[发明专利]答案选择方法、装置、计算机设备及计算机可读存储介质

权利要求书

1.一种答案选择方法，其特征在于，所述答案选择方法包括：

获取阅读文本、题干和所述题干对应的多个候选选项；

将所述题干和每个候选选项组合为一个候选语句，计算每个候选语句与所述阅读文本中的每个文本语句的相似度；

针对每个候选语句，将所述相似度由高至低进行排序，将排序在前预设第一数量的相似度对应的文本语句确定为所述候选语句的相似语句；

将候选语句和所述候选语句的相似语句组合成候选语句对，并将每个候选语句对输入至蕴含关系分类模型中，得到蕴含关系概率值；

将所述蕴含关系概率值由高至低进行排序，将排序在前预设第二数量的蕴含关系概率值对应候选语句确定为目标候选语句；

将所述目标候选语句对应的候选标识确定为答案。

2.如权利要求1所述的答案选择方法，其特征在于，所述获取阅读文本、题干和所述题干对应的多个候选选项包括：

通过字符识别设备从纸质试题中识别所述阅读文本、所述题干和所述题干对应的多个候选选项；或者

从存储介质读取所述阅读文本、所述题干和所述题干对应的多个候选选项。

3.如权利要求1所述的答案选择方法，其特征在于，所述计算每个候选语句与所述阅读文本中的每个文本语句的相似度包括：

通过训练好的基于BERT的文本二分类模型计算所述候选语句与所述阅读文本中的每个文本语句的相似度，所述文本二分类模型包括BERT层和SOFTMAX分类层。

4.如权利要求3所述的答案选择方法，其特征在于，所述文本二分类模型的训练过程包括：

获取MSMARCO数据集中的候选语句和阅读文本；

将候选语句与阅读文本中的每个文本语句组合成语句对，为每个语句对设置标签；

通过所述BERT层对语句对进行编码计算，得到语句对向量；

通过所述SOFTMAX分类层的前向传播算法对所述语句对向量进行计算，得到语句对的相似度；

根据所述语句对的相似度和语句对的标签采用反向传播算法优化所述BERT层和所述SOFTMAX分类层的参数，得到所述二分类模型。

5.如权利要求3所述的答案选择方法，其特征在于，所述通过训练好的基于BERT的文本二分类模型计算所述候选语句与所述阅读文本中的每个文本语句的相似度包括：

获取所述题干的向量表示和所述候选选项的向量表示，向量表示为向量或向量序列；

将所述题干的向量表示和所述候选选项的向量表示进行元素相加，得到所述候选语句的向量表示；

获取所述阅读文本中的每个文本语句的向量表示；

通过所述文本二分类模型基于所述候选语句的向量表示和所述阅读文本中的每个文本语句的向量表示，计算所述候选语句与所述阅读文本中的每个文本语句的相似度。

6.如权利要求1所述的答案选择方法，其特征在于，所述计算每个候选语句与所述阅读文本中的每个文本语句的相似度包括：

调用基于WORD2VECTOR语义相关度计算方法计算所述候选语句与所述阅读文本中的每个文本语句的相似度。

7.如权利要求1所述的答案选择方法，其特征在于，所述蕴含关系分类模型的训练过程包括：

获取多个第一语句对训练样本及获取多个第二语句对训练样本，其中，所述第一语句对训练样本包括第一语句及相似语句，所述第二语句对包括第二语句及不相似语句；

为所述多个第一语句对训练样本设置第一标签，及为多个第二语句对训练样本设置第二标签；

通过深度学习网络的前向传播算法对所述多个第一语句对训练样本及所述多个第二语句对训练样本进行计算，得到每个训练样本的输出向量；

采用反向传播算法根据所述训练样本的标签和输出向量优化所述深度学习网络中的参数，得到所述蕴含关系分类模型。