CN112163083B - 智能问答方法、装置、电子设备和存储介质 - Google Patents
智能问答方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112163083B CN112163083B CN202011121798.7A CN202011121798A CN112163083B CN 112163083 B CN112163083 B CN 112163083B CN 202011121798 A CN202011121798 A CN 202011121798A CN 112163083 B CN112163083 B CN 112163083B
- Authority
- CN
- China
- Prior art keywords
- vector
- similarity
- information
- entity
- problem 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003058 natural language processing Methods 0.000 claims abstract description 18
- 238000012986 modification Methods 0.000 claims description 27
- 230000004048 modification Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 5
- 239000003607 modifier Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 241000392928 Parachromis friedrichsthalii Species 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提出了一种智能问答方法、装置、电子设备和存储介质,属于信息技术领域,该方法包括:先接收消费者通过客户端发送的问题信息,并通过自然语言处理,生成与问题信息对应的第一问题向量;然后将第一问题向量与示例问题对应的第二问题向量进行相似度判断,得到相似性判断结果;若相似性判断结果为第一问题向量与第二问题向量的相似度大于预设阈值,则返回第一相似问题集的示例答案;最后接收导购在显示终端的选择指令,并向客户端发送基于示例答案和选择指令确定的最终答案。本实施例通过智能返回示例答案结合导购人工干预对消费者进行回复的方式,能够节省消费者与导购客服两者的沟通成本,快速并准确的回答消费者的疑问。
Description
技术领域
本申请属于人工智能技术领域,具体涉及智能问答方法、装置、电子设备和存储介质。
背景技术
随着互联网的发展及大数据、新零售的快速运用、以客户需求为核心的价值理念占据主导地位。消费者的需求不断呈现个性化、多样化的特点,因此进行用户画像分析,进而进行精准营销已成为各个商家进行销售升级的重要措施。尤其在家电销售场景中,目前各大商家在线与客户沟通时,要么采用真人客服回复的方式,要么采用机器人回复的方式。在采用真人客服回复时,真人客服需要回答大量重复性问题、浪费大量时间;而机器人回复,存在因回复答案不准确容易造成客户流失的问题。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供智能问答方法、装置、电子设备和存储介质,能够在导购客服与消费者进行线上聊天时,节省消费者与导购客服的沟通成本,快速并准确的回答消费者的疑问,以便有效引导消费者的购买欲望。
为实现以上目的,本申请采用如下技术方案:
第一方面,本申请提供一种智能问答方法,包括:接收客户端发送的问题信息,并通过自然语言处理,生成与问题信息对应的第一问题向量;将所述第一问题向量与示例问题对应的第二问题向量进行相似度判断,得到相似性判断结果;若所述相似性判断结果为所述第一问题向量与所述第二问题向量的相似度大于预设阈值,则返回第一相似问题集的示例答案;其中,所述第一相似问题集为所述示例问题所属的相似问题集;接收导购在显示终端的选择指令,并向客户端发送基于所述示例答案和所述选择指令确定的最终答案。
进一步地,所述通过自然语言处理,生成与问题信息对应的第一问题向量的步骤,包括:通过自然语言处理,提取所述问题信息的字符串;通过对所述字符串进行中文分词,提取实体信息和实体修饰信息;将所述实体信息和所述实体修饰信息作为元素,生成所述第一问题向量。
进一步地,所述将所述第一问题向量与示例问题对应的第二问题向量进行相似度判断,得到相似性判断结果的步骤,包括:确定所述第二问题向量的元素;基于所述第二问题向量的元素,生成所述第一问题向量与所述第二问题向量之间的相似度向量;计算所述相似度向量的长度,并将所述相似度向量的长度与预设阈值的比对结果确定为相似性判断结果。
进一步地,所述第二问题向量的元素包括参考实体信息和实体参考修饰信息,所述基于所述第二问题向量的元素,生成所述第一问题向量与所述第二问题向量之间的相似度向量的步骤,包括:将所述实体信息与所述参考实体信息进行比对,得到第一相似度值;将所述实体修饰信息与所述实体参考修饰信息进行比对,得到第二相似度值;将所述第一相似度值和所述第二相似度值作为元素,生成所述第一问题向量与所述第二问题向量之间的相似度向量。
进一步地,所述方法还包括:分别统计所述第一问题向量的元素数量和所述第二问题向量的元素数量;计算所述第一问题向量的元素数量与所述第二问题向量的元素数量的比值;若所述比值大于预设比值,则基于预设计算公式对所述比值进行重新计算。
进一步地,所述方法还包括:若相似性判断结果为所述第一问题向量与所述第二问题向量的相似度不大于预设阈值,则提示导购在显示终端进行外界输入;接收导购在所述显示终端输入的最终答案。
进一步地,所述方法还包括:当相似性判断结果为所述第一问题向量与所述第二问题向量的相似度不大于预设阈值时,新建第二相似问题集;接收并发布与第二相似问题集对应的示例答案。
第二方面,本申请提供一种智能问答装置,包括:接收生成单元,用于接收客户端发送的问题信息,并通过自然语言处理,生成与问题信息对应的第一问题向量;相似度判断单元,用于将所述第一问题向量与示例问题对应的第二问题向量进行相似度判断,得到相似性判断结果;返回单元,用于若所述相似性判断结果为所述第一问题向量与所述第二问题向量的相似度大于预设阈值,则返回第一相似问题集的示例答案;其中,所述第一相似问题集为所述示例问题所属的相似问题集;接收发送单元,用于接收导购在显示终端的选择指令,并向客户端发送基于所述示例答案和所述选择指令确定的最终答案。
第三方面,本申请提供一种电子设备,包括:处理器和存储装置;所述存储装置上存储有计算机程序,所述计算机程序在被所述处理器运行时执行如第一方面任一项所述的方法。
第四方面,本申请提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述第一方面任一项所述的方法的步骤。
本申请提供的上述智能问答方法、装置、电子设备和存储介质,先接收消费者通过客户端发送的问题信息,并通过自然语言处理,生成与问题信息对应的第一问题向量;然后将第一问题向量与示例问题对应的第二问题向量进行相似度判断,得到相似性判断结果;若相似性判断结果为第一问题向量与第二问题向量的相似度大于预设阈值,则返回第一相似问题集的示例答案;其中,第一相似问题集为示例问题所属的相似问题集;最后接收导购在显示终端的选择指令,并向客户端发送基于示例答案和选择指令确定的最终答案。在导购客服与消费者进行线上聊天时,通过智能返回示例答案结合导购人工干预对消费者进行回复的方式,能够节省消费者与导购客服两者的沟通成本,快速并准确的回答消费者的疑问,进而有效引导消费者的购买欲望。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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是根据一示例性实施例示出的一种智能问答方法的流程图;
图2是根据一示例性实施例示出的另一种智能问答方法的流程图;
图3是根据一示例性实施例示出的再一种智能问答方法的流程图;
图4是根据一示例性实施例示出的一种智能问答装置的结构框图。
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,下面将对本申请的技术方案进行详细的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
随着互联网的发展及大数据、新零售的快速运用、以客户需求为核心的价值理念占据主导地位。消费者的需求不断呈现个性化、多样化的特点,因此进行用户画像分析,进而进行精准营销已成为各个商家进行销售升级的重要措施。另外基于NLP(NaturalLanguage Processing,自然语言处理)和机器学习技术的发展,智能问答技术的应用已经在客服领域投入使用,并且可以初步根据语义进行情感倾向分析。还有企业微信提供了完善的插件开发能力,企业可以根据自身需求进行插件开发。由于智能问答技术往往针对某一个特定的领域进行语料训练,最终训练的结果也会针对该领域的问题进行解答。因此本实施例利用智能问答技术解决白电领域线上消费聊天场景中的一些问题,具体的技术问题如下:(1)传统导购与消费者沟通时需回答大量重复性问题浪费时间;(2)消费者在与导购机器人进行沟通时因导购机器人对消费者的问题回答不准确,容易造成客户流失的问题。基于此,本申请提供了一种智能问答方法、装置、电子设备和存储介质,能够在导购客服与消费者进行线上聊天时,通过智能返回示例答案结合导购人工干预对消费者进行回复的方式,能够节省消费者与导购客服两者的沟通成本,快速并准确的回答消费者的疑问,进而有效引导消费者的购买欲望。为便于理解,以下对本申请进行详细介绍。
首先参见图1所示的一种智能问答方法的流程图,主要包括如下步骤S102至步骤S108:
步骤S102,接收客户端发送的问题信息,并通过自然语言处理,生成与问题信息对应的第一问题向量。自然语言处理方便,可以快速得到第一问题向量。
步骤S104,将第一问题向量与示例问题对应的第二问题向量进行相似度判断,得到相似性判断结果。示例问题包含在示例问题所属的相似问题集中,而所有的相似问题集均处于全量问题库中。不同的相似问题集中的示例问题不相似,而同一相似问题库中的任意两个相似问题均是相似的。
步骤S106,若相似性判断结果为第一问题向量与第二问题向量的相似度大于预设阈值,则返回第一相似问题集的示例答案。其中,第一相似问题集为示例问题所属的相似问题集。在本实施例中,大于预设阈值时,第一相似问题集的所有示例答案均可以作为待确定的最终答案被选择。
步骤S108,接收导购在显示终端的选择指令,并向客户端发送基于示例答案和选择指令确定的最终答案。
由于提供的第一相似问题集的示例答案较多,因此需要确定最终答案,因此可以接收导购在显示终端的选择指令,用以人工干预,进而使最终答案具有较高的准确率。
本申请提供的上述智能问答方法通过智能返回示例答案结合导购人工干预对消费者进行回复的方式,能够节省消费者与导购客服两者的沟通成本,快速并准确的回答消费者的疑问,进而有效引导消费者的购买欲望。
在一种实施方式中,步骤S102中通过自然语言处理,生成与问题信息对应的第一问题向量的步骤,包括:
步骤S201,通过自然语言处理,提取问题信息的字符串;
步骤S202,通过对字符串进行中文分词,提取实体信息和实体修饰信息;
步骤S203,将实体信息和实体修饰信息作为元素,生成第一问题向量。
在本发明实施例中,可以利用现成的中文词库对消费者的问题文本(即上述问题信息),基于字符串匹配的方式进行分词和停用词预处理,抽取出问题实体(即上述实体信息)和问题实体修饰词(即上述实体修饰信息),其中,该问题实体主要是指名词(即产品名称),,问题实体修饰词是指除了名词以外的形容词,副词,动词,介词中的一个或多个。生成的第一问题向量为Q=(t,v1,v2...vn),其中,t表示问题实体,v1,v2...vn均表示问题实体修饰词;最终形成相似度向量A(pt,p1...pn,P),计算相似度向量A的长度值,与预设阈值进行比对,该阈值可以参考不同的业务情况进行设定。
在一种实施方式中,步骤S104,将第一问题向量与示例问题对应的第二问题向量进行相似度判断,得到相似性判断结果的步骤,包括:
步骤S301,确定第二问题向量的元素;
步骤S302,基于第二问题向量的元素,生成第一问题向量与第二问题向量之间的相似度向量;
步骤S303,计算相似度向量的长度,并将相似度向量的长度与预设阈值的比对结果确定为相似性判断结果。
在一种实施方式中,第二问题向量的元素包括参考实体信息和实体参考修饰信息,步骤S302,基于第二问题向量的元素,生成第一问题向量与第二问题向量之间的相似度向量的步骤,包括:
步骤S401,将实体信息与参考实体信息进行比对,得到第一相似度值;
步骤S402,将实体修饰信息与实体参考修饰信息进行比对,得到第二相似度值;
步骤S403,将第一相似度值和第二相似度值作为元素,生成第一问题向量与第二问题向量之间的相似度向量。
在本发明实施例中,第一问题向量与全量问题库中的示例问题的第二问题向量Wn进行比对计算,相似度判断规则如下:先进行问题实体的比对,如果问题实体相同,则比对结果pt=1,相反pt=0;然后进行问题实体修饰词的比对,利用字符串匹配的方式从Q中进行查找v1,v2...vn,如果查找到问题实体修饰词vi的示例性的,比对结果pvi=1,否则pvi=0。
问题信息为Q:这件黄色外套十月一打折不?示例问题对应的第二问题向量W1:外套可以打折么?另一示例问题对应的第二问题向量W2:外套节假日可以打折么?第一问题向量为:vQ={这件,黄色外套,十月一,打折不},也就是说,问题实体=黄色外套,vW1={外套,打折么},vW2={外套,节假日,打折么},number(vW1)=2,pt1=0,Pw1=(2-2)/2=0,number(vW2)=3,pt2=0,Pw2=(4/3-1)/1=0.3,AW1={0,0,,0,1},|AW1|=1;AW2={0,0,,0,1},|AW2|=1。
在一种实施方式中,方法还包括:
步骤S501,分别统计第一问题向量的元素数量和第二问题向量的元素数量;
步骤S502,计算第一问题向量的元素数量与第二问题向量的元素数量的比值;
步骤S503,若比值大于预设比值,则基于预设计算公式对比值进行重新计算。
在本实施例中,计算P=number(vQ)/number(vW),若P>1,则P=(P-[P])/[P],其中[]表示取整。
在一种实施方式中,如图2所示,方法还包括:
步骤S107,若相似性判断结果为第一问题向量与第二问题向量的相似度不大于预设阈值,则提示导购在显示终端进行外界输入;
步骤S109,接收导购在显示终端输入的最终答案。
在一种实施方式中,如图2所示,方法还包括:
步骤S110,当相似性判断结果为第一问题向量与第二问题向量的相似度不大于预设阈值时,新建第二相似问题集;
步骤S112,接收并发布与第二相似问题集对应的示例答案。
示例性的,如图3所示,本实施例还可以以下述几个步骤进行描述:
步骤S11,中文分词,提取关键实体;步骤S12,进行语义分析,与全量问题库中的问题进行语义相似度表达计算;步骤S13,判断相似度是否大于设定阈值。如果最终计算得到A的向量长度大于设定相似度阈值,则判断该问题已存在于全量问题集中,并将该问题纳入同性问题集;步骤S14,将该问题纳入同性问题集。由于事先已经编辑过该同性问题集的示例答案,因此可以直接给导购返回该同性问题集的答案,让导购进行参考步骤;S15,返回该问题集的示例答案;导购如果觉得该问题的示例答案符合当前消费者,直接选择改答案进行发送。步骤S16,导购选择答案直接答复消费者。接S13,如果最终计算得到A的向量长度小于设定相似度阈值,则判断该问题是一个新问题,则新建同性问题集.步骤S17,新建同性问题集;步骤S18,提示导购打字解答消费者问题;步骤S19,每个月组织专业人员进行新建同性问题集示例答案的编写。也就是说,提示导购该问题目前没有相关示例答案,导购需要自行打字与消费者进行沟通交流。
本实施例通过利用NLP相关技术,采用企业微信的一款聊天功能插件,能够在家电销售场景中积累消费者的重复问题,提前对这些重复问题进行答案编辑,后续当消费者再次问到此类问题时可进行快速准确有效解答。
对应于前述智能问答方法,本申请进一步提供了一种智能问答装置,参见图4所示的一种智能问答装置的结构框图,主要包括如下模块:
接收生成单元402,用于接收客户端发送的问题信息,并通过自然语言处理,生成与问题信息对应的第一问题向量;
相似度判断单元404,用于将第一问题向量与示例问题对应的第二问题向量进行相似度判断,得到相似性判断结果;
返回单元406,用于若相似性判断结果为第一问题向量与第二问题向量的相似度大于预设阈值,则返回第一相似问题集的示例答案;其中,第一相似问题集为示例问题所属的相似问题集;
接收发送单元408,用于接收导购在显示终端的选择指令,并向客户端发送基于示例答案和选择指令确定的最终答案。
本实施例提供的上述智能问答装置通过智能返回示例答案结合导购人工干预对消费者进行回复的方式,能够节省消费者与导购客服两者的沟通成本,快速并准确的回答消费者的疑问,进而有效引导消费者的购买欲望。
在一种具体的实施方式中,接收生成单元402进一步用于:通过自然语言处理,提取问题信息的字符串;通过对字符串进行中文分词,提取实体信息和实体修饰信息;将实体信息和实体修饰信息作为元素,生成第一问题向量。
在一种具体的实施方式中,相似度判断单元404进一步用于:确定第二问题向量的元素;基于第二问题向量的元素,生成第一问题向量与第二问题向量之间的相似度向量;计算相似度向量的长度,并将相似度向量的长度与预设阈值的比对结果确定为相似性判断结果。
在一种具体的实施方式中,第二问题向量的元素包括参考实体信息和实体参考修饰信息,相似度判断单元404进一步用于:将实体信息与参考实体信息进行比对,得到第一相似度值;将实体修饰信息与实体参考修饰信息进行比对,得到第二相似度值;将第一相似度值和第二相似度值作为元素,生成第一问题向量与第二问题向量之间的相似度向量。
在一种具体的实施方式中,该装置还包括统计单元、第一计算单元和第二计算单元,其中:
统计单元,用于分别统计第一问题向量的元素数量和第二问题向量的元素数量;
第一计算单元,用于计算第一问题向量的元素数量与第二问题向量的元素数量的比值,
第二计算单元,用于若比值大于预设比值,则基于预设计算公式对比值进行重新计算。
在一种具体的实施方式中,该装置还包括提示单元和接收单元,其中:
提示单元,用于若相似性判断结果为第一问题向量与第二问题向量的相似度不大于预设阈值,则提示导购在显示终端进行外界输入;
接收单元,用于接收导购在显示终端输入的最终答案。
在一种具体的实施方式中,该装置还包括:
新建单元,用于当相似性判断结果为第一问题向量与第二问题向量的相似度不大于预设阈值时,新建第二相似问题集;
接收发布单元,用于接收并发布与第二相似问题集对应的示例答案。
进一步,本实施例还提供了一种电子设备,包括:处理器和存储装置;其中,存储装置上存储有计算机程序,计算机程序在被处理器运行时执行前述智能问答方法。
进一步,本实施例还提供了一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述智能问答方法。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”、“多”的含义是指至少两个。
应该理解,当元件被称为“固定于”或“设置于”另一个元件,它可以直接在另一个元件上或者可能同时存在居中元件;当一个元件被称为“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件,此外,这里使用的“连接”可以包括无线连接;使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为:表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是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,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种智能问答方法,其特征在于,包括:
接收客户端发送的问题信息,并通过自然语言处理,生成与问题信息对应的第一问题向量,包括:通过自然语言处理,提取所述问题信息的字符串;通过对所述字符串进行中文分词,提取实体信息和实体修饰信息;将所述实体信息和所述实体修饰信息作为元素,生成所述第一问题向量;
将所述第一问题向量与示例问题对应的第二问题向量进行相似度判断,得到相似性判断结果,包括:确定所述第二问题向量的元素;所述第二问题向量的元素包括参考实体信息和实体参考修饰信息,基于所述第二问题向量的元素,生成所述第一问题向量与所述第二问题向量之间的相似度向量,包括:将所述实体信息与所述参考实体信息进行比对,得到第一相似度值;将所述实体修饰信息与所述实体参考修饰信息进行比对,得到第二相似度值;将所述第一相似度值和所述第二相似度值作为元素,生成所述第一问题向量与所述第二问题向量之间的相似度向量;计算所述相似度向量的长度,并将所述相似度向量的长度与预设阈值的比对结果确定为相似性判断结果;
若所述相似性判断结果为所述第一问题向量与所述第二问题向量的相似度大于预设阈值,则返回第一相似问题集的示例答案;其中,所述第一相似问题集为所述示例问题所属的相似问题集;
接收导购在显示终端的选择指令,并向客户端发送基于所述示例答案和所述选择指令确定的最终答案。
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:
分别统计所述第一问题向量的元素数量和所述第二问题向量的元素数量;
计算所述第一问题向量的元素数量与所述第二问题向量的元素数量的比值;
若所述比值大于预设比值,则基于预设计算公式对所述比值进行重新计算。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若相似性判断结果为所述第一问题向量与所述第二问题向量的相似度不大于预设阈值,则提示导购在显示终端进行外界输入;
接收导购在所述显示终端输入的最终答案。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
当相似性判断结果为所述第一问题向量与所述第二问题向量的相似度不大于预设阈值时,新建第二相似问题集;
接收并发布与第二相似问题集对应的示例答案。
5.一种智能问答装置,其特征在于,包括:
接收生成单元,用于接收客户端发送的问题信息,并通过自然语言处理,生成与问题信息对应的第一问题向量,包括:通过自然语言处理,提取所述问题信息的字符串;通过对所述字符串进行中文分词,提取实体信息和实体修饰信息;将所述实体信息和所述实体修饰信息作为元素,生成所述第一问题向量;
相似度判断单元,用于将所述第一问题向量与示例问题对应的第二问题向量进行相似度判断,得到相似性判断结果,包括:确定所述第二问题向量的元素;所述第二问题向量的元素包括参考实体信息和实体参考修饰信息,基于所述第二问题向量的元素,生成所述第一问题向量与所述第二问题向量之间的相似度向量,包括:将所述实体信息与所述参考实体信息进行比对,得到第一相似度值;将所述实体修饰信息与所述实体参考修饰信息进行比对,得到第二相似度值;将所述第一相似度值和所述第二相似度值作为元素,生成所述第一问题向量与所述第二问题向量之间的相似度向量;计算所述相似度向量的长度,并将所述相似度向量的长度与预设阈值的比对结果确定为相似性判断结果;
返回单元,用于若所述相似性判断结果为所述第一问题向量与所述第二问题向量的相似度大于预设阈值,则返回第一相似问题集的示例答案;其中,所述第一相似问题集为所述示例问题所属的相似问题集;
接收发送单元,用于接收导购在显示终端的选择指令,并向客户端发送基于所述示例答案和所述选择指令确定的最终答案。
6.一种电子设备,其特征在于,包括处理器和存储装置;
所述存储装置上存储有计算机程序,所述计算机程序在被所述处理器运行时执行如权利要求1至4任一项所述的方法。
7.一种存储介质,所述存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1至4任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011121798.7A CN112163083B (zh) | 2020-10-20 | 2020-10-20 | 智能问答方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011121798.7A CN112163083B (zh) | 2020-10-20 | 2020-10-20 | 智能问答方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163083A CN112163083A (zh) | 2021-01-01 |
CN112163083B true CN112163083B (zh) | 2023-11-03 |
Family
ID=73867506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011121798.7A Active CN112163083B (zh) | 2020-10-20 | 2020-10-20 | 智能问答方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163083B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115334362B (zh) * | 2022-07-16 | 2023-09-26 | 珠海格力电器股份有限公司 | 弹幕问题的处理方法、装置、存储介质、服务设备及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049433A (zh) * | 2012-12-11 | 2013-04-17 | 微梦创科网络科技(中国)有限公司 | 自动问答方法、自动问答***及构建问答实例库的方法 |
CN109740077A (zh) * | 2018-12-29 | 2019-05-10 | 北京百度网讯科技有限公司 | 基于语义索引的答案搜索方法、装置及其相关设备 |
CN110263144A (zh) * | 2019-06-27 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 一种答案获取方法及装置 |
CN110674272A (zh) * | 2019-09-05 | 2020-01-10 | 科大讯飞股份有限公司 | 一种问题答案确定方法及相关装置 |
CN111221954A (zh) * | 2020-01-09 | 2020-06-02 | 珠海格力电器股份有限公司 | 一种构建家电维修问答库的方法、装置、存储介质及终端 |
CN111639502A (zh) * | 2020-05-26 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 文本语义匹配方法、装置、计算机设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10331684B2 (en) * | 2016-06-03 | 2019-06-25 | International Business Machines Corporation | Generating answer variants based on tables of a corpus |
US10860654B2 (en) * | 2019-03-28 | 2020-12-08 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for generating an answer based on clustering and sentence similarity |
-
2020
- 2020-10-20 CN CN202011121798.7A patent/CN112163083B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049433A (zh) * | 2012-12-11 | 2013-04-17 | 微梦创科网络科技(中国)有限公司 | 自动问答方法、自动问答***及构建问答实例库的方法 |
CN109740077A (zh) * | 2018-12-29 | 2019-05-10 | 北京百度网讯科技有限公司 | 基于语义索引的答案搜索方法、装置及其相关设备 |
CN110263144A (zh) * | 2019-06-27 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 一种答案获取方法及装置 |
CN110674272A (zh) * | 2019-09-05 | 2020-01-10 | 科大讯飞股份有限公司 | 一种问题答案确定方法及相关装置 |
CN111221954A (zh) * | 2020-01-09 | 2020-06-02 | 珠海格力电器股份有限公司 | 一种构建家电维修问答库的方法、装置、存储介质及终端 |
CN111639502A (zh) * | 2020-05-26 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 文本语义匹配方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112163083A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210027146A1 (en) | Method and apparatus for determining interest of user for information item | |
US11551007B2 (en) | Determining intent from a historical vector of a to-be-analyzed statement | |
CN108304439B (zh) | 一种语义模型优化方法、装置及智能设备、存储介质 | |
CN108694647B (zh) | 一种商户推荐理由的挖掘方法及装置,电子设备 | |
CN104639420B (zh) | 即时通讯的信息处理方法和*** | |
CN110196904B (zh) | 一种获取推荐信息的方法、装置及计算机可读存储介质 | |
CN107977415A (zh) | 自动问答方法及装置 | |
CN111708869B (zh) | 人机对话的处理方法及装置 | |
CN102163215A (zh) | 来自文档概述的问题概念的本体分类 | |
CN106062743A (zh) | 用于关键字建议的***和方法 | |
CN116127020A (zh) | 生成式大语言模型训练方法以及基于模型的搜索方法 | |
CN108563655A (zh) | 基于文本的事件识别方法和装置 | |
CN114090755B (zh) | 基于知识图谱的回复语句确定方法、装置及电子设备 | |
CN110955750A (zh) | 评论区域和情感极性的联合识别方法、装置、电子设备 | |
CN109993583A (zh) | 信息推送方法和装置、存储介质及电子装置 | |
CN114328878A (zh) | 一种信息回复方法、装置、介质 | |
CN111104590A (zh) | 信息推荐方法、装置、介质及电子设备 | |
CN112163083B (zh) | 智能问答方法、装置、电子设备和存储介质 | |
CN111192082B (zh) | 产品卖点的分析方法、终端设备及计算机可读存储介质 | |
CN110737845A (zh) | 一种实现信息分析的方法、计算机存储介质及*** | |
CN111383042A (zh) | 房源推荐方法和装置 | |
CN113821588A (zh) | 文本处理方法、装置、电子设备及存储介质 | |
CN111309882B (zh) | 用于实现智能客服问答的方法和装置 | |
CN111259131B (zh) | 信息处理方法、介质、装置和计算设备 | |
CN117076636A (zh) | 一种智能客服的信息查询方法、***和设备 |
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 |