Processing

Please wait...

Settings

Settings

Goto Application

1. CN108829719 - Answer selection method and system for non-fact questions and answers

Note: Text based on automatic Optical Character Recognition processes. Please use the PDF version for legal matters

[ ZH ]

权利要求书

1.一种非事实类问答答案选择方法,其特征在于,包括:
采用基于注意力机制的卷积神经网络分别对问句、待选择答案语句进行处理,得到第一语义向量、第二语义向量,其中,第一语义向量表示问句的语义向量,第二语义向量表示待选择的答案语句的语义向量;
将所述第一语义向量与所述第二语义向量进行匹配,并将匹配度最高的第二语义向量所对应的待选择答案语句作为正确答案返回。

2.如权利要求1所述的非事实类问答答案选择方法,其特征在于,所述的基于注意力机制的卷积神经网络包括:卷积前注意力机制的神经网络、卷积后注意力机制的神经网络以及卷积前后注意力机制的神经网络。

3.如权利要求2所述的非事实类问答答案选择方法,其特征在于,所述卷积前注意力机制的神经网络具体为:
在卷积神经网络模型输入端,根据问句在卷积层的原输入表示层、答案语句在卷积层的原输入表示层,得到第一注意力矩阵,其中,第一注意力矩阵中第i行第j个元素表示问句在卷积层的原输入表示层中的第i个向量与答案语句在卷积层的原输入表示层中第j个向量的相似度;
根据第一注意力矩阵以及设定的第一注意力参数矩阵,计算第一注意力表示层,以及根据第一注意力矩阵以及设定的第二注意力参数矩阵,计算第二注意力表示层;
将所述第一注意力表示层和所述第二注意力表示层作为卷积神经网络模型的输入,将卷积神经网络模型的输出结果作为问句或待选择答案语句的语义向量。

4.如权利要求3所述的非事实类问答答案选择方法,其特征在于,所述卷积后的注意力机制具体为:
在所述卷积神经网络模型的输出端,根据其输出结果,得到第二注意力矩阵;
对第二注意力矩阵的行求和,并将行求和结果作为问句的注意力向量;
对第二注意力矩阵的列求和,并将列求和结果作为答案语句的注意力向量;
使用问句的注意力向量、答案语句的注意力向量分别知道卷积神经网络模型的池化过程,将得到的绘画结果作为问句或待选择答案语句的语义向量。

5.如权利要求4所述的非事实类问答答案选择方法,其特征在于,所述卷积前后注意力机制具体为:
在所述卷积神经网络模型的每个池化层之后加入注意力机制,对所述卷积神经网络模型进行修改;
将修改后的卷积神经网络模型的输出结果作为问句或待选择答案语句的语义向量。

6.如权利要求1-5任一项所述的非事实类问答答案选择方法,其特征在于,还包括:
将所述第二语义向量输入到BiLSTM网络中,得到优化后的第二语义向量;
将所述第一语义向量与所述优化后的第二语义向量进行匹配,并将匹配度最高的优化后的第二语义向量所对应的待选择答案语句作为正确答案返回。

7.一种非事实类问答答案选择系统,其特征在于,包括处理模块和匹配模块,处理模块的输出端与匹配模块连接;
处理模块,用于采用基于注意力机制的卷积神经网络分别对问句、待选择答案语句进行处理,得到第一语义向量、第二语义向量,其中,第一语义向量表示问句的语义向量,第二语义向量表示待选择的答案语句的语义向量;
匹配模块,用于将所述第一语义向量与所述第二语义向量进行匹配,并将匹配度最高的第二语义向量所对应的待选择答案语句作为正确答案返回。

8.如权利要求7所述的非事实类问答答案选择系统,其特征在于,所述的基于注意力机制的卷积神经网络包括:卷积前的注意力机制、卷积后的注意力机制以及卷积前后注意力机制。

9.如权利要求7所述的非事实类问答答案选择系统,其特征在于,还包括与优化模块,优化模块的输入端与所述处理模块连接、输出端与所述匹配模块连接;
优化模块,用于将所述处理模块输出的所述第二语义向量输入到BiLSTM网络中,得到优化后的第二语义向量;
相应地,所述优化模块,用于将所述第一语义向量与所述优化后的第二语义向量进行匹配,并将匹配度最高的优化后的第二语义向量所对应的待选择答案语句作为正确答案返回。