自动问答

摘要： 高考语文阅读理解问答相对普通阅读理解问答难度更大,同时高考问答任务中的训练数据较少,目前的深度学习方法不能取得良好的答题效果。针对这些问题,该文提出融合BERT语义表示的高考阅读理解答案候选句抽取方法。首先,采用改进的MMR算法对段落进行筛选;其次,运用微调之后的BERT模型对句子进行语义表示;再次,通过SoftMax分类器对答案候选句进行抽取,最后利用PageRank排序算法对输出结果进行二次排序。该方法在北京近十年高考语文阅读理解问答题上的召回率和准确率分别达到了61.2%和50.1%,验证了该方法的有效性。

摘要： 以内蒙古自治区为主,辐射至使用蒙古语的其他7个省、自治区,以蒙古文信息化为切入点,以从事蒙古文信息化工作的企业及重点使用人群为调查对象,对其建设、使用自动问答系统情况进行了问卷调查,并基于调查结果的统计,分析了蒙古文信息化面临的困难和存在的问题,提出了加强多语种自动问答系统研发和推广方面的对策和建议,这对民族地区经济社会全面发展和促进民族团结具有重要意义。

摘要： 针对中文医疗自动问答任务,为了捕捉问答句中重要的句法信息和语义信息,提出引入图卷积神经网络捕捉句法信息,并添加多注意力池化模块实现问答句的语序特征和句法特征联合学习的方法。在BERT模型学习问答句的高阶语义特征基础上,利用双向门控循环单元描述句子的全局语义特征,以及引入图卷积神经网络编码句子的语法结构信息,以与双向门控循环单元所获取的序列特征呈现互补关系;通过多注意力池化模块对问答对的不同语义空间上的编码向量进行两两交互,并着重突出问答对的共现特征;通过衡量问答对的匹配分数,找出最佳答案。实验结果表明,在cMedQA v1.0和cMedQA v2.0数据集上,相比于主流的深度学习方法,所提方法的ACC@1有所提高。实验证明引入图卷积神经网络和多注意力池化模块的集成算法能有效提升自动问答模型的性能。

摘要： 传统人工客服体系面临客服效率低、人工成本高等问题;近年来,随着人工智能技术高速发展,各个领域的企业以及运营商为了更好的为客户服务提供了智能客服,利用机器人来解决用户大量简单问题。而知识库作为智能客服的核心,往往决定了智能机器人的回答质量;没有知识库,机器人回答不了任何问题,知识库越丰富的机器人,就能更加智能地于用户交流。提出一种半自动生成知识库的方法,BERT模型进行文本向量化后,使用k-means无监督聚类方法得到知识点簇,人工简单整理知识点簇即可得到知识库。较传统纯手工提取知识库方法,该方法通过聚类得到知识簇,辅助人工总结知识,可以显著降低人工工作量,更高效给智能客服提供更丰富的知识库。实验表明,提出的知识库生成方法具有更高的准确率。

摘要： 近年来,智能问答系统已经广泛应用于电商、银行、政务等各个系统,用于提升相应速度及实现服务流程标准化并最终用于服务质量的提升。智能问答系统经历了以下几个阶段:基于规则的问答阶段。基于规则匹配的方法通过前期设定某些匹配规则及对应回复话术实现自动问答功能。这一方法由于不需要大量的语料积累及模型训练,不需要GPU等计算资源,具有快速部署的特点,在早期的智能客服领域被广泛地采纳及应用。即使现在,一些小型的公众号及电商服务号等,仍采用这种方案实现问答系统的快速生效,降低重复的人工座席工作。

摘要： 式问答对数据集,建立可用于问答生成的GPT2预训练语言模型,并引入提示学习(Prompt-learning),通过自动创建连续型前缀提示(Prompt),优化少量连续参数,缓解问答对数据较少带来的过拟合风险,利用人工评估和自动评估2种方法验证模型的有效性。研究结果表明:通过GPT2与提示学习相结合建立的自动问答模型,可根据洪涝灾害情景生成语言质量良好及决策信息丰富的答案,有利于提高洪涝灾害应急处置中的科学决策能力。

摘要： 在人工智能快速发展驱动下,对课程教学及课程教学网站建设提取了新要求。答疑是教学过程中必不可少的环节,那么如何高效、及时的解答学习者提出的问题?传统的答疑是面对面或在线答疑,教师的精力和时间有限,而且有的问题存在重复性和普遍性,学习者的问题往往得不到及时的解答,这将在一定程度上影响学习者的积极性。因此,需要构建一种智能的自动问答系统,及时、准确的向学习者返回问题的答案。对自动问答系统进行了阐述,并基于《编译原理》课程设计和实现了自动问答系统。

摘要： [目的 /意义]上市发行招股说明书的完整性对投资者作出价值判断和投资决策非常重要,目前主要依赖个人智慧进行判断,如何实现智能识别对于证券发行注册制改革具有重要意义.[方法/过程]提出了通过标准目录匹配(SDM)实现段落定位,再利用改进的BERT问答对特征增强的自动问答方法回答审核问题,实现了招股说明书的完整性识别.[结果/结论]提出的方法最终F1值为94.73％,对于上市审核具有积极意义,可为基于信息披露的注册制智能审核提供理论依据和参考.

摘要： 伴随自然语言处理快速发展,自动问答系统(Question&Answer,QA)受到研究者的广泛关注.基于表格的自动问答(Table QA)实质是在给定自然语言形式的问题文本条件下,利用表格知识库信息进行查询推理得到答案的过程.从语义解析方法角度分析了基于表格知识库的问答模型、算法特点及其相关问题,同时结合人工智能技术的发展,重点探讨了表格自动问答技术的难点以及未来可能的挑战.

摘要： 在人工智能快速发展驱动下,对课程教学及课程教学网站建设提取了新要求.答疑是教学过程中必不可少的环节,那么如何高效、及时的解答学习者提出的问题?传统的答疑是面对面或在线答疑,教师的精力和时间有限,而且有的问题存在重复性和普遍性,学习者的问题往往得不到及时的解答,这将在一定程度上影响学习者的积极性.因此,需要构建一种智能的自动问答系统,及时、准确的向学习者返回问题的答案.对自动问答系统进行了阐述,并基于《编译原理》课程设计和实现了自动问答系统.

摘要： 电信运营商客户服务的人工成本压力随着服务质量要求的不断提升而逐年提高,基于人工智能技术中的自然语言分析技术将实现自动问答的客户服务方式,为用户提供了智能问答的功能。在充分利用现有客服知识资源的情况下,新的体系将实现创新服务手段、拓展客户服务渠道、分流客服压力、提高服务效率的目标.

摘要： 本文设计并实现了一个基于常问问题库的中文问答系统.对用户以自然语言输入的问题,该系统能够自动地在FAQ(Frequently-Asked Question)库中寻找候选问题集,通过计算句子相似度,将匹配的答案返回给用户.该系统还能够自动地更新和维护FAQ库.文中着重介绍了用于查找候选问题的数据结构以及句子相似度的计算方法.

摘要： 本文设计并实现了一个基于常问问题库的中文问答系统.对用户以自然语言输入的问题,该系统能够自动地在FAQ(Frequently-Asked Question)库中寻找候选问题集,通过计算句子相似度,将匹配的答案返回给用户.该系统还能够自动地更新和维护FAQ库.文中着重介绍了用于查找候选问题的数据结构以及句子相似度的计算方法.

摘要： 本文设计并实现了一个基于常问问题库的中文问答系统.对用户以自然语言输入的问题,该系统能够自动地在FAQ(Frequently-Asked Question)库中寻找候选问题集,通过计算句子相似度,将匹配的答案返回给用户.该系统还能够自动地更新和维护FAQ库.文中着重介绍了用于查找候选问题的数据结构以及句子相似度的计算方法.

摘要： 本文设计并实现了一个基于常问问题库的中文问答系统.对用户以自然语言输入的问题,该系统能够自动地在FAQ(Frequently-Asked Question)库中寻找候选问题集,通过计算句子相似度,将匹配的答案返回给用户.该系统还能够自动地更新和维护FAQ库.文中着重介绍了用于查找候选问题的数据结构以及句子相似度的计算方法.

摘要： 本文设计并实现了一个基于常问问题库的中文问答系统.对用户以自然语言输入的问题,该系统能够自动地在FAQ(Frequently-Asked Question)库中寻找候选问题集,通过计算句子相似度,将匹配的答案返回给用户.该系统还能够自动地更新和维护FAQ库.文中着重介绍了用于查找候选问题的数据结构以及句子相似度的计算方法.

摘要： 本申请公开了一种自动问答方法、自动问答系统及构建问答实例库的方法。具体地，利用以向量方式存储问答实例的问答实例库，将用户提交的问题向量化生成问题向量，利用问题向量及包含实例向量的问答实例库，查找相似度符合要求的回答知识点ID，再利用回答知识点ID从知识点文案库中获取输出给用户的答案内容。采用本发明的系统及方法，能够降低成本，提高工作效率。

摘要： 本申请公开了一种用于自动问答系统的分类模型训练、自动问答方法及装置，涉及人工智能领域。方法包括：利用弱监督数据集对分类模型进行预训练，得到预训练分类模型，弱监督数据集中包括第一询问数据以及弱监督标签；通过预训练分类模型对目标数据集进行分类，并基于分类结果确定目标数据集的目标损失，目标数据集中包含第二询问数据以及标注标签；对目标损失和预训练过程中弱监督数据集的弱监督损失进行损失融合，得到融合损失；基于融合损失对预训练分类模型进行微调，得到目标分类模型。通过引入弱监督数据集进行模型预训练，并在微调阶段融入弱监督数据集的信息，在保证模型训练质量的前提下降低模型训练过程对标注数据的依赖。

摘要： 本申请公开了一种自动问答方法、自动问答系统及构建问答实例库的方法。具体地，利用以向量方式存储问答实例的问答实例库，将用户提交的问题向量化生成问题向量，利用问题向量及包含实例向量的问答实例库，查找相似度符合要求的回答知识点ID，再利用回答知识点ID从知识点文案库中获取输出给用户的答案内容。采用本发明的系统及方法，能够降低成本，提高工作效率。

摘要： 本申请公开了一种用于自动问答系统的分类模型训练、自动问答方法及装置，涉及人工智能领域。方法包括：利用弱监督数据集对分类模型进行预训练，得到预训练分类模型，弱监督数据集中包括第一询问数据以及弱监督标签；通过预训练分类模型对目标数据集进行分类，并基于分类结果确定目标数据集的目标损失，目标数据集中包含第二询问数据以及标注标签；对目标损失和预训练过程中弱监督数据集的弱监督损失进行损失融合，得到融合损失；基于融合损失对预训练分类模型进行微调，得到目标分类模型。通过引入弱监督数据集进行模型预训练，并在微调阶段融入弱监督数据集的信息，在保证模型训练质量的前提下降低模型训练过程对标注数据的依赖。

摘要： 本发明公开了一种机器人自动问答的方法、装置、服务器及存储介质，该方法包括：接收用户的初始请求信息，所述初始请求信息包括第一实例和N个属性信息，N大于或等于2；通过相似度计算在知识库中查找与所述初始请求信息对应的知识点；当未在知识库中查找到对应的知识点时，进行推理处理，以得到推理后的请求信息，所述推理后的请求信息包括第二实例和M个属性信息，M小于或等于N‑1；通过相似度计算在知识库中查找与所述推理后的请求信息对应的知识点；当未在知识库中查找到对应的知识点时，不断重复上述推理和计算的过程，直至在知识库中查找到对应的知识点。本发明实现了在不改变知识库存储的知识点的基础上找到复杂问题的答案。

摘要： 本发明提供了一种基于语义相似度的自动问答文本匹配方法、自动问答方法和系统，具体方法包括，对文本中的语句进行分词；去除文本中的停用词，保留非停用词；按照文本词性对每个词赋予权重，根据每个词的重要级别进行分类，级别越高权重越高，级别越低权重越低；对文本中每个词的进行加权词向量表示；对加权后的词向量进行文本相似度匹配。与现有技术相比，能够更准确地实现问答匹配，便于更准确地识别用户意图，匹配相应回答模板的特点。

摘要： 本发明公开一种自动问答处理方法及自动问答系统，所述方法包括：从预先收集到的问题‑答案数据对中获取问题文本，对问题文本进行分词处理后，获取问题文本对应的关键词，建立关键词与问题文本的索引关系。当接收到任一目标问题文本时，对目标问题文本进行分词处理，获取目标问题文本对应的目标关键词。从关键词与问题文本的索引关系中，确定与目标关键词匹配的关键词，获取与关键词具有索引关系的问题文本，作为候选问题文本。计算候选问题文本与目标问题文本的语义相似度值。根据语义相似度值，确定目标问题文本对应的答案。本发明考虑到目标问题文本与各个问题文本的语义相似度，确定出目标问题文本的答案，提高了自动问答处理的准确度。

摘要： 本发明涉及一种增强问答交互信息的自动问答系统答案抽取方法及系统，其方法包括：步骤S1：构建问答交互信息提取网络和抽取式问答网络的输入文本序列；步骤S2：构建问答交互信息提取网络及其损失函数并进行训练；步骤S3：构建抽取式问答网络及其损失函数并进行训练；并通过知识蒸馏方式将问答交互提取网络提取到的问答交互特征蒸馏至抽取式问答网络中。本发明提供的方法基于问答掩码多头自注意力机制准确提取问答交互信息，将学习捕捉到的问答交互信息蒸馏至抽取式问答网络从而达到增强的目的。

摘要： 本发明提供了一种自动问答系统以及用于更新问答知识库的装置，所述问答知识库包括多个知识点，每一知识点包括一个标准问和与所述标准问关联的多个扩展问，所述装置包括：输入模块，用于获取输入问题及其对应的期望标准问，所述期望标准问为预设的所述输入问题匹配的标准问；匹配模块，用于将每一输入问题与标准问进行匹配以获得所述输入问题对应的定位标准问；更新模块，用于基于每一输入问题对应的期望标准问与定位标准问更新所述问答知识库。

摘要： 本发明公开了一种基于知识图谱的保险自动问答方法，其应用于保险自动问答系统，其中步骤依次包括：步骤S1：首先利用爬虫技术采集保险产品的相关信息；步骤S2：对保险实体关系的数据进行标注；步骤S3：利用预训练的词向量文件构建embedding矩阵；步骤S4：制定实体对齐方法基于I‑SPRS相似度；步骤S5：问句理解模型构建；步骤S6：最后答案生成；制定实体对齐方法基于I‑SPRS(Insurance‑Surrounding Property and relation Similarity)相似度，问句理解模型构建，最后答案生成。有益效果是：这样的设计使得在查询数据时可以减少由于传统数据库的约束所带来的影响，使答案更为准确且易于理解，并且也提高问句理解的泛化能力。