[发明专利]一种用于问答系统的答案排序方法

说明书

一种用于问答系统的答案排序方法，获取输入的问题及其候选答案集合，通过知识感知注意力机制计算得到问题和每个候选参考答案之间的相关程度，从而根据相关程度对各个候选答案进行排序。该方法实际上构建了一个基于知识感知注意力机制的答案排序模型，通过该答案排序模型对问题、答案的文本以及外部知识共同建模，得到信息量更加丰富的句子特征表示，能够对问题和答案之间隐藏的背景知识进行挖掘，极大程度地解决了在文本信息不足情况下问答系统准确率不高的问题，使得问答系统可通过问题和每个候选答案之间的相关程度对所有候选答案进行排序，快速地从众多候选答案中找到匹配程度最高的答案，进而利于提高问答系统的准确率和用户体验感。

技术领域

本发明涉及人工智能技术领域，具体涉及一种用于问答系统的答案排序方法。

背景技术

随着认知神经、深度学习等领域的持续发展，人工智能逐渐涉足各个领域，致力于改善人们的生活。在人工智能的时代，人类期望有更简单自然的方式与机器进行交互，因此以自然语言为交互方式的智能机器人广受青睐，而其底层核心技术之一，即为自然语言问答系统(简称问答系统，包括诸如声音、文字、动作等语言形式的问答系统)，该系统通过问题语义和知识语义的理解以及相似度计算，使计算机理解人类语言与知识表达的关联属性，跨越语义鸿沟。目前，问答系统主要应用领域包括智能聊天机器人、智能客服、社区问答网站、精准信息检索等。许多研究机构与公司都在将这种自然语言问答系统应用于自己的产品中，如IBM的Watson，苹果的Siri，百度的度秘，微软的小冰等。

问答系统，是语义计算和自然语言处理的综合性应用系统，它包含了多种典型自然语言处理的基本模型，例如实体识别、短文本理解、语义匹配、答案选择排序等，其中，答案的选择排序是至关重要的一项技术，广泛应用于各类型的问答系统中，如社区问答、事实型问答、检索型问答。目前，已有的许多答案选择排序的算法或模型采用了深度学习模型和注意力机制，极大程度地获得了较传统算法的在准确度方面的提升，但当前的这些算法或模型都仅仅关注问题和答案文本本身所能提供的信息，而忽视了与文本相关的已存在的许多背景知识，而这些背景知识仅从问题和答案的文本信息中是无法获取的，这就使得问题和各个答案之间的匹配性差，问答系统的准确率低，如此，导致用户往往不能通过问答系统获得所需要的答案，实际体验性差。

发明内容

本发明主要解决的技术问题是如何获知问答系统中问题和各个参考答案之间的匹配程度，以提高问答系统的准确率和用户体验感。为解决上述技术问题，本发明提供了一种用于问答系统的的答案选择排序方法。

根据第一方面，本发明公开了一种用于问答系统的答案排序方法，包括以下步骤：

步骤S10，获取输入的问题及其候选答案集合；

步骤S20，分别获取所述问题基于文本的句子向量表示，以及候选答案集合中每个候选答案基于文本的句子向量表示；

步骤S30，分别获取所述问题基于知识的句子向量表示，以及候选答案集合中每个候选答案基于知识的句子向量表示；

步骤S40，对于候选答案集合中每个候选答案，根据该候选答案基于文本的句子向量表示和基于知识的句子向量表示，以及所述问题基于文本的句子向量表示和基于知识的句子向量表示，计算得到该候选答案基于知识感知的句子向量，以及该候选答案下所述问题基于知识感知的句子向量；

步骤S50，对于候选答案集合中每个候选答案，根据该候选答案基于知识感知的句子向量和该候选答案下所述问题基于知识感知的句子向量，计算该候选答案与所述问题的相关程度；

步骤S60，根据候选答案集合中每个候选答案与所述问题的相关程度，对候选答案集合中各候选答案进行排序，得到针对所述问题的答案的排序。

所述步骤S20包括：