[发明专利]基于多特征的问题可回答性判别方法及计算机存储介质

权利要求书

1.一种基于多特征的问题可回答性判别方法，其特征在于，包括以下步骤：

(1)对问题和文章对进行预处理并统计语料信息；

(2)计算问题和文章的4种交互特征，所述4种交互特征为距离特征、共现特征、归一化点互信息和主题特征；

所述距离特征为两个句子编码间的距离；

所述共现特征为两个句子中的词共现个数；

所述归一化点互信息为单词之间的结合紧密程度；

所述主题特征为句子语义上的相似度；

(3)选择阈值并进行分类判别；

步骤(2)中计算问题q和文章d的距离特征的方法为：

其中，f(q_i,d)表示问题的单词q_i在文章d的出现词频，avg_dl表示在文章d的平均文档长度，D表示文章总个数，n_t表示单词q_i出现的文章总个数，k₁为取正值的调优参数，用于对文档中的词项频率进行缩放控制，b是调节参数，用于决定文档长度的缩放程度。

2.根据权利要求1所述的基于多特征的问题可回答性判别方法，其特征在于，步骤(1)具体包括以下步骤：

(1.1)对问题和文章对利用分词器进行分词；

(1.2)针对分词后的文章统计文章个数及文章平均单词个数；

(1.3)根据分词对文章建立索引；

(1.4)针对每个分词后的问题和文章对，分别计算词频，并针对各自的单词进行组合，对组合成的单词对计算归一化点互信息npmi，

其中，c12表示两个单词共现词频，n_docs表示单词所在文章的总计词数，c1表示单词1出现词频；c2表示单词2的出现词频。

3.根据权利要求2所述的基于多特征的问题可回答性判别方法，其特征在于，步骤(2)中共现特征的计算方法为：计算文章中的单词个数，计算问题中有多少个连续单词出现在文章中，并计算最大连续个数。

4.根据权利要求2所述的基于多特征的问题可回答性判别方法，其特征在于，步骤(2)中计算归一化点互信息的方法为：针对问题和文章中的单词两两组合，查询二者的npmi值，并针对每个问题计算平均npmi值、最大npmi值和最小npmi值。

5.根据权利要求2所述的基于多特征的问题可回答性判别方法，其特征在于，步骤(2)中计算主题特征的方法为：使用lda聚类方法，将每个词压缩成一个低纬的主题向量，并根据余弦相似度进行聚类。

6.根据权利要求1所述的基于多特征的问题可回答性判别方法，其特征在于，步骤(3)中阈值选择方法为：将数据集按照比例划分训练集和验证集，针对分类器设置不同的阈值，根据每个阈值计算在验证集上的F1值，选择最大F1值的阈值作为判别依据。

7.根据权利要求1所述的基于多特征的问题可回答性判别方法，其特征在于，步骤(3)中分类判别的方法为：将步骤(2)中的交互特征输入xgboost分类器进行二分类判断，分类器的输出为正表示相关，输出为负表示不相关。

8.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机程序在被计算机处理器执行时实现权利要求1至7任一项所述的方法。