[发明专利]一种智能问答系统及分析方法

权利要求书

1.一种智能问答系统的分析方法，其特征在于，所述智能问答系统的分析方法包括：收集数据集为spring的相关问题并分析；

数据分析完毕之后，对数据集进行分词和关键词提取的预处理；

使用关联规则表达问题和答案之间的关联性；根据用户的答案自动到数据库中寻找答案；其次，进行问题和问题之间的关联性以及答案和答案之间的关联性表达。

2.如权利要求1所述的智能问答系统的分析方法，其特征在于，关键词的提取采用聚类方式，首先直接对问题聚类，聚类完毕之后再次进行关键词提取。

3.如权利要求1所述的智能问答系统的分析方法，其特征在于，所述关联性采用循环神经网络RNNs处理输入之间前后关联；所述循环神经网络RNNs包包括：输入单元，输入集标记为{x0,x1,...,xt,xt+1,...}；

输出单元，输出集标记为{y0,y1,...,yt,yt+1.,..}；

隐藏单元，输出集标记为{s0,s1,...,st,st+1,...}。

4.如权利要求3所述的智能问答系统的分析方法，其特征在于，循环神经网络RNNs处理方法包括：

1)前向计算每个神经元的输出值：

2)反向计算每个神经元的误差项值，即误差函数E对神经元j的加权输入的偏导数；

3)计算每个权重的梯度：

4)已知误差项值和上一时刻隐藏层的输出St-1，则权重矩阵在t时刻的梯度为：

已知误差项值和上一时刻隐藏层的输出St-1，则权重矩阵在时刻的梯度为：

▿wtE=δ1ts1t-1δ1ts2t-1...δ1tsnt-1δ2ts1t-1δ2ts2t-1...δ2tsnt-1............δnts1t-1δnts2t-1...δnts2t-1]]>

表示t时刻误差项向量的第i个分量；

表示-1时刻循环层第i个神经元的输出值；

最终梯度：各个时刻误差项向量的第i个分量；

表示t-1时刻循环层第i个神经元的输出值；

最终梯度：各个时刻的梯度之和；

即：

5)最后根据随机梯度下降算法SGD更新权重。