[發明專利]一種基于深度網絡和文本相似度的自動問答方法及裝置

有效

• 申請號: 202010029333.2
• 申請日: 2020-01-13
• 公開（公告）號: CN110825866B
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 宋永生;許志偉;王楠;王逸飛
• 申請（專利權）人: 江蘇聯著實業股份有限公司
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F16/33
• 代理公司: 連云港聯創專利代理事務所(特殊普通合伙) 32330
• 代理人: 趙曉琴

1.一種基于深度網絡和文本相似度的自動問答方法，其特征在于，所述方法包括：

根據多個深度卷積神經網絡對提問語料集進行編碼，獲得所述提問語料集的語義特征向量；

根據所述提問語料集的語義特征向量判斷所述提問語料集中各個問題的固有關系；

當所述提問語料集中問題與相似問題或非相似問題存在固有關系時，確定所述問題與所述相似問題和所述問題與所述非相似問題的兩對向量組合；

根據三角函數計算所述問題與所述相似問題的第一向量距離和所述問題與所述非相似問題的第二向量距離，確定所述第一向量距離與所述第二向量距離的距離差；

根據所述距離差設計損失函數，并設置優化器最小化距離差的相反數，將所述距離差和所述最小化距離差的相反數輸入所述損失函數訓練所述提問語料集，獲得量化問法間相似度模型。

2.如權利要求1所述的方法，其特征在于，所述根據多個深度卷積神經網絡對提問語料集進行編碼，獲得所述提問語料集的語義特征向量，包括：

根據詞嵌入層將所述提問語料集中的問題轉換為詞向量列表；

根據所述詞向量列表和所述深度卷積神經網絡以不同步長從字、詞、短語的語義層面獲得的語義特征；

根據所述語義特征對所述詞向量列表中詞向量編碼，獲得語義特征向量。

3.如權利要求1所述的方法，其特征在于，所述判斷所述提問語料集中各個問題的固有關系，包括：

根據所述提問語料集的語義特征向量確定所述提問語料集中包括問題、相似問題和非相似問題。

4.如權利要求2所述的方法，其特征在于，所述當所述提問語料集中問題與相似問題或非相似問題存在固有關系時，確定所述問題與所述相似問題和所述問題與所述非相似問題的兩對向量組合，包括：

根據所述語義特征對所述問題、所述相似問題和所述非相似問題編碼確定所述問題、所述相似問題和所述非相似問題各自的語義向量；

對所述問題、所述相似問題和所述非相似問題各自的語義向量進行配對，獲得所述問題與所述相似問題和所述問題與所述非相似問題的兩對向量組合。

5.一種基于深度網絡和文本相似度的自動問答裝置，其特征在于，所述裝置包括：

第一獲得單元，用于根據多個深度卷積神經網絡對提問語料集進行編碼，獲得所述提問語料集的語義特征向量；

第一判斷單元，用于根據所述提問語料集的語義特征向量判斷所述提問語料集中各個問題的固有關系；

第一確定單元，用于當所述提問語料集中問題與相似問題或非相似問題存在固有關系時，確定所述問題與所述相似問題和所述問題與所述非相似問題的兩對向量組合；

第二確定單元，用于根據三角函數計算所述問題與所述相似問題的第一向量距離和所述問題與所述非相似問題的第二向量距離，確定所述第一向量距離與所述第二向量距離的距離差；

第二獲得單元，用于根據所述距離差設計損失函數，并設置優化器最小化距離差的相反數，將所述距離差和所述最小化距離差的相反數輸入所述損失函數訓練所述提問語料集，獲得量化問法間相似度模型。

6.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現權利要求1-4任一項所述方法的步驟。

7.一種基于深度網絡和文本相似度的自動問答裝置，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現權利要求1-4任一項所述方法的步驟。