基于图神经网络的应答方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能的分类模型技术领域，本发明专利技术公开了一种基于图神经网络的应答方法、装置、设备及存储介质，所述方法包括：通过获取问答请求中的用户音频文件；进行语音识别，得到用户文本问题；进行业务场景特征提取，识别出业务场景结果；从基于专家知识领域的召回候选库中获取候选问题，并构建各候选问题的图结构；通过语义召回模型分别对用户文本问题和各候选问题的图结构进行共享参数的词向量转换，并通过词袋聚合得到用户语义向量，以及逐层词袋聚合得到候选语义向量，获取最大语义相似度；返回并播报应答文本。因此，本发明专利技术实现了有效加入句子间的结构信息，利用问题的一阶及二阶邻居相关信息进行补充，有效提高了问题召回模型的效果。

【技术实现步骤摘要】
基于图神经网络的应答方法、装置、设备及存储介质
本专利技术涉及分类模型
，尤其涉及一种基于图神经网络的应答方法、装置、设备及存储介质。
技术介绍
目前，语义召回模型被广泛地应用于AI问答系统中，随着科技的发展，越来越多的地方以AI问答系统来代替人工问答，以提高认为处理效率。其中，语义召回模型在其中担任重要角色。然而，随着信息时代的高速发展，模型需要处理的语料数据也越来越庞大，精度也越来越高，覆盖面也越来越广，就要求当前的语义召回模型收集大量的训练样本，但是在某些业务场景中获取训练样本十分昂贵或者艰难，例如业务场景为购物咨询、医疗问答等等，在训练样本少的情况下，仅考虑两个句子间的语义相似度，就会导致大量的知识缺失或者学习不够充分，以及损失了问题之间存在的结构联系，以致语义召回模型的准确率低的技术问题。
技术实现思路
本专利技术提供一种基于图神经网络的应答方法、装置、计算机设备及存储介质，实现了能够有效的加入句子间的结构信息，利用问题的一阶及二阶邻居相关信息进行补充，有效的提高了问题召回模型的效果。一种基于本文档来自技高网...

【技术保护点】
1.一种基于图神经网络的应答方法，其特征在于，包括：/n接收用户的问答请求，获取所述问答请求中的用户音频文件；/n对所述用户音频文件进行语音识别，得到用户文本问题；/n对所述用户文本问题进行业务场景特征提取，根据提取的所述业务场景特征识别出业务场景结果；/n从基于专家知识领域的召回候选库中获取与所述业务场景结果匹配的候选问题，并构建各所述候选问题的图结构；/n通过语义召回模型分别对所述用户文本问题和各所述候选问题的图结构进行共享参数的词向量转换，并对词向量转换后的所述用户文本问题进行词袋聚合，得到用户语义向量，以及通过所述语义召回模型中的图神经网络对各词向量转换后的所述候选问题进行逐层词袋聚合...

【技术特征摘要】
1.一种基于图神经网络的应答方法，其特征在于，包括：
接收用户的问答请求，获取所述问答请求中的用户音频文件；
对所述用户音频文件进行语音识别，得到用户文本问题；
对所述用户文本问题进行业务场景特征提取，根据提取的所述业务场景特征识别出业务场景结果；
从基于专家知识领域的召回候选库中获取与所述业务场景结果匹配的候选问题，并构建各所述候选问题的图结构；
通过语义召回模型分别对所述用户文本问题和各所述候选问题的图结构进行共享参数的词向量转换，并对词向量转换后的所述用户文本问题进行词袋聚合，得到用户语义向量，以及通过所述语义召回模型中的图神经网络对各词向量转换后的所述候选问题进行逐层词袋聚合，得到与各所述候选问题一一对应的候选语义向量，获取所述用户语义向量与各所述候选语义向量的最大语义相似度；
返回与所述最大语义相似度对应的所述候选问题对应的应答文本，以及播报所述应答文本。


2.如权利要求1所述的基于图神经网络的应答方法，其特征在于，所述从基于专家知识领域的召回候选库中获取与所述业务场景结果匹配的候选问题，并构建各所述候选问题的图结构，包括：
获取所述召回候选库中与所述候选问题关联的一阶召回相似问题及与其对应的一阶实时采集次数，和与各所述一阶召回相似问题关联的二阶召回相似问题及与其对应的二阶实时采集次数；
创建以所述候选问题为中心的图结构，根据所有所述一阶召回相似问题及与其对应的所述一阶实时采集次数，建立与所述候选问题的一阶边连接关系，构建所述图结构的一阶邻居；
根据所有所述二阶召回相似问题及与其对应的所述二阶实时采集次数，建立与各所述一阶召回相似问题的二阶边连接关系，构建所述图结构的二阶邻居；
将构建二阶邻居之后的图结构记录为该候选问题的图结构。


3.如权利要求2所述的基于图神经网络的应答方法，其特征在于，所述获取所述召回候选库中与所述候选问题关联的一阶召回相似问题及与其对应的一阶实时采集次数，和与各所述一阶召回相似问题关联的二阶召回相似问题及与其对应的二阶实时采集次数之前，包括：
对所述候选问题进行分词处理，划分出多个单元词；
通过词性检测模型对各所述单元词进行词性识别，得到各所述单元词的词性结果；
根据所有所述单元词的词性结果，通过基于专家知识领域的问句生成模型进行问句生成，生成与所述候选问题对应的多个所述一阶召回相似问题。


4.如权利要求3所述的基于图神经网络的应答方法，其特征在于，所述根据所有所述单元词的词性结果，通过基于专家知识领域的问句生成模型进行问句生成，生成与所述候选问题对应的多个所述一阶召回相似问题，包括：
通过所述问句生成模型对所有与所述候选问题对应的所述词性结果进行分类及筛选处理，得到与预设词性相同的待处理词；
通过所述问句生成模型将所有所述待处理词填充至问句模板库中的各问句模板中，得到与各所述问句模板对应的待处理问句；
运用Bi-LSTM算法，通过所述问句生成模型中的基于专家知识领域的问句校验模型，对各所述待处理问句进行知识关系校验，得到各所述待处理问句的校验结果；
将与所述校验结果为合格对应的所述待处理问句记录为所述一阶召回相似问题。


5.如权利要求4所述的基于图神经网络的应答方法，其特征在于，所述根据所有所述单元词的词性结果，通过基于专家知识领域的问句生成模型进行问句生成，生成与所述候选问题对应的多个所述一阶召回相似问题之后，包括：
接收与所述候选问题对应的召回请求，并返回与所述候选问题对应的所有所述一阶召回相似问题；
接收选取指令，并累加与所述选取指令中选取的一阶召回相似问题对应的所述一阶实时采集次数；所述选取指令为用户实时从返回的所有所述一阶召回相似问题中选取的一个所述一阶召回相似问题的指令。


6.如权利要求2所述的基于图神经...

【专利技术属性】
技术研发人员：陆林炳，刘志慧，金培根，林加新，李炫，
申请(专利权)人：中国平安人寿保险股份有限公司，
类型：发明
国别省市：广东;44