JP2018206307A - 情報処理装置、情報処理方法、及びプログラム - Google Patents
情報処理装置、情報処理方法、及びプログラム Download PDFInfo
- Publication number
- JP2018206307A JP2018206307A JP2017114483A JP2017114483A JP2018206307A JP 2018206307 A JP2018206307 A JP 2018206307A JP 2017114483 A JP2017114483 A JP 2017114483A JP 2017114483 A JP2017114483 A JP 2017114483A JP 2018206307 A JP2018206307 A JP 2018206307A
- Authority
- JP
- Japan
- Prior art keywords
- sentence
- answer
- learning
- question
- partial
- 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
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 89
- 238000003672 processing method Methods 0.000 title claims description 7
- 239000013598 vector Substances 0.000 claims abstract description 291
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 61
- 230000006870 function Effects 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims description 78
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 description 55
- 230000008569 process Effects 0.000 description 42
- 239000013589 supplement Substances 0.000 description 38
- 238000003860 storage Methods 0.000 description 32
- 238000011156 evaluation Methods 0.000 description 15
- 238000011176 pooling Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
Description
図1に示すように、情報処理システム100は、情報処理装置1と、端末装置2とを備えている。情報処理装置1と、端末装置2とは、ネットワークNW1を介して接続されている。
情報処理システム100は、例えば、情報処理装置1に接続した端末装置2に、投稿された質問及び回答を表示して、ユーザ間で情報共有するQ&Aサービスなどの情報サービスを提供する。
サービス記憶部121は、例えば、ユーザによって端末装置2からQ&Aサービスに投稿された質問文及び回答文などの投稿情報を記憶する。
学習結果記憶部122は、後述する学習処理部132によって、機械学習された学習結果を記憶する。なお、学習結果の詳細については後述する。
なお、以下の説明では、複数の部分項目の一例として、「結論」及び「補足」である場合について説明する。
なお、本実施形態の学習モデル、学習処理部132の構成、及び学習処理の詳細ついては、後述する。
図2は、本実施形態における学習モデルM1の一例を説明する図である。
図2に示すように、本実施形態における学習モデルM1は、深層学習技術を利用したモデルであり、エンコーダデコーダモデルM11と、文単位学習モデルM12とを組み合わせたモデルである。
エンコーダモデルM111は、質問の全体の意味を捕えるために、両方向にエンコードされるbiLSTM(bidirectional Long Short-Term Memory)を使用する。エンコーダモデルM111は、biLSTMの出力の各要素の最大値を抽出して蓄積するマックスプーリング(Max pooling)処理により文脈ベクトル10を生成する。
デコーダモデルM112は、例えば、「遠距離」、「恋愛」、「は」、「愛」、「を」、・・・という質問文qをエンコーダモデルM111によりエンコードした文脈ベクトル10に基づいて、「遠距離」、「恋愛」、「は」、「真実の」、「愛」、・・・という既知の部分回答文(結論回答文ac)をデコードするように学習する。また、デコーダモデルM112は、文脈ベクトル10に基づいて、「遠距離」、「恋愛」、「は」、「あなたの」、「愛」、・・・という既知の部分回答文(補足回答文as)をデコードするように学習する。
図3に示す例では、単語「情報」に対応するトピック情報は、「IT」(情報技術)であり、単語「社会」に対応するトピック情報は、「公共」である。また、単語「とは」、「、」(読点)、及び「が」に対応するトピック情報は、「接続」であり、単語「資源」に対応するトピック情報は、「IT」である。このように、トピック情報は、例えば、単語の関連分野を示す情報である。
デコーダモデルM112は、図3に示すような回答文(部分回答文)の単語列と、各単語に対応するトピック情報とに基づいて、回答文(部分回答文)を生成すうように、学習する。
また、文単位学習モデルM12は、複数の部分項目のうちの第1の部分項目に対応する出力に基づいて、第1の部分項目と異なる第2の部分項目に対応するbiLSTMが更新されて学習されるアテンションメカニズムを利用するようにしてもよい。
図4は、本実施形態における学習処理部132及び学習処理の一例を説明する図である。なお、図4に示す例では、学習の入力情報の一部となる既知の回答文に、質問文に対する正解文と、不正解文とが含まれる場合の一例について説明する。
図5に示すように、エンコーダデコーダモデルM11は、エンコーダモデルM111と、デコーダモデルM112とを含んでおり、上述した質問文q、「結論」の正解文ac+、「結論」の不正解文ac−、「補足」の正解文as+、及び「補足」の不正解文as−の組情報に基づいて学習する。
また、デコーダモデルM112は、当該文脈ベクトル10に基づいて、「結論」の正解文ac+、「結論」の不正解文ac−、「補足」の正解文as+、及び「補足」の不正解文aq−のそれぞれを生成するようにデコードして学習する。
このように、エンコーダデコーダモデルM11は、文脈ベクトル10に基づいて、複数の部分項目ごとの正解文及び不正解文をデコードして学習する。ここで、エンコーダデコーダモデルM11によって生成された「結論」の正解文及び不正解文と、「補足」の正解文及び不正解文とを、「結論」の正解文ac2+、「結論」の不正解文ac2−、「補足」の正解文as2+、及び「補足」の不正解文as2−とする。また、「結論」の正解文ac2+、「結論」の不正解文ac2−、「補足」の正解文as2+、及び「補足」の不正解文as2−は、特徴ベクトルとして出力されるものとする。
質問埋め込みベクトル生成部21は、質問文を単語ごとに変換された特徴ベクトルを時系列の順方向及び逆方向の双方向の単語の並び順に基づいて生成した双方向ベクトル列24(質問特徴ベクトル群)に基づいて、単語の並びを双方向に学習して、質問埋め込みベクトルOqを生成する。質問埋め込みベクトル生成部21は、例えば、質問文の特徴ベクトル列Wqから双方向ベクトル列24を生成し、当該双方向ベクトル列24の各要素の最大値を抽出して蓄積するマックスプーリング処理により質問埋め込みベクトルOq(質問中間ベクトル)を生成する。
なお、損失関数Lwは、学習中の質問と回答との各組合せにおけるコサイン値が最大になるように設定されている。
<学習処理>
ます、情報処理装置1における学習処理部132の学習処理について、図6を参照して説明する。
図6に示すように、学習処理部132は、まず、変数nに“1”を代入する(ステップS101)。なお、変数nは、学習の繰り返し回数をカウントする。この例では、NN回の学習を繰り返す場合について説明する。
なお、学習処理部132は、図5に示すように、「結論」と「補足」とのそれぞれについて、正解文と不正解文とをデコードする。また、学習処理部132は、ステップS104において、「結論」と「補足」との回答文を、1文字(1単語)ずつ学習する。
(a)学習処理部132は、まず、図4に示すように、質問文q、「結論」の正解文ac2+、「結論」の不正解文ac2−、「補足」の正解文as2+、「補足」の不正解文as2−の組情報を特徴ベクトル列(Wq、Wac+、Wac−、Was+、Was−)に変換する。
(f)そして、学習処理部132の損失関数生成部30は、生成した各埋め込みベクトル(Oqc、Oac+、Oac−、Oqs、Oas+、Oas−)、及び式(5)に基づいて、損失関数Lwを生成する。
このように、学習処理部132は、ステップS102からステップS108までの処理をNN回繰り返して学習させ、当該学習結果を学習結果記憶部122に記憶させる。
次に、図面を参照して、本実施形態における情報処理装置1の質問文から回答文を生成する処理について説明する。
図7は、本実施形態における情報処理装置1の質問文から回答文を生成する処理の一例を示すフローチャートである。
図8において、「Seq2seq」は、比較のために、センテンスバイセンテンスモデルである文単位学習モデルM12のよる式(4)による損失関数Lsのみを使用した場合の評価結果を示している。また、「C−LSTM」は、上述したC−LSTMモデルによる式(1)による損失関数Lを使用した場合の評価結果である。
また、評価結果の「ROUGE−1」(uni-gram)、「ROUGE−2」(bigram)、及び「ROUGE−L」(Longest common subsequence)は、ROUGE(Recall-Oriented Understudy for Gisting Evaluation)シリーズの評価指標である。「ROUGE−1」、「ROUGE−2」、及び「ROUGE−L」は、いずれも“0”〜“1.0”の範囲で示され、値が大きい程、評価が高いことを意味している。なお、ROUGEの詳細については、例えば、技術文献(Chin-Yew Lin,“ROUGE: A Package for Automatic Evaluation of Summaries”,In Text Summarization Branches Out: Proceedings of the ACL-04 Workshop, pages 74-81,2004.)に記載されている。
なお、図9において、「C−LSTMにより生成した回答文」は、比較のために、上述したC−LSTMモデルを使用した場合の回答文を示している。
図9に示すように、「C−LSTMにより生成した回答文」では、質問文に対して“相手のことを思いやれないということは、その人がいると思いますよ。大きさを待ったほうが良いと思います。”というような不自然な回答文となる。
これにより、本実施形態による情報処理装置1は、エンコーダデコーダモデルM11の途中学習結果に基づいて再生成したより自然な文面となる回答文を入力情報として学習するため、質問に対して、さらに違和感を低減した自然な文面の回答を生成することができる。
これにより、本実施形態による情報処理装置1は、トピック情報により、関連の低い文字(単語)が選ばれることを低減することができるため、文字(単語)単位で、さらに違和感を低減した自然な文面の回答を生成することができる。
これにより、本実施形態による情報処理装置1は、部分項目の間の関連(例えば、部分項目のつながり)を最適化した学習を行うことができる。そのため、本実施形態による情報処理装置1は、部分項目を組み合わせて、より自然な回答文を生成することができる。
これにより、本実施形態による情報処理装置1は、自装置で学習して学習結果を生成することができる。また、本実施形態による情報処理装置1は、例えば、再学習して、質問に対する回答を改善することができる。
これにより、本実施形態による情報処理装置1は、時間の変化に対応して、質問に対する回答を改善することができる。
これにより、本実施形態による情報処理方法は、上述した情報処理装置1と同様の効果を奏し、質問に対して、違和感を低減した自然な文面の回答を生成することができる。
例えば、上記の実施形態において、情報処理装置1は、学習処理部132を備える例を説明したが、これに限定されるものではなく、学習結果を取得できる状態であれば、学習処理部132を備えなくてもよい。
なお、上記の実施形態において、情報処理装置1は、1台のサーバ装置により構成される例を説明したが、複数の装置により構成されてもよい。
また、上記の実施形態の文単位学習モデルM12において、情報処理装置1は、部分項目ごとにQA−LSTM部20を備える手法と、アテンションメカニズムによる手法とを適用する例を説明したが、これに限定されるものではない。情報処理装置1は、文単位学習モデルM12において、例えば、これらの手法の一部を適用しない形態であってもよい。
また、「コンピュータシステム」は、インターネットやWAN、LAN、専用回線等の通信回線を含むネットワークを介して接続された複数のコンピュータ装置を含んでもよい。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD−ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。このように、プログラムを記憶した記録媒体は、CD−ROM等の非一過性の記録媒体であってもよい。
2 端末装置
10 文脈ベクトル
11 NW通信部
12 記憶部
13 制御部
20、20−1、20−2 QA−LSTM部
21、21−1、21−2 質問埋め込みベクトル生成部
22、22−1、22−2 正解埋め込みベクトル生成部
23、23−1、23−2 不正解埋め込みベクトル生成部
24、24−1、24−2、25、25−1、25−2、26、26−1、26−2 双方向ベクトル列
30 損失関数生成部
100 情報処理システム
121 サービス記憶部
122 学習結果記憶部
131 サービス提供部
132 学習処理部
133 質問取得部
134 回答生成部
M1 学習モデル
M11 エンコーダデコーダモデル
M12 文単位学習モデル
M111 エンコーダモデル
M112 デコーダモデル
NW1 ネットワーク
Claims (8)
- 入力された入力質問文を取得する質問取得部と、
質問文と、回答文において、予め定められた文章の筋道により分割される複数の部分項目それぞれに対応する既知の部分回答文との組を複数有する学習情報に基づいて機械学習された学習結果に基づいて、前記質問取得部によって取得された前記入力質問文に対する回答文を生成する回答生成部と
を備え、
前記学習結果は、
前記質問文を1単語ずつ順次単語の並び順に基づいてエンコードして文脈ベクトルを生成し、生成した前記文脈ベクトルに基づいて、前記複数の部分項目ごとの前記既知の部分回答文をデコードして学習するエンコーダデコーダモデルと、
前記エンコーダデコーダモデルに基づいてデコードされた前記複数の部分項目ごとの部分回答文と、前記質問文とを含む組情報を入力情報として、前記質問文を前記単語ごとに変換された特徴ベクトルを時系列の順方向及び逆方向の双方向の前記単語の並び順に基づいて生成した質問特徴ベクトル群に基づいて、前記単語の並びを前記双方向に学習して生成された質問中間ベクトルと、前記複数の部分項目それぞれに対応した回答中間ベクトルであって、前記部分回答文を単語ごとに変換された特徴ベクトルを前記双方向の前記単語の並び順に基づいて生成した回答特徴ベクトル群に基づいて、前記単語の並びを前記双方向に学習して生成された回答中間ベクトルと、の前記複数の部分項目の組合せに基づいて学習する文単位学習モデルと、
を組み合わせて算出される損失関数により最適化されて学習される
ことを特徴とする情報処理装置。 - 前記文単位学習モデルは、前記エンコーダデコーダモデルの途中学習結果及び前記文脈ベクトルに基づいて生成した回答文を前記部分回答文とし、当該部分回答文と前記質問文とを含む組情報を前記入力情報として学習する
ことを特徴とする請求項1に記載の情報処理装置。 - 前記エンコーダデコーダモデルは、前記既知の部分回答文における単語ごとに関連するトピック情報に基づいて、前記既知の部分回答文をデコードして学習する
ことを特徴とする請求項1又は請求項2に記載の情報処理装置。 - 前記既知の回答文には、前記質問文に対する正解文と、不正解文とが含まれ、
前記回答生成部は、前記質問文と、前記複数の部分項目それぞれに対応する前記正解文及び前記不正解文との組を複数有する前記学習情報に基づいて機械学習された前記学習結果に基づいて、前記回答文を生成し、
前記エンコーダデコーダモデルは、前記文脈ベクトルに基づいて、前記複数の部分項目ごとの前記正解文及び前記不正解文をデコードして学習し、
前記文単位学習モデルは、前記質問中間ベクトルと、前記複数の部分項目それぞれに対応した正解中間ベクトルであって、前記正解文を単語ごとに変換された特徴ベクトルを前記双方向の前記単語の並び順に基づいて生成した正解特徴ベクトル群に基づいて、前記単語の並びを前記双方向に学習して生成された正解中間ベクトルと、前記複数の部分項目それぞれに対応した不正解中間ベクトルであって、前記不正解文を単語ごとに変換された特徴ベクトルを前記双方向の前記単語の並び順に基づいて生成した不正解特徴ベクトル群に基づいて、前記単語の並びを前記双方向に学習して生成された不正解中間ベクトルと、の前記複数の部分項目の組合せに基づいて学習する
ことを特徴とする請求項1から請求項3のいずれか一項に記載の情報処理装置。 - 前記学習結果は、
前記複数の部分項目のうちの第1の部分項目に対応する前記正解中間ベクトル及び前記不正解中間ベクトルに基づいて、前記第1の部分項目と異なる第2の部分項目に対応する正解特徴ベクトル群及び不正解特徴ベクトル群が更新されて学習される
ことを特徴とする請求項4に記載の情報処理装置。 - 前記学習情報に基づいて機械学習し、前記学習結果を生成する学習処理部を備える
ことを特徴とする請求項1から請求項5のいずれか一項に記載の情報処理装置。 - 質問取得部が、入力された入力質問文を取得する質問取得ステップと、
回答生成部が、質問文と、回答文において、予め定められた文章の筋道により分割される複数の部分項目それぞれに対応する既知の部分回答文との組を複数有する学習情報に基づいて機械学習された学習結果に基づいて、前記質問取得ステップによって取得された前記入力質問文に対する回答文を生成する回答生成ステップと
を含み、
前記学習結果は、
前記質問文を1単語ずつ順次単語の並び順に基づいてエンコードして文脈ベクトルを生成し、生成した前記文脈ベクトルに基づいて、前記複数の部分項目ごとの前記既知の部分回答文をデコードして学習するエンコーダデコーダモデルと、
前記エンコーダデコーダモデルに基づいてデコードされた前記複数の部分項目ごとの部分回答文と、前記質問文とを含む組情報を入力情報として、前記質問文を前記単語ごとに変換された特徴ベクトルを時系列の順方向及び逆方向の双方向の前記単語の並び順に基づいて生成した質問特徴ベクトル群に基づいて、前記単語の並びを前記双方向に学習して生成された質問中間ベクトルと、前記複数の部分項目それぞれに対応した回答中間ベクトルであって、前記部分回答文を単語ごとに変換された特徴ベクトルを前記双方向の前記単語の並び順に基づいて生成した回答特徴ベクトル群に基づいて、前記単語の並びを前記双方向に学習して生成された回答中間ベクトルと、の前記複数の部分項目の組合せに基づいて学習する文単位学習モデルと、
を組み合わせて算出される損失関数により最適化されて学習される
ことを特徴とする情報処理方法。 - コンピュータに、
入力された入力質問文を取得する質問取得ステップと、
質問文と、回答文において、予め定められた文章の筋道により分割される複数の部分項目それぞれに対応する既知の部分回答文との組を複数有する学習情報に基づいて機械学習された学習結果に基づいて、前記質問取得ステップによって取得された前記入力質問文に対する回答文を生成する回答生成ステップと
を実行させるためのプログラムであり、
前記学習結果は、
前記質問文を1単語ずつ順次単語の並び順に基づいてエンコードして文脈ベクトルを生成し、生成した前記文脈ベクトルに基づいて、前記複数の部分項目ごとの前記既知の部分回答文をデコードして学習するエンコーダデコーダモデルと、
前記エンコーダデコーダモデルに基づいてデコードされた前記複数の部分項目ごとの部分回答文と、前記質問文とを含む組情報を入力情報として、前記質問文を前記単語ごとに変換された特徴ベクトルを時系列の順方向及び逆方向の双方向の前記単語の並び順に基づいて生成した質問特徴ベクトル群に基づいて、前記単語の並びを前記双方向に学習して生成された質問中間ベクトルと、前記複数の部分項目それぞれに対応した回答中間ベクトルであって、前記部分回答文を単語ごとに変換された特徴ベクトルを前記双方向の前記単語の並び順に基づいて生成した回答特徴ベクトル群に基づいて、前記単語の並びを前記双方向に学習して生成された回答中間ベクトルと、の前記複数の部分項目の組合せに基づいて学習する文単位学習モデルと、
を組み合わせて算出される損失関数により最適化されて学習される
ことを特徴とするプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017114483A JP6871809B2 (ja) | 2017-06-09 | 2017-06-09 | 情報処理装置、情報処理方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017114483A JP6871809B2 (ja) | 2017-06-09 | 2017-06-09 | 情報処理装置、情報処理方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018206307A true JP2018206307A (ja) | 2018-12-27 |
JP6871809B2 JP6871809B2 (ja) | 2021-05-12 |
Family
ID=64957248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017114483A Active JP6871809B2 (ja) | 2017-06-09 | 2017-06-09 | 情報処理装置、情報処理方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6871809B2 (ja) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059174A (zh) * | 2019-04-28 | 2019-07-26 | 科大讯飞股份有限公司 | 问询指引方法及装置 |
JP6649536B1 (ja) * | 2019-05-28 | 2020-02-19 | 日本電信電話株式会社 | 対話処理装置、学習装置、対話処理方法、学習方法及びプログラム |
CN110852071A (zh) * | 2019-11-08 | 2020-02-28 | 科大讯飞股份有限公司 | 知识点检测方法、装置、设备及可读存储介质 |
CN111125386A (zh) * | 2019-12-02 | 2020-05-08 | 腾讯科技(北京)有限公司 | 媒体资源的处理方法和装置、存储介质及电子装置 |
CN111324728A (zh) * | 2020-01-22 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 文本事件摘要的生成方法、装置、电子设备及存储介质 |
CN112559707A (zh) * | 2020-12-16 | 2021-03-26 | 四川智仟科技有限公司 | 一种基于知识驱动的客服问答方法 |
JPWO2021117180A1 (ja) * | 2019-12-12 | 2021-06-17 | ||
JP2021106016A (ja) * | 2020-09-21 | 2021-07-26 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | 対話生成方法、装置、電子機器及び媒体 |
CN114781596A (zh) * | 2022-03-28 | 2022-07-22 | 上海易康源医疗健康科技有限公司 | 神经网络训练方法、文本相似度检测方法及对话*** |
WO2022224462A1 (ja) * | 2021-04-23 | 2022-10-27 | 富士通株式会社 | 情報処理プログラム、情報処理方法および情報処理装置 |
CN116932726A (zh) * | 2023-08-04 | 2023-10-24 | 重庆邮电大学 | 一种基于可控多空间特征解耦的开放域对话生成方法 |
-
2017
- 2017-06-09 JP JP2017114483A patent/JP6871809B2/ja active Active
Non-Patent Citations (3)
Title |
---|
内山 育海: ""世界で広がる動画のAI活用 民放キー局が本腰入れる理由"", 日経エレクトロニクス, vol. 第1180号, JPN6021009552, 20 May 2017 (2017-05-20), JP, pages 18 - 20, ISSN: 0004466732 * |
大塚 淳史,外4名: ""答えを先読みする文書検索手法の提案"", 第9回データ工学と情報マネジメントに関するフォーラム (第15回日本データベース学会年次大会), JPN6021009553, 6 July 2017 (2017-07-06), JP, ISSN: 0004466733 * |
小林 颯介,外3名: ""談話内における局所文脈の動的分散表現"", 言語処理学会第22回年次大会 発表論文集, JPN6021009551, 28 November 2016 (2016-11-28), JP, pages 1137 - 1140, ISSN: 0004466731 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059174B (zh) * | 2019-04-28 | 2023-05-30 | 科大讯飞股份有限公司 | 问询指引方法及装置 |
CN110059174A (zh) * | 2019-04-28 | 2019-07-26 | 科大讯飞股份有限公司 | 问询指引方法及装置 |
JP6649536B1 (ja) * | 2019-05-28 | 2020-02-19 | 日本電信電話株式会社 | 対話処理装置、学習装置、対話処理方法、学習方法及びプログラム |
WO2020240709A1 (ja) * | 2019-05-28 | 2020-12-03 | 日本電信電話株式会社 | 対話処理装置、学習装置、対話処理方法、学習方法及びプログラム |
CN110852071A (zh) * | 2019-11-08 | 2020-02-28 | 科大讯飞股份有限公司 | 知识点检测方法、装置、设备及可读存储介质 |
CN110852071B (zh) * | 2019-11-08 | 2023-10-24 | 科大讯飞股份有限公司 | 知识点检测方法、装置、设备及可读存储介质 |
CN111125386A (zh) * | 2019-12-02 | 2020-05-08 | 腾讯科技(北京)有限公司 | 媒体资源的处理方法和装置、存储介质及电子装置 |
JPWO2021117180A1 (ja) * | 2019-12-12 | 2021-06-17 | ||
WO2021117180A1 (ja) * | 2019-12-12 | 2021-06-17 | 日本電信電話株式会社 | 対話処理装置、学習装置、対話処理方法、学習方法及びプログラム |
JP7342971B2 (ja) | 2019-12-12 | 2023-09-12 | 日本電信電話株式会社 | 対話処理装置、学習装置、対話処理方法、学習方法及びプログラム |
CN111324728A (zh) * | 2020-01-22 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 文本事件摘要的生成方法、装置、电子设备及存储介质 |
CN111324728B (zh) * | 2020-01-22 | 2023-08-22 | 腾讯科技(深圳)有限公司 | 文本事件摘要的生成方法、装置、电子设备及存储介质 |
JP7204802B2 (ja) | 2020-09-21 | 2023-01-16 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 対話生成方法、装置、電子機器及び媒体 |
JP2021106016A (ja) * | 2020-09-21 | 2021-07-26 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | 対話生成方法、装置、電子機器及び媒体 |
CN112559707A (zh) * | 2020-12-16 | 2021-03-26 | 四川智仟科技有限公司 | 一种基于知识驱动的客服问答方法 |
WO2022224462A1 (ja) * | 2021-04-23 | 2022-10-27 | 富士通株式会社 | 情報処理プログラム、情報処理方法および情報処理装置 |
CN114781596A (zh) * | 2022-03-28 | 2022-07-22 | 上海易康源医疗健康科技有限公司 | 神经网络训练方法、文本相似度检测方法及对话*** |
CN116932726A (zh) * | 2023-08-04 | 2023-10-24 | 重庆邮电大学 | 一种基于可控多空间特征解耦的开放域对话生成方法 |
CN116932726B (zh) * | 2023-08-04 | 2024-05-10 | 重庆邮电大学 | 一种基于可控多空间特征解耦的开放域对话生成方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6871809B2 (ja) | 2021-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6871809B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
US20190005399A1 (en) | Learning device, generation device, learning method, generation method, and non-transitory computer readable storage medium | |
CN110738026B (zh) | 用于生成描述文本的方法和设备 | |
Johnson et al. | Learning nonlinear functions using regularized greedy forest | |
CN110347799B (zh) | 语言模型训练方法、装置和计算机设备 | |
CN109063174B (zh) | 查询答案的生成方法及装置、计算机存储介质、电子设备 | |
US20180189274A1 (en) | Apparatus and method for generating natural language | |
CN107515855B (zh) | 一种结合表情符的微博情感分析方法和*** | |
CN109478204A (zh) | 非结构化文本的机器理解 | |
JP6611053B2 (ja) | 主題推定システム、主題推定方法およびプログラム | |
CN108280112A (zh) | 摘要生成方法、装置及计算机设备 | |
JP6680659B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN112765306A (zh) | 智能问答方法、装置、计算机设备和存储介质 | |
US10685012B2 (en) | Generating feature embeddings from a co-occurrence matrix | |
US11727717B2 (en) | Data-driven, photorealistic social face-trait encoding, prediction, and manipulation using deep neural networks | |
CN111985243B (zh) | 情感模型的训练方法、情感分析方法、装置及存储介质 | |
Ali et al. | Automatic text‐to‐gesture rule generation for embodied conversational agents | |
CN102651719A (zh) | 用于在消息交互环境中跟踪消息话题的方法和设备 | |
CN112733043B (zh) | 评论推荐方法及装置 | |
WO2023235346A1 (en) | Prompting machine-learned models using chains of thought | |
CN112734104A (zh) | 一种融合双生成器双判别器的生成对抗网络和自编码器的跨域推荐方法 | |
CN111767697A (zh) | 文本处理方法、装置、计算机设备以及存储介质 | |
Tang et al. | Predictive modelling of student behaviour using granular large-scale action data | |
CN117094365A (zh) | 图文生成模型的训练方法、装置、电子设备及介质 | |
Ziegler et al. | Modelling word recognition and reading aloud |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20170623 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200401 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210323 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210416 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6871809 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |