基于图文聊天记录的自动答疑方法、装置、设备及介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于图文聊天记录的自动答疑方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.为了增强客户满意度，并降低人工客服成本，越来越多的网站中添加了智能问答服务来解决客户的常见问题，目前的智能问答服务主要是利用客户提问语句中含有的询问对象、问题类型等关键信息，查询预设的解决方案进行回复。
3.但是当客户不能很好的表达问题时，多采用拍照的方式，将故障提示或故障仪器进行拍照，传统关键字提取方式无法对图片内容与文字内容进行混合识别，使得这种方法容易出现关键字提取不准确的情况，造成提问与解决方案不对应的问题发生。
4.综上所述，现有的智能问答服务多对单一文本类型数据的关键字进行提取来找出对应解决方案，不能对客户所展示全部聊天记录进行处理。


技术实现要素：

5.本发明提供一种基于图文聊天记录的自动答疑方法、装置及计算机可读存储介质，其主要目的在于提高自动答疑的准确性。
6.为实现上述目的，本发明提供的一种基于图文聊天记录的自动答疑方法，包括：
7.获取客户发送的询问记录，并对所述询问记录进行数据类型分类，得到文本数据集合以及图片数据集合；
8.利用预训练的图片识别网络识别所述图片数据集合中各个图片数据的表达内容，得到图片关键字序列集合；
9.根据所述询问记录中的各语句的先后顺序，将所述文本数据集合及所述图片关键字序列集合进行排列组合，得到纯文本记录；
10.根据预设的分词策略对所述纯文本记录进行分词处理，得到分词结果，并将所述分词结果进行量化处理，得到词向量集合；
11.利用预训练的语义识别网络对所述词向量集合进行语义识别，得到所述询问记录对应的问题关键字；
12.利用所述问题关键字，查询预构建的问答数据库，得到所述询问记录对应的解决方案。
13.可选的，所述利用预训练的图片识别网络识别所述图片数据集合中各个图片数据的表达内容，得到图片关键字序列集合，包括：
14.利用预训练的图片识别网络中的特征提取网络提取所述图片数据集合中的图像特征，得到特征序列集合；
15.利用所述图片识别网络中全连接层对所述特征序列集合进行特征识别，并根据识别结果自动标注各个图片数据中的出现的各个物体的属性信息；
16.将所述各个图片数据中的各个物体的属性信息作为关键字输出，得到图片关键字序列集合。
17.可选的，所述利用预训练的图片识别网络中的特征提取网络提取所述图片数据集合中的图像特征，得到特征序列集合，包括：
18.利用所述图片识别网络中预设的卷积核对各个图片数据进行卷积操作，得到卷积矩阵集合；
19.对所述卷积矩阵集合进行最大池化操作，得到池化矩阵集合；
20.利用预设的flatten层对所述池化矩阵集合进行扁平化操作，得到特征序列集合。
21.可选的，所述根据预设的分词策略对所述纯文本记录进行分词处理，得到分词结果，包括：
22.利用预构建的滑动窗口依次对所述纯文本记录进行滑动访问；
23.当所述滑动窗口中为图片关键字序列时，跳过所述图片关键字序列；
24.当所述滑动窗口中为文本数据时，利用所述滑动窗口对所述纯文本记录进行预设步长的截取操作，得到多个组合词，；
25.查询预构建的词语数据库，判断每个所述组合词是否为词语，将判断为词语的组合词与所述图片关键字序列进行输出，得到分词结果。
26.可选的，所述利用预训练的语义识别网络对所述词向量集合进行语义识别，得到所述询问记录对应的问题关键字，包括：
27.利用预构建的bert卷积神经网络中的注意力机制，对所述词向量集合中所述组合词对应的词向量与所述图片关键字序列对应的词向量进行权重配置，得到注意力向量矩阵；
28.提取所述注意力向量矩阵中的特征，得到注意力特征，对所述注意力特征进行识别，得到所述询问记录对应的表达含义；
29.根据预设的关键字类别，从所述表达含义中提取问题关键字。
30.可选的，所述将所述分词结果进行量化处理，得到词向量集合，包括：
31.利用word2vec模型量化所述分词结果，得到初始词向量集合；
32.根据所述询问记录中的各语句的先后顺序，利用预设的位置编码对所述初始词向量集合进行配置，得到词向量集合。
33.可选的，所述利用预训练的图片识别网络识别所述图片数据集合中各个图片数据的表达内容，得到图片关键字序列集合之前，所述方法还包括：
34.将所述图片数据集合导入预构建的高斯滤波器中，得到降噪图像集合；
35.利用灰度算法对所述降噪图像集合进行灰度化处理，得到灰度图像集合；
36.利用预设的sobel算子对所述灰度图像集合进行轮廓标注，得到特征增强的图片数据集合。
37.为了解决上述问题，本发明还提供一种基于图文聊天记录的自动答疑装置，所述装置包括：
38.询问记录获取模块，用于获取客户发送的询问记录，并对所述询问记录进行数据类型分类，得到文本数据集合以及图片数据集合；
39.图片识别模块，用于利用预训练的图片识别网络识别所述图片数据集合中各个图
片数据的表达内容，得到图片关键字序列集合；
40.记录整理模块，用于根据所述询问记录中的各语句的先后顺序，将所述文本数据集合及所述图片关键字序列集合进行排列组合，得到纯文本记录；
41.关键字识别模块，用于根据预设的分词策略对所述纯文本记录进行分词处理，得到分词结果，并将所述分词结果进行量化处理，得到词向量集合，及利用预训练的语义识别网络对所述词向量集合进行语义识别，得到所述询问记录对应的问题关键字；
42.方案查询模块，用于利用所述问题关键字，查询预构建的问答数据库，得到所述询问记录对应的解决方案。
43.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
44.至少一个处理器；以及，
45.与所述至少一个处理器通信连接的存储器；其中，
46.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于图文聊天记录的自动答疑方法。
47.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于图文聊天记录的自动答疑方法。
48.本发明实施例将客户提出的询问记录进行数据类型分类，得到文本数据及图片数据，先利用图片识别网络对图片数据中的内容进行识别，并将识别到的图片关键字导入所述询问记录中，得到纯文本记录，有利于将图片内容融入文本，增强文本的表达的准确性；本发明利用语义识别网络对纯文本记录进行语义识别，进一步增加提取问题关键字的准确性，从而增加解决方案查询的准确性。因此本发明提出的基于图文聊天记录的自动答疑方法、装置、电子设备及计算机可读存储介质，可以解决自动答疑时的方案反馈精确度较低的问题。
附图说明
49.图1为本发明一实施例提供的基于图文聊天记录的自动答疑方法的流程示意图；
50.图2为本发明一实施例提供的分词过程的流程示意图；
51.图3为本发明一实施例提供的基于图文聊天记录的自动答疑方法中一个步骤的详细流程示意图；
52.图4为本发明一实施例提供的基于图文聊天记录的自动答疑装置的功能模块图；
53.图5为本发明一实施例提供的实现所述基于图文聊天记录的自动答疑方法的电子设备的结构示意图。
54.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
55.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
56.本技术实施例提供一种基于图文聊天记录的自动答疑方法。所述基于图文聊天记录的自动答疑方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施
例提供的该方法的电子设备中的至少一种。换言之，所述基于图文聊天记录的自动答疑方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
57.参照图1所示，为本发明一实施例提供的基于图文聊天记录的自动答疑方法的流程示意图。在本实施例中，所述基于图文聊天记录的自动答疑方法包括：
58.s1、获取客户发送的询问记录，并对所述询问记录进行数据类型分类，得到文本数据集合以及图片数据集合。
59.所述询问记录是在自动答疑系统的前端页面中客户的聊天记录，其中可能包括文字、语音、图片等信息，本发明实施例预先利用语音转文本技术将聊天记录中的语音数据转化为文本，使得所述询问记录只包含文本数据与图片数据。
60.其中，在客户询问仪器的机械故障时，客户可能通过拍摄机器或机器的故障部位进行提问，如“老师您好，这个地方坏了怎么办+【图片】”，显然所述“这个地方”代指所述【图片】中显示内容。但文本关键字提取只能得到“这个地方”的关键字，无法定位准确的解决方案，因此本发明实施例要将所述询问记录进行分类，得到文本数据集合以及图片数据集合。
61.进一步地，本发明实施例中，所述对所述询问记录进行数据类型分类，得到文本数据集合以及图片数据集合之后，所述方法还包括：
62.将所述图片数据集合导入预构建的高斯滤波器中，得到降噪图像集合；
63.利用灰度算法对所述降噪图像集合进行灰度化处理，得到灰度图像集合；
64.利用预设的sobel算子对所述灰度图像集合进行轮廓标注，得到特征增强的图片数据集合。
65.其中，所述高斯滤波器为一种低通滤波器；
66.进一步地，本发明实施例中的所述sobel算子可以把图像中每个像素的上下左右四领域的灰度值加权差，在边缘处达到极值从而检测边缘。
67.本发明实施例将图片数据集合转化为信号数据，再根据预设阈值，将所述信号数据中大于所述阈值进行拦截，小于所述阈值的信号数据进行通行，最后将通行的信号数据还原为图像数据集合。
68.本发明实施例利用所述sobel算子能够识别图像中的图像轮廓，增强图像特征。
69.其中，本技术实施例可以基于人工智能技术对上述数据类型分类进行自动化处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
70.s2、利用预训练的图片识别网络识别所述图片数据集合中各个图片数据的表达内容，得到图片关键字序列集合。
71.本发明实施例中，所述图片识别网络为一种无监督的卷积神经网络，能够识别出图片数据中的各个物体，并自动通过提示框进行标注，其中，所述图片识别网络包括特征提取网络及全连接网络。
72.详细的，本发明实施例中，所述利用预训练的图片识别网络识别所述图片数据集合中各个图片数据的表达内容，得到图片关键字序列集合，包括：
73.步骤a、利用预训练的图片识别网络中的特征提取网络提取所述图片数据集合中的图像特征，得到特征序列集合。
74.详细的，本发明实施例中，所述步骤a，包括：
75.利用所述图片识别网络中预设的卷积核对各个图片数据进行卷积操作，得到卷积矩阵集合；
76.对所述卷积矩阵集合进行最大池化操作，得到池化矩阵集合；
77.利用预设的flatten层对所述池化矩阵集合进行扁平化操作，得到特征序列集合。
78.具体的，以图片数据集合中的一个图片数据为例，本发明利用n个3
×
3的卷积合对所述图片数据进行滑动卷积计算，得到特征强化的n个卷积矩阵，再对n个卷积矩阵进行最大池化操作，保留所述n个卷积矩阵中各个单元池化区域中最大的特征值，得到n个池化维度下降的池化矩阵，最后通过预设的flatten层对n个池化矩阵进行切割操作，并将切割结果进行连接，生成n个一维的特征序列，如转化为|1 2 3 4|，其中，所述flatten层多用于将多维的输入一维化，常用在从卷积层到全连接层的过渡。
79.步骤b、利用所述图片识别网络中全连接层对所述特征序列集合进行特征识别，并根据识别结果自动标注各个图片数据中的出现的各个物体的属性信息。
80.本发明实施例将所述n个特征序列连接到一起得到一个长序列，再将所述长序列经过全连接层中的多层神经网路，通过各层神经网络中的激活函数进行运算，最终判断所述图片数据中包含的东西。
81.步骤c、将所述各个图片数据中的各个物体的属性信息作为关键字进行输出，得到图片关键字序列集合。
82.当所述图片数据中的物体的属性信息只有一个，则将一个词进行输出，如【主机】；当所述图片数据中的物体的属性信息有多个，则根据图片中的位置从中间向外进行权重递减配置如一张图片中间为机器转轴，边缘为传送带，则可能输出【2*机器转轴、0.5*传送带】。
83.s3、根据所述询问记录中的各语句的先后顺序，将所述文本数据集合及所述图片关键字序列集合进行排列组合，得到纯文本记录。
84.本发明实施例得到了图片关键字序列后，需要将所述图片关键字序列倒回到所述询问记录中各个图片数据表的原来位置，得到纯文本记录，如，“老师您好，这个地方坏了怎么办+【图片】”，转变为“老师您好，这个地方坏了怎么办+【图片关键字序列】”。其中，本发明实施例根据询问记录中的各语句的时间戳进行排序。
85.s4、根据预设的分词策略对所述纯文本记录进行分词处理，得到分词结果，并将分词结果进行量化处理，得到词向量集合。
86.详细的，如图2所示，本发明实施例中，所述根据预设的分词策略对所述纯文本记录进行分词处理，得到分词结果，包括：
87.s41、利用预构建的滑动窗口依次对所述纯文本记录进行滑动访问；
88.s42、当所述滑动窗口中为图片关键字序列时，跳过所述图片关键字序列；
89.s43、当所述滑动窗口中为文本数据时，利用所述滑动窗口对所述纯文本记录进行预设步长的截取操作，得到多个组合词；
90.s44、查询预构建的词语数据库，判断每个所述组合词是否为词语，将判断为词语的组合词与所述图片关键字序列进行输出，得到分词结果。
91.其中，所述词语数据库为权威机构发布的、包含众多中文常见词汇的数据库。
92.本发明实施例通过遍历整个纯文本记录的方式，提取各个相邻的两个字或四个字作为组合词，再利用各个组合词查询所述词语数据库，判断各个组合词是否为一个常见词，只有为常见词的组合词才能被输出，生成分词结果。其中，图片关键字序列为一个完整的词语，不需要参与文本数据中各个字的组词过程。
93.进一步地，本发明实施例中，所述将分词结果进行量化处理，得到词向量集合，包括：
94.利用word2vec模型量化所述分词结果，得到初始词向量集合；
95.根据所述询问记录中的各语句的先后顺序，利用预设的位置编码对所述初始词向量集合进行配置，得到词向量集合。
96.其中，所述word2vec模型为一种可以产生词向量的编码模型。当所述word2vec模型产生的词向量之间为离散的，如“这个地方坏了，怎么办”产生的初始词向量集合为【e
地方
、e
坏了
、e
这个
、e
办
、e
怎么
】(其中，e为向量)，不利于后续的识别过程。本发明实施例利用预设的位置编码【e
a
、e
b
、e1、e2、e3、
……
】，根据所述询问记录中的各语句的先后顺序，对初始词向量集合进行配置，得到词向量集合，如【e
a
+e1+e
这个
、e
a
+e2+e
地方
、e
a
+e2+e
坏了
、e
b
+e1+e
怎么
、e
a
+e2+e
办
】。其中，所述e
a
、e
a
为句间编码向量，所述e1、e2、e3为句内编码向量。
97.s5、利用预训练的语义识别网络对所述词向量集合进行语义识别，得到所述询问记录对应的问题关键字。
98.详细的，如图3所示，本发明实施例中，所述利用预训练的语义识别网络对所述词向量集合进行语义识别，得到所述询问记录对应的问题关键字，包括：
99.s51、利用预构建的bert卷积神经网络中的注意力机制，对所述词向量集合中组合词对应的词向量与所述图片关键字序列对应的词向量进行权重配置，得到注意力向量矩阵；
100.s52、提取所述注意力向量矩阵中的特征，得到注意力特征，对所述注意力特征进行识别，得到所述询问记录对应的表达含义；
101.s53、根据预设的关键字类别，从所述表达含义中提取问题关键字。
102.具体的，本发明实施例利用所述bert卷积神经网络中的注意力机制对所述词向量集合进行权重计算，其中，所述注意力机制为以自身向量为出发点去获取相连或相近向量的部分特征。
103.本发明实施例利用所述bert卷积神经网络能够使得文本数据对应的向量与图片数据对应的向量建立联系，有利于对文本含义的理解，例如“老师您好，这个地方坏了怎么办+【图片关键字序列：机器转轴】，最近传送带的传送能力下降”，可以清楚识别出所述“这个地方”指代“机器转轴”，而非“传送带”。
104.进一步地，再利用上述s2中类似的识别方法将所述注意力向量矩阵进行特征提取及特征识别操作，得出所述询问记录对应的表达含义为“由于机器转轴损坏，导致传送带的
传送能力下降，怎么办”。根据预设的关键词类别，提取表达含义中重要的主语、状态及请求，生成关键字“机器转轴、损坏、怎么办”。
105.s6、利用所述问题关键字，查询预构建的问答数据库，得到所述询问记录对应的解决方案。
106.本发明实施例中所述问答数据库主要存储大数据统计得到的客户提问最多的问题，其中，也包括了专业人士的解答。
107.本发明实施例利用“机器转轴、损坏、怎么办”的关键字，查询所述问答数据库，得到对应的解决方案。
108.进一步地，本发明实施例还可以根据用户对于问题解答的满意度得分对所述语义识别网络进行反馈调节，使得智能问答的准确率越来越高。
109.如图4所示，是本发明一实施例提供的基于图文聊天记录的自动答疑装置的功能模块图。
110.本发明所述基于图文聊天记录的自动答疑装置100可以安装于电子设备中。根据实现的功能，所述基于图文聊天记录的自动答疑装置100可以包括询问记录获取模块101、图片识别模块102、记录整理模块103、关键字识别模块104及方案查询模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
111.在本实施例中，关于各模块/单元的功能如下：
112.所述询问记录获取模块101，用于获取客户发送的询问记录，并对所述询问记录进行数据类型分类，得到文本数据集合以及图片数据集合；
113.所述图片识别模块102，用于利用预训练的图片识别网络识别所述图片数据集合中各个图片数据的表达内容，得到图片关键字序列集合；
114.所述记录整理模块103，用于根据所述询问记录中的各语句的先后顺序，将所述文本数据集合及所述图片关键字序列集合进行排列组合，得到纯文本记录；
115.所述关键字识别模块104，用于根据预设的分词策略对所述纯文本记录进行分词处理，得到分词结果，并将所述分词结果进行量化处理，得到词向量集合，及利用预训练的语义识别网络对所述词向量集合进行语义识别，得到所述询问记录对应的问题关键字；
116.所述方案查询模块105，用于利用所述问题关键字，查询预构建的问答数据库，得到所述询问记录对应的解决方案。
117.详细地，本发明实施例中所述基于图文聊天记录的自动答疑装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于图文聊天记录的自动答疑方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
118.如图5所示，是本发明一实施例提供的实现基于图文聊天记录的自动答疑方法的电子设备的结构示意图。
119.所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于图文聊天记录的自动答疑程序。
120.其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一
个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于图文聊天记录的自动答疑程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
121.所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于图文聊天记录的自动答疑程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
122.所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
123.所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi
‑
fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
124.图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
125.例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi
‑
fi模块等，在此不再赘述。
126.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
127.所述电子设备1中的所述存储器11存储的基于图文聊天记录的自动答疑程序是多个指令的组合，在所述处理器10中运行时，可以实现：
128.获取客户发送的询问记录，并对所述询问记录进行数据类型分类，得到文本数据
集合以及图片数据集合；
129.利用预训练的图片识别网络识别所述图片数据集合中各个图片数据的表达内容，得到图片关键字序列集合；
130.根据所述询问记录中的各语句的先后顺序，将所述文本数据集合及所述图片关键字序列集合进行排列组合，得到纯文本记录；
131.根据预设的分词策略对所述纯文本记录进行分词处理，得到分词结果，并将所述分词结果进行量化处理，得到词向量集合；
132.利用预训练的语义识别网络对所述词向量集合进行语义识别，得到所述询问记录对应的问题关键字；
133.利用所述问题关键字，查询预构建的问答数据库，得到所述询问记录对应的解决方案。
134.具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
135.进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)。
136.本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
137.获取客户发送的询问记录，并对所述询问记录进行数据类型分类，得到文本数据集合以及图片数据集合；
138.利用预训练的图片识别网络识别所述图片数据集合中各个图片数据的表达内容，得到图片关键字序列集合；
139.根据所述询问记录中的各语句的先后顺序，将所述文本数据集合及所述图片关键字序列集合进行排列组合，得到纯文本记录；
140.根据预设的分词策略对所述纯文本记录进行分词处理，得到分词结果，并将所述分词结果进行量化处理，得到词向量集合；
141.利用预训练的语义识别网络对所述词向量集合进行语义识别，得到所述询问记录对应的问题关键字；
142.利用所述问题关键字，查询预构建的问答数据库，得到所述询问记录对应的解决方案。
143.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
144.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
145.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
146.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
147.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
148.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
149.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
150.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
151.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。