[发明专利]一种基于增强问题重要性表示的答案选择算法

权利要求书

1.一种基于增强问题重要性表示的答案选择算法，其特征在于：步骤如下：

S1，将问题和答案通过BiLSTM编码层对问题和答案进行编码；

S2，编码后的问题利用自注意力机制得到新的问题向量；

S3，将问题和答案构建词级相似度矩阵进行对齐；

S4，捕捉多粒度的语义信息，将不同粒度的向量进行融合比较；

S5，通过多窗口CNN来提取融合特征，得出最佳选项。

2.根据权利要求1所述基于增强问题重要性表示的答案选择算法，其特征在于：所述在步骤S1中Q为问题，答案为A，用H_q＝{h_q1,...,h_qm}和H_a＝{h_a1,...,h_an}来表示问题句向量和答案句向量，是句子H_q的第i个词嵌入，m和n分别表示问题和答案的长度；

问题和答案通过BiLSTM编码层捕捉到句子上下文的信息，LSTM的隐层维度为u，在t时刻的嵌入词为x_t,前一时刻的隐层和记忆单元分别为h_t-1和c_t-1，下一时刻的隐层h_t和记忆单元c_t计算如下：

g_t＝φ(W_gx_t+V_gh_t-1+b_g)，

i_t＝σ(W_ix_t+W_ih_t-1+b_i)，

f_t＝σ(W_fx_t+W_fh_t-1+b_f)，

o_t＝σ(W_ox_t+W_oh_t-1+b_o),

c_t＝g_t⊙i_t+c_t-1⊙f_t，

h_t＝c_t⊙o_t

其中，的，σ和φ分别是sigmoid函数和tanh函数，⊙表示两个向量进行元素相乘，输入门i，遗忘门f和输出门o能够自动的控制信息的流动,同时记忆单元c_t可以记住长距离的信息h_t是t时刻的向量表示。

3.根据权利要求1所述的基于增强问题重要性表示的答案选择算法，其特征在于：所述步骤S2中对步骤S1中得到问题的句子T_q＝{t_q1,...,t_qm}和答案的句子T_a＝{t_a1,...,t_an},其中对问题中的每个词进行计算权重并更新权重,生成新的问题向量表示。所述新的向量计算公式为：

v＝T_qW₁；其中

α_q＝sigmoid(v)；其中

U_q＝α_q⊙T_q；其中