CN113609274B - 智能问答方法、装置、电子设备及存储介质 - Google Patents
智能问答方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113609274B CN113609274B CN202110939243.1A CN202110939243A CN113609274B CN 113609274 B CN113609274 B CN 113609274B CN 202110939243 A CN202110939243 A CN 202110939243A CN 113609274 B CN113609274 B CN 113609274B
- Authority
- CN
- China
- Prior art keywords
- question
- answer
- relation
- entity
- attribute
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 229910000831 Steel Inorganic materials 0.000 description 16
- 239000010959 steel Substances 0.000 description 16
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008961 swelling Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- -1 stock Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能领域，揭露一种智能问答方法，包括：利用问题语义识别模型对用户在客户端输入的问题进行意图识别，得到问题意图，对问题意图进行特征提取，得到问题实体、问题属性及问题关系；从预构建的问答知识图谱中，分别检索问题实体、问题属性及问题关系的问题答案，得到问题实体答案、问题属性答案及问题关系答案；将问题实体答案、问题属性答案及问题关系答案中具有相同的问题答案作为问题的最终答案；若最终答案不满足所述用户的意图需求，返回执行接收用户在客户端输入的问题的步骤；若最终答案满足用户的意图需求，将最终答案返回至用户。此外，本发明还涉及区块链技术，所述最终答案可存储区块链中。本发明可以智能问答的准确性。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种智能问答方法、装置、电子设备及计算机可读存储介质。
背景技术
随着信息科技的发展，智能客服***得到了广泛的应用，智能客服是在大规模知识处理基础上发展起来的一项面向行业应用的客户服务，其不仅为企业提供了细粒度知识管理技术，还为企业与海量用户之间的沟通建立了一种基于自然语言的快捷有效的技术手段，因此越来越多的企业使用智能客服来替代人工客服为用户提供服务。
传统的智能客服通常是基于用户提出的问题，从后台数据库查询该问题的答案并返回给客户，但是当该用户再次提出问题时，智能客服通常又需要重新从后台数据库查询对应问题的答案，这样无法很好的识别到用户的意图，从而无法了解用户提出的问题上下文语义，进而导致查询的问题答案不够准确。
发明内容
本发明提供一种智能问答方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高智能问答的准确性。
为实现上述目的，本发明提供的一种智能问答方法，包括：
接收用户在客户端输入的问题，并利用问题语义识别模型对所述问题进行意图识别，得到问题意图，对所述问题意图进行特征提取，得到问题特征，所述问题特征包括问题实体、问题属性以及问题关系；
从预构建的问答知识图谱中，分别检索所述问题实体、所述问题属性以及所述问题关系的问题答案，得到问题实体答案、问题属性答案以及问题关系答案；
将所述问题实体答案、问题属性答案以及问题关系答案中具有相同的问题答案作为所述问题的最终答案；
判断所述最终答案是否满足所述用户的意图需求；
若所述最终答案不满足所述用户的意图需求，则返回执行所述接收用户在客户端输入的问题的步骤；
若所述最终答案满足所述用户的意图需求，则将所述最终答案返回至所述用户。
可选地，所述利用问题语义识别模型对所述问题进行意图识别，得到问题意图，包括：
利用所述问题语义识别模型中的分类网络对所述问题进行分类，得到分类问题；
利用所述问题语义识别模型中的语义识别网络对所述分类问题进行语义识别，得到问题意图。
可选地，所述利用所述问题语义识别模型中的分类网络对所述问题进行分类，得到分类问题，包括：
利用所述分类网络中的卷积层对所述问题进行卷积，得到卷积问题；
利用所述分类网络中的池化层对所述卷积问题进行降维，得到降维问题；
利用所述分类网络中的全连接层计算所述降维问题的分类概率值；
根据所述分类概率值，利用所述分类网络中的输出层输出所述问题的类别，得到分类问题。
可选地，所述利用所述问题语义识别模型中的语义识别网络对所述分类问题进行语义识别，得到问题意图，包括：
通过所述语义识别网络中的输入门计算所述分类问题的状态值，及通过所述遗忘门计算所述语义识别网络中的分类问题的激活值；
根据所述状态值和激活值计算所述分类问题的状态更新值；
利用所述语义识别网络中的输出门计算所述状态更新值的语义序列，得到所述分类问题的问题意图。
可选地，所述对所述问题意图进行特征提取，得到问题特征，包括：
对所述问题意图进行分词，得到问题词语，利用命名识别工具提取所述问题词语中的问题实体和问题属性；
识别所述问题实体之间的实体关系、问题实体与问题属性之间的实体-属性关系以及问题属性之间的属性关系；
根据所述实体关系、实体-属性关系以及属性关系，生成问题关系；
根据所述问题实体、所述问题属性以及所述问题关系，得到问题特征。
可选地，所述从预构建的问答知识库中，分别检索所述问题实体、所述问题属性以及所述问题关系的问题答案，得到问题实体答案、问题属性答案以及问题关系答案，包括：
获取所述问题实体、所述问题属性以及所述问题关系的实体字段、属性字段以及关系字段；
将所述实体字段、属性字段以及关系字段分别与所述问答知识库中实体、属性以及关系进行字段匹配；
利用查询语句查询字段匹配成功的所述问答知识库中实体、属性以及关系的问题对应答案，得到问题实体答案、问题属性答案以及问题关系答案。
可选地，所述将所述实体字段、属性字段以及关系字段分别与所述问答知识库中实体、属性以及关系进行字段匹配，包括：
分别计算所述实体字段、属性字段以及关系字段与所述问答知识库中实体、属性以及关系的字段匹配值；
若所述字段匹配值大于预设匹配值，则字段匹配成功；
若所述字段匹配值不大于预设匹配值，则字段匹配失败。
为了解决上述问题，本发明还提供一种智能问答装置，所述装置包括：
问题特征提取模块，用于接收用户在客户端输入的问题，并利用问题语义识别模型对所述问题进行意图识别，得到问题意图，对所述问题意图进行特征提取，得到问题特征，所述问题特征包括问题实体、问题属性以及问题关系；
问题答案检索模块，用于从预构建的问答知识图谱中，分别检索所述问题实体、所述问题属性以及所述问题关系的问题答案，得到问题实体答案、问题属性答案以及问题关系答案；
最终答案生成模块，用于将所述问题实体答案、问题属性答案以及问题关系答案中具有相同的问题答案作为所述问题的最终答案；
最终答案判断模块，用于判断所述最终答案是否满足所述用户的意图需求；
所述最终答案判断模块，还用于在所述最终答案不满足所述用户的意图需求时，返回执行所述接收用户在客户端输入的问题的步骤；
所述最终答案判断模块，还用于在所述最终答案满足所述用户的意图需求时，将所述最终答案返回至所述用户。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序被所述至少一个处理器执行，以实现上述所述的智能问答方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的智能问答方法。
本发明实施例首先利用问题语义识别模型对用户在客户端输入的问题进行意图识别，得到问题意图，可以判断出所述问题的问题语义，从而提高后续问题答案检索的准确性，并对所述问题意图进行特征提取，得到问题特征，所述问题特征包括问题实体、问题属性以及问题关系，从预构建的问答知识图谱中，分别检索所述问题实体、所述问题属性以及所述问题关系的问题答案，得到问题实体答案、问题属性答案以及问题关系答案，从而可以从多个维度去检索对应的问题答案，进而可以保障返回的问题答***性；其次，本发明实施例将所述问题实体答案、问题属性答案以及问题关系答案中具有相同问题答案作为所述问题的最终答案，并判断所述最终答案是否满足所述用户的意图需求，可以实现多维度的问题检索，提高问题答案的识别准确率，及保障返回至所述用户的答案准确性；进一步地，本发明实施例在所述最终答案不满足所述用户的意图需求时，返回执行所述接收用户在客户端输入的问题的步骤，在所述最终答案满足所述用户的意图需求时，将所述最终答案返回至所述用户，可以保障最终返回的问题答案符合用户的意图需求，保障问题答案检索的准确性。因此，本发明提出的一种智能问答方法、装置、电子设备以及计算机可读存储介质可以提高智能问答的准确性。
附图说明
图1为本发明一实施例提供的智能问答方法的流程示意图；
图2为本发明一实施例提供的智能问答装置的模块示意图；
图3为本发明一实施例提供的实现智能问答方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种智能问答方法。所述智能问答方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述智能问答方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端可以包括独立的服务器，也可以包括提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的智能问答方法的流程示意图。在本发明实施例中，所述智能问答方法包括：
S1、接收用户在客户端输入的问题，并利用问题语义识别模型对所述问题进行意图识别，得到问题意图，对所述问题意图进行特征提取，得到问题特征，所述问题特征包括问题实体、问题属性以及问题关系。
本发明实施例中，所述客户端是指或称为用户端，是指与服务器相对应，为客户提供本地服务的程序，所述问题基于不同用户需求产生，例如用户A的问题可以为“天天成长A的收益率是多少？”，用户B的问题可以为“保单理赔的标准是什么”。
进一步地，本发明实施例中，所述问题语义识别模型包括分类网络和语义识别网络，所述分类网络用于对所述问题进行问题分类，所述语义识别网络用于识别分类后的问题语义，以判断出所述问题的问题意图，其中，所述分类网络可以通过Bert网络(Bidirectional Encoder Representation from Transformers)构建，所述语义识别网络可以通过LSTM(Long Short-Term Memory，长短期记忆人工神经网络)构建。
作为本发明的一个实施例，所述利用问题语义识别模型对所述问题进行意图识别，得到问题意图，包括：利用所述问题语义识别模型中的分类网络对所述问题进行分类，得到分类问题，利用所述问题语义识别模型中的语义识别网络对所述分类问题进行语义识别，得到问题意图。
进一步地，本发明一可选实施例中，所述利用所述问题语义识别模型中的分类网络对所述问题进行分类，得到分类问题，包括：利用所述分类网络中的卷积层对所述问题进行卷积，得到卷积问题，利用所述分类网络中的池化层对所述卷积问题进行降维，得到降维问题，利用所述分类网络中的全连接层计算所述降维问题的分类概率值，根据所述分类概率值，利用所述分类网络中的输出层输出所述问题的类别，得到分类问题。
其中，所述问题的卷积可以通过所述卷积层中的卷积核实现，用于提取所述问题中的特征信息，所述卷积问题的降维可以通过所述池化层的降维函数实现，如relu函数，其用于降低所述卷积问题的维度，提高后续数据计算速度，所述降维问题的分类概率值可以通过所述全连接层中的激活函数计算，如softmax函数，其用于计算不同问题类别在所述全连接层中的神经元占比，从而输出概率最大的问题类别。
进一步地，本发明一可选实施例中，所述利用所述问题语义识别模型中的语义识别网络对所述分类问题进行语义识别，得到问题意图，包括：通过所述语义识别网络中的输入门计算所述分类问题的状态值；通过所述遗忘门计算所述语义识别网络中的分类问题的激活值；根据所述状态值和激活值计算所述分类问题的状态更新值；利用所述语义识别网络中的输出门计算所述状态更新值的语义序列，得到所述问题意图。
应该了解的是，在不同的业务场景中，不同的用户会提出不同错综复杂的问题，如语义不清晰的问题(今天股票市场行情不错，该不该去买股票或者保险一点去买基金呢)，因此，本发明实施例通过识别所述问题的问题意图，以提高后续问题答案检索的准确性，如上述问题“今天股票市场行情不错，该不该去买股票或者保险一点去买基金呢”，经过所述问题语义识别模型的分析后可以得到问题意图为“今天该不该去买股票”及“今天去买基金？”。
需要说明的是，本发明实施例中，所述问题语义识别模型是指经过大量语料数据进行训练后的模型，其具备较强的鲁棒性和识别能力。
进一步地，本发明实施例通过对所述问题意图进行特征提取，以获取所述问题意图的实体、属性以及关系，从而可以从多个维度去检索对应的问题答案，进而可以保障返回的问题答***性，其中，所述关系包含实体与实体之间的关系、实体与属性之间的关系以及属性与属性之间的关系。
作为本发明的一个实施例，所述对所述问题意图进行特征提取，得到问题特征，包括：对所述问题意图进行分词，得到问题词语，利用命名识别工具(Named EntityRecognition，NER)提取所述问题词语中的问题实体和问题属性，识别所述问题实体之间的实体关系、问题实体与问题属性之间的实体-属性关系以及问题属性之间的属性关系，根据所述实体关系、实体-属性关系以及属性关系，生成问题关系，根据所述问题实体、所述问题属性以及所述问题关系，得到问题特征。
示例性的，存在问题意图为“今天钢材的股票出现大涨的现象，购买钢材股”利用NEP工具识别所述问题题图，得到问题实体包括“钢材、股票以及钢材股”，问题属性包括“今天、大涨以及购买”，根据该问题实体和问题属性，生成所述问题实体之间的实体关系包括“(钢材，并列，股票)、(钢材，包含，钢材股)以及(股票，包含，钢材股)”等，所述问题实体和问题属性之间的实体-属性关系包括“(钢材，今天，大涨)、(钢材股、今天、购买)”等，及所述问题属性之间的属性关系包括“(今天，并列，大涨)、(今天、并列、购买)以及(大涨、并列、购买)”等，根据所述实体关系、实体-属性关系以及属性关系，得到“今天钢材的股票出现大涨的现象，购买钢材股”的问题关系可以为：“今天购买钢材股”，并生成问题特征包括“钢材、股票、钢材股、今天、大涨、购买以及今天购买钢材股”。
S2、从预构建的问答知识图谱中，分别检索所述问题实体、所述问题属性以及所述问题关系的问题答案，得到问题实体答案、问题属性答案以及问题关系答案。
本发明实施例中，所述问答知识库基于不同的业务场景构建，例如所述业务场景为商品订单业务场景，则所述问答知识库可以为商品问答知识库，所述业务场景为金融业务场景，则所述问答知识库可以为金融问答知识库，应该了解，在所述问答知识库中问题-答案的语料数据，可以通过线下业务人员和/或线上业务产生的数据，利用图数据库(如Neo4j)进行构建，需要说明的是，在所述问答知识库中，问题与答案存在多对多的关系，即一个问题会存在一个或多个答案，反之一个答案会存在一个或多个问题。
进一步地，本发明实施例从预构建的问答知识库中，分别检索所述问题实体、所述问题属性以及所述问题关系的问题答案，以实现多维度的问题检索，提高问题答案的识别准确率。
作为本发明的一个实施例，所述从预构建的问答知识库中，分别检索所述问题实体、所述问题属性以及所述问题关系的问题答案，得到问题实体答案、问题属性答案以及问题关系答案，包括：获取所述问题实体、所述问题属性以及所述问题关系的实体字段、属性字段以及关系字段，将所述实体字段、属性字段以及关系字段分别与所述问答知识库中实体、属性以及关系进行字段匹配，利用查询语句查询字段匹配成功的所述问答知识库中实体、属性以及关系的问题对应答案，得到问题实体答案、问题属性答案以及问题关系答案。
一个可选实施例中，所述将所述实体字段、属性字段以及关系字段分别与所述问答知识库中实体、属性以及关系进行字段匹配，包括：分别计算所述实体字段、属性字段以及关系字段与所述问答知识库中实体、属性以及关系的字段匹配值，若所述字段匹配值大于预设匹配值，则字段匹配成功，若所述字段匹配值不大于预设匹配值，则字段匹配失败。其中，所述预设匹配值可以设置为0.98，也可以根据实际业务场景设置，所述字段匹配值可以通过余弦距离算法进行计算，所述查询语句可以为SQL查询语句，如select语句。
S3、将所述问题实体答案、问题属性答案以及问题关系答案中具有相同的问题答案作为所述问题的最终答案。
本发明实施例中，将所述问题实体答案、问题属性答案以及问题关系答案中具有相同问题答案作为所述问题的最终答案，以保障返回至所述用户的答案准确性。
进一步地，为保障所述最终答案的复用性和隐私性，所述最终答案还可存储于一区块链节点中。
S4、判断所述最终答案是否满足所述用户的意图需求。
应该了解，在实际业务场景中，不同的用户对问题的答案需求并不一致，因此在所述问答知识库中检索的最终答案并不一定符合用户意图需求，因此，本发明实施例通过判断所述最终答案是否满足所述用户的意图需求，以进一步判别所述用户的问题答案需求，实现与用户的多轮问答，检索出符合用户需求的答案。
本发明一可选实施例中，所述用户的意图需求可以通过在所述客户端设置答案满意勾选框，即若所述问题答案满足用户需求，则提示用户在所述客户端在满意框中打勾，所述问题答案满足用户需求，则提示用户在所述客户端在不满意框中打勾。
若所述最终答案不满足所述用户的意图需求，则返回执行所述接收用户在客户端输入的问题的步骤。
在所述最终答案不满足所述用户的意图需求时，本发明实施例返回执行所述接收用户在客户端输入的问题的步骤，即在所述客户端中重新接收用户输入的第二次问题，并执行后续的步骤，直至最终输出的问题满足用户的意图需求，以保障问题答案的检索准确率，提高用户的满意度。
若所述最终答案满足所述用户的意图需求，则执行S5、将所述最终答案返回至所述用户。
在所述最终答案满足所述用户的意图需求时，本发明实施例将所述最终答案返回至所述用户，并结束与用户的对话页面。
本发明实施例首先利用问题语义识别模型对用户在客户端输入的问题进行意图识别，得到问题意图，可以判断出所述问题的问题语义，从而提高后续问题答案检索的准确性，并对所述问题意图进行特征提取，得到问题特征，所述问题特征包括问题实体、问题属性以及问题关系，从预构建的问答知识图谱中，分别检索所述问题实体、所述问题属性以及所述问题关系的问题答案，得到问题实体答案、问题属性答案以及问题关系答案，从而可以从多个维度去检索对应的问题答案，进而可以保障返回的问题答***性；其次，本发明实施例将所述问题实体答案、问题属性答案以及问题关系答案中具有相同问题答案作为所述问题的最终答案，并判断所述最终答案是否满足所述用户的意图需求，可以实现多维度的问题检索，提高问题答案的识别准确率，及保障返回至所述用户的答案准确性；进一步地，本发明实施例在所述最终答案不满足所述用户的意图需求时，返回执行所述接收用户在客户端输入的问题的步骤，在所述最终答案满足所述用户的意图需求时，将所述最终答案返回至所述用户，可以保障最终返回的问题答案符合用户的意图需求，保障问题答案检索的准确性。因此，本发明提出的智能问答方法可以提高智能问答的准确性。
如图2所示，是本发明智能问答装置的功能模块图。
本发明所述智能问答装置100可以安装于电子设备中。根据实现的功能，所述智能问答装置可以包括问题特征提取模块101、问题答案检索模块102、最终答案生成模块103以及最终答案判断模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备的处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述问题特征提取模块101，用于接收用户在客户端输入的问题，并利用问题语义识别模型对所述问题进行意图识别，得到问题意图，对所述问题意图进行特征提取，得到问题特征，所述问题特征包括问题实体、问题属性以及问题关系；
所述问题答案检索模块102，用于从预构建的问答知识图谱中，分别检索所述问题实体、所述问题属性以及所述问题关系的问题答案，得到问题实体答案、问题属性答案以及问题关系答案；
所述最终答案生成模块103，用于将所述问题实体答案、问题属性答案以及问题关系答案中具有相同的问题答案作为所述问题的最终答案；
所述最终答案判断模块104，用于判断所述最终答案是否满足所述用户的意图需求，在所述最终答案满足所述用户的意图需求时，将所述最终答案返回至所述用户。
详细地，本发明实施例中所述智能问答装置100中的所述各模块在使用时采用与上述的图1中所述的智能问答方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明实现智能问答方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如智能问答程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行智能问答程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如智能问答程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12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。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备1之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的智能问答程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
接收用户在客户端输入的问题，并利用问题语义识别模型对所述问题进行意图识别，得到问题意图，对所述问题意图进行特征提取，得到问题特征，所述问题特征包括问题实体、问题属性以及问题关系；
从预构建的问答知识图谱中，分别检索所述问题实体、所述问题属性以及所述问题关系的问题答案，得到问题实体答案、问题属性答案以及问题关系答案；
将所述问题实体答案、问题属性答案以及问题关系答案中具有相同的问题答案作为所述问题的最终答案；
判断所述最终答案是否满足所述用户的意图需求；
若所述最终答案不满足所述用户的意图需求，则返回执行所述接收用户在客户端输入的问题的步骤；
若所述最终答案满足所述用户的意图需求，则将所述最终答案返回至所述用户。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备1的处理器所执行时，可以实现：
接收用户在客户端输入的问题，并利用问题语义识别模型对所述问题进行意图识别，得到问题意图，对所述问题意图进行特征提取，得到问题特征，所述问题特征包括问题实体、问题属性以及问题关系；
从预构建的问答知识图谱中，分别检索所述问题实体、所述问题属性以及所述问题关系的问题答案，得到问题实体答案、问题属性答案以及问题关系答案；
将所述问题实体答案、问题属性答案以及问题关系答案中具有相同的问题答案作为所述问题的最终答案；
判断所述最终答案是否满足所述用户的意图需求；
若所述最终答案不满足所述用户的意图需求，则返回执行所述接收用户在客户端输入的问题的步骤；
若所述最终答案满足所述用户的意图需求，则将所述最终答案返回至所述用户。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种智能问答方法，其特征在于，所述方法包括：
接收用户在客户端输入的问题，并利用问题语义识别模型中的分类网络对所述问题进行分类，得到分类问题，通过语义识别网络中的输入门计算所述分类问题的状态值，及通过遗忘门计算所述分类问题的激活值，根据所述状态值和激活值计算所述分类问题的状态更新值，利用所述语义识别网络中的输出门计算所述状态更新值的语义序列，得到所述分类问题的问题意图，对所述问题意图进行特征提取，得到问题特征，所述问题特征包括问题实体、问题属性以及问题关系，所述问题关系包括问题实体和问题实体之间的关系、问题实体与问题属性之间的关系以及问题属性与问题属性之间的关系；
获取所述问题实体的实体字段、所述问题属性的属性字段以及所述问题关系的关系字段，分别计算所述实体字段、属性字段以及关系字段与问答知识库中实体、属性以及关系的字段匹配值，若所述字段匹配值大于预设匹配值，则字段匹配成功，利用查询语句查询字段匹配成功的所述问答知识库中实体、属性以及关系的问题对应答案，得到问题实体答案、问题属性答案以及问题关系答案；
将所述问题实体答案、问题属性答案以及问题关系答案中具有相同的问题答案作为所述问题的最终答案；
判断所述最终答案是否满足所述用户的意图需求；
若所述最终答案不满足所述用户的意图需求，则返回执行所述接收用户在客户端输入的问题的步骤；
若所述最终答案满足所述用户的意图需求，则将所述最终答案返回至所述用户。
2.如权利要求1所述的智能问答方法，其特征在于，所述利用问题语义识别模型中的分类网络对所述问题进行分类，得到分类问题，包括：
利用所述分类网络中的卷积层对所述问题进行卷积，得到卷积问题；
利用所述分类网络中的池化层对所述卷积问题进行降维，得到降维问题；
利用所述分类网络中的全连接层计算所述降维问题的分类概率值；
根据所述分类概率值，利用所述分类网络中的输出层输出所述问题的类别，得到分类问题。
3.如权利要求1所述的智能问答方法，其特征在于，所述对所述问题意图进行特征提取，得到问题特征，包括：
对所述问题意图进行分词，得到问题词语，利用命名识别工具提取所述问题词语中的问题实体和问题属性；
识别所述问题实体之间的实体关系、问题实体与问题属性之间的实体-属性关系以及问题属性之间的属性关系；
根据所述实体关系、实体-属性关系以及属性关系，生成问题关系；
根据所述问题实体、所述问题属性以及所述问题关系，得到问题特征。
4.如权利要求1所述的智能问答方法，其特征在于，该智能问答方法还包括：
若所述字段匹配值不大于预设匹配值，则字段匹配失败。
5.一种智能问答装置，其特征在于，所述装置包括：
问题特征提取模块，用于接收用户在客户端输入的问题，并利用问题语义识别模型中的分类网络对所述问题进行分类，得到分类问题，通过语义识别网络中的输入门计算所述分类问题的状态值，及通过遗忘门计算所述分类问题的激活值，根据所述状态值和激活值计算所述分类问题的状态更新值，利用所述语义识别网络中的输出门计算所述状态更新值的语义序列，得到所述分类问题的问题意图，对所述问题意图进行特征提取，得到问题特征，所述问题特征包括问题实体、问题属性以及问题关系，所述问题关系包括问题实体和问题实体之间的关系、问题实体与问题属性之间的关系以及问题属性与问题属性之间的关系；
问题答案检索模块，用于获取所述问题实体的实体字段、所述问题属性的属性字段以及所述问题关系的关系字段，分别计算所述实体字段、属性字段以及关系字段与问答知识库中实体、属性以及关系的字段匹配值，若所述字段匹配值大于预设匹配值，则字段匹配成功，利用查询语句查询字段匹配成功的所述问答知识库中实体、属性以及关系的问题对应答案，得到问题实体答案、问题属性答案以及问题关系答案；
最终答案生成模块，用于将所述问题实体答案、问题属性答案以及问题关系答案中具有相同的问题答案作为所述问题的最终答案；
最终答案判断模块，用于判断所述最终答案是否满足所述用户的意图需求；
所述最终答案判断模块，还用于在所述最终答案不满足所述用户的意图需求时，返回执行所述接收用户在客户端输入的问题的步骤；
所述最终答案判断模块，还用于在所述最终答案满足所述用户的意图需求时，将所述最终答案返回至所述用户。
6.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4中任意一项所述的智能问答方法。
7.一种计算机可读存储介质，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如权利要求1至4中任意一项所述的智能问答方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110939243.1A CN113609274B (zh) | 2021-08-16 | 2021-08-16 | 智能问答方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110939243.1A CN113609274B (zh) | 2021-08-16 | 2021-08-16 | 智能问答方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113609274A CN113609274A (zh) | 2021-11-05 |
| CN113609274B true CN113609274B (zh) | 2024-02-09 |
Family
ID=78308677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110939243.1A Active CN113609274B (zh) | 2021-08-16 | 2021-08-16 | 智能问答方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113609274B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107918634A (zh) * | 2017-06-27 | 2018-04-17 | 上海壹账通金融科技有限公司 | 智能问答方法、装置及计算机可读存储介质 |
| CN109492077A (zh) * | 2018-09-29 | 2019-03-19 | 北明智通（北京）科技有限公司 | 基于知识图谱的石化领域问答方法及*** |
| CN109933653A (zh) * | 2019-01-24 | 2019-06-25 | 平安科技（深圳）有限公司 | 问答***的问答查询方法、***及计算机设备 |
| 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 |
| CN111259653A (zh) * | 2020-01-15 | 2020-06-09 | 重庆邮电大学 | 基于实体关系消歧的知识图谱问答方法、***以及终端 |
| CN112445899A (zh) * | 2019-08-29 | 2021-03-05 | 南京大学 | 一种基于神经网络的知识库问答中的属性匹配方法 |
| CN112861648A (zh) * | 2021-01-19 | 2021-05-28 | 平安科技（深圳）有限公司 | 文字识别方法、装置、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11361211B2 (en) * | 2018-06-20 | 2022-06-14 | Accenture Global Solutions Limited | Artificial intelligence (AI) based chatbot creation and communication system |
-
2021
- 2021-08-16 CN CN202110939243.1A patent/CN113609274B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107918634A (zh) * | 2017-06-27 | 2018-04-17 | 上海壹账通金融科技有限公司 | 智能问答方法、装置及计算机可读存储介质 |
| CN109492077A (zh) * | 2018-09-29 | 2019-03-19 | 北明智通（北京）科技有限公司 | 基于知识图谱的石化领域问答方法及*** |
| CN109933653A (zh) * | 2019-01-24 | 2019-06-25 | 平安科技（深圳）有限公司 | 问答***的问答查询方法、***及计算机设备 |
| CN112445899A (zh) * | 2019-08-29 | 2021-03-05 | 南京大学 | 一种基于神经网络的知识库问答中的属性匹配方法 |
| 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 |
| CN111259653A (zh) * | 2020-01-15 | 2020-06-09 | 重庆邮电大学 | 基于实体关系消歧的知识图谱问答方法、***以及终端 |
| CN112861648A (zh) * | 2021-01-19 | 2021-05-28 | 平安科技（深圳）有限公司 | 文字识别方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113609274A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8577938B2 (en) | Data mapping acceleration | |
| CN113095076B (zh) | 敏感词识别方法、装置、电子设备及存储介质 | |
| CN113312461A (zh) | 基于自然语言处理的智能问答方法、装置、设备及介质 | |
| CN111782763A (zh) | 基于语音语义的信息检索方法、及其相关设备 | |
| CN114090755B (zh) | 基于知识图谱的回复语句确定方法、装置及电子设备 | |
| CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN113887941B (zh) | 业务流程生成方法、装置、电子设备及介质 | |
| CN110675238A (zh) | 客户标签配置方法、***、可读存储介质及电子设备 | |
| CN113821602B (zh) | 基于图文聊天记录的自动答疑方法、装置、设备及介质 | |
| CN116362684A (zh) | 一种基于图书馆集群的图书管理方法、装置、设备及存储介质 | |
| CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
| WO2023272862A1 (zh) | 基于网络行为数据的风控识别方法、装置、电子设备及介质 | |
| CN113918718A (zh) | 基于人工智能的车险用户分类方法、装置、设备及介质 | |
| CN115099680B (zh) | 风险管理方法、装置、设备及存储介质 | |
| CN113609274B (zh) | 智能问答方法、装置、电子设备及存储介质 | |
| CN116861060A (zh) | 一种私域电商数据搜索方法、装置、设备及存储介质 | |
| CN116628162A (zh) | 语义问答方法、装置、设备及存储介质 | |
| CN116741358A (zh) | 问诊挂号推荐方法、装置、设备及存储介质 | |
| CN115525739A (zh) | 供应链金融智能查重方法、装置、设备及介质 | |
| CN114610854A (zh) | 智能问答方法、装置、设备及存储介质 | |
| CN113723114A (zh) | 基于多意图识别的语义分析方法、装置、设备及存储介质 | |
| CN114781833B (zh) | 基于业务人员的能力测评方法、装置、设备及存储介质 | |
| CN114723488B (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
| CN116701680A (zh) | 基于文本与图像之间的智能匹配方法、装置及设备 | |
| CN114239595A (zh) | 回访名单智能生成方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |