[发明专利]问答数据处理方法、电子装置及存储介质

权利要求书

1.一种问答数据处理方法，其特征在于，该方法包括：

获取步骤：从数据库获取坐席文本数据，所述坐席文本数据包括所有客户与客服在问答过程中记录的问答数据；

分组步骤：将所述坐席文本数据分为若干组问答记录，同一组问答记录属于同一客户和相应的客服，每组问答记录包括客户的若干个问题语句和客服的若干个答案语句；

排序步骤：按照记录的时间顺序排列每组问答记录中的问题语句和答案语句，去除无相应答案语句的问题语句和无相应问题语句的答案语句，将每组问答记录中的问题语句和答案语句排列为一问一答的形式，从而得到若干个候选问答对，每个候选问答对包括一个问题语句和一个相应的答案语句；

提取步骤：对每个候选问答对中的问题语句和答案语句进行分词处理得到各个词条，统计各词条在所述坐席文本数据中出现的词频，根据所统计的各词条的词频为相应词条计算词条权重，将词条权重大于第一预设阈值的词条作为相应问题语句或答案语句的关键词；

计算步骤：统计每个候选问答对的多个指定特征，对每个所述指定特征分别赋予相应的预设特征权重，针对每个候选问答对，使用所述特征权重对所述多个指定特征进行加权计算，得到每个候选问答对的匹配度；

筛选步骤：从所有候选问答对中筛选出匹配度高于第二预设阈值的候选问答对作为目标问答对，将所述目标问答对补充到问答知识库中，所述问答知识库用于为客户基于问答知识库中的问答对进行智能应答。

2.如权利要求1所述的问答数据处理方法，其特征在于，所述从数据库获取坐席文本数据之后，还包括对所述坐席文本数据进行数据清洗操作，所述数据清洗操作包括：

统计坐席文本数据中各语句的出现频率，获取出现频率高于第三预设阈值的语句作为高频语句；

对每个所述高频语句进行分词处理，统计分词处理后得到的各词条在所有高频语句中的出现频率，将出现频率高于第四预设阈值的词条作为寒暄词；

计算坐席文本数据各语句中所有寒暄词在所属语句所有词条中的占比，将所计算出的占比高于第五预设阈值的语句作为寒暄类语句；

确定坐席文本数据中的短文本语句，所述短文本语句包括字符数小于第六预设阈值的语句，以及只包含数字和/或符号的语句；

从所述坐席文本数据中过滤掉所述寒暄类语句和所述短文本语句，从而完成所述数据清洗操作。

3.如权利要求1所述的问答数据处理方法，其特征在于，所述根据所统计的各词条的词频为相应词条计算词条权重包括：

采用以下公式计算所述词条权重w：

w＝log(n/df)；

其中n为相应词条在所述坐席文本数据中的词频，df为在预设的大规模语料库中包含相应词条的文档数。

4.如权利要求1所述的问答数据处理方法，其特征在于，所述多个指定特征包括：

问题语句和答案语句的共同关键词数目a1；

问题语句和答案语句的共同关键词长度a2；

问题语句和答案语句的共同词条的数目a3；

问题语句和答案语句的共同词条的长度a4；

问题语句的长度a5；

答案语句的长度a6；

问题语句和答案语句的主题相似度a7；

问题语句和答案语句的句法相似度a8；

所述使用所述特征权重对所述多个指定特征进行加权计算，得到每个候选问答对的匹配度包括：

对所述多个指定特征采用多元逻辑回归模型进行加权回归拟合计算，得到每个候选问答对的匹配度g(z)，公式如下：

g(z)＝1/(1+e^z)，e为自然常数；

其中，z＝a1*x1+a2*x2+a3*x3+a4*x4+a5*x5+a6*x6+a7*x7+a8*x8，x1、x2...x8分别为所述a1、a2...a8的特征权重。

5.如权利要求1所述的问答数据处理方法，其特征在于，所述将所述目标问答对补充到问答知识库之前，还包括：

将所述各个目标问答对中，对应相同问题语句的答案语句进行合并处理，使每个目标问答对之间包含的问题语句互不相同，每个目标问答对中包括一个或多个答案语句。