基于人工智能的深度问答服务提供方法和装置

《基于人工智能的深度问答服务提供方法和装置》涉及人工智能技术领域，尤其涉及一种基于人工智能的深度问答服务提供方法和装置。

随着科技的不断进步，搜索引擎已成为人们生活中必不可少的部分，并日趋智能化。2015年前，传统的搜索引擎的交互方式是用户输入搜索关键字，搜索引擎返回与用户需求相关的搜索结果，并按照相关性由高到低的顺序排序。用户可浏览和点击搜索结果，并从中选择感兴趣或有需求的信息和内容。其中，有的搜索引擎利用了框计算技术与知识图谱技术。框计算技术主要是搜索引擎针对用户输入的查询关键词直接提供结果或者服务。例如：用户在搜索引擎中搜索“北京天气”、“人民币美元汇率”、“五一放假”等关键字，都可以在搜索结果页面的最顶端展现结果。而知识图谱技术旨在将与用户需求相关的知识组织并展现成一张“知识图”，以满足用户对背景知识的需求以及延伸的需求。例如搜索“刘德华”，通过知识图谱技术，搜索引擎可展现刘德华的身高、生日、影视作品等背景知识，以及“张学友”、“朱丽倩”等其他相关人物。

另外，有的搜索系统还可以基于自然语言，通过与用户进行交互问答的方式，向用户提供所需的资源。例如：在智能手机端，用户可以通过如：苹果siri、谷歌googlenow、百度语音助手等移动应用来获取所需资源。上述应用主要通过语音作为载体，以自然语言的形式向系统发出本地服务、网上搜索等指令，并以语音播报的形式向用户反馈结果。

此外，用户还可以向深度问答系统提问，获得相应的答案。例如“黄河流经哪几个省”、“英国的首都是哪座城市”等。

但是，在实现《基于人工智能的深度问答服务提供方法和装置》过程中，该发明人发现2015年之前的技术中至少存在如下问题：当前系统只能用于回答已有知识库中已存在的简单问题，而对于复杂度较高、时效性强、与用户主观观点相关的深度问题等，则很难做出有效回答，并且人机交互方式不够简便、自然。

图1是根据《基于人工智能的深度问答服务提供方法和装置》一个实施例的基于人工智能的深度问答服务提供方法的流程图一。

图2是根据《基于人工智能的深度问答服务提供方法和装置》一个实施例的对问答结果进行决策的流程图。

图3是根据《基于人工智能的深度问答服务提供方法和装置》一个实施例的基于人工智能的深度问答服务提供方法的流程图二。

图4是根据《基于人工智能的深度问答服务提供方法和装置》一个实施例的基于人工智能的深度问答服务提供装置的结构示意图一。

图5是根据《基于人工智能的深度问答服务提供方法和装置》一个实施例的基于人工智能的深度问答服务提供装置的结构示意图二。

图6是根据《基于人工智能的深度问答服务提供方法和装置》一个实施例的深度问答服务模块的结构示意图。

图7是根据《基于人工智能的深度问答服务提供方法和装置》一个实施例的信息搜索服务模块的结构示意图。

图8是根据《基于人工智能的深度问答服务提供方法和装置》一个实施例的决策模块的结构示意图一。

图9是根据《基于人工智能的深度问答服务提供方法和装置》一个实施例的决策模块的结构示意图二。

图10是根据《基于人工智能的深度问答服务提供方法和装置》一个实施例的基于人工智能的深度问答服务提供装置的结构示意图三。

2020年7月14日，《基于人工智能的深度问答服务提供方法和装置》获得第二十一届中国专利奖优秀奖。

下面参考附图描述《基于人工智能的深度问答服务提供方法和装置》实施例的基于人工智能的人机交互的交互引导方法和装置。

图1是根据《基于人工智能的深度问答服务提供方法和装置》一个实施例的基于人工智能的深度问答服务提供方法的流程图。

如图1所示，基于人工智能的深度问答服务提供方法可包括：

S1、获取用户输入的问题信息。

其中，问题信息可以是文字信息，也可以是语音信息。例如，用户输入的问题信息“北京有什么小吃？”。

S2、根据问题信息获取用户的用户需求信息。

具体地，可对问题信息进行需求分析，从而获取用户的用户需求信息。举例来说，用户需求信息可以为垂类需求、阿拉丁需求、深度问答需求、信息搜索需求等。

S3、根据用户需求信息将问题信息分发至对应的至少一个问答服务模块。

其中，问答服务模块可包括阿拉丁服务模块、垂类服务模块、深度问答服务模块和信息搜索服务模块。

在《基于人工智能的深度问答服务提供方法和装置》的一个实施例中，当用户需求信息为阿拉丁需求时，可将问题信息分发至阿拉丁服务模块；当用户需求信息为垂类需求时，可将问题信息分发至垂类服务模块；当用户需求信息为深度问答需求时，可将问题信息分发至深度问答服务模块；当用户需求信息为信息搜索需求时，可将问题分发至信息搜索服务模块。

其中，阿拉丁服务是能够为用户需求提供精准满足的一类服务的统称，例如美元兑换人民币、2015年春节放假等。举例来说，用户的问题信息为“刘德华的老婆是谁？”，则可对该问题信息进行分析，可分析出需求类型为“人物”，查询主体为“刘德华”，查询属性为“老婆”，并可将查询属性进行归一，将查询属性归一为“妻子”。然后搜索并获得结果字段为“朱丽倩”，再基于自然语言生成技术（NaturalLanguageGeneration）生成问答结果“刘德华的老婆是朱丽倩”。再例如：用户的问题信息为“北京明天热吗？”，通过搜索并获得结果字段为“35摄氏度”，可基于常识知识库和预设的规则，生成问答结果“明天天气很热，最高温度为35摄氏度，建议注意防暑降温。”其中，常识知识库可包括常识类知识，如温度高于30摄氏度属于天气热。

垂类服务是针对垂类需求进行多轮交互的服务，例如“订机票”等。垂类服务主要通过对话控制技术（DialogueManagement）和对话策略技术（DialoguePolicy），对用户的需求进行澄清，从而向用户提供满足用户需求的问答结果。举例来说，用户的问题信息为“北京到上海的机票”，则可对该问题信息进行分析，然后向用户反问“您的出发日期是哪天？”，用户回答“明天”，然后继续反问“您对航空公司是否有要求？”等，逐步澄清用户的需求，并最终返回满足用户需求的问答结果。

深度问答服务为针对用户输入的问题信息，基于深入的语义分析和知识挖掘技术，从而为用户提供精准的问答结果的服务。当用户需求信息为深度问答需求时，深度问答服务模块可接收问题信息，并根据问题信息获取对应的问题类型，然后根据问题类型选择对应的问答模式，以及根据选择的答案生成模式和问题信息生成对应的问答结果。其中，问题类型可包括实体类型、观点类型和片段类型。

更具体地，当问题类型为实体类型时，可根据问题信息生成实体类问题信息，并基于搜索引擎抓取的摘要和历史展现日志对实体类问题信息进行扩展以生成同族实体问题信息簇。其中，同族实体问题信息簇分别对应候选答案。然后从同族实体问题信息簇分别对应候选答案中抽取候选实体，再计算候选实体的置信度，以及将置信度大于预设置信度阈值的候选实体作为问答结果进行反馈。举例来说，问题信息为“刘德华老婆是谁？”，候选答案为“其实早在九二年时就有报道，刘德华和朱丽倩已经在加拿大秘密注册结婚…”，其中，候选实体为“刘德华”、“朱丽倩”、“加拿大”。然后基于实体知识库和问答语义匹配模型计算各候选实体的置信度，可计算出候选实体“朱丽倩”的置信度大于预设置信度阈值，则可确定“朱丽倩”为问答结果。另外，还可将候选答案中首次出现“朱丽倩”的分句作为答案摘要。

当问题类型为观点类型时，可获取问题信息对应的候选答案，并对候选答案进行切分以生成多个候选答案短句，然后对多个候选答案短句进行聚合以生成观点聚合簇。具体地，可根据短句中词汇的IDF（反文档频率）得分提取候选答案短句中的关键词，并对包含否定词的关键词进行泛化并生成否定标签，然后基于否定标签将关键词用向量进行表示，计算每两个关键词之间的向量夹角和/或语义相似度，然后对向量夹角小于预设角度或语义相似度大于预设阈值的候选答案进行聚合以生成观点聚合簇。

在此之后，可判断观点聚合簇的观点类型。其中，观点可包括是非类、评价类、建议类等。具体地，可通过预先设定的规则或者基于统计模型确定观点聚合簇的观点类型。然后根据观点类型从对应的观点聚合簇中选择出答案观点。其中，选择答案观点的规则可包括但不仅限于选取信息覆盖最全面的答案观点、选取IDF*log（IDF）值最低的答案观点和选取在候选答案对应的文章中出现次数最多的答案观点。其中，IDF为反文档频率。在此之后，可生成答案观点对应的摘要，然后可对答案观点进行评分，并将评分大于预设评分阈值的答案观点作为问答结果进行反馈。举例来说，问题信息为“怀孕注意事项”，其中一个候选答案为“怀孕时应谨守医、多、战原则，亦即定期看医师，多卧床休息，战胜自己的不良习惯。”，可将该候选答案切分为“怀孕时应谨守医、多、战原则”、“亦即定期看医师”、“多卧床休息”、“战胜自己的不良习惯”四个候选答案短句。然后可将候选答案短句中重复的内容或者近似的内容进行聚合生成观点聚合簇，并选出答案观点。之后，可根据信息丰富度、论据充分度、信息冗余度等对答案观点进行评分，并将评分大于预设评分阈值的答案观点作为问答结果进行反馈。此外，在选出答案观点后，可获取其在来源文章中所在的句子，然后按照预定长度截取句子，从而生成该答案观点对应的摘要。之后可根据内容丰富度、答案权威性对摘要进行排序。

当问题类型为片段类型时，可获取问题信息对应的候选答案，并对候选答案进行切分以生成多个候选答案短句，然后对多个候选答案短句进行重要度打分以生成候选答案短句对应的短句重要度特征，并根据短句重要度特征生成答案摘要，然后可根据答案摘要的短句重要度特征、答案权威性、问题信息的相关性和答案的丰富度对答案质量进行打分。其中，短句重要度特征可包括聚合特征、相关度特征、类型特征和问题答案匹配度特征。其中，聚合特征用于衡量短句的重复度，例如：词向量质心特征、NGram（计算出现概率）特征、Lexrank（多文本自动摘要）特征等。类型特征为问题的类型特征，如WHAT（什么）类型、WHY（为什么）类型、HOW（如何）类型等。答案权威性为答案来源的网站的权威度。在此之后，可获取用户的行为数据，然后根据用户的行为数据和打分结果对候选答案进行排序，最终将排序结果作为问答结果进行反馈。其中，用户的行为数据是可包括用户对问答结果的点击行为、在问答结果上停留的时间、通过当前的问答结果跳转至其他问答结果等用户的历史行为信息。

当用户需求信息为信息搜索需求时，信息搜索服务模块可接收问题信息，并根据问题信息进行搜索以生成多个候选网页，然后对候选网页进行篇章分析以生成对应的候选篇章。具体地，可对候选网页进行篇章内容抽取、篇章主题分割和篇章关系分析生成对应的候选篇章。其中，篇章内容抽取主要为识别候选网页的正文部分，删除与用户需求信息无关的内容。篇章主题分割为对篇章的主题结构进行分析，可将篇章划分为多个子主题。篇章关系分析为分析篇章中多个子主题之间的关系，例如并列关系等。在生成候选篇章之后，可对候选篇章中的句子进行打分排序。其中，打分排序主要基于句子在候选篇章中的重要度以及句子与用户需求信息之间的相关度。在此之后，可获取用户的需求场景信息，并根据需求场景信息和打分排序结果生成摘要，最终将摘要作为问答结果进行反馈。其中场景信息可包括移动终端场景、电脑场景。当场景信息为移动终端场景时，则可对句子进行压缩简写，使生成的摘要尽量简明扼要；当场景信息为电脑场景时，可对句子进行拼接融合，使得生成的摘要详细清楚。当然，生成候选篇章时，由于候选篇章中的内容均与用户需求信息具有相关性，则可能会有重复或互补的内容，则需要对多个候选篇章的信息进行聚合。

S4、接收至少一个问答服务模块返回的问答结果，并对问答结果进行决策以确定最终的问答结果。具体地，如图2所示，可包括以下步骤：

S41、接收至少一个问答服务模块返回的问答结果。

S42、根据问题信息生成需求分析特征。

S43、获取各个问答服务模块返回的问答结果的置信度特征、用户的对话交互信息的上下文特征以及用户的个性化模型特征。

S44、根据需求分析特征、问答结果的置信度特征、用户的对话交互信息的上下文特征以及用户的个性化模型特征对问答结果进行决策以确定最终的问答结果。

具体地，对问答结果进行决策以确定最终的问答结果主要基于以下几个特征：1、需求分析特征，通过对用户的问题信息进行需求分析，可选择更符合用户需求的问答服务模块提供的问答结果。2、问答结果置信度特征，每个问答服务模块提供的问答结果均具有置信度，可选择置信度高的问答结果。3、用户的对话交互信息的上下文特征，可选择更符合上下文信息的问答结果。4、用户的个性化模型特征，可选择更符合用户个性化需求的问答结果。其中，需求分析特征、问答结果的置信度特征、用户的对话交互信息的上下文特征以及用户的个性化模型特征分别对应有各自的决策权重。基于以上特征对问答结果进行决策，从而确定最终的问答结果。在确定最终的问答结果后，可反馈给用户，从而满足用户的需求。其中，问答结果可通过语音播报的方式，亦可以通过屏幕显示的方式反馈给用户。采用语音播报的方式使得人机交互的过程更加简便、自然。

另外，还可根据用户的日志基于增强学习模型对需求分析特征、问答结果的置信度特征、用户的对话交互信息的上下文特征以及用户的个性化模型特征的决策权重进行训练，从而为用户提供更符合用户需求的问答结果。

另外，如图3所示，在步骤S1之后，还可包括以下步骤：

S5、获取与用户的对话交互信息。

S6、根据对话交互信息的对话上文对问题信息进行补全。

具体地，在多轮交互过程中，用户通常会基于对话上文省略问题信息中的一部分内容，因此需要对问题信息进行补全，从而澄清用户的需求。例如：对话上文为“北京有什么小吃？”，而问题信息为“那特产呢？”，则需要对用户输入的问题信息进行补全，生成新的问题信息“北京有什么特产？”。

《基于人工智能的深度问答服务提供方法和装置》实施例的基于人工智能的深度问答服务提供方法，通过获取用户输入的问题信息，并根据问题信息获取用户的用户需求信息，以及根据用户需求信息将问题信息分发至对应的至少一个问答服务模块，并接收至少一个问答服务模块返回的问答结果，最终对问答结果进行决策以确定最终的问答结果，能够针对用户的深度问题为用户提供更加准确的问答结果，提升用户使用满意度。

为实现上述目的，《基于人工智能的深度问答服务提供方法和装置》还提出一种基于人工智能的深度问答服务提供装置。

图4是根据《基于人工智能的深度问答服务提供方法和装置》一个实施例的基于人工智能的深度问答服务提供装置的结构示意图一。

如图4所示，该基于人工智能的深度问答服务提供装置可包括：输入接收模块1000、分发模块2000、问答服务模块3000和决策模块4000。

输入接收模块1000用于获取用户输入的问题信息。其中，问题信息可以是文字信息，也可以是语音信息。例如，用户输入的问题信息“北京有什么小吃？”。分发模块2000用于根据问题信息获取用户的用户需求信息，并根据用户需求信息将问题信息分发至对应的至少一个问答服务模块3000。其中，如图5所示，问答服务模块3000可包括阿拉丁服务模块3100、垂类服务模块3200、深度问答服务模块3300和信息搜索服务模块3400。

具体地，分发模块2000可对问题信息进行需求分析，从而获取用户的用户需求信息。举例来说，当用户需求信息为阿拉丁需求时，可将问题信息分发至阿拉丁服务模块；当用户需求信息为垂类需求时，可将问题信息分发至垂类服务模块；当用户需求信息为深度问答需求时，可将问题信息分发至深度问答服务模块；当用户需求信息为信息搜索需求时，可将问题分发至信息搜索服务模块。

多个问答服务模块3000用于根据接收到的问题信息生成问答结果并返回至决策模块4000。

其中，阿拉丁服务是能够为用户需求提供精准满足的一类服务的统称，例如美元兑换人民币、2015年春节放假等。举例来说，用户的问题信息为“刘德华的老婆是谁？”，则阿拉丁服务模块3100可对该问题信息进行分析，可分析出需求类型为“人物”，查询主体为“刘德华”，查询属性为“老婆”，并可将查询属性进行归一，将查询属性归一为“妻子”。然后搜索并获得结果字段为“朱丽倩”，再基于自然语言生成技术（NaturalLanguageGeneration）生成问答结果“刘德华的老婆是朱丽倩”。再例如：用户的问题信息为“北京明天热吗？”，通过搜索并获得结果字段为“35摄氏度”，可基于常识知识库和预设的规则，生成问答结果“明天天气很热，最高温度为35摄氏度，建议注意防暑降温。”其中，常识知识库可包括常识类知识，如温度高于30摄氏度属于天气热。

垂类服务是针对垂类需求进行多轮交互的服务，例如“订机票”等。垂类服务模块3200主要通过对话控制技术（DialogueManagement）和对话策略技术（DialoguePolicy），对用户的需求进行澄清，从而向用户提供满足用户需求的问答结果。举例来说，用户的问题信息为“北京到上海的机票”，则可对该问题信息进行分析，然后向用户反问“您的出发日期是哪天？”，用户回答“明天”，然后继续反问“您对航空公司是否有要求？”等，逐步澄清用户的需求，并最终返回满足用户需求的问答结果。

深度问答服务为针对用户输入的问题信息，基于深入的语义分析和知识挖掘技术，从而为用户提供精准的问答结果的服务。当用户需求信息为深度问答需求时，深度问答服务模块3300可接收问题信息，并根据问题信息获取对应的问题类型，然后根据问题类型选择对应的问答模式，以及根据选择的答案生成模式和问题信息生成对应的问答结果。其中，问题类型可包括实体类型、观点类型和片段类型。

其中，如图6所示，深度问答服务模块3300具体包括第一接收子模块3310、问题类型获取子模块3320和第一问答结果生成子模块3330。

第一接收子模块3310用于接收问题信息。问题类型获取子模块3320用于根据问题信息获取对应的问题类型。

第一问答结果生成子模块3330用于根据问题类型选择对应的问答模式，并根据选择的答案生成模式和问题信息生成对应的问答结果。

当问题类型为实体类型时，可根据问题信息生成实体类问题信息，并基于搜索引擎抓取的摘要和历史展现日志对实体类问题信息进行扩展以生成同族实体问题信息簇。其中，同族实体问题信息簇分别对应候选答案。然后从同族实体问题信息簇分别对应候选答案中抽取候选实体，再计算候选实体的置信度，以及将置信度大于预设置信度阈值的候选实体作为问答结果进行反馈。举例来说，问题信息为“刘德华老婆是谁？”，候选答案为“其实早在九二年时就有报道，刘德华和朱丽倩已经在加拿大秘密注册结婚…”，其中，候选实体为“刘德华”、“朱丽倩”、“加拿大”。然后基于实体知识库和问答语义匹配模型计算各候选实体的置信度，可计算出候选实体“朱丽倩”的置信度大于预设置信度阈值，则可确定“朱丽倩”为问答结果。另外，还可将候选答案中首次出现“朱丽倩”的分句作为答案摘要。

当问题类型为观点类型时，可获取问题信息对应的候选答案，并对候选答案进行切分以生成多个候选答案短句，然后对多个候选答案短句进行聚合以生成观点聚合簇。具体地，可根据短句中词汇的IDF（反文档频率）得分提取多个候选答案短句中的关键词，并对包含否定词的关键词进行泛化并生成否定标签，然后基于否定标签将关键词用向量进行表示，计算每两个关键词之间的向量夹角和/或语义相似度，然后对向量夹角小于预设角度或语义相似度大于预设阈值的候选答案进行聚合以生成观点聚合簇。

在此之后，可判断观点聚合簇的观点类型。其中，观点可包括是非类、评价类、建议类等。具体地，可通过预先设定的规则或者基于统计模型确定观点聚合簇的观点类型。然后根据观点类型从对应的观点聚合簇中选择出答案观点。其中，选择答案观点的规则可包括但不仅限于选取信息覆盖最全面的答案观点、选取IDF*log（IDF）值最低的答案观点和选取在候选答案对应的文章中出现次数最多的答案观点。其中，IDF为反文档频率。在此之后，可生成答案观点对应的摘要，然后可对答案观点进行评分，并将评分大于预设评分阈值的答案观点作为问答结果进行反馈。举例来说，问题信息为“怀孕注意事项”，其中一个候选答案为“怀孕时应谨守医、多、战原则，亦即定期看医师，多卧床休息，战胜自己的不良习惯。”，可将该候选答案切分为“怀孕时应谨守医、多、战原则”、“亦即定期看医师”、“多卧床休息”、“战胜自己的不良习惯”四个候选答案短句。然后可将候选答案短句中重复的内容或者近似的内容进行聚合生成观点聚合簇，并选出答案观点。之后，可根据信息丰富度、论据充分度、信息冗余度等对答案观点进行评分，并将评分大于预设评分阈值的答案观点作为问答结果进行反馈。此外，在选出答案观点后，可获取其在来源文章中所在的句子，然后按照预定长度截取句子，从而生成该答案观点对应的摘要。之后可根据内容丰富度、答案权威性对摘要进行排序。

当问题类型为片段类型时，可获取问题信息对应的候选答案，并对候选答案进行切分以生成多个候选答案短句，然后对多个候选答案短句进行重要度打分以生成候选答案短句对应的短句重要度特征，并根据短句重要度特征生成答案摘要，然后可根据答案摘要的短句重要度特征、答案权威性、问题信息的相关性和答案的丰富度对答案质量进行打分。其中，短句重要度特征可包括聚合特征、相关度特征、类型特征和问题答案匹配度特征。其中，聚合特征用于衡量短句的重复度，例如：词向量质心特征、NGram（计算出现概率）特征、Lexrank（多文本自动摘要）特征等。类型特征为问题的类型特征，如WHAT（什么）类型、WHY（为什么）类型、HOW（如何）类型等。答案权威性为答案来源的网站的权威度。在此之后，可获取用户的行为数据，然后根据用户的行为数据和打分结果对候选答案进行排序，最终将排序结果作为问答结果进行反馈。其中，用户的行为数据是可包括用户对问答结果的点击行为、在问答结果上停留的时间、通过当前的问答结果跳转至其他问答结果等用户的历史行为信息。

如图7所示，信息搜索服务模块3400具体包括第二接收子模块3410、搜索子模块3420和第二问答结果生成子模块3430。其中，第二问答结果生成子模块3430具体包括篇章生成单元3431、排序单元3432、摘要生成单元3433和聚合单元3434。

第二接收子模块3410用于接收问题信息。搜索子模块3420用于根据问题信息进行搜索以生成多个候选网页。第二问答结果生成子模块3430用于对候选网页进行篇章分析以生成对应的摘要，并将摘要作为问答结果进行反馈。

具体地，篇章生成单元3431可对候选网页进行篇章内容抽取、篇章主题分割和篇章关系分析生成对应的候选篇章。其中，篇章内容抽取主要为识别候选网页的正文部分，删除与用户需求信息无关的内容。篇章主题分割为对篇章的主题结构进行分析，可将篇章划分为多个子主题。篇章关系分析为分析篇章中多个子主题之间的关系，例如并列关系等。在生成候选篇章之后，排序单元3432可对候选篇章中的句子进行打分排序。其中，打分排序主要基于句子在候选篇章中的重要度以及句子与用户需求信息之间的相关度。在此之后，摘要生成单元3433可获取用户的需求场景信息，并根据需求场景信息和打分排序结果生成摘要，最终将摘要作为问答结果进行反馈。其中场景信息可包括移动终端场景、电脑场景。当场景信息为移动终端场景时，则可对句子进行压缩简写，使生成的摘要尽量简明扼要；当场景信息为电脑场景时，可对句子进行拼接融合，使得生成的摘要详细清楚。当然，生成候选篇章时，由于候选篇章中的内容均与用户需求信息具有相关性，则可能会有重复或互补的内容，则需要聚合单元3434对多个候选篇章的信息进行聚合。

决策模块4000用于接收至少一个问答服务模块3000返回的问答结果，并对问答结果进行决策以确定最终的问答结果。其中，如图8所示，决策模块4000可包括问答结果接收子模块4100、分析子模块4200、决策子模块4300。问答结果接收子模块4100用于接收至少一个问答服务模块返回的问答结果。

分析子模块4200用于根据问题信息生成需求分析特征，并获取各个问答服务模块返回的问答结果的置信度特征、用户的对话交互信息的上下文特征以及用户的个性化模型特征。

决策子模块4300用于根据需求分析特征、问答结果的置信度特征、用户的对话交互信息的上下文特征以及用户的个性化模型特征对问答结果进行决策以确定最终的问答结果。

具体地，对问答结果进行决策以确定最终的问答结果主要基于以下几个特征：1、需求分析特征，通过对用户的问题信息进行需求分析，可选择更符合用户需求的问答服务模块提供的问答结果。2、问答结果置信度特征，每个问答服务模块提供的问答结果均具有置信度，可选择置信度高的问答结果。3、用户的对话交互信息的上下文特征，可选择更符合上下文信息的问答结果。4、用户的个性化模型特征，可选择更符合用户个性化需求的问答结果。其中，需求分析特征、问答结果的置信度特征、用户的对话交互信息的上下文特征以及用户的个性化模型特征分别对应有各自的决策权重。

此外，如图9所示，决策模块4000还可包括训练子模块4400。训练子模块4400用于根据用户的日志基于增强学习模型对需求分析特征、问答结果的置信度特征、用户的对话交互信息的上下文特征以及用户的个性化模型特征的决策权重进行训练，从而为用户提供更符合用户需求的问答结果。

另外，如图10所示，基于人工智能的深度问答服务提供装置还可包括补全模块5000。补全模块5000用于获取与用户的对话交互信息，并根据对话交互信息的对话上文对问题信息进行补全。

具体地，在多轮交互过程中，用户通常会基于对话上文省略问题信息中的一部分内容，因此需要对问题信息进行补全，从而澄清用户的需求。例如：对话上文为“北京有什么小吃？”，而问题信息为“那特产呢？”，则需要对用户输入的问题信息进行补全，生成新的问题信息“北京有什么特产？”。

《基于人工智能的深度问答服务提供方法和装置》实施例的基于人工智能的深度问答服务提供装置，通过获取用户输入的问题信息，并根据问题信息获取用户的用户需求信息，以及根据用户需求信息将问题信息分发至对应的至少一个问答服务模块，并接收至少一个问答服务模块返回的问答结果，最终对问答结果进行决策以确定最终的问答结果，能够针对用户的深度问题为用户提供更加准确的问答结果，提升用户使用满意度。

基于人工智能的深度问答服务提供方法和装置专利目的

《基于人工智能的深度问答服务提供方法和装置》旨在至少在一定程度上解决相关技术中的技术问题之一。为此，该发明的一个目的在于提出一种基于人工智能的深度问答服务提供方法，能够针对用户的深度问题为用户提供更加准确的问答结果，提升用户使用满意度。

《基于人工智能的深度问答服务提供方法和装置》的第二个目的在于提出一种基于人工智能的深度问答服务提供装置。

基于人工智能的深度问答服务提供方法和装置技术方案

为了实现上述目的，《基于人工智能的深度问答服务提供方法和装置》第一方面实施例提出了一种基于人工智能的深度问答服务提供方法，包括：S1、获取用户输入的问题信息；S2、根据所述问题信息获取用户的用户需求信息；S3、根据所述用户需求信息将所述问题信息分发至对应的至少一个问答服务模块；以及S4、接收所述至少一个问答服务模块返回的问答结果，并对所述问答结果进行决策以确定最终的问答结果。

《基于人工智能的深度问答服务提供方法和装置》实施例的基于人工智能的深度问答服务提供方法，通过获取用户输入的问题信息，并根据问题信息获取用户的用户需求信息，以及根据用户需求信息将问题信息分发至对应的至少一个问答服务模块，并接收至少一个问答服务模块返回的问答结果，最终对问答结果进行决策以确定最终的问答结果，能够针对用户的深度问题为用户提供更加准确的问答结果，提升用户使用满意度。

《基于人工智能的深度问答服务提供方法和装置》第二方面实施例提出了一种基于人工智能的深度问答服务提供装置，包括：输入接收模块、多个问答服务模块、分发模块和决策模块，其中，所述多个问答服务模块，用于根据接收到的问题信息生成问答结果并返回至所述决策模块；所述输入接收模块，用于获取用户输入的问题信息；所述分发模块，用于根据所述问题信息获取用户的用户需求信息，并根据所述用户需求信息将所述问题信息分发至对应的至少一个问答服务模块；以及所述决策模块，用于接收所述至少一个问答服务模块返回的问答结果，并对所述问答结果进行决策以确定最终的问答结果。

基于人工智能的深度问答服务提供方法和装置改善效果

《基于人工智能的深度问答服务提供方法和装置》实施例的基于人工智能的深度问答服务提供装置，通过获取用户输入的问题信息，并根据问题信息获取用户的用户需求信息，以及根据用户需求信息将问题信息分发至对应的至少一个问答服务模块，并接收至少一个问答服务模块返回的问答结果，最终对问答结果进行决策以确定最终的问答结果，能够针对用户的深度问题为用户提供更加准确的问答结果，提升用户使用满意度。

1.一种基于人工智能的深度问答服务提供方法，其特征在于，包括以下步骤：

S1、获取用户输入的问题信息；

S2、根据所述问题信息获取用户的用户需求信息；

S3、根据所述用户需求信息将所述问题信息分发至对应的至少一个问答服务模块；以及

S4、接收所述至少一个问答服务模块返回的问答结果，并对所述问答结果进行决策以确定最终的问答结果。

2.如权利要求1所述的方法，其特征在于，在所述步骤S1之后，还包括：

S5、获取与所述用户的对话交互信息；

S6、根据所述对话交互信息的对话上文对所述问题信息进行补全。

3.如权利要求1所述的方法，其特征在于，所述步骤S4具体包括：

S41、接收所述至少一个问答服务模块返回的问答结果；

S42、根据所述问题信息生成需求分析特征；

S43、获取各个问答服务模块返回的问答结果的置信度特征、所述用户的对话交互信息的上下文特征以及所述用户的个性化模型特征；

S44、根据所述需求分析特征、所述问答结果的置信度特征、所述用户的对话交互信息的上下文特征以及所述用户的个性化模型特征对所述问答结果进行决策以确定最终的问答结果。

4.如权利要求3所述的方法，其特征在于，其中，所述需求分析特征、所述问答结果的置信度特征、所述用户的对话交互信息的上下文特征以及所述用户的个性化模型特征分别对应有各自的决策权重。

5.如权利要求4所述的方法，其特征在于，所述步骤S4还包括：根据所述用户的日志基于增强学习模型对所述需求分析特征、所述问答结果的置信度特征、所述用户的对话交互信息的上下文特征以及所述用户的个性化模型特征的决策权重进行训练。

6.如权利要求1所述的方法，其特征在于，所述问答服务模块包括阿拉丁服务模块、垂类服务模块、深度问答服务模块和信息搜索服务模块。

7.如权利要求6所述的方法，其特征在于，还包括：所述深度问答服务模块接收所述问题信息；所述深度问答服务模块根据所述问题信息获取对应的问题类型；所述深度问答服务模块根据所述问题类型选择对应的问答模式，并根据选择的答案生成模式和所述问题信息生成对应的问答结果。

8.如权利要求7所述的方法，其特征在于，当所述问题类型为实体类型时，所述根据选择的答案生成模式和所述问题信息生成对应的问答结果具体包括：根据所述问题信息生成实体类问题信息；基于搜索引擎抓取的摘要和历史展现日志对所述实体类问题信息进行扩展以生成同族实体问题信息簇，其中，所述同族实体问题信息簇分别对应候选答案；从所述同族实体问题信息簇分别对应候选答案中抽取候选实体；计算所述候选实体的置信度；以及将所述置信度大于预设置信度阈值的候选实体作为问答结果进行反馈。

9.如权利要求7所述的方法，其特征在于，当所述问题类型为观点类型时，所述根据选择的答案生成模式和所述问题信息生成对应的问答结果具体包括：获取所述问题信息对应的候选答案；对所述候选答案进行切分以生成多个候选答案短句；对所述多个候选答案短句进行聚合以生成观点聚合簇；判断所述观点聚合簇的观点类型；根据所述观点类型从所述观点聚合簇中选择出答案观点，并生成所述答案观点对应的摘要；对所述答案观点进行评分，并将评分大于预设评分阈值的答案观点作为问答结果进行反馈。

10.如权利要求9所述的方法，其特征在于，所述对所述多个候选答案短句进行聚合以生成观点聚合簇具体包括：提取所述多个候选答案短句中的关键词；计算每两个所述关键词之间的向量夹角和/或语义相似度；对所述向量夹角小于预设角度或语义相似度大于预设阈值的所述候选答案进行聚合以生成观点聚合簇。

11.如权利要求7所述的方法，其特征在于，当所述问题类型为片段类型时，所述根据选择的答案生成模式和所述问题信息生成对应的问答结果具体包括：获取所述问题信息对应的候选答案；对所述候选答案进行切分以生成多个候选答案短句；对所述多个候选答案短句进行重要度打分以生成所述候选答案短句对应的短句重要度特征；根据所述短句重要度特征生成答案摘要；根据所述答案摘要的短句重要度特征对答案质量进行打分，并根据打分结果对候选答案进行排序；将排序结果作为问答结果进行反馈。

12.如权利要求11所述的方法，其特征在于，所述根据所述答案摘要的短句重要度特征对答案质量进行打分具体包括：根据所述答案摘要的短句重要度特征、答案权威性、问题信息的相关性和答案的丰富度对答案质量进行打分。

13.如权利要求11所述的方法，其特征在于，所述根据打分结果对候选答案进行排序具体包括：获取用户的行为数据；以及根据所述用户的行为数据和所述打分结果对所述候选答案进行排序。

14.如权利要求1-13任一项所述的方法，其特征在于，还包括：所述信息搜索服务模块接收所述问题信息；所述信息搜索服务模块根据所述问题信息进行搜索以生成多个候选网页；所述信息搜索服务模块对所述候选网页进行篇章分析以生成对应的摘要，并将摘要作为问答结果进行反馈。

15.如权利要求1-14任一项所述的方法，其特征在于，所述对所述候选网页进行篇章分析以生成对应的摘要具体包括：对所述候选网页进行篇章分析以生成对应的候选篇章；对所述候选篇章中的句子进行打分排序；以及根据打分排序结果生成所述摘要。

16.如权利要求15所述的方法，其特征在于，所述根据打分排序结果生成所述摘要具体包括：获取用户的需求场景信息；根据所述需求场景信息和所述打分排序结果生成所述摘要。

17.如权利要求15所述的方法，其特征在于，还包括：对多个候选篇章的信息进行聚合。

18.一种基于人工智能的深度问答服务提供装置，其特征在于，包括输入接收模块、多个问答服务模块、分发模块和决策模块，其中，所述输入接收模块，用于获取用户输入的问题信息；所述分发模块，用于根据所述问题信息获取用户的用户需求信息，并根据所述用户需求信息将所述问题信息分发至对应的至少一个问答服务模块；所述多个问答服务模块，用于根据接收到的问题信息生成问答结果并返回至所述决策模块；所述决策模块，用于接收所述至少一个问答服务模块返回的问答结果，并对所述问答结果进行决策以确定最终的问答结果。

19.如权利要求18所述的装置，其特征在于，还包括：补全模块，用于获取与所述用户的对话交互信息，并根据所述对话交互信息的对话上文对所述问题信息进行补全。

20.如权利要求18所述的装置，其特征在于，所述决策模块具体包括：问答结果接收子模块，用于接收所述至少一个问答服务模块返回的问答结果；分析子模块，用于根据所述问题信息生成需求分析特征，并获取各个问答服务模块返回的问答结果的置信度特征、所述用户的对话交互信息的上下文特征以及所述用户的个性化模型特征；决策子模块，用于根据所述需求分析特征、所述问答结果的置信度特征、所述用户的对话交互信息的上下文特征以及所述用户的个性化模型特征对所述问答结果进行决策以确定最终的问答结果。

21.如权利要求20所述的装置，其特征在于，其中，所述需求分析特征、所述问答结果的置信度特征、所述用户的对话交互信息的上下文特征以及所述用户的个性化模型特征分别对应有各自的决策权重。

22.如权利要求21所述的装置，其特征在于，所述决策模块还包括：训练子模块，用于根据所述用户的日志基于增强学习模型对所述需求分析特征、所述问答结果的置信度特征、所述用户的对话交互信息的上下文特征以及所述用户的个性化模型特征的决策权重进行训练。

23.如权利要求18所述的装置，其特征在于，所述问答服务模块包括阿拉丁服务模块、垂类服务模块、深度问答服务模块和信息搜索服务模块。

24.如权利要求23所述的装置，其特征在于，所述深度问答服务模块包括：第一接收子模块，用于接收所述问题信息；问题类型获取子模块，用于根据所述问题信息获取对应的问题类型；第一问答结果生成子模块，用于根据所述问题类型选择对应的问答模式，并根据选择的答案生成模式和所述问题信息生成对应的问答结果。

25.如权利要求24所述的装置，其特征在于，当所述问题类型为实体类型时，所述第一问答结果生成子模块根据所述问题信息生成实体类问题信息，并基于搜索引擎抓取的摘要和历史展现日志对所述实体类问题信息进行扩展以生成同族实体问题信息簇，其中，所述同族实体问题信息簇分别对应候选答案，以及从所述同族实体问题信息簇分别对应候选答案中抽取候选实体，并计算所述候选实体的置信度，以及将所述置信度大于预设置信度阈值的候选实体作为问答结果进行反馈。

26.如权利要求24所述的装置，其特征在于，当所述问题类型为观点类型时，所述第一问答结果生成子模块获取所述问题信息对应的候选答案，并对所述候选答案进行切分以生成多个候选答案短句，以及对所述多个候选答案短句进行聚合以生成观点聚合簇，并判断所述观点聚合簇的观点类型，以及根据所述观点类型从所述观点聚合簇中选择出答案观点，并生成所述答案观点对应的摘要，以及对所述答案观点进行评分，并将评分大于预设评分阈值的答案观点作为问答结果进行反馈。

27.如权利要求26所述的装置，其特征在于，所述第一问答结果生成子模块，具体用于：提取所述多个候选答案短句中的关键词，并计算每两个所述关键词之间的向量夹角和/或语义相似度，以及对所述向量夹角小于预设角度或语义相似度大于预设阈值的所述候选答案进行聚合以生成观点聚合簇。

28.如权利要求24所述的装置，其特征在于，当所述问题类型为片段类型时，所述第一问答结果生成子模块获取所述问题信息对应的候选答案，并对所述候选答案进行切分以生成多个候选答案短句，以及对所述多个候选答案短句进行重要度打分以生成所述候选答案短句对应的短句重要度特征，并根据所述短句重要度特征生成答案摘要，以及根据所述答案摘要的短句重要度特征对答案质量进行打分，并根据打分结果对候选答案进行排序，以及将排序结果作为问答结果进行反馈。

29.如权利要求28所述的装置，其特征在于，所述第一问答结果生成子模块，具体用于：根据所述答案摘要的短句重要度特征、答案权威性、问题信息的相关性和答案的丰富度对答案质量进行打分。

30.如权利要求28所述的装置，其特征在于，所述第一问答结果生成子模块，具体用于：获取用户的行为数据，并根据所述用户的行为数据和所述打分结果对所述候选答案进行排序。

31.如权利要求18所述的装置，其特征在于，所述信息搜索服务模块具体包括：第二接收子模块，用于接收所述问题信息；搜索子模块，用于根据所述问题信息进行搜索以生成多个候选网页；第二问答结果生成子模块，用于对所述候选网页进行篇章分析以生成对应的摘要，并将摘要作为问答结果进行反馈。

32.如权利要求31所述的装置，其特征在于，所述第二问答结果生成子模块具体包括：篇章生成单元，用于对所述候选网页进行篇章分析以生成对应的候选篇章；排序单元，用于对所述候选篇章中的句子进行打分排序；以及摘要生成单元，用于根据打分排序结果生成所述摘要。

33.如权利要求32所述的装置，其特征在于，所述摘要生成单元，具体用于：获取用户的需求场景信息，并根据所述需求场景信息和所述打分排序结果生成所述摘要。

34.如权利要求32所述的装置，其特征在于，所述第二问答结果生成子模块还包括：聚合单元，用于对多个候选篇章的信息进行聚合。

基于射频识别技术的标定系统和方法专利目的

《基于射频识别技术的标定系统和方法》的目的是为了克服2011年6月之前的被标定装置标定技术的不足，提出了基于射频识别技术的标定系统和方法。

基于射频识别技术的标定系统和方法技术方案

《基于射频识别技术的标定系统和方法》包括被标定装置、标定装置和服务器，其特征在于，还包括用于实现被标定装置和标定装置之间通信的电子标签；所述被标定装置包括中央处理模块、测量输入模块、显示模块、按键输入模块、电源模块、存储模块、通信模块和射频识别模块，所述被标定装置的测量输入模块、显示模块、按键输入模块、存储模块、通信模块和射频识别模块分别与被标定装置的中央处理模块连接用于向中央处理模块传输数据并接收来自中央处理模块的控制命令，所述被标定装置的电源模块分别与中央处理模块、测量输入模块、显示模块、按键输入模块、存储模块、通信模块和射频识别模块连接用于向前述模块提供电源；所述标定装置包括中央处理模块、显示模块、按键输入模块、电源模块、通信模块和射频识别模块，上述标定装置的显示模块、按键输入模块、通信模块和射频识别模块分别与标定装置的中央处理模块连接用于向中央处理模块传输数据并接收来自中央处理模块的控制命令，所述标定装置的电源模块分别与中央处理模块、显示模块、按键输入模块、通信模块和射频识别模块连接用于向前述模块提供电源；所述服务器是由被标定装置、标定装置和标定人员的各种身份信息和操作信息构成的数据库和承载这些数据库的电脑以及通信模块构成，它通过通信模块和被标定装置和标定装置建立直接的数据通信联系；所述被标定装置的通信模块、标定装置的通信模块、服务器的通信模块之间可以两两相互通信；所述被标定装置的射频识别模块和标定装置的射频识别模块可以分别与电子标签进行数据交换。

为了实现上述目的，该发明提供了另一种技术方案：基于射频识别技术的标定方法，包括如下步骤：

步骤1：标定装置通过其自身的通信模块登录到服务器上的数据库，进行标定人员的身份合法性认证和被标定装置的身份合法性认证，如果标定人员身份和被标定装置的身份均合法，则登录成功并将标定信息下载到标定装置中，如果不合法，则登录失败并终止标定；

步骤2：将电子标签放置在标定装置的射频感应区，等待标定装置将标定信息写入到电子标签中；

步骤3：将电子标签放置在被标定装置的射频感应区，被标定装置分析电子标签的标定信息，并对电子标签中的标定信息进行合法性的判断，如果合法，则进入标定程序对被标定装置进行标定，如果不合法，则终止标定；

步骤4：标定成功后，被标定装置将标定信息存储到自身的存储模块中，并将电子标签中的标定信息清除，在网络通畅时被标定装置则将标定信息传输到服务器进行数据备份，备份成功后，则标定结束。

基于射频识别技术的标定系统和方法改善效果

一、提高标定的安全性：在标定过程中，标定装置与作为被标定装置的被标定装置之间无直接的硬件连接，而是通过电子标签进行相互之间的信息交互，就可以使得标定装置与被标定的被标定装置之间相对独立，不会因为一方的设备的损坏而影响另一方，同时也不会因为硬连接线的拔插而使标定装置或被标定装置内部电路短路，也不会因为静电的串扰而破坏设备内部元器件，也不需要打开被标定装置外壳而进行标定，从而降低了在标定过程中损坏标定装置与被标定装置的风险。

二、提高标定的操作效率：在标定过程中，由于不需要使用串口线将标定装置与被标定的电子衡器相连，而直接通过电子标签进行间接的数据交互，减少了少的拔插时间，同时，由于线的拔插，在很多时候会有接触不良的情况，在标定时需要重复多次的拔插，减少了标定时间。

三、提高标定的管理效率：由于在标定过程中，将标定的信息保存在被标定装置的存储模块中，同时由于标定装置和被标定装置内具有通信模块，使得管理人员可以利用标定装置的通信模块与被标定装置之间构建网络进行通信，使得管理人员在极短的时间内可以获得该网络内的所有的被标定装置的标定信息，而且不影响被标定装置的工作状态，从而极大的提高了管理效率。

本发明公开基于多模型深度学习的涂装新风空调的控制方法，包括步骤：采集空调机组的多个模段的切面的温湿度数据上传到云服务器的时序数据库中，分别利用该温湿度数据对多个模段的深度学习模型进行训练，在训练完成将多个深度学习模型集成在一起形成一个深度学习控制预测模型；控制时，实时采集多个模段的切面的温湿度数据，输入到深度学习控制预测模型中；深度学习控制预测模型根据输入的实时温湿度数据，在多个可选择控制项中，选择与目标温湿度值最接接的控制结果输出，并将控制结果所对应的控制设定值输出到空调控制器中，对执行机构调节控制。本发明可有效地减低生产中的能源消耗，对涂装车间的运营成本及车身质量都具有非常有意义的作用。