[發明專利]一種基于深度學習的FAQ檢索式問答構建方法及系統

在審

• 申請號: 202011584447.X
• 申請日: 2020-12-28
• 公開（公告）號: CN112559723A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 孫永毫;蒙碧軍
• 申請（專利權）人: 廣東國粒教育技術有限公司
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F16/335;G06F16/35;G06F40/205;G06F40/35;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 盧澤明

本發明提供的一種基于深度學習的FAQ檢索式問答構建方法及系統，包括以下步驟：步驟S1，獲取用戶問題，并整理與所述用戶問題相關的文檔內容；步驟S2，構建訓練集和測試集；步驟S3，在測試集和訓練集的基礎上，增強數據；步驟S4，模型建立及迭代優化；步驟S5，模型建立完之后，設置問答系統，用戶任意問問題，系統會根據神經網絡模型預測該問題屬于哪一類，進而給出相應的答案；相比于傳統方法，深度文本匹配模型能夠從大量的樣本中自動提取出詞語之間的關系，并能結合短語匹配中的結構信息和文本匹配的層次化特性，發掘傳統模型很難發掘的隱含在大量數據中含義不明顯的特征，更精細地描述文本匹配問題。

【技術領域】

本發明涉及教育技術領域，尤其是一種基于深度學習的FAQ檢索式問答構建方法及系統。

【背景技術】

知識庫有兩種含義：一種是指專家系統設計所應用的規則集合，包含規則所聯系的事實及數據，它們的全體構成知識庫，這種知識庫是與具體的專家系統有關，不存在知識庫的共享問題，另一種是指具有咨詢性質的知識庫，這種知識庫是共享的，不是一家所獨有的，從今后的發展來看，巨型知識庫將會出現，還依賴于硬件及軟件條件的發展，下一代計算機所應考慮的重要問題之一是知識庫的設計，以知識庫為背景的知識庫機及共管理系統構設計，知識庫的概念來自兩個不同的領域，一個是人工智能及其分支-知識工程領域，另一個是傳統的數據庫領域，由人工智能(AI)和數據庫(DB)兩項計算機技術的有機結合，促成了知識庫系統的產生和發展。

自從krizhevsky等人提出基于深度學習理論的深度卷積神經網絡Alexnet后，識別領域進入了新的紀元。深度卷積神經網絡通過卷積運算由淺入深的提取知識的不同層次的特征，并通過學習算法使網絡自動的調節卷積核的參數進行學習，在知識分類和識別上已經取得了顯著效果。

但現有根據問題檢索知識庫和問答知識庫，根據檢索結果將答復發送給答復反饋模塊，答復反饋模塊用于將答復通過語言、文字或者照片反饋給用戶，解決了現有通過搜索引擎獲取醫療知識耗時且信息準確性難判的問題，然而現有知識庫的檢索存在以下不足：1)、在對知識庫內的信息進行采集刷新的過程中，系統無法對收集的信息和知識進行的分類、整理，導致信息和知識不能有序化保存在知識庫內，使用較為混亂，導致在檢索的過程中，影響檢索的速度。2)、通過組織用戶對系統答復結果進行審閱修改，并依據其審閱修改不斷完善更新知識庫，由于系統答復結果繁雜，會耗費了用戶大量的精力和時間，同時人工審閱修改降低了知識庫的更新速度，不利于其發展。

如何將深度卷積神經網絡技術與知識庫相結合，從大量的樣本中自動提取出詞語之間的關系，發掘傳統模型很難發掘的隱含在大量數據中含義不明顯的特征，是目前迫切需要解決的一項技術問題。

【發明內容】

本發明提供一種基于深度學習的FAQ檢索式問答構建方法及系統，深度文本匹配模型能夠從大量的樣本中自動提取出詞語之間的關系，并能結合短語匹配中的結構信息和文本匹配的層次化特性，發掘隱含在大量數據中含義不明顯的特征，更精細地描述文本匹配問題。

為達到上述明目的，采用的技術方案如下：

一種基于深度學習的FAQ檢索式問答構建方法，包括以下步驟：

步驟S1，獲取用戶問題，并整理與所述用戶問題相關的文檔內容；

步驟S2，構建訓練集和測試集；

步驟S3，在測試集和訓練集的基礎上，增強數據；

步驟S4，模型建立及迭代優化；

步驟S5，模型建立完之后，設置問答系統，用戶任意問問題，系統會根據神經網絡模型預測該問題屬于哪一類，進而給出相應的答案。

進一步地，所述步驟S1中，對于有大量問答記錄的場景，問答記錄里面包括很多高頻的知識點，所述高頻的知識點包括問題和答案；