[發(fā)明專利]一種知識問答方法、裝置及工程機械

在審

• 申請?zhí)枺?/td>: 202111109199.8
• 申請日: 2021-09-22
• 公開（公告）號: CN113918679A
• 公開（公告）日: 2022-01-11
• 發(fā)明（設計）人: 肖長清;封楊;劉真驥
• 申請（專利權）人: 三一汽車制造有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/332;G06F40/295;G06V30/422;G06V30/148;G06N3/04;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 聶俊偉

1.一種知識問答方法，其特征在于，包括：

接收用戶輸入的圖片數(shù)據(jù)；

將所述圖片數(shù)據(jù)輸入至目標檢測深度學習模型，獲取目標圖像；將所述目標圖像輸入特征提取深度學習模型，獲取目標特征向量；

從預先構建的圖片特征向量庫中，提取與所述目標特征向量相匹配的第一特征向量；

從預先構建的知識管理庫中，提取與所述第一特征向量相關的第一富文本知識數(shù)據(jù)；

將所述第一富文本知識數(shù)據(jù)輸出。

2.根據(jù)權利要求1所述的知識問答方法，其特征在于，所述特征提取深度學習模型的數(shù)量包括多種，不同種類的特征提取深度學習模型用于提取不同種類的目標圖像的目標特征向量；

將所述目標圖像輸入特征提取深度學習模型，獲取目標特征向量，具體包括：

根據(jù)所述目標圖像的種類，將所述目標圖像輸入對應的特征提取深度學習模型；

獲取由所述特征提取深度學習模型輸出的目標特征向量。

3.根據(jù)權利要求2所述的知識問答方法，其特征在于，所述特征提取深度學習模型包括泵車特征提取深度學習模型、車載泵特征提取深度學習模型、拖泵特征提取深度學習模型、濕噴機特征提取深度學習模型、攪拌車特征提取深度學習模型、油缸特征提取深度學習模型或零部件類特征提取深度學習模型。

4.根據(jù)權利要求1所述的知識問答方法，其特征在于，所述從預先構建的知識管理庫中，提取與所述目標特征向量相匹配的第一特征向量具體包括：

通過空間余弦相似度計算，確定所述目標特征向量與圖片特征向量庫中的每個特征向量之間的相似度值；

將所有相似度值進行排序；

判斷相似度值最高的特征向量是否大于預設閾值；

如果判斷結果為是，則將所述相似度值最高的特征向量確定為所述第一特征向量。

5.根據(jù)權利要求1所述的知識問答方法，其特征在于，還包括：

接收用戶輸入的第一文本數(shù)據(jù)；

將所述第一文本數(shù)據(jù)輸入至語義識別模型，獲取第一輸入句向量；

根據(jù)所述第一輸入句向量，確定所述第一文本數(shù)據(jù)的第一問句類型；

抽取所述第一文本數(shù)據(jù)中的第一實體數(shù)據(jù)集；

基于所述第一問句類型，從遠程字典服務組件中，提取與所述第一輸入句向量和所述第一實體數(shù)據(jù)集相關的多個相似問和/或標準問；

對所有的相似問和標準問進行排序，獲取第一目標標準問；

從預先構建的知識管理庫中，提取與所述第一目標標準問相關的第二富文本知識數(shù)據(jù)；

將所述第二富文本知識數(shù)據(jù)發(fā)送給所述用戶。

6.根據(jù)權利要求1所述的知識問答方法，其特征在于，還包括：

接收用戶輸入的語音數(shù)據(jù)；

將所述語音數(shù)據(jù)輸入至語音識別模型，獲取第二文本數(shù)據(jù)；

確定所述第二文本數(shù)據(jù)的第二問句類型；

將所述第二文本數(shù)據(jù)輸入至語義識別模型，獲取第二輸入句向量；

抽取所述第二文本數(shù)據(jù)中的第二實體數(shù)據(jù)集；

基于所述第二問句類型，從遠程字典服務組件中，提取與所述第二輸入句向量和所述第二實體數(shù)據(jù)集相關的多個相似問和/或標準問；

從所述多個相似問和/或標準問中提取出第二目標標準問；

從預先構建的知識管理庫中，提取與所述第二目標標準問相關的第三富文本知識數(shù)據(jù)；

將所述第三富文本知識數(shù)據(jù)發(fā)送給所述用戶。

7.根據(jù)權利要求1所述的知識問答方法，其特征在于，在接收用戶輸入的圖片數(shù)據(jù)之前，還包括：

收集知識數(shù)據(jù)；

對所有知識數(shù)據(jù)進行分類存儲，以構建知識管理庫；

所述知識數(shù)據(jù)包括結構化數(shù)據(jù)和非結構化數(shù)據(jù)；

所述非結構化數(shù)據(jù)包括每個產品的文本數(shù)據(jù)、圖片數(shù)據(jù)、每個圖片數(shù)據(jù)的特征向量，以及視頻數(shù)據(jù)中的至少一種；

所述結構化數(shù)據(jù)包括每個產品的類型名稱、型號編碼、部件名稱、故障類型以及所述非結構化數(shù)據(jù)中每個數(shù)據(jù)的存儲路徑中的至少一種。