[發明專利]智能問答語料分析方法、裝置、電子設備及可讀存儲介質

在審

• 申請號: 202010564937.7
• 申請日: 2020-06-19
• 公開（公告）號: CN111563152A
• 公開（公告）日: 2020-08-21
• 發明（設計）人: 陳楨博;鄭立穎;徐亮
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F16/35;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市沃德知識產權代理事務所(普通合伙) 44347
• 代理人: 高杰;于志光

1.一種智能問答語料分析方法，其特征在于，所述方法包括：

獲取歷史問答語料集，將所述歷史問答語料集輸入至預構建的數據增強模型，得到增強語料集；

利用所述歷史問答語料集訓練預構建的卷積神經網絡模型，得到初始分類預測模型；

利用所述初始分類預測模型對所述增強語料集進行分析篩選，得到增強語料子集；

利用所述增強語料子集及所述歷史問答語料集訓練所述卷積神經網絡模型，得到分析預測模型；

獲取待分析用戶語料文本，利用所述分析預測模型對所述待分析用戶語料文本進行分析，得到最終分析結果。

2.如權利要求1所述的智能問答語料分析方法，其特征在于，所述利用所述歷史問答語料集訓練預構建的卷積神經網絡模型得到初始分類預測模型，包括：

將所述歷史問答語料集確定為第一訓練集；

對所述歷史問答語料集進行預設的分析檔位標記，得到第一標簽集；

利用所述第一訓練集及所述第一標簽集訓練所述卷積神經網絡模型，得到所述初始分類預測模型。

3.如權利要求2所述的智能問答語料分析方法，其特征在于，所述利用所述第一訓練集及所述第一標簽集訓練所述卷積神經網絡模型，包括：

A：根據預設的深度可分離卷積池化次數，對所述第一訓練集進行深度可分離卷積池化操作，得到降維數據集；

B：利用預設的激活函數對所述降維數據集進行計算得到預測值，根據所述預測值和所述第一標簽集包含的標簽值，利用預構建的損失函數進行計算，得到損失值；

C：對比所述損失值與預設的損失閾值的大小，若所述損失值大于或等于所述損失閾值，返回A；若所述損失值小于所述損失閾值，得到所述初始分類預測模型。

4.如權利要求1所述的智能問答語料分析方法，其特征在于，所述利用所述初始分類預測模型對所述增強語料集進行分析篩選，得到增強語料子集，包括：

利用所述初始分類預測模型對所述增強語料集進行分析，得到所述增強語料集中每條數據的分類分析結果集；

將分類分析結果均小于預設閾值的分類分析結果集對應的數據從所述增強語料集中刪除，得到所述增強語料子集。

5.如權利要求1所述的智能問答語料分析方法，其特征在于，所述獲取待分析用戶語料文本，利用所述分析預測模型對所述待分析用戶語料文本進行分析，得到最終分析結果，包括：

利用所述分析預測模型對所述待分析用戶語料文本進行分析得到分類分析結果集；

對所述分類分析結果集中的分類分析結果進行排序；

選取數值最大的分類分析結果作為所述最終分析結果。

6.如權利要求3所述的智能問答語料分析方法，其特征在于，所述對所述第一訓練集進行深度可分離卷積池化操作，得到降維數據集，包括：

對所述第一訓練集進行分組卷積運算，得到深度卷積數據集；

對所述深度卷積數據集進行逐點卷積運算，得到逐點卷積數據集；

對所述逐點卷積數據集進行平均池化操作，得到所述降維數據集。

7.一種智能問答語料分析裝置，其特征在于，所述裝置包括：

語料增強模塊，用于獲取歷史問答語料集，將所述歷史問答語料集輸入至預構建的數據增強模型，得到增強語料集；

增強語料篩選模塊，用于利用所述歷史問答語料集訓練預構建的卷積神經網絡模型，得到初始分類預測模型；利用所述初始分類預測模型對所述增強語料集進行分析篩選，得到增強語料子集；

模型訓練模塊，用于利用所述增強語料子集及所述歷史問答語料集訓練所述卷積神經網絡模型，得到分析預測模型；

模型分析模塊，用于獲取待分析用戶語料文本，利用所述分析預測模型對所述待分析用戶語料文本進行分析，得到最終分析結果。