基于对抗网络的知识库扩展方法、装置及计算机设备制造方法及图纸

本发明专利技术公开了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，涉及人工智能技术，先通过初始问答标准知识库中的初始问题集作为样本集训练模型得到训练后的对抗网络模型，然后再将初始问题集输入至训练后的对抗网络模型进行运算得到扩展问题集并对应检索答案得到扩展答案集，最后由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。实现了通过对抗网络将初始问答标准知识库中的问题集进行数量巨大的自动扩展，提高了问题集扩充的效率以及增加了大量自动扩展的问题，避免了标准化知识库因用户提问数量不足或过度内聚而导致过于稀疏的问题。

【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。第二方面，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装置，其包括：初始知识库获取单元，用于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；模型训练单元，用于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；扩展问题集获取单元，用于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；扩展答案集获取单元，用于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；以及扩展知识库获取单元，用于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。第三方面，本专利技术实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于对抗网络的知识库扩展方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于对抗网络的知识库扩展方法。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，先通过初始问答标准知识库中的初始问题集作为样本集训练模型得到训练后的对抗网络模型，然后再将初始问题集输入至训练后的对抗网络模型进行运算得到扩展问题集并对应检索答案得到扩展答案集，最后由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。实现了通过对抗网络将初始问答标准知识库中的问题集进行数量巨大的自动扩展，提高了问题集扩充的效率以及增加了大量自动扩展的问题，避免了标准化知识库因用户提问数量不足或过度内聚而导致过于稀疏的问题。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的基于对抗网络的知识库扩展方法的应用场景示意图；图2为本专利技术实施例提供的基于对抗网络的知识库扩展方法的流程示意图；图3为本专利技术实施例提供的基于对抗网络的知识库扩展装置的示意性框图；图4为本专利技术实施例提供的计算机设备的示意性框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。请参阅图1和图2，图1为本专利技术实施例提供的基于对抗网络的知识库扩展方法的应用场景示意图；图2为本专利技术实施例提供的基于对抗网络的知识库扩展方法的流程示意图，该基于对抗网络的知识库扩展方法应用于服务器中，该方法通过安装于服务器中的应用软件进行执行。如图2所示，该方法包括步骤S101~S105。S101、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。在本实施例中，在服务器中部署了初始问答标准知识库以及对外提供相应的智能问答服务（例如提供智能机器人客服后），用户可以使用用户端与服务器建立连接后，向智能机器人发送问题进行咨询，智能机器人客服在本地的初始问答标准知识库中检索与用户所提问题对应的较为接近若干个答案后，将这些检索出来的答案发送至用户端以供查看。服务器中问答标准知识库中问题和答案数据量的多少决定了其对用户所提问题进行答复的准确度，也即服务器中问答标准知识库中的问题和答案数据量越多才会提高答复的准确度。一般本地的初始问答标准知识库可以采用人工整理方式得到或者是自动从指定数据库中获取，例如保险公司的智能机器人客服的初始问答标准知识库可以是自动从公司内部已存储的数据库中采集获取已整理的问题-答案数据，从而形成了一个初始问答标准知识库。但是一般初始问答标准知识库的问题-答案数据的数量不多，不足以支持对用户问题的有效回答，此本文档来自技高网...

【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