基于人工智能的深度問答服務(wù)提供方法和裝置專利背景

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(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算技術(shù)與知識圖譜技術(shù)。框計算技術(shù)主要是搜索引擎針對用戶輸入的查詢關(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)果頁面的最頂端展現(xiàn)結(jié)果。而知識圖譜技術(shù)旨在將與用戶需求相關(guān)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(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，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(yīng)用來獲取所需資源。上述應(yīng)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(wù)、網(wǎng)上搜索等指令，并以語音播報的形式向用戶反饋結(jié)果。

此外，用戶還可以向深度問答系統(tǒng)提問，獲得相應(yīng)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(wù)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(shù)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(fù)雜度較高、時效性強、與用戶主觀觀點相關(guān)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。

基于人工智能的深度問答服務(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(wù)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(jié)果，提升用戶使用滿意度。

《基于人工智能的深度問答服務(wù)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(wù)提供裝置。

基于人工智能的深度問答服務(wù)提供方法和裝置技術(shù)方案

為了實現(xiàn)上述目的，《基于人工智能的深度問答服務(wù)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(wù)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(yīng)的至少一個問答服務(wù)模塊；以及S4、接收所述至少一個問答服務(wù)模塊返回的問答結(jié)果，并對所述問答結(jié)果進行決策以確定最終的問答結(jié)果。

《基于人工智能的深度問答服務(wù)提供方法和裝置》實施例的基于人工智能的深度問答服務(wù)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(yīng)的至少一個問答服務(wù)模塊，并接收至少一個問答服務(wù)模塊返回的問答結(jié)果，最終對問答結(jié)果進行決策以確定最終的問答結(jié)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(jié)果，提升用戶使用滿意度。

《基于人工智能的深度問答服務(wù)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(wù)提供裝置，包括：輸入接收模塊、多個問答服務(wù)模塊、分發(fā)模塊和決策模塊，其中，所述多個問答服務(wù)模塊，用于根據(jù)接收到的問題信息生成問答結(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(yīng)的至少一個問答服務(wù)模塊；以及所述決策模塊，用于接收所述至少一個問答服務(wù)模塊返回的問答結(jié)果，并對所述問答結(jié)果進行決策以確定最終的問答結(jié)果。

基于人工智能的深度問答服務(wù)提供方法和裝置改善效果

《基于人工智能的深度問答服務(wù)提供方法和裝置》實施例的基于人工智能的深度問答服務(wù)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(yīng)的至少一個問答服務(wù)模塊，并接收至少一個問答服務(wù)模塊返回的問答結(jié)果，最終對問答結(jié)果進行決策以確定最終的問答結(jié)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(jié)果，提升用戶使用滿意度。

圖1是根據(jù)《基于人工智能的深度問答服務(wù)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(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答服務(wù)提供方法和裝置》一個實施例的對問答結(jié)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(wù)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(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答服務(wù)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(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答服務(wù)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(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答服務(wù)提供方法和裝置》一個實施例的深度問答服務(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答服務(wù)提供方法和裝置》一個實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答服務(wù)提供方法和裝置》一個實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答服務(wù)提供方法和裝置》一個實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答服務(wù)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(wù)提供裝置的結(jié)構(gòu)示意圖三。

《基于人工智能的深度問答服務(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答服務(wù)提供方法和裝置。

1.一種基于人工智能的深度問答服務(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(yīng)的至少一個問答服務(wù)模塊；以及

S4、接收所述至少一個問答服務(wù)模塊返回的問答結(jié)果，并對所述問答結(jié)果進行決策以確定最終的問答結(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(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、接收所述至少一個問答服務(wù)模塊返回的問答結(jié)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(wù)模塊返回的問答結(jié)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(jié)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(jié)果進行決策以確定最終的問答結(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、所述問答結(jié)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(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學(xué)習(xí)模型對所述需求分析特征、所述問答結(jié)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(quán)重進行訓(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：所述深度問答服務(wù)模塊接收所述問題信息；所述深度問答服務(wù)模塊根據(jù)所述問題信息獲取對應(yīng)的問題類型；所述深度問答服務(wù)模塊根據(jù)所述問題類型選擇對應(yīng)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(yīng)的問答結(jié)果。

8.如權(quán)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(yīng)的問答結(jié)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(yīng)候選答案；從所述同族實體問題信息簇分別對應(yīng)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(yù)設(shè)置信度閾值的候選實體作為問答結(jié)果進行反饋。

9.如權(quán)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(yīng)的問答結(jié)果具體包括：獲取所述問題信息對應(yīng)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(yīng)的摘要；對所述答案觀點進行評分，并將評分大于預(yù)設(shè)評分閾值的答案觀點作為問答結(jié)果進行反饋。

10.如權(quán)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(guān)鍵詞；計算每兩個所述關(guān)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(yù)設(shè)角度或語義相似度大于預(yù)設(shè)閾值的所述候選答案進行聚合以生成觀點聚合簇。

11.如權(quán)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(yīng)的問答結(jié)果具體包括：獲取所述問題信息對應(yīng)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(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答案質(zhì)量進行打分，并根據(jù)打分結(jié)果對候選答案進行排序；將排序結(jié)果作為問答結(jié)果進行反饋。

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答案質(zhì)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(quán)威性、問題信息的相關(guān)性和答案的豐富度對答案質(zhì)量進行打分。

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(jié)果對所述候選答案進行排序。

14.如權(quán)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(wù)模塊接收所述問題信息；所述信息搜索服務(wù)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(wù)模塊對所述候選網(wǎng)頁進行篇章分析以生成對應(yīng)的摘要，并將摘要作為問答結(jié)果進行反饋。

15.如權(quán)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(yīng)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(yīng)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(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：獲取用戶的需求場景信息；根據(jù)所述需求場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(wù)提供裝置，其特征在于，包括輸入接收模塊、多個問答服務(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(yīng)的至少一個問答服務(wù)模塊；所述多個問答服務(wù)模塊，用于根據(jù)接收到的問題信息生成問答結(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問答服務(wù)模塊返回的問答結(jié)果，并對所述問答結(jié)果進行決策以確定最終的問答結(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(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：問答結(jié)果接收子模塊，用于接收所述至少一個問答服務(wù)模塊返回的問答結(jié)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(wù)模塊返回的問答結(jié)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(jié)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(jié)果進行決策以確定最終的問答結(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、所述問答結(jié)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(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學(xué)習(xí)模型對所述需求分析特征、所述問答結(jié)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(quán)重進行訓(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，所述深度問答服務(wù)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(yīng)的問題類型；第一問答結(jié)果生成子模塊，用于根據(jù)所述問題類型選擇對應(yīng)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(yīng)的問答結(jié)果。

25.如權(quán)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(jié)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(yīng)候選答案，以及從所述同族實體問題信息簇分別對應(yīng)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(yù)設(shè)置信度閾值的候選實體作為問答結(jié)果進行反饋。

26.如權(quán)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(jié)果生成子模塊獲取所述問題信息對應(yīng)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(yīng)的摘要，以及對所述答案觀點進行評分，并將評分大于預(yù)設(shè)評分閾值的答案觀點作為問答結(jié)果進行反饋。

27.如權(quán)利要求26所述的裝置，其特征在于，所述第一問答結(jié)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(guān)鍵詞，并計算每兩個所述關(guān)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(yù)設(shè)角度或語義相似度大于預(yù)設(shè)閾值的所述候選答案進行聚合以生成觀點聚合簇。

28.如權(quán)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(jié)果生成子模塊獲取所述問題信息對應(yīng)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(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答案質(zhì)量進行打分，并根據(jù)打分結(jié)果對候選答案進行排序，以及將排序結(jié)果作為問答結(jié)果進行反饋。

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、問題信息的相關(guān)性和答案的豐富度對答案質(zhì)量進行打分。

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)果對所述候選答案進行排序。

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(jié)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(yīng)的摘要，并將摘要作為問答結(jié)果進行反饋。

32.如權(quán)利要求31所述的裝置，其特征在于，所述第二問答結(jié)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(yīng)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(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：獲取用戶的需求場景信息，并根據(jù)所述需求場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，所述第二問答結(jié)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。

下面參考附圖描述《基于人工智能的深度問答服務(wù)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(dǎo)方法和裝置。

圖1是根據(jù)《基于人工智能的深度問答服務(wù)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(wù)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(wù)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(yīng)的至少一個問答服務(wù)模塊。

其中，問答服務(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答服務(wù)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(wù)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(wù)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(wù)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(wù)模塊。

其中，阿拉丁服務(wù)是能夠為用戶需求提供精準滿足的一類服務(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(jié)果字段為“朱麗倩”，再基于自然語言生成技術(shù)（NaturalLanguageGeneration）生成問答結(jié)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(jié)果字段為“35攝氏度”，可基于常識知識庫和預(yù)設(shè)的規(guī)則，生成問答結(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(wù)是針對垂類需求進行多輪交互的服務(wù)，例如“訂機票”等。垂類服務(wù)主要通過對話控制技術(shù)（DialogueManagement）和對話策略技術(shù)（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(jié)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(jié)果。

深度問答服務(wù)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(shù)，從而為用戶提供精準的問答結(jié)果的服務(wù)。當用戶需求信息為深度問答需求時，深度問答服務(wù)模塊可接收問題信息，并根據(jù)問題信息獲取對應(yīng)的問題類型，然后根據(jù)問題類型選擇對應(yīng)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(yīng)的問答結(jié)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(yīng)候選答案。然后從同族實體問題信息簇分別對應(yīng)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(yù)設(shè)置信度閾值的候選實體作為問答結(jié)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(jié)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(yù)設(shè)置信度閾值，則可確定“朱麗倩”為問答結(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。

當問題類型為觀點類型時，可獲取問題信息對應(yīng)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(guān)鍵詞，并對包含否定詞的關(guān)鍵詞進行泛化并生成否定標簽，然后基于否定標簽將關(guān)鍵詞用向量進行表示，計算每兩個關(guān)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(yù)設(shè)角度或語義相似度大于預(yù)設(shè)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(yù)先設(shè)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(yīng)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(yīng)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(yīng)的摘要，然后可對答案觀點進行評分，并將評分大于預(yù)設(shè)評分閾值的答案觀點作為問答結(jié)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(yīng)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(xí)慣?！?，可將該候選答案切分為“懷孕時應(yīng)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(xí)慣”四個候選答案短句。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(yù)設(shè)評分閾值的答案觀點作為問答結(jié)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(yù)定長度截取句子，從而生成該答案觀點對應(yīng)的摘要。之后可根據(jù)內(nèi)容豐富度、答案權(quán)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(yīng)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(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、問題信息的相關(guān)性和答案的豐富度對答案質(zhì)量進行打分。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(quán)威性為答案來源的網(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)果對候選答案進行排序，最終將排序結(jié)果作為問答結(jié)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(jié)果的點擊行為、在問答結(jié)果上停留的時間、通過當前的問答結(jié)果跳轉(zhuǎn)至其他問答結(jié)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(wù)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(yīng)的候選篇章。具體地，可對候選網(wǎng)頁進行篇章內(nèi)容抽取、篇章主題分割和篇章關(guān)系分析生成對應(yīng)的候選篇章。其中，篇章內(nèi)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(guān)的內(nèi)容。篇章主題分割為對篇章的主題結(jié)構(gòu)進行分析，可將篇章劃分為多個子主題。篇章關(guān)系分析為分析篇章中多個子主題之間的關(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(guān)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(jié)果生成摘要，最終將摘要作為問答結(jié)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(nèi)容均與用戶需求信息具有相關(guān)性，則可能會有重復(fù)或互補的內(nèi)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(wù)模塊返回的問答結(jié)果，并對問答結(jié)果進行決策以確定最終的問答結(jié)果。具體地，如圖2所示，可包括以下步驟：

S41、接收至少一個問答服務(wù)模塊返回的問答結(jié)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(wù)模塊返回的問答結(jié)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(jié)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(jié)果進行決策以確定最終的問答結(jié)果。

具體地，對問答結(jié)果進行決策以確定最終的問答結(jié)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(wù)模塊提供的問答結(jié)果。2、問答結(jié)果置信度特征，每個問答服務(wù)模塊提供的問答結(jié)果均具有置信度，可選擇置信度高的問答結(jié)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(jié)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(jié)果。其中，需求分析特征、問答結(jié)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(yīng)有各自的決策權(quán)重?；谝陨咸卣鲗柎鸾Y(jié)果進行決策，從而確定最終的問答結(jié)果。在確定最終的問答結(jié)果后，可反饋給用戶，從而滿足用戶的需求。其中，問答結(jié)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(xué)習(xí)模型對需求分析特征、問答結(jié)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(quán)重進行訓(xùn)練，從而為用戶提供更符合用戶需求的問答結(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(nèi)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(chǎn)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(chǎn)？”。

《基于人工智能的深度問答服務(wù)提供方法和裝置》實施例的基于人工智能的深度問答服務(wù)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(yīng)的至少一個問答服務(wù)模塊，并接收至少一個問答服務(wù)模塊返回的問答結(jié)果，最終對問答結(jié)果進行決策以確定最終的問答結(jié)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(jié)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(wù)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(wù)提供裝置。

圖4是根據(jù)《基于人工智能的深度問答服務(wù)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(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(yīng)的至少一個問答服務(wù)模塊3000。其中，如圖5所示，問答服務(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(wù)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(wù)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(wù)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(wù)模塊。

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

其中，阿拉丁服務(wù)是能夠為用戶需求提供精準滿足的一類服務(wù)的統(tǒng)稱，例如美元兌換人民幣、2015年春節(jié)放假等。舉例來說，用戶的問題信息為“劉德華的老婆是誰？”，則阿拉丁服務(wù)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(jié)果字段為“朱麗倩”，再基于自然語言生成技術(shù)（NaturalLanguageGeneration）生成問答結(jié)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(jié)果字段為“35攝氏度”，可基于常識知識庫和預(yù)設(shè)的規(guī)則，生成問答結(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(wù)是針對垂類需求進行多輪交互的服務(wù)，例如“訂機票”等。垂類服務(wù)模塊3200主要通過對話控制技術(shù)（DialogueManagement）和對話策略技術(shù)（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(jié)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(jié)果。

深度問答服務(wù)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(shù)，從而為用戶提供精準的問答結(jié)果的服務(wù)。當用戶需求信息為深度問答需求時，深度問答服務(wù)模塊3300可接收問題信息，并根據(jù)問題信息獲取對應(yīng)的問題類型，然后根據(jù)問題類型選擇對應(yīng)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(yīng)的問答結(jié)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(wù)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(jié)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(yīng)的問題類型。

第一問答結(jié)果生成子模塊3330用于根據(jù)問題類型選擇對應(yīng)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(yīng)的問答結(jié)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(yīng)候選答案。然后從同族實體問題信息簇分別對應(yīng)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(yù)設(shè)置信度閾值的候選實體作為問答結(jié)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(jié)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(yù)設(shè)置信度閾值，則可確定“朱麗倩”為問答結(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。

當問題類型為觀點類型時，可獲取問題信息對應(yīng)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(guān)鍵詞，并對包含否定詞的關(guān)鍵詞進行泛化并生成否定標簽，然后基于否定標簽將關(guān)鍵詞用向量進行表示，計算每兩個關(guān)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(yù)設(shè)角度或語義相似度大于預(yù)設(shè)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(yù)先設(shè)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(yīng)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(yīng)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(yīng)的摘要，然后可對答案觀點進行評分，并將評分大于預(yù)設(shè)評分閾值的答案觀點作為問答結(jié)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(yīng)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(xí)慣?！?，可將該候選答案切分為“懷孕時應(yīng)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(xí)慣”四個候選答案短句。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(yù)設(shè)評分閾值的答案觀點作為問答結(jié)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(yù)定長度截取句子，從而生成該答案觀點對應(yīng)的摘要。之后可根據(jù)內(nèi)容豐富度、答案權(quán)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(yīng)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(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、問題信息的相關(guān)性和答案的豐富度對答案質(zhì)量進行打分。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(quán)威性為答案來源的網(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)果對候選答案進行排序，最終將排序結(jié)果作為問答結(jié)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(jié)果的點擊行為、在問答結(jié)果上停留的時間、通過當前的問答結(jié)果跳轉(zhuǎn)至其他問答結(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和第二問答結(jié)果生成子模塊3430。其中，第二問答結(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(jié)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(yīng)的摘要，并將摘要作為問答結(jié)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(nèi)容抽取、篇章主題分割和篇章關(guān)系分析生成對應(yīng)的候選篇章。其中，篇章內(nèi)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(guān)的內(nèi)容。篇章主題分割為對篇章的主題結(jié)構(gòu)進行分析，可將篇章劃分為多個子主題。篇章關(guān)系分析為分析篇章中多個子主題之間的關(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(guān)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(jié)果生成摘要，最終將摘要作為問答結(jié)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(nèi)容均與用戶需求信息具有相關(guān)性，則可能會有重復(fù)或互補的內(nèi)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(wù)模塊3000返回的問答結(jié)果，并對問答結(jié)果進行決策以確定最終的問答結(jié)果。其中，如圖8所示，決策模塊4000可包括問答結(jié)果接收子模塊4100、分析子模塊4200、決策子模塊4300。問答結(jié)果接收子模塊4100用于接收至少一個問答服務(wù)模塊返回的問答結(jié)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(wù)模塊返回的問答結(jié)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(jié)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(jié)果進行決策以確定最終的問答結(jié)果。

具體地，對問答結(jié)果進行決策以確定最終的問答結(jié)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(wù)模塊提供的問答結(jié)果。2、問答結(jié)果置信度特征，每個問答服務(wù)模塊提供的問答結(jié)果均具有置信度，可選擇置信度高的問答結(jié)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(jié)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(jié)果。其中，需求分析特征、問答結(jié)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(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學(xué)習(xí)模型對需求分析特征、問答結(jié)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(quán)重進行訓(xùn)練，從而為用戶提供更符合用戶需求的問答結(jié)果。

另外，如圖10所示，基于人工智能的深度問答服務(wù)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(nèi)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(chǎn)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(chǎn)？”。

《基于人工智能的深度問答服務(wù)提供方法和裝置》實施例的基于人工智能的深度問答服務(wù)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(yīng)的至少一個問答服務(wù)模塊，并接收至少一個問答服務(wù)模塊返回的問答結(jié)果，最終對問答結(jié)果進行決策以確定最終的問答結(jié)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(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答服務(wù)提供方法和裝置》獲得第二十一屆中國專利獎優(yōu)秀獎。

基于射頻識別技術(shù)的標定系統(tǒng)和方法專利目的

《基于射頻識別技術(shù)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(shù)的不足，提出了基于射頻識別技術(shù)的標定系統(tǒng)和方法。

基于射頻識別技術(shù)的標定系統(tǒng)和方法技術(shù)方案

《基于射頻識別技術(shù)的標定系統(tǒng)和方法》包括被標定裝置、標定裝置和服務(wù)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(wù)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(gòu)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(gòu)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(wù)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(shù)方案：基于射頻識別技術(shù)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(wù)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(yīng)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(yīng)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?qū)Ρ粯硕ㄑb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(luò)通暢時被標定裝置則將標定信息傳輸?shù)椒?wù)器進行數(shù)據(jù)備份，備份成功后，則標定結(jié)束。

基于射頻識別技術(shù)的標定系統(tǒng)和方法改善效果

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(shè)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(nèi)部電路短路，也不會因為靜電的串擾而破壞設(shè)備內(nèi)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(fēng)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(fù)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(nèi)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(gòu)建網(wǎng)絡(luò)進行通信，使得管理人員在極短的時間內(nèi)可以獲得該網(wǎng)絡(luò)內(nèi)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(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)機組的多個模段的切面的溫濕度數(shù)據(jù)上傳到云服務(wù)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(xué)習(xí)模型進行訓(xùn)練，在訓(xùn)練完成將多個深度學(xué)習(xí)模型集成在一起形成一個深度學(xué)習(xí)控制預(yù)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(xué)習(xí)控制預(yù)測模型中；深度學(xué)習(xí)控制預(yù)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(jié)果輸出，并將控制結(jié)果所對應(yīng)的控制設(shè)定值輸出到空調(diào)控制器中，對執(zhí)行機構(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，對涂裝車間的運營成本及車身質(zhì)量都具有非常有意義的作用。