问题生成方法、装置、设备、计算机设备和存储介质制造方法及图纸

本申请涉及一种问题生成方法、装置、设备、计算机设备和存储介质。所述方法包括：通过获取句子中的词向量，将所述句子中的词向量输入问题生成模型，得到问题语句中的词向量；其中，所述问题生成模型用于根据所述句子中的词向量，确定概率表；并选取所述概率表中概率最大值对应的向量作为候选词向量，若所述候选词向量为异常向量，则将所述异常向量替换为非异常向量作为所述问题语句中的目标词向量。采用本方法不需要重新生成概率表，也不需要重新训练模型，可提高问题生成效率以及准确率。

Problem Generation Method, Device, Equipment, Computer Equipment and Storage Media

【技术实现步骤摘要】
问题生成方法、装置、设备、计算机设备和存储介质
本申请涉及人工智能领域，特别是涉及一种问题生成方法、装置、设备、计算机设备和存储介质。
技术介绍
随着人工智能技术的发展，出现了采用人工神经网络实现问题生成的方法。其中，仅仅通过训练，让其学习特征，在学习后，给定某一输入值后能够得到最接近期望输出值的结果。然而，目前的方法，存在效率低下或浪费资源等问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种问题生成方法、装置、设备、计算机设备和存储介质。一种问题生成方法，所述方法包括：获取句子中的词向量，将所述句子中的词向量输入问题生成模型，得到问题语句中的词向量；其中，所述问题生成模型用于根据所述句子中的词向量，确定概率表；并选取所述概率表中概率最大值对应的向量作为候选词向量，若所述候选词向量为异常向量，则将所述异常向量替换为非异常向量作为所述问题语句中的目标词向量。在其中一个实施例中，所述获取初始语句中的词向量，将所述初始语句中的词向量输入问题生成模型，得到问题语句中的词向量包括：将所述句子中的词向量依次输入所述问题生成模型；当输入的所述句子中的词向量为结束标识向量时，则根据所述结束标识向量之前的词向量，依次生成所述问题语句中的词向量；直至输出的所述问题语句中的词向量为结束标识向量。在其中一个实施例中，所述将所述句子中的词向量依次输入所述问题生成模型；当输入的所述句子中的词向量为结束标识向量时，则根据所述结束标识向量之前的词向量，依次生成所述问题语句中的词向量包括：获取所述句子中的第一个词向量；将所述句子中的第一个词向量输入文本处理模型，得到所述句子的第一隐向量，其中，所述句子的第一隐向量包括第一个词向量的信息；将所述句子的第一隐向量与所述句子中的第二个词向量同时输入所述文本处理模型，得到所述句子的第二隐向量，其中，所述句子的第二隐向量包括第一个词向量的信息和第二个词向量的信息；将所述第二隐向量作为第一隐向量，将获取的所述第二词向量的下一个词向量作为所述第二词向量，重复执行将所述句子的第一隐向量与所述句子中的第二个词向量同时输入所述文本处理模型；直至输入所述文本处理模型的下一个词向量为所述结束标识向量。在其中一个实施例中，所述直至输出的所述问题语句中的词向量为结束标识向量之后包括：将所述结束标识向量与所述依次生成所述问题语句中的词向量之前的所述句子的最后一隐向量同时输入所述文本处理模型，得到所述问题语句的第一隐向量；对所述问题语句的第一隐向量进行映射处理，确定第一概率表；选取所述第一概率表中概率最大值对应的向量作为第一候选词向量；若所述第一候选词向量为异常向量，则选取所述第一概率表中概率次大值对应的向量作为所述问题语句的第一个词向量。在其中一个实施例中，所述若所述第一候选词向量为异常向量，则选取所述第一概率表中概率次大值对应的向量作为所述问题语句的第一个词向量之后包括：将所述问题语句的第一个词向量与所述问题语句的第一隐向量同时输入所述文本处理模型，得到所述问题语句的第二隐向量；对所述问题语句的第二隐向量进行映射处理，确定第二概率表；选取所述第二概率表中概率最大值对应的向量作为第二候选词向量；若所述第二候选词向量为异常向量，则选取所述第二概率表中概率次大值对应的向量作为所述问题语句的第二个词向量。在其中一个实施例中，所述若所述第二候选词向量为异常向量，则选取所述第二概率表中概率次大值对应的向量作为所述问题语句的第二个词向量之后包括：重复执行将所述问题语句的上一个词向量与所述问题语句的下一隐向量同时输入所述文本处理模型，得到所述问题语句的下一隐向量，并对所述问题语句的下一隐向量进行映射处理，确定下一概率表；选取所述下一概率表中概率最大值对应的向量作为下一候选词向量；若所述下一候选词向量为异常向量，则选取所述下一概率表中概率次大值对应的向量作为所述问题语句的下一个词向量；若所述下一候选词向量为结束标识向量，则根据生成的所述问题语句词向量，确定所述问题语句。在其中一个实施例中，所述获取句子中的词向量，将所述句子中的词向量输入问题生成模型，得到问题语句中的词向量之前包括：获取文本，对所述文本进行分词，得到至少一个句子；在所述至少一个句子结尾处添加结束标识符，并将所述至少一个句子和结束标识符均转换为向量形式，得到句子中的词向量。一种问题生成装置，所述装置包括：问题生成模块，用于获取句子中的词向量，将所述句子中的词向量输入问题生成模型，得到问题语句中的词向量；其中，所述问题生成模型用于根据所述句子中的词向量，确定概率表；并选取所述概率表中概率最大值对应的向量作为候选词向量，若所述候选词向量为异常向量，则将所述异常向量替换为非异常向量作为所述问题语句中的目标词向量。一种问题生成设备，所述设备至少包括一种问题生成装置。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的方法的步骤。上述问题生成方法、装置、设备、计算机设备和存储介质，通过获取句子中的词向量，将所述句子中的词向量输入问题生成模型，得到问题语句中的词向量；其中，所述问题生成模型用于根据所述句子中的词向量，确定概率表；并选取所述概率表中概率最大值对应的向量作为候选词向量，若所述候选词向量为异常向量，则将所述异常向量替换为非异常向量作为所述问题语句中的目标词向量。通过上述方法，不需要重新生成概率表，也不需要重新训练模型，可提高问题生成效率以及准确率。附图说明图1为一个实施例中一种问题生成方法的应用环境图；图2为一个实施例中步骤S1的流程示意图；图3为一个实施例中步骤S11的流程示意图；图4为一个实施例中LSTM网络结构示意图；图5为一个实施例中步骤S115的流程示意图；图6为一个实施例中Softmax回归的神经网络结构图；图7为一个实施例中步骤S119之后步骤的流程示意图；图8为一个实施例中步骤S123之后步骤的流程示意图；图9为一个实施例中步骤S1之前步骤的流程示意图；图10为一个实施例中一种问题生成装置的结构框图；图11为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。本申请提供的一种问题生成方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。终端102获取句子中的词向量，并将所述句子中的词向量传输至服务器104，服务器104将所述句子中的词向量输入问题生成模型，得到问题语句中的词向量；其中，所述问题生成模型用于根据所述句子中的词向量，确定概率表；并选取所述概率表中概率最大值对应的向量作为候选词向量，若所述候选词向量为异常向量，则将所述异常向量替换为非异常向量作为所述问题语句中的目标词向量。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。在一个实施例中，提供了本文档来自技高网...

【技术保护点】
1.一种问题生成方法，其特征在于，所述方法包括：获取句子中的词向量，将所述句子中的词向量输入问题生成模型，得到问题语句中的词向量；其中，所述问题生成模型用于根据所述句子中的词向量，确定概率表；并选取所述概率表中概率最大值对应的向量作为候选词向量，若所述候选词向量为异常向量，则将所述异常向量替换为非异常向量作为所述问题语句中的目标词向量。

【技术特征摘要】
1.一种问题生成方法，其特征在于，所述方法包括：获取句子中的词向量，将所述句子中的词向量输入问题生成模型，得到问题语句中的词向量；其中，所述问题生成模型用于根据所述句子中的词向量，确定概率表；并选取所述概率表中概率最大值对应的向量作为候选词向量，若所述候选词向量为异常向量，则将所述异常向量替换为非异常向量作为所述问题语句中的目标词向量。2.根据权利要求1所述的方法，其特征在于，所述获取初始语句中的词向量，将所述初始语句中的词向量输入问题生成模型，得到问题语句中的词向量包括：将所述句子中的词向量依次输入所述问题生成模型；当输入的所述句子中的词向量为结束标识向量时，则根据所述结束标识向量之前的词向量，依次生成所述问题语句中的词向量；直至输出的所述问题语句中的词向量为结束标识向量。3.根据权利要求2所述的方法，其特征在于，所述将所述句子中的词向量依次输入所述问题生成模型；当输入的所述句子中的词向量为结束标识向量时，则根据所述结束标识向量之前的词向量，依次生成所述问题语句中的词向量包括：获取所述句子中的第一个词向量；将所述句子中的第一个词向量输入文本处理模型，得到所述句子的第一隐向量，其中，所述句子的第一隐向量包括第一个词向量的信息；将所述句子的第一隐向量与所述句子中的第二个词向量同时输入所述文本处理模型，得到所述句子的第二隐向量，其中，所述句子的第二隐向量包括第一个词向量的信息和第二个词向量的信息；将所述第二隐向量作为第一隐向量，将获取的所述第二词向量的下一个词向量作为所述第二词向量，重复执行将所述句子的第一隐向量与所述句子中的第二个词向量同时输入所述文本处理模型；直至输入所述文本处理模型的下一个词向量为所述结束标识向量。4.根据权利要求3所述的方法，其特征在于，所述直至输出的所述问题语句中的词向量为结束标识向量之后包括：将所述结束标识向量与所述依次生成所述问题语句中的词向量之前的所述句子的最后一隐向量同时输入所述文本处理模型，得到所述问题语句的第一隐向量；对所述问题语句的第一隐向量进行映射处理，确定第一概率表；选取所述第一概率表中概率最大值对应的向量作为第一候选词向量；若所述第一候选词向量为异常向量，则选取所述第一概率表中概率次大值对应的向量作为所述问题语句的第一个词向量。5.根据权利要求4所述的方法，其特征在于，所述若所述第一候选词向量为异常向量，则选取所述第一概率表...

【专利技术属性】
技术研发人员：李长亮，徐智涛，唐剑波，陈楠，
申请(专利权)人：北京金山数字娱乐科技有限公司，成都金山互动娱乐科技有限公司，北京金山软件有限公司，
类型：发明
国别省市：北京,11