【技术实现步骤摘要】
基于递进式多判别器的问题生成方法
本专利技术涉及问题生成的
，更具体地，涉及基于递进式多判别器的问题生成方法。
技术介绍
该任务属于一种文本生成任务，对文章和指定答案生成对应的问题，使得该问题可以在原文中以该答案来回答。可用于问诊系统、辅导系统、童话提问、事实性问答数据生成等。也可以作为数据再去手段，给问答任务扩充数据集。问题生成在训练的时候数据集可以使用问答数据，在实际使用的时候，通过对文章进行命名实体识别抽取出其中对实体，均可作为答案进行提问。传统的做法是基于语法树或者知识库，通过规则来抽取关键实体，然后填入到规定好的模板中，生成指定格式的问题。目前常见的方法则是基于文本生成的Encoder-Decoder框架，Encoder对文章进行编码学习，并且用另一个网络对答案也进行编码学习，Decoder对文章和答案的编码进行解码生成问题。问题生成任务也可以跟其它任务结合起来学习，问题生成跟问答任务进行结合，在各自模型的损失函数上分别加入正则项，进行对偶学习；也可以将问题生成模型作为生成器，将问答模型作为判别器，进行对抗训练。问题生成跟摘要生成任务结合，可以共享...
【技术保护点】
1.基于递进式多判别器的问题生成方法，其特征在于，包括以下步骤：生成器使用摘要生成中的pointer‑generator模型，利用copy机制抽取原文细节并解决oov问题，利用coverage机制解决重复生成的问题，并进行改进；答案约束主要体现在decoder中使用答案向量去预测词语分布，在encoder中也加入答案约束，对文章进行编码学习后，带着答案的约束去对文章的编码进行调整，集中关注与答案相关的部分；判别器设计了依次递进的三种判别器，分别是真假判别器、属性判别器与问答判别器，首先用真假判别器来判断生成问题的真实性，在真假判别器的判别结果达标的情况下，再用属性判别器来判...
【技术特征摘要】
1.基于递进式多判别器的问题生成方法，其特征在于，包括以下步骤：生成器使用摘要生成中的pointer-generator模型，利用copy机制抽取原文细节并解决oov问题，利用coverage机制解决重复生成的问题，并进行改进；答案约束主要体现在decoder中使用答案向量去预测词语分布，在encoder中也加入答案约束，对文章进行编码学习后，带着答案的约束去对文章的编码进行调整，集中关注与答案相关的部分；判别器设计了依次递进的三种判别器，分别是真假判别器、属性判别器与问答判别器，首先用真假判别器来判断生成问题的真实性，在真假判别器的判别结果达标的情况下，再用属性判别器来判断生成问题的类型是否与答案匹配，在属性判别器的判别结果也达标的情况下，再用问答判别器来判断生成问题是否可以用该答案进行回答；判别器的难度从易到难，并且拥有递进的关系，只有前面的判别器结果达到规定的阈值，才会进行下一步的判别，否则先继续训练前面的判别器；由此通过层次递进的顺序去训练判别器，使得生成的问题慢慢变得更好，先达到仿真效果，再达到问题与答案类型匹配的效果，最后达到问题与答案完全匹配的效果。2.根据权利要求1所述的基于递进式多判别器的问题生成方法，其特征在于：所述的生成器使用pointer-generator模型，在Decoder中利用attention机制来关注不同的原文信息，利用copy机制来复制原文细节以及生成oov词语，利用coverage机制来惩罚重复生成，并且对coverage机制进行改进，改进重复生成的惩罚方式；模型结构包括Encoder模型和Decoder模型。3.根据权利要求2所述的基于递进式多判别器的问题生成方法，其特征在于：所述的Encoder模型：首先用一个Bi-LSTM网络对文章词向量进行编码学习，然后对答案进行命名实体识别，得到对应的实体类型，并进行embedding得到低维的答案类型向量，取答案在文章中所对应的词向量、答案实体向量和原文LSTM的输出拼接起来，再用一个Bi-LSTM网络进行编码学习，最后进行等权平均得到答案向量；此处加入答案实体向量可以加强答案类型的约束；接下来利用答案向量对文章编码来计算一个attention向量，并进行softmax归一化，利用上面得到的attention向量来更新文章的编码向量，...
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。