[發明專利]選擇題生成模型訓練方法、選擇題生成方法、設備及介質

有效

• 申請號: 202011604701.8
• 申請日: 2020-12-29
• 公開（公告）號: CN112560443B
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 陳杭;賴眾程;張舒婷;史文鑫;倪佳;林志超;何鳳連;李筱藝;李會璟;賴幸斌;林嘉喜
• 申請（專利權）人: 平安銀行股份有限公司
• 主分類號: G06F40/211
• 分類號: G06F40/211;G06F40/30;G06K9/62
• 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: 譚果林

1.一種選擇題生成模型訓練方法，其特征在于，包括：

獲取目標應用領域對應的訓練文檔、標準題目信息和標準干擾選項；

根據所述標準題目信息對所述訓練文檔進行關鍵段落提取，獲取與所述標準題目信息相對應的關鍵段落；

獲取FinBert-UniLM模型，配置所述FinBert-UniLM模型對應的模型參數，所述FinBert-UniLM是在FinBert的注意力層采用UniLM，將FinBert中的Encoder結構轉換為Seq2seq結構的模型，所述FinBert是采用目標應用領域相關的海量訓練語料對Bert的模型參數進行預訓練且采用LAMB優化器對Adam權重衰減優化器進行替代的Bert類模型；

將所述關鍵段落和所述標準題目信息輸入到所述FinBert-UniLM模型進行模型訓練，獲取所述目標應用領域對應的題目生成模型；

將所述關鍵段落、所述標準題目信息和所述標準干擾選項輸入到所述FinBert-UniLM模型進行模型訓練，獲取與所述題目生成模型相對應的干擾項生成模型。

2.如權利要求1所述的選擇題生成模型訓練方法，其特征在于，所述根據所述標準題目信息對所述訓練文檔進行關鍵段落提取，獲取與所述標準題目信息相對應的關鍵段落，包括：

采用預設分隔符對所述訓練文檔分句，獲取所述訓練文檔對應的多個句子字符串；

根據每一所述句子字符串和所述標準題目信息，獲取每一所述句子字符串對應的句子評分值；

依據至少一個所述句子字符串對應的句子評分值進行排序，獲取句子排序結果；

根據所述句子排序結果，對滿足段落拼接條件的所有句子字符串拼接，獲取與所述標準題目信息相對應的關鍵段落。

3.如權利要求1所述的選擇題生成模型訓練方法，其特征在于，所述標準題目信息包括標準題干和標準正確選項；

所述將所述關鍵段落和所述標準題目信息輸入到所述FinBert-UniLM模型進行模型訓練，獲取所述目標應用領域對應的題目生成模型，包括：

將所述關鍵段落輸入到所述FinBert-UniLM模型的編碼器進行編碼，獲取所述關鍵段落對應的段落語義表征；

將所述段落語義表征輸入到所述FinBert-UniLM模型的解碼器進行解碼，獲取候選題目信息，所述候選題目信息包括候選題干和候選正確選項；

根據所述標準題干和所述候選題干，確定題干損失值，并根據所述標準正確選項和所述候選正確選項，確定正確選項損失值；

根據所述題干損失值和所述正確選項損失值，獲取題目信息損失值；

若所述題目信息損失值小于第一損失閾值，則獲取所述目標應用領域對應的題目生成模型。

4.如權利要求1所述的選擇題生成模型訓練方法，其特征在于，所述將所述關鍵段落、所述標準題目信息和所述標準干擾選項輸入到所述FinBert-UniLM模型進行模型訓練，獲取與所述題目生成模型相對應的干擾項生成模型，包括：

將所述標準題目信息、所述標準干擾選項和所述關鍵段落輸入到所述FinBert-UniLM模型的編碼器進行編碼，獲取綜合語義表征；

將所述綜合語義表征輸入到所述FinBert-UniLM模型的解碼器進行解碼，獲取候選干擾選項；

根據所述候選干擾選項和所述標準干擾選項，計算干擾選項損失值；

若所述干擾選項損失值小于第二損失閾值，則獲取與所述題目生成模型相對應的干擾項生成模型。

5.一種選擇題生成方法，其特征在于，包括：

獲取目標應用領域對應的待處理文檔；

對所述待處理文檔進行分段，獲取至少一個待處理段落；

獲取所述目標應用領域對應的題目生成模型和干擾項生成模型，所述題目生成模型和干擾項生成模型為執行權利要求1-4任一項所述選擇題生成模型訓練方法獲取到的模型；

將所述待處理段落輸入到所述題目生成模型，獲取目標題目信息，所述目標題目信息包括目標題干和目標正確選項；

將所述待處理段落和所述目標題目信息輸入到所述干擾項生成模型，獲取目標干擾選項；

采用選擇題生成模板對所述目標題干、所述目標正確選項和所述目標干擾選項進行處理，獲取目標選擇題。