[发明专利]一种问答系统、问答机器人及其FAQ问答库召回方法

说明书

本发明公开了一种问答系统、问答机器人及其FAQ问答库召回方法，其包括：获取FAQ问答库中的问答话术，问答话术包括一个以上问题和一个答案组成的问答对；对问答话术进行意图识别和命名实体识别，获取问答话术的意图识别结果和命名实体识别结果；将意图识别结果、命名实体识别结果、问答话术拼接形成三元组识别模板；获取访客问题，并对访客问题进行意图识别和命名实体识别，获取访客问题的意图识别结果和命名实体识别结果；将访客问题的意图识别结果和命名实体识别结果与三元组识别模板进行匹配，得到访客问题对应的问答话术，并将该问答话术中对应的答案返回给访客；采用该模板匹配的方式，与传统的语义相似度匹配相比，可以有效的提高FAQ的召回率。

技术领域

本发明涉及智能客服技术领域，特别是一种问答系统、问答机器人及其FAQ问答库召回方法。

背景技术

问答系统处理的对象主要包括用户的问题以及答案。根据问题所属的知识领域，问答系统可分为面向限定域的问答系统、面向开放域的问答系统、以及面向常用问题集(Frequently Asked Questions,FAQ)的问答系统。依据答案来源，问答系统可分为基于结构化数据的问答系统如KBQA、基于文本的问答系统如机器阅读理解、以及基于问答对的问答系统如FAQ问答。

现有的FAQ召回方法通常采用相似问题匹配方案，即，对比访客问题与现有FAQ问答库中问题的相似度，得到与访客问题相似的标准问题，再根据FAQ问答库中的问答对，返回所述标准问题对应的标准答案，作为所述访客问题的答案。

常用的相似度匹配有两种方案：

一种是基于词袋模型(Bag of Words，简称BoW)，它是通过对句子进行分词处理，将所有词语装进一个袋子里，不考虑其词法和语序的问题，即每个词语都是独立的，把每一个单词都进行统计，同时计算每个单词出现的次数。但是，词袋模型不考虑文本中词与词之间的上下文关系，仅仅只考虑所有词的权重，而权重与词在文本中出现的频率有关。相似度匹配时，基于句子里面的词有哪些是相似或者相等的，通过累加权重来判断两句话是否相似。

另一种是训练一个语言模型，例如词向量模型word2vec，它是考虑词语位置关系的一种模型，通过大量语料的训练，将每一个词语映射到高维度的向量当中，通过求余弦的方式，判断两个词语之间的相似度。

但是，采用上述句子句意相似的方案，对相似度模型/相似度算法的准确率要求很高，且大多数时候容易召不回来。因为在机器的认知里，相似除了句意相似，句子的长度也会提供权重。当目标句和库里面相似的问题长度差距很大时，往往召不回来，且容易召到另一句。因此，现有技术中的FAQ召回方法召回率较低，且效率低下。

发明内容

本发明的主要目的在于提供了一种FAQ问答库召回方法，以及采用该召回方法的问答系统、问答机器人，旨在解决现有的FAQ问答库召回方法召回率低下的技术问题。

为实现上述目的，本发明提供了一种FAQ问答库召回方法，其包括以下步骤：

获取FAQ问答库中的问答话术，所述问答话术包括一个以上问题和一个答案组成的问答对；

对所述问答话术进行意图识别和命名实体识别，获取所述问答话术的意图识别结果和命名实体识别结果；

将所述意图识别结果、命名实体识别结果、问答话术拼接形成三元组识别模板；

获取访客问题，并对所述访客问题进行意图识别和命名实体识别，获取所述访客问题的意图识别结果和命名实体识别结果；

将所述访客问题的意图识别结果和命名实体识别结果与所述三元组识别模板进行匹配，得到所述访客问题对应的问答话术，并将该问答话术中对应的答案返回给访客。

优选的，所述三元组识别模板的拼接，进一步包括以下步骤：