用于响应用户输入的方法及装置与流程

1.本发明涉及人工智能领域，并且具体涉及一种用于响应用户输入的方法、装置、计算机设备以及计算机可读存储介质。


背景技术：

2.根据用户输入，智能检索系统需要在数据库中进行检索以返回匹配该用户输入的数据作为对该用户输入的响应，从而实现了人机交互的过程。
3.在实际应用中，通常利用无监督模型来计算用户输入与智能检索系统的数据库中的数据的相似度，将相似度最高的数据作为匹配该用户输入的结果。
4.然而，在用户输入与数据库中已有数据不完全相同的情况下，或者在用户输入与数据库中的已有数据虽然表达了相同的含义但使用了不同用词或句子结构的情况下，无监督模型将难以在数据库中准确找到匹配该用户输入的数据。


技术实现要素：

5.为解决或缓解以上问题中的一个或多个，本发明提供以下技术方案。
6.按照本发明的第一方面，提供一种用于响应用户输入的方法，所述方法包括下列步骤：接收用户输入；利用有监督模型和无监督模型从数据库的多个数据对中确定与所述用户输入匹配的数据对，其中所述数据对包括第一数据和第二数据；以及将所述确定的与所述用户输入匹配的数据对返回用户。
7.根据本发明第一方面的一实施例的用于响应用户输入的方法，其中，利用有监督模型和无监督模型从数据库的多个数据对中确定与所述用户输入匹配的数据对进一步包括：利用所述有监督模型确定所述用户输入与所述多个数据对中的所述第一数据的相关性，并且基于所述确定的相关性选择预定数量的数据对作为数据对的候选集；利用所述无监督模型确定所述用户输入与所述数据对的候选集中的所述第二数据的相似度；以及基于所述确定的相似度与相似度阈值的比较来更新所述确定的相似度，以基于所述更新的相似度来确定与所述用户输入匹配的数据对。
8.根据本发明第一方面的一实施例的用于响应用户输入的方法，其中，利用所述无监督模型确定所述用户输入与所述数据对的候选集中的所述第二数据的相似度进一步包括：将所述用户输入和所述数据对的候选集中的所述第二数据进行文本划分；以及确定所述用户输入与所述数据对的候选集中的所述第二数据的文本间的距离，所述文本间的距离由欧式距离、余弦距离、曼哈顿距离、切比雪夫距离或汉明距离中的一个表示。
9.根据本发明第一方面的一实施例的用于响应用户输入的方法，其中，基于所述确定的相似度与相似度阈值的比较来更新所述确定的相似度进一步包括：当所述确定的相似度大于所述相似度阈值时，保持所述确定的相似度不变。
10.根据本发明第一方面的一实施例的用于响应用户输入的方法，其中，基于所述确定的相似度与相似度阈值的比较来更新所述确定的相似度进一步包括：当所述确定的相似
度小于或等于所述相似度阈值时，将所述确定的相似度更新为s
×
a r，其中s表示所述确定的相似度，r表示与所述确定的相似度对应的所述数据对的所述确定的相关性，以及a为基于不同业务场景和数据库而动态调整的参数。
11.根据本发明第一方面的一实施例的用于响应用户输入的方法，其中，所述无监督模型为下列模型中的一种：bm25模型、tf
‑
idf模型、杰卡德相似系数模型和余弦相似度模型。
12.根据本发明第一方面的一实施例的用于响应用户输入的方法，还包括微调所述有监督模型，其中微调所述有监督模型包括：基于所述数据库中数据对中的第一数据与另一数据对中的第二数据生成负样本；基于所述数据库中数据对中的第一数据与第二数据生成正样本；以及利用所述生成的负样本和正样本微调所述有监督模型。
13.根据本发明第一方面的一实施例的用于响应用户输入的方法，其中，所述负样本的数量大于或等于所述正样本的数量。
14.根据本发明第一方面的一实施例的用于响应用户输入的方法，其中，所述方法还包括选择与所述用户输入匹配的数据对中的第一数据或第二数据来响应所述用户输入。
15.根据本发明的第二方面，提供一种用于响应用户输入的装置，其包括：接收单元，其配置为接收用户输入；处理单元，其配置为利用有监督模型和无监督模型从数据库的多个数据对中确定与所述用户输入匹配的数据对，其中所述数据对包括第一数据和第二数据；以及返回单元，其配置为将所述确定的与所述用户输入匹配的数据对返回用户。
16.根据本发明第二方面的一实施例的用于响应用户输入的装置，其中，所述处理单元进一步配置为通过下列方式确定与所述用户输入匹配的数据对：利用所述有监督模型确定所述用户输入与所述多个数据对中的所述第一数据的相关性，并且基于所述确定的相关性选择预定数量的数据对作为数据对的候选集；利用所述无监督模型确定所述用户输入与所述数据对的候选集中的所述第二数据的相似度；以及基于所述确定的相似度与相似度阈值的比较来更新所述确定的相似度，以基于所述更新的相似度来确定与所述用户输入匹配的数据对。
17.根据本发明第二方面的一实施例的用于响应用户输入的装置，其中，所述处理单元进一步配置为通过下列方式确定所述用户输入与所述数据对的候选集中的所述第二数据的相似度：将所述用户输入和所述数据对的候选集中的所述第二数据进行文本划分；以及确定所述用户输入与所述数据对的候选集中的所述第二数据的文本间的距离，所述文本间的距离由欧式距离、余弦距离、曼哈顿距离、切比雪夫距离或汉明距离中的一个表示。
18.根据本发明第二方面的一实施例的用于响应用户输入的装置，其中，所述处理单元进一步配置为通过下列方式更新所述确定的相似度：当所述确定的相似度大于所述相似度阈值时，保持所述确定的相似度不变。
19.根据本发明第二方面的一实施例的用于响应用户输入的装置，其中，所述处理单元进一步配置为通过下列方式更新所述确定的相似度：当所述确定的相似度小于或等于所述相似度阈值时，将所述确定的相似度更新为s
×
a r，其中s表示所述确定的相似度，r表示与所述确定的相似度对应的所述数据对的所述确定的相关性，以及a为基于不同业务场景和数据库而动态调整的参数。
20.根据本发明第二方面的一实施例的用于响应用户输入的装置，其中，所述无监督
模型为下列模型中的一种：bm25模型、tf
‑
idf模型、杰卡德相似系数模型和余弦相似度模型。
21.根据本发明第二方面的一实施例的用于响应用户输入的装置，其中，所述处理单元进一步配置为微调所述有监督模型，其中微调所述有监督模型包括：基于所述数据库中数据对中的第一数据与另一数据对中的第二数据生成负样本；基于所述数据库中数据对中的第一数据与第二数据生成正样本；以及利用所述生成的负样本和正样本微调所述有监督模型。
22.根据本发明第二方面的一实施例的用于响应用户输入的装置，所述负样本的数量大于或等于所述正样本的数量。
23.根据本发明第二方面的一实施例的用于响应用户输入的装置，其中，所述装置进一步包括响应单元，所述响应单元配置为选择与所述用户输入匹配的数据对中的第一数据或第二数据来响应所述用户输入。
24.根据本发明的第三方面，提供一种计算机设备，其包括存储器、处理器以及存储在所述存储器上并且可在所述处理器上运行的计算机程序，其中，处理器运行所述计算机程序以实现如本发明的第一方面中的任一实施例所述的用于响应用户输入的方法。
25.根据本发明的第四方面，提供一种计算机可读存储介质，其上存储计算机程序，其中，所述计算机程序可在被处理器执行时实现如本发明的第一方面中的任一实施例所述的用于响应用户输入的方法。
26.根据本发明的一个或多个方面，可以采用如上所述的用于响应用户输入的方法及其装置，其通过结合有监督模型和无监督模型来从数据库中确定与用户输入匹配的数据，使得在用户输入与数据库中数据的词汇差距较大的情况下也能够高效准确返回与该用户输入匹配的结果。
27.通过纳入本文的附图以及随后与附图一起用于说明本发明的某些原理的具体实施方式，本发明的方法和系统所具有的其它特征和优点将更为具体地变得清楚或得以阐明。
附图说明
28.本发明的上述和/或其它方面和优点将通过以下结合附图的各个方面的描述变得更加清晰和更容易理解，附图中相同或相似的单元采用相同的标号表示。在所述附图中：图1示出了按照本发明的一个实施例的用于响应用户输入的方法的流程图。
29.图2示出了按照本发明的一个实施例的用于响应用户输入的装置的结构框图。
30.图3示出了按照本发明的一个实施例的计算机设备的示意框图。
具体实施方式
31.在本说明书中，参照其中图示了本发明示意性实施例的附图更为全面地说明本发明。但本发明可以按不同形式来实现，而不应解读为仅限于本文给出的各实施例。给出的各实施例旨在使本文的披露全面完整，以将本发明的保护范围更为全面地传达给本领域技术人员。
32.诸如“包含”和“包括”之类的用语表示除了具有在说明书和权利要求书中有直接
和明确表述的单元和步骤以外，本发明的技术方案也不排除具有未被直接或明确表述的其它单元和步骤的情形。诸如“第一”和“第二”之类的用语并不表示单元在时间、空间、大小等方面的顺序而仅仅是作区分各单元之用。
33.下文参考根据本发明实施例的方法和系统的流程图说明、框图和/或流程图来描述本发明。将理解这些流程图说明和/或框图的每个框、以及流程图说明和/或框图的组合可以由计算机程序指令来实现。可以将这些计算机程序指令提供给通用计算机、专用计算机或其它可编程数据处理设备的处理器以构成机器，以便由计算机或其它可编程数据处理设备的处理器执行的这些指令创建用于实施这些流程图和/或框和/或一个或多个流程框图中指定的功能/操作的部件。
34.可以将这些计算机程序指令加载到计算机或其它可编程数据处理器上以使一系列的操作步骤在计算机或其它可编程处理器上执行，以便构成计算机实现的进程，以使计算机或其它可编程数据处理器上执行的这些指令提供用于实施此流程图和/或框图的一个或多个框中指定的功能或操作的步骤。还应该注意在一些备选实现中，框中所示的功能/操作可以不按流程图所示的次序来发生。例如，依次示出的两个框实际可以基本同时地执行或这些框有时可以按逆序执行，具体取决于所涉及的功能/操作。
35.根据本发明的一方面，提供一种用于响应用户输入的方法。图1示出了按照本发明的一个实施例的用于响应用户输入的方法的流程图。
36.如图1中所示，在步骤110中，接收用户输入。作为示例，用户输入可以是智能外呼的业务场景中的用户请求，其可以表现为文字形式、语音形式、图片形式等。可选地，可以将接收到的用户输入进行预处理，使得接收到的用户输入可以以文本形式表示。
37.在步骤120中，利用有监督模型和无监督模型从数据库的多个数据对中确定与用户输入匹配的数据对，其中所述数据对包括第一数据和第二数据。在该步骤中，利用有监督模型确定用户输入与多个数据对中的第一数据的相关性，并且基于所述确定的相关性选择预定数量的数据对作为数据对的候选集；利用无监督模型确定用户输入与数据对的候选集中的第二数据的相似度；以及基于所述确定的相似度与相似度阈值的比较来更新所述确定的相似度，以基于所述更新的相似度来确定与用户输入匹配的数据对。当确定的相似度大于相似度阈值时，保持所述确定的相似度不变；以及当确定的相似度小于或等于所述相似度阈值时，将所述确定的相似度更新为s
×
a r，其中s表示所述确定的相似度，r表示与所述确定的相似度对应的数据对的确定的相关性，以及a为基于不同业务场景和数据库而动态调整的参数。
38.在步骤130中，将确定的与所述用户输入匹配的数据对返回用户。可选地，可以选择与用户输入匹配的数据对中的第一数据或第二数据来响应所述用户输入。
39.在一个实施例中，上述数据库中的多个数据对可以是但不限于问题和答案对，第一数据可以对应于问题和答案对中的答案，第二数据可以对应于问题和答案对中的问题。下文中为了描述的简洁性，将数据库中的一个问题和答案对简称为qa，将数据库中的所有问题和答案对简称为qas。
40.作为示例，可以采用无监督模型bm25（best matching 25）来确定用户输入与qas中的问题的相似度。具体来说，可以采用以下方式来确定用户输入与qas中的问题的相似度：（1）对用户输入q进行语素解析，一般采用分词方式，得到一个形如(q1,q2,
……
,q
t
)的词
序列；（2）计算用户输入中的各个语素q
i
与问题的相关性r（q
i
,d），再将r（q
i
,d）乘以该语素q
i
的权重w
i
；（3）对所有语素q
i
和问题的相关性r（q
i
,d）加权后的结果求和，以得到用户输入q与问题的相似度。以此类推，可以通过以下公式计算出用户输入与qas中每一个问题的相似度：其中给定文本d问题集合。
41.本领域技术人员可以理解的是，也可以使用其他无监督模型来确定用户输入与qas中的问题的相似度，也就是确定用户输入与qas中的问题的文本间的距离，所述文本间的距离可以由欧式距离、余弦距离、曼哈顿距离、切比雪夫距离或汉明距离中的一个表示。可选地，无监督模型可以选择下列模型中的一种：bm25模型、tf
‑
idf(term frequency
–
inverse document frequency)模型、杰卡德（jaccard）相似系数模型和余弦相似度模型。
42.然而，在用户输入与qas中的问题的词汇差距大的情况下，仅基于利用无监督模型确定的用户输入与qas中的问题的相似度将难以准确地确定与用户输入匹配的qa。需要说明的是，词汇差距即为文本间使用词汇的差异，也可以理解为文本间所使用词汇重复度的高低。因此，用户输入与qas中的问题的词汇差距大是指用户输入与问题中使用了很多不同的词语，而用户输入与qas中的问题的词汇差距小是指用户输入与问题中使用了很多相同或相似的词语。
43.作为示例，例如用户输入为“申请专利需要怎么写文书”，以及数据库中存在以下qas：问题1:
ꢀ“
专利技术交底书模板和应遵守的规定”答案1:
ꢀ“
发明或实用新型专利技术申请不是一项简单的任务，需要按照以下模板撰写您的文书”问题2:
ꢀ“
申请专利需要具备哪些资质”答案2:
ꢀ“
申请技术创新奖需要至少在近三年获得......”这种情况下，由于问题2与用户输入中的词汇差距较小，因此无监督模型基于用户输入与qas中的问题的相似度会将问题2判断为与用户输入匹配，而实际情况却是问题1与用户输入匹配，导致无监督模型误判的原因在于用户输入与问题1的词汇差距较大。因此，本发明引入有监督模型来确定用户输入与qas中的答案的相关性，再结合无监督模型确定用户输入与qas中的问题的相似度，从而有效解决在用户输入与qas中的问题的词汇差距大的情况下无监督模型容易出现误判的问题。
44.在一个实施例中，根据本发明的一个方面的用于响应用户输入的方法可以应用于faq（frequently asked questions）检索系统中，该系统可以应用于智能外呼的业务场景中，例如机器人给用户拨打电话。在该实施例中，根据本发明的一个方面的用于响应用户输入的方法利用有监督模型和无监督模型分别计算用户输入与qas中的答案的相关性和用户输入与qas中的问题的相似度，再通过将计算出的相关性和相似度结合以确定与用户输入匹配的qa。
45.具体来说，为了解决用户输入与qas中的问题的词汇差距大的问题，首先利用有监督模型计算用户输入与qas中的答案的相关性，记为relevance(q,a)，并且基于用户输入与
qas中的答案的相关性选择预定数量的qas作为qas的候选集。例如，可以选择其答案与用户输入的相关性排在前十的qas作为qas的候选集。可以理解的是，可以根据不同业务场景来基于用户输入与qas中的答案的相关性选择不同数量的qas作为qas的候选集。
46.在获得qas的候选集之后，使用无监督模型计算用户输入与qas的候选集中的问题的相似度，记为similarity(q,q)，并且对计算出的相似度进行排序，以及基于计算出的相似度与相似度阈值的比较来确定是否更新该相似度。当计算出的相似度大于相似度阈值时，直接保留该qa的相似度；当计算出的相似度小于或等于相似度阈值时，将该qa的相似度更新为similarity(q,q)
∗
a relevance(q,a)。接下来，将更新后的相似度再次进行排序，其中相似度最高的qa为最匹配用户输入的结果。可选地，a和相似度阈值可以基于不同业务场景和数据库而动态调整。
47.通过将有监督模型与无监督模型结合来共同确定与用户输入匹配的结果，首先利用有监督模型确定用户输入与qas中的答案的相关性并返回预定数量的与用户输入相关的qas的候选集，再利用无监督模型对qas的候选集进行进一步筛选，从而确定与用户输入匹配的qa作为返回结果。在用户输入与qas中的问题词汇差距大的情况下，与仅通过无监督模型来计算用户输入与qas中的问题的相似度相比，以上过程能够更加准确地返回与用户输入匹配的qa。
48.在一个实施例中，有监督模型可以通过结合下游具体业务场景微调预训练模型来得到。在本实施例中，可以选择预训练语言模型bert（bidirectional encoder representation from transformers），再结合下游具体业务场景进行微调。可选地，预训练模型还可以选择下列模型中的一种：elmo、mass、unilm、enrie、mtdnn、roberta。由于预训练模型是在无标注数据上训练的，因此可以减少人工标注成本，并且可以获得更通用的语言表示，这将有利于下游任务，以及在目标任务上具备更好的泛化性能、并加速收敛。微调是将预训练模型作用于自身的数据集，并使模型参数适应自身数据集的过程。相比于传统的神经网络训练方式，这将极大的节省人力成本和训练时长。
49.以下提供构建应用于本发明的有监督模型的一种具体示例。首先，在预训练模型bert后附接一层全连接层，设置分类数为2（0：表示用户输入与qas中的答案不相关，1：表示用户输入与qas中的答案相关），激活层选择“softmax”。随后，通过负采样加强原始faq数据集来微调构建的模型，具体采样过程为，将数据库中的qa称作正样本，将某一对正样本qa中的问题与另一对qa中的答案组成负样本。可选地，负采样可以通过脚本自动生成，从而减少了人工标记数据的成本。通过负采样加强原始faq数据集来微调构建的模型，可实现预训练模型bert针对下游具体业务场景的微调。可选地，正负样本的比例可以是1：1、1：2、1：5等。通过采用负样本加强原始数据集，能够减少人工标注数据的成本，并有效解决faq数据集本身较小的问题。
50.本领域技术人员可以理解的是，尽管以上实施例中描述了利用有监督模型和无监督模型分别计算用户输入与qas中的答案的相关性和用户输入与qas中的问题的相似度，但是在不脱离本发明的范围和精神的情况下，也可以利用有监督模型和无监督模型分别计算用户输入与qas中的问题的相关性和用户输入与qas中的答案的相似度，因为用户输入可以不限于问题的形式，其也可以包括对数据库中的问题做出的答复，由此实现了更加丰富的人机交互过程，改善了人机交互过程中的用户体验，并且提高了响应用户输入的准确性。
51.根据本发明的另一方面，提供一种用于响应用户输入的装置。图2示出了按照本发明的一个实施例的用于响应用户输入的装置的结构框图。如图2所示，用于响应用户输入的装置20包括接收单元210、处理单元220和返回单元230。
52.接收单元210配置为接收用户输入。作为示例，用户输入可以是智能外呼的业务场景中的用户请求，其可以表现为文字形式、语音形式、图片形式等。可选地，可以将接收到的用户输入进行预处理，使得接收到的用户输入可以以文本形式表示。
53.处理单元220配置为利用有监督模型和无监督模型从数据库的多个数据对中确定与用户输入匹配的数据对，其中所述数据对包括第一数据和第二数据。处理单元220进一步配置为，利用有监督模型确定用户输入与多个数据对中的第一数据的相关性，并且基于所述确定的相关性选择预定数量的数据对作为数据对的候选集；利用无监督模型确定用户输入与数据对的候选集中的第二数据的相似度；以及基于所述确定的相似度与相似度阈值的比较来更新所述确定的相似度，以基于所述更新的相似度来确定与用户输入匹配的数据对。当确定的相似度大于相似度阈值时，保持所述确定的相似度不变；以及当确定的相似度小于或等于所述相似度阈值时，将所述确定的相似度更新为s
×
a r，其中s表示所述确定的相似度，r表示与所述确定的相似度对应的数据对的确定的相关性，以及a为基于不同业务场景和数据库而动态调整的参数。
54.返回单元230配置为将确定的与所述用户输入匹配的数据对返回用户。可选地，装置20还可以包括响应单元（图2中未图示），所述响应单元配置为选择与所述用户输入匹配的数据对中的第一数据或第二数据来响应所述用户输入。
55.在一个实施例中，上述数据库中的多个数据对可以是但不限于问题和答案对，第一数据可以对应于问题和答案对中的答案，第二数据可以对应于问题和答案对中的问题。下文中为了描述的简洁性，将数据库中的一个问题和答案对简称为qa，将数据库中的所有问题和答案对简称为qas。
56.作为示例，处理单元220可以采用无监督模型bm25（best matching 25）来确定用户输入与qas中的问题的相似度。具体来说，可以采用以下方式来确定用户输入与qas中的问题的相似度：（1）对用户输入q进行语素解析，一般采用分词方式，得到一个形如(q1,q2,
……
,q
t
)的词序列；（2）计算用户输入中的各个语素q
i
与问题的相关性r（q
i
,d），再将r（q
i
,d）乘以该语素q
i
的权重w
i
；（3）对所有语素q
i
和问题的相关性r（q
i
,d）加权后的结果求和，以得到用户输入q与问题的相似度。以此类推，可以通过以下公式计算出用户输入与qas中每一个问题的相似度：其中给定文本d问题集合。
57.本领域技术人员可以理解的是，处理单元220也可以使用其他无监督模型来确定用户输入与qas中的问题的相似度，也就是确定用户输入与qas中的问题的文本间的距离，所述文本间的距离可以由欧式距离、余弦距离、曼哈顿距离、切比雪夫距离或汉明距离中的一个表示。可选地，无监督模型可以选择下列模型中的一种：bm25模型、tf
‑
idf(term frequency
–
inverse document frequency)模型、杰卡德（jaccard）相似系数模型和余弦相似度模型。
58.在一个实施例中，根据本发明的一个方面的用于响应用户输入的装置可以应用于faq（frequently asked questions）检索系统中，该系统可以应用于智能外呼的业务场景中，例如机器人给用户拨打电话。在该实施例中，根据本发明的一个方面的用于响应用户输入的装置利用有监督模型和无监督模型分别计算用户输入与qas中的答案的相关性和用户输入与qas中的问题的相似度，再通过将计算出的相关性和相似度结合以确定与用户输入匹配的qa。
59.具体来说，为了解决用户输入与qas中的问题的词汇差距大的问题，首先利用有监督模型计算用户输入与qas中的答案的相关性，记为relevance(q,a)，并且基于用户输入与qas中的答案的相关性选择预定数量的qas作为qas的候选集。例如，可以选择其答案与用户输入的相关性排在前十的qas作为qas的候选集。可以理解的是，可以根据不同业务场景来基于用户输入与qas中的答案的相关性选择不同数量的qas作为qas的候选集。
60.在获得qas的候选集之后，使用无监督模型计算用户输入与qas的候选集中的问题的相似度，记为similarity(q,q)，并且对计算出的相似度进行排序，以及基于计算出的相似度与相似度阈值的比较来确定是否更新该相似度。当计算出的相似度大于相似度阈值时，直接保留该qa的相似度；当计算出的相似度小于或等于相似度阈值时，将该qa的相似度更新为similarity(q,q)
∗
a relevance(q,a)。接下来，将更新后的相似度再次进行排序，其中相似度最高的qa为最匹配用户输入的结果。可选地，a和相似度阈值可以基于不同业务场景和数据库而动态调整。
61.通过将有监督模型与无监督模型结合来共同确定与用户输入匹配的结果，首先利用有监督模型确定用户输入与qas中的答案的相关性并返回预定数量的与用户输入相关的qas的候选集，再利用无监督模型对qas的候选集进行进一步筛选，从而确定与用户输入匹配的qa作为返回结果。在用户输入与qas中的问题词汇差距大的情况下，与仅通过无监督模型来计算用户输入与qas中的问题的相似度相比，以上过程能够更加准确地返回与用户输入匹配的qa。
62.在一个实施例中，有监督模型可以通过结合下游具体业务场景微调预训练模型来得到。在本实施例中，可以选择预训练语言模型bert（bidirectional encoder representation from transformers），再结合下游具体业务场景进行微调。可选地，预训练模型还可以选择下列模型中的一种：elmo、mass、unilm、enrie、mtdnn、roberta。由于预训练模型是在无标注数据上训练的，因此可以减少人工标注成本，并且可以获得更通用的语言表示，这将有利于下游任务，以及在目标任务上具备更好的泛化性能、并加速收敛。微调是将预训练模型作用于自身的数据集，并使模型参数适应自身数据集的过程。相比于传统的神经网络训练方式，这将极大的节省人力成本和训练时长。
63.本领域技术人员可以理解的是，尽管以上实施例中描述了利用有监督模型和无监督模型分别计算用户输入与qas中的答案的相关性和用户输入与qas中的问题的相似度，但是在不脱离本发明的范围和精神的情况下，也可以利用有监督模型和无监督模型分别计算用户输入与qas中的问题的相关性和用户输入与qas中的答案的相似度，因为用户输入可以不限于问题的形式，其也可以包括对数据库中的问题做出的答复，由此实现了更加丰富的人机交互过程，改善了人机交互过程中的用户体验，并且提高了响应用户输入的准确性。
64.图3示出了按照本发明的一个实施例的计算机设备的示意框图。
65.如图3中所示，计算机设备30包括存储器310、处理器320和存储在存储器310上并可在处理器320上运行的计算机程序330。计算机程序330可在处理器320上运行以执行上面借助图1所描述的用于响应用户输入的方法的各个步骤。
66.综合以上，本发明提出了一种用于响应用户输入的方法、装置、计算机设备以及计算机可读存储介质，本发明提出的方案通过结合有监督模型和无监督模型来从数据库中确定与用户输入匹配的数据，使得在用户输入与数据库中数据的词汇差距较大的情况下也能够高效准确返回与该用户输入匹配的结果。需要说明的是，附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或者在一个或多个硬件模块或集成电路中实现这些功能实体，或者在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
67.以上例子主要说明了本发明的用户输入的方法、装置、计算机设备以及计算机可读存储介质。尽管只对其中一些本发明的实施方式进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。