一种答案获取方法、装置、服务器及存储介质制造方法及图纸

本发明专利技术实施例公开了一种答案获取方法、装置、服务器及存储介质。所述方法包括：通过预先确定的循环神经网络模型确定当前问题对应的问题理解结果；根据所述当前问题对应的问题理解结果获取所述当前问题对应的目标答案。不仅可以节省答案获取的时间，而且还可以保证答案获取的准确性。

An Answer Acquisition Method, Device, Server and Storage Media

The embodiment of the present invention discloses an answer acquisition method, device, server and storage medium. The method includes: determining the problem understanding result corresponding to the current problem by a predetermined cyclic neural network model; obtaining the target answer corresponding to the current problem according to the problem understanding result corresponding to the current problem. It can not only save time for answer acquisition, but also ensure the accuracy of answer acquisition.

【技术实现步骤摘要】
一种答案获取方法、装置、服务器及存储介质
本专利技术实施例涉及互联网
，尤其涉及一种答案获取方法、装置、服务器及存储介质。
技术介绍
随着互联网的快速发展，搜索引擎的功能日趋强大，用户对搜索引擎的期望也越来越高，逐渐由基本的相关网页召回向智能问答转变。当用户通过搜索引擎输入所要查询的问题时，希望获得的搜索结果不再是相关的网页，而希望能够直接得到问题的答案。互联网中的用户查询可以分为：问答类查询和非问答类查询；其中对于问答类查询的处理，可以使用问答技术对搜索结果进行处理，然后把答案结果呈现给用户。例如：用户在搜索引擎中输入：换乳牙多少岁；可以得到以下查询结果：正常情况下儿童从6岁左右开始换牙，乳牙开始生理性脱落，替换乳牙的恒牙相继萌出，到12～13岁时，全部乳牙为恒牙所代替。这便是儿童换牙期。要实现如上述实例所示的结果，首先需要判断该用户查询是否属于问答类查询；然后对该用户查询进行问题分类；再对搜索结果进行答案分类。在现有的答案获取方法中，判断用户查询是否属于问答类查询、对用户查询进行问题分类以及对搜索结果进行答案分类，这三个任务由三个模型单独执行完成。例如，问答类查询可以使用支持向量机SVM分类模型、问题分类可以使用卷积神经网络CNN分类模型、答案分类可以使用条件随机场CRF分类模型。由此可见，一个用户查询需要使用三个不同的分类模型才能获取到答案，不仅会增加答案获取的时间，而且也无法保证答案获取的准确性。
技术实现思路
有鉴于此，本专利技术实施例提供一种答案获取方法、装置、服务器及存储介质，不仅可以节省答案获取的时间，而且还可以保证答案获取的准确性。第一方面，本专利技术实施例提供了一种答案获取方法，所述方法包括：通过预先确定的循环神经网络模型确定当前问题对应的问题理解结果；根据所述当前问题对应的问题理解结果获取所述当前问题对应的目标答案。在上述实施例中，所述通过预先确定的循环神经网络模型确定当前问题对应的问题理解结果，包括：将当前问题切分为M个词语；其中，M为大于1的自然数；通过预先确定的语言模型计算M个词语对应的M个词向量；通过所述循环神经网络模型确定M个词向量对应的问题理解结果，将M个词向量对应的问题理解结果确定为所述当前问题对应的问题理解结果。在上述实施例中，所述通过所述循环神经网络模型确定M个词向量对应的问题理解结果，包括：通过所述循环神经网络模型计算M个词向量对应的问题识别参数、M个词向量对应的问题分类参数以及M个词向量对应的答案分类参数；根据M个词向量对应的问题识别参数、M个词向量对应的问题分类参数以及M个词向量对应的答案分类参数确定M个词向量对应的问题理解结果；其中，所述问题理解结果包括：问题识别结果、问题分类结果和答案分类结果。在上述实施例中，所述根据M个词向量对应的问题识别参数、M个词向量对应的问题分类参数以及M个词向量对应的答案分类参数确定M个词向量对应的问题理解结果，包括：根据M个词向量对应的问题识别参数、M个词向量对应的问题分类参数以及M个词向量对应的答案分类参数分别确定M个词向量对应的问题识别标签、M个词向量对应的问题分类标签以及M个词向量对应的答案分类标签；根据M个词向量对应的问题识别标签、M个词向量对应的问题分类标签以及M个词向量对应的答案分类标签确定M个词向量对应的问题理解结果。在上述实施例中，所述方法还包括：将所述当前问题对应的目标答案转换为预定格式的问题查询结果；其中，所述预定格式包括：文字格式、图像格式或者语音格式；将所述预定格式的问题查询结果展示给当前用户。第二方面，本专利技术实施例提供了一种答案获取装置，所述装置包括：确定模块和获取模块；其中，所述确定模块，用于通过预先确定的循环神经网络模型确定当前问题对应的问题理解结果；所述获取模块，用于根据所述当前问题对应的问题理解结果获取所述当前问题对应的目标答案。在上述实施例中，所述确定模块包括：切分子模块、计算子模块和确定子模块；其中，所述切分子模块，用于将当前问题切分为M个词语；其中，M为大于1的自然数；所述计算子模块，用于通过预先确定的语言模型计算M个词语对应的M个词向量；所述确定子模块，用于通过所述循环神经网络模型确定M个词向量对应的问题理解结果，将M个词向量对应的问题理解结果确定为所述当前问题对应的问题理解结果。在上述实施例中，所述确定子模块，具体用于通过所述循环神经网络模型计算M个词向量对应的问题识别参数、M个词向量对应的问题分类参数以及M个词向量对应的答案分类参数；根据M个词向量对应的问题识别参数、M个词向量对应的问题分类参数以及M个词向量对应的答案分类参数确定M个词向量对应的问题理解结果；其中，所述问题理解结果包括：问题识别结果、问题分类结果和答案分类结果。在上述实施例中，所述确定子模块，具体用于根据M个词向量对应的问题识别参数、M个词向量对应的问题分类参数以及M个词向量对应的答案分类参数分别确定M个词向量对应的问题识别标签、M个词向量对应的问题分类标签以及M个词向量对应的答案分类标签；根据M个词向量对应的问题识别标签、M个词向量对应的问题分类标签以及M个词向量对应的答案分类标签确定M个词向量对应的问题理解结果。在上述实施例中，所述获取模块，具体用于将所述当前问题对应的目标答案转换为预定格式的问题查询结果；其中，所述预定格式包括：文字格式、图像格式或者语音格式；将所述预定格式的问题查询结果展示给当前用户。第三方面，本专利技术实施例提供了一种服务器，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术任意实施例所述的答案获取方法。第四方面，本专利技术实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本专利技术任意实施例所述的答案获取方法。本专利技术实施例提出了一种答案获取方法、装置、服务器及存储介质，先通过预先确定的循环神经网络模型确定当前问题对应的问题理解结果；然后根据当前问题对应的问题理解结果获取当前问题对应的目标答案。也就是说，在本专利技术的技术方案中，可以通过预先确定的循环神经网络模型确定当前问题对应的问题理解结果，而不是由三个模型单独判断用户查询是否属于问答类查询、对用户查询进行问题分类以及对搜索结果进行答案分类。而在现有的答案获取方法中，判断用户查询是否属于问答类查询、对用户查询进行问题分类以及对搜索结果进行答案分类，这三个任务由三个模型单独执行完成。因此，和现有技术相比，本专利技术实施例提出的答案获取方法、装置、服务器及存储介质，不仅可以节省答案获取的时间，而且还可以保证答案获取的准确性；并且，本专利技术实施例的技术方案实现简单方便、便于普及，适用范围更广。附图说明图1为本专利技术实施例一提供的答案获取方法的流程示意图；图2为本专利技术实施例二提供的答案获取方法的流程示意图；图3为本专利技术实施例三提供的答案获取方法的流程示意图；图4为本专利技术实施例四提供的答案获取装置的第一结构示意图；图5为本专利技术实施例四提供的答案获取装置的第二结构示意图图6为本专利技术实施例五提供的服务器的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需本文档来自技高网...

【技术保护点】
1.一种答案获取方法，其特征在于，所述方法包括：通过预先确定的循环神经网络模型确定当前问题对应的问题理解结果；根据所述当前问题对应的问题理解结果获取所述当前问题对应的目标答案。

【技术特征摘要】
1.一种答案获取方法，其特征在于，所述方法包括：通过预先确定的循环神经网络模型确定当前问题对应的问题理解结果；根据所述当前问题对应的问题理解结果获取所述当前问题对应的目标答案。2.根据权利要求1所述的方法，其特征在于，所述通过预先确定的循环神经网络模型确定当前问题对应的问题理解结果，包括：将当前问题切分为M个词语；其中，M为大于1的自然数；通过预先确定的语言模型计算M个词语对应的M个词向量；通过所述循环神经网络模型确定M个词向量对应的问题理解结果，将M个词向量对应的问题理解结果确定为所述当前问题对应的问题理解结果。3.根据权利要求2所述的方法，其特征在于，所述通过所述循环神经网络模型确定M个词向量对应的问题理解结果，包括：通过所述循环神经网络模型计算M个词向量对应的问题识别参数、M个词向量对应的问题分类参数以及M个词向量对应的答案分类参数；根据M个词向量对应的问题识别参数、M个词向量对应的问题分类参数以及M个词向量对应的答案分类参数确定M个词向量对应的问题理解结果；其中，所述问题理解结果包括：问题识别结果、问题分类结果和答案分类结果。4.根据权利要求3所述的方法，其特征在于，所述根据M个词向量对应的问题识别参数、M个词向量对应的问题分类参数以及M个词向量对应的答案分类参数确定M个词向量对应的问题理解结果，包括：根据M个词向量对应的问题识别参数、M个词向量对应的问题分类参数以及M个词向量对应的答案分类参数分别确定M个词向量对应的问题识别标签、M个词向量对应的问题分类标签以及M个词向量对应的答案分类标签；根据M个词向量对应的问题识别标签、M个词向量对应的问题分类标签以及M个词向量对应的答案分类标签确定M个词向量对应的问题理解结果。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：将所述当前问题对应的目标答案转换为预定格式的问题查询结果；其中，所述预定格式包括：文字格式、图像格式或者语音格式；将所述预定格式的问题查询结果展示给当前用户。6.一种答案获取装置，其特征在于，所述装置包括：确定模块和获取模块；其中，所述确定模块，用于通过预先确定的循环神经网络模型确定当前问题对应的问题...

【专利技术属性】
技术研发人员：郑俊强，刘凯，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京,11