智能问答方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种智能问答方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.当前，在坐席服务领域中，针对客户反馈的问题通常是由人工客服进行相应的回复。比如，在电话领域，需要大量的人工客服去针对用户反馈的每个问题进行相应的回复。
3.由于人工客服前期的培训周期长，且人工客服需24小时不断的回复每一个客户反馈的问题，使得人工客服压力较大、回复出错率上升，导致回复的准确率较低；进一步地，这些问题大都是重复的、简单的，但需要耗费大量人力去解决，导致回复的效率较低。


技术实现要素：

4.本发明提供一种智能问答方法、装置、电子设备及计算机可读存储介质，其主要目的是提高智能问答的效率和准确率。
5.为实现上述目的，本发明提供的一种智能问答方法，包括：
6.获取问题文本及所述问题文本对应的真实意图，利用预设的语义分析模型识别所述问题文本的问题意图，并计算所述问题意图与所述真实意图的匹配度；
7.判断所述匹配度是否小于预设阈值；
8.在所述匹配度小于所述预设阈值时，将所述问题文本发送至人工客服，以通过所述人工客服得到所述问题文本对应的回复文本；
9.在所述匹配度不小于所述预设阈值时，利用训练完成的问答模型中的编码层对所述问题文本进行字符编码，得到字符向量；
10.利用所述问答模型中的注意力机制层对所述字符向量进行矩阵拼接，得到问题字符矩阵；
11.利用所述问答模型中的全连接层输出所述问题字符矩阵的关键字；
12.从预设的问答数据库中查找所述关键字对应的回复文本。
13.可选地，所述利用预设的语义分析模型识别所述问题文本的问题意图，包括：
14.利用所述语义分析模型中的编码层对所述问题文本进行词嵌入操作，得到问题词向量；
15.利用所述语义分析模型中的卷积池化层对所述问题词向量进行特征提取，得到特征问题向量；
16.利用所述语义分析模型中的全连接层输出所述特征问题向量的问题意图。
17.可选地，所述利用训练完成的问答模型中的编码层对所述问题文本进行字符编码，得到字符向量，包括：
18.利用所述编码层提取所述问题文本中的问题字符位置、问题字符维度及待编码的问题字符长度；
19.根据所述问题字符位置、所述问题字符维度及所述待编码的问题字符长度对所述问题文本中的字符进行字符编码，得到所述字符向量。
20.可选地，所述利用所述问答模型中的注意力机制层对所述字符向量进行矩阵拼接，得到问题字符矩阵，包括：
21.利用所述注意力机制层获取所述字符向量对应的上下字符语义，并对所述上下字符语义及所述字符向量进行拼接，得到问题字符矩阵。
22.可选地，所述利用所述问答模型中的全连接层输出所述问题字符矩阵的关键字，包括：
23.利用所述全连接层中的激活函数对所述问题字符矩阵进行回复预测，得到回复预测值；
24.利用所述全连接层中的前馈神经网络将所述回复预测值转化为关键字。
25.可选地，所述从预设的问答数据库中查找所述关键字对应的回复文本，包括：
26.将所述关键字作为查询对象，创建所述查询对象在所述问答数据库中的查询语句；
27.通过所述查询语句从所述问答数据库中查找所述关键字对应的回复文本。
28.可选地，所述从预设的问答数据库中查找所述关键字对应的回复文本之后，还包括：
29.将回复文本同步至用户，并判断在回复流程中回复文本是否同步成功，其中，所述回复流程包括多个节点；
30.若回复文本同步失败，则确认所述回复流程所处的节点，根据所述节点继续完成回复流程；
31.若回复文本同步成功，则确定所述回复流程完成。
32.为了解决上述问题，本发明还提供一种智能问答装置，所述装置包括：
33.问题意图识别模块，用于获取问题文本及所述问题文本对应的真实意图，利用预设的语义分析模型识别所述问题文本的问题意图，并计算所述问题意图与所述真实意图的匹配度；
34.匹配度判断模块，用于判断所述匹配度是否小于预设阈值；
35.人工客服回复模块，用于在所述匹配度小于所述预设阈值时，将所述问题文本发送至人工客服，以通过所述人工客服得到所述问题文本对应的回复文本；
36.字符编码模块，用于在所述匹配度不小于所述预设阈值时，利用训练完成的问答模型中的编码层对所述问题文本进行字符编码，得到字符向量；
37.字符矩阵拼接模块，用于利用所述问答模型中的注意力机制层对所述字符向量进行矩阵拼接，得到问题字符矩阵；
38.关键字提取模块，用于利用所述问答模型中的全连接层输出所述问题字符矩阵的关键字；
39.智能回复文本获取模块，用于从预设的问答数据库中查找所述关键字对应的回复文本。
40.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
41.存储器，存储至少一个计算机程序；及
42.处理器，执行所述存储器中存储的计算机程序以实现上述所述的智能问答方法。
43.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的智能问答方法。
44.本发明实施例中，首先利用预设的语义分析模型识别问题文本的问题意图，并计算所述问题意图与所述问题文本对应真实意图的匹配度，可以便于后续有针对性的对问题文本进行回复，提高回复效率；进一步地，本发明实施例在所述匹配度小于所述预设阈值时，将所述问题文本发送至人工客服，以通过所述人工客服得到所述问题文本对应的回复文本可以实现有针对性的人工客服问答，有效的降低了回复出错率，从而提高了回复准确率，及在所述匹配度不小于所述预设阈值时，利用所述问答模型中的编码层对所述问题文本进行字符编码，得到字符向量，可以定位文本中的每个字符，便于后续提取问题文本的关键字；利用所述问答模型中的注意力机制层对所述字符向量进行矩阵拼接，得到问题字符矩阵，可以确保字符最主要的特征不会丢失，并加强字符间的特征关联，提高关键字符信息提取的准确性；最后，利用所述问答模型中的全连接层输出所述问题字符矩阵的关键字，并从预设的问答数据库中查找所述关键字对应的回复文本，可以利用训练好的问答模型直接得到问题文本对应的关键字，提高后续回复的准确率，并利用训练好的问答模型代替人工客服，提高后续回复的效率和准确率。因此本发明实施例提出的智能问答方法、装置、电子设备及可存储介质可以提高智能问答的效率和准确率。
附图说明
45.图1为本发明一实施例提供的智能问答方法的流程示意图；
46.图2为本发明一实施例提供的智能问答装置的模块示意图；
47.图3为本发明一实施例提供的实现智能问答方法的电子设备的内部结构示意图；
48.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
49.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
50.本发明实施例提供一种智能问答方法。所述智能问答方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述智能问答方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
51.参照图1所示的本发明一实施例提供的智能问答方法的流程示意图，在本发明实施例中，所述智能问答方法包括：
52.s1、获取问题文本及所述问题文本对应的真实意图，利用预设的语义分析模型识别所述问题文本的问题意图，并计算所述问题意图与所述真实意图的匹配度。
53.本发明实施例中，所述问题文本是指用户提出的问题文本，比如，在电商领域中，所述问题文本可以为询问物流信息的文本或询问满足退货条件的文本。
54.本发明实施例中，所述真实意图是指问题文本对应的真实的意图，比如，问题文本
为卖出的基金什么时候会到账，则真实意图为基金到账时间。
55.本发明实施例中，所述预设的语义分析模型是基于神经网络构建的模型，比如，textcnn或capsulenet模型。
56.本发明实施例中，所述问题意图是指问题文本中包含的意图，比如，问题文本文本为询问商品的物流信息，则问题意图为商品的物流信息。
57.本发明实施例中，通过利用预设的语义分析模型识别所述问题文本的问题意图，可以准确识别出问题文本对应的不同领域的问题意图，并便于后续有针对性的对问题文本进行回复，提高问题文本的回复效率。
58.作为本发明的一个实施例，所述利用预设的语义分析模型识别所述问题文本的问题意图，包括：
59.利用所述语义分析模型中的编码层对所述问题文本进行词嵌入操作，得到问题词向量；
60.利用所述语义分析模型中的卷积池化层对所述问题词向量进行特征提取，得到特征问题向量；
61.利用所述语义分析模型中的全连接层输出所述特征问题向量的问题意图。
62.其中，所述问题词向量是指问题文本的向量形式，可以通过对所述问题文本进行词嵌入操作，得到问题词向量，可以将问题文本表示成低维稠密的向量空间，并考虑了问题文本中词语之间的相关性，能够更好的表示问题文本，且可以通过word-embedding编码层进行词嵌入操作。
63.本发明一实施例中，所述卷积池化层的主要作用是对所述问题词向量进行特征提取，即通过使用一定数量和尺寸的卷积核顺序扫过问题词向量的所有区域，每个卷积核从所述问题词向量中提取特征值，并生成对应的特征问题向量，通过卷积池化层对所述问题词向量进行特征提取，得到特征问题向量可以充分提取问题词向量中的重要特征并将一些不需要的特征去除，以提高后续问题意图的识别效率。
64.本发明一实施例中，利用全连接层中的激活函数(如sigmod函数)可以准确识别所述特征问题向量的问题意图。
65.进一步地，通过计算所述问题意图与所述真实意图的匹配度，可以便于后续确定将问题文本传输至人工客服还是训练完成的问答模型中。
66.作为本发明一个实施例，所述计算所述问题意图与所述真实意图的匹配度，包括：
67.利用预设的文本匹配算法计算所述所述问题意图与所述真实意图的匹配度。
68.本发明一可选实施例中，所述文本匹配算法可以为余弦相似度算法、jaccard相似系数算法、levenshtein编辑距离及simhash算法等。
69.s2、判断所述匹配度是否小于预设阈值。
70.本发明实施例中，通过判断所述匹配度是否小于预设阈值，可以确定后续是将问提文本发送至人工客服处进行处理或是将问题文本发送至训练完成的问答模型中进行处理。
71.本发明实施例中，所述预设阈值可以为0.7。
72.s3、在所述匹配度小于所述预设阈值时，将所述问题文本发送至人工客服，以通过所述人工客服得到所述问题文本对应的回复文本。
73.本发明实施例中，在所述匹配度小于所述预设阈值时，表示所述问题文本将被发送至人工客服，通过将所述问题文本发送至人工客服，以通过所述人工客服得到所述问题文本对应的回复文本，可以实现有针对性的人工客服问答，有效的降低了回复出错率，从而提升回复效率。
74.本发明实施例中，所述回复文本是指针对问题文本做出回复的文本，比如，若所述问题文本为询问商品的物流信息，则回复文本则为该商品当前的物流信息。
75.s4、在所述匹配度不小于所述预设阈值时，利用训练完成的问答模型中的编码层对所述问题文本进行字符编码，得到字符向量。
76.本发明实施例中，在所述匹配度不小于所述预设阈值时，表示所述预设的语义分析模型识别的问题意图效果较好，从而可以将问题文本发送至训练完成的问答模型进行回复。
77.本发明实施例中，所述训练完成的问答模型基于神经网络构成，可以为bert模型，其中，所述训练完成的问答模型包括：编码层、注意力机制层及全连接层，进一步地，由于问题文本中包含大量的字符，所以通过利用训练完成的问答模型中的编码层对所述问题文本进行字符编码，得到字符向量，可以提取所述问题文本中的字符特征信息，便于后续对问题文本进行相应的回复。
78.作为本发明一个实施例，所述利用训练完成的问答模型中的编码层对所述问题文本进行字符编码，得到字符向量，包括：
79.利用所述编码层提取所述问题文本中的问题字符位置、问题字符维度及待编码的问题字符长度；
80.根据所述问题字符位置、所述问题字符维度及所述待编码的问题字符长度对所述问题文本中的字符进行字符编码，得到所述字符向量。
81.其中，所述问题字符位置为每个问题字符所处的位置；所述问题字符维度是指问题字符在编码过程中的进行字符嵌入的维度；所述待编码的问题字符长度是指问题字符的总长度。
82.其中，对所述问题文本进行字符编码可通过下述公式实现：
[0083][0084][0085]
其中，所述pe(pos，2i)和pe(pos，2i 1)是指字符向量，2i和2i 1表示字符向量中的对应位置，所述d
model
表示问题字符进行编码的长度，pos表示问题字符位置，i表示问题字符维度。
[0086]
s5、利用所述问答模型中的注意力机制层对所述字符向量进行矩阵拼接，得到问题字符矩阵。
[0087]
本发明实施例中，所述问题字符矩阵是由字符向量与字符向量对应的上下字符语义拼接而成的矩阵，通过利用所述问答模型中的注意力机制层对所述字符向量进行矩阵拼接，得到问题字符矩阵，可以将字符向量与字符向量对应的上下字符语义进行拼接，进一步
提取关键字符信息，提高提取字符信息的准确率。
[0088]
作为本发明一个实施例，所述利用所述问答模型中的注意力机制层对所述字符向量进行矩阵拼接，得到问题字符矩阵，包括：
[0089]
利用所述注意力机制层获取所述字符向量对应的上下字符语义，并对所述上下字符语义及所述字符向量进行拼接，得到问题字符矩阵。
[0090]
其中，可以利用注意力机制层中的下述公式对所述字符向量和所述字符向量对应的上下字符语义进行拼接，得到问题字符矩阵：
[0091]
b＝p(o
t
|s
t
)
[0092]
本发明一实施例中，o
t
表示长度为t的字符向量，如(o1，o2，
…
，o
t
)；s
t
表示长度为t的上下字符语义，如(s1，s，
…
，s
t
)；根据o
t
与s
t
的关系为上下字符语义关系，得到问题字符矩阵b。
[0093]
s6、利用所述问答模型中的全连接层输出所述问题字符矩阵的关键字。
[0094]
本发明实施例中，所述关键字是指描述问题文本中包含的主要信息的字符，比如，若所述问题文本为询问物流信息，则关键字为物流；若问题文本为询问满足退货条件的文本则关键字为退货及条件等；若问题文本为银行合同条款都包含哪些，则关键字为银行及合同条款等。
[0095]
进一步地，本发明实施例通过利用所述问答模型中的全连接层输出所述问题字符矩阵的关键字，可以利用训练好的问答模型直接得到问题文本对应的关键字，提高后续回复的准确率，并利用训练好的问答模型代替人工客服，提高后续回复的效率。
[0096]
作为本发明一个实施例，所述利用所述问答模型中的全连接层输出所述问题字符矩阵的关键字，包括：
[0097]
利用所述全连接层中的激活函数对所述问题字符矩阵进行回复预测，得到回复预测值；
[0098]
利用所述全连接层中的前馈神经网络将所述回复预测值转化为关键字。
[0099]
其中，可以利用下述公式对所述问题字符矩阵进行回复预测，得到回复预测值：
[0100][0101]
其中，s
′
表示回复预测值，s表示问题字符矩阵中的字符信息，e表示无限不循环小数。本发明一实施例中，所述激活函数可以为softmax函数。
[0102]
s7、从预设的问答数据库中查找所述关键字对应的回复文本。
[0103]
本发明实施例中，所述回复文本是指针对问题文本的关键字做出回复的文本，所述问答数据库是指存储问题文本及回复文本的大数据库，所述问答数据库可以从企业后台数据库中获取。
[0104]
本发明实施例中，通过从预设的问答数据库中查找所述关键字对应的回复文本，可以实现直接对问题文本进行回复，提高回复的效率和准确率。
[0105]
作为本发明一个实施例，所述从预设的问答数据库中查找所述关键字对应的回复文本，包括：
[0106]
将所述关键字作为查询对象，创建所述查询对象在所述问答数据库中的查询语句；
[0107]
通过所述查询语句从所述问答数据库中查找所述关键字对应的回复文本。
[0108]
其中，所述查询对象即为关键字，主要作用是通过所述查询对象可以便于后续在问答数据库中查找所述查询对象对应的回复文本。所述查询语句是基于查询对象创建的语句，主要作用是从问答数据库中查找所述查询对象对应的回复文本。
[0109]
另外，所述从预设的问答数据库中查找所述关键字对应的回复文本之后，还包括：将回复文本同步至用户，并判断在回复流程中回复文本是否同步成功，其中，所述回复流程包括多个节点；若回复文本同步失败，则确认所述回复流程所处的节点，根据所述节点继续完成回复流程；若回复文本同步成功，则确定所述回复流程完成。
[0110]
本发明另一实施例中，通过回复文本的同步判断，可以判断整个回复流程中是否全部完成，进一步地，针对用户反馈的问题是否全部解决，有效提升用户在问答过程中的满意度及准确率。
[0111]
本发明实施例中，首先利用预设的语义分析模型识别问题文本的问题意图，并计算所述问题意图与所述问题文本对应真实意图的匹配度，可以便于后续有针对性的对问题文本进行回复，提高回复效率；进一步地，本发明实施例在所述匹配度小于所述预设阈值时，将所述问题文本发送至人工客服，以通过所述人工客服得到所述问题文本对应的回复文本可以实现有针对性的人工客服问答，有效的降低了回复出错率，从而提高了回复准确率，及在所述匹配度不小于所述预设阈值时，利用所述问答模型中的编码层对所述问题文本进行字符编码，得到字符向量，可以定位文本中的每个字符，便于后续提取问题文本的关键字；利用所述问答模型中的注意力机制层对所述字符向量进行矩阵拼接，得到问题字符矩阵，可以确保字符最主要的特征不会丢失，并加强字符间的特征关联，提高关键字符信息提取的准确性；最后，利用所述问答模型中的全连接层输出所述问题字符矩阵的关键字，并从预设的问答数据库中查找所述关键字对应的回复文本，可以利用训练好的问答模型直接得到问题文本对应的关键字，提高后续回复的准确率，并利用训练好的问答模型代替人工客服，提高后续回复的效率和准确率。因此本发明实施例提出的智能问答方法可以提高智能问答的效率和准确率。
[0112]
如图2所示，是本发明智能问答装置的功能模块图。
[0113]
本发明所述智能问答装置100可以安装于电子设备中。根据实现的功能，所述智能问答装置可以包括问题意图识别模块101、匹配度判断模块102、人工客服回复模块103、字符编码模块104、字符矩阵拼接模块105、关键字提取模块106、智能回复文本获取模块107，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0114]
在本实施例中，关于各模块/单元的功能如下：
[0115]
所述问题意图识别模块101，用于获取问题文本及所述问题文本对应的真实意图，利用预设的语义分析模型识别所述问题文本的问题意图，并计算所述问题意图与所述真实意图的匹配度。
[0116]
本发明实施例中，所述问题文本是指用户提出的问题文本，比如，在电商领域中，所述问题文本可以为询问物流信息的文本或询问满足退货条件的文本。
[0117]
本发明实施例中，所述真实意图是指问题文本对应的真实的意图，比如，问题文本为卖出的基金什么时候会到账，则真实意图为基金到账时间。
[0118]
本发明实施例中，所述预设的语义分析模型是基于神经网络构建的模型，比如，textcnn或capsulenet模型。
[0119]
本发明实施例中，所述问题意图是指问题文本中包含的意图，比如，问题文本文本为询问商品的物流信息，则问题意图为商品的物流信息。
[0120]
本发明实施例中，通过利用预设的语义分析模型识别所述问题文本的问题意图，可以准确识别出问题文本对应的不同领域的问题意图，并便于后续有针对性的对问题文本进行回复，提高问题文本的回复效率。
[0121]
作为本发明的一个实施例，所述问题意图识别模块101通过执行下述操作利用预设的语义分析模型识别所述问题文本的问题意图，包括：
[0122]
利用所述语义分析模型中的编码层对所述问题文本进行词嵌入操作，得到问题词向量；
[0123]
利用所述语义分析模型中的卷积池化层对所述问题词向量进行特征提取，得到特征问题向量；
[0124]
利用所述语义分析模型中的全连接层输出所述特征问题向量的问题意图。
[0125]
其中，所述问题词向量是指问题文本的向量形式，可以通过对所述问题文本进行词嵌入操作，得到问题词向量，可以将问题文本表示成低维稠密的向量空间，并考虑了问题文本中词语之间的相关性，能够更好的表示问题文本，且可以通过word-embedding编码层进行词嵌入操作。
[0126]
本发明一实施例中，所述卷积池化层的主要作用是对所述问题词向量进行特征提取，即通过使用一定数量和尺寸的卷积核顺序扫过问题词向量的所有区域，每个卷积核从所述问题词向量中提取特征值，并生成对应的特征问题向量，通过卷积池化层对所述问题词向量进行特征提取，得到特征问题向量可以充分提取问题词向量中的重要特征并将一些不需要的特征去除，以提高后续问题意图的识别效率。
[0127]
本发明一实施例中，利用全连接层中的激活函数(如sigmod函数)可以准确识别所述特征问题向量的问题意图。
[0128]
进一步地，通过计算所述问题意图与所述真实意图的匹配度，可以便于后续确定将问题文本传输至人工客服还是训练完成的问答模型中。
[0129]
作为本发明一个实施例，所述计算所述问题意图与所述真实意图的匹配度，包括：
[0130]
利用预设的文本匹配算法计算所述所述问题意图与所述真实意图的匹配度。
[0131]
本发明一可选实施例中，所述文本匹配算法可以为余弦相似度算法、jaccard相似系数算法、levenshtein编辑距离及simhash算法等。
[0132]
所述匹配度判断模块102，用于判断所述匹配度是否小于预设阈值。
[0133]
本发明实施例中，通过判断所述匹配度是否小于预设阈值，可以确定后续是将问提文本发送至人工客服处进行处理或是将问题文本发送至训练完成的问答模型中进行处理。
[0134]
本发明实施例中，所述预设阈值可以为0.7。
[0135]
所述人工客服回复模块103，用于在所述匹配度小于所述预设阈值时，将所述问题文本发送至人工客服，以通过所述人工客服得到所述问题文本对应的回复文本。
[0136]
本发明实施例中，在所述匹配度小于所述预设阈值时，表示所述问题文本将被发
送至人工客服，通过将所述问题文本发送至人工客服，以通过所述人工客服得到所述问题文本对应的回复文本，可以实现有针对性的人工客服问答，有效的降低了回复出错率，从而提升回复效率。
[0137]
本发明实施例中，所述回复文本是指针对问题文本做出回复的文本，比如，若所述问题文本为询问商品的物流信息，则回复文本则为该商品当前的物流信息。
[0138]
所述字符编码模块104，用于在所述匹配度不小于所述预设阈值时，利用训练完成的问答模型中的编码层对所述问题文本进行字符编码，得到字符向量。
[0139]
本发明实施例中，在所述匹配度不小于所述预设阈值时，表示所述预设的语义分析模型识别的问题意图效果较好，从而可以将问题文本发送至训练完成的问答模型进行回复。
[0140]
本发明实施例中，所述训练完成的问答模型基于神经网络构成，可以为bert模型，其中，所述训练完成的问答模型包括：编码层、注意力机制层及全连接层，进一步地，由于问题文本中包含大量的字符，所以通过利用训练完成的问答模型中的编码层对所述问题文本进行字符编码，得到字符向量，可以提取所述问题文本中的字符特征信息，便于后续对问题文本进行相应的回复。
[0141]
作为本发明一个实施例，字符编码模块104通过执行下述操作利用训练完成的问答模型中的编码层对所述问题文本进行字符编码，得到字符向量，包括：
[0142]
利用所述编码层提取所述问题文本中的问题字符位置、问题字符维度及待编码的问题字符长度；
[0143]
根据所述问题字符位置、所述问题字符维度及所述待编码的问题字符长度对所述问题文本中的字符进行字符编码，得到所述字符向量。
[0144]
其中，所述问题字符位置为每个问题字符所处的位置；所述问题字符维度是指问题字符在编码过程中的进行字符嵌入的维度；所述待编码的问题字符长度是指问题字符的总长度。
[0145]
其中，对所述问题文本进行字符编码可通过下述公式实现：
[0146][0147][0148]
其中，所述pe(pos，2i)和pe(pos，2i 1)是指字符向量，2i和2i 1表示字符向量中的对应位置，所述d
model
表示问题字符进行编码的长度，pos表示问题字符位置，i表示问题字符维度。
[0149]
所述字符矩阵拼接模块105，用于利用所述问答模型中的注意力机制层对所述字符向量进行矩阵拼接，得到问题字符矩阵。
[0150]
本发明实施例中，所述问题字符矩阵是由字符向量与字符向量对应的上下字符语义拼接而成的矩阵，通过利用所述问答模型中的注意力机制层对所述字符向量进行矩阵拼接，得到问题字符矩阵，可以将字符向量与字符向量对应的上下字符语义进行拼接，进一步提取关键字符信息，提高提取字符信息的准确率。
[0151]
作为本发明一个实施例，字符矩阵拼接模块105通过执行下述操作利用所述问答模型中的注意力机制层对所述字符向量进行矩阵拼接，得到问题字符矩阵，包括：
[0152]
利用所述注意力机制层获取所述字符向量对应的上下字符语义，并对所述上下字符语义及所述字符向量进行拼接，得到问题字符矩阵。
[0153]
其中，可以利用注意力机制层中的下述公式对所述字符向量和所述字符向量对应的上下字符语义进行拼接，得到问题字符矩阵：
[0154]
b＝p(o
t
|s
t
)
[0155]
本发明一实施例中，o
t
表示长度为t的字符向量，如(o1，o2，
…
，o
t
)；s
t
表示长度为t的上下字符语义，如(s1，s，
…
，s
t
)；根据o
t
与s
t
的关系为上下字符语义关系，得到问题字符矩阵b。
[0156]
所述关键字提取模块106，用于利用所述问答模型中的全连接层输出所述问题字符矩阵的关键字。
[0157]
本发明实施例中，所述关键字是指描述问题文本中包含的主要信息的字符，比如，若所述问题文本为询问物流信息，则关键字为物流；若问题文本为询问满足退货条件的文本则关键字为退货及条件等；若问题文本为银行合同条款都包含哪些，则关键字为银行及合同条款等。
[0158]
进一步地，本发明实施例通过利用所述问答模型中的全连接层输出所述问题字符矩阵的关键字，可以利用训练好的问答模型直接得到问题文本对应的关键字，提高后续回复的准确率，并利用训练好的问答模型代替人工客服，提高后续回复的效率。
[0159]
作为本发明一个实施例，关键字提取模块106通过执行下述操作利用所述问答模型中的全连接层输出所述问题字符矩阵的关键字，包括：
[0160]
利用所述全连接层中的激活函数对所述问题字符矩阵进行回复预测，得到回复预测值；
[0161]
利用所述全连接层中的前馈神经网络将所述回复预测值转化为关键字。
[0162]
其中，可以利用下述公式对所述问题字符矩阵进行回复预测，得到回复预测值：
[0163][0164]
其中，s
′
表示回复预测值，s表示问题字符矩阵中的字符信息，e表示无限不循环小数。本发明一实施例中，所述激活函数可以为softmax函数。
[0165]
所述智能回复文本获取模块107，用于从预设的问答数据库中查找所述关键字对应的回复文本。
[0166]
本发明实施例中，所述回复文本是指针对问题文本的关键字做出回复的文本，所述问答数据库是指存储问题文本及回复文本的大数据库，所述问答数据库可以从企业后台数据库中获取。
[0167]
本发明实施例中，通过从预设的问答数据库中查找所述关键字对应的回复文本，可以实现直接对问题文本进行回复，提高回复的效率和准确率。
[0168]
作为本发明一个实施例，智能回复文本获取模块107通过执行下述操作从预设的问答数据库中查找所述关键字对应的回复文本，包括：
[0169]
将所述关键字作为查询对象，创建所述查询对象在所述问答数据库中的查询语
句；
[0170]
通过所述查询语句从所述问答数据库中查找所述关键字对应的回复文本。
[0171]
其中，所述查询对象即为关键字，主要作用是通过所述查询对象可以便于后续在问答数据库中查找所述查询对象对应的回复文本。所述查询语句是基于查询对象创建的语句，主要作用是从问答数据库中查找所述查询对象对应的回复文本。
[0172]
所述智能回复文本获取模块107还可用于：
[0173]
所述从预设的问答数据库中查找所述关键字对应的回复文本之后，将回复文本同步至用户，并判断在回复流程中回复文本是否同步成功，其中，所述回复流程包括多个节点；若回复文本同步失败，则确认所述回复流程所处的节点，根据所述节点继续完成回复流程；若回复文本同步成功，则确定所述回复流程完成。
[0174]
本发明另一实施例中，通过回复文本的同步判断，可以判断整个回复流程中是否全部完成，进一步地，针对用户反馈的问题是否全部解决，有效提升用户在问答过程中的满意度及准确率。
[0175]
本发明实施例中，首先利用预设的语义分析模型识别问题文本的问题意图，并计算所述问题意图与所述问题文本对应真实意图的匹配度，可以便于后续有针对性的对问题文本进行回复，提高回复效率；进一步地，本发明实施例在所述匹配度小于所述预设阈值时，将所述问题文本发送至人工客服，以通过所述人工客服得到所述问题文本对应的回复文本可以实现有针对性的人工客服问答，有效的降低了回复出错率，从而提高了回复准确率，及在所述匹配度不小于所述预设阈值时，利用所述问答模型中的编码层对所述问题文本进行字符编码，得到字符向量，可以定位文本中的每个字符，便于后续提取问题文本的关键字；利用所述问答模型中的注意力机制层对所述字符向量进行矩阵拼接，得到问题字符矩阵，可以确保字符最主要的特征不会丢失，并加强字符间的特征关联，提高关键字符信息提取的准确性；最后，利用所述问答模型中的全连接层输出所述问题字符矩阵的关键字，并从预设的问答数据库中查找所述关键字对应的回复文本，可以利用训练好的问答模型直接得到问题文本对应的关键字，提高后续回复的准确率，并利用训练好的问答模型代替人工客服，提高后续回复的效率和准确率。因此本发明实施例提出的智能问答装置可以提高智能问答的效率和准确率。
[0176]
如图3所示，是本发明实现智能问答方法的电子设备的结构示意图。
[0177]
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如智能问答程序。
[0178]
其中，所述存储器11至少包括一种类型的介质，所述介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、本地磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如智能问答程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0179]
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成
电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如智能问答程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0180]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0181]
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0182]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0183]
可选地，所述通信接口13可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
[0184]
可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0185]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0186]
所述电子设备中的所述存储器11存储的智能问答程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
[0187]
获取问题文本及所述问题文本对应的真实意图，利用预设的语义分析模型识别所述问题文本的问题意图，并计算所述问题意图与所述真实意图的匹配度；
[0188]
判断所述匹配度是否小于预设阈值；
[0189]
在所述匹配度小于所述预设阈值时，将所述问题文本发送至人工客服，以通过所述人工客服得到所述问题文本对应的回复文本；
[0190]
在所述匹配度不小于所述预设阈值时，利用训练完成的问答模型中的编码层对所述问题文本进行字符编码，得到字符向量；
[0191]
利用所述问答模型中的注意力机制层对所述字符向量进行矩阵拼接，得到问题字
符矩阵；
[0192]
利用所述问答模型中的全连接层输出所述问题字符矩阵的关键字；
[0193]
从预设的问答数据库中查找所述关键字对应的回复文本。
[0194]
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0195]
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携待所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0196]
本发明实施例还可以提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0197]
获取问题文本及所述问题文本对应的真实意图，利用预设的语义分析模型识别所述问题文本的问题意图，并计算所述问题意图与所述真实意图的匹配度；
[0198]
判断所述匹配度是否小于预设阈值；
[0199]
在所述匹配度小于所述预设阈值时，将所述问题文本发送至人工客服，以通过所述人工客服得到所述问题文本对应的回复文本；
[0200]
在所述匹配度不小于所述预设阈值时，利用训练完成的问答模型中的编码层对所述问题文本进行字符编码，得到字符向量；
[0201]
利用所述问答模型中的注意力机制层对所述字符向量进行矩阵拼接，得到问题字符矩阵；
[0202]
利用所述问答模型中的全连接层输出所述问题字符矩阵的关键字；
[0203]
从预设的问答数据库中查找所述关键字对应的回复文本。
[0204]
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
[0205]
在本发明所提供的几个实施例中，应该理解到，所揭露的介质、设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0206]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0207]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0208]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0209]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本
发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0210]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0211]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
[0212]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。