一种问答识别的方法、装置、电子设备及可读存储介质制造方法及图纸

本申请属于人工智能技术领域，公开了一种问答识别的方法、装置、电子设备及可读存储介质，该方法包括，接收针对目标问题的问答请求；基于针对目标问题的问答请求，采用预先训练好的问答模型，确定目标问题对应的答案；其中，问答模型为基于第二样本数据集合和教师模型训练获得的学生模型，教师模型为基于第一样本数据集合以及基于转换器的双向编码表征模型构建的。这样，在进行问答识别时，可以提高问题答复的响应速度以及减少耗费资源。复的响应速度以及减少耗费资源。复的响应速度以及减少耗费资源。

【技术实现步骤摘要】
一种问答识别的方法、装置、电子设备及可读存储介质


[0001]本申请涉及人工智能
，具体而言，涉及一种问答识别的方法、装置、电子设备及可读存储介质。

技术介绍

[0002]随着人工智能的发展，人机交互应用的场景越来越多，这就需要对话系统识别用户的问题并回答。
[0003]现有技术下，通常采用预训练的语言表征模型(Bidirectional Encoder Representation from Transformers，BERT)识别问题，并回答该问题对应的答案，从而实现人机交互。
[0004]但是，BERT模型庞大，训练该模型需要大量的样本数据，复杂度较高，在问题答复时，需要进行大量的数据计算，问题答复的响应速度较慢，且会耗费大量的资源。
[0005]由此，在问答识别时，如何提高问题答复的响应速度以及减少耗费资源，是一个需要解决的技术问题。

技术实现思路

[0006]本申请实施例的目的在于提供一种问答识别的方法、装置、电子设备及可读存储介质，用以在问答识别时，提高问题答复的响应速度以及减少耗费资源本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种问答识别的方法，其特征在于，包括：接收针对目标问题的问答请求；基于所述针对目标问题的问答请求，采用预先训练好的问答模型，确定所述目标问题对应的答案；其中，所述问答模型为基于第二样本数据集合和教师模型训练获得的学生模型，所述教师模型为基于第一样本数据集合以及基于转换器的双向编码表征模型构建的。2.如权利要求1所述的方法，其特征在于，所述基于所述针对目标问题的问答请求，采用预先训练好的问答模型，确定所述目标问题对应的答案，包括：提取所述目标问题的向量特征；将所述向量特征输入所述问答模型，获得所述问答模型输出的所述答案。3.如权利要求2所述的方法，其特征在于，在所述基于所述针对目标问题的问答请求，采用预先训练好的问答模型，确定所述目标问题对应的答案之前，还包括：获取第一样本数据集合，所述第一样本数据集合中包含正样本数据、负样本数据、扩展数据以及负扩展数据，所述正样本数据和所述负样本数据中均包含多个问答组合样本以及相应的问答匹配度，所述扩展数据和负扩展数据中均包含多个问答组合样本；基于所述正样本数据和所述负样本数据中的问答组合样本以及相应的问答匹配度，对初始教师模型进行训练，获得训练好的所述教师模型，其中，所述初始教师模型是通过基于转换器的双向编码表征模型获得的；基于所述教师模型以及所述扩展数据，获取所述扩展数据中每一问答组合样本的问答匹配度；基于所述教师模型以及所述负扩展数据，获取所述负扩展数据中每一问答组合样本的问答匹配度；基于所述第一样本数据集合、所述扩展数据中每一问答组合样本的问答匹配度以及所述负扩展数据中每一问答组合样本的问答匹配度，获得所述第二样本数据集合；基于所述第二样本数据集合，对初始学生模型进行训练，获得训练好的所述学生模型，所述训练好的学生模型为所述问答模型。4.如权利要求3所述的方法，其特征在于，在所述获得所述第一样本数据集合之前，还包括：获取正样本数据，所述正样本数据中的每一问答组合样本包括问题样本以及相应的答案；将所述正样本数据中各问答组合样本中的问题和答案进行随机交换，获得负样本数据，所述负样本数据包含多个交换后的问答组合样本，以及相应的问答匹配度；基于所述正样本数据中各问题样本和相应的答案，以及数据扩展模型中的判别模块，对所述数据扩展模型中的初始生成模型进行训练，获得训练好的生成模型，其中，所述数据扩展模型是基于生成式对抗网络构建的；基于所述生成模型，以及所述正样本数据，生成扩展数据。5.如权利要求4所述的方法，其特征在于，所述基于所述正样本数据和所述负样本数据中的问答组合样本以及相应的问...

【专利技术属性】
技术研发人员：高峰，杜新凯，牛国扬，吕超，赵飞飞，朱良奇，
申请(专利权)人：阳光保险集团股份有限公司，
类型：发明
国别省市：