[發(fā)明專利]自動問答方法及裝置

在審

• 申請?zhí)枺?/td>: 201810502726.3
• 申請日: 2018-05-23
• 公開（公告）號: CN110597966A
• 公開（公告）日: 2019-12-20
• 發(fā)明（設計）人: 陳華杰
• 申請（專利權）人: 北京國雙科技有限公司
• 主分類號: G06F16/332
• 分類號: G06F16/332
• 代理公司: 11227 北京集佳知識產(chǎn)權代理有限公司
• 代理人: 王寶筠

1.一種自動問答方法，其特征在于，包括：

獲取用戶問題語句與候選問題集，其中，所述候選問題集中的問題語句均對應有預設的答案信息；

利用預置的問題模型，從所述候選問題集中確定出與所述用戶問題語句相匹配的問題語句，作為目標問題語句；其中，所述問題模型為，將歷史問題語句作為訓練樣本對注意力神經(jīng)網(wǎng)絡進行訓練得到的；

采用所述目標問題語句對應的答案信息，對所述用戶問題語句進行回應。

2.如權利要求1所述的方法，其特征在于，所述獲取用戶問題語句與候選問題集包括：

獲取用戶問題語句；

采用BM25算法，從預置問題庫中檢索出與所述用戶問題語句相關聯(lián)的至少一條問題語句，作為候選問題集；所述預置問題庫中的問題語句均對應有預設的答案信息。

3.如權利要求1所述的方法，其特征在于，所述利用預置的問題模型，從所述候選問題集中確定出與所述用戶問題語句相匹配的問題語句，作為目標問題語句包括：

利用預置的問題模型，獲取所述用戶問題語句與所述候選問題集中的問題語句的相似度；

將所述候選問題集中所述相似度符合預設相似度條件的問題語句，確定為與所述用戶問題語句相匹配的問題語句，作為目標問題語句。

4.如權利要求1所述的方法，其特征在于，所述問題模型的訓練過程包括：

獲取訓練樣本，所述訓練樣本中包括樣本問題語句；

采用所述樣本問題語句對注意力神經(jīng)網(wǎng)絡進行訓練，得到所述問題模型。

5.如權利要求4所述的方法，其特征在于，所述獲取訓練樣本包括：

獲取第一問題語句；

獲取與所述第一問題語句語義相同的第二問題語句，以及，與所述第一問題語句語義不同的第三問題語句；

將所述第二問題語句作為所述第一問題語句的正樣本，將所述第三問題語句作為所述第一問題語句的負樣本；其中，所述正樣本與所述負樣本為訓練樣本。

6.如權利要求4所述的方法，其特征在于，所述采用所述樣本問題語句對注意力神經(jīng)網(wǎng)絡進行訓練，得到所述問題模型包括：

獲取所述樣本問題語句中各個詞對應的詞向量；

根據(jù)所述詞向量，利用雙向門結構的循環(huán)神經(jīng)網(wǎng)絡，抽取所述樣本問題語句中各個時刻對應的特征向量；

利用注意力機制，確定所述樣本問題語句中各個時刻對應的權重信息；

根據(jù)所述樣本問題語句中各個時刻對應的特征向量與權重信息，確定所述樣本問題語句對應的句向量；

根據(jù)所述句向量，確定所述注意力神經(jīng)網(wǎng)絡的網(wǎng)絡參數(shù)，得到所述問題模型。

7.如權利要求6所述的方法，其特征在于，在所述采用所述樣本問題語句對注意力神經(jīng)網(wǎng)絡進行訓練之前，所述方法還包括：

獲取目標領域的文本語句；

對所述文本語句進行分詞處理，得到所述文本語句的分詞結果；

對所述文本語句的分詞結果進行詞向量訓練，得到詞向量模型；

相應的，

所述獲取所述樣本問題語句中各個詞對應的詞向量包括：

對所述樣本問題語句進行分詞處理，得到所述樣本問題語句的分詞結果；

根據(jù)所述詞向量模型，獲取所述樣本問題語句中各個詞對應的詞向量。

8.一種自動問答裝置，其特征在于，包括：

問題獲取單元，用于獲取用戶問題語句與候選問題集，其中，所述候選問題集中的問題語句均對應有預設的答案信息；

問題確定單元，用于利用預置的問題模型，從所述候選問題集中確定出與所述用戶問題語句相匹配的問題語句，作為目標問題語句；其中，所述問題模型為，將歷史問題語句作為訓練樣本對注意力神經(jīng)網(wǎng)絡進行訓練得到的；

問題回應單元，用于采用所述目標問題語句對應的答案信息，對所述用戶問題語句進行回應。

9.一種存儲介質，其特征在于，所述存儲介質包括存儲的程序，其中，在所述程序運行時控制所述存儲介質所在設備執(zhí)行如權利要求1-7中任一項所述的自動問答方法。

10.一種處理器，其特征在于，所述處理器用于運行程序，其中，所述程序運行時執(zhí)行如權利要求1-7中任一項所述的自動問答方法。