-
公开(公告)号：CN107315772B
公开(公告)日：2019-08-16
申请号：CN201710375610.3
申请日：2017-05-24
Applicant: 北京邮电大学
IPC: G06F16/332 , G06F17/27
Abstract: 本发明公开了一种基于深度学习的问题匹配方法以及装置。其中方法包括：获取用户的输入问题，并对输入问题进行语义分析以得到输入问题的词语；获取输入问题与标准问题中词语之间的相似度匹配矩阵，并基于相似度匹配矩阵进行分层卷积以获取输入问题与标准问题之间的语义粒度匹配特征；基于卷积神经网络，根据输入问题中的特征信息和标准问题的特征信息对输入问题与标准问题进行精确匹配，以获取输入问题与标准问题之间的细粒度匹配特征；根据语义粒度匹配特征和细粒度匹配特征获取输入问题与标准问题之间的匹配程度。该方法可以使得提取到的特征更加符合实际需求，同时免去了大量人工提取特征的开销，提高匹配结果的精确度。
-
公开(公告)号：CN107329967A
公开(公告)日：2017-11-07
申请号：CN201710334888.6
申请日：2017-05-12
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于深度学习的问答系统以及方法。其中方法包括：问答子系统，用于接收输入问题，并对输入问题进行预处理；深度学习子系统，用于提取预处理后的输入问题中的特征信息并生成对应的第一词向量信息，并根据问题分类模型、问题匹配模型和第一词向量信息获取多个推荐问题；问答子系统在用户未从多个推荐问题中选择问题时，将输入问题作为未识别问题；知识库子系统，用于在知识库中存在与未识别问题对应的标准问题时，对与未识别问题对应的标准问题进行标注，并在知识库中不存在与未识别问题对应的标准问题时，根据未识别问题创建新标准问题，并对新标准问题进行标注；深度学习子系统根据标注的标准问题、新标准问题对模型进行训练。
-
公开(公告)号：CN107291822B
公开(公告)日：2020-03-24
申请号：CN201710375175.4
申请日：2017-05-24
Applicant: 北京邮电大学
IPC: G06F16/332 , G06F16/35 , G06N20/00
Abstract: 本发明公开了一种基于深度学习的问题分类模型训练方法、问题分类方法以及装置。其中问题分类模型训练方法包括：提取问题文本样本中的特征信息样本，并生成对应的第一特征向量样本；对第一特征向量样本进行空间变换，得到第二特征向量样本；将第二特征向量样本输入至多层卷积神经网络中的多个卷积层和多个池化层，以通过叠加卷积操作和池化操作，得到第一融合特征向量样本；将第一融合特征向量样本输入至多层卷积神经网络中的全连接层，得到全局特征向量样本；根据全局特征向量样本对Softmax分类器进行训练，得到问题分类模型。该方法可免去大量人工设计特征的开销，通过该问题分类模型可以得到更加准确的分类结果，提高了标准问题与答案的定位。
-
Patent Agency Ranking
公开(公告)号：CN107315772A
公开(公告)日：2017-11-03
申请号：CN201710375610.3
申请日：2017-05-24
Applicant: 北京邮电大学
CPC classification number: G06F16/3329 , G06F17/2785
Abstract: 本发明公开了一种基于深度学习的问题匹配方法以及装置。其中方法包括：获取用户的输入问题，并对输入问题进行语义分析以得到输入问题的词语；获取输入问题与标准问题中词语之间的相似度匹配矩阵，并基于相似度匹配矩阵进行分层卷积以获取输入问题与标准问题之间的语义粒度匹配特征；基于卷积神经网络，根据输入问题中的特征信息和标准问题的特征信息对输入问题与标准问题进行精确匹配，以获取输入问题与标准问题之间的细粒度匹配特征；根据语义粒度匹配特征和细粒度匹配特征获取输入问题与标准问题之间的匹配程度。该方法可以使得提取到的特征更加符合实际需求，同时免去了大量人工提取特征的开销，提高匹配结果的精确度。
-
公开(公告)号：CN107291822A
公开(公告)日：2017-10-24
申请号：CN201710375175.4
申请日：2017-05-24
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于深度学习的问题分类模型训练方法、问题分类方法以及装置。其中问题分类模型训练方法包括：提取问题文本样本中的特征信息样本，并生成对应的第一特征向量样本；对第一特征向量样本进行空间变换，得到第二特征向量样本；将第二特征向量样本输入至多层卷积神经网络中的多个卷积层和多个池化层，以通过叠加卷积操作和池化操作，得到第一融合特征向量样本；将第一融合特征向量样本输入至多层卷积神经网络中的全连接层，得到全局特征向量样本；根据全局特征向量样本对Softmax分类器进行训练，得到问题分类模型。该方法可免去大量人工设计特征的开销，通过该问题分类模型可以得到更加准确的分类结果，提高了标准问题与答案的定位。
-
公开(公告)号：CN108415923B
公开(公告)日：2020-12-11
申请号：CN201710973047.X
申请日：2017-10-18
Applicant: 北京邮电大学
IPC: G06F16/332 , G06F16/35 , G06F40/30 , G06K9/62 , G10L15/22 , G10L15/26 , G10L15/16 , G10L15/02 , G10L15/18
Abstract: 本发明提出一种封闭域的智能人机对话系统，该系统包括：第一建模模块，第一建模模块用于基于双向长短时记忆网络和卷积神经网络构建多特征融合深度意图识别模型；第二建模模块，用于采用人机对话状态系统当前状态输入与上下文语句联合建模方式来构建基于MC‑BLSTM‑MSCNN的对话状态跟踪模型；第三建模模块，用于构建基于移位注意力机制的域外恢复机制的Bi‑LSTM匹配模型，以将识别到的用户意图、用户槽值输入移位网络进行注意力机制的权重分发，实现对话状态的编码和对话控制的匹配。本发明具有更高的意图识别精确度、对话状态跟踪的正确性和对话控制的稳定性，进而提升了人机系统的认知智能能力。
-
公开(公告)号：CN107329967B
公开(公告)日：2019-09-24
申请号：CN201710334888.6
申请日：2017-05-12
Applicant: 北京邮电大学
IPC: G06F16/332 , G06F16/36 , G10L15/26
Abstract: 本发明公开了一种基于深度学习的问答系统以及方法。其中方法包括：问答子系统，用于接收输入问题，并对输入问题进行预处理；深度学习子系统，用于提取预处理后的输入问题中的特征信息并生成对应的第一词向量信息，并根据问题分类模型、问题匹配模型和第一词向量信息获取多个推荐问题；问答子系统在用户未从多个推荐问题中选择问题时，将输入问题作为未识别问题；知识库子系统，用于在知识库中存在与未识别问题对应的标准问题时，对与未识别问题对应的标准问题进行标注，并在知识库中不存在与未识别问题对应的标准问题时，根据未识别问题创建新标准问题，并对新标准问题进行标注；深度学习子系统根据标注的标准问题、新标准问题对模型进行训练。
-
公开(公告)号：CN108415923A
公开(公告)日：2018-08-17
申请号：CN201710973047.X
申请日：2017-10-18
Applicant: 北京邮电大学
Abstract: 本发明提出一种封闭域的智能人机对话系统，该系统包括：第一建模模块，第一建模模块用于基于双向长短时记忆网络和卷积神经网络构建多特征融合深度意图识别模型；第二建模模块，用于采用人机对话状态系统当前状态输入与上下文语句联合建模方式来构建基于MC-BLSTM-MSCNN的对话状态跟踪模型；第三建模模块，用于构建基于移位注意力机制的域外恢复机制的Bi-LSTM匹配模型，以将识别到的用户意图、用户槽值输入移位网络进行注意力机制的权重分发，实现对话状态的编码和对话控制的匹配。本发明具有更高的意图识别精确度、对话状态跟踪的正确性和对话控制的稳定性，进而提升了人机系统的认知智能能力。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.026 seconds)
