问答方法、装置、电子设备以及存储介质进行介绍制造方法及图纸

本公开提供了一种问答方法、装置、电子设备以及存储介质，涉及人工智能技术领域，尤其涉及深度学习、自然语言处理、智能搜索技术领域。具体实现方案为：获取待处理的问题文本，以及问题文本中的各个词语；根据各个词语对应的上位概念词语，生成问题文本对应的通用问题文本；确定通用问题文本的主题；根据主题以及问题文本，确定问题文本对应的答案文本。由此，将问题文本中的各个词语映射为上位概念词语，得到对应的主题，进而得到答案文本，不仅减小了问题文本库的构建成本，提高了问题文本理解的准确率。准确率。准确率。

【技术实现步骤摘要】
问答方法、装置、电子设备以及存储介质进行介绍


[0001]本公开涉及人工智能
，尤其涉及深度学习、自然语言处理、智能搜索
，具体涉及一种问答方法、装置、电子设备以及存储介质。

技术介绍

[0002]目前，相关技术的问答方法，主要通过提前构建问题文本库，将问题文本与问题文本库中的问题文本样本匹配，理解问题文本的主题，从而完成回答。上述方案中，由于金融市场股票在不断增多，构建问题文本库的成本高，且将问题文本与问题文本库中的问题文本样本匹配得到的主题的理解准确率低。

技术实现思路

[0003]本公开提供了一种问答方法、装置、设备以及存储介质。
[0004]根据本公开的第一方面，提供了一种问答方法，包括：获取待处理的问题文本，以及所述问题文本中的各个词语；根据各个所述词语对应的上位概念词语，生成所述问题文本对应的通用问题文本；确定所述通用问题文本的主题；根据所述主题以及所述问题文本，确定所述问题文本对应的答案文本。
[0005]根据本公开的第二方面，提供了一种潜在语义索引LSI模型的训练方法，所述方法包括：获取训练数据，其中，所述训练数据包括：各个通用问题文本样本以及所述通用问题文本样本的主题；所述通用问题文本样本根据问题文本样本以及映射关系表确定，所述映射关系表中包括词语与上位概念词语之间的映射关系；确定各个所述通用问题文本样本的文本向量；以各个所述通用问题文本样本的文本向量为输入，以各个所述通用问题文本样本的主题为输出，对初始的LSI模型进行训练，得到用于确定通用问题文本的主题的LSI模型。
[0006]根据本公开的第三方面，提供了一种问答装置，所述装置包括：第一获取模块，用于获取待处理的问题文本，以及所述问题文本中的各个词语；生成模块，用于根据各个所述词语对应的上位概念词语，生成所述问题文本对应的通用问题文本；第一确定模块，用于确定所述通用问题文本的主题；第二确定模块，用于根据所述主题以及所述问题文本，确定所述问题文本对应的答案文本。
[0007]根据本公开的第四方面，提供了一种潜在语义索引LSI模型的训练装置，所述装置包括：第三获取模块，用于获取训练数据，其中，所述训练数据包括：各个通用问题文本样本以及所述通用问题文本样本的主题；所述通用问题文本样本根据问题文本样本以及映射关系表确定，所述映射关系表中包括词语与上位概念词语之间的映射关系；第三确定模块，用于确定各个所述通用问题文本样本的文本向量；训练模块，用于以各个所述通用问题文本样本的文本向量为输入，以各个所述通用问题文本样本的主题为输出，对初始的LSI模型进行训练，得到用于确定通用问题文本的主题的LSI模型。
[0008]根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与所
述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开的第一方面所述的问答方法，或者，本公开的第二方面所述的潜在语义索引LSI模型的训练方法。
[0009]根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开的第一方面所述的问答方法，或者，本公开的第二方面所述的潜在语义索引LSI模型的训练方法。
[0010]根据本公开的第七方面，提供了一种计算程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开的第一方面所述的问答方法，或者，本公开的第二方面所述的潜在语义索引LSI模型的训练方法。
[0011]上述公开中的一个实施例具有如下优点或有益效果：
[0012]通过获取待处理的问题文本，以及问题文本中的各个词语；根据各个词语对应的上位概念词语，生成问题文本对应的通用问题文本；确定通用问题文本的主题；根据主题以及问题文本，确定问题文本对应的答案文本。由此，将问题文本中的各个词语映射为上位概念词语，得到对应的主题，进而得到答案文本，不仅减小了问题文本库的构建成本，提高了问题文本理解的准确率。
[0013]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0014]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0015]图1是根据本公开第一实施例的示意图；
[0016]图2是根据本公开第二实施例的示意图；
[0017]图3是根据本公开第三实施例的示意图；
[0018]图4是根据本公开第四实施例的示意图；
[0019]图5是根据本公开第五实施例的示意图；
[0020]图6是根据本公开第六实施例的示意图；
[0021]图7是根据本公开第七实施例的示意图；
[0022]图8是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
[0023]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0024]目前，相关技术的问答方法，主要通过提前构建问题文本库，将问题文本与问题文本库中的问题文本样本匹配，理解问题文本的主题，从而完成回答。上述方案中，由于金融市场股票在不断增多，构建问题文本库的成本高，且将问题文本与问题文本库中的问题文本样本匹配得到的主题的理解准确率低。
[0025]下面对本公开的问答方法、装置、电子设备以及存储介质进行介绍。
[0026]图1是根据本公开第一实施例的示意图，需要说明的是，本公开实施例的问答方法可应用于问答装置，该装置可被配置于电子设备中，以使该电子设备可以执行问答功能。
[0027]其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(Personal Computer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。以下以执行主体为电子设备为例进行说明。
[0028]步骤101，获取待处理的问题文本，以及问题文本中的各个词语。
[0029]其中，问题文本为基于金融问答场景用户提出的问题；词语为问题文本的关键词，例如，问题文本为“工商银行的股价”，对应的词语为“工商银行”、“股价”。
[0030]在本公开实施例中，电子设备执行步骤101的过程可以为，确定用户输入到文本框的问题文本，将问题文本进行处理操作，得到问题文本中的各个词语。
[0031]其中，处理操作包括：将问题文本中的小写字母变为大写字母；删去问题文本中的标点符号；基于分词词典利用分词工具将问题文本进行词语划分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种问答方法，包括：获取待处理的问题文本，以及所述问题文本中的各个词语；根据各个所述词语对应的上位概念词语，生成所述问题文本对应的通用问题文本；确定所述通用问题文本的主题；根据所述主题以及所述问题文本，确定所述问题文本对应的答案文本。2.根据权利要求1所述的方法，其中，所述方法还包括：针对所述问题文本中的每个词语，根据所述词语查询映射关系表，获取所述词语对应的上位概念词语；所述映射关系表中包括：词语与上位概念词语之间的映射关系。3.根据权利要求1所述的方法，其中，所述确定所述通用问题文本的主题，包括：确定所述通用问题文本与预设的多个主题之间的相似度；从多个所述主题中选择对应的相似度最大的主题，作为所述通用问题文本的主题。4.根据权利要求3所述的方法，其中，所述确定所述通用问题文本与预设的多个主题之间的相似度，包括：确定所述通用问题文本中各个词语的词嵌入向量，以及所述通用问题文本中各个所述词语的出现次数；根据各个所述词语的词嵌入向量以及出现次数，确定各个所述词语的重要度；根据各个所述词语的词嵌入向量以及重要度，确定所述通用问题文本的文本向量；将所述文本向量输入预设的潜在语义索引LSI模型，获取所述LSI模型输出的所述通用问题文本与预设的多个主题之间的相似度。5.根据权利要求1所述的方法，其中，所述根据所述主题以及所述问题文本，确定所述问题文本对应的答案文本，包括：根据所述主题以及所述问题文本，确定所述问题文本对应的查询语句；获取所述查询语句对应的查询结果；根据所述查询结果，确定所述问题文本对应的答案文本。6.根据权利要求5所述的方法，其中，所述根据所述主题以及所述问题文本，确定所述问题文本对应的查询语句，包括：在所述主题为设置有多个选择条件的选择类主题的情形下，提取所述问题文本中的选择指标，以及所述选择指标对应的关系词以及指标阈值；针对每个选择指标，根据所述选择指标以及所述选择指标对应的关系词以及指标阈值，构建所述选择指标对应的搜索语句；根据所述问题文本中各个选择指标对应的搜索语句，确定所述问题文本对应的查询语句。7.根据权利要求5所述的方法，其中，所述获取所述查询语句对应的查询结果，包括：根据所述查询语句查询预设缓存列表，获取所述缓存列表中满足所述查询语句的目标数据；所述预设缓存列表中包括：各个项，以及每个项在至少一个指标上的指标数值；根据所述目标数据，确定所述查询语句对应的查询结果。8.一种潜在语义索引LSI模型的训练方法，所述方法包括：获取训练数据，其中，所述训练数据包括：各个通用问题文本样本以及所述通用问题文本样本的主题；所述通用问题文本样本根据问题文本样本以及映射关系表确定，所述映射
关系表中包括词语与上位概念词语之间的映射关系；确定各个所述通用问题文本样本的文本向量；以各个所述通用问题文本样本的文本向量为输入，以各个所述通用问题文本样本的主题为输出，对初始的LSI模型进行训练，得到用于确定通用问题文本的主题的LSI模型。9.根据权利要求8所述的方法，其中，所述确定各个所述通用问题文本样本的文本向量，包括：确定所述通用问题文本样本中各个词语的词嵌入向量，以及所述通用问题文本样本中各个词语的出现次数；根据各个所述词语的词嵌入向量以及出现次数，确定各个词语的重要度；根据各个所述词语的词嵌入向量以及重要度，确定通用问题文本样本的文本向量。10.根据权利要求8所述的方法，其中，所述以各个所述通用问题文本样本的文本向量为输入，以各个所述通用问题文本样本的主题为输出，对初始的LSI模型进行训练，得到用于确定通用问题文本的主题的LSI模型，包括：将各个所述通用问题文本样本的文本向量输入LSI模型后，获取输出的预测主题；根据所述预测主题以及所述通用问题文本样本的主题，构建损失函数；结合所述损失函数的数值，对所述LSI模型进行系数调整，实现对初始的LSI模型的训练。11.一种问答装置，包括：第一获取模块，用于获取待处理的问题文本，以及所述问题文本中的各个词语；生成模块，用于根据各个所述词语对应的上位概念词语，生成所述问题文本对应的通用问题文本；第一确定模块，用于确定所述通用问题文本的主题；第二确定模块，用于根据所述主题以及所述问题文本，确定所述问题文本对应的答案文本。12.根据权利要求11所述的装置，其中，所述装置还包括：第二获取模块；其中，所述第二获...

【专利技术属性】
技术研发人员：李可威，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：