[發(fā)明專利]智能機器閱讀理解方法、裝置、電子設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110257925.4
• 申請日: 2021-03-10
• 公開（公告）號: CN112632265A
• 公開（公告）日: 2021-04-09
• 發(fā)明（設(shè)計）人: 劉磊
• 申請（專利權(quán)）人: 北京沃豐時代數(shù)據(jù)科技有限公司
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F16/35;G06F40/30;G06K9/62;G06N20/00
• 代理公司: 北京路浩知識產(chǎn)權(quán)代理有限公司 11002
• 代理人: 王宇楊

本發(fā)明實施例提供了一種智能機器閱讀理解方法、裝置、電子設(shè)備及存儲介質(zhì)。其中，智能機器閱讀理解方法，包括：獲取待檢問題；通過深度語義匹配的方式，從預(yù)設(shè)的問題答案優(yōu)選集中匹配所述待檢問題的答案；如果匹配到所述答案，則將所述答案作為最終答案，否則通過預(yù)先訓(xùn)練好的閱讀理解模型，獲得所述待檢問題的最終答案，其中，所述預(yù)先訓(xùn)練好的閱讀理解模型包括BERT模型和QANet模型。本發(fā)明的實施例，可以有效地提升智能機器閱讀理解結(jié)果的準(zhǔn)確性和可靠性。

技術(shù)領(lǐng)域

本發(fā)明涉及智能機器閱讀理解技術(shù)領(lǐng)域，尤其涉及一種智能機器閱讀理解方法、裝置、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)

現(xiàn)有的機器閱讀理解技術(shù)都是基于特定數(shù)據(jù)集的處理方法，主要有三種代表方法：一種是基于傳統(tǒng)特征的方法，通過選取不同的特征，然后基于選取的特征構(gòu)造并學(xué)習(xí)一個三元打分函數(shù)，將得分最高的候選答案a作為問題q在文檔d中的答案；第二種是基于神經(jīng)網(wǎng)絡(luò)的方法；第三種是基于深層語義的圖匹配方法。其中，基于傳統(tǒng)特征的方法由于特征本身所具有的局限性，很難處理復(fù)述以及遠距離依賴問題。基于神經(jīng)網(wǎng)絡(luò)的方法對于某些需要引入外部知識進行更深層次推理、幾乎不可能僅僅通過相似度匹配得到結(jié)果的任務(wù)則無能為力。基于深層語義的圖匹配方法由于對于外部知識的依賴性較強，因此適用范圍較窄，可拓展性較弱。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中的問題，本發(fā)明實施例提供一種智能機器閱讀理解方法、裝置、電子設(shè)備及存儲介質(zhì)。

具體地，本發(fā)明實施例提供了以下技術(shù)方案：

第一方面，本發(fā)明實施例提供了一種智能機器閱讀理解方法，包括：

獲取待檢問題；

通過深度語義匹配的方式，從預(yù)設(shè)的問題答案優(yōu)選集中匹配所述待檢問題的答案；

如果匹配到所述答案，則將所述答案作為最終答案，否則通過預(yù)先訓(xùn)練好的閱讀理解模型，獲得所述待檢問題的最終答案，其中，所述預(yù)先訓(xùn)練好的閱讀理解模型包括BERT模型和QANet模型。

進一步地，所述如果匹配到所述答案，則將所述答案作為最終答案，包括：

從所述問題答案優(yōu)選集和所述待檢問題進行深度語義匹配，并判斷匹配結(jié)果中是否存在匹配度超過預(yù)設(shè)閾值的結(jié)果；

如果有，則將匹配度超過預(yù)設(shè)閾值的結(jié)果作為所述最終答案。

進一步地，在通過預(yù)先訓(xùn)練好的閱讀理解模型，獲得所述待檢問題的最終答案之前，包括：對所述閱讀理解模型進行訓(xùn)練。

進一步地，所述對所述閱讀理解模型進行訓(xùn)練，包括：

對文檔集以及問答對集進行切分，得到問題集以及候選答案片段集；

通過BERT模型預(yù)測答案起始位置和終止位置，并預(yù)測答案與真實答案的評測差異；

基于所述評測差異對所述BERT模型進行二次訓(xùn)練，得到訓(xùn)練好的BERT模型。

進一步地，通過預(yù)先訓(xùn)練好的閱讀理解模型，獲得所述待檢問題的最終答案，包括：

獲得所述BERT模型的預(yù)測答案，獲得所述QANet模型的預(yù)測答案；

對所述BERT模型的預(yù)測答案和所述QANet模型的預(yù)測答案進行加權(quán)求和，得到所述最終答案。

進一步地，還包括：

獲取最終答案的反饋信息，并根據(jù)反饋信息對所述閱讀理解模型進行模型優(yōu)化。

第二方面，本發(fā)明實施例還提供了一種智能機器閱讀理解裝置，包括：

獲取模塊，用于獲取待檢問題；

答案確定模塊，用于通過深度語義匹配的方式，從預(yù)設(shè)的問題答案優(yōu)選集中匹配所述待檢問題的答案，如果匹配到所述答案，則將所述答案作為最終答案，否則通過預(yù)先訓(xùn)練好的閱讀理解模型，獲得所述待檢問題的最終答案，其中，所述預(yù)先訓(xùn)練好的閱讀理解模型包括BERT模型和QANet模型。