中文名 | 基于人工智能的深度問答服務提供方法和裝置 | 申請人 | 百度在線網(wǎng)絡技術(北京)有限公司 |
---|---|---|---|
申請日 | 2015年9月7日 | 申請?zhí)?/th> | 2015105648265 |
公布號 | CN105159996A | 公布日 | 2015年12月16日 |
發(fā)明人 | 馬艷軍、呂雅娟、吳華、肖欣延、張偉萌、李興建 | 地????址 | 北京市海淀區(qū)上地十街10號百度大廈三層 |
Int. Cl. | G06F17/30(2006.01)I | 代理機構 | 北京清亦華知識產權代理事務所 |
代理人 | 宋合成 | 類????別 | 發(fā)明專利 |
《基于人工智能的深度問答服務提供方法和裝置》涉及人工智能技術領域,尤其涉及一種基于人工智能的深度問答服務提供方法和裝置。
隨著科技的不斷進步,搜索引擎已成為人們生活中必不可少的部分,并日趨智能化。2015年前,傳統(tǒng)的搜索引擎的交互方式是用戶輸入搜索關鍵字,搜索引擎返回與用戶需求相關的搜索結果,并按照相關性由高到低的順序排序。用戶可瀏覽和點擊搜索結果,并從中選擇感興趣或有需求的信息和內容。其中,有的搜索引擎利用了框計算技術與知識圖譜技術??蛴嬎慵夹g主要是搜索引擎針對用戶輸入的查詢關鍵詞直接提供結果或者服務。例如:用戶在搜索引擎中搜索“北京天氣”、“人民幣美元匯率”、“五一放假”等關鍵字,都可以在搜索結果頁面的最頂端展現(xiàn)結果。而知識圖譜技術旨在將與用戶需求相關的知識組織并展現(xiàn)成一張“知識圖”,以滿足用戶對背景知識的需求以及延伸的需求。例如搜索“劉德華”,通過知識圖譜技術,搜索引擎可展現(xiàn)劉德華的身高、生日、影視作品等背景知識,以及“張學友”、“朱麗倩”等其他相關人物。
另外,有的搜索系統(tǒng)還可以基于自然語言,通過與用戶進行交互問答的方式,向用戶提供所需的資源。例如:在智能手機端,用戶可以通過如:蘋果siri、谷歌googlenow、百度語音助手等移動應用來獲取所需資源。上述應用主要通過語音作為載體,以自然語言的形式向系統(tǒng)發(fā)出本地服務、網(wǎng)上搜索等指令,并以語音播報的形式向用戶反饋結果。
此外,用戶還可以向深度問答系統(tǒng)提問,獲得相應的答案。例如“黃河流經(jīng)哪幾個省”、“英國的首都是哪座城市”等。
但是,在實現(xiàn)《基于人工智能的深度問答服務提供方法和裝置》過程中,該發(fā)明人發(fā)現(xiàn)2015年之前的技術中至少存在如下問題:當前系統(tǒng)只能用于回答已有知識庫中已存在的簡單問題,而對于復雜度較高、時效性強、與用戶主觀觀點相關的深度問題等,則很難做出有效回答,并且人機交互方式不夠簡便、自然。
圖1是根據(jù)《基于人工智能的深度問答服務提供方法和裝置》一個實施例的基于人工智能的深度問答服務提供方法的流程圖一。
圖2是根據(jù)《基于人工智能的深度問答服務提供方法和裝置》一個實施例的對問答結果進行決策的流程圖。
圖3是根據(jù)《基于人工智能的深度問答服務提供方法和裝置》一個實施例的基于人工智能的深度問答服務提供方法的流程圖二。
圖4是根據(jù)《基于人工智能的深度問答服務提供方法和裝置》一個實施例的基于人工智能的深度問答服務提供裝置的結構示意圖一。
圖5是根據(jù)《基于人工智能的深度問答服務提供方法和裝置》一個實施例的基于人工智能的深度問答服務提供裝置的結構示意圖二。
圖6是根據(jù)《基于人工智能的深度問答服務提供方法和裝置》一個實施例的深度問答服務模塊的結構示意圖。
圖7是根據(jù)《基于人工智能的深度問答服務提供方法和裝置》一個實施例的信息搜索服務模塊的結構示意圖。
圖8是根據(jù)《基于人工智能的深度問答服務提供方法和裝置》一個實施例的決策模塊的結構示意圖一。
圖9是根據(jù)《基于人工智能的深度問答服務提供方法和裝置》一個實施例的決策模塊的結構示意圖二。
圖10是根據(jù)《基于人工智能的深度問答服務提供方法和裝置》一個實施例的基于人工智能的深度問答服務提供裝置的結構示意圖三。
|
|
|
|
|
|
|
|
|
|
工智能(計算機科支) 工智能(Artificial Intelligence)英文縮寫AI研究、發(fā)用于模擬、延伸擴展智能理論、、技術及應用系統(tǒng)門新技術科 工智能計算機科支企圖解智能實質并產種新能類智能...
1.開壺首先是先將紫砂壺和壺蓋分開,放入裝滿水的鍋中,水要淹沒整紫砂壺。?2.然后在水中放些茶葉,再用小火慢慢的將水煮開(防止壺與壺蓋或容器壁互相撞擊而造成破)。??3.接著,煮一個小時候,把鍋放到一...
毛巾在衛(wèi)生間放久了就會有味道,相信很多人都會遇到這種情況,毛巾有味道的解決方法,!?1、燒熱一盆水,加入5茶匙食鹽,同時放入毛巾,煮沸10分鐘,撈出,用清水洗去鹽分即可,這個辦法不但簡單而且洗后的毛巾...
2020年7月14日,《基于人工智能的深度問答服務提供方法和裝置》獲得第二十一屆中國專利獎優(yōu)秀獎。
下面參考附圖描述《基于人工智能的深度問答服務提供方法和裝置》實施例的基于人工智能的人機交互的交互引導方法和裝置。
圖1是根據(jù)《基于人工智能的深度問答服務提供方法和裝置》一個實施例的基于人工智能的深度問答服務提供方法的流程圖。
如圖1所示,基于人工智能的深度問答服務提供方法可包括:
S1、獲取用戶輸入的問題信息。
其中,問題信息可以是文字信息,也可以是語音信息。例如,用戶輸入的問題信息“北京有什么小吃?”。
S2、根據(jù)問題信息獲取用戶的用戶需求信息。
具體地,可對問題信息進行需求分析,從而獲取用戶的用戶需求信息。舉例來說,用戶需求信息可以為垂類需求、阿拉丁需求、深度問答需求、信息搜索需求等。
S3、根據(jù)用戶需求信息將問題信息分發(fā)至對應的至少一個問答服務模塊。
其中,問答服務模塊可包括阿拉丁服務模塊、垂類服務模塊、深度問答服務模塊和信息搜索服務模塊。
在《基于人工智能的深度問答服務提供方法和裝置》的一個實施例中,當用戶需求信息為阿拉丁需求時,可將問題信息分發(fā)至阿拉丁服務模塊;當用戶需求信息為垂類需求時,可將問題信息分發(fā)至垂類服務模塊;當用戶需求信息為深度問答需求時,可將問題信息分發(fā)至深度問答服務模塊;當用戶需求信息為信息搜索需求時,可將問題分發(fā)至信息搜索服務模塊。
其中,阿拉丁服務是能夠為用戶需求提供精準滿足的一類服務的統(tǒng)稱,例如美元兌換人民幣、2015年春節(jié)放假等。舉例來說,用戶的問題信息為“劉德華的老婆是誰?”,則可對該問題信息進行分析,可分析出需求類型為“人物”,查詢主體為“劉德華”,查詢屬性為“老婆”,并可將查詢屬性進行歸一,將查詢屬性歸一為“妻子”。然后搜索并獲得結果字段為“朱麗倩”,再基于自然語言生成技術(NaturalLanguageGeneration)生成問答結果“劉德華的老婆是朱麗倩”。再例如:用戶的問題信息為“北京明天熱嗎?”,通過搜索并獲得結果字段為“35攝氏度”,可基于常識知識庫和預設的規(guī)則,生成問答結果“明天天氣很熱,最高溫度為35攝氏度,建議注意防暑降溫?!逼渲校WR知識庫可包括常識類知識,如溫度高于30攝氏度屬于天氣熱。
垂類服務是針對垂類需求進行多輪交互的服務,例如“訂機票”等。垂類服務主要通過對話控制技術(DialogueManagement)和對話策略技術(DialoguePolicy),對用戶的需求進行澄清,從而向用戶提供滿足用戶需求的問答結果。舉例來說,用戶的問題信息為“北京到上海的機票”,則可對該問題信息進行分析,然后向用戶反問“您的出發(fā)日期是哪天?”,用戶回答“明天”,然后繼續(xù)反問“您對航空公司是否有要求?”等,逐步澄清用戶的需求,并最終返回滿足用戶需求的問答結果。
深度問答服務為針對用戶輸入的問題信息,基于深入的語義分析和知識挖掘技術,從而為用戶提供精準的問答結果的服務。當用戶需求信息為深度問答需求時,深度問答服務模塊可接收問題信息,并根據(jù)問題信息獲取對應的問題類型,然后根據(jù)問題類型選擇對應的問答模式,以及根據(jù)選擇的答案生成模式和問題信息生成對應的問答結果。其中,問題類型可包括實體類型、觀點類型和片段類型。
更具體地,當問題類型為實體類型時,可根據(jù)問題信息生成實體類問題信息,并基于搜索引擎抓取的摘要和歷史展現(xiàn)日志對實體類問題信息進行擴展以生成同族實體問題信息簇。其中,同族實體問題信息簇分別對應候選答案。然后從同族實體問題信息簇分別對應候選答案中抽取候選實體,再計算候選實體的置信度,以及將置信度大于預設置信度閾值的候選實體作為問答結果進行反饋。舉例來說,問題信息為“劉德華老婆是誰?”,候選答案為“其實早在九二年時就有報道,劉德華和朱麗倩已經(jīng)在加拿大秘密注冊結婚…”,其中,候選實體為“劉德華”、“朱麗倩”、“加拿大”。然后基于實體知識庫和問答語義匹配模型計算各候選實體的置信度,可計算出候選實體“朱麗倩”的置信度大于預設置信度閾值,則可確定“朱麗倩”為問答結果。另外,還可將候選答案中首次出現(xiàn)“朱麗倩”的分句作為答案摘要。
當問題類型為觀點類型時,可獲取問題信息對應的候選答案,并對候選答案進行切分以生成多個候選答案短句,然后對多個候選答案短句進行聚合以生成觀點聚合簇。具體地,可根據(jù)短句中詞匯的IDF(反文檔頻率)得分提取候選答案短句中的關鍵詞,并對包含否定詞的關鍵詞進行泛化并生成否定標簽,然后基于否定標簽將關鍵詞用向量進行表示,計算每兩個關鍵詞之間的向量夾角和/或語義相似度,然后對向量夾角小于預設角度或語義相似度大于預設閾值的候選答案進行聚合以生成觀點聚合簇。
在此之后,可判斷觀點聚合簇的觀點類型。其中,觀點可包括是非類、評價類、建議類等。具體地,可通過預先設定的規(guī)則或者基于統(tǒng)計模型確定觀點聚合簇的觀點類型。然后根據(jù)觀點類型從對應的觀點聚合簇中選擇出答案觀點。其中,選擇答案觀點的規(guī)則可包括但不僅限于選取信息覆蓋最全面的答案觀點、選取IDF*log(IDF)值最低的答案觀點和選取在候選答案對應的文章中出現(xiàn)次數(shù)最多的答案觀點。其中,IDF為反文檔頻率。在此之后,可生成答案觀點對應的摘要,然后可對答案觀點進行評分,并將評分大于預設評分閾值的答案觀點作為問答結果進行反饋。舉例來說,問題信息為“懷孕注意事項”,其中一個候選答案為“懷孕時應謹守醫(yī)、多、戰(zhàn)原則,亦即定期看醫(yī)師,多臥床休息,戰(zhàn)勝自己的不良習慣?!?,可將該候選答案切分為“懷孕時應謹守醫(yī)、多、戰(zhàn)原則”、“亦即定期看醫(yī)師”、“多臥床休息”、“戰(zhàn)勝自己的不良習慣”四個候選答案短句。然后可將候選答案短句中重復的內容或者近似的內容進行聚合生成觀點聚合簇,并選出答案觀點。之后,可根據(jù)信息豐富度、論據(jù)充分度、信息冗余度等對答案觀點進行評分,并將評分大于預設評分閾值的答案觀點作為問答結果進行反饋。此外,在選出答案觀點后,可獲取其在來源文章中所在的句子,然后按照預定長度截取句子,從而生成該答案觀點對應的摘要。之后可根據(jù)內容豐富度、答案權威性對摘要進行排序。
當問題類型為片段類型時,可獲取問題信息對應的候選答案,并對候選答案進行切分以生成多個候選答案短句,然后對多個候選答案短句進行重要度打分以生成候選答案短句對應的短句重要度特征,并根據(jù)短句重要度特征生成答案摘要,然后可根據(jù)答案摘要的短句重要度特征、答案權威性、問題信息的相關性和答案的豐富度對答案質量進行打分。其中,短句重要度特征可包括聚合特征、相關度特征、類型特征和問題答案匹配度特征。其中,聚合特征用于衡量短句的重復度,例如:詞向量質心特征、NGram(計算出現(xiàn)概率)特征、Lexrank(多文本自動摘要)特征等。類型特征為問題的類型特征,如WHAT(什么)類型、WHY(為什么)類型、HOW(如何)類型等。答案權威性為答案來源的網(wǎng)站的權威度。在此之后,可獲取用戶的行為數(shù)據(jù),然后根據(jù)用戶的行為數(shù)據(jù)和打分結果對候選答案進行排序,最終將排序結果作為問答結果進行反饋。其中,用戶的行為數(shù)據(jù)是可包括用戶對問答結果的點擊行為、在問答結果上停留的時間、通過當前的問答結果跳轉至其他問答結果等用戶的歷史行為信息。
當用戶需求信息為信息搜索需求時,信息搜索服務模塊可接收問題信息,并根據(jù)問題信息進行搜索以生成多個候選網(wǎng)頁,然后對候選網(wǎng)頁進行篇章分析以生成對應的候選篇章。具體地,可對候選網(wǎng)頁進行篇章內容抽取、篇章主題分割和篇章關系分析生成對應的候選篇章。其中,篇章內容抽取主要為識別候選網(wǎng)頁的正文部分,刪除與用戶需求信息無關的內容。篇章主題分割為對篇章的主題結構進行分析,可將篇章劃分為多個子主題。篇章關系分析為分析篇章中多個子主題之間的關系,例如并列關系等。在生成候選篇章之后,可對候選篇章中的句子進行打分排序。其中,打分排序主要基于句子在候選篇章中的重要度以及句子與用戶需求信息之間的相關度。在此之后,可獲取用戶的需求場景信息,并根據(jù)需求場景信息和打分排序結果生成摘要,最終將摘要作為問答結果進行反饋。其中場景信息可包括移動終端場景、電腦場景。當場景信息為移動終端場景時,則可對句子進行壓縮簡寫,使生成的摘要盡量簡明扼要;當場景信息為電腦場景時,可對句子進行拼接融合,使得生成的摘要詳細清楚。當然,生成候選篇章時,由于候選篇章中的內容均與用戶需求信息具有相關性,則可能會有重復或互補的內容,則需要對多個候選篇章的信息進行聚合。
S4、接收至少一個問答服務模塊返回的問答結果,并對問答結果進行決策以確定最終的問答結果。具體地,如圖2所示,可包括以下步驟:
S41、接收至少一個問答服務模塊返回的問答結果。
S42、根據(jù)問題信息生成需求分析特征。
S43、獲取各個問答服務模塊返回的問答結果的置信度特征、用戶的對話交互信息的上下文特征以及用戶的個性化模型特征。
S44、根據(jù)需求分析特征、問答結果的置信度特征、用戶的對話交互信息的上下文特征以及用戶的個性化模型特征對問答結果進行決策以確定最終的問答結果。
具體地,對問答結果進行決策以確定最終的問答結果主要基于以下幾個特征:1、需求分析特征,通過對用戶的問題信息進行需求分析,可選擇更符合用戶需求的問答服務模塊提供的問答結果。2、問答結果置信度特征,每個問答服務模塊提供的問答結果均具有置信度,可選擇置信度高的問答結果。3、用戶的對話交互信息的上下文特征,可選擇更符合上下文信息的問答結果。4、用戶的個性化模型特征,可選擇更符合用戶個性化需求的問答結果。其中,需求分析特征、問答結果的置信度特征、用戶的對話交互信息的上下文特征以及用戶的個性化模型特征分別對應有各自的決策權重?;谝陨咸卣鲗柎鸾Y果進行決策,從而確定最終的問答結果。在確定最終的問答結果后,可反饋給用戶,從而滿足用戶的需求。其中,問答結果可通過語音播報的方式,亦可以通過屏幕顯示的方式反饋給用戶。采用語音播報的方式使得人機交互的過程更加簡便、自然。
另外,還可根據(jù)用戶的日志基于增強學習模型對需求分析特征、問答結果的置信度特征、用戶的對話交互信息的上下文特征以及用戶的個性化模型特征的決策權重進行訓練,從而為用戶提供更符合用戶需求的問答結果。
另外,如圖3所示,在步驟S1之后,還可包括以下步驟:
S5、獲取與用戶的對話交互信息。
S6、根據(jù)對話交互信息的對話上文對問題信息進行補全。
具體地,在多輪交互過程中,用戶通常會基于對話上文省略問題信息中的一部分內容,因此需要對問題信息進行補全,從而澄清用戶的需求。例如:對話上文為“北京有什么小吃?”,而問題信息為“那特產呢?”,則需要對用戶輸入的問題信息進行補全,生成新的問題信息“北京有什么特產?”。
《基于人工智能的深度問答服務提供方法和裝置》實施例的基于人工智能的深度問答服務提供方法,通過獲取用戶輸入的問題信息,并根據(jù)問題信息獲取用戶的用戶需求信息,以及根據(jù)用戶需求信息將問題信息分發(fā)至對應的至少一個問答服務模塊,并接收至少一個問答服務模塊返回的問答結果,最終對問答結果進行決策以確定最終的問答結果,能夠針對用戶的深度問題為用戶提供更加準確的問答結果,提升用戶使用滿意度。
為實現(xiàn)上述目的,《基于人工智能的深度問答服務提供方法和裝置》還提出一種基于人工智能的深度問答服務提供裝置。
圖4是根據(jù)《基于人工智能的深度問答服務提供方法和裝置》一個實施例的基于人工智能的深度問答服務提供裝置的結構示意圖一。
如圖4所示,該基于人工智能的深度問答服務提供裝置可包括:輸入接收模塊1000、分發(fā)模塊2000、問答服務模塊3000和決策模塊4000。
輸入接收模塊1000用于獲取用戶輸入的問題信息。其中,問題信息可以是文字信息,也可以是語音信息。例如,用戶輸入的問題信息“北京有什么小吃?”。分發(fā)模塊2000用于根據(jù)問題信息獲取用戶的用戶需求信息,并根據(jù)用戶需求信息將問題信息分發(fā)至對應的至少一個問答服務模塊3000。其中,如圖5所示,問答服務模塊3000可包括阿拉丁服務模塊3100、垂類服務模塊3200、深度問答服務模塊3300和信息搜索服務模塊3400。
具體地,分發(fā)模塊2000可對問題信息進行需求分析,從而獲取用戶的用戶需求信息。舉例來說,當用戶需求信息為阿拉丁需求時,可將問題信息分發(fā)至阿拉丁服務模塊;當用戶需求信息為垂類需求時,可將問題信息分發(fā)至垂類服務模塊;當用戶需求信息為深度問答需求時,可將問題信息分發(fā)至深度問答服務模塊;當用戶需求信息為信息搜索需求時,可將問題分發(fā)至信息搜索服務模塊。
多個問答服務模塊3000用于根據(jù)接收到的問題信息生成問答結果并返回至決策模塊4000。
其中,阿拉丁服務是能夠為用戶需求提供精準滿足的一類服務的統(tǒng)稱,例如美元兌換人民幣、2015年春節(jié)放假等。舉例來說,用戶的問題信息為“劉德華的老婆是誰?”,則阿拉丁服務模塊3100可對該問題信息進行分析,可分析出需求類型為“人物”,查詢主體為“劉德華”,查詢屬性為“老婆”,并可將查詢屬性進行歸一,將查詢屬性歸一為“妻子”。然后搜索并獲得結果字段為“朱麗倩”,再基于自然語言生成技術(NaturalLanguageGeneration)生成問答結果“劉德華的老婆是朱麗倩”。再例如:用戶的問題信息為“北京明天熱嗎?”,通過搜索并獲得結果字段為“35攝氏度”,可基于常識知識庫和預設的規(guī)則,生成問答結果“明天天氣很熱,最高溫度為35攝氏度,建議注意防暑降溫?!逼渲?,常識知識庫可包括常識類知識,如溫度高于30攝氏度屬于天氣熱。
垂類服務是針對垂類需求進行多輪交互的服務,例如“訂機票”等。垂類服務模塊3200主要通過對話控制技術(DialogueManagement)和對話策略技術(DialoguePolicy),對用戶的需求進行澄清,從而向用戶提供滿足用戶需求的問答結果。舉例來說,用戶的問題信息為“北京到上海的機票”,則可對該問題信息進行分析,然后向用戶反問“您的出發(fā)日期是哪天?”,用戶回答“明天”,然后繼續(xù)反問“您對航空公司是否有要求?”等,逐步澄清用戶的需求,并最終返回滿足用戶需求的問答結果。
深度問答服務為針對用戶輸入的問題信息,基于深入的語義分析和知識挖掘技術,從而為用戶提供精準的問答結果的服務。當用戶需求信息為深度問答需求時,深度問答服務模塊3300可接收問題信息,并根據(jù)問題信息獲取對應的問題類型,然后根據(jù)問題類型選擇對應的問答模式,以及根據(jù)選擇的答案生成模式和問題信息生成對應的問答結果。其中,問題類型可包括實體類型、觀點類型和片段類型。
其中,如圖6所示,深度問答服務模塊3300具體包括第一接收子模塊3310、問題類型獲取子模塊3320和第一問答結果生成子模塊3330。
第一接收子模塊3310用于接收問題信息。問題類型獲取子模塊3320用于根據(jù)問題信息獲取對應的問題類型。
第一問答結果生成子模塊3330用于根據(jù)問題類型選擇對應的問答模式,并根據(jù)選擇的答案生成模式和問題信息生成對應的問答結果。
當問題類型為實體類型時,可根據(jù)問題信息生成實體類問題信息,并基于搜索引擎抓取的摘要和歷史展現(xiàn)日志對實體類問題信息進行擴展以生成同族實體問題信息簇。其中,同族實體問題信息簇分別對應候選答案。然后從同族實體問題信息簇分別對應候選答案中抽取候選實體,再計算候選實體的置信度,以及將置信度大于預設置信度閾值的候選實體作為問答結果進行反饋。舉例來說,問題信息為“劉德華老婆是誰?”,候選答案為“其實早在九二年時就有報道,劉德華和朱麗倩已經(jīng)在加拿大秘密注冊結婚…”,其中,候選實體為“劉德華”、“朱麗倩”、“加拿大”。然后基于實體知識庫和問答語義匹配模型計算各候選實體的置信度,可計算出候選實體“朱麗倩”的置信度大于預設置信度閾值,則可確定“朱麗倩”為問答結果。另外,還可將候選答案中首次出現(xiàn)“朱麗倩”的分句作為答案摘要。
當問題類型為觀點類型時,可獲取問題信息對應的候選答案,并對候選答案進行切分以生成多個候選答案短句,然后對多個候選答案短句進行聚合以生成觀點聚合簇。具體地,可根據(jù)短句中詞匯的IDF(反文檔頻率)得分提取多個候選答案短句中的關鍵詞,并對包含否定詞的關鍵詞進行泛化并生成否定標簽,然后基于否定標簽將關鍵詞用向量進行表示,計算每兩個關鍵詞之間的向量夾角和/或語義相似度,然后對向量夾角小于預設角度或語義相似度大于預設閾值的候選答案進行聚合以生成觀點聚合簇。
在此之后,可判斷觀點聚合簇的觀點類型。其中,觀點可包括是非類、評價類、建議類等。具體地,可通過預先設定的規(guī)則或者基于統(tǒng)計模型確定觀點聚合簇的觀點類型。然后根據(jù)觀點類型從對應的觀點聚合簇中選擇出答案觀點。其中,選擇答案觀點的規(guī)則可包括但不僅限于選取信息覆蓋最全面的答案觀點、選取IDF*log(IDF)值最低的答案觀點和選取在候選答案對應的文章中出現(xiàn)次數(shù)最多的答案觀點。其中,IDF為反文檔頻率。在此之后,可生成答案觀點對應的摘要,然后可對答案觀點進行評分,并將評分大于預設評分閾值的答案觀點作為問答結果進行反饋。舉例來說,問題信息為“懷孕注意事項”,其中一個候選答案為“懷孕時應謹守醫(yī)、多、戰(zhàn)原則,亦即定期看醫(yī)師,多臥床休息,戰(zhàn)勝自己的不良習慣。”,可將該候選答案切分為“懷孕時應謹守醫(yī)、多、戰(zhàn)原則”、“亦即定期看醫(yī)師”、“多臥床休息”、“戰(zhàn)勝自己的不良習慣”四個候選答案短句。然后可將候選答案短句中重復的內容或者近似的內容進行聚合生成觀點聚合簇,并選出答案觀點。之后,可根據(jù)信息豐富度、論據(jù)充分度、信息冗余度等對答案觀點進行評分,并將評分大于預設評分閾值的答案觀點作為問答結果進行反饋。此外,在選出答案觀點后,可獲取其在來源文章中所在的句子,然后按照預定長度截取句子,從而生成該答案觀點對應的摘要。之后可根據(jù)內容豐富度、答案權威性對摘要進行排序。
當問題類型為片段類型時,可獲取問題信息對應的候選答案,并對候選答案進行切分以生成多個候選答案短句,然后對多個候選答案短句進行重要度打分以生成候選答案短句對應的短句重要度特征,并根據(jù)短句重要度特征生成答案摘要,然后可根據(jù)答案摘要的短句重要度特征、答案權威性、問題信息的相關性和答案的豐富度對答案質量進行打分。其中,短句重要度特征可包括聚合特征、相關度特征、類型特征和問題答案匹配度特征。其中,聚合特征用于衡量短句的重復度,例如:詞向量質心特征、NGram(計算出現(xiàn)概率)特征、Lexrank(多文本自動摘要)特征等。類型特征為問題的類型特征,如WHAT(什么)類型、WHY(為什么)類型、HOW(如何)類型等。答案權威性為答案來源的網(wǎng)站的權威度。在此之后,可獲取用戶的行為數(shù)據(jù),然后根據(jù)用戶的行為數(shù)據(jù)和打分結果對候選答案進行排序,最終將排序結果作為問答結果進行反饋。其中,用戶的行為數(shù)據(jù)是可包括用戶對問答結果的點擊行為、在問答結果上停留的時間、通過當前的問答結果跳轉至其他問答結果等用戶的歷史行為信息。
如圖7所示,信息搜索服務模塊3400具體包括第二接收子模塊3410、搜索子模塊3420和第二問答結果生成子模塊3430。其中,第二問答結果生成子模塊3430具體包括篇章生成單元3431、排序單元3432、摘要生成單元3433和聚合單元3434。
第二接收子模塊3410用于接收問題信息。搜索子模塊3420用于根據(jù)問題信息進行搜索以生成多個候選網(wǎng)頁。第二問答結果生成子模塊3430用于對候選網(wǎng)頁進行篇章分析以生成對應的摘要,并將摘要作為問答結果進行反饋。
具體地,篇章生成單元3431可對候選網(wǎng)頁進行篇章內容抽取、篇章主題分割和篇章關系分析生成對應的候選篇章。其中,篇章內容抽取主要為識別候選網(wǎng)頁的正文部分,刪除與用戶需求信息無關的內容。篇章主題分割為對篇章的主題結構進行分析,可將篇章劃分為多個子主題。篇章關系分析為分析篇章中多個子主題之間的關系,例如并列關系等。在生成候選篇章之后,排序單元3432可對候選篇章中的句子進行打分排序。其中,打分排序主要基于句子在候選篇章中的重要度以及句子與用戶需求信息之間的相關度。在此之后,摘要生成單元3433可獲取用戶的需求場景信息,并根據(jù)需求場景信息和打分排序結果生成摘要,最終將摘要作為問答結果進行反饋。其中場景信息可包括移動終端場景、電腦場景。當場景信息為移動終端場景時,則可對句子進行壓縮簡寫,使生成的摘要盡量簡明扼要;當場景信息為電腦場景時,可對句子進行拼接融合,使得生成的摘要詳細清楚。當然,生成候選篇章時,由于候選篇章中的內容均與用戶需求信息具有相關性,則可能會有重復或互補的內容,則需要聚合單元3434對多個候選篇章的信息進行聚合。
決策模塊4000用于接收至少一個問答服務模塊3000返回的問答結果,并對問答結果進行決策以確定最終的問答結果。其中,如圖8所示,決策模塊4000可包括問答結果接收子模塊4100、分析子模塊4200、決策子模塊4300。問答結果接收子模塊4100用于接收至少一個問答服務模塊返回的問答結果。
分析子模塊4200用于根據(jù)問題信息生成需求分析特征,并獲取各個問答服務模塊返回的問答結果的置信度特征、用戶的對話交互信息的上下文特征以及用戶的個性化模型特征。
決策子模塊4300用于根據(jù)需求分析特征、問答結果的置信度特征、用戶的對話交互信息的上下文特征以及用戶的個性化模型特征對問答結果進行決策以確定最終的問答結果。
具體地,對問答結果進行決策以確定最終的問答結果主要基于以下幾個特征:1、需求分析特征,通過對用戶的問題信息進行需求分析,可選擇更符合用戶需求的問答服務模塊提供的問答結果。2、問答結果置信度特征,每個問答服務模塊提供的問答結果均具有置信度,可選擇置信度高的問答結果。3、用戶的對話交互信息的上下文特征,可選擇更符合上下文信息的問答結果。4、用戶的個性化模型特征,可選擇更符合用戶個性化需求的問答結果。其中,需求分析特征、問答結果的置信度特征、用戶的對話交互信息的上下文特征以及用戶的個性化模型特征分別對應有各自的決策權重。
此外,如圖9所示,決策模塊4000還可包括訓練子模塊4400。訓練子模塊4400用于根據(jù)用戶的日志基于增強學習模型對需求分析特征、問答結果的置信度特征、用戶的對話交互信息的上下文特征以及用戶的個性化模型特征的決策權重進行訓練,從而為用戶提供更符合用戶需求的問答結果。
另外,如圖10所示,基于人工智能的深度問答服務提供裝置還可包括補全模塊5000。補全模塊5000用于獲取與用戶的對話交互信息,并根據(jù)對話交互信息的對話上文對問題信息進行補全。
具體地,在多輪交互過程中,用戶通常會基于對話上文省略問題信息中的一部分內容,因此需要對問題信息進行補全,從而澄清用戶的需求。例如:對話上文為“北京有什么小吃?”,而問題信息為“那特產呢?”,則需要對用戶輸入的問題信息進行補全,生成新的問題信息“北京有什么特產?”。
《基于人工智能的深度問答服務提供方法和裝置》實施例的基于人工智能的深度問答服務提供裝置,通過獲取用戶輸入的問題信息,并根據(jù)問題信息獲取用戶的用戶需求信息,以及根據(jù)用戶需求信息將問題信息分發(fā)至對應的至少一個問答服務模塊,并接收至少一個問答服務模塊返回的問答結果,最終對問答結果進行決策以確定最終的問答結果,能夠針對用戶的深度問題為用戶提供更加準確的問答結果,提升用戶使用滿意度。
《基于人工智能的深度問答服務提供方法和裝置》旨在至少在一定程度上解決相關技術中的技術問題之一。為此,該發(fā)明的一個目的在于提出一種基于人工智能的深度問答服務提供方法,能夠針對用戶的深度問題為用戶提供更加準確的問答結果,提升用戶使用滿意度。
《基于人工智能的深度問答服務提供方法和裝置》的第二個目的在于提出一種基于人工智能的深度問答服務提供裝置。
為了實現(xiàn)上述目的,《基于人工智能的深度問答服務提供方法和裝置》第一方面實施例提出了一種基于人工智能的深度問答服務提供方法,包括:S1、獲取用戶輸入的問題信息;S2、根據(jù)所述問題信息獲取用戶的用戶需求信息;S3、根據(jù)所述用戶需求信息將所述問題信息分發(fā)至對應的至少一個問答服務模塊;以及S4、接收所述至少一個問答服務模塊返回的問答結果,并對所述問答結果進行決策以確定最終的問答結果。
《基于人工智能的深度問答服務提供方法和裝置》實施例的基于人工智能的深度問答服務提供方法,通過獲取用戶輸入的問題信息,并根據(jù)問題信息獲取用戶的用戶需求信息,以及根據(jù)用戶需求信息將問題信息分發(fā)至對應的至少一個問答服務模塊,并接收至少一個問答服務模塊返回的問答結果,最終對問答結果進行決策以確定最終的問答結果,能夠針對用戶的深度問題為用戶提供更加準確的問答結果,提升用戶使用滿意度。
《基于人工智能的深度問答服務提供方法和裝置》第二方面實施例提出了一種基于人工智能的深度問答服務提供裝置,包括:輸入接收模塊、多個問答服務模塊、分發(fā)模塊和決策模塊,其中,所述多個問答服務模塊,用于根據(jù)接收到的問題信息生成問答結果并返回至所述決策模塊;所述輸入接收模塊,用于獲取用戶輸入的問題信息;所述分發(fā)模塊,用于根據(jù)所述問題信息獲取用戶的用戶需求信息,并根據(jù)所述用戶需求信息將所述問題信息分發(fā)至對應的至少一個問答服務模塊;以及所述決策模塊,用于接收所述至少一個問答服務模塊返回的問答結果,并對所述問答結果進行決策以確定最終的問答結果。
《基于人工智能的深度問答服務提供方法和裝置》實施例的基于人工智能的深度問答服務提供裝置,通過獲取用戶輸入的問題信息,并根據(jù)問題信息獲取用戶的用戶需求信息,以及根據(jù)用戶需求信息將問題信息分發(fā)至對應的至少一個問答服務模塊,并接收至少一個問答服務模塊返回的問答結果,最終對問答結果進行決策以確定最終的問答結果,能夠針對用戶的深度問題為用戶提供更加準確的問答結果,提升用戶使用滿意度。
1.一種基于人工智能的深度問答服務提供方法,其特征在于,包括以下步驟:
S1、獲取用戶輸入的問題信息;
S2、根據(jù)所述問題信息獲取用戶的用戶需求信息;
S3、根據(jù)所述用戶需求信息將所述問題信息分發(fā)至對應的至少一個問答服務模塊;以及
S4、接收所述至少一個問答服務模塊返回的問答結果,并對所述問答結果進行決策以確定最終的問答結果。
2.如權利要求1所述的方法,其特征在于,在所述步驟S1之后,還包括:
S5、獲取與所述用戶的對話交互信息;
S6、根據(jù)所述對話交互信息的對話上文對所述問題信息進行補全。
3.如權利要求1所述的方法,其特征在于,所述步驟S4具體包括:
S41、接收所述至少一個問答服務模塊返回的問答結果;
S42、根據(jù)所述問題信息生成需求分析特征;
S43、獲取各個問答服務模塊返回的問答結果的置信度特征、所述用戶的對話交互信息的上下文特征以及所述用戶的個性化模型特征;
S44、根據(jù)所述需求分析特征、所述問答結果的置信度特征、所述用戶的對話交互信息的上下文特征以及所述用戶的個性化模型特征對所述問答結果進行決策以確定最終的問答結果。
4.如權利要求3所述的方法,其特征在于,其中,所述需求分析特征、所述問答結果的置信度特征、所述用戶的對話交互信息的上下文特征以及所述用戶的個性化模型特征分別對應有各自的決策權重。
5.如權利要求4所述的方法,其特征在于,所述步驟S4還包括:根據(jù)所述用戶的日志基于增強學習模型對所述需求分析特征、所述問答結果的置信度特征、所述用戶的對話交互信息的上下文特征以及所述用戶的個性化模型特征的決策權重進行訓練。
6.如權利要求1所述的方法,其特征在于,所述問答服務模塊包括阿拉丁服務模塊、垂類服務模塊、深度問答服務模塊和信息搜索服務模塊。
7.如權利要求6所述的方法,其特征在于,還包括:所述深度問答服務模塊接收所述問題信息;所述深度問答服務模塊根據(jù)所述問題信息獲取對應的問題類型;所述深度問答服務模塊根據(jù)所述問題類型選擇對應的問答模式,并根據(jù)選擇的答案生成模式和所述問題信息生成對應的問答結果。
8.如權利要求7所述的方法,其特征在于,當所述問題類型為實體類型時,所述根據(jù)選擇的答案生成模式和所述問題信息生成對應的問答結果具體包括:根據(jù)所述問題信息生成實體類問題信息;基于搜索引擎抓取的摘要和歷史展現(xiàn)日志對所述實體類問題信息進行擴展以生成同族實體問題信息簇,其中,所述同族實體問題信息簇分別對應候選答案;從所述同族實體問題信息簇分別對應候選答案中抽取候選實體;計算所述候選實體的置信度;以及將所述置信度大于預設置信度閾值的候選實體作為問答結果進行反饋。
9.如權利要求7所述的方法,其特征在于,當所述問題類型為觀點類型時,所述根據(jù)選擇的答案生成模式和所述問題信息生成對應的問答結果具體包括:獲取所述問題信息對應的候選答案;對所述候選答案進行切分以生成多個候選答案短句;對所述多個候選答案短句進行聚合以生成觀點聚合簇;判斷所述觀點聚合簇的觀點類型;根據(jù)所述觀點類型從所述觀點聚合簇中選擇出答案觀點,并生成所述答案觀點對應的摘要;對所述答案觀點進行評分,并將評分大于預設評分閾值的答案觀點作為問答結果進行反饋。
10.如權利要求9所述的方法,其特征在于,所述對所述多個候選答案短句進行聚合以生成觀點聚合簇具體包括:提取所述多個候選答案短句中的關鍵詞;計算每兩個所述關鍵詞之間的向量夾角和/或語義相似度;對所述向量夾角小于預設角度或語義相似度大于預設閾值的所述候選答案進行聚合以生成觀點聚合簇。
11.如權利要求7所述的方法,其特征在于,當所述問題類型為片段類型時,所述根據(jù)選擇的答案生成模式和所述問題信息生成對應的問答結果具體包括:獲取所述問題信息對應的候選答案;對所述候選答案進行切分以生成多個候選答案短句;對所述多個候選答案短句進行重要度打分以生成所述候選答案短句對應的短句重要度特征;根據(jù)所述短句重要度特征生成答案摘要;根據(jù)所述答案摘要的短句重要度特征對答案質量進行打分,并根據(jù)打分結果對候選答案進行排序;將排序結果作為問答結果進行反饋。
12.如權利要求11所述的方法,其特征在于,所述根據(jù)所述答案摘要的短句重要度特征對答案質量進行打分具體包括:根據(jù)所述答案摘要的短句重要度特征、答案權威性、問題信息的相關性和答案的豐富度對答案質量進行打分。
13.如權利要求11所述的方法,其特征在于,所述根據(jù)打分結果對候選答案進行排序具體包括:獲取用戶的行為數(shù)據(jù);以及根據(jù)所述用戶的行為數(shù)據(jù)和所述打分結果對所述候選答案進行排序。
14.如權利要求1-13任一項所述的方法,其特征在于,還包括:所述信息搜索服務模塊接收所述問題信息;所述信息搜索服務模塊根據(jù)所述問題信息進行搜索以生成多個候選網(wǎng)頁;所述信息搜索服務模塊對所述候選網(wǎng)頁進行篇章分析以生成對應的摘要,并將摘要作為問答結果進行反饋。
15.如權利要求1-14任一項所述的方法,其特征在于,所述對所述候選網(wǎng)頁進行篇章分析以生成對應的摘要具體包括:對所述候選網(wǎng)頁進行篇章分析以生成對應的候選篇章;對所述候選篇章中的句子進行打分排序;以及根據(jù)打分排序結果生成所述摘要。
16.如權利要求15所述的方法,其特征在于,所述根據(jù)打分排序結果生成所述摘要具體包括:獲取用戶的需求場景信息;根據(jù)所述需求場景信息和所述打分排序結果生成所述摘要。
17.如權利要求15所述的方法,其特征在于,還包括:對多個候選篇章的信息進行聚合。
18.一種基于人工智能的深度問答服務提供裝置,其特征在于,包括輸入接收模塊、多個問答服務模塊、分發(fā)模塊和決策模塊,其中,所述輸入接收模塊,用于獲取用戶輸入的問題信息;所述分發(fā)模塊,用于根據(jù)所述問題信息獲取用戶的用戶需求信息,并根據(jù)所述用戶需求信息將所述問題信息分發(fā)至對應的至少一個問答服務模塊;所述多個問答服務模塊,用于根據(jù)接收到的問題信息生成問答結果并返回至所述決策模塊;所述決策模塊,用于接收所述至少一個問答服務模塊返回的問答結果,并對所述問答結果進行決策以確定最終的問答結果。
19.如權利要求18所述的裝置,其特征在于,還包括:補全模塊,用于獲取與所述用戶的對話交互信息,并根據(jù)所述對話交互信息的對話上文對所述問題信息進行補全。
20.如權利要求18所述的裝置,其特征在于,所述決策模塊具體包括:問答結果接收子模塊,用于接收所述至少一個問答服務模塊返回的問答結果;分析子模塊,用于根據(jù)所述問題信息生成需求分析特征,并獲取各個問答服務模塊返回的問答結果的置信度特征、所述用戶的對話交互信息的上下文特征以及所述用戶的個性化模型特征;決策子模塊,用于根據(jù)所述需求分析特征、所述問答結果的置信度特征、所述用戶的對話交互信息的上下文特征以及所述用戶的個性化模型特征對所述問答結果進行決策以確定最終的問答結果。
21.如權利要求20所述的裝置,其特征在于,其中,所述需求分析特征、所述問答結果的置信度特征、所述用戶的對話交互信息的上下文特征以及所述用戶的個性化模型特征分別對應有各自的決策權重。
22.如權利要求21所述的裝置,其特征在于,所述決策模塊還包括:訓練子模塊,用于根據(jù)所述用戶的日志基于增強學習模型對所述需求分析特征、所述問答結果的置信度特征、所述用戶的對話交互信息的上下文特征以及所述用戶的個性化模型特征的決策權重進行訓練。
23.如權利要求18所述的裝置,其特征在于,所述問答服務模塊包括阿拉丁服務模塊、垂類服務模塊、深度問答服務模塊和信息搜索服務模塊。
24.如權利要求23所述的裝置,其特征在于,所述深度問答服務模塊包括:第一接收子模塊,用于接收所述問題信息;問題類型獲取子模塊,用于根據(jù)所述問題信息獲取對應的問題類型;第一問答結果生成子模塊,用于根據(jù)所述問題類型選擇對應的問答模式,并根據(jù)選擇的答案生成模式和所述問題信息生成對應的問答結果。
25.如權利要求24所述的裝置,其特征在于,當所述問題類型為實體類型時,所述第一問答結果生成子模塊根據(jù)所述問題信息生成實體類問題信息,并基于搜索引擎抓取的摘要和歷史展現(xiàn)日志對所述實體類問題信息進行擴展以生成同族實體問題信息簇,其中,所述同族實體問題信息簇分別對應候選答案,以及從所述同族實體問題信息簇分別對應候選答案中抽取候選實體,并計算所述候選實體的置信度,以及將所述置信度大于預設置信度閾值的候選實體作為問答結果進行反饋。
26.如權利要求24所述的裝置,其特征在于,當所述問題類型為觀點類型時,所述第一問答結果生成子模塊獲取所述問題信息對應的候選答案,并對所述候選答案進行切分以生成多個候選答案短句,以及對所述多個候選答案短句進行聚合以生成觀點聚合簇,并判斷所述觀點聚合簇的觀點類型,以及根據(jù)所述觀點類型從所述觀點聚合簇中選擇出答案觀點,并生成所述答案觀點對應的摘要,以及對所述答案觀點進行評分,并將評分大于預設評分閾值的答案觀點作為問答結果進行反饋。
27.如權利要求26所述的裝置,其特征在于,所述第一問答結果生成子模塊,具體用于:提取所述多個候選答案短句中的關鍵詞,并計算每兩個所述關鍵詞之間的向量夾角和/或語義相似度,以及對所述向量夾角小于預設角度或語義相似度大于預設閾值的所述候選答案進行聚合以生成觀點聚合簇。
28.如權利要求24所述的裝置,其特征在于,當所述問題類型為片段類型時,所述第一問答結果生成子模塊獲取所述問題信息對應的候選答案,并對所述候選答案進行切分以生成多個候選答案短句,以及對所述多個候選答案短句進行重要度打分以生成所述候選答案短句對應的短句重要度特征,并根據(jù)所述短句重要度特征生成答案摘要,以及根據(jù)所述答案摘要的短句重要度特征對答案質量進行打分,并根據(jù)打分結果對候選答案進行排序,以及將排序結果作為問答結果進行反饋。
29.如權利要求28所述的裝置,其特征在于,所述第一問答結果生成子模塊,具體用于:根據(jù)所述答案摘要的短句重要度特征、答案權威性、問題信息的相關性和答案的豐富度對答案質量進行打分。
30.如權利要求28所述的裝置,其特征在于,所述第一問答結果生成子模塊,具體用于:獲取用戶的行為數(shù)據(jù),并根據(jù)所述用戶的行為數(shù)據(jù)和所述打分結果對所述候選答案進行排序。
31.如權利要求18所述的裝置,其特征在于,所述信息搜索服務模塊具體包括:第二接收子模塊,用于接收所述問題信息;搜索子模塊,用于根據(jù)所述問題信息進行搜索以生成多個候選網(wǎng)頁;第二問答結果生成子模塊,用于對所述候選網(wǎng)頁進行篇章分析以生成對應的摘要,并將摘要作為問答結果進行反饋。
32.如權利要求31所述的裝置,其特征在于,所述第二問答結果生成子模塊具體包括:篇章生成單元,用于對所述候選網(wǎng)頁進行篇章分析以生成對應的候選篇章;排序單元,用于對所述候選篇章中的句子進行打分排序;以及摘要生成單元,用于根據(jù)打分排序結果生成所述摘要。
33.如權利要求32所述的裝置,其特征在于,所述摘要生成單元,具體用于:獲取用戶的需求場景信息,并根據(jù)所述需求場景信息和所述打分排序結果生成所述摘要。
34.如權利要求32所述的裝置,其特征在于,所述第二問答結果生成子模塊還包括:聚合單元,用于對多個候選篇章的信息進行聚合。
格式:pdf
大?。?span id="gpe49xv" class="single-tag-height">381KB
頁數(shù): 3頁
評分: 4.4
工程機械優(yōu)化調度方法的研究具有十分重要的意義。本文利用人工神經(jīng)網(wǎng)絡多數(shù)據(jù)尋優(yōu)好的特點,對工程機械土方工程調度問題進行人工智能優(yōu)化調度。通過研究建立了工程機械施工質量、工期、效率、成本等多目標函數(shù)尋優(yōu)模型,為工程機械機群優(yōu)化調度實際應用奠定了理論基礎。
格式:pdf
大?。?span id="tirvmbm" class="single-tag-height">381KB
頁數(shù): 4頁
評分: 4.6
人工智能是一項用計算機模擬人腦進行工作的技術.工程人工智能方法是人工智能學科中比較成熟的方法在工程中的具體應用,主要體現(xiàn)在以下幾個方面:1 計算機輔助與自動化工程設計(CAD)1.1 深基坑擋上支護結構設計系統(tǒng)深基坑擋土支護結構設計是目前高層建筑基礎施工的一大課題,利用AutoCAD開發(fā)的深基坑擋土支護結構設計系統(tǒng),能夠對深基坑擋土支護結構的形式、布置、強度、剛度、穩(wěn)定性及安全性進行設計,并將設計結果自動輸出.深基坑擋土支護結構設計系統(tǒng)具
標底編制的方法:設計深度和規(guī)模
設計深度和規(guī)模。為加快建設項目進度,上級主管部門要求縮短初步設計、施工圖設計周期,導致施工圖設計達不到深度,若提交的資科再不細,就會造成計算工程量不足或漏項,從而影響標底的編制質量。
《基于射頻識別技術的標定系統(tǒng)和方法》的目的是為了克服2011年6月之前的被標定裝置標定技術的不足,提出了基于射頻識別技術的標定系統(tǒng)和方法。
《基于射頻識別技術的標定系統(tǒng)和方法》包括被標定裝置、標定裝置和服務器,其特征在于,還包括用于實現(xiàn)被標定裝置和標定裝置之間通信的電子標簽;所述被標定裝置包括中央處理模塊、測量輸入模塊、顯示模塊、按鍵輸入模塊、電源模塊、存儲模塊、通信模塊和射頻識別模塊,所述被標定裝置的測量輸入模塊、顯示模塊、按鍵輸入模塊、存儲模塊、通信模塊和射頻識別模塊分別與被標定裝置的中央處理模塊連接用于向中央處理模塊傳輸數(shù)據(jù)并接收來自中央處理模塊的控制命令,所述被標定裝置的電源模塊分別與中央處理模塊、測量輸入模塊、顯示模塊、按鍵輸入模塊、存儲模塊、通信模塊和射頻識別模塊連接用于向前述模塊提供電源;所述標定裝置包括中央處理模塊、顯示模塊、按鍵輸入模塊、電源模塊、通信模塊和射頻識別模塊,上述標定裝置的顯示模塊、按鍵輸入模塊、通信模塊和射頻識別模塊分別與標定裝置的中央處理模塊連接用于向中央處理模塊傳輸數(shù)據(jù)并接收來自中央處理模塊的控制命令,所述標定裝置的電源模塊分別與中央處理模塊、顯示模塊、按鍵輸入模塊、通信模塊和射頻識別模塊連接用于向前述模塊提供電源;所述服務器是由被標定裝置、標定裝置和標定人員的各種身份信息和操作信息構成的數(shù)據(jù)庫和承載這些數(shù)據(jù)庫的電腦以及通信模塊構成,它通過通信模塊和被標定裝置和標定裝置建立直接的數(shù)據(jù)通信聯(lián)系;所述被標定裝置的通信模塊、標定裝置的通信模塊、服務器的通信模塊之間可以兩兩相互通信;所述被標定裝置的射頻識別模塊和標定裝置的射頻識別模塊可以分別與電子標簽進行數(shù)據(jù)交換。
為了實現(xiàn)上述目的,該發(fā)明提供了另一種技術方案:基于射頻識別技術的標定方法,包括如下步驟:
步驟1:標定裝置通過其自身的通信模塊登錄到服務器上的數(shù)據(jù)庫,進行標定人員的身份合法性認證和被標定裝置的身份合法性認證,如果標定人員身份和被標定裝置的身份均合法,則登錄成功并將標定信息下載到標定裝置中,如果不合法,則登錄失敗并終止標定;
步驟2:將電子標簽放置在標定裝置的射頻感應區(qū),等待標定裝置將標定信息寫入到電子標簽中;
步驟3:將電子標簽放置在被標定裝置的射頻感應區(qū),被標定裝置分析電子標簽的標定信息,并對電子標簽中的標定信息進行合法性的判斷,如果合法,則進入標定程序對被標定裝置進行標定,如果不合法,則終止標定;
步驟4:標定成功后,被標定裝置將標定信息存儲到自身的存儲模塊中,并將電子標簽中的標定信息清除,在網(wǎng)絡通暢時被標定裝置則將標定信息傳輸?shù)椒掌鬟M行數(shù)據(jù)備份,備份成功后,則標定結束。
一、提高標定的安全性:在標定過程中,標定裝置與作為被標定裝置的被標定裝置之間無直接的硬件連接,而是通過電子標簽進行相互之間的信息交互,就可以使得標定裝置與被標定的被標定裝置之間相對獨立,不會因為一方的設備的損壞而影響另一方,同時也不會因為硬連接線的拔插而使標定裝置或被標定裝置內部電路短路,也不會因為靜電的串擾而破壞設備內部元器件,也不需要打開被標定裝置外殼而進行標定,從而降低了在標定過程中損壞標定裝置與被標定裝置的風險。
二、提高標定的操作效率:在標定過程中,由于不需要使用串口線將標定裝置與被標定的電子衡器相連,而直接通過電子標簽進行間接的數(shù)據(jù)交互,減少了少的拔插時間,同時,由于線的拔插,在很多時候會有接觸不良的情況,在標定時需要重復多次的拔插,減少了標定時間。
三、提高標定的管理效率:由于在標定過程中,將標定的信息保存在被標定裝置的存儲模塊中,同時由于標定裝置和被標定裝置內具有通信模塊,使得管理人員可以利用標定裝置的通信模塊與被標定裝置之間構建網(wǎng)絡進行通信,使得管理人員在極短的時間內可以獲得該網(wǎng)絡內的所有的被標定裝置的標定信息,而且不影響被標定裝置的工作狀態(tài),從而極大的提高了管理效率。
本發(fā)明公開基于多模型深度學習的涂裝新風空調的控制方法,包括步驟:采集空調機組的多個模段的切面的溫濕度數(shù)據(jù)上傳到云服務器的時序數(shù)據(jù)庫中,分別利用該溫濕度數(shù)據(jù)對多個模段的深度學習模型進行訓練,在訓練完成將多個深度學習模型集成在一起形成一個深度學習控制預測模型;控制時,實時采集多個模段的切面的溫濕度數(shù)據(jù),輸入到深度學習控制預測模型中;深度學習控制預測模型根據(jù)輸入的實時溫濕度數(shù)據(jù),在多個可選擇控制項中,選擇與目標溫濕度值最接接的控制結果輸出,并將控制結果所對應的控制設定值輸出到空調控制器中,對執(zhí)行機構調節(jié)控制。本發(fā)明可有效地減低生產中的能源消耗,對涂裝車間的運營成本及車身質量都具有非常有意義的作用。