用于输出信息的方法和装置制造方法及图纸

本申请实施例公开了用于输出信息的方法和装置。该方法的一具体实施方式包括：获取询问文本和目标文本；将询问文本和目标文本输入至预先训练的答案抽取模型，得到与该询问文本对应的回答文本和无答案概率，其中，答案抽取模型用于表征询问文本、文本与回答文本、无答案概率之间的对应关系，无答案概率用于表征无法从目标文本中抽取出与该询问文本匹配的答案的概率；输出回答文本和无答案概率。该实施方式实现了输出与询问文本对应的回答文本以及输出用于表征该目标文本中不存在与该询问文本匹配的答案的概率。

【技术实现步骤摘要】
用于输出信息的方法和装置
本申请实施例涉及计算机
，具体涉及用于输出信息的方法和装置。
技术介绍
随着人工智能技术的飞速发展，通用答案抽取技术在机器阅读理解领域也显得越来越重要。对于特定问题，在给定文本中挖掘出对应问题的答案的技术是问答系统的重要组成部分之一。相关的方式通常是通过对输入问题与文本的模糊匹配来尽量保证输入问题在输入文本中是有答案的。此外，可以通过网络或权威资料对输出答案与原问题的匹配进行额外的置信度校验，从而判断答案与原问题是否对应。
技术实现思路
本申请实施例提出了用于输出信息的方法和装置。第一方面，本申请实施例提供了一种用于输出信息的方法，该方法包括：获取询问文本和目标文本；将询问文本和目标文本输入至预先训练的答案抽取模型，得到与询问文本对应的回答文本和无答案概率，其中，答案抽取模型用于表征询问文本、文本与回答文本、无答案概率之间的对应关系，无答案概率用于表征无法从目标文本中抽取出与询问文本匹配的答案的概率；输出回答文本和无答案概率。在一些实施例中，上述答案抽取模型包括第一编码层、基于注意力机制(attention)的第一交互层、循环神经网络、神经网络输出层、第一隐层和第一隐层输出层；以及上述将询问文本和目标文本输入至预先训练的答案抽取模型，得到与询问文本对应的回答文本和无答案概率，包括：将询问文本和目标文本输入至第一编码层，得到第一询问文本向量和第一目标文本向量；将第一询问文本向量和第一目标文本向量输入至基于注意力机制的第一交互层，得到第一输出矩阵；将第一输出矩阵输入至循环神经网络，得到输出向量；将输出向量输入至神经网络输出层，得到答案在目标文本中的位置；将第一输出矩阵和输出向量输入至第一隐层，得到第一概率向量；将第一概率向量输入至第一隐层输出层，得到无答案概率；根据答案在目标文本中的位置，生成回答文本。在一些实施例中，该方法还包括：将询问文本、目标文本和回答文本输入至预先训练的答案可信度模型，得到答案可信概率，其中，答案可信度模型用于表征询问文本、文本、回答文本与答案可信概率之间的对应关系，答案可信概率用于表征回答文本、询问文本和目标文本之间的匹配程度；输出答案可信概率。在一些实施例中，上述答案可信度模型包括第二编码层、基于注意力机制的第二交互层、第二隐层和第二隐层输出层；以及上述将询问文本、目标文本和回答文本输入至预先训练的答案可信度模型，得到答案可信概率，包括：将询问文本、目标文本和回答文本输入至第二编码层，得到第二询问文本向量、第二目标文本向量和回答文本向量；将第二询问文本向量、第二目标文本向量和回答文本向量输入至基于注意力机制的第二交互层，得到第二输出矩阵；将第二输出矩阵输入至第二隐层，得到第二概率向量；将第二概率向量输入至第二隐层输出层，得到答案可信概率。在一些实施例中，该方法还包括：基于无答案概率和答案可信概率，确定答案正确概率，其中，答案正确概率用于表征回答文本作为询问文本的答案的准确程度；输出答案正确概率。第二方面，本申请实施例提供了一种用于输出信息的装置，该装置包括：获取单元，被配置成获取询问文本和目标文本；第一确定单元，被配置成将询问文本和目标文本输入至预先训练的答案抽取模型，得到与询问文本对应的回答文本和无答案概率，其中，答案抽取模型用于表征询问文本、文本与回答文本、无答案概率之间的对应关系，无答案概率用于表征无法从目标文本中抽取出与询问文本匹配的答案的概率；第一输出单元，被配置成输出回答文本和无答案概率。在一些实施例中，上述答案抽取模型包括第一编码层、基于注意力机制的第一交互层、循环神经网络、神经网络输出层、第一隐层和第一隐层输出层；以及上述第一确定单元进一步被配置成：将询问文本和目标文本输入至第一编码层，得到第一询问文本向量和第一目标文本向量；将第一询问文本向量和第一目标文本向量输入至基于注意力机制的第一交互层，得到第一输出矩阵；将第一输出矩阵输入至循环神经网络，得到输出向量；将输出向量输入至神经网络输出层，得到答案在目标文本中的位置；将第一输出矩阵和输出向量输入至第一隐层，得到第一概率向量；将第一概率向量输入至第一隐层输出层，得到无答案概率；根据答案在目标文本中的位置，生成回答文本。在一些实施例中，该装置还包括：第二确定单元，被配置成将询问文本、目标文本和回答文本输入至预先训练的答案可信度模型，得到答案可信概率，其中，答案可信度模型用于表征询问文本、文本、回答文本与答案可信概率之间的对应关系，答案可信概率用于表征回答文本、询问文本和目标文本之间的匹配程度；第二输出单元，被配置成输出答案可信概率。在一些实施例中，上述答案可信度模型包括第二编码层、基于注意力机制的第二交互层、第二隐层和第二隐层输出层；以及上述第二确定单元进一步被配置成：将询问文本、目标文本和回答文本输入至第二编码层，得到第二询问文本向量、第二目标文本向量和回答文本向量；将第二询问文本向量、第二目标文本向量和回答文本向量输入至基于注意力机制的第二交互层，得到第二输出矩阵；将第二输出矩阵输入至第二隐层，得到第二概率向量；将第二概率向量输入至第二隐层输出层，得到答案可信概率。在一些实施例中，该装置还包括：第三确定单元，被配置成基于无答案概率和答案可信概率，确定答案正确概率，其中，答案正确概率用于表征回答文本作为询问文本的答案的准确程度；第三输出单元，被配置成输出答案正确概率。第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。本申请实施例提供的用于输出信息的方法和装置，首先获取询问文本和目标文本；然后，将询问文本和目标文本输入至预先训练的答案抽取模型，得到与该询问文本对应的回答文本和无答案概率，其中，答案抽取模型用于表征询问文本、文本与回答文本、无答案概率之间的对应关系，无答案概率用于表征无法从目标文本中抽取出与该询问文本匹配的答案的概率；最后，输出回答文本和无答案概率。从而实现了根据询问文本和目标文本，输出与询问文本对应的回答文本以及输出用于表征该目标文本中不存在与该询问文本匹配的答案的概率。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，本申请的其它特征、目的和优点将会变得更明显：图1是本申请的一个实施例可以应用于其中的示例性系统架构图；图2是根据本申请的用于输出信息的方法的一个实施例的流程图；图3是根据本申请实施例的用于输出信息的方法的一个应用场景的示意图；图4是根据本申请的用于输出信息的方法的又一个实施例的流程图；图5是根据本申请的用于输出信息的装置的一个实施例的结构示意图；图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。具体实施方式下面结合附图和实施例对本申请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相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。需要说明的是，在不冲突的情本文档来自技高网...

【技术保护点】
1.一种用于输出信息的方法，包括：获取询问文本和目标文本；将所述询问文本和所述目标文本输入至预先训练的答案抽取模型，得到与所述询问文本对应的回答文本和无答案概率，其中，所述答案抽取模型用于表征询问文本、文本与回答文本、无答案概率之间的对应关系，所述无答案概率用于表征无法从所述目标文本中抽取出与所述询问文本匹配的答案的概率；输出所述回答文本和所述无答案概率。

【技术特征摘要】
1.一种用于输出信息的方法，包括：获取询问文本和目标文本；将所述询问文本和所述目标文本输入至预先训练的答案抽取模型，得到与所述询问文本对应的回答文本和无答案概率，其中，所述答案抽取模型用于表征询问文本、文本与回答文本、无答案概率之间的对应关系，所述无答案概率用于表征无法从所述目标文本中抽取出与所述询问文本匹配的答案的概率；输出所述回答文本和所述无答案概率。2.根据权利要求1所述的方法，其中，所述答案抽取模型包括第一编码层、基于注意力机制的第一交互层、循环神经网络、神经网络输出层、第一隐层和第一隐层输出层；以及所述将所述询问文本和所述目标文本输入至预先训练的答案抽取模型，得到与所述询问文本对应的回答文本和无答案概率，包括：将所述询问文本和所述目标文本输入至所述第一编码层，得到第一询问文本向量和第一目标文本向量；将所述第一询问文本向量和所述第一目标文本向量输入至所述基于注意力机制的第一交互层，得到第一输出矩阵；将所述第一输出矩阵输入至所述循环神经网络，得到输出向量；将所述输出向量输入至所述神经网络输出层，得到答案在所述目标文本中的位置；将所述第一输出矩阵和所述输出向量输入至所述第一隐层，得到第一概率向量；将所述第一概率向量输入至所述第一隐层输出层，得到无答案概率；根据所述答案在所述目标文本中的位置，生成回答文本。3.根据权利要求1所述的方法，其中，所述方法还包括：将所述询问文本、所述目标文本和所述回答文本输入至预先训练的答案可信度模型，得到答案可信概率，其中，所述答案可信度模型用于表征询问文本、文本、回答文本与答案可信概率之间的对应关系，所述答案可信概率用于表征所述回答文本、所述询问文本和所述目标文本之间的匹配程度；输出所述答案可信概率。4.根据权利要求3所述的方法，其中，所述答案可信度模型包括第二编码层、基于注意力机制的第二交互层、第二隐层和第二隐层输出层；以及所述将所述询问文本、所述目标文本和所述回答文本输入至预先训练的答案可信度模型，得到答案可信概率，包括：将所述询问文本、所述目标文本和所述回答文本输入至所述第二编码层，得到第二询问文本向量、第二目标文本向量和回答文本向量；将所述第二询问文本向量、所述第二目标文本向量和所述回答文本向量输入至所述基于注意力机制的第二交互层，得到第二输出矩阵；将所述第二输出矩阵输入至所述第二隐层，得到第二概率向量；将所述第二概率向量输入至所述第二隐层输出层，得到答案可信概率。5.根据权利要求3或4所述的方法，其中，所述方法还包括：基于所述无答案概率和所述答案可信概率，确定答案正确概率，其中，所述答案正确概率用于表征所述回答文本作为所述询问文本的答案的准确程度；输出所述答案正确概率。6.一种用于输出信息的装置，包括：获取单元，被配置成获取询问文本和目标文本；第一确定单元，被配置成将所述询问文本和所述目标文本输入至预先训练的答案...

【专利技术属性】
技术研发人员：戴松泰，杨仁凯，
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