CN115510203A - 问题答案确定方法、装置、设备、存储介质及程序产品 - Google Patents

Abstract

本公开提供了一种问题答案确定方法、装置、设备、存储介质及程序产品，涉及深度学习、自然语言处理、语义识别等人工智能技术领域，可应用于知识问答、智慧城市场景。该方法包括：将待查询问题与各条候选答案拼接为各问题答案对；基于循环神经网络的循环特性，对各问题答案对的不同粒度特征在水平方向上进行预设步数的推理操作；在每步推理操作下，利用多个预设的垂直推理层分别在不同的推理侧重点下确定不同粒度特征的特征组合权重；通过最后一步的推理操作得到分别与每个问题答案对对应的候选答案特征；根据待查询问题的问题特征与各候选答案特征之间的特征相似度，确定与待查询问题匹配的目标候选答案。该方法可为复杂的问题提供更准确的答案。

Description

问题答案确定方法、装置、设备、存储介质及程序产品

技术领域

本公开涉及数据技术领域，具体涉及深度学习、自然语言处理、语义识别等人工智能技术领域，可应用于知识问答、智慧城市场景，尤其涉及一种问题答案确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品。

背景技术

机器阅读理解是一个经典的自然语言处理任务，通常被用来检验一个系统的智能水平，受益于大规模预训练语言模型等技术的发展，智能系统在通用领域上的问答能力已经超过了人类平均水平。

相比于问答能力在通用领域下的能力提升，在更进一步的专业领域(例如物理学研究、医疗知识等)下，基于预训练语言模型提供的问答能力仍明显弱于人类平均水平。

因此，如何使预训练语言模型在专业领域下对更复杂问题提供更高的问答能力，是本领域技术人员亟待解决的问题。

发明内容

本公开实施例提出了一种问题答案确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品。

第一方面，本公开实施例提出了一种问题答案确定方法，包括：将获取到的待查询问题与各条候选答案拼接为各问题答案对；基于循环神经网络的循环特性，对各问题答案对的不同粒度特征在水平方向上进行预设步数的特征组合参数的推理操作；在每步水平方向上的推理操作下，利用多个预设的垂直推理层分别在不同的推理侧重点下确定不同粒度特征的特征组合权重；其中，各垂直推理层之间串行连接；通过最后一步的推理操作得到分别与每个问题答案对对应的候选答案特征；根据待查询问题的问题特征与各候选答案特征之间的特征相似度，确定与待查询问题匹配的目标候选答案。

第二方面，本公开实施例提出了一种问题答案确定装置，包括：问题答案拼接单元，被配置成将获取到的待查询问题与各条候选答案拼接为各问题答案对；水平推理单元，被配置成基于循环神经网络的循环特性，对各问题答案对的不同粒度特征在水平方向上进行预设步数的特征组合参数的推理操作；垂直推理单元，被配置成在每步水平方向上的推理操作下，利用多个预设的垂直推理层分别在不同的推理侧重点下确定不同粒度特征的特征组合权重；其中，各垂直推理层之间串行连接；候选答案特征获取单元，被配置成通过最后一步的推理操作得到分别与每个问题答案对对应的候选答案特征；目标候选答案确定单元，被配置成根据待查询问题的问题特征与各候选答案特征之间的特征相似度，确定与待查询问题匹配的目标候选答案。

第三方面，本公开实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的问题答案确定方法。

第四方面，本公开实施例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，该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的问题答案确定方法。

第五方面，本公开实施例提供了一种包括计算机程序的计算机程序产品，该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的问题答案确定方法的步骤。

本公开实施例提供的问题答案确定方案，在基于循环神经网络的循环特性所提供的水平推理机制基础上，还额外的将问题与答案构成的问题答案对提取为不同粒度级别的特征，并引入垂直动态层次推理的概念，设置多个用于体现不同推理侧重点的垂直推理层，并控制在每个推理侧重点下不同粒度级别的特征将动态的存在相应的特征组合权重，从而能够更好的融合不同粒度的候选答案特征，从而基于问题特征与候选答案特征之间的特征相似度可筛选出更匹配与待查询问题的目标候选答案。

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

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开可以应用于其中的示例性系统架构；

图2为本公开实施例提供的一种问题答案确定方法的流程图；

图3为本公开实施例提供的一种构建预设数量的垂直推理层的方法的流程图；

图4为本公开实施例提供的一种对候选答案生成词级别特征的方法的流程图；

图5为本公开实施例提供的一种问题答案确定装置的结构框图；

图6为本公开实施例提供的一种适用于执行问题答案确定方法的电子设备的结构示意图。

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。需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

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，均符合相关法律法规的规定，且不违背公序良俗。

图1示出了可以应用本公开的问题答案确定方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用，例如知识问答类应用、模型训练类应用、即时通讯类应用等。

终端设备101、102、103和服务器105可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等；当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中，其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器；服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。

服务器105通过内置的各种应用可以提供各种服务，以可以提供与输入问题对应答案的服务的知识问答类应用为例，服务器105在运行该知识问答类应用时可实现如下效果：首先，通过网络104接收到终端设备101、102、103传入的待查询问题；然后，将该待查询问题与各条候选答案拼接为各问题答案对；接着，基于循环神经网络的循环特性，对各问题答案对的不同粒度特征在水平方向上进行预设步数的特征组合参数的推理操作；下一步，在每步水平方向上的推理操作下，利用多个预设的垂直推理层分别在不同的推理侧重点下确定不同粒度特征的特征组合权重；其中，各垂直推理层之间串行连接；接下来，通过最后一步的推理操作得到分别与每个问题答案对对应的候选答案特征；最后，根据待查询问题的问题特征与各候选答案特征之间的特征相似度，确定与待查询问题匹配的目标候选答案。

进一步的，服务器105还可以将目标候选答案通过网络104再返回给终端设备101、102、103。

需要指出的是，待查询问题除可以从终端设备101、102、103通过网络104获取到之外，也可以通过各种方式预先存储在服务器105本地。因此，当服务器105检测到本地已经存储有这些数据时(例如开始处理之前留存的待处理问题)，可选择直接从本地获取这些数据，在此种情况下，示例性系统架构100也可以不包括终端设备101、102、103和网络104。

由于根据待查询问题在包含多条候选答案的候选知识库中找到匹配的目标候选答案需要占用较多的运算资源和较强的运算能力，因此本公开后续各实施例所提供的问题答案确定方法一般由拥有较强运算能力、较多运算资源的服务器105来执行，相应地，问题答案确定装置一般也设置于服务器105中。但同时也需要指出的是，在终端设备101、102、103也具有满足要求的运算能力和运算资源时，终端设备101、102、103也可以通过其上安装的知识问答类应用完成上述本交由服务器105做的各项运算，进而输出与服务器105同样的结果。尤其是在同时存在多种具有不同运算能力的终端设备的情况下，但知识问答类应用判断所在的终端设备拥有较强的运算能力和剩余较多的运算资源时，可以让终端设备来执行上述运算，从而适当减轻服务器105的运算压力，相应的，问题答案确定装置也可以设置于终端设备101、102、103中。在此种情况下，示例性系统架构100也可以不包括服务器105和网络104。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

请参考图2，图2为本公开实施例提供的一种问题答案确定方法的流程图，其中流程200包括以下步骤：

步骤201：将获取到的待查询问题与各条候选答案拼接为各问题答案对；

本步骤旨在由问题答案确定方法的执行主体(例如图1所示的服务器105)从获取到的待查询问题(例如从图1所示的终端设备101、102、103发起的问题查询请求中提取得到)与同领域的候选答案库中的各候选答案进行拼接，以得到各问题答案对。即每个问题答案对为待查询问题与一条候选答案的拼接，拼接方式可以是问题在前、候选答案在后，也可以是候选答案在前、问题在后，只需要统一拼接顺序即可。

之所以要进行待查询问题与候选答案的拼接，是因为想要通过拼接待查询问题与候选答案，使其在融合的基础上共同参与后续的特征推理，以经过特征推理环节更好、更清楚的确定两者之间的关联程度，换句话说，就是为了方便后续环节确认该待查询问题与这条候选答案之间的匹配程度，即这条候选答案是不是该待查询问题的答案。

步骤202：基于循环神经网络的循环特性，对各问题答案对的不同粒度特征在水平方向上进行预设步数的特征组合参数的推理操作；

在步骤201的基础上，本步骤旨在由上述执行主体基于循环神经网络提供的循环特性，对各问题答案对的不同粒度特征在水平方向上进行预设步数的特征组合参数的推理操作。

其中，不同粒度特征可以包括：词级别特征、句子级别特征、完整内容级别特征，句子级别特征由各词级别特征按照词构成句子的顺序拼接得到，完整内容级别由各句子级别特征按照句子构成完整的问题答案内容的顺序拼接得到。完整内容是指问题与答案构成的完整内容，通常包含多个段落或由原始多个短段落拼接而成的一个长段落，包含多个句子。

即每进行一次循环，其实都是对模型参数的一次迭代和更新，以期通过多次的循环指导得到更准确的特征组合方式，即通过循环机制提供的水平动态推理能力，来更好的对问题答案对的多粒度特征进行处理，以期得到更优的特征表示。

具体的，水平方向上进行的推理操作的步数，可结合实际应用场景下的语料、语料所属领域、语料复杂度以及其它可能影响推理效果的因素综合设定，此处不做具体限定。

步骤203：在每步水平方向上的推理操作下，利用多个预设的垂直推理层分别在不同的推理侧重点下确定不同粒度特征的特征组合权重；

在步骤202的基础上，本步骤旨在由上述执行主体在每步水平方向上的推理操作下，还利用多个预设的垂直推理层分别在不同的推理侧重点下确定不同粒度特征的特征组合权重。其中，每个垂直推理层对应于不同的推理侧重点，例如可将推理侧重点放在语义一致性、顺序一致性或内容重合度上，也正是处于不同的推理侧重点，实际上在每个垂直推理层上都可以得到与问题答案对的不同粒度特征的不同权重分布，即每种粒度特征的权重大小体现了该粒度特征在该推理侧重点下的重要程度。且依赖于多个垂直推理层之间呈现的串行连接结构，较上层的垂直推理层的推理将以较下层的推理结果为基础，即上层的将“借鉴”下层的推理结果进行本层的推理，需要说明的是，上层和下层的概念是相对而言的，而不是绝对的。

步骤204：通过最后一步的推理操作得到分别与每个问题答案对对应的候选答案特征；

在步骤202和步骤203的基础上，本步骤旨在由上述执行主体通过最后一步的推理操作得到分别与每个问题答案对对应的候选答案特征。即在每一步水平推理操作的过程中，都会按照步骤203提供的垂直推理方案进行，从而将该水平推理步骤中最上层的垂直推理层的结构作为本步的水平推理结果，而本步的水平推理结果将作为下一步的水平推理操作的输入，继续按照步骤203提供的垂直推理步骤再进行，最终可通过最后一步的水平推理操作，得到分别与每个问题答案对对应的候选答案特征。

需要说明的是，之所以此处将输入的每个问题答案对的输出称为对应的候选答案特征，因为本申请此处需要体现其不同答案之间的特征区别，以用于与待查询问题的问题特征进行特征比对。

步骤205：根据待查询问题的问题特征与各候选答案特征之间的特征相似度，确定与待查询问题匹配的目标候选答案。

在步骤204的基础上，本步骤旨在由上述执行主体根据待查询问题的问题特征与各候选答案特征之间的特征相似度，确定与待查询问题匹配的目标候选答案。

一种包括且不限于的实现方式可以为：

首先，分别计算问题特征与每条候选答案特征间的实际特征相似度；然后，将具有大于预设相似度的实际特征相似度的候选答案特征确定为目标候选答案特征；最后，将与目标候选答案特征所对应的候选答案，确定为与待查询问题匹配的目标候选答案。

需要说明的是，该预设相似度的大小可以根据历史试验总结得出，也可以是将按照实际特征相似度排序的第K位的相似度值作为该预设相似度，已达成可筛选出TOPK的效果，也可以是排名在前N％所对应的最后一个候选答案特征的实际特征相似度作为该预设相似度，从而达成可筛选出前N％的效果。

本公开实施例提供的问题答案确定方法，在基于循环神经网络的循环特性所提供的水平推理机制基础上，还额外的将问题与答案构成的问题答案对提取为不同粒度级别的特征，并引入垂直动态层次推理的概念，设置多个用于体现不同推理侧重点的垂直推理层，并控制在每个推理侧重点下不同粒度级别的特征将动态的存在相应的特征组合权重，从而能够更好的融合不同粒度的候选答案特征，从而基于问题特征与候选答案特征之间的特征相似度可筛选出更匹配与待查询问题的目标候选答案。

为了加深对具体如何得到垂直推理层、如何确定合适的垂直推理层数量部分的理解，本公开还具体通过图3，示出了一种用于构建预设数量的垂直推理层的方法的流程图，其中流程300包括以下步骤：

步骤301：确定待查询问题的第一语料长度和所属领域的领域复杂度；

本步骤旨在由执行主体(可以是由图2所示实施例的执行主体来继续担当，也可以更换为区别于图1所示服务器105的其它服务器)确定待查询问题的语料长度，并将其作为第一语料长度，以及确定待查询问题所属领域的领域复杂度。

应当理解的是，通常情况下，一个问题的语料长度越长，也就意味着描述清楚该问题需要包含较多的限定因素和特定内容，而一个问题所属领域的领域复杂度越高，也就意味着推理难度越大、问题越复杂。

例如相比于歌曲领域的问答，医学领域的问答就明显更加复杂，其问题的题干就需要包含更多的内容和知识，物理学更需要更高深数学或其它学科复杂知识的领域亦是如此。

步骤302：确定与待查询问题对应领域的候选答案库中各候选答案的第二语料长度；

在步骤301的基础上，本步骤旨在由上述执行主体确定与待查询问题对应领域的候选答案库中各候选答案的第二语料长度。即该第二语料长度可以具体表现为多个候选答案的语料长度的平均值，并将其作为区别于第一语料长度的第二语料长度。

步骤303：基于领域复杂度、第一语料长度和第二语料长度，确定推理侧重点的实际数量；

在步骤302的基础上，本步骤旨在由上述执行主体基于领域复杂度、第一语料长度和第二语料长度，来共同确定当前应具备的推理侧重点的实际数量。即通常情况下，领域复杂度越高、语料长度越长，其越有可能包含更多的内容，因此应当设置更多的推理侧重点。除此之外，推理侧重点的数量还可以进一步结合实际应用场景下该领域下的自定义考虑点，以使最终确定出的实际数量更加符合实际需求。

步骤304：分别为每个推理侧重点生成一个垂直推理层。

在步骤303的基础上，本步骤旨在由上述执行主体分别为每个推理侧重点生成一个垂直推理层，以最终得到实际数量的垂直推理层。

本实施例通过步骤301-步骤304提供了一种垂直推理层的生成方案，分别基于待查询问题和同领域候选答案的语料长度、问题答案所属领域的领域复杂度，来共同确定所需的推理侧重点的实际数量，最终基于每个推理侧重点生成相应的垂直推理层，以使得生成的垂直推理层更加匹配实际问题，能够最终提升匹配出的目标候选答案与待查询问题的匹配度。

由于上述方案需要使用不同粒度的特征，且不同粒度的特征都需要以词级别特征作为基础，考虑到每个候选答案或者每个问题答案对的词级别特征都是对应生成的，即将一个候选答案或者一个问题答案对输入一个特征提取模型中，才会输出对应的词级别特征，因此有多少个候选答案或者多少个问题答案对，就需要向特征提取模型输入多少次，比较麻烦。

针对这一问题，为了尽可能的简化输入次数、提升获取词级别特征的效率，本实施例还通过图5示出了一种对候选答案生成词级别特征的方法的流程图，其中流程400包括以下步骤：

步骤401：将多条候选答案以附加拼接位置标记的方式，拼接为长候选答案；

即本步骤旨在由执行主体(可以是由图2所示实施例的执行主体来继续担当，也可以更换为区别于图1所示服务器105的其它服务器)将多条候选答案拼接为长候选答案，且在拼接的过程中需要附加表现拼接位置的拼接位置标记。

步骤402：将长候选答案通过预设的特征提取模块，生成词级别的长答案特征；

在步骤401的基础上，本步骤旨在由上述执行主体将长候选答案通过预设的特征提取模块，生成词级别的长答案特征。即该长答案特征与拼接后得到的长候选答案对应，里面不仅包含了每条候选答案的词级别特征，还包含了拼接位置标记的新表现形式(因为经过了特征提取模块的处理，导致标记的表现形式被变更)。

步骤403：在长答案特征中确定拼接位置标记经特征提取模块处理后表现为的标记特征；

在步骤402的基础上，本步骤旨在由上述执行主体在长答案特征中确定拼接位置标记经特征提取模块处理后表现为的标记特征。

步骤404：根据标记特征将长答案特征拆分为与候选答案拼接数量一致的短答案特征；

在步骤403的基础上，本步骤旨在由上述执行主体根据确定出的标记特征来准确指导从长答案特征的哪个位置进行拆解，从而拆分得到与候选答案拼接数量一致的短答案特征。

步骤405：根据与每条候选答案对应的短答案特征，得到与每条候选答案对应的词级别特征。

在步骤404的基础上，本步骤旨在由上述执行主体根据与每条候选答案对应的短答案特征，得到与每条候选答案对应的词级别特征。

具体的，该拼接位置标记可通过掩码技术体现和实现。

为加深理解，本公开还以具体的医疗领域下的知识问答场景为例，通过预先构建的答案查询模型来返回与输入医疗问题匹配的答案：

该答案查询模型包含有问题答案拼接模块、特征提取模块、水平推理模块、垂直推理模块，以及特征匹配模块。

完整流程如下：

利用预设的问题答案拼接模块将获取到的待查询问题与各条候选答案拼接为各问题答案对；

利用预设的特征提取模块得到各问题答案对的不同粒度特征；

利用预设的水平推理模块对不同粒度特征在水平方向上进行预设步数的特征组合参数的推理操作；其中，水平推理模块提供的推理操作基于循环神经网络的循环特性构建得到；

在每步水平方向上的推理操作下，利用预设的垂直推理模块在多个预设的垂直推理层上分别确定不同粒度特征的特征组合权重；其中，不同的垂直推理层对应不同的推理侧重点；

通过水平推理模块输出分别与每个问题答案对对应的候选答案特征；

利用预设的特征提取模块得到待查询问题的问题特征；

根据预设的特征匹配模块计算问题特征与各候选答案特征之间的特征相似度，并根据特征相似度输出与待查询问题匹配的目标候选答案。

需要说明的是，区别于其它包含复杂知识的领域或场景，在医疗知识领域下，待查询问题通常表现为待查询医疗问题与候选选项的组合，而候选答案则通常表现为多条医疗知识证据，因此按照上述方案所进行的匹配实际上通过结合医疗知识证据判断候选选项中的哪个选项与医疗问题的题干最匹配，即通过上述模型可确定该医疗问题下提供的多个候选项哪个是最正确的。其它场景下则通常仅表现为问题的题干加候选答案。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种问题答案确定装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的问题答案确定装置500可以包括：问题答案拼接单元501、水平推理单元502、垂直推理单元503、候选答案特征获取单元504、目标候选答案确定单元505。其中，问题答案拼接单元501，被配置成将获取到的待查询问题与各条候选答案拼接为各问题答案对；水平推理单元502，被配置成基于循环神经网络的循环特性，对各问题答案对的不同粒度特征在水平方向上进行预设步数的特征组合参数的推理操作；垂直推理单元503，被配置成在每步水平方向上的推理操作下，利用多个预设的垂直推理层分别在不同的推理侧重点下确定不同粒度特征的特征组合权重；其中，各垂直推理层之间串行连接；候选答案特征获取单元504，被配置成通过最后一步的推理操作得到分别与每个问题答案对对应的候选答案特征；目标候选答案确定单元505，被配置成根据待查询问题的问题特征与各候选答案特征之间的特征相似度，确定与待查询问题匹配的目标候选答案。

在本实施例中，问题答案确定装置500中：问题答案拼接单元501、水平推理单元502、垂直推理单元503、候选答案特征获取单元504、目标候选答案确定单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-205的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，不同粒度特征包括：词级别特征、句子级别特征、完整内容级别特征，句子级别特征由各词级别特征按照词构成句子的顺序拼接得到，完整内容级别由各句子级别特征按照句子构成完整的问题答案内容的顺序拼接得到。

在本实施例的一些可选的实现方式中，问题答案确定装置500还可以包括：被配置成预先构建预设数量的垂直推理层的垂直推理层构建单元，垂直推理层构建单元可以被进一步配置成：

确定待查询问题的第一语料长度和所属领域的领域复杂度；

确定待查询问题对应领域的候选答案库中各候选答案的第二语料长度；

基于领域复杂度、第一语料长度和第二语料长度，确定推理侧重点的实际数量；

分别为每个推理侧重点生成一个垂直推理层。

在本实施例的一些可选的实现方式中，目标候选答案确定单元505可以被进一步配置成：

分别计算问题特征与每条候选答案特征间的实际特征相似度；

将具有大于预设相似度的实际特征相似度的候选答案特征确定为目标候选答案特征；

将与目标候选答案特征所对应的候选答案，确定为与待查询问题匹配的目标候选答案。

在本实施例的一些可选的实现方式中，问题答案确定装置500还可以包括：被配置成为候选答案生成词级别特征的词级别特征生成单元，词级别特征生成单元可以被进一步配置成：

将多条候选答案以附加拼接位置标记的方式，拼接为长候选答案；

将长候选答案通过预设的特征提取模块，生成词级别的长答案特征；

在长答案特征中确定拼接位置标记经特征提取模块处理后表现为的标记特征；

根据标记特征将长答案特征拆分为与候选答案拼接数量一致的短答案特征；

根据与每条候选答案对应的短答案特征，得到与每条候选答案对应的词级别特征。

在本实施例的一些可选的实现方式中，响应于待查询问题属于医疗知识领域，待查询问题包括：待查询医疗问题与候选选项的组合，候选答案包括：医疗知识证据。

在本实施例的一些可选的实现方式中，水平推理单元502可以被进一步配置成：

利用预设的特征提取模块得到各问题答案对的不同粒度特征；

利用预设的水平推理模块对不同粒度特征在水平方向上进行预设步数的特征组合参数的推理操作；其中，水平推理模块提供的推理操作基于循环神经网络的循环特性构建得到；

对应的，垂直推理单元503可以被进一步配置成：

在每步水平方向上的推理操作下，利用预设的垂直推理模块在多个预设的垂直推理层上分别确定不同粒度特征的特征组合权重；其中，不同的垂直推理层对应不同的推理侧重点；

对应的，候选答案特征获取单元504可以被进一步配置成：

通过水平推理模块输出分别与每个问题答案对对应的候选答案特征；

对应的，目标候选答案确定单元505可以被进一步配置成：

利用预设的特征提取模块得到待查询问题的问题特征；

根据预设的特征匹配模块计算问题特征与各候选答案特征之间的特征相似度，并根据特征相似度输出与待查询问题匹配的目标候选答案；

其中，特征提取模块、水平推理模块、垂直推理模块、特征匹配模块均作为构成预设的答案查询模型的一部分。

本实施例作为对应于上述方法实施例的装置实施例存在，本实施例提供的问题答案确定装置，在基于循环神经网络的循环特性所提供的水平推理机制基础上，还额外的将问题与答案构成的问题答案对提取为不同粒度级别的特征，并引入垂直动态层次推理的概念，设置多个用于体现不同推理侧重点的垂直推理层，并控制在每个推理侧重点下不同粒度级别的特征将动态的存在相应的特征组合权重，从而能够更好的融合不同粒度的候选答案特征，从而基于问题特征与候选答案特征之间的特征相似度可筛选出更匹配与待查询问题的目标候选答案。

根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任意实施例所描述的问题答案确定方法。

根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的问题答案确定方法。

根据本公开的实施例，本公开还提供了一种计算机程序产品，该计算机程序在被处理器执行时能够实现上述任意实施例所描述的问题答案确定方法。

图6示出了可以用来实施本公开的实施例的示例电子设备600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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如问题答案确定方法。例如，在一些实施例中，问题答案确定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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的问题答案确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行问题答案确定方法。

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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷。

根据本公开实施例的技术方案，在基于循环神经网络的循环特性所提供的水平推理机制基础上，还额外的将问题与答案构成的问题答案对提取为不同粒度级别的特征，并引入垂直动态层次推理的概念，设置多个用于体现不同推理侧重点的垂直推理层，并控制在每个推理侧重点下不同粒度级别的特征将动态的存在相应的特征组合权重，从而能够更好的融合不同粒度的候选答案特征，从而基于问题特征与候选答案特征之间的特征相似度可筛选出更匹配与待查询问题的目标候选答案。

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 (17)

1.一种问题答案确定方法，包括：

将获取到的待查询问题与各条候选答案拼接为各问题答案对；

基于循环神经网络的循环特性，对各所述问题答案对的不同粒度特征在水平方向上进行预设步数的特征组合参数的推理操作；

在每步水平方向上的推理操作下，利用多个预设的垂直推理层分别在不同的推理侧重点下确定所述不同粒度特征的特征组合权重；其中，各所述垂直推理层之间串行连接；

通过最后一步的推理操作得到分别与每个所述问题答案对对应的候选答案特征；

根据所述待查询问题的问题特征与各所述候选答案特征之间的特征相似度，确定与所述待查询问题匹配的目标候选答案。

2.根据权利要求1所述的方法，其中，所述不同粒度特征包括：词级别特征、句子级别特征、完整内容级别特征，所述句子级别特征由各所述词级别特征按照词构成句子的顺序拼接得到，所述完整内容级别由各所述句子级别特征按照句子构成完整的问题答案内容的顺序拼接得到。

3.根据权利要求1所述的方法，还包括：预先构建预设数量的垂直推理层，其中，所述预先构建预设数量的垂直推理层，包括：

确定所述待查询问题的第一语料长度和所属领域的领域复杂度；

确定所述待查询问题对应领域的候选答案库中各候选答案的第二语料长度；

基于所述领域复杂度、所述第一语料长度和所述第二语料长度，确定推理侧重点的实际数量；

分别为每个所述推理侧重点生成一个所述垂直推理层。

4.根据权利要求1所述的方法，其中，所述根据所述待查询问题的问题特征与各所述候选答案特征之间的特征相似度，确定与所述待查询问题匹配的目标候选答案，包括：

分别计算所述问题特征与每条所述候选答案特征间的实际特征相似度；

将具有大于预设相似度的实际特征相似度的候选答案特征确定为目标候选答案特征；

将与所述目标候选答案特征所对应的候选答案，确定为与所述待查询问题匹配的目标候选答案。

5.根据权利要求2所述的方法，还包括：为所述候选答案生成词级别特征，其中，所述为所述候选答案生成词级别特征，包括：

将多条所述候选答案以附加拼接位置标记的方式，拼接为长候选答案；

将所述长候选答案通过预设的特征提取模块，生成词级别的长答案特征；

在所述长答案特征中确定所述拼接位置标记经所述特征提取模块处理后表现为的标记特征；

根据所述标记特征将所述长答案特征拆分为与所述候选答案拼接数量一致的短答案特征；

根据与每条所述候选答案对应的短答案特征，得到与每条所述候选答案对应的词级别特征。

6.根据权利要求1-5任一项所述的方法，其中，响应于所述待查询问题属于医疗知识领域，所述待查询问题包括：待查询医疗问题与候选选项的组合，所述候选答案包括：医疗知识证据。

7.根据权利要求1-5任一项所述的方法，其中，所述基于循环神经网络的循环特性，对各所述问题答案对的不同粒度特征在水平方向上进行预设步数的特征组合参数的推理操作，包括：

利用预设的特征提取模块得到各所述问题答案对的不同粒度特征；

利用预设的水平推理模块对所述不同粒度特征在水平方向上进行预设步数的特征组合参数的推理操作；其中，所述水平推理模块提供的推理操作基于所述循环神经网络的循环特性构建得到；

对应的，所述在每步水平方向上的推理操作下，利用多个预设的垂直推理层分别在不同的推理侧重点下确定所述不同粒度特征的特征组合权重，包括：

在每步水平方向上的推理操作下，利用预设的垂直推理模块在多个预设的垂直推理层上分别确定所述不同粒度特征的特征组合权重；其中，不同的垂直推理层对应不同的推理侧重点；

对应的，所述通过最后一步的推理操作得到分别与每个所述问题答案对对应的候选答案特征，包括：

通过所述水平推理模块输出分别与每个所述问题答案对对应的候选答案特征；

对应的，所述根据所述待查询问题的问题特征与各所述候选答案特征之间的特征相似度，确定与所述待查询问题匹配的目标候选答案，包括：

利用预设的特征提取模块得到所述待查询问题的问题特征；

根据预设的特征匹配模块计算所述问题特征与各所述候选答案特征之间的特征相似度，并根据所述特征相似度输出与所述待查询问题匹配的目标候选答案；

其中，所述特征提取模块、所述水平推理模块、所述垂直推理模块、所述特征匹配模块均作为构成预设的答案查询模型的一部分。

8.一种问题答案确定装置，包括：

问题答案拼接单元，被配置成将获取到的待查询问题与各条候选答案拼接为各问题答案对；

水平推理单元，被配置成基于循环神经网络的循环特性，对各所述问题答案对的不同粒度特征在水平方向上进行预设步数的特征组合参数的推理操作；

垂直推理单元，被配置成在每步水平方向上的推理操作下，利用多个预设的垂直推理层分别在不同的推理侧重点下确定所述不同粒度特征的特征组合权重；其中，各所述垂直推理层之间串行连接；

候选答案特征获取单元，被配置成通过最后一步的推理操作得到分别与每个所述问题答案对对应的候选答案特征；

目标候选答案确定单元，被配置成根据所述待查询问题的问题特征与各所述候选答案特征之间的特征相似度，确定与所述待查询问题匹配的目标候选答案。

9.根据权利要求8所述的装置，其中，所述不同粒度特征包括：词级别特征、句子级别特征、完整内容级别特征，所述句子级别特征由各所述词级别特征按照词构成句子的顺序拼接得到，所述完整内容级别由各所述句子级别特征按照句子构成完整的问题答案内容的顺序拼接得到。

10.根据权利要求8所述的装置，还包括：被配置成预先构建预设数量的垂直推理层的垂直推理层构建单元，所述垂直推理层构建单元被进一步配置成：

确定所述待查询问题的第一语料长度和所属领域的领域复杂度；

确定所述待查询问题对应领域的候选答案库中各候选答案的第二语料长度；

基于所述领域复杂度、所述第一语料长度和所述第二语料长度，确定推理侧重点的实际数量；

分别为每个所述推理侧重点生成一个所述垂直推理层。

11.根据权利要求8所述的装置，其中，所述目标候选答案确定单元被进一步配置成：

分别计算所述问题特征与每条所述候选答案特征间的实际特征相似度；

将具有大于预设相似度的实际特征相似度的候选答案特征确定为目标候选答案特征；

将与所述目标候选答案特征所对应的候选答案，确定为与所述待查询问题匹配的目标候选答案。

12.根据权利要求9所述的装置，还包括：被配置成为所述候选答案生成词级别特征的词级别特征生成单元，所述词级别特征生成单元被进一步配置成：

将多条所述候选答案以附加拼接位置标记的方式，拼接为长候选答案；

将所述长候选答案通过预设的特征提取模块，生成词级别的长答案特征；

在所述长答案特征中确定所述拼接位置标记经所述特征提取模块处理后表现为的标记特征；

根据所述标记特征将所述长答案特征拆分为与所述候选答案拼接数量一致的短答案特征；

根据与每条所述候选答案对应的短答案特征，得到与每条所述候选答案对应的词级别特征。

13.根据权利要求8-12任一项所述的装置，其中，响应于所述待查询问题属于医疗知识领域，所述待查询问题包括：待查询医疗问题与候选选项的组合，所述候选答案包括：医疗知识证据。

14.根据权利要求8-12任一项所述的装置，其中，所述水平推理单元被进一步配置成：

利用预设的特征提取模块得到各所述问题答案对的不同粒度特征；

利用预设的水平推理模块对所述不同粒度特征在水平方向上进行预设步数的特征组合参数的推理操作；其中，所述水平推理模块提供的推理操作基于所述循环神经网络的循环特性构建得到；

对应的，所述垂直推理单元被进一步配置成：

在每步水平方向上的推理操作下，利用预设的垂直推理模块在多个预设的垂直推理层上分别确定所述不同粒度特征的特征组合权重；其中，不同的垂直推理层对应不同的推理侧重点；

对应的，所述候选答案特征获取单元被进一步配置成：

通过所述水平推理模块输出分别与每个所述问题答案对对应的候选答案特征；

对应的，所述目标候选答案确定单元被进一步配置成：

利用预设的特征提取模块得到所述待查询问题的问题特征；

根据预设的特征匹配模块计算所述问题特征与各所述候选答案特征之间的特征相似度，并根据所述特征相似度输出与所述待查询问题匹配的目标候选答案；

其中，所述特征提取模块、所述水平推理模块、所述垂直推理模块、所述特征匹配模块均作为构成预设的答案查询模型的一部分。

15.一种电子设备，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1-7中任一项所述的问题答案确定方法。

16.一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权利要求1-7中任一项所述的问题答案确定方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1-7中任一项所述问题答案确定方法的步骤。

Images