基于机器学习的问询方法、装置、介质及电子设备制造方法及图纸

本公开涉及自然语言处理领域，揭示了一种基于机器学习的问询方法、装置、介质及电子设备。该方法包括：获取用户问题，并根据所述用户问题中的词间距离，提取所述用户问题中的关键词；将所述用户问题中的关键词输入问题匹配模型中，得到与所述用户问题匹配的目标问题，其中，所述问题匹配模型为基于用户问题的关键词样本、所述关键词样本对应的问题标签进行训练得到；根据所述目标问题，从机器人大脑文件中查找所述目标问题对应的目标答案，其中，所述机器人大脑文件通过预先对问题库中的文件加载而生成；将所述目标答案发送至终端。此方法下，提高了问题搜索的精确性和答案的搜索效率，进而提高了问题回答的响应速度和准确率。进而提高了问题回答的响应速度和准确率。进而提高了问题回答的响应速度和准确率。

【技术实现步骤摘要】
基于机器学习的问询方法、装置、介质及电子设备


[0001]本公开涉及自然语言处理
，特别涉及一种基于机器学习的问询方法、装置、介质及电子设备。

技术介绍

[0002]在很多需要问询的应用环境中，通过人工客服可以帮助用户解答各种问题，但是在问题较多的情况下，一般通过构建问询系统来自动实现用户的咨询需求，用户可以通过问询系统输入需要查询的问题，系统自动反馈答案至终端。但是这种方式往往不能精确地回答或者处理用户的问题，使得最后输出的解答不够精确，并且响应速度不高。

技术实现思路

[0003]在自然语言处理
，为了解决上述技术问题，本公开的目的在于提供一种基于机器学习的问询方法、装置、介质及电子设备。
[0004]根据本公开的一方面，提供了一种基于机器学习的问询方法，所述方法包括：
[0005]获取用户问题，并根据所述用户问题中的词间距离，提取所述用户问题中的关键词，其中，所述关键词为所述用户问题中对应的词间距离大于预定词间距离阈值的词，所述词间距离根据词在所述用户问题中的位置计算得到；
[0006]将所述用户问题中的关键词输入问题匹配模型中，由所述问题匹配模型基于神经网络模型中参数的计算得到至少两个候选目标问题，并从所述候选目标问题中选择得到与所述用户问题匹配的目标问题，其中，所述问题匹配模型为基于用户问题的关键词样本、所述关键词样本对应的问题标签进行训练得到；
[0007]根据所述目标问题，从机器人大脑文件中查找所述目标问题对应的目标答案，其中，所述机器人大脑文件通过预先对问题库中的文件加载而生成；
[0008]将所述目标答案发送至终端。
[0009]根据本公开的另一方面，提供了一种基于机器学习的问询装置，所述装置包括：
[0010]提取模块，被配置为获取用户问题，并根据所述用户问题中的词间距离，提取所述用户问题中的关键词，其中，所述关键词为所述用户问题中对应的词间距离大于预定词间距离阈值的词，所述词间距离根据词在所述用户问题中的位置计算得到；
[0011]输入模块，被配置为将所述用户问题中的关键词输入问题匹配模型中，由所述问题匹配模型基于神经网络模型中参数的计算得到至少两个候选目标问题，并从所述候选目标问题中选择得到与所述用户问题匹配的目标问题，其中，所述问题匹配模型为基于用户问题的关键词样本、所述关键词样本对应的问题标签进行训练得到；
[0012]查找模块，被配置为根据所述目标问题，从机器人大脑文件中查找所述目标问题对应的目标答案，其中，所述机器人大脑文件通过预先对问题库中的文件加载而生成；
[0013]发送模块，被配置为将所述目标答案发送至终端。
[0014]根据本公开的另一方面，提供了一种计算机可读程序介质，其存储有计算机程序
指令，当所述计算机程序指令被计算机执行时，使计算机执行如前所述的方法。
[0015]根据本公开的另一方面，提供了一种电子设备，所述电子设备包括：
[0016]处理器；
[0017]存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如前所述的方法。
[0018]本公开的实施例提供的技术方案可以包括以下有益效果：
[0019]对于本公开所提供的基于机器学习的问询方法、装置、介质及电子设备，该方法包括如下步骤：获取用户问题，并根据所述用户问题中的词间距离，提取所述用户问题中的关键词，其中，所述关键词为所述用户问题中对应的词间距离大于预定词间距离阈值的词，所述词间距离根据词在所述用户问题中的位置计算得到；将所述用户问题中的关键词输入问题匹配模型中，由所述问题匹配模型基于神经网络模型中参数的计算得到至少两个候选目标问题，并从所述候选目标问题中选择得到与所述用户问题匹配的目标问题，其中，所述问题匹配模型为基于用户问题的关键词样本、所述关键词样本对应的问题标签进行训练得到；根据所述目标问题，从机器人大脑文件中查找所述目标问题对应的目标答案，其中，所述机器人大脑文件通过预先对问题库中的文件加载而生成；将所述目标答案发送至终端。
[0020]此方法下，通过获取用户问题，将用户问题的关键词输入问题匹配模型中，得到与用户问题匹配的目标问题，最后从问题库中查找目标问题对应的目标答案，通过基于机器学习的方法构建问题匹配模型来查找用户问题对应的目标问题，提高了问题搜索的精确性，通过从预先加载的机器人大脑文件中查找目标问题对应的目标答案，提高了答案的搜索效率，进而提高了问题回答的响应速度和准确率。
[0021]应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本专利技术。
附图说明
[0022]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0023]图1是根据一示例性实施例示出的一种基于机器学习的问询方法的系统架构示意图；
[0024]图2是根据一示例性实施例示出的一种基于机器学习的问询方法的流程图；
[0025]图3是根据一示例性实施例示出的问题匹配模型的结构示意图；
[0026]图4是根据一示例性实施例示出的一种基于机器学习的问询方法用于运维问题解答领域时的流程图；
[0027]图5是根据一示例性实施例示出的一种基于机器学习的问询装置的框图；
[0028]图6是根据一示例性实施例示出的一种实现上述基于机器学习的问询方法的电子设备示例框图；
[0029]图7是根据一示例性实施例示出的一种实现上述基于机器学习的问询方法的程序产品。
具体实施方式
[0030]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术的一些方面相一致的装置和方法的例子。
[0031]此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
[0032]本公开首先提供了一种基于机器学习的问询方法。本公开提供的一种基于机器学习的问询方法用于机器人或机器客服中，可以根据用户问题自动做出相应的解答，本公开提供的一种基于机器学习的问询方法可用于平台运维问题解答领域中，此处的平台可以为交易平台等各种类型的平台。
[0033]本公开的实施终端可以是任何具有运算、处理以及通信功能的设备，该设备可以与外部设备相连，用于接收或者发送数据，具体可以是便携移动设备，例如智能手机、平板电脑、笔记本电脑、PDA(Personal Digital Assistant)等，也可以是固定式设备，例如，计算机设备、现场终端、台式电脑、服务器、工作站等，还可以是多个设备的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的问询方法，其特征在于，所述方法包括：获取用户问题，并根据所述用户问题中的词间距离，提取所述用户问题中的关键词，其中，所述关键词为所述用户问题中对应的词间距离大于预定词间距离阈值的词，所述词间距离根据词在所述用户问题中的位置计算得到；将所述用户问题中的关键词输入问题匹配模型中，由所述问题匹配模型基于神经网络模型中参数的计算得到至少两个候选目标问题，并从所述候选目标问题中选择得到与所述用户问题匹配的目标问题，其中，所述问题匹配模型为基于用户问题的关键词样本、所述关键词样本对应的问题标签进行训练得到；根据所述目标问题，从机器人大脑文件中查找所述目标问题对应的目标答案，其中，所述机器人大脑文件通过预先对问题库中的文件加载而生成；将所述目标答案发送至终端。2.根据权利要求1所述的方法，其特征在于，在将所述用户问题中的关键词输入问题匹配模型中之前，所述方法还包括：获取关键词样本、以及所述关键词样本对应的问题标签；将所述关键词样本输入预设的神经网络模型中，得到输出结果；根据所述输出结果与所述问题标签之间的文字匹配度，确定本次训练的损失函数；基于所述损失函数调整所述神经网络模型的参数，得到问题匹配模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述输出结果与所述问题标签之间的文字匹配度，确定本次训练的损失函数，包括：对所述输出结果进行分词，得到第一分词序列；对所述问题标签进行分词，得到第二分词序列；计算所述第一分词序列与所述第二分词序列之间的相似度，并根据所述相似度确定所述文字匹配度；根据所述文字匹配度，确定本次训练的损失函数。4.根据权利要求1所述的方法，其特征在于，在根据所述目标问题，从机器人大脑文件中查找所述目标问题对应的目标答案之后，所述方法还包括：如果无法从所述机器人大脑文件中找到所述目标问题对应的目标答案，则将所述问题库中未被加载至所述机器人大脑文件中的文件加载至所述机器人大脑文件；再次从所述机器人大脑文件中查找所述目标问题对应的目标答案。5.根据权利要求4所述的方法，其特征在于，在再次从所述机器人大脑文件中查找所述目标问题对应的目标答案之后，所述方法还包括：如果再次无法从所述机器人大脑文件中找到所述目标...

【专利技术属性】
技术研发人员：张思强，
申请(专利权)人：平安证券股份有限公司，
类型：发明
国别省市：