基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置發(fā)明內(nèi)容

基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置專利目的

《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問(wèn)題之一。為此，該發(fā)明的一個(gè)目的在于提出一種基于人工智能的深度問(wèn)答服務(wù)提供方法，能夠針對(duì)用戶的深度問(wèn)題為用戶提供更加準(zhǔn)確的問(wèn)答結(jié)果，提升用戶使用滿意度。

《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》的第二個(gè)目的在于提出一種基于人工智能的深度問(wèn)答服務(wù)提供裝置。

基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置技術(shù)方案

為了實(shí)現(xiàn)上述目的，《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》第一方面實(shí)施例提出了一種基于人工智能的深度問(wèn)答服務(wù)提供方法，包括：S1、獲取用戶輸入的問(wèn)題信息；S2、根據(jù)所述問(wèn)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(wèn)題信息分發(fā)至對(duì)應(yīng)的至少一個(gè)問(wèn)答服務(wù)模塊；以及S4、接收所述至少一個(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果，并對(duì)所述問(wèn)答結(jié)果進(jìn)行決策以確定最終的問(wèn)答結(jié)果。

《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》實(shí)施例的基于人工智能的深度問(wèn)答服務(wù)提供方法，通過(guò)獲取用戶輸入的問(wèn)題信息，并根據(jù)問(wèn)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(wèn)題信息分發(fā)至對(duì)應(yīng)的至少一個(gè)問(wèn)答服務(wù)模塊，并接收至少一個(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果，最終對(duì)問(wèn)答結(jié)果進(jìn)行決策以確定最終的問(wèn)答結(jié)果，能夠針對(duì)用戶的深度問(wèn)題為用戶提供更加準(zhǔn)確的問(wèn)答結(jié)果，提升用戶使用滿意度。

《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》第二方面實(shí)施例提出了一種基于人工智能的深度問(wèn)答服務(wù)提供裝置，包括：輸入接收模塊、多個(gè)問(wèn)答服務(wù)模塊、分發(fā)模塊和決策模塊，其中，所述多個(gè)問(wèn)答服務(wù)模塊，用于根據(jù)接收到的問(wèn)題信息生成問(wèn)答結(jié)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(wèn)題信息；所述分發(fā)模塊，用于根據(jù)所述問(wèn)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(wèn)題信息分發(fā)至對(duì)應(yīng)的至少一個(gè)問(wèn)答服務(wù)模塊；以及所述決策模塊，用于接收所述至少一個(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果，并對(duì)所述問(wèn)答結(jié)果進(jìn)行決策以確定最終的問(wèn)答結(jié)果。

基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置改善效果

《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》實(shí)施例的基于人工智能的深度問(wèn)答服務(wù)提供裝置，通過(guò)獲取用戶輸入的問(wèn)題信息，并根據(jù)問(wèn)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(wèn)題信息分發(fā)至對(duì)應(yīng)的至少一個(gè)問(wèn)答服務(wù)模塊，并接收至少一個(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果，最終對(duì)問(wèn)答結(jié)果進(jìn)行決策以確定最終的問(wèn)答結(jié)果，能夠針對(duì)用戶的深度問(wèn)題為用戶提供更加準(zhǔn)確的問(wèn)答結(jié)果，提升用戶使用滿意度。

隨著科技的不斷進(jìn)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(guān)鍵字，搜索引擎返回與用戶需求相關(guān)的搜索結(jié)果，并按照相關(guān)性由高到低的順序排序。用戶可瀏覽和點(diǎn)擊搜索結(jié)果，并從中選擇感興趣或有需求的信息和內(nèi)容。其中，有的搜索引擎利用了框計(jì)算技術(shù)與知識(shí)圖譜技術(shù)?？蛴?jì)算技術(shù)主要是搜索引擎針對(duì)用戶輸入的查詢關(guān)鍵詞直接提供結(jié)果或者服務(wù)。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(guān)鍵字，都可以在搜索結(jié)果頁(yè)面的最頂端展現(xiàn)結(jié)果。而知識(shí)圖譜技術(shù)旨在將與用戶需求相關(guān)的知識(shí)組織并展現(xiàn)成一張“知識(shí)圖”，以滿足用戶對(duì)背景知識(shí)的需求以及延伸的需求。例如搜索“劉德華”，通過(guò)知識(shí)圖譜技術(shù)，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(shí)，以及“張學(xué)友”、“朱麗倩”等其他相關(guān)人物。

另外，有的搜索系統(tǒng)還可以基于自然語(yǔ)言，通過(guò)與用戶進(jìn)行交互問(wèn)答的方式，向用戶提供所需的資源。例如：在智能手機(jī)端，用戶可以通過(guò)如：蘋果siri、谷歌googlenow、百度語(yǔ)音助手等移動(dòng)應(yīng)用來(lái)獲取所需資源。上述應(yīng)用主要通過(guò)語(yǔ)音作為載體，以自然語(yǔ)言的形式向系統(tǒng)發(fā)出本地服務(wù)、網(wǎng)上搜索等指令，并以語(yǔ)音播報(bào)的形式向用戶反饋結(jié)果。

此外，用戶還可以向深度問(wèn)答系統(tǒng)提問(wèn)，獲得相應(yīng)的答案。例如“黃河流經(jīng)哪幾個(gè)省”、“英國(guó)的首都是哪座城市”等。

但是，在實(shí)現(xiàn)《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》過(guò)程中，該發(fā)明人發(fā)現(xiàn)2015年之前的技術(shù)中至少存在如下問(wèn)題：當(dāng)前系統(tǒng)只能用于回答已有知識(shí)庫(kù)中已存在的簡(jiǎn)單問(wèn)題，而對(duì)于復(fù)雜度較高、時(shí)效性強(qiáng)、與用戶主觀觀點(diǎn)相關(guān)的深度問(wèn)題等，則很難做出有效回答，并且人機(jī)交互方式不夠簡(jiǎn)便、自然。

圖1是根據(jù)《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》一個(gè)實(shí)施例的基于人工智能的深度問(wèn)答服務(wù)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(wèn)答服務(wù)提供方法和裝置》一個(gè)實(shí)施例的對(duì)問(wèn)答結(jié)果進(jìn)行決策的流程圖。

圖3是根據(jù)《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》一個(gè)實(shí)施例的基于人工智能的深度問(wèn)答服務(wù)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(wèn)答服務(wù)提供方法和裝置》一個(gè)實(shí)施例的基于人工智能的深度問(wèn)答服務(wù)提供裝置的結(jié)構(gòu)示意圖一。

圖5是根據(jù)《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》一個(gè)實(shí)施例的基于人工智能的深度問(wèn)答服務(wù)提供裝置的結(jié)構(gòu)示意圖二。

圖6是根據(jù)《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》一個(gè)實(shí)施例的深度問(wèn)答服務(wù)模塊的結(jié)構(gòu)示意圖。

圖7是根據(jù)《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》一個(gè)實(shí)施例的信息搜索服務(wù)模塊的結(jié)構(gòu)示意圖。

圖8是根據(jù)《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》一個(gè)實(shí)施例的決策模塊的結(jié)構(gòu)示意圖一。

圖9是根據(jù)《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》一個(gè)實(shí)施例的決策模塊的結(jié)構(gòu)示意圖二。

圖10是根據(jù)《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》一個(gè)實(shí)施例的基于人工智能的深度問(wèn)答服務(wù)提供裝置的結(jié)構(gòu)示意圖三。

《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置。

1.一種基于人工智能的深度問(wèn)答服務(wù)提供方法，其特征在于，包括以下步驟：

S1、獲取用戶輸入的問(wèn)題信息；

S2、根據(jù)所述問(wèn)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(wèn)題信息分發(fā)至對(duì)應(yīng)的至少一個(gè)問(wèn)答服務(wù)模塊；以及

S4、接收所述至少一個(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果，并對(duì)所述問(wèn)答結(jié)果進(jìn)行決策以確定最終的問(wèn)答結(jié)果。

2.如權(quán)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(duì)話交互信息；

S6、根據(jù)所述對(duì)話交互信息的對(duì)話上文對(duì)所述問(wèn)題信息進(jìn)行補(bǔ)全。

3.如權(quán)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(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果；

S42、根據(jù)所述問(wèn)題信息生成需求分析特征；

S43、獲取各個(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果的置信度特征、所述用戶的對(duì)話交互信息的上下文特征以及所述用戶的個(gè)性化模型特征；

S44、根據(jù)所述需求分析特征、所述問(wèn)答結(jié)果的置信度特征、所述用戶的對(duì)話交互信息的上下文特征以及所述用戶的個(gè)性化模型特征對(duì)所述問(wèn)答結(jié)果進(jìn)行決策以確定最終的問(wèn)答結(jié)果。

4.如權(quán)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(wèn)答結(jié)果的置信度特征、所述用戶的對(duì)話交互信息的上下文特征以及所述用戶的個(gè)性化模型特征分別對(duì)應(yīng)有各自的決策權(quán)重。

5.如權(quán)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(qiáng)學(xué)習(xí)模型對(duì)所述需求分析特征、所述問(wèn)答結(jié)果的置信度特征、所述用戶的對(duì)話交互信息的上下文特征以及所述用戶的個(gè)性化模型特征的決策權(quán)重進(jìn)行訓(xùn)練。

6.如權(quán)利要求1所述的方法，其特征在于，所述問(wèn)答服務(wù)模塊包括阿拉丁服務(wù)模塊、垂類服務(wù)模塊、深度問(wèn)答服務(wù)模塊和信息搜索服務(wù)模塊。

7.如權(quán)利要求6所述的方法，其特征在于，還包括：所述深度問(wèn)答服務(wù)模塊接收所述問(wèn)題信息；所述深度問(wèn)答服務(wù)模塊根據(jù)所述問(wèn)題信息獲取對(duì)應(yīng)的問(wèn)題類型；所述深度問(wèn)答服務(wù)模塊根據(jù)所述問(wèn)題類型選擇對(duì)應(yīng)的問(wèn)答模式，并根據(jù)選擇的答案生成模式和所述問(wèn)題信息生成對(duì)應(yīng)的問(wèn)答結(jié)果。

8.如權(quán)利要求7所述的方法，其特征在于，當(dāng)所述問(wèn)題類型為實(shí)體類型時(shí)，所述根據(jù)選擇的答案生成模式和所述問(wèn)題信息生成對(duì)應(yīng)的問(wèn)答結(jié)果具體包括：根據(jù)所述問(wèn)題信息生成實(shí)體類問(wèn)題信息；基于搜索引擎抓取的摘要和歷史展現(xiàn)日志對(duì)所述實(shí)體類問(wèn)題信息進(jìn)行擴(kuò)展以生成同族實(shí)體問(wèn)題信息簇，其中，所述同族實(shí)體問(wèn)題信息簇分別對(duì)應(yīng)候選答案；從所述同族實(shí)體問(wèn)題信息簇分別對(duì)應(yīng)候選答案中抽取候選實(shí)體；計(jì)算所述候選實(shí)體的置信度；以及將所述置信度大于預(yù)設(shè)置信度閾值的候選實(shí)體作為問(wèn)答結(jié)果進(jìn)行反饋。

9.如權(quán)利要求7所述的方法，其特征在于，當(dāng)所述問(wèn)題類型為觀點(diǎn)類型時(shí)，所述根據(jù)選擇的答案生成模式和所述問(wèn)題信息生成對(duì)應(yīng)的問(wèn)答結(jié)果具體包括：獲取所述問(wèn)題信息對(duì)應(yīng)的候選答案；對(duì)所述候選答案進(jìn)行切分以生成多個(gè)候選答案短句；對(duì)所述多個(gè)候選答案短句進(jìn)行聚合以生成觀點(diǎn)聚合簇；判斷所述觀點(diǎn)聚合簇的觀點(diǎn)類型；根據(jù)所述觀點(diǎn)類型從所述觀點(diǎn)聚合簇中選擇出答案觀點(diǎn)，并生成所述答案觀點(diǎn)對(duì)應(yīng)的摘要；對(duì)所述答案觀點(diǎn)進(jìn)行評(píng)分，并將評(píng)分大于預(yù)設(shè)評(píng)分閾值的答案觀點(diǎn)作為問(wèn)答結(jié)果進(jìn)行反饋。

10.如權(quán)利要求9所述的方法，其特征在于，所述對(duì)所述多個(gè)候選答案短句進(jìn)行聚合以生成觀點(diǎn)聚合簇具體包括：提取所述多個(gè)候選答案短句中的關(guān)鍵詞；計(jì)算每?jī)蓚€(gè)所述關(guān)鍵詞之間的向量夾角和/或語(yǔ)義相似度；對(duì)所述向量夾角小于預(yù)設(shè)角度或語(yǔ)義相似度大于預(yù)設(shè)閾值的所述候選答案進(jìn)行聚合以生成觀點(diǎn)聚合簇。

11.如權(quán)利要求7所述的方法，其特征在于，當(dāng)所述問(wèn)題類型為片段類型時(shí)，所述根據(jù)選擇的答案生成模式和所述問(wèn)題信息生成對(duì)應(yīng)的問(wèn)答結(jié)果具體包括：獲取所述問(wèn)題信息對(duì)應(yīng)的候選答案；對(duì)所述候選答案進(jìn)行切分以生成多個(gè)候選答案短句；對(duì)所述多個(gè)候選答案短句進(jìn)行重要度打分以生成所述候選答案短句對(duì)應(yīng)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(duì)答案質(zhì)量進(jìn)行打分，并根據(jù)打分結(jié)果對(duì)候選答案進(jìn)行排序；將排序結(jié)果作為問(wèn)答結(jié)果進(jìn)行反饋。

12.如權(quán)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(duì)答案質(zhì)量進(jìn)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(quán)威性、問(wèn)題信息的相關(guān)性和答案的豐富度對(duì)答案質(zhì)量進(jìn)行打分。

13.如權(quán)利要求11所述的方法，其特征在于，所述根據(jù)打分結(jié)果對(duì)候選答案進(jìn)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(jié)果對(duì)所述候選答案進(jìn)行排序。

14.如權(quán)利要求1-13任一項(xiàng)所述的方法，其特征在于，還包括：所述信息搜索服務(wù)模塊接收所述問(wèn)題信息；所述信息搜索服務(wù)模塊根據(jù)所述問(wèn)題信息進(jìn)行搜索以生成多個(gè)候選網(wǎng)頁(yè)；所述信息搜索服務(wù)模塊對(duì)所述候選網(wǎng)頁(yè)進(jìn)行篇章分析以生成對(duì)應(yīng)的摘要，并將摘要作為問(wèn)答結(jié)果進(jìn)行反饋。

15.如權(quán)利要求1-14任一項(xiàng)所述的方法，其特征在于，所述對(duì)所述候選網(wǎng)頁(yè)進(jìn)行篇章分析以生成對(duì)應(yīng)的摘要具體包括：對(duì)所述候選網(wǎng)頁(yè)進(jìn)行篇章分析以生成對(duì)應(yīng)的候選篇章；對(duì)所述候選篇章中的句子進(jìn)行打分排序；以及根據(jù)打分排序結(jié)果生成所述摘要。

16.如權(quán)利要求15所述的方法，其特征在于，所述根據(jù)打分排序結(jié)果生成所述摘要具體包括：獲取用戶的需求場(chǎng)景信息；根據(jù)所述需求場(chǎng)景信息和所述打分排序結(jié)果生成所述摘要。

17.如權(quán)利要求15所述的方法，其特征在于，還包括：對(duì)多個(gè)候選篇章的信息進(jìn)行聚合。

18.一種基于人工智能的深度問(wèn)答服務(wù)提供裝置，其特征在于，包括輸入接收模塊、多個(gè)問(wèn)答服務(wù)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(wèn)題信息；所述分發(fā)模塊，用于根據(jù)所述問(wèn)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(wèn)題信息分發(fā)至對(duì)應(yīng)的至少一個(gè)問(wèn)答服務(wù)模塊；所述多個(gè)問(wèn)答服務(wù)模塊，用于根據(jù)接收到的問(wèn)題信息生成問(wèn)答結(jié)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(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果，并對(duì)所述問(wèn)答結(jié)果進(jìn)行決策以確定最終的問(wèn)答結(jié)果。

19.如權(quán)利要求18所述的裝置，其特征在于，還包括：補(bǔ)全模塊，用于獲取與所述用戶的對(duì)話交互信息，并根據(jù)所述對(duì)話交互信息的對(duì)話上文對(duì)所述問(wèn)題信息進(jìn)行補(bǔ)全。

20.如權(quán)利要求18所述的裝置，其特征在于，所述決策模塊具體包括：?jiǎn)柎鸾Y(jié)果接收子模塊，用于接收所述至少一個(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果；分析子模塊，用于根據(jù)所述問(wèn)題信息生成需求分析特征，并獲取各個(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果的置信度特征、所述用戶的對(duì)話交互信息的上下文特征以及所述用戶的個(gè)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(wèn)答結(jié)果的置信度特征、所述用戶的對(duì)話交互信息的上下文特征以及所述用戶的個(gè)性化模型特征對(duì)所述問(wèn)答結(jié)果進(jìn)行決策以確定最終的問(wèn)答結(jié)果。

21.如權(quán)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(wèn)答結(jié)果的置信度特征、所述用戶的對(duì)話交互信息的上下文特征以及所述用戶的個(gè)性化模型特征分別對(duì)應(yīng)有各自的決策權(quán)重。

22.如權(quán)利要求21所述的裝置，其特征在于，所述決策模塊還包括：訓(xùn)練子模塊，用于根據(jù)所述用戶的日志基于增強(qiáng)學(xué)習(xí)模型對(duì)所述需求分析特征、所述問(wèn)答結(jié)果的置信度特征、所述用戶的對(duì)話交互信息的上下文特征以及所述用戶的個(gè)性化模型特征的決策權(quán)重進(jìn)行訓(xùn)練。

23.如權(quán)利要求18所述的裝置，其特征在于，所述問(wèn)答服務(wù)模塊包括阿拉丁服務(wù)模塊、垂類服務(wù)模塊、深度問(wèn)答服務(wù)模塊和信息搜索服務(wù)模塊。

24.如權(quán)利要求23所述的裝置，其特征在于，所述深度問(wèn)答服務(wù)模塊包括：第一接收子模塊，用于接收所述問(wèn)題信息；問(wèn)題類型獲取子模塊，用于根據(jù)所述問(wèn)題信息獲取對(duì)應(yīng)的問(wèn)題類型；第一問(wèn)答結(jié)果生成子模塊，用于根據(jù)所述問(wèn)題類型選擇對(duì)應(yīng)的問(wèn)答模式，并根據(jù)選擇的答案生成模式和所述問(wèn)題信息生成對(duì)應(yīng)的問(wèn)答結(jié)果。

25.如權(quán)利要求24所述的裝置，其特征在于，當(dāng)所述問(wèn)題類型為實(shí)體類型時(shí)，所述第一問(wèn)答結(jié)果生成子模塊根據(jù)所述問(wèn)題信息生成實(shí)體類問(wèn)題信息，并基于搜索引擎抓取的摘要和歷史展現(xiàn)日志對(duì)所述實(shí)體類問(wèn)題信息進(jìn)行擴(kuò)展以生成同族實(shí)體問(wèn)題信息簇，其中，所述同族實(shí)體問(wèn)題信息簇分別對(duì)應(yīng)候選答案，以及從所述同族實(shí)體問(wèn)題信息簇分別對(duì)應(yīng)候選答案中抽取候選實(shí)體，并計(jì)算所述候選實(shí)體的置信度，以及將所述置信度大于預(yù)設(shè)置信度閾值的候選實(shí)體作為問(wèn)答結(jié)果進(jìn)行反饋。

26.如權(quán)利要求24所述的裝置，其特征在于，當(dāng)所述問(wèn)題類型為觀點(diǎn)類型時(shí)，所述第一問(wèn)答結(jié)果生成子模塊獲取所述問(wèn)題信息對(duì)應(yīng)的候選答案，并對(duì)所述候選答案進(jìn)行切分以生成多個(gè)候選答案短句，以及對(duì)所述多個(gè)候選答案短句進(jìn)行聚合以生成觀點(diǎn)聚合簇，并判斷所述觀點(diǎn)聚合簇的觀點(diǎn)類型，以及根據(jù)所述觀點(diǎn)類型從所述觀點(diǎn)聚合簇中選擇出答案觀點(diǎn)，并生成所述答案觀點(diǎn)對(duì)應(yīng)的摘要，以及對(duì)所述答案觀點(diǎn)進(jìn)行評(píng)分，并將評(píng)分大于預(yù)設(shè)評(píng)分閾值的答案觀點(diǎn)作為問(wèn)答結(jié)果進(jìn)行反饋。

27.如權(quán)利要求26所述的裝置，其特征在于，所述第一問(wèn)答結(jié)果生成子模塊，具體用于：提取所述多個(gè)候選答案短句中的關(guān)鍵詞，并計(jì)算每?jī)蓚€(gè)所述關(guān)鍵詞之間的向量夾角和/或語(yǔ)義相似度，以及對(duì)所述向量夾角小于預(yù)設(shè)角度或語(yǔ)義相似度大于預(yù)設(shè)閾值的所述候選答案進(jìn)行聚合以生成觀點(diǎn)聚合簇。

28.如權(quán)利要求24所述的裝置，其特征在于，當(dāng)所述問(wèn)題類型為片段類型時(shí)，所述第一問(wèn)答結(jié)果生成子模塊獲取所述問(wèn)題信息對(duì)應(yīng)的候選答案，并對(duì)所述候選答案進(jìn)行切分以生成多個(gè)候選答案短句，以及對(duì)所述多個(gè)候選答案短句進(jìn)行重要度打分以生成所述候選答案短句對(duì)應(yīng)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(duì)答案質(zhì)量進(jìn)行打分，并根據(jù)打分結(jié)果對(duì)候選答案進(jìn)行排序，以及將排序結(jié)果作為問(wèn)答結(jié)果進(jìn)行反饋。

29.如權(quán)利要求28所述的裝置，其特征在于，所述第一問(wèn)答結(jié)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(quán)威性、問(wèn)題信息的相關(guān)性和答案的豐富度對(duì)答案質(zhì)量進(jìn)行打分。

30.如權(quán)利要求28所述的裝置，其特征在于，所述第一問(wèn)答結(jié)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(jié)果對(duì)所述候選答案進(jìn)行排序。

31.如權(quán)利要求18所述的裝置，其特征在于，所述信息搜索服務(wù)模塊具體包括：第二接收子模塊，用于接收所述問(wèn)題信息；搜索子模塊，用于根據(jù)所述問(wèn)題信息進(jìn)行搜索以生成多個(gè)候選網(wǎng)頁(yè)；第二問(wèn)答結(jié)果生成子模塊，用于對(duì)所述候選網(wǎng)頁(yè)進(jìn)行篇章分析以生成對(duì)應(yīng)的摘要，并將摘要作為問(wèn)答結(jié)果進(jìn)行反饋。

32.如權(quán)利要求31所述的裝置，其特征在于，所述第二問(wèn)答結(jié)果生成子模塊具體包括：篇章生成單元，用于對(duì)所述候選網(wǎng)頁(yè)進(jìn)行篇章分析以生成對(duì)應(yīng)的候選篇章；排序單元，用于對(duì)所述候選篇章中的句子進(jìn)行打分排序；以及摘要生成單元，用于根據(jù)打分排序結(jié)果生成所述摘要。

33.如權(quán)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(chǎng)景信息，并根據(jù)所述需求場(chǎng)景信息和所述打分排序結(jié)果生成所述摘要。

34.如權(quán)利要求32所述的裝置，其特征在于，所述第二問(wèn)答結(jié)果生成子模塊還包括：聚合單元，用于對(duì)多個(gè)候選篇章的信息進(jìn)行聚合。

下面參考附圖描述《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》實(shí)施例的基于人工智能的人機(jī)交互的交互引導(dǎo)方法和裝置。

圖1是根據(jù)《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》一個(gè)實(shí)施例的基于人工智能的深度問(wèn)答服務(wù)提供方法的流程圖。

如圖1所示，基于人工智能的深度問(wèn)答服務(wù)提供方法可包括：

S1、獲取用戶輸入的問(wèn)題信息。

其中，問(wèn)題信息可以是文字信息，也可以是語(yǔ)音信息。例如，用戶輸入的問(wèn)題信息“北京有什么小吃？”。

S2、根據(jù)問(wèn)題信息獲取用戶的用戶需求信息。

具體地，可對(duì)問(wèn)題信息進(jìn)行需求分析，從而獲取用戶的用戶需求信息。舉例來(lái)說(shuō)，用戶需求信息可以為垂類需求、阿拉丁需求、深度問(wèn)答需求、信息搜索需求等。

S3、根據(jù)用戶需求信息將問(wèn)題信息分發(fā)至對(duì)應(yīng)的至少一個(gè)問(wèn)答服務(wù)模塊。

其中，問(wèn)答服務(wù)模塊可包括阿拉丁服務(wù)模塊、垂類服務(wù)模塊、深度問(wèn)答服務(wù)模塊和信息搜索服務(wù)模塊。

在《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》的一個(gè)實(shí)施例中，當(dāng)用戶需求信息為阿拉丁需求時(shí)，可將問(wèn)題信息分發(fā)至阿拉丁服務(wù)模塊；當(dāng)用戶需求信息為垂類需求時(shí)，可將問(wèn)題信息分發(fā)至垂類服務(wù)模塊；當(dāng)用戶需求信息為深度問(wèn)答需求時(shí)，可將問(wèn)題信息分發(fā)至深度問(wèn)答服務(wù)模塊；當(dāng)用戶需求信息為信息搜索需求時(shí)，可將問(wèn)題分發(fā)至信息搜索服務(wù)模塊。

其中，阿拉丁服務(wù)是能夠?yàn)橛脩粜枨筇峁┚珳?zhǔn)滿足的一類服務(wù)的統(tǒng)稱，例如美元兌換人民幣、2015年春節(jié)放假等。舉例來(lái)說(shuō)，用戶的問(wèn)題信息為“劉德華的老婆是誰(shuí)？”，則可對(duì)該問(wèn)題信息進(jìn)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(jìn)行歸一，將查詢屬性歸一為“妻子”。然后搜索并獲得結(jié)果字段為“朱麗倩”，再基于自然語(yǔ)言生成技術(shù)（NaturalLanguageGeneration）生成問(wèn)答結(jié)果“劉德華的老婆是朱麗倩”。再例如：用戶的問(wèn)題信息為“北京明天熱嗎？”，通過(guò)搜索并獲得結(jié)果字段為“35攝氏度”，可基于常識(shí)知識(shí)庫(kù)和預(yù)設(shè)的規(guī)則，生成問(wèn)答結(jié)果“明天天氣很熱，最高溫度為35攝氏度，建議注意防暑降溫。”其中，常識(shí)知識(shí)庫(kù)可包括常識(shí)類知識(shí)，如溫度高于30攝氏度屬于天氣熱。

垂類服務(wù)是針對(duì)垂類需求進(jìn)行多輪交互的服務(wù)，例如“訂機(jī)票”等。垂類服務(wù)主要通過(guò)對(duì)話控制技術(shù)（DialogueManagement）和對(duì)話策略技術(shù)（DialoguePolicy），對(duì)用戶的需求進(jìn)行澄清，從而向用戶提供滿足用戶需求的問(wèn)答結(jié)果。舉例來(lái)說(shuō)，用戶的問(wèn)題信息為“北京到上海的機(jī)票”，則可對(duì)該問(wèn)題信息進(jìn)行分析，然后向用戶反問(wèn)“您的出發(fā)日期是哪天？”，用戶回答“明天”，然后繼續(xù)反問(wèn)“您對(duì)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(wèn)答結(jié)果。

深度問(wèn)答服務(wù)為針對(duì)用戶輸入的問(wèn)題信息，基于深入的語(yǔ)義分析和知識(shí)挖掘技術(shù)，從而為用戶提供精準(zhǔn)的問(wèn)答結(jié)果的服務(wù)。當(dāng)用戶需求信息為深度問(wèn)答需求時(shí)，深度問(wèn)答服務(wù)模塊可接收問(wèn)題信息，并根據(jù)問(wèn)題信息獲取對(duì)應(yīng)的問(wèn)題類型，然后根據(jù)問(wèn)題類型選擇對(duì)應(yīng)的問(wèn)答模式，以及根據(jù)選擇的答案生成模式和問(wèn)題信息生成對(duì)應(yīng)的問(wèn)答結(jié)果。其中，問(wèn)題類型可包括實(shí)體類型、觀點(diǎn)類型和片段類型。

更具體地，當(dāng)問(wèn)題類型為實(shí)體類型時(shí)，可根據(jù)問(wèn)題信息生成實(shí)體類問(wèn)題信息，并基于搜索引擎抓取的摘要和歷史展現(xiàn)日志對(duì)實(shí)體類問(wèn)題信息進(jìn)行擴(kuò)展以生成同族實(shí)體問(wèn)題信息簇。其中，同族實(shí)體問(wèn)題信息簇分別對(duì)應(yīng)候選答案。然后從同族實(shí)體問(wèn)題信息簇分別對(duì)應(yīng)候選答案中抽取候選實(shí)體，再計(jì)算候選實(shí)體的置信度，以及將置信度大于預(yù)設(shè)置信度閾值的候選實(shí)體作為問(wèn)答結(jié)果進(jìn)行反饋。舉例來(lái)說(shuō)，問(wèn)題信息為“劉德華老婆是誰(shuí)？”，候選答案為“其實(shí)早在九二年時(shí)就有報(bào)道，劉德華和朱麗倩已經(jīng)在加拿大秘密注冊(cè)結(jié)婚…”，其中，候選實(shí)體為“劉德華”、“朱麗倩”、“加拿大”。然后基于實(shí)體知識(shí)庫(kù)和問(wèn)答語(yǔ)義匹配模型計(jì)算各候選實(shí)體的置信度，可計(jì)算出候選實(shí)體“朱麗倩”的置信度大于預(yù)設(shè)置信度閾值，則可確定“朱麗倩”為問(wèn)答結(jié)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(dāng)問(wèn)題類型為觀點(diǎn)類型時(shí)，可獲取問(wèn)題信息對(duì)應(yīng)的候選答案，并對(duì)候選答案進(jìn)行切分以生成多個(gè)候選答案短句，然后對(duì)多個(gè)候選答案短句進(jìn)行聚合以生成觀點(diǎn)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(guān)鍵詞，并對(duì)包含否定詞的關(guān)鍵詞進(jìn)行泛化并生成否定標(biāo)簽，然后基于否定標(biāo)簽將關(guān)鍵詞用向量進(jìn)行表示，計(jì)算每?jī)蓚€(gè)關(guān)鍵詞之間的向量夾角和/或語(yǔ)義相似度，然后對(duì)向量夾角小于預(yù)設(shè)角度或語(yǔ)義相似度大于預(yù)設(shè)閾值的候選答案進(jìn)行聚合以生成觀點(diǎn)聚合簇。

在此之后，可判斷觀點(diǎn)聚合簇的觀點(diǎn)類型。其中，觀點(diǎn)可包括是非類、評(píng)價(jià)類、建議類等。具體地，可通過(guò)預(yù)先設(shè)定的規(guī)則或者基于統(tǒng)計(jì)模型確定觀點(diǎn)聚合簇的觀點(diǎn)類型。然后根據(jù)觀點(diǎn)類型從對(duì)應(yīng)的觀點(diǎn)聚合簇中選擇出答案觀點(diǎn)。其中，選擇答案觀點(diǎn)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(diǎn)、選取IDF*log（IDF）值最低的答案觀點(diǎn)和選取在候選答案對(duì)應(yīng)的文章中出現(xiàn)次數(shù)最多的答案觀點(diǎn)。其中，IDF為反文檔頻率。在此之后，可生成答案觀點(diǎn)對(duì)應(yīng)的摘要，然后可對(duì)答案觀點(diǎn)進(jìn)行評(píng)分，并將評(píng)分大于預(yù)設(shè)評(píng)分閾值的答案觀點(diǎn)作為問(wèn)答結(jié)果進(jìn)行反饋。舉例來(lái)說(shuō)，問(wèn)題信息為“懷孕注意事項(xiàng)”，其中一個(gè)候選答案為“懷孕時(shí)應(yīng)謹(jǐn)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(xí)慣?！?，可將該候選答案切分為“懷孕時(shí)應(yīng)謹(jǐn)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(xí)慣”四個(gè)候選答案短句。然后可將候選答案短句中重復(fù)的內(nèi)容或者近似的內(nèi)容進(jìn)行聚合生成觀點(diǎn)聚合簇，并選出答案觀點(diǎn)。之后，可根據(jù)信息豐富度、論據(jù)充分度、信息冗余度等對(duì)答案觀點(diǎn)進(jìn)行評(píng)分，并將評(píng)分大于預(yù)設(shè)評(píng)分閾值的答案觀點(diǎn)作為問(wèn)答結(jié)果進(jìn)行反饋。此外，在選出答案觀點(diǎn)后，可獲取其在來(lái)源文章中所在的句子，然后按照預(yù)定長(zhǎng)度截取句子，從而生成該答案觀點(diǎn)對(duì)應(yīng)的摘要。之后可根據(jù)內(nèi)容豐富度、答案權(quán)威性對(duì)摘要進(jìn)行排序。

當(dāng)問(wèn)題類型為片段類型時(shí)，可獲取問(wèn)題信息對(duì)應(yīng)的候選答案，并對(duì)候選答案進(jìn)行切分以生成多個(gè)候選答案短句，然后對(duì)多個(gè)候選答案短句進(jìn)行重要度打分以生成候選答案短句對(duì)應(yīng)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(quán)威性、問(wèn)題信息的相關(guān)性和答案的豐富度對(duì)答案質(zhì)量進(jìn)行打分。其中，短句重要度特征可包括聚合特征、相關(guān)度特征、類型特征和問(wèn)題答案匹配度特征。其中，聚合特征用于衡量短句的重復(fù)度，例如：詞向量質(zhì)心特征、NGram（計(jì)算出現(xiàn)概率）特征、Lexrank（多文本自動(dòng)摘要）特征等。類型特征為問(wèn)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(quán)威性為答案來(lái)源的網(wǎng)站的權(quán)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(jié)果對(duì)候選答案進(jìn)行排序，最終將排序結(jié)果作為問(wèn)答結(jié)果進(jìn)行反饋。其中，用戶的行為數(shù)據(jù)是可包括用戶對(duì)問(wèn)答結(jié)果的點(diǎn)擊行為、在問(wèn)答結(jié)果上停留的時(shí)間、通過(guò)當(dāng)前的問(wèn)答結(jié)果跳轉(zhuǎn)至其他問(wèn)答結(jié)果等用戶的歷史行為信息。

當(dāng)用戶需求信息為信息搜索需求時(shí)，信息搜索服務(wù)模塊可接收問(wèn)題信息，并根據(jù)問(wèn)題信息進(jìn)行搜索以生成多個(gè)候選網(wǎng)頁(yè)，然后對(duì)候選網(wǎng)頁(yè)進(jìn)行篇章分析以生成對(duì)應(yīng)的候選篇章。具體地，可對(duì)候選網(wǎng)頁(yè)進(jìn)行篇章內(nèi)容抽取、篇章主題分割和篇章關(guān)系分析生成對(duì)應(yīng)的候選篇章。其中，篇章內(nèi)容抽取主要為識(shí)別候選網(wǎng)頁(yè)的正文部分，刪除與用戶需求信息無(wú)關(guān)的內(nèi)容。篇章主題分割為對(duì)篇章的主題結(jié)構(gòu)進(jìn)行分析，可將篇章劃分為多個(gè)子主題。篇章關(guān)系分析為分析篇章中多個(gè)子主題之間的關(guān)系，例如并列關(guān)系等。在生成候選篇章之后，可對(duì)候選篇章中的句子進(jìn)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(guān)度。在此之后，可獲取用戶的需求場(chǎng)景信息，并根據(jù)需求場(chǎng)景信息和打分排序結(jié)果生成摘要，最終將摘要作為問(wèn)答結(jié)果進(jìn)行反饋。其中場(chǎng)景信息可包括移動(dòng)終端場(chǎng)景、電腦場(chǎng)景。當(dāng)場(chǎng)景信息為移動(dòng)終端場(chǎng)景時(shí)，則可對(duì)句子進(jìn)行壓縮簡(jiǎn)寫，使生成的摘要盡量簡(jiǎn)明扼要；當(dāng)場(chǎng)景信息為電腦場(chǎng)景時(shí)，可對(duì)句子進(jìn)行拼接融合，使得生成的摘要詳細(xì)清楚。當(dāng)然，生成候選篇章時(shí)，由于候選篇章中的內(nèi)容均與用戶需求信息具有相關(guān)性，則可能會(huì)有重復(fù)或互補(bǔ)的內(nèi)容，則需要對(duì)多個(gè)候選篇章的信息進(jìn)行聚合。

S4、接收至少一個(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果，并對(duì)問(wèn)答結(jié)果進(jìn)行決策以確定最終的問(wèn)答結(jié)果。具體地，如圖2所示，可包括以下步驟：

S41、接收至少一個(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果。

S42、根據(jù)問(wèn)題信息生成需求分析特征。

S43、獲取各個(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果的置信度特征、用戶的對(duì)話交互信息的上下文特征以及用戶的個(gè)性化模型特征。

S44、根據(jù)需求分析特征、問(wèn)答結(jié)果的置信度特征、用戶的對(duì)話交互信息的上下文特征以及用戶的個(gè)性化模型特征對(duì)問(wèn)答結(jié)果進(jìn)行決策以確定最終的問(wèn)答結(jié)果。

具體地，對(duì)問(wèn)答結(jié)果進(jìn)行決策以確定最終的問(wèn)答結(jié)果主要基于以下幾個(gè)特征：1、需求分析特征，通過(guò)對(duì)用戶的問(wèn)題信息進(jìn)行需求分析，可選擇更符合用戶需求的問(wèn)答服務(wù)模塊提供的問(wèn)答結(jié)果。2、問(wèn)答結(jié)果置信度特征，每個(gè)問(wèn)答服務(wù)模塊提供的問(wèn)答結(jié)果均具有置信度，可選擇置信度高的問(wèn)答結(jié)果。3、用戶的對(duì)話交互信息的上下文特征，可選擇更符合上下文信息的問(wèn)答結(jié)果。4、用戶的個(gè)性化模型特征，可選擇更符合用戶個(gè)性化需求的問(wèn)答結(jié)果。其中，需求分析特征、問(wèn)答結(jié)果的置信度特征、用戶的對(duì)話交互信息的上下文特征以及用戶的個(gè)性化模型特征分別對(duì)應(yīng)有各自的決策權(quán)重?；谝陨咸卣鲗?duì)問(wèn)答結(jié)果進(jìn)行決策，從而確定最終的問(wèn)答結(jié)果。在確定最終的問(wèn)答結(jié)果后，可反饋給用戶，從而滿足用戶的需求。其中，問(wèn)答結(jié)果可通過(guò)語(yǔ)音播報(bào)的方式，亦可以通過(guò)屏幕顯示的方式反饋給用戶。采用語(yǔ)音播報(bào)的方式使得人機(jī)交互的過(guò)程更加簡(jiǎn)便、自然。

另外，還可根據(jù)用戶的日志基于增強(qiáng)學(xué)習(xí)模型對(duì)需求分析特征、問(wèn)答結(jié)果的置信度特征、用戶的對(duì)話交互信息的上下文特征以及用戶的個(gè)性化模型特征的決策權(quán)重進(jìn)行訓(xùn)練，從而為用戶提供更符合用戶需求的問(wèn)答結(jié)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(duì)話交互信息。

S6、根據(jù)對(duì)話交互信息的對(duì)話上文對(duì)問(wèn)題信息進(jìn)行補(bǔ)全。

具體地，在多輪交互過(guò)程中，用戶通常會(huì)基于對(duì)話上文省略問(wèn)題信息中的一部分內(nèi)容，因此需要對(duì)問(wèn)題信息進(jìn)行補(bǔ)全，從而澄清用戶的需求。例如：對(duì)話上文為“北京有什么小吃？”，而問(wèn)題信息為“那特產(chǎn)呢？”，則需要對(duì)用戶輸入的問(wèn)題信息進(jìn)行補(bǔ)全，生成新的問(wèn)題信息“北京有什么特產(chǎn)？”。

《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》實(shí)施例的基于人工智能的深度問(wèn)答服務(wù)提供方法，通過(guò)獲取用戶輸入的問(wèn)題信息，并根據(jù)問(wèn)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(wèn)題信息分發(fā)至對(duì)應(yīng)的至少一個(gè)問(wèn)答服務(wù)模塊，并接收至少一個(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果，最終對(duì)問(wèn)答結(jié)果進(jìn)行決策以確定最終的問(wèn)答結(jié)果，能夠針對(duì)用戶的深度問(wèn)題為用戶提供更加準(zhǔn)確的問(wèn)答結(jié)果，提升用戶使用滿意度。

為實(shí)現(xiàn)上述目的，《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》還提出一種基于人工智能的深度問(wèn)答服務(wù)提供裝置。

圖4是根據(jù)《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》一個(gè)實(shí)施例的基于人工智能的深度問(wèn)答服務(wù)提供裝置的結(jié)構(gòu)示意圖一。

如圖4所示，該基于人工智能的深度問(wèn)答服務(wù)提供裝置可包括：輸入接收模塊1000、分發(fā)模塊2000、問(wèn)答服務(wù)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(wèn)題信息。其中，問(wèn)題信息可以是文字信息，也可以是語(yǔ)音信息。例如，用戶輸入的問(wèn)題信息“北京有什么小吃？”。分發(fā)模塊2000用于根據(jù)問(wèn)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(wèn)題信息分發(fā)至對(duì)應(yīng)的至少一個(gè)問(wèn)答服務(wù)模塊3000。其中，如圖5所示，問(wèn)答服務(wù)模塊3000可包括阿拉丁服務(wù)模塊3100、垂類服務(wù)模塊3200、深度問(wèn)答服務(wù)模塊3300和信息搜索服務(wù)模塊3400。

具體地，分發(fā)模塊2000可對(duì)問(wèn)題信息進(jìn)行需求分析，從而獲取用戶的用戶需求信息。舉例來(lái)說(shuō)，當(dāng)用戶需求信息為阿拉丁需求時(shí)，可將問(wèn)題信息分發(fā)至阿拉丁服務(wù)模塊；當(dāng)用戶需求信息為垂類需求時(shí)，可將問(wèn)題信息分發(fā)至垂類服務(wù)模塊；當(dāng)用戶需求信息為深度問(wèn)答需求時(shí)，可將問(wèn)題信息分發(fā)至深度問(wèn)答服務(wù)模塊；當(dāng)用戶需求信息為信息搜索需求時(shí)，可將問(wèn)題分發(fā)至信息搜索服務(wù)模塊。

多個(gè)問(wèn)答服務(wù)模塊3000用于根據(jù)接收到的問(wèn)題信息生成問(wèn)答結(jié)果并返回至決策模塊4000。

其中，阿拉丁服務(wù)是能夠?yàn)橛脩粜枨筇峁┚珳?zhǔn)滿足的一類服務(wù)的統(tǒng)稱，例如美元兌換人民幣、2015年春節(jié)放假等。舉例來(lái)說(shuō)，用戶的問(wèn)題信息為“劉德華的老婆是誰(shuí)？”，則阿拉丁服務(wù)模塊3100可對(duì)該問(wèn)題信息進(jìn)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(jìn)行歸一，將查詢屬性歸一為“妻子”。然后搜索并獲得結(jié)果字段為“朱麗倩”，再基于自然語(yǔ)言生成技術(shù)（NaturalLanguageGeneration）生成問(wèn)答結(jié)果“劉德華的老婆是朱麗倩”。再例如：用戶的問(wèn)題信息為“北京明天熱嗎？”，通過(guò)搜索并獲得結(jié)果字段為“35攝氏度”，可基于常識(shí)知識(shí)庫(kù)和預(yù)設(shè)的規(guī)則，生成問(wèn)答結(jié)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(shí)知識(shí)庫(kù)可包括常識(shí)類知識(shí)，如溫度高于30攝氏度屬于天氣熱。

垂類服務(wù)是針對(duì)垂類需求進(jìn)行多輪交互的服務(wù)，例如“訂機(jī)票”等。垂類服務(wù)模塊3200主要通過(guò)對(duì)話控制技術(shù)（DialogueManagement）和對(duì)話策略技術(shù)（DialoguePolicy），對(duì)用戶的需求進(jìn)行澄清，從而向用戶提供滿足用戶需求的問(wèn)答結(jié)果。舉例來(lái)說(shuō)，用戶的問(wèn)題信息為“北京到上海的機(jī)票”，則可對(duì)該問(wèn)題信息進(jìn)行分析，然后向用戶反問(wèn)“您的出發(fā)日期是哪天？”，用戶回答“明天”，然后繼續(xù)反問(wèn)“您對(duì)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(wèn)答結(jié)果。

深度問(wèn)答服務(wù)為針對(duì)用戶輸入的問(wèn)題信息，基于深入的語(yǔ)義分析和知識(shí)挖掘技術(shù)，從而為用戶提供精準(zhǔn)的問(wèn)答結(jié)果的服務(wù)。當(dāng)用戶需求信息為深度問(wèn)答需求時(shí)，深度問(wèn)答服務(wù)模塊3300可接收問(wèn)題信息，并根據(jù)問(wèn)題信息獲取對(duì)應(yīng)的問(wèn)題類型，然后根據(jù)問(wèn)題類型選擇對(duì)應(yīng)的問(wèn)答模式，以及根據(jù)選擇的答案生成模式和問(wèn)題信息生成對(duì)應(yīng)的問(wèn)答結(jié)果。其中，問(wèn)題類型可包括實(shí)體類型、觀點(diǎn)類型和片段類型。

其中，如圖6所示，深度問(wèn)答服務(wù)模塊3300具體包括第一接收子模塊3310、問(wèn)題類型獲取子模塊3320和第一問(wèn)答結(jié)果生成子模塊3330。

第一接收子模塊3310用于接收問(wèn)題信息。問(wèn)題類型獲取子模塊3320用于根據(jù)問(wèn)題信息獲取對(duì)應(yīng)的問(wèn)題類型。

第一問(wèn)答結(jié)果生成子模塊3330用于根據(jù)問(wèn)題類型選擇對(duì)應(yīng)的問(wèn)答模式，并根據(jù)選擇的答案生成模式和問(wèn)題信息生成對(duì)應(yīng)的問(wèn)答結(jié)果。

當(dāng)問(wèn)題類型為實(shí)體類型時(shí)，可根據(jù)問(wèn)題信息生成實(shí)體類問(wèn)題信息，并基于搜索引擎抓取的摘要和歷史展現(xiàn)日志對(duì)實(shí)體類問(wèn)題信息進(jìn)行擴(kuò)展以生成同族實(shí)體問(wèn)題信息簇。其中，同族實(shí)體問(wèn)題信息簇分別對(duì)應(yīng)候選答案。然后從同族實(shí)體問(wèn)題信息簇分別對(duì)應(yīng)候選答案中抽取候選實(shí)體，再計(jì)算候選實(shí)體的置信度，以及將置信度大于預(yù)設(shè)置信度閾值的候選實(shí)體作為問(wèn)答結(jié)果進(jìn)行反饋。舉例來(lái)說(shuō)，問(wèn)題信息為“劉德華老婆是誰(shuí)？”，候選答案為“其實(shí)早在九二年時(shí)就有報(bào)道，劉德華和朱麗倩已經(jīng)在加拿大秘密注冊(cè)結(jié)婚…”，其中，候選實(shí)體為“劉德華”、“朱麗倩”、“加拿大”。然后基于實(shí)體知識(shí)庫(kù)和問(wèn)答語(yǔ)義匹配模型計(jì)算各候選實(shí)體的置信度，可計(jì)算出候選實(shí)體“朱麗倩”的置信度大于預(yù)設(shè)置信度閾值，則可確定“朱麗倩”為問(wèn)答結(jié)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(dāng)問(wèn)題類型為觀點(diǎn)類型時(shí)，可獲取問(wèn)題信息對(duì)應(yīng)的候選答案，并對(duì)候選答案進(jìn)行切分以生成多個(gè)候選答案短句，然后對(duì)多個(gè)候選答案短句進(jìn)行聚合以生成觀點(diǎn)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(gè)候選答案短句中的關(guān)鍵詞，并對(duì)包含否定詞的關(guān)鍵詞進(jìn)行泛化并生成否定標(biāo)簽，然后基于否定標(biāo)簽將關(guān)鍵詞用向量進(jìn)行表示，計(jì)算每?jī)蓚€(gè)關(guān)鍵詞之間的向量夾角和/或語(yǔ)義相似度，然后對(duì)向量夾角小于預(yù)設(shè)角度或語(yǔ)義相似度大于預(yù)設(shè)閾值的候選答案進(jìn)行聚合以生成觀點(diǎn)聚合簇。

在此之后，可判斷觀點(diǎn)聚合簇的觀點(diǎn)類型。其中，觀點(diǎn)可包括是非類、評(píng)價(jià)類、建議類等。具體地，可通過(guò)預(yù)先設(shè)定的規(guī)則或者基于統(tǒng)計(jì)模型確定觀點(diǎn)聚合簇的觀點(diǎn)類型。然后根據(jù)觀點(diǎn)類型從對(duì)應(yīng)的觀點(diǎn)聚合簇中選擇出答案觀點(diǎn)。其中，選擇答案觀點(diǎn)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(diǎn)、選取IDF*log（IDF）值最低的答案觀點(diǎn)和選取在候選答案對(duì)應(yīng)的文章中出現(xiàn)次數(shù)最多的答案觀點(diǎn)。其中，IDF為反文檔頻率。在此之后，可生成答案觀點(diǎn)對(duì)應(yīng)的摘要，然后可對(duì)答案觀點(diǎn)進(jìn)行評(píng)分，并將評(píng)分大于預(yù)設(shè)評(píng)分閾值的答案觀點(diǎn)作為問(wèn)答結(jié)果進(jìn)行反饋。舉例來(lái)說(shuō)，問(wèn)題信息為“懷孕注意事項(xiàng)”，其中一個(gè)候選答案為“懷孕時(shí)應(yīng)謹(jǐn)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(xí)慣?！保蓪⒃摵蜻x答案切分為“懷孕時(shí)應(yīng)謹(jǐn)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(xí)慣”四個(gè)候選答案短句。然后可將候選答案短句中重復(fù)的內(nèi)容或者近似的內(nèi)容進(jìn)行聚合生成觀點(diǎn)聚合簇，并選出答案觀點(diǎn)。之后，可根據(jù)信息豐富度、論據(jù)充分度、信息冗余度等對(duì)答案觀點(diǎn)進(jìn)行評(píng)分，并將評(píng)分大于預(yù)設(shè)評(píng)分閾值的答案觀點(diǎn)作為問(wèn)答結(jié)果進(jìn)行反饋。此外，在選出答案觀點(diǎn)后，可獲取其在來(lái)源文章中所在的句子，然后按照預(yù)定長(zhǎng)度截取句子，從而生成該答案觀點(diǎn)對(duì)應(yīng)的摘要。之后可根據(jù)內(nèi)容豐富度、答案權(quán)威性對(duì)摘要進(jìn)行排序。

當(dāng)問(wèn)題類型為片段類型時(shí)，可獲取問(wèn)題信息對(duì)應(yīng)的候選答案，并對(duì)候選答案進(jìn)行切分以生成多個(gè)候選答案短句，然后對(duì)多個(gè)候選答案短句進(jìn)行重要度打分以生成候選答案短句對(duì)應(yīng)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(quán)威性、問(wèn)題信息的相關(guān)性和答案的豐富度對(duì)答案質(zhì)量進(jìn)行打分。其中，短句重要度特征可包括聚合特征、相關(guān)度特征、類型特征和問(wèn)題答案匹配度特征。其中，聚合特征用于衡量短句的重復(fù)度，例如：詞向量質(zhì)心特征、NGram（計(jì)算出現(xiàn)概率）特征、Lexrank（多文本自動(dòng)摘要）特征等。類型特征為問(wèn)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(quán)威性為答案來(lái)源的網(wǎng)站的權(quán)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(jié)果對(duì)候選答案進(jìn)行排序，最終將排序結(jié)果作為問(wèn)答結(jié)果進(jìn)行反饋。其中，用戶的行為數(shù)據(jù)是可包括用戶對(duì)問(wèn)答結(jié)果的點(diǎn)擊行為、在問(wèn)答結(jié)果上停留的時(shí)間、通過(guò)當(dāng)前的問(wèn)答結(jié)果跳轉(zhuǎn)至其他問(wèn)答結(jié)果等用戶的歷史行為信息。

如圖7所示，信息搜索服務(wù)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(wèn)答結(jié)果生成子模塊3430。其中，第二問(wèn)答結(jié)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(wèn)題信息。搜索子模塊3420用于根據(jù)問(wèn)題信息進(jìn)行搜索以生成多個(gè)候選網(wǎng)頁(yè)。第二問(wèn)答結(jié)果生成子模塊3430用于對(duì)候選網(wǎng)頁(yè)進(jìn)行篇章分析以生成對(duì)應(yīng)的摘要，并將摘要作為問(wèn)答結(jié)果進(jìn)行反饋。

具體地，篇章生成單元3431可對(duì)候選網(wǎng)頁(yè)進(jìn)行篇章內(nèi)容抽取、篇章主題分割和篇章關(guān)系分析生成對(duì)應(yīng)的候選篇章。其中，篇章內(nèi)容抽取主要為識(shí)別候選網(wǎng)頁(yè)的正文部分，刪除與用戶需求信息無(wú)關(guān)的內(nèi)容。篇章主題分割為對(duì)篇章的主題結(jié)構(gòu)進(jìn)行分析，可將篇章劃分為多個(gè)子主題。篇章關(guān)系分析為分析篇章中多個(gè)子主題之間的關(guān)系，例如并列關(guān)系等。在生成候選篇章之后，排序單元3432可對(duì)候選篇章中的句子進(jìn)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(guān)度。在此之后，摘要生成單元3433可獲取用戶的需求場(chǎng)景信息，并根據(jù)需求場(chǎng)景信息和打分排序結(jié)果生成摘要，最終將摘要作為問(wèn)答結(jié)果進(jìn)行反饋。其中場(chǎng)景信息可包括移動(dòng)終端場(chǎng)景、電腦場(chǎng)景。當(dāng)場(chǎng)景信息為移動(dòng)終端場(chǎng)景時(shí)，則可對(duì)句子進(jìn)行壓縮簡(jiǎn)寫，使生成的摘要盡量簡(jiǎn)明扼要；當(dāng)場(chǎng)景信息為電腦場(chǎng)景時(shí)，可對(duì)句子進(jìn)行拼接融合，使得生成的摘要詳細(xì)清楚。當(dāng)然，生成候選篇章時(shí)，由于候選篇章中的內(nèi)容均與用戶需求信息具有相關(guān)性，則可能會(huì)有重復(fù)或互補(bǔ)的內(nèi)容，則需要聚合單元3434對(duì)多個(gè)候選篇章的信息進(jìn)行聚合。

決策模塊4000用于接收至少一個(gè)問(wèn)答服務(wù)模塊3000返回的問(wèn)答結(jié)果，并對(duì)問(wèn)答結(jié)果進(jìn)行決策以確定最終的問(wèn)答結(jié)果。其中，如圖8所示，決策模塊4000可包括問(wèn)答結(jié)果接收子模塊4100、分析子模塊4200、決策子模塊4300。問(wèn)答結(jié)果接收子模塊4100用于接收至少一個(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果。

分析子模塊4200用于根據(jù)問(wèn)題信息生成需求分析特征，并獲取各個(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果的置信度特征、用戶的對(duì)話交互信息的上下文特征以及用戶的個(gè)性化模型特征。

決策子模塊4300用于根據(jù)需求分析特征、問(wèn)答結(jié)果的置信度特征、用戶的對(duì)話交互信息的上下文特征以及用戶的個(gè)性化模型特征對(duì)問(wèn)答結(jié)果進(jìn)行決策以確定最終的問(wèn)答結(jié)果。

具體地，對(duì)問(wèn)答結(jié)果進(jìn)行決策以確定最終的問(wèn)答結(jié)果主要基于以下幾個(gè)特征：1、需求分析特征，通過(guò)對(duì)用戶的問(wèn)題信息進(jìn)行需求分析，可選擇更符合用戶需求的問(wèn)答服務(wù)模塊提供的問(wèn)答結(jié)果。2、問(wèn)答結(jié)果置信度特征，每個(gè)問(wèn)答服務(wù)模塊提供的問(wèn)答結(jié)果均具有置信度，可選擇置信度高的問(wèn)答結(jié)果。3、用戶的對(duì)話交互信息的上下文特征，可選擇更符合上下文信息的問(wèn)答結(jié)果。4、用戶的個(gè)性化模型特征，可選擇更符合用戶個(gè)性化需求的問(wèn)答結(jié)果。其中，需求分析特征、問(wèn)答結(jié)果的置信度特征、用戶的對(duì)話交互信息的上下文特征以及用戶的個(gè)性化模型特征分別對(duì)應(yīng)有各自的決策權(quán)重。

此外，如圖9所示，決策模塊4000還可包括訓(xùn)練子模塊4400。訓(xùn)練子模塊4400用于根據(jù)用戶的日志基于增強(qiáng)學(xué)習(xí)模型對(duì)需求分析特征、問(wèn)答結(jié)果的置信度特征、用戶的對(duì)話交互信息的上下文特征以及用戶的個(gè)性化模型特征的決策權(quán)重進(jìn)行訓(xùn)練，從而為用戶提供更符合用戶需求的問(wèn)答結(jié)果。

另外，如圖10所示，基于人工智能的深度問(wèn)答服務(wù)提供裝置還可包括補(bǔ)全模塊5000。補(bǔ)全模塊5000用于獲取與用戶的對(duì)話交互信息，并根據(jù)對(duì)話交互信息的對(duì)話上文對(duì)問(wèn)題信息進(jìn)行補(bǔ)全。

具體地，在多輪交互過(guò)程中，用戶通常會(huì)基于對(duì)話上文省略問(wèn)題信息中的一部分內(nèi)容，因此需要對(duì)問(wèn)題信息進(jìn)行補(bǔ)全，從而澄清用戶的需求。例如：對(duì)話上文為“北京有什么小吃？”，而問(wèn)題信息為“那特產(chǎn)呢？”，則需要對(duì)用戶輸入的問(wèn)題信息進(jìn)行補(bǔ)全，生成新的問(wèn)題信息“北京有什么特產(chǎn)？”。

《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》實(shí)施例的基于人工智能的深度問(wèn)答服務(wù)提供裝置，通過(guò)獲取用戶輸入的問(wèn)題信息，并根據(jù)問(wèn)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(wèn)題信息分發(fā)至對(duì)應(yīng)的至少一個(gè)問(wèn)答服務(wù)模塊，并接收至少一個(gè)問(wèn)答服務(wù)模塊返回的問(wèn)答結(jié)果，最終對(duì)問(wèn)答結(jié)果進(jìn)行決策以確定最終的問(wèn)答結(jié)果，能夠針對(duì)用戶的深度問(wèn)題為用戶提供更加準(zhǔn)確的問(wèn)答結(jié)果，提升用戶使用滿意度。

2020年7月14日，《基于人工智能的深度問(wèn)答服務(wù)提供方法和裝置》獲得第二十一屆中國(guó)專利獎(jiǎng)優(yōu)秀獎(jiǎng)。

基于射頻識(shí)別技術(shù)的標(biāo)定系統(tǒng)和方法專利目的

《基于射頻識(shí)別技術(shù)的標(biāo)定系統(tǒng)和方法》的目的是為了克服2011年6月之前的被標(biāo)定裝置標(biāo)定技術(shù)的不足，提出了基于射頻識(shí)別技術(shù)的標(biāo)定系統(tǒng)和方法。

基于射頻識(shí)別技術(shù)的標(biāo)定系統(tǒng)和方法技術(shù)方案

《基于射頻識(shí)別技術(shù)的標(biāo)定系統(tǒng)和方法》包括被標(biāo)定裝置、標(biāo)定裝置和服務(wù)器，其特征在于，還包括用于實(shí)現(xiàn)被標(biāo)定裝置和標(biāo)定裝置之間通信的電子標(biāo)簽；所述被標(biāo)定裝置包括中央處理模塊、測(cè)量輸入模塊、顯示模塊、按鍵輸入模塊、電源模塊、存儲(chǔ)模塊、通信模塊和射頻識(shí)別模塊，所述被標(biāo)定裝置的測(cè)量輸入模塊、顯示模塊、按鍵輸入模塊、存儲(chǔ)模塊、通信模塊和射頻識(shí)別模塊分別與被標(biāo)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(lái)自中央處理模塊的控制命令，所述被標(biāo)定裝置的電源模塊分別與中央處理模塊、測(cè)量輸入模塊、顯示模塊、按鍵輸入模塊、存儲(chǔ)模塊、通信模塊和射頻識(shí)別模塊連接用于向前述模塊提供電源；所述標(biāo)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(shí)別模塊，上述標(biāo)定裝置的顯示模塊、按鍵輸入模塊、通信模塊和射頻識(shí)別模塊分別與標(biāo)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(lái)自中央處理模塊的控制命令，所述標(biāo)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(shí)別模塊連接用于向前述模塊提供電源；所述服務(wù)器是由被標(biāo)定裝置、標(biāo)定裝置和標(biāo)定人員的各種身份信息和操作信息構(gòu)成的數(shù)據(jù)庫(kù)和承載這些數(shù)據(jù)庫(kù)的電腦以及通信模塊構(gòu)成，它通過(guò)通信模塊和被標(biāo)定裝置和標(biāo)定裝置建立直接的數(shù)據(jù)通信聯(lián)系；所述被標(biāo)定裝置的通信模塊、標(biāo)定裝置的通信模塊、服務(wù)器的通信模塊之間可以兩兩相互通信；所述被標(biāo)定裝置的射頻識(shí)別模塊和標(biāo)定裝置的射頻識(shí)別模塊可以分別與電子標(biāo)簽進(jìn)行數(shù)據(jù)交換。

為了實(shí)現(xiàn)上述目的，該發(fā)明提供了另一種技術(shù)方案：基于射頻識(shí)別技術(shù)的標(biāo)定方法，包括如下步驟：

步驟1：標(biāo)定裝置通過(guò)其自身的通信模塊登錄到服務(wù)器上的數(shù)據(jù)庫(kù)，進(jìn)行標(biāo)定人員的身份合法性認(rèn)證和被標(biāo)定裝置的身份合法性認(rèn)證，如果標(biāo)定人員身份和被標(biāo)定裝置的身份均合法，則登錄成功并將標(biāo)定信息下載到標(biāo)定裝置中，如果不合法，則登錄失敗并終止標(biāo)定；

步驟2：將電子標(biāo)簽放置在標(biāo)定裝置的射頻感應(yīng)區(qū)，等待標(biāo)定裝置將標(biāo)定信息寫入到電子標(biāo)簽中；

步驟3：將電子標(biāo)簽放置在被標(biāo)定裝置的射頻感應(yīng)區(qū)，被標(biāo)定裝置分析電子標(biāo)簽的標(biāo)定信息，并對(duì)電子標(biāo)簽中的標(biāo)定信息進(jìn)行合法性的判斷，如果合法，則進(jìn)入標(biāo)定程序?qū)Ρ粯?biāo)定裝置進(jìn)行標(biāo)定，如果不合法，則終止標(biāo)定；

步驟4：標(biāo)定成功后，被標(biāo)定裝置將標(biāo)定信息存儲(chǔ)到自身的存儲(chǔ)模塊中，并將電子標(biāo)簽中的標(biāo)定信息清除，在網(wǎng)絡(luò)通暢時(shí)被標(biāo)定裝置則將標(biāo)定信息傳輸?shù)椒?wù)器進(jìn)行數(shù)據(jù)備份，備份成功后，則標(biāo)定結(jié)束。

基于射頻識(shí)別技術(shù)的標(biāo)定系統(tǒng)和方法改善效果

一、提高標(biāo)定的安全性：在標(biāo)定過(guò)程中，標(biāo)定裝置與作為被標(biāo)定裝置的被標(biāo)定裝置之間無(wú)直接的硬件連接，而是通過(guò)電子標(biāo)簽進(jìn)行相互之間的信息交互，就可以使得標(biāo)定裝置與被標(biāo)定的被標(biāo)定裝置之間相對(duì)獨(dú)立，不會(huì)因?yàn)橐环降脑O(shè)備的損壞而影響另一方，同時(shí)也不會(huì)因?yàn)橛策B接線的拔插而使標(biāo)定裝置或被標(biāo)定裝置內(nèi)部電路短路，也不會(huì)因?yàn)殪o電的串?dāng)_而破壞設(shè)備內(nèi)部元器件，也不需要打開被標(biāo)定裝置外殼而進(jìn)行標(biāo)定，從而降低了在標(biāo)定過(guò)程中損壞標(biāo)定裝置與被標(biāo)定裝置的風(fēng)險(xiǎn)。

二、提高標(biāo)定的操作效率：在標(biāo)定過(guò)程中，由于不需要使用串口線將標(biāo)定裝置與被標(biāo)定的電子衡器相連，而直接通過(guò)電子標(biāo)簽進(jìn)行間接的數(shù)據(jù)交互，減少了少的拔插時(shí)間，同時(shí)，由于線的拔插，在很多時(shí)候會(huì)有接觸不良的情況，在標(biāo)定時(shí)需要重復(fù)多次的拔插，減少了標(biāo)定時(shí)間。

三、提高標(biāo)定的管理效率：由于在標(biāo)定過(guò)程中，將標(biāo)定的信息保存在被標(biāo)定裝置的存儲(chǔ)模塊中，同時(shí)由于標(biāo)定裝置和被標(biāo)定裝置內(nèi)具有通信模塊，使得管理人員可以利用標(biāo)定裝置的通信模塊與被標(biāo)定裝置之間構(gòu)建網(wǎng)絡(luò)進(jìn)行通信，使得管理人員在極短的時(shí)間內(nèi)可以獲得該網(wǎng)絡(luò)內(nèi)的所有的被標(biāo)定裝置的標(biāo)定信息，而且不影響被標(biāo)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(xué)習(xí)的涂裝新風(fēng)空調(diào)的控制方法，包括步驟：采集空調(diào)機(jī)組的多個(gè)模段的切面的溫濕度數(shù)據(jù)上傳到云服務(wù)器的時(shí)序數(shù)據(jù)庫(kù)中，分別利用該溫濕度數(shù)據(jù)對(duì)多個(gè)模段的深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，在訓(xùn)練完成將多個(gè)深度學(xué)習(xí)模型集成在一起形成一個(gè)深度學(xué)習(xí)控制預(yù)測(cè)模型；控制時(shí)，實(shí)時(shí)采集多個(gè)模段的切面的溫濕度數(shù)據(jù)，輸入到深度學(xué)習(xí)控制預(yù)測(cè)模型中；深度學(xué)習(xí)控制預(yù)測(cè)模型根據(jù)輸入的實(shí)時(shí)溫濕度數(shù)據(jù)，在多個(gè)可選擇控制項(xiàng)中，選擇與目標(biāo)溫濕度值最接接的控制結(jié)果輸出，并將控制結(jié)果所對(duì)應(yīng)的控制設(shè)定值輸出到空調(diào)控制器中，對(duì)執(zhí)行機(jī)構(gòu)調(diào)節(jié)控制。本發(fā)明可有效地減低生產(chǎn)中的能源消耗，對(duì)涂裝車間的運(yùn)營(yíng)成本及車身質(zhì)量都具有非常有意義的作用。