查询处理方法、装置、设备及存储介质与流程

1.本公开涉及信息技术领域，尤其涉及一种查询处理方法、装置、设备及存储介质。


背景技术：

2.随着科技的不断发展，智能问答被应用在很多领域，例如，智能客服、智能问答机器人、智能音箱、手机中的问答系统等。
3.智能问答通常会涉及到语义识别，例如，对用户的查询请求例如用户问句进行语义识别。进一步，根据语义识别结果得到查询结果例如用户问句的答案。
4.但是，本公开的发明人发现，一般的语义识别并不精准，导致智能问答的准确率不高。


技术实现要素：

5.为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种查询处理方法、装置、设备及存储介质，以有效提高智能问答的准确率。
6.第一方面，本公开实施例提供一种查询处理方法，包括：
7.获取用户的查询请求；
8.根据多个预设实体的第一概率分布确定所述查询请求对应的目标实体；
9.根据多个第一预设属性的第二概率分布确定所述目标实体所属类型的属性，所述第一预设属性是预设实体所属类型的属性；
10.至少根据所述目标实体和所述目标实体所属类型的属性，确定所述查询请求对应的查询结果。
11.第二方面，本公开实施例提供一种查询处理装置，包括：
12.获取模块，用于获取用户的查询请求；
13.确定模块，用于根据多个预设实体的第一概率分布确定所述查询请求对应的目标实体；根据多个第一预设属性的第二概率分布确定所述目标实体所属类型的属性，所述第一预设属性是预设实体所属类型的属性；至少根据所述目标实体和所述目标实体所属类型的属性，确定所述查询请求对应的查询结果。
14.第三方面，本公开实施例提供一种电子设备，包括：
15.存储器；
16.处理器；以及
17.计算机程序；
18.其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面所述的方法。
19.第四方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现第一方面所述的方法。
20.本公开实施例提供的查询处理方法、装置、设备及存储介质，通过多个预设实体的
第一概率分布确定该查询请求对应的目标实体，可以在该查询请求中没有明显出现目标实体的情况下，也能够确定出该查询请求对应的目标实体，从而提高了目标实体的预测精度。另外，根据多个第一预设属性的第二概率分布确定该目标实体所属类型的属性，可以在该查询请求中没有明显出现目标实体的情况下，正常预测出该查询请求中目标实体所属类型的属性，从而提高了对该查询请求对应的目标实体所属类型的属性的预测精度。进一步，通过该目标实体和该目标实体所属类型的属性可以提高对该查询请求进行语义识别或语义解析的精度，从而可以有效提高智能问答的准确率。
附图说明
21.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
22.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
23.图1为本公开实施例提供的查询处理方法流程图；
24.图2为本公开实施例提供的应用场景的示意图；
25.图3为本公开实施例提供的hkbam的示意图；
26.图4为本公开另一实施例提供的查询处理方法流程图；
27.图5为本公开另一实施例提供的hkbam的示意图；
28.图6为本公开另一实施例提供的查询处理方法流程图；
29.图7为本公开另一实施例提供的查询处理方法流程图；
30.图8为本公开实施例提供的效果对比的示意图；
31.图9为本公开实施例提供的查询处理装置的结构示意图；
32.图10为本公开实施例提供的电子设备实施例的结构示意图。
具体实施方式
33.为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
34.在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
35.通常情况下，智能问答通常会涉及到语义识别，例如，对用户的查询请求例如用户问句进行语义识别。进一步，根据语义识别结果得到查询结果例如用户问句的答案。但是，本公开的发明人发现，一般的语义识别并不精准，导致智能问答的准确率不高。针对该问题，本公开实施例提供了一种查询处理方法，下面结合具体的实施例对该方法进行介绍。
36.图1为本公开实施例提供的查询处理方法流程图。该方法适用于如图2所示的应用场景，该应用场景中可以包括服务器20和终端，终端并不限于图2所示的智能手机21、台式机22、智能音箱23，另外，终端还可以包括掌上电脑、平板电脑、带显示屏的可穿戴设备、笔
记本电脑、一体机、智能家居设备等。此处以智能手机21、台式机22、智能音箱23为例进行示意性说明。服务器20可以是云端服务器或服务器集群。具体的，服务器20和终端可以用于智能问答。例如，用户可以通过人机交互的方式向终端输入用户问句。进一步，终端可以将用户问句发送给服务器20，服务器20可以对该用户问句进行语义分析或语义解析，并根据语义分析结果或语义解析结果，确定出该用户问句所对应的答案，并将答案返回给终端。在一些实施例中，智能问答还可以应用于其他的应用场景。例如，在新零售场景下，店内可能没有收银员，而是设置有智能客服机器人、陪伴机器人等设备，用户在购物过程或者在结算过程中可以与智能客服机器人、陪伴机器人等设备进行互动，从而使得智能客服机器人、陪伴机器人等设备进行智能问答。又例如，在智慧金融场景中，通过在线客服系统、智能客服系统、客服机器人、智能知识库等平台进行智能问答，从而为用户提供相关服务。以图2所示的应用场景为例，可以理解的是，本实施例并不限定用户与终端之间的人机交互方式，例如，用户可以在智能手机21或台式机22安装的浏览器中输入文本型的问句。或者用户可以通过语音交互方式与智能手机21或智能音箱23进行交互，智能手机21或智能音箱23可以采集用户的语音问句，并将语音问句发送给服务器20，服务器20将语音问句转换为文本型问句。或者智能手机21或智能音箱23采集到语音问句的情况下，可以将语音问句转换为文本型问句，并将文本型问句发送给服务器20。
37.可以理解的是，在一些实施例中，终端也可以对用户问句进行语义分析或语义解析，并根据语义分析结果或语义解析结果确定该用户问句所对应的答案。
38.下面结合具体的实施例介绍服务器20对文本型问句进行语义分析或语义解析的过程、以及服务器20根据语义分析结果或语义解析结果确定该问句所对应的答案的过程。如图1所示，该方法具体步骤如下：
39.s101、获取用户的查询请求。
40.例如，服务器20获取用户的查询请求，该用户的查询请求可以是如上所述的用户问句，例如，文本型问句。
41.s102、根据多个预设实体的第一概率分布确定所述查询请求对应的目标实体。
42.在本实施例中，服务器20可以包括基于知识图谱或知识库的问答(knowledge basequestion answering，kbqa)装置或引擎。kbqa装置或引擎可以采用层次化知识注意力模型(hierarchical knowledge based attention model，hkbam)对用户的查询请求例如用户问句进行语义分析或语义解析。hkbam的结构如图3所示的30。
43.例如，用户问句为“我女儿15岁了，可以投保什么保险”。hkbam至少可以分析或解析出该用户问句中的目标实体和该目标实体所属类型的属性。具体的，hkbam可以结合知识图谱(knowledge graph)或知识库(knowledge base，kb)分析或解析出该用户问句中的目标实体和该目标实体所属类型的属性。例如，该知识图谱或知识库可以包括多个预设类型，每个预设类型可以包括一个或多个预设实体。例如，“险种”是预设类型，该预设类型包括“健康险”、“商业险”、“车险”等预设实体。也就是说，预设类型可以是知识图谱或知识库中的预设实体所属的类型。每个预设类型可包括一个或多个属性，例如，“险种”的属性包括“保险简介”、“保险购买方式”。另外，每个预设类型还可以对应有一个或多个预设约束条件，预设约束条件包括属性和属性值。例如，预设约束条件的属性包括“投保年龄区间”、“投保性别”。预设约束条件的属性值包括“12-18岁”、“男和女”。可以理解的是，知识图谱或知
attention)网络的输入。kb-attention网络的输出可以作为多层感知机(multilayer perceptron，mlp)的输入，mlp可以输出多个预设实体的第一概率分布entity_prob。进一步，根据多个预设实体的第一概率分布entity_prob确定该用户问句对应的目标实体。其中，kb-attention网络可以利用向量化的用户查询(query)请求对知识图谱或知识库(knowledge base，kb)中一类元素进行自关注，同时更新用户查询请求的向量表示。
50.可以理解的是，mlp不仅可以使用分类模型，还可以使用匹配模型。
51.可选的，所述目标实体是所述多个预设实体的第一概率分布中最大概率所对应的预设实体。
52.例如，该用户问句对应的目标实体可以是多个预设实体的第一概率分布entity_prob中最大概率所对应的预设实体。
53.在其他一些实施例中，第一概率分布entity_prob还可以表示知识图谱或知识库中多个预设类型的概率分布。在这种情况下，用户问句的向量表示q_ori和知识图谱中多个预设类型的向量表示emb_e可以作为kb-attention网络的输入。kb-attention网络的输出可以作为mlp的输入，mlp可以根据kb-attention网络的输出计算出多个预设类型的第一概率分布entity_prob。进一步，根据多个预设类型的第一概率分布entity_prob确定该用户问句对应的目标实体所属的类型。例如，该目标实体所属的类型可以是多个预设类型的第一概率分布entity_prob中最大概率所对应的预设类型。
54.s103、根据多个第一预设属性的第二概率分布确定所述目标实体所属类型的属性，所述第一预设属性是预设实体所属类型的属性。
55.例如，知识图谱或知识库中包括多个预设类型的属性，预设类型的属性可以记为第一预设属性。hkbam可以预测用户问句对应的目标实体所属类型的属性为知识图谱或知识库中每个预设类型的属性的概率，从而得到多个第一预设属性的第二概率分布。进一步，hkbam可以根据该第二概率分布确定该用户问句对应的目标实体所属类型的属性。
56.可选的，根据多个第一预设属性的第二概率分布确定所述目标实体所属类型的属性，包括：根据所述查询请求和多个第一预设属性得到所述多个第一预设属性的第二概率分布；根据所述多个第一预设属性的第二概率分布确定所述目标实体所属类型的属性。
57.例如图3所示，归一化处理后的用户问句的向量表示q_0和第一概率分布entity_prob可以作为拒识门(refuse gate)的输入，拒识门可以根据q_0和entity_prob输出q_1。在q_1不为0的情况下，q_1＝q_0。进一步，归一化处理后的用户问句的向量表示q_0和知识图谱中多个预设类型的属性即多个第一预设属性的向量表示emb_p可以作为kb-attention网络的输入。kb-attention网络的输出可以作为mlp的输入，mlp可以根据kb-attention网络的输出计算出多个第一预设属性的第二概率分布，该第二概率分布记为property_prob。进一步，hkbam可以根据多个第一预设属性的第二概率分布property_prob确定用户问句对应的目标实体所属类型的属性。
58.可选的，根据所述查询请求和多个第一预设属性得到所述多个第一预设属性的第二概率分布，包括：将所述查询请求进行归一化处理，得到归一化处理后的查询请求；在所述第一概率分布中最大概率所对应的预设实体不为空的情况下，根据所述归一化处理后的查询请求和多个第一预设属性得到所述多个第一预设属性的第二概率分布。
59.例如，将用户问句进行归一化处理后，归一化处理后的用户问句的向量表示为q_
0。如图3所示，归一化处理后的用户问句的向量表示q_0和第一概率分布entity_prob可以作为拒识门(refuse gate)的输入，拒识门可以根据q_0和entity_prob输出q_1。其中，entity_prob可以决定q_1是否能够在图3所示的拒识门之后的各个模块中传播，即entity_prob可以决定q_1是否在hkbam中继续向后传播。
60.具体的，如果entity_prob中最大概率所对应的预设实体或预设类型为空(none)，则q_1被设置为全0，从而使得q_1在后续传播过程中不起作用，相当于q_1不能在hkbam中继续向后传播。
61.如果entity_prob中最大概率所对应的预设实体或预设类型不为空，则q_1＝q_0，即q_1不为0，相当于q_0可以在hkbam中继续向后传播。在这种情况下，q_1和知识图谱中多个预设类型的属性即多个第一预设属性的向量表示emb_p可以作为kb-attention网络的输入。kb-attention网络的输出可以作为mlp的输入，mlp可以根据kb-attention网络的输出计算出多个第一预设属性的第二概率分布property_prob。
62.可选的，所述目标实体所属类型的属性是所述第二概率分布中最大概率所对应的第一预设属性。
63.例如，用户问句对应的目标实体所属类型的属性可以是该第二概率分布property_prob中最大概率所对应的第一预设属性。
64.s104、至少根据所述目标实体和所述目标实体所属类型的属性，确定所述查询请求对应的查询结果。
65.例如，hkbam至少可以根据用户问句对应的目标实体和该用户问句对应的目标实体所属类型的属性，确定该用户问句对应的查询结果即该用户问句的答案。
66.本公开实施例通过多个预设实体的第一概率分布确定该查询请求对应的目标实体，可以在该查询请求中没有明显出现目标实体的情况下，也能够确定出该查询请求对应的目标实体，从而提高了目标实体的预测精度。另外，根据多个第一预设属性的第二概率分布确定该目标实体所属类型的属性，可以在该查询请求中没有明显出现目标实体的情况下，正常预测出该查询请求中目标实体所属类型的属性，从而提高了对该查询请求对应的目标实体所属类型的属性的预测精度。进一步，通过该目标实体和该目标实体所属类型的属性可以提高对该查询请求进行语义识别或语义解析的精度，从而可以有效提高智能问答的准确率。
67.例如，用户问句为“赡养老人如何扣除”，尽管该用户问句中没有明显出现目标实体即“个人所得税”，但是，该用户问句也是关于“个人所得税”的问题。传统的kbqa将用户问句中出现的实体作为识别标志，如果没有识别到用户问句中出现的实体，那么就无法通过该用户问句中的实体与知识图谱或知识库进行实体链接，从而无法得到答案，进而不做任何回答。但是，本公开实施例通过hkbam可以寻找知识图谱或知识库中预设实体与用户问句对应的目标实体之间的内在联系、知识图谱或知识库中预设类型与用户问句对应的目标实体所属类型之间的内在联系、以及知识图谱或知识库中预设类型的属性与用户问句对应的目标实体所属类型的属性之间的内在联系。另外，本公开实施例还可以通过hkbam计算用户问句对应的目标实体为知识图谱或知识库中预设实体的概率、用户问句对应的目标实体所属类型为知识图谱或知识库中预设类型的概率、以及用户问句对应的目标实体所属类型的属性为知识图谱或知识库中预设类型的属性的概率，进一步，根据这些概率来确定该查询
请求对应的目标实体、目标实体所属类型、以及目标实体所属类型的属性。从而在一定程度上解决了传统kbqa由于未识别到用户问句中出现的实体，而导致的对用户问句识别能力差的问题。
68.在上述实施例的基础上，至少根据所述目标实体和所述目标实体所属类型的属性，确定所述查询请求对应的查询结果，包括如图4所示的如下几个步骤：
69.s401、根据多个第二预设属性的第三概率分布确定所述查询请求的第一类约束条件的属性，所述第二预设属性是预设约束条件的属性。
70.在本公开实施例中，hkbam还可以识别出用户问句对应的文本型的约束条件。该文本型的约束条件可以记为第一类约束条件。通常情况下，约束条件可以理解为对于用户问句的某种限定性约束，加入约束条件与不加入约束条件，可能会导致不同的答案。具体的，约束条件可以对应有属性和属性值。例如，约束条件的属性包括“投保年龄区间”、“投保性别”。约束条件的属性值包括“12-18岁”、“男和女”。
71.例如，知识图谱或知识库中包括多个预设约束条件的属性，预设约束条件的属性可以记为第二预设属性。hkbam可以预测用户问句对应的第一类约束条件的属性为知识图谱或知识库中每个预设约束条件的属性的概率，从而得到多个第二预设属性的第三概率分布。进一步，hkbam可以根据该第三概率分布确定出该用户问句对应的第一类约束条件的属性。
72.可选的，根据多个第二预设属性的第三概率分布确定所述查询请求的第一类约束条件的属性，包括：根据所述查询请求、所述第二概率分布、所述多个第一预设属性和所述多个第二预设属性得到所述多个第二预设属性的第三概率分布；根据所述多个第二预设属性的第三概率分布确定所述查询请求的第一类约束条件的属性。
73.例如，在q_1不为0的情况下，q_1＝q_0，hkbam可以根据归一化处理后的用户问句的向量表示q_0、如上所述的第二概率分布property_prob、知识图谱或知识库中的多个第一预设属性即多个预设类型的属性的向量表示emb_p、以及知识图谱或知识库中的多个第二预设属性即多个预设约束条件的属性的向量表示emb_c得到多个第二预设属性的第三概率分布，该第三概率分布可记为consprop_prop。进一步，hkbam可以根据该第三概率分布consprop_prop确定该用户问句的第一类约束条件的属性。
74.可选的，根据所述查询请求、所述第二概率分布、所述多个第一预设属性和所述多个第二预设属性得到所述多个第二预设属性的第三概率分布，包括：根据所述多个第一预设属性和所述第二概率分布，得到第一向量；根据归一化处理后的所述查询请求和所述第一向量，得到第二向量；根据所述第二向量和所述多个第二预设属性得到所述多个第二预设属性的第三概率分布。
75.可选的，根据所述多个第一预设属性和所述第二概率分布，得到第一向量，包括：根据所述多个第一预设属性中的每个第一预设属性、以及所述每个第一预设属性在所述第二概率分布中对应的概率，得到所述第一向量。
76.如图3所示，hkbam可以将多个第一预设属性即多个预设类型的属性的向量表示emb_p和第二概率分布property_prob进行加权和，得到第一向量，该第一向量可以记为emb_q。例如，emb_pi表示该多个第一预设属性中第i个第一预设属性对应的向量表示。t表
示hkbam在训练过程中的迭代次数。表示第t次迭代后第i个第一预设属性在第二概率分布property_prob中对应的概率。其中，在不同的迭代次数中，可能会发生变化。emb_p和property_prob的加权和可以表示为即emb_q可以表示为
77.进一步，在q_1不为0的情况下，q_1＝q_0，归一化处理后的用户问句的向量表示q_0和该第一向量emb_q可以作为注意力模型1的输入，注意力模型1可以根据q_0和emb_q得到第二向量，该第二向量记为q_2。
78.可选的，根据归一化处理后的所述查询请求和所述第一向量，得到第二向量，包括：将归一化处理后的所述查询请求对应的第三向量和所述第一向量进行拼接，得到拼接后的向量；根据预设的权重矩阵和所述拼接后的向量，得到所述第二向量。
79.例如，归一化处理后的用户问句的向量表示q_0可以记为第三向量。注意力模型1可以采用问句更新机制(query update)对q_0和emb_q进行计算从而得到第二向量q_2。具体的，注意力模型1可以对q_0和emb_q进行拼接，得到拼接后的向量。进一步，将该拼接后的向量经过预设的权重矩阵进行矩阵乘法，得到第二向量q_2。该第二向量q_2可以是向后传播的句向量。
80.例如，可以将第二向量q_2记为q
t 1
，将q_0记为q
t
，将预设的权重矩阵记为m
t
。q
t 1
、q
t
、m
t
之间的关系可以表示为如下公式(1)：
[0081][0082]
其中，表示emb_q和q_0拼接后的向量。权重矩阵m
t
可以对用户问句中已经预测出的关键信息进行屏蔽(mask)或降低权重，从而使得hkbam可以在后续的预测过程中关注到该用户问句中其他的关键信息或其他更有用的信息。或者，权重矩阵m
t
可以随着hkbam的不同迭代次数而变化，在这种情况下，权重矩阵m
t
可以对本次迭代过程中已经预测出的关键信息进行屏蔽(mask)或降低权重，从而使得hkbam可以在下次迭代过程中关注到该用户问句中其他的关键信息或其他更有用的信息。
[0083]
进一步，该第二向量q_2和知识图谱或知识库中的多个第二预设属性即多个预设约束条件的属性的向量表示emb_c可以作为kb-attention网络的输入，kb-attention网络可以根据q_2和emb_c计算得到q_5，q_5是该kb-attention网络的输出。另外，q_5可以作为mlp的输入，mlp可以根据q_5计算出多个第二预设属性的第三概率分布consprop_prop。
[0084]
可选的，所述查询请求的第一类约束条件的属性为所述第三概率分布中最大概率所对应的第二预设属性。
[0085]
例如，hkbam根据该第三概率分布consprop_prop确定该用户问句的第一类约束条件的属性的过程中，可以将该第三概率分布consprop_prop中最大概率所对应的第二预设属性确定为该用户问句的第一类约束条件的属性。
[0086]
s402、根据多个预设约束值的第四概率分布确定所述第一类约束条件的属性值，所述预设约束值为预设约束条件的属性值。
[0087]
例如，知识图谱或知识库中包括多个预设约束条件的属性值，该预设约束条件的属性值可以记为预设约束值。hkbam可以预测用户问句对应的第一类约束条件的属性值为知识图谱或知识库中每个预设约束值的概率，从而得到多个预设约束值的第四概率分布。进一步，hkbam可以根据该第四概率分布确定出该用户问句对应的第一类约束条件的属性值。
[0088]
可选的，根据多个预设约束值的第四概率分布确定所述第一类约束条件的属性值，包括：根据所述查询请求、所述第二概率分布、所述多个第一预设属性和所述多个预设约束值得到所述多个预设约束值的第四概率分布；根据所述多个预设约束值的第四概率分布确定所述第一类约束条件的属性值。
[0089]
例如，在q_1不为0的情况下，q_1＝q_0，hkbam可以根据归一化处理后的用户问句的向量表示q_0、如上所述的第二概率分布property_prob、知识图谱或知识库中的多个第一预设属性即多个预设类型的属性的向量表示emb_p、以及知识图谱或知识库中的多个预设约束条件的属性值即多个预设约束值的向量表示emb_v得到多个预设约束值的第四概率分布，该第四概率分布可以记为consvalue_prob。进一步，hkbam可以根据该第四概率分布consvalue_prob确定该用户问句的第一类约束条件的属性值。
[0090]
可选的，根据所述查询请求、所述第二概率分布、所述多个第一预设属性和所述多个预设约束值得到所述多个预设约束值的第四概率分布，包括：根据所述多个第一预设属性和所述第二概率分布，得到第一向量；根据归一化处理后的所述查询请求和所述第一向量，得到第二向量；根据所述第二向量和所述多个预设约束值得到所述多个预设约束值的第四概率分布。
[0091]
如图3所示，hkbam可以将多个第一预设属性即多个预设类型的属性的向量表示emb_p和第二概率分布property_prob进行加权和，得到第一向量emb_q。进一步，在q_1＝q_0的情况下，归一化处理后的用户问句的向量表示q_0和该第一向量emb_q可以作为注意力模型1的输入，注意力模型1可以根据q_0和emb_q得到第二向量q_2。其中，第一向量emb_q和第二向量q_2的具体计算过程可以参照上述内容，此处不再赘述。进一步，该第二向量q_2和知识图谱或知识库中的多个预设约束条件的属性值即多个预设约束值的向量表示emb_v可以作为kb-attention网络的输入，该kb-attention网络的输出可以作为mlp的输入。mlp可以根据该kb-attention网络的输出计算出多个预设约束值的第四概率分布consvalue_prob。
[0092]
可选的，所述第一类约束条件的属性值是所述第四概率分布中最大概率所对应的预设约束值。
[0093]
例如，hkbam根据该第四概率分布consvalue_prob确定该用户问句的第一类约束条件的属性值的过程中，可以将该第四概率分布consvalue_prob中最大概率所对应的预设约束值确定为该用户问句的第一类约束条件的属性值。
[0094]
s403、至少根据所述目标实体、所述目标实体所属类型的属性、所述第一类约束条件的属性、所述第一类约束条件的属性值，确定所述查询请求对应的查询结果。
[0095]
例如，hkbam至少可以根据用户问句对应的目标实体、目标实体所属类型的属性、第一类约束条件的属性、第一类约束条件的属性值，确定该用户问句对应的查询结果即该用户问句的答案。
[0096]
本实施例通过拒识门机制检测用户问句对应的目标实体是否为空，在该目标实体为空的情况下，可以避免非实体向后传播，从而可以减少用户问句中非实体的干扰，以便提高hkbam的预测鲁棒性。另外，通过问句更新机制对用户问句中已经预测出的关键信息进行屏蔽(mask)或降低权重，从而使得hkbam可以在后续的预测过程中关注到该用户问句中其他的关键信息或其他更有用的信息。或者，对本次迭代过程中已经预测出的关键信息进行屏蔽(mask)或降低权重，从而使得hkbam可以在下次迭代过程中关注到该用户问句中其他的关键信息或其他更有用的信息，可以提升hkbam的预测准确率。此外，将问句更新机制应用在属性预测和约束条件预测链路上，可以使得属性的预测可以更好地指导约束条件的预测，从而提高预测准确率。另外，相比于现有技术中通过模板识别文本型的约束条件，本公开实施例通过hkbam模型化的预测用户问句中文本型的约束条件，具有更强的泛化性，从而可以提高对文本型约束条件的覆盖率，有助于对用户泛化的问法进行更准确的识别。
[0097]
例如，现有技术中采用模板识别文本型的约束条件，导致对约束条件的识别不具有泛化性。例如，用户问句为“我和爷爷住一起，可以申报个税扣除吗”，该用户问句的约束条件是“赡养老人”。但是，由于用户没有明确，所以采用模板无法准确识别出该用户问句的约束条件。而本公开实施例采用hkbam中的拒识门机制和问句更新机制可以提升hkbam预测的鲁棒性和准确率，从而使得hkbam具备对约束条件的泛化识别能力，相比于传统的预定义模板具有更高的覆盖率。
[0098]
可以理解的是，如上所述的通过hkbam预测用户问句对应的目标实体、目标实体所属类型、目标实体所属类型的属性、第一类约束条件的属性、第一类约束条件的属性值的过程可以是hkbam的预测过程或使用过程。在hkbam的预测过程或使用过程之前，hkbam还对应有训练过程或训练阶段。下面结合图3对hkbam的训练过程或训练阶段进行介绍。具体的，主要是对图3所示的kba、mlp、注意力模型1、注意力模型2、多层感知机和归一化层(mlp&norm layer)进行训练。
[0099]
在训练阶段中，hkbam的输入可以是样本问句，样本问句可以参照上述的用户问句，此处不再赘述。另外，每个样本问句可以对应有正确的标注结果。例如，某个样本问句的标注结果包括该样本问句对应的实体、该实体所属类型的属性、约束条件的属性和约束条件的属性值。进一步，hkbam可以根据该样本问句得到如上所述的第一概率分布entity_prob、第二概率分布property_prob、第三概率分布consprop_prop和第四概率分布consvalue_prob。hkbam根据该四个概率分布可以预测出该样本问句对应的实体、该实体所属类型的属性、约束条件的属性和约束条件的属性值。进一步，hkbam可以根据其预测出的该样本问句对应的实体、该实体所属类型的属性、约束条件的属性和约束条件的属性值、以及该样本问句的标注结果，计算损失函数。根据该损失函数调整hkbam中的参数。通过不断迭代确定出hkbam内部最终的参数，从而完成对hkbam的训练。
[0100]
具体的，hkbam可以采用焦点损失函数(focal loss)进行多任务训练。如图3所示，ye表示hkbam的输入为样本问句时得到的第一概率分布entity_prob，yp表示hkbam的输入为样本问句时得到的第二概率分布property_prob，ycp表示hkbam的输入为样本问句时得到的第三概率分布consprop_prop，ycv表示hkbam的输入为样本问句时得到的第四概率分布consvalue_prob。
[0101]
hkbam可以采用如图3所示的采用焦点损失函数1对ye、yp、ycp、ycv和样本问句的
标注结果进行计算得到函数值，该函数值记为loss_focal值。该loss_focal值可以是如图3所示的焦点损失函数1的输出。
[0102]
如图3所示，q_2和q_5可以作为注意力识别模型2的输入，注意力识别模型2可以类似于注意力模型1采用问句更新机制(query update)对q_2和q_5进行计算从而得到向量q_3。向量q_3可以作为多层感知机和归一化层的输入。多层感知机和归一化层可以将向量q_3映射为向量q_4，q_4可以是ye、yp、ycp、ycv维数总和的向量。例如，多层感知机和归一化层可以输出q_4。进一步，hkbam可以根据ye、yp、ycp、ycv各自的维度，将q_4切分为4段，该4段的维度依次与ye、yp、ycp、ycv的维度相同。进一步，该4段、ye、yp、ycp、ycv可以作为kl散度函数(kl div loss)的输入。kl散度函数可以根据该4段、ye、yp、ycp、ycv计算得到kl散度，该kl散度可以记为loss_kl。也就是说，loss_kl可以是如图3所示的kl散度函数的输出。其中，kl散度(kullback-leibler divergence)又称kl距离或相对熵。
[0103]
另外，如上所述的对q_4进行切分后得到的4段、以及样本问句的标注结果可以作为图3中焦点损失函数2的输入。焦点损失函数2可以根据该4段和样本问句的标注结果计算得到loss_sp，即loss_sp是焦点损失函数2的输出。最后对如图3所示的焦点损失函数1的输出loss_focal、kl散度函数的输出loss_kl、以及焦点损失函数2的输出loss_sp求和，一起对hkbam进行多任务训练。
[0104]
在其他实施例中，焦点损失函数还可以替换为权重损失函数(weighted loss)、普通的交叉熵、最小二乘法等。
[0105]
可以理解的是，在hkbam的训练阶段，焦点损失函数1、kl散度函数、焦点损失函数2参与计算。
[0106]
在hkbam的预测阶段或使用阶段，焦点损失函数1、kl散度函数、焦点损失函数2不参与计算。在hkbam的预测阶段或使用阶段，hkbam的输入为用户问句，输出为用户问句对应的目标实体、目标实体所属的类型、目标实体所属类型的属性、第一类约束条件的属性和第一类约束条件的属性值。
[0107]
例如，在hkbam的预测阶段或使用阶段，用户问句为如上所述的“我女儿15岁了，可以投保什么保险”。hkbam的识别结果如图5所示的50。例如，hkbam可以输出该用户问句的目标实体为“健康险”。该目标实体所属类型的属性为“保险简介”。文本型约束条件的属性为“投保年龄区间”、“投保性别”。文本型约束条件的属性值为“15岁”、“女”。
[0108]
另外，hkbam输出的用户问句对应的目标实体、目标实体所属类型的属性、文本型约束条件的属性和文本型约束条件的属性值还可以输出到kbqa问答流程中。该kbqa问答流程具体如图6所示。如图6所示，该流程包括如下几个步骤：
[0109]
s601、输入用户问句。
[0110]
s602、句式识别。
[0111]
具体的，该句式识别可以识别用户问句的句式。例如，通常的句式包括一般句、比较句、并列句、判断句等。例如，本实施例可以采用文本卷积神经网络(convolutional neural networks，textcnn)模型进行句式识别。
[0112]
s603、实体识别。
[0113]
具体的，实体识别可以将用户问句中的实体与知识图谱或知识库进行实体链接。
[0114]
s604、实体预测。
[0115]
例如，图6所示的语义解析模块可以是上述实施例所述的hkbam。实体预测可以是hkbam根据第一概率分布entity_prob预测用户问句中的目标实体。
[0116]
例如，s603和s604可以并行执行。或者，s603先执行，s604后执行。具体的，如果通过s603可以识别到用户问句中的实体，则后续步骤采用s603识别到的实体。如果通过s603无法识别到用户问句中的实体，则采用s604预测用户问句中的实体，例如，将entity_prob中最大概率所对应的预设实体作为实体预测的结果。
[0117]
s605、判断用户问句对应的实体是否存在。若是，则执行s607，否则执行s606。
[0118]
s606、拒绝识别用户问句。
[0119]
s607、实体所属类型的属性预测。
[0120]
例如，选取hkbam中的第二概率分布property_prob中最大概率所对应的第一预设属性作为该用户问句对应的实体所属类型的属性。
[0121]
s608、判断属性得分是否大于阈值。若是，则执行s610，否则执行s609。
[0122]
s609、拒绝识别用户问句
[0123]
s610、文本型约束条件识别。
[0124]
例如，选取hkbam中的第三概率分布consprop_prop中最大概率所对应的第二预设属性作为该用户问句对应的文本型约束条件的属性。选取hkbam中的第四概率分布consvalue_prob中最大概率所对应的预设约束值作为该用户问句对应的文本型约束条件的属性值。
[0125]
s611、数值型约束条件识别。
[0126]
例如，采用每个属性对应的正则表达式补充识别该用户问句对应的数值型约束条件的属性和数值型约束条件的属性值。也就是说，该用户问句对应的文本型约束条件通过hkbam进行预测或识别。该用户问句对应的数值型约束条件通过预设模板进行识别。
[0127]
s612、对多种组合排序。
[0128]
例如，根据该用户问句对应的实体、实体所属类型的属性、文本型约束条件的属性、文本型约束条件的属性值、数值型约束条件的属性和数值型约束条件的属性值，利用lambda-mart排序算法对多种组合进行排序。
[0129]
s613、生成查询语句。
[0130]
根据排序结果可以生成查询语句，该查询语句具体可以是查询语言和数据获取协议(sparql protocol and rdf query language，sparql)查询语句。
[0131]
s614、判断预测出的实体是否为空。若是，则执行s615，否则执行s616。
[0132]
s615、向用户询问目标实体。
[0133]
s616、判断识别出的约束条件是否为空。若是，则执行s617，否则执行s618。
[0134]
s617、向用户询问目标约束条件。
[0135]
s618、根据查询语句得到查询结果。
[0136]
例如，根据sparql查询语句进行知识查询，从而得到查询结果。
[0137]
本实施例通过将hkbam嵌入到kbqa问答流程中，可以提高kbqa问答流程针对用户问句的实体识别能力、以及对约束条件的泛化识别能力，从而提升kbqa问答流程的问答准确率。
[0138]
图7为本公开另一实施例提供的查询处理方法流程图。在本实施例中，至少根据所
述目标实体、所述目标实体所属类型的属性、所述第一类约束条件的属性、所述第一类约束条件的属性值，确定所述查询请求对应的查询结果，包括如下几个步骤：
[0139]
s701、根据预设模板识别所述查询请求中的第二类约束条件的属性和所述第二类约束条件的属性值。
[0140]
例如，该查询请求为用户问句。第二类约束条件可以是如上所述的数值型约束条件，该数值型约束条件包括属性和属性值。
[0141]
s702、根据所述目标实体、所述目标实体所属类型的属性、所述第一类约束条件的属性、所述第一类约束条件的属性值、所述第二类约束条件的属性、所述第二类约束条件的属性值，确定所述查询请求对应的查询结果。
[0142]
例如，可以根据hkbam预测出的用户问句对应的目标实体、目标实体所属类型的属性、文本型约束条件的属性、文本型约束条件的属性值、以及根据预设模板识别出的该用户问句对应的数值型约束条件的属性和数值型约束条件的属性值，确定该用户问句对应的查询结果。
[0143]
可选的，根据所述目标实体、所述目标实体所属类型的属性、所述第一类约束条件的属性、所述第一类约束条件的属性值、所述第二类约束条件的属性、所述第二类约束条件的属性值，确定所述查询请求对应的查询结果，包括：根据所述目标实体和所述目标实体所属类型的属性得到第一组合；根据所述目标实体、所述目标实体所属类型的属性、所述第一类约束条件的属性、所述第一类约束条件的属性值得到第二组合；根据所述目标实体、所述目标实体所属类型的属性、所述第二类约束条件的属性、所述第二类约束条件的属性值得到第三组合；根据所述目标实体、所述目标实体所属类型的属性、所述第一类约束条件的属性、所述第一类约束条件的属性值、所述第二类约束条件的属性、所述第二类约束条件的属性值得到第四组合；从所述第一组合、所述第二组合、所述第三组合和所述第四组合中确定目标组合；根据所述目标组合确定所述查询结果。
[0144]
例如，可以将用户问句对应的目标实体和目标实体所属类型的属性作为第一组合；将目标实体、目标实体所属类型的属性、文本型约束条件的属性、文本型约束条件的属性值作为第二组合；将目标实体、目标实体所属类型的属性、数值型约束条件的属性和数值型约束条件的属性值作为第三组合；将目标实体、目标实体所属类型的属性、文本型约束条件的属性、文本型约束条件的属性值、数值型约束条件的属性和数值型约束条件的属性值作为第四组合。在如图6所示的s612中，可以对该第一组合、第二组合、第三组合、第四组合进行排序，从而确定出第一组合、第二组合、第三组合、第四组合中的目标组合。进一步，根据该目标组合确定用户问句的查询结果。
[0145]
可选的，从所述第一组合、所述第二组合、所述第三组合和所述第四组合中确定目标组合，包括：对所述第一组合、所述第二组合、所述第三组合和所述第四组合进行排序，得到排序结果；根据所述排序结果确定所述目标组合。
[0146]
例如，可以对该第一组合、第二组合、第三组合、第四组合分别进行打分，从而根据第一组合、第二组合、第三组合、第四组合分别对应的得分，对第一组合、第二组合、第三组合、第四组合进行排序。例如，按照得分从大到小的顺序对第一组合、第二组合、第三组合、第四组合进行排序，并将该排序中得分最高的一种组合作为目标组合。
[0147]
可选的，根据所述目标组合确定所述查询结果，包括：根据所述目标组合确定查询
语句；根据所述查询语句进行查询得到所述查询结果。
[0148]
例如，目标组合为目标实体、目标实体所属类型的属性、文本型约束条件的属性和文本型约束条件的属性值。进一步，对目标实体、目标实体所属类型的属性、文本型约束条件的属性和文本型约束条件的属性值进行拼接从而得到sparql查询语句。进一步，根据sparql查询语句进行知识查询，从而得到查询结果。
[0149]
可选的，根据所述目标组合确定查询语句，包括：在所述目标组合中的所述目标实体为空的情况下，向所述用户询问所述目标实体；根据所述目标组合和所述用户反馈的所述目标实体确定所述查询语句。
[0150]
例如，在一些实施例中，如图6所示的实体预测可能未成功预测出用户问句中的目标实体，而是预测出了该用户问句对应的目标实体所属的类型。在这种情况下，目标组合中的目标实体可能为空。为了提高对用户问句的识别精度，kbqa问答装置或kbqa问答引擎可以向用户询问目标实体。例如，用户问句为“如何扣税”，kbqa问答装置或kbqa问答引擎可以进一步询问用户“您是想问个人所得税，还是增值税呢”。进一步，kbqa问答装置或kbqa问答引擎可以根据用户回复的目标实体和该目标组合确定出sparql查询语句。
[0151]
可选的，根据所述目标组合确定查询语句，包括：在所述目标组合不包括所述第一类约束条件的属性、所述第一类约束条件的属性值、所述第二类约束条件的属性和所述第二类约束条件的属性值中至少一个的情况下，向所述用户询问目标约束条件；根据所述目标组合和所述目标约束条件确定所述查询语句。
[0152]
例如，在目标组合中不包括文本型约束条件，也不包括数值型约束条件的情况下，kbqa问答装置或kbqa问答引擎可以向用户询问目标约束条件。进一步，kbqa问答装置或kbqa问答引擎可以根据用户回复的目标约束条件和该目标组合确定出sparql查询语句。
[0153]
本实施例通过在所述目标组合中的所述目标实体为空的情况下，向所述用户询问所述目标实体，和/或在所述目标组合不包括约束条件的情况下，向所述用户询问目标约束条件，可以有效提高对用户问句的识别精度，从而提高智能问答的精准度。
[0154]
如图8所示为采用本实施例所述的hkbam的智能问答系统相比于采用其他模型例如多约束图模型(multicg)的问答系统的测试结果比对的示意图。其中，采用多约束图模型的问答系统的准确率只有46.31％，而单独采用hkbam的智能问答系统的准确率可高达84.60％。在hkbam的基础上，进一步增加structbert可使得智能问答系统的准确率高达86.15％。在hkbam的基础上，进一步增加structbert、拒识门机制和问句更新机制可进一步提高智能问答系统的准确率，例如，可达88.70％。由此可见，采用hkbam的智能问答系统的准确率(accuracy，acc)相比于采用其他模型的问答系统的准确率更高。另外，在hkbam的基础上，增加structbert，或者增加structbert、拒识门机制和问句更新机制可使得智能问答系统的准确率不断提升。
[0155]
图9为本公开实施例提供的查询处理装置的结构示意图。本公开实施例提供的查询处理装置可以执行查询处理方法实施例提供的处理流程，如图9所示，查询处理装置90包括：
[0156]
获取模块91，用于获取用户的查询请求；
[0157]
确定模块92，用于根据多个预设实体的第一概率分布确定所述查询请求对应的目标实体；根据多个第一预设属性的第二概率分布确定所述目标实体所属类型的属性，所述
第一预设属性是预设实体所属类型的属性；至少根据所述目标实体和所述目标实体所属类型的属性，确定所述查询请求对应的查询结果。
[0158]
可选的，确定模块92具体用于：
[0159]
根据多个第二预设属性的第三概率分布确定所述查询请求的第一类约束条件的属性，所述第二预设属性是预设约束条件的属性；
[0160]
根据多个预设约束值的第四概率分布确定所述第一类约束条件的属性值，所述预设约束值为预设约束条件的属性值；
[0161]
至少根据所述目标实体、所述目标实体所属类型的属性、所述第一类约束条件的属性、所述第一类约束条件的属性值，确定所述查询请求对应的查询结果。
[0162]
可选的，确定模块92具体用于：
[0163]
根据所述查询请求和所述多个预设实体得到所述多个预设实体的第一概率分布；
[0164]
根据所述多个预设实体的第一概率分布确定所述查询请求对应的目标实体。
[0165]
可选的，所述目标实体是所述多个预设实体的第一概率分布中最大概率所对应的预设实体。
[0166]
可选的，确定模块92具体用于：
[0167]
根据所述查询请求和多个第一预设属性得到所述多个第一预设属性的第二概率分布；
[0168]
根据所述多个第一预设属性的第二概率分布确定所述目标实体所属类型的属性。
[0169]
可选的，确定模块92具体用于：
[0170]
将所述查询请求进行归一化处理，得到归一化处理后的查询请求；
[0171]
在所述第一概率分布中最大概率所对应的预设实体不为空的情况下，根据所述归一化处理后的查询请求和多个第一预设属性得到所述多个第一预设属性的第二概率分布。
[0172]
可选的，所述目标实体所属类型的属性是所述第二概率分布中最大概率所对应的第一预设属性。
[0173]
可选的，确定模块92具体用于：
[0174]
根据所述查询请求、所述第二概率分布、所述多个第一预设属性和所述多个第二预设属性得到所述多个第二预设属性的第三概率分布；
[0175]
根据所述多个第二预设属性的第三概率分布确定所述查询请求的第一类约束条件的属性。
[0176]
可选的，确定模块92具体用于：
[0177]
根据所述多个第一预设属性和所述第二概率分布，得到第一向量；
[0178]
根据归一化处理后的所述查询请求和所述第一向量，得到第二向量；
[0179]
根据所述第二向量和所述多个第二预设属性得到所述多个第二预设属性的第三概率分布。
[0180]
可选的，所述查询请求的第一类约束条件的属性为所述第三概率分布中最大概率所对应的第二预设属性。
[0181]
可选的，确定模块92具体用于：
[0182]
根据所述查询请求、所述第二概率分布、所述多个第一预设属性和所述多个预设约束值得到所述多个预设约束值的第四概率分布；
[0183]
根据所述多个预设约束值的第四概率分布确定所述第一类约束条件的属性值。
[0184]
可选的，确定模块92具体用于：
[0185]
根据所述多个第一预设属性和所述第二概率分布，得到第一向量；
[0186]
根据归一化处理后的所述查询请求和所述第一向量，得到第二向量；
[0187]
根据所述第二向量和所述多个预设约束值得到所述多个预设约束值的第四概率分布。
[0188]
可选的，所述第一类约束条件的属性值是所述第四概率分布中最大概率所对应的预设约束值。
[0189]
可选的，确定模块92具体用于：根据所述多个第一预设属性中的每个第一预设属性、以及所述每个第一预设属性在所述第二概率分布中对应的概率，得到所述第一向量。
[0190]
可选的，该装置90还包括：拼接模块93，用于将归一化处理后的所述查询请求对应的第三向量和所述第一向量进行拼接，得到拼接后的向量；确定模块92具体用于：根据预设的权重矩阵和所述拼接后的向量，得到所述第二向量。
[0191]
可选的，该装置90还包括：识别模块94，用于根据预设模板识别所述查询请求中的第二类约束条件的属性和所述第二类约束条件的属性值；确定模块92具体用于：根据所述目标实体、所述目标实体所属类型的属性、所述第一类约束条件的属性、所述第一类约束条件的属性值、所述第二类约束条件的属性、所述第二类约束条件的属性值，确定所述查询请求对应的查询结果。
[0192]
可选的，确定模块92具体用于：
[0193]
根据所述目标实体和所述目标实体所属类型的属性得到第一组合；
[0194]
根据所述目标实体、所述目标实体所属类型的属性、所述第一类约束条件的属性、所述第一类约束条件的属性值得到第二组合；
[0195]
根据所述目标实体、所述目标实体所属类型的属性、所述第二类约束条件的属性、所述第二类约束条件的属性值得到第三组合；
[0196]
根据所述目标实体、所述目标实体所属类型的属性、所述第一类约束条件的属性、所述第一类约束条件的属性值、所述第二类约束条件的属性、所述第二类约束条件的属性值得到第四组合；
[0197]
从所述第一组合、所述第二组合、所述第三组合和所述第四组合中确定目标组合；
[0198]
根据所述目标组合确定所述查询结果。
[0199]
可选的，该装置90还包括：排序模块95，用于对所述第一组合、所述第二组合、所述第三组合和所述第四组合进行排序，得到排序结果；确定模块92具体用于：根据所述排序结果确定所述目标组合。
[0200]
可选的，确定模块92具体用于：根据所述目标组合确定查询语句；该装置90还包括：查询模块96，用于根据所述查询语句进行查询得到所述查询结果。
[0201]
可选的，确定模块92具体用于：
[0202]
在所述目标组合中的所述目标实体为空的情况下，向所述用户询问所述目标实体；
[0203]
根据所述目标组合和所述用户反馈的所述目标实体确定所述查询语句。
[0204]
可选的，确定模块92具体用于：
[0205]
在所述目标组合不包括所述第一类约束条件的属性、所述第一类约束条件的属性值、所述第二类约束条件的属性和所述第二类约束条件的属性值中至少一个的情况下，向所述用户询问目标约束条件；
[0206]
根据所述目标组合和所述目标约束条件确定所述查询语句。
[0207]
图9所示实施例的查询处理装置可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
[0208]
以上描述了查询处理装置的内部功能和结构，该装置可实现为一种电子设备。图10为本公开实施例提供的电子设备实施例的结构示意图。如图10所示，该电子设备包括存储器1001和处理器1002。
[0209]
存储器1001，用于存储程序。除上述程序之外，存储器1001还可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。
[0210]
存储器1001可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0211]
处理器1002，与存储器1001耦合，执行存储器1001所存储的程序，以用于：
[0212]
获取用户的查询请求；
[0213]
根据多个预设实体的第一概率分布确定所述查询请求对应的目标实体；
[0214]
根据多个第一预设属性的第二概率分布确定所述目标实体所属类型的属性，所述第一预设属性是预设实体所属类型的属性；
[0215]
至少根据所述目标实体和所述目标实体所属类型的属性，确定所述查询请求对应的查询结果。
[0216]
进一步，如图10所示，电子设备还可以包括：通信组件1003、电源组件1004、音频组件1005、显示器1006等其它组件。图10中仅示意性给出部分组件，并不意味着电子设备只包括图10所示组件。
[0217]
通信组件1003被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件1003经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1003还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0218]
电源组件1004，为电子设备的各种组件提供电力。电源组件1004可以包括电源管理系统，一个或多个电源，及其他与为电子设备生成、管理和分配电力相关联的组件。
[0219]
音频组件1005被配置为输出和/或输入音频信号。例如，音频组件1005包括一个麦克风(mic)，当电子设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1001或经由通信组件1003发送。在一些实施例中，音频组件1005还包括一个扬声器，用于输出音频信号。
[0220]
显示器1006包括屏幕，其屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏
幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
[0221]
另外，本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述实施例所述的查询处理方法。
[0222]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0223]
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。