(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211325456.6 (22)申请日 2022.10.27 (71)申请人 之江实验室 地址 311100 浙江省杭州市余杭区中泰街 道之江实验室南湖总部 (72)发明人 李月标　谭一匡　王梁昊　张灵箭　 郭坤龙　王娱　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 专利代理师 孙孟辉 (51)Int.Cl. G06F 16/332(2019.01) G06F 16/335(2019.01) G06F 16/338(2019.01) G06F 40/279(2020.01)G06F 16/33(2019.01) (54)发明名称 一种基于多路召回的多场景智能问答方法 和系统 (57)摘要 本发明涉及人工智能领域， 尤其是涉及一种 基于多路召回的多场景智能问答方法和系统， 该 方法包括： 步骤S100： 用户提出 实时问题， 并将问 题同时输入到多路模型进行问题检索和任务识 别， 召回各路模 型检索到的带有相似度的第一候 选问题列表； 步骤S200： 将多路模型返回的第一 候选问题列表进行归并， 并按照相似度进行排 序， 生成第二候选问题列表； 步骤S300： 从第二候 选问题列表中， 根据阈值获得T op1或者T opk问题 列表， 生成回答响应用户。 本发明可以进一步提 升在多场景问答场景下的召回精度； 同时基于多 路召回的机制， 满足多路模型并发运行的要求， 提升运行效率。 权利要求书2页 说明书9页 附图6页 CN 115470338 A 2022.12.13 CN 115470338 A 1.一种基于多路召回的多场景智能问答方法， 其特 征在于， 包括以下步骤： 步骤S100： 用户提出实时问题， 并将问题同时输入到多路模型进行问题检索和任务识 别， 召回各路模型检索到的带有相似度的第一 候选问题列表； 步骤S200： 将多路模型返回的第一候选问题列表进行归并， 并按照相似度进行排序， 生 成第二候选问题列表； 步骤S300： 从第二候选问题列表中， 根据阈值获得Top1或者Topk问题列表， 生成回答响 应用户。 2.如权利要求1所述的一种基于多路召回的多场景智能问答方法， 其特征在于， 所述多 路模型进 行的问题检索和任务识别为并行计算， 多路模型具体包括： 基于 关键字检索 模型、 基于语义检索模型、 任务识别模型， 所述的基于关键字检索模型和基于语义检索模型用于 FAQ问答场景， 任务识别模型用于任务型问答场景。 3.如权利要求2所述的一种基于多路召回的多场景智能问答方法， 其特征在于， 所述基 于关键字检索 模型对输入的问题进行关键字检索， 获得基于关键字召回的带有相似度的候 选问题列表， 具体包括以下步骤： 步骤S111， 去除输入的问题中的停顿词并对问题进行分词处 理； 步骤S112， 通过Elasticsearc h搜索引擎对问题进行检索； 步骤S113， 召回Top  k 的最相关问题列表； 步骤S114， 计算用户输入 的问题与步骤S113中的召回的问题的相似度， 获得基于关键 字召回的带有相似度的候选问题列表。 4.如权利要求3所述的一种基于多路召回的多场景智能问答方法， 其特征在于， 所述步 骤S114， 具体包括以下子步骤： 步骤S1141， 将用户输入的问题通过  Sentence ‑BERT模型进行句子编码， 生成一个句向 量， 用Q1表示； 步骤S1142， 将召回列表中的k个问题， 通过  Sentence ‑BERT模型进行句子编码， 生成k 个句向量， 用Pi(i=1,2,3 …,k)表示； 步骤S1143， 采用余弦相似度计算方法， 计算Q1与Pi之间的相似度， 用SKi(i=1,2,3 …, k)表示， 获得基于关键 字召回的带有相似度的候选问题列表。 5.如权利要求3所述的一种基于多路召回的多场景智能问答方法， 其特征在于， 所述基 于语义检索模型对输入的问题进行语义检索， 获得基于语义检索的召回问题列表， 具体包 括以下步骤： 步骤S121， 将用户输入的问题， 通过  Sentence ‑BERT模型进行问题句子的语义编码， 生 成语义编码向量； 步骤S122， 利用生成的语义编码向量， 通过Milvus向量搜索引擎进行查询， 采用归一化 的向量内积法计算向量相似度， 返回相似度最高的Top  k 个相似向量 ID； 步骤S123， 利用召回的Top  k个相似向量ID， 进一步获取问题列表， 具体为： 与步骤S122 同步进行通过Sentence ‑BERT模型对问题进行句向量编码， 并将句向量存储于 Elasticsearc h搜索引擎， 检索时采用余弦相似度计算方法进行相似度计算； 将Elasticsearch搜索引擎的检索结果与Milvus向量搜索引擎的检索结果进行合并后 的问题列表作为基于语义检索的召回问题列表。权　利　要　求　书 1/2 页 2 CN 115470338 A 26.如权利要求5所述的一种基于多路召回的多场景智能问答方法， 其特征在于， 所述任 务识别模型对输入的问题进行任务识别， 获取召回的任务， 具体包括以下步骤： 步骤S131， 采用规则模板的方法对输入的问题进行意 图识别， 获取到与规则模板匹配 度最大的意图； 步骤S132， 针对带有槽位的意图， 进行槽位 填充； 步骤S133， 如果遇到当前意图仍旧缺槽位， 则通过多轮对话管理即多轮提问的方式， 获 得槽位； 步骤S134， 返回召回的意图， 即Top  1任务。 7.如权利要求6所述的一种基于多路召回的多场景智能问答方法， 其特征在于， 所述采 用规则模板的方法对输入的问题进行意图识别， 具体为： 通过人工分析每个意图下 的有代 表性的例句， 总结出规则模板， 然后 将用户的输入问句进 行分词、 词性标注、 命名实体识别、 依存句法分析、 语义分析 的操作后套用所述的规则模板， 当与所述规则模板匹对的某个规 则模板达到所设阈值之后就认为该输入问句就属于所总结 出的规则模板对应的意图。 8.如权利要求6所述的一种基于多路召回的多场景智能问答方法， 其特征在于， 所述步 骤S200， 具体为： 将所述的基于关键字召回的带有相似度的候选问题列表和 基于语义检索 的召回问题列表合并， 并进行去重后， 再合并任务识别模型召回的任务， 按照相似度从 高到 低进行排序， 生成第二 候选问题列表。 9.如权利要求8所述的一种基于多路召回的多场景智能问答方法， 其特征在于， 所述步 骤S300， 具体为： 在所述第二候选问题列表中， 当排序后Top1  问题为任务型问答场景时， 若相似度大于 第一阈值， 则执 行召回的问题对应的任务， 响应用户； 若相似度小于等于第 一阈值， 则将所述第 二候选问题列表中相似度大于第 二阈值的最 多前10个问题进行返回， 作为用户的推荐问题； 当排序后Top1  问题为FAQ问答场景， 若相似度大于第三阈值： 则直接返回输入 的问题 对应的回答， 响应用户； 同时将剩余的第二候选 问题列表中相似度大于第二阈值的最多前 10个问题， 作为用户的推荐问题； 若相似度小于等于第 三阈值， 则将所述第 二候选问题列表中相似度大于第 二阈值的最 多前10个问题， 作为用户的推荐问题。 10.一种采用权利要求1至9任一一项所述的基于多路召回的多场景智能问答方法的系 统， 其特征在于， 包括： 多路模型召回模块： 用于接收用户提出的实时问题， 并将问题同时输入到多路模型进 行问题检索和任务识别， 召回多路模型检索到的带有相似度的第一候选 问题列表； 所述多 路模型召回模块支持分布式部署； 归并排序模块： 用于将多路模型返回的第一候选问题列表进行归并， 并按照相似度进 行排序， 生成第二 候选问题列表； 执行模块： 用于从第二候选问题列表中， 根据 阈值获得Top1  或者 TopK 问题列表， 生 成回答响应用户。权　利　要　求　书 2/2 页 3 CN 115470338 A 3