CN112231445A - 结合rpa与ai的搜索方法、装置、设备及存储介质 - Google Patents
结合rpa与ai的搜索方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112231445A CN112231445A CN202011126674.8A CN202011126674A CN112231445A CN 112231445 A CN112231445 A CN 112231445A CN 202011126674 A CN202011126674 A CN 202011126674A CN 112231445 A CN112231445 A CN 112231445A
- Authority
- CN
- China
- Prior art keywords
- entity
- condition
- entities
- search
- searching
- 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 54
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000003058 natural language processing Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 7
- 208000032839 leukemia Diseases 0.000 description 26
- 238000013473 artificial intelligence Methods 0.000 description 24
- 238000013461 design Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 239000003607 modifier Substances 0.000 description 4
- 239000000470 constituent Substances 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F16/3331—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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种结合RPA与AI的搜索方法、装置、设备及存储介质,涉及RPA、AI中的智能搜索领域。本公开实施例提供的结合RPA与AI的搜索方法,包括通过采用NLP技术对接收到的问题信息进行语义分析,得到第一实体和条件;根据第一实体和条件,从知识图谱中查找符合所述条件的第二实体;其中,知识图谱中包括:第一实体和第二实体,第一实体指向至少一个第二实体,第二实体之间通过条件链路链接;将第二实体作为答案反馈给用户端。从而可以根据问题中设置的条件对知识图谱中的多个第二实体进行过滤,得到与问题更加匹配的答案,提升搜索结果的准确性。
Description
技术领域
本公开涉及智能搜索技术领域,尤其涉及一种结合RPA与AI的搜索方法、装置、设备及存储介质。
背景技术
机器人流程自动化(Robotic Process Automation,简称RPA)是通过特定的“机器人软件”,模拟人在计算机上的操作,按规则自动执行流程任务。
人工智能(Artificial Intelligence,简称AI)是研究、开发用于模拟、延伸和扩展人智能的理论、方法、技术及应用***的一门新技术科学。人工智能领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家***等。
知识图谱是2012年谷歌提出的用于语义搜索的工具,知识图谱能把客观世界用网状的结构表现出来,其基本组成单元是实体、关系、属性。
现有技术中的知识图谱一般是通过简单的关系特征描述实体和实体之间的联系,然后在搜索时,基于关系特征查找到问题实体对应的答案实体。
然而,这种方式搜索得到的搜索结果比较宽泛,答案的定位精度不够,无法在带有多条件搜索的场景中进行应用,搜索结果的匹配度较差。
发明内容
本公开提供一种结合RPA与AI的搜索方法、装置、设备及存储介质,可以根据问题中设置的条件对知识图谱中的多个第二实体进行过滤,得到与问题更加匹配的答案,提升搜索结果的准确性。
第一方面,本公开提供一种结合RPA与AI的搜索方法,包括:
采用NLP技术对接收到的问题信息进行语义分析,得到第一实体和条件;
根据所述第一实体和条件,从知识图谱中查找符合所述条件的第二实体;其中,所述知识图谱中包括:第一实体和第二实体,所述第一实体指向至少一个所述第二实体,所述第二实体之间通过条件链路链接;
将所述第二实体作为答案反馈给用户端。
在一种可能的设计中,所述采用NLP技术对接收到的问题信息进行语义分析,得到第一实体和条件,包括:
将所述问题信息进行分解,得到分词序列;
根据所述分词序列中各个分词的词性和语义,提取出第一实体和至少一个条件;其中,所述条件用于修饰所述第一实体。
在一种可能的设计中,当根据所述分词序列中各个分词的词性和语义没有提取出用于修饰所述第一实体的分词时,将所述条件设置为不限制。
在一种可能的设计中,所述根据所述第一实体和条件,从知识图谱中查找符合所述条件的第二实体,包括:
从所述知识图谱中定位所述第一实体的位置;
将所述第一实体作为起始节点,按照所述条件遍历所有连通的搜索路径;其中,所述搜索路径由所述第一实体、所述第二实体以及条件链路链接而成;
查找位于所述搜索路径终点位置的所述第二实体。
在一种可能的设计中,所述将所述第二实体作为答案反馈给用户端,包括:
将位于所述搜索路径终点位置的所有所述第二实体作为答案反馈给用户端。
在一种可能的设计中,在所述根据所述第一实体和条件,从知识图谱中查找符合所述条件的第二实体之前,还包括:
根据业务和/或领域需求,确定所述第一实体和所述第二实体;
根据所述第一实体和所述第二实体之间的指向关系,以及所述第二实体之间的条件链路,构建知识图谱;其中,所述第二实体之间的每一条链路对应一个条件。
第二方面,本公开还提供一种结合RPA与AI的搜索装置,包括:
分析模块,用于采用NLP技术对接收到的问题信息进行语义分析,得到第一实体和条件;
搜索模块,用于根据所述第一实体和条件,从知识图谱中查找符合所述条件的第二实体;其中,所述知识图谱中包括:第一实体和第二实体,所述第一实体指向至少一个所述第二实体,所述第二实体之间通过条件链路链接;
反馈模块,用于将所述第二实体作为答案反馈给用户端。
在一种可能的设计中,所述分析模块,具体用于:
将所述问题信息进行分解,得到分词序列;
根据所述分词序列中各个分词的词性和语义,提取出第一实体和至少一个条件;其中,所述条件用于修饰所述第一实体。
在一种可能的设计中,所述分析模块,具体用于:
当根据所述分词序列中各个分词的词性和语义没有提取出用于修饰所述第一实体的分词时,将所述条件设置为不限制。
在一种可能的设计中,所述搜索模块,具体用于:
从所述知识图谱中定位所述第一实体的位置;
将所述第一实体作为起始节点,按照所述条件遍历所有连通的搜索路径;其中,所述搜索路径由所述第一实体、所述第二实体以及条件链路链接而成;
查找位于所述搜索路径终点位置的所述第二实体。
在一种可能的设计中,所述反馈模块,具体用于:
将位于所述搜索路径终点位置的所有所述第二实体作为答案反馈给用户端。
在一种可能的设计中,还包括:图谱构建模块,用于:
根据业务和/或领域需求,确定所述第一实体和所述第二实体;
根据所述第一实体和所述第二实体之间的指向关系,以及所述第二实体之间的条件链路,构建知识图谱;其中,所述第二实体之间的每一条链路对应一个条件。
第三方面,本公开还提供一种电子设备,包括:
处理器;以及,
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行第一方面中任意一种结合RPA与AI的搜索方法。
第四方面,本公开实施例还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面中任意一种结合RPA与AI的搜索方法。
本公开提供一种结合RPA与AI的搜索方法、装置、设备及存储介质,通过采用NLP技术对接收到的问题信息进行语义分析,得到第一实体和条件;根据所述第一实体和条件,从知识图谱中查找符合所述条件的第二实体;其中,所述知识图谱中包括:第一实体和第二实体,所述第一实体指向至少一个所述第二实体,所述第二实体之间通过条件链路链接;将所述第二实体作为答案反馈给用户端。从而可以根据问题中设置的条件对知识图谱中的多个第二实体进行过滤,得到与问题更加匹配的答案,提升搜索结果的准确性。
附图说明
为了更清楚地说明本公开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一简单地介绍,显而易见地,下面描述中的附图是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开根据一示例实施例示出的结合RPA与AI的搜索方法的应用场景图;
图2为本公开根据一示例实施例示出的结合RPA与AI的搜索方法的流程示意图;
图3为本公开根据另一示例实施例示出的结合RPA与AI的搜索方法的流程示意图;
图4为本公开根据一示例实施例示出的结合RPA与AI的搜索装置的结构示意图;
图5为本公开根据另一示例实施例示出的结合RPA与AI的搜索装置的结构示意图;
图6为本公开根据一示例实施例示出的电子设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
知识图谱是2012年谷歌提出的用于语义搜索的工具,知识图谱能把客观世界用网状的结构表现出来,其基本组成单元是实体、关系、属性。现有技术中的知识图谱一般是通过简单的关系特征描述实体和实体之间的联系,然后在搜索时,基于关系特征查找到问题实体对应的答案实体。然而,这种方式搜索得到的搜索结果比较宽泛,答案的定位精度不够,无法在带有多条件搜索的场景中进行应用,搜索结果的匹配度较差。
针对上述技术问题,本公开提供一种结合RPA与AI的搜索方法、装置、设备及存储介质,可以根据问题中设置的条件对知识图谱中的多个第二实体进行过滤,得到与问题更加匹配的答案,提升搜索结果的准确性。
图1为本公开根据一示例实施例示出的结合RPA与AI的搜索方法的应用场景图,如图1所示,以保险理赔业务场景为例,可以根据保险种类、疾病种类作为第一实体(以正方形表示),如图中的“财富安赢”、“白血病”。在保险理赔领域,对年龄不同、性别不同的用户,理赔也不同。因此,可以根据性别条件、年龄条件构建第二实体(用圆形表示),如理赔A、理赔B、理赔C等。同时,还可以构建第一实体(第二实体)与第二实体之间的条件链路,使得第一实体与第二实体之间,以及第二实体与第二实体之间构成指向关系。同时,第二实体可以根据细粒度要求进行不断地***,***出多个第二实体。这种方式也可以很方便地应用于业务扩展,第二实体根据细粒度进行***,并不需要进行应用层做调整。同时,这种方式也可以很方便地应用于实体删除或者修改,删除之后上层的第二实体变成了搜索链终端的第二实体。
在搜索过程中,可以将问题信息进行分解,得到分词序列。然后,根据分词序列中各个分词的词性和语义,提取出第一实体和至少一个条件。例如,对于“财富安赢的女性60岁得了白血病怎么理赔”的问题信息,首先进行分解,得到“财富安赢”、“女性”、“60岁”、“白血病”、“理赔”等各个分词。根据词性和语义分析,可以知道“女性”、“60岁”、“理赔”等是用于修饰第一实体“财富安赢”、“白血病”的条件。当根据分词序列中各个分词的词性和语义没有提取出用于修饰第一实体的分词时,将条件设置为不限制。例如,当问题信息是“财富安赢的白血病怎么理赔”时,根据分解得到“财富安赢”、“白血病”、“理赔”等各个分词构成的分词序列。其中,没有提及性别、年龄等方面用于修饰的分词。因此,可以将性别条件设置为不限制,将年龄条件设置为不限制。同样的,当问题信息是“财富安赢的女性白血病怎么赔付”,由于没有提取出年龄方面的修饰词,因此可以将年龄条件设置为不限制。同样的,当问题信息是“财富安赢60岁得了白血病怎么赔付”,由于没有提取出性别方面的修饰词,因此可以将性别条件设置为不限制。由此可以看出,本公开实施例对条件不进行限制,可以由一个或者多个条件对第一实体进行限制,一个或者多个条件之间可以进行自由组合。
可以从知识图谱中定位第一实体的位置,然后将第一实体作为起始节点,按照条件遍历所有连通的搜索路径;其中,搜索路径由第一实体、第二实体以及条件链路链接而成。最后,查找位于搜索路径终点位置的第二实体。例如,当问题信息是“财富安赢的白血病怎么理赔”,由于性别条件、年龄条件为不限制,将设置为不限制。可以以“财富安赢”、“白血病”为起点,通过链路“理赔A”—“理赔B”—“理赔D”、“理赔A”—“理赔B”—“理赔E”、“理赔A”—“理赔C”—“理赔F”、“理赔A”—“理赔C”—“理赔G”的四条链路,查找到位于搜索路径终点位置的第二实体“理赔D”、“理赔E”、“理赔F”、“理赔G”。同样的,当问题信息是“财富安赢的女性白血病怎么赔付”,可以以“财富安赢”、“白血病”为起点,通过链路“理赔A”—“理赔C”—“理赔F”、“理赔A”—“理赔C”—“理赔G”的两条链路,查找到位于搜索路径终点位置的第二实体“理赔F”、“理赔G”。当问题信息是“财富安赢的女性60岁得了白血病怎么理赔”,可以以“财富安赢”、“白血病”为起点,通过链路“理赔A”—“理赔C”—“理赔G”的唯一一条链路,查找到位于搜索路径终点位置的第二实体“理赔G”。最后,将将第二实体作为答案反馈给用户端。
应用上述方法可以根据问题中设置的条件对知识图谱中的多个第二实体进行过滤,得到与问题更加匹配的答案,提升搜索结果的准确性。
图2为本公开根据一示例实施例示出的结合RPA与AI的搜索方法的流程示意图,如图2所示,本公开实施例提供的方法可以包括:
步骤101、采用NLP技术对接收到的问题信息进行语义分析,得到第一实体和条件。
本公开实施例中,可以采用NLP技术中的语义分析技术,对接收到的问题信息进行语义分析,得到第一实体和条件。其中,语义分析技术主要是理解词语、句子、篇章的意义、主题、类别等语义信息,属于自然语言处理技术中的一种。
在本公开实施例的一种可能的实现方式中,可以采用语义分析技术将问题信息进行分解,得到分词序列。然后,根据分词序列中各个分词的词性和语义,提取出第一实体和至少一个条件;其中,条件用于修饰第一实体。
作为一种示例,可以对问题信息进行语义分析和句法分析,利用句法信息和语义信息对问题信息进行分解,得到分词序列,之后,可以对分词序列中各个分词进行词性和语义的分析,确定第一实体和至少一个条件。
例如,在语义分析的具体处理过程中,可以将问题信息进行分解,得到分词序列。然后,对分词序列中各个分词进行词性和语义的分析。例如,对于“财富安赢的女性60岁得了白血病怎么理赔”的问题信息,首先进行分解,得到“财富安赢”、“女性”、“60岁”、“白血病”、“理赔”等各个分词。根据词性和语义分析,可以知道“女性”、“60岁”、“理赔”等是用于修饰第一实体“财富安赢”、“白血病”的条件。
可选地,当根据分词序列中各个分词的词性和语义没有提取出用于修饰第一实体的分词时,将条件设置为不限制。
具体地,当问题信息是“财富安赢的白血病怎么理赔”时,根据分解得到“财富安赢”、“白血病”、“理赔”等各个分词构成的分词序列。其中,没有提及性别、年龄等方面用于修饰的分词。因此,可以将性别条件设置为不限制,将年龄条件设置为不限制。同样的,当问题信息是“财富安赢的女性白血病怎么赔付”,由于没有提取出年龄方面的修饰词,因此可以将年龄条件设置为不限制。同样的,当问题信息是“财富安赢60岁得了白血病怎么赔付”,由于没有提取出性别方面的修饰词,因此可以将性别条件设置为不限制。由此可以看出,本公开实施例对条件不进行限制,可以由一个或者多个条件对第一实体进行限制,一个或者多个条件之间可以进行自由组合。
步骤102、根据第一实体和条件,从知识图谱中查找符合条件的第二实体。
本公开实施例中,知识图谱中可以包括:第一实体和第二实体,其中,第一实体指向至少一个第二实体,第二实体之间通过条件链路链接。可以首先从知识图谱中定位第一实体的位置,然后将第一实体作为起始节点,按照条件遍历所有连通的搜索路径;其中,搜索路径由第一实体、第二实体以及条件链路链接而成。最后,查找位于搜索路径终点位置的第二实体。
具体地,以图1中所示的知识图谱为例,第一实体包括“财富安赢”、“白血病”,第二实体包括理赔A、理赔B、理赔C等。第一实体与第二实体之间通过性别、年龄等条件链路进行链接。因此,在从知识图谱中查找符合条件的第二实体时,可以从第一实体开始,遍历所有连通的搜索路径,最终得到位于搜索路径终点位置的第二实体。例如,当问题信息是“财富安赢的白血病怎么理赔”,由于性别条件、年龄条件为不限制,将设置为不限制。可以以“财富安赢”、“白血病”为起点,通过链路“理赔A”—“理赔B”—“理赔D”、“理赔A”—“理赔B”—“理赔E”、“理赔A”—“理赔C”—“理赔F”、“理赔A”—“理赔C”—“理赔G”的四条链路,查找到位于搜索路径终点位置的第二实体“理赔D”、“理赔E”、“理赔F”、“理赔G”。同样的,当问题信息是“财富安赢的女性白血病怎么赔付”,可以以“财富安赢”、“白血病”为起点,通过链路“理赔A”—“理赔C”—“理赔F”、“理赔A”—“理赔C”—“理赔G”的两条链路,查找到位于搜索路径终点位置的第二实体“理赔F”、“理赔G”。当问题信息是“财富安赢的女性60岁得了白血病怎么理赔”,可以以“财富安赢”、“白血病”为起点,通过链路“理赔A”—“理赔C”—“理赔G”的唯一一条链路,查找到位于搜索路径终点位置的第二实体“理赔G”。
步骤103、将第二实体作为答案反馈给用户端。
本公开实施例中,可以将位于搜索路径终点位置的所有第二实体作为答案反馈给用户端。
具体地,第二实体中包含了回答特定问题的答案。通过条件链路,查找到位于搜索路径终点位置的第二实体,即完成了对问题的定位和搜索。因此,可以将步骤102中查找到的第二实体作为答案反馈给用户端。
本公开实施例,通过采用NLP技术对接收到的问题信息进行语义分析,得到第一实体和条件;根据第一实体和条件,从知识图谱中查找符合条件的第二实体;其中,知识图谱中包括:第一实体和第二实体,第一实体指向至少一个第二实体,第二实体之间通过条件链路链接;将第二实体作为答案反馈给用户端。从而可以根据问题中设置的条件对知识图谱中的多个第二实体进行过滤,得到与问题更加匹配的答案,提升搜索结果的准确性。
图3为本公开根据另一示例实施例示出的结合RPA与AI的搜索方法的流程示意图,如图3所示,本公开实施例提供的方法可以包括:
步骤201、根据业务和/或领域需求,构建知识图谱。
本公开实施例中,可以根据业务和/或领域需求,确定第一实体和第二实体;根据第一实体和第二实体之间的指向关系,以及第二实体之间的条件链路,构建知识图谱;其中,第二实体之间的每一条链路对应一个条件。
具体地,以保险理赔业务场景为例,可以根据保险种类、疾病种类作为第一实体。在保险理赔领域,对年龄不同、性别不同的用户,理赔也不同。因此,可以根据性别条件、年龄条件构建第二实体,如理赔A、理赔B、理赔C等。同时,还可以构建第一实体(第二实体)与第二实体之间的条件链路,使得第一实体与第二实体之间,以及第二实体与第二实体之间构成指向关系。同时,第二实体可以根据细粒度要求进行不断地***,***出多个第二实体。这种方式也可以很方便地应用于业务扩展,第二实体根据细粒度进行***,并不需要进行应用层做调整。同时,这种方式也可以很方便地应用于实体删除或者修改,删除之后上层的第二实体变成了搜索链终端的第二实体。例如,当删除“理赔F”和“理赔G”节点,应用层不用任何修改,则问题“财富安赢的女性白血病怎么理赔”和“财富安赢的女性60岁得了白血病怎么理赔”的答案都是“理赔C”,因为这个时候“理赔C”已经处于搜索路径终点位置。本公开实施例提供的方法也可以应用于更加复杂的实际应用场景中,在实际应用场景中会带有更多的条件,最终形成的知识图谱也更加复杂。
步骤202、采用NLP技术对接收到的问题信息进行语义分析,得到第一实体和条件。
需要说明的是,本公开中仅以步骤201在步骤202之前执行示例,实际应用时,步骤201还可以在步骤203之前执行,本公开对此并不做限制。
步骤203、根据第一实体和条件,从知识图谱中查找符合条件的第二实体。
步骤204、将第二实体作为答案反馈给用户端。
本公开实施例中,步骤202~步骤204的具体实现过程和技术原理请参见图2所示的方法中步骤101~步骤103中的相关描述,此处不再赘述。
本公开实施例,通过采用NLP技术对接收到的问题信息进行语义分析,得到第一实体和条件;根据第一实体和条件,从知识图谱中查找符合条件的第二实体;其中,知识图谱中包括:第一实体和第二实体,第一实体指向至少一个第二实体,第二实体之间通过条件链路链接;将第二实体作为答案反馈给用户端。从而可以根据问题中设置的条件对知识图谱中的多个第二实体进行过滤,得到与问题更加匹配的答案,提升搜索结果的准确性。
另外,本公开实施例还可以根据业务和/或领域需求,确定第一实体和第二实体;根据第一实体和第二实体之间的指向关系,以及第二实体之间的条件链路,构建知识图谱;其中,第二实体之间的每一条链路对应一个条件。从而可以根据问题中设置的条件对知识图谱中的多个第二实体进行过滤,得到与问题更加匹配的答案,提升搜索结果的准确性。
图4为本公开根据一示例实施例示出的结合RPA与AI的搜索装置的结构示意图。如图4所示,本公开实施例的结合RPA与AI的搜索装置可以包括:
分析模块31,用于采用NLP技术对接收到的问题信息进行语义分析,得到第一实体和条件;
搜索模块32,用于根据第一实体和条件,从知识图谱中查找符合条件的第二实体;其中,知识图谱中包括:第一实体和第二实体,第一实体指向至少一个第二实体,第二实体之间通过条件链路链接;
反馈模块33,用于将第二实体作为答案反馈给用户端。
在一种可能的设计中,分析模块31,具体用于:
将问题信息进行分解,得到分词序列;
根据分词序列中各个分词的词性和语义,提取出第一实体和至少一个条件;其中,条件用于修饰第一实体。
在一种可能的设计中,分析模块31,具体用于:
当根据分词序列中各个分词的词性和语义没有提取出用于修饰第一实体的分词时,将条件设置为不限制。
在一种可能的设计中,搜索模块32,具体用于:
从知识图谱中定位第一实体的位置;
将第一实体作为起始节点,按照条件遍历所有连通的搜索路径;其中,搜索路径由第一实体、第二实体以及条件链路链接而成;
查找位于搜索路径终点位置的第二实体。
在一种可能的设计中,反馈模块33,具体用于:
将位于搜索路径终点位置的所有第二实体作为答案反馈给用户端。
本公开实施例提供的装置,可以用于执行图2所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本公开实施例,通过采用NLP技术对接收到的问题信息进行语义分析,得到第一实体和条件;根据第一实体和条件,从知识图谱中查找符合条件的第二实体;其中,知识图谱中包括:第一实体和第二实体,第一实体指向至少一个第二实体,第二实体之间通过条件链路链接;将第二实体作为答案反馈给用户端。从而可以根据问题中设置的条件对知识图谱中的多个第二实体进行过滤,得到与问题更加匹配的答案,提升搜索结果的准确性。
在图4所示实施例的基础上,图5为本公开根据另一示例实施例示出的搜索装置的结构示意图,如图5所示,本公开实施例提供的结合RPA与AI的搜索装置,还包括:
图谱构建模块34,用于:
根据业务和/或领域需求,确定第一实体和第二实体;
根据第一实体和第二实体之间的指向关系,以及第二实体之间的条件链路,构建知识图谱;其中,第二实体之间的每一条链路对应一个条件。
本公开实施例提供的装置,可以用于执行图2、图3所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本公开实施例,通过采用NLP技术对接收到的问题信息进行语义分析,得到第一实体和条件;根据第一实体和条件,从知识图谱中查找符合条件的第二实体;其中,知识图谱中包括:第一实体和第二实体,第一实体指向至少一个第二实体,第二实体之间通过条件链路链接;将第二实体作为答案反馈给用户端。从而可以根据问题中设置的条件对知识图谱中的多个第二实体进行过滤,得到与问题更加匹配的答案,提升搜索结果的准确性。
另外,本公开实施例还可以根据业务和/或领域需求,确定第一实体和第二实体;根据第一实体和第二实体之间的指向关系,以及第二实体之间的条件链路,构建知识图谱;其中,第二实体之间的每一条链路对应一个条件。从而可以根据问题中设置的条件对知识图谱中的多个第二实体进行过滤,得到与问题更加匹配的答案,提升搜索结果的准确性。
图6为本公开根据一示例实施例示出的电子设备的结构示意图。如图6所示,本公开实施例提供的一种电子设备40,包括:
处理器401;以及,
存储器402,用于存储处理器的可执行指令,该存储器还可以是flash(闪存);
其中,处理器401配置为经由执行可执行指令来执行上述方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
可选地,存储器402既可以是独立的,也可以跟处理器401集成在一起。
当存储器402是独立于处理器401之外的器件时,电子设备40,还可以包括:
总线403,用于连接处理器401以及存储器402。
本公开实施例还提供一种可读存储介质,可读存储介质中存储有计算机程序,当电子设备的至少一个处理器执行该计算机程序时,电子设备执行上述的各种实施方式提供的结合RPA与AI的搜索方法。
本公开实施例还提供一种程序产品,该程序产品包括计算机程序,该计算机程序存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该计算机程序,至少一个处理器执行该计算机程序使得电子设备实施上述的各种实施方式提供的结合RPA与AI的搜索方法。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (14)
1.一种结合RPA与AI的搜索方法,其特征在于,包括:
采用自然语言处理(NaturalLanguage Processing,简称NLP)技术对接收到的问题信息进行语义分析,得到第一实体和条件;
根据所述第一实体和条件,从知识图谱中查找符合所述条件的第二实体;其中,所述知识图谱中包括:第一实体和第二实体,所述第一实体指向至少一个所述第二实体,所述第二实体之间通过条件链路链接;
将所述第二实体作为答案反馈给用户端。
2.根据权利要求1所述的方法,其特征在于,所述采用NLP技术对接收到的问题信息进行语义分析,得到第一实体和条件,包括:
将所述问题信息进行分解,得到分词序列;
根据所述分词序列中各个分词的词性和语义,提取出第一实体和至少一个条件;其中,所述条件用于修饰所述第一实体。
3.根据权利要求2所述的方法,其特征在于,当根据所述分词序列中各个分词的词性和语义没有提取出用于修饰所述第一实体的分词时,将所述条件设置为不限制。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一实体和条件,从知识图谱中查找符合所述条件的第二实体,包括:
从所述知识图谱中定位所述第一实体的位置;
将所述第一实体作为起始节点,按照所述条件遍历所有连通的搜索路径;其中,所述搜索路径由所述第一实体、所述第二实体以及条件链路链接而成;
查找位于所述搜索路径终点位置的所述第二实体。
5.根据权利要求4所述的方法,其特征在于,所述将所述第二实体作为答案反馈给用户端,包括:
将位于所述搜索路径终点位置的所有所述第二实体作为答案反馈给用户端。
6.根据权利要求1-5中任一项所述的方法,其特征在于,在所述根据所述第一实体和条件,从知识图谱中查找符合所述条件的第二实体之前,还包括:
根据业务和/或领域需求,确定所述第一实体和所述第二实体;
根据所述第一实体和所述第二实体之间的指向关系,以及所述第二实体之间的条件链路,构建知识图谱;其中,所述第二实体之间的每一条链路对应一个条件。
7.一种结合RPA与AI的搜索装置,其特征在于,包括:
分析模块,用于采用NLP技术对接收到的问题信息进行语义分析,得到第一实体和条件;
搜索模块,用于根据所述第一实体和条件,从知识图谱中查找符合所述条件的第二实体;其中,所述知识图谱中包括:第一实体和第二实体,所述第一实体指向至少一个所述第二实体,所述第二实体之间通过条件链路链接;
反馈模块,用于将所述第二实体作为答案反馈给用户端。
8.根据权利要求7所述的装置,其特征在于,所述分析模块,具体用于:
将所述问题信息进行分解,得到分词序列;
根据所述分词序列中各个分词的词性和语义,提取出第一实体和至少一个条件;其中,所述条件用于修饰所述第一实体。
9.根据权利要求8所述的装置,其特征在于,所述分析模块,具体用于:
当根据所述分词序列中各个分词的词性和语义没有提取出用于修饰所述第一实体的分词时,将所述条件设置为不限制。
10.根据权利要求7所述的装置,其特征在于,所述搜索模块,具体用于:
从所述知识图谱中定位所述第一实体的位置;
将所述第一实体作为起始节点,按照所述条件遍历所有连通的搜索路径;其中,所述搜索路径由所述第一实体、所述第二实体以及条件链路链接而成;
查找位于所述搜索路径终点位置的所述第二实体。
11.根据权利要求10所述的装置,其特征在于,所述反馈模块,具体用于:
将位于所述搜索路径终点位置的所有所述第二实体作为答案反馈给用户端。
12.根据权利要求7-11中任一项所述的装置,其特征在于,还包括:图谱构建模块,用于:
根据业务和/或领域需求,确定所述第一实体和所述第二实体;
根据所述第一实体和所述第二实体之间的指向关系,以及所述第二实体之间的条件链路,构建知识图谱;其中,所述第二实体之间的每一条链路对应一个条件。
13.一种电子设备,其特征在于,包括:
处理器;以及,
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至6中任一项所述的结合RPA与AI的搜索方法。
14.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至6中任一项所述的结合RPA与AI的搜索方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020102279109 | 2020-03-27 | ||
CN202010227910 | 2020-03-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112231445A true CN112231445A (zh) | 2021-01-15 |
Family
ID=74118418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011126674.8A Pending CN112231445A (zh) | 2020-03-27 | 2020-10-20 | 结合rpa与ai的搜索方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112231445A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095195A (zh) * | 2015-07-03 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 基于知识图谱的人机问答方法和*** |
CN109522465A (zh) * | 2018-10-22 | 2019-03-26 | 国家电网公司 | 基于知识图谱的语义搜索方法及装置 |
CN109885660A (zh) * | 2019-02-22 | 2019-06-14 | 上海乐言信息科技有限公司 | 一种知识图谱赋能的基于信息检索的问答***和方法 |
KR20200014047A (ko) * | 2018-07-31 | 2020-02-10 | 주식회사 포티투마루 | 시맨틱 트리플 기반의 지식 확장 시스템, 방법 및 컴퓨터 프로그램 |
CN110837550A (zh) * | 2019-11-11 | 2020-02-25 | 中山大学 | 基于知识图谱的问答方法、装置、电子设备及存储介质 |
-
2020
- 2020-10-20 CN CN202011126674.8A patent/CN112231445A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095195A (zh) * | 2015-07-03 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 基于知识图谱的人机问答方法和*** |
KR20200014047A (ko) * | 2018-07-31 | 2020-02-10 | 주식회사 포티투마루 | 시맨틱 트리플 기반의 지식 확장 시스템, 방법 및 컴퓨터 프로그램 |
CN109522465A (zh) * | 2018-10-22 | 2019-03-26 | 国家电网公司 | 基于知识图谱的语义搜索方法及装置 |
CN109885660A (zh) * | 2019-02-22 | 2019-06-14 | 上海乐言信息科技有限公司 | 一种知识图谱赋能的基于信息检索的问答***和方法 |
CN110837550A (zh) * | 2019-11-11 | 2020-02-25 | 中山大学 | 基于知识图谱的问答方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401066B (zh) | 基于人工智能的词分类模型训练方法、词处理方法及装置 | |
CN109325040B (zh) | 一种faq问答库泛化方法、装置及设备 | |
CN111222305A (zh) | 一种信息结构化方法和装置 | |
CN112215008A (zh) | 基于语义理解的实体识别方法、装置、计算机设备和介质 | |
CN108846138A (zh) | 一种融合答案信息的问题分类模型构建方法、装置和介质 | |
CN111767394A (zh) | 一种基于人工智能专家***的摘要提取方法及装置 | |
CN110032736A (zh) | 一种文本分析方法、装置及存储介质 | |
CN112101042A (zh) | 文本情绪识别方法、装置、终端设备和存储介质 | |
CN110795544A (zh) | 内容搜索方法、装置、设备和存储介质 | |
CN106202038A (zh) | 基于迭代的同义词挖掘方法及装置 | |
US20240212796A1 (en) | Reactant molecule prediction using molecule completion model | |
CN114528391A (zh) | 问答对评分模型的训练方法、装置、设备及存储介质 | |
Daniella et al. | Agile Software Development Effort Estimation based on Product Backlog Items | |
CN114490926A (zh) | 一种相似问题的确定方法、装置、存储介质及终端 | |
CN113254126A (zh) | 信息处理方法、装置和电子设备 | |
CN112231445A (zh) | 结合rpa与ai的搜索方法、装置、设备及存储介质 | |
CN115658921A (zh) | 一种基于预训练语言模型的开放域科学知识发现方法和装置 | |
CN113010642A (zh) | 语义关系的识别方法、装置、电子设备及可读存储介质 | |
CN114090778A (zh) | 基于知识锚点的检索方法、装置、电子设备及存储介质 | |
CN114065769A (zh) | 情感原因对抽取模型的训练方法、装置、设备及介质 | |
CN113870998A (zh) | 问诊方法、装置、电子设备和存储介质 | |
Naykhanova et al. | Recognition of situations described in the text of legal documents | |
CN117891930B (zh) | 基于知识图谱增强大语言模型的图书知识问答方法 | |
CN116127050B (zh) | 意见挖掘方法、电子设备及计算机可读存储介质 | |
CN116453702B (zh) | 孤独症行为特征集的数据处理方法、设备、***及介质 |
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 |