CN112328808A - 基于知识图谱的问答方法、装置、电子设备及存储介质 - Google Patents

基于知识图谱的问答方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112328808A
CN112328808A CN202011211406.6A CN202011211406A CN112328808A CN 112328808 A CN112328808 A CN 112328808A CN 202011211406 A CN202011211406 A CN 202011211406A CN 112328808 A CN112328808 A CN 112328808A
Authority
CN
China
Prior art keywords
information
question
knowledge
query
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
Application number
CN202011211406.6A
Other languages
English (en)
Inventor
百维布新哈
蒋伟
王欣
张吉
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.)
Sichuan Changhong Electric Co Ltd
Original Assignee
Sichuan Changhong Electric 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 Sichuan Changhong Electric Co Ltd filed Critical Sichuan Changhong Electric Co Ltd
Priority to CN202011211406.6A priority Critical patent/CN112328808A/zh
Publication of CN112328808A publication Critical patent/CN112328808A/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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • 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
    • G06F16/35—Clustering; Classification
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于知识图谱的问答方法、装置、电子设备及存储介质，其中方法包括如下步骤：定义垂直领域，并定义垂直领域中的意图和每个意图的语义槽；基于垂直领域构建用于查询问题检索的知识图谱；对查询问题进行领域和意图识别；采用句子内部embedding特征和对话历史embedding特征作为算法历史信息；采用Elman+Jordan+历史信息的神经网络，对多轮交互信息进行槽位标注以补全缺失信息；对知识图谱进行查询匹配以获取答案。本发明交互过程中进行多轮人机对话，并结合知识图谱匹配，从而进一步优化问题，明确用户意图；最后通过知识图谱查询匹配，找到推荐给用户的相关知识内容。本发明可以实现基于自然语言的人机交互，上下文连贯性强，用户体验大幅改善。

Description

基于知识图谱的问答方法、装置、电子设备及存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于知识图谱的问答方法、装置、电子设备及存储介质。
背景技术
随着物联网、传感器、人工智能技术的快速发展，计算模式(即人与计算机的关系)发生了深刻变化，从以往的主机计算模式、PC模式、发展到今天的普适计算模式；智慧家庭向着基于广泛连接的、以人为中心的个性化服务方向发展，这种个性化服务***本质上是一种交互更为自然的个性化***。而智能设备作为家庭中智能化程度高，使用频率高，而且有一定的边缘计算能力，部分智能设备还带有显示屏，成为智慧家庭智能化的重要载体，人们不仅用它来实现最基本的传统功能，而且希望这些设备具有更多的智慧，可以为用户提供更加自然的交互方式以及个性化的服务。
目前的智能设备，如智能电视、智能冰箱、智能音箱等，虽然一些实现了传统的“智能”，例如，一些可以从海量Appstrore里下载安装软件，可以通过传感器采集数据并作相应的推荐。但在语音交互方面仍然存在以前的问题：
(1)虽然更为复杂点的自然语言交互可以进行对话，但没有上下文的连贯性，用户必须在一句话内表达完整的信息，用户体验依然不好；
(2)即使个别设备采用更加自然的自然语言交互、但仅仅是简单的操控命令；
(3)设备本身还是弱智能、没有“智慧”、没有知识的支撑、无法提供更加智能的响应。
综上所述，现有的语音交互对用户来说存在着交互不自然或者交互体验不友好、缺乏知识图谱的知识支撑等问题。
发明内容
本发明提供了一种基于知识图谱的问答方法、装置、电子设备及存储介质，以解决现有的语音交互对用户来说存在着交互不自然或者交互体验不友好、缺乏知识图谱的知识支撑等问题。
本发明采用的技术方案是：提供一种基于知识图谱的问答方法，包括：
定义垂直领域，并定义垂直领域中的意图和每个意图的语义槽；
基于垂直领域构建用于查询问题检索的知识图谱；
对查询问题进行领域和意图识别；
采用句子内部embedding特征和对话历史embedding特征作为算法历史信息；
采用Elman+Jordan+历史信息的神经网络，对多轮交互信息进行槽位标注以补全缺失信息；
对知识图谱进行查询匹配以获取答案。
优选地，所述对查询问题进行领域和意图识别的方法，包括CNN或LSTM深度学习的文本分类方法。
优选地，所述采用句子内部embedding特征和对话历史embedding特征作为算法历史信息，包括：
构建句子内部embedding特征，包括词特征和/或POS特征和/或NER特征；
构建对话历史embedding特征，包括intent-slot和/或intent和/或slot。
优选地，所述神经网络，包括Elman+Jordan+历史信息的RNN网络，该网络在ElmanRNN网络基础上增加从输出到隐层的连接，在隐层之前增加辅助数据的输入层，最终模型隐层h(t)的输入中包含输入层数据、前一个隐层数据、新的附加特征数据以及前一层的输出数据：
h(t)＝f(Ux(t)+Wh(t-1)+Ff(t)+Py(t-1))
其中U、W、F、P是连接权重，x(t)是输入的词向量序列，h(t-1)是前一个隐层的信息，f(t)是新添加的附加特征，y(t-1)是前一层的输出数据。
优选地，所述对知识图谱进行查询匹配以获取答案的方法，包括：根据领域信息定位需要查询匹配的图谱库，根据意图和槽位信息对知识图谱进行查询匹配找到答案需要的信息。
本发明还提供一种基于知识图谱的问答装置，包括：
语义槽定义模块，用于定义垂直领域，并定义垂直领域中的意图和每个意图的语义槽；
领域知识图谱模块，用于基于垂直领域构建用于查询问题检索的知识图谱；
查询问题解析模块，用于对查询问题进行领域和意图识别；
查询问题优化模块，用于对多轮交互信息进行槽位标注以补全缺失信息；
所述查询问题优化模块包括历史信息集成模块和槽位标注模块；
所述历史信息集成模块，用于集成句子内部embedding特征和对话历史embedding特征作为算法历史信息；
所述槽位标注模块，用于通过Elman+Jordan+历史信息的神经网络，对多轮交互信息进行槽位标注以补全缺失信息；
查询问题执行模块，用于对知识图谱进行查询匹配以获取答案。
本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行计算机程序时实现上述的基于知识图谱的问答方法的步骤。
本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于知识图谱的问答方法的步骤。
本发明的有益效果是：
(1)本发明可以实现基于自然语言的人机交互，上下文连贯性强，用户体验大幅改善。
(2)交互过程中进行多轮人机对话，并结合知识图谱匹配，从而进一步优化问题，明确用户意图；最后通过知识图谱查询匹配，找到推荐给用户的相关知识内容。
附图说明
图1为本发明实施例1公开的一种基于知识图谱的问答方法流程图；
图2为本发明实施例1公开的Elman+Jordan+历史数据输入的单层RNN网络示意图；
图3为本发明实施例1公开的Elman RNN单隐层网络示意图；
图4为本发明实施例1公开的Jordan RNN单隐层网络示意图；
图5为本发明实施例2公开的一种基于知识图谱的问答装置的***框图；
图6为本发明实施例2公开的查询问题优化模块多轮交互信息过程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步详细描述，但本发明的实施方式不限于此。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
实施例1：
参见图1，一种基于知识图谱的问答方法，包括以下步骤：
步骤1：定义垂直领域，并定义垂直领域中的意图和每个意图的语义槽。
根据业务领域，如影视、菜谱等，或任务划分成单个垂直领域；在每一个垂直领域内定义用户的意图，即用户问题的类型；根据每一个用户的类型定义语义槽，即每类问题需要的参数信息。
步骤2：基于垂直领域构建用于查询问题检索的知识图谱。
对定义的每个领域构建知识图谱，可以采用但不限于三元组形式采集、结构化领域数据，可以采用但不限于文件形式、RDBMS、图数据库等存储图谱数据。
步骤3：对查询问题进行领域和意图识别。
领域和意图识别的方法包括但不限于CNN(即卷积神经网络ConvolutionalNeural Networks)或LSTM(即长短期记忆人工神经网络Long-Short Term Memory)深度学习的文本分类方法。
步骤4：对多轮交互信息进行槽位标注以补全缺失信息。
具体的，步骤4包括：
步骤4.1：采用句子内部embedding特征和对话历史embedding特征作为算法历史信息。
构建句子内部embedding特征，包括但不限于词特征和/或POS特征和/或NER特征等；构建对话历史embedding特征，包括但不限于intent-slot和/或intent和/或slot。
步骤4.2：采用Elman+Jordan+历史信息的神经网络，对多轮交互信息进行槽位标注以补全缺失信息。
槽位标注方法可以采用但不限于B/I/O方法。
所述神经网络，至少包括Elman+Jordan+历史信息的RNN网络，当只有一个隐层时，该网络如图2所示，该网络在Elman RNN网络基础上增加从输出到隐层的连接，在隐层之前增加辅助数据的输入层，最终模型隐层h(t)的输入中包含输入层数据、前一个隐层数据、新的附加特征数据以及前一层的输出数据：
h(t)＝f(Ux(t)+Wh(t-1)+Ff(t)+Py(t-1))
其中U、W、F、P是连接权重，x(t)是输入的词向量序列，h(t-1)是前一个隐层的信息，f(t)是新添加的附加特征,y(t-1)是前一层的输出数据。可以采用但不限于sigmoid作为激活函数。该算法将Elman型循环神经网络(如图3)和Jordan型循环神经网络(如图4)相结合，Jordan型和Elman型相似，Jordan型保留了输出层的历史信息。并且在结合之后的模型上，在隐层之前添加一层，将相关历史信息输入模型。
举例说明本步骤中神经网络多轮交互信息进行槽位标注以补全缺失信息的过程：用户对智能音箱说“帮我查询到上海的机票”，此时神经网络抓取到“上海”、“机票”的槽位信息，但由于不知道出发地、出发时间等信息，此时基于本神经网络的智能音箱进行第一轮的交互，问询“请问出发地点是哪里？”，用户回答“出发地点是成都”，智能音箱继续进行第二轮交互，问询“请问何时出发？”，用户回答“明天下午三点至五点出发”，智能音箱继续进行第三轮交互，问询“请问对航空公司是否有要求？”，用户回答“南航或国航”，至此，神经网络已经抓取到“出发地是成都”、“目的地是上海”、“出发时间是明天下午三点至五点”、“航空公司选择南航或国航”。在此过程中，神经网络基于用户说过的历史信息进行多轮交互，从而将缺失信息补全。
步骤5：对知识图谱进行查询匹配以获取答案。
根据领域信息定位需要查询匹配的图谱库，根据意图和槽位信息对知识图谱进行查询匹配找到答案需要的信息，然后可以用答案模板生成最终的答案文本。
通过本发明实施例一提供的一种基于知识图谱的问答方法，能够根据用户的查询问题识别出该问题所属的领域以及提问的意图(或问题类型)，然后从自然语言交互文本中识别意图中缺失的语义槽(问题相关参数)，再根据问题所在的领域、问题的意图以及该意图的语义槽信息在知识图谱里检索出答案所需的数据以形成答案文本。
实施例2
图5示出了本发明一种基于知识图谱的问答装置的实施例的***框图，基于不同领域的数据，利用该框可以实现诸如食谱问答***、病症药问答***等。该实施例的模块包括：
模块1：语义槽定义模块，用于定义垂直领域，并定义垂直领域中的意图和每个意图的语义。
定义领域、意图和语义槽结构，实现其相关的结构和数据的管理，构建这些数据的存取以及槽位填充API。需要问答的知识范围按业务领域进行划分形成垂直领域，如影视、健康等；在每一个垂直领域中定义用户的意图，也就是问答***可以回答的问题类型；在每个意图范围内划分语义槽，也即回答该类问题需要的参数信息。可以采用但不限于RDBMS形式来存储领域、意图和语义槽相关的信息。
模块2：领域知识图谱模块，用于基于垂直领域构建用于查询问题检索的知识图谱。
采用但不限于三元组形式采集、结构化领域数据，采用但不限于文件形式、RDBMS、图数据库等存储图谱数据，构建知识图谱访问相关API。
模块3：查询问题解析模块，用于对查询问题进行领域和意图识别。
首先识别问题的领域(也即意图划分、技能划分)，比如菜谱领域还是影视领域；然后再识别问题的意图，比如，在菜谱领域，是给定菜名问菜的做法，还是给定原材料问可以做的菜的菜名。领域识别和意图识别采用基于深度学习的文本分类方法。可以采用CNN或LSTM等来进行领域和意图识别。
模块4：查询问题优化模块，用于对多轮交互信息进行槽位标注以补全缺失信息，多轮交互信息过程如图6所示。
具体的，查询问题优化模块包括：
模块4.1：历史信息集成模块，用于集成句子内部embedding特征和对话历史embedding特征作为算法历史信息。
模块4.2：槽位标注模块，用于通过Elman+Jordan+历史信息的神经网络，对多轮交互信息进行槽位标注以补全缺失信息。
与用户进行多轮交互，补全问题中的相关信息。该环节采用槽填充方法对问题进行澄清补全。当用户首次提出查询问题并经***理解之后，模块首先识别用户查询文本中的槽位信息，然后判断是否有缺失的槽位信息，如果有就根据缺失的槽位信息生成询文本并向用户提出，模块根据用户的回答文本、交互历史信息作为输入，通过模型进行用户交互语句的语义槽序列标注、最后提取出问题所缺失的语义槽。可以多次询问-作答交互来提取缺失的语义槽信息。
模块:5：查询问题执行模块，用于对知识图谱进行查询匹配以获取答案。
利用获取到的领域信息确定该在哪个图谱里查询，然后根据用户意图以及相应的槽位信息对知识图谱进行查询匹配，根据匹配结果形成答案；最后可以通过答案模板生成查询问题的回答文本。
每个模块的具体细节信息参考实施例一。
需要说明的是，本实施例中的各模块(或单元)是逻辑意义上的，具体实现时，多个模块(或单元)可以合并成一个模块(或单元)，一个模块(或单元)也可以拆分成多个模块(或单元)。
通过本发明实施例二提供的一种基于知识图谱的问答装置，能够实现领域、意图和语义槽的定义，知识图谱构建，查询问题所属领域以及提问的意图(或问题类型)的解析，多轮自然语言交互文本中语义槽信息(问题相关参数)的提取，根据问题所在的领域、问题的意图以及该意图的语义槽信息在知识图谱里检索出答案所需的数据、并最终根据答案模板形成答案文本。
实施例3
基于实施例1的方法和实施例2的装置，本实施例提供一种计算机设备，包括存储器和处理器，其中存储器和处理器均设置在总线上，存储器存储有计算机程序，处理器执行计算机程序时实现是实施例1所述的基于知识图谱的问答方法。
本领域普通技术人员可以理解，实现实施例1的方法中的全部或部分流程是可以通过程序来指令相关的硬件、软件、固件或他们的组合来完成，所述的程序可以存储于计算机可读取存储介质中，该程序在执行时，可包括如上各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
实施例4
基于实施例1的方法和实施例2的装置，本实施例提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例1所述的基于知识图谱的问答方法。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于知识图谱的问答方法，其特征在于，包括：
定义垂直领域，并定义垂直领域中的意图和每个意图的语义槽；
基于垂直领域构建用于查询问题检索的知识图谱；
对查询问题进行领域和意图识别；
采用句子内部embedding特征和对话历史embedding特征作为算法历史信息；
采用Elman+Jordan+历史信息的神经网络，对多轮交互信息进行槽位标注以补全缺失信息；
对知识图谱进行查询匹配以获取答案。
2.根据权利要求1所述的一种基于知识图谱的问答方法，其特征在于，所述对查询问题进行领域和意图识别的方法，包括CNN或LSTM深度学习的文本分类方法。
3.根据权利要求1所述的一种基于知识图谱的问答方法，其特征在于，所述采用句子内部embedding特征和对话历史embedding特征作为算法历史信息，包括：
构建句子内部embedding特征，包括词特征和/或POS特征和/或NER特征；
构建对话历史embedding特征，包括intent-slot和/或intent和/或slot。
4.根据权利要求1所述的一种基于知识图谱的问答方法，其特征在于，所述神经网络，包括Elman+Jordan+历史信息的RNN网络，该网络在Elman RNN网络基础上增加从输出到隐层的连接，在隐层之前增加辅助数据的输入层，最终模型隐层h(t)的输入中包含输入层数据、前一个隐层数据、新的附加特征数据以及前一层的输出数据：
h(t)＝f(Ux(t)+Wh(t-1)+Ff(t)+Py(t-1))
其中U、W、F、P是连接权重，x(t)是输入的词向量序列，h(t-1)是前一个隐层的信息，f(t)是新添加的附加特征，y(t-1)是前一层的输出数据。
5.根据权利要求1所述的一种基于知识图谱的问答方法，其特征在于，所述对知识图谱进行查询匹配以获取答案的方法，包括：根据领域信息定位需要查询匹配的图谱库，根据意图和槽位信息对知识图谱进行查询匹配找到答案需要的信息。
6.一种基于知识图谱的问答装置，其特征在于，包括：
语义槽定义模块，用于定义垂直领域，并定义垂直领域中的意图和每个意图的语义槽；
领域知识图谱模块，用于基于垂直领域构建用于查询问题检索的知识图谱；
查询问题解析模块，用于对查询问题进行领域和意图识别；
查询问题优化模块，用于对多轮交互信息进行槽位标注以补全缺失信息；
所述查询问题优化模块包括历史信息集成模块和槽位标注模块；
所述历史信息集成模块，用于集成句子内部embedding特征和对话历史embedding特征作为算法历史信息；
所述槽位标注模块，用于通过Elman+Jordan+历史信息的神经网络，对多轮交互信息进行槽位标注以补全缺失信息；
查询问题执行模块，用于对知识图谱进行查询匹配以获取答案。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行计算机程序时实现权利要求1-5任意一项所述的基于知识图谱的问答方法的步骤。
8.一种计算机存储介质，其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执行时实现权利要求1-5中任一项所述的基于知识图谱的问答方法的步骤。
CN202011211406.6A 2020-11-03 2020-11-03 基于知识图谱的问答方法、装置、电子设备及存储介质 Pending CN112328808A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011211406.6A CN112328808A (zh) 2020-11-03 2020-11-03 基于知识图谱的问答方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011211406.6A CN112328808A (zh) 2020-11-03 2020-11-03 基于知识图谱的问答方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112328808A true CN112328808A (zh) 2021-02-05

Family

ID=74323336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011211406.6A Pending CN112328808A (zh) 2020-11-03 2020-11-03 基于知识图谱的问答方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112328808A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113064980A (zh) * 2021-03-22 2021-07-02 苏宁金融科技(南京)有限公司 一种智能问答方法、装置、计算机设备及存储介质
CN113377943A (zh) * 2021-08-16 2021-09-10 中航信移动科技有限公司 多轮智能问答数据处理***
CN114254123A (zh) * 2021-12-15 2022-03-29 四川启睿克科技有限公司 一种基于深度学习和人机交互的知识图谱问答方法和***
CN115238101A (zh) * 2022-09-23 2022-10-25 中国电子科技集团公司第十研究所 一种面向多类型知识库的多引擎智能问答***
CN117435716A (zh) * 2023-12-20 2024-01-23 国网浙江省电力有限公司宁波供电公司 电网人机交互终端的数据处理方法及***

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150317302A1 (en) * 2014-04-30 2015-11-05 Microsoft Corporation Transferring information across language understanding model domains
CN107958091A (zh) * 2017-12-28 2018-04-24 北京贝塔智投科技有限公司 一种基于金融垂直知识图谱的nlp人工智能方法及交互***
CN110321472A (zh) * 2019-06-12 2019-10-11 中国电子科技集团公司第二十八研究所 基于智能问答技术的舆情监测***
CN110473521A (zh) * 2019-02-26 2019-11-19 北京蓦然认知科技有限公司 一种任务模型的训练方法、装置、设备
CN110502608A (zh) * 2019-07-05 2019-11-26 平安科技（深圳）有限公司 基于知识图谱的人机对话方法及人机对话装置
CN111078844A (zh) * 2018-10-18 2020-04-28 上海交通大学 软件众包的任务型对话***及方法
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
CN111274373A (zh) * 2020-01-16 2020-06-12 山东大学 一种基于知识图谱的电子病历问答方法及***
CN111309877A (zh) * 2018-12-12 2020-06-19 北京文因互联科技有限公司 一种基于知识图谱的智能问答方法及***
CN111708869A (zh) * 2020-05-12 2020-09-25 北京明略软件***有限公司 人机对话的处理方法及装置
CN111737432A (zh) * 2020-06-22 2020-10-02 四川长虹电器股份有限公司 一种基于联合训练模型的自动对话方法和***

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150317302A1 (en) * 2014-04-30 2015-11-05 Microsoft Corporation Transferring information across language understanding model domains
CN107958091A (zh) * 2017-12-28 2018-04-24 北京贝塔智投科技有限公司 一种基于金融垂直知识图谱的nlp人工智能方法及交互***
CN111078844A (zh) * 2018-10-18 2020-04-28 上海交通大学 软件众包的任务型对话***及方法
CN111309877A (zh) * 2018-12-12 2020-06-19 北京文因互联科技有限公司 一种基于知识图谱的智能问答方法及***
CN110473521A (zh) * 2019-02-26 2019-11-19 北京蓦然认知科技有限公司 一种任务模型的训练方法、装置、设备
CN110321472A (zh) * 2019-06-12 2019-10-11 中国电子科技集团公司第二十八研究所 基于智能问答技术的舆情监测***
CN110502608A (zh) * 2019-07-05 2019-11-26 平安科技（深圳）有限公司 基于知识图谱的人机对话方法及人机对话装置
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
CN111274373A (zh) * 2020-01-16 2020-06-12 山东大学 一种基于知识图谱的电子病历问答方法及***
CN111708869A (zh) * 2020-05-12 2020-09-25 北京明略软件***有限公司 人机对话的处理方法及装置
CN111737432A (zh) * 2020-06-22 2020-10-02 四川长虹电器股份有限公司 一种基于联合训练模型的自动对话方法和***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵晗: "任务型人机对话中槽填充技术的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113064980A (zh) * 2021-03-22 2021-07-02 苏宁金融科技(南京)有限公司 一种智能问答方法、装置、计算机设备及存储介质
CN113377943A (zh) * 2021-08-16 2021-09-10 中航信移动科技有限公司 多轮智能问答数据处理***
CN113377943B (zh) * 2021-08-16 2022-03-25 中航信移动科技有限公司 多轮智能问答数据处理***
CN114254123A (zh) * 2021-12-15 2022-03-29 四川启睿克科技有限公司 一种基于深度学习和人机交互的知识图谱问答方法和***
CN115238101A (zh) * 2022-09-23 2022-10-25 中国电子科技集团公司第十研究所 一种面向多类型知识库的多引擎智能问答***
CN115238101B (zh) * 2022-09-23 2023-01-03 中国电子科技集团公司第十研究所 一种面向多类型知识库的多引擎智能问答***
CN117435716A (zh) * 2023-12-20 2024-01-23 国网浙江省电力有限公司宁波供电公司 电网人机交互终端的数据处理方法及***
CN117435716B (zh) * 2023-12-20 2024-06-11 国网浙江省电力有限公司宁波供电公司 电网人机交互终端的数据处理方法及***

Similar Documents

Publication Publication Date Title
CN112328808A (zh) 基于知识图谱的问答方法、装置、电子设备及存储介质
CN108959627B (zh) 基于智能机器人的问答交互方法及***
CN111026842B (zh) 自然语言处理方法、自然语言处理装置及智能问答***
US11899681B2 (en) Knowledge graph building method, electronic apparatus and non-transitory computer readable storage medium
CN108345690B (zh) 智能问答方法与***
JP2017010517A (ja) 人工知能によるヒューマン・マシン間の知能チャットの方法および装置
WO2020253064A1 (zh) 语音的识别方法及装置、计算机设备、存储介质
WO2020228416A1 (zh) 一种应答方法和装置
CN113157965B (zh) 音频可视化模型训练及音频可视化方法、装置及设备
CN112749266B (zh) 一种工业问答方法、装置、***、设备及存储介质
JP7488871B2 (ja) 対話推薦方法、装置、電子機器、記憶媒体ならびにコンピュータプログラム
CN111813909A (zh) 一种智能问答方法和装置
CN105335466A (zh) 一种音频数据的检索方法与装置
CN117932022A (zh) 一种智能问答方法、装置、电子设备及存储介质
CN117648422A (zh) 问答提示***、问答提示、库构建、模型训练方法和装置
CN117421398A (zh) 人机交互方法、装置、设备以及存储介质
CN105677745A (zh) 一种通用高效自助数据查询***及实现方法
CN117575008A (zh) 训练样本生成方法、模型训练方法、知识问答方法及设备
WO2024036662A1 (zh) 一种基于数据采样的并行图规则挖掘方法及装置
CN116414964A (zh) 智能客服问答知识库构建方法、装置、设备及介质
CN112966084B (zh) 基于知识图谱的答案查询方法、装置、设备及存储介质
CN115269862A (zh) 一种基于知识图谱的电力问答与可视化***
CN114691880A (zh) 知识图谱构建方法、装置及电子设备
CN114398495A (zh) 基于多轮问答构建知识图谱的方法、装置和可读存储介质
CN114564590A (zh) 应用于大数据和人工智能的智慧医疗信息处理方法及***

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210205