[发明专利]一种基于深层卷积神经网络的自然语言问答方法

权利要求书

1.一种基于深层卷积神经网络的自然语言问答方法，其特征在于，包括以下步骤：

1)将自然语言问题和数据库信息集中的信息表示成具有序列结构的向量，并形成向量矩阵；

2)采用深层卷积神经网络对向量矩阵进行处理，提取对应的深层语义特征；

3)根据深层语义特征计算自然语言问题与数据库信息集中的信息的语义相关度；

4)根据计算得出的语义相关度选择数据库信息集中的信息，生成自然语言问题的回答；其中，步骤2)使用多层卷积神经网络根据步骤1)生成的向量矩阵M_E生成深层语义特征f_E，即满足：

M₀＝M_E，f_E＝pooling(M_N)其中，M_i为第i层过后的特征矩阵；为用于调整M_i与M_i+1之间可能存在的特征数差异的宽为1、滤波器数量为∑_jk_ij的卷积层计算，表示一次宽为1，过滤器数量为∑_jk_ij的带有激活函数的卷积操作，在∑_jk_ij＝∑_jk_i-1j时可以忽略成恒同变换；concat为连接函数，将输入的一系列张量在最后一个分量上进行连接，concat下方的j表示对维度j进行连接；pooling为池化函数，通过计算矩阵每行最大值、最小值、平均值、中位数，将输入矩阵化成一个向量；m_ij为第i层第j种卷积核的宽度，k_ij为第i层第j种卷积核的个数，表示一次宽为m_ij，过滤器数量为k_ij的带有激活函数的卷积操作；

或者，步骤2)使用多层卷积神经网络根据步骤1)生成的向量矩阵M_E生成深层语义特征f_E，即满足：

M₀＝M_E，f_E＝flatten(M_N)其中，M_i为第i层过后的特征矩阵；为用于调整M_i与M_i+1之间可能存在的特征数差异的宽为1、滤波器数量为∑_jk_ij的卷积层计算，在∑_jk_ij＝∑_jk_i-1j时可以忽略成恒同变换；concat为连接函数，将输入的一系列张量在最后一个分量上进行连接；flatten为扁平化函数，将输入矩阵拉平成一个向量；m_ij为第i层第j种卷积核的宽度，k_ij为第i层第j种卷积核的个数，表示一次宽为m_ij，过滤器数量为k_ij的带有激活函数的卷积操作；

或者，步骤2)使用多层卷积神经网络根据步骤1)生成的向量矩阵M_E生成深层语义特征f_E，即满足：

M₀＝M_E，f_E＝pooling(M_N)

其中，M_i为第i层过后的特征矩阵；concat为连接函数，将输入的一系列张量在最后一个分量上进行连接；pooling为池化函数，通过计算矩阵每行最大值、最小值、平均值、中位数，将输入矩阵化成一个向量；m_ij为第i层第j种卷积核的宽度，k_ij为第i层第j种卷积核的个数，表示一次宽为m_ij，过滤器数量为k_ij的带有激活函数的卷积操作；

或者，步骤2)使用多层卷积神经网络根据步骤1)生成的向量矩阵M_E生成深层语义特征f_E，即满足：

M₀＝M_E，f_E＝flatten(M_N)

其中，M_i为第i层过后的特征矩阵；concat为连接函数，将输入的一系列张量在最后一个分量上进行连接；flatten为扁平化函数，将输入矩阵拉平成一个向量；m_ij为第i层第j种卷积核的宽度，k_ij为第i层第j种卷积核的个数，表示一次宽为m_ij，过滤器数量为k_ij的带有激活函数的卷积操作。