CN115129816B - 问答匹配模型的训练方法、装置及电子设备 - Google Patents

问答匹配模型的训练方法、装置及电子设备 Download PDF

Info

Publication number
CN115129816B
CN115129816B CN202210780766.0A CN202210780766A CN115129816B CN 115129816 B CN115129816 B CN 115129816B CN 202210780766 A CN202210780766 A CN 202210780766A CN 115129816 B CN115129816 B CN 115129816B
Authority
CN
China
Prior art keywords
sample
question
answer
countermeasure
matching model
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
CN202210780766.0A
Other languages
English (en)
Other versions
CN115129816A (zh
Inventor
妥明翔
丁宇辰
刘璟
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 CN202210780766.0A priority Critical patent/CN115129816B/zh
Publication of CN115129816A publication Critical patent/CN115129816A/zh
Application granted granted Critical
Publication of CN115129816B publication Critical patent/CN115129816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/33—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
    • 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
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本公开提供了问答匹配模型的训练方法、装置及电子设备，涉及人工智能技术领域，尤其涉及自然语言处理、智能搜索、深度学习技术领域。具体实现方案为：获取训练数据，其中，训练数据包括多个对抗类别下的对抗样本以及对抗样本的标签；标签表征对抗样本中对抗样本答案是否为对抗样本中样本问题的正确答案；获取初始的问答匹配模型；采用多个对抗类别下的对抗样本以及对抗样本的标签，对问答匹配模型进行训练，从而能够采用多个对抗类别下的对抗样本对问答匹配模型进行训练，使得问答匹配模型能够很好的针对相同样本问题，区分样本答案以及对抗样本答案，从而提高训练得到的问答匹配模型的准确度，提高问答匹配模型的鲁棒性。

Description

问答匹配模型的训练方法、装置及电子设备
技术领域
本公开涉及人工智能技术领域，尤其涉及自然语言处理、智能搜索、深度学习技术领域，尤其涉及一种问答匹配模型的训练方法、装置及电子设备。
背景技术
相关技术中，问答匹配技术主要为，结合问答匹配模型确定问题与至少一个候选答案之间的匹配度；根据匹配度从至少一个候选答案中选择问题对应的答案。
其中，问答匹配模型采用大量的样本问答对训练得到，但训练得到的问答匹配模型，不能很好的区分部分语义相近、字面匹配程度高的错误答案，鲁棒性差。
发明内容
本公开提供了一种问答匹配模型的训练方法、装置及电子设备。
根据本公开的一方面，提供了一种问答匹配模型的训练方法，包括：获取训练数据，其中，所述训练数据包括多个对抗类别下的对抗样本以及所述对抗样本的标签；所述标签表征所述对抗样本中对抗样本答案是否为所述对抗样本中样本问题的正确答案；获取初始的问答匹配模型；采用多个对抗类别下的所述对抗样本以及所述对抗样本的标签，对所述问答匹配模型进行训练。
根据本公开的另一方面，提供了一种问答匹配方法，包括：获取待处理的问题，以及所述问题对应的多个候选答案；将所述问题以及多个所述候选答案输入问答匹配模型，获取所述问题与多个所述候选答案之间的匹配度；其中，所述问答匹配模型结合多个对抗类别下的对抗样本以及所述对抗样本的标签训练得到，所述标签表征所述对抗样本中对抗样本答案是否为所述对抗样本中样本问题的正确答案；根据所述匹配度，从多个所述候选答案中选择所述问题对应的答案。
根据本公开的另一方面，提供了一种问答匹配模型的训练装置，包括：第一获取模块，用于获取训练数据，其中，所述训练数据包括多个对抗类别下的对抗样本以及所述对抗样本的标签；所述标签表征所述对抗样本中对抗样本答案是否为所述对抗样本中样本问题的正确答案；第二获取模块，用于获取初始的问答匹配模型；训练模块，用于采用多个对抗类别下的所述对抗样本以及所述对抗样本的标签，对所述问答匹配模型进行训练。
根据本公开的另一方面，提供了一种问答匹配装置，包括：获取模块，用于获取待处理的问题，以及所述问题对应的多个候选答案；输入模块，用于将所述问题以及多个所述候选答案输入问答匹配模型，获取所述问题与多个所述候选答案之间的匹配度；其中，所述问答匹配模型结合多个对抗类别下的对抗样本以及所述对抗样本的标签训练得到，所述标签表征所述对抗样本中对抗样本答案是否为所述对抗样本中样本问题的正确答案；选择模块，用于根据所述匹配度，从多个所述候选答案中选择所述问题对应的答案。
根据本公开的又一方面，提供了一种电子设备，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公开上述提出的问答匹配模型的训练方法，或者，执行本公开上述提出的问答匹配方法。
根据本公开的再一方面，提供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公开上述提出的问答匹配模型的训练方法，或者，执行本公开上述提出的问答匹配方法。
根据本公开的再一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开上述提出的问答匹配模型的训练方法的步骤，或者，实现本公开上述提出的问答匹配方法的步骤。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是根据本公开第五实施例的示意图；
图6是根据本公开第六实施例的示意图；
图7是用来实现本公开实施例的问答匹配模型的训练方法或者问答匹配方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
相关技术中，问答匹配技术主要为，结合问答匹配模型确定问题与至少一个候选答案之间的匹配度；根据匹配度从至少一个候选答案中选择问题对应的答案。
其中，问答匹配模型采用大量的样本问答对训练得到，但训练得到的问答匹配模型，不能很好的区分部分语义相近、字面匹配程度高的错误答案，鲁棒性差。
针对上述问题，本公开提出一种问答匹配模型的训练方法、装置及电子设备。
图1是根据本公开第一实施例的示意图，需要说明的是，本公开实施例的问答匹配模型的训练方法可应用于问答匹配模型的训练装置，该装置可被配置于电子设备中，以使该电子设备可以执行问答匹配模型的训练功能。
其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示，该问答匹配模型的训练方法可以包括如下步骤：
步骤101，获取训练数据，其中，训练数据包括多个对抗类别下的对抗样本以及对抗样本的标签；标签表征对抗样本中对抗样本答案是否为对抗样本中样本问题的正确答案。
在本公开实施例中，对抗类别可以包括以下中的至少一个：丢词类别、转义类别、需求不匹配类别、反义类别、语序类别、非文字实体不匹配类别。其中，丢词类别的类别特征包括：样本问题中的关键词未存在于对抗样本答案中。转义类别的类别特征包括：样本问题中主实体与对抗样本答案中主实体不一致。需求不匹配类别的类别特征包括：样本问题中需求与对抗样本答案对应问题的需求不一致。反义类别的类别特征包括：样本问题中内容与对抗样本答案中内容含义相反。语序类别的类别特征包括：样本问题中多个关键词的序列与对抗样本答案中该多个关键词的序列不一致。非文字实体不匹配类别的类别特征包括：样本问题中非文字实体与对抗样本答案中非文字实体不一致。
其中，丢词类别下的对抗样本例如可以包括：问题-形容中国文化的词；答案-形容文化的词。其中，问题中的关键词“中国”未存在于答案中。其中，转义类别下的对抗样本例如可以包括：问题-葛是什么意思；答案-葛面是什么意思。其中，问题中的主实体“葛”与答案中的主实体“葛面”不一致。
其中，需求不匹配类别下的对抗样本例如可以包括：问题-老坛酸菜是怎么做的；答案-老坛酸菜是什么做的。其中，问题的需求是做法，答案的需求是原材料，需求不一致。其中，反义类别下的对抗样本例如可以包括：问题-梦见挡住大风；答案-梦见大风挡不住。其中，问题中内容与答案中内容含义相反。
其中，语序类别下的对抗样本例如可以包括：问题-插耳机有声音拔了没声音；答案-插耳机没声音拔了有声音。其中，关键词“有声音”和“没声音”在问题和答案中的序列不一致。其中，非文字实体不匹配类别下的对抗样本例如可以包括：问题-iphone XR多少钱；答案-iphone XS多少钱。其中，问题中的非文字主实体“iphone XR”与答案中的非文字主实体“iphone XS”不一致。
其中，需要说明的是，上述描述中的“样本问题中主实体与对抗样本答案中主实体不一致”，指的是样本问题中主实体的含义与对抗样本答案中主实体的含义不一致，而不仅仅指两个主实体中的文字或字符一致。其中，主实体可以有同义词等，主实体的含义与对应的同义词的含义一致。
在本公开实施例中，标签例如可以为第一标签或者第二标签。其中，第一标签可以表征对抗样本中对抗样本答案为对抗样本中样本问题的正确答案；第二标签可以表征对抗样本中对抗样本答案为对抗样本中样本问题的错误答案。其中，第一标签和第二标签可以用数值表示，例如，第一标签为数值1，第二标签为数值0。
在本公开实施例中，对抗样本中对抗样本答案一般为对抗样本中样本问题的错误答案，因此，对抗样本的标签可以为第二标签。
在本公开实施例中，训练数据中除了多个对抗类别下的对抗样本，还可以包括非对抗类别下的原始样本以及原始样本的标签。其中，原始样本中的样本问题以及对应的样本答案可以具有某个对抗类别的类别特征，也可以不具有对抗类别的类别特征，不做限定。其中，原始样本的标签可以为第一标签或者第二标签。
步骤102，获取初始的问答匹配模型。
在本公开实施例中，初始的问答匹配模型例如可以为，经过预训练的语言模型。
步骤103，采用多个对抗类别下的对抗样本以及对抗样本的标签，对问答匹配模型进行训练。
在本公开实施例中，一种示例中，在训练数据中除了多个对抗类别下的对抗样本，还包括非对抗类别下的原始样本以及原始样本的标签的情况下，电子设备执行步骤103的过程例如可以为，采用对抗样本以及对抗样本的标签，和原始样本以及原始样本的标签，对问答匹配模型进行训练。
其中，具体训练过程例如可以为，针对每个样本(该样本可以为对抗样本也可以为非对抗样本)，以该样本中样本问题和样本答案为问答匹配模型的输入，获取问答匹配模型输出的预测标签；根据该预测标签以及该样本的标签，构建损失函数；根据损失函数的数值对问答匹配模型进行系数调整，实现训练。
在本公开实施例中，另一种示例中，在训练数据中除了多个对抗类别下的对抗样本，还包括非对抗类别下的原始样本以及原始样本的标签的情况下，电子设备执行步骤103的过程例如可以为，针对每个对抗类别下的对抗样本，获取对抗样本中的样本问题；根据样本问题，获取包括样本问题的目标原始样本；根据对抗样本以及目标原始样本，组成样本对；采用多个样本对，对问答匹配模型进行训练。
其中，具体训练过程例如可以为，针对每个样本对，例如，样本对中包括A样本和B样本，A样本和B样本中样本问题相同；将A样本中样本问题和样本答案输入问答匹配模型，获取输出的A样本的预测标签；将B样本中样本问题和样本答案输入问答匹配模型，获取输出的B样本的预测标签；根据A样本的标签以及预测标签，和B样本的标签以及预测标签，构建损失函数；根据损失函数的数值对问答匹配模型进行系数调整，实现训练。
其中，以A样本为原始样本，B样本为对抗样本为例。A样本中例如可以包括：问题-蛋白棒开封后要放冰箱吗；答案-蛋白棒开封后需要放冰箱。B样本例如可以包括：问题-蛋白棒开封后要放冰箱吗；答案-白煮蛋需要放冰箱。
其中，根据样本对中包括相同样本问题的原始样本以及对抗样本，构建损失函数，对问答匹配模型进行系数调整，使得问答匹配模型能够很好的针对相同样本问题，学习区分样本答案以及对抗样本答案，从而进一步确保训练得到的问答匹配模型的准确度，确保训练得到的问答匹配模型的鲁棒性。
在本公开实施例中，步骤103之后，电子设备还可以执行以下过程：获取多个对抗类别下的测试对抗样本；确定训练好的问答匹配模型在测试对抗样本上的测试准确度；在测试准确度未满足第二测试要求时，重新获取训练数据对训练好的问答匹配模型进行训练，直至训练好的问答匹配模型的测试准确度满足第二测试要求。
其中，第二测试要求例如可以为，问答匹配模型在测试对抗样本上的测试准确度需要大于或者等于第二准确度阈值。
其中，对训练好的问答匹配模型进行测试，并根据测试结果确定是否需要再次进行训练，能够确保训练得到的问答匹配模型的准确度，确保训练得到的问答匹配模型的鲁棒性，进而提高问答匹配准确度，进而提高问答效果。
本公开实施例的问答匹配模型的训练方法，通过获取训练数据，其中，训练数据包括多个对抗类别下的对抗样本以及对抗样本的标签；标签表征对抗样本中对抗样本答案是否为对抗样本中样本问题的正确答案；获取初始的问答匹配模型；采用多个对抗类别下的对抗样本以及对抗样本的标签，对问答匹配模型进行训练，从而能够采用多个对抗类别下的对抗样本对问答匹配模型进行训练，使得问答匹配模型能够很好的针对相同样本问题，区分样本答案以及对抗样本答案，从而提高训练得到的问答匹配模型的准确度，提高问答匹配模型的鲁棒性。
其中，为了准确获取多个对抗类别下的对抗样本，可以基于对抗类别的类别特征，从样本问题对应的多个候选答案中抽取对抗样本答案。如图2所示，图2是根据本公开第二实施例的示意图，图2所示实施例可以包括以下步骤：
步骤201，获取非对抗类别下的原始样本以及原始样本的标签；其中，标签表征原始样本中样本答案是否为原始样本中样本问题的正确答案。
在本公开实施例中，可以从问答库中获取多个问答对，以及问答对对应的标签；将问答对作为非对抗类别下的原始样本。
步骤202，针对每个对抗类别，根据原始样本中的样本问题，获取样本问题对应的多个候选答案。
在本公开实施例中，针对每个对抗类别，可以根据原始样本中的样本问题查询文本库中的文本，获取与样本问题的相似度大于一定相似度阈值的答案，作为样本问题对应的多个候选答案。
例如，根据样本问题去查询多个文本，获取其中与样本问题的相似度大于一定相似度阈值的句子，作为样本问题对应的多个候选答案。
步骤203，基于对抗类别的类别特征，从多个候选答案中抽取样本问题的对抗样本答案。
在本公开实施例中，针对每个样本问题，可以基于对抗类别的类别特征，判断样本问题与每个候选答案的组合是否具有该类别特征；若具有该类别特征，则将该候选答案作为该对抗类别下样本问题的对抗样本答案。
其中，针对部分或全部对抗类别，需要先识别样本问题以及候选答案中的实体，进而根据实体确定样本问题与候选答案的组合是否具有对抗类别的类别特征。其中，实体识别方法例如可以为以下方法中的至少一种：wordrank算法、ddparser算法、数字英文实体归一化工具等。
例如，以对抗类别为转义类别为例，转义类别的类别特征包括：样本问题中主实体与对抗样本答案中主实体不一致。以样本问题为“蛋白棒开封后要放冰箱吗”为例，对应的候选答案可以有两个，分别为候选答案A和候选答案B。其中，候选答案A为“蛋白棒开封后需要放冰箱”，候选答案B为“白煮蛋需要放冰箱”。其中，样本问题中的主实体为“蛋白棒”，候选答案A中的主实体为“蛋白棒”，候选答案B中的主实体为“白煮蛋”。候选答案B中的主实体与样本问题中的主实体不一致，则确定样本问题与候选答案B的组合具有转义类别的类别特征，将候选答案B作为样本问题在转义类别下的对抗样本答案。
步骤204，获取初始的问答匹配模型。
步骤205，采用多个对抗类别下的对抗样本以及对抗样本的标签，对问答匹配模型进行训练。
需要说明的是，步骤204、步骤205的详细内容，可以参考图1所示实施例中的步骤102和步骤103，此处不再进行详细说明。
本公开实施例的问答匹配模型的训练方法，通过获取非对抗类别下的原始样本以及原始样本的标签；其中，标签表征原始样本中样本答案是否为原始样本中样本问题的正确答案；针对每个对抗类别，根据原始样本中的样本问题，获取样本问题对应的多个候选答案；基于对抗类别的类别特征，从多个候选答案中抽取样本问题的对抗样本答案；获取初始的问答匹配模型；采用多个对抗类别下的对抗样本以及对抗样本的标签，对问答匹配模型进行训练，从而能够采用多个对抗类别下的对抗样本对问答匹配模型进行训练，使得问答匹配模型能够很好的针对相同样本问题，区分样本答案以及对抗样本答案，从而提高训练得到的问答匹配模型的准确度，提高问答匹配模型的鲁棒性。
其中，为了准确获取多个对抗类别下的对抗样本，可以针对样本问题对应的多个候选答案，结合对抗类别下的对抗问答匹配模型对多个候选答案的排序结果，以及初始的问答匹配模型对多个候选答案的排序结果，来选择多个候选答案中的对抗样本答案。如图3所示，图3是根据本公开第三实施例的示意图，图3所示实施例可以包括以下步骤：
步骤301，获取非对抗类别下的原始样本以及原始样本的标签；其中，标签表征原始样本中样本答案是否为原始样本中样本问题的正确答案。
在本公开实施例中，可以从问答库中获取多个问答对，以及问答对对应的标签；将问答对作为非对抗类别下的原始样本。
步骤302，针对每个对抗类别，获取对抗类别下的对抗问答匹配模型。
其中，对抗类别下的对抗问答匹配模型，为在对抗类别下的对抗样本上准确度较高的模型。
在本公开实施例中，电子设备执行步骤302的过程例如可以为，针对每个对抗类别，获取对抗类别下的测试对抗样本；确定多个候选问答匹配模型，以及每个候选问答匹配模型在测试对抗样本上的测试准确度；将对应的测试准确度满足第一测试要求的候选问答匹配模型，作为对抗类别下的对抗问答匹配模型。
其中，第一测试要求例如可以为，候选问答匹配模型在测试对抗样本上的测试准确度需要大于或者等于第一准确度阈值。其中，需要说明的是，候选问答匹配模型可以为采用原始样本以及原始样本的标签对初始的问答匹配模型训练得到的模型，或者，根据其他方式得到的模型，此处不做具体限定，可以根据实际需要进行设置。
其中，结合每个对抗类别下的测试对抗样本从多个候选问答匹配模型中选择对该对抗类别的测试对抗样本鲁棒性高的候选问答匹配模型；结合该候选问答匹配模型来确定该对抗类别下的训练样本，能够进一步提高训练数据的准确度，进而提高问答匹配模型的准确度以及鲁棒性。
其中，需要说明的是，为了进一步提高训练数据的准确度，候选问答匹配模型的规模可以远远大于初始的问答匹配模型的规模，即候选问答匹配模型中网络层数与初始的问答匹配模型中网络层数的差值大于一定的层数差值阈值；或者，候选问答匹配模型中参数数量与初始的问答匹配模型中参数数量的差值大于一定的数量阈值。
步骤303，根据原始样本中的样本问题，获取样本问题对应的多个候选答案。
步骤304，获取对抗问答匹配模型对多个候选答案的第一排序结果，以及初始的问答匹配模型对多个候选答案的第二排序结果。
其中，电子设备可以将样本问题与多个候选答案输入对抗问答匹配模型，获取样本问题与多个候选答案中每个候选答案的第一匹配度；按照第一匹配度对多个候选答案进行降序排序，得到第一排序结果。电子设备还可以将样本问题与多个候选答案输入初始的问答匹配模型，获取样本问题与多个候选答案中每个候选答案的第二匹配度；按照第二匹配度对多个候选答案进行降序排序，得到第二排序结果。
步骤305，根据第一排序结果以及第二排序结果，获取多个候选答案中的逆序候选答案组，其中，逆序候选答案组中两个候选答案在第一排序结果和第二排序结果中的先后顺序不一致。
在本公开实施例中，电子设备执行步骤305的过程例如可以为，针对第一排序结果中的任意两个候选答案，确定该两个候选答案在第一排序结果中的排序顺序以及在第二排序结果中的排序顺序；若两个排序顺序不一致，则将该两个候选答案的组合，作为一个逆序候选答案组。
例如，以任意两个候选答案分别为候选答案A和候选答案B为例，若在第一排序结果中候选答案A位于候选答案B之前，而在第二排序结果中候选答案B位于候选答案A之前，则将候选答案A和候选答案B的组合，作为一个逆序候选答案组。
步骤306，将第一排序结果中两个候选答案中排序在后的候选答案作为样本问题的对抗样本答案。
在本公开实施例中，对抗类别下的对抗问答匹配模型的准确度较高，因此将第一排序结果中两个候选答案中排序在后的候选答案作为样本问题的对抗样本答案。也就是说，以第一排序结果为准。例如，在上述例子中，针对候选答案A和候选答案B的逆序候选答案组，在第一排序结果中候选答案B在候选答案A之后，则将候选答案B作为样本问题的对抗样本答案。
步骤307，获取初始的问答匹配模型。
步骤308，采用多个对抗类别下的对抗样本以及对抗样本的标签，对问答匹配模型进行训练。
需要说明的是，步骤307、步骤308的详细内容，可以参考图1所示实施例中的步骤102和步骤103，此处不再进行详细说明。
本公开实施例的问答匹配模型的训练方法，通过获取非对抗类别下的原始样本以及原始样本的标签；其中，标签表征原始样本中样本答案是否为原始样本中样本问题的正确答案；针对每个对抗类别，获取对抗类别下的对抗问答匹配模型；根据原始样本中的样本问题，获取样本问题对应的多个候选答案；获取对抗问答匹配模型对多个候选答案的第一排序结果，以及初始的问答匹配模型对多个候选答案的第二排序结果；根据第一排序结果以及第二排序结果，获取多个候选答案中的逆序候选答案组，其中，逆序候选答案组中两个候选答案在第一排序结果和第二排序结果中的先后顺序不一致；将第一排序结果中两个候选答案中排序在后的候选答案作为样本问题的对抗样本答案；获取初始的问答匹配模型；采用多个对抗类别下的对抗样本以及对抗样本的标签，对问答匹配模型进行训练，从而能够采用多个对抗类别下的对抗样本对问答匹配模型进行训练，使得问答匹配模型能够很好的针对相同样本问题，区分样本答案以及对抗样本答案，从而提高训练得到的问答匹配模型的准确度，提高问答匹配模型的鲁棒性。
图4是根据本公开第四实施例的示意图，需要说明的是，本公开实施例的问答匹配方法可应用于问答匹配装置，该装置可被配置于电子设备中，以使该电子设备可以执行问答匹配功能。
其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图4所示，该问答匹配方法可以包括如下步骤：
步骤401，获取待处理的问题，以及问题对应的多个候选答案。
在本公开实施例中，可以根据待处理的问题查询文本库中的文本，获取与问题的相似度大于一定相似度阈值的答案，作为该问题对应的多个候选答案。
步骤402，将问题以及多个候选答案输入问答匹配模型，获取问题与多个候选答案之间的匹配度；其中，问答匹配模型结合多个对抗类别下的对抗样本以及对抗样本的标签训练得到，标签表征对抗样本中对抗样本答案是否为对抗样本中样本问题的正确答案。
在本公开实施例中，对抗类别可以包括以下中的至少一个：丢词类别、转义类别、需求不匹配类别、反义类别、语序类别、非文字实体不匹配类别。其中，丢词类别的类别特征包括：样本问题中的关键词未存在于对抗样本答案中。转义类别的类别特征包括：样本问题中主实体与对抗样本答案中主实体不一致。需求不匹配类别的类别特征包括：样本问题中需求与对抗样本答案对应问题的需求不一致。反义类别的类别特征包括：样本问题中内容与对抗样本答案中内容含义相反。语序类别的类别特征包括：样本问题中多个关键词的序列与对抗样本答案中该多个关键词的序列不一致。非文字实体不匹配类别的类别特征包括：样本问题中非文字实体与对抗样本答案中非文字实体不一致。
其中，需要说明的是，上述描述中的“样本问题中主实体与对抗样本答案中主实体不一致”，指的是样本问题中主实体的含义与对抗样本答案中主实体的含义不一致，而不仅仅指两个主实体中的文字或字符一致。其中，主实体可以有同义词等，主实体的含义与对应的同义词的含义一致。
在本公开实施例中，标签例如可以为第一标签或者第二标签。其中，第一标签可以表征对抗样本中对抗样本答案为对抗样本中样本问题的正确答案；第二标签可以表征对抗样本中对抗样本答案为对抗样本中样本问题的错误答案。其中，第一标签和第二标签可以用数值表示，例如，第一标签为数值1，第二标签为数值0。
在本公开实施例中，对抗样本中对抗样本答案一般为对抗样本中样本问题的错误答案，因此，对抗样本的标签可以为第二标签。
步骤403，根据匹配度，从多个候选答案中选择问题对应的答案。
在本公开实施例中，电子设备可以根据匹配度，对多个候选答案进行降序排序，得到排序结果；将排序结果中排序在最前的候选答案，作为问题对应的答案。
本公开实施例的问答匹配方法，通过获取待处理的问题，以及问题对应的多个候选答案；将问题以及多个候选答案输入问答匹配模型，获取问题与多个候选答案之间的匹配度；其中，问答匹配模型结合多个对抗类别下的对抗样本以及对抗样本的标签训练得到，标签表征对抗样本中对抗样本答案是否为对抗样本中样本问题的正确答案；根据匹配度，从多个候选答案中选择问题对应的答案，其中，采用多个对抗类别下的对抗样本训练得到的问答匹配模型，能够很好的针对相同样本问题，区分样本答案以及对抗样本答案，提高确定得到的答案的准确度。
为了实现上述实施例，本公开还提出一种问答匹配模型的训练装置。
如图5所示，图5是根据本公开第五实施例的示意图。该问答匹配模型的训练装置500包括：第一获取模块510、第二获取模块520和训练模块530。
其中，第一获取模块510，用于获取训练数据，其中，所述训练数据包括多个对抗类别下的对抗样本以及所述对抗样本的标签；所述标签表征所述对抗样本中对抗样本答案是否为所述对抗样本中样本问题的正确答案；第二获取模块520，用于获取初始的问答匹配模型；训练模块530，用于采用多个对抗类别下的所述对抗样本以及所述对抗样本的标签，对所述问答匹配模型进行训练。
作为本公开实施例的一种可能实现方式，所述训练数据还包括：非对抗类别下的原始样本以及所述原始样本的标签；所述训练模块530具体用于，针对每个对抗类别下的对抗样本，获取所述对抗样本中的样本问题；根据所述样本问题，获取包括所述样本问题的目标原始样本；根据所述对抗样本以及所述目标原始样本，组成样本对；采用多个所述样本对，对所述问答匹配模型进行训练。
作为本公开实施例的一种可能实现方式，所述第一获取模块510包括：第一获取单元、第二获取单元和抽取单元；所述第一获取单元，用于获取非对抗类别下的原始样本以及所述原始样本的标签；所述第二获取单元，用于针对每个对抗类别，根据所述原始样本中的样本问题，获取所述样本问题对应的多个候选答案；所述抽取单元，用于基于所述对抗类别的类别特征，从多个所述候选答案中抽取所述样本问题的对抗样本答案。
作为本公开实施例的一种可能实现方式，所述第一获取模块510包括：第三获取单元、第四获取单元、第五获取单元、第六获取单元、第七获取单元和确定单元；所述第三获取单元，用于获取非对抗类别下的原始样本以及所述原始样本的标签；所述第四获取单元，用于针对每个对抗类别，获取所述对抗类别下的对抗问答匹配模型；所述第五获取单元，用于根据所述原始样本中的样本问题，获取所述样本问题对应的多个候选答案；所述第六获取单元，用于获取所述对抗问答匹配模型对多个所述候选答案的第一排序结果，以及所述初始的问答匹配模型对多个所述候选答案的第二排序结果；所述第七获取单元，用于根据所述第一排序结果以及所述第二排序结果，获取多个所述候选答案中的逆序候选答案组，其中，所述逆序候选答案组中两个候选答案在所述第一排序结果和所述第二排序结果中的先后顺序不一致；所述确定单元，用于将所述第一排序结果中两个所述候选答案中排序在后的候选答案作为所述样本问题的对抗样本答案。
作为本公开实施例的一种可能实现方式，所述第四获取单元具体用于，针对每个对抗类别，获取所述对抗类别下的测试对抗样本；确定多个候选问答匹配模型，以及每个所述候选问答匹配模型在所述测试对抗样本上的测试准确度；将对应的测试准确度满足第一测试要求的候选问答匹配模型，作为所述对抗类别下的对抗问答匹配模型。
作为本公开实施例的一种可能实现方式，所述装置还包括：第三获取模块和确定模块；第三获取模块，用于获取多个对抗类别下的测试对抗样本；所述确定模块，用于确定训练好的问答匹配模型在所述测试对抗样本上的测试准确度；所述训练模块，还用于在所述测试准确度未满足第二测试要求时，重新获取训练数据对所述训练好的问答匹配模型进行训练，直至训练好的问答匹配模型的所述测试准确度满足所述第二测试要求。
本公开实施例的问答匹配模型的训练装置，通过获取训练数据，其中，训练数据包括多个对抗类别下的对抗样本以及对抗样本的标签；标签表征对抗样本中对抗样本答案是否为对抗样本中样本问题的正确答案；获取初始的问答匹配模型；采用多个对抗类别下的对抗样本以及对抗样本的标签，对问答匹配模型进行训练，从而能够采用多个对抗类别下的对抗样本对问答匹配模型进行训练，使得问答匹配模型能够很好的针对相同样本问题，区分样本答案以及对抗样本答案，从而提高训练得到的问答匹配模型的准确度，提高问答匹配模型的鲁棒性。
为了实现上述实施例，本公开还提出一种问答匹配装置。
如图6所示，图6是根据本公开第六实施例的示意图。该问答匹配装置600包括：获取模块610、输入模块620和选择模块630。
其中，获取模块610，用于获取待处理的问题，以及所述问题对应的多个候选答案；
输入模块620，用于将所述问题以及多个所述候选答案输入问答匹配模型，获取所述问题与多个所述候选答案之间的匹配度；其中，所述问答匹配模型结合多个对抗类别下的对抗样本以及所述对抗样本的标签训练得到，所述标签表征所述对抗样本中对抗样本答案是否为所述对抗样本中样本问题的正确答案；
选择模块630，用于根据所述匹配度，从多个所述候选答案中选择所述问题对应的答案。
本公开实施例的问答匹配装置，通过获取待处理的问题，以及问题对应的多个候选答案；将问题以及多个候选答案输入问答匹配模型，获取问题与多个候选答案之间的匹配度；其中，问答匹配模型结合多个对抗类别下的对抗样本以及对抗样本的标签训练得到，标签表征对抗样本中对抗样本答案是否为对抗样本中样本问题的正确答案；根据匹配度，从多个候选答案中选择问题对应的答案，其中，采用多个对抗类别下的对抗样本训练得到的问答匹配模型，能够很好的针对相同样本问题，区分样本答案以及对抗样本答案，提高确定得到的答案的准确度。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均在征得用户同意的前提下进行，并且均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。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/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如问答匹配模型的训练方法，或者，问答匹配方法。例如，在一些实施例中，问答匹配模型的训练方法，或者，问答匹配方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM703并由计算单元701执行时，可以执行上文描述的问答匹配模型的训练方法，或者，问答匹配方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行问答匹配模型的训练方法，或者，问答匹配方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种问答匹配模型的训练方法，包括：
获取训练数据，其中，所述训练数据包括多个对抗类别下的对抗样本以及所述对抗样本的标签；所述标签表征所述对抗样本中对抗样本答案是否为所述对抗样本中样本问题的正确答案；
获取初始的问答匹配模型；
采用多个对抗类别下的所述对抗样本以及所述对抗样本的标签，对所述问答匹配模型进行训练；
其中，所述获取训练数据，包括：
获取非对抗类别下的原始样本以及所述原始样本的标签；
针对每个对抗类别，获取所述对抗类别下的对抗问答匹配模型；
根据所述原始样本中的样本问题，获取所述样本问题对应的多个候选答案；
获取所述对抗问答匹配模型对多个所述候选答案的第一排序结果，以及所述初始的问答匹配模型对多个所述候选答案的第二排序结果；
根据所述第一排序结果以及所述第二排序结果，获取多个所述候选答案中的逆序候选答案组，其中，所述逆序候选答案组中两个候选答案在所述第一排序结果和所述第二排序结果中的先后顺序不一致；
将所述第一排序结果中两个所述候选答案中排序在后的候选答案作为所述样本问题的对抗样本答案。
2.根据权利要求1所述的方法，其中，所述训练数据还包括：非对抗类别下的原始样本以及所述原始样本的标签；
所述采用多个对抗类别下的所述对抗样本以及所述对抗样本的标签，对所述问答匹配模型进行训练，包括：
针对每个对抗类别下的对抗样本，获取所述对抗样本中的样本问题；
根据所述样本问题，获取包括所述样本问题的目标原始样本；
根据所述对抗样本以及所述目标原始样本，组成样本对；
采用多个所述样本对，对所述问答匹配模型进行训练。
3.根据权利要求1所述的方法，其中，所述获取训练数据，包括：
获取非对抗类别下的原始样本以及所述原始样本的标签；
针对每个对抗类别，根据所述原始样本中的样本问题，获取所述样本问题对应的多个候选答案；
基于所述对抗类别的类别特征，从多个所述候选答案中抽取所述样本问题的对抗样本答案。
4.根据权利要求1所述的方法，其中，所述针对每个对抗类别，获取所述对抗类别下的对抗问答匹配模型，包括：
针对每个对抗类别，获取所述对抗类别下的测试对抗样本；
确定多个候选问答匹配模型，以及每个所述候选问答匹配模型在所述测试对抗样本上的测试准确度；
将对应的测试准确度满足第一测试要求的候选问答匹配模型，作为所述对抗类别下的对抗问答匹配模型。
5.根据权利要求1所述的方法，其中，所述方法还包括：
获取多个对抗类别下的测试对抗样本；
确定训练好的问答匹配模型在所述测试对抗样本上的测试准确度；
在所述测试准确度未满足第二测试要求时，重新获取训练数据对所述训练好的问答匹配模型进行训练，直至训练好的问答匹配模型的所述测试准确度满足所述第二测试要求。
6.一种问答匹配方法，包括：
获取待处理的问题，以及所述问题对应的多个候选答案；
将所述问题以及多个所述候选答案输入问答匹配模型，获取所述问题与多个所述候选答案之间的匹配度；其中，所述问答匹配模型结合多个对抗类别下的对抗样本以及所述对抗样本的标签训练得到，所述标签表征所述对抗样本中对抗样本答案是否为所述对抗样本中样本问题的正确答案；
根据所述匹配度，从多个所述候选答案中选择所述问题对应的答案；
所述问答匹配模型采用权利要求1-5任一项所述的问答匹配模型的训练方法训练得到。
7.一种问答匹配模型的训练装置，包括：
第一获取模块，用于获取训练数据，其中，所述训练数据包括多个对抗类别下的对抗样本以及所述对抗样本的标签；所述标签表征所述对抗样本中对抗样本答案是否为所述对抗样本中样本问题的正确答案；
第二获取模块，用于获取初始的问答匹配模型；
训练模块，用于采用多个对抗类别下的所述对抗样本以及所述对抗样本的标签，对所述问答匹配模型进行训练；
其中，所述第一获取模块包括：第三获取单元、第四获取单元、第五获取单元、第六获取单元、第七获取单元和确定单元；
所述第三获取单元，用于获取非对抗类别下的原始样本以及所述原始样本的标签；
所述第四获取单元，用于针对每个对抗类别，获取所述对抗类别下的对抗问答匹配模型；
所述第五获取单元，用于根据所述原始样本中的样本问题，获取所述样本问题对应的多个候选答案；
所述第六获取单元，用于获取所述对抗问答匹配模型对多个所述候选答案的第一排序结果，以及所述初始的问答匹配模型对多个所述候选答案的第二排序结果；
所述第七获取单元，用于根据所述第一排序结果以及所述第二排序结果，获取多个所述候选答案中的逆序候选答案组，其中，所述逆序候选答案组中两个候选答案在所述第一排序结果和所述第二排序结果中的先后顺序不一致；
所述确定单元，用于将所述第一排序结果中两个所述候选答案中排序在后的候选答案作为所述样本问题的对抗样本答案。
8.根据权利要求7所述的装置，其中，所述训练数据还包括：非对抗类别下的原始样本以及所述原始样本的标签；所述训练模块具体用于，
针对每个对抗类别下的对抗样本，获取所述对抗样本中的样本问题；
根据所述样本问题，获取包括所述样本问题的目标原始样本；
根据所述对抗样本以及所述目标原始样本，组成样本对；
采用多个所述样本对，对所述问答匹配模型进行训练。
9.根据权利要求7所述的装置，其中，所述第一获取模块包括：第一获取单元、第二获取单元和抽取单元；
所述第一获取单元，用于获取非对抗类别下的原始样本以及所述原始样本的标签；
所述第二获取单元，用于针对每个对抗类别，根据所述原始样本中的样本问题，获取所述样本问题对应的多个候选答案；
所述抽取单元，用于基于所述对抗类别的类别特征，从多个所述候选答案中抽取所述样本问题的对抗样本答案。
10.根据权利要求7所述的装置，其中，所述第四获取单元具体用于，
针对每个对抗类别，获取所述对抗类别下的测试对抗样本；
确定多个候选问答匹配模型，以及每个所述候选问答匹配模型在所述测试对抗样本上的测试准确度；
将对应的测试准确度满足第一测试要求的候选问答匹配模型，作为所述对抗类别下的对抗问答匹配模型。
11.根据权利要求7所述的装置，其中，所述装置还包括：第三获取模块和确定模块；
第三获取模块，用于获取多个对抗类别下的测试对抗样本；
所述确定模块，用于确定训练好的问答匹配模型在所述测试对抗样本上的测试准确度；
所述训练模块，还用于在所述测试准确度未满足第二测试要求时，重新获取训练数据对所述训练好的问答匹配模型进行训练，直至训练好的问答匹配模型的所述测试准确度满足所述第二测试要求。
12.一种问答匹配装置，包括：
获取模块，用于获取待处理的问题，以及所述问题对应的多个候选答案；
输入模块，用于将所述问题以及多个所述候选答案输入问答匹配模型，获取所述问题与多个所述候选答案之间的匹配度；其中，所述问答匹配模型结合多个对抗类别下的对抗样本以及所述对抗样本的标签训练得到，所述标签表征所述对抗样本中对抗样本答案是否为所述对抗样本中样本问题的正确答案；
选择模块，用于根据所述匹配度，从多个所述候选答案中选择所述问题对应的答案；
所述问答匹配模型采用权利要求1-5任一项所述的问答匹配模型的训练方法训练得到。
13. 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权利要求1-5中任一项所述的方法，或者，执行权利要求6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，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法，或者，执行根据权利要求6所述的方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述方法的步骤，或者，实现根据权利要求6所述方法的步骤。
CN202210780766.0A 2022-07-04 2022-07-04 问答匹配模型的训练方法、装置及电子设备 Active CN115129816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210780766.0A CN115129816B (zh) 2022-07-04 2022-07-04 问答匹配模型的训练方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210780766.0A CN115129816B (zh) 2022-07-04 2022-07-04 问答匹配模型的训练方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN115129816A CN115129816A (zh) 2022-09-30
CN115129816B true CN115129816B (zh) 2024-05-14

Family

ID=83381049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210780766.0A Active CN115129816B (zh) 2022-07-04 2022-07-04 问答匹配模型的训练方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN115129816B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111125295A (zh) * 2019-11-14 2020-05-08 中国农业大学 一种基于lstm的获取食品安全问题答案的方法及系统
CN111125335A (zh) * 2019-12-27 2020-05-08 北京百度网讯科技有限公司 问答处理方法、装置、电子设备和存储介质
CN113377936A (zh) * 2021-05-25 2021-09-10 杭州搜车数据科技有限公司 智能问答方法、装置及设备
CN114528391A (zh) * 2022-02-25 2022-05-24 中国平安人寿保险股份有限公司 问答对评分模型的训练方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111625635B (zh) * 2020-05-27 2023-09-29 北京百度网讯科技有限公司 问答处理方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111125295A (zh) * 2019-11-14 2020-05-08 中国农业大学 一种基于lstm的获取食品安全问题答案的方法及系统
CN111125335A (zh) * 2019-12-27 2020-05-08 北京百度网讯科技有限公司 问答处理方法、装置、电子设备和存储介质
CN113377936A (zh) * 2021-05-25 2021-09-10 杭州搜车数据科技有限公司 智能问答方法、装置及设备
CN114528391A (zh) * 2022-02-25 2022-05-24 中国平安人寿保险股份有限公司 问答对评分模型的训练方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115129816A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN113988157B (zh) 语义检索网络训练方法、装置、电子设备及存储介质
CN112579729B (zh) 文档质量评价模型的训练方法、装置、电子设备和介质
CN114416953A (zh) 问答处理方法、问答模型的训练方法和装置
CN114861637B (zh) 拼写纠错模型生成方法和装置、拼写纠错方法和装置
CN115062718A (zh) 语言模型训练方法、装置、电子设备及存储介质
CN112686053A (zh) 一种数据增强方法、装置、计算机设备及存储介质
CN115168562A (zh) 一种智能问答系统的构建方法、装置、设备及介质
CN115048505A (zh) 语料筛选方法和装置、电子设备、计算机可读介质
CN113408280B (zh) 负例构造方法、装置、设备和存储介质
CN112528146B (zh) 内容资源推荐方法、装置、电子设备及存储介质
US20230206007A1 (en) Method for mining conversation content and method for generating conversation content evaluation model
US20230070966A1 (en) Method for processing question, electronic device and storage medium
CN115129816B (zh) 问答匹配模型的训练方法、装置及电子设备
CN114492370B (zh) 网页识别方法、装置、电子设备和介质
CN113792230B (zh) 服务链接方法、装置、电子设备和存储介质
CN114239583B (zh) 实体链指模型的训练及实体链指方法、装置、设备及介质
CN114841172A (zh) 文本匹配双塔模型的知识蒸馏方法、装置及程序产品
CN114417862A (zh) 文本匹配方法、文本匹配模型的训练方法和装置
CN114020904A (zh) 试题文件筛选方法、模型训练方法、装置、设备及介质
CN114048315A (zh) 确定文档标签的方法、装置、电子设备和存储介质
CN112784600A (zh) 信息排序方法、装置、电子设备和存储介质
CN113641724A (zh) 知识标签挖掘方法、装置、电子设备及存储介质
CN112632999A (zh) 命名实体识别模型获取及命名实体识别方法、装置及介质
CN112487165A (zh) 一种基于关键词的问答方法、装置及介质
CN114201607B (zh) 一种信息处理的方法和装置

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