CN112966089A - 基于知识库的问题处理方法、装置、设备、介质和产品 - Google Patents
基于知识库的问题处理方法、装置、设备、介质和产品 Download PDFInfo
- Publication number
- CN112966089A CN112966089A CN202110329818.8A CN202110329818A CN112966089A CN 112966089 A CN112966089 A CN 112966089A CN 202110329818 A CN202110329818 A CN 202110329818A CN 112966089 A CN112966089 A CN 112966089A
- Authority
- CN
- China
- Prior art keywords
- question
- entity
- information
- type
- knowledge base
- 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种基于知识库的问题处理方法,应用于智能问答***中,该智能问答***能够响应于输入信息并提供反馈信息,包括:响应于接收到输入问题语句,获得问题分类模型,该问题分类模型基于知识库中的知识数据训练得到,基于问题分类模型,确定输入问题语句的问题类型,不同的问题类型对应不同的问题处理方法,基于与问题类型对应的问题处理方法,从知识库中获得与输入问题语句匹配的答案语句以及输出答案语句。本公开还提供了一种基于知识库的问题处理装置、设备、介质和产品。本公开涉及人工智能领域,所提供的方法和装置例如可以应用于金融领域或其他领域。
Description
技术领域
本公开涉及计算机应用技术领域,特别是涉及一种基于知识库的问题处理方法、装置、设备、介质和产品。
背景技术
本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
对企业来说,拓宽服务范围,全面满足客户需求,为公司带来更大的利润,是当前发展的重要方向,在客户心中塑造一个服务周到、工作高效的良好企业形象是企业所追求的核心目标,客户服务作为提升企业信誉、维护外在形象的有效手段,存在于各行各业中。由于企业通常是以人工坐席的方式来对外为客户提供服务的,因此客服人员对企业知识的掌握程度直接决定着服务的水平,进而直接决定着客户对服务的满意程度。在逐渐繁重的客服任务下,越来越多的企业意识到组建一批专业的客服队伍的重要性。随着业务功能迭代更新的日益频繁和业务范围在纵向和横向上的不断拓展,仅仅依靠人工的力量已经难以提供及时、满意的客户服务,通过智能客服问答***,结合建立庞大的问答知识库来应对各类业务的咨询应运而生。
在实现本公开构思的过程中,发明人发现现有技术中至少存在如下问题:当前智能客服问答***通常按照产品类目进行划分,即在对客户问题进行识别时,客服人员需要通过以引导客户的方式来明确问题所针对的产品名称,然后再依据该产品名称,在问答知识库中搜索与该问题对应的答案,这种解决方案不但费时费力,而且搜索结果也不够准确,影响客户体验,有损于企业信誉和外在形象。
发明内容
有鉴于此,本公开提供了一种基于知识库的问题处理方法、装置、设备、介质和程序产品,该问题处理方法基于不同的问题类型执行对应的问题处理方法来从所述知识库中获得与所述输入问题语句匹配的答案语句,可以避免按照产品类目搜索答案语句导致的上述技术问题。
为了实现上述目标,本公开的一个方面提供了一种基于知识库的问题处理方法,可以包括:响应于接收到输入问题语句,获得问题分类模型,其中,上述问题分类模型基于上述知识库中的知识数据训练得到;基于上述问题分类模型,确定上述输入问题语句的问题类型,其中,不同的问题类型对应不同的问题处理方法;基于与上述问题类型对应的问题处理方法,从上述知识库中获得与上述输入问题语句匹配的答案语句;以及输出上述答案语句。
根据本公开的实施例,上述基于与上述问题类型对应的问题处理方法,从上述知识库中获得与上述输入问题语句匹配的答案语句可以包括:在确定上述问题类型为综合类型的情况下,生成上述输入问题语句的第一特征向量;提取上述输入问题语句的第一实体信息和第一属性信息;基于上述第一实体信息,从上述知识库中获得与上述第一实体信息匹配的候选实体集,其中,上述候选实体集中包括多个第二实体;基于上述多个第二实体的第二属性信息,确定每个第二实体的第二特征向量;基于上述第一特征向量和上述每个第二实体的第二特征向量,确定上述输入问题语句与上述每个第二实体的相似度值;以及将从上述知识库中获得与最大相似度值对应的第二实体作为与上述输入问题语句匹配的答案语句。
根据本公开的实施例,上述基于上述第一实体信息,从上述知识库中获得与上述第一实体信息匹配的候选实体集可以包括:获取路径长度阈值,其中,上述路径长度阈值用于表征与上述第一实体之间的路径长度的最大值;基于上述路径长度阈值,从上述知识库中获得与上述第一实体之间的路径长度不超过上述路径长度阈值的候选路径;以及将上述候选路径覆盖的多个第二实体作为与上述第一实体匹配的候选实体集。
根据本公开的实施例,上述基于与上述问题类型对应的问题处理方法,从上述知识库中获得与上述输入问题语句匹配的答案语句可以包括:在确定上述问题类型为普通类型的情况下,确定上述知识库的图数据库类型;按照预设转换规则,将上述输入问题语句转换成与上述图数据库类型匹配的查询语句;以及基于上述查询语句,从上述知识库中获得与上述输入问题语句匹配的答案语句。
根据本公开的实施例,上述按照预设转换规则,将上述输入问题语句转换成与上述图数据库类型匹配的查询语句可以包括:在上述普通类型为问答类型或流程类型的情况下,提取上述输入问题语句的第三实体信息;提取与上述第三实体信息关联的第三属性信息;基于上述第三实体信息,确定上述知识库中与上述第三实体信息相同或相似的第四实体信息;基于上述第三属性信息,确定上述知识库中与上述第三属性信息相同或相似的第四属性信息;以及基于上述第四实体信息和上述第四属性信息,生成与上述图数据库类型匹配的查询语句。
根据本公开的实施例,上述问答类型对应的第三实体信息和上述第三属性信息可以至少具有以下对应关系:一条第三实体信息;一条第三实体信息对应一条第三属性信息;一条第三实体信息对应多条第三属性信息;多条第三实体信息对应一条第三属性信息。
根据本公开的实施例,上述基于上述查询语句,从上述知识库中获得与上述输入问题语句匹配的答案语句可以包括:在上述普通类型为流程类型的情况下,从上述知识库中获得与上述第三实体信息关联的属性清单,其中,上述属性清单包含有序执行的多个属性信息;基于上述属性清单,确定与上述查询语句对应的属性信息在上述有序执行的多个属性信息中的执行逻辑关系;以及基于上述执行逻辑关系,从上述知识库中获得与上述输入问题语句匹配的答案语句。
根据本公开的实施例,上述按照预设转换规则,将上述输入问题语句转换成与上述图数据库类型匹配的查询语句可以包括:在上述普通类型为比较类型的情况下,确定与上述输入问题语句对应的子类型;提取上述输入问题语句的第五实体信息、第五属性信息以及比较条件信息,其中,上述比较条件信息用于表征上述子类型;基于上述第五实体信息,确定上述知识库中与上述第五实体信息相同或相似的第六实体信息;基于上述第五属性信息,确定上述知识库中与上述第五属性信息相同或相似的第六属性信息;以及基于上述第六实体信息、上述第六属性信息以及上述比较条件信息,生成与上述图数据库类型匹配的查询语句。
根据本公开的实施例,在上述子类型包括比较子类型的情况下,上述比较条件信息可以包括与上述比较子类型对应的比较条件信息,其中,上述比较子类型用于指示比较两类实体的属性;在上述子类型包括检索子类型的情况下,上述比较条件信息可以包括与上述检索子类型对应的检索条件信息,其中,上述检索子类型用于指示检索满足上述检索条件信息的实体;在上述子类型包括归纳子类型的情况下,上述比较条件信息可以包括与上述归纳子类型对应的归纳条件信息,其中,上述归纳子类型用于指示查询属性的最值。
根据本公开的实施例,上述方法还可以包括:按照预设规则,从上述知识库中选择出训练样本数据,其中,上述训练样本数据包括问题类型的标注数据;获取初始问题分类模型;以及基于上述训练样本数据,对上述初始问题分类模型进行深度神经网络训练来生成上述问题分类模型。
为了实现上述目标,本公开的另一个方面提供了一种基于知识库的问题处理装置,应用于智能问答***中,上述智能问答***能够响应于输入信息并提供反馈信息,可以包括:分类模型获得模块,用于响应于接收到输入问题语句,获得问题分类模型,其中,上述问题分类模型基于上述知识库中的知识数据训练得到;问题类型确定模块,用于基于上述问题分类模型,确定上述输入问题语句的问题类型,其中,不同的问题类型对应不同的问题处理方法;答案语句获得模块,用于基于与上述问题类型对应的问题处理方法,从上述知识库中获得与上述输入问题语句匹配的答案语句;以及答案语句输出模块,用于输出上述答案语句。
根据本公开的实施例,上述答案语句获得模块可以包括:生成子模块,用于在确定上述问题类型为综合类型的情况下,生成上述输入问题语句的第一特征向量;第一提取子模块,用于提取上述输入问题语句的第一实体信息和第一属性信息;第一获得子模块,用于基于上述第一实体信息,从上述知识库中获得与上述第一实体信息匹配的候选实体集,其中,上述候选实体集中包括多个第二实体;第一确定子模块,用于基于上述多个第二实体的第二属性信息,确定每个第二实体的第二特征向量;第二确定子模块,用于基于上述第一特征向量和上述每个第二实体的第二特征向量,确定上述输入问题语句与上述每个第二实体的相似度值;以及第二获得子模块,用于将从上述知识库中获得与最大相似度值对应的第二实体作为与上述输入问题语句匹配的答案语句。
根据本公开的实施例,上述第一获得子模块可以包括:第一获得单元,用于获取路径长度阈值,其中,上述路径长度阈值用于表征与上述第一实体之间的路径长度的最大值;第二获得单元,用于基于上述路径长度阈值,从上述知识库中获得与上述第一实体之间的路径长度不超过上述路径长度阈值的候选路径;以及第一处理单元,用于将上述候选路径覆盖的多个第二实体作为与上述第一实体匹配的候选实体集。
根据本公开的实施例,上述答案语句获得模块可以包括:第三确定子模块,用于在确定上述问题类型为普通类型的情况下,确定上述知识库的图数据库类型;第一转换子模块,用于按照预设转换规则,将上述输入问题语句转换成与上述图数据库类型匹配的查询语句;以及第三获得子模块,用于基于上述查询语句,从上述知识库中获得与上述输入问题语句匹配的答案语句。
根据本公开的实施例,上述第一转换子模块可以包括:第一提取单元,用于在上述普通类型为问答类型或流程类型的情况下,提取上述输入问题语句的第三实体信息;第二提取单元,用于提取与上述第三实体信息关联的第三属性信息;第一确定单元,用于基于上述第三实体信息,确定上述知识库中与上述第三实体信息相同或相似的第四实体信息;第二确定单元,用于基于上述第三属性信息,确定上述知识库中与上述第三属性信息相同或相似的第四属性信息;以及第一生成单元,用于基于上述第四实体信息和上述第四属性信息,生成与上述图数据库类型匹配的查询语句。
根据本公开的实施例,上述问答类型对应的第三实体信息和上述第三属性信息可以至少具有以下对应关系:一条第三实体信息;一条第三实体信息对应一条第三属性信息;一条第三实体信息对应多条第三属性信息;多条第三实体信息对应一条第三属性信息。
根据本公开的实施例,上述答案语句获得模块可以包括:第四获得子模块,用于在上述普通类型为流程类型的情况下,从上述知识库中获得与上述第三实体信息关联的属性清单,其中,上述属性清单包含有序执行的多个属性信息;第四确定子模块,用于基于上述属性清单,确定与上述查询语句对应的属性信息在上述有序执行的多个属性信息中的执行逻辑关系;以及第五获得子模块,用于基于上述执行逻辑关系,从上述知识库中获得与上述输入问题语句匹配的答案语句。
根据本公开的实施例,上述第一转换子模块可以包括:第三确定单元,用于在上述普通类型为比较类型的情况下,确定与上述输入问题语句对应的子类型;第三提取单元,用于提取上述输入问题语句的第五实体信息、第五属性信息以及比较条件信息,其中,上述比较条件信息用于表征上述子类型;第四确定单元,用于基于上述第五实体信息,确定上述知识库中与上述第五实体信息相同或相似的第六实体信息;第五确定单元,用于基于上述第五属性信息,确定上述知识库中与上述第五属性信息相同或相似的第六属性信息;以及第二生成单元,用于基于上述第六实体信息、上述第六属性信息以及上述比较条件信息,生成与上述图数据库类型匹配的查询语句。
根据本公开的实施例,在上述子类型包括比较子类型的情况下,上述比较条件信息可以包括与上述比较子类型对应的比较条件信息,其中,上述比较子类型用于指示比较两类实体的属性;在上述子类型包括检索子类型的情况下,上述比较条件信息可以包括与上述检索子类型对应的检索条件信息,其中,上述检索子类型用于指示检索满足上述检索条件信息的实体;在上述子类型可以包括归纳子类型的情况下,上述比较条件信息包括与上述归纳子类型对应的归纳条件信息,其中,上述归纳子类型用于指示查询属性的最值。
根据本公开的实施例,上述装置还可以包括:训练样本选择模块,用于按照预设规则,从上述知识库中选择出训练样本数据,其中,上述训练样本数据包括问题类型的标注数据;初始模型获得模块,用于获取初始问题分类模型;以及分类模型生成模块,用于基于上述训练样本数据,对上述初始问题分类模型进行深度神经网络训练来生成上述问题分类模型。
为了实现上述目标,本公开的另一方面提供了一种电子设备,包括:一个或多个处理豁,存储器,用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如上所述的基于知识库的问题处理方法。
为了实现上述目标,本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,上述指令在被执行时用于实现如上所述的基于知识库的问题处理方法。
为了实现上述目标,本公开的另一方面提供了一种计算机程序,上述计算机程序包括计算机可执行指令,上述指令在被执行时用于实现如上所述的基于知识库的问题处理方法。
根据本公开的实施例,基于知识库中的知识数据训练得到的问题分类模型,确定与输入问题语句对应的问题类型,根据不同的问题类型对应不同的问题处理方法,确定与该问题类型对应的问题处理方法,来从知识库中获得与输入问题语句匹配的答案语句作为输入问题语句的反馈信息输出,可以至少部分地避免按照产品类目搜索答案语句导致的上述技术问题,并因此可以实现基于不同的问题类型执行对应的问题处理方法来从所述知识库中获得与所述输入问题语句匹配的答案语句,省时省力、提高搜索答案准确率的技术效果,提升客户体验,有助于维护企业信誉和外在形象。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
图1示意性示出了适用于本公开实施例的基于知识库的问题处理方法和装置的***架构;
图2示意性示出了适用于本公开实施例的基于知识库的问题处理方法和装置的知识图谱;
图3示意性示出了根据本公开实施例的基于知识库的问题处理方法的流程图;
图4示意性示出了根据本公开另一实施例的基于知识库的问题处理方法的流程图;
图5示意性示出了根据本公开另一实施例的基于知识库的问题处理方法的流程图;
图6示意性示出了根据本公开另一实施例的基于知识库的问题处理方法的流程图;
图7示意性示出了根据本公开另一实施例的基于知识库的问题处理方法的流程图;
图8示意性示出了根据本公开实施例的基于知识库的问题处理装置的框图;
图9示意性示出了根据本公开另一实施例的基于知识库的问题处理装置的框图;
图10示意性示出了根据本公开实施例的适于实现上文描述的基于知识库的问题处理方法的计算机可读存储介质产品的示意图;以及
图11示意性示出了根据本公开实施例的适于实现上文描述的基于知识库的问题处理方法的电子设备的框图。
在附图中,相同或对应的标号表示相同或对应的部分。
应该注意的是,附图并未按比例绘制,并且出于说明目的,在整个附图中类似结构或功能的元素通常用类似的附图标记来表示。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了上述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。
附图中示出了一些方框图和/或流程图。应当理解的是,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程基于知识库的问题处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式,该计算机程序产品可供指令执行***使用或者结合指令执行***使用。
在相关技术中,当前客服辅助***通常按照产品类目进行划分,在进行客户问题识别时,客服人员需要引导客户明确产品名称,再依据产品名称进行检索,不但费时费力,而且检索结果也不够准确。
为此,本公开提供了一种基于知识库的问题处理方法,应用于智能问答***中,该智能问答***能够响应于输入信息并提供反馈信息,该方法包括问题类型确定阶段和答案语句匹配阶段。在问题类型确定阶段,首先响应于接收到输入问题语句,获得问题分类模型,该问题分类模型基于对知识库中的知识数据预先训练而得到,接着基于问题分类模型,确定输入问题语句的问题类型,不同的问题类型对应不同的问题处理方法。在答案语句匹配阶段,首先基于与问题类型对应的问题处理方法,从知识库中获得与输入问题语句匹配的答案语句,然后输出该答案语句。
根据本公开的实施例,基于知识库中的知识数据训练得到的问题分类模型,确定与输入问题语句对应的问题类型,根据不同的问题类型对应不同的问题处理方法,确定与该问题类型对应的问题处理方法,来从知识库中获得与输入问题语句匹配的答案语句作为输入问题语句的反馈信息输出,可以至少部分地避免按照产品类目搜索答案语句导致的上述技术问题,并因此可以实现基于不同的问题类型执行对应的问题处理方法来从所述知识库中获得与所述输入问题语句匹配的答案语句,省时省力、提高搜索答案准确率的技术效果,提升客户体验,有助于维护企业信誉和外在形象。
需要说明的是,本公开所提供的基于知识库的问题处理方法和问题处理装置可用于金融领域的客服***中,也可用于除金融领域之外的任意领域中的客服***中。因此,对本公开所提供的基于知识库的问题处理方法和问题处理装置的应用领域不做具体限定。
图1示意性示出了适用于本公开实施例的基于知识库的问题处理方法和装置的***架构。需要注意的是,图1所示仅为可应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。
如图1所示,根据该实施例的***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如电话银行应用、手机银行应用、网上银行应用、短信银行应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的知识库中的实体信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的基于知识库的问题处理方法一般可以由服务器105执行。相应地,本公开实施例所提供的基于知识库的问题处理装置一般可以设置于服务器105中。本公开实施例所提供的基于知识库的问题处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的基于知识库的问题处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了适用于本公开实施例的基于知识库的问题处理方法和装置的知识图谱。知识图谱(Knowledge Graph)通过节点和边所构成的结构化的形式来描述客观世界中的实体以及实体之间的关系,以此将互联网的信息表达成更接近人类认知世界的形式,提供了一种更好地组织、管理和理解互联网海量信息的能力。
如图2所示,该知识图谱200描述的是银行产品以及产品之间的关系。其中实体为活期存款210,与活期存款210相关联的实体可以包括银行网点220、自动柜员机230、自助终端机240、网上银行250、个人电话银行260以及iPhone手机银行270。
需要说明的是,活期存款210这一实体还可以包含若干属性,例如存款利率、服务渠道、业务简介以及操作指南。这些若干属性也可以理解为特殊的实体,实体和属性之间的关系也可以理解为特殊类型的关系。本公开提供的基于知识库的问题处理方法,知识库用于存储与知识图谱相关的实体信息和属性信息。客户通过客服渠道接入,该客服渠道可以包括但不限于电话银行、手机银行、网上银行以及短信银行,客服渠道首先可以接入智能坐席,然后对接智能问答***(也称为智能客服问答***),智能地识别用户的问题,从知识库中搜索与输入问题语句匹配的答案语句,并将搜索到的答案语句结果返回,可以快速给出准确的答案,极大提升服务的质量,减轻客服人员的压力,降低企业运行的成本。知识图谱的管理技术可以包括但不限于Neo4j、TigerGraph、Amazon Neptune,本公开对此不做限定。
应该理解,图2中的知识图谱中的实体的数目和实体之间的关系仅仅是示意性的。根据客服***的实现需要,可以构建相应数目的实体、以及实体之间的关系,本公开对此不做限定。
图3示意性示出了根据本公开实施例的基于知识库的问题处理方法的流程图。如图3所示,该问题处理方法300可以应用于智能问答***中,该智能问答***能够响应于输入信息并提供反馈信息,该问题处理方法300可以包括操作S310~操作S340。
在操作S310,响应于接收到输入问题语句,获得问题分类模型。
根据本公开的实施例,在接收到用户的查询请求之后,客服渠道首先接入智能坐席,对接智能问答***,输入问题语句可以是用户通过客服渠道输入的查询问题的文字,可以是直接输入的问题语句,对于非文字的输入,需要通过智能坐席进行统一转换。本公开的重点在于问题语句的处理反方,对于客服渠道的处理不做详细描述。
作为一种可选的实施例,还可以对接收到的输入问题语句进行清洗,可以包括但不限于噪音清洗以及知识融合。
在操作S320,基于问题分类模型,确定输入问题语句的问题类型。
根据本公开的实施例,问题分类模型基于知识库中的知识数据预先训练而得到,且不同的问题类型对应不同的问题处理方法。
在操作S330,基于与问题类型对应的问题处理方法,从知识库中获得与输入问题语句匹配的答案语句。
在操作S340,输出答案语句。
根据本公开的实施例,对于获得的与输入问题语句匹配的答案语句也通过转换返回、输出。与输入问题语句对应,答案语句可以是通过智能问答***输出的搜索到的答案的文字,对于非文字的答案,需要通过智能坐席进行统一转换。
通过本公开的实施例,基于知识库中的知识数据训练得到的问题分类模型,确定与输入问题语句对应的问题类型,根据不同的问题类型对应不同的问题处理方法,确定与该问题类型对应的问题处理方法,来从知识库中获得与输入问题语句匹配的答案语句作为输入问题语句的反馈信息输出,可以至少部分地避免按照产品类目搜索答案语句导致的上述技术问题,并因此可以实现基于不同的问题类型执行对应的问题处理方法来从所述知识库中获得与所述输入问题语句匹配的答案语句,省时省力、提高搜索问题答案准确率的技术效果,进而提升用户的客服体验,有助于维护企业信誉和外在形象。
以下将以表1所示的问题类型、子类型以及对应的具体示例为例,详细阐明本公开提供的问题处理方法,具体地,详细描述本公开中基于与问题类型对应的问题处理方法,从知识库中获得与输入问题语句匹配的答案语句的若干实施例。
表1
可以理解的是,问答型、比较型以及流程型的问题类型是较为常见的客服问题类别,大概可以占到问答知识库的85%以上。表1中的子类型用于帮助问题理解,对后续问题处理方法并无实质性地影响。
如表1中所示,综合型问题类型中综合型子类型对应的示例“登录或操作工行企业网上银行时,经常弹出密码框,要求输入密码,如何解决?”,其中包含的问题类型比较复杂,并不针对某一类具体问题。
作为一种可选的实施例,基于与问题类型对应的问题处理方法,从知识库中获得与输入问题语句匹配的答案语句可以包括:在确定问题类型为综合类型的情况下,生成输入问题语句的第一特征向量;提取输入问题语句的第一实体信息和第一属性信息;基于第一实体信息,从知识库中获得与第一实体信息匹配的候选实体集,其中,候选实体集中包括多个第二实体;基于多个第二实体的第二属性信息,确定每个第二实体的第二特征向量;基于第一特征向量和每个第二实体的第二特征向量,确定输入问题语句与每个第二实体的相似度值;以及将从知识库中获得与最大相似度值对应的第二实体作为与输入问题语句匹配的答案语句。
针对综合型问题的问题处理方法,本公开提供一种基于知识图谱的用于计算文本之间相似度的TF-IDF相似度判断模型进行相似度计算,该模型为每个实体建立表示其特征的TF-IDF向量。其中TF指的是词频(Term Frequency),用于表示某词条在文档中出现的频率,TF表示词在文档中出现的频率越多则对该篇文章越重要,IDF指的是逆向文件频率(Inverse Document Frequency),为全部语料中某词条出现的次数的倒数,IDF表示某词再越多的文档中出现,则说明其对语料的区分度越低。在本公开中,通过计算输入问题语句的第一特征向量与候选实体集中每个实体的第二特征向量的向量相似度,返回相似度值最高的实体,作为与输入问题语句近似的回答。候选实体集中多个第二实体构成的知识图谱中包含的实体和实体之间的关系称为子图。
作为一种可选的实施例,基于第一实体信息,从知识库中获得与第一实体信息匹配的候选实体集可以包括:获取路径长度阈值,其中,路径长度阈值用于表征与第一实体之间的路径长度的最大值;基于路径长度阈值,从知识库中获得与第一实体之间的路径长度不超过路径长度阈值的候选路径;以及将候选路径覆盖的多个第二实体作为与第一实体匹配的候选实体集。
根据本公开的实施例,在计算知识库中实体的第二特征向量时,不但计算本实体的属性,还同时将与本实体相关联的N跳(N≥1)实体的属性也纳入特征表示范围。以图2为例,若设置N=2,则“活期存款210”的第二特征向量由本节点属性以及关联的银行网点220、自动柜员机230、自助终端机240、网上银行250、个人电话银行260以及iPhone手机银行270这6个节点的属性共同计算所得。
具体实施时,TF-IDF相似度判断模型获取第二实体对应的目标节点的子图为:gi={nj:pi,j≤N}。
其中节点ni的子图gi为与节点ni的最短路径不超过N的所有节点的集合,其中N≥1。若N=1,则表示gi=ni。因此对应节点ni的文档di可表示为子图gi中节点的属性集合。
因此词ti在节点j的词频(tf)可以表示为:
某一特定词语的idfi可以表示为:
分子表示语料库中的节点总数,分母表示包含词语ti的子图数目。
本公开提出了一种基于知识图谱的TF-IDF计算方法,基于实体关联的N跳关系及其属性来计算知识图谱中各实体的特征向量。在计算结果中,以输入问题语句对应的实体节点为索引,可以快速过滤出候选实体集,极大提升检索的效率。
需要说明的是,上述该TF-IDF计算方法为一种基于知识图谱的通用的相似度评估方法,TF-IDF的优化算法也同样适用,例如加入词频、词性、顺序的影响因素等,本公开对此不做限定。
图4示意性示出了根据本公开另一实施例的基于知识库的问题处理方法的流程图。如图4所示,该问题处理方法400可以应用于智能问答***中,智能问答***能够响应于输入信息并提供反馈信息,该问题处理方法400可以包括操作S410~操作S480。
在具体实施时,首先输入问题语句(操作S410);接着生成词向量(操作S420),该词向量可以是问题类型为综合类型的情况下,输入问题语句的第一特征向量;再接着提取实体(操作S430);然后候选实体集(操作S440),该候选实体集可以是基于第一实体信息,从知识库中获得与第一实体信息匹配的候选实体集,其中包括多个第二实体;再计算词向量与候选实体的第二特征向量之间的余弦相似度(操作S450)。对候选实体中的每个实体,生成分词(操作S460),然后进行分词预处理(操作S470),训练TF-IDF模型(操作S480)来得到TF-IDF模型。
通过本公开的实施例,TF/IDF模型通过预训练获得,对于输入的查询除了生成查询的词向量外,通过查询中的实体查询获取图谱的候选实体列表,在候选列表中,进一步计算查询词向量与实体特征向量的相似度,将查询结果评分最高的实体作为候选答案返回。
作为一种可选的实施例,基于与问题类型对应的问题处理方法,从知识库中获得与输入问题语句匹配的答案语句可以包括:在确定问题类型为普通类型的情况下,确定知识库的图数据库类型;按照预设转换规则,将输入问题语句转换成与图数据库类型匹配的查询语句;以及基于查询语句,从知识库中获得与输入问题语句匹配的答案语句。
根据本公开的实施例,通过预设转换规则,将其转换为知识图谱查询。基于预设转换规则,可以将输入问题语句转换为任意图数据库对应的查询语句,为了说明方便起见,本公开将以与图数据库类型Neo4j匹配的查询语句Cypher为例进行详细解释。
通过本公开的实施例,通过机器学习的方法将问题进行分类,归纳总结各类问题的本质特征,将输入问题语句的自然语言转化为图数据库对应的查询语言,使得问题处理方法具有较强的普适性,可以应用于目前广为采用的各种图数据库。
图5示意性示出了根据本公开另一实施例的基于知识库的问题处理方法的流程图。如图5所示,该问题处理方法500可以应用于智能问答***中,智能问答***能够响应于输入信息并提供反馈信息,可以包括操作S510~操作S540。
具体实施时,首先输入问题语句(操作S510),接着要素提取(操作S520),然后类别提取(操作S530),最后进行图谱检索(操作S540)来从知识库中获得与输入问题语句匹配的答案语句。
作为一种可选的实施例,要素提取(操作S520)可以包括实体提取以及关系(属性)提取。
作为一种可选的实施例,类别提取(操作S530)后,根据实体和关系(或属性)的数量关系,问答型对应的第三实体信息和第三属性信息可以至少具有以下对应关系:一条第三实体信息(即单实体查询,对应图5中所示的“实体1:0关系”);一条第三实体信息对应一条第三属性信息(即实体关系查询,对应图5中所示的“实体1:1关系”);一条第三实体信息对应多条第三属性信息(即单实体多关系查询,对应图5中所示的“实体1:N关系”);多条第三实体信息对应一条第三属性信息(即多实体单关系查询,对应图5中所示的“实体N:1关系”)。可以理解的是,“实体0:1关系”和“实体N:M关系”不符合实际场景,本公开对此不做讨论。
下面将以表1所示的问题类型为问答型,子类型为单实体查询、实体关系查询、单实体多关系查询以及多实体单关系查询为例,说明按照预设转换规则,将输入问题语句转换成与图数据库类型匹配的查询语句的若干实施例。
作为一种可选的实施例,按照预设转换规则,将输入问题语句转换成与图数据库类型匹配的查询语句可以包括:在普通类型为问答类型或流程类型的情况下,提取输入问题语句的第三实体信息;提取与第三实体信息关联的第三属性信息;基于第三实体信息,确定知识库中与第三实体信息相同或相似的第四实体信息;基于第三属性信息,确定知识库中与第三属性信息相同或相似的第四属性信息;以及基于第四实体信息和第四属性信息,生成与图数据库类型匹配的查询语句。
根据本公开的实施例,除了对输入问题语句进行噪音清洗和知识融合之外,关键还在于对输入问题语句进行信息提取,通过问题中实体和关系(属性)的数量来判断问题的子类别,基于通用的预设转换规则将其转换为图谱查询语言,提取得到的信息可以包括但不限于实体提取、属性提取、关系提取。通用的预设转换规则可以为在与输入问题语句对应的查询条件中提取实体对象,在实体对象提取的返回结果中提取出查询属性或关系。相关技术中的实体提取技术也比较多,本公开采用的是Python中文分词组件“jieba”。基于行业金融词库,可以准确识别如词性及分类,通过词性和分类的判断,可以进一步确定在实体、属性和关系中的类别。
如表1中所示,问答型问题类型中单实体查询的子类型对应的示例“活期存款是什么?”。具体实施时,可以通过分词提取实体为“活期存款”。将其转换生成的与图数据库类型匹配的查询语句可以描述如下,其中name对应实体名,也可以用其他符号表示。
MATCH(n)
WHERE n.name=“活期存款”
RETURN n
需要说明的是,对于单实体查询也可以优化为返回实体的描述属性,这取决于具体的知识图谱的设计结构。
如表1中所示,问答型问题类型中实体关系查询的子类型对应的示例“牡丹亚泰卡的发行联名单位是什么?”。具体实施时,可以通过分词提取实体为“牡丹亚泰卡”,属性为“发行联名单位”,将其转换生成的与图数据库类型匹配的查询语句可以描述如下:
MATCH(n)
WHERE n.name=”牡丹亚泰卡”
RETURN n.”发行联名单位”
如表1中所示,问答型问题类型中多实体单关系查询的子类型对应的示例“中青旅卡和牡丹亚泰卡的发行联名单位?”。具体实施时,可以通过分词提取实体为“中青旅卡”、“牡丹亚泰卡”,属性为“发行联名单位”,将其转换生成的与图数据库类型匹配的查询语句可以描述如下:
MATCH(n)
WHERE n.name IN[”牡丹亚泰卡”,”中青旅卡”]
RETURN n.“发行联名单位”
如表1中所示,问答型问题类型中单实体多关系查询的子类型对应的示例“转账汇款的限额和手续费是多少?”。具体实施时,可以通过分词提取实体为“转账汇款”,属性为“限额”、“手续费”,将其转换生成的与图数据库类型匹配的查询语句可以描述如下:
MATCH(n)
WHERE n.name=”转账汇款”
RETURN n.”限额”,n.”手续费”
可以理解的是,问答型的问题类型主要处理的是比较基本条件查询,在实际的匹配中,通常还需要用到同义词替换、模糊匹配等方法以提升结果匹配的健壮性。
通过本公开的实施例,基于预设转换规则,将输入问题语句转换成与图数据库类型匹配的查询语句,可以归纳出各问答型问题的关键特性,极大地提升问题回答的准确度,减轻客服人员的压力,降低企业客服的运行成本。
下面将以表1所示的问题类型为流程型,子类型为普通流程以及时序处理为例,说明从知识库中获得与输入问题语句匹配的答案语句的实施例。
图6示意性示出了根据本公开另一实施例的基于知识库的问题处理方法的流程图。如图6所示,该问题处理方法600可以应用于智能问答***中,智能问答***能够响应于输入信息并提供反馈信息,可以包括操作S610~操作S640。具体实施时,首先输入问题语句(操作S610),接着利用分类器610,进行属性关系提取(操作S620),提取到的属性关系可以包括顺序类620和前后项类630,然后提取实体(操作S630),最后进行图谱检索(操作S640)来从知识库中获得与输入问题语句匹配的答案语句。
作为一种可选的实施例,基于查询语句,从知识库中获得与输入问题语句匹配的答案语句可以包括:在普通类型为流程类型的情况下,从知识库中获得与第三实体信息关联的属性清单,其中,属性清单包含有序执行的多个属性信息;基于属性清单,确定与查询语句对应的属性信息在有序执行的多个属性信息中的执行逻辑关系;以及基于执行逻辑关系,从知识库中获得与输入问题语句匹配的答案语句。
具体实施时,普通流程子类型的问题处理方法和问答型类似,区别在于普通流程子类型的问题处理方法需要按照时序将各流程的执行结果进行组装。至于该类型是否归入流程类型,取决于知识图谱的组织方式。对于时序子类型的问题处理方法,主要在于需要对提取的谓词判断逻辑关系。具体地,可以优先获取实体对应关系或属性的清单,通过流程内容的相似度判断当前位置,依据逻辑谓词提取目标结果。
图7示意性示出了根据本公开另一实施例的基于知识库的问题处理方法的流程图。如图7所示,该问题处理方法700可以应用于智能问答***中,智能问答***能够响应于输入信息并提供反馈信息,可以包括操作S710~操作S760。
具体实施时,首先输入问题语句(操作S710),接着提取第一比较实体(操作S720),提取比较关系(属性)(操作S730),该可以包括但不限于与比较子类型对应的属性信息、与检索子类型对应的属性信息、与归纳子类型对应的属性信息,提取比较谓词(操作S740),该比较谓词可以包括但不限于比较条件信息、检索条件信息以及归纳条件信息,提取第二比较实体(操作S750),最后进行图谱检索(操作S760)来从知识库中获得与输入问题语句匹配的答案语句。
下面将以表1所示的问题类型为比较型,子类型为比较型、检索型以及归纳型为例,说明按照预设转换规则,将输入问题语句转换成与图数据库类型匹配的查询语句的实施例。
作为一种可选的实施例,按照预设转换规则,将输入问题语句转换成与图数据库类型匹配的查询语句包括:在普通类型为比较类型的情况下,确定与输入问题语句对应的子类型;提取输入问题语句的第五实体信息、第五属性信息以及比较条件信息,其中,比较条件信息用于表征子类型;基于第五实体信息,确定知识库中与第五实体信息相同或相似的第六实体信息;基于第五属性信息,确定知识库中与第五属性信息相同或相似的第六属性信息;以及基于第六实体信息、第六属性信息以及比较条件信息,生成与图数据库类型匹配的查询语句。
根据本公开的实施例,比较型包含三类子问题分类,即比较型,检索型和归纳型。比较型指示比较两类实体属性(关系),检索型指示查询满足比较条件的候选集合,而归纳型指示最值查询,例如最高值、最低值、最大值、最小值。比较型问题处理的关键在于提取实体、查询条件以及比较条件。
作为一种可选的实施例,在子类型包括比较子类型的情况下,比较条件信息包括与比较子类型对应的比较条件信息,其中,比较子类型用于指示比较两类实体的属性;在子类型包括检索子类型的情况下,比较条件信息包括与检索子类型对应的检索条件信息,其中,检索子类型用于指示检索满足检索条件信息的实体;在子类型包括归纳子类型的情况下,比较条件信息包括与归纳子类型对应的归纳条件信息,其中,归纳子类型用于指示查询属性的最值。
如表1中所示,比较型问题类型中比较子类型对应的示例“2年存款期限整存整取比1年存款期限整存整取的利率高多少?”。具体实施时,可以分析提取出其比较实体信息为“整存争取存款”,属性信息为“2年期”和“1年期”,比较条件信息为利率,将其转换生成的与图数据库类型匹配的查询语句可以描述如下:
MATCH(n{name:”整存整取”,”存款期限”:2}),
(m{name:”整存整取”,”存款期限”:1})
RETURN n.”利率”-m.”利率”
如表1中所示,比较型问题类型中检索子类型对应的示例“通知存款产品利率低于1.25%的?”。具体实施时,可以分析提取出其检索实体信息为“通知存款”,属性信息为“产品利率”,检索条件信息为1.25%,将其转换生成的与图数据库类型匹配的查询语句可以描述如下:
MATCH(n)
WHERE n.name=”通知存款”AND n.”产品利率”<”1.25%”
RETURN n
如表1中所示,比较型问题类型中归纳子类型对应的示例“定期存款产品利率最高的?”。具体实施时,可以分析提取出其归纳实体信息为“定期存款”,属性信息为“产品利率”,归纳条件信息为“最高”,将其转换生成的与图数据库类型匹配的查询语句可以描述如下:
MATCH(n)
WHERE n.name=”定期存款”
RETURN n
ORDER BY n.”产品利率”DESC
LIMIT1
或者
MATCH(n)
WHERE n.name=”定期存款”
RETURN max(n.”产品利率”)
通过本公开的实施例,针对比较型的问题类型,基于输入问题语句可以提取出于子类型对应的实体信息、属性信息和条件信息,并按照预设转换规则,将其转换为与图数据库相匹配的查询语句,归纳各比较类型的问题语句的关键特性,极大提升问题回答的准确度,减轻客服人员的压力,降低了企业运行的成本。
作为一种可选的实施例,该问题处理方法还可以包括:按照预设规则,从知识库中选择出训练样本数据,其中,训练样本数据包括问题类型的标注数据;获取初始问题分类模型;以及基于训练样本数据,对初始问题分类模型进行深度神经网络训练来生成问题分类模型。
具体实施时,问答知识库中共有M条(例如113752)知识数据记录,可以随机选取约a%(例如30%)的知识数据进行标注,通过深度神经网络的方法,训练出问题分类模型。对于用户的提问,通过问题分类模型可以标记其问题类别,转入对应的问题类型进行处理。本公开对训练样本数据的选取方法不做限定,本领域技术人员可以根据实际情况,选择适当的选取方法从知识库中选取任意数目的样本数据。
通过本公开的实施例,利用深度神经网络训练问题分类模型,可以提高问题分类的智能性,提高分类效率和分类的准确性。
需要说明的是,适用于综合型问题类型的问题处理方法(通过输入问题语句的词向量与子图中各实体的特征向量的相似度计算结果进行答案语句搜索),本质上并不具体针对某一问题类型,实际上也可以用于处理其他问题类型。
图8示意性示出了根据本公开实施例的基于知识库的问题处理装置的框图。如图8所示,该问题处理装置800可以应用于智能问答***中,智能问答***能够响应于输入信息并提供反馈信息,可以包括分类模型获得模块810、问题类型确定模块820、答案语句获得模块830以及答案语句输出模块840。
分类模型获得模块810,用于响应于接收到输入问题语句,获得问题分类模型,其中,问题分类模型基于知识库中的知识数据训练得到。可选地,分类模型获得模块810例如可以用于前述操作S310,在此不再赘述。
问题类型确定模块820,用于基于问题分类模型,确定输入问题语句的问题类型,其中,不同的问题类型对应不同的问题处理方法。可选地,问题类型确定模块820例如可以用于前述操作S320,在此不再赘述。
答案语句获得模块830,用于基于与问题类型对应的问题处理方法,从知识库中获得与输入问题语句匹配的答案语句。可选地,答案语句获得模块830例如可以用于前述操作S330,在此不再赘述。
答案语句输出模块840,用于输出答案语句。可选地,答案语句输出模块840例如可以用于前述操作S340,在此不再赘述。
通过本公开的实施例,基于知识库中的知识数据训练得到的问题分类模型,确定与输入问题语句对应的问题类型,根据不同的问题类型对应不同的问题处理方法,确定与该问题类型对应的问题处理方法,来从知识库中获得与输入问题语句匹配的答案语句作为输入问题语句的反馈信息输出,可以至少部分地避免按照产品类目搜索答案语句导致的上述技术问题,并因此可以实现基于不同的问题类型执行对应的问题处理方法来从所述知识库中获得与所述输入问题语句匹配的答案语句,省时省力、提高搜索答案准确率的技术效果,提升客户体验,有助于维护企业信誉和外在形象。
图9示意性示出了根据本公开另一实施例的基于知识库的问题处理装置的框图。如图9所示,该问题处理装置900可以应用于智能问答***中,智能问答***能够响应于输入信息并提供反馈信息,可以包括问题分类模块910、问答型问题处理模块920、比较型问题处理模块930、流程型问题处理模块940以及综合型问题处理模块950。
根据本公开的实施例,问题分类模块910主要完成两类任务,第一类任务为对输入问题语句进行清洗(包括实体提取、属性提取、关系提取、噪音清洗、知识融合)。通过词性和分类的判断,进一步确定在实体、属性和关系中的类别。第二类任务为通过问题分类模块910,将问题转入对应子模块进行处理,明确问题类别后,即转入后续处理流程。具体地,将问答型的输入问题语句转入问答型问题处理模块920进行问题处理,将问答型的输入问题语句转入问答型问题处理模块920进行问题处理,将比较型的输入问题语句转入比较型问题处理模块930进行问题处理,将流程型的输入问题语句转入流程型问题处理模块940进行问题处理,将综合型的输入问题语句转入综合型问题处理模块950进行问题处理,各处理模块的具体处理方法详见前述各实施例所述,此次不再赘述。
通过本公开提供的基于金融知识图谱的智能客服问答***,基于问答库知识对客户问题进行建模,通过深度神经网络的方法将用户问题归纳为四类。根据对问题类型的分析,将客户问题分为问答型、比较型、流程型和综合型四类,该方法可以极大提升***对问题处理的准确度,通过人工智能的方法,提升客户服务的质量,减轻客服人员的工作压力,降低企业的运行成本。
作为一种可选的实施例,答案语句获得模块830可以包括:生成子模块,用于在确定问题类型为综合类型的情况下,生成输入问题语句的第一特征向量;第一提取子模块,用于提取输入问题语句的第一实体信息和第一属性信息;第一获得子模块,用于基于第一实体信息,从知识库中获得与第一实体信息匹配的候选实体集,其中,候选实体集中包括多个第二实体;第一确定子模块,用于基于多个第二实体的第二属性信息,确定每个第二实体的第二特征向量;第二确定子模块,用于基于第一特征向量和每个第二实体的第二特征向量,确定输入问题语句与每个第二实体的相似度值;以及第二获得子模块,用于将从知识库中获得与最大相似度值对应的第二实体作为与输入问题语句匹配的答案语句。
作为一种可选的实施例,第一获得子模块可以包括:第一获得单元,用于获取路径长度阈值,其中,路径长度阈值用于表征与第一实体之间的路径长度的最大值;第二获得单元,用于基于路径长度阈值,从知识库中获得与第一实体之间的路径长度不超过路径长度阈值的候选路径;以及第一处理单元,用于将候选路径覆盖的多个第二实体作为与第一实体匹配的候选实体集。
作为一种可选的实施例,答案语句获得模块830可以包括:第三确定子模块,用于在确定问题类型为普通类型的情况下,确定知识库的图数据库类型;第一转换子模块,用于按照预设转换规则,将输入问题语句转换成与图数据库类型匹配的查询语句;以及第三获得子模块,用于基于查询语句,从知识库中获得与输入问题语句匹配的答案语句。
作为一种可选的实施例,第一转换子模块可以包括:第一提取单元,用于在普通类型为问答类型或流程类型的情况下,提取输入问题语句的第三实体信息;第二提取单元,用于提取与第三实体信息关联的第三属性信息;第一确定单元,用于基于第三实体信息,确定知识库中与第三实体信息相同或相似的第四实体信息;第二确定单元,用于基于第三属性信息,确定知识库中与第三属性信息相同或相似的第四属性信息;以及第一生成单元,用于基于第四实体信息和第四属性信息,生成与图数据库类型匹配的查询语句。
作为一种可选的实施例,问答类型对应的第三实体信息和第三属性信息可以至少具有以下对应关系:一条第三实体信息;一条第三实体信息对应一条第三属性信息;一条第三实体信息对应多条第三属性信息;多条第三实体信息对应一条第三属性信息。
作为一种可选的实施例,答案语句获得模块830可以包括:第四获得子模块,用于在普通类型为流程类型的情况下,从知识库中获得与第三实体信息关联的属性清单,其中,属性清单包含有序执行的多个属性信息;第四确定子模块,用于基于属性清单,确定与查询语句对应的属性信息在有序执行的多个属性信息中的执行逻辑关系;以及第五获得子模块,用于基于执行逻辑关系,从知识库中获得与输入问题语句匹配的答案语句。
作为一种可选的实施例,第一转换子模块可以包括:第三确定单元,用于在普通类型为比较类型的情况下,确定与输入问题语句对应的子类型;第三提取单元,用于提取输入问题语句的第五实体信息、第五属性信息以及比较条件信息,其中,比较条件信息用于表征子类型;第四确定单元,用于基于第五实体信息,确定知识库中与第五实体信息相同或相似的第六实体信息;第五确定单元,用于基于第五属性信息,确定知识库中与第五属性信息相同或相似的第六属性信息;以及第二生成单元,用于基于第六实体信息、第六属性信息以及比较条件信息,生成与图数据库类型匹配的查询语句。
作为一种可选的实施例,在子类型包括比较子类型的情况下,比较条件信息可以包括与比较子类型对应的比较条件信息,其中,比较子类型用于指示比较两类实体的属性;在子类型包括检索子类型的情况下,比较条件信息可以包括与检索子类型对应的检索条件信息,其中,检索子类型用于指示检索满足检索条件信息的实体;在子类型包括归纳子类型的情况下,比较条件信息可以包括与归纳子类型对应的归纳条件信息,其中,归纳子类型用于指示查询属性的最值。
作为一种可选的实施例,装置还可以包括:训练样本选择模块,用于按照预设规则,从知识库中选择出训练样本数据,其中,训练样本数据包括问题类型的标注数据;初始模型获得模块,用于获取初始问题分类模型;以及分类模型生成模块,用于基于训练样本数据,对初始问题分类模型进行深度神经网络训练来生成问题分类模型。
需要说明的是,基于知识库的问题处理装置部分的实施例中各模块的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与基于知识库的问题处理方法部分的实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似,在此不再赘述。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FNGA)、可编程逻辑阵列(NLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,分类模型获得模块、问题类型确定模块、答案语句获得模块、答案语句输出模块、生成子模块、第一提取子模块、第一获得子模块、第一确定子模块、第二确定子模块、第二获得子模块、第一获得单元、第二获得单元、第一处理单元、第三确定子模块、第一转换子模块、第三获得子模块、第一提取单元、第二提取单元、第一确定单元、第二确定单元、第一生成单元、第四获得子模块、第四确定子模块、第五获得子模块、第三确定单元、第三提取单元、第四确定单元、第五确定单元、第二生成单元、训练样本选择模块、初始模型获得模块以及分类模型生成模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,分类模型获得模块、问题类型确定模块、答案语句获得模块、答案语句输出模块、生成子模块、第一提取子模块、第一获得子模块、第一确定子模块、第二确定子模块、第二获得子模块、第一获得单元、第二获得单元、第一处理单元、第三确定子模块、第一转换子模块、第三获得子模块、第一提取单元、第二提取单元、第一确定单元、第二确定单元、第一生成单元、第四获得子模块、第四确定子模块、第五获得子模块、第三确定单元、第三提取单元、第四确定单元、第五确定单元、第二生成单元、训练样本选择模块、初始模型获得模块以及分类模型生成模块中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FNGA)、可编程逻辑阵列(NLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及同件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,分类模型获得模块、问题类型确定模块、答案语句获得模块、答案语句输出模块、生成子模块、第一提取子模块、第一获得子模块、第一确定子模块、第二确定子模块、第二获得子模块、第一获得单元、第二获得单元、第一处理单元、第三确定子模块、第一转换子模块、第三获得子模块、第一提取单元、第二提取单元、第一确定单元、第二确定单元、第一生成单元、第四获得子模块、第四确定子模块、第五获得子模块、第三确定单元、第三提取单元、第四确定单元、第五确定单元、第二生成单元、训练样本选择模块、初始模型获得模块以及分类模型生成模块中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图10示意性示出了根据本公开实施例的适于实现上文描述的基于知识库的问题处理方法的计算机可读存储介质产品的示意图。
在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在设备上运行时,程序代码用于使设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的基于知识库的问题处理方法中的前述各项操作(或步骤),例如,电子设备可以执行如图3中所示的操作S310~操作S340、如图4中所示的操作S410~操作S480、如图5中所示的操作S510~操作S540、如图6中所示的操作S610~操作S640以及如图7中所示的操作S710~操作S760。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、***或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(ENROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
如图10所示,描述了根据本发明的实施方式的基于知识库的问题处理方法的程序产品1000,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、***或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、***或者器件使用或者与其结合使用的程序。可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、有线、光缆,RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言-诸如Java,C++等,还包括常规的过程式程序设计语言-诸如“C”,语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络——包括局域网(LAA)或广域网(WAA)一连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
图11示意性示出了根据本公开实施例的适于实现上文描述的基于知识库的问题处理方法的电子设备的框图。图11示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图11所示,根据本公开实施例的电子设备1100包括处理器1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CNU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1103中,存储有电子设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例图3中所示的操作S310~操作S340、如图4中所示的操作S410~操作S480、如图5中所示的操作S510~操作S540、如图6中所示的操作S610~操作S640以及如图7中所示的操作S710~操作S760。
根据本公开的实施例,电子设备1100还可以包括输入/输出(I/O)接口1105,输入/输出(I/O)接口1105也连接至总线1104。***1100还可以包括连接至I/O接口1105的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107;包括硬盘等的存储部分1108;以及包括诸如LAA卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时,执行本公开实施例的***中限定的上述功能。根据本公开的实施例,上文描述的***、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/***中所包含的;也可以是单独存在,而未装配入该设备/装置/***中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的基于知识库的问题处理方法,包括图3中所示的操作S310~操作S340、如图4中所示的操作S410~操作S480、如图5中所示的操作S510~操作S540、如图6中所示的操作S610~操作S640以及如图7中所示的操作S710~操作S760。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(ENROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目标,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (14)
1.一种基于知识库的问题处理方法,应用于智能问答***中,所述智能问答***能够响应于输入信息并提供反馈信息,包括:
响应于接收到输入问题语句,获得问题分类模型,其中,所述问题分类模型基于所述知识库中的知识数据训练得到;
基于所述问题分类模型,确定所述输入问题语句的问题类型,其中,不同的问题类型对应不同的问题处理方法;
基于与所述问题类型对应的问题处理方法,从所述知识库中获得与所述输入问题语句匹配的答案语句;
输出所述答案语句。
2.根据权利要求1所述的方法,其中,所述基于与所述问题类型对应的问题处理方法,从所述知识库中获得与所述输入问题语句匹配的答案语句包括:
在确定所述问题类型为综合类型的情况下,生成所述输入问题语句的第一特征向量;
提取所述输入问题语句的第一实体信息和第一属性信息;
基于所述第一实体信息,从所述知识库中获得与所述第一实体信息匹配的候选实体集,其中,所述候选实体集中包括多个第二实体;
基于所述多个第二实体的第二属性信息,确定每个第二实体的第二特征向量;
基于所述第一特征向量和所述每个第二实体的第二特征向量,确定所述输入问题语句与所述每个第二实体的相似度值;
将从所述知识库中获得与最大相似度值对应的第二实体作为与所述输入问题语句匹配的答案语句。
3.根据权利要求2所述的方法,其中,所述基于所述第一实体信息,从所述知识库中获得与所述第一实体信息匹配的候选实体集包括:
获取路径长度阈值,其中,所述路径长度阈值用于表征与所述第一实体之间的路径长度的最大值;
基于所述路径长度阈值,从所述知识库中获得与所述第一实体之间的路径长度不超过所述路径长度阈值的候选路径;
将所述候选路径覆盖的多个第二实体作为与所述第一实体匹配的候选实体集。
4.根据权利要求1所述的方法,其中,所述基于与所述问题类型对应的问题处理方法,从所述知识库中获得与所述输入问题语句匹配的答案语句包括:
在确定所述问题类型为普通类型的情况下,确定所述知识库的图数据库类型;
按照预设转换规则,将所述输入问题语句转换成与所述图数据库类型匹配的查询语句;
基于所述查询语句,从所述知识库中获得与所述输入问题语句匹配的答案语句。
5.根据权利要求4所述的方法,其中,所述按照预设转换规则,将所述输入问题语句转换成与所述图数据库类型匹配的查询语句包括:
在所述普通类型为问答类型或流程类型的情况下,提取所述输入问题语句的第三实体信息;
提取与所述第三实体信息关联的第三属性信息;
基于所述第三实体信息,确定所述知识库中与所述第三实体信息相同或相似的第四实体信息;
基于所述第三属性信息,确定所述知识库中与所述第三属性信息相同或相似的第四属性信息;
基于所述第四实体信息和所述第四属性信息,生成与所述图数据库类型匹配的查询语句。
6.根据权利要求5所述的方法,其中,所述问答类型对应的第三实体信息和所述第三属性信息至少具有以下对应关系:
一条第三实体信息;
一条第三实体信息对应一条第三属性信息;
一条第三实体信息对应多条第三属性信息;
多条第三实体信息对应一条第三属性信息。
7.根据权利要求5所述的方法,其中,所述基于所述查询语句,从所述知识库中获得与所述输入问题语句匹配的答案语句包括:
在所述普通类型为流程类型的情况下,从所述知识库中获得与所述第三实体信息关联的属性清单,其中,所述属性清单包含有序执行的多个属性信息;
基于所述属性清单,确定与所述查询语句对应的属性信息在所述有序执行的多个属性信息中的执行逻辑关系;
基于所述执行逻辑关系,从所述知识库中获得与所述输入问题语句匹配的答案语句。
8.根据权利要求4所述的方法,其中,所述按照预设转换规则,将所述输入问题语句转换成与所述图数据库类型匹配的查询语句包括:
在所述普通类型为比较类型的情况下,确定与所述输入问题语句对应的子类型;
提取所述输入问题语句的第五实体信息、第五属性信息以及比较条件信息,其中,所述比较条件信息用于表征所述子类型;
基于所述第五实体信息,确定所述知识库中与所述第五实体信息相同或相似的第六实体信息;
基于所述第五属性信息,确定所述知识库中与所述第五属性信息相同或相似的第六属性信息;
基于所述第六实体信息、所述第六属性信息以及所述比较条件信息,生成与所述图数据库类型匹配的查询语句。
9.根据权利要求8所述的方法,其中:
在所述子类型包括比较子类型的情况下,所述比较条件信息包括与所述比较子类型对应的比较条件信息,其中,所述比较子类型用于指示比较两类实体的属性;
在所述子类型包括检索子类型的情况下,所述比较条件信息包括与所述检索子类型对应的检索条件信息,其中,所述检索子类型用于指示检索满足所述检索条件信息的实体;
在所述子类型包括归纳子类型的情况下,所述比较条件信息包括与所述归纳子类型对应的归纳条件信息,其中,所述归纳子类型用于指示查询属性的最值。
10.根据权利要求1所述的方法,其中,所述方法还包括:
按照预设规则,从所述知识库中选择出训练样本数据,其中,所述训练样本数据包括问题类型的标注数据;
获取初始问题分类模型;
基于所述训练样本数据,对所述初始问题分类模型进行深度神经网络训练来生成所述问题分类模型。
11.一种基于知识库的问题处理装置,应用于智能问答***中,所述智能问答***能够响应于输入信息并提供反馈信息,包括:
分类模型获得模块,用于响应于接收到输入问题语句,获得问题分类模型,其中,所述问题分类模型基于所述知识库中的知识数据训练得到;
问题类型确定模块,用于基于所述问题分类模型,确定所述输入问题语句的问题类型,其中,不同的问题类型对应不同的问题处理方法;
答案语句获得模块,用于基于与所述问题类型对应的问题处理方法,从所述知识库中获得与所述输入问题语句匹配的答案语句;
答案语句输出模块,用于输出所述答案语句。
12.一种电子设备,包括:
一个或多个处理器;以及
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1至10中任一项所述的方法。
13.一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时使处理器执行根据权利要求1至10中任一项所述的方法。
14.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时执行根据权利要求1至10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110329818.8A CN112966089A (zh) | 2021-03-26 | 2021-03-26 | 基于知识库的问题处理方法、装置、设备、介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110329818.8A CN112966089A (zh) | 2021-03-26 | 2021-03-26 | 基于知识库的问题处理方法、装置、设备、介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112966089A true CN112966089A (zh) | 2021-06-15 |
Family
ID=76278654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110329818.8A Pending CN112966089A (zh) | 2021-03-26 | 2021-03-26 | 基于知识库的问题处理方法、装置、设备、介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966089A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949781A (zh) * | 2020-08-06 | 2020-11-17 | 贝壳技术有限公司 | 一种基于自然语句句法分析的智能交互方法及装置 |
CN113342955A (zh) * | 2021-06-29 | 2021-09-03 | 南京星云数字技术有限公司 | 一种问答语句的处理方法、装置及电子设备 |
CN113641805A (zh) * | 2021-07-19 | 2021-11-12 | 北京百度网讯科技有限公司 | 结构化问答模型的获取方法、问答方法及对应装置 |
CN113672720A (zh) * | 2021-09-14 | 2021-11-19 | 国网天津市电力公司 | 一种基于知识图谱和语义相似度的电力审计问答方法 |
CN113886546A (zh) * | 2021-09-29 | 2022-01-04 | 平安银行股份有限公司 | 知识问答匹配处理方法、装置、介质及电子设备 |
CN115357693A (zh) * | 2022-07-12 | 2022-11-18 | 浙江中控技术股份有限公司 | 基于加氢裂化装置知识图谱的智能问答***的构建方法 |
CN117407514A (zh) * | 2023-11-28 | 2024-01-16 | 星环信息科技(上海)股份有限公司 | 一种解决计划生成方法、装置、设备及存储介质 |
-
2021
- 2021-03-26 CN CN202110329818.8A patent/CN112966089A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949781A (zh) * | 2020-08-06 | 2020-11-17 | 贝壳技术有限公司 | 一种基于自然语句句法分析的智能交互方法及装置 |
CN113342955A (zh) * | 2021-06-29 | 2021-09-03 | 南京星云数字技术有限公司 | 一种问答语句的处理方法、装置及电子设备 |
CN113641805A (zh) * | 2021-07-19 | 2021-11-12 | 北京百度网讯科技有限公司 | 结构化问答模型的获取方法、问答方法及对应装置 |
CN113641805B (zh) * | 2021-07-19 | 2024-05-24 | 北京百度网讯科技有限公司 | 结构化问答模型的获取方法、问答方法及对应装置 |
CN113672720A (zh) * | 2021-09-14 | 2021-11-19 | 国网天津市电力公司 | 一种基于知识图谱和语义相似度的电力审计问答方法 |
CN113886546A (zh) * | 2021-09-29 | 2022-01-04 | 平安银行股份有限公司 | 知识问答匹配处理方法、装置、介质及电子设备 |
CN115357693A (zh) * | 2022-07-12 | 2022-11-18 | 浙江中控技术股份有限公司 | 基于加氢裂化装置知识图谱的智能问答***的构建方法 |
CN117407514A (zh) * | 2023-11-28 | 2024-01-16 | 星环信息科技(上海)股份有限公司 | 一种解决计划生成方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112966089A (zh) | 基于知识库的问题处理方法、装置、设备、介质和产品 | |
Liu et al. | Incrests: towards real-time incremental short text summarization on comment streams from social network services | |
US20120203584A1 (en) | System and method for identifying potential customers | |
US20200090053A1 (en) | Systems and methods for generating and using knowledge graphs | |
Li et al. | A policy-based process mining framework: mining business policy texts for discovering process models | |
CN112927082A (zh) | 信用风险的预测方法、装置、设备、介质和程序产品 | |
US11757808B2 (en) | Data processing for enterprise application chatbot | |
CN111782793A (zh) | 智能客服处理方法和***及设备 | |
CN116542800A (zh) | 基于云端ai技术的智能化财务报表分析*** | |
Ackermann et al. | Data-driven annotation of textual process descriptions based on formal meaning representations | |
CN115239214A (zh) | 企业的评估处理方法、装置及电子设备 | |
US20200110769A1 (en) | Machine learning (ml) based expansion of a data set | |
Addepalli et al. | A proposed framework for measuring customer satisfaction and product recommendation for ecommerce | |
CN111126073B (zh) | 语义检索方法和装置 | |
CN116048463A (zh) | 基于标签管理的需求项内容智能推荐方法及装置 | |
CN116091045A (zh) | 一种基于知识图谱的通信网络运维方法和运维装置 | |
US11983207B2 (en) | Method, electronic device, and computer program product for information processing | |
Zhu | Financial data analysis application via multi-strategy text processing | |
CN115017385A (zh) | 一种物品搜索方法、装置、设备和存储介质 | |
WO2022240405A1 (en) | System and method of automatic topic detection in text | |
CN113095078A (zh) | 关联资产确定方法、装置和电子设备 | |
KR20220154935A (ko) | 인공 지능 모델을 이용하는 질의 답변 서버의 제어 방법 | |
Zhang et al. | Opinion analysis of product reviews | |
CN112559697A (zh) | 识别话术意图的方法和装置 | |
Naren et al. | News analytics and dual sentiment analysis for stock market prediction |
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 |