CN112559689A - 一种基于车载问答的数据处理方法和装置 - Google Patents
一种基于车载问答的数据处理方法和装置 Download PDFInfo
- Publication number
- CN112559689A CN112559689A CN202011522646.8A CN202011522646A CN112559689A CN 112559689 A CN112559689 A CN 112559689A CN 202011522646 A CN202011522646 A CN 202011522646A CN 112559689 A CN112559689 A CN 112559689A
- Authority
- CN
- China
- Prior art keywords
- information
- question
- vehicle
- semantic
- template
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 93
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000004044 response Effects 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 7
- 230000009471 action Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 230000009466 transformation Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 235000009508 confectionery Nutrition 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008263 repair mechanism Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—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
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
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)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Machine Translation (AREA)
Abstract
本发明实施例提供了一种基于车载问答的数据处理方法和装置,所述方法包括:获取自定义的语义模板信息;在检测到车载问答事件时,根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果;根据所述意图类型信息和所述关键实体的槽位信息,进行数据查询,得到针对所述车载问答事件的应答信息。通过本发明实施例,实现了对关键语义信息的结构化语义理解,通过自定义语义模板信息,针对车载问答事件,可以解析得到意图类型信息和关键实体的槽位信息,满足了车载问答业务的结构化语义理解需求,提升了解析性能和内存空间,且能够提供模板数据更新,保证了***业务的快速迭代,达到了降低误召回的控制效果。
Description
技术领域
本发明涉及数据处理领域,特别是涉及一种基于车载问答的数据处理方法和装置。
背景技术
在车载语音交互场景中,由于问答或任务型的意图说法复杂,且用户表达存在多样性,而传统的模板匹配方法或词法分析器方法,对语言表达的理解能力有限,且性能和内存空间上也表现不佳,对于复杂语言无法处理歧义冲突情况,导致了无法精准区分模糊、歧义实体,产生误召回。如何对关键语义信息进行结构化理解,以达到精准理解是目前急需解决的问题。
发明内容
鉴于上述问题,提出了以便提供克服上述问题或者至少部分地解决上述问题的一种基于车载问答的数据处理方法和装置,包括:
一种基于车载问答的数据处理方法,所述方法包括:
获取自定义的语义模板信息;
在检测到车载问答事件时,根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果;其中,所述语义解析结果包括意图类型信息和关键实体的槽位信息;
根据所述意图类型信息和所述关键实体的槽位信息,进行数据查询,得到针对所述车载问答事件的应答信息。
可选地,所述语义模板信息包括模板格式信息,在所述根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果之前,还包括:
确定针对所述模板格式信息的模板转化信息;
根据所述模板转化信息,对所述语义模板信息进行格式转化。
可选地,所述模板格式信息包括针对所述意图类型信息的第一格式信息和针对所述关键实体的槽位信息的第二格式信息,所述根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果,包括:
根据所述第一格式信息,确定所述车载问答事件的意图类型信息;
根据所述第二格式信息,确定所述车载问答事件的关键实体的槽位信息;
采用所述意图类型信息和所述关键实体的槽位信息,生成语义解析结果。
可选地,在所述根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果之前,还包括:
确定针对所述车载问答事件的目标解析方式;
所述根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果,包括:
根据所述语义模板信息,采用所述目标解析方式对所述车载问答事件进行解析处理,生成语义解析结果。
可选地,所述根据所述意图类型信息和所述关键实体的槽位信息,进行数据查询,得到针对所述车载问答事件的应答信息,包括:
确定目标数据查询方式;
根据所述意图类型信息和所述关键实体的槽位信息,采用所述目标数据查询方式进行数据查询,得到针对所述车载问答事件的应答信息。
可选地,所述语义模板信息包括查询映射信息,所述根据所述意图类型信息和所述关键实体的槽位信息,采用所述目标数据查询方式进行数据查询,得到针对所述车载问答事件的应答信息,包括:
在所述目标数据查询方式为第一查询方式时,确定所述查询映射信息;其中,所述第一查询方式为基于所述查询映射信息进行数据查询的方式;
结合所述意图类型信息、所述关键实体的槽位信息,以及所述查询映射信息,进行数据查询,得到针对所述车载问答事件的应答信息。
可选地,还包括:
训练联合模型,并融合所述联合模型,对所述车载问答事件的语义解析结果进行泛化。
一种基于车载问答的数据处理装置,所述装置包括:
自定义的语义模板信息获取模块,用于获取自定义的语义模板信息;
语义解析结果生成模块,用于在检测到车载问答事件时,根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果;其中,所述语义解析结果包括意图类型信息和关键实体的槽位信息;
数据查询模块,用于根据所述意图类型信息和所述关键实体的槽位信息,进行数据查询,得到针对所述车载问答事件的应答信息。
一种服务器,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的基于车载问答的数据处理方法。
一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的基于车载问答的数据处理方法。
本发明实施例具有以下优点:
在本发明实施例中,通过获取自定义的语义模板信息,在检测到车载问答事件时,根据语义模板信息,对车载问答事件进行解析处理,生成语义解析结果,语义解析结果包括意图类型信息和关键实体的槽位信息,然后根据意图类型信息和关键实体的槽位信息,进行数据查询,得到针对车载问答事件的应答信息,实现了对关键语义信息的结构化语义理解,通过自定义语义模板信息,针对车载问答事件,可以解析得到意图类型信息和关键实体的槽位信息,满足了车载问答业务的结构化语义理解需求,提升了解析性能和内存空间,且能够提供模板数据更新,保证了***业务的快速迭代,达到了降低误召回的控制效果。
附图说明
为了更清楚地说明本发明的技术方案,下面将对本发明的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发明的一些实施例,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是本发明一实施例提供的一种基于车载问答的数据处理方法的步骤流程图;
图2是本发明一实施例提供的另一种基于车载问答的数据处理方法的步骤流程图;
图3a是本发明一实施例提供的一种模型训练示例的示意图;
图3b是本发明一实施例提供的一种联合模型结构的示意图;
图3c是本发明一实施例提供的一种基于车载问答的数据处理***流程的示意图;
图4是本发明一实施例提供的另一种基于车载问答的数据处理方法的步骤流程图;
图5是本发明一实施例提供的一种数据查询示例的示意图;
图6是本发明一实施例提供的一种基于车载问答的数据处理装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
参照图1,示出了本发明一实施例提供的一种基于车载问答的数据处理方法的步骤流程图,具体可以包括如下步骤:
步骤101,获取自定义的语义模板信息;
在基于车载***的语音问答场景中,可以通过获取自定义的语义模板信息,该语义模板信息可以预先进行自定义,其可以用于构建语义解析工具,如语义模板器,进而可以基于自定义的语义模板信息所构建的语义解析工具,提供丰富的语义模板表达能力,实现了结构化语义理解。
具体的,可以依据需求定义意图说法集合(如针对核心意图、高频说法),然后可以通过分析、归纳确定语言模式,进而可以针对语言模式进行细粒度的元素拆解,以确定对应的语法,可以预置自定义语法的语义模板,其可以作为后续的语法分析树结构构建的实际参考,从而通过自定义的语义模板信息构建语义解析工具,可以基于语义解析工具进行结构化问答链路的语义理解。
在一示例中,针对语义模板规则的定义(即语义模板信息),其定义文件可以采用yml配置形式,可以包括rules.yml、slot_keywords.yml、maps.yml。
例如,rules.yml可以为模板集合,其可以定义模板规则配置,并可以间接用于后续的语义解析工具的语法转化。为了便于开发者理解和设计,模板格式规范定义简洁,规则可以采用字典dict形式进行表示,模板格式的要求可以采用如下方式表示:
[#action_introduce#|#action_explain#](#what#)(#is#)(#entity_group_what#)[#function#|#mode#]
其中,()可以表示必匹配项,[]可以表示可选匹配项,其也可以为简洁格式,模板可以由()和[]组成;语义词槽位可以通过##引用,其命名可以精简、直观;“|”或关系,可以用于拼接语义词槽位引用或词语文本,可以按照细粒度的独立词表进行拼接。
(#action_where_at#)(#action_set#|#action_open#+)(E:#entity_group_direct_where#)[#function#]
其中,语义词槽位数量可以支持正则表示方式,可以通过“+”与()或[]组合使用。
以事实定义型what问题的模板规则设计为例,自定义语法的语义模板格式可以采用如下方式表示:
"what_group":{'(#entity_group_what#)[#function#|#mode#][#is#|#have#|#belong#][#use_to#|#bring_to#](#do#)(#what#)[effect#|#use#]':{'intent':'what'}}
其中,what_group的key(如"what_group")可以表示模板集合的类别,value数据可以为模板规则信息(如{'(#entity_group_what#)[#function#|#mode#][#is#|#have#|#belong#][#use_to#|#bring_to#](#do#)(#what#)[effect#|#use#]':{'intent':'what'}}),内部的key(如'(#entity_group_what#)[#function#|#mode#][#is#|#have#|#belong#][#use_to#|#bring_to#](#do#)(#what#)[effect#|#use#]')可以为模板句式,内部的value可以为意图信息(如{'intent':'what'}),其可以用于后续的知识查询或指令执行的逻辑处理。
又如,slot_keywords.yml可以为槽位引用的词库集合,其可以对应模板中语义词槽位引用。
为了避免歧义句式,可以进行细粒度语义拆分,并设置在同一字典模板内不存在同名实体对应多个不同名槽位(slot)名称词表的情况,如示例:'action_where_at':'在哪,在哪儿,在哪里'、'action_set':'设置,调节'等;槽位名称词表也可以采用细粒度实体词表集合表示,如示例:'entity_group_what':'e_aqs,e_auto_ac,e_ac_eco,e_auto_sweep',其可以表征实体词表集合aqs/auto_ac/ac_eco/auto_sweep均属于entity_group_what,均支持entity_group_what涉及的what类语义模板集合。
又如,maps.yml可以为规则映射集合,其可以包括知识点映射规则,针对语义解析结果的关键信息组合(如意图+关键实体槽位),可以通过建立知识点映射规则,以映射到知识点或其它指令规则,可以设置映射结果为问答知识点信息(如标准知识点+知识点ID+知识点类型),如示例:"what@e_xpilot_fcw":['什么是前向碰撞预防***@443@qa']。
步骤102,在检测到车载问答事件时,根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果;其中,所述语义解析结果包括意图类型信息和关键实体的槽位信息;
其中,车载问答事件可以为用户触发的语音问答交互操作,例如,在车载***的语音问答场景中,用户可以通过语音问答交互操作,发出语音问答请求。
在具体实现中,可以在检测到车载问答事件时,根据获取的自定义的语义模板信息,对车载问答事件进行解析处理,进而可以生成语义解析结果,该语义解析结果可以包括意图类型信息和关键实体的槽位信息,以进一步通过提取意图类型信息和关键实体的槽位信息,达到了结构化问答精准理解语义的能力。
在一示例中,通过构建语义解析工具,可以针对车载问答事件的用户语音问答请求(query)进行语义解析,其输出形式可以为解析树结果(即语义解析结果),在解析树结果中,可以得到意图类型信息和关键实体的槽位信息。
例如,query可以为:在哪里可以找到设置高速自动驾驶功能的页面啊;
输出的解析树结果可以为:
Tree(intent__question_where,[Token(ACTION_WHERE_AT,'在哪里'),Token(ACTION_FIND_OUT,'找到'),Token(ACTION_SET,'设置'),Token(ENTITY_NGP,'高速自动驾驶'),Token(FUNCTION,'功能'),Token(PAGE,'页面')])
在语义解析过程中,可以支持对停用词的省略(如忽略“可以、的、啊”),且实现了对槽位多数量匹配的支持(如ACTION_FIND_OUT|ACTION_SET在模板定义时,属于同一槽位内);可以提取有效的意图类型信息(如question_what)和关键实体的槽位信息(如ENTITY_NGP,'高速自动驾驶'),其可以用于后续的知识查询或指令执行的逻辑应用。
步骤103,根据所述意图类型信息和所述关键实体的槽位信息,进行数据查询,得到针对所述车载问答事件的应答信息。
在得到意图类型信息和关键实体的槽位信息后,可以根据该意图类型信息和关键实体的槽位信息,进行数据查询,进而可以得到针对车载问答事件的应答信息。
在一示例中,根据针对车载问答事件的应答信息,可以生成多模态答案,例如,基于车载GUI(Graph User Interface,图形用户界面)+VUI(Voice User Interface,语音用户界面)交互场景,可以在应答信息的展现形式上提供多模态答案生成,其可以包括知识卡片形态(如文本+图片+视频)、用户手册内容定位、***页面跳转及功能元素定位,tts(文本至语音)播报。
在又一示例中,基于自定义的语义模板信息构建语义解析工具的方法,可以覆盖业务规则,或白名单,或黑名单模板,提供了程序热修机制,通过业务数据补充迭代模板和模型泛化,能够实现***整体业务的快速迭代,且利用白名单和联合模型分类,达到了降低误召回的控制效果。
在本发明实施例中,通过获取自定义的语义模板信息,在检测到车载问答事件时,根据语义模板信息,对车载问答事件进行解析处理,生成语义解析结果,语义解析结果包括意图类型信息和关键实体的槽位信息,然后根据意图类型信息和关键实体的槽位信息,进行数据查询,得到针对车载问答事件的应答信息,实现了对关键语义信息的结构化语义理解,通过自定义语义模板信息,针对车载问答事件,可以解析得到意图类型信息和关键实体的槽位信息,满足了车载问答业务的结构化语义理解需求,提升了解析性能和内存空间,且能够提供模板数据更新,保证了***业务的快速迭代,达到了降低误召回的控制效果。
参照图2,示出了本发明一实施例提供的另一种基于车载问答的数据处理方法的步骤流程图,具体可以包括如下步骤:
步骤201,获取自定义的语义模板信息;所述语义模板信息包括模板格式信息;
在基于车载***的语音问答场景中,可以获取自定义的语义模板信息,其可以用于构建语义解析工具,语义模板信息可以包括模板格式信息,根据该模板格式信息,可以进一步实现语义模板格式与语义解析工具格式之间的转化。
在一示例中,可以采用lark语义解析工具,基于EBNF高级语法语言,从而具备了更强的表达能力和解析能力。
步骤202,确定针对所述模板格式信息的模板转化信息;
在实际应用中,可以通过确定针对模板格式信息的模板转化信息,进行语义模板格式与语义解析工具格式之间的转化。
在一示例中,由于lark语义解析工具的语法为基于EBNF的语法,其可以为采用规则rule和终端terminal的列表共同定义的语言,其中,终端可以定义语义模板的槽位和实例,规则可以定义语义模板的结构,终端可以为字符串、正则表达式或与其它终端的组合,规则的名称可以采用英文小写形式,终端的名称可以为英文大写形式。
在又一示例中,一方面,规则定义可以采用直接引用终端的方式,通过此方式,可以在后续的解析处理任务中,输出具备意图类型信息和关键实体的槽位信息的解析结果树,并可以通过“->”方式指定规则对应的意图类型信息,可以支持多个槽位引用或拼接,如示例:(IS|ISORNOT)HAVE ENTITY_GROUP_WHAT(FUNCTION|MODE)?->intent__what。
另一方面,为了解决部分歧义的模板冲突,针对终端的词表定义可以采用字典排序倒序的方式,如示例:ACTION_WHERE_AT:"在哪里"|"在哪儿"|"在哪"。
另一方面,为了在停用词层面上实现模板泛化能力,可以通过%ignore命令方式,支持对停用词的省略,且可以对终端进行优先级设置,如数字越大,优先级越高,例如,示例:STOPWORDS.0:"的"|"额"|"那"|"这"|"还"|"该"|"能够"|"能"|"帮我",其中,0可以表示停用词,由于STOPWORDS优先级最低,当发生匹配冲突时,可以最后考虑停用词。
另一方面,语义解析工具的语法可以支持必匹配项和可选匹配项的设置,可以采用terminal?或[terminal]形式标识可匹配项,如示例:ENTITY_XPILOT FUNCTION?PAGE?(ACTION_WHERE_AT|ACTION_WHERE_GO)[LOCATION|PAGE]->intent__question_where。
另一方面,可以支持正则表达式部分形式,例如,可以支持槽位数量配置,若要使用+或*来标识1或多、0或多,需要区分+或*项,且组合要一致,如可以为(A|B+)[A|B+],避免出现(A|B+)(A|B|C+),则可以采用优化方案,设置转化格式使用“~1..2”或“~0..2”表示存在多个可选项,如示例:(ACTION_WHERE|ACTION_WHERE_AT|ACTION_WHERE_GO)(ACTION_FIND_OUT|ACTION_SET)~1..2
ENTITY_GROUP_DIRECT_WHERE FUNCTION?PAGE?->intent__question_where
通过依据上述的关键语法定义规范,实现了创建由通用语义模板到语义解析工具语法的自动转化器。
步骤203,根据所述模板转化信息,对所述语义模板信息进行格式转化;
在确定模板转化信息后,可以根据该模板转化信息,对语义模板信息进行格式转化。
具体的,可以依据预置的自定义细粒度语法的语义模板格式(即模板格式信息)建立语法自动转化工具,如语法自动转化器,进而可以将语义模板格式转化为语义解析工具的语法格式,转化过程可以采用如下示例:
1、模板规则可以如示例:
'what_group':{'[#action_introduce#|#action_explain#](#what#)(#is#)(#entity_group_what#)[#function#|#mode#]':{'intent':'what'}}
2、语义解析工具的语法可以如示例:
template_start:START_IDENTIFIER->start_identifier
|(ACTION_EXPLAIN|ACTION_INTRODUCE)?WHAT IS ENTITY_GROUP_WHAT(FUNCTION|MODE)?->intent__what
START_IDENTIFIER:"start_identifier";
ACTION_INTRODUCE:"简介"|"介绍";
ACTION_EXPLAIN:"说明"|"讲解"|"解释";
WHAT:"神马"|"嘛"|"啥子"|"啥"|"什么";
IS:"是";
ENTITY_GROUP_WHAT:"高速自动驾驶"|"车道保持辅助"|"盲区安全辅助"|"ALC";
FUNCTION:"功能";
MODE:"模式";
STOPWORDS.0:"额"|"那"|"这"|"还"|"该"|"能够"|"能"|"给我"|"的"|"来"|"替我"|"我想"|"恩"|"应该"|"帮我"|"嘛"|"嗯"|"啊"|"呢"|"呀"|"吧"|"吗"|"后"|"可以"|"可"|"儿"|"俩"|"会"|"了"|"个"|"两者"|"两个"|"不会"|"下"|"一个"|"一下",%ignore STOPWORDS;
其中,template_start可以表示规则,intent__xxx部分可以表示规则对应的意图类型信息,大写英文可以表示终端terminal,并可以对应有字典倒排序词表,ignore可以表示忽略停用词。
步骤204,在检测到车载问答事件时,根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果;其中,所述语义解析结果包括意图类型信息和关键实体的槽位信息;
在本发明一实施例中,模板格式信息可以包括针对意图类型信息的第一格式信息和针对关键实体的槽位信息的第二格式信息,步骤204可以包括如下子步骤:
根据所述第一格式信息,确定所述车载问答事件的意图类型信息;根据所述第二格式信息,确定所述车载问答事件的关键实体的槽位信息;采用所述意图类型信息和所述关键实体的槽位信息,生成语义解析结果。
在实际应用中,由于模板格式信息可以包括针对意图类型信息的第一格式信息和针对关键实体的槽位信息的第二格式信息,进而在检测到车载问答事件时,基于自定义的语义模板信息,可以根据第一格式信息,确定车载问答事件的意图类型信息,并可以根据第二格式信息,确定车载问答事件的关键实体的槽位信息,可以得到包括意图类型信息和关键实体的槽位信息的语义解析结果。
例如,针对车载问答事件的用户语音问答请求(query)可以为:自由风和镜像风有啥区别吗;
输出的解析树结果(即语义解析结果)可以为:
Tree(intent__difference_ac_wind_1,[Token(E_FREE_WIND,'自由风'),Token(COMPARE_WITH,'和'),Token(E_MIRROR_WIND,'镜像风'),Token(HAVE,'有'),Token(WHAT,'啥'),Token(DISTINCT0,'区别')])。
在语义解析过程中,可以支持对停用词的省略(如忽略掉“的、吗”),可以得到有效的意图类型信息(如difference_ac_wind_1)和关键实体的槽位信息(如E_FREE_WIND,'自由风、E_MIRROR_WIND,'镜像风'),其可以用于后续的知识查询或指令执行的逻辑应用。
在本发明一实施例中,在所述根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果之前,还可以包括如下步骤:
确定针对所述车载问答事件的目标解析方式;
在具体实现中,可以确定针对车载问答事件的目标解析方式,例如,针对lark语义解析工具,其可以提供多种解析算法,如Earley算法、LALR算法,可以按照实际需求进行切换。
所述根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果的步骤,可以包括如下子步骤:
根据所述语义模板信息,采用所述目标解析方式对所述车载问答事件进行解析处理,生成语义解析结果。
在实际应用中,根据语义模板信息,可以采用目标解析方式对车载问答事件进行解析处理,进而可以生成语义解析结果。
例如,Earley算法可以接受定义的任何与上下文无关的语法,即在EBNF中编写的任何语法均可以解析,当使用Earley算法时,语义解析工具可以有效地解析和存储语法中所有歧义,***可以在不同的歧义消除策略之间进行选择,并且可以使用规则优先级语法对其它规则进行优先排序(或降级),还可以设置显性歧义ambiguity='explicit',可以选择接收全部可能的解析树结果集合,并可以最终筛选出最佳的解析树结果,如示例:
Lark(grammar=rule_grammar,start="start",ambiguity="explicit",parser="earley")。
由于随着业务扩展,语义模板数量和复杂性增多,Earley算法的解析性能延迟增长较快,不适合用于高度模糊的语法或较长的输入,通过逐步了解语法的结构、目标语言的范围及其性能要求,通过选择使用LALR算法,能够获得较大的性能提升。
又如,基于LALR算法的语义解析工具,可以作为可识别语法的词法分析工具,与传统的LALR(1)相比,其提供了更好的表达能力,在提升内存空间和解析速度性能上非常有效,扩展了传统的基于自动词法状态(YACC)的体系结构,从而使改进的LALR高效解析算法更强大,通过使用语义解析工具的超前预测来缩小对终端的选择,则针对每个节点,可以仅匹配针对该解析工具状态下合法的终端(Terminal)子组,而不是所有终端,如示例:
rule_parser=Lark(grammar=rule_grammar,start="template_start",parser="lalr")。
步骤205,训练联合模型,并融合所述联合模型,对所述车载问答事件的语义解析结果进行泛化;
在具体实现中,由于基于语义模板解析工具的语义理解主要面向核心意图、高频说法,为了针对***建立基于模型的泛化和迭代能力,可以通过训练联合模型,并可以融合该联合模型,对车载问答事件的语义解析结果进行泛化,从而通过融合联合模型的方法,满足了整个***的性能和意图泛化理解能力。
针对NLU(自然语言理解)泛化能力差的问题,可以使用BERT预训练模型,其可以为联合了意图分类和基于BERT槽填充的模型,输出结果同样可以为意图类型信息和关键实体的槽位信息。
在一示例中,针对联合模型训练语料的构建,如图3a所示,可以设置句子标注类型标识,如where,what,difference等,以作为意图类型信息;可以对句子中每个词进行标注,标注格式可以为BIO格式,其中,“B-X”可以表示此元素所在的片段属于X类型,且此元素处于该片段的开头位置,“I-X”可以表示此元素所在的片段属于X类型,且此元素处于该片段的中间位置,“O”可以表示不属于任何类型。
在又一示例中,可以进行联合模型建模,BERT可以扩展到意图分类和插槽填充联合模型,如图3b所示,可以基于第一个特殊token([CLS])的隐藏状态,其可以表示为h1,[CLS]训练后可以表示该句的语义信息,可以使用其作为意图识别的分类输入,并可以使用softmax分类器进行意图分类预测,可以采用如下公式:
yi=softmax(wih1+bi)
对于插槽填充,同样可以为其他token的隐藏状态h2,…,hn,可以通过softmax层对插槽填充标签进行分类,为了使该过程与中文WordPiece tokenization兼容,可以将每个标记化的输入词输入WordPiece标记器,并可以使用与第一个子标记相对应的隐藏状态作为softmax分类器的输入,hn为与词xn的第一个字标记相对应隐藏状态。该方法在字符串token基础上,有效的利用了已知关键词语的语义信息,可以采用如下公式:
在意图分类和插槽填充两者联合建模训练时,可以使用cross-entropy作为分类的损失函数,可以采用如下公式:
其中,学习目标可以为最大化条件概率p,通过最小化交叉熵损失可以对模型进行端到端的微调。
步骤206,根据所述意图类型信息和所述关键实体的槽位信息,进行数据查询,得到针对所述车载问答事件的应答信息。
在得到意图类型信息和关键实体的槽位信息后,可以根据该意图类型信息和关键实体的槽位信息,进行数据查询,进而可以得到针对车载问答事件的应答信息。
在一示例中,如图3c所示,基于语义解析工具进行结构化问答链路的语义理解,可以实现核心意图精准理解,且通过融合模型,可以实现泛化意图增强理解;通过自定义的语义模板信息,自动对齐可以基于上下文无关语法的lark语义解析工具语法,自动建树可以采用改进的LALR高效解析算法,从而丰富了语义模板表达能力,且在解析性能和内存空间上达到了提升较大的效果,实现了结构化语义理解;通过自定义构建语义模板解析工具和联合模型融合的方法,能够同时实现意图类型信息和关键实体的槽位信息的提取,满足了车载问答业务中对关键语义信息的结构化语义理解需求,对核心意图、高频说法的语义理解提供了稳定可控机制,对泛化意图的低频说法提供了泛化理解能力。
参照图4,示出了本发明一实施例提供的另一种基于车载问答的数据处理方法的步骤流程图,具体可以包括如下步骤:
步骤401,获取自定义的语义模板信息;
在基于车载***的语音问答场景中,可以通过获取自定义的语义模板信息,该语义模板信息可以预先进行自定义,其可以用于构建语义解析工具,如语义模板器,进而可以基于自定义的语义模板信息所构建的语义解析工具,提供丰富的语义模板表达能力,实现了结构化语义理解。
步骤402,在检测到车载问答事件时,根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果;其中,所述语义解析结果包括意图类型信息和关键实体的槽位信息;
在具体实现中,可以在检测到车载问答事件时,根据获取的自定义的语义模板信息,对车载问答事件进行解析处理,进而可以生成语义解析结果,该语义解析结果可以包括意图类型信息和关键实体的槽位信息,以进一步通过提取意图类型信息和关键实体的槽位信息,达到了结构化问答精准理解语义的能力。
步骤403,确定目标数据查询方式;
在得到语义解析结果后,可以通过确定目标数据查询方式,以进一步根据目标数据查询方式进行数据查询,例如,针对语义解析结果,可以提取意图类型信息和关键实体的槽位信息,以进行结构化知识查询,结构化知识查询方式可以为多个,如针对FAQ知识库的查询方式、针对KG-Neo4j知识库的查询方式。
步骤404,根据所述意图类型信息和所述关键实体的槽位信息,采用所述目标数据查询方式进行数据查询,得到针对所述车载问答事件的应答信息。
在一示例中,如图5所示,针对KG-Neo4j(知识图谱)知识库,可以采用Cypher查询规则映射器和答案生成模块进行结构化知识查询,通过将意图分类(即意图类型信息)映射到知识图谱中的关系,将槽位类型或实体提及实体信息(即关键实体的槽位信息)链接至知识图谱中的实体,可以利用实体与关系,依据语义要求通过构建的Cypher查询规则,可以将用户意图转化为Cypher查询语言,进而可以在Neo4j中查询知识,并可以通过答案模板生成最终答案,如示例:match(n{name:'Xpilot_NGP'})-[:operate_type{name:'set'}]->(p:where_page)return p。
在本发明一实施例中,语义模板信息可以包括查询映射信息,步骤404可以包括如下子步骤:
在所述目标数据查询方式为第一查询方式时,确定所述查询映射信息;其中,所述第一查询方式为基于所述查询映射信息进行数据查询的方式;结合所述意图类型信息、所述关键实体的槽位信息,以及所述查询映射信息,进行数据查询,得到针对所述车载问答事件的应答信息。
其中,第一查询方式可以为针对FAQ知识库的查询方式。
例如,如图5所示,针对FAQ(Frequently Asked Questions,常见问题解答)知识库,可以采用FAQ知识规则映射工具进行结构化知识查询,可以预设针对标准知识点的映射方式(即查询映射信息),可以直接采用【意图类别@关键实体】-->【知识点@知识ID@知识库类型】的映射方式,以在FAQ-ES索引知识库中可以通过查询ID对应的知识,得到针对车载问答事件的应答信息,如示例:"question_where@e_xpilot_ngp":['高速自动驾驶在哪里调节@2626@qa']、"what@e_xpilot_fcw":['什么是前向碰撞预防***@443@qa']。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图6,示出了本发明一实施例提供的一种基于车载问答的数据处理装置的结构示意图,具体可以包括如下模块:
自定义的语义模板信息获取模块601,用于获取自定义的语义模板信息;
语义解析结果生成模块602,用于在检测到车载问答事件时,根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果;其中,所述语义解析结果包括意图类型信息和关键实体的槽位信息;
数据查询模块603,用于根据所述意图类型信息和所述关键实体的槽位信息,进行数据查询,得到针对所述车载问答事件的应答信息。
在本发明一实施例中,所述语义模板信息包括模板格式信息,还包括:
模板转化信息确定模块,用于确定针对所述模板格式信息的模板转化信息;
格式转化模块,用于根据所述模板转化信息,对所述语义模板信息进行格式转化。
在本发明一实施例中,所述模板格式信息包括针对所述意图类型信息的第一格式信息和针对所述关键实体的槽位信息的第二格式信息,所述语义解析结果生成模块602包括:
第一格式信息子模块,用于根据所述第一格式信息,确定所述车载问答事件的意图类型信息;
第二格式信息子模块,用于根据所述第二格式信息,确定所述车载问答事件的关键实体的槽位信息;
第一语义解析结果生成子模块,用于采用所述意图类型信息和所述关键实体的槽位信息,生成语义解析结果。
在本发明一实施例中,还包括:
目标解析方式确定模块,用于确定针对所述车载问答事件的目标解析方式;
所述语义解析结果生成模块602包括:
第二语义解析结果生成子模块,用于根据所述语义模板信息,采用所述目标解析方式对所述车载问答事件进行解析处理,生成语义解析结果。
在本发明一实施例中,所述数据查询模块603包括:
目标数据查询方式确定子模块,用于确定目标数据查询方式;
数据查询子模块,用于根据所述意图类型信息和所述关键实体的槽位信息,采用所述目标数据查询方式进行数据查询,得到针对所述车载问答事件的应答信息。
在本发明一实施例中,所述语义模板信息包括查询映射信息,所述数据查询子模块包括:
查询映射信息确定单元,用于在所述目标数据查询方式为第一查询方式时,确定所述查询映射信息;其中,所述第一查询方式为基于所述查询映射信息进行数据查询的方式;
数据查询单元,用于结合所述意图类型信息、所述关键实体的槽位信息,以及所述查询映射信息,进行数据查询,得到针对所述车载问答事件的应答信息。
在本发明一实施例中,还包括:
联合模型融合模块,用于训练联合模型,并融合所述联合模型,对所述车载问答事件的语义解析结果进行泛化。
在本发明实施例中,通过获取自定义的语义模板信息,在检测到车载问答事件时,根据语义模板信息,对车载问答事件进行解析处理,生成语义解析结果,语义解析结果包括意图类型信息和关键实体的槽位信息,然后根据意图类型信息和关键实体的槽位信息,进行数据查询,得到针对车载问答事件的应答信息,实现了对关键语义信息的结构化语义理解,通过自定义语义模板信息,针对车载问答事件,可以解析得到意图类型信息和关键实体的槽位信息,满足了车载问答业务的结构化语义理解需求,提升了解析性能和内存空间,且能够提供模板数据更新,保证了***业务的快速迭代,达到了降低误召回的控制效果。
本发明一实施例还提供了一种服务器,可以包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序,计算机程序被处理器执行时实现如上基于车载问答的数据处理方法。
本发明一实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现如上基于车载问答的数据处理方法。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对所提供的一种基于车载问答的数据处理方法和装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于车载问答的数据处理方法,其特征在于,所述方法包括:
获取自定义的语义模板信息;
在检测到车载问答事件时,根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果;其中,所述语义解析结果包括意图类型信息和关键实体的槽位信息;
根据所述意图类型信息和所述关键实体的槽位信息,进行数据查询,得到针对所述车载问答事件的应答信息。
2.根据权利要求1所述的方法,其特征在于,所述语义模板信息包括模板格式信息,在所述根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果之前,还包括:
确定针对所述模板格式信息的模板转化信息;
根据所述模板转化信息,对所述语义模板信息进行格式转化。
3.根据权利要求2所述的方法,其特征在于,所述模板格式信息包括针对所述意图类型信息的第一格式信息和针对所述关键实体的槽位信息的第二格式信息,所述根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果,包括:
根据所述第一格式信息,确定所述车载问答事件的意图类型信息;
根据所述第二格式信息,确定所述车载问答事件的关键实体的槽位信息;
采用所述意图类型信息和所述关键实体的槽位信息,生成语义解析结果。
4.根据权利要求1所述的方法,其特征在于,在所述根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果之前,还包括:
确定针对所述车载问答事件的目标解析方式;
所述根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果,包括:
根据所述语义模板信息,采用所述目标解析方式对所述车载问答事件进行解析处理,生成语义解析结果。
5.根据权利要求1或2或3或4所述的方法,其特征在于,所述根据所述意图类型信息和所述关键实体的槽位信息,进行数据查询,得到针对所述车载问答事件的应答信息,包括:
确定目标数据查询方式;
根据所述意图类型信息和所述关键实体的槽位信息,采用所述目标数据查询方式进行数据查询,得到针对所述车载问答事件的应答信息。
6.根据权利要求5所述的方法,其特征在于,所述语义模板信息包括查询映射信息,所述根据所述意图类型信息和所述关键实体的槽位信息,采用所述目标数据查询方式进行数据查询,得到针对所述车载问答事件的应答信息,包括:
在所述目标数据查询方式为第一查询方式时,确定所述查询映射信息;其中,所述第一查询方式为基于所述查询映射信息进行数据查询的方式;
结合所述意图类型信息、所述关键实体的槽位信息,以及所述查询映射信息,进行数据查询,得到针对所述车载问答事件的应答信息。
7.根据权利要求1所述的方法,其特征在于,还包括:
训练联合模型,并融合所述联合模型,对所述车载问答事件的语义解析结果进行泛化。
8.一种基于车载问答的数据处理装置,其特征在于,所述装置包括:
自定义的语义模板信息获取模块,用于获取自定义的语义模板信息;
语义解析结果生成模块,用于在检测到车载问答事件时,根据所述语义模板信息,对所述车载问答事件进行解析处理,生成语义解析结果;其中,所述语义解析结果包括意图类型信息和关键实体的槽位信息;
数据查询模块,用于根据所述意图类型信息和所述关键实体的槽位信息,进行数据查询,得到针对所述车载问答事件的应答信息。
9.一种服务器,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于车载问答的数据处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于车载问答的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011522646.8A CN112559689B (zh) | 2020-12-21 | 2020-12-21 | 一种基于车载问答的数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011522646.8A CN112559689B (zh) | 2020-12-21 | 2020-12-21 | 一种基于车载问答的数据处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112559689A true CN112559689A (zh) | 2021-03-26 |
CN112559689B CN112559689B (zh) | 2024-07-19 |
Family
ID=75031162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011522646.8A Active CN112559689B (zh) | 2020-12-21 | 2020-12-21 | 一种基于车载问答的数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112559689B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095089A (zh) * | 2021-05-08 | 2021-07-09 | 中国电子***技术有限公司 | 一种语义分析方法及装置 |
CN113282734A (zh) * | 2021-06-28 | 2021-08-20 | 中国平安人寿保险股份有限公司 | 基于结构化数据的问答处理方法、装置、设备及介质 |
CN115840841A (zh) * | 2023-02-01 | 2023-03-24 | 阿里巴巴达摩院(杭州)科技有限公司 | 多模态对话方法、装置、设备及存储介质 |
CN117149983A (zh) * | 2023-10-30 | 2023-12-01 | 山东高速信息集团有限公司 | 基于高速公路业务智能对话的方法、装置及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557461A (zh) * | 2016-10-31 | 2017-04-05 | 百度在线网络技术(北京)有限公司 | 基于人工智能的语义解析处理方法和装置 |
US20170177715A1 (en) * | 2015-12-21 | 2017-06-22 | Adobe Systems Incorporated | Natural Language System Question Classifier, Semantic Representations, and Logical Form Templates |
CN109684448A (zh) * | 2018-12-17 | 2019-04-26 | 北京北大软件工程股份有限公司 | 一种智能问答方法 |
CN110287209A (zh) * | 2019-06-10 | 2019-09-27 | 北京百度网讯科技有限公司 | 问答处理方法、装置、设备和存储介质 |
CN110472032A (zh) * | 2019-08-16 | 2019-11-19 | 未来火种(北京)科技有限公司 | 医疗自定义实体词词性标签的多分类智能问答检索方法 |
CN110705267A (zh) * | 2019-09-29 | 2020-01-17 | 百度在线网络技术(北京)有限公司 | 语义解析方法、装置及存储介质 |
CN110929016A (zh) * | 2019-12-10 | 2020-03-27 | 北京爱医生智慧医疗科技有限公司 | 一种基于知识图谱的智能问答方法及装置 |
US20200110835A1 (en) * | 2018-10-04 | 2020-04-09 | Robert Bosch Gmbh | Knowledge-based question answering system for the diy domain |
WO2020139865A1 (en) * | 2018-12-24 | 2020-07-02 | Conversica, Inc. | Systems and methods for improved automated conversations |
CN111666381A (zh) * | 2020-06-17 | 2020-09-15 | 中国电子科技集团公司第二十八研究所 | 一种面向智能管制的任务型问答交互*** |
-
2020
- 2020-12-21 CN CN202011522646.8A patent/CN112559689B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170177715A1 (en) * | 2015-12-21 | 2017-06-22 | Adobe Systems Incorporated | Natural Language System Question Classifier, Semantic Representations, and Logical Form Templates |
CN106557461A (zh) * | 2016-10-31 | 2017-04-05 | 百度在线网络技术(北京)有限公司 | 基于人工智能的语义解析处理方法和装置 |
US20200110835A1 (en) * | 2018-10-04 | 2020-04-09 | Robert Bosch Gmbh | Knowledge-based question answering system for the diy domain |
CN109684448A (zh) * | 2018-12-17 | 2019-04-26 | 北京北大软件工程股份有限公司 | 一种智能问答方法 |
WO2020139865A1 (en) * | 2018-12-24 | 2020-07-02 | Conversica, Inc. | Systems and methods for improved automated conversations |
CN110287209A (zh) * | 2019-06-10 | 2019-09-27 | 北京百度网讯科技有限公司 | 问答处理方法、装置、设备和存储介质 |
CN110472032A (zh) * | 2019-08-16 | 2019-11-19 | 未来火种(北京)科技有限公司 | 医疗自定义实体词词性标签的多分类智能问答检索方法 |
CN110705267A (zh) * | 2019-09-29 | 2020-01-17 | 百度在线网络技术(北京)有限公司 | 语义解析方法、装置及存储介质 |
CN110929016A (zh) * | 2019-12-10 | 2020-03-27 | 北京爱医生智慧医疗科技有限公司 | 一种基于知识图谱的智能问答方法及装置 |
CN111666381A (zh) * | 2020-06-17 | 2020-09-15 | 中国电子科技集团公司第二十八研究所 | 一种面向智能管制的任务型问答交互*** |
Non-Patent Citations (1)
Title |
---|
梁正平;纪震;刘小丽;: "基于语义模板的问答***研究", 深圳大学学报(理工版), no. 03, 31 July 2007 (2007-07-31), pages 281 - 285 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095089A (zh) * | 2021-05-08 | 2021-07-09 | 中国电子***技术有限公司 | 一种语义分析方法及装置 |
CN113282734A (zh) * | 2021-06-28 | 2021-08-20 | 中国平安人寿保险股份有限公司 | 基于结构化数据的问答处理方法、装置、设备及介质 |
CN115840841A (zh) * | 2023-02-01 | 2023-03-24 | 阿里巴巴达摩院(杭州)科技有限公司 | 多模态对话方法、装置、设备及存储介质 |
CN117149983A (zh) * | 2023-10-30 | 2023-12-01 | 山东高速信息集团有限公司 | 基于高速公路业务智能对话的方法、装置及设备 |
CN117149983B (zh) * | 2023-10-30 | 2024-02-27 | 山东高速信息集团有限公司 | 基于高速公路业务智能对话的方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112559689B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112559689A (zh) | 一种基于车载问答的数据处理方法和装置 | |
CN107451153B (zh) | 输出结构化查询语句的方法和装置 | |
CN106649825B (zh) | 语音交互***及其创建方法和装置 | |
US11182435B2 (en) | Model generation device, text search device, model generation method, text search method, data structure, and program | |
CN111159385B (zh) | 一种基于动态知识图谱的无模板通用智能问答方法 | |
KR101762866B1 (ko) | 구문 구조 변환 모델과 어휘 변환 모델을 결합한 기계 번역 장치 및 기계 번역 방법 | |
US20030101182A1 (en) | Method and system for smart search engine and other applications | |
Damljanovic et al. | A Text-based Query Interface to OWL Ontologies. | |
US10664530B2 (en) | Control of automated tasks executed over search engine results | |
CN110770735B (zh) | 具有嵌入式数学表达式的文档的编码转换 | |
CN111695345B (zh) | 文本中实体识别方法、以及装置 | |
CN106776564B (zh) | 一种基于知识图谱的语义识别方法及*** | |
US10896222B1 (en) | Subject-specific data set for named entity resolution | |
US10997223B1 (en) | Subject-specific data set for named entity resolution | |
US11514034B2 (en) | Conversion of natural language query | |
CN110647618A (zh) | 对话查询应答*** | |
CN103309926A (zh) | 基于条件随机场的中英文混合命名实体识别方法及*** | |
CN114596861A (zh) | 针对问题和回答的显示装置和方法 | |
CN113505209A (zh) | 一种面向汽车领域的智能问答*** | |
CN111104803B (zh) | 语义理解处理方法、装置、设备及可读存储介质 | |
KR101410601B1 (ko) | 유머 발화를 이용하는 음성 대화 시스템 및 그 방법 | |
CN112364132A (zh) | 基于依存句法的相似度计算模型和***及搭建***的方法 | |
CN113742446A (zh) | 一种基于路径排序的知识图谱问答方法及*** | |
CN115497477A (zh) | 语音交互方法、语音交互装置、电子设备、存储介质 | |
CN107704450B (zh) | 自然语言识别设备以及自然语言识别方法 |
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 |