CN116881426B - 一种基于aigc的自解释问答*** - Google Patents
一种基于aigc的自解释问答*** Download PDFInfo
- Publication number
- CN116881426B CN116881426B CN202311099961.8A CN202311099961A CN116881426B CN 116881426 B CN116881426 B CN 116881426B CN 202311099961 A CN202311099961 A CN 202311099961A CN 116881426 B CN116881426 B CN 116881426B
- Authority
- CN
- China
- Prior art keywords
- processor
- information
- module
- content
- question
- 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
- 230000002452 interceptive effect Effects 0.000 claims abstract description 5
- 230000000875 corresponding effect Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 8
- 238000012217 deletion Methods 0.000 claims description 8
- 230000037430 deletion Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013138 pruning Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001502 supplementing 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
- 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
- G06F16/338—Presentation of query results
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于AIGC的自解释问答***，包括问题输入模块、信息检索模块、AIGC模块、生成解释模块和用户界面模块，所述问题输入模块用于接收用户的自然语言问题并对问题进行解析，所述信息检索模块用于从数据源中检索与问题相关的信息，所述AIGC模块用于引导***选择合适的推理路径和策略，所述生成解释模块用于生成回答内容和解释内容，所述用户界面模块用于为用户提供交互界面，显示问题的回答和解释；本***能够对问题进行解析推理分析，从数据源中获取信息并重新组织称为回答内容，并能够对回答内容进行解释帮助提问者更好地理解回答。
Description
技术领域
本发明涉及电数字数据处理领域，具体涉及一种基于AIGC的自解释问答***。
背景技术
随着AI技术的发展，人工智能合成内容***也在各个领域中被广泛应用，尤其是在学习领域，AIGC能够帮助使用者更好地进行自学，而其中一个方法是对提出的任意问题进行回答，但现有技术中，回答内容过于直接，不方便使用者深入理解，因此需要一种能够自解释的问答***来使使用者更好地理解回答内容。
背景技术的前述论述仅意图便于理解本发明。此论述并不认可或承认提及的材料中的任一种公共常识的一部分。
现在已经开发出了很多问答***，经过我们大量的检索与参考，发现现有的问答***有如公开号为CN112749265B所公开的***，这些***一般包括：知识库的问答模块KBQA、基于文档集的问答模块DBQA、基于常问问题集的问答模块QuesSimQA、第三方API模块和多元答案验证模块；对于用户的问题，所述KBQA模块、DBQA模块、QuesSimQA模块和第三方API模块分别给出一个答案，再通过多源答案验证模块对各个模块提供的答案进行验证打分排序，将得分最高的答案提交给用户。但该***仍然只是给出答案，并不能帮助使用者理解答案。
发明内容
本发明的目的在于，针对所存在的不足，提出了一种基于AIGC的自解释问答***。
本发明采用如下技术方案：
一种基于AIGC的自解释问答***，包括问题输入模块、信息检索模块、AIGC模块、生成解释模块和用户界面模块；
所述问题输入模块用于接收用户的自然语言问题并对问题进行解析，所述信息检索模块用于从数据源中检索与问题相关的信息，所述AIGC模块用于引导***选择合适的推理路径和策略，所述生成解释模块用于生成回答内容和解释内容，所述用户界面模块用于为用户提供交互界面，显示问题的回答和解释；
所述AIGC模块包括问题类型识别单元、推理路径选择单元和常识推理单元，所述问题类型识别单元根据问题的语义和结构，识别问题的类型，所述推理路径选择单元基于问题类型，选择合适的推理路径和策略，引导***的推理过程，所述常识推理单元使用常识知识和逻辑规则对问题进行推理和解答；
所述生成解释模块包括回答生成单元和解释生成单元，所述回答生成单元基于推理结果和问题类型，生成问题的回答，所述解释生成单元用于生成解释性文本对问题回答进行补充说明；
进一步的，所述问题类型识别单元包括问题词表寄存器和类型计算处理器，所述问题词表寄存器用于每个问题类型对应的关键词以及每个关键词的权重值，所述类型计算处理器用于计算出每个问题类型的判断值并根据判断值确定识别的问题类型，所述类型计算处理器根据下式计算出每个问题类型的判断值Pd：
；
其中，W(i)表示该问题类型对应的第i个关键词权重值，E(i)表示第i个关键词是否存在于提取的关键词中，E(i)=1表示存在，E(i)=0表示不存在；
所述类型计算处理器将判断值最大的问题类型作为识别的结果；
进一步的，所述推理路径选择单元包括问题拆解处理器、关键词填充处理器和基础问题判断处理器，所述问题拆解处理器根据问题类型拆解得到一个以上的子问题框架，所述关键词填充处理器根据关键词的词性将关键词填入对应的子问题框架中，形成完整的子问题，所述基础问题判断处理器用于判断得到的子问题是否为基础问题，若否，则将子问题反馈给所述问题拆解处理器继续处理得到子问题，直至所有的子问题均被判断为基础问题；
进一步的，所述常识推理单元包括基础问题处理器、背景内容寄存器和推理检索处理器，所述基础问题处理器用于识别接收子问题的基础问题类型并向所述推理检索处理器发送对应的检索指令，所述背景内容寄存器用于保存信息抽取单元筛选出的背景内容信息，所述推理检索处理器用于执行所述检索指令从所述背景内容寄存器中检索到对应子问题的答案信息作为知识点信息；
进一步的，所述回答生成单元包括逻辑整理处理器、第一语言流畅处理器和信息删减处理器，所述逻辑整理处理器根据路径信息将知识点信息进行排序，所述第一语言流畅处理器用于重新组织知识点信息，所述信息删减处理器用于在回答内容中保留与问题直接相关的信息；
所述信息删减处理器将直接含有问题信息的内容部分设为一级强关联内容，并根据下式计算出目标信息内容的关联性指数Q：
；
其中，为一级强关联内容的数量，/>为含有目标信息内容的一级强关联内容数量，/>为非一级强关联内容的数量；
当所述关联性指数大于阈值时，对应的目标信息内容被判定为具有强关联性。
本发明所取得的有益效果是：
本***通过将问题进行逻辑拆解得到若干个子问题，对子问题检索答案，并将答案按照逻辑重组，同时，将问题的回答分成回答内容和解释性内容，使得提问者能够更好地理解回答。
为使能更进一步了解本发明的特征及技术内容，请参阅以下有关本发明的详细说明与附图，然而所提供的附图仅用于提供参考与说明，并非用来对本发明加以限制。
附图说明
图1为本发明整体结构框架示意图；
图2为本发明AIGC模块构成示意图；
图3为本发明推理路径选择单元构成示意图；
图4为本发明子问题拆解案例示意图；
图5为本发明常识推理单元构成示意图。
具体实施方式
以下是通过特定的具体实施例来说明本发明的实施方式，本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用，本说明书中的各项细节也可基于不同观点与应用，在不悖离本发明的精神下进行各种修饰与变更。另外，本发明的附图仅为简单示意说明，并非依实际尺寸的描绘，事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容，但所公开的内容并非用以限制本发明的保护范围。
实施例一：本实施例提供了一种基于AIGC的自解释问答***，结合图1，包括问题输入模块、信息检索模块、AIGC模块、生成解释模块和用户界面模块；
所述问题输入模块用于接收用户的自然语言问题并对问题进行解析，所述信息检索模块用于从数据源中检索与问题相关的信息，所述AIGC模块用于引导***选择合适的推理路径和策略，所述生成解释模块用于生成回答内容和解释内容，所述用户界面模块用于为用户提供交互界面，显示问题的回答和解释；
所述AIGC模块包括问题类型识别单元、推理路径选择单元和常识推理单元，所述问题类型识别单元根据问题的语义和结构，识别问题的类型，所述推理路径选择单元基于问题类型，选择合适的推理路径和策略，引导***的推理过程，所述常识推理单元使用常识知识和逻辑规则对问题进行推理和解答；
所述生成解释模块包括回答生成单元和解释生成单元，所述回答生成单元基于推理结果和问题类型，生成问题的回答，所述解释生成单元用于生成解释性文本对问题回答进行补充说明；
所述问题类型识别单元包括问题词表寄存器和类型计算处理器，所述问题词表寄存器用于每个问题类型对应的关键词以及每个关键词的权重值，所述类型计算处理器用于计算出每个问题类型的判断值并根据判断值确定识别的问题类型，所述类型计算处理器根据下式计算出每个问题类型的判断值Pd：
；
其中，W(i)表示该问题类型对应的第i个关键词权重值，E(i)表示第i个关键词是否存在于提取的关键词中，E(i)=1表示存在，E(i)=0表示不存在；
所述类型计算处理器将判断值最大的问题类型作为识别的结果；
所述推理路径选择单元包括问题拆解处理器、关键词填充处理器和基础问题判断处理器，所述问题拆解处理器根据问题类型拆解得到一个以上的子问题框架，所述关键词填充处理器根据关键词的词性将关键词填入对应的子问题框架中，形成完整的子问题，所述基础问题判断处理器用于判断得到的子问题是否为基础问题，若否，则将子问题反馈给所述问题拆解处理器继续处理得到子问题，直至所有的子问题均被判断为基础问题；
所述常识推理单元包括基础问题处理器、背景内容寄存器和推理检索处理器，所述基础问题处理器用于识别接收子问题的基础问题类型并向所述推理检索处理器发送对应的检索指令，所述背景内容寄存器用于保存信息抽取单元筛选出的背景内容信息，所述推理检索处理器用于执行所述检索指令从所述背景内容寄存器中检索到对应子问题的答案信息作为知识点信息；
所述回答生成单元包括逻辑整理处理器、第一语言流畅处理器和信息删减处理器，所述逻辑整理处理器根据路径信息将知识点信息进行排序，所述第一语言流畅处理器用于重新组织知识点信息，所述信息删减处理器用于在回答内容中保留与问题直接相关的信息；
所述信息删减处理器将直接含有问题信息的内容部分设为一级强关联内容，并根据下式计算出目标信息内容的关联性指数Q：
；
其中，为一级强关联内容的数量，/>为含有目标信息内容的一级强关联内容数量，/>为非一级强关联内容的数量；
当所述关联性指数大于阈值时，对应的目标信息内容被判定为具有强关联性。
实施例二：本实施例包含了实施例一中的全部内容，提供了一种基于AIGC的自解释问答***，包括问题输入模块、信息检索模块、AIGC模块、生成解释模块和用户界面模块；
所述问题输入模块用于接收用户的自然语言问题，起到问题解析的作用，为后续模块提供问题信息，所述信息检索模块用于从数据源中检索与问题相关的信息，所述AIGC模块用于引导***选择合适的推理路径和策略，所述生成解释模块用于生成回答内容和解释内容，使得***的回答更具可解释性，所述用户界面模块用于为用户提供友好的交互界面，显示问题的回答和解释，同时允许用户与***进行进一步的交互；
所述问题输入模块包括问题解析单元和事件检测单元，所述问题解析单元用于将用户输入的自然语言问题进行解析，提取问题的关键信息和语义，所述事件检测单元用于触发用户界面模块的问题输入事件；
所述信息检索模块包括数据源检索单元和信息抽取单元，数据源检索单元用于从不同数据源中检索与问题相关的信息，所述信息抽取单元用于从检索得到的数据中抽取出问题所需的信息数据，为后续推理提供背景知识；
结合图2，所述AIGC模块包括问题类型识别单元、推理路径选择单元和常识推理单元，所述问题类型识别单元根据问题的语义和结构，识别问题的类型，为后续推理提供指导，所述推理路径选择单元基于问题类型和上下文，选择合适的推理路径和策略，引导***的推理过程，所述常识推理单元使用常识知识和逻辑规则，对问题进行推理和解答；
所述生成解释模块包括回答生成单元和解释生成单元，所述回答生成单元基于推理结果和问题类型，生成问题的回答，所述解释生成单元生成解释性文本，解释***回答的依据、推理过程和数据来源；
所述用户界面模块包括结果展示单元和用户交互单元，所述结果展示单元将问题的回答和解释性文本以图表、图像或文本形式呈现给用户，所述用户交互单元接收用户的反馈和进一步的提问，支持用户与***的交互操作；
所述***对问题进行自解释回答的过程包括如下步骤：
S1、所述事件检测单元检测到用户界面模块中输入的问题文本，将问题文本发送给所述问题解析模块；
S2、所述问题解析单元根据问题文本获取关键词信息并发送给所述数据源索取单元；
S3、所述数据源索取单元从数据源中检索得到与关键词信息相关的内容；
S4、所述信息抽取单元从检索的内容中筛选出与问题文本有关的背景内容，与关键词信息一并发送给所述AIGC模块；
S5、所述问题类型识别单元根据关键词信息确定问题所属的类型；
S6、所述推理路径选择单元根据问题类型选择对应的推理路径；
S7、所述常识推理单元根据推理路径从所述背景内容中提取对应的知识点信息，将知识点信息发送给所述生成解释模块；
S8、所述回答生成单元对知识点信息进行整理得到回答内容；
S9、所述解释生成单元对知识点信息进行整理得到用于补充回答内容的解释内容；
S10、所述结果展示单元将回答内容和解释内容进行显示呈现；
所述问题类型识别单元包括问题词表寄存器和类型计算处理器，所述问题词表寄存器用于每个问题类型对应的关键词以及每个关键词的权重值，所述类型计算处理器用于计算出每个问题类型的判断值并根据判断值确定识别的问题类型，所述类型计算处理器根据下式计算出每个问题类型的判断值Pd：
；
其中，W(i)表示该问题类型对应的第i个关键词权重值，E(i)表示第i个关键词是否存在于提取的关键词中，E(i)=1表示存在，E(i)=0表示不存在；
所述类型计算处理器将判断值最大的问题类型作为识别的结果；
结合图3，所述推理路径选择单元包括问题拆解处理器、关键词填充处理器和基础问题判断处理器，所述问题拆解处理器根据问题类型拆解得到一个以上的子问题框架，所述关键词填充处理器根据关键词的词性将关键词填入对应的子问题框架中，形成完整的子问题，所述基础问题判断处理器用于判断得到的子问题是否为基础问题，若否，则将子问题反馈给所述问题拆解处理器继续处理得到子问题，直至所有的子问题均被判断为基础问题；
所述推理路径选择单元将所有的子问题发送给所述常识推理单元，将每个子问题的路径发送给所述生成解释模块；
所述子问题的路径用表示，n为该子问题所在的层数，/>表示在第j层的路径序号，/>；
结合图4，该问题的所有子问题的路径为、/>、/>和/>；
结合图5，所述常识推理单元包括基础问题处理器、背景内容寄存器和推理检索处理器，所述基础问题处理器用于识别接收子问题的基础问题类型并向所述推理检索处理器发送对应的检索指令，所述背景内容寄存器用于保存信息抽取单元筛选出的背景内容信息，所述推理检索处理器用于执行所述检索指令从所述背景内容寄存器中检索到对应子问题的答案信息作为知识点信息；
所述回答生成单元包括逻辑整理处理器、第一语言流畅处理器和信息删减处理器，所述逻辑整理处理器根据路径信息将知识点信息进行排序，所述第一语言流畅处理器用于重新组织知识点信息使回答内容更加流畅，所述信息删减处理器用于在回答内容中保留与问题直接相关的信息；
所述回答生成单元生成回答内容的过程包括如下步骤：
S21、从当前所有路径信息中选择层数最多且具有相同前置路径序号的路径信息对应的知识点信息，并发送给所述第一语言流畅处理器；
S22、所述第一语言流畅处理器将接收的知识点信息进行重组织，重组织后的内容作为新知识点信息返回给所述逻辑整理处理器；
S23、所述逻辑整理处理器将步骤S21中选择的路径信息进行合并，并与新知识点信息匹配；
S24、判断路径信息是否全部合并，若是，则将最后的新知识点信息发送给所述信息删减处理器，并进入步骤S25，若否，回到步骤S21；
S25、所述信息删减处理器对接收的知识点信息中的内容进行关联性判断，删除不具有强关联性的内容后，输出回答内容；
所述前置路径序号指除去最后一层的所有路径序号，例如图4案例中，、/>的前置路径序号为/>，路径信息合并指保留前置路径序号，/>、/>的路径信息合并后为/>，特别的，/>、/>和/>的路径信息合并后为/>，同时，出现/>即表示路径信息已全部合并；
所述信息删减处理器将直接含有问题信息的内容部分设为一级强关联内容，并根据下式计算出目标信息内容的关联性指数Q：
；
其中，为一级强关联内容的数量，/>为含有目标信息内容的一级强关联内容数量，/>为非一级强关联内容的数量；
当所述关联性指数大于阈值时，对应的目标信息内容被判定为具有强关联性；
需要注意的是，所述信息删减处理器将具有完整结构的信息内容作为一个对象用于判定强关联性，、/>和/>均指对象的个数；
所述解释生成单元包括对比处理器和第二语言流畅处理器，所述对比处理器用于将回答内容与所有的知识点信息进行对比，获得差异部分信息，所述第二语言流畅处理器用于将差异部分信息进行重组织得到解释内容。
以上所公开的内容仅为本发明的优选可行实施例，并非因此局限本发明的保护范围，所以凡是运用本发明说明书及附图内容所做的等效技术变化，均包含于本发明的保护范围内，此外，随着技术发展其中的元素可以更新的。
Claims (2)
1.一种基于AIGC的自解释问答***，其特征在于，包括问题输入模块、信息检索模块、AIGC模块、生成解释模块和用户界面模块；
所述问题输入模块用于接收用户的自然语言问题并对问题进行解析，所述信息检索模块用于从数据源中检索与问题相关的信息，所述AIGC模块用于引导***选择合适的推理路径和策略，所述生成解释模块用于生成回答内容和解释内容，所述用户界面模块用于为用户提供交互界面，显示问题的回答和解释；
所述AIGC模块包括问题类型识别单元、推理路径选择单元和常识推理单元，所述问题类型识别单元根据问题的语义和结构，识别问题的类型，所述推理路径选择单元基于问题类型，选择合适的推理路径和策略，引导***的推理过程，所述常识推理单元使用常识知识和逻辑规则对问题进行推理和解答；
所述生成解释模块包括回答生成单元和解释生成单元，所述回答生成单元基于推理结果和问题类型，生成问题的回答，所述解释生成单元用于生成解释性文本对问题回答进行补充说明；
所述问题类型识别单元包括问题词表寄存器和类型计算处理器，所述问题词表寄存器用于每个问题类型对应的关键词以及每个关键词的权重值，所述类型计算处理器用于计算出每个问题类型的判断值并根据判断值确定识别的问题类型，所述类型计算处理器根据下式计算出每个问题类型的判断值Pd：
；
其中，W(i)表示该问题类型对应的第i个关键词权重值，E(i)表示第i个关键词是否存在于提取的关键词中，E(i)=1表示存在，E(i)=0表示不存在；
所述类型计算处理器将判断值最大的问题类型作为识别的结果；
所述推理路径选择单元包括问题拆解处理器、关键词填充处理器和基础问题判断处理器，所述问题拆解处理器根据问题类型拆解得到一个以上的子问题框架，所述关键词填充处理器根据关键词的词性将关键词填入对应的子问题框架中，形成完整的子问题，所述基础问题判断处理器用于判断得到的子问题是否为基础问题，若否，则将子问题反馈给所述问题拆解处理器继续处理得到子问题，直至所有的子问题均被判断为基础问题；
所述回答生成单元包括逻辑整理处理器、第一语言流畅处理器和信息删减处理器，所述逻辑整理处理器根据路径信息将知识点信息进行排序，所述第一语言流畅处理器用于重新组织知识点信息，所述信息删减处理器用于在回答内容中保留与问题直接相关的信息；
所述回答生成单元生成回答内容的过程包括如下步骤：
S21、从当前所有路径信息中选择层数最多且具有相同前置路径序号的路径信息对应的知识点信息，并发送给所述第一语言流畅处理器；
S22、所述第一语言流畅处理器将接收的知识点信息进行重组织，重组织后的内容作为新知识点信息返回给所述逻辑整理处理器；
S23、所述逻辑整理处理器将步骤S21中选择的路径信息进行合并，并与新知识点信息匹配；
S24、判断路径信息是否全部合并，若是，则将最后的新知识点信息发送给所述信息删减处理器，并进入步骤S25，若否，回到步骤S21；
S25、所述信息删减处理器对接收的知识点信息中的内容进行关联性判断，删除不具有强关联性的内容后，输出回答内容；
所述信息删减处理器将直接含有问题信息的内容部分设为一级强关联内容，并根据下式计算出目标信息内容的关联性指数Q：
；
其中，为一级强关联内容的数量，/>为含有目标信息内容的一级强关联内容数量，为非一级强关联内容的数量；
当所述关联性指数大于阈值时，对应的目标信息内容被判定为具有强关联性。
2.如权利要求1所述的一种基于AIGC的自解释问答***，其特征在于，所述常识推理单元包括基础问题处理器、背景内容寄存器和推理检索处理器，所述基础问题处理器用于识别接收子问题的基础问题类型并向所述推理检索处理器发送对应的检索指令，所述背景内容寄存器用于保存信息抽取单元筛选出的背景内容信息，所述推理检索处理器用于执行所述检索指令从所述背景内容寄存器中检索到对应子问题的答案信息作为知识点信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311099961.8A CN116881426B (zh) | 2023-08-30 | 2023-08-30 | 一种基于aigc的自解释问答*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311099961.8A CN116881426B (zh) | 2023-08-30 | 2023-08-30 | 一种基于aigc的自解释问答*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116881426A CN116881426A (zh) | 2023-10-13 |
| CN116881426B true CN116881426B (zh) | 2023-11-10 |
Family
ID=88270339
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311099961.8A Active CN116881426B (zh) | 2023-08-30 | 2023-08-30 | 一种基于aigc的自解释问答*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116881426B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117135416B (zh) * | 2023-10-26 | 2023-12-22 | 环球数科集团有限公司 | 一种基于aigc的视频生成*** |
| CN117708277A (zh) * | 2023-11-10 | 2024-03-15 | 广州宝露软件开发有限公司 | 一种基于aigc的问答***及应用方法 |
| CN117475115B (zh) * | 2023-11-11 | 2024-06-21 | 华中师范大学 | 虚实融合环境中路径引导***的工作方法 |
| CN117474092B (zh) * | 2023-12-21 | 2024-03-19 | 巢湖学院 | 一种基于aigc的企业知识库构建*** |
| CN118093834A (zh) * | 2024-04-22 | 2024-05-28 | 邦宁数字技术股份有限公司 | 一种基于aigc大模型的语言处理问答***及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103902652A (zh) * | 2014-02-27 | 2014-07-02 | 深圳市智搜信息技术有限公司 | 自动问答*** |
| CN108984778A (zh) * | 2018-07-25 | 2018-12-11 | 南京瓦尔基里网络科技有限公司 | 一种智能交互自动问答***以及自我学习方法 |
| CN109284363A (zh) * | 2018-12-03 | 2019-01-29 | 北京羽扇智信息科技有限公司 | 一种问答方法、装置、电子设备及存储介质 |
| CN114003773A (zh) * | 2021-09-29 | 2022-02-01 | 西北工业大学 | 一种基于自构建多场景的对话追踪方法 |
| WO2023018908A1 (en) * | 2021-08-11 | 2023-02-16 | MeetKai, Inc. | Conversational artificial intelligence system in a virtual reality space |
| EP4152176A1 (en) * | 2021-09-18 | 2023-03-22 | Beijing Baidu Netcom Science And Technology Co. Ltd. | Intelligent question-answering processing method and system, electronic device and storage medium |
-
2023
- 2023-08-30 CN CN202311099961.8A patent/CN116881426B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103902652A (zh) * | 2014-02-27 | 2014-07-02 | 深圳市智搜信息技术有限公司 | 自动问答*** |
| CN108984778A (zh) * | 2018-07-25 | 2018-12-11 | 南京瓦尔基里网络科技有限公司 | 一种智能交互自动问答***以及自我学习方法 |
| CN109284363A (zh) * | 2018-12-03 | 2019-01-29 | 北京羽扇智信息科技有限公司 | 一种问答方法、装置、电子设备及存储介质 |
| WO2023018908A1 (en) * | 2021-08-11 | 2023-02-16 | MeetKai, Inc. | Conversational artificial intelligence system in a virtual reality space |
| EP4152176A1 (en) * | 2021-09-18 | 2023-03-22 | Beijing Baidu Netcom Science And Technology Co. Ltd. | Intelligent question-answering processing method and system, electronic device and storage medium |
| CN114003773A (zh) * | 2021-09-29 | 2022-02-01 | 西北工业大学 | 一种基于自构建多场景的对话追踪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 问答式检索技术及评测研究综述;吴友政, 赵军, 段湘煜, 徐波;中文信息学报(03);第1-13页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116881426A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116881426B (zh) | 一种基于aigc的自解释问答*** | |
| CN109408622B (zh) | 语句处理方法及其装置、设备和存储介质 | |
| KR102640564B1 (ko) | 질의 응답 시스템의 훈련 장치 및 그것을 위한 컴퓨터 프로그램 | |
| US20230078362A1 (en) | Device and method for machine reading comprehension question and answer | |
| Daumé III et al. | A large-scale exploration of effective global features for a joint entity detection and tracking model | |
| US9009134B2 (en) | Named entity recognition in query | |
| CN109271537B (zh) | 一种基于蒸馏学习的文本到图像生成方法和*** | |
| CN106537370A (zh) | 在存在来源和翻译错误的情况下对命名实体鲁棒标记的方法和*** | |
| US20200372025A1 (en) | Answer selection using a compare-aggregate model with language model and condensed similarity information from latent clustering | |
| CN112818694A (zh) | 一种基于规则和改进预训练模型的命名实体识别方法 | |
| CN107408107A (zh) | 文本预测整合 | |
| WO2021173158A1 (en) | Embedding-based retrieval for image search | |
| US11475216B2 (en) | Constructing answers to queries through use of a deep model | |
| CN110909145A (zh) | 针对多任务模型的训练方法及装置 | |
| CN112765974B (zh) | 一种业务辅助方法、电子设备及可读存储介质 | |
| CN112131876A (zh) | 一种基于相似度确定标准问题的方法及*** | |
| CN110610003A (zh) | 用于辅助文本标注的方法和*** | |
| KR102216065B1 (ko) | 동영상 세그먼트에 대해 검색결과를 제공하는 방법 | |
| CN117648429A (zh) | 基于多模态自适应检索式增强大模型的问答方法及*** | |
| US11288265B2 (en) | Method and apparatus for building a paraphrasing model for question-answering | |
| US11620343B2 (en) | Method and apparatus for question-answering using a database consist of query vectors | |
| US20210165800A1 (en) | Method and apparatus for question-answering using a paraphrasing model | |
| CN112579666A (zh) | 智能问答***和方法及相关设备 | |
| CN112445887B (zh) | 基于检索的机器阅读理解***的实现方法及装置 | |
| Ye et al. | A sentiment based non-factoid question-answering framework |
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 |