This application provides an intelligent question answering method and intelligent question answering system, which is used to solve the existing intelligent question answering method with poor pertinence, low accuracy of question and answer. The application of intelligent question answering method, which comprises the following steps: step S1, the establishment of knowledge map related fields; step S2, voice user problems into text; step S3, using skip gram model to quantify text, generating vector matrix; step S4, using a convolutional neural network problem vector matrix generation problem the feature vector similarity; step S5, calculate the user problem of feature vector and the candidate answer feature vector; step S6, through learning to rank the answers to the users feedback.
【技术实现步骤摘要】
一种智能问答方法及其系统
本申请涉及文本处理
,具体涉及一种智能问答方法及其系统。
技术介绍
智能问答系统可以根据知识领域划分成封闭领域和开放领域两种类型,封闭领域专注于回答特定领域的问题,提问者仅能问一些领域相关的问题并获取答案。开放领域系统则不设置问题的范围,提问者可以提出自己感兴趣的话题,并且从该类系统中得到自己想要的解答。目前流行的问答机器人大多是基于开放领域的智能问答系统,如以互联网预料及用户点击日志为基础的微软小冰,以百度搜索日志为基础的百度语音助手等,这些开放型的智能机器人无法针对特定领域(如政府、金融、保险等)的问题实现精准的回答,准确度低。
技术实现思路
本专利技术的目的在于提出一种智能问答方法及智能问答系统,用于解决现有技术中针对性差、问题回答准确率低的技术问题。本申请的智能问答方法,包括如下步骤:步骤S1、建立相关领域的知识图谱;步骤S2、将用户问题的语音转化成文本;步骤S3、使用skip-gram模型将文本向量化,生成问题向量矩阵;步骤S4、使用卷积神经网络将问题向量矩阵生成问题特征向量;步骤S5、计算用户问题特征向量与候选答案特征向量的相似度;步骤S6、通过排序学习反馈给用户答案。可选地,步骤S1中,知识图谱的建立包括如下步骤:步骤R1、对高价值信息进行检测,抽取数据块;步骤R2、将自然语言文本中的信息与知识库中的条目进行链接;步骤R3、对自然语言文本进行开放抽取,获取相应的三元组;步骤R4、将抽取的三元组进行验证集成。优选地,步骤S3中,skip-gram模型将文本向量化时,对于给定单词序列w1,w2,...,wn,该模型的优 ...
【技术保护点】
一种智能问答方法,其特征在于,包括如下步骤:步骤S1、建立相关领域的知识图谱;步骤S2、将用户问题的语音转化成文本;步骤S3、使用skip‑gram模型将文本向量化,生成问题向量矩阵;步骤S4、使用卷积神经网络将问题向量矩阵生成问题特征向量;步骤S5、计算用户问题特征向量与候选答案特征向量的相似度;步骤S6、通过排序学习反馈给用户答案。
【技术特征摘要】
1.一种智能问答方法,其特征在于,包括如下步骤:步骤S1、建立相关领域的知识图谱;步骤S2、将用户问题的语音转化成文本;步骤S3、使用skip-gram模型将文本向量化,生成问题向量矩阵;步骤S4、使用卷积神经网络将问题向量矩阵生成问题特征向量;步骤S5、计算用户问题特征向量与候选答案特征向量的相似度;步骤S6、通过排序学习反馈给用户答案。2.如权利要求1所述的智能问答方法,其特征在于,步骤S1中,知识图谱的建立包括如下步骤:步骤R1、对高价值信息进行检测,抽取数据块;步骤R2、将自然语言文本中的信息与知识库中的条目进行链接;步骤R3、对自然语言文本进行开放抽取,获取相应的三元组;步骤R4、将抽取的三元组进行验证集成。3.如权利要求1所述的智能问答方法,其特征在于,步骤S3中,skip-gram模型将文本向量化时,对于给定单词序列w1,w2,...,wn,该模型的优化目标公式如下:式中,p表示第t+j个词在t个词出现的情况下出现的概率;c是训练上下文的长度;skip-gram模型使用softmax函数来优化参数,优化公式如下:式中,νw是单词w的输入向量;ν’w是单词w的输出向量;W是词表中单词的数量。4.如权利要求3所述的智能问答方法,其特征在于,skip-gram模型优化参数的方法包括:层次softmax、负采样和二次采样中的一种或多种。5.如权利要求1所述的智能问答方法,其特征在于,步骤S4包括如下子步骤:步骤T1、将问题向量矩阵用二元卷积神经网络生成卷积神经网络;步骤T2、问题向量矩阵经第一卷积层、第一采样层、第二卷积层和第二采样层后变换到输出层,生成问题向量...
【专利技术属性】
技术研发人员:张邦佐,武志远,孙小新,冯国忠,
申请(专利权)人:东北师范大学,
类型:发明
国别省市:吉林,22
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。