[發明專利]基于卷積神經網絡的金融問題自動抽取答復方法及其系統

在審

• 申請號: 202310409276.4
• 申請日: 2023-04-13
• 公開（公告）號: CN116521840A
• 公開（公告）日: 2023-08-01
• 發明（設計）人: 史文鑫
• 申請（專利權）人: 平安銀行股份有限公司
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F18/214;G06F18/24;G06N3/0464;G06N3/08;G06Q40/00
• 代理公司: 深圳市倡創專利代理事務所(普通合伙) 44660
• 代理人: 芮東杰

1.一種基于卷積神經網絡的金融問題自動抽取答復方法，其特征在于，所述基于卷積神經網絡的金融問題自動抽取答復方法包括：

從預設渠道檢索到包含預設關鍵詞的金融問題；

將所述金融問題按照第一預設算法進行轉碼形成問題編碼；

將所述問題編碼輸入到訓練好的機器學習模型獲取答案信息；以及

將所述答案信息經所述預設渠道上傳并填寫。

2.如權利要求1所述的基于卷積神經網絡的金融問題自動抽取答復方法，其特征在于，所述第一預設算法包括門機制、殘差結構機制、膨脹卷積機制以及注意力機制，將所述金融問題按照第一預設算法進行轉碼形成問題編碼包括：

將所述金融問題分詞獲取問題詞塊；

利用所述門機制以及所述殘差結構機制根據所述問題詞塊獲取到向量模型，其中，所述向量模型包括視野；

利用所述膨脹卷積機制增大所述視野；以及

利用所述注意力機制將所述向量模型轉碼形成所述問題編碼。

3.如權利要求1所述的基于卷積神經網絡的金融問題自動抽取答復方法，其特征在于，將所述問題編碼輸入到訓練好的機器學習模型獲取答案信息包括：

將所述問題編碼輸入訓練好的機器學習模型獲取文檔模型，其中所述文檔模型包括若干答案詞塊，所述答案詞塊包括一一對應的文檔向量以及位置編碼；

利用注意力機制將所述文檔向量轉碼生成文檔編碼；

利用指針機制根據位置編碼截取所述文檔編碼形成新的所述文檔編碼；

將全部所述文檔編碼拼接轉碼形成所述答案信息。

4.如權利要求3所述的基于卷積神經網絡的金融問題自動抽取答復方法，其特征在于，將全部所述文檔編碼拼接轉碼形成所述答案信息還包括：

將全部所述文檔編碼拼接轉碼形成至少一個答案模型，其中，所述答案模型包括若干第二詞塊以及評分系數，所述第二詞塊包括一一對應的文檔向量；

判斷所述文檔向量是否存在重復；

當所述文檔向量存在重復，根據重復的所述文檔向量選取任一所述答案模型作為所述答案信息；

當所述文檔向量不存在重復，選取所述評分系數最大對應的所述答案模型作為答案信息。

5.如權利要求1所述的基于卷積神經網絡的金融問題自動抽取答復方法,其特征在于，WebQA數據集包括問題子串以及材料子串,銀行數據庫包括標注數據，將所述問題編碼輸入到訓練好的機器學習模型獲取答案信息之前，所述基于卷積神經網絡的金融問題自動抽取答復方法還包括：

從所述WebQA數據集獲取所述問題子串作為輸入數據；

從所述銀行數據庫以及所述WebQA數據集獲取所述標注數據和所述材料子串作為預答案數據做為輸出數據；

將所述問題子串、所述標注數據以及所述材料子串分別按照預設比例劃分成訓練集和測試集；

根據所述訓練集訓練所述機器學習模型；以及

根據所述測試集測試所述機器學習模型直到獲取所述訓練好的機器學習模型。

6.如權利要求5所述的基于卷積神經網絡的金融問題自動抽取答復方法，其特征在于，所述訓練集包括數據段，根據所述訓練集訓練所述機器學習模型之前，所述基于卷積神經網絡的金融問題自動抽取答復方法還包括：

將所述數據段隨機裁剪獲取分段；

將所述數據段和所述分段重復拼接獲取新數據段；以及

將所述新數據段添加到所述訓練集中。

7.如權利要求5所述的基于卷積神經網絡的金融問題自動抽取答復方法，其特征在于，根據所述訓練集訓練所述機器學習模型之前，所述基于卷積神經網絡的金融問題自動抽取答復方法還包括：

利用adam優化器以及對warm-start策略對所述機器學習模型進行訓練以優化所述機器學習模型。

8.一種計算機設備，其特征在于，所述計算機設備包括：

存儲器，用于存儲程序指令；以及

處理器，用于執行所述程序指令以實現如權利要求1至7中任一項所述的基于卷積神經網絡的金融問題自動抽取答復方法。