Dialog cerdas adalah bentuk mesin pencari masa depan. Sementara Pencarian Shenma mengembangkan layanan data besar seperti pencarian di seluruh jaringan, aliran informasi domestik, dan aliran informasi internasional, eksplorasi dan pengendapan dialog cerdas secara bertahap muncul. Dalam setahun terakhir, berdasarkan akumulasi rekomendasi pencarian selama bertahun-tahun, kami telah menyelesaikan pembangunan arsitektur platform, sistem produksi, sistem algoritme, dan sistem operasi; menyediakan layanan stasiun tengah informasi cerdas untuk berbagai pihak bisnis Alibaba Group, dan membuat kemajuan substansial dalam asisten suara pribadi . Artikel ini terutama memperkenalkan sistem konten dan arsitektur platform dari Dialog Cerdas Pencarian Shenma. Ruangnya terbatas dan beberapa detail tidak akan diperluas terlalu banyak.
Penyelarasan istilah
Mesin TaskBot: Objek pemrosesan inti adalah "keterampilan". Kami mendefinisikan keterampilan sebagai tugas terstruktur (kueri + konten) dan berorientasi pemandangan vertikal, seperti kueri adegan waktu nyata, alat, kontrol, dll.
Mesin QABot: termasuk mesin KG-QA, mesin QAPair, mesin DeepQA. KG-QA terutama adalah ensiklopedia dan pertanyaan dan jawaban akurat seputar grafik pengetahuan dari seluruh jaringan; Mesin QAPair terutama didasarkan pada pertanyaan dan jawaban untuk produksi dan konsumsi; Mesin DeepQA adalah sistem multi-level berdasarkan pengindeksan url, klasifikasi dan pengelompokan, kata-kata fokus, dan abstrak
Mesin ChatBot: termasuk mesin obrolan kecil berdasarkan pengambilan dan pembuatan
Sistem konten
Pencarian web dan dialog cerdas adalah cara berbeda untuk menjalankan layanan informasi, dan keduanya berada dalam garis yang sama secara terus menerus dalam hal data, algoritme, dan arsitektur. Justru karena akumulasi inilah perusahaan mesin pencari seperti Google bisa dengan cepat meluncurkan produk platform AI mereka, To B / C berdasarkan layanan informasi.
- Perpustakaan Keterampilan Industri
- Tahap pertama: Tim menghabiskan setengah tahun untuk secara struktural meningkatkan 100+ industri vertikal dari penelusuran besar, yang melibatkan industri mulai dari hiburan besar, perjalanan besar, berita dan informasi, menengah hingga mobil, olahraga, pariwisata, dan kecil hingga saham, terjemahan, Puisi kuno dan sebagainya
- Tahap kedua: peningkatan keterampilan struktural lebih lanjut, struktur Query halus, konstruksi dialog multi-putaran, dan keluaran ke peta pengetahuan dari seluruh jaringan pembicara wizard Tmall
- Satu-satunya grafik pengetahuan seluruh jaringan Alibaba, keluaran dengan kartu pengetahuan, rekomendasi entitas, T&J akurat, dan produk lainnya; Basis data T&J komunitas basis data T&J: berdasarkan basis data T&J komunitas T&J UGC, dokumen 1B; produksi UPGC: Shenma "Knights" didirikan Para ksatria adalah kode nama proyek. Itu memanfaatkan sepenuhnya kampus untuk mengatur, memproses, dan meninjau stok pengetahuan untuk meningkatkan efisiensi produksi dan kualitas pertanyaan dan jawaban; saat ini ada 10.000 siswa yang berpartisipasi; perpustakaan berkualitas tinggi: perpustakaan tanya jawab komunitas Cakupannya tinggi tetapi kualitasnya tidak merata. Kualitas produksi sosial tinggi tetapi kuantitasnya relatif kecil. Melalui pembersihan mesin perpustakaan tanya jawab komunitas dan perluasan perpustakaan produksi sosial, pada akhirnya akan menjadi perpustakaan berkualitas tinggi; perpustakaan putih telur: putih telur adalah strategi produk . Saat pengguna berbicara dengan bot, jawaban yang paling diharapkan adalah "kuning telur", tetapi terkadang mesin dapat (atau beberapa mendapatkan) pertanyaan pengguna tetapi tidak dapat memberikan jawaban yang sempurna. Pada saat ini, memberikan "putih telur" kepada pengguna juga merupakan cara yang elegan. Berarti saya memahami Anda; versi pertama putih telur telah diluncurkan, terutama mencakup jenis masalah "deskripsi / metode"; perpustakaan inti
- Untuk memurnikan lingkungan Internet dan meningkatkan kualitas konten, kami telah mengoperasikan serangkaian proses perpustakaan inti dengan cara operasi + penambangan;
Perpustakaan keterampilan + basis pengetahuan + perpustakaan Q&A + perpustakaan obrolan, merupakan infrastruktur dialog cerdas dalam kancah layanan informasi, memberikan beberapa contoh untuk menggambarkan kepuasan perpustakaan yang berbeda untuk pertanyaan yang berbeda, Xiao Ma sedang menonton pertandingan NBA ,Dia berkata:
"Berapa banyak poin yang dimiliki Rockets di depan?" - > Perpustakaan keterampilan
"Siapa yang menemukan bola basket?" - > dasar pengetahuan
"Bisakah Harden masuk Hall of Fame?" - > Pustaka T&J
"Mari kita bicara tentang NBA?" - > Perpustakaan obrolan
Layanan informasi umum selalu mengejar cakupan dan kualitas pertanyaan dan jawaban, yang juga merupakan kesulitan industri, termasuk pemrosesan data semi-terstruktur / tidak terstruktur, mode produksi konten, masalah sensitif konten, kepuasan pengguna, dll .; Pencarian Shenma Sistem QA multi-level, MOPU (Mesin / OGC / PGC / UGC) produksi yang terdiversifikasi, sistem produksi berkelanjutan yang berorientasi proses dan berskala besar yang terakumulasi selama eksplorasi berada di garis depan industri; dalam evaluasi pengumpulan kueri ideal Tmall Elf terbaru Di atas, tingkat pemicu mencapai 73%, dan tingkat keakuratan mencapai 91%. Untuk konsep data ini, Anda dapat merujuk pada indikator produk perwakilan di industri:
Menurut survei terbaru oleh Stone Temple, Asisten Virtual Google dapat menjawab 68% pertanyaan pengguna, 90,6% di antaranya benar, sedangkan Microsoft Cortana dapat menjawab 56,5% pertanyaan pengguna dengan tingkat akurasi 81,9%; sedangkan Apple Siri menjawab Persentase pertanyaan pengguna yang dijawab oleh Amazon Alexa adalah 21,7%, dan tingkat akurasinya 62,2%. Persentase pertanyaan pengguna yang dijawab oleh Amazon Alexa adalah 20,7%, dan tingkat akurasinya 87%.
Sistem arsitektur
Gambar di atas adalah gambaran besar keseluruhan dari sistem arsitektur. "Mesin" bertanggung jawab atas konstruksi data dan penghitungan, dan "platform" bertanggung jawab atas solusi loop tertutup (produksi, konsumsi multi-tenant, operasi, manajemen permintaan, dll.) Yang dibangun dengan mesin sebagai intinya. Pendaratan sistem dapat mencari akumulasi dan presipitasi selama bertahun-tahun. Sistem ini sepenuhnya dipisahkan dari bisnis pencarian, dan membawa lalu lintas pihak bisnis seperti Tmall Wizard (dan Tanya Jawab langsung di Double Eleven). Berikut ini akan memperkenalkan platform Advent Tuhan, mesin TaskBot, dan mesin QABot.
Platform Keturunan Dewa
God's Landing Platform adalah ekstensi berbasis platform dari mesin TaskBot yang memecahkan masalah seperti produksi keterampilan, konsumsi, dan pengoperasian. Untuk pengembang eksternal, ini adalah BotFramework; untuk penelepon eksternal, itu adalah pintu masuk dan keluar dari seluruh dialog cerdas Shenma; untuk RD internal, itu adalah platform produksi dan operasi. Saat ini, platform ini terutama melayani bisnis internal grup. God Coming terdiri dari platform terbuka keterampilan, platform produksi keterampilan, platform analisis statistik, dan platform manajemen operasi.
- Keterampilan platform terbuka
- Ada dua tingkat keterbukaan: keterbukaan konten + keterbukaan kemampuan. Platform terbuka keterampilan yang sesuai juga mengasumsikan dua peran:
- 1. Pembukaan kemampuan (BotFramework): Dibandingkan dengan platform pengembangan keterampilan api.ai standar, pengembang eksternal membangun keterampilan mereka sendiri;
- 2. Konsumsi konten (OpenAPI): melalui pembuatan aplikasi, pemilihan keterampilan / pertanyaan dan jawaban, dialog cerdas langsung melalui API;
- Saat ini, kami belum mempromosikan BotFramework secara eksternal: Meskipun ada banyak produk platform terbuka, model saat ini sulit untuk memenuhi kebutuhan pengembang. Keterampilan membutuhkan banyak pekerjaan mulai dari perencanaan produk hingga ketersediaan produksi, dan ini bukan tentang mengirimkan korpus, mengonfigurasi konteks titik, dan Outputnya dapat dilakukan (kelas kontrol sederhana hampir tidak bisa). Ada sekitar 300+ niat berbeda di bawah 20+ keterampilan yang diselesaikan pada fase pertama keterampilan kami, dan proses lengkap pengumpulan, pelabelan, peninjauan, pemodelan, dan pengujian korpus telah ditetapkan. Jadi fokus utama kami adalah memoles keterampilan bawaan yang benar-benar dapat digunakan dan menghasilkan nilai aktual. Platform produksi keterampilan
- Platform produksi keterampilan digunakan untuk menghasilkan keterampilan bawaan. Ini konsisten dengan peran platform terbuka keterampilan. Pada akhirnya, ini adalah untuk mengirimkan materi ke mesin TaskBot, tetapi pengguna adalah RD internal, yang mencakup seluruh proses dari PRD produk hingga keterampilan online, yang melibatkan penulisan PRD terstruktur online, pengelolaan permintaan, dan pengelolaan korpus , Manajemen entitas, pengembangan keterampilan, pelatihan keterampilan, verifikasi keterampilan, pelepasan keterampilan.
Untuk universalitas keterampilan, kami mendukung beberapa skenario untuk setiap keterampilan dalam bentuk kelompok keterampilan: standar tanpa layar, layar ponsel, layar besar, standar tanpa layar untuk speaker penyihir Tmall dan skenario serupa, ponsel untuk asisten pribadi skenario Shenma , Mereka tidak sama dalam beberapa putaran persyaratan, presentasi terstruktur, dan strategi penyortiran; selain entitas, korpus, dan skrip, materi dengan keterampilan bawaan mendukung pengiriman pustaka dinamis c ++ untuk mendukung strategi penyortiran yang berbeda, strategi NLG, dll.
Melalui platform ini, pengembangan keterampilan akan online, pembagian kerja PD / RD / QA / operasi akan diperjelas produksi pipa.
- Platform analisis statistik
- Statistik manajemen multi-dimensi, laporan, dan analisis indeks. Masalah yang terlibat termasuk efisiensi produksi dan konsumsi (arah produksi konten dipandu oleh statistik), umpan balik pengendalian konten, dan keterampilan keseluruhan dan independen. Platform Manajemen Operasi
- Platform manajemen operasi dibagi menjadi dua bagian: operasi konten dan operasi aplikasi.
- Operasi konten: intervensi real-time dari domain dan modul utama;
- Operasi aplikasi: penambahan aplikasi / keterampilan, penghapusan, modifikasi, pemeriksaan dan pelatihan;
Catatan 1: Oranye tengah adalah mesin TaskBot, yang akan diperkenalkan di bawah
Catatan 2: Mesin TaskBot, mesin QABot, dan mesin ChatBot dalam gambaran besar adalah arsitektur logis; QABot dan ChatBot mengalir ke TaskBot pada arsitektur fisik, dan ada beberapa modul untuk penarikan kembali multi-saluran dan penilaian pk
Mesin TaskBot
Mesin TaskBot adalah inti dari pengembangan dan konsumsi keterampilan. Ini melibatkan komputasi offline, manajemen konten, penjadwalan, dan layanan online.
- Komputasi offline membangun materi dari platform eksternal menjadi data internal yang sesuai satu per satu; termasuk kamus entitas, model klasifikasi, plug-in / pola / model slot pengenalan maksud, strategi dan template NLG, plug-in skrip DM, plug-in penyortiran AS, plug-in logika webHook, dll. Tunggu. Manajemen konten Kelola data di atas dalam versi berdasarkan aplikasi / keahlian. Manajemen konten harus tanpa kewarganegaraan, dan dapat dengan cepat ditransplantasikan, dibatalkan, dan didistribusikan. Penjadwalan dibagi menjadi penjadwalan data, manajemen lingkungan, dan manajemen layanan. Penjadwalan data bertanggung jawab untuk distribusi data dari offline ke online. Sekumpulan mesin SDS berisi beberapa Peran, dan setiap Peran akan memuat data yang sesuai; manajemen lingkungan bertanggung jawab untuk iterasi, verifikasi, pra-rilis, dan manajemen otomatis lingkungan produksi; manajemen layanan bertanggung jawab atas operasi dan pemeliharaan Pekerjaan termasuk cabang dan kolom (berdasarkan lalu lintas aplikasi, berdasarkan konsumsi keterampilan), ekspansi dan kontraksi, online dan offline, dll.; Mesin online: mesin SDS, lihat gambar di bawah
Mesin SDS adalah inti dari dialog berbasis tugas. Ini menerima permintaan pengguna, menggunakan DM sebagai pusat kendali, NLU sebagai pusat pemahaman, memanggil dan memberi peringkat melalui AS, dan mengeluarkannya setelah pengemasan di NLG. Siaran informasi terkini, zona waktu, batas perjalanan, hari ini dalam sejarah, konversi unit, harga minyak, kalender, nba, lbs dan keterampilan lainnya Tingkat pemicu keterampilan daring Tmall wizard adalah 97-98%, dan tingkat akurasinya 95% +;
- DM (Manajer Dialog): Manajemen dialog adalah bagian penting dari sistem dialog, bertanggung jawab untuk menjaga konteks dialog, mengelola proses dialog, dan menjaga kelancaran proses dialog. Masukan pengguna diproses oleh NLU untuk menghasilkan maksud, slot, dan informasi lainnya. DM membuat keputusan dan perilaku yang sesuai berdasarkan data ini dan konteks dialog saat ini, termasuk memanggil modul NLG untuk menghasilkan bahasa alami, dan mendapatkan apa yang diperlukan dalam proses dialog melalui antarmuka layanan eksternal Informasi tambahan. DM mengelola dialog dalam bentuk pohon tugas. Setiap simpul pohon adalah Agen (penyelidikan, eksekusi, dan respons); mempertimbangkan keserbagunaan dan skalabilitas sistem dialog, kami menggunakan mesin dialog dalam desain modul manajemen dialog Bagian yang terkait dengan bagian dan domain dipisahkan dengan jelas, termasuk komponen agen dialog yang dapat digunakan kembali, opsi kontrol dialog yang dapat diedit, dan mekanisme panggilan eksternal umum. Mudah untuk menyesuaikan Agen dengan fungsi yang berbeda untuk mewujudkan skenario dialog yang berbeda.
Mesin dialog memiliki dua komponen penting dalam kontrol proses:
- Tumpukan eksekusi dialog: Menjaga status eksekusi Agen dalam bentuk tumpukan, dan mengontrol aliran dialog sesuai dengan konteksnya. Tumpukan dialog menempatkan Agen ke dalam tumpukan, dan Agen di atas tumpukan mengeksekusinya dan memilih sub-Agen yang sesuai untuk melanjutkan eksekusi. Tumpukan dialog menyimpan informasi konteks dialog, sesuai dengan adegan dialog tertentu. Agen di atas tumpukan dialog dapat dipahami secara visual sebagai fokus dialog. Tumpukan dialog menggabungkan pohon hubungan Agen dan tabel agenda topik untuk melacak dan mengelola fokus dialog, dan dapat secara fleksibel mempertahankan, beralih, dan melacak topik dialog. Tabel agenda topik: Bertanggung jawab untuk memelihara dan mengelola informasi parameter dari proses dialog, digunakan untuk mengumpulkan masukan pengguna yang diharapkan oleh sistem. Agenda dibagi menjadi beberapa level, dan setiap level sesuai dengan Agen di tumpukan dialog. Oleh karena itu, untuk informasi tumpukan runtime yang berbeda, tabel agenda mewakili input yang diharapkan dalam skenario dialog ini. Saat pengguna menyimpan atau mentransfer topik, dia dapat menemukan parameter yang sesuai dan memperbaruinya.
- Unit eksekusi DM adalah "skrip", dan pohon skrip yang dibangun oleh pengguna pada platform terbuka atau platform produksi melalui seret dan lepas pada akhirnya akan dibuat menjadi c ++ sehingga dapat dimuat dan dijalankan. Saat ini, melalui kombinasi DM dan NLU, beberapa putaran dialog telah diselesaikan tentang berbagai keterampilan, seperti substitusi kelalaian, resolusi referensi, transfer topik, dan penanganan kesalahan.
NLU: NLU memiliki dua konsep desain yang berbeda:
- NLU di sekitar BotFramework: Susun kueri pengguna ke dalam Domain / Intent / Slot dan kemudian kembalikan ke pengembang (dengan keyakinan). Beberapa produk BotFramework mengharuskan pengguna untuk menilai apakah akan menerima hasil ini sendiri. Akan lebih merepotkan jika ada lebih banyak keterampilan , Karena inti dari desain ini adalah untuk membantu pengguna memecahkan masalah pemahaman semantik.NLU produk dialog: Menggabungkan hasil klasifikasi NLU dan penarikan kembali untuk membuat strategi NBest multi-dimensi, yang sangat penting dalam skenario layanan informasi.Misalnya, pengguna mengatakan Li Bai, Mungkin penyair Li Bai, istri Sa Bening Li Bai, atau "Li Bai" Li Ronghao. Ada berbagai cara untuk menghadapinya, seperti klik pengguna dengan bantuan penelusuran besar, perilaku historis pengguna, dan bahkan pertanyaan langsung di DM Li Bai yang mana
2 di atas secara alami mencakup 1, dan NLU Shenma adalah mode 2. Tahun ini, sistem NLU telah mengalami dua peningkatan besar, satu adalah peningkatan NBest dari seluruh SDS, dan yang lainnya adalah sub-NLU. Sub-NLU memungkinkan domain yang berbeda untuk menyesuaikan identifikasi maksud dan strategi slotting mereka sesuai dengan personalisasi internal khusus mereka sendiri, dan meningkatkan paralelisme RD gelar.
NLG / US / Skill-Gateway tidak lagi berkembang.
Mesin QABot
Industri memiliki dimensi pembagian pertanyaan dan jawaban yang berbeda-beda, menurut dimensi kontennya dapat dibagi menjadi tanya jawab data terstruktur, tanya jawab data tidak terstruktur, dan tanya jawab berdasarkan pasangan tanya jawab. Dari segi teknis, industri secara umum dibagi menjadi sistem tanya jawab berbasis temu kembali dan sistem tanya jawab berbasis generatif. Yang pertama adalah membangun sistem pengambilan informasi pada kumpulan data dialog skala besar, melalui pembentukan pencocokan pertanyaan yang efektif dan model kuantifikasi terkait Q & A untuk mencapai tanggapan yang wajar terhadap pertanyaan pengguna; yang terakhir mencoba membangun ujung-ke-ujung (End-to-end) -Akhir) Model pembelajaran mendalam secara otomatis mempelajari hubungan semantik antara kueri dan respons dari data dialog besar-besaran, sehingga dapat mencapai tujuan untuk menghasilkan respons secara otomatis atas pertanyaan pengguna apa pun.
Saat ini, kami terutama fokus pada pengambilan sistem QA berdasarkan data besar, dan pada tingkat sistem dibagi menjadi: KG-QA, Baike-QA, DeepQA, PairQA, semuanya menangani dan menyortir pengetahuan yang ada, tetapi dalam sumber data / persyaratan , Metode pemrosesan, metode pencocokan, dan skenario cakupan berbeda. Penulis percaya bahwa akhir dunia yang ideal adalah terstruktur (basis pengetahuan), tetapi ini tidak akan pernah dapat benar-benar tercapai, seperti pembuatan dan pembaruan informasi yang berkelanjutan dan kesulitan pemrosesan semantik alami, jadi dua arah perlu dimajukan pada saat yang bersamaan.
KG-QA dan Baike-QA sangat akurat tetapi cakupannya terbatas. Berdasarkan Deep-QA yang tidak terstruktur, cakupannya tinggi tetapi polusinya tinggi. Produksi sosial Pair-QA sangat meningkatkan produktivitas tetapi membutuhkan skenario dan masalah yang baik. Banyak tantangan menentukan Kesulitan dan hambatan tanya jawab.
Di sini kami terutama memperkenalkan sistem PairQA dan DeepQA seperti yang ditunjukkan pada gambar di bawah ini:
- Pemahaman masalah
- Pemahaman pertanyaan adalah bagian penting dari pemahaman sistem penjawab pertanyaan tentang niat pengguna, terutama DeepQA. Di sini kami menggunakan kembali kemampuan NLP dasar dari pencarian besar (ekspansi semantik, analisis bobot, pengenalan entitas, koreksi kesalahan penulisan ulang, dll.); Klasifikasi masalah menggabungkan algoritme klasifikasi pembelajaran mesin dan metode manual untuk mencapai klasifikasi pertanyaan, seperti: tidak berarti, Obrolan ringan, orang, organisasi, waktu, dll.; Fokus identifikasi kata, terutama untuk melengkapi pemosisian yang tepat dari kebutuhan informasi, mengacu pada latar belakang utama atau objek pertanyaan, dan konten topik yang relevan, yang dapat mencerminkan efek deskriptif dari topik, seperti entitas, atribut, tindakan , Contoh, dll. Pengambilan informasi
- Pengambilan informasi bertanggung jawab untuk mengambil informasi yang relevan / kandidat dari korpus global dan meneruskannya ke modul pembuatan jawaban akhir. Korpus informasi berbeda, dan skenario bisnis berbeda, metode pengambilan juga memiliki banyak bentuk, saat ini kami terutama menggunakan pengambilan teks terbalik dan pengambilan semantik berbasis vektor. Yang pertama adalah metode yang diadopsi oleh mesin telusur teks lengkap tradisional. Metode ini memiliki keunggulan implementasi yang sederhana dan akurasi yang tinggi, tetapi sangat bergantung pada pembentukan korpus. Yang kedua adalah metode penerapan yang lebih baik untuk mesin telusur semantik, dengan keunggulan kemampuan generalisasi yang kuat. Tetapi ada tingkat pemicu palsu tertentu. Kedua set mekanisme pengindeksan tersebut memiliki kelebihan dan kekurangannya masing-masing, yaitu menggabungkan skenario korpus dan bisnis yang berbeda, menggunakan mekanisme pengindeksan yang berbeda, dan juga akan digabungkan satu sama lain untuk memberikan keuntungan bagi masing-masing. Pembuatan jawaban
- Berdasarkan jawaban kandidat pada sisi temu kembali, diperlukan penyempurnaan lebih lanjut, ekstraksi jawaban, dan perhitungan kepercayaan untuk akhirnya mendapatkan jawaban yang akurat dan ringkas. PairQA menggunakan CNN, DSSM, GBDT, dan model serta metode pembelajaran mesin lainnya untuk melakukan penyortiran yang ketat + penghitungan keyakinan; DeepQA adalah untuk dokumen tidak terstruktur / korpus komunitas, yang memerlukan pemrosesan lebih dalam, termasuk kombinasi Ekstraksi abstrak ringkas model Bi-LSTM RNN, validasi silang antara jawaban pertanyaan sinonim, dan verifikasi korelasi jawaban. Konstruksi Corpus
- Konstruksi korpus adalah fondasi dari QABot, baik itu tanya jawab untuk bidang tertentu (seperti ibu dan anak, Three Kingdoms, street dance) atau tanya jawab untuk domain terbuka (seperti obrolan kecil), tidak terlepas dari dukungan korpus yang berkualitas tinggi. Untuk adegan wizard Tmall, kami menerapkan satu set lengkap penggalian data dan proses produksi operasi untuk tanya jawab lisan, termasuk penggalian pertanyaan terbuka, penggalian pertanyaan adegan, produksi jawaban sosial, dan ekstraksi jawaban otomatis berkualitas tinggi.
Mesin Grafik
Grafik Pengetahuan adalah infrastruktur inti dari Pencarian Shenma. Grafik ini dibangun dengan bantuan pencarian data besar, pemrosesan bahasa alami, dan teknologi pembelajaran mendalam. Ini juga merupakan produk data tertua. Ini telah memainkan peran kunci dalam pengembangan pengetahuan dan kecerdasan dalam pencarian. Berdasarkan grafik pengetahuan dan pemahaman bahasa alami, kami telah menyusun tiga produk utama: kartu pengetahuan, rekomendasi entitas, dan pertanyaan dan jawaban yang tepat. Dalam bisnis dialog cerdas, untuk adegan pembicara, keterampilan khusus seperti resep, puisi kuno, Tiga Kerajaan, dan yang terbaik di dunia juga dibangun dan dihasilkan oleh penyihir Tmall. Di sisi produksi, di satu sisi, kami terus memperkenalkan teknologi baru yang mutakhir seperti ekstraksi pengetahuan dan penalaran pengetahuan, dan di sisi lain, kami juga telah menetapkan model produksi peta yang disosialisasikan untuk terus membangun dan melengkapi pengetahuan profesional, sehingga peta pengetahuan dapat melayani bisnis dengan lebih baik. Pemberdayaan.
Untuk detailnya, silakan baca dua artikel ini:
Bagaimana insinyur Ali dapat memenangkan "tulang keras" konstruksi data grafik pengetahuan?
Publik pertama! Penerapan Deep Learning dalam Konstruksi Grafik Pengetahuan
Untuk menyimpulkan
Tahun lalu, tim dialog cerdas awalnya menyelesaikan peningkatan teknis dari pencarian menjadi dialog cerdas, dan mempercepat arsitektur, algoritme, operasi, dan sistem konten layanan informasi AI + dalam pertempuran yang sebenarnya. Di era syukur ini, jalan yang harus ditempuh dalam dialog AI. Mari bekerja keras bersama.
- Angin kencang sepuluh tingkat dengan guntur dan kilat yang kuat! Kota Chongyang, Wujiang Secara Aktif Melakukan Penyelamatan dan Bantuan Bencana
- Didirikan selama satu setengah tahun, kehilangan 2,2 miliar yuan. Platform siaran langsung Douyu bersama
- Tembakan geng dalam drama film dan televisi, drama internet yang muncul dalam drama klasik, Zhang Yishan "sembuh sendiri"
- Juara dunia tinju kelas berat sempat kesal dan tersingkir, Zhang Junlong punya kekuatan memimpin kebangkitan kuat tinju Tiongkok
- "Shen Cong" dimana kamu? Anak laki-laki itu diculik di Guangzhou pada usia satu tahun, dan ayahnya berhenti dari pekerjaannya dan menjual rumahnya untuk mencari seorang putra selama 14 tahun.
- Juara dunia tinju kelas berat sempat kesal dan tersingkir, Zhang Junlong punya kekuatan memimpin kebangkitan kuat tinju Tiongkok