[發明專利]基于云化機器人的閱讀理解方法、系統及存儲介質

有效

• 申請號: 202110532203.5
• 申請日: 2021-05-17
• 公開（公告）號: CN113239165B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 馮落落;宋虎;李銳;王建華
• 申請（專利權）人: 山東新一代信息產業技術研究院有限公司
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F40/295;G10L15/22;G06N3/0442
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 孫園園

1.一種基于云化機器人的閱讀理解方法，其特征在于，該方法具體步驟如下：

S1、通過云化機器人前端操作界面輸入一篇文章到云化機器人；

S2、用戶語音提出問題，云化機器人通過語音識別技術識別用戶的問題內容；具體如下：

S201、問題通過word2vec進行編碼得到embedding?vector；

S202、將編碼得到embedding?vector輸入到Bi-LSTM層；

S203、通過Bi-LSTM層輸出embedding?vector的前向向量和后向向量并concat拼接；

S204、對拼接后的向量進行權重加和，公式如下：

其中，w^qT表示一個向量，該向量是一個待學習的參數；q表示問題加權平均后的向量；b表示權重；j表示索引符號；j’表示問題句子中的某個詞；

S3、對云化機器人語音識別的問題內容進行預處理；預處理包括分詞處理和糾錯處理；

S4、云化機器人對輸入的文章進行閱讀理解；具體如下：

S401、文章經過word2vec進行編碼得到embedding?vector；

S402、獲取文章的詞性信息和實體信息；

S403、把embedding?vector、詞性信息和實體信息同時傳入到Bi-LSTM層獲取預測值；

S404、把文章從Bi-LSTM層輸出的預測值和問題加權平均后的向量進行計算，公式如下：

其中，p表示文章經過Bi-LSTM層后的輸出向量；q表示問題加權平均后的向量；W^(end)和W^(start)表示兩個矩陣，時序上共享，也是待學習的參數；P^(start)和P^(end)表示是否是答案開始和結束的概率，答案就是P^(start)的坐標點到P^(end)的坐標點的文章中的詞；

S5、云化機器人借助自然語言生成技術生成從文章中獲取的問題答案；

S6、云化機器人將問題的答案合成語音并播放給用戶。

2.一種基于云化機器人的閱讀理解系統，其特征在于，該方法具體如下：

輸入模塊，用于通過云化機器人的前端操作界面輸入一篇文章到云化機器人；

語音識別模塊，用于識別用戶語音提出的問題；語音識別模塊工作過程具體如下：

(1)、問題通過word2vec進行編碼得到embedding?vector；

(2)、將編碼得到embedding?vector輸入到Bi-LSTM層；

(3)、通過Bi-LSTM層輸出embedding?vector的前向向量和后向向量并concat拼接；

(4)、對拼接后的向量進行權重加和，公式如下：

其中，w^qT表示一個向量，該向量是一個待學習的參數；q表示問題加權平均后的向量；b表示權重；j表示索引符號；j’表示問題句子中的某個詞；

預處理模塊，用于對語音識別的問題進行預處理；

閱讀理解模塊，用于對輸入的文章進行閱讀理解；

答案生成模塊，用于借助自然語言生成技術生成從文章中獲取的問題答案；

語音合成模塊，用于將問題的答案合成語音并播放給用戶；

其中，預處理模塊包括，

分詞子模塊，用于對問題進行分詞處理；

糾錯子模塊，用于對問題進行糾錯處理；

閱讀理解模塊的工作過程具體如下：

(1)、文章經過word2vec進行編碼得到embedding?vector；

(2)、獲取文章的詞性信息和實體信息；

(3)、把embedding?vector、詞性信息和實體信息同時傳入到Bi-LSTM層獲取預測值

(4)、把文章從Bi-LSTM層輸出的預測值和問題加權平均后的向量進行計算，公式如下：

其中，p表示文章經過Bi-LSTM層后的輸出向量；q表示問題加權平均后的向量；W^(end)和W^(start)表示兩個矩陣，時序上共享，也是待學習的參數；P^(start)和P^(end)表示是否是答案開始和結束的概率，答案就是P^(start)的坐標點到P^(end)的坐標點的文章中的詞。

3.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質中存儲有計算機程序，所述計算機程序可被處理器執行以實現如權利要求1所述的基于云化機器人的閱讀理解方法。