CN108733703A - 问答系统的答案预测方法及装置、电子设备、存储介质 - Google Patents

Abstract

本公开涉及一种问答系统的答案预测方法和装置、电子设备、以及计算机可读存储介质。该答案预测方法包括：获取当前问题、历史问题和历史问题答案作为当前的输入信息，并将所述输入信息拆分成多条序列数据；利用通过循环神经网络算法生成的问答系统根据所述序列数据获取所述当前问题的预测答案；输出所述预测答案并将所述预测答案返回以作为下一输入信息中的所述历史问题答案。本公开可减少人工参与程度并改善应答效果，且在不同领域之间可实现快速切换、具有良好的通用性。

Description

问答系统的答案预测方法及装置、电子设备、存储介质

技术领域

本公开涉及智能机器人技术领域，尤其涉及一种问答系统的答案预测方法及装置、电子设备、以及计算机可读存储介质。

背景技术

智能问答系统是以一问一答的形式，模拟在线客服人员，精确的定位网站用户所需要的提问知识，以网站智能客服的形式完成客户问答服务，为网站用户提供个性化的信息服务。面向任务的智能问答系统是智能问答系统中的一个子领域，其中的面向任务一般是指用户具有非常明确的目标，并且需要通过带有上下文的人机交互对话才能解决的场景。例如电商领域的商品推荐场景，需要通过与用户的多轮交互，了解用户对商品的需求，包括品牌、价格、性能等，才能给出最终的商品推荐结果。

针对面向任务的智能问答系统，现有技术采用的主要方法是结合了单句识别和上下文处理规则的一种合成方法。即：首先在不考虑上下文的情况下，对单句的意图和实体进行识别；然后再结合已识别出的意图和实体，通过人工制定规则给出最终的回复。其中，人工制定的规则可以类似于：如果出现了实体a+关键字b+意图c，则给出回复d。

但是，现有技术的智能问答系统存在以下的缺陷：

(1)由于使用了人工制定规则，而这些规则通常是针对于特定领域的，因此无法迁移到其它领域使用，如果要在一个新的领域实现面向任务的智能问答系统，必须人工制定一份新的规则，这样就会耗费大量的人力资源和时间；

(2)由于用户的问题是开放性的，因此人工制定的规则覆盖程度相对较低，只能覆盖到常见的领域；

(3)针对于出现歧义的规则，需要进行人工检测并通过扩充规则来解决冲突，使得效率非常低。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种问答系统的答案预测方法及装置、电子设备、以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种问答系统的答案预测方法，包括：

获取当前问题、历史问题和历史问题答案作为当前的输入信息，并将所述输入信息拆分成多条序列数据；

利用通过循环神经网络算法生成的问答系统根据所述序列数据获取所述当前问题的预测答案；

输出所述预测答案并将所述预测答案返回以作为下一输入信息中的所述历史问题答案。

本公开的一种示例性实施例中，所述问答系统的生成方法包括：

获取会话数据并将所述会话数据拆分成多条会话序列数据；

利用通过循环神经网络算法生成的待训练问答模型根据所述会话序列数据获取候选答案；

将所述候选答案与答案模板中的参考答案进行拟合并判断拟合结果是否满足预设条件；

在所述拟合结果不满足预设条件时，对所述待训练问答模型进行调整以生成校正模型，以所述校正模型替换所述待训练问答模型，并返回所述获取会话数据并将所述会话数据拆分成多条会话序列数据的步骤；

在所述拟合结果满足预设条件时，根据所述待训练问答模型生成所述问答系统。

本公开的一种示例性实施例中，所述获取会话数据包括：

根据用户与人工客服之间的原始会话数据对同一答案的不同表达形式进行文本聚类以得到所述会话数据。

本公开的一种示例性实施例中，所述利用通过循环神经网络算法生成的待训练问答模型根据所述会话序列数据获取候选答案包括：

根据所述会话序列数据提取第一实体特征和第一文本特征；

利用通过循环神经网络算法生成的待训练实体问答模型根据所述第一实体特征获取实体候选答案；

利用通过循环神经网络算法生成的待训练文本问答模型根据所述第一文本特征获取文本候选答案；

将所述文本候选答案和所述实体候选答案进行分类输出。

本公开的一种示例性实施例中，所述对所述待训练问答模型进行调整以生成校正模型包括：

以预设函数作为目标函数，采用随机梯度下降法对所述待训练问答模型进行求解，以得到所述校正模型。

本公开的一种示例性实施例中，所述利用通过循环神经网络算法生成的问答系统根据所述序列数据获取所述当前问题的预测答案包括：

根据所述序列数据提取第二实体特征和第二文本特征；

利用通过循环神经网络算法生成的实体问答系统根据所述第二实体特征获取实体预测答案；

利用通过循环神经网络算法生成的文本问答系统根据所述第二文本特征获取文本预测答案。

本公开的一种示例性实施例中，所述输出所述预测答案包括：

将所述文本预测答案和所述实体预测答案进行分类输出，并在所述答案模板中补充所述第二实体特征；

其中，当所述预测答案为文本答案时，将所述文本答案作为所述当前问题的预测答案直接输出；

和/或，当所述预测答案为检索接口调用指令时，以所述第二实体特征为关键字调用所述检索接口进行检索，并将检索结果作为所述当前问题的预测答案输出。

根据本公开的一个方面，还提供一种问答系统的答案预测装置，包括：

数据拆分模块，用于获取当前问题、历史问题和历史问题答案作为当前的输入信息，并将所述输入信息拆分成多条序列数据；

答案预测模块，用于利用通过循环神经网络算法生成的问答系统根据所述序列数据获取所述当前问题的预测答案；

答案输出模块，用于输出所述预测答案并将所述预测答案返回以作为下一输入信息中的所述历史问题答案。

根据本公开的一个方面，还提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述的问答系统的答案预测方法。

根据本公开的一个方面，还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的问答系统的答案预测方法。

本公开示例性实施方式所提供的问答系统的答案预测方法及装置，利用基于循环神经网络算法生成的问答系统，将历史问答记录和当前问题共同作为该问答系统的输入信息，以结合语境对当前问题的答案进行预测。相比于现有技术中直接对单句问题的意图和实体进行识别，再结合上文中已经识别出的意图和实体，通过人工规则来进行答案预测，本实施方式无需制定人工规则，直接结合上下语境即可进行答案预测，应答效果得到了明显的改善。由于人工规则的制定需要消耗大量的人力成本和时间成本，而且特定的人工规则只针对于特定的领域，其在不同领域之间的通用性及可迁移性较差，同时用户的问题具有开放性，因此人工规则的覆盖程度相对较低，对于出现歧义的规则只能通过人工检测和扩充规则来解决冲突，则效率较低。基于此，本实施方式基于已有的任务场景，利用循环神经网络算法对整个会话进行整合，无需制定繁杂的规则，这样不仅能够获得良好的应答效果，而且可以节约人力成本并提升效率，同时还可在不同领域之间实现快速切换，具有良好的通用性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出本公开示例性实施例中智能问答系统的答案预测方法示意图；

图2示意性示出本公开示例性实施例中智能问答系统的生成方法及答案预测方法的流程图；

图3示意性示出本公开示例性实施例中智能问答系统的生成方法示意图；

图4示意性示出本公开示例性实施例中智能问答系统的答案预测装置示意图；

图5示意性示出本公开示例性实施例中电子设备的模块示意图；

图6示意性示出本公开示例性实施例中程序产品的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本示例实施方式提供一种问答系统的答案预测方法，可应用于面向任务的人机对话系统；如图1所示，所述答案预测方法可以包括：

S1、获取当前问题、历史问题和历史问题答案作为当前的输入信息，并将所述输入信息拆分成多条序列数据；

S2、利用通过循环神经网络算法生成的问答系统根据所述序列数据获取所述当前问题的预测答案；

S3、输出所述预测答案并将所述预测答案返回以作为下一输入信息中的所述历史问题答案。

其中，所述问答系统是一种基于循环神经网络(Recurrent Neural Networks，RNN)算法生成的智能问答系统，且该RNN算法优选利用长短期记忆(Long-Short TermMemory，LSTM)神经网络，尤其适用于处理和预测时间序列中间隔和延迟比较长的重要事件。

本公开示例性实施方式所提供的问答系统的答案预测方法，利用基于RNN算法生成的问答系统，将历史问答记录和当前问题共同作为该问答系统的输入信息，以结合语境对当前问题的答案进行预测。相比于现有技术中直接对单句问题的意图和实体进行识别，再结合上文中已经识别出的意图和实体，通过人工规则来进行答案预测，本实施方式无需制定人工规则，直接结合上下语境即可进行答案预测，应答效果得到了明显的改善。由于人工规则的制定需要消耗大量的人力成本和时间成本，而且特定的人工规则只针对于特定的领域，其在不同领域之间的通用性及可迁移性较差，同时用户的问题具有开放性，因此人工规则的覆盖程度相对较低，对于出现歧义的规则只能通过人工检测和扩充规则来解决冲突，则效率较低。基于此，本实施方式基于已有的任务场景，利用RNN算法对整个会话进行整合，无需制定繁杂的规则，这样不仅能够获得良好的应答效果，而且可以节约人力成本并提升效率，同时还可在不同领域之间实现快速切换，具有良好的通用性。

下面将结合图2对本示例实施方式中的问答系统的答案预测方法进行详细说明。

在步骤S1中，获取当前问题、历史问题和历史问题答案作为当前的输入信息，并将所述输入信息拆分成多条序列数据。

本示例实施方式中，根据当前问题、历史问题、以及历史问题答案即可获得相应的会话语境，从而识别出用户的意图以及所涉及的实体特征。其中，所述实体特征可以采用基于词典匹配的方法或者采用基于条件随机场序列(Conditional Random Field，CRF)模型的方法进行提取。

本示例实施方式是以当前问题、历史问题、以及历史问题答案作为问答模型的输入信息，因此需要对该输入信息进行数据拆分。具体而言，所述输入信息的原始形式例如可以为Q1→A1→Q2→A2→…→Qn→An，而对其进行数据拆分之后的形式例如可以为Q1→A1、Q1A1Q2→A2、Q1A1Q2A2…Qn→An。

在步骤S2中，利用通过RNN算法生成的问答系统根据所述序列数据获取所述当前问题的预测答案。

本示例实施方式中，所述通过RNN算法生成的问答系统是一种智能问答系统，其根据输入信息的不同可以通过快速学习而生成适用于相应领域的问答系统，因此在不同领域具有良好的通用性。在此基础上，将步骤S1中的输入信息以多条序列数据的形式输入至该智能问答系统，即可获取对应于该输入信息中的当前问题的预测答案。

所述预测答案可以包括文本答案以及检索接口调用指令两种形式。基于此，所述智能问答系统可以根据序列数据获取文本答案，并将所述文本答案作为所述当前问题的预测答案直接输出；和/或，所述智能问答系统可以根据所述序列数据获取检索接口调用指令，并通过调用所述检索接口以将检索结果作为所述当前问题的预测答案输出。

本示例实施方式中，所述问答系统的生成过程实际上是对问答模型的训练过程，因此该问答模型需要吸收大量的原始数据进行训练，并以此为基础生成所述智能问答系统。

具体而言，如图3所示，所述智能问答系统的生成方法可以包括：

S21、获取会话数据并将所述会话数据拆分成多条会话序列数据。

其中，所述会话数据是指用户与人工客服之间的会话数据，所述会话序列数据的形式与步骤S1中的序列数据的形式类似。

本示例实施方式中，由于RNN算法的输出层使用的是Softmax分类方法，因此需要对答案的范围进行限制，否则会影响分类系统的精度。而原始答案都是人工客服给出的，针对同样的答案人工客服可能使用不同的描述方式，因此需要对这些答案进行归一化处理。基于此，本步骤在获取会话数据时，可以对用户与人工客服之间的原始会话数据进行预处理，具体可以根据用户与人工客服之间的原始会话数据对同一答案的不同表达形式进行文本聚类例如层次聚类，从而实现答案的归一化。

需要说明的是：在对所述会话数据进行拆分来构建输入特征时，可以分别构建实体特征和文本特征，以便于后续步骤通过两个处理模型来对这两种特征分别进行处理并加以整合。

S22、利用通过RNN算法生成的待训练问答模型根据所述会话序列数据获取候选答案。

其中，所述待训练问答模型可以包括：未经训练的原始问答模型，和/或，经过训练但仍需完善问的答模型。由此可知，这里所述的待训练问答模型即指尚未生成问答系统的问答模型。

本示例实施方式可以采用特征组合的方式，利用两个通过RNN算法生成的处理模型来处理上述的会话序列数据，其中一个用于处理实体特征、另一个用于处理文本特征。

基于此，所述候选答案的获取方法可以包括：

S22-1、根据所述会话序列数据提取第一实体特征和第一文本特征；

S22-2、利用通过RNN算法生成的待训练实体问答模型根据所述第一实体特征获取实体候选答案；以及，利用通过RNN算法生成的待训练文本问答模型根据所述第一文本特征获取文本候选答案；

S22-3、将所述文本候选答案和所述实体候选答案进行分类输出。

其中，所述第一实体特征可以采用基于词典匹配的方法或者采用基于CRF序列模型的方法进行提取。

本示例实施方式分别对第一实体特征和第一文本特征进行RNN编码，以通过待训练实体问答模型和待训练文本问答模型输出得到两个向量表示即Vector1和Vector2，并通过对Vector1和Vector2向量拼接，进行一个全连接层加入Softmax，最终得到分类输出。这样一来，本示例通过对第一实体特征和第一文本特征分别建模，并对其输出的向量表示进行拼接而得到最终的输出信息(包含文本信息和实体信息)，从而为后续的答案提供了更全面的选择。

S23、将所述候选答案与答案模板中的参考答案进行拟合并判断拟合结果是否满足预设条件。

其中，所述答案模板中的参考答案可以来自于对人工客服给出的答案进行数据转换和整合的结果。人工客服给出的答案可以分为两类，一类是和外部系统无关的回复，例如“您想要什么颜色的手机”，另一类是和外部系统相关的回复，例如“给您推荐Apple iPhone7(A1660)128G黑色移动联通电信4G手机”。智能机器人在处理第二类答案时，需要将其转换为调用结构化查询语言(Structured Query Language，SQL)或者检索应用程序接口(Application Programming Interface，API)等外部系统来完成的，因此这里需要将第二类答案转换为非文本类的形式【API Action】，表示需要执行外部调用来生成答案。

本示例实施方式中，所述预设条件是用于评价候选答案的门槛值；当拟合结果满足预设条件时视为该候选答案正确，当拟合结果不满足预设条件时视为该候选答案错误。需要说明的是：由于所述候选答案是分类输出的，因此在进行答案拟合时也可以分类拟合。

S24、在所述拟合结果不满足预设条件时，对所述待训练问答模型进行调整以生成校正模型，以所述校正模型替换所述待训练问答模型，并返回所述获取会话数据并将所述会话数据拆分成多条会话序列数据的步骤。

其中，对所述待训练问答模型进行调整以生成校正模型的具体方法可以包括：以预设函数例如Binary-CrossEntropy作为目标函数，采用随机梯度下降法对所述待训练问答模型进行求解，从而得到校正模型。

本步骤针对于所述候选答案不理想、所述待训练问答模型尚需完善的情况，利用随机梯度下降法对该待训练问答模型进行训练校正，并以校正后的问答模型替代当前的问答模型，重复上述过程进行校验。

S25、在所述拟合结果满足预设条件时，根据所述待训练问答模型生成所述问答系统。

本步骤针对于所述候选答案理想、所述待训练问答模型无需再完善的情况，直接根据当前的待训练问答模型生成智能问答系统即可。

基于上述步骤S21-S25，即可利用RNN算法生成所述智能问答系统。本示例实施方式的智能问答系统直接利用RNN算法对会话数据进行建模，不仅可以避免繁琐的人工规则，同时还可获取良好的应答效果。这样一来，以所述序列数据作为该智能问答系统的输入信息，即可获取当前问题的预测答案。需要说明的是：所述智能问答系统的答案预测方法与其生成方法相类似。

本示例实施方式中，所述利用通过RNN算法生成的问答系统根据所述序列数据获取当前问题的预测答案的具体方法可以包括：根据所述序列数据提取第二实体特征和第二文本特征；再利用通过RNN算法生成的实体问答系统根据所述第二实体特征获取实体预测答案，以及，利用通过RNN算法生成的文本问答系统根据所述第二文本特征获取文本预测答案；最后将所获取的实体预测答案和文本预测答案输出即可。

其中，在输出所述预测答案时，可以将文本预测答案和实体预测答案进行分类输出，并在答案模板中补充所述第二实体特征。这里需要说明的是：所述答案模板中需要回填上文中识别出来的实体，而所回填的实体即是最近识别出的同类型实体。进一步的，当所述预测答案为文本答案时，可以将文本答案作为当前问题的预测答案直接输出；和/或，当所述预测答案为检索接口调用指令例如【API Action】时，可以进行外部调用，具体可以以第二实体特征为关键字调用检索接口进行检索，并将检索结果作为当前问题的预测答案输出。

在步骤S3中，输出所述预测答案并将所述预测答案返回以作为下一输入信息中的所述历史问题答案。

本示例实施方式中，所述预测答案会反馈到问答系统的输入侧，结合用户的下一问题顺序输入至问答模型中，从而预测下一问题的答案，如此迭代，即可进行不断的问答。

基于上述描述可知，本示例实施方式所提供的智能问答系统的答案预测方法，直接利用由RNN算法生成的问答模型对原始数据建模，无需制定繁杂的人工规则来进行上下文处理，因此可获得良好的应答效果且在不同领域具有良好的通用性。此外，在智能问答系统的生成过程中，由于对答案进行了文本聚类，因此可以极大的减少答案类型，以使智能问答系统的输出类别减少，从而使用较少的数据也可获得较佳的分类效果。

本示例实施方式中还提出了一种智能问答系统的答案预测装置，可基于问答语料库进行面向任务的人机对话。如图4所示，所述智能问答系统的答案预测装置可以包括：

数据拆分模块10，用于获取当前问题、历史问题和历史问题答案作为当前的输入信息，并将所述输入信息拆分成多条序列数据；

答案预测模块20，用于利用通过循环神经网络算法生成的问答系统根据所述序列数据获取所述当前问题的预测答案；

答案输出模块30，用于输出所述预测答案并将所述预测答案返回以作为下一输入信息中的所述历史问题答案。

本公开示例性实施方式所提供的问答系统的答案预测装置，基于已有的任务场景，利用循环神经网络算法对整个会话进行整合，无需制定繁杂的规则，这样不仅能够获得良好的应答效果，而且可以节约人力成本并提升效率，同时还可在不同领域之间实现快速切换，具有良好的通用性。

需要说明的是：所述智能问答系统的答案预测装置中的各模块单元的具体细节已经在对应的智能问答系统的答案预测方法中进行了详细的描述，这里不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。

其中，所述存储单元620存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述示例性方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤S1：获取当前问题、历史问题和历史问题答案作为当前的输入信息，并将所述输入信息拆分成多条序列数据；步骤S2：利用通过循环神经网络算法生成的问答系统根据所述序列数据获取所述当前问题的预测答案；步骤S3：输出所述预测答案并将所述预测答案返回以作为下一输入信息中的所述历史问题答案。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述示例性方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种问答系统的答案预测方法，其特征在于，包括：

获取当前问题、历史问题和历史问题答案作为当前的输入信息，并将所述输入信息拆分成多条序列数据；

利用通过循环神经网络算法生成的问答系统根据所述序列数据获取所述当前问题的预测答案；

输出所述预测答案并将所述预测答案返回以作为下一输入信息中的所述历史问题答案。

2.根据权利要求1所述的答案预测方法，其特征在于，所述问答系统的生成方法包括：

获取会话数据并将所述会话数据拆分成多条会话序列数据；

利用通过循环神经网络算法生成的待训练问答模型根据所述会话序列数据获取候选答案；

将所述候选答案与答案模板中的参考答案进行拟合并判断拟合结果是否满足预设条件；

在所述拟合结果不满足预设条件时，对所述待训练问答模型进行调整以生成校正模型，以所述校正模型替换所述待训练问答模型，并返回所述获取会话数据并将所述会话数据拆分成多条会话序列数据的步骤；

在所述拟合结果满足预设条件时，根据所述待训练问答模型生成所述问答系统。

3.根据权利要求2所述的答案预测方法，其特征在于，所述获取会话数据包括：

根据用户与人工客服之间的原始会话数据对同一答案的不同表达形式进行文本聚类以得到所述会话数据。

4.根据权利要求2所述的答案预测方法，其特征在于，所述利用通过循环神经网络算法生成的待训练问答模型根据所述会话序列数据获取候选答案包括：

根据所述会话序列数据提取第一实体特征和第一文本特征；

利用通过循环神经网络算法生成的待训练实体问答模型根据所述第一实体特征获取实体候选答案；

利用通过循环神经网络算法生成的待训练文本问答模型根据所述第一文本特征获取文本候选答案；

将所述文本候选答案和所述实体候选答案进行分类输出。

5.根据权利要求2所述的答案预测方法，其特征在于，所述对所述待训练问答模型进行调整以生成校正模型包括：

以预设函数作为目标函数，采用随机梯度下降法对所述待训练问答模型进行求解，以得到所述校正模型。

6.根据权利要求2所述的答案预测方法，其特征在于，所述利用通过循环神经网络算法生成的问答系统根据所述序列数据获取所述当前问题的预测答案包括：

根据所述序列数据提取第二实体特征和第二文本特征；

利用通过循环神经网络算法生成的实体问答系统根据所述第二实体特征获取实体预测答案；

利用通过循环神经网络算法生成的文本问答系统根据所述第二文本特征获取文本预测答案。

7.根据权利要求6所述的答案预测方法，其特征在于，所述输出所述预测答案包括：

将所述文本预测答案和所述实体预测答案进行分类输出，并在所述答案模板中补充所述第二实体特征；

其中，当所述预测答案为文本答案时，将所述文本答案作为所述当前问题的预测答案直接输出；

和/或，当所述预测答案为检索接口调用指令时，以所述第二实体特征为关键字调用所述检索接口进行检索，并将检索结果作为所述当前问题的预测答案输出。

8.一种问答系统的答案预测装置，其特征在于，包括：

数据拆分模块，用于获取当前问题、历史问题和历史问题答案作为当前的输入信息，并将所述输入信息拆分成多条序列数据；

答案预测模块，用于利用通过循环神经网络算法生成的问答系统根据所述序列数据获取所述当前问题的预测答案；

答案输出模块，用于输出所述预测答案并将所述预测答案返回以作为下一输入信息中的所述历史问题答案。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的问答系统的答案预测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的问答系统的答案预测方法。