[发明专利]相似对问题预测的方法、装置及电子设备

说明书

本发明实施例提供一种相似对问题预测的方法、装置及电子设备，其中，将待预测相似对问题输入至多个不同的预测模型中，获得每个预测模型输出的预测结果；其中，至少一个预测模型的嵌入层加入随机扰动参数；对多个预测结果进行投票运算，得到待预测相似对问题的最终预测结果。本申请通过在预测模型的嵌入层加入随机扰动参数可有效防止预测模型过度学习样本知识造成的过拟合，进而利用上述预测模型对相似对问题进行预测可有效提高预测的准确性。

技术领域

本发明涉及神经网络模型技术领域，尤其是涉及一种相似对问题预测的方法、装置及电子设备。

背景技术

利用神经网络分类模型将患者常见的问题问答进行相似分类是一个有价值的事情，比如，识别患者相似问题，有利于理解患者真正诉求，帮助快速匹配准确答案，提升患者获得感；而归纳医生相似答案，可有助于分析答案规范性避免误诊。

目前，常在现有神经网络分类模型中加入固定扰动参数以防止过拟合，然而这种方式在模型训练的过程中容易学习到样本知识不利于防止过拟合。

发明内容

有鉴于此，本发明的目的在于提供一种相似对问题预测的方法、装置及电子设备，以缓解上述技术问题。

第一方面，本发明实施例提供了一种相似对问题预测的方法，其中，该方法包括：将待预测相似对问题输入至多个不同的预测模型中，获得每个预测模型输出的预测结果；其中，至少一个预测模型的嵌入层加入随机扰动参数；对多个预测结果进行投票运算，得到待预测相似对问题的最终预测结果。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，每个预测模型包括多个预测子模型，每个预测子模型是由分配函数确定的相似对问题训练样本集训练预测模型得到；获得每个预测模型输出的预测结果的步骤，包括：将待预测相似对问题输入每个预测模型包括的多个预测子模型中，得到每个预测子模型输出的预测子结果；将多个预测子结果进行投票运算，得到预测结果。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，预测子模型采用以下方式训练，包括：获取原始相似对问题训练样本集；利用相似性传递原理对原始相似对问题训练样本集进行训练样本扩充处理，得到扩充相似对问题训练样本集；基于分配函数从扩充相似对问题训练样本集中确定相似对问题训练样本集；利用相似对问题训练样本集和特定相似对问题训练样本集训练预测模型得到预测子模型。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，得到扩充相似对问题训练样本集之后，方法还包括：对扩充相似对问题训练样本集中的每对相似对问题训练样本进行顺序标号；基于分配函数从扩充相似对问题训练样本集中确定相似对问题训练样本集的步骤，包括：利用分配函数的第一函数从扩充相似对问题训练样本集中确定第一标号：利用分配函数的第二函数基于第一标号从扩充相似对问题训练样本集中确定第二标号：选取第一标号和第二标号区间内的扩充相似对问题训练样本集作为相似对问题训练样本集。

结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，第一函数为：i= AllNumber *radom(0,1)+offset；其中，i表示第一标号，iAllNumber ，AllNumber表示扩充相似对问题训练样本集的长度，offset表示偏移量，offsetAllNumber，offset为正整数。

结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，第二函数为：j=i+A%*AllNumber；其中，j表示第二标号，，A为正整数，，i表示第一标号，AllNumber表示扩充相似对问题训练样本集的长度。