[发明专利]一种基于数据增强的阅读理解选择题答题方法

权利要求书

1.一种基于数据增强的阅读理解选择题答题方法，其特征在于，包括以下步骤：

S1、利用滑动窗口方法裁剪阅读理解选择题的背景材料；

S2、规范阅读理解选择题的背景材料、题干和选项数据格式，具体步骤为：

将每条阅读理解多项选择题数据中的背景材料做句子切分，并把每一个切分下的子句表示为{S₁，S₂，…，S_k}，同时将题干Q分别和四个选项A、B、C、D逐一组合并表示成{Q_a，Q_b，Q_c，Q_d}作为待比较文档，然后分别对两部分做分词、停用词预处理；

S3、利用TF-IDF方法从词频角度提取答题候选句，得到答题材料句子集X，具体步骤为：

S301、将每条数据中的每个背景材料子句S_i分别与题干Q和四个选项A、B、C、D逐一组合并表示成的{Q_a，Q_b，Q_c，Q_d}做TF-IDF相似度计算，计算公式如下所示：

式(4)中，表示每个背景材料子句S_i的词频向量，表示{Q_a，Q_b，Q_c，Q_d}中每个题干选项句Q_j的词频向量；

S302、将背景材料中相似度在前四的句子组合到一起，得到答题材料句子集X；

S4、利用Bi-Attention从高维句向量角度提取答题候选句，得到答题材料句子集Y，具体步骤为：

S401、将每个背景材料子句S_i和题干Q与四个选项A、B、C、D逐一组合并表示成的{Q_a，Q_b，Q_c，Q_d}这两部分输入到BERT模型中，利用BERT模型表示每个背景材料子句S_i的句向量和{Q_a，Q_b，Q_c，Q_d}中每个题干选项句Q_j的句向量

S402、背景材料子句S_i的句向量和题干选项句Q_j的句向量做双向Attention计算，计算出背景材料子句对题干选项句子的注意权重α，和题干选项句子对背景材料子句的注意权重β，之后相加得到双向权重γ，计算公式如下所示：

γ＝α+β (7)

S403、最终选取双向权重γ最高的前四句背景材料句并组合到一起，得到答题材料句子集Y；

S5、合并去重S3、S4所得的句子集X、Y，得到候选句集Z；

S6、利用适应于阅读理解选择题的EDA策略扩充候选句集Z，得到最终数据增强候选句集；

S7、将最终数据增强候选句集输入到BERT模型做阅读理解选择题答案预测。

2.根据权利要求1所述的一种基于数据增强的阅读理解选择题答题方法，其特征在于，所述步骤S1中利用滑动窗口方法裁剪阅读理解选择题的背景材料，具体步骤为：

S101、定义一篇文章P的字数为n，裁剪后的文章子片段为{p₁，p₂，…，p_m}，其中m为裁剪后的子片段个数，每个子片段的字符数不超过512；

S102、要求前一个子片段的结尾与后一个子片段的开头有衔接性，采用一个完整的句子s_j作为衔接，具体表示如以下公式所示：

P＝p₁∪p₂∪...∪p_m (1)

s₁＝p₁∩p₂,...,s_m-1＝p_m-1∩p_m (2)

3.根据权利要求1所述的一种基于数据增强的阅读理解选择题答题方法，其特征在于，所述步骤S6中利用适应于阅读理解选择题的EDA策略扩充候选句集Z，得到最终数据增强候选句集，具体步骤为：

S601、依据阅读理解选择题试题中不同词的重要性重构一个适应于阅读理解选择题的EDA停用词表；

S602、针对阅读理解选择题答题的实验数据规模小、背景材料句子长的特性，对传统EDA方法参数策略进行改进；

S603、选用百分比参数δ＝0.1且n_aug＝2对答题候选句集Z部分做同义词替换、随机插入、随机交换和随机删除方法操作，扩充得到最终数据增强候选句集，其中，δ是句子中单词变化的百分比参数，n_aug表示每篇材料或每个选项所生成的增强数。