[发明专利]一种问答交互方法、装置、设备和存储介质

说明书

本申请公开了一种问答交互方法、装置、设备和存储介质。该问答交互方法包括：获取用户输入的问题；将所述用户输入的问题与预设的问题模板中的问题进行匹配；当匹配成功时，将所述问题模板中与所述用户输入的问题匹配的问题的答案发送给所述用户；当匹配失败时，计算预设的每个候选回复答案是所述用户输入的问题的答案的概率值；将概率值最高的候选回复答案发送给所述用户。根据本申请实施例的技术方案，能够提高解答问题的效率，而且还能保证与用户交互的回复准确性，提升用户体验。

技术领域

本发明涉及自然语言信息处理技术领域，尤其涉及一种问答交互方法、装置、设备和存储介质。

背景技术

在公司招聘特别是校园招聘过程中，应聘者通常会咨询一些问题来全面的了解招聘公司的相关信息，而招聘公司也会全方位的展示公司实力与水平，让求职者更多的了解公司，从而争取到更多更好的人才。然而传统的招聘咨询工作面临着许多问题，例如大部分求职者咨询的问题都类似，人力资源师(Human Resource，HR)需要回答大量重复的关于招聘相关的问题，这样重复性的工作浪费了许多人力、财力和时间资源。

因此，亟需一种能够提高HR解答问题的效率的方案。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种能够提高HR解答问题的效率的方案。

第一方面，本申请实施例提供了一种问答交互方法，包括：

获取用户输入的问题；

将所述用户输入的问题与预设的问题模板中的问题进行匹配；

当匹配成功时，将所述问题模板中与所述用户输入的问题匹配的问题的答案发送给所述用户；

当匹配失败时，从预存的候选回复答案中选取一个预测概率最高的候选回复答案，并发送给所述用户。

可选的，所述问题模板是按照人工智能标记语言AIML的规范构建的。

可选的，从预存的候选回复答案中选取一个预测概率最高的候选回复答案，并发送给所述用户，包括：

基于预先设置的深度学习模型，计算每个所述候选回复答案的预测概率；

将预测概率最高的候选回复答案发送给所述用户。

可选的，所述深度学习模型为对偶编码长短期记忆网络Dual LSTM Encoder模型。

可选的，基于预先设置的深度学习模型，计算每个所述候选回复答案的预测概率，包括：

将每个所述候选回复答案和所述用户输入的问题向量化，得到每个所述候选回复答案的候选回复词向量和所述用户输入的问题的用户问题词向量；

将每个所述候选回复词向量和所述用户问题词向量输入所述Dual LSTM Encoder模型进行训练，得到每个所述候选回复答案的预测概率。

可选的，将每个所述候选回复答案和所述用户输入的问题向量化，得到每个所述候选回复答案的候选回复词向量和所述用户输入的问题的用户问题词向量，包括：

对每个所述候选回复答案和所述用户输入的问题进行分词，得到每个所述候选回复答案的分词列表和所述用户输入的问题的分词列表；

基于每个所述候选回复答案的分词列表和所述用户输入的问题的分词列表，分别得到每个所述候选回复答案的候选回复词向量和所述用户输入的问题的用户问题词向量。

可选的，将每个所述候选回复词向量和所述用户问题词向量输入所述Dual LSTMEncoder模型进行训练，得到每个所述候选回复答案的预测概率，包括：