【技术实现步骤摘要】
基于对抗网络的知识库扩展方法、装置及计算机设备
本专利技术涉及人工智能的智能决策
,尤其涉及一种基于对抗网络的知识库扩展方法、装置、计算机设备及存储介质。
技术介绍
大型企业(例如大型保险公司)所涉及的产品往往数以百计乃至千计,其经年累月所沉淀的知识词条也会达到巨大量级。在经典的自动问答系统中,常通过将客户输入的问句与知识库中的标准化问句作比对,并抽取出最相近问句的答案返回给客户。然而此设计在包括巨大量级知识的领域进行知识问答中可能面临以下几个问题:1、产品知识规模巨大,相对而言用户提问数量不足或过度内聚,导致标准化知识库过于"稀疏",并使用户新输入的问题无法匹配标准问句、或匹配结果与实际需求相去甚远;2、新上线的产品未沉淀出有效的标准问答库,此冷启动状态下问题检索不易获得有效结果;3、如通过人工来对海量产品收集客户关注问题,其人工成本高昂,且流程冗长,导致效率低下。
技术实现思路
本专利技术实施例提供了一种基于对抗网络的知识库扩展方法、装置、计算机设备及存储介质,旨在解决现有技术中设计巨大量级知识的自动问答系统中用户提问数量不足或过度内聚,导致标准化知识库过于稀疏的问题。第一方面,本专利技术实施例提供了一种基于对抗网络的知识库扩展方法,其包括:获取本地的初始问答标准知识库,并获取所述初始问答标准知识库中的初始问题集和初始答案集;将所述初始问题集作为训练样本对待训练对抗网络模型进行训练,得到训练后的对抗网络模型;将所述初 ...
【技术保护点】
1.一种基于对抗网络的知识库扩展方法,其特征在于,包括:/n获取本地的初始问答标准知识库,并获取所述初始问答标准知识库中的初始问题集和初始答案集;/n将所述初始问题集作为训练样本对待训练对抗网络模型进行训练,得到训练后的对抗网络模型;/n将所述初始问题集输入至所述训练后的对抗网络模型进行运算,得到扩展问题集;/n获取预先存储的数据获取地址信息,在所述数据获取地址信息对应的数据集中检索获取与所述扩展问题集中每一扩展问题对应的扩展答案,组成扩展答案集;以及/n将所述扩展问题集和所述扩展答案集进行组合得到扩展问答标准知识库,将所述扩展问答标准知识库进行本地存储。/n
【技术特征摘要】
1.一种基于对抗网络的知识库扩展方法,其特征在于,包括:
获取本地的初始问答标准知识库,并获取所述初始问答标准知识库中的初始问题集和初始答案集;
将所述初始问题集作为训练样本对待训练对抗网络模型进行训练,得到训练后的对抗网络模型;
将所述初始问题集输入至所述训练后的对抗网络模型进行运算,得到扩展问题集;
获取预先存储的数据获取地址信息,在所述数据获取地址信息对应的数据集中检索获取与所述扩展问题集中每一扩展问题对应的扩展答案,组成扩展答案集;以及
将所述扩展问题集和所述扩展答案集进行组合得到扩展问答标准知识库,将所述扩展问答标准知识库进行本地存储。
2.根据权利要求1所述的基于对抗网络的知识库扩展方法,其特征在于,所述将所述扩展问题集和所述扩展答案集进行组合得到扩展问答标准知识库,将所述扩展问答标准知识库进行本地存储之后,还包括:
将扩展问答标准知识库发送至目标接收端;
若接收到目标接收端发送的人工校准知识库,将人工校准知识库进行本地存储。
3.根据权利要求1所述的基于对抗网络的知识库扩展方法,其特征在于,所述将所述初始问题集作为训练样本对待训练对抗网络模型进行训练,得到训练后的对抗网络模型,包括:
获取所述初始问题集中每一初始问题的语义向量;
获取所述初始问题集根据各初始问题的语义向量之间的向量相似度,并根据预设的分组策略对所述初始问题集进行分组,得到问题集分组结果;其中,所述问题集分组结果中包括若干个问题集子分组,且分别记为第1问题集子分组至第k问题集子分组,k为问题集分组结果中包括的问题集子分组总个数;
统计获取每一问题集子分组中对应包括的问题总个数,并获取其中包括问题总个数最多的问题集子分组,作为目标问题集子分组;
不断从目标问题集子分组中任意获取两个初始问题的语义向量以对待训练cycle-GAN模型进行训练,直至待训练cycle-GAN模型收敛时停止从目标问题集子分组中任意获取两个初始问题的语义向量,得到cycle-GAN模型作为训练后的对抗网络模型。
4.根据权利要求3所述的基于对抗网络的知识库扩展方法,其特征在于,所述获取所述初始问题集根据各初始问题的语义向量之间的向量相似度,并根据预设的分组策略对所述初始问题集进行分组,得到问题集分组结果,包括:
将所述初始问题集根据各初始问题的语义向量之间的欧式距离作为向量相似度进行K-means聚类,得到问题集分组结果。
5.根据权利要求1所述的基于对抗网络的知识库扩展方法,其特征在于,所述将所述初始问题集作为训练样本对待训练对抗网络模型进行训练,得到训练后的对抗网络模型,包括:
获取所述初始问题集中每一初始问题的语义向量;
获取所述初始问题集根据各初始问题的语义向量之间的向量相似度,并根据预设的分组策略对所述初始问题集进行分组,得到问题集分组结果;其中,所述问题集分组结果中包括若干个问题集子分组,且分别记为第1问题集子分组至第k问题集子分组,k为问题集分组结果中包括的问题集子分组总个数;其中,i的初始取值为1,且i的取值范围是[1,k];
从第i个问题集子分组中任意获取两个初始问题的语义向量以对待训练cycle-GAN...
【专利技术属性】
技术研发人员:姜敏华,
申请(专利权)人:平安科技深圳有限公司,
类型:发明
国别省市:广东;44
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。