CN111639170A - 答案选择方法、装置、计算机设备及计算机可读存储介质 - Google Patents

答案选择方法、装置、计算机设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111639170A
CN111639170A CN202010481867.9A CN202010481867A CN111639170A CN 111639170 A CN111639170 A CN 111639170A CN 202010481867 A CN202010481867 A CN 202010481867A CN 111639170 A CN111639170 A CN 111639170A
Authority
CN
China
Prior art keywords
candidate
sentence
text
sentences
similarity
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.)
Pending
Application number
CN202010481867.9A
Other languages
English (en)
Inventor
蒋宏达
徐国强
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.)
OneConnect Smart Technology Co Ltd
OneConnect Financial Technology Co Ltd Shanghai
Original Assignee
OneConnect Financial Technology Co Ltd Shanghai
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 OneConnect Financial Technology Co Ltd Shanghai filed Critical OneConnect Financial Technology Co Ltd Shanghai
Priority to CN202010481867.9A priority Critical patent/CN111639170A/zh
Priority to PCT/CN2020/105901 priority patent/WO2021237934A1/zh
Publication of CN111639170A publication Critical patent/CN111639170A/zh
Pending legal-status Critical Current

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
    • G06F16/332—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
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/194—Calculation of difference between files
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本发明涉及人工智能，提供一种答案选择方法、装置、计算机设备及计算机可读存储介质。所述答案选择方法将题干和每个候选选项组合为一个候选语句，计算每个候选语句与阅读文本中的每个文本语句的相似度；针对每个候选语句，将相似度由高至低进行排序，将排序在前预设第一数量的相似度对应的文本语句确定为候选语句的相似语句；将候选语句和候选语句的相似语句组合成候选语句对，并将每个候选语句对输入至蕴含关系分类模型中，得到蕴含关系概率值；将蕴含关系概率值由高至低进行排序，将排序在前预设第二数量的蕴含关系概率值对应候选语句确定为目标候选语句；将目标候选语句对应的候选标识确定为答案。本发明提升了答案选择的效率和准确率。

Description

答案选择方法、装置、计算机设备及计算机可读存储介质
技术领域
本发明涉及人工智能技术领域，具体涉及一种答案选择方法、装置、计算机设备及计算机可读存储介质。
背景技术
如今人工智能已经慢慢开始普及。在科技、金融、教育考试、医疗等领域，都能看见人工智能的影子。
在教育考试领域的人工智能，尤其是自然语言处理在阅读理解上的应用最为突出。例如，让机器能像人一样去选择答案，这样可以省去部分人工解答校验工作。如何提升答案选择的效率和准确率，成为待解决的问题。
发明内容
鉴于以上内容，有必要提出一种答案选择方法、装置、计算机设备及计算机可读存储介质，其可以在阅读理解的选择题中选择正确答案。
本申请的第一方面提供一种答案选择方法，所述答案选择方法包括：
获取阅读文本、题干和所述题干对应的多个候选选项；
将所述题干和每个候选选项组合为一个候选语句，计算每个候选语句与所述阅读文本中的每个文本语句的相似度；
针对每个候选语句，将所述相似度由高至低进行排序，将排序在前预设第一数量的相似度对应的文本语句确定为所述候选语句的相似语句；
将候选语句和所述候选语句的相似语句组合成候选语句对，并将每个候选语句对输入至蕴含关系分类模型中，得到蕴含关系概率值；
将所述蕴含关系概率值由高至低进行排序，将排序在前预设第二数量的蕴含关系概率值对应候选语句确定为目标候选语句；
将所述目标候选语句对应的候选标识确定为答案。
另一种可能的实现方式中，所述获取阅读文本、题干和所述题干对应的多个候选选项包括：
通过字符识别设备从纸质试题中识别所述阅读文本、所述题干和所述题干对应的多个候选选项；或者
从存储介质读取所述阅读文本、所述题干和所述题干对应的多个候选选项。
另一种可能的实现方式中，所述计算每个候选语句与所述阅读文本中的每个文本语句的相似度包括：
通过训练好的基于BERT的文本二分类模型计算所述候选语句与所述阅读文本中的每个文本语句的相似度，所述文本二分类模型包括BERT层和SOFTMAX分类层。
另一种可能的实现方式中，所述文本二分类模型的训练过程包括：
获取MSMARCO数据集中的候选语句和阅读文本；
将候选语句与阅读文本中的每个文本语句组合成语句对，为每个语句对设置标签；
通过所述BERT层对语句对进行编码计算，得到语句对向量；
通过所述SOFTMAX分类层的前向传播算法对所述语句对向量进行计算，得到语句对的相似度；
根据所述语句对的相似度和语句对的标签采用反向传播算法优化所述BERT层和所述SOFTMAX分类层的参数，得到所述二分类模型。
另一种可能的实现方式中，所述通过训练好的基于BERT的文本二分类模型计算所述候选语句与所述阅读文本中的每个文本语句的相似度包括：
获取所述题干的向量表示和所述候选选项的向量表示，向量表示为向量或向量序列；
将所述题干的向量表示和所述候选选项的向量表示进行元素相加，得到所述候选语句的向量表示；
获取所述阅读文本中的每个文本语句的向量表示；
通过所述文本二分类模型基于所述候选语句的向量表示和所述阅读文本中的每个文本语句的向量表示，计算所述候选语句与所述阅读文本中的每个文本语句的相似度。
另一种可能的实现方式中，所述计算每个候选语句与所述阅读文本中的每个文本语句的相似度包括：
调用基于WORD2VECTOR语义相关度计算方法计算所述候选语句与所述阅读文本中的每个文本语句的相似度。
另一种可能的实现方式中，所述蕴含关系分类模型的训练过程包括：
获取多个第一语句对训练样本及获取多个第二语句对训练样本，其中，所述第一语句对训练样本包括第一语句及相似语句，所述第二语句对包括第二语句及不相似语句；
为所述多个第一语句对训练样本设置第一标签，及为多个第二语句对训练样本设置第二标签；
通过深度学习网络的前向传播算法对所述多个第一语句对训练样本及所述多个第二语句对训练样本进行计算，得到每个训练样本的输出向量；
采用反向传播算法根据所述训练样本的标签和输出向量优化所述深度学习网络中的参数，得到所述蕴含关系分类模型。
本申请的第二方面提供一种答案选择装置，所述答案选择装置包括：
获取模块，用于获取阅读文本、题干和所述题干对应的多个候选选项；
计算模块，用于将所述题干和每个候选选项组合为一个候选语句，计算每个候选语句与所述阅读文本中的每个文本语句的相似度；
第一确定模块，用于针对每个候选语句，将所述相似度由高至低进行排序，将排序在前预设第一数量的相似度对应的文本语句确定为所述候选语句的相似语句；
输入模块，用于将候选语句和所述候选语句的相似语句组合成候选语句对，并将每个候选语句对输入至蕴含关系分类模型中，得到蕴含关系概率值；
排序模块，用于将所述蕴含关系概率值由高至低进行排序，将排序在前预设第二数量的蕴含关系概率值对应候选语句确定为目标候选语句；
第二确定模块，用于将所述目标候选语句对应的候选标识确定为答案。
本申请的第三方面提供一种计算机设备，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述答案选择方法。
本申请的第四方面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所述答案选择方法。
本发明将所述题干和每个候选选项组合为一个候选语句，计算每个候选语句与所述阅读文本中的每个文本语句的相似度；针对每个候选语句，将所述相似度由高至低进行排序，将排序在前预设第一数量的相似度对应的文本语句确定为所述候选语句的相似语句。提升了对整个阅读文本和候选选项的处理效率。将由每个候选语句和该候选语句的相似语句组合成的候选语句对输入蕴含关系分类模型，提升了计算每个候选语句的蕴含关系概率值的准确率。从而提升了答案选择的效率和准确率。
附图说明
图1是本发明实施例提供的答案选择方法的流程图。
图2是本发明实施例提供的答案选择装置的结构图。
图3是本发明实施例提供的计算机设备的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
优选地，本发明的答案选择方法应用在一个或者多个计算机设备中。所述计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
实施例一
图1是本发明实施例一提供的答案选择方法的流程图。所述答案选择方法应用于计算机设备，用于在阅读理解的选择题中选择正确答案。
如图1所示，所述答案选择方法包括：
101，获取阅读文本、题干和所述题干对应的多个候选选项。
例如，获取一个托福考试连线题的阅读文本、题干和题干对应的7个候选选项。题干可以是一个词语、短语或语句，7个候选选项中存在题干的2个或3个正确答案。
再如，获取一个英语阅读理解的阅读文本、题干和题干对应的4个候选选项。题干是一个语句，4个候选选项中存在题干的1个正确答案。
在一具体实施例中，可以通过字符识别设备从纸质试题中识别所述阅读文本、所述题干和所述题干对应的多个候选选项。也可以从存储介质读取所述阅读文本、所述题干和所述题干对应的多个候选选项。
102，将所述题干和每个候选选项组合为一个候选语句，计算每个候选语句与所述阅读文本中的每个文本语句的相似度。
例如，可以将题干和7个候选选项分别组合，得到7个候选语句。再如，可以将题干和4个候选选项分别组合，得到4个候选语句。
在一具体实施例中，所述将所述题干和每个候选选项组合为一个候选语句包括：
通过将所述题干和所述候选选项连接的方式将所述题干和所述候选选项组合为一个候选语句。
例如，题干为“foods”，一个候选选项为“that will help lower blood sugar”，连接所述题干和所述候选选项，得到一个候选语句“foods that will help lower bloodsugar”。
在一具体实施例中，所述计算每个候选语句与所述阅读文本中的每个文本语句的相似度包括：
通过训练好的基于BERT的文本二分类模型计算所述候选语句与所述阅读文本中的每个文本语句的相似度，所述文本二分类模型包括BERT层和SOFTMAX分类层。所述文本二分类模型是基于人工智能的神经网络。
例如，候选语句为“foods that will help lower blood sugar”，阅读文本中的两个语句分别为“Lemons are rich in Vitamin C and their acidity helps to lowerother foods’glycemic indexes,Oat and rice bran crackers make health snacks,Complement with organic nut butter or cheese,Other foods that stabilize bloodsugar are cheese,egg yolks,berries and brewer’s yeast”(后称第一语句)、“Lowhemoglobin,high blood pressure,high levels of bad cholesterol and abnormalblood sugar levels are a few factirs that influence blood health,Your dietcan go a long way in promoting healthy blood,and most foods that are good forthe blood are promote healthy weight and general well being”(后称第二语句)。所述文本二分类模型计算得到该候选语句与第一语句的相似度为0.942，该候选语句与第二语句的相似度为0.034。将相似度高的第一语句确定为该候选语句的相似语句。
在另一实施例中，所述文本二分类模型的训练过程包括：
获取MSMARCO数据集中的候选语句和阅读文本；
将候选语句与阅读文本中的每个文本语句组合成语句对，为每个语句对设置标签；
通过所述BERT层对语句对进行编码计算，得到语句对向量；
通过所述SOFTMAX分类层的前向传播算法对所述语句对向量进行计算，得到语句对的相似度；
根据所述语句对的相似度和语句对的标签采用反向传播算法优化所述BERT层和所述SOFTMAX分类层的参数，得到所述二分类模型。
所述语句对向量可以是512维的向量。SOFTMAX分类层中的分类损失函数采用交叉熵损失函数。
在另一实施例中，所述通过训练好的基于BERT的文本二分类模型计算所述候选语句与所述阅读文本中的每个文本语句的相似度包括：
获取所述题干的向量表示和所述候选选项的向量表示，向量表示为向量或向量序列；
将所述题干的向量表示和所述候选选项的向量表示进行元素相加，得到所述候选语句的向量表示；
获取所述阅读文本中的每个文本语句的向量表示；
通过所述文本二分类模型基于所述候选语句的向量表示和所述阅读文本中的每个文本语句的向量表示，计算所述候选语句与所述阅读文本中的每个文本语句的相似度。
在另一实施例中，所述计算每个候选语句与所述阅读文本中的每个文本语句的相似度包括：
调用基于WORD2VECTOR语义相关度计算方法计算所述候选语句与所述阅读文本中的每个文本语句的相似度。
103，针对每个候选语句，将所述相似度由高至低进行排序，将排序在前预设第一数量的相似度对应的文本语句确定为所述候选语句的相似语句。
在一具体实施例中，可以将所述相似度由高至低进行排序，将排序在前的两个相似度对应的文本语句确定为所述候选语句的相似语句。
例如，上例中，阅读文本中包括第三语句，该候选语句与第三语句的相似度为0.882，将排序在前的两个相似度对应的第一语句和第三语句确定为该候选语句的相似语句。
104，将候选语句和所述候选语句的相似语句组合成候选语句对，并将每个候选语句对输入至蕴含关系分类模型中，得到蕴含关系概率值。
在一具体实施例中，所述蕴含关系分类模型包括ROBERTA层和线性分类层。所述蕴含关系模型是基于人工智能的神经网络。
在一具体实施例中，所述蕴含关系分类模型的训练过程包括：
获取多个第一语句对训练样本及获取多个第二语句对训练样本，其中，所述第一语句对训练样本包括第一语句及相似语句，所述第二语句对包括第二语句及不相似语句；
为所述多个第一语句对训练样本设置第一标签，及为多个第二语句对训练样本设置第二标签；
通过深度学习网络的前向传播算法对所述多个第一语句对训练样本及所述多个第二语句对训练样本进行计算，得到每个训练样本的输出向量；
采用反向传播算法根据所述训练样本的标签和输出向量优化所述深度学习网络中的参数，得到所述蕴含关系分类模型。
所述第一标签可以为1，所述第二标签可以为0。
105，将所述蕴含关系概率值由高至低进行排序，将排序在前预设第二数量的蕴含关系概率值对应候选语句确定为目标候选语句。
例如，7个候选语句的蕴含关系概率值从高至低依次为0.95、0.92、0.76、0.66、0.23、0.12、0.02。预设第二数量为2，将排序在前2的0.95、0.92的蕴含关系概率值对应候选语句确定为目标候选语句。
再如，4个候选语句的蕴含关系概率值从高至低依次为0.96、0.72、0.56、0.16。预设第二数量为1，将排序在前1的0.96的蕴含关系概率值对应候选语句确定为目标候选语句。
106，将所述目标候选语句对应的候选标识确定为答案。
如上例，7个候选语句的蕴含关系概率值从高至低依次为0.95、0.92、0.76、0.66、0.23、0.12、0.02，对应的候选标识为A、C、D、G、B、F、E。将排序在前2的0.95、0.92的蕴含关系概率值对应候选语句确定为目标候选语句，将两个目标候选语句对应的A、C选项确定为答案。
再如，4个候选语句的蕴含关系概率值从高至低依次为0.96、0.72、0.56、0.16，对应的候选标识为B、D、A、C。将排序在前1的0.96的蕴含关系概率值对应候选语句确定为目标候选语句，将目标候选语句对应的B选项确定为答案。
实施例一将所述题干和每个候选选项组合为一个候选语句，计算每个候选语句与所述阅读文本中的每个文本语句的相似度；针对每个候选语句，将所述相似度由高至低进行排序，将排序在前预设第一数量的相似度对应的文本语句确定为所述候选语句的相似语句。提升了对整个阅读文本和候选选项的处理效率。将由每个候选语句和该候选语句的相似语句组合成的候选语句对输入蕴含关系分类模型，提升了计算每个候选语句的蕴含关系概率值的准确率。从而提升了答案选择的效率和准确率。
在另一实施例中，所述答案选择方法还包括：
获取所述阅读文本中的每个段落的摘要信息；
计算所述候选语句与每个段落的摘要信息的摘要相似度；
将所述摘要相似度由高至低进行排序，将排序在前预设第三数量的摘要相似度对应的段落确定为目标段落；
计算所述候选语句与所述目标段落中的每个文本语句的相似度。
通过对目标段落的确定并计算所述候选语句与所述目标段落中的每个文本语句的相似度，不直接计算所述候选语句与所述阅读文本中的每个文本语句的相似度，极大地较少了计算量，提升了相似度的计算效率，从而提升了答案选择的效率。
实施例二
图2是本发明实施例二提供的答案选择装置的结构图。所述答案选择装置20应用于计算机设备。所述答案选择装置20用于在阅读理解的选择题中选择正确答案。
如图2所示，所述答案选择装置20可以包括获取模块201、计算模块202、第一确定模块203、输入模块204、排序模块205、第二确定模块206。
获取模块201，用于获取阅读文本、题干和所述题干对应的多个候选选项。
例如，获取一个托福考试连线题的阅读文本、题干和题干对应的7个候选选项。题干可以是一个词语、短语或语句，7个候选选项中存在题干的2个或3个正确答案。
再如，获取一个英语阅读理解的阅读文本、题干和题干对应的4个候选选项。题干是一个语句，4个候选选项中存在题干的1个正确答案。
在一具体实施例中，可以通过字符识别设备从纸质试题中识别所述阅读文本、所述题干和所述题干对应的多个候选选项。也可以从存储介质读取所述阅读文本、所述题干和所述题干对应的多个候选选项。
计算模块202，用于将所述题干和每个候选选项组合为一个候选语句，计算每个候选语句与所述阅读文本中的每个文本语句的相似度。
例如，可以将题干和7个候选选项分别组合，得到7个候选语句。再如，可以将题干和4个候选选项分别组合，得到4个候选语句。
在一具体实施例中，所述将所述题干和每个候选选项组合为一个候选语句包括：
通过将所述题干和所述候选选项连接的方式将所述题干和所述候选选项组合为一个候选语句。
例如，题干为“foods”，一个候选选项为“that will help lower blood sugar”，连接所述题干和所述候选选项，得到一个候选语句“foods that will help lower bloodsugar”。
在一具体实施例中，所述计算每个候选语句与所述阅读文本中的每个文本语句的相似度包括：
通过训练好的基于BERT的文本二分类模型计算所述候选语句与所述阅读文本中的每个文本语句的相似度，所述文本二分类模型包括BERT层和SOFTMAX分类层。所述文本二分类模型是基于人工智能的神经网络。
例如，候选语句为“foods that will help lower blood sugar”，阅读文本中的两个语句分别为“Lemons are rich in Vitamin C and their acidity helps to lowerother foods’glycemic indexes,Oat and rice bran crackers make health snacks,Complement with organic nut butter or cheese,Other foods that stabilize bloodsugar are cheese,egg yolks,berries and brewer’s yeast”(后称第一语句)、“Lowhemoglobin,high blood pressure,high levels of bad cholesterol and abnormalblood sugar levels are a few factirs that influence blood health,Your dietcan go a long way in promoting healthy blood,and most foods that are good forthe blood are promote healthy weight and general well being”(后称第二语句)。所述文本二分类模型计算得到该候选语句与第一语句的相似度为0.942，该候选语句与第二语句的相似度为0.034。将相似度高的第一语句确定为该候选语句的相似语句。
在另一实施例中，所述文本二分类模型的训练过程包括：
获取MSMARCO数据集中的候选语句和阅读文本；
将候选语句与阅读文本中的每个文本语句组合成语句对，为每个语句对设置标签；
通过所述BERT层对语句对进行编码计算，得到语句对向量；
通过所述SOFTMAX分类层的前向传播算法对所述语句对向量进行计算，得到语句对的相似度；
根据所述语句对的相似度和语句对的标签采用反向传播算法优化所述BERT层和所述SOFTMAX分类层的参数，得到所述二分类模型。
所述语句对向量可以是512维的向量。SOFTMAX分类层中的分类损失函数采用交叉熵损失函数。
在另一实施例中，所述通过训练好的基于BERT的文本二分类模型计算所述候选语句与所述阅读文本中的每个文本语句的相似度包括：
获取所述题干的向量表示和所述候选选项的向量表示，向量表示为向量或向量序列；
将所述题干的向量表示和所述候选选项的向量表示进行元素相加，得到所述候选语句的向量表示；
获取所述阅读文本中的每个文本语句的向量表示；
通过所述文本二分类模型基于所述候选语句的向量表示和所述阅读文本中的每个文本语句的向量表示，计算所述候选语句与所述阅读文本中的每个文本语句的相似度。
在另一实施例中，所述计算每个候选语句与所述阅读文本中的每个文本语句的相似度包括：
调用基于WORD2VECTOR语义相关度计算方法计算所述候选语句与所述阅读文本中的每个文本语句的相似度。
第一确定模块203，用于针对每个候选语句，将所述相似度由高至低进行排序，将排序在前预设第一数量的相似度对应的文本语句确定为所述候选语句的相似语句。
在一具体实施例中，可以将所述相似度由高至低进行排序，将排序在前的两个相似度对应的文本语句确定为所述候选语句的相似语句。
例如，上例中，阅读文本中包括第三语句，该候选语句与第三语句的相似度为0.882，将排序在前的两个相似度对应的第一语句和第三语句确定为该候选语句的相似语句。
输入模块204，用于将候选语句和所述候选语句的相似语句组合成候选语句对，并将每个候选语句对输入至蕴含关系分类模型中，得到蕴含关系概率值。
在一具体实施例中，所述蕴含关系分类模型包括ROBERTA层和线性分类层。所述蕴含关系模型是基于人工智能的神经网络。
在一具体实施例中，所述蕴含关系分类模型的训练过程包括：
获取多个第一语句对训练样本及获取多个第二语句对训练样本，其中，所述第一语句对训练样本包括第一语句及相似语句，所述第二语句对包括第二语句及不相似语句；
为所述多个第一语句对训练样本设置第一标签，及为多个第二语句对训练样本设置第二标签；
通过深度学习网络的前向传播算法对所述多个第一语句对训练样本及所述多个第二语句对训练样本进行计算，得到每个训练样本的输出向量；
采用反向传播算法根据所述训练样本的标签和输出向量优化所述深度学习网络中的参数，得到所述蕴含关系分类模型。
所述第一标签可以为1，所述第二标签可以为0。
排序模块205，用于将所述蕴含关系概率值由高至低进行排序，将排序在前预设第二数量的蕴含关系概率值对应候选语句确定为目标候选语句。
例如，7个候选语句的蕴含关系概率值从高至低依次为0.95、0.92、0.76、0.66、0.23、0.12、0.02。预设第二数量为2，将排序在前2的0.95、0.92的蕴含关系概率值对应候选语句确定为目标候选语句。
再如，4个候选语句的蕴含关系概率值从高至低依次为0.96、0.72、0.56、0.16。预设第二数量为1，将排序在前1的0.96的蕴含关系概率值对应候选语句确定为目标候选语句。
第二确定模块206，用于将所述目标候选语句对应的候选标识确定为答案。
如上例，7个候选语句的蕴含关系概率值从高至低依次为0.95、0.92、0.76、0.66、0.23、0.12、0.02，对应的候选标识为A、C、D、G、B、F、E。将排序在前2的0.95、0.92的蕴含关系概率值对应候选语句确定为目标候选语句，将两个目标候选语句对应的A、C选项确定为答案。
再如，4个候选语句的蕴含关系概率值从高至低依次为0.96、0.72、0.56、0.16，对应的候选标识为B、D、A、C。将排序在前1的0.96的蕴含关系概率值对应候选语句确定为目标候选语句，将目标候选语句对应的B选项确定为答案。
实施例二的答案选择装置20将所述题干和每个候选选项组合为一个候选语句，计算每个候选语句与所述阅读文本中的每个文本语句的相似度；针对每个候选语句，将所述相似度由高至低进行排序，将排序在前预设第一数量的相似度对应的文本语句确定为所述候选语句的相似语句。提升了对整个阅读文本和候选选项的处理效率。将由每个候选语句和该候选语句的相似语句组合成的候选语句对输入蕴含关系分类模型，提升了计算每个候选语句的蕴含关系概率值的准确率。从而提升了答案选择的效率和准确率。
在另一实施例中，所述计算模块还用于获取所述阅读文本中的每个段落的摘要信息；
计算所述候选语句与每个段落的摘要信息的摘要相似度；
将所述摘要相似度由高至低进行排序，将排序在前预设第三数量的摘要相似度对应的段落确定为目标段落；
计算所述候选语句与所述目标段落中的每个文本语句的相似度。
通过对目标段落的确定并计算所述候选语句与所述目标段落中的每个文本语句的相似度，不直接计算所述候选语句与所述阅读文本中的每个文本语句的相似度，极大地较少了计算量，提升了相似度的计算效率，从而提升了答案选择的效率。
实施例三
本实施例提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述答案选择方法实施例中的步骤，例如图1所示的步骤101-106：
101，获取阅读文本、题干和所述题干对应的多个候选选项；
102，将所述题干和每个候选选项组合为一个候选语句，计算每个候选语句与所述阅读文本中的每个文本语句的相似度；
103，针对每个候选语句，将所述相似度由高至低进行排序，将排序在前预设第一数量的相似度对应的文本语句确定为所述候选语句的相似语句；
104，将候选语句和所述候选语句的相似语句组合成候选语句对，并将每个候选语句对输入至蕴含关系分类模型中，得到蕴含关系概率值；
105，将所述蕴含关系概率值由高至低进行排序，将排序在前预设第二数量的蕴含关系概率值对应候选语句确定为目标候选语句；
106，将所述目标候选语句对应的候选标识确定为答案。
或者，该计算机程序被处理器执行时实现上述装置实施例中各模块的功能，例如图2中的模块201-206：
获取模块201，用于获取阅读文本、题干和所述题干对应的多个候选选项；
计算模块202，用于将所述题干和每个候选选项组合为一个候选语句，计算每个候选语句与所述阅读文本中的每个文本语句的相似度；
第一确定模块203，用于针对每个候选语句，将所述相似度由高至低进行排序，将排序在前预设第一数量的相似度对应的文本语句确定为所述候选语句的相似语句；
输入模块204，用于将候选语句和所述候选语句的相似语句组合成候选语句对，并将每个候选语句对输入至蕴含关系分类模型中，得到蕴含关系概率值；
排序模块205，用于将所述蕴含关系概率值由高至低进行排序，将排序在前预设第二数量的蕴含关系概率值对应候选语句确定为目标候选语句；
第二确定模块206，用于将所述目标候选语句对应的候选标识确定为答案。
实施例四
图3为本发明实施例三提供的计算机设备的示意图。所述计算机设备30包括存储器301、处理器302以及存储在所述存储器301中并可在所述处理器302上运行的计算机程序303，例如答案选择程序。所述处理器302执行所述计算机程序303时实现上述答案选择方法实施例中的步骤，例如图1所示的101-106：
101，获取阅读文本、题干和所述题干对应的多个候选选项；
102，将所述题干和每个候选选项组合为一个候选语句，计算每个候选语句与所述阅读文本中的每个文本语句的相似度；
103，针对每个候选语句，将所述相似度由高至低进行排序，将排序在前预设第一数量的相似度对应的文本语句确定为所述候选语句的相似语句；
104，将候选语句和所述候选语句的相似语句组合成候选语句对，并将每个候选语句对输入至蕴含关系分类模型中，得到蕴含关系概率值；
105，将所述蕴含关系概率值由高至低进行排序，将排序在前预设第二数量的蕴含关系概率值对应候选语句确定为目标候选语句；
106，将所述目标候选语句对应的候选标识确定为答案。
或者，该计算机程序被处理器执行时实现上述装置实施例中各模块的功能，例如图2中的模块201-206：
获取模块201，用于获取阅读文本、题干和所述题干对应的多个候选选项；
计算模块202，用于将所述题干和每个候选选项组合为一个候选语句，计算每个候选语句与所述阅读文本中的每个文本语句的相似度；
第一确定模块203，用于针对每个候选语句，将所述相似度由高至低进行排序，将排序在前预设第一数量的相似度对应的文本语句确定为所述候选语句的相似语句；
输入模块204，用于将候选语句和所述候选语句的相似语句组合成候选语句对，并将每个候选语句对输入至蕴含关系分类模型中，得到蕴含关系概率值；
排序模块205，用于将所述蕴含关系概率值由高至低进行排序，将排序在前预设第二数量的蕴含关系概率值对应候选语句确定为目标候选语句；
第二确定模块206，用于将所述目标候选语句对应的候选标识确定为答案。
示例性的，所述计算机程序303可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器301中，并由所述处理器302执行，以完成本方法。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序303在所述计算机设备30中的执行过程。例如，所述计算机程序303可以被分割成图2中的获取模块201、计算模块202、第一确定模块203、输入模块204、排序模块205、第二确定模块206，各模块具体功能参见实施例二。
本领域技术人员可以理解，所述示意图3仅仅是计算机设备30的示例，并不构成对计算机设备30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机设备30还可以包括输入输出设备、网络接入设备、总线等。
所称处理器302可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器302也可以是任何常规的处理器等，所述处理器302是所述计算机设备30的控制中心，利用各种接口和线路连接整个计算机设备30的各个部分。
所述存储器301可用于存储所述计算机程序303，所述处理器302通过运行或执行存储在所述存储器301内的计算机程序或模块，以及调用存储在存储器301内的数据，实现所述计算机设备30的各种功能。所述存储器301可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备30的使用所创建的数据等。此外，存储器301可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart MediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述计算机设备30集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述答案选择方法的部分步骤。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他模块或步骤，单数不排除复数。系统权利要求中陈述的多个模块或装置也可以由一个模块或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种答案选择方法，其特征在于，所述答案选择方法包括：
获取阅读文本、题干和所述题干对应的多个候选选项；
将所述题干和每个候选选项组合为一个候选语句，计算每个候选语句与所述阅读文本中的每个文本语句的相似度；
针对每个候选语句，将所述相似度由高至低进行排序，将排序在前预设第一数量的相似度对应的文本语句确定为所述候选语句的相似语句；
将候选语句和所述候选语句的相似语句组合成候选语句对，并将每个候选语句对输入至蕴含关系分类模型中，得到蕴含关系概率值；
将所述蕴含关系概率值由高至低进行排序，将排序在前预设第二数量的蕴含关系概率值对应候选语句确定为目标候选语句；
将所述目标候选语句对应的候选标识确定为答案。
2.如权利要求1所述的答案选择方法，其特征在于，所述获取阅读文本、题干和所述题干对应的多个候选选项包括：
通过字符识别设备从纸质试题中识别所述阅读文本、所述题干和所述题干对应的多个候选选项；或者
从存储介质读取所述阅读文本、所述题干和所述题干对应的多个候选选项。
3.如权利要求1所述的答案选择方法，其特征在于，所述计算每个候选语句与所述阅读文本中的每个文本语句的相似度包括：
通过训练好的基于BERT的文本二分类模型计算所述候选语句与所述阅读文本中的每个文本语句的相似度，所述文本二分类模型包括BERT层和SOFTMAX分类层。
4.如权利要求3所述的答案选择方法，其特征在于，所述文本二分类模型的训练过程包括：
获取MSMARCO数据集中的候选语句和阅读文本；
将候选语句与阅读文本中的每个文本语句组合成语句对，为每个语句对设置标签；
通过所述BERT层对语句对进行编码计算，得到语句对向量；
通过所述SOFTMAX分类层的前向传播算法对所述语句对向量进行计算，得到语句对的相似度；
根据所述语句对的相似度和语句对的标签采用反向传播算法优化所述BERT层和所述SOFTMAX分类层的参数，得到所述二分类模型。
5.如权利要求3所述的答案选择方法，其特征在于，所述通过训练好的基于BERT的文本二分类模型计算所述候选语句与所述阅读文本中的每个文本语句的相似度包括：
获取所述题干的向量表示和所述候选选项的向量表示，向量表示为向量或向量序列；
将所述题干的向量表示和所述候选选项的向量表示进行元素相加，得到所述候选语句的向量表示；
获取所述阅读文本中的每个文本语句的向量表示；
通过所述文本二分类模型基于所述候选语句的向量表示和所述阅读文本中的每个文本语句的向量表示，计算所述候选语句与所述阅读文本中的每个文本语句的相似度。
6.如权利要求1所述的答案选择方法，其特征在于，所述计算每个候选语句与所述阅读文本中的每个文本语句的相似度包括：
调用基于WORD2VECTOR语义相关度计算方法计算所述候选语句与所述阅读文本中的每个文本语句的相似度。
7.如权利要求1所述的答案选择方法，其特征在于，所述蕴含关系分类模型的训练过程包括：
获取多个第一语句对训练样本及获取多个第二语句对训练样本，其中，所述第一语句对训练样本包括第一语句及相似语句，所述第二语句对包括第二语句及不相似语句；
为所述多个第一语句对训练样本设置第一标签，及为多个第二语句对训练样本设置第二标签；
通过深度学习网络的前向传播算法对所述多个第一语句对训练样本及所述多个第二语句对训练样本进行计算，得到每个训练样本的输出向量；
采用反向传播算法根据所述训练样本的标签和输出向量优化所述深度学习网络中的参数，得到所述蕴含关系分类模型。
8.一种答案选择装置，其特征在于，所述答案选择装置包括：
获取模块，用于获取阅读文本、题干和所述题干对应的多个候选选项；
计算模块，用于将所述题干和每个候选选项组合为一个候选语句，计算每个候选语句与所述阅读文本中的每个文本语句的相似度；
第一确定模块，用于针对每个候选语句，将所述相似度由高至低进行排序，将排序在前预设第一数量的相似度对应的文本语句确定为所述候选语句的相似语句；
输入模块，用于将候选语句和所述候选语句的相似语句组合成候选语句对，并将每个候选语句对输入至蕴含关系分类模型中，得到蕴含关系概率值；
排序模块，用于将所述蕴含关系概率值由高至低进行排序，将排序在前预设第二数量的蕴含关系概率值对应候选语句确定为目标候选语句；
第二确定模块，用于将所述目标候选语句对应的候选标识确定为答案。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1-7中任一项所述答案选择方法。
10.一种计算机可读存储介质，所述计算机可读存储介质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如权利要求1-7中任一项所述答案选择方法。
CN202010481867.9A 2020-05-29 2020-05-29 答案选择方法、装置、计算机设备及计算机可读存储介质 Pending CN111639170A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010481867.9A CN111639170A (zh) 2020-05-29 2020-05-29 答案选择方法、装置、计算机设备及计算机可读存储介质
PCT/CN2020/105901 WO2021237934A1 (zh) 2020-05-29 2020-07-30 答案选择方法、装置、计算机设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010481867.9A CN111639170A (zh) 2020-05-29 2020-05-29 答案选择方法、装置、计算机设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN111639170A true CN111639170A (zh) 2020-09-08

Family

ID=72330315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010481867.9A Pending CN111639170A (zh) 2020-05-29 2020-05-29 答案选择方法、装置、计算机设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN111639170A (zh)
WO (1) WO2021237934A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112380873A (zh) * 2020-12-04 2021-02-19 鼎富智能科技有限公司 一种规范文书中被选中项确定方法及装置
CN113239689A (zh) * 2021-07-07 2021-08-10 北京语言大学 面向易混淆词考察的选择题干扰项自动生成方法及装置
CN113282738A (zh) * 2021-07-26 2021-08-20 北京世纪好未来教育科技有限公司 文本选择方法及装置

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219050B (zh) * 2022-02-22 2022-06-21 杭州远传新业科技股份有限公司 文本相似度模型的训练方法、系统、装置和介质
CN114547274B (zh) * 2022-04-26 2022-08-05 阿里巴巴达摩院(杭州)科技有限公司 多轮问答的方法、装置及设备
CN116050412B (zh) * 2023-03-07 2024-01-26 江西风向标智能科技有限公司 基于数学语义逻辑关系的高中数学题目的分割方法和系统
CN116503215A (zh) * 2023-06-25 2023-07-28 江西联创精密机电有限公司 一种通用训练题目和答案生成方法及系统
CN117056497B (zh) * 2023-10-13 2024-01-23 北京睿企信息科技有限公司 一种基于llm的问答方法、电子设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10586156B2 (en) * 2015-06-25 2020-03-10 International Business Machines Corporation Knowledge canvassing using a knowledge graph and a question and answer system
CN108647233B (zh) * 2018-04-02 2020-11-17 北京大学深圳研究生院 一种用于问答系统的答案排序方法
CN108875074B (zh) * 2018-07-09 2021-08-10 北京慧闻科技发展有限公司 基于交叉注意力神经网络的答案选择方法、装置和电子设备
CN111190997B (zh) * 2018-10-26 2024-01-05 南京大学 一种使用神经网络和机器学习排序算法的问答系统实现方法
CN110647619B (zh) * 2019-08-01 2023-05-05 中山大学 一种基于问题生成和卷积神经网络的常识问答方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112380873A (zh) * 2020-12-04 2021-02-19 鼎富智能科技有限公司 一种规范文书中被选中项确定方法及装置
CN112380873B (zh) * 2020-12-04 2024-04-26 鼎富智能科技有限公司 一种规范文书中被选中项确定方法及装置
CN113239689A (zh) * 2021-07-07 2021-08-10 北京语言大学 面向易混淆词考察的选择题干扰项自动生成方法及装置
CN113282738A (zh) * 2021-07-26 2021-08-20 北京世纪好未来教育科技有限公司 文本选择方法及装置
CN113282738B (zh) * 2021-07-26 2021-10-08 北京世纪好未来教育科技有限公司 文本选择方法及装置

Also Published As

Publication number Publication date
WO2021237934A1 (zh) 2021-12-02

Similar Documents

Publication Publication Date Title
CN111639170A (zh) 答案选择方法、装置、计算机设备及计算机可读存储介质
CN111415740B (zh) 问诊信息的处理方法、装置、存储介质及计算机设备
Yang et al. Enhancing automated essay scoring performance via fine-tuning pre-trained language models with combination of regression and ranking
Spencer Essentials of multivariate data analysis
US9576249B2 (en) System and method for automated scoring of a summary-writing task
CN107644011A (zh) 用于细粒度医疗实体提取的系统和方法
CN112527999A (zh) 引入农业领域知识的抽取式智能问答方法及系统
CN112464659A (zh) 基于知识图谱的辅助教学方法、装置、设备及存储介质
CN108491515B (zh) 一种用于校园心理咨询的句对匹配度预测方法
JP2021096807A (ja) 機械翻訳モデルトレーニング方法、装置、プログラム及び記録媒体
CN111858896A (zh) 一种基于深度学习的知识库问答方法
CN111552773A (zh) 一种阅读理解任务中是否类问题关键句寻找方法及系统
Chang et al. xSense: Learning sense-separated sparse representations and textual definitions for explainable word sense networks
CN113010645A (zh) 文本生成方法、装置、设备及存储介质
Bao et al. Contextualized rewriting for text summarization
Dębowski et al. Jasnopis–a program to compute readability of texts in polish based on psycholinguistic research
CN113704393A (zh) 关键词提取方法、装置、设备及介质
CN116402166B (zh) 一种预测模型的训练方法、装置、电子设备及存储介质
Velleman THE PHILOSOPHICAL PAST AND THE DIGITAL FUTURE OF DATA ANALYSIS: 375 YEARS OF PHILOSOPHICAL GUIDANCE FOR SOFTWARE DESIGN ON THE OCCASION OF JOHN W.
CN112559711A (zh) 一种同义文本提示方法、装置及电子设备
CN112199958A (zh) 概念词序列生成方法、装置、计算机设备及存储介质
Bier et al. Adaptive math-to-speech interface
KR102400689B1 (ko) 의미 관계 학습 장치, 의미 관계 학습 방법, 및 의미 관계 학습 프로그램
CN113157932B (zh) 基于知识图谱表示学习的隐喻计算和装置
Galhardi et al. Automatic grading of portuguese short answers using a machine learning approach

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