CN114297357B - 一种基于量子计算的问答模型构建方法、装置及电子设备 - Google Patents

Abstract

本申请实施例提供一种基于量子计算的问答模型构建方法、装置、电子设备及存储介质，其中，该方法包括：获取查询词汇向量集合和答案语句向量集合；根据查询词汇向量集合获得查询词汇向量集合中每个查询词汇向量的查询词汇向量密度矩阵，作为查询词汇向量密度矩阵集合；根据答案语句向量集合获得答案语句向量集合中每个答案语句向量的答案语句向量密度矩阵，作为答案语句向量密度矩阵集合；根据查询词汇向量密度矩阵集合和答案语句向量密度矩阵集合获得答案语句向量密度矩阵集合中全部答案语句向量密度矩阵的相关性分值和状态演化矩阵；根据相关性分值和状态演化矩阵构建问答模型。实施本申请实施例，提高了智能问答模型的准确率，方便使用。

Description

一种基于量子计算的问答模型构建方法、装置及电子设备

技术领域

本申请涉及模型构建技术领域，具体而言，涉及一种基于量子计算的问答模型构建方法、装置及电子设备。

背景技术

将问答模型抽象为文本匹配任务实际上是提出了一个独立相关性假设，即一个问答知识库中问题或答案与用户查询的相关性不依赖于其他问题或答案。

但是，在实际的应用情况下，用户对答案的相关性的判断是一个复杂而主观的认知过程，会受到搜索过程中对先前浏览的答案的影响，表现为问答系统返回的答案列表相关性排序与用户实际中做出的相关性判断始终存在一定的差距。然而现有的问答系统都没有考虑这种情况，因此，无法将用户实际中做出的相关性判断引入问答模型，导致问答模型的结果不够准确。

发明内容

本申请实施例的目的在于提供一种基于量子计算的问答模型构建方法、装置、电子设备及计算机可读存储介质，提高了智能问答模型的准确率，可以有效地进行智能对话，方便使用。

第一方面，本申请实施例提供了一种基于量子计算的问答模型构建方法，所述方法包括：

获取查询词汇向量集合和答案语句向量集合；

根据所述查询词汇向量集合获得所述查询词汇向量集合中每个查询词汇向量的查询词汇向量密度矩阵，作为查询词汇向量密度矩阵集合；

根据所述答案语句向量集合获得所述答案语句向量集合中每个答案语句向量的答案语句向量密度矩阵，作为答案语句向量密度矩阵集合；

根据所述查询词汇向量密度矩阵集合和所述答案语句向量密度矩阵集合获得所述答案语句向量密度矩阵集合中全部答案语句向量密度矩阵的相关性分值和状态演化矩阵；

根据所述相关性分值和所述状态演化矩阵构建问答模型。

在上述实现过程中，通过将查询词汇向量和答案语句向量进行编码等处理得到智能问答模型，使得智能问答模型的答案准确率得到有效提升，智能问答模型不易出现与问题无关的答案，且模型的应答速度也可以得到有效提高，方便进行人机互动。

进一步地，根据所述查询词汇向量集合获得所述查询词汇向量集合中每个查询词汇向量的查询词汇向量密度矩阵的公式为：

其中，ρ^Q为所述查询词汇向量密度矩阵，

为第i个查询词汇向量q_i在查询中的重要性指数，且所述重要性指数满足归一化条件

为第i个查询词汇向量q_i的测量算子。

在上述实现过程中，查询词汇向量密度矩阵包含查询词汇向量的特征，可以使得后续计算过程更加精准，且计算量可以大大减少，避免浪费计算空间和时间。

进一步地，根据所述答案语句向量集合获得所述答案语句向量集合中每个答案语句向量的答案语句向量密度矩阵的公式为：

其中，

为所述答案语句向量密度矩阵，

为第j个查询词汇向量

在第i个答案语句向量集合Aⁱ中的重要性指数，且重要性指数满足归一化条件

表示第i个答案语句向量集合中第j个答案语句词

的测量算子。

在上述实现过程中，答案语句向量密度矩阵包含答案语句向量的特征，可以使得后续计算过程更加精准，且计算量可以大大减少，避免浪费计算空间和时间。

进一步地，所述根据所述查询词汇向量密度矩阵集合和所述答案语句向量密度矩阵集合获得所述答案语句向量密度矩阵集合中全部答案语句向量密度矩阵的相关性分值和状态演化矩阵的步骤，包括：

步骤一，根据所述查询词汇向量密度矩阵集合和所述答案语句向量密度矩阵集合中第一个答案语句向量密度矩阵，获得所述第一个答案语句向量密度矩阵的相关性分值和状态演化矩阵；

步骤二，根据所述第一个答案语句向量密度矩阵获得所述答案语句向量密度矩阵集合中第二个答案语句向量密度矩阵的相关性分值和状态演化矩阵；

步骤三，将所述第二个答案语句向量密度矩阵作为新的第一个答案语句向量密度矩阵，重复步骤二，直到获得所述答案语句向量密度矩阵集合中的全部答案语句向量密度矩阵的状态演化矩阵和相关性分值。

在上述实现过程中，酉化运算可以体现答案语句向量密度矩阵之间的依赖关系，且可以保留观测量信息分布，使得问答模型中的答案更加贴近真实情况，不会造成答案与相应的问题偏离的情况。

进一步地，所述根据所述查询词汇向量密度矩阵集合和所述答案语句向量密度矩阵集合中第一个答案语句向量密度矩阵，获得所述第一个答案语句向量密度矩阵的相关性分值和状态演化矩阵的步骤，包括：

根据以下公式获得所述第一个答案语句向量密度矩阵的相关性分值：

其中，

为所述第一个答案语句向量密度矩阵的相关性分值，

为所述第一个答案语句向量密度矩阵，ρ₀(ρ₀＝ρ^Q)为初始观测量，Tr(·)为求特征矩阵迹的操作；

根据以下公式对所述第一个答案语句向量密度矩阵进行酉化运算，得到所述第一个答案语句向量密度矩阵的状态演化矩阵：

ρ₁＝Uρ′₁U^T；

其中，ρ₀(ρ₀＝ρ^Q)为所述初始观测量，

为对初始观测量ρ₀的归一化计算，ρ₁为所述第一个答案语句向量密度矩阵的状态演化矩阵，

为第一个答案语句向量密度矩阵，U为一个酉矩阵。

在上述实现过程中，计算第一个答案语句向量密度矩阵的相关性分值，将第一个答案语句向量密度矩阵作为后续计算的依据，使得问答模型更加符合认知，相关性更高。

进一步地，所述根据所述第一个答案语句向量密度矩阵获得所述答案语句向量密度矩阵集合中第二个答案语句向量密度矩阵的相关性分值和状态演化矩阵的步骤，包括：

根据以下公式获得所述第二个答案语句向量密度矩阵的相关性分值：

其中，

为所述第二个答案语句向量密度矩阵的相关性分值，i为2，

为所述第二个答案语句向量密度矩阵，ρ_i-1为所述第一个答案语句向量密度矩阵的状态演化矩阵。

根据以下公式对所述第二个答案语句向量密度矩阵进行酉化运算，得到所述第二个答案语句向量密度矩阵的状态演化矩阵：

ρ_i＝Uρ′_iU^T；

其中，i为2，ρ_i-1为所述第一个答案语句向量密度矩阵的状态演化矩阵，作为观测量，

为对观测量ρ_i-1的归一化计算，

为所述第一个答案语句向量密度矩阵，U为一个酉矩阵。

在上述实现过程中，根据第一个答案语句向量密度矩阵计算后续所有的答案语句向量密度矩阵，得到的相关性分值可用性更高，使得问答模型更能体现出认知特性。

第二方面，本申请实施例还提供了一种基于量子计算的问答模型构建装置，所述装置包括：

获取模块，用于获取查询词汇向量集合和答案语句向量集合；

编码模块，用于根据所述查询词汇向量集合获得所述查询词汇向量集合中每个查询词汇向量的查询词汇向量密度矩阵，作为查询词汇向量密度矩阵集合；用于根据所述答案语句向量集合获得所述答案语句向量集合中每个答案语句向量的答案语句向量密度矩阵，作为答案语句向量密度矩阵集合；

酉化模块，用于根据所述查询词汇向量密度矩阵集合和所述答案语句向量密度矩阵集合获得所述答案语句向量密度矩阵集合中全部答案语句向量密度矩阵的相关性分值和状态演化矩阵；

构建模块，用于根据所述相关性分值和所述状态演化矩阵构建问答模型。

进一步地，所述酉化模块包括：

计算单元，用于根据所述查询词汇向量密度矩阵集合和所述答案语句向量密度矩阵集合中第一个答案语句向量密度矩阵，获得所述第一个答案语句向量密度矩阵的相关性分值和状态演化矩阵；还用于根据所述第一个答案语句向量密度矩阵获得所述答案语句向量密度矩阵集合中第二个答案语句向量密度矩阵的相关性分值和状态演化矩阵；

迭代单元，用于将所述第二个答案语句向量密度矩阵作为新的第一个答案语句向量密度矩阵，重复步骤二，直到获得所述答案语句向量密度矩阵集合中的全部答案语句向量密度矩阵的状态演化矩阵和相关性分值。

第三方面，本申请实施例提供的一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。

第四方面，本申请实施例提供的一种计算机可读存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。

第五方面，本申请实施例提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。

本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。

并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的基于量子计算的问答模型构建方法的流程示意图；

图2为本申请实施例提供的基于量子计算的问答模型构建装置的结构组成示意图；

图3为本申请实施例提供的电子设备的结构组成示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。

实施例一

图1是本申请实施例提供的基于量子计算的问答模型构建方法的流程示意图，如图1所示，该方法包括：

S1，获取查询词汇向量集合和答案语句向量集合；

S2，根据查询词汇向量集合获得查询词汇向量集合中每个查询词汇向量的查询词汇向量密度矩阵，作为查询词汇向量密度矩阵集合；

S3，根据答案语句向量集合获得答案语句向量集合中每个答案语句向量的答案语句向量密度矩阵，作为答案语句向量密度矩阵集合；

S4，根据查询词汇向量密度矩阵集合和答案语句向量密度矩阵集合获得答案语句向量密度矩阵集合中全部答案语句向量密度矩阵的相关性分值和状态演化矩阵；

S5，根据相关性分值和状态演化矩阵构建问答模型。

以本实施例为例，通过将查询词汇向量和答案语句向量进行酉化处理得到智能问答模型，使得智能问答模型的答案准确率得到有效提升，智能问答模型不易出现与问题无关的答案，且模型的应答速度也可以得到有效提高，方便进行人机互动。

在S1中，获取查询词汇向量集合和答案语句向量集合。

查询词汇为可以问答模型中问题和答案中可以体现答案的特征、关键点的词汇，答案语句为问答模型中的问题或者答案的句子，查询词汇和答案语句通过数据库网站获取，且答案语句为问题和答案相互关联。

示例性地，查询词汇和答案语句经过去符号、分词和词典映射等操作，并通过使用预训练的Bert模型得到查询词汇向量和答案语句向量。根据以下公式(1)(2)得到查询词汇向量和答案语句向量：

其中，

为一个查询词汇的特征向量，

为第i个答案语句中的第j个词，Q＝{q₁,q₂,...,q_n}为查询词汇向量集合，

为一个答案语句词的特征向量，第i个答案语句向量则表示为m个答案语句词的特征向量集合

答案语句向量集合可以表示为A＝{A¹,A²,...,A^K}，答案语句词为答案语句中的词汇。

在S2中，根据查询词汇向量集合获得查询词汇向量集合中每个查询词汇向量的查询词汇向量密度矩阵，作为查询词汇向量密度矩阵集合。

进一步地，根据以下公式(3)根据查询词汇向量集合获得查询词汇向量集合中每个查询词汇向量的查询词汇向量密度矩阵：

其中ρ^Q为查询词汇向量密度矩阵，

为第i个查询词汇向量q_i在查询中的重要性指数，且重要性指数满足归一化条件

为第i个查询词汇向量q_i的测量算子。

以本实施例为例，查询词汇向量密度矩阵包含查询词汇向量的特征，可以使得后续计算过程更加精准，且计算量可以大大减少，避免浪费计算空间和时间。

在S3中，根据答案语句向量集合获得答案语句向量集合中每个答案语句向量的答案语句向量密度矩阵，作为答案语句向量密度矩阵集合。

进一步地，根据答案语句向量集合获得答案语句向量集合中每个答案语句向量的答案语句向量密度矩阵的公式(4)为：

其中，

为答案语句向量密度矩阵，

为第j个查询词汇向量

在第i个答案语句向量集合Aⁱ中的重要性指数，且所述重要性指数满足归一化条件

表示第i个答案语句向量集合中第j个答案语句词

的测量算子。

以本实施例为例，答案语句向量密度矩阵包含答案语句向量的特征，可以使得后续计算过程更加精准，且计算量可以大大减少，避免浪费计算空间和时间。

在S4中，根据查询词汇向量密度矩阵集合和答案语句向量密度矩阵集合获得答案语句向量密度矩阵集合中全部答案语句向量密度矩阵的相关性分值和状态演化矩阵，包括：

步骤一，根据查询词汇向量密度矩阵集合和答案语句向量密度矩阵集合中第一个答案语句向量密度矩阵，获得第一个答案语句向量密度矩阵的相关性分值和状态演化矩阵；

步骤二，根据第一个答案语句向量密度矩阵获得答案语句向量密度矩阵集合中第二个答案语句向量密度矩阵的相关性分值和状态演化矩阵；

步骤三，将第二个答案语句向量密度矩阵作为新的第一个答案语句向量密度矩阵，重复步骤二，直到获得答案语句向量密度矩阵集合中的全部答案语句向量密度矩阵的状态演化矩阵和相关性分值。

以本实施例为例，酉化运算可以体现答案语句向量密度矩阵之间的依赖关系，且可以保留观测量信息分布，使得问答模型中的答案更加贴近真实情况，不会造成答案与相应的问题偏离的情况。

进一步地，根据查询词汇向量密度矩阵集合和答案语句向量密度矩阵集合中第一个答案语句向量密度矩阵，获得第一个答案语句向量密度矩阵的相关性分值和状态演化矩阵的步骤，包括：

根据以下公式(5)获得第一个答案语句向量密度矩阵的相关性分值：

其中，

为第一个答案语句向量密度矩阵的相关性分值，

为第一个答案语句向量密度矩阵，ρ₀(ρ₀＝ρ^Q)为初始观测量，Tr(·)为求特征矩阵迹的操作；

根据以下公式(6)对第一个答案语句向量密度矩阵进行酉化运算，得到第一个答案语句向量密度矩阵的状态演化矩阵，公式为：

ρ₁＝Uρ′₁U^T； (6)

其中，ρ₀(ρ₀＝ρ^Q)为初始观测量，

为对初始观测量ρ₀的归一化计算，ρ₁第一个答案语句向量密度矩阵的状态演化矩阵，

为第一个答案语句向量密度矩阵，U为一个酉矩阵。

以本实施例为例，计算第一个答案语句向量密度矩阵的相关性分值，将第一个答案语句向量密度矩阵作为后续计算的依据，使得问答模型更加符合认知，相关性更高。

进一步地，根据第一个答案语句向量密度矩阵获得答案语句向量密度矩阵集合中第二个答案语句向量密度矩阵的相关性分值和状态演化矩阵的步骤，包括：

根据以下公式(7)获得第二个答案语句向量密度矩阵的相关性分值：

其中，

为第二个答案语句向量密度矩阵的相关性分值，i为2，

为第二个答案语句向量密度矩阵，ρ_i-1为第一个答案语句向量密度矩阵的状态演化矩阵。

根据以下公式(8)对第二个答案语句向量密度矩阵进行酉化运算，得到第二个答案语句向量密度矩阵的状态演化矩阵：

ρ_i＝Uρ′_iU^T； (8)

其中，i为2，ρ_i-1为第一个答案语句向量密度矩阵的状态演化矩阵，作为观测量，

为对观测量ρ_i-1的归一化计算，

为第一个答案语句向量密度矩阵，U为一个酉矩阵。

可选地，将第二个答案语句向量密度矩阵作为新的第一个答案语句向量密度矩阵，即i为3，则i-1＝2，即

为第三个答案语句向量密度矩阵的相关性分值，

为第三个答案语句向量密度矩阵，ρ_i-1为第二个答案语句向量密度矩阵的状态演化矩阵，ρ_i-1为第二个答案语句向量密度矩阵的状态演化矩阵，作为观测量，

为对观测量ρ_i-1的归一化计算，

为第二个答案语句向量密度矩阵。

重复上述过程，直到所有的答案语句向量密度矩阵都计算完成，获得所有答案语句向量密度矩阵的相关性分值和状态演化矩阵。

以本实施例为例，根据第一个答案语句向量密度矩阵计算后续所有的答案语句向量密度矩阵，得到的相关性分值可用性更高，使得问答模型更能体现出认知特性。

在S5中，根据相关性分值和状态演化矩阵构建问答模型。

根据相关性分值和状态演化矩阵获得模型的损失函数，公式(9)为：

其中，L(Q,A⁺,A^-；Θ)为损失函数，S(A^*|O)为根据相关性分值和状态演化矩阵得到的答案语句向量A^*的相关性得分，Θ为模型中的参数，模型训练的目的是使得损失函数尽可能的减小，再得到损失函数后，将损失函数作为问答模型的损失函数构建智能问答模型。

在申请实施例中，智能问答模型的答案准确率可以得到有效提升，智能问答模型不易出现与问题无关的答案，且模型的应答速度也可以得到有效提高，方便进行人机互动。

实施例二

为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种基于量子计算的问答模型构建装置，如图2所示，该装置包括：

获取模块1，用于获取查询词汇向量集合和答案语句向量集合；

编码模块2，用于根据查询词汇向量集合获得查询词汇向量集合中每个查询词汇向量的查询词汇向量密度矩阵，作为查询词汇向量密度矩阵集合；用于根据答案语句向量集合获得答案语句向量集合中每个答案语句向量的答案语句向量密度矩阵，作为答案语句向量密度矩阵集合；

酉化模块3，用于根据查询词汇向量密度矩阵集合和答案语句向量密度矩阵集合获得答案语句向量密度矩阵集合中全部答案语句向量密度矩阵的相关性分值和状态演化矩阵；

构建模块4，用于根据相关性分值和状态演化矩阵构建问答模型。

进一步地，酉化模块3包括：

计算单元，用于根据查询词汇向量密度矩阵集合和答案语句向量密度矩阵集合中第一个答案语句向量密度矩阵，获得第一个答案语句向量密度矩阵的相关性分值和状态演化矩阵；还用于根据第一个答案语句向量密度矩阵获得答案语句向量密度矩阵集合中第二个答案语句向量密度矩阵的相关性分值和状态演化矩阵；

迭代单元，用于将第二个答案语句向量密度矩阵作为新的第一个答案语句向量密度矩阵，重复步骤二，直到获得答案语句向量密度矩阵集合中的全部答案语句向量密度矩阵的状态演化矩阵和相关性分值。

上述的基于量子计算的问答模型构建装置可实施上述实施例一的方法。上述实施例一中的可选项也适用于本实施例，这里不再详述。

本申请实施例的其余内容可参照上述实施例一的内容，在本实施例中，不再进行赘述。

实施例三

本申请实施例提供一种电子设备，包括存储器及处理器，该存储器用于存储计算机程序，该处理器运行计算机程序以使电子设备执行实施例一的基于量子计算的问答模型构建方法。

可选地，上述电子设备可以是服务器。

请参见图3，图3为本申请实施例提供的电子设备的结构组成示意图。该电子设备可以包括处理器31、通信接口32、存储器33和至少一个通信总线34。其中，通信总线34用于实现这些组件直接的连接通信。其中，本申请实施例中设备的通信接口32用于与其他节点设备进行信令或数据的通信。处理器31可以是一种集成电路芯片，具有信号的处理能力。

上述的处理器31可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器31也可以是任何常规的处理器等。

存储器33可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。存储器33中存储有计算机可读取指令，当计算机可读取指令由所述处理器31执行时，设备可以执行上述图1方法实施例涉及的各个步骤。

可选地，电子设备还可以包括存储控制器、输入输出单元。存储器33、存储控制器、处理器31、外设接口、输入输出单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线34实现电性连接。处理器31用于执行存储器33中存储的可执行模块，例如设备包括的软件功能模块或计算机程序。

输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。输入输出单元可以是，但不限于，鼠标和键盘等。

可以理解，图3所示的结构仅为示意，电子设备还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。

另外，本申请实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的基于量子计算的问答模型构建方法。

本申请实施例还提供一种计算机程序产品，该计算机程序产品在计算机上运行时，使得计算机执行方法实施例所述的方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由答案语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (8)

1.一种基于量子计算的问答模型构建方法，其特征在于，所述方法包括：

获取查询词汇向量集合和答案语句向量集合；

根据所述查询词汇向量集合获得所述查询词汇向量集合中每个查询词汇向量的查询词汇向量密度矩阵，作为查询词汇向量密度矩阵集合；

根据所述答案语句向量集合获得所述答案语句向量集合中每个答案语句向量的答案语句向量密度矩阵，作为答案语句向量密度矩阵集合；

根据所述查询词汇向量密度矩阵集合和所述答案语句向量密度矩阵集合获得所述答案语句向量密度矩阵集合中全部答案语句向量密度矩阵的相关性分值和状态演化矩阵；

根据所述相关性分值和所述状态演化矩阵构建问答模型；

所述根据所述查询词汇向量密度矩阵集合和所述答案语句向量密度矩阵集合获得所述答案语句向量密度矩阵集合中全部答案语句向量密度矩阵的相关性分值和状态演化矩阵的步骤，包括：

步骤一，根据所述查询词汇向量密度矩阵集合和所述答案语句向量密度矩阵集合中第一个答案语句向量密度矩阵，获得所述第一个答案语句向量密度矩阵的相关性分值和状态演化矩阵；

步骤二，根据所述第一个答案语句向量密度矩阵获得所述答案语句向量密度矩阵集合中第二个答案语句向量密度矩阵的相关性分值和状态演化矩阵；

步骤三，将所述第二个答案语句向量密度矩阵作为新的第一个答案语句向量密度矩阵，重复步骤二，直到获得所述答案语句向量密度矩阵集合中的全部答案语句向量密度矩阵的状态演化矩阵和相关性分值。

2.根据权利要求1所述的基于量子计算的问答模型构建方法，其特征在于，根据所述查询词汇向量集合获得所述查询词汇向量集合中每个查询词汇向量的查询词汇向量密度矩阵的公式为：

其中，ρ^Q为所述查询词汇向量密度矩阵，

为第i个查询词汇向量q_i在查询中的重要性指数，且所述重要性指数满足归一化条件

为第i个查询词汇向量q_i的测量算子。

3.根据权利要求1所述的基于量子计算的问答模型构建方法，其特征在于，根据所述答案语句向量集合获得所述答案语句向量集合中每个答案语句向量的答案语句向量密度矩阵的公式为：

其中，

为所述答案语句向量密度矩阵，

为第j个查询词汇向量

在第i个答案语句向量集合Aⁱ中的重要性指数，且重要性指数满足归一化条件

表示第i个答案语句向量集合中第j个答案语句词

的测量算子。

4.根据权利要求1所述的基于量子计算的问答模型构建方法，其特征在于，所述根据所述查询词汇向量密度矩阵集合和所述答案语句向量密度矩阵集合中第一个答案语句向量密度矩阵，获得所述第一个答案语句向量密度矩阵的相关性分值和状态演化矩阵的步骤，包括：

根据以下公式获得所述第一个答案语句向量密度矩阵的相关性分值：

其中，

为所述第一个答案语句向量密度矩阵的相关性分值，

为所述第一个答案语句向量密度矩阵，ρ₀(ρ₀＝ρ^Q)为初始观测量，Tr(·)为求特征矩阵迹的操作；

根据以下公式对所述第一个答案语句向量密度矩阵进行酉化运算，得到所述第一个答案语句向量密度矩阵的状态演化矩阵：

其中，ρ₀(ρ₀＝ρ^Q)为所述初始观测量，

为对初始观测量ρ₀的归一化计算，ρ₁为所述第一个答案语句向量密度矩阵的状态演化矩阵，

为所述第一个答案语句向量密度矩阵，U为一个酉矩阵。

5.根据权利要求1所述的基于量子计算的问答模型构建方法，其特征在于，所述根据所述第一个答案语句向量密度矩阵获得所述答案语句向量密度矩阵集合中第二个答案语句向量密度矩阵的相关性分值和状态演化矩阵的步骤，包括：

根据以下公式获得所述第二个答案语句向量密度矩阵的相关性分值：

其中，

为所述第二个答案语句向量密度矩阵的相关性分值，i为2，

为所述第二个答案语句向量密度矩阵，ρ_i-1为所述第一个答案语句向量密度矩阵的状态演化矩阵；

根据以下公式对所述第二个答案语句向量密度矩阵进行酉化运算，得到所述第二个答案语句向量密度矩阵的状态演化矩阵：

其中，i为2，ρ_i-1为所述第一个答案语句向量密度矩阵的状态演化矩阵，作为观测量，

为对观测量ρ_i-1的归一化计算，

为所述第一个答案语句向量密度矩阵，U为一个酉矩阵。

6.一种基于量子计算的问答模型构建装置，其特征在于，所述装置包括：

获取模块，用于获取查询词汇向量集合和答案语句向量集合；

编码模块，用于根据所述查询词汇向量集合获得所述查询词汇向量集合中每个查询词汇向量的查询词汇向量密度矩阵，作为查询词汇向量密度矩阵集合；用于根据所述答案语句向量集合获得所述答案语句向量集合中每个答案语句向量的答案语句向量密度矩阵，作为答案语句向量密度矩阵集合；

酉化模块，用于根据所述查询词汇向量密度矩阵集合和所述答案语句向量密度矩阵集合获得所述答案语句向量密度矩阵集合中全部答案语句向量密度矩阵的相关性分值和状态演化矩阵；

构建模块，用于根据所述相关性分值和所述状态演化矩阵构建问答模型；

所述酉化模块包括：

计算单元，用于根据所述查询词汇向量密度矩阵集合和所述答案语句向量密度矩阵集合中第一个答案语句向量密度矩阵，获得所述第一个答案语句向量密度矩阵的相关性分值和状态演化矩阵；还用于根据所述第一个答案语句向量密度矩阵获得所述答案语句向量密度矩阵集合中第二个答案语句向量密度矩阵的相关性分值和状态演化矩阵；

迭代单元，用于将所述第二个答案语句向量密度矩阵作为新的第一个答案语句向量密度矩阵，重复步骤二，直到获得所述答案语句向量密度矩阵集合中的全部答案语句向量密度矩阵的状态演化矩阵和相关性分值。

7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至5中任一项所述的基于量子计算的问答模型构建方法。

8.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于量子计算的问答模型构建方法。

Images