《人工智能》第11章智能问答.pptx

第11章智能问答

目录

01导入案例

02问答系统概述

03检索式问答

04交互式问答

05检索式金融智能问答构建流程

第一部分导入案例

PART01

01

导入案例

近日，中信银行微信银行上线了智能问答客户服务系统，智能问答客服系统可以提供全天24小时自助服务，包括账户管理，海外金融，在线卡，智能客户服务和热门信息。中信微信银行的智能问答服务取名为“阿信”，用户在使用该服务过程中，可以通过自然语言（语音或者文本）与系统进行多轮问答交流，“阿信”对业务的识别率很高。此外，据悉未来用户还可以通过网页，APP等全媒体渠道上访问该智能问答客服系统，实现智能响应，手动客户服务等服务。同时将支持多渠道多账户访问，知识库管理平台集成等功能，逐步帮助中信银行建立多渠道多账户交互式多媒体综合服务平台。智能问答系统在中信微信银行的成功应用，给金融领域带来了新的启示和发展前景。

问题：智能问答系统如何应用在金融领域？

第二部分问答系统概述

PART02

02

面向检索式问答

基本概念

面向任务型问答

01

02

03

基本概念

问答系统定义：使用人类自然语言回答用户使用同样的语言提出的问题的系统。

面向任务的对话系统:帮助人们完成特定类型的任务，例如订票，咨询

非面向任务的聊天机器人:开放域的类人聊天系统，例如微软小冰

混合式的问答系统:面向任务和非面向任务两类问答机器人的混合

面向任务型的问答系统:

1)流水线方法(模块化方法)

面向任务

面向任务

面向任务型的问答系统:

2)端到端的方法

整个系统使用一个统一的模型

基于生成的方法，这种方法的系统会根据问题生成合适的回答，这种方法生成的回答自由度比较高，但倾向于生成无意义或不太相关的回答。

基于检索的方法，这种方法的系统会根据问题检索出知识库中的回答，虽然回答比较准确流畅，但可能比较死板且难以覆盖所有问题的答案。

非面向任务

单轮问答系统（非任务导向）:

对于用户的提问，系统直接返回相应的答案，整个问答过程只有一问一答。

模块化的非任务导向问答系统构成

第三部分检索式问答

PART03

03

研究背景

基本概念

相关研究工作

01

02

03

语义匹配模型BERT

04

基本概念

检索式问答中主要通过在数据库中进行语义匹配，即寻找语义的等价性关系，对问题的回答进行检索。

语义等价性关系比语义相似性关系更加宽泛，在相似性关系中，只需判断两个问题是否表达同一个含义，而语义等价性关系需要考虑两个问题是否能对应到同一个答复，因此相似性关系一定是等价性关系。但是如果两个句子具有相同的意图，即将答案考虑在内，那么也认为是等价性关系。

例子（Quora数据集）:

1）howcanyoucheckwhoviewedyourprofileonWhatsApp？

2）howdoIknowhowmanypeoplesawmyprofilepictureinWhatsApp?

研究背景

传统问答系统：

句子的浅层句法、语法信息，然后将问题与答复的句法树进行相似性计算

深度学习方法：

一种以卷积神经网络，另一种使用循环神经网络替代卷积网络对句子进行编码。

预训练语言模型：

通过预训练任务学习匹配句子的语义表示(如BERT)（效果较好）。

BERT模型

BERT模型整体上可以分为三部分：

词片化表示：结合词义、位置、句子分割位置来获得句子表示

语义编码器：双向多层的编码器

预训练任务：预测第二句话是否是第一句话的下一句

使用编码器对句子进行编码表示，在语义匹配任务上通过上下句预测的任务对语言模型进行预训练，直接应用到语义匹配任务上。

检索模型

相关工作

语义匹配方法

词向量

组合语义学方法

卷积神经网络方法

循环神经网络方法

预训练语言模型

中文语义匹配数据集

通用领域问题匹配语料LCQMC

金融银行领域的语义匹配语料BQ

第四部分检索式金融智能问答构建流程

PART04

04

金融问答构建

检索式金融智能问答构建流程：

首先，构造出问答知识库；

其次，通过检索模型搜索与用户提出的问题最相近的问题的回答。

具体方法：

构造问答知识库

知识文档

日常客服与用户对话记录

将问题答案对存入知识库中

构造匹配语句对

句对构造匹配判断

相似度计算