相似度大于第一预设相似度的预设词语，作为任一第一词语的相似词语。
在本申请实施例中，对第一问题信息进行分词处理后，获取多个第一词语，然后计算每个第一词语与至少一个预设词语的相似度，然后再判断每个第一词语与至少一个预设词语的相似度是否大于第一预设相似度，当确定任一第一词语与预设词语的相似度大于第一预设相似度时，则将该预设词语作为该任一第一词语的相似词语。
其中，该第一预设相似度由服务器设置、或者由技术人员设置，或者采用其他方式设置。该第一预设相似度可以为0.7、0.8或者其他数值。
例如，当用户输入的第一问题信息为“我要查询一下这个订单”时，分词得到的多个第一词语分别为“我”、“要”、“查询”、“一下”、“这个”、“订单”，可以确定“查询”的相似词语为“查找”，“订单”的相似词语为“账单”，将“查询”替换为“查找”，则生成的相似问题信息为“我要查找一下这个订单”，将“订单”替换为“账单”，则生成的相似问题信息为“我要查询一下这个账单”，而同时将“查询”替换为“查找”，将“订单”替换为“账单”，生成的相似问题信息为“我要查找一下这个账单”，然后再根据第一问题信息和至少一条相似问题信息，获取第一问题向量。
可选地，获取至少一条相似问题信息的特征向量和第一问题信息的特征向量的平均向量，作为第一问题向量。
在根据第一问题信息和至少一条形似问题信息生成第一问题向量时，先获取该至少一个相似问题信息的特征向量和第一问题信息的特征向量，然后再计算该至少一个相似问题信息的特征向量和第一问题信息的特征向量的平均向量，作为第一问题向量。
在一种可能实现方式中，获取到第一问题信息和至少一个相似问题信息后，将该第一问题信息和至少一个相似问题信息输入到句向量编码模型中，然后获取该第一问题信息的特征向量和相似问题信息的特征向量。
302、调用答案生成模型，根据第一问题向量和至少一条第二问题向量，获取至少一条答案信息。
其中，该答案生成模型用于根据任一问题向量生成任一问题向量匹配的答案信息。
其中，该答案生成模型可以为seq2seq-attention(一种模型结构)模型，encoder-decoder(一种模型结构)模型、transformer(一种模型结构)模型等等。
可选地，该答案生成模型中包括向量解码模块、注意力机制加权模块、答案纠错模块和生成式答案模块，例如，如图4所示，将问题向量输入至该答案生成模型中后，通过注意力机制加权模块对该问题向量进行加权，获取在问题向量中最有影响力的部分，然后再通过向量解码模块获取预测答案，在通过答案纠错模块对该预测答案进行语法纠错，最终得到答案信息，该答案信息也即是生成式答案信息。
获取到第一问题向量和至少一条第二问题向量后，调用该答案生成模型，根据第一问题向量和至少一条第二问题向量，可以获取至少一条答案信息。
在一种可能实现方式中，将第一问题向量和至少一条第二问题向量进行拼接，得到第三问题向量，调用答案生成模型，根据第三问题向量，获取至少一条答案信息。
将第一问题向量和至少一个第二问题向量按照顺序依次拼接，得到拼接后的第三问题向量，然后再将该第三问题向量输入至答案生成模型中，生成至少一条答案信息。
可选地，在按照顺序依次拼接第一问题向量和至少一个第二问题向量时，按照获取第一问题向量和至少一个第二问题向量的先后顺序依次进行拼接，得到拼接后的第三问题向量。
或者，按照随机顺序，依次将第一问题向量和至少一个第二问题向量进行拼接，得到拼接后的第三问题向量。
在另一种可能实现方式中，获取的至少一条第二问题向量中包括多条第二问题向量。
为了减少第二问题向量的数据量，先对多条第二问题向量进行加权平均，得到第四问题向量，再将第一问题向量和第四问题向量进行拼接，得到融合问题向量，根据融合问题向量，调用答案生成模型，获取至少一条答案信息。
可选地，调用的答案生成模型可以直接对该融合问题向量进行处理，生成一条答案信息。
或者，调用的答案生成模型可以采用多个处理层，分别对该融合问题向量进行处理，得到处理后的多个问题向量，然后每个处理层均会根据一个问题向量生成一条答案信息，则最终可以获取多条答案信息。
可选地，在对多条第二问题向量进行加权平均的过程中，根据多条第二问题向量的先后顺序，确定每条第二问题向量的权重，再根据每条第二问题向量的权重对多条第二问题向量进行加权平均，得到第四问题向量。
例如，将每条第二问题向量与第一问题向量的间隔轮数的倒数作为每条第二问题向量的权重，当第二问题向量与第一问题向量的间隔轮数为1时，则权重为1，当第二问题向量与第一问题向量的间隔轮数为2时，则权重为1/2，以此类推，第二问题向量与第一问题向量的间隔轮数越大，则权重越小。
其中，从获取问题信息，根据该问题信息获取答案信息，到输出答案信息的过程为一轮问答过程，因此，第二问题向量与第一问题向量的间隔轮数为在该第一问题向量和第二问题向量之间进行的问答过程的轮数。
另外，在调用该答案生成模型之前，需要先对答案生成模型进行训练，进而调用训练后的答案生成模型。其中，训练答案生成模型的步骤包括：先获取初始的答案生成模型或已经经过一次或多次训练的答案生成模型，再获取样本问题向量和对应的样本答案信息，根据该样本问题向量和对应的样本答案信息，对该初始答案生成模型进行训练，得到训练后的答案生成模型。
在训练过程中，将至少一个样本问题向量输入至答案生成模型中，基于该答案生成模型获取预测答案信息，再获取样本答案信息和预测答案信息之间的误差，对答案生成模型进行调整，以使调整后的答案生成模型获取的误差收敛，完成对答案生成模型的训练。
303、根据第一问题信息或第一问题向量，在问答数据库中进行检索。
其中，该问答数据库中存储有多条答案信息，且多条答案信息中的每条答案信息均对应有问题信息，因此，根据获取的第一问题向量和至少一条第二问题向量，在该问答数据库中进行检索，检索后即可确定是否存在于第一问题信息匹配的答案信息。
在问答数据库中进行检索的过程中，可以根据第一问题信息进行检索，还可以根据第一问题向量进行检索，后续可以通过检索获取到答案信息。
在一种可能实现方式中，将第一问题向量和至少一条第二问题向量进行拼接，得到第三问题向量，根据第三问题向量与问答数据库中的每个预设答案信息的特征向量之间的相似度，获取至少一条答案信息，至少一条答案信息的特征向量与第三问题向量的相似度大于其他预设答案信息的特征向量与第三问题向量的相似度。
其中，可以获取问答数据库中的每个预设答案信息的特征向量，然后再计算第三问题向量与每个预设答案信息的特征向量之间的相似度，再按照相似度由大到小的顺序对预设答案信息进行排序，根据排列顺序获取至少一条答案信息。
可选地，根据排列顺序，选取前预设数量的预设答案信息作为检索得到的答案信息。
其中，该预设数量可以由服务器设置、或者由技术人员设置，或者采用其他方式设置。该预设数量可以为2、3、4或者其他数值。
可选地，根据获取的第三问题向量与每个预设答案信息的特征向量之间的相似度，选取相似度大于预设相似度的预设答案信息作为检索得到的答案信息。
在另一种可能实现方式中，对多个第二问题向量进行加权平均，得到第四问题向量，将第一问题向量和第四问题向量进行拼接，得到融合问题向量，根据融合问题向量与问答数据库中的每个预设答案信息的特征向量之间的相似度，获取至少一条答案信息，至少一条答案信息的特征向量与融合问题向量的相似度大于其他预设答案信息的特征向量与融合问题向量的相似度。
其中，对多个第二问题向量进行加权平均的过程与上述步骤中的加权平均过程类似，在此不再赘述。另外，计算融合特征向量和预设答案信息的特征向量之间的相似度的过程与上述过程中计算第三特征向量和预设答案信息的特征向量之间的相似度的过程类似，在此也不再赘述。
在另一种可能实现方式中，根据该第一问题向量和问答数据库中的每个预设答案信息的特征向量之间的相似度，获取至少一条答案信息。
其中，该至少一条答案信息的特征向量与第一问题向量的相似度大于其他预设答案信息的特征向量与第一问题向量的相似度。
其中，根据相似度获取至少一条答案信息的过程与上述获取至少一条答案信息的过程类似，在此不再赘述。
可选地，在根据第一问题向量获取至少一条答案信息的过程中，通过设置的预设数量即可确定控制获取的答案信息的数量，例如，当预设数量为1时，则获取的答案信息为1个，而当设置的预设数量为2时，获取的答案信息为多个。
或者，当根据预设相似度获取答案信息时，由于获取的第三问题向量或者融合特征向量与预设答案信息的特征向量之间的相似度不固定，如果均小于预设相似度，则不会获取到答案信息，如果仅有一个大于预设相似度，则仅会获取到一条答案信息，如果有多个相似度大于预设相似度，则会获取到多条答案信息。
在另一种可能实现方式中，根据第一问题向量，在问答数据库中进行检索，确定至少一条第五问题向量。其中，至少一条第五问题向量包括与该第一问题向量相似的问题向量。
可选地，至少一条第五问题向量与第一问题向量的相似度大于其他预设问题向量与第一问题向量的相似度。
在另一种可能实现方式中，根据第一问题向量和至少一条第二问题向量，在问答数据库中进行检索，确定至少一条第五问题向量，至少一条第五问题向量包括第一问题向量相似的问题向量或至少一条第二问题向量相似的问题向量中的至少一种，从问答数据库中，获取至少一条第五问题向量的答案信息，作为检索得到的至少一条答案信息。
其中，通过检索获取至少一条第五问题向量的过程中，由于是确定与问题向量相似的问题向量，为了减少获取不到第五问题向量的情况，则获取的第五问题向量可以为与第一问题向量相似的向量，或者为与第二问题向量相似的向量。
可选地，由于是根据第一问题向量和至少一条第二问题向量，获取第五问题向量，则会出现三种情况，分别为未获取到第五问题向量、获取到一个第五问题向量、获取到多个第五问题向量。
可选地，将第一问题向量和至少一条第二问题向量进行拼接，得到第三问题向量，根据第三问题向量，在问答数据库中进行检索，确定至少一条第五问题向量。
其中，根据第三问题向量与问答数据库中的每个预设问题向量之间的相似度，获取至少一条第五问题向量，至少一条第四问题向量与第三问题向量的相似度大于其他预设问题向量与第三问题向量的相似度。
可选地，对多个第二问题向量进行加权平均，得到第六问题向量，将第一问题向量和第六问题向量进行拼接，得到融合问题向量，根据融合问题向量，在问答数据库中进行检索，确定至少一条第五问题向量。
其中，根据融合问题向量与问答数据库中的每个预设问题向量之间的相似度，获取至少一条第五问题向量，至少一条第五问题向量与第三问题向量的相似度大于其他预设问题向量与融合问题向量的相似度。
需要说明的是，本申请实施例仅是以根据第一问题向量，在问答数据库中进行检索获取答案信息为例进行说明。在另一实施例中，可以直接根据第一问题信息，在问答数据库中进行检索，得到至少一条答案信息。
在一种可能实现方式中，对第一问题信息进行分词处理，获取该第一问题信息中的关键词或实体，以及对问答数据库中的预设答案信息进行分词处理，获取预设答案信息的关键词或实体，当第一问题信息中的关键词或实体与预设答案信息中的关键词或实体匹配时，将该预设答案信息确定为答案信息。
在另一种可能实现方式中，对第一问题信息进行分词处理，获取该第一问题信息的关键词或实体，对问答数据库中的预设问题信息进行分词处理，得到预设答案信息的关键词或实体，根据第一问题信息的关键词或实体，以及问答数据库中预设答案信息的关键词或实体，在问答数据库中进行检索，确定与第一问题信息相似的至少一条第三问题信息，再将至少一条第三问题信息对应的答案信息确定为答案信息。
例如，如图5所示，在检索过程中，从问答数据库中获取多个预设答案信息，根据向量编码模型，获取每个预设答案信息的特征向量，再计算预设答案信息和当前的问题向量的相似度，根据获取的相似度获取答案信息。或者，还可以获取预设答案信息的关键词或实体，以及当前的问题信息的关键词或实体，计算预设答案信息和关键词以及当前的问题信息的关键词的相似度，或者计算预设答案信息和实体以及当前的问题信息的实体的相似度，根据获取的相似度获取答案信息。采用上述两种方式获取的答案信息均可以成为是检索式答案信息。
304、调用排序模型中的多个匹配层，分别获取每条答案信息与第一问题信息的匹配度。
其中，该排序模型包括多个匹配层、一个融合层和一个排序层。该多个匹配层中的每个匹配层用于获取问题信息和答案信息的匹配度。该融合层用于将每个问题信息和答案信息的匹配度进行融合，得到该问题信息和答案信息的融合匹配度。该排序层用于按照问题信息和每条答案信息的融合匹配度，对答案信息进行排序，将排在第一位的答案信息作为问题信息的目标答案信息。
获取多条答案信息后，调用排序模型中的多个匹配层，通过一个匹配层即可获取每条答案信息与第一问题信息的一个匹配度，则同一答案信息和第一问题信息通过多个匹配层可以获取多个匹配度。
可选地，多个匹配层中采用不同的方式获取第一问题信息和答案信息的匹配度。
其中，可以采用LSTM(Long short-term memory，长短期记忆)、CNN(Convolutional Neural Networks，卷积神经网络)、MLP(Multi-Layer Perceptron，多层神经网络)、GBDT(Gradient Boosting Decision Tree，梯度提升迭代决策树)等机器学习算法获取匹配度，或者采用其他方式获取匹配度。
305、调用排序模型中的融合层，获取每条答案信息的多个匹配度的融合匹配度。
获取每条答案信息的多个匹配度后，再调用融合层，获取每条答案信息的多个匹配度的融合匹配度。
可选地，获取每条答案信息的多个匹配度的平均值，作为该答案信息的融合匹配度。
可选地，每个匹配层均具有一个对应的权重，且多个匹配层对应的权重的和为1，则根据每个匹配层对应的权重，对每条答案信息的多个匹配度进行加权平均，得到该答案信息的融合匹配度。
306、调用排序模型中的排序层，按照融合匹配度由高到低的顺序，对多条答案信息进行排序，将排在第一位的答案信息确定为目标答案信息。
例如，如图6所示，获取多条答案信息后，调用排序模型，即可确定目标答案信息。
另外，在本申请实施例中，在调用排序模型，从多条答案信息中获取目标答案信息时，通过步骤303获取的至少一条答案信息的优先级大于通过步骤302获取的至少一条答案信息的优先级，因此，在排序模型对多条答案信息进行排序时，对通过步骤303获取的答案信息设置的权重大于通过步骤303获取的答案信息设置的权重，则在根据融合匹配度进行排序时，先通过设置的权重，对融合匹配度进行加权，得到加权后的融合匹配度，再根据加权后的融合匹配度进行排序，获取目标答案信息。
需要说明的是，本申请实施例仅是以排序模型中包括多个匹配层、一个融合层和一个排序层为例进行说明，在另一实施例中，步骤304-306为可选步骤，在排序模型中无需设置多个匹配层，可以直接调用排序模型，获取答案信息和第一问题信息的一个匹配度，根据获取的匹配度确定目标答案信息。
在一种可能实现方式中，调用排序模型，按照与第一问题信息的匹配度从高到低的顺序，对至多条答案信息进行排序，将排在第一位的答案信息确定为目标答案信息。
在本申请实施例中，调用排序模型，分别获取多条答案信息中每条答案信息与第一问题信息的匹配度，由于每条答案信息均对应一个匹配度，则直接按照与第一问题信息的匹配度从高到低的顺序，对多条答案信息进行排序，将排在第一位的答案信息确定为目标答案信息即可。
另外，在调用排序模型之前，需要先对排序模型进行训练，得到训练后的排序模型，后续再调用训练后的排序模型获取目标答案。训练排序模型的过程如下：
获取样本问题信息和对应的样本答案信息，以及样本问题信息与样本答案信息的样本匹配度，根据样本问题信息、样本答案信息和样本匹配度，对排序模型进行训练，得到训练后的排序模型。
其中，该样本问题信息和样本答案信息为对应关系，也就是样本问题信息的答案为样本答案信息。另外，该样本问题信息和样本答案信息的样本匹配度用于表示该样本问题信息和样本答案信息匹配。
获取到样本问题信息和对应的样本答案信息，以及样本问题信息和对应的样本答案信息的样本匹配度后，即可根据该样本问题信息、样本答案信息和样本匹配度，对排序模型进行训练，得到训练后的排序模型。
可选地，将样本问题信息与样本答案信息输入至排序模型中，获取样本问题信息与样本答案信息的预测匹配度，根据样本匹配度和预测匹配度，对排序模型进行训练，得到训练后的排序模型。
在训练过程中，将至少一个样本问题信息与对应的样本答案信息输入至排序模型中，基于该排序模型获取预测匹配度，再获取样本匹配度和预测匹配度之间的误差，对排序模型进行调整，以使调整后的排序模型获取的误差收敛，完成对排序模型的训练。
本申请实施例提供的方法的流程如图7所示，步骤301由输入模块执行，步骤302由生成答案模块执行，获得至少一个生成式答案，步骤303由检索答案模块执行，获得至少一个检索式答案，步骤304-306由答案排序模块执行，将至少一个生成式答案和至少一个检索式答案进行排序，获取当前轮次的答案。
另外，输入模块中的过程如图8所示，先获取当前轮次用户输入的第一问题信息，对第一问题信息进行分词处理，再对分词后的词语进行扩展，得到相似问题信息，根据第一问题信息和相似问题信息以及第二问题信息，该第二问题信息即为场景上下文信息，调用场景上下文编码模型，获取场景上下文信息向量，调用句向量编码模型获取第一问题信息和相似问题信息的第一问题向量，再根据场景上下文信息向量和第一问题向量生成融合特征向量，该融合特征向量即为后续生成式模块和检索式模块的输入，并且成为下一次问题信息的场景上下文信息。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
本申请实施例提供的方法，采用了基于模型自动生成的方式和检索方式来获取答案信息，再调用排序模型，按照答案信息与问题信息的匹配度对获取的多条答案信息进行排序，获取排在第一位的答案信息，即为与第一问题信息最为匹配的答案信息，保证了即使在采用检索方式检索不到答案信息的情况下也能生成答案信息，不会出现答案信息缺失的情况，而且也综合考虑了上下文的影响以及答案信息与问题信息的匹配程度，提高了答案信息的准确性。
并且，采用多种获取匹配度的方式来获取问题信息与答案信息的多个匹配度，将多个匹配度进行融合得到融合匹配度，该融合匹配度综合了多种匹配度，更为准确，因此将融合匹配度最高的答案信息确定为目标答案信息，能够提高该目标答案信息的准确性。
并且，采用先分词再对词语进行扩展的方式，实现了对第一问题信息的扩展，能够获取与第一问题信息相似的更多问题信息，充分考虑到同一信息的不同表达方式，提高后续获取的答案信息的准确性。
图9是本申请实施例提供的一种问答装置的结构示意图。参见图9，该装置包括：
获取模块901，用于获取第一问题信息的第一问题向量和至少一条第二问题信息的第二问题向量，所述至少一条第二问题信息为在所述第一问题信息之前获取的问题信息；
生成模块902，用于调用答案生成模型，根据所述第一问题向量和至少一条第二问题向量，获取至少一条答案信息，所述答案生成模型用于根据任一问题向量生成所述任一问题向量匹配的答案信息；
检索模块903，用于根据所述第一问题信息或所述第一问题向量，在问答数据库中进行检索；
排序模块904，用于调用排序模型，按照与所述第一问题信息的匹配度从高到低的顺序，对获取到的多条答案信息进行排序，将排在第一位的答案信息确定为所述目标答案信息。
本申请实施例提供的装置，采用了基于模型自动生成的方式和检索方式来获取答案信息，再调用排序模型，按照答案信息与问题信息的匹配度对获取的多条答案信息进行排序，获取排在第一位的答案信息，即为与第一问题信息最为匹配的答案信息，保证了即使在采用检索方式检索不到答案信息的情况下也能生成答案信息，不会出现答案信息缺失的情况，而且也综合考虑了上下文的影响以及答案信息与问题信息的匹配程度，提高了答案信息的准确性。
在一种可能实现方式中，所述装置还包括：
所述获取模块901，用于获取样本问题信息和对应的样本答案信息，以及所述样本问题信息与所述样本答案信息的样本匹配度；
训练模块905，用于根据所述样本问题信息、所述样本答案信息和所述样本匹配度，对所述排序模型进行训练，得到训练后的排序模型。
在另一种可能实现方式中，所述训练模块905，包括：
输入单元9051，用于将所述样本问题信息与所述样本答案信息输入至所述排序模型中，获取所述样本问题信息与所述样本答案信息的预测匹配度；
训练单元9052，用于根据所述样本匹配度和所述预测匹配度，对所述排序模型进行训练，得到训练后的排序模型。
在另一种可能实现方式中，所述排序模型包括多个匹配层、一个融合层和一个排序层，所述生成模块902，包括：
匹配度获取单元9021，用于调用所述多个匹配层，分别获取每条答案信息与所述第一问题信息的匹配度；
融合单元9022，用于调用所述融合层，获取每条答案信息的多个匹配度的融合匹配度；
排序单元9023，用于调用所述排序层，按照融合匹配度由高到低的顺序，对所述多条答案信息进行排序，将排在第一位的答案信息确定为所述目标答案信息。
在另一种可能实现方式中，所述获取模块901，用于执行以下任一项：
对所述第一问题信息进行分词处理，得到分词后的多个第一词语；
获取所述多个第一词语的相似词语；
每次将至少一个第一词语替换为对应的相似词语，生成一条相似问题信息；
根据所述第一问题信息和所述至少一条相似问题信息，获取所述第一问题向量。
在另一种可能实现方式中，所述获取模块901，用于执行以下任一项：
从知识数据库中，获取所述多个第一词语中每个第一词语关联的相似词语，所述知识数据库用于存储各个词语与每个词语关联的相似词语；或者，
获取所述多个第一词语中每个第一词语与至少一个预设词语的相似度，将与任一第一词语的相似度大于第一预设相似度的预设词语，作为所述任一第一词语的相似词语。
在另一种可能实现方式中，所述获取模块901，用于获取所述至少一条相似问题信息的特征向量和所述第一问题信息的特征向量的平均向量，作为所述第一问题向量。
在另一种可能实现方式中，所述生成模块902，用于执行以下任一项：
将所述第一问题向量和所述至少一条第二问题向量进行拼接，得到第三问题向量；
调用所述答案生成模型，根据所述第三问题向量，获取所述至少一条答案信息。
在另一种可能实现方式中，所述检索模块903，用于执行以下任一项：
将所述第一问题向量和所述至少一条第二问题向量进行拼接，得到第三问题向量；
根据所述第三问题向量与所述问答数据库中的每个预设答案信息的特征向量之间的相似度，获取至少一条答案信息，所述至少一条答案信息的特征向量与所述第三问题向量的相似度大于其他预设答案信息的特征向量与所述第三问题向量的相似度。
在另一种可能实现方式中，所述至少一条第二问题向量包括多条第二问题向量，所述生成模块902，用于执行以下任一项：
对所述多条第二问题向量进行加权平均，得到第四问题向量；
将所述第一问题向量和所述第四问题向量进行拼接，得到融合问题向量；
根据所述融合问题向量，调用所述答案生成模型，获取所述至少一条答案信息。
在另一种可能实现方式中，所述检索模块903，用于执行以下任一项：
对所述多个第二问题向量进行加权平均，得到第四问题向量；
将所述第一问题向量和所述第四问题向量进行拼接，得到融合问题向量；
根据所述融合问题向量与所述问答数据库中的每个预设答案信息的特征向量之间的相似度，获取至少一条答案信息，所述至少一条答案信息的特征向量与所述融合问题向量的相似度大于其他预设答案信息的特征向量与所述融合问题向量的相似度。
在另一种可能实现方式中，所述检索模块903，用于执行以下任一项：
根据所述第一问题向量，在所述问答数据库中进行检索，确定至少一条第五问题向量，所述至少一条第五问题向量包括所述第一问题向量相似的问题向量；或者，
根据所述第一问题向量和所述至少一条第二问题向量，在所述问答数据库中进行检索，确定至少一条第四问题向量，所述至少一条第四问题向量包括所述第一问题向量相似的问题向量或所述至少一条第二问题向量相似的问题向量中的至少一种；
从所述问答数据库中，获取所述至少一条第四问题向量的答案信息，作为所述至少一条答案信息。
在另一种可能实现方式中，所述检索模块903，用于执行以下任一项：
对所述第一问题信息进行分词处理，得到所述第一问题信息的关键词或实体；
对所述问答数据库中预设答案信息进行分词处理，得到所述预设答案信息的关键词或实体；
根据所述第一问题信息的关键词或实体，以及所述问答数据库中预设答案信息的关键词或实体，获取至少一条答案信息。
需要说明的是：上述实施例提供的问答装置在进行问答时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将电子设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的问答装置的实施例与问答方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图11是本申请实施例提供的一种终端的结构示意图。该终端1100可以是便携式移动终端，比如：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group AudioLayer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts GroupAudio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑、台式电脑、头戴式设备，或其他任意智能终端。终端1100还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，终端1100包括有：处理器1101和存储器1102。
处理器1101可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1101可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1101也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1101可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1101还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器1102可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1102还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1102中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1101所具有以实现本申请中方法实施例提供的问答方法。
在一些实施例中，终端1100还可选包括有：***设备接口1103和至少一个***设备。处理器1101、存储器1102和***设备接口1103之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口1103相连。具体地，***设备包括：射频电路1104、显示屏1105、摄像头组件1106、音频电路1107、定位组件1108和电源11011中的至少一种。
***设备接口1103可被用于将I/O(Input/Output，输入/输出)相关的至少一个***设备连接到处理器1101和存储器1102。在一些实施例中，处理器1101、存储器1102和***设备接口1103被集成在同一芯片或电路板上；在一些其他实施例中，处理器1101、存储器1102和***设备接口1103中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路1104用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1104通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1104将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1104包括：天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1104可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及8G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路1104还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏1105用于显示UI(UserInterface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1105是触摸显示屏时，显示屏1105还具有采集在显示屏1105的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1101进行处理。此时，显示屏1105还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1105可以为一个，设置在终端1100的前面板；在另一些实施例中，显示屏1105可以为至少两个，分别设置在终端1100的不同表面或呈折叠设计；在另一些实施例中，显示屏1105可以是柔性显示屏，设置在终端1100的弯曲表面上或折叠面上。甚至，显示屏1105还可以设置成非矩形的不规则图形，也即异形屏。显示屏1105可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件1106用于采集图像或视频。可选地，摄像头组件1106包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1106还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路1107可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1101进行处理，或者输入至射频电路1104以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端1100的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1101或射频电路1104的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1107还可以包括耳机插孔。
定位组件1108用于定位终端1100的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件1108可以是基于美国的GPS(GlobalPositioning System，全球定位***)、中国的北斗***、俄罗斯的格雷纳斯***或欧盟的伽利略***的定位组件。
电源1109用于为终端1100中的各个组件进行供电。电源1109可以是交流电、直流电、一次性电池或可充电电池。当电源1109包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中，终端1100还包括有一个或多个传感器1110。该一个或多个传感器1110包括但不限于：加速度传感器1111、陀螺仪传感器1112、压力传感器1113、指纹传感器1114、光学传感器1115以及接近传感器1116。
加速度传感器1111可以检测以终端1100建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器1111可以用于检测重力加速度在三个坐标轴上的分量。处理器1101可以根据加速度传感器1111采集的重力加速度信号，控制显示屏1105以横向视图或纵向视图进行用户界面的显示。加速度传感器1111还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器1112可以检测终端1100的机体方向及转动角度，陀螺仪传感器1112可以与加速度传感器1111协同采集用户对终端1100的3D动作。处理器1101根据陀螺仪传感器1112采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器1113可以设置在终端1100的侧边框和/或显示屏1105的下层。当压力传感器1113设置在终端1100的侧边框时，可以检测用户对终端1100的握持信号，由处理器1101根据压力传感器1113采集的握持信号进行左右手识别或快捷操作。当压力传感器1113设置在显示屏1105的下层时，由处理器1101根据用户对显示屏1105的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器1114用于采集用户的指纹，由处理器1101根据指纹传感器1114采集到的指纹识别用户的身份，或者，由指纹传感器1114根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器1101授权该用户具有相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1114可以被设置在终端1100的正面、背面或侧面。当终端1100上设置有物理按键或厂商Logo时，指纹传感器1114可以与物理按键或厂商标志集成在一起。
光学传感器1115用于采集环境光强度。在一个实施例中，处理器1101可以根据光学传感器1115采集的环境光强度，控制显示屏1105的显示亮度。具体地，当环境光强度较高时，调高显示屏1105的显示亮度；当环境光强度较低时，调低显示屏1105的显示亮度。在另一个实施例中，处理器1101还可以根据光学传感器1115采集的环境光强度，动态调整摄像头组件1106的拍摄参数。
接近传感器1116，也称距离传感器，通常设置在终端1100的前面板。接近传感器1116用于采集用户与终端1100的正面之间的距离。在一个实施例中，当接近传感器1116检测到用户与终端1100的正面之间的距离逐渐变小时，由处理器1101控制显示屏1105从亮屏状态切换为息屏状态；当接近传感器1116检测到用户与终端1100的正面之间的距离逐渐变大时，由处理器1101控制显示屏1105从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图11中示出的结构并不构成对终端1100的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
图12是本申请实施例提供的一种服务器的结构示意图，该服务器1200可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(Central ProcessingUnits，CPU)1201和一个或一个以上的存储器1202，其中，所述存储器1202中存储有至少一条指令，所述至少一条指令由所述处理器1201加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。
服务器1200可以用于执行上述问答方法中服务器所执行的步骤。
本申请实施例还提供了一种电子设备，电子设备包括一个或多个处理器和一个或多个存储器，一个或多个存储器中存储有至少一条指令，至少一条指令由一个或多个处理器加载并执行以实现如问答方法所执行的操作。
本申请实施例还提供了一种计算机可读存储介质，存储介质中存储有至少一条指令，至少一条指令由处理器加载并执行以实现如的问答方法所执行的操作。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (15)

1.一种问答方法，其特征在于，所述方法包括：
获取第一问题信息的第一问题向量和至少一条第二问题信息的第二问题向量，所述至少一条第二问题信息为在所述第一问题信息之前获取的问题信息；
调用答案生成模型，根据所述第一问题向量和至少一条第二问题向量，获取至少一条答案信息，所述答案生成模型用于根据任一问题向量生成所述任一问题向量匹配的答案信息；
根据所述第一问题信息或所述第一问题向量，在问答数据库中进行检索；
调用排序模型，按照与所述第一问题信息的匹配度从高到低的顺序，对获取到的多条答案信息进行排序，将排在第一位的答案信息确定为所述目标答案信息。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取样本问题信息和对应的样本答案信息，以及所述样本问题信息与所述样本答案信息的样本匹配度；
根据所述样本问题信息、所述样本答案信息和所述样本匹配度，对所述排序模型进行训练，得到训练后的排序模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述样本问题信息、所述样本答案信息和所述样本匹配度，对所述排序模型进行训练，得到训练后的排序模型，包括：
将所述样本问题信息与所述样本答案信息输入至所述排序模型中，获取所述样本问题信息与所述样本答案信息的预测匹配度；
根据所述样本匹配度和所述预测匹配度，对所述排序模型进行训练，得到训练后的排序模型。
4.根据权利要求1所述的方法，其特征在于，所述排序模型包括多个匹配层、一个融合层和一个排序层，所述调用排序模型，按照与所述第一问题信息的匹配度从高到低的顺序，对获取到的多条答案信息进行排序，将排在第一位的答案信息确定为所述目标答案信息，包括：
调用所述多个匹配层，分别获取每条答案信息与所述第一问题信息的匹配度；
调用所述融合层，获取所述每条答案信息的多个匹配度的融合匹配度；
调用所述排序层，按照融合匹配度由高到低的顺序，对所述多条答案信息进行排序，将排在第一位的答案信息确定为所述目标答案信息。
5.根据权利要求1所述的方法，其特征在于，所述获取第一问题信息的第一问题向量，包括：
对所述第一问题信息进行分词处理，得到分词后的多个第一词语；
获取所述多个第一词语的相似词语；
每次将至少一个第一词语替换为对应的相似词语，生成一条相似问题信息；
根据所述第一问题信息和所述至少一条相似问题信息，获取所述第一问题向量。
6.根据权利要求5所述的方法，其特征在于，所述获取所述多个第一词语的相似词语，包括：
从知识数据库中，获取所述多个第一词语中每个第一词语关联的相似词语，所述知识数据库用于存储各个词语与每个词语关联的相似词语；或者，
获取所述多个第一词语中每个第一词语与至少一个预设词语的相似度，将与任一第一词语的相似度大于第一预设相似度的预设词语，作为所述任一第一词语的相似词语。
7.根据权利要求5所述的方法，其特征在于，所述根据所述第一问题信息和所述至少一条相似问题信息，获取所述第一问题向量，包括：
获取所述至少一条相似问题信息的特征向量和所述第一问题信息的特征向量的平均向量，作为所述第一问题向量。
8.根据权利要求1所述的方法，其特征在于，所述调用答案生成模型，根据所述第一问题向量和至少一条第二问题向量，获取至少一条答案信息，包括：
将所述第一问题向量和所述至少一条第二问题向量进行拼接，得到第三问题向量；
调用所述答案生成模型，根据所述第三问题向量，获取所述至少一条答案信息。
9.根据权利要求1所述的方法，其特征在于，所述根据所述第一问题信息或所述第一问题向量，在问答数据库中进行检索，包括：
将所述第一问题向量和所述至少一条第二问题向量进行拼接，得到第三问题向量；
根据所述第三问题向量与所述问答数据库中的每个预设答案信息的特征向量之间的相似度，获取至少一条答案信息，所述至少一条答案信息的特征向量与所述第三问题向量的相似度大于其他预设答案信息的特征向量与所述第三问题向量的相似度。
10.根据权利要求1所述的方法，其特征在于，所述至少一条第二问题向量包括多条第二问题向量，所述调用答案生成模型，根据所述第一问题向量和至少一条第二问题向量，获取至少一条答案信息，包括：
对所述多条第二问题向量进行加权平均，得到第四问题向量；
将所述第一问题向量和所述第四问题向量进行拼接，得到融合问题向量；
根据所述融合问题向量，调用所述答案生成模型，获取所述至少一条答案信息。
11.根据权利要求1所述的方法，其特征在于，所述根据所述第一问题信息或所述第一问题向量，在问答数据库中进行检索，包括：
对所述多个第二问题向量进行加权平均，得到第四问题向量；
将所述第一问题向量和所述第四问题向量进行拼接，得到融合问题向量；
根据所述融合问题向量与所述问答数据库中的每个预设答案信息的特征向量之间的相似度，获取至少一条答案信息，所述至少一条答案信息的特征向量与所述融合问题向量的相似度大于其他预设答案信息的特征向量与所述融合问题向量的相似度。
12.根据权利要求1所述的方法，其特征在于，所述根据所述第一问题信息或所述第一问题向量，在问答数据库中进行检索，包括：
根据所述第一问题向量，在所述问答数据库中进行检索，确定至少一条第五问题向量，所述至少一条第五问题向量包括所述第一问题向量相似的问题向量；或者，
根据所述第一问题向量和所述至少一条第二问题向量，在所述问答数据库中进行检索，确定至少一条第五问题向量，所述至少一条第五问题向量包括所述第一问题向量相似的问题向量或所述至少一条第二问题向量相似的问题向量中的至少一种；
从所述问答数据库中，获取所述至少一条第五问题向量的答案信息，作为所述至少一条答案信息。
13.一种问答装置，其特征在于，所述装置包括：
获取模块，用于获取第一问题信息的第一问题向量和至少一条第二问题信息的第二问题向量，所述至少一条第二问题信息为在所述第一问题信息之前获取的问题信息；
生成模块，用于调用答案生成模型，根据所述第一问题向量和至少一条第二问题向量，获取至少一条答案信息，所述答案生成模型用于根据任一问题向量生成所述任一问题向量匹配的答案信息；
检索模块，用于根据所述第一问题信息或所述第一问题向量，在问答数据库中进行检索；
排序模块，用于调用排序模型，按照与所述第一问题信息的匹配度从高到低的顺序，对获取到的多条答案信息进行排序，将排在第一位的答案信息确定为所述目标答案信息。
14.一种电子设备，其特征在于，所述电子设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条指令，所述至少一条指令由所述一个或多个处理器加载并执行以实现如权利要求1至12任一项所述的问答方法所执行的操作。
15.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至12任一项所述的问答方法所执行的操作。
CN202010613891.3A 2020-06-30 2020-06-30 问答方法、装置、设备及存储介质 Pending CN111782767A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010613891.3A CN111782767A (zh) 2020-06-30 2020-06-30 问答方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010613891.3A CN111782767A (zh) 2020-06-30 2020-06-30 问答方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111782767A true CN111782767A (zh) 2020-10-16

Family

ID=72761439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010613891.3A Pending CN111782767A (zh) 2020-06-30 2020-06-30 问答方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111782767A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239169A (zh) * 2021-06-01 2021-08-10 平安科技（深圳）有限公司 基于人工智能的回答生成方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160247068A1 (en) * 2013-11-01 2016-08-25 Tencent Technology (Shenzhen) Company Limited System and method for automatic question answering
CN109241258A (zh) * 2018-08-23 2019-01-18 江苏索迩软件技术有限公司 一种应用税务领域的深度学习智能问答***
CN109684452A (zh) * 2018-12-25 2019-04-26 中科国力(镇江)智能技术有限公司 一种基于答案与答案位置信息的神经网络问题生成方法
CN110287296A (zh) * 2019-05-21 2019-09-27 平安科技（深圳）有限公司 一种问题答案选取方法、装置、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160247068A1 (en) * 2013-11-01 2016-08-25 Tencent Technology (Shenzhen) Company Limited System and method for automatic question answering
CN109241258A (zh) * 2018-08-23 2019-01-18 江苏索迩软件技术有限公司 一种应用税务领域的深度学习智能问答***
CN109684452A (zh) * 2018-12-25 2019-04-26 中科国力(镇江)智能技术有限公司 一种基于答案与答案位置信息的神经网络问题生成方法
CN110287296A (zh) * 2019-05-21 2019-09-27 平安科技（深圳）有限公司 一种问题答案选取方法、装置、计算机设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239169A (zh) * 2021-06-01 2021-08-10 平安科技（深圳）有限公司 基于人工智能的回答生成方法、装置、设备及存储介质
CN113239169B (zh) * 2021-06-01 2023-12-05 平安科技（深圳）有限公司 基于人工智能的回答生成方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110134804B (zh) 图像检索方法、装置及存储介质
CN110471858B (zh) 应用程序测试方法、装置及存储介质
CN108717432B (zh) 资源查询方法及装置
CN110572716B (zh) 多媒体数据播放方法、装置及存储介质
WO2022057435A1 (zh) 基于搜索的问答方法及存储介质
CN111104980B (zh) 确定分类结果的方法、装置、设备及存储介质
CN111897996A (zh) 话题标签推荐方法、装置、设备及存储介质
CN110503160B (zh) 图像识别方法、装置、电子设备及存储介质
CN111581958A (zh) 对话状态确定方法、装置、计算机设备及存储介质
CN112052354A (zh) 视频推荐方法、视频展示方法、装置及计算机设备
CN110942046A (zh) 图像检索方法、装置、设备及存储介质
CN113918767A (zh) 视频片段定位方法、装置、设备及存储介质
CN112148899A (zh) 多媒体推荐方法、装置、设备及存储介质
CN114547428A (zh) 推荐模型处理方法、装置、电子设备及存储介质
CN111613213A (zh) 音频分类的方法、装置、设备以及存储介质
CN110837557B (zh) 摘要生成方法、装置、设备及介质
CN111611414B (zh) 车辆检索方法、装置及存储介质
CN111782950A (zh) 样本数据集获取方法、装置、设备及存储介质
CN111563201A (zh) 内容推送方法、装置、服务器及存储介质
CN111782767A (zh) 问答方法、装置、设备及存储介质
CN114817709A (zh) 排序方法、装置、设备及计算机可读存储介质
CN111641853B (zh) 多媒体资源加载方法、装置、计算机设备及存储介质
CN112560472B (zh) 一种识别敏感信息的方法及装置
CN114328815A (zh) 文本映射模型的处理方法、装置、计算机设备及存储介质
CN113763932A (zh) 语音处理方法、装置、计算机设备及存储介质

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