[发明专利]一种智能问答方法及其系统

说明书

技术领域

本申请涉及文本处理技术领域，具体涉及一种智能问答方法及其系统。

背景技术

智能问答系统可以根据知识领域划分成封闭领域和开放领域两种类型，封闭领域专注于回答特定领域的问题，提问者仅能问一些领域相关的问题并获取答案。开放领域系统则不设置问题的范围，提问者可以提出自己感兴趣的话题，并且从该类系统中得到自己想要的解答。

目前流行的问答机器人大多是基于开放领域的智能问答系统，如以互联网预料及用户点击日志为基础的微软小冰，以百度搜索日志为基础的百度语音助手等，这些开放型的智能机器人无法针对特定领域(如政府、金融、保险等)的问题实现精准的回答，准确度低。

发明内容

本发明的目的在于提出一种智能问答方法及智能问答系统，用于解决现有技术中针对性差、问题回答准确率低的技术问题。

本申请的智能问答方法，包括如下步骤：

步骤S1、建立相关领域的知识图谱；

步骤S2、将用户问题的语音转化成文本；

步骤S3、使用skip-gram模型将文本向量化，生成问题向量矩阵；

步骤S4、使用卷积神经网络将问题向量矩阵生成问题特征向量；

步骤S5、计算用户问题特征向量与候选答案特征向量的相似度；

步骤S6、通过排序学习反馈给用户答案。

可选地，步骤S1中，知识图谱的建立包括如下步骤：

步骤R1、对高价值信息进行检测，抽取数据块；

步骤R2、将自然语言文本中的信息与知识库中的条目进行链接；

步骤R3、对自然语言文本进行开放抽取，获取相应的三元组；

步骤R4、将抽取的三元组进行验证集成。

优选地，步骤S3中，skip-gram模型将文本向量化时，对于给定单词序列w₁，w₂，...，w_n，该模型的优化目标公式如下：

式中，p表示第t+j个词在t个词出现的情况下出现的概率；c是训练上下文的长度；

skip-gram模型使用softmax函数来优化参数，优化公式如下：

式中，ν_w是单词w的输入向量；ν’_w是单词w的输出向量；W是词表中单词的数量。

可选地，skip-gram模型优化参数的方法包括：层次softmax、负采样和二次采样中的一种或多种。

可选地，步骤S4包括如下步骤：

步骤T1、将问题向量矩阵用二元卷积神经网络生成卷积神经网络；

步骤T2、问题向量矩阵经第一卷积层、第一采样层、第二卷积层和第二采样层后变换到输出层，生成问题向量。

优选地，问题向量生成模型的训练目标公式如下：

L＝max(mar-x^T·x₊+x^T·x_-)₊(公式3)

其中，x为有卷积神经网络生成的问题向量；x₊为与向量x属于同一类的抽样向量；x_-为不属于向量x所属类的抽样向量。

可选地，问题向量矩阵经由第二采样层变换到输出层的函数如下公式所示：

x＝W₀ tanh(y)(公式4)

其中，x表示输出向量；y表示第二采样层向量；W₀表示加权变换时的权值信息。

可选地，步骤S5中，在问题特征向量与候选答案特征向量进行比较时，进行相似度打分，包括问题特征向量相似度打分、问题特征向量与所有答案向量的相似度打分。

优选地，问题特征向量与所有答案向量的相似度打分的公式如下：

r'＝v·M'·c(公式5)

其中，r’是结果向量，维度与已知答案的格式k相同；ν是待测评问句向量；M’是一个n×k维矩阵，每一列表示一个已知答案的答案向量；C是一个k维向量，向量中每一维表示该维所对应的结果中关键字与问题关键字的相似程度。

本申请提出的智能问答方法，在用户使用该问答系统时，使用系统匹配到的与用户提问问题相似度最高的答案反馈给用户，通过文本向量化技术，将问题抽象成特征向量，之后再利用基于深度学习的方法计算用户问题和知识图谱候选答案的相似度，最后挑选相似度最高的答案作为最优答案反馈给用户。本申请的智能问答系统，针对性好，准确度高。