CN113806475A - 信息回复方法、装置、电子设备和存储介质 - Google Patents

信息回复方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113806475A
CN113806475A CN202110419128.1A CN202110419128A CN113806475A CN 113806475 A CN113806475 A CN 113806475A CN 202110419128 A CN202110419128 A CN 202110419128A CN 113806475 A CN113806475 A CN 113806475A
Authority
CN
China
Prior art keywords
replied
named entity
question
information
reply
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
Application number
CN202110419128.1A
Other languages
English (en)
Other versions
CN113806475B (zh
Inventor
闫慧丽
顾松庠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingdong Technology Holding Co Ltd
Original Assignee
Jingdong Technology Holding Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jingdong Technology Holding Co Ltd filed Critical Jingdong Technology Holding Co Ltd
Priority to CN202110419128.1A priority Critical patent/CN113806475B/zh
Publication of CN113806475A publication Critical patent/CN113806475A/zh
Application granted granted Critical
Publication of CN113806475B publication Critical patent/CN113806475B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/33—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
    • 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
    • G06F16/3346—Query execution using probabilistic model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • 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
    • G06F40/295—Named entity recognition
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提出一种信息回复方法、装置、电子设备和存储介质，其中，包括：获取待回复的问题，将待回复问题与预设的各个问题之间的相似度与预设相似度阈值比较，并确定待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值的情况下，对待回复问题进行命名实体识别，以得到待回复问题的命名实体识别结果，根据命名实体识别结果，确定待回复问题的回复信息并输出回复信息。由此，在接收到的待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值，通过对待回复问题进行命名实体识别，并根据待回复问题的命名实体识别结果，确定待回复问题的回复信息，实现了对待回复问题的回复，提高了人机交互体验。

Description

信息回复方法、装置、电子设备和存储介质
技术领域
本申请涉及计算机领域，尤其涉及信息回复方法、装置、电子设备和存储介质。
背景技术
相关技术中，目前垂直领域聊天机器人的智能客服***中，在与智能客服***进行交互的过程中，在用户向智能客服***输入问题信息后，在确定出知识库中不存在与该技术问题相近的问题时，通常智能客服***直接输出澄清话述。这种仅给出澄清话述的交互方式过于简单，影响了用户的人机交互体验。
发明内容
本申请提出了一种信息回复方法、装置、电子设备和存储介质。
本申请一方面实施例提出了一种信息回复方法，包括：获取待回复问题；在所述待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值的情况下，对所述待回复问题进行命名实体识别，以得到所述待回复问题的命名实体识别结果；根据所述命名实体识别结果，确定所述待回复问题的回复信息；输出所述回复信息。
在本申请的一个实施例中，所述对所述待回复问题进行命名实体识别，以得到所述待回复问题的命名实体识别结果，包括：将所述待回复问题输入到预先训练好的命名实体识别模型，以得到所述待回复问题的命名实体识别结果。
在本申请的一个实施例中，所述命名识别模型包括依次连接的语义表示层、条件随机场层和全连接层，所述将所述待回复问题输入到预先训练好的命名实体识别模型，以得到所述待回复问题的命名实体识别结果，包括：将所述待回复问题输入到所述语义表示层中，以得到所述待回复问题的语义表示特征；将所述语义表示特征输入到所述条件随机场层，以得到所述待回复问题中各个分词对应命名实体类别的概率；将各个分词对应命名实体类别的概率输入到全连接层，以得到所述待回复问题对应的命名实体识别结果。
在本申请的一个实施例中，在所述根据所述命名实体识别结果，确定所述待回复问题的回复信息之前，所述方法包括：根据所述命名实体识别结果，确定命名实体类别的类别数量；在所述类别数量为一个的情况下，根据所述命名实体类别对应的文本信息，生成对应的反问语句信息，并将所述反问语句信息作为所述待回复问题的回复信息。
在本申请的一个实施例中，所述方法还包括：在所述类别数量为多个的情况下，对所述待回复问题进行拆解，以将所述待回复问题拆解为多个语句；针对每个语句，确定所述语句的命名实体类别，并根据所述命名实体类别对应的文本信息，生成所述语句对应的反问语句信息；根据各个所述语句对应的反问语句信息，生成所述待回复问题的回复信息。
在本申请的一个实施例中，所述根据所述命名实体类别对应的文本信息，生成对应的反问语句信息，包括：在所述命名实体类别为操作词的情况下，判断所述操作词的数量是否为多个；如果所述操作词的数量为多个，则根据各个所述操作词对应的文本信息，生成对应的反问语句信息。
在本申请的一个实施例中，所述方法还包括：如果所述操作词的数量为一个，则获取所述操作词对应的文本信息；获取与所述文本信息对应的实体词信息；根据所述实体词信息，生成对应的反问语句信息。
在本申请的一个实施例中，所述获取与所述文本信息对应的实体词信息，包括：获取所述待回复问题所对应的业务信息；获取所述业务信息对应的实体词信息集合；从所述实体词信息集合中，获取与所述文本信息对应的实体词信息。
本申请实施例信息回复方法，在所接收到的待回复问题的回复信息的过程中，将待回复问题与预设的各个问题之间的相似度与预设相似度阈值进行比较，并在确定待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值的情况下，对所述待回复问题进行命名实体识别，以得到所述待回复问题的命名实体识别结果，根据所述命名实体识别结果，确定所述待回复问题的回复信息并输出所述回复信息。由此，在所述接收到的待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值，通过对所述待回复问题进行命名实体识别，并根据待回复问题的命名实体识别结果，确定待回复问题的回复信息。由此，结合待回复问题的命名实体识别结果，实现了对待回复问题的回复，提高了人机交互体验。
本申请另一方面实施例提出了一种信息回复装置，包括：获取模块，用于获取待回复问题；命名实体识别模块，用于在所述待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值的情况下，对所述待回复问题进行命名实体识别，以得到所述待回复问题的命名实体识别结果；第一确定模块，用于根据所述命名实体识别结果，确定所述待回复问题的回复信息；输出模块，用于输出所述回复信息。
在本申请的一个实施例中，所述命名实体识别模块，包括：命名实体识别单元，用于将所述待回复问题输入到预先训练好的命名实体识别模型，以得到所述待回复问题的命名实体识别结果。
在本申请的一个实施例中，所述命名识别模型包括依次连接的语义表示层、条件随机场层和全连接层，所述命名实体识别单元，具体用于：将所述待回复问题输入到所述语义表示层中，以得到所述待回复问题的语义表示特征；将所述语义表示特征输入到所述条件随机场层，以得到所述待回复问题中各个分词对应命名实体类别的概率；将各个分词对应命名实体类别的概率输入到全连接层，以得到所述待回复问题对应的命名实体识别结果。
在本申请的一个实施例中，所述装置包括：第二确定模块，用于根据所述命名实体识别结果，确定命名实体类别的类别数量；第一回复确定模块，用于在所述类别数量为一个的情况下，根据所述命名实体类别对应的文本信息，生成对应的反问语句信息，并将所述反问语句信息作为所述待回复问题的回复信息。
在本申请的一个实施例中，所述装置还包括：拆解模块，用于在所述类别数量为多个的情况下，对所述待回复问题进行拆解，以将所述待回复问题拆解为多个语句；第一反问语句确定模块，用于针对每个语句，确定所述语句的命名实体类别，并根据所述命名实体类别对应的文本信息，生成所述语句对应的反问语句信息；第二回复确定模块，用于根据各个所述语句对应的反问语句信息，生成所述待回复问题的回复信息。
在本申请的一个实施例中，所述第一反问语句确定模块，具体用于：在所述命名实体类别为操作词的情况下，判断所述操作词的数量是否为多个；如果所述操作词的数量为多个，则根据各个所述操作词对应的文本信息，生成对应的反问语句信息。
在本申请的一个实施例中，所述装置还包括：第二反问语句确定模块，用于如果所述操作词的数量为一个，则获取所述操作词对应的文本信息；获取与所述文本信息对应的实体词信息；根据所述实体词信息，生成对应的反问语句信息。
在本申请的一个实施例中，所述第二反问语句确定模块，具体用于：获取所述待回复问题所对应的业务信息；获取所述业务信息对应的实体词信息集合；从所述实体词信息集合中，获取与所述文本信息对应的实体词信息。
本申请实施例信息回复装置，在所所接收到的待回复问题的回复信息的过程中，将待回复问题与预设的各个问题之间的相似度与预设相似度阈值进行比较，并在确定待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值的情况下，对所述待回复问题进行命名实体识别，以得到所述待回复问题的命名实体识别结果，根据所述命名实体识别结果，确定所述待回复问题的回复信息并输出所述回复信息。由此，在所述接收到的待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值，通过对所述待回复问题进行命名实体识别，并根据待回复问题的命名实体识别结果，确定待回复问题的回复信息。由此，结合待回复问题的命名实体识别结果，实现了对待回复问题的回复，提高了人机交互体验。
本申请另一方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当所述处理器执行所述程序时实现本申请实施例中的信息回复方法。
本申请另一方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，当该程序被处理器执行时本申请实施例中的信息回复方法。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例所提供的一种信息回复方法的流程示意图。
图2是本申请实施例所提供的另一种信息回复方法的流程示意图。
图3是本申请实施例所提供的一种信息回复方法的细化流程图。
图4是本申请一个实施例的信息回复装置的结构示意图。
图5是根据本申请另一个实施例信息回复装置的结构示意图。
图6是根据本申请一个实施例的电子设备的框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本申请实施例的信息回复方法、装置和电子设备。
图1是本申请实施例所提供的一种信息回复方法的流程示意图。其中，需要说明的是，本实施例提供的信息回复方法的执行主体为信息回复装置，该信息回复装置可以由软件和/或硬件的方式实现，该实施例中的信息回复装置可以配置电子设备中，本实施例中的电子设备可以包括终端设备和服务器等设备，该实施例对电子设备不作具体限定。
图1是本申请实施例所提供的一种信息回复方法的流程示意图。
如图1所示，该信息回复方法可以包括：
步骤101，获取待回复问题。
具体的，本申请中接收到的待回复问题指的都是用户提出的问题。
步骤102，在待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值的情况下，对待回复问题进行命名实体识别，以得到待回复问题的命名实体识别结果。
在本实施例中，在获取到待回复问题后，可将问题与知识库中的各个问题进行匹配，以得到该问题与各个问题之间的相似度。
在本实施例中，在确定出该待回复问题与预设的各个问题之间的相似度，可判断该待回复问题与预设的各个问题之间的相似度是否小于预设相似度阈值，如果均小于相似阈值，此时，可根据预设的方式，对接收到的待回复问题进行命名实体识别，以得到待回复问题的命名实体识别结果。
在一些实施例中，可通过预设的命名实体识别规则，对接收到的待回复问题进行命名实体识别，以得到待回复问题的命名实体识别结果。
具体的，举个简单的例子，在句子“小张早上8点去学校上课。”中，对其进行命名实体识别，应该能提取信息，人名：小张，时间：早上8点，地点：学校。
其中，命名实体识别(Named Entity Recognition，简称NER)是信息提取、问答***、句法分析、机器翻译等应用领域的重要基础工具，在自然语言处理技术走向实用化的过程中占有重要地位。一般来说，命名实体识别的任务就是识别出待处理文本中三大类(实体类、时间类和数字类)、七小类(人名、机构名、地名、时间、日期、货币和百分比)命名实体。
步骤103，根据命名实体识别结果，确定待回复问题的回复信息。
步骤104，输出回复信息。
在一些实施例中，智能机器可交互界面上显示回复信息。在一些实施例中，智能机器可通过语音播放的方式输出回复信息。在另一些实施例中，智能机器还可以通过交互界面以及语音播放的方式同时输出回复信息。智能机器输出回复信息不限于此，该实施例对输出回复信息的方式不作具体限定。
本申请实施例信息回复方法，在所接收到的待回复问题的回复信息的过程中，将待回复问题与预设的各个问题之间的相似度与预设相似度阈值进行比较，并在确定待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值的情况下，对待回复问题进行命名实体识别，以得到待回复问题的命名实体识别结果，根据命名实体识别结果，确定待回复问题的回复信息并输出回复信息。由此，在接收到的待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值，通过对待回复问题进行命名实体识别，并根据待回复问题的命名实体识别结果，确定待回复问题的回复信息。由此，结合待回复问题的命名实体识别结果，实现了对待回复问题的回复，提高了人机交互体验。
图2是本申请实施例所提供的另一种信息回复方法的流程示意图。
如图2所示，该方法可以包括：
步骤201，获取待回复问题。
步骤202，在待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值的情况下，将待回复问题输入到预先训练好的命名实体识别模型，以得到待回复问题的命名实体识别结果。
在本申请的一些实施例中，为了通过命名识别模型准确确定出待回复问题的命名实体识别结果，本实施例中的命名识别模型可以包括依次连接的语义表示层、条件随机场层和全连接层，将待回复问题输入到预先训练好的命名实体识别模型，以得到待回复问题的命名实体识别结果的一种可能实现方式为：将待回复问题输入到语义表示层中，以得到待回复问题的语义表示特征；将语义表示特征输入到条件随机场层，以得到待回复问题中各个分词对应命名实体类别的概率；将各个分词对应命名实体类别的概率输入到全连接层，以得到待回复问题对应的命名实体识别结果。
在本实施例中，为了可通过命名实体识别模型准确确定出待回复问题的命名实体识别结果，可结合训练数据对命名实体识别模型进行训练。其中，训练命名识别模型的示例性实施方式为：获取训练数据，其中，训练数据包括样本问题以及样本问题的命名实体识别标注数据，可将样本问题输入到语义表示模型中，以得到样本问题的语义表示特征，将语义表示特征输入到条件随机场层，以得到待回复问题中各个分词对应命名实体类别的概率，将各个分词对应命名实体类别的概率输入到全连接层，以得到待回复问题对应的命名实体识别结果，根据命名实体识别结果和命名实体识别标注数据，对命名实体识别模型中的条件随机场层以及全连接层的参数进行调整，直至命名实体模型满足预设条件，以得到训练后的命名实体识别模型。在一些实施例中，为了可准确表示出待回复问的语义特征，上述语义表示层可以为预训练语言模型。作为一种示例性的实施方式，上述预训练语言模型可以为BERT(Bidirectional Encoder Representations from Transformers)模型，或者，增强语义表示模型ERNIE(Enhanced Language Representation with InformativeEntities)。
其中，BERT模型是利用transformer的架构，在大规模的无标注语料上，进行无监督学习预训练而学习到的预训练语言模型；BERT模型的目标是利用大规模无标注语料训练、获得文本的包含丰富语义信息的Representation[即：文本的语义表示]。对然后将文本的语义表示在特定自然语言处理(Natural Language Processing)NLP任务中作微调，最终应用于该NLP任务。BERT训练过程简介：BERT同时也要经过预训练。它的权重预先通过两个无监督任务学习到。这两个任务是：遮蔽语言模型(masked language model，MLM)和下句一句预测(next sentence prediction)。BERT应用方式简介:对于每个新任务，BERT不需要从头开始训练。相反，只要在预训练的权重上进行微调(fine-tuning)就行。
在一些实施例中，上述条件随机场层可以为条件随机场模型。条件随机场CRF(conditional random fields)是一种种鉴别式机率模型，是随机场的一种，常用于标注或分析序列资料，它是条件概率分布模型P(Y|X)，表示的是给定一组输入随机变量X的条件下另一组输出随机变量Y的马尔可夫随机场，也就是说CRF的特点是假设输出随机变量构成马尔可夫随机场。条件随机场可被看作是最大熵马尔可夫模型在标注问题上的推广。
其中，上述全连接层(fully connected layers，FC)在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使用中，全连接层可由卷积操作实现：对前层是全连接的全连接层可以转化为卷积核为1x1的卷积；而前层是卷积层的全连接层可以转化为卷积核为hxw的全局卷积，h和w分别为前层卷积结果的高和宽。
步骤203，根据命名实体识别结果，确定待回复问题的回复信息。
在本申请的一个实施例中，为了可以准确确定出待回复问题的回复信息，上述根据命名实体识别结果，确定待回复问题的回复信息的一种可能实现方式为：根据命名实体识别结果，确定命名实体类别的类别数量；在类别数量为一个的情况下，根据命名实体类别对应的文本信息，生成对应的反问语句信息，并将反问语句信息作为待回复问题的回复信息。
在一些实施例中，在类别数量为多个的情况下，对待回复问题进行拆解，以将待回复问题拆解为多个语句；针对每个语句，确定语句的命名实体类别，并根据命名实体类别对应的文本信息，生成语句对应的反问语句信息；根据各个语句对应的反问语句信息，生成待回复问题的回复信息。
在本申请的一些实施例中，在名识别类别为实体词类型的情况下，可根据实体词对应的文本信息，生成对应的反问语句信息。
例如，在确定待回复问题的命名实体类别为实体词类别，并且，该实体词类型对应的“白条”的情况下，根据实体词类型对应的文本信息，所生成的反问语句信息可以为“请问，您想咨询白条的什么问题？”。
又例如，待回复问题为“我今天这个白条，什么的，金条怎么？”，通过命名实体识别可确定该待回复问题中的密码实体类别为实体词类别，并且，实体词类别对应的文本信息为“白条”、以及“金条”，根据实体词类型对应的文本信息，所生成的反问语句信息可以为“：请问，您想咨询白条，金条的哪个问题呢？”。
另一些实施例中，在上述命名实体类型为属性词类别的情况下，可根据属性词类别对应的文本信息，生成对应的反问语句信息。
例如，在确定待回复问题的命名实体类别为属性词类别，并且，该属性词对应的“额度”的情况下，根据属性词类型对应的文本信息，所生成的反问语句信息可以为“请问，您想了解什么业务的额度问题呢？”。
又例如，待回复问题为“额度、余额多少”，通过对该待回复问题进行命名实体识别，确定待回复问题的命名实体类型为属性词类别，并且有两个属性词，分别为“额度”以及“余额”，此时，根据属性词类别对应的文本信息，所生成的反问语句信息为“请问，您想了解额度、余额中的哪个问题呢”。
在另一些实施例中，在命名实体类别为操作词的情况下，判断操作词的数量是否为多个；如果操作词的数量为多个，则根据各个操作词对应的文本信息，生成对应的反问语句信息。
例如，在确定待回复问题的命名实体类别为操作词时，并且，该操作词对应的“怎么开通，怎么激活，怎么查询”的情况下，根据操作词类型对应的文本信息，所生成的反问语句信息可以为“请问，您想了解怎么开通，怎么激活，怎么查询的哪个问题呢？”。
在另一些实施例中，如果操作词的数量为一个，则获取操作词对应的文本信息，获取与文本信息对应的实体词信息，根据实体词信息，生成对应的反问语句信息。
例如，在确定待回复问题的命名实体类别为操作词时，并且，该操作词对应的“怎么开通”的情况下，根据操作词类型对应的文本信息，所生成的反问语句信息可以为“请问，您想了解普通白条，金条，小金库中的哪个开通问题呢？”。
可以理解的是，在不同应用场景中，上述获取与文本信息对应的实体词信息的方式不同，举例说明如下：
作为一种示例性的实施方式，可根据预先保存的操作词对应的文本信息与实体词信息之间的对应关系，获取与该文本信息对应的实体词信息。
其中，需要说明的是，该对应关系中的操作词对应文本信息与实体词信息是通过命名实体识别模型识别出来的。具体地，可统计出各个操作词所对应的多个实体词，并建立操作词与实体词之间的对应关系。
作为另一种示例性的实施方式，为了可以快速且准确确定出对应文本信息所对应的实体词信息，获取与文本信息对应的实体词信息的一种可能实现方式为：获取对应的业务信息，获取业务信息对应的实体词信息集合，从实体词信息集合中，获取与文本信息对应的实体词信息。
其中，上述业务信息可以包括业务名称信息和/或业务标识信息等，该实施例对此不作具体限定。
步骤204，输出回复信息。
本申请实施例信息回复方法，在所接收到的待回复问题的回复信息的过程中，将待回复问题与预设的各个问题之间的相似度与预设相似度阈值进行比较，并在确定待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值的情况下，对待回复问题进行命名实体识别，以得到待回复问题的命名实体识别结果，根据命名实体识别结果，确定待回复问题的回复信息并输出回复信息。由此，在接收到的待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值，通过对待回复问题进行命名实体识别，并根据待回复问题的命名实体识别结果，确定待回复问题的回复信息。由此，结合待回复问题的命名实体识别结果，实现了对待回复问题的回复，提高了人机交互体验。
为了使得本领域的技术人员可以清楚了解本申请的技术方案，下面结合图3对该实施例的技术方案进行进一步描述，需要说明的是，图3中的subj表示实体词,pred表示操作词,prop表示属性词。
具体地，步骤301，在用户输入查询词(query)之后，可将查询词作为待回复问题。对应地，可通过命名实体识别模型对查询词进行命名实体识别模型，以得到待回复问题的命名实体识别结果。
对应地，步骤302，判断命名实体识别结果中有几种类别。其中，本实施例中以三种类别为例，分别为实体词类别、操作词类别以及属性词类别。也就是说，判断命名实体识别结果中几种类别。
步骤303，判断命名实体识别结果中的类别，判断是否为多句话，如果否，则输出澄清话术；若为多句话则进行拆句分解，按句分解为多个单要素列表。
步骤304在命名实体识别结果中包括一种类别的情况下，可根据三种类别中的那种一种进行单要素范围：
步骤305，命名实体识别的类别数量若只含有一个subj，则反问“请问，您想咨询subj的什么问题呢？”；若含有>＝2个以上subj，则反问“请问，您想咨询subj1,subj2,subj3...的哪个问题呢？”
步骤306，若只含有一个prop,则反问“请问，您想了解什么业务的prop呢？”；若含有>＝2个以上prop，则反问“请问，您想prop1,prop2,prop3…的哪个问题呢？”
步骤307，若只含有一个pred,则根据pred进行实体反问列表返回；若含有>＝2个以上pred,则反问“请问，您想咨询pred1,pred2,pred3…的哪个问题呢？”
在一些实施例中，在命名实体识别结果中包括多种类型的情况下，可采用多要素处理逻辑，按符号进行断句，每句进行单要素处理逻辑处理。
反问后逻辑处理的一种示例性过程如下：进行反问逻辑之前会在redis中开辟三个槽位：subj,pred,prop，初始都是为空，若只含有一个subj，则反问“请问，您想咨询subj的什么问题呢？”。在用户输入query后，模型识别到subj后，就将该subj填入了subj槽位，用户回答问题后，会根据用户回答的问题进行要素NER识别，识别到pred或者prop,都填入相应的槽位，进行问题拼接再次触发应答逻辑，直到切换领域词后，则所有槽位清零。若含有>＝2个以上subj，则反问“请问，您想咨询subj1,subj2,subj3...的哪个问题呢？”。用户回答subj的，填入subj对应的槽位，走单要素反问逻辑，询问继续填槽，直到找到faq回答。
其中，redis全称为：Remote Dictionary Server(远程数据服务)，是一个基于内存的高性能key-value数据库。faq是Frequently Asked Questions的缩写，即“常问问题”。
本申请实施例信息回复方法，在所接收到的待回复问题的回复信息的过程中，将待回复问题与预设的各个问题之间的相似度与预设相似度阈值进行比较，并在确定待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值的情况下，通过预先训练的命名实体识别模型对待回复问题进行命名识别，以得到待回复问题的命名实体识别结果，根据命名实体识别结果，确定待回复问题的回复信息并输出回复信息。由此，在接收到的待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值，通过对待回复问题进行命名实体识别，并根据待回复问题的命名实体识别结果，确定待回复问题的回复信息。由此，结合待回复问题的命名实体识别结果，实现了对待回复问题的回复，提高了人机交互体验。
图4是本申请一个实施例的信息回复装置的结构示意图
如图4所示，该信息回复装置400包括：
获取模块401，用于获取待回复问题。
命名实体识别模块402，用于在待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值的情况下，对待回复问题进行命名实体识别，以得到待回复问题的命名实体识别结果。
第一确定模块403，用于根据命名实体识别结果，确定待回复问题的回复信息。
输出模块404，用于输出回复信息。
本申请实施例信息回复装置，在所接收到的待回复问题的回复信息的过程中，将待回复问题与预设的各个问题之间的相似度与预设相似度阈值进行比较，并在确定待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值的情况下，对待回复问题进行命名实体识别，以得到待回复问题的命名实体识别结果，根据命名实体识别结果，确定待回复问题的回复信息并输出回复信息。由此，在接收到的待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值，通过对待回复问题进行命名实体识别，并根据待回复问题的命名实体识别结果，确定待回复问题的回复信息。由此，结合待回复问题的命名实体识别结果，实现了对待回复问题的回复，提高了人机交互体验。
在本申请的一个实施例中，如图5，所述命名实体识别模块402，可以包括：
命名实体识别单元4021，用于将待回复问题输入到预先训练好的命名实体识别模型以得到所述待回复问题的命名实体识别结果。
在本申请的一个实施例中，上述命名识别模型可以包括依次连接的语义表示层、条件随机场层和全连接层，上述命名实体识别单元4021，具体用于：
将待回复问题输入到语义表示层中，以得到待回复问题的语义表示特征；
将语义表示特征输入到条件随机场层，以得到待回复问题中各个分词对应命名实体类别的概率；
将各个分词对应命名实体类别的概率输入到全连接层，以得到待回复问题对应的命名实体识别结果。
在本申请的一个实施例中，如图5所示，该装置还可以包括：
第二确定模块405，用于根据命名实体识别结果，确定命名实体类别的类别数量。
第一回复确定模块406，用于在类别数量为一个的情况下，根据命名实体类别对应的文本信息，生成对应的反问语句信息，并将反问语句信息作为待回复问题的回复信息。
拆解模块407，用于在类别数量为多个的情况下，对待回复问题进行拆解，以将待回复问题拆解为多个语句。
第一反问语句确定模块408，用于针对每个语句，确定所述语句的命名实体类别，并根据所述命名实体类别对应的文本信息，生成所述语句对应的反问语句信息；
第二回复确定模块409，用于根据各个语句对应的反问语句信息，生成待回复问题的回复信息。
在本申请的一个实施例中，上述所述第一反问语句确定模块408，具体用于：在命名实体类别为操作词的情况下，判断操作词的数量是否为多个，如果操作词的数量为多个，则根据各个操作词对应的文本信息，生成对应的反问语句信息。
在本申请的一个实施例中，如图5所示，该装置还可以包括：
第二反问语句确定模块410，用于如果所述操作词的数量为一个，则获取所述操作词对应的文本信息；获取与所述文本信息对应的实体词信息；根据所述实体词信息，生成对应的反问语句信息。
在本申请的一个实施例中，第二反问语句确定模块410，具体用于：获取所述待回复问题所对应的业务信息；获取所述业务信息对应的实体词信息集合；从所述实体词信息集合中，获取与所述文本信息对应的实体词信息。
本申请实施例信息回复装置，在所接收到的待回复问题的回复信息的过程中，将待回复问题与预设的各个问题之间的相似度与预设相似度阈值进行比较，并在确定待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值的情况下，对待回复问题进行命名实体识别，以得到待回复问题的命名实体识别结果，根据命名实体识别结果，确定待回复问题的回复信息并输出回复信息。由此，在接收到的待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值，通过对待回复问题进行命名实体识别，并根据待回复问题的命名实体识别结果，确定待回复问题的回复信息。由此，结合待回复问题的命名实体识别结果，实现了对待回复问题的回复，提高了人机交互体验。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请一个实施例的电子设备的框图。
如图6所示，该电子设备该电子设备包括：
存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机指令。
处理器602执行指令时实现上述实施例中提供的信息回复方法。
进一步地，电子设备还包括：
通信接口603，用于存储器601和处理器602之间的通信。
存储器601，用于存放可在处理器602上运行的计算机指令。
存储器601可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器602，用于执行程序时实现上述实施例的信息回复方法。
如果存储器601、处理器602和通信接口603独立实现，则通信接口603、存储器601和处理器602可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器601、处理器602及通信接口603，集成在一块芯片上实现，则存储器601、处理器602及通信接口603可以通过内部接口完成相互间的通信。
处理器602可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (18)

1.一种信息回复方法，其特征在于，所述方法包括：
获取待回复问题；
在所述待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值的情况下，对所述待回复问题进行命名实体识别，以得到所述待回复问题的命名实体识别结果；
根据所述命名实体识别结果，确定所述待回复问题的回复信息；
输出所述回复信息。
2.如权利要求1所述的方法，其特征在于，所述对所述待回复问题进行命名实体识别，以得到所述待回复问题的命名实体识别结果，包括：
将所述待回复问题输入到预先训练好的命名实体识别模型，以得到所述待回复问题的命名实体识别结果。
3.如权利要求2所述的方法，其特征在于，所述命名识别模型包括依次连接的语义表示层、条件随机场层和全连接层，所述将所述待回复问题输入到预先训练好的命名实体识别模型，以得到所述待回复问题的命名实体识别结果，包括：
将所述待回复问题输入到所述语义表示层中，以得到所述待回复问题的语义表示特征；
将所述语义表示特征输入到所述条件随机场层，以得到所述待回复问题中各个分词对应命名实体类别的概率；
将各个分词对应命名实体类别的概率输入到全连接层，以得到所述待回复问题对应的命名实体识别结果。
4.如权利要求1所述的方法，其特征在于，所述根据所述命名实体识别结果，确定所述待回复问题的回复信息，包括：
根据所述命名实体识别结果，确定命名实体类别的类别数量；
在所述类别数量为一个的情况下，根据所述命名实体类别对应的文本信息，生成对应的反问语句信息，并将所述反问语句信息作为所述待回复问题的回复信息。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
在所述类别数量为多个的情况下，对所述待回复问题进行拆解，以将所述待回复问题拆解为多个语句；
针对每个语句，确定所述语句的命名实体类别，并根据所述命名实体类别对应的文本信息，生成所述语句对应的反问语句信息；
根据各个所述语句对应的反问语句信息，生成所述待回复问题的回复信息。
6.如权利要求4所述的方法，其特征在于，所述根据所述命名实体类别对应的文本信息，生成对应的反问语句信息，包括：
在所述命名实体类别为操作词的情况下，判断所述操作词的数量是否为多个；
如果所述操作词的数量为多个，则根据各个所述操作词对应的文本信息，生成对应的反问语句信息。
7.如权利要求6所述的方法，其特征在于，所述方法还包括：
如果所述操作词的数量为一个，则获取所述操作词对应的文本信息；
获取与所述文本信息对应的实体词信息；
根据所述实体词信息，生成对应的反问语句信息。
8.如权利要求7所述的方法，其特征在于，所述获取与所述文本信息对应的实体词信息，包括：
获取所述待回复问题所对应的业务信息；
获取所述业务信息对应的实体词信息集合；
从所述实体词信息集合中，获取与所述文本信息对应的实体词信息。
9.一种信息回复装置，其特征在于，所述装置包括：
获取模块，用于获取待回复问题；
命名实体识别模块，用于在所述待回复问题与预设的各个问题之间的相似度均小于预设相似度阈值的情况下，对所述待回复问题进行命名实体识别，以得到所述待回复问题的命名实体识别结果；
第一确定模块，用于根据所述命名实体识别结果，确定所述待回复问题的回复信息；
输出模块，用于输出所述回复信息。
10.如权利要求9所述的装置，其特征在于，所述命名实体识别模块，包括：
命名实体识别单元，用于将所述待回复问题输入到预先训练好的命名实体识别模型，以得到所述待回复问题的命名实体识别结果。
11.如权利要求10所述的装置，其特征在于，所述命名识别模型包括依次连接的语义表示层、条件随机场层和全连接层，所述命名实体识别单元，具体用于：
将所述待回复问题输入到所述语义表示层中，以得到所述待回复问题的语义表示特征；
将所述语义表示特征输入到所述条件随机场层，以得到所述待回复问题中各个分词对应命名实体类别的概率；
将各个分词对应命名实体类别的概率输入到全连接层，以得到所述待回复问题对应的命名实体识别结果。
12.如权利要求9所述的装置，其特征在于，所述装置包括：
第二确定模块，用于根据所述命名实体识别结果，确定命名实体类别的类别数量；
第一回复确定模块，用于在所述类别数量为一个的情况下，根据所述命名实体类别对应的文本信息，生成对应的反问语句信息，并将所述反问语句信息作为所述待回复问题的回复信息。
13.如权利要求12所述的装置，其特征在于，所述装置还包括：
拆解模块，用于在所述类别数量为多个的情况下，对所述待回复问题进行拆解，以将所述待回复问题拆解为多个语句；
第一反问语句确定模块，用于针对每个语句，确定所述语句的命名实体类别，并根据所述命名实体类别对应的文本信息，生成所述语句对应的反问语句信息；
第二回复确定模块，用于根据各个所述语句对应的反问语句信息，生成所述待回复问题的回复信息。
14.如权利要求12所述的装置，其特征在于，所述第一反问语句确定模块，具体用于：
在所述命名实体类别为操作词的情况下，判断所述操作词的数量是否为多个；
如果所述操作词的数量为多个，则根据各个所述操作词对应的文本信息，生成对应的反问语句信息。
15.如权利要求14所述的装置，其特征在于，所述装置还包括：
第二反问语句确定模块，用于如果所述操作词的数量为一个，则获取所述操作词对应的文本信息；获取与所述文本信息对应的实体词信息；根据所述实体词信息，生成对应的反问语句信息。
16.如权利要求15所述的装置，其特征在于，所述第二反问语句确定模块，具体用于：
获取所述待回复问题所对应的业务信息；
获取所述业务信息对应的实体词信息集合；
从所述实体词信息集合中，获取与所述文本信息对应的实体词信息。
17.一种电子设备，其特征在于，包括：
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的信息回复方法。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的信息回复方法。
CN202110419128.1A 2021-04-19 2021-04-19 信息回复方法、装置、电子设备和存储介质 Active CN113806475B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110419128.1A CN113806475B (zh) 2021-04-19 2021-04-19 信息回复方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110419128.1A CN113806475B (zh) 2021-04-19 2021-04-19 信息回复方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113806475A true CN113806475A (zh) 2021-12-17
CN113806475B CN113806475B (zh) 2024-07-19

Family

ID=78892941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110419128.1A Active CN113806475B (zh) 2021-04-19 2021-04-19 信息回复方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113806475B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115525804A (zh) * 2022-09-23 2022-12-27 中电金信软件有限公司 信息查询方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180158459A1 (en) * 2016-12-06 2018-06-07 Panasonic Intellectual Property Management Co., Ltd. Information processing method, information processing apparatus, and non-transitory recording medium
US20200387530A1 (en) * 2019-06-10 2020-12-10 International Business Machines Corporation Identifying named entities in questions related to structured data
CN112287090A (zh) * 2020-11-23 2021-01-29 深圳季连科技有限公司 一种基于知识图谱的金融问题反问方法及***
US20210081614A1 (en) * 2020-11-09 2021-03-18 The Abstract Operations Company Systems and methods for predicting mappings between named entities and parameters via machine learning techniques

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180158459A1 (en) * 2016-12-06 2018-06-07 Panasonic Intellectual Property Management Co., Ltd. Information processing method, information processing apparatus, and non-transitory recording medium
US20200387530A1 (en) * 2019-06-10 2020-12-10 International Business Machines Corporation Identifying named entities in questions related to structured data
US20210081614A1 (en) * 2020-11-09 2021-03-18 The Abstract Operations Company Systems and methods for predicting mappings between named entities and parameters via machine learning techniques
CN112287090A (zh) * 2020-11-23 2021-01-29 深圳季连科技有限公司 一种基于知识图谱的金融问题反问方法及***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115525804A (zh) * 2022-09-23 2022-12-27 中电金信软件有限公司 信息查询方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN113806475B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
CN117033608B (zh) 一种基于大语言模型的知识图谱生成式问答方法及***
CN110727779A (zh) 基于多模型融合的问答方法及***
US20230069935A1 (en) Dialog system answering method based on sentence paraphrase recognition
CN112052324A (zh) 智能问答的方法、装置和计算机设备
CN113128227A (zh) 实体抽取方法及装置
CN114757176A (zh) 一种获取目标意图识别模型的方法以及意图识别方法
CN111177307A (zh) 一种基于语义理解相似度阀值配置的测试方案及***
CN111414746A (zh) 一种匹配语句确定方法、装置、设备及存储介质
WO2022007723A1 (zh) 语句类型识别方法、装置、电子设备和存储介质
CN113342958A (zh) 问答匹配方法、文本匹配模型的训练方法和相关设备
CN110852071B (zh) 知识点检测方法、装置、设备及可读存储介质
CN112395887A (zh) 对话应答方法、装置、计算机设备和存储介质
CN111708870A (zh) 基于深度神经网络的问答方法、装置及存储介质
CN113806475B (zh) 信息回复方法、装置、电子设备和存储介质
CN111625636B (zh) 一种人机对话的拒绝识别方法、装置、设备、介质
CN111309882B (zh) 用于实现智能客服问答的方法和装置
CN112818096A (zh) 对话生成方法及其装置
CN112632956A (zh) 文本匹配方法、装置、终端和存储介质
CN111639160A (zh) 领域识别的方法、交互的方法、电子设备及存储介质
CN115881108A (zh) 语音识别方法、装置、设备及存储介质
CN112989003B (zh) 意图识别方法、装置、处理设备及介质
CN114676237A (zh) 语句相似度确定方法、装置、计算机设备和存储介质
CN113012685B (zh) 音频识别方法、装置、电子设备及存储介质
CN113449094A (zh) 语料获取方法、装置、电子设备及存储介质
CN112434133A (zh) 一种意图分类方法、装置、智能终端及存储介质

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