[發明專利]一種數據生成方法、裝置、終端設備及存儲介質

在審

• 申請號: 202010824449.5
• 申請日: 2020-08-17
• 公開（公告）號: CN114077678A
• 公開（公告）日: 2022-02-22
• 發明（設計）人: 丁鵬勇;段煉;岳巖巖;謝文琦;鄒潔婷;陳琳;舒敏根;劉虹;徐海勇;李莉;李飛龍;汪帆;呂正林;劉亞杰
• 申請（專利權）人: 中移動信息技術有限公司;中國移動通信集團有限公司
• 主分類號: G06F16/48
• 分類號: G06F16/48;G06F16/41;G06F16/31;G06F16/332;G06N5/02
• 代理公司: 北京東方億思知識產權代理有限責任公司 11258
• 代理人: 彭瓊

1.一種數據生成方法，應用于終端設備，其特征在于，所述方法包括：

獲取至少一種行業類別的業務信息，所述業務信息包括至少一個標識和與所述標識對應的多媒體內容；

根據所述至少一個標識中每個標識以及與所述每個標識對應的多媒體內容，確定行業語料；

對所述行業語料中的行業特征詞進行詞條構建和擴展，生成行業問答數據。

2.根據權利要求1所述的方法，其特征在于，在所述確定行業語料之前，所述方法還包括：

利用Open XML標準提取所述業務信息的組織形式；

根據所述組織形式，得到所述業務信息的目錄結構，所述目錄結構包括多個節點；

其中，所述節點的級別由所述業務信息的樣式級別屬性確定，所述節點與所述標識對應。

3.根據權利要求2所述的方法，其特征在于，所述目錄結構為節點樹；

所述根據所述至少一個標識中每個標識以及與所述每個標識對應的多媒體內容，確定行業語料，包括：

將所述每個節點對應的標識確定為問題數據，以及將所述每個標識對應的多媒體內容確定為所述問題數據的答案數據；

根據所述節點樹中節點之間的關聯關系，對所述問題數據進行篩選，確定目標問題數據；

將所述目標問題數據和與所述目標問題數據對應的目標答案數據確定為行業語料。

4.根據權利要求1或3所述的方法，其特征在于，所述對所述行業語料中的行業特征詞進行詞條擴展，生成行業問答數據，包括：

利用點互信息算法，確定所述行業語料中語義相關的行業特征詞；

通過預設擴展方式，對所述行業特征詞進行詞條擴展，生成行業問答數據；其中，

所述預設擴展方式包括下述中的至少一種：通用句子編碼器擴展方式、檢索知識庫擴展方式。

5.根據權利要求4所述的方法，其特征在于，所述點互信息算法包括第一點互信息算法；

所述利用點互信息算法或者多字點互信息算法，確定所述行業語料中語義相關的行業特征詞，包括：

根據第一數值與所述第二數值的比值，確定兩個第一字組成詞的第一概率值；

將滿足第一預設條件的第一概率值對應的兩個第一字組成的詞，確定為行業特征詞；

其中，所述第一數據為所述行業語料中每兩個字共同出現的頻次與所述行業語料中總詞數的比值，所述第二數值為所述兩個第一字中每個字單獨在所述行業語料中出現的頻次與所述行業語料中總詞數的比值。

6.根據權利要求4所述的方法，其特征在于，所述點互信息算法包括第二點互信息算法；

所述利用點互信息算法或者多字點互信息算法，確定所述行業語料中語義相關的行業特征詞，包括：

根據所述行業語料中至少三個第二字，確定所述至少三個第二字中任意字組合成第一詞的第二概率值；

根據所述第一詞在所述行業語料中出現的狀態，對所述行業語料按所述第一詞中具有最大數量詞的目標詞語進行切分；

在所述目標詞語對應的第二概率滿足第二預設條件的情況下，將所述目標詞語確定為所述行業特征詞；其中，

所述第二概率值由每個第二字單獨在所述行業語料中出現的頻次與所述行業語料中總詞數的比值，以及所述行業語料中第一詞出現的頻次與所述行業語料中總詞數的比值確定。

7.根據權利要求4所述的方法，其特征在于，所述通過預設擴展方式，對所述行業特征詞進行詞條擴展，生成行業問答數據，包括：

通過預設擴展方式，對所述行業特征詞進行詞條擴展，確定擴展詞條；

根據所述擴展詞條和所述行業特征詞，生成行業問答數據。

8.根據權利要求7所述的方法，其特征在于，所述預設擴展方式為通用句子編碼器擴展方式；

所述通過預設擴展方式，對所述行業特征詞進行詞條擴展，確定擴展詞條，包括：

通過句子編碼器從所述行業特征詞中提取滿足第三預設條件的信度候選詞；

對所述信度候選詞進行詞條擴展，確定擴展詞條。