自然語(yǔ)言處理在電力智能問(wèn)答領(lǐng)域的應(yīng)用研究

田麗，洪福斌

自然語(yǔ)言處理在電力智能問(wèn)答領(lǐng)域的應(yīng)用研究

田麗，洪福斌

（國(guó)網(wǎng)電子商務(wù)有限公司，北京 100053；國(guó)網(wǎng)雄安金融科技集團(tuán)有限公司，河北 保定 071000）

利用自然語(yǔ)言處理技術(shù)和機(jī)器學(xué)習(xí)技術(shù)，結(jié)合電力常識(shí)和居民用電側(cè)知識(shí)積累（包含用電安全、用電常識(shí)、用電政策、應(yīng)急預(yù)案等內(nèi)容），構(gòu)建電力行業(yè)知識(shí)庫(kù)，在用戶側(cè)提供智能在線客服。智能在線客服支持用戶通過(guò)文本或語(yǔ)音輸入，系統(tǒng)識(shí)別客戶真實(shí)意圖，通過(guò)引導(dǎo)交互式地問(wèn)詢，為居民用戶提供問(wèn)題解答，問(wèn)題涵蓋生活用電方面的常識(shí)、電力政策、停電信息、辦電流程等，既能顯著節(jié)約客服中心的工作量，提高工作效率，又能豐富客服系統(tǒng)功能，提升用戶體驗(yàn)。

自然語(yǔ)言處理；機(jī)器學(xué)習(xí)；知識(shí)庫(kù)構(gòu)建；智能問(wèn)答

1 引言

電力領(lǐng)域目前對(duì)用戶的問(wèn)題訴求處理仍采用傳統(tǒng)的呼叫模式：以電話→坐席受理→問(wèn)題解答→坐席回訪為主[1]，用戶的問(wèn)題涵蓋了故障報(bào)修、停電信息查詢、電量電費(fèi)查詢、投訴舉報(bào)、電動(dòng)車聯(lián)網(wǎng)等業(yè)務(wù)類型，客服中心為了保證能夠隨時(shí)解答用戶提出的問(wèn)題，提供7×24 h服務(wù)，投入了大量的人力資源。盡管如此，業(yè)務(wù)知識(shí)更新速度快，業(yè)務(wù)人員的知識(shí)儲(chǔ)備和學(xué)習(xí)能力不一，人力成本不斷增加，而且電話客服通過(guò)語(yǔ)音菜單對(duì)客戶進(jìn)行分類引流，雖然一定程度上提高了匹配程度和應(yīng)答效率，但是相對(duì)復(fù)雜的客服流程卻無(wú)形中增加了用戶和客服之間的溝通門(mén)檻，造成不佳的用戶體驗(yàn)。因此，如何減輕客服壓力，降低人力成本，打造功能更加豐富、體驗(yàn)更好的客服系統(tǒng)，是急需解決的問(wèn)題。

人工智能是目前研究的熱點(diǎn)和技術(shù)發(fā)展趨勢(shì)，智能問(wèn)答作為人工智能的一種典型表現(xiàn)形式，允許用戶口語(yǔ)化表達(dá)，并為用戶直接返回所需的答案，提高了溝通效率，節(jié)省了人力資源，具有較強(qiáng)的應(yīng)用需求和研究?jī)r(jià)值。

目前在智能問(wèn)答方面的研究主要有三方面：文獻(xiàn)[2-3]提出基于語(yǔ)法分析的問(wèn)答系統(tǒng)構(gòu)建方法，文獻(xiàn)[4-6]提出基于復(fù)雜神經(jīng)網(wǎng)絡(luò)詞向量技術(shù)可提高信息檢索的速度以及準(zhǔn)確率，文獻(xiàn)[7-8]提出深度學(xué)習(xí)技術(shù)、Learning to Rank以及基于用戶反饋信息調(diào)整檢索答案技術(shù)。

綜上所述，構(gòu)建一套問(wèn)答系統(tǒng)，既需要理解自然語(yǔ)言問(wèn)句，還需要構(gòu)建海量的知識(shí)庫(kù)，因此，本文通過(guò)對(duì)自然語(yǔ)言問(wèn)句的理解和研究，設(shè)計(jì)一套智能問(wèn)答系統(tǒng)，實(shí)現(xiàn)兩個(gè)目標(biāo)：一是能更好地理解用戶的上下文語(yǔ)境和語(yǔ)義，提升對(duì)問(wèn)題的理解能力；二是系統(tǒng)自身具備更強(qiáng)大的知識(shí)庫(kù)和自我學(xué)習(xí)的能力，通過(guò)問(wèn)答訓(xùn)練和算法調(diào)優(yōu)，不斷提升答案的匹配精準(zhǔn)度。本文提到的智能問(wèn)答系統(tǒng)，主要結(jié)合電力常識(shí)和公司居民用電側(cè)知識(shí)積累（包含用電安全、用電常識(shí)、用電政策、應(yīng)急預(yù)案等內(nèi)容），構(gòu)建電力行業(yè)知識(shí)庫(kù)，在用戶側(cè)提供智能在線客服，通過(guò)語(yǔ)音識(shí)別和語(yǔ)義分析技術(shù)，識(shí)別客戶真實(shí)意圖，通過(guò)引導(dǎo)交互式地服務(wù)，為居民用戶提供生活用電方面的常識(shí)、電力政策、停電信息、辦電流程等問(wèn)題的解答。

2 自然語(yǔ)言處理方法研究

自然語(yǔ)言處理是一門(mén)交叉學(xué)科，涉及語(yǔ)言學(xué)、數(shù)學(xué)、計(jì)算機(jī)科學(xué)、信息學(xué)、電子科學(xué)、心理科學(xué)、認(rèn)知科學(xué)、神經(jīng)科學(xué)等，而作為專業(yè)領(lǐng)域內(nèi)的研究，還需要加入該專業(yè)的領(lǐng)域知識(shí)[9-11]。本文所設(shè)計(jì)的智能問(wèn)答系統(tǒng)關(guān)鍵模塊主要包含知識(shí)庫(kù)創(chuàng)建、問(wèn)題理解、問(wèn)題檢索，涉及的技術(shù)主要包含語(yǔ)料清洗、中文分詞、特征工程、模型訓(xùn)練。

2.1 語(yǔ)料清洗

把不感興趣或者無(wú)用的，視為噪音的內(nèi)容進(jìn)行刪除，如針對(duì)原始文本，提取標(biāo)題、摘要、正文等信息，對(duì)于爬取的網(wǎng)頁(yè)內(nèi)容，去除廣告、標(biāo)簽、HTML、JS等代碼和注釋。

2.2 中文分詞

漢語(yǔ)以字為基本書(shū)寫(xiě)單位，詞語(yǔ)之間沒(méi)有明顯的區(qū)分標(biāo)記，分詞技術(shù)是知識(shí)庫(kù)搜索查詢過(guò)程中的第一步，分詞實(shí)現(xiàn)效果的好壞對(duì)系統(tǒng)問(wèn)答結(jié)果的影響非常大[12]。中文分詞后，給每個(gè)詞或者詞語(yǔ)進(jìn)行詞性標(biāo)注，如給詞語(yǔ)打上形容詞、動(dòng)詞、名詞等標(biāo)簽；去停用詞指對(duì)文本特征沒(méi)有任何貢獻(xiàn)作用的字詞進(jìn)行刪除，比如標(biāo)點(diǎn)符號(hào)、語(yǔ)氣、人稱等；命名實(shí)體識(shí)別指識(shí)別文本中具有特定意義的實(shí)體，主要包括人名、地名、機(jī)構(gòu)名、專有名詞等。

2.3 特征工程

把分詞之后的字和詞語(yǔ)表示成計(jì)算機(jī)能夠計(jì)算的類型。把中文分詞的字符串轉(zhuǎn)換成數(shù)字，主要運(yùn)用的技術(shù)為詞向量技術(shù)，詞向量是一種將單詞表征成為高維空間的向量表示方法。詞向量技術(shù)最初用于在語(yǔ)言模型技術(shù)中，將單詞詞典作為一個(gè)向量，詞典中所含詞的個(gè)數(shù)即為向量的維度，某個(gè)單詞的向量即為單詞在詞典中出現(xiàn)的位置。本文所述智能問(wèn)答系統(tǒng)所使用的詞向量技術(shù)來(lái)源于谷歌發(fā)布的Word2vec開(kāi)源工具[13]。其主要包含兩個(gè)模型，即跳字模型（Skip-Gram）和連續(xù)詞袋模型（Continuous Bag of Words，簡(jiǎn)稱CBOW），以及兩種高效訓(xùn)練的方法，即負(fù)采樣（Negative Sampling）和層序Softmax（Hierarchical Softmax）。Word2Vec詞向量可以較好地表達(dá)不同詞之間的相似和類比關(guān)系。

2.4 模型訓(xùn)練

卷積神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，卷積神經(jīng)網(wǎng)絡(luò)包含至少六層的神經(jīng)網(wǎng)絡(luò)，包含輸入層、特征表示層、卷積層、下采樣層、隱藏層和輸出層[12]。在分類模型的建立上，本文選擇使用的是卷積神經(jīng)網(wǎng)絡(luò)CNN。CNN最大的優(yōu)勢(shì)在特征提取方面。由于CNN的特征檢測(cè)層通過(guò)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，避免了顯示的特征抽取，而是隱式地從訓(xùn)練數(shù)據(jù)中進(jìn)行學(xué)習(xí)；再者由于同一特征映射面上的神經(jīng)元權(quán)值相同，所以網(wǎng)絡(luò)可以并行學(xué)習(xí)，相比于傳統(tǒng)的Randomforest或是Xgboost等經(jīng)典分類模型，CNN具有發(fā)現(xiàn)更多難以察覺(jué)的局部特征的能力，而不是像傳統(tǒng)的方法最終的結(jié)果始終要受到特征工程好壞的限制。

3 電力智能問(wèn)答系統(tǒng)研究與實(shí)現(xiàn)

3.1 系統(tǒng)整體設(shè)計(jì)

電力智能問(wèn)答系統(tǒng)產(chǎn)品功能流程如圖1所示，用戶通過(guò)語(yǔ)音方式或者文本方式將問(wèn)答語(yǔ)句輸入，如果用戶輸入為語(yǔ)音，需要通過(guò)語(yǔ)音識(shí)別技術(shù)將其轉(zhuǎn)化為文字，并通過(guò)語(yǔ)義識(shí)別技術(shù)將其轉(zhuǎn)換為表達(dá)式，自然語(yǔ)言處理模塊理解表達(dá)式，將其轉(zhuǎn)化并輸入至對(duì)話管理模塊，對(duì)話管理模塊采取特定的算法進(jìn)行回復(fù)，然后再生成自然語(yǔ)言，完成文字至語(yǔ)音的輸出。

圖1 電力智能問(wèn)答系統(tǒng)產(chǎn)品功能流程

本文電力智能問(wèn)答系統(tǒng)體系架構(gòu)如圖2所示，最下層為數(shù)據(jù)獲取層，往上分別為知識(shí)庫(kù)構(gòu)建、智能問(wèn)答處理及應(yīng)用模塊。

圖2 電力智能問(wèn)答系統(tǒng)體系架構(gòu)

知識(shí)庫(kù)構(gòu)建模塊：通過(guò)數(shù)據(jù)爬取、人工標(biāo)注、關(guān)系抽取、知識(shí)分類、規(guī)則構(gòu)建等一系列過(guò)程，形成知識(shí)庫(kù)。

智能問(wèn)答處理模塊：用戶以語(yǔ)音或者文字輸入后，主要經(jīng)過(guò)預(yù)處理、問(wèn)題理解、問(wèn)題檢索和反饋，最終以文字或者語(yǔ)音形式輸出給用戶。

應(yīng)用模塊：在智能問(wèn)答核心技術(shù)的支撐下產(chǎn)生的各種應(yīng)用和服務(wù)，可提供業(yè)務(wù)辦理咨詢、服務(wù)申請(qǐng)、家庭電氣導(dǎo)購(gòu)、電費(fèi)電量查詢、用電常識(shí)查詢、電力政策查詢、停電通知等服務(wù)，同時(shí)可和傳統(tǒng)人工坐席相結(jié)合，在智能問(wèn)答無(wú)法回答的情況下，再呼叫人工坐席。

3.2 數(shù)據(jù)獲取

智能應(yīng)答系統(tǒng)首先要有數(shù)據(jù)來(lái)構(gòu)建知識(shí)庫(kù)，數(shù)據(jù)可以來(lái)自于互聯(lián)網(wǎng)爬取，也可是現(xiàn)有的知識(shí)庫(kù)或者特定的語(yǔ)料庫(kù)。

數(shù)據(jù)源：95598熱線業(yè)務(wù)范圍覆蓋故障報(bào)修、業(yè)務(wù)咨詢、投訴、舉報(bào)、建議、意見(jiàn)、表?yè)P(yáng)、服務(wù)申請(qǐng)等業(yè)務(wù)類型，經(jīng)過(guò)多年運(yùn)營(yíng)已經(jīng)形成了海量、翔實(shí)的數(shù)據(jù)積累[14]。另外，數(shù)據(jù)源還可包括電力公司網(wǎng)站、營(yíng)業(yè)廳、供電所、電管家等各業(yè)務(wù)數(shù)據(jù)，國(guó)網(wǎng)各業(yè)務(wù)系統(tǒng)日志數(shù)據(jù)以及百度、論壇等網(wǎng)絡(luò)數(shù)據(jù)。

數(shù)據(jù)獲取：網(wǎng)絡(luò)爬蟲(chóng)、人工維護(hù)錄入、第三方開(kāi)放平臺(tái)接口。

數(shù)據(jù)挖掘：對(duì)所獲取的數(shù)據(jù)按一定的結(jié)構(gòu)和規(guī)則，通過(guò)數(shù)據(jù)挖掘技術(shù)挖掘成有用的信息或結(jié)構(gòu)化信息[15]。

電力智能問(wèn)答系統(tǒng)的數(shù)據(jù)獲取與挖掘如圖3所示。

圖3 電力智能問(wèn)答系統(tǒng)的數(shù)據(jù)獲取與挖掘

3.3 知識(shí)庫(kù)構(gòu)建

知識(shí)庫(kù)有通用領(lǐng)域的知識(shí)庫(kù)和專用領(lǐng)域知識(shí)庫(kù)，針對(duì)電力領(lǐng)域智能問(wèn)答領(lǐng)域，通用領(lǐng)域的知識(shí)庫(kù)已不能滿足需求，需要構(gòu)建專用領(lǐng)域知識(shí)庫(kù)，獲取數(shù)據(jù)后，可以進(jìn)行知識(shí)庫(kù)構(gòu)建，知識(shí)庫(kù)構(gòu)建模塊主要分為詞類管理、知識(shí)庫(kù)管理和問(wèn)答歷史管理。

3.3.1 詞類管理

詞類管理模塊實(shí)現(xiàn)對(duì)業(yè)務(wù)關(guān)鍵詞、近義詞、敏感詞、專業(yè)詞、前后綴和拼音詞的處理。特定領(lǐng)域內(nèi)部有許多領(lǐng)域內(nèi)術(shù)語(yǔ)，需要人工設(shè)置領(lǐng)域內(nèi)關(guān)鍵詞，用以區(qū)分和精確匹配答案，詞類管理通過(guò)人工手動(dòng)添加的方式，增加詞類信息。

3.3.2 知識(shí)庫(kù)管理

知識(shí)庫(kù)是智能問(wèn)答系統(tǒng)的知識(shí)中樞，由知識(shí)分類、標(biāo)準(zhǔn)問(wèn)題、擴(kuò)展問(wèn)題、標(biāo)準(zhǔn)答案、實(shí)例、屬性組成。其中知識(shí)分類是運(yùn)營(yíng)人員或客戶預(yù)先對(duì)知識(shí)庫(kù)的各個(gè)問(wèn)答對(duì)標(biāo)注的分類信息，實(shí)例是指一個(gè)針對(duì)同一答案的不問(wèn)問(wèn)法的集合，屬性是另一種分類信息。標(biāo)準(zhǔn)問(wèn)題和標(biāo)準(zhǔn)答案是指客戶給出的常用知識(shí)問(wèn)答對(duì)，擴(kuò)展問(wèn)題是指運(yùn)營(yíng)人員針對(duì)同一標(biāo)注答案提供不同問(wèn)法。

3.3.3 問(wèn)答歷史管理

問(wèn)答歷史模塊記錄所有用戶跟系統(tǒng)的聊天記錄，基于此可以重點(diǎn)關(guān)注未解決問(wèn)題，分析、改進(jìn)系統(tǒng)的智能化程度。

3.4 智能問(wèn)答

智能問(wèn)答主要包括預(yù)處理、問(wèn)題理解、問(wèn)題檢索3個(gè)模塊，預(yù)處理模塊將用戶輸入的查詢語(yǔ)句通過(guò)智能分詞、命名實(shí)體標(biāo)注等方法轉(zhuǎn)換為關(guān)鍵字、詞序列。問(wèn)題理解模塊明確用戶提出的問(wèn)題，問(wèn)題檢索模塊指系統(tǒng)提供根據(jù)用戶提出的問(wèn)題進(jìn)行查詢以及排序并返回結(jié)果的過(guò)程。

3.4.1 預(yù)處理

預(yù)處理包括智能分詞、命名實(shí)體識(shí)別、智能反問(wèn)模塊。

智能分詞模塊：將用戶輸入的查詢語(yǔ)句進(jìn)行分詞，分詞時(shí)將詞類管理中生成的特殊詞以及詞組添加入分詞詞典，并保持更新。

命名實(shí)體識(shí)別模塊[16]：主要負(fù)責(zé)將語(yǔ)句中的人名、地名以及事先標(biāo)注好的實(shí)體名識(shí)別出，并加以特殊標(biāo)記。

智能反問(wèn)模塊：在檢索不到用戶答案時(shí)，判斷用戶是不是表意不清，反問(wèn)用戶是不是想要咨詢另一問(wèn)題。

3.4.2 問(wèn)題理解

問(wèn)題分析模塊主要通過(guò)分類器識(shí)別、分析用戶問(wèn)題的意圖，在問(wèn)題分析模塊中，使用基于詞向量的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)用戶意圖進(jìn)行分類。其中詞向量技術(shù)主要用于解決文本表示的問(wèn)題，而卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)文本特征的刪選和構(gòu)建分類模型。

3.4.3 問(wèn)題檢索與反饋

數(shù)據(jù)庫(kù)中存儲(chǔ)一些常用用戶問(wèn)題和標(biāo)準(zhǔn)問(wèn)題的問(wèn)答，通過(guò)一個(gè)分布式的內(nèi)存數(shù)據(jù)庫(kù)實(shí)現(xiàn)，主要解決用戶最常用的問(wèn)題，例如“電費(fèi)電量查詢”等。檢索模塊主要根據(jù)問(wèn)題分析模塊分析得到的詞，去分布式索引庫(kù)中檢索問(wèn)題相關(guān)的問(wèn)題。與此同時(shí)，為了更精準(zhǔn)地理解用戶以及擴(kuò)大知識(shí)范圍，問(wèn)題通過(guò)推薦模塊對(duì)用戶進(jìn)行相應(yīng)的推薦，推薦模塊通過(guò)業(yè)務(wù)邏輯樹(shù)實(shí)現(xiàn)分層次的業(yè)務(wù)推薦。另外，為了更好地完成與用戶的會(huì)話信息，系統(tǒng)還會(huì)對(duì)用戶Session進(jìn)行維護(hù)，使之能夠?qū)崿F(xiàn)業(yè)務(wù)與操作的自動(dòng)補(bǔ)全。

系統(tǒng)在完善業(yè)務(wù)相關(guān)問(wèn)答的同時(shí)，還可以回答客戶的一些非業(yè)務(wù)問(wèn)題，基于機(jī)器學(xué)習(xí)技術(shù)的情感分析模塊可以對(duì)用戶的情感進(jìn)行判斷，使系統(tǒng)能人性化地對(duì)用戶的投訴等問(wèn)題進(jìn)行針對(duì)性的回答。

3.5 創(chuàng)新點(diǎn)

3.5.1 上下文理解

系統(tǒng)通過(guò)用戶ID維護(hù)對(duì)話Session，自動(dòng)記錄用戶的相關(guān)信息，如有要處理的業(yè)務(wù)以及要進(jìn)行的操作，在Session可以實(shí)現(xiàn)對(duì)用戶業(yè)務(wù)和操作的自動(dòng)補(bǔ)全。此外還包括對(duì)話上下文理解、對(duì)話流控制。同時(shí)具有多用戶狀態(tài)管理功能，維護(hù)多用戶對(duì)話記錄上下文，追蹤和控制多用戶之間不同的狀態(tài)。

3.5.2 智能推薦

為了使系統(tǒng)給出的答案更加多樣化，系統(tǒng)對(duì)Query進(jìn)行了推薦，該模塊通過(guò)處理用戶的問(wèn)詢，結(jié)合用戶之前的提問(wèn)內(nèi)容，補(bǔ)全上下文信息，結(jié)合關(guān)鍵詞匹配技術(shù)，為用戶提供語(yǔ)義相關(guān)、多維度的信息服務(wù)，實(shí)現(xiàn)推薦信息最大化。同時(shí)開(kāi)通了以業(yè)務(wù)邏輯樹(shù)為主體的推薦平臺(tái)，該平臺(tái)通過(guò)提取業(yè)務(wù)關(guān)鍵詞之間的邏輯關(guān)系，建立業(yè)務(wù)之間的多層分支結(jié)構(gòu)，為推薦平臺(tái)多維度、精細(xì)化語(yǔ)義匹配推薦算法的實(shí)現(xiàn)提供基礎(chǔ)。

3.5.3 情感分析

系統(tǒng)通過(guò)已有數(shù)據(jù)進(jìn)行特征提取，找到表示具有情感傾向性的特征詞，通過(guò)機(jī)器學(xué)習(xí)方法對(duì)大量數(shù)據(jù)進(jìn)行建模，訓(xùn)練模型，判斷問(wèn)題的情感傾向，以此判斷當(dāng)前用戶的情感傾向性，如高興、憤怒等，對(duì)用戶進(jìn)行針對(duì)性的回答。

4 結(jié)束語(yǔ)

本文提出的基于自然語(yǔ)言處理處理技術(shù)和機(jī)器學(xué)習(xí)技術(shù)構(gòu)建電力領(lǐng)域智能問(wèn)答系統(tǒng)，為居民用電測(cè)提供智能在線客服，既能顯著節(jié)約人工客服的工作量，更能滿足業(yè)務(wù)需求，提高客戶體驗(yàn)，有著非常重要的應(yīng)用前景，另外，由于自然語(yǔ)言和領(lǐng)域知識(shí)的復(fù)雜性，當(dāng)前限定領(lǐng)域的問(wèn)答系統(tǒng)的實(shí)現(xiàn)在技術(shù)上還有很多難點(diǎn)需要解決，需要進(jìn)一步研究語(yǔ)義理解、語(yǔ)境識(shí)別、指代消解、自學(xué)習(xí)等技術(shù)，提升問(wèn)答系統(tǒng)的效率和準(zhǔn)確率。

［1］游紹華，張羿，段紅剛，等.智能客服在電網(wǎng)呼叫中心的應(yīng)用［J］.科技傳播，2018（1）：57-59.

［2］BERNAT J，CHOU A，ROY F，et al.Semantic parsing on freebase from question-answer pairs［C］//The 2013 conference on empirical methods on natural language processing，seattle:association fbr computational linguistics，2013：1533-1544.

［3］BERANT J，LIANG P.Semantic parsing via paraphrasing［C］//The 52nd annual meeting of the association for computational linguistics，baltimore: association for computational linguistics，2014:479-485.

［4］MIKOLOV T，CHEN K，CORRADO G，et al.Efficient estimation of word representations in vctor space［J/OL］.［2021-03-23］.https://www.oalib.com/paper/4057741.

［5］MIKOLOV T，SUTSKEVER I，CHEN K ，et al. Distributed representations of words and phrases and their compo sitionality［J］. Advances in neural information processing systems，2013（26）：3111-3119.

［6］MAAS A L，DALY R E，PHAM P T，et al.Learning word vectors for sentiment analysis［C］//49th annual meeting of the association for computational Linguistics:human language technologies，2011.

［7］LEI Y，HERMANN K M，BLUNSOM P，et al.Deep learning for answer sentence selection［J/OL］.［2021-03-23］.https://www.oalib.com/paper/4067539.

［8］CHELARU S，ORELLANA-RODRIGUEZ C，ALTINGOVDE I S.How useful is social feedback for learning to rank YouTube videos?［J］. World wide web，2013，17（5）：997-1025.

［9］MANNING C D.Computational linguistics and deep learning［J］.Computational linguistics，2015，41（4）：1-7.

［10］JURAFSKY D，MARTIN J H.Speech and Language processing:an introduction to natural language processing，computational linguistics，and speech recognition［M］. NJ:Prentice Hall，Upper Saddle River，2008.

［11］MANNING C D，SCHIITZE H.Foundations of statistical natural language processing［M］.London:The MIT Press，1999.

［12］王蕾.面向醫(yī)療健康領(lǐng)域的智能問(wèn)答系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［D］.北京：北京郵電大學(xué)，2018.

［13］邢超.智能問(wèn)答系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［D］.北京：北京交通大學(xué)，2015.

［14］游紹華，張羿，段紅剛，等.智能客服在電網(wǎng)呼叫中心的應(yīng)用［J］.科技傳播，2018（1）：57-59.

［15］邱劍.電力中文文本數(shù)據(jù)挖掘技術(shù)及其在可靠性中的應(yīng)用研究［D］.杭州：浙江大學(xué)，2016.

［16］楊燕.面向電商領(lǐng)域的智能問(wèn)答系統(tǒng)若干關(guān)鍵技術(shù)研究［D］.上海：華東師范大學(xué)，2016.

TP391.1

A

10.15913/j.cnki.kjycx.2021.08.002

2095－6835（2021）08－0005－04

田麗（1992—），女，本科，主要研究方向?yàn)樽匀徽Z(yǔ)言處理技術(shù)的主要模型及算法及其在語(yǔ)音識(shí)別、搜索引擎、知識(shí)圖譜等方面的應(yīng)用。

〔編輯：王霞〕