一种生成问题的方法、电子设备及计算机可读存储介质技术

本申请实施例提供一种生成问题的方法、电子设备及计算机可读存储介质：提供待生成问题的文本，提供所述待生成问题的答案；将所述答案的相关信息输入第一神经网络提取特征，得到所述答案的相关特征；将所述答案的相关信息输入第二神经网络计算相关性，得到所述答案与所述待生成问题的相关性特征信息；将所述文本的相关信息输入第三神经网络提取特征，得到所述文本与所述待生成问题的相关性特征信息；将所述待生成问题的答案相关特征、所述答案与所述待生成问题的相关性特征信息、及所述文本与所述待生成问题的相关性特征信息，输入生成问题的神经网络模型进行计算，得到所述文本中的词句作为待生成问题中的词句概率值；基于所述文本中的词句作为待生成问题中的词句概率值的高低顺序，选取设定数量的所述文本中的词句，形成待生成问题。本申请准确生成了对应答案的问题。问题。问题。

【技术实现步骤摘要】
一种生成问题的方法、电子设备及计算机可读存储介质


[0001]本申请涉及人工智能
，特别涉及一种生成问题的方法、电子设备及计算机可读存储介质。

技术介绍

[0002]基于知识库的问答系统，可以针对客户提出的问题，给出相应的答案。在基于知识库的问答系统的知识库中，设置了问题与答案之间的对应关系，当该问答系统接收客户提出的问题后，与设置的问题进行匹配，从知识库中获取得到匹配成功的问题对应的答案，提供给客户。
[0003]在基于知识库的问答系统的知识库中，在设置问题与答案之间的对应关系时，如何从文本中提取出问题，或者从文本中提取出答案，从而将两者对应，设置知识库，是一个亟待解决的问题。以从文本中提取答案为例，可以采用采用多种方式从文本中提取出答案。一种方式为：基于设置的模板，采用人工方式从文本中获取答案，这需要大量的依赖人力，扩展性不强、不容易泛化、效率低下及标准一致性差。另一种方式为：采用训练得到的神经网络模型，将文本中的每个语句，及该语句涉及的文本特征输入到该神经网络模型中进行处理，获取得到每个语句的相似度值，将文本中具有最高相似度值的语句作为答案，其中，该语句涉及的文本特征为该语句在文本的位置特征、该语句在文本的词法特征、或/和该语句在文本的词汇特征。但是，该方式获取答案的前提条件是默认答案与答案在文本中出现的位置特征、词法特征及词汇特征是强相关的，但是在真实场景中并不是如此，所以获取得到的答案并不准确。
[0004]上述方式关注的是如何从文本中获取答案，应用在该问答系统中的知识库中。相似地，该问答系统的知识库中的问题，也可以采用上述方式获取到。但是，在采用上述方式获取该问答系统的知识库中的问题时并不准确，而在知识库中的问题的诸如表达方式及语义等特征信息，直接影响与客户提出的问题进行匹配的匹配成功率，从而影响客户使用基于知识库的问题系统的用户体验度。

技术实现思路

[0005]有鉴于此，本申请实施例提供一种生成问题的方法、电子设备及计算机可读存储介质，能够准确生成基于知识库的问答系统中对应答案的问题，使得后续匹配客户提出的问题时提高匹配率。
[0006]本申请实施例的一个实施例中，提供一种生成问题的方法，所述方法包括：
[0007]提供待生成问题的文本，提供所述待生成问题的答案；
[0008]将所述答案的相关信息输入第一神经网络进行特征提取，得到所述答案的相关特征；
[0009]将所述答案的相关信息输入第二神经网络进行相关性计算，得到所述答案与所述待生成问题的相关性特征信息；
[0010]将所述文本的相关信息输入第三神经网络进行特征提取，得到所述文本与所述待生成问题的相关性特征信息；
[0011]将所述待生成问题的答案相关特征、所述答案与所述待生成问题的相关性特征信息、及所述文本与所述待生成问题的相关性特征信息，输入生成问题的神经网络模型进行所述文本中的词句作为待生成问题中的词句概率计算，得到所述文本中的词句作为待生成问题中的词句概率值；
[0012]基于所述文本中的词句作为待生成问题中的词句概率值的高低顺序，选取设定数量的所述文本中的词句，形成待生成问题。
[0013]在上述方法中，所述第一神经网络采用自注意力机制实现，所述答案的相关特征包括：所述答案的每个词特征、关键词特征、所在位置特征或/和答案语义特征。
[0014]在上述方法中，所述第二神经网络采用监督对比学习神经网络实现。
[0015]在上述方法中，所述将所述答案的相关信息输入第二神经网络进行相关性计算包括：
[0016]所述监督对比学习神经网络从所述答案的相关信息中获取得到所述答案的语义特征及所述答案的片段特征，将所述答案的语义特征与所述答案的片段特征进行余弦相似度计算，所述答案的片段特征包括所述答案在所述文本的前一语句、所述答案所在文本中的当前语句及所述答案在所述文本的后一语句；
[0017]将计算得到的余弦相似度值作为所述答案与所述待生成问题的相似度值；
[0018]所述答案与所述待生成问题的相似度值为所述答案与所述待生成问题的相关性特征信息。
[0019]在上述方法中，所述第三神经网络采用关系记忆神经网络R
‑
MeN实现。
[0020]在上述方法中，所述将所述文本的相关信息输入第三神经网络进行特征提取，得到所述文本与所述待生成问题的相关性特征信息包括：
[0021]将所述文本的相关信息中的三元组特征的位置信息及特征信息输入到R
‑
MeN中进行输入处理后，R
‑
MeN采用设置的自注意力机制网络进行特征提取，R
‑
MeN再采用设置的卷积神经网络CNN对所述提取的特征进行解码计算，得到所述文本的相关信息的三元组有效性得分值，其中，所述文本的相关信息的三元组特征包括所述文本特征、所述文本特征与答案特征之间的关系特征、以及所述答案特征；
[0022]将所述文本的相关信息的三元组有效性得分值作为所述文本与所述待生成问题的相关性特征信息。
[0023]在上述方法中，所述生成问题的神经网络模型采用门控训练单元GRU架构实现或长短期记忆人工神经网络LSTM实现。
[0024]所述方法还包括：
[0025]将所述形成的待生成问题，设置在问答系统中的知识库中，以使所述问答系统中的知识库设置所述形成的待生成问题与所述答案之间的对应关系。
[0026]本申请的另一实施例中提供一种电子设备，包括：
[0027]处理器；
[0028]存储器，存储有程序，所述程序配置为在被所述处理器执行时实现上述中任一项所述生成问题的方法。
[0029]本申请的再一实施例中提供一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行上述任一项所述的生成问题的方法。
[0030]如上所见，本申请实施例采用的方案为：提供待生成问题的文本，提供所述待生成问题的答案；将所述答案的相关信息输入第一神经网络进行特征提取，得到所述答案的相关特征；将所述答案的相关信息输入第二神经网络进行相关性计算，得到所述答案与所述待生成问题的相关性特征信息；将所述文本的相关信息输入第三神经网络进行特征提取，得到所述文本与所述待生成问题的相关性特征信息；将所述待生成问题的答案相关特征、所述答案与所述待生成问题的相关性特征信息、及所述文本与所述待生成问题的相关性特征信息，输入生成问题的神经网络模型进行所述文本中的词句作为待生成问题中的词句概率计算，得到所述文本中的词句作为待生成问题中的词句概率值；从基于所述文本中的词句作为待生成问题中的词句概率值的高低顺序，选取设定数量的所述文本中的词句，形成待生成问题。这样，在生成问题时，就可以得到的上述三类与所生成问题相关的文本及答案涉及的特征信息，并据此进行准确计算，从而能够准确生成问题，并将所生成的应用到问答系统中的知识库中。因此，本申请实施例准确生成了基于知识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生成问题的方法，其特征在于，所述方法包括：提供待生成问题的文本，提供所述待生成问题的答案；将所述答案的相关信息输入第一神经网络进行特征提取，得到所述答案的相关特征；将所述答案的相关信息输入第二神经网络进行相关性计算，得到所述答案与所述待生成问题的相关性特征信息；将所述文本的相关信息输入第三神经网络进行特征提取，得到所述文本与所述待生成问题的相关性特征信息；将所述待生成问题的答案相关特征、所述答案与所述待生成问题的相关性特征信息、及所述文本与所述待生成问题的相关性特征信息，输入生成问题的神经网络模型进行所述文本中的词句作为待生成问题中的词句概率计算，得到所述文本中的词句作为待生成问题中的词句概率值；基于所述文本中的词句作为待生成问题中的词句概率值的高低顺序，选取设定数量的所述文本中的词句，形成待生成问题。2.如权利要求1所述的方法，其特征在于，所述第一神经网络采用自注意力机制实现，所述答案的相关特征包括：所述答案的每个词特征、关键词特征、所在位置特征或/和答案语义特征。3.如权利要求1所述的方法，其特征在于，所述第二神经网络采用监督对比学习神经网络实现。4.如权利要求3所述的方法，其特征在于，所述将所述答案的相关信息输入第二神经网络进行相关性计算包括：所述监督对比学习神经网络从所述答案的相关信息中获取得到所述答案的语义特征及所述答案的片段特征，将所述答案的语义特征与所述答案的片段特征进行余弦相似度计算，所述答案的片段特征包括所述答案在所述文本的前一语句、所述答案所在文本中的当前语句及所述答案在所述文本的后一语句；将计算得到的余弦相似度值作为所述答案与所述待生成问题的相似度值；所述答案与所述待生成问题的相似度值为所述答案与所述待生成问题的相关性...

【专利技术属性】
技术研发人员：魏林林，潘东宇，马宝昌，
申请(专利权)人：贝壳找房北京科技有限公司，
类型：发明
国别省市：