[發明專利]一種智能問答方法及其系統

在審

• 申請號: 201711061534.5
• 申請日: 2017-11-02
• 公開（公告）號: CN107818164A
• 公開（公告）日: 2018-03-20
• 發明（設計）人: 張邦佐;武志遠;孫小新;馮國忠
• 申請（專利權）人: 東北師范大學
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06N3/04;G10L15/26
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本申請涉及文本處理技術領域，具體涉及一種智能問答方法及其系統。

背景技術

智能問答系統可以根據知識領域劃分成封閉領域和開放領域兩種類型，封閉領域專注于回答特定領域的問題，提問者僅能問一些領域相關的問題并獲取答案。開放領域系統則不設置問題的范圍，提問者可以提出自己感興趣的話題，并且從該類系統中得到自己想要的解答。

目前流行的問答機器人大多是基于開放領域的智能問答系統，如以互聯網預料及用戶點擊日志為基礎的微軟小冰，以百度搜索日志為基礎的百度語音助手等，這些開放型的智能機器人無法針對特定領域(如政府、金融、保險等)的問題實現精準的回答，準確度低。

發明內容

本發明的目的在于提出一種智能問答方法及智能問答系統，用于解決現有技術中針對性差、問題回答準確率低的技術問題。

本申請的智能問答方法，包括如下步驟：

步驟S1、建立相關領域的知識圖譜；

步驟S2、將用戶問題的語音轉化成文本；

步驟S3、使用skip-gram模型將文本向量化，生成問題向量矩陣；

步驟S4、使用卷積神經網絡將問題向量矩陣生成問題特征向量；

步驟S5、計算用戶問題特征向量與候選答案特征向量的相似度；

步驟S6、通過排序學習反饋給用戶答案。

可選地，步驟S1中，知識圖譜的建立包括如下步驟：

步驟R1、對高價值信息進行檢測，抽取數據塊；

步驟R2、將自然語言文本中的信息與知識庫中的條目進行鏈接；

步驟R3、對自然語言文本進行開放抽取，獲取相應的三元組；

步驟R4、將抽取的三元組進行驗證集成。

優選地，步驟S3中，skip-gram模型將文本向量化時，對于給定單詞序列w₁，w₂，...，w_n，該模型的優化目標公式如下：

式中，p表示第t+j個詞在t個詞出現的情況下出現的概率；c是訓練上下文的長度；

skip-gram模型使用softmax函數來優化參數，優化公式如下：

式中，ν_w是單詞w的輸入向量；ν’_w是單詞w的輸出向量；W是詞表中單詞的數量。

可選地，skip-gram模型優化參數的方法包括：層次softmax、負采樣和二次采樣中的一種或多種。

可選地，步驟S4包括如下步驟：

步驟T1、將問題向量矩陣用二元卷積神經網絡生成卷積神經網絡；

步驟T2、問題向量矩陣經第一卷積層、第一采樣層、第二卷積層和第二采樣層后變換到輸出層，生成問題向量。

優選地，問題向量生成模型的訓練目標公式如下：

L＝max(mar-x^T·x₊+x^T·x_-)₊(公式3)

其中，x為有卷積神經網絡生成的問題向量；x₊為與向量x屬于同一類的抽樣向量；x_-為不屬于向量x所屬類的抽樣向量。

可選地，問題向量矩陣經由第二采樣層變換到輸出層的函數如下公式所示：

x＝W₀ tanh(y)(公式4)

其中，x表示輸出向量；y表示第二采樣層向量；W₀表示加權變換時的權值信息。

可選地，步驟S5中，在問題特征向量與候選答案特征向量進行比較時，進行相似度打分，包括問題特征向量相似度打分、問題特征向量與所有答案向量的相似度打分。

優選地，問題特征向量與所有答案向量的相似度打分的公式如下：

r'＝v·M'·c(公式5)

其中，r’是結果向量，維度與已知答案的格式k相同；ν是待測評問句向量；M’是一個n×k維矩陣，每一列表示一個已知答案的答案向量；C是一個k維向量，向量中每一維表示該維所對應的結果中關鍵字與問題關鍵字的相似程度。

本申請提出的智能問答方法，在用戶使用該問答系統時，使用系統匹配到的與用戶提問問題相似度最高的答案反饋給用戶，通過文本向量化技術，將問題抽象成特征向量，之后再利用基于深度學習的方法計算用戶問題和知識圖譜候選答案的相似度，最后挑選相似度最高的答案作為最優答案反饋給用戶。本申請的智能問答系統，針對性好，準確度高。