CN112966075A - 一种基于特征树的语义匹配问答方法及*** - Google Patents
一种基于特征树的语义匹配问答方法及*** Download PDFInfo
- Publication number
- CN112966075A CN112966075A CN202110204827.4A CN202110204827A CN112966075A CN 112966075 A CN112966075 A CN 112966075A CN 202110204827 A CN202110204827 A CN 202110204827A CN 112966075 A CN112966075 A CN 112966075A
- Authority
- CN
- China
- Prior art keywords
- semantic
- feature
- matching
- matched
- path
- 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
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- 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)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于特征树的语义匹配问答方法及***,方法包括:通过获取待匹配语句,将所述待匹配语句所包含的语义,与多个不同语义维度特征树的根结点开始逐结点依次进行语义特征匹配,得到至少一条语义特征匹配路径,所述语义特征匹配路径最深的路径与待匹配语句的语义匹配度最大,并将最深的路径下每个特征节点设置的答案,作为待匹配语句对应的答案结果。本发明采用特征树形式分层次描述具体应用面对的各种待匹配语句的语义特征,通过匹配的结点路径描述语义获得匹配答案,用一条匹配路径表述句子的所有语义维度信息,在查询语句跟答案之间搭建了语义匹配的桥梁,提高了语义匹配问答方法的灵活性、高效处理句子语义信息。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于特征树的语义匹配问答方法及***。
背景技术
随着互联网技术的发展,目前,语义匹配应用的需求不断呈现个性化、多样化的特点,汉语句子的语义匹配有多种方法,每种方法有各自的特点和适用范围:正则关键词匹配,该方法处理简单粗糙,一方面不能充分匹配语义,另一方面正则多了会出现冲突,一个句子匹配多个正则;意图分类法:基于机器学习、深度学习的意图分类需要标注大量语料,一个好的算法模型依赖于充分的语料,因为语料面对具体应用总是难以做到充分,从而限制该方法的应用;语义相似度计算,需要定义大量的标准问句,输入语句跟标准问句进行语义匹配,匹配找到标准提问,得到其对应的答案,由于汉语的弱语法特点,句法结构灵活,同义语表述多样,每个答案对应的标准提问往往难以完备列举,导致很多输入无法命中标准问句,匹配度低;传统的语义匹配问答方法存在灵活性差、需要大量的短句数据、不能高效处理句子语义信息的问题。
发明内容
因此,本发明提供的一种基于特征树的语义匹配问答方法及***,克服了现有技术中语义匹配问答方法存在灵活性差、需要大量的短句数据、不能高效处理句子语义信息的缺陷。
为达到上述目的,本发明提供如下技术方案:
第一方面,本发明实施例提供一种基于特征树的语义匹配问答方法,包括:
获取待匹配语句;
将所述待匹配语句所包含的语义,与多个不同语义维度特征树的根结点开始逐结点依次进行语义特征匹配,得到至少一条语义特征匹配路径;
所述语义特征匹配路径最深的路径与待匹配语句的语义匹配度最大,并将最深的路径下每个特征节点设置的答案,作为待匹配语句对应的答案结果。
在一实施例中,所述每个特征树的特征节点包括:一个父节点、至少一个子节点,父子节点分别设置对应待匹配语句的关键特征。
在一实施例中,每个特征节点包括至少一个语义维度。
在一实施例中,所述语义维度包括:包含的关键词及组合、排除的关键词及组合、疑问类型判别模型、否定判断模型、时间判断模型、调度其它模型、正则约束、比对短句集。
在一实施例中,调度其它模型包括:深度学习模型,其作为一个维度信息参与语义匹配。
在一实施例中,将特征节点的语义维度与待匹配语句所包含的语义进行逐一匹配,全部满足该特征节点的语义维度,则该特征结点匹配成功,再继续与其下一层特征子结点的匹配。
第二方面,本发明实施例提供一种基于特征树的语义匹配问答***,包括:
获取单元,用于获取待匹配语句;
特征树路径匹配模块,用于将所述待匹配语句所包含的语义,与多个不同语义维度特征树的根结点开始逐结点依次进行语义特征匹配,得到至少一条语义特征匹配路径;
语义匹配问答模块,用于所述语义特征匹配路径最深的路径与待匹配语句的语义匹配度最大,并将最深的路径下每个特征节点设置的答案,作为待匹配语句对应的答案结果。
第三方面,本发明实施例提供一种终端,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行本发明实施例第一方面所述的基于特征树的语义匹配问答方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行本发明实施例第一方面所述的基于特征树的语义匹配问答方法。
本发明技术方案,具有如下优点:
本发明提供的基于特征树的语义匹配问答方法及***,采用特征树形式分层次描述具体应用面对的各种待匹配语句的语义特征,通过匹配的结点路径描述语义获得匹配答案的方法,用一条匹配路径表述句子的所有语义维度信息,在查询语句跟答案之间搭建了语义匹配的桥梁,根据具体应用复杂的不同,结点匹配可粗糙、可精细、可大块面、可小颗粒、多层次,提高了语义匹配问答方法的灵活性、高效处理句子语义信息。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种基于特征树的语义匹配问答方法的一个具体示例的流程图;
图2为本发明实施例提供的一种基于特征树的语义匹配问答方法的特征数的一个具体示例的示意图;
图3为本发明实施例提供的一种基于特征树的语义匹配问答***的一个具体示例的模块组成图;
图4为本发明实施例提供的一种基于特征树的语义匹配问答终端一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明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做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。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供的一种基于特征树的语义匹配问答方法,如图1所示,包括如下步骤:
步骤S1:获取待匹配语句。
在本发明实施例中,用户可以根据实际需求输入待匹配语句,以进行语义匹配及答案的搜索。
步骤S2:将所述待匹配语句所包含的语义,与多个不同语义维度特征树的根结点开始逐结点依次进行语义特征匹配,得到至少一条语义特征匹配路径。
在本发明实施例中,如图2所示的特征树,由json结构的父子连接的结点构成语义特征树(仅以此举例,不以此为限),特征树的获取可以根据具体的语境及用户的用途进行相应的人工编写,以提高匹配效率。特征树由父结点和子结点相连而成,每个特征树的特征节点包括:一个父节点、至少一个子节点,每个特征节点包括至少一个语义维度,特征结点描述语义是分层的,父节点及子节点分别设置对应待匹配语句的关键特征,当某特征点的父节点不能进行匹配时,则此舍弃该特征树的匹配。
在本发明实施例中,语义维度具体包括多个方面,在实际应用中根据实际需求设置相应的维度,例如:包含的关键字词、其组合及焦点词;排除的关键字词及其组合;疑问类型判别模型,语义依赖的疑问类型,可调用独立模型完成;否定判断模型,语义是否依赖否定含义,可调用独立模型完成;时间判断模型,语义依赖的时间询问,询问时长还是询问时间点,以及是过去式、现在式还是将来时,调用独立模型完成;疑问类型判别模型、否定判断模型、时间判断模型:是利用深度学习算法提前训练好的、于具体应用无关的通用模型,其作为一个维度信息参与语义匹配。
在本发明实施例中,调度其它模型是面对具体应用定义进行训练,语义依赖某一个模型的结果,比如:情感分析模型,正面积极结果,改变深度学习模型输入语句返回答案的端到端应用模式,以维度信息方式参与语义匹配;比对短句集,采用短句相似度计算方法在短句集中寻找与输入待匹配语句语义相一致的匹配,用于两两短句语义比较。所有维度都是可选的,每个结点至少包含一个维度,所述维度涵盖了正则、意图分类、短句匹配等多种方法,深度学习模型面对具体应用定义进行训练,其作为一个维度信息参与语义匹配,如:地址判断、语气情感判断等等,仅以此举例,不以此为限,在实际应用中根据实际需求进行相应的判断。
在本发明实施例中,每个结点描述的语义信息可以包含多个特征维度,待匹配语句从根结点开始与特征树逐结点匹配,从各个根节点开始进行匹配,随着结点增加,语义越完备,因其父节点设置对应待匹配语句的关键特征,选择相应的特征树,以进行下一子节点的匹配,分层、渐进的得到精确语义,此时即便特征树不完备,只命中部分结点,也能得出相应的语义匹配,匹配成功则继续下一层子结点的匹配,将特征节点的语义维度与待匹配语句所包含的语义进行逐一匹配,全部满足该特征节点的语义维度,则该特征结点匹配成功,再继续与其下一层特征子结点的匹配,失败则停止当前分支的后续匹配,直至整个树的匹配完毕,待匹配语句可以匹配得到多条路径,选择匹配路径最深、匹配特征最多的路径,代表该待匹配语句的完整语义信息。
步骤S3:所述语义特征匹配路径最深的路径与待匹配语句的语义匹配度最大,并将最深的路径下每个特征节点设置的答案,作为待匹配语句对应的答案结果。
在本发明实施例中,各个节点设置了相应的答案集,匹配过程中匹配结点越多,语义越细致,回答越精细,因此语义特征匹配路径最深的路径与待匹配语句的语义匹配度最大,表述了该结点到根节点路径的语义所映射的答案。
本发明实施例中提供的基于特征树的语义匹配问答方法,通过采用特征树形式分层次描述具体应用面对的各种待匹配语句的语义特征,通过匹配的结点路径描述语义获得匹配答案的方法,用一条匹配路径表述句子的所有语义维度信息,在查询语句跟答案之间搭建了语义匹配的桥梁,根据应用复杂的不同,结点匹配可粗糙、可精细、可大块面、可小颗粒、多层次,提高了语义匹配问答方法的灵活性、高效处理句子语义信息。
实施例2
本发明实施例提供一种基于特征树的语义匹配问答***,如图3所示,包括:
获取单元1,用于获取待匹配语句;此模块执行实施例1中的步骤S1所描述的方法,在此不再赘述。
特征树路径匹配模块2,用于将所述待匹配语句所包含的语义,与多个不同语义维度特征树的根结点开始逐结点依次进行语义特征匹配,得到至少一条语义特征匹配路径;此模块执行实施例1中的步骤S2所描述的方法,在此不再赘述。
语义匹配问答模块3,用于所述语义特征匹配路径最深的路径与待匹配语句的语义匹配度最大,并将最深的路径下每个特征节点设置的答案,作为待匹配语句对应的答案结果;此模块执行实施例1中的步骤S3所描述的方法,在此不再赘述。
本发明实施例提供一种基于特征树的语义匹配问答***,通过获取单元获取待匹配语句,在特征树路径匹配模块中将所述待匹配语句所包含的语义,与多个不同语义维度特征树的根结点开始逐结点依次进行语义特征匹配,得到至少一条语义特征匹配路径,语义匹配问答模块中将所述语义特征匹配路径最深的路径与待匹配语句的语义匹配度最大,并将最深的路径下每个特征节点设置的答案,作为待匹配语句对应的答案结果。通过采用特征树形式分层次描述具体应用面对的各种待匹配语句的语义特征,通过匹配的结点路径描述语义获得匹配答案的方法,用一条匹配路径表述句子的所有语义维度信息,在查询语句跟答案之间搭建了语义匹配的桥梁,根据应用复杂的不同,结点匹配可粗糙、可精细、可大块面、可小颗粒、多层次,提高了语义匹配问答方法的灵活性、高效处理句子语义信息。
实施例3
本发明实施例提供一种终端,如图4所示,包括:至少一个处理器401,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口403,存储器404,至少一个通信总线402。其中,通信总线402用于实现这些组件之间的连接通信。其中,通信接口403可以包括显示屏(Display)、键盘(Keyboard),可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1中的基于特征树的语义匹配问答方法。存储器404中存储一组程序代码,且处理器401调用存储器404中存储的程序代码,以用于执行实施例1中的基于特征树的语义匹配问答方法。其中,通信总线402可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条线表示,但并不表示仅有一根总线或一种类型的总线。其中,存储器404可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard disk drive,缩写:HDD)或固降硬盘(英文:solid-state drive,缩写:SSD);存储器404还可以包括上述种类的存储器的组合。其中,处理器401可以是中央处理器(英文:central processingunit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,存储器404可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器404还可以包括上述种类的存储器的组合。
其中,处理器401可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器404还用于存储程序指令。处理器401可以调用程序指令,实现如本申请执行实施例1中的基于特征树的语义匹配问答方法。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机可执行指令,该计算机可执行指令可执行实施例1中的基于特征树的语义匹配问答方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种基于特征树的语义匹配问答方法,其特征在于,包括:
获取待匹配语句;
将所述待匹配语句所包含的语义,与多个不同语义维度特征树的根结点开始逐结点依次进行语义特征匹配,得到至少一条语义特征匹配路径;
所述语义特征匹配路径最深的路径与待匹配语句的语义匹配度最大,并将最深的路径下每个特征节点设置的答案,作为待匹配语句对应的答案结果。
2.根据权利要求1所述的基于特征树的语义匹配问答方法,其特征在于,所述每个特征树的特征节点包括:一个父节点、至少一个子节点,父子节点分别设置对应待匹配语句的关键特征。
3.根据权利要求2所述的基于特征树的语义匹配问答方法,其特征在于,每个特征节点包括至少一个语义维度。
4.根据权利要求3所述的基于特征树的语义匹配问答方法,其特征在于,所述语义维度包括:包含的关键词及组合、排除的关键词及组合、疑问类型判别模型、否定判断模型、时间判断模型、调度其它模型、正则约束、比对短句集。
5.根据权利要求4所述的基于特征树的语义匹配问答方法,其特征在于,调度其它模型包括:深度学习模型,其作为一个维度信息参与语义匹配。
6.根据权利要求5所述的基于特征树的语义匹配问答方法,其特征在于,将特征节点的语义维度与待匹配语句所包含的语义进行逐一匹配,全部满足该特征节点的语义维度,则该特征结点匹配成功,再继续与其下一层特征子结点的匹配。
7.一种基于特征树的语义匹配问答***,其特征在于,包括:
获取单元,用于获取待匹配语句;
特征树路径匹配模块,用于将所述待匹配语句所包含的语义,与多个不同语义维度特征树的根结点开始逐结点依次进行语义特征匹配,得到至少一条语义特征匹配路径;
语义匹配问答模块,用于所述语义特征匹配路径最深的路径与待匹配语句的语义匹配度最大,并将最深的路径下每个特征节点设置的答案,作为待匹配语句对应的答案结果。
8.一种终端,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-6任一所述的基于特征树的语义匹配问答方法。
9.一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存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-6任一所述的基于特征树的语义匹配问答方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110204827.4A CN112966075A (zh) | 2021-02-23 | 2021-02-23 | 一种基于特征树的语义匹配问答方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110204827.4A CN112966075A (zh) | 2021-02-23 | 2021-02-23 | 一种基于特征树的语义匹配问答方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112966075A true CN112966075A (zh) | 2021-06-15 |
Family
ID=76285843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110204827.4A Pending CN112966075A (zh) | 2021-02-23 | 2021-02-23 | 一种基于特征树的语义匹配问答方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966075A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840400A (zh) * | 2009-03-19 | 2010-09-22 | 北大方正集团有限公司 | 一种多级分类检索方法及*** |
US20160307283A1 (en) * | 2015-04-19 | 2016-10-20 | Roy S. Melzer | Document generation based on a hierarchal tree dataset |
CN108345608A (zh) * | 2017-01-24 | 2018-07-31 | 北京搜狗科技发展有限公司 | 一种搜索方法、装置及设备 |
CN110399457A (zh) * | 2019-07-01 | 2019-11-01 | 吉林大学 | 一种智能问答方法和*** |
US20190384762A1 (en) * | 2017-02-10 | 2019-12-19 | Count Technologies Ltd. | Computer-implemented method of querying a dataset |
CN110706807A (zh) * | 2019-09-12 | 2020-01-17 | 北京四海心通科技有限公司 | 一种基于本体语义相似度的医学问答方法 |
CN110866180A (zh) * | 2019-10-12 | 2020-03-06 | 平安国际智慧城市科技股份有限公司 | 资源推荐方法、服务器及存储介质 |
CN111241252A (zh) * | 2020-04-17 | 2020-06-05 | 成都数联铭品科技有限公司 | 一种问答方法及问答装置、电子设备、存储介质 |
-
2021
- 2021-02-23 CN CN202110204827.4A patent/CN112966075A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840400A (zh) * | 2009-03-19 | 2010-09-22 | 北大方正集团有限公司 | 一种多级分类检索方法及*** |
US20160307283A1 (en) * | 2015-04-19 | 2016-10-20 | Roy S. Melzer | Document generation based on a hierarchal tree dataset |
CN108345608A (zh) * | 2017-01-24 | 2018-07-31 | 北京搜狗科技发展有限公司 | 一种搜索方法、装置及设备 |
US20190384762A1 (en) * | 2017-02-10 | 2019-12-19 | Count Technologies Ltd. | Computer-implemented method of querying a dataset |
CN110399457A (zh) * | 2019-07-01 | 2019-11-01 | 吉林大学 | 一种智能问答方法和*** |
CN110706807A (zh) * | 2019-09-12 | 2020-01-17 | 北京四海心通科技有限公司 | 一种基于本体语义相似度的医学问答方法 |
CN110866180A (zh) * | 2019-10-12 | 2020-03-06 | 平安国际智慧城市科技股份有限公司 | 资源推荐方法、服务器及存储介质 |
CN111241252A (zh) * | 2020-04-17 | 2020-06-05 | 成都数联铭品科技有限公司 | 一种问答方法及问答装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209384B (zh) | 基于人工智能的问答数据处理方法、装置及电子设备 | |
WO2017092380A1 (zh) | 用于人机对话的方法、神经网络***和用户设备 | |
CN107506823B (zh) | 一种用于对话生成的混合神经网络模型的构建方法 | |
CN111259142A (zh) | 基于注意力编码和图卷积网络的特定目标情感分类方法 | |
CN112765312B (zh) | 一种基于图神经网络嵌入匹配的知识图谱问答方法和*** | |
CN111310439B (zh) | 一种基于深度特征变维机制的智能语义匹配方法和装置 | |
CN112487168A (zh) | 知识图谱的语义问答方法、装置、计算机设备及存储介质 | |
CN106649739B (zh) | 多轮交互信息继承识别方法、装置以及交互*** | |
CN112417171B (zh) | 面向知识图谱表示学习的数据增广方法 | |
CN108763355B (zh) | 一种基于用户的智能机器人交互数据处理***及方法 | |
CN113360670B (zh) | 一种基于事实上下文的知识图谱补全方法及*** | |
CN111639254A (zh) | 一种医疗领域的sparql查询语句的生成***和方法 | |
CN113590799A (zh) | 一种基于多视角推理的弱监督知识图谱问答方法 | |
CN115905487A (zh) | 文档问答方法、***、电子设备及存储介质 | |
CN115130538A (zh) | 文本分类模型的训练方法、文本处理的方法、设备及介质 | |
CN104008301B (zh) | 一种领域概念层次结构自动构建方法 | |
CN108364066A (zh) | 基于n-gram和wfst模型的人工神经网络芯片及其应用方法 | |
CN110969005A (zh) | 一种确定实体语料之间的相似性的方法及装置 | |
CN117194638A (zh) | 素材生成方法、模型训练方法、特征提取方法及设备 | |
CN112966075A (zh) | 一种基于特征树的语义匹配问答方法及*** | |
CN110826341A (zh) | 一种基于seq2seq模型的语义相似度计算方法 | |
CN116501877A (zh) | 一种基于因果图谱的多模态注意力谣言检测方法 | |
CN116069876A (zh) | 基于知识图谱的问答方法、装置、设备及存储介质 | |
CN115129866A (zh) | 训练文本生成方法、模型训练方法、装置及电子设备 | |
CN116595125A (zh) | 一种基于知识图检索的开放域问答方法 |
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 |