基于随机优化预测的机器阅读理解的答案匹配方法及系统技术方案

本发明专利技术提供一种基于随机优化预测的机器阅读理解的答案匹配方法及系统，包括有：获取问题以及与所述问题关联的段落；对所述问题进行分词和向量化，获取每个问题词对应的问题特征向量；对所述段落进行分词和向量化，获取每个段落词对应的段落特征向量；根据所述问题特征向量对所述段落特征向量通过随机优化方法进行随机预测，在所述段落中匹配出所述问题对应的最优答案。本发明专利技术通过随机优化方法进行随机预测，不过于强调某一特定步骤的预测，避免了阶跃偏差问题；在预测中引入随机优化方法，提高了机器阅读理解匹配答案时的准确性。

Answer matching method and system for machine reading comprehension based on stochastic optimization prediction

【技术实现步骤摘要】
基于随机优化预测的机器阅读理解的答案匹配方法及系统
本专利技术涉及信息
，特别是涉及一种基于随机优化预测的机器阅读理解的答案匹配方法及系统。
技术介绍
在机器阅读理解领域，随着大规模数据集的不断发布，计算机处理数据能力的不断提高，深度学习和神经网络研究的不断深入，机器阅读理解已经取得了很大的进展。但是在开放问答领域，现有的机器阅读理解匹配答案时均是通过独立方式对答案进行建模，过于强调某一特定步骤的预测，导致匹配答案时的鲁棒性低。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于随机优化预测的机器阅读理解的答案匹配方法及系统，用于解决现有技术中存在的技术问题。为实现上述目的及其他相关目的，本专利技术提供一种基于随机优化预测的机器阅读理解的答案匹配方法，包括有：获取问题以及与所述问题关联的段落；对所述问题进行分词和向量化，获取每个问题词对应的问题特征向量；对所述段落进行分词和向量化，获取每个段落词对应的段落特征向量；根据所述问题特征向量对所述段落特征向量通过随机优化方法进行随机预测，在所述段落中匹配出所述问题对应的答案；其中，所述随机优化方法包括以下至少之一：随机梯度下降、粒子群算法、遗传算法。可选地，对所述问题进行分词，获取一个或多个问题词；根据预先训练好的一维或多维问题Word2vec或者Glove词向量对所述问题词进行向量化，获取每个问题词对应的问题特征向量；对所述段落进行分词，获取一个或多个段落词；根据预先训练好的一维或多维段落Word2vec或者Glove词向量对所述段落词进行向量化，获取每个段落词对应的段落特征向量。可选地，将预先训练好的一维或多维问题Word2vec或者Glove词向量、所述某一问题逻辑关系词嵌入所述问题Word2vec或者Glove词向量中；将预先训练好的一维或多维段落Word2vec或者Glove词向量、所述某一段落逻辑关系词嵌入至所述段落Word2vec或者Glove词向量中。可选地，将所述问题特征向量和段落特征向量分别输入神经网络网络模型，获取能够融合所述问题上下文逻辑语义信息的问题语义向量和能够融合所述段落上下文逻辑语义信息的段落语义向量。可选地，计算所述增强问题语义向量与所述增强段落语义向量的相似度，获取所述增强问题语义向量与所述增强文本语义向量的相似度矩阵；其中，所述相似度矩阵表示所述段落中各个语义向量与所述问题中各个语义向量的相似度；获取由问题词构成的问题词集合以及由段落词构成的段落词集合；若所述问题对应的候选答案在所述段落词集合中存在多个，则根据所述相似度矩阵随机优化方法预测所述候选答案集合中的一个最优答案；获取问题向量和每个候选答案的段落向量；每个问题向量在所述段落向量集合中对应的候选答案逻辑关系的起始位置和答案结束位置；获取候选答案起始位置和候选答案结束位置的各个逻辑关系，确定所述答案起始位置和所述答案结束位置的最优候选，根据所述最大联合分布概率在段落词集合中所对应的段落词片段确定为所述问题对应的答案。可选地，所述问题Word2vec或者Glove词向量和/或所述段落Word2vec或者Glove词向量通过命名实体识别器进行预先训练；所述命名实体识别器包括有：实体类、时间类和数字类。本专利技术还提供一种基于随机优化预测的机器阅读理解的答案匹配系统，包括有：获取模块，用于获取问题以及与所述问题关联的段落；第一词嵌入模块，用于对所述问题进行分词和向量化，获取每个问题词对应的问题特征向量；第二词嵌入模块，用于对所述段落进行分词和向量化，获取每个段落词对应的段落特征向量；匹配模块，用于根据所述问题特征向量对所述段落特征向量通过随机优化方法进行随机预测，在所述段落中匹配出所述问题对应的答案；其中，所述随机优化方法包括以下至少之一：随机梯度下降、粒子群算法、遗传算法。可选地，所述第一词嵌入模块具体用于对所述问题进行分词，获取一个或多个问题词；根据预先训练好的一维或多维问题Word2vec或者Glove词向量对所述问题词进行向量化，获取每个问题词对应的问题特征向量；所述第二词嵌入模块具体用于对所述段落进行分词，获取一个或多个段落词；根据预先训练好的一维或多维段落Word2vec或者Glove词向量对所述段落词进行向量化，获取每个段落词对应的段落特征向量。可选地，所述匹配模块还具体用于将所述问题特征向量和段落特征向量分别输入神经网络模型，获取能够融合所述问题上下文语义信息的问题语义向量和能够融合所述段落上下文逻辑语义信息的段落语义向量。可选地，所述匹配模块还具体用于计算所述增强问题语义向量与所述增强段落语义向量的相似度，获取所述增强问题语义向量与所述增强文本语义向量的相似度矩阵；其中，所述相似度矩阵表示所述段落中各个语义向量与所述问题中各个语义向量的相似度；若所述问题对应的候选答案在所述段落词集合中存在多个，则根据所述相似度矩阵随机优化方法预测所述候选答案集合中的一个最优答案；获取问题向量和每个候选答案的段落向量；每个问题向量在所述段落向量集合中对应的候选答案逻辑关系的起始位置和答案结束位置；获取候选答案起始位置和候选答案结束位置的各个逻辑关系，确定所述答案起始位置和所述答案结束位置的最优候选，根据所述最大联合分布概率在段落词集合中所对应的段落词片段确定为所述问题对应的答案。如上所述，本专利技术提供一种基于随机优化预测的机器阅读理解的答案匹配方法及设备，具有以下有益效果：通过获取问题以及与所述问题关联的段落；对所述问题进行分词和向量化，获取每个问题词对应的问题特征向量；对所述段落进行分词和向量化，获取每个段落词对应的段落特征向量；根据所述问题特征向量对所述段落特征向量通过随机优化方法进行随机预测，在所述段落中匹配出所述问题对应的答案；其中，所述随机优化方法包括以下至少之一：随机梯度下降、粒子群算法、遗传算法。本专利技术通过随机优化方法进行随机预测，不过于强调某一特定步骤的预测，避免了阶跃偏差问题；在预测中引入随机性，提高了机器阅读理解匹配答案时的鲁棒性。附图说明图1为一实施例提供的答案匹配方法的流程示意图；图2为一实施例提供的答案匹配系统的硬件示意图。元件标号说明M10获取模块M20第一词嵌入模块M30第二词嵌入模块M40匹配模块具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。请参阅图1至图2。需要说明的是，本实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按本文档来自技高网...

【技术保护点】
1.一种基于随机优化预测的机器阅读理解的答案匹配方法，其特征在于，包括以下步骤：/n获取问题以及与所述问题关联的段落；/n对所述问题进行分词和向量化，获取每个问题词对应的问题特征向量；/n对所述段落进行分词和向量化，获取每个段落词对应的段落特征向量；/n根据所述问题特征向量对所述段落特征向量通过随机优化方法进行随机预测，在所述段落中匹配出所述问题对应的答案；其中，所述随机优化方法包括以下至少之一：随机梯度下降、粒子群算法、遗传算法。/n

【技术特征摘要】
1.一种基于随机优化预测的机器阅读理解的答案匹配方法，其特征在于，包括以下步骤：
获取问题以及与所述问题关联的段落；
对所述问题进行分词和向量化，获取每个问题词对应的问题特征向量；
对所述段落进行分词和向量化，获取每个段落词对应的段落特征向量；
根据所述问题特征向量对所述段落特征向量通过随机优化方法进行随机预测，在所述段落中匹配出所述问题对应的答案；其中，所述随机优化方法包括以下至少之一：随机梯度下降、粒子群算法、遗传算法。


2.根据权利要求1所述的基于随机优化预测的机器阅读理解的答案匹配方法，其特征在于：
对所述问题进行分词，获取一个或多个问题词；根据预先训练好的一维或多维问题Word2vec或者Glove词向量对所述问题词进行向量化，获取每个问题词对应的问题特征向量；
对所述段落进行分词，获取一个或多个段落词；根据预先训练好的一维或多维段落Word2vec或者Glove词向量对所述段落词进行向量化，获取每个段落词对应的段落特征向量。


3.根据权利要求2所述的基于随机优化预测的机器阅读理解的答案匹配方法，其特征在于：将预先训练好的一维或多维问题Word2vec或者Glove词向量、所述某一问题逻辑关系词嵌入所述问题Word2vec或者Glove词向量中；将预先训练好的一维或多维段落Word2vec或者Glove词向量、所述某一段落逻辑关系词嵌入至所述段落Word2vec或者Glove词向量中。


4.根据权利要求2或3所述的基于随机优化预测的机器阅读理解的答案匹配方法，其特征在于：将所述问题特征向量和段落特征向量分别输入神经网络网络模型，获取能够融合所述问题上下文逻辑语义信息的问题语义向量和能够融合所述段落上下文逻辑语义信息的段落语义向量。


5.根据权利要求4所述的基于随机优化预测的机器阅读理解的答案匹配方法，其特征在于：
计算所述增强问题语义向量与所述增强段落语义向量的相似度，获取所述增强问题语义向量与所述增强文本语义向量的相似度矩阵；其中，所述相似度矩阵表示所述段落中各个语义向量与所述问题中各个语义向量的相似度；
获取由问题词构成的问题词集合以及由段落词构成的段落词集合；
若所述问题对应的候选答案在所述段落词集合中存在多个，则根据所述相似度矩阵随机优化方法预测所述候选答案集合中的一个最优答案；获取问题向量和每个候选答案的段落向量；每个问题向量在所述段落向量集合中对应的候选答案逻辑关系的起始位置和答案结束位置；获取候选答案起始位置和候选答案结束位置的各个逻辑关系，确定所述答案起始位置和所述答案结束位置的最优候选，根据所述最大联合分布概率在段落词集合中所对应的段落词片段确定为所述问题对应的答案。...

【专利技术属性】
技术研发人员：彭德光，肖曼，王雅璇，高泫苏，孙健，汤宇腾，
申请(专利权)人：重庆兆光科技股份有限公司，
类型：发明
国别省市：重庆;50