[go: up one dir, main page]

CN111858875B - 智能交互方法、装置、设备及存储介质 - Google Patents

智能交互方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111858875B
CN111858875B CN202010386988.5A CN202010386988A CN111858875B CN 111858875 B CN111858875 B CN 111858875B CN 202010386988 A CN202010386988 A CN 202010386988A CN 111858875 B CN111858875 B CN 111858875B
Authority
CN
China
Prior art keywords
model
question
information
user
classification
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
Application number
CN202010386988.5A
Other languages
English (en)
Other versions
CN111858875A (zh
Inventor
熊超
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202010386988.5A priority Critical patent/CN111858875B/zh
Publication of CN111858875A publication Critical patent/CN111858875A/zh
Application granted granted Critical
Publication of CN111858875B publication Critical patent/CN111858875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例提供一种提供的智能交互方法、装置、设备及存储介质，在获取用户问题信息后，根据问题分类模型中对用户问题信息进行问题类别分类得到分类结果，并判断分类结果是否满足预定条件；若满足预定条件，根据分类结果从预设问答库中获取对应的答案信息；若不满足预定条件，将用户问题信息输入到预先训练的答案生成模型中获取对应的答案信息；输出获取到的答案信息，以响应用户指令。通过问题分类模型对用户问题信息进行语义分类得到分类结果，在确定分类结果相对准确时根据分类结果从预设问答库中获取答案信息，在确定分类结果不准确时采用答案生成模型获取答案信息，通过两种方式融合可提高答案获取的准确性，可提高交互过程的用户体验。

Description

智能交互方法、装置、设备及存储介质
技术领域
本发明实施例涉及智能语音技术领域，尤其涉及一种智能交互方法、装置、设备及存储介质。
背景技术
智能交互是人工智能领域的重要课题，通常应用于智能音箱、智能机器人等设备，可以实现人机之间的语音交互，可回答用户问题或者与用户闲聊等。
现有的智能交互方法通常采用基于检索的方法，需要预先根据用户常见问题收集对应答案，构建问答库，并加载到搜索引擎中，在线使用时，根据用户问题通过搜索引擎从问答库中搜索相关问题，以匹配度最高的问题对应的答案返回给用户。
现有的基于检索的方法采用文本相似度进行检索，检索效果较差，对于一些长问句或复杂问句经常无法在问答库中搜索到匹配的问题，从而无法准确获取到答案。
发明内容
本发明实施例提供一种智能交互方法、装置、设备及存储介质，以针对用户问题可以获取到较准确的答案返回给用户，提高交互过程的用户体验。
本发明实施例的第一方面是提供一种智能交互方法，包括：
采集用户指令，根据所述用户指令获取用户问题信息；
根据预先训练的问题分类模型中对所述用户问题信息进行问题类别分类，得到分类结果，并判断所述分类结果是否满足预定条件；
若确定所述分类结果满足所述预定条件，根据所述分类结果从预设问答库中获取对应的答案信息，其中所述预设问答库包括不同的问题类别以及各问题类别对应的答案信息；
若确定所述分类结果不满足所述预定条件，将所述用户问题信息输入到预先训练的答案生成模型中获取对应的答案信息；
输出获取到的答案信息，以响应所述用户指令。
在一种可能的设计中，所述根据预先训练的问题分类模型中对所述用户问题信息进行问题类别分类，得到分类结果，并判断所述分类结果是否满足预定条件，包括：
将所述用户问题信息输入所述问题分类模型中，通过所述问题分类模型获取所述用户问题信息的问题类别以及对应的置信度；
判断所述置信度是否满足预定的置信度阈值。
在一种可能的设计中，所述问题分类模型包括词向量获取子模型和词向量分类子模型；
所述通过所述问题分类模型获取所述用户问题信息的问题类别以及对应的置信度，包括：
通过所述词向量获取子模型，对所述用户问题信息进行分词，并根据分词结果获取所述用户问题信息的词向量；
通过所述词向量分类子模型，对所述用户问题信息的词向量进行分类，获取所述用户问题信息的问题类别以及对应的置信度。
在一种可能的设计中，所述通过所述词向量分类子模型，对所述用户问题信息的词向量进行分类，获取所述用户问题信息的问题类别以及对应的置信度，包括：
通过所述词向量分类子模型，将所述用户问题信息的词向量与预设问题类别对应的预设词向量进行相似度匹配，获取其中相似度最高的预设问题类别作为所述用户问题信息的问题类别，将其相似度作为所述置信度。
在一种可能的设计中，所述词向量分类子模型为深度学习模型。
在一种可能的设计中，所述答案生成模型为Seq2Seq模型；
所述将所述用户问题信息输入到预先训练的答案生成模型中获取对应的答案信息，包括：
通过所述Seq2Seq模型的编码器对所述用户问题信息进行编码，再通过所述Seq2Seq模型的解码器进行解码，获取所述用户问题信息对应的答案信息。
在一种可能的设计中，所述Seq2Seq模型的编码器采用LSTM模型、GRU模型或Transformer模型；
所述Seq2Seq模型的解码器采用LSTM模型、GRU模型或Transformer模型。
在一种可能的设计中，所述方法还包括：
将所述预设问答库中每一问题类别所包括的问题样本作为第一训练数据，对所述词向量获取子模型进行训练；
根据训练后的词向量获取子模型获取各所述第一训练数据的词向量，作为第二训练数据，对所述词向量分类子模型进行训练，直至所述词向量分类子模型收敛。
在一种可能的设计中，所述方法还包括：
将所述预设问答库中每一问题类别所包括的问题样本以及对应的答案信息作为第三训练数据，对所述Seq2Seq模型进行训练。
在一种可能的设计中，所述方法还包括：
获取历史问题，对所述历史问题进行分类，并获取各问题类别的相关近似问题补充到对应的问题类别中；
对于每一问题类别获取对应的答案信息；
根据每一问题类别所包括的问题以及对应的答案信息，构建所述预设问答库。
本发明实施例的第二方面是提供一种智能交互装置，包括：
采集模块，用于采集用户指令，根据所述用户指令获取用户问题信息；
分类模块，用于根据预先训练的问题分类模型中对所述用户问题信息进行问题类别分类，得到分类结果；
判断模块，用于判断所述分类结果是否满足预定条件；
第一答案获取模块，用于若确定所述分类结果满足所述预定条件，根据所述分类结果从预设问答库中获取对应的答案信息，其中所述预设问答库包括不同的问题类别以及各问题类别对应的答案信息；
第二答案获取模块，用于若确定所述分类结果不满足所述预定条件，将所述用户问题信息输入到预先训练的答案生成模型中获取对应的答案信息；
输出模块，用于输出获取到的答案信息，以响应所述用户指令。
在一种可能的设计中，所述分类模块在根据预先训练的问题分类模型中对所述用户问题信息进行问题类别分类，得到分类结果时，用于：
将所述用户问题信息输入所述问题分类模型中，通过所述问题分类模型获取所述用户问题信息的问题类别以及对应的置信度；
所述判断模块在判断所述分类结果是否满足预定条件时，用于：
判断所述置信度是否满足预定的置信度阈值。
在一种可能的设计中，所述问题分类模型包括词向量获取子模型和词向量分类子模型；
所述分类模块在通过所述问题分类模型获取所述用户问题信息的问题类别以及对应的置信度时，用于：
通过所述词向量获取子模型，对所述用户问题信息进行分词，并根据分词结果获取所述用户问题信息的词向量；
通过所述词向量分类子模型，对所述用户问题信息的词向量进行分类，获取所述用户问题信息的问题类别以及对应的置信度。
在一种可能的设计中，所述分类模块在通过所述词向量分类子模型，对所述用户问题信息的词向量进行分类，获取所述用户问题信息的问题类别以及对应的置信度时，用于：
通过所述词向量分类子模型，将所述用户问题信息的词向量与预设问题类别对应的预设词向量进行相似度匹配，获取其中相似度最高的预设问题类别作为所述用户问题信息的问题类别，将其相似度作为所述置信度。
在一种可能的设计中，所述词向量分类子模型为深度学习模型。
在一种可能的设计中，所述答案生成模型为Seq2Seq模型；
所述第二答案获取模块在将所述用户问题信息输入到预先训练的答案生成模型中获取对应的答案信息时，用于：
通过所述Seq2Seq模型的编码器对所述用户问题信息进行编码，再通过所述Seq2Seq模型的解码器进行解码，获取所述用户问题信息对应的答案信息。
在一种可能的设计中，所述Seq2Seq模型的编码器采用LSTM模型、GRU模型或Transformer模型；
所述Seq2Seq模型的解码器采用LSTM模型、GRU模型或Transformer模型。
在一种可能的设计中，所述装置还包括第一训练模块，用于：
将所述预设问答库中每一问题类别所包括的问题样本作为第一训练数据，对所述词向量获取子模型进行训练；
根据训练后的词向量获取子模型获取各所述第一训练数据的词向量，作为第二训练数据，对所述词向量分类子模型进行训练，直至所述词向量分类子模型收敛。
在一种可能的设计中，所述装置还包括第二训练模块，用于：
将所述预设问答库中每一问题类别所包括的问题样本以及对应的答案信息作为第三训练数据，对所述Seq2Seq模型进行训练。
在一种可能的设计中，所述装置还包括问答库构建模块，用于：
获取历史问题，对所述历史问题进行分类，并获取各问题类别的相关近似问题补充到对应的问题类别中；
对于每一问题类别获取对应的答案信息；
根据每一问题类别所包括的问题以及对应的答案信息，构建所述预设问答库。
本发明实施例的第三方面是提供一种智能交互设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面所述的方法。
本发明实施例的第四方面是提供一种计算机可读存储介质，其上存储有计算机程序；
所述计算机程序被处理器执行时实现如第一方面所述的方法。
本发明实施例的第五个方面提供一种计算机程序，包括程序代码，当计算机运行所述计算机程序时，所述程序代码执行如第一方面所述的方法。
本发明实施例提供的智能交互方法、装置、设备及存储介质，通过采集用户指令，根据用户指令获取用户问题信息；根据预先训练的问题分类模型中对用户问题信息进行问题类别分类，得到分类结果，并判断分类结果是否满足预定条件；若确定分类结果满足预定条件，根据分类结果从预设问答库中获取对应的答案信息；若确定分类结果不满足预定条件，将用户问题信息输入到预先训练的答案生成模型中获取对应的答案信息；输出获取到的答案信息，以响应用户指令。本实施例首先通过问题分类模型对用户问题信息进行语义分类得到分类结果，且在确定分类结果相对准确时根据分类结果从预设问答库中检索用户问题信息所属问题类别对应的答案信息，可提高检索过程的准确度，而在确定分类结果不准确时采用答案生成模型获取答案信息，通过两种方式的融合可提高答案获取的准确性，避免单纯使用基于检索方式在无法准确匹配问题时导致无法得到准确的答案，进而可提高交互过程的用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的智能交互方法的系统架构图；
图2为本发明一实施例提供的智能交互方法流程图；
图3为本发明另一实施例提供的智能交互方法流程图；
图4为本发明另一实施例提供的智能交互方法流程图；
图5为本发明另一实施例提供的智能交互方法流程图；
图6为本发明一实施例提供的智能交互装置的结构图；
图7为本发明一实施例提供的智能交互设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明实施例一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明实施例保护的范围。
现有的智能交互方法通常采用基于检索的方法。其中现有的基于检索的方法采用文本相似度进行检索，检索效果较差，对于一些长问句或复杂问句经常无法在问答库中搜索到匹配的问题，从而无法准确获取到答案。为了可以针对用户问题获取到较准确的答案返回给用户，本发明实施例中在基于检索的方法的基础上融合了通过模型生成的方法，并且首先对用户问题信息进行语义分类得到分类结果，将语义相同(或相似)但表达方式不同的问题归为一个问题类别，且在确定分类结果相对准确时根据分类结果从预设问答库中检索用户问题信息所属问题类别对应的答案信息，可提高检索过程的准确度；而在确定分类结果不准确时采用答案生成模型获取答案信息通过两种方式的融合可提高答案获取的准确性，避免单纯使用基于检索方式在无法准确匹配问题时导致无法得到准确的答案，进而可提高交互过程的用户体验。
本发明实施例提供的方法，可以适用于图1所示的通信系统。如图1所示，通信系统包括采集设备10以及处理设备11，其中采集设备10可用于采集用户指令并发送给处理设备11，而处理设备11可以为任意能够执行本发明实施例提供的智能交互方法的流程的设备，在接收到采集设备10发送的用户指令后，通过本发明的方法获取答案信息并输出，以响应用户指令。
下面结合具体的实施例对智能交互过程进行详细的描述。
图2为本发明实施例提供的智能交互方法流程图。本实施例提供了一种智能交互方法，执行主体为图1中的处理设备，如图2所示，该智能交互方法具体步骤如下：
S201、采集用户指令，根据所述用户指令获取用户问题信息。
在本实施例中，用户指令可以为语音指令，可通过语音采集设备如麦克风等采集，并通过语音识别等技术将语音指令转换为文本，从而可以获取到用户问题信息，具体的将语音指令转换为文本的过程此处不再赘述。此外，用户指令也可是文字指令，例如用户通过键盘等输入设备输入，可从文字指令中获取到用户问题信息。
S202、根据预先训练的问题分类模型中对所述用户问题信息进行问题类别分类，得到分类结果，并判断所述分类结果是否满足预定条件。
在本实施例中，问题分类模型用于进行问题类别分类，可以将语义相同(或相似)、但表达方式不同的问题归为一个问题类别，进而后续从预设问答库中检索该问题类别对应的答案信息。问题分类模型可以为任意的分类模型，可预先通过训练数据离线训练。
本实施例在获取到用户问题信息后，首先将用户问题信息输入到预先训练的问题分类模型中，通过问题分类模型获取分类结果。
考虑到问题分类模型的误差，有些用户问题可能无法准确的划分在某一个问题类别中，例如某一用户问题可能同时与两个以上的问题类别都有一定的相似，或者某一用户问题划分在某一个问题类别中的置信度较低，则此时仍采用通过问题类别从预设问答库中检索答案的方法则可能导致得到的答案信息并不准确，因此本实施例中在获取到问题分类模型输出的分类结果后，对分类结果进行判断，判断所述分类结果是否满足预定条件，若分类结果满足预定条件，则说明分类结果相对准确，此时采用S203从预设问答库中检索答案信息即可；若分类结果不满足预定条件，则说明分类结果可能不准确，此时采用S204通过预先训练的答案生成模型获取答案信息，此时获得的答案信息较准确。需要说明的时，在实际应用时分类结果相对准确较多，也即大部分情况下均可通过S203从预设问答库中检索答案信息，小部分情况采用S204通过答案生成模型获取答案信息。
S203、若确定所述分类结果满足所述预定条件，根据所述分类结果从预设问答库中获取对应的答案信息；
其中所述预设问答库包括不同的问题类别以及各问题类别对应的答案信息。
在本实施例中，预设问答库中可包括不同的问题类别，每一问题类别中可包括语义相同(或相似)、但表达方式不同的问题样本，并且每一问题类别均对应有答案信息，其中答案信息可以为文本形式，当然答案信息也可以为如音频、视频、图片等多媒体形式，此外一个问题类别可以对应一个答案信息，当然也可对应多个答案信息，获取答案信息时可从其中任选一个以增加答案的多样性。可选的，本实施例中检索过程可应用搜索引擎，预先将预设问答库加载到搜索引擎中，通过搜索引擎从预设问答库中检索。
本实施例中在分类结果满足预定条件时，说明分类结果相对准确，此时直接根据分类结果从预设问答库中检索用户问题信息所属问题类别对应的答案信息，此时得到的答案信息较准确。本实施例中对用户问题信息按照语义进行问题类别分类，进而根据问题类别从问答库中检索答案，相较于现有技术中直接通过文本相似度从问答库中检索答案检索效果更好，尤其是可以有效的解决长问句或者复杂问句无法准确检索的问题。
可选的，本实施例中的预设问答库可预先通过如下过程进行获取：
首先获取历史问题，对所述历史问题进行分类，并获取各问题类别的相关近似问题补充到对应的问题类别中；对于每一问题类别获取对应的答案信息；根据每一问题类别所包括的问题以及对应的答案信息，构建所述预设问答库。
本实施例中可从历史语音交互日志中获取历史问题(可以获取其中高频的历史问题)，通过人工或机器对历史问题进行分类，标注问题类别，并且通过人工或机器获取各问题类别的相关近似问题，补充到对应的问题类别中，使得每一问题类别中的问题样本足够丰富，例如对于历史问题“你好”、“您好”，其问题类别为“问候语(greeting)”，可以获取相关近似问题如“你好啊”、“hello”等作为“问候语(greeting)”问题类别的补充问题样本。
S204、若确定所述分类结果不满足所述预定条件，将所述用户问题信息输入到预先训练的答案生成模型中获取对应的答案信息。
在本实施例中，在分类结果不满足预定条件时，则说明分类结果可能不准确，则此时再根据分类结果检索问答库则可能导致获得的答案信息并不准确，因此此时采用预先训练的答案生成模型，可获取相对准确的答案信息。
在一种可选实施例中，所述答案生成模型可以为序列到序列(Sequence-to-Sequence，Seq2Seq)模型或者其他能够自动生成答案的模型。其中Seq2Seq模型是一种Encoder-Decoder(编码器-解码器)结构的网络，它的输入是一个序列，输出也是一个序列。在编码器中，将序列转换成一个固定长度的向量，然后通过解码器将该向量转换成所需序列输出出来，Seq2Seq模型被广泛应用于机器翻译、问答系统等领域。
本实施例中可通过所述Seq2Seq模型的编码器对所述用户问题信息进行编码，再通过所述Seq2Seq模型的解码器进行解码，从而获取所述用户问题信息对应的答案信息，其具体过程此处不再详细赘述。
其中，Seq2Seq模型的编码器和解码器可采用通常的RNN(RecurrentNeuralNetwork，循环神经网络)模型。为了减少RNN存在的梯度衰减问题，以及输入的用户问题信息太长导致生成答案的准确度较低的问题，可以采用LSTM(Long Short-Term Memory，长短期记忆网络)模型、GRU(Gated Recurrent Units，门控循环单元)模型或Transformer机器翻译模型替换编码器和/或解码器的RNN模型，或者对RNN模型进行优化调整。
S205、输出获取到的答案信息，以响应所述用户指令。
在本实施例中，不论是通过S203还是S204获取到答案信息后，可将问题答案进行输出，从而相应用户指令，具体的，例如答案信息为文本形式可先转换为语音后再进行语音播报，若答案信息为多媒体形式则可直接进行播放，例如对于音频可直接进行语音播报，对于图片或视频可通过显示屏等进行显示，当然文本形式的答案信息也可显示屏等进行显示。
本实施例提供的智能交互方法，通过采集用户指令，根据用户指令获取用户问题信息；根据预先训练的问题分类模型中对用户问题信息进行问题类别分类，得到分类结果，并判断分类结果是否满足预定条件；若确定分类结果满足预定条件，根据分类结果从预设问答库中获取对应的答案信息；若确定分类结果不满足预定条件，将用户问题信息输入到预先训练的答案生成模型中获取对应的答案信息；输出获取到的答案信息，以响应用户指令。本实施例首先通过问题分类模型对用户问题信息进行语义分类得到分类结果，且在确定分类结果相对准确时根据分类结果从预设问答库中检索用户问题信息所属问题类别对应的答案信息，可提高检索过程的准确度，而在确定分类结果不准确时采用答案生成模型获取答案信息，通过两种方式的融合可提高答案获取的准确性，避免单纯使用基于检索方式在无法准确匹配问题时导致无法得到准确的答案，进而可提高交互过程的用户体验。
在上述实施例的基础上，如图3所示，S202所述的根据预先训练的问题分类模型中对所述用户问题信息进行问题类别分类，得到分类结果，并判断所述分类结果是否满足预定条件，具体可以包括：
S301、将所述用户问题信息输入所述问题分类模型中，通过所述问题分类模型获取所述用户问题信息的问题类别以及对应的置信度。
在本实施例中，问题分类模型的输入为用户问题信息，输出的分类结果为用户问题信息的问题类别以及对应的置信度。
具体的，所述问题分类模型包括词向量获取子模型和词向量分类子模型，可选的，所述词向量获取子模型可以为Word2vec(word to vector)模型，可以将输入的用户问题信息分词并获取词向量；所述词向量分类子模型为深度学习模型，例如CNN(ConvolutionalNeural Networks，卷积神经网络)分类模型、LSTM分类模型、基于Transformer的分类模型等。
进一步的，如图4所示，上述S301具体可以包括：
S3011、通过所述词向量获取子模型，对所述用户问题信息进行分词，并根据分词结果获取所述用户问题信息的词向量；
S3012、通过所述词向量分类子模型，对所述用户问题信息的词向量进行分类，获取所述用户问题信息的问题类别以及对应的置信度。
更具体的，本实施例中可通过所述词向量分类子模型，将所述用户问题信息的词向量与预设问题类别对应的预设词向量进行相似度匹配，获取其中相似度最高的预设问题类别作为所述用户问题信息的问题类别，将其相似度作为所述置信度。
S302、判断所述置信度是否满足预定的置信度阈值。
在本实施例中，将上述过程获取到的置信度与预定的置信度阈值进行比较，若置信度大于预定的置信度阈值，则可根据用户问题信息的问题类别从预设问答库中获取对应的答案信息；若置信度不大于预定的置信度阈值，则可将所述用户问题信息输入到答案生成模型中获取对应的答案信息。
在上述任一实施例的基础上，所述智能交互方法还可预先进行问题分类模型的离线训练，如图5所示，具体的训练过程可如下：
S401、将所述预设问答库中每一问题类别所包括的问题样本作为第一训练数据，对所述词向量获取子模型进行训练；
S402、根据训练后的词向量获取子模型获取各所述第一训练数据的词向量，作为第二训练数据，对所述词向量分类子模型进行训练，直至所述词向量分类子模型收敛。
在本实施例中，由于预设问答库中包括不同的问题分类，且每一问题分类中包括多个问题样本(包括从日志获取的历史问题以及补充的相关近似问题)，因此，可以将预设问答库中已划分好问题类别的问题样本作为训练数据(也即第一训练数据)，首先可对词向量获取子模型进行训练，也即对Word2vec模型进行训练，使得Word2vec模型能够准确的分词、获取词向量；进一步的，在完成词向量获取子模型的训练后，通过词向量获取子模型获取第一训练数据的词向量，并将第一训练数据的词向量作为词向量分类子模型的训练数据，将第一训练数据的词向量输入到词向量分类子模型(CNN分类模型、LSTM分类模型或基于Transformer的分类模型)进行训练，直至词向量分类子模型收敛，也即训练过程中过去模型的损失函数，当损失函数收敛时，说明词向量分类子模型收敛，此时可完成词向量分类子模型的训练。
在上述任一实施例的基础上，所述智能交互方法还可预先进行答案生成模型的离线训练，具体的训练过程可如下：
将所述预设问答库中每一问题类别所包括的问题样本以及对应的答案信息作为第三训练数据，对所述Seq2Seq模型进行训练。
在本实施例中，由于预设问答库中每一问题类别都包括问题样本以及对应的答案信息，可以将问题样本和对应的答案信息作为答案生成模型的训练数据，具体的对Seq2Seq模型训练过程可采用现有的训练方法，此处不再赘述。
图6为本发明实施例提供的智能交互装置的结构图。本实施例提供的智能交互装置可以执行智能交互方法实施例提供的处理流程，如图3所示，所述智能交互装置600包括采集模块601、分类模块602、判断模块603、第一答案获取模块604、第二答案获取模块605以及输出模块606。
采集模块601，用于采集用户指令，根据所述用户指令获取用户问题信息；
分类模块602，用于根据预先训练的问题分类模型中对所述用户问题信息进行问题类别分类，得到分类结果；
判断模块603，用于判断所述分类结果是否满足预定条件；
第一答案获取模块604，用于若确定所述分类结果满足所述预定条件，根据所述分类结果从预设问答库中获取对应的答案信息，其中所述预设问答库包括不同的问题类别以及各问题类别对应的答案信息；
第二答案获取模块605，用于若确定所述分类结果不满足所述预定条件，将所述用户问题信息输入到预先训练的答案生成模型中获取对应的答案信息；
输出模块606，用于输出获取到的答案信息，以响应所述用户指令。
在上述实施例的基础上，所述分类模块602在根据预先训练的问题分类模型中对所述用户问题信息进行问题类别分类，得到分类结果时，用于：
将所述用户问题信息输入所述问题分类模型中，通过所述问题分类模型获取所述用户问题信息的问题类别以及对应的置信度；
所述判断模块603在判断所述分类结果是否满足预定条件时，用于：
判断所述置信度是否满足预定的置信度阈值。
在上述任一实施例的基础上，所述问题分类模型包括词向量获取子模型和词向量分类子模型；
所述分类模块602在通过所述问题分类模型获取所述用户问题信息的问题类别以及对应的置信度时，用于：
通过所述词向量获取子模型，对所述用户问题信息进行分词，并根据分词结果获取所述用户问题信息的词向量；
通过所述词向量分类子模型，对所述用户问题信息的词向量进行分类，获取所述用户问题信息的问题类别以及对应的置信度。
在上述任一实施例的基础上，所述分类模块602在通过所述词向量分类子模型，对所述用户问题信息的词向量进行分类，获取所述用户问题信息的问题类别以及对应的置信度时，用于：
通过所述词向量分类子模型，将所述用户问题信息的词向量与预设问题类别对应的预设词向量进行相似度匹配，获取其中相似度最高的预设问题类别作为所述用户问题信息的问题类别，将其相似度作为所述置信度。
在上述任一实施例的基础上，所述词向量分类子模型为深度学习模型。
在上述任一实施例的基础上，所述答案生成模型为Seq2Seq模型；
所述第二答案获取模块605在将所述用户问题信息输入到预先训练的答案生成模型中获取对应的答案信息时，用于：
通过所述Seq2Seq模型的编码器对所述用户问题信息进行编码，再通过所述Seq2Seq模型的解码器进行解码，获取所述用户问题信息对应的答案信息。
在上述任一实施例的基础上，所述Seq2Seq模型的编码器采用LSTM模型、GRU模型或Transformer模型；
所述Seq2Seq模型的解码器采用LSTM模型、GRU模型或Transformer模型。
在上述任一实施例的基础上，所述装置还包括第一训练模块，用于：
将所述预设问答库中每一问题类别所包括的问题样本作为第一训练数据，对所述词向量获取子模型进行训练；
根据训练后的词向量获取子模型获取各所述第一训练数据的词向量，作为第二训练数据，对所述词向量分类子模型进行训练，直至所述词向量分类子模型收敛。
在上述任一实施例的基础上，所述装置还包括第二训练模块，用于：
将所述预设问答库中每一问题类别所包括的问题样本以及对应的答案信息作为第三训练数据，对所述Seq2Seq模型进行训练。
在上述任一实施例的基础上，所述装置还包括问答库构建模块，用于：
获取历史问题，对所述历史问题进行分类，并获取各问题类别的相关近似问题补充到对应的问题类别中；
对于每一问题类别获取对应的答案信息；
根据每一问题类别所包括的问题以及对应的答案信息，构建所述预设问答库。
本发明实施例提供的智能交互装置可以具体用于执行上述图1所提供的智能交互方法实施例，具体功能此处不再赘述。
本发明实施例提供的智能交互装置，通过采集用户指令，根据用户指令获取用户问题信息；根据预先训练的问题分类模型中对用户问题信息进行问题类别分类，得到分类结果，并判断分类结果是否满足预定条件；若确定分类结果满足预定条件，根据分类结果从预设问答库中获取对应的答案信息；若确定分类结果不满足预定条件，将用户问题信息输入到预先训练的答案生成模型中获取对应的答案信息；输出获取到的答案信息，以响应用户指令。本实施例首先通过问题分类模型对用户问题信息进行语义分类得到分类结果，且在确定分类结果相对准确时根据分类结果从预设问答库中检索用户问题信息所属问题类别对应的答案信息，可提高检索过程的准确度，而在确定分类结果不准确时采用答案生成模型获取答案信息，通过两种方式的融合可提高答案获取的准确性，避免单纯使用基于检索方式在无法准确匹配问题时导致无法得到准确的答案，进而可提高交互过程的用户体验。
图7为本发明实施例提供的智能交互设备的结构示意图。本发明实施例提供的智能交互设备可以执行智能交互方法实施例提供的处理流程，如图7所示，智能交互设备70包括存储器71、处理器72、计算机程序和通讯接口73；其中，计算机程序存储在存储器71中，并被配置为由处理器72执行以上实施例所述的智能交互方法。
图7所示实施例的智能交互设备可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本实施例提供的智能交互设备，通过采集用户指令，根据用户指令获取用户问题信息；根据预先训练的问题分类模型中对用户问题信息进行问题类别分类，得到分类结果，并判断分类结果是否满足预定条件；若确定分类结果满足预定条件，根据分类结果从预设问答库中获取对应的答案信息；若确定分类结果不满足预定条件，将用户问题信息输入到预先训练的答案生成模型中获取对应的答案信息；输出获取到的答案信息，以响应用户指令。本实施例首先通过问题分类模型对用户问题信息进行语义分类得到分类结果，且在确定分类结果相对准确时根据分类结果从预设问答库中检索用户问题信息所属问题类别对应的答案信息，可提高检索过程的准确度，而在确定分类结果不准确时采用答案生成模型获取答案信息，通过两种方式的融合可提高答案获取的准确性，避免单纯使用基于检索方式在无法准确匹配问题时导致无法得到准确的答案，进而可提高交互过程的用户体验。
另外，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述实施例所述的智能交互方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
另外，在本发明实施例各个实施例中的各功能单元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单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明实施例各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
最后应说明的是：以上各实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的范围。

Claims (22)

1.一种智能交互方法，其特征在于，包括：
采集用户指令，根据所述用户指令获取用户问题信息；
根据预先训练的问题分类模型中对所述用户问题信息进行问题类别分类，得到分类结果，并判断所述分类结果是否满足预定条件；
若确定所述分类结果满足所述预定条件，根据所述分类结果从预设问答库中获取对应的答案信息，其中所述预设问答库包括不同的问题类别以及各问题类别对应的答案信息；
若确定所述分类结果不满足所述预定条件，将所述用户问题信息输入到预先训练的答案生成模型中获取对应的答案信息；
输出获取到的答案信息，以响应所述用户指令。
2.根据权利要求1所述的方法，其特征在于，所述根据预先训练的问题分类模型中对所述用户问题信息进行问题类别分类，得到分类结果，并判断所述分类结果是否满足预定条件，包括：
将所述用户问题信息输入所述问题分类模型中，通过所述问题分类模型获取所述用户问题信息的问题类别以及对应的置信度；
判断所述置信度是否满足预定的置信度阈值。
3.根据权利要求2所述的方法，其特征在于，所述问题分类模型包括词向量获取子模型和词向量分类子模型；
所述通过所述问题分类模型获取所述用户问题信息的问题类别以及对应的置信度，包括：
通过所述词向量获取子模型，对所述用户问题信息进行分词，并根据分词结果获取所述用户问题信息的词向量；
通过所述词向量分类子模型，对所述用户问题信息的词向量进行分类，获取所述用户问题信息的问题类别以及对应的置信度。
4.根据权利要求3所述的方法，其特征在于，所述通过所述词向量分类子模型，对所述用户问题信息的词向量进行分类，获取所述用户问题信息的问题类别以及对应的置信度，包括：
通过所述词向量分类子模型，将所述用户问题信息的词向量与预设问题类别对应的预设词向量进行相似度匹配，获取其中相似度最高的预设问题类别作为所述用户问题信息的问题类别，将其相似度作为所述置信度。
5.根据权利要求3或4所述的方法，其特征在于，所述词向量分类子模型为深度学习模型。
6.根据权利要求1-4任一项所述的方法，其特征在于，所述答案生成模型为Seq2Seq模型；
所述将所述用户问题信息输入到预先训练的答案生成模型中获取对应的答案信息，包括：
通过所述Seq2Seq模型的编码器对所述用户问题信息进行编码，再通过所述Seq2Seq模型的解码器进行解码，获取所述用户问题信息对应的答案信息。
7.根据权利要求6所述的方法，其特征在于，
所述Seq2Seq模型的编码器采用LSTM模型、GRU模型或Transformer模型；
所述Seq2Seq模型的解码器采用LSTM模型、GRU模型或Transformer模型。
8.根据权利要求3或4所述的方法，其特征在于，还包括：
将所述预设问答库中每一问题类别所包括的问题样本作为第一训练数据，对所述词向量获取子模型进行训练；
根据训练后的词向量获取子模型获取各所述第一训练数据的词向量，作为第二训练数据，对所述词向量分类子模型进行训练，直至所述词向量分类子模型收敛。
9.根据权利要求6所述的方法，其特征在于，还包括：
将所述预设问答库中每一问题类别所包括的问题样本以及对应的答案信息作为第三训练数据，对所述Seq2Seq模型进行训练。
10.根据权利要求1所述的方法，其特征在于，还包括：
获取历史问题，对所述历史问题进行分类，并获取各问题类别的相关近似问题补充到对应的问题类别中；
对于每一问题类别获取对应的答案信息；
根据每一问题类别所包括的问题以及对应的答案信息，构建所述预设问答库。
11.一种智能交互装置，其特征在于，包括：
采集模块，用于采集用户指令，根据所述用户指令获取用户问题信息；
分类模块，用于根据预先训练的问题分类模型中对所述用户问题信息进行问题类别分类，得到分类结果；
判断模块，用于判断所述分类结果是否满足预定条件；
第一答案获取模块，用于若确定所述分类结果满足所述预定条件，根据所述分类结果从预设问答库中获取对应的答案信息，其中所述预设问答库包括不同的问题类别以及各问题类别对应的答案信息；
第二答案获取模块，用于若确定所述分类结果不满足所述预定条件，将所述用户问题信息输入到预先训练的答案生成模型中获取对应的答案信息；
输出模块，用于输出获取到的答案信息，以响应所述用户指令。
12.根据权利要求11所述的装置，其特征在于，所述分类模块在根据预先训练的问题分类模型中对所述用户问题信息进行问题类别分类，得到分类结果时，用于：
将所述用户问题信息输入所述问题分类模型中，通过所述问题分类模型获取所述用户问题信息的问题类别以及对应的置信度；
所述判断模块在判断所述分类结果是否满足预定条件时，用于：
判断所述置信度是否满足预定的置信度阈值。
13.根据权利要求12所述的装置，其特征在于，所述问题分类模型包括词向量获取子模型和词向量分类子模型；
所述分类模块在通过所述问题分类模型获取所述用户问题信息的问题类别以及对应的置信度时，用于：
通过所述词向量获取子模型，对所述用户问题信息进行分词，并根据分词结果获取所述用户问题信息的词向量；
通过所述词向量分类子模型，对所述用户问题信息的词向量进行分类，获取所述用户问题信息的问题类别以及对应的置信度。
14.根据权利要求13所述的装置，其特征在于，所述分类模块在通过所述词向量分类子模型，对所述用户问题信息的词向量进行分类，获取所述用户问题信息的问题类别以及对应的置信度时，用于：
通过所述词向量分类子模型，将所述用户问题信息的词向量与预设问题类别对应的预设词向量进行相似度匹配，获取其中相似度最高的预设问题类别作为所述用户问题信息的问题类别，将其相似度作为所述置信度。
15.根据权利要求13或14所述的装置，其特征在于，所述词向量分类子模型为深度学习模型。
16.根据权利要求11-14任一项所述的装置，其特征在于，所述答案生成模型为Seq2Seq模型；
所述第二答案获取模块在将所述用户问题信息输入到预先训练的答案生成模型中获取对应的答案信息时，用于：
通过所述Seq2Seq模型的编码器对所述用户问题信息进行编码，再通过所述Seq2Seq模型的解码器进行解码，获取所述用户问题信息对应的答案信息。
17.根据权利要求16所述的装置，其特征在于，
所述Seq2Seq模型的编码器采用LSTM模型、GRU模型或Transformer模型；
所述Seq2Seq模型的解码器采用LSTM模型、GRU模型或Transformer模型。
18.根据权利要求13或14所述的装置，其特征在于，还包括第一训练模块，用于：
将所述预设问答库中每一问题类别所包括的问题样本作为第一训练数据，对所述词向量获取子模型进行训练；
根据训练后的词向量获取子模型获取各所述第一训练数据的词向量，作为第二训练数据，对所述词向量分类子模型进行训练，直至所述词向量分类子模型收敛。
19.根据权利要求16所述的装置，其特征在于，还包括第二训练模块，用于：
将所述预设问答库中每一问题类别所包括的问题样本以及对应的答案信息作为第三训练数据，对所述Seq2Seq模型进行训练。
20.根据权利要求11所述的装置，其特征在于，还包括问答库构建模块，用于：
获取历史问题，对所述历史问题进行分类，并获取各问题类别的相关近似问题补充到对应的问题类别中；
对于每一问题类别获取对应的答案信息；
根据每一问题类别所包括的问题以及对应的答案信息，构建所述预设问答库。
21.一种智能交互设备，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-10中任一项所述的方法。
22.一种计算机可读存储介质，其特征在于，其上存储有计算机程序；
所述计算机程序被处理器执行时实现如权利要求1-10中任一项所述的方法。
CN202010386988.5A 2020-05-09 2020-05-09 智能交互方法、装置、设备及存储介质 Active CN111858875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010386988.5A CN111858875B (zh) 2020-05-09 2020-05-09 智能交互方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010386988.5A CN111858875B (zh) 2020-05-09 2020-05-09 智能交互方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111858875A CN111858875A (zh) 2020-10-30
CN111858875B true CN111858875B (zh) 2024-06-07

Family

ID=72985736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010386988.5A Active CN111858875B (zh) 2020-05-09 2020-05-09 智能交互方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111858875B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364128B (zh) * 2020-11-06 2024-05-24 北京乐学帮网络技术有限公司 一种信息处理的方法、装置、计算机设备和存储介质
CN112883173B (zh) * 2021-02-08 2024-06-18 联想(北京)有限公司 一种文本应答方法及装置
CN116028706A (zh) * 2021-10-27 2023-04-28 中移系统集成有限公司 在线咨询方法及系统
CN115292592A (zh) * 2022-07-26 2022-11-04 珠海格力电器股份有限公司 产品信息获取方法、装置、存储介质及电子设备
CN116150322A (zh) * 2023-02-24 2023-05-23 重庆长安汽车股份有限公司 语义结果确定方法、装置、电子设备及存储介质
JP7370115B1 (ja) * 2023-04-26 2023-10-27 堺財経電算合同会社 回答装置及び回答方法
CN117076636A (zh) * 2023-08-18 2023-11-17 北京天威诚信电子商务服务有限公司 一种智能客服的信息查询方法、系统和设备
CN118689967B (zh) * 2024-08-23 2024-11-08 中科厚立信息技术(成都)有限公司 一种基于医疗问答大模型的医疗数据收集方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104221395A (zh) * 2013-02-12 2014-12-17 索尼公司 信息处理设备、信息处理方法以及信息处理系统
CN104731934A (zh) * 2015-03-30 2015-06-24 北京奇艺世纪科技有限公司 一种信息推送方法及装置
CN107329967A (zh) * 2017-05-12 2017-11-07 北京邮电大学 基于深度学习的问答系统以及方法
KR20170127882A (ko) * 2016-05-13 2017-11-22 한국전자통신연구원 가부형 질의 응답 장치 및 방법
CN109783622A (zh) * 2018-12-20 2019-05-21 出门问问信息科技有限公司 一种基于问题分类确定问题答案方法、装置及电子设备
CN109947909A (zh) * 2018-06-19 2019-06-28 平安科技（深圳）有限公司 智能客服应答方法、设备、存储介质及装置
JP6537211B1 (ja) * 2018-07-06 2019-07-03 Ｊｅインターナショナル株式会社 検索装置およびプログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10387572B2 (en) * 2017-09-15 2019-08-20 International Business Machines Corporation Training data update

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104221395A (zh) * 2013-02-12 2014-12-17 索尼公司 信息处理设备、信息处理方法以及信息处理系统
CN104731934A (zh) * 2015-03-30 2015-06-24 北京奇艺世纪科技有限公司 一种信息推送方法及装置
KR20170127882A (ko) * 2016-05-13 2017-11-22 한국전자통신연구원 가부형 질의 응답 장치 및 방법
CN107329967A (zh) * 2017-05-12 2017-11-07 北京邮电大学 基于深度学习的问答系统以及方法
CN109947909A (zh) * 2018-06-19 2019-06-28 平安科技（深圳）有限公司 智能客服应答方法、设备、存储介质及装置
JP6537211B1 (ja) * 2018-07-06 2019-07-03 Ｊｅインターナショナル株式会社 検索装置およびプログラム
CN109783622A (zh) * 2018-12-20 2019-05-21 出门问问信息科技有限公司 一种基于问题分类确定问题答案方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
中文自动答疑系统的研究与实现;张小艳;;微计算机信息(第36期);全文 *
基于双语信息的问题分类方法研究;徐健;张栋;李寿山;王红玲;;中文信息学报(第05期);全文 *

Also Published As

Publication number Publication date
CN111858875A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111858875B (zh) 智能交互方法、装置、设备及存储介质
US11503155B2 (en) Interactive voice-control method and apparatus, device and medium
CN113723166B (zh) 内容识别方法、装置、计算机设备和存储介质
CN114596844B (zh) 声学模型的训练方法、语音识别方法及相关设备
CN112528637B (zh) 文本处理模型训练方法、装置、计算机设备和存储介质
CN107423398B (zh) 交互方法、装置、存储介质和计算机设备
CN111898369B (zh) 文章标题生成方法、模型的训练方法、装置和电子设备
CN112131883B (zh) 语言模型训练方法、装置、计算机设备和存储介质
US12111866B2 (en) Term weight generation method, apparatus, device and medium
CN114118100B (zh) 用于生成对话语句的方法、装置、设备、介质和程序产品
CN113392265B (zh) 多媒体处理方法、装置及设备
CN118051635B (zh) 基于大语言模型的对话式图像检索方法和装置
CN111026840A (zh) 文本处理方法、装置、服务器和存储介质
CN118233706A (zh) 直播间场景互动应用方法、装置、设备及存储介质
CN114048319B (zh) 基于注意力机制的幽默文本分类方法、装置、设备、介质
CN119719435A (zh) 跨模态的问答处理方法、设备及存储介质
CN114490947A (zh) 基于人工智能的对话服务方法、装置、服务器及介质
CN118170945B (zh) 一种社区视频课程的课后习题生成方法及装置
CN119539076A (zh) 一种基于大语言模型的实时语音流及文本对话交互系统
CN114090754B (zh) 一种问题生成方法、装置、设备及存储介质
CN113763934B (zh) 音频识别模型的训练方法、装置和存储介质及电子设备
CN112784607B (zh) 客户意图识别方法及装置
CN116978367A (zh) 语音识别方法、装置、电子设备和存储介质
CN114510950A (zh) 语音对话方法、装置、电子设备及计算机可读存储介质
CN115168558A (zh) 一种实现多轮人机对话的方法

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