[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

本發明公開一種選擇題生成模型訓練方法、選擇題生成方法、設備及介質。該方法包括：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；根據標準題目信息對訓練文檔進行關鍵段落提取，獲取與標準題目信息相對應的關鍵段落；獲取FinBert?UniLM模型，配置FinBert?UniLM模型對應的模型參數；將關鍵段落和標準題目信息輸入到FinBert?UniLM模型進行模型訓練，獲取目標應用領域對應的題目生成模型；將關鍵段落、標準題目信息和標準干擾選項輸入到FinBert?UniLM模型進行模型訓練，獲取與題目生成模型相對應的干擾項生成模型。該方法可保障選擇題生成模型生成的選擇題具有語言組織方式多樣性、干擾選項與題干的順暢性、選項長度滿足業務需求以及知識點覆蓋的全面性。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種選擇題生成模型訓練方法、選擇題生成方法、設備及介質。

背景技術

選擇題生成模型是用于實現自動生成選擇題的模型，可利用選擇題生成模型對各種培訓過程中的培訓文檔或者其他文檔中特定片段進行處理，以生成該特定片段對應的選擇題，以利用該選擇題實現對特定片段的知識的考核。一般來說，選擇題包括題干、正確選項和干擾選項這三個部分，根據正確選項和干擾選項的數量，將選擇題劃分為單項選擇題、多項選擇題和不定項選擇題這幾種類型。

現有選擇題生成模型一般是從文檔中選擇需要出題的句子，在句子上挖空，形成題干和正確選項，再根據各類詞典生成與正確選項相對應的干擾選項，以獲取生成的選擇題，這種方式存在如下問題：其一是，采用挖空填詞方式生成的選擇題，其語言組織方式與文檔表述一致，在線上考核或者其他情況下，給考生作弊提供便利。其二是，采用各類詞典生成的干擾選項與題干拼接起來形成的語句較為生硬，使得考生可通過兩者銜接的流暢性，快速排隊干擾選項。其三是，在特定應用場景，如銀行內部考核的培訓考題中，部分選項題涉及到具體業務操作細則，使得選擇題的選項較長，使得挖空填詞方式生成的選項長度，無法滿足特定應用場景的長度需求。其四是，采用挖空填詞方式生成的選擇題只能覆蓋一個句子的信息，使得考題的覆蓋知識面較窄，不利于實現對文檔的全面考核。

發明內容

本發明實施例提供一種選擇題生成模型訓練方法、選擇題生成方法、設備及介質，以解決采用挖空填詞方式生成的選擇題存在的問題。

一種選擇題生成模型訓練方法，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；

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。

一種選擇題生成模型訓練裝置，包括：

訓練數據獲取模塊，用于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；

關鍵段落獲取模塊，用于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；

訓練模型獲取模塊，用于獲取FinBert-UniLM模型，配置所述FinBert-UniLM模型對應的模型參數；

題目生成模型獲取模塊，用于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；