本發(fā)明涉及車輛領域，具體地，涉及一種用于車輛的問答裝置及方法。

背景技術：

問答系統(tǒng)是自然語言分析和機器學習相結合的一門人工智能應用，比如微軟的小冰機器人、iphone的siri、京東的jimi客服機器人、百度的度秘等，這些問答系統(tǒng)在不同的領域均獲得了一定成果。

問答系統(tǒng)按照使用場景劃分，可以分為開放領域場景和限定領域場景，小冰、siri、度秘等，屬于開放領域問答系統(tǒng)，即對問答的內容沒有做場景限制，京東的jimi屬于限定領域機器人，僅限定在京東的客戶服務，對其他領域問題不能做出友好的回答。目前，開放領域的問答系統(tǒng)相比限定領域實現(xiàn)更困難，尤其是在數(shù)據(jù)不充分的情況下。

傳統(tǒng)問答系統(tǒng)使用的主要技術包括：分詞、詞性標注、實體識別、句法分析、語義分析、關鍵詞提取、相似度計算、問題分類、問題意圖分析、問題檢索、答案生成等。這類技術下的問答系統(tǒng)，多以faq問答模式為主，即以問題相似度計算為核心，檢索出相似問題，然后返回給用戶答案。

隨著google推出知識圖譜概念，基于知識圖譜的精準問答得到廣泛關注，也是近些年各大科技公司的主要研究熱點?；谥R圖譜的智能問答系統(tǒng)，主要技術包括：語義解析、圖譜的構建、實體對齊、實體鏈接、關系抽取、圖譜推理等。

深度學習是目前機器學習領域里非常受關注的一門技術，相比傳統(tǒng)的機器學習方法，它的效果更精準，在問答系統(tǒng)中越來越受到青睞。京東的jimi客服機器人就應用了深度學習技術，取得了很不錯的效果。當然，它的學習技術更困難，需要更多的訓練語料和基礎設備做支撐。

每一個行業(yè)都有自身的特點，開放領域的問答技術，并不能完全適用于汽車領域的問題解決方法。目前，科技公司、科研院所更關注的是開放領域的問答系統(tǒng)技術研究，這類技術不能夠直接應用到具體的垂直領域，例如，不能應用于汽車領域，即使應用到汽車領域，其效果無法滿足市場的需求。因為：開放領域的知識庫組織方式與汽車領域的組織方式和方法不同，無法得到復制遷移；針對汽車行業(yè)的具體業(yè)務，需要定制化數(shù)據(jù)梳理流程、問答系統(tǒng)架構。

技術實現(xiàn)要素：

本發(fā)明實施例的目的是提供一種用于車輛的問答裝置及方法，用于解決或至少部分解決上述技術問題。

為了實現(xiàn)上述目的，本發(fā)明實施例提供一種用于車輛的問答裝置，該裝置包括：接收模塊，用于接收用戶提出的問題；應用場景分類模塊，用于對所述用戶提出的問題進行應用場景分類，所分類的應用場景包括以下中的一者或多者：故障類、常識類、手冊類、購車類、保險類；語義理解模塊，用于根據(jù)所分類的應用場景對所述用戶提出的問題進行語義識別以獲得特征信息；答案確定模塊，用于根據(jù)所述特征信息確定所述用戶提出的問題所對應的答案；以及答案輸出模塊，用于輸出所述用戶提出的問題所對應的答案。

可選地，所述裝置還包括：意圖分類模塊，用于判斷所述用戶提出的問題是否與車輛相關，所述應用場景分類模塊用于在所述用戶提出的問題與車輛相關的情況下，對所述用戶提出的問題進行所述應用場景分類。

可選地，所述應用場景分類模塊用于使用分類模型對所述用戶提出的問題進行應用場景分類，所述分類模型包括以下中的一者或多者：故障分類模型、常識分類模型、手冊分類模型、購車分類模型、保險分類模型。

可選地，所述答案確定模塊包括：匹配單元，用于根據(jù)所述特征信息從數(shù)據(jù)庫中確定與所述用戶提出的問題相匹配的問題，所述數(shù)據(jù)庫包括一個或多個問題以及該一個或多個問題中的每一個問題所對應的答案；以及檢索單元，用于從所述數(shù)據(jù)庫中檢索出與所述用戶提出的問題相匹配的問題所對應的答案。

可選地，所述裝置還包括：對話管理模塊，用于：在所述匹配單元沒有從數(shù)據(jù)庫中確定出與所述用戶提出的問題相匹配的問題的情況下，向所述用戶發(fā)出提問；在接收到用戶反饋之后，對所述用戶所反饋的信息和所述用戶提出的問題執(zhí)行信息合并。

可選地，在所分類的應用場景為故障類的情況下，所述特征信息至少包括故障部件名稱和故障現(xiàn)象；所述答案確定模塊用于根據(jù)存儲的故障規(guī)則對所獲得的特征信息進行推理來獲得所述用戶提出的問題所對應的答案，所述故障規(guī)則包括故障前提和故障結論。

可選地，所述裝置還包括：抽取模塊，用于從關數(shù)據(jù)庫中抽取出所述故障規(guī)則，所述數(shù)據(jù)庫至少包括一個或多個故障現(xiàn)象以及與該一個或多個故障現(xiàn)象中的每一個故障現(xiàn)象所對應的答案，該答案包括故障原因和/或解決方案。

相應地，本發(fā)明實施例還提供一種用于車輛的問答方法，所述方法包括：接收用戶提出的問題；對所述用戶提出的問題進行應用場景分類，所分類的應用場景包括以下中的一者或多者：故障類、常識類、手冊類、購車類、保險類；根據(jù)所分類的應用場景對所述用戶提出的問題進行語義識別以獲得特征信息；根據(jù)所述特征信息確定所述用戶提出的問題所對應的答案；以及輸出所述用戶提出的問題所對應的答案。

可選地，所述方法還包括：判斷所述用戶提出的問題是否與車輛相關；在所述用戶提出的問題與車輛相關的情況下，對所述用戶提出的問題進行所述應用場景分類。

可選地，所述對所述用戶提出的問題進行應用場景分類包括：使用分類模型對所述用戶提出的問題進行應用場景分類，所述分類模型包括以下中的一者或多者：故障分類模型、常識分類模型、手冊分類模型、購車分類模型、保險分類模型。

可選地，所述根據(jù)所述特征信息確定所述用戶提出的問題所對應的答案包括：根據(jù)所述特征信息從數(shù)據(jù)庫中確定與所述用戶提出的問題相匹配的問題，所述數(shù)據(jù)庫包括一個或多個問題以及該一個或多個問題中的每一個問題所對應的答案；以及從所述數(shù)據(jù)庫中檢索出與所述用戶提出的問題相匹配的問題所對應的答案。

可選地，所述方法還包括：在所述匹配單元沒有從數(shù)據(jù)庫中確定出與所述用戶提出的問題相匹配的問題的情況下，向所述用戶發(fā)出提問；以及在接收到用戶反饋之后，對所述用戶所反饋的信息和所述用戶提出的問題執(zhí)行信息合并。

可選地，在所分類的應用場景為故障類的情況下，所述特征信息至少包括故障部件名稱和故障現(xiàn)象，所述根據(jù)所述特征信息確定所述用戶提出的問題所對應的答案包括：根據(jù)存儲的故障規(guī)則對所獲得的特征信息進行推理來獲得所述用戶提出的問題所對應的答案，所述故障規(guī)則包括故障前提和故障結論。

可選地，通過以下步驟來建立所述故障規(guī)則：從數(shù)據(jù)庫中抽取出所述故障規(guī)則，所述數(shù)據(jù)庫包括一個或多個故障現(xiàn)象以及與該一個或多個故障現(xiàn)象中的每一個故障現(xiàn)象所對應的答案，該答案包括故障原因和/或解決方案。

相應地，本發(fā)明實施例還提供一種機器可讀存儲介質，該機器可讀存儲介質上存儲有指令，該指令用于在被機器執(zhí)行時使得所述機器執(zhí)行上述的方法。

通過上述技術方案，提供了一種實用性很強且簡便易行的汽車問答裝置，其解決了以往基于faq問答模式準確度低的問題，同時，克服了開放領域問答系統(tǒng)過于復雜、開發(fā)周期長的問題。

本發(fā)明實施例的其它特征和優(yōu)點將在隨后的具體實施方式部分予以詳細說明。

附圖說明

附圖是用來提供對本發(fā)明實施例的進一步理解，并且構成說明書的一部分，與下面的具體實施方式一起用于解釋本發(fā)明實施例，但并不構成對本發(fā)明實施例的限制。在附圖中：

圖1示出了本發(fā)明一實施例提供的用于車輛的問答裝置的結構框圖；

圖2示出了本發(fā)明又一實施例提供的用于車輛的問答裝置的結構框圖；以及

圖3示出了本發(fā)明一實施例提供的用于車輛的問答方法的流程示意圖。

具體實施方式

以下結合附圖對本發(fā)明實施例的具體實施方式進行詳細說明。應當理解的是，此處所描述的具體實施方式僅用于說明和解釋本發(fā)明實施例，并不用于限制本發(fā)明實施例。

圖1示出了本發(fā)明一實施例提供的用于車輛的問答裝置的結構框圖。如圖1所示，本發(fā)明實施例提供一種用于車輛的問答裝置，用于為用戶解答關于車輛的各類問題，所述裝置可以包括以下模塊：接收模塊11、應用場景分類模塊12、語義理解模塊13、答案確定模塊14、答案輸出模塊15。

具體地，接收模塊11用于接收用戶提出的問題。例如，所述接收模塊11可以接收用戶通過麥克風所提出的問題。

應用場景分類模塊12用于對所述用戶提出的問題進行應用場景分類，所分類的應用場景可以包括以下中的一者或多者：故障類、常識類、手冊類、購車類、保險類?？梢岳斫?，應用場景并不局限于這幾類，其分類可以隨著實際業(yè)務的增加而增加。

可選地，應用場景分類模塊12可以使用分類模型對所述用戶提出的問題進行應用場景分類，例如，可以通過標注數(shù)據(jù)，采用機器學習分類算法進行應用場景分類。根據(jù)場景種類不同，準備不同的標注數(shù)據(jù)，每個場景一個分類模型，當有新的場景產生時，易于擴展。其中標注的數(shù)據(jù)格式可以為：標注\樣本。

可選地，所使用的機器學習分類算法可以是svm(supportvectormachine，支持向量機)分類算法，在良好的標注數(shù)據(jù)下，學習的svm分類模型經過實際使用，分類精度可以達到98％。可以理解，也可以使用其它分類算法來進行上述分類學習，例如可以使用決策樹算法、神經網(wǎng)絡算法、貝葉斯算法、深度學習算法等。

對應于上述應用場景的分類所述分類模型可以包括以下中的一者或多者：故障分類模型、常識分類模型、手冊分類模型、購車分類模型、保險分類模型。

語義理解模塊13用于根據(jù)所分類的應用場景對所述用戶提出的問題進行語義識別以獲得特征信息。對于不同的應用場景，數(shù)據(jù)庫中的存儲格式可能不同，因此針對不同的應用場景，語義理解模塊的具體執(zhí)行過程可以不同。以故障類應用場景為例，當用戶提出“冷車啟動時，發(fā)動機不易啟動，怎么回事？”，語義理解模塊會分析得到如下關鍵信息：故障發(fā)生的條件“冷車、啟動狀態(tài)”，故障發(fā)生的部件“發(fā)動機”，故障現(xiàn)象“不易啟動”。再舉一個例子：“汽車在高速行駛時候，車身發(fā)飄，是什么原因？”經過語義理解得到，條件是“高速”，現(xiàn)象是“發(fā)飄”。針對每個場景，語義理解模塊都結合了自然語言處理、機器學習、推理等技術。例如，對于故障類應用場景，可以通過機器學習分類算法，識別出故障現(xiàn)象和故障部件，通過自然語言處理規(guī)則匹配方法，識別出各個參數(shù)條件。

以故障類應用場景為例，故障類語義分析技術方法有：分詞、詞性標注、句法分析、命名實體識別、svm分類、基于正則表達式特征提取等。從用戶的問題中，經過以上技術的分析，提取出相應的參數(shù)。具體參數(shù)的設置，可以根據(jù)具體業(yè)務需求定制化。其它類應用場景的技術分析與之類似。

答案確定模塊14用于根據(jù)所述特征信息確定所述用戶提出的問題所對應的答案。所述答案輸出模塊15用于輸出所述用戶提出的問題所對應的答案。本發(fā)明實施例提供的用于車輛的問答裝置解決了以往基于faq問答模式精度低的問題，同時，克服了開放領域問答系統(tǒng)過于復雜、開發(fā)周期長的問題。經過驗證，在整個實際問答過程中，回答的準確度可達到92％。

圖2示出了本發(fā)明又一實施例提供的用于車輛的問答裝置的結構框圖，如圖2所示，基于上述實施例，答案確定模塊14可以包括匹配單元141以及檢索單元142。匹配單元141用于根據(jù)所述特征信息從數(shù)據(jù)庫17中確定與所述用戶提出的問題相匹配的問題，所述數(shù)據(jù)庫17包括一個或多個問題以及該一個或多個問題中的每一個問題所對應的答案。檢索單元142用于從所述數(shù)據(jù)庫17中檢索出與所述用戶提出的問題相匹配的問題所對應的答案。

可以理解，匹配單元141也可以采用傳統(tǒng)faq問答的方式，即基于句子相似度來從數(shù)據(jù)庫17中確定與所述用戶提出的問題相匹配的問題。

可選地，數(shù)據(jù)庫17中可以存儲有與各個應用場景相關的數(shù)據(jù)和一些輔助數(shù)據(jù)。

故障類數(shù)據(jù)庫、保險類數(shù)據(jù)庫以及手冊類數(shù)據(jù)庫可以由知識工程師和4s店、汽修廠、保險公司合作梳理完成。開發(fā)技術人員進行結構化處理。對于常識類數(shù)據(jù)庫，技術人員可以通過web抓取，進行關系抽取，得到結構化的數(shù)據(jù)。最后，將所獲得的各類數(shù)據(jù)庫分別保存在數(shù)據(jù)庫17中。

以故障類數(shù)據(jù)的數(shù)據(jù)庫為例，實際使用中，對于故障類數(shù)據(jù)的數(shù)據(jù)庫的建立，可以從汽修廠、4s店獲取故障類問題的數(shù)據(jù)，其中故障類問題的數(shù)據(jù)可以包括各個部件故障后產生的故障現(xiàn)象及其解決方案。此外，也可以通過網(wǎng)絡抓取或者專家經驗數(shù)據(jù)來獲得故障類問題的數(shù)據(jù)。然后可以對所獲得的故障類數(shù)據(jù)進行整理，得到關于車輛故障的數(shù)據(jù)庫，該數(shù)據(jù)庫可以包括一個或多個問題以及該一個或多個問題中的每一個問題所對應的答案。

可選地，所述檢索單元142可以使用redis技術來提高檢索效率。

進一步地，發(fā)明實施例提供的用于車輛的問答裝置還可以包括對話管理模塊16。用戶一次提出的問題的特征信息可能是不全面的，匹配單元141可能無法從數(shù)據(jù)庫中確定出與所述用戶提出的問題相匹配的問題，從而檢索單元142無法準確檢索出答案。這時，需要根據(jù)可能的意圖再次詢問用戶相關的補充條件，得到用戶反饋后，要和用戶的上一句問題做信息合并，完善提問的信息。這個詢問過程就是通過對話管理的模塊16執(zhí)行的，和開放領域不同的是，對話管理的模塊16都是圍繞汽車領域進行會話，同一個焦點詞、關鍵詞在開放領域表述的意思和在汽車領域表述的意義可能會有不同。該模塊主要包括的技術是：上下文指代消解、對話管理、上下文邊界確定、自動狀態(tài)機等。

進一步地，本發(fā)明實施例提供的用于車輛的問答裝置還可以包括意圖分類模塊，用于判斷所述用戶提出的問題是否與車輛相關。用戶提出的問題，需要判斷其問題意圖是否與車輛相關，如果相關，則進行后續(xù)與汽車相關的分析，否則，可以進入第三方應用接口。該模塊可以使用機器學習svm分類算法，但不限于svm，其他分類算法只要能達到分類精度要求即可。該模塊算法的訓練數(shù)據(jù)是通過網(wǎng)絡抓取和人工標注相結合，根據(jù)具體業(yè)務要求整理不同的訓練數(shù)據(jù)即可。所述應用場景分類模塊12用于在意圖分類模塊判斷出所述用戶提出的問題與車輛相關的情況下，對所述用戶提出的問題進行所述應用場景分類。

可以理解，數(shù)據(jù)準備對于實現(xiàn)數(shù)據(jù)問答是必不可少的一步。數(shù)據(jù)準備可以包括采集、處理、校驗、標注四個過程。數(shù)據(jù)的采集包括web抓取和4s店、汽修廠反饋信息，是非常重要的一手資源。然后對采集到的數(shù)據(jù)進行噪聲清理、不一致去除、歸一化等操作，經過專業(yè)是汽車知識工程師校驗后，開始標注工作。標注過程由開發(fā)人員和知識工程師一起完成，標注完成再次校驗，從而得到優(yōu)秀的訓練數(shù)據(jù)集和數(shù)據(jù)庫庫數(shù)據(jù)。

下文將以所分類的應用場景為故障類為例，對本發(fā)明實施例進行進一步說明。

在所分類的應用場景為故障類的情況下，所述特征信息至少可以包括故障部件名稱和故障現(xiàn)象。語義理解模塊13用于從用戶提出的故障問題中提取出特征信息，實際中，用戶所提出的故障問題中可能會不全面，例如，可能缺少部件名稱或缺少故障現(xiàn)象，此時，可以通過對話管理模塊16來詢問用戶以進一步完善用戶提出的故障問題，例如，可以向用戶發(fā)出類似于“具體故障部件是哪”的問題，在接收到用戶的進一步反饋之后，可以從用戶的進一步反饋中提取故障部件名稱?；蛘呖梢詫⒂脩舻倪M一步反饋和用戶先前提出的故障問題進行合并，從合并后的信息中提取特征信息。

通過大量的汽車問答語料進行調研，結合汽車專家工程師人工梳理和機器學習自動特征提取的方法，可以確定出用戶提出的故障問題除可能包括故障部件名稱和故障現(xiàn)象之外，還可能包括以下13個特征信息中的一個或多個：車輛品牌、車輛型號、燈類部件、操作信息、聲音現(xiàn)象、發(fā)動機溫度、行駛狀態(tài)、轉向方式、車速、發(fā)動機轉速、擋位、天氣及路況。

進一步地，對于故障部件、故障現(xiàn)象、車輛品牌及車輛型號這些特征信息的提取，可以根據(jù)分類模型來對用戶提出的所述故障問題進行特征信息提取，所述分類模型包括以下中的一者或多者：部件分類模型、故障現(xiàn)象分類模型、車輛品牌分類模型、車輛型號分類模型。

可以使用svm機器學習分類器來建立上述各模型。具體地，可以首先準備問句樣本，然后對所準備的問句樣本進行人工分類標注，將標注后的語句樣本作為svm機器學習分類器的訓練集，從而得到上述各分類模型。

以建立部件分類模型為例，首先對收集的問句樣本進行人工標注，標注示例如下所示：

方向盤\做完四輪定位方向盤變輕

車\做完四輪定輪后車身發(fā)飄

車\做了動平衡后，方向反而跑偏了

座椅\座椅無法調到最前面

座椅\座椅調整困難

燈\左轉向燈常亮

右前輪\左轉彎右前輪嗡嗡異響

右前輪\左轉彎右前輪咕嚕異響

左后減震\左轉彎時左后減震咯吱異響

上述標注示例中，“\”左側是標注的類別，“\”右側是問句樣本。將標注后的問句樣本輸入給svm機器學習，經過訓練，可得到部件分類的模型。類似地，也可以相同的方式建立故障現(xiàn)象分類模型、車輛品牌分類模型以及車輛型號分類模型。

在接收到用戶提出的故障問題之后，可以將該故障問題作為部件分類模型的輸入，部件分類模型的輸出就是用戶提出的故障問題所涉及的故障部件名稱。采用十折交叉驗證的方式對分類模型進行驗證，經過實際驗證，單獨從模型算，準確度可達到98％左右。

進一步地，對除故障部件、故障現(xiàn)象、車輛品牌及車輛型號之外的其它特征信息的提取可以利用正則表達式進行提取。通過對大量的故障問題進行分析，可知除故障部件、故障現(xiàn)象、車輛品牌及車輛型號之外的其它特征信息基本上具有相對固定的結構，因此可以采用正則表達式的方式進行提取。

以天氣特征的提取為例，所使用的正則模板可以如下所示：

pattern＝“下(雨|雪)|(雨|雪|春|夏|秋|冬|冷)(天|季)|暴曬|(夜)？晚(上)？|天(冷|涼)”。

例如，如果用戶所提出的故障問題是“冬季啟動時發(fā)動機加不上油熄火”，通過使用上述正則模板進行特征信息提取可以得到天氣為“冬季”。

進一步地，答案確定模塊15可以根據(jù)存儲的故障規(guī)則對所獲得的特征信息進行推理來獲得所述用戶提出的問題所對應的答案，所述故障規(guī)則包括故障前提和故障結論?？蛇x地，可以使用drools規(guī)則引擎來實現(xiàn)對所提取的特征信息進行推理，drools規(guī)則引擎是基于java語言的具有高伸縮性、高擴展性的規(guī)則引擎。但是本發(fā)明實施例并不限制于此，例如，也可以使用prolog(programminginlogic，邏輯程序設計)規(guī)則推理程序等來對所提取的特征信息進行推理。

這里，故障規(guī)則可以存儲在規(guī)則庫中。故障規(guī)則對應于產生式規(guī)則，其可以包括故障前提和故障結論。車輛領域的故障發(fā)生，都是由于某個部件出現(xiàn)損壞，導致某種故障現(xiàn)象產生，其中，部件損壞可以認為是故障前提，故障現(xiàn)象產生可以認為是故障結論，其符合產生式規(guī)則的描述方式。因此，可以首先建立并存儲故障規(guī)則，然后根據(jù)該存儲的故障規(guī)則對所提取的車輛部件名稱和故障現(xiàn)象進行推理以獲得故障原因和/或解決方案。

進一步地，用于車輛的問答裝置還可以包括抽取模塊，用于從數(shù)據(jù)庫中抽取出所述故障規(guī)則，所述數(shù)據(jù)庫可以包括一個或多個故障現(xiàn)象以及與該一個或多個故障現(xiàn)象中的每一個故障現(xiàn)象所對應的答案，該答案可以包括故障原因和/或解決方案。

可選地，可以使用關系抽取的方式來從所述數(shù)據(jù)庫中抽取出故障規(guī)則。可選地，所抽取處的故障規(guī)則的形式可以如下所示：

rule1:

ifauto_part＝"換擋電磁閥"andphenomenon＝"卡頓"

thenauto_part＝"d擋",phenomenon＝"頓挫"

rule2:

ifauto_part＝"d擋"andphenomenon＝"頓挫"

thenauto_part＝"車輛",phenomenon＝"頓挫"

通過觀察，可以發(fā)現(xiàn)，rule1產生結論部分是rule2的條件，通過這樣類似的一系列規(guī)則推理，當用戶提問“車輛頓挫，怎么回事？”時，經過上述的規(guī)則，既可以推理出故障原因：部件“換擋電磁閥”出現(xiàn)了“卡頓”現(xiàn)象。這里，是以故障部件和故障現(xiàn)象為例進行說明，其它特征信息與之類似。

進一步地，從關于車輛故障的數(shù)據(jù)庫中抽取出故障規(guī)則可能會出現(xiàn)一些誤差或者遺漏一些數(shù)據(jù)，因此，可以采用人工校對的方式對所抽取出的故障規(guī)則進行校對和/或者針對遺漏的數(shù)據(jù)進行補充，從而可以為用戶提出的故障問題提供更精確的故障原因和/或解決方案。

圖3示出了本發(fā)明一實施例提供的用于車輛的問答方法的流程示意圖。如圖3所示，本發(fā)明實施例還提供一種用于車輛的問答方法，該方法可以包括：步驟s31，接收用戶提出的問題；步驟s32，對所述用戶提出的問題進行應用場景分類，所分類的應用場景包括以下中的一者或多者：故障類、常識類、手冊類、購車類、保險類；步驟s33，根據(jù)所分類的應用場景對所述用戶提出的問題進行語義識別以獲得特征信息；步驟s34，根據(jù)所述特征信息確定所述用戶提出的問題所對應的答案；以及步驟s35，輸出所述用戶提出的問題所對應的答案。所述方法解決了以往基于faq問答模式精度低的問題，同時，克服了開放領域問答系統(tǒng)過于復雜、開發(fā)周期長的問題。

本發(fā)明實施例提供的用于車輛的問答方法的具體工作原理及益處與上述本發(fā)明實施例提供的用戶車輛的問答裝置的具體工作原理及益處相似，這里將不再贅述。

相應地，本發(fā)明實施例還提供一種機器可讀存儲介質，該機器可讀存儲介質上存儲有指令，該指令用于在被機器執(zhí)行時使得所述機器執(zhí)行上述的方法。

以上結合附圖詳細描述了本發(fā)明例的可選實施方式，但是，本發(fā)明實施例并不限于上述實施方式中的具體細節(jié)，在本發(fā)明實施例的技術構思范圍內，可以對本發(fā)明實施例的技術方案進行多種簡單變型，這些簡單變型均屬于本發(fā)明實施例的保護范圍。

另外需要說明的是，在上述具體實施方式中所描述的各個具體技術特征，在不矛盾的情況下，可以通過任何合適的方式進行組合。為了避免不必要的重復，本發(fā)明實施例對各種可能的組合方式不再另行說明。

本領域技術人員可以理解實現(xiàn)上述實施例方法中的全部或部分步驟是可以通過程序來指令相關的硬件來完成，該程序存儲在一個存儲介質中，包括若干指令用以使得一個(可以是單片機，芯片等)或處理器(processor)執(zhí)行本申請各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：u盤、移動硬盤、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲程序代碼的介質。

此外，本發(fā)明實施例的各種不同的實施方式之間也可以進行任意組合，只要其不違背本發(fā)明實施例的思想，其同樣應當視為本發(fā)明實施例所公開的內容。