CN111125335B - 问答处理方法、装置、电子设备和存储介质 - Google Patents

问答处理方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111125335B
CN111125335B CN201911382826.8A CN201911382826A CN111125335B CN 111125335 B CN111125335 B CN 111125335B CN 201911382826 A CN201911382826 A CN 201911382826A CN 111125335 B CN111125335 B CN 111125335B
Authority
CN
China
Prior art keywords
semantic representation
semantic
answer
vector
question
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911382826.8A
Other languages
English (en)
Other versions
CN111125335A (zh
Inventor
丁宇辰
刘凯
刘璟
陈艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201911382826.8A priority Critical patent/CN111125335B/zh
Publication of CN111125335A publication Critical patent/CN111125335A/zh
Priority to EP20176461.0A priority patent/EP3842988A1/en
Priority to US16/886,244 priority patent/US11461556B2/en
Priority to KR1020200090951A priority patent/KR102431232B1/ko
Priority to JP2020196082A priority patent/JP7079309B2/ja
Application granted granted Critical
Publication of CN111125335B publication Critical patent/CN111125335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3347—Query execution using vector based model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3334—Selection or weighting of terms from queries, including natural language queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/258—Heading extraction; Automatic titling; Numbering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了问答处理方法、装置、电子设备和存储介质，涉及自然语言处理技术领域。具体实现方案为：在确定待回答问题的答案的过程中，结合第一问题语义表示模型和第二语义表示模型对待回答问题分别进行语义表示，并将各自所得到的语义表示向量结果进行拼接处理，并将拼接的语义向量作为待回答问题的语义表示向量，并从答案向量索引库中获取与待回答问题的语义表示向量匹配的答案语义向量，并答案语义向量所对应的答案，作为待回答问题的目标答案。由此，在无需计算答案置信度，提高了获取问题对应答案的效率，并且，根据候选答案本身以及候选答案所在文章的文章标题与所给问题的相关性，确定与所给问题匹配的正确答案，提升问答匹配准确率。

Description

问答处理方法、装置、电子设备和存储介质
技术领域
本申请涉及计算机技术领域，具体涉及自然语言处理技术领域，尤其涉及问答处理方法、装置、电子设备和存储介质。
背景技术
问答功能是目前各类信息检索系统开发者力求提供给用户的一种高级功能。由于人工回答用户提出的问题需要的人力成本较高，因此，为节省人力成本，如何针对用户提出的问题智能自动地回答已经成为本领域急需解决的技术问题。
在相关技术中，通常有两种自动给出对应问题的答案的方式，第一种方式为基于检索的问题系统先向用户返回对应问题的答案，其中，第一种方式自动给出对应问题的答案的一般过程为：对于输入的问题，首先通过信息检索的方法(例如搜索引擎技术)从海量文本中找出一定量的候选文本，之后通过语义匹配、特征提取等多种方法计算所有候选文本的答案特征，进而计算文本是正确答案的置信度，将置信度最高的文本作为答案。第二种方式为基于问答数据库向用户返回对应问题的答案，一般过程为：对于用户提出的问题q，遍历数据库中的所有<问题-回答>组，分别计算q与问题的匹配置信度，和q与回答的匹配置信度，选择置信度都高于既定阈值的回答作为该问题的答案。
然而，在实现本申请的过程中发明人发现：在基于检索的问答系统进行优化时，需要分别优化问答系统中两个步骤的模型进行优化，不仅工作量大，而且存在不同步骤的模型目标不一致带来的效果损失，而基于问答数据库的问答系统，根据所选技术方案不同，存在答案覆盖率不高，或者答案准确率、性能不足的问题，并且获取问题对应的答案所需时间较长。因此，如何准确且快速地提供对应问题的答案是目前亟需解决的技术问题。
发明内容
本申请提出一种问答处理方法、装置、电子设备和存储介质，在问答匹配的过程中，无需计算答案置信度，提高了获取问题对应答案的效率，并且，本实施中候选答案所对应的语义表示向量是结合候选答案本身的语义表示向量和候选答案所在文章的文章标题语义向量而确定的，由此，根据候选答案本身以及候选答案所在文章的文章标题与所给问题的相关性，确定与所给问题匹配的正确答案，提升问答匹配准确率。
本申请第一方面实施例提出了一种问答处理方法，包括：获取待回答问题；将所述待回答问题分别输入第一问题语义表示模型和第二问题语义表示模型中，以得到所述待回答问题的第一语义表示向量和第二语义表示向量，其中，所述第一问题语义表示模型是基于问题样本以及所述问题样本所对应的答案样本进行训练而得到的，所述第二问题语义表示模型是基于所述问题样本和所述答案样本所对应的文章标题进行训练而得到的；根据所述第一语义表示向量和所述第二语义表示向量进行拼接处理，以得到所述待回答问题的目标语义表示向量；将所述待回答问题的目标语义表示向量与预先建立的答案向量索引库中的每个答案语义表示向量进行匹配，其中，所述答案向量索引库是将答案样本池中所有候选答案转化为语义表示向量而构建的，所述候选答案所对应的答案语义表示向量是根据所述候选答案本身的语义表示向量和所述候选答案所对应的文章标题的标题语义表示向量而得到；根据匹配到的答案语义表示向量，获取对应的目标答案，并输出所述目标答案。
在本申请的一个实施例中，所述候选答案本身的语义表示向量是通过答案语义表示模型对所述候选答案进行语义向量化表示而得到的，所述标题语义表示向量是通过标题语义表示模型对所述候选答案所对应的文章标题进行语义向量化表示而得到的，所述第一问题语义表示模型是基于所述问题样本以及所述问题样本所对应的答案样本进行训练而得到的，所述标题语义表示模型基于所述问题样本和所述答案样本所对应的文章标题进行训练而得到的。
在本申请的一个实施例中，所述答案样本包括错误答案样本和正确答案样本，通过以下步骤训练得到所述第一问题语义表示模型和所述答案语义表示模型：根据初始的第一语义表示模型对所述问题样本进行语义向量化表示，以得到所述问题样本的语义表示向量；根据初始的第二语义表示模型分别对所述错误答案样本和所述正确答案样本进行语义向量化表示，以得到所述错误答案样本的语义表示向量和所述正确答案样本的语义表示向量；根据所述问题样本的语义表示向量和所述错误答案样本的语义表示向量，确定所述问题样本和错误答案样本之间的第一向量相似度；根据所述问题样本的语义表示向量和所述正确答案样本的语义表示向量，确定所述问题样本和正确答案样本之间的第二向量相似度；根据所述第一向量相似度和所述第二向量相似度，调整所述初始的第一语义表示模型和所述第二语义表示模型的模型参数，直至所述第一向量相似度和所述第二向量相似度满足第一预设条件；将满足第一预设条件时所得到的第一语义表示模型作为所述答案语义表示模型，以及将满足第一预设条件时所得到的第二语义表示模型作为所述第一问题语义表示模型。
在本申请的一个实施例中，所述答案样本包括错误答案样本和正确答案样本，通过以下步骤训练得到所述标题语义表示模型和第二问题语义表示模型：根据初始的第三语义表示模型分别对所述错误答案样本所对应的文章标题和所述正确答案样本所对应的文章标题进行语义向量化表示，以得到所述错误答案样本所对应的文章标题的第一标题语义向量和所述正确答案样本所对应的文章标题的第二标题语义向量；根据初始的第四语义表示模型对所述问题样本进行语义向量化表示，以得到所述问题样本的语义表示向量；根据所述问题样本的语义表示向量和所述第一标题语义表示向量，确定所述问题样本和所述错误答案样本所对应的文章标题的第三向量相似度；根据所述问题样本的语义表示向量和所述第二标题语义表示向量，确定所述问题样本和所述错误答案样本所对应的文章标题之间的第四向量相似度；根据所述第三向量相似度和所述第四向量相似度，调整所述初始的第三语义表示模型和第四语义表示模型的模型参数，直至所述第三向量相似度和所述第四向量相似度满足第二预设条件；将满足第二预设条件时所得到的第三语义表示模型为所述标题语义表示模型，以及将满足第二预设条件时所得到的第三语义表示模型作为所述第二问题语义表示模型。
在本申请的一个实施例中，所述第一语义表示模型、所述第二语义表示模型、所述第三语义表示模型和所述第四语义表示模型均为预训练语义表示模型，所述预训练语义表示模型是利用无监督数据训练而得到的。
在本申请的一个实施例中，根据所述候选答案本身的语义表示向量和所述候选答案所对应的文章标题的标题语义表示向量得到所述候选答案所对应的答案语义表示向量，具体包括：将所述候选答案本身的语义表示向量乘以预设的第一权重，得到新的语义表示向量；将所述标题语义表示向量乘以预设的第二权重，得到新的标题语义表示向量；将所述新的语义表示向量和所述新的标题语义表示向量进行拼接，并将拼接得到的语义表示向量作为所述候选答案所对应的答案语义表示向量；所述根据所述第一语义表示向量和所述第二语义表示向量进行拼接处理，以得到所述待回答问题的目标语义表示向量，包括：将所述第一语义表示向量乘以所述第一权重，得到所述待回答问题的第一中间语义表示向量；将所述第二语义表示向量乘以所述第二权重，得到所述待回答问题的第二中间语义表示向量；将所述第一中间语义表示向量和所述第二中间语义表示向量进行拼接处理，以得到所述待回答问题的目标语义表示向量。
本申请实施例的问答处理方法，在确定待回答问题的答案的过程中，结合第一问题语义表示模型和第二语义表示模型对待回答问题分别进行语义表示，并将各自所得到的语义表示向量结果进行拼接处理，并将拼接的语义向量作为待回答问题的语义表示向量，并从答案向量索引库中获取与待回答问题的语义表示向量匹配的答案语义向量，并将匹配到的答案语义向量所对应的目标答案，作为待回答问题的目标答案，以及输出目标答案。由此，在问答匹配的过程中，无需计算答案置信度，提高了获取问题对应答案的效率，并且，本实施中候选答案所对应的语义表示向量是结合候选答案本身的语义表示向量和候选答案所在文章的文章标题语义向量而确定的，由此，根据候选答案本身以及候选答案所在文章的文章标题与所给问题的相关性，确定与所给问题匹配的正确答案，提升问答匹配准确率。
本申请第二方面实施例提出了一种问答处理装置，其特征在于，包括：获取模块，用于获取待回答问题；语义表示模块，用于将所述待回答问题分别输入第一问题语义表示模型和第二问题语义表示模型中，以得到所述待回答问题的第一语义表示向量和第二语义表示向量，其中，所述第一问题语义表示模型是基于问题样本以及所述问题样本所对应的答案样本进行训练而得到的，所述第二问题语义表示模型是基于所述问题样本和所述答案样本所对应的文章标题进行训练而得到的；拼接模块，用于根据所述第一语义表示向量和所述第二语义表示向量进行拼接处理，以得到所述待回答问题的目标语义表示向量；匹配模块，用于将所述待回答问题的目标语义表示向量与预先建立的答案向量索引库中的每个答案语义表示向量进行匹配，其中，所述答案向量索引库是将答案样本池中所有候选答案转化为语义表示向量而构建的，所述候选答案所对应的答案语义表示向量是根据所述候选答案本身的语义表示向量和所述候选答案所对应的文章标题的标题语义表示向量而得到；答案获取模块，用于根据匹配到的答案语义表示向量，获取对应的目标答案，并输出所述目标答案。
本申请实施例的问答处理装置，在确定待回答问题的答案的过程中，结合第一问题语义表示模型和第二语义表示模型对待回答问题分别进行语义表示，并将各自所得到的语义表示向量结果进行拼接处理，并将拼接的语义向量作为待回答问题的语义表示向量，并从答案向量索引库中获取与待回答问题的语义表示向量匹配的答案语义向量，并将匹配到的答案语义向量所对应的目标答案，作为待回答问题的目标答案，以及输出目标答案。由此，在问答匹配的过程中，无需计算答案置信度，提高了获取问题对应答案的效率，并且，本实施中候选答案所对应的语义表示向量是结合候选答案本身的语义表示向量和候选答案所在文章的文章标题语义向量而确定的，由此，根据候选答案本身以及候选答案所在文章的文章标题与所给问题的相关性，确定与所给问题匹配的正确答案，提升问答匹配准确率。
本申请第三方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例的问答处理方法。
本申请第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请实施例公开的问答处理方法。
上述申请中的一个实施例具有如下优点或有益效果：在问答匹配的过程中，在无需计算答案置信度，提高了获取问题对应答案的效率，并且，根据候选答案本身以及候选答案所在文章的文章标题与所给问题的相关性，确定与所给问题匹配的正确答案，提升问答匹配准确率。因为采用预先将候选答案的答案语义表示向量预先存在答案向量索引库，从而减少了在线过程中对答案进行语义向量化表示的计算量，并根据候选答案本身以及候选答案所在文章的文章标题与所给问题的相关性，确定与所给问题匹配的正确答案的技术手段，所以克服了相关技术中问答匹配效率不高以及准确度不高的技术问题，达到了提高了获取问题对应答案的效率，且提升问答匹配准确率的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的示意图；
图2是问答匹配的流程示意图；
图3是根据本申请第二实施例的示意图；
图4根据本申请第三实施例的示意图；
图5是根据本申请第四实施例的示意图；
图6是根据本申请第五实施例的示意图；
图7是用来实现本申请实施例的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本申请实施例的问答处理方法、装置、电子设备和存储介质。
图1是根据本申请第一实施例的示意图。其中，需要说明的是，本实施例的问答处理方法的执行主体为问答处理装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端设备、服务器等，该实施例对此不作具体限定，本实施例以问答处理装置配置在问答系统中，问答系统设置在服务器中为例进行描述。
如图1所示，该问答处理方法可以包括：
步骤101，获取待回答问题。
具体地，可将用户在问答系统中当前输入的问题作为待回答问题。
在本实施例中，为了方便用户个性化输入问题，本实施例中的问答系统提供输入接口，以供用户根据需求输入问题。
其中，该输入接口可以支持文本输入，和/或语音输入，和/或图片输入。
可以理解的是，在用户以语音形式输入问题时，可获取用户当前输入的语音信息，并对获取到的语音信息进行语音识别，并将语音识别结果所得到的文本信息作为待回答问题。在用户以图片形式输入问题时，可对图片进行文字识别，并将文字识别结果作为待回答问题。
步骤102，将待回答问题分别输入第一问题语义表示模型和第二问题语义表示模型中，以得到待回答问题的第一语义表示向量和第二语义表示向量。
其中，第一问题语义表示模型是结合问题样本以及问题样本所对应的答案样本进行训练而得到的，第二问题语义表示模型是结合问题样本和答案样本所对应的文章标题进行训练而得到的。
其中，需要说明的是，在训练结束时，第一问题语义表示模型输出问题样本的语义表示向量，问题样本的语义表示向量和正确答案样本的语义表示向量之间的向量相似度超过预设相似度阈值。
其中，需要说明的是，在训练结束时，第二问题语义表示模型输出问题样本的语义表示向量，问题样本的语义表示向量和正确答案样本所对应文章标题的标题语义表示向量之间的向量相似度超过预设相似度阈值。
其中，正确答案样本所对应文章标题的标题语义表示向量可以是通过预设的标题语义表示模型而得到的，还可以通过其他现有的一些方式得到，本实施例对此不作具体限定。本实施例以通过标题语义表示模型对对应文章标题进行语义向量化表示，以得到对应文章标题的标题语义表示向量。
其中，需要说明的是，关于结合问题样本以及答案样本所对应的文章标题，同时训练得到第二问题语义表示模型和标题语义表示模型的过程将在后续实施例中描述，此处不再赘述。
步骤103，根据第一语义表示向量和第二语义表示向量进行拼接处理，以得到待回答问题的目标语义表示向量。
在本实施例中，第一语义表示向量和第二语义表示向量在问答系统中进行问答匹配的过程中所起到的作用通常是不同的，为了后续可准确得到对应待回答问题的目标答案，根据第一语义表示向量和第二语义表示向量进行拼接处理，以得到待回答问题的目标语义表示向量的具体实现方式可以为：可将第一语义表示向量乘以预设的第一权重，得到待回答问题的第一中间语义表示向量；然后，将第二语义表示向量乘以预设的第二权重，得到待回答问题的第二中间语义表示向量；将第一中间语义表示向量和第二中间语义表示向量进行拼接处理，以得到待回答问题的目标语义表示向量。
例如，待回答问题为q，利用第一语义表示模型确定出待回答问题q的第一语义表示向量为q_rep，利用第二语义表示模型确定出待回答问题q的第二语义表示向量为qt_rep，假设第一权重为a，第二权重为b，则结合权重对第一语义表示向量和第二语义表示向量进行拼接后，待回答问题的目标语义表示向量Q_REP＝[a*q_rep,b*qt_rep]。
其中，第一权重是通过分析答案样本在问答匹配过程中所起到作用而确定的，也就是说，第一权重是通过分析问答样本在确定问题所对应的正确答案时所起到作用而确定的。
其中，第二权重是通过分析文章标题在问答匹配过程中所起到作用而确定的，也就是说，第二权重是通过分析文章标题在确定问题所对应的正确答案时所起到作用而确定的。
步骤104，将待回答问题的目标语义表示向量与预先建立的答案向量索引库中的每个答案语义表示向量进行匹配。
其中，答案向量索引库是将答案样本池中所有候选答案转化为语义表示向量而构建的，候选答案所对应的答案语义表示向量是根据候选答案本身的语义表示向量和候选答案所对应文章标题的标题语义表示向量而得到。
为了快速确定出候选答案本身的语义表示向量以及对应文章标题的标题语义表示向量，在本申请的一个实施例中，候选答案本身的语义表示向量可以是通过答案语义表示模型对候选答案进行语义向量化表示而得到的，标题语义表示向量可以是通过标题语义表示模型对候选答案所对应文章标题进行语义向量化表示而得到的。
其中，第一问题语义表示模型是结合问题样本以及问题样本所对应的答案样本进行训练而得到的。
其中，标题语义表示模型结合问题样本和答案样本所对应文章标题进行训练而得到的。
需要说明的是，结合问题样本以及问题样本所对应的答案样本，训练第一问题语义表示模型和标题语义表示模型的具体过程将在后续实施例中介绍，此处不再赘述。
在本申请的一个实施例中，可以理解的是，候选答案本身的语义表示向量和文章标题对应的标题语义表示向量在确定问题对应的正确答案中所起到的作用不同，根据候选答案本身的语义表示向量和候选答案所对应文章标题的标题语义表示向量得到候选答案所对应的答案语义表示向量的具体实现方式为：将候选答案本身的语义表示向量乘以预设的第一权重，得到新的语义表示向量；将标题语义表示向量乘以预设的第二权重，得到新的标题语义表示向量；将新的语义表示向量和新的标题语义表示向量进行拼接，并将拼接得到的语义表示向量作为候选答案所对应的答案语义表示向量。
其中，需要说明的是，此处加权拼接处理时所使用的对应权重，与上述对待回答问题的语义表示向量进行加权拼接时所使用的对应权重是相同的。关于第一权重和第二权重的解释可参照上述实施例的相关部分，此处不再赘述。
步骤105，根据匹配到的答案语义表示向量，获取对应的目标答案，并输出目标答案。
具体地，可将待回答问题的目标语义表示向量与预先建立的答案向量索引库中的每个答案语义表示向量进行匹配，以获取与目标语义表示向量最相近的答案语义表示向量，并将其对应的答案作为待回答问题对应的正确答案，并输出待回答问题对应的正确答案。
下面结合图2对本实施例的问答处理方法进行进一步描述。其中，需要说明的是，图2中以通过答案语义表示模型对候选答案文本进行语义向量化表示为例进行描述。
可以理解的是，在线进行“答案语义计算”，是语义问答匹配最耗时的部分，为了快速输出问题对应的正确答案，提升在线部分回答问题的效率，可将“答案语义计算”部分转移到离线预处理阶段。
本申请的整体技术构思为：先通过答案语义表示模型预先将所有候选答案(候选答案文本)转化为语义表示向量，保存在答案向量索引库中。对应地，对于用户输入的问题，首先将其转化为向量，之后在向量检索系统中找到与问题向量最匹配的答案语义表示向量，并将最匹配的答案语义表示向量所对应答案作为问题的答案，并输出问题的答案。
其中，本实施例中的答案向量索引库可以设置向量检索系统中。
综上，可以看出，本实施例，通过预先将在所有候选答案转换为语义向量，并存在答案向量索引库中，在获取待回答问题后，只需将问题转为语义表示向量，并从答案向量索引库中获取与问题语义表示向量匹配的答案语义表示向量，并获取匹配的答案语义表示向量所对应的答案，即可快速得到待回答问题的答案，省去了计算答案置信度的过程，提高了获取问题对应答案的效率。并且，本实施例中的候选答案所对应的语义表示向量是结合候选答案本身的语义表示向量和候选答案所在文章的文章标题语义向量而确定的，由此，根据候选答案本身以及候选答案所在文章的文章标题与所给问题的相关性，确定与所给问题匹配的正确答案，提升问答匹配准确率。
本申请实施例的问答处理方法，在确定待回答问题的答案的过程中，结合第一问题语义表示模型和第二语义表示模型对待回答问题分别进行语义表示，并将各自所得到的语义表示向量结果进行拼接处理，并将拼接的语义向量作为待回答问题的语义表示向量，并从答案向量索引库中获取与待回答问题的语义表示向量匹配的答案语义向量，并将匹配到的答案语义向量所对应的目标答案，作为待回答问题的目标答案，以及输出目标答案。由此，在问答匹配的过程中，无需计算答案置信度，提高了获取问题对应答案的效率，并且，本实施中候选答案所对应的语义表示向量是结合候选答案本身的语义表示向量和候选答案所在文章的文章标题语义向量而确定的，由此，根据候选答案本身以及候选答案所在文章的文章标题与所给问题的相关性，确定与所给问题匹配的正确答案，提升问答匹配准确率。
下面结合图3对训练第一问题语义表示模型和答案语义表示模型的过程进行描述。其中，需要说明的是，答案样本包括错误答案样本和正确答案样本。其中，错误答案样本是指与问题样本具有一定相关性的错误答案。
如图3所示，可以包括：
步骤301，根据初始的第一语义表示模型对问题样本进行语义向量化表示，以得到问题样本的语义表示向量。
步骤302，根据初始的第二语义表示模型分别对错误答案样本和正确答案样本进行语义向量化表示，以得到错误答案样本的语义表示向量和正确答案样本的语义表示向量。
步骤303，根据问题样本的语义表示向量和错误答案样本的语义表示向量，确定问题样本和错误答案样本之间的第一向量相似度。
具体地，在得到问题样本的语义表示向量和错误答案样本的语义表示向量后，可计算问题样本的语义表示向量和错误答案样本的语义表示向量之间的余弦(cosine)相似度，并将余弦相似度作为问题样本和错误答案样本之间的向量相似度。
步骤304，根据问题样本的语义表示向量和正确答案样本的语义表示向量，确定问题样本和正确答案样本之间的第二向量相似度。
具体地，在得到问题样本的语义表示向量和正确答案样本的语义表示向量后，可计算问题样本的语义表示向量和正确答案样本的语义表示向量之间的余弦(cosine)相似度，并将余弦相似度作为问题样本和正确答案样本之间的向量相似度。
步骤305，根据第一向量相似度和第二向量相似度，调整初始的第一语义表示模型和第二语义表示模型的模型参数，直至第一向量相似度和第二向量相似度满足第一预设条件。
可以理解的是，在调整初始的第一语义表示模型和第二语义表示模型的模型参数后，继续以调整模型参数后的第一语义表示模型和第二语义表示模型对其各自的输入进行语义向量化表示，直至重新计算得到的第一向量相似度和第二向量相似度满足第一预设条件，结束对第一语义表示模型和第二语义表示模型的模型参数调整，即，模型训练结束。
其中，第一预设条件是预先设置的在第一向量相似度和第二向量相似度满足什么条件时，结束模型训练。例如，第一预设条件可以为问题样本语与正确答案样本的向量相似度减去问题样本语与错误答案样本的向量相似度所得到的差异度已达到最大差异度。
步骤306，将满足第一预设条件时所得到的第一语义表示模型作为答案语义表示模型，以及将满足第一预设条件时所得到的第二语义表示模型作为第一问题语义表示模型。
在本实施例中，结合问题样本、正确答案样本和错误答案样本同时对初始的第一语义表示模型和第二语义表示模型进行训练，并在问题样本与正确答案样本之间的向量相似度和问题样本与错误答案样本之间的向量相似满足第一预设条件时，结束对模型训练，并将训练结束时所得到的第一语义表示模型作为问题语义表示模型，并将训练结束时所得到的第二语义表示模型作为答案语义表示模型。由此，保证了问题与戚正确答案的语义向量尽可能相似，以保证问答匹配的准确度。
在本申请的一个实施例中，结合问题样本、正确答案样本和错误答案样本，训练得到第一问题语义表示模型和答案语义表示模型的具体过程可以为：
初始时刻，使用在大规模语料中训练得到的预训练语言模型，作为语义表示模型的初始化，并采用初始化的第一语义表示模型得到问题样本query语义表示向量Q_rep，并通过初始化的第二语义表示模型得到答案样本para的和P_rep，并将两个向量的内积作为该<query，para>对的匹配置信度。
接着开始训练模型。每次将n条数据以固定格式输入模型：<query，para+,para->，para+表示该问题样本query的正确答案样本，para-表示与该问题样本query有一定相关性的错误答案样本。对于输入模型的每个query，需要计算它与2n个para的相关性(包括自己的正、负答案)，模型学习的目标是：使正确para的相关性成为2n个相关性中的最大值，直到模型收敛后，即可得到query和para的语义表示模型。
下面结合图4对训练第一问题语义表示模型和答案语义表示模型的过程进行描述。其中，需要说明的是，问题样本以及问题样本所对应的答案样本。
如图4所示，可以包括：
步骤401，根据初始的第三语义表示模型分别对错误答案样本所对应文章标题和正确答案样本所对应文章标题进行语义向量化表示，以得到错误答案样本所对应文章标题的第一标题语义向量和正确答案样本所对应文章标题的第二标题语义向量。
步骤402，根据初始的第四语义表示模型对问题样本进行语义向量化表示，以得到问题样本的语义表示向量。
步骤403，根据问题样本的语义表示向量和第一标题语义表示向量，确定问题样本和错误答案样本所对应文章标题的第三向量相似度。
具体地，在得到问题样本的语义表示向量和第一标题语义表示向量后，可计算问题样本的语义表示向量和第一标题语义表示向量之间的余弦(cosine)相似度，并将余弦相似度作为问题样本和错误答案样本所对应文章标题的之间的向量相似度。
步骤404，根据问题样本的语义表示向量和第二标题语义表示向量，确定问题样本和错误答案样本所对应文章标题之间的第四向量相似度。
具体地，在得到问题样本的语义表示向量和第二标题语义表示向量后，可计算问题样本的语义表示向量和第二标题语义表示向量之间的余弦(cosine)相似度，并将余弦相似度作为问题样本和正确答案样本所对应文章标题的之间的向量相似度。
步骤405，根据第三向量相似度和第四向量相似度，调整初始的第三语义表示模型和第四语义表示模型的模型参数，直至第三向量相似度和第四向量相似度满足第二预设条件。
步骤406，将满足第二预设条件时所得到的第三语义表示模型为标题语义表示模型，以及将满足第二预设条件时所得到的第三语义表示模型作为第二问题语义表示模型。
基于上述实施例的基础上，上述初始的第一语义表示模型、第二语义表示模型、第三语义表示模型和第四语义表示模型可以相同的模型，也可以是不同的模型。
在本申请实施例中，为了使得初始的第一语义表示模型、第二语义表示模型、第三语义表示模型和第四语义表示模型已学习到语义知识，并且方便后续，基于少量的<问题、答案>标注数据即可训练模型，省去了检索式问答系统中训练候选检索模型和特征提取模型的工作，本实施例中的第一语义表示模型、第二语义表示模型、第三语义表示模型和第四语义表示模型可以均为预训练语义表示模型。
其中，预训练语义表示模型是利用无监督数据训练而得到的。
其中，预训练语义表示模型可以包括但不限于知识增强的语义表示模型ERNIE(Enhanced Representation from kNowledge IntEgration)、BERT模型。
本实施例中，将第一语义表示模型、第二语义表示模型、第三语义表示模型和第四语义表示模型可以采用预训练语义表示模型，可以使得只需提供一定量的<问题、答案>标注数据即可训练模型，省去了检索式问答系统中训练候选检索模型和特征提取模型的工作，缩短了得到训练后的语义表示模型的时间，方便了对问答系统中的模型进行更新优化。
基于上述实施例的基础上，在输出待回答问题对应的目标答案后，接收反馈意见，其中，反馈意见用于指示目标答案不是待回答问题的正确答案，此时，可将目标答案作为待回答问题的错误问题样本数据添加到训练数据中，以得到更新后的训练数据。对应地，并根据更新后的训练数据，本实施例中涉及到的相关语义表示模型进行训练，以更新相关语义表示模型，从而使得模型的效果越来越好。也就是说，可以实现模型的自动迭代更新，进而可进一步提高问答匹配的准确度。
为了实现上述实施例，本申请实施例还提供一种问答处理装置。
图5是根据本申请第四实施例的示意图。如图5所示，该问答处理装置100包括获取模块110、语义表示模块120、拼接模块130、匹配模块140和答案获取模块150，其中：
获取模块110，用于获取待回答问题。
语义表示模块120，用于将待回答问题分别输入第一问题语义表示模型和第二问题语义表示模型中，以得到待回答问题的第一语义表示向量和第二语义表示向量，其中，第一问题语义表示模型是基于问题样本以及问题样本所对应的答案样本进行训练而得到的，第二问题语义表示模型是基于问题样本和答案样本所对应的文章标题进行训练而得到的。
拼接模块130，用于根据第一语义表示向量和第二语义表示向量进行拼接处理，以得到待回答问题的目标语义表示向量。
匹配模块140，用于将待回答问题的目标语义表示向量与预先建立的答案向量索引库中的每个答案语义表示向量进行匹配，其中，答案向量索引库是将答案样本池中所有候选答案转化为语义表示向量而构建的，候选答案所对应的答案语义表示向量是根据候选答案本身的语义表示向量和候选答案所对应的文章标题的标题语义表示向量而得到。
答案获取模块150，用于根据匹配到的答案语义表示向量，获取对应的目标答案，并输出目标答案。
在本申请的一个实施例中，候选答案本身的语义表示向量是通过答案语义表示模型对候选答案进行语义向量化表示而得到的，标题语义表示向量是通过标题语义表示模型对候选答案所对应的文章标题进行语义向量化表示而得到的，第一问题语义表示模型是基于问题样本以及问题样本所对应的答案样本进行训练而得到的，标题语义表示模型基于问题样本和答案样本所对应的文章标题进行训练而得到的。
在本申请的一个实施例中，为了方便可准确对问题以及候选答案自身进行语义向量化表示，答案样本包括错误答案样本和正确答案样本，在图5所示的装置实施例的基础上，如图6所示，该装置还包括：
第一模型训练模块160，用于根据问题样本、错误答案样本和正确答案样本，训练得到第一问题语义表示模型和答案语义表示模型；
第一模型训练模块160，具体用于：根据初始的第一语义表示模型对问题样本进行语义向量化表示，以得到问题样本的语义表示向量；根据初始的第二语义表示模型分别对错误答案样本和正确答案样本进行语义向量化表示，以得到错误答案样本的语义表示向量和正确答案样本的语义表示向量；根据问题样本的语义表示向量和错误答案样本的语义表示向量，确定问题样本和错误答案样本之间的第一向量相似度；根据问题样本的语义表示向量和正确答案样本的语义表示向量，确定问题样本和正确答案样本之间的第二向量相似度；根据第一向量相似度和第二向量相似度，调整初始的第一语义表示模型和第二语义表示模型的模型参数，直至第一向量相似度和第二向量相似度满足第一预设条件；将满足第一预设条件时所得到的第一语义表示模型作为答案语义表示模型，以及将满足第一预设条件时所得到的第二语义表示模型作为第一问题语义表示模型。
在本申请的一个实施例中，为了方便可准确对问题以及文章标题进行语义向量化表示，答案样本包括错误答案样本和正确答案样本，在图5所示的装置实施例的基础上，如图6所示，该装置还包括：
第二模型训练模块170，用于根据问题样本、错误答案样本和正确答案样本，训练得到标题语义表示模型和第二问题语义表示模型；
第二模型训练模块170，具体用于：根据初始的第三语义表示模型分别对错误答案样本所对应的文章标题和正确答案样本所对应的文章标题进行语义向量化表示，以得到错误答案样本所对应的文章标题的第一标题语义向量和正确答案样本所对应的文章标题的第二标题语义向量；根据初始的第四语义表示模型对问题样本进行语义向量化表示，以得到问题样本的语义表示向量；根据问题样本的语义表示向量和第一标题语义表示向量，确定问题样本和错误答案样本所对应的文章标题的第三向量相似度；根据问题样本的语义表示向量和第二标题语义表示向量，确定问题样本和错误答案样本所对应的文章标题之间的第四向量相似度；根据第三向量相似度和第四向量相似度，调整初始的第三语义表示模型和第四语义表示模型的模型参数，直至第三向量相似度和第四向量相似度满足第二预设条件；将满足第二预设条件时所得到的第三语义表示模型为标题语义表示模型，以及将满足第二预设条件时所得到的第三语义表示模型作为第二问题语义表示模型。
在本申请的一个实施例中，第一语义表示模型、第二语义表示模型、第三语义表示模型和第四语义表示模型均为预训练语义表示模型，预训练语义表示模型是利用无监督数据训练而得到的。
在本申请的一个实施例中，根据候选答案本身的语义表示向量和候选答案所对应的文章标题的标题语义表示向量得到候选答案所对应的答案语义表示向量，具体包括：将候选答案本身的语义表示向量乘以预设的第一权重，得到新的语义表示向量；将标题语义表示向量乘以预设的第二权重，得到新的标题语义表示向量；将新的语义表示向量和新的标题语义表示向量进行拼接，并将拼接得到的语义表示向量作为候选答案所对应的答案语义表示向量。
拼接模块130，具体用于：将第一语义表示向量乘以第一权重，得到待回答问题的第一中间语义表示向量；将第二语义表示向量乘以第二权重，得到待回答问题的第二中间语义表示向量；将第一中间语义表示向量和第二中间语义表示向量进行拼接处理，以得到待回答问题的目标语义表示向量。
其中，需要说明的是，前述对问答处理方法的解释说明也适用于本实施例的问答处理装置，此处不再赘述。
本申请实施例的问答处理装置，在确定待回答问题的答案的过程中，结合第一问题语义表示模型和第二语义表示模型对待回答问题分别进行语义表示，并将各自所得到的语义表示向量结果进行拼接处理，并将拼接的语义向量作为待回答问题的语义表示向量，并从答案向量索引库中获取与待回答问题的语义表示向量匹配的答案语义向量，并将匹配到的答案语义向量所对应的目标答案，作为待回答问题的目标答案，以及输出目标答案。由此，在问答匹配的过程中，无需计算答案置信度，提高了获取问题对应答案的效率，并且，本实施中候选答案所对应的语义表示向量是结合候选答案本身的语义表示向量和候选答案所在文章的文章标题语义向量而确定的，由此，根据候选答案本身以及候选答案所在文章的文章标题与所给问题的相关性，确定与所给问题匹配的正确答案，提升问答匹配准确率。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图7所示，是根据本申请实施例的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的问答处理方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的问答处理方法。
存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的问答处理方法对应的程序指令/模块。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的问答处理方法。
存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种问答处理方法，其特征在于，所述方法包括：
获取待回答问题；
将所述待回答问题分别输入第一问题语义表示模型和第二问题语义表示模型中，以得到所述待回答问题的第一语义表示向量和第二语义表示向量，其中，所述第一问题语义表示模型是基于问题样本以及所述问题样本所对应的答案样本进行训练而得到的，所述第二问题语义表示模型是基于所述问题样本和所述答案样本所对应的文章标题进行训练而得到的；
根据所述第一语义表示向量和所述第二语义表示向量进行拼接处理，以得到所述待回答问题的目标语义表示向量；
将所述待回答问题的目标语义表示向量与预先建立的答案向量索引库中的每个答案语义表示向量进行匹配，其中，所述答案向量索引库是将答案样本池中所有候选答案转化为语义表示向量而构建的，所述候选答案所对应的答案语义表示向量是根据所述候选答案本身的语义表示向量和所述候选答案所对应的文章标题的标题语义表示向量而得到，所述候选答案本身的语义表示向量是通过答案语义表示模型对所述候选答案进行语义向量化表示而得到的；
根据匹配到的答案语义表示向量，获取对应的目标答案，并输出所述目标答案；
所述答案样本包括错误答案样本和正确答案样本，通过以下步骤训练得到所述第一问题语义表示模型和所述答案语义表示模型：
根据所述问题样本的语义表示向量和所述错误答案样本的语义表示向量，确定所述问题样本和错误答案样本之间的第一向量相似度，其中，所述问题样本的语义表示向量是通过初始的第一语义表示模型对所述问题样本进行语义表示而得到的，所述错误答案样本的语义表示向量是通过初始的第二语义表示模型对所述错误样本进行语义表示而得到的；
根据所述问题样本的语义表示向量和所述正确答案样本的语义表示向量，确定所述问题样本和正确答案样本之间的第二向量相似度，其中，所述正确答案样本的语义表示向量是通过所述初始的第二语义表示模型对所述正确答案样本进行语义表示而得到的；
根据所述第一向量相似度和所述第二向量相似度，对所述初始的第一语义表示模型和第二语义表示模型进行训练，并将训练后的第一语义表示模型作为所述第一问题语义表示模型，并将训练后的第二语义表示模型作为所述答案语义表示模型。
2.根据权利要求1所述的方法，其特征在于，所述标题语义表示向量是通过标题语义表示模型对所述候选答案所对应的文章标题进行语义向量化表示而得到的，所述标题语义表示模型基于所述问题样本和所述答案样本所对应的文章标题进行训练而得到的。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一向量相似度和所述第二向量相似度，对所述初始的第一语义表示模型和第二语义表示模型进行训练，并将训练后的第一语义表示模型作为所述答案语义表示模型，并将训练后的第二语义表示模型作为所述第一问题语义表示模型，包括：
根据所述第一向量相似度和所述第二向量相似度，调整所述初始的第一语义表示模型和所述第二语义表示模型的模型参数，直至所述第一向量相似度和所述第二向量相似度满足第一预设条件；
将满足第一预设条件时所得到的第一语义表示模型作为所述答案语义表示模型，以及将满足第一预设条件时所得到的第二语义表示模型作为所述第一问题语义表示模型。
4.根据权利要求3所述的方法，其特征在于，所述答案样本包括错误答案样本和正确答案样本，通过以下步骤训练得到所述标题语义表示模型和第二问题语义表示模型：
根据初始的第三语义表示模型分别对所述错误答案样本所对应的文章标题和所述正确答案样本所对应的文章标题进行语义向量化表示，以得到所述错误答案样本所对应的文章标题的第一标题语义向量和所述正确答案样本所对应的文章标题的第二标题语义向量；
根据初始的第四语义表示模型对所述问题样本进行语义向量化表示，以得到所述问题样本的语义表示向量；
根据所述问题样本的语义表示向量和所述第一标题语义表示向量，确定所述问题样本和所述错误答案样本所对应的文章标题的第三向量相似度；
根据所述问题样本的语义表示向量和所述第二标题语义表示向量，确定所述问题样本和所述错误答案样本所对应的文章标题之间的第四向量相似度；
根据所述第三向量相似度和所述第四向量相似度，调整所述初始的第三语义表示模型和第四语义表示模型的模型参数，直至所述第三向量相似度和所述第四向量相似度满足第二预设条件；
将满足第二预设条件时所得到的第三语义表示模型为所述标题语义表示模型，以及将满足第二预设条件时所得到的第三语义表示模型作为所述第二问题语义表示模型。
5.根据权利要求4所述的方法，其特征在于，所述第一语义表示模型、所述第二语义表示模型、所述第三语义表示模型和所述第四语义表示模型均为预训练语义表示模型，所述预训练语义表示模型是利用无监督数据训练而得到的。
6.根据权利要求1-5中任一项所述的方法，其特征在于，根据所述候选答案本身的语义表示向量和所述候选答案所对应的文章标题的标题语义表示向量得到所述候选答案所对应的答案语义表示向量，具体包括：
将所述候选答案本身的语义表示向量乘以预设的第一权重，得到新的语义表示向量；
将所述标题语义表示向量乘以预设的第二权重，得到新的标题语义表示向量；
将所述新的语义表示向量和所述新的标题语义表示向量进行拼接，并将拼接得到的语义表示向量作为所述候选答案所对应的答案语义表示向量；
所述根据所述第一语义表示向量和所述第二语义表示向量进行拼接处理，以得到所述待回答问题的目标语义表示向量，包括：
将所述第一语义表示向量乘以所述第一权重，得到所述待回答问题的第一中间语义表示向量；
将所述第二语义表示向量乘以所述第二权重，得到所述待回答问题的第二中间语义表示向量；
将所述第一中间语义表示向量和所述第二中间语义表示向量进行拼接处理，以得到所述待回答问题的目标语义表示向量。
7.一种问答处理装置，其特征在于，所述装置包括：
获取模块，用于获取待回答问题；
语义表示模块，用于将所述待回答问题分别输入第一问题语义表示模型和第二问题语义表示模型中，以得到所述待回答问题的第一语义表示向量和第二语义表示向量，其中，所述第一问题语义表示模型是基于问题样本以及所述问题样本所对应的答案样本进行训练而得到的，所述第二问题语义表示模型是基于所述问题样本和所述答案样本所对应的文章标题进行训练而得到的；
拼接模块，用于根据所述第一语义表示向量和所述第二语义表示向量进行拼接处理，以得到所述待回答问题的目标语义表示向量；
匹配模块，用于将所述待回答问题的目标语义表示向量与预先建立的答案向量索引库中的每个答案语义表示向量进行匹配，其中，所述答案向量索引库是将答案样本池中所有候选答案转化为语义表示向量而构建的，所述候选答案所对应的答案语义表示向量是根据所述候选答案本身的语义表示向量和所述候选答案所对应的文章标题的标题语义表示向量而得到，所述候选答案本身的语义表示向量是通过答案语义表示模型对所述候选答案进行语义向量化表示而得到的；
答案获取模块，用于根据匹配到的答案语义表示向量，获取对应的目标答案，并输出所述目标答案；
所述答案样本包括错误答案样本和正确答案样本，所述装置还包括：
第一模型训练模块，用于根据所述问题样本、所述错误答案样本和正确答案样本，训练得到所述第一问题语义表示模型和所述答案语义表示模型；
所述第一模型训练模块，具体用于：根据所述问题样本的语义表示向量和所述错误答案样本的语义表示向量，确定所述问题样本和错误答案样本之间的第一向量相似度，其中，所述问题样本的语义表示向量是通过初始的第一语义表示模型对所述问题样本进行语义表示而得到的，所述错误答案样本的语义表示向量是通过初始的第二语义表示模型对所述错误样本进行语义表示而得到的；
根据所述问题样本的语义表示向量和所述正确答案样本的语义表示向量，确定所述问题样本和正确答案样本之间的第二向量相似度，其中，所述正确答案样本的语义表示向量是通过所述初始的第二语义表示模型对所述正确答案样本进行语义表示而得到的；
根据所述第一向量相似度和所述第二向量相似度，对所述初始的第一语义表示模型和第二语义表示模型进行训练，并将训练后的第一语义表示模型作为所述第一问题语义表示模型，并将训练后的第二语义表示模型作为所述答案语义表示模型。
8.根据权利要求7所述的装置，其特征在于，所述标题语义表示向量是通过标题语义表示模型对所述候选答案所对应的文章标题进行语义向量化表示而得到的，所述标题语义表示模型基于所述问题样本和所述答案样本所对应的文章标题进行训练而得到的。
9.根据权利要求8所述的装置，其特征在于，所述第一模型训练模块，还用于：
根据所述第一向量相似度和所述第二向量相似度，调整所述初始的第一语义表示模型和所述第二语义表示模型的模型参数，直至所述第一向量相似度和所述第二向量相似度满足第一预设条件；
将满足第一预设条件时所得到的第一语义表示模型作为所述答案语义表示模型，以及将满足第一预设条件时所得到的第二语义表示模型作为所述第一问题语义表示模型。
10.根据权利要求9所述的装置，其特征在于，所述答案样本包括错误答案样本和正确答案样本，所述装置还包括：
第二模型训练模块，用于根据所述问题样本、错误答案样本和正确答案样本，训练得到所述标题语义表示模型和第二问题语义表示模型；
所述第二模型训练模块，具体用于：
根据初始的第三语义表示模型分别对所述错误答案样本所对应的文章标题和所述正确答案样本所对应的文章标题进行语义向量化表示，以得到所述错误答案样本所对应的文章标题的第一标题语义向量和所述正确答案样本所对应的文章标题的第二标题语义向量；
根据初始的第四语义表示模型对所述问题样本进行语义向量化表示，以得到所述问题样本的语义表示向量；
根据所述问题样本的语义表示向量和所述第一标题语义表示向量，确定所述问题样本和所述错误答案样本所对应的文章标题的第三向量相似度；
根据所述问题样本的语义表示向量和所述第二标题语义表示向量，确定所述问题样本和所述错误答案样本所对应的文章标题之间的第四向量相似度；
根据所述第三向量相似度和所述第四向量相似度，调整所述初始的第三语义表示模型和第四语义表示模型的模型参数，直至所述第三向量相似度和所述第四向量相似度满足第二预设条件；
将满足第二预设条件时所得到的第三语义表示模型为所述标题语义表示模型，以及将满足第二预设条件时所得到的第三语义表示模型作为所述第二问题语义表示模型。
11.根据权利要求10所述的装置，其特征在于，所述第一语义表示模型、所述第二语义表示模型、所述第三语义表示模型和所述第四语义表示模型均为预训练语义表示模型，所述预训练语义表示模型是利用无监督数据训练而得到的。
12.根据权利要求7-11中任一项所述的装置，其特征在于，根据所述候选答案本身的语义表示向量和所述候选答案所对应的文章标题的标题语义表示向量得到所述候选答案所对应的答案语义表示向量，具体包括：
将所述候选答案本身的语义表示向量乘以预设的第一权重，得到新的语义表示向量；
将所述标题语义表示向量乘以预设的第二权重，得到新的标题语义表示向量；
将所述新的语义表示向量和所述新的标题语义表示向量进行拼接，并将拼接得到的语义表示向量作为所述候选答案所对应的答案语义表示向量；
所述拼接模块，具体用于：
将所述第一语义表示向量乘以所述第一权重，得到所述待回答问题的第一中间语义表示向量；
将所述第二语义表示向量乘以所述第二权重，得到所述待回答问题的第二中间语义表示向量；
将所述第一中间语义表示向量和所述第二中间语义表示向量进行拼接处理，以得到所述待回答问题的目标语义表示向量。
13.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
CN201911382826.8A 2019-12-27 2019-12-27 问答处理方法、装置、电子设备和存储介质 Active CN111125335B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201911382826.8A CN111125335B (zh) 2019-12-27 2019-12-27 问答处理方法、装置、电子设备和存储介质
EP20176461.0A EP3842988A1 (en) 2019-12-27 2020-05-26 Method and apparatus for processing questions and answers, electronic device and storage medium
US16/886,244 US11461556B2 (en) 2019-12-27 2020-05-28 Method and apparatus for processing questions and answers, electronic device and storage medium
KR1020200090951A KR102431232B1 (ko) 2019-12-27 2020-07-22 질의 응답 처리 방법, 장치, 전자 기기 및 저장 매체
JP2020196082A JP7079309B2 (ja) 2019-12-27 2020-11-26 質問応答処理方法、装置、電子機器及び記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911382826.8A CN111125335B (zh) 2019-12-27 2019-12-27 问答处理方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111125335A CN111125335A (zh) 2020-05-08
CN111125335B true CN111125335B (zh) 2021-04-06

Family

ID=70505274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911382826.8A Active CN111125335B (zh) 2019-12-27 2019-12-27 问答处理方法、装置、电子设备和存储介质

Country Status (5)

Country Link
US (1) US11461556B2 (zh)
EP (1) EP3842988A1 (zh)
JP (1) JP7079309B2 (zh)
KR (1) KR102431232B1 (zh)
CN (1) CN111125335B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111694941B (zh) * 2020-05-22 2024-01-05 腾讯科技（深圳）有限公司 一种回复信息确定方法、装置、存储介质及电子设备
CN111666770B (zh) * 2020-06-02 2023-07-18 泰康保险集团股份有限公司 一种语义匹配方法及装置
CN111783428B (zh) * 2020-07-07 2024-01-23 杭州叙简科技股份有限公司 基于深度学习的应急管理类客观题自动生成系统
JP2022061606A (ja) * 2020-10-07 2022-04-19 株式会社東芝 文書検索装置、方法、プログラムおよび学習装置
CN112560500A (zh) * 2020-12-17 2021-03-26 中科讯飞互联(北京)信息科技有限公司 文本处理方法、装置、设备及存储介质
CN112989843B (zh) * 2021-03-17 2023-07-25 中国平安人寿保险股份有限公司 意图识别方法、装置、计算设备及存储介质
CN113139043B (zh) * 2021-04-29 2023-08-04 北京百度网讯科技有限公司 问答样本生成方法、装置、电子设备和存储介质
CN113220832B (zh) * 2021-04-30 2023-09-05 北京金山数字娱乐科技有限公司 一种文本处理方法及装置
CN113032531B (zh) * 2021-05-21 2021-11-30 北京金山数字娱乐科技有限公司 文本处理方法及装置
CN113297354A (zh) * 2021-06-16 2021-08-24 深圳前海微众银行股份有限公司 文本匹配方法、装置、设备及存储介质
CN113553415B (zh) * 2021-06-30 2023-06-02 北京百度网讯科技有限公司 问答匹配的方法、装置及电子设备
CN113342958B (zh) * 2021-07-02 2023-06-16 马上消费金融股份有限公司 问答匹配方法、文本匹配模型的训练方法和相关设备
KR20230065054A (ko) * 2021-11-04 2023-05-11 삼성전자주식회사 쿼리문에 관련된 검색 결과를 제공하는 전자 장치 및 방법
EP4336376A1 (en) * 2021-11-04 2024-03-13 Samsung Electronics Co., Ltd. Electronic device and method for providing search result related to query statement
CN114328908A (zh) * 2021-11-08 2022-04-12 腾讯科技（深圳）有限公司 一种问答语句质检方法、装置及相关产品
CN114416953B (zh) * 2022-01-20 2023-10-31 北京百度网讯科技有限公司 问答处理方法、问答模型的训练方法和装置
CN114610853A (zh) * 2022-03-14 2022-06-10 平安科技（深圳）有限公司 一种智能问答的优化方法及装置、存储介质、终端
CN115129816B (zh) * 2022-07-04 2024-05-14 北京百度网讯科技有限公司 问答匹配模型的训练方法、装置及电子设备
CN115422362B (zh) * 2022-10-09 2023-10-31 郑州数智技术研究院有限公司 一种基于人工智能的文本匹配方法
CN116414958A (zh) * 2023-02-06 2023-07-11 飞算数智科技(深圳)有限公司 文本语料的生成方法、装置、存储介质及电子设备

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0793351A (ja) * 1993-09-22 1995-04-07 Matsushita Electric Ind Co Ltd 自然言語質問応答生成装置
US20140006012A1 (en) * 2012-07-02 2014-01-02 Microsoft Corporation Learning-Based Processing of Natural Language Questions
BR122017002789B1 (pt) * 2013-02-15 2021-05-18 Voxy, Inc sistemas e métodos para aprendizagem de idioma
US9381434B2 (en) * 2014-06-30 2016-07-05 Linkedin Corporation Social network interaction via games
US10019513B1 (en) * 2014-08-12 2018-07-10 Google Llc Weighted answer terms for scoring answer passages
CN104573028B (zh) * 2015-01-14 2019-01-25 百度在线网络技术（北京）有限公司 实现智能问答的方法和系统
JP6310150B2 (ja) 2015-03-20 2018-04-11 株式会社東芝 意図理解装置、方法およびプログラム
CN108369521A (zh) * 2015-09-02 2018-08-03 埃丹帝弗有限公司 智能虚拟助理系统及相关方法
CN106844368B (zh) * 2015-12-03 2020-06-16 华为技术有限公司 用于人机对话的方法、神经网络系统和用户设备
US10489712B2 (en) 2016-02-26 2019-11-26 Oath Inc. Quality-based scoring and inhibiting of user-generated content
US9984772B2 (en) * 2016-04-07 2018-05-29 Siemens Healthcare Gmbh Image analytics question answering
DE112017008160T5 (de) 2017-11-29 2020-08-27 Mitsubishi Electric Corporation Sprachverarbeitungsvorrichtung, sprachverarbeitungssystem undsprachverarbeitungsverfahren
US11243955B2 (en) * 2017-11-29 2022-02-08 International Business Machines Corporation Latent token representations for passage and answer scoring in question answering systems
CN108345585A (zh) * 2018-01-11 2018-07-31 浙江大学 一种基于深度学习的自动问答方法
CN108984475A (zh) * 2018-07-06 2018-12-11 北京慧闻科技发展有限公司 基于全息神经网络的答案选择方法、装置和电子设备
CN109002519A (zh) * 2018-07-09 2018-12-14 北京慧闻科技发展有限公司 基于卷积循环神经网络的答案选择方法、装置和电子设备
CN109740077B (zh) * 2018-12-29 2021-02-12 北京百度网讯科技有限公司 基于语义索引的答案搜索方法、装置及其相关设备
US11281733B2 (en) * 2019-03-14 2022-03-22 Microsoft Technology Licensing, Llc Selective presentation of rich experiences in search
CN110309305B (zh) * 2019-06-14 2021-05-11 中国电子科技集团公司第二十八研究所 基于多任务联合训练的机器阅读理解方法及计算机存储介质
CN110516059B (zh) * 2019-08-30 2023-06-09 腾讯科技（深圳）有限公司 基于机器学习的问题答复方法、问答模型训练方法及装置

Also Published As

Publication number Publication date
KR102431232B1 (ko) 2022-08-10
KR20210086436A (ko) 2021-07-08
JP2021108111A (ja) 2021-07-29
US11461556B2 (en) 2022-10-04
EP3842988A1 (en) 2021-06-30
CN111125335A (zh) 2020-05-08
JP7079309B2 (ja) 2022-06-01
US20210200956A1 (en) 2021-07-01

Similar Documents

Publication Publication Date Title
CN111125335B (zh) 问答处理方法、装置、电子设备和存储介质
CN111428507B (zh) 实体链指方法、装置、设备以及存储介质
CN111507104B (zh) 建立标签标注模型的方法、装置、电子设备和可读存储介质
CN111401033B (zh) 事件抽取方法、事件抽取装置和电子设备
US11907671B2 (en) Role labeling method, electronic device and storage medium
KR102565673B1 (ko) 시멘틱 표현 모델의 생성 방법, 장치, 전자 기기 및 저장 매체
CN111414482A (zh) 一种事件论元抽取方法、装置以及电子设备
CN111259671A (zh) 文本实体的语义描述处理方法、装置及设备
CN110674260B (zh) 语义相似模型的训练方法、装置、电子设备和存储介质
CN112541076B (zh) 目标领域的扩充语料生成方法、装置和电子设备
JP7106802B2 (ja) リソースソート方法、ソートモデルをトレーニングする方法及び対応する装置
CN112528001B (zh) 一种信息查询方法、装置及电子设备
CN112163405A (zh) 问题的生成方法和装置
CN111582479A (zh) 神经网络模型的蒸馏方法和装置
CN112541362B (zh) 一种泛化处理的方法、装置、设备和计算机存储介质
JP7139028B2 (ja) 目標内容の確定方法、装置、機器及びコンピュータ可読記憶媒体
US10460229B1 (en) Determining word senses using neural networks
CN113869060A (zh) 语义数据的处理方法及搜索方法、装置
CN111127191A (zh) 风险评估方法及装置
CN111090991A (zh) 场景纠错方法、装置、电子设备和存储介质
CN111324715A (zh) 问答机器人的生成方法和装置
CN114860913B (zh) 智能问答系统构建方法、问答处理方法及装置
CN114444462B (zh) 模型训练方法及人机交互方法、装置
CN110991183A (zh) 问题的谓词确定方法、装置、设备及存储介质
CN111860580A (zh) 识别模型获取及类别识别方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant