[發明專利]基于大數據的答案位置獲取方法、裝置、設備及介質

在審

• 申請號: 202010037661.7
• 申請日: 2020-01-14
• 公開（公告）號: CN111241244A
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 陳楨博;金戈;徐亮
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/332
• 代理公司: 深圳眾鼎專利商標代理事務所(普通合伙) 44325
• 代理人: 張美君

1.一種基于大數據的答案位置獲取方法，其特征在于，包括：

獲取待處理的文本信息和問題信息，分別對所述文本信息和問題信息中的每一個詞執行向量化，得到所述文本信息對應的詞向量和問題信息對應的詞向量；

通過雙向循環神經網絡Bi-LSTM對所述問題信息對應的詞向量進行特征提取，并對提取得到的多維特征矩陣壓縮至預設維度，得到問題編碼信息；

對文本信息中的每一個詞向量添加位置向量和所述問題編碼信息，得到所述文本信息對應的文本編碼信息；

通過預設的多層卷積層對所述文本編碼信息進行特征提取，得到所述文本信息對應的文本特征信息；

通過雙向循環神經網絡Bi-LSTM對所述文本特征信息進行序列標注，得到文本信息中每一個詞的第一概率與第二概率；

獲取第一概率最大值對應的詞作為答案開始位置和第二概率最大值對應的詞作為答案結束位置。

2.如權利要求1所述的基于大數據的答案位置獲取方法，其特征在于，所述通過雙向循環神經網絡Bi-LSTM對所述問題信息對應的詞向量進行特征提取，并對提取得到的多維特征矩陣壓縮至預設維度，得到問題編碼信息包括：

通過雙向循環神經網絡Bi-LSTM對所述問題信息對應的詞向量進行特征提取，得到m*n維特征矩陣；

通過加性注意力機制，將所述m*n維特征矩陣壓縮至1*n維特征矩陣；

通過預設的全連接層，將所述1*n維特征矩轉化為1*k維特征矩陣，以所述1*k維特征矩陣作為問題編碼信息。

3.如權利要求1或2所述的基于大數據的答案位置獲取方法，其特征在于，所述對文本信息中的每一個詞向量添加位置向量和所述問題編碼信息，得到所述文本信息對應的文本編碼信息包括：

對文本信息中的每一個詞向量，通過預設的正弦函數和余弦函數生成所述詞向量對應的位置向量；

將所述位置向量、問題編碼信息依次添加至所述詞向量之后，得到所述詞向量對應的文本編碼信息。

4.如權利要求1或2所述的基于大數據的答案位置獲取方法，其特征在于，所述通過預設的多層卷積層對所述文本編碼信息進行特征提取，得到所述文本信息對應的文本特征信息包括：

通過預設的第一卷積層對所述文本編碼信息進行特征提取，得到文本編碼信息對應的第一文本特征信息；

通過三層并行的第二卷積層分別對所述第一文本特征信息進行特征提，得到三組第二文本特征信息；

對任意兩組第二文本特征信息執行矩陣乘法運算，并通過softmax函數對運算結果執行歸一化處理，得到權重信息；

根據所述權重信息對另一組第二文本特征信息進行調整，得到第三文本特征信息；

對所述第三文本特征信息和第一文本特征信息執行加和處理，所得結果作為所述文本信息對應的文本特征信息。

5.如權利要求1或2所述的基于大數據的答案位置獲取方法，其特征在于，在得到所述文本信息對應的文本特征信息之后，所述方法還包括：

將所述文本特征信息傳入預設的全連接層，得到待處理的文本信息中是否存在問題信息對應的答案信息的二分類結果。

6.一種基于大數據的答案位置獲取裝置，其特征在于，包括：

向量化模塊，用于獲取待處理的文本信息和問題信息，分別對所述文本信息和問題信息中的每一個詞執行向量化，得到所述文本信息對應的詞向量和問題信息對應的詞向量；

第一特征提取模塊，用于通過雙向循環神經網絡Bi-LSTM對所述問題信息對應的詞向量進行特征提取，并對提取得到的多維特征矩陣壓縮至預設維度，得到問題編碼信息；

信息添加模塊，用于對文本信息中的每一個詞向量添加位置向量和所述問題編碼信息，得到所述文本信息對應的文本編碼信息；

第二特征提取模塊，用于通過預設的多層卷積層對所述文本編碼信息進行特征提取，得到所述文本信息對應的文本特征信息；

概率獲取模塊，用于通過雙向循環神經網絡Bi-LSTM對所述文本特征信息進行序列標注，得到文本信息中每一個詞的第一概率與第二概率；

答案獲取模塊，用于獲取第一概率最大值對應的詞作為答案開始位置和第二概率最大值對應的詞作為答案結束位置。