[发明专利]一种用于多跳推理问题的智能问答方法及装置

说明书

本申请实施例公开了一种用于多跳推理问题的智能问答方法及装置，方法包括：获取问题文本；对问题文本进行语义编码，获得问题文本的语义编码表示；根据问题文本的语义编码表示，确定第一预测结果，第一预测结果为问题文本的至少一个问题主体所在位置的预测结果；根据问题文本的语义编码表示，确定第二预测结果，第二预测结果为问题文本的至少一个问题关系的预测结果；根据第一预测结果和第二预测结果，生成子问题文本，子问题文本包括至少一个子问题；根据筛选文档，对至少一个子问题依次进行回答，获得与至少一个子问题对应的答案，筛选文档包括至少一个子问题对应的答案；根据至少一个子问题对应的答案，确定问题文本的最终答案。

技术领域

本发明涉及自然语言处理技术领域。尤其涉及一种用于多跳推理问题的智能问答方法及装置。

背景技术

多跳推理系统是智能问答业务场景中对于复杂的问题描述进行智能分析并寻找多处线索进行回答的重要技术，是智能问答业务场景的重要组成部分。

深度学习技术在传统的单跳阅读理解任务中已经取得了长足进步，获得了媲美人类的水平，但是很多单跳阅读理解任务都可以通过简单的问题与段落的句子匹配来回答，并不涉及复杂的推理。

为了让机器学会真正的推理能力，最近许多高质量的多跳问答数据集被提出，比如HotpotQA、ComplexWebQuestions、QAngarooWikiHop、R4C、2WikiMultiHopQA等。这些多跳问答任务相比传统的阅读理解任务更具挑战性，其难度主要体现在：一、需要机器在大量段落中的几个距离很远的位置找到线索才能够完成推理；二、需要机器在完成推理的同时具备一定的可解释性；三、需要机器能够自适应复杂多变的问题类型和答案类型，能够更好的整合线索得到答案。

传统的多跳问答模型大多是一些基于图结构或者图神经网络的端到端的阅读理解模型。尽管这些工作在许多任务上有着不错的表现，但是它们同样有着不容忽视的局限性。

首先，端到端的阅读理解模型的内部推理机制不清晰，它们通常采用一个额外的判别器来判断某个句子是否为线索句，这样的额外的判别器与端到端的阅读理解模型本身的推理结果没强相关性，这样的解释性是不够忠实的；其次，尽管图结构理论上对于解决多跳问答问题是有效的，但最近有实验证明了现有的图神经网络仅仅是一种特殊的注意力机制，对于多跳问答问题并非是必须的，只要提供同样的额外邻接矩阵信息，只用Transformer网络的self-attention机制代替图神经网络也可以达到相同甚至更优的效果。

发明内容

由于现有方法存在上述问题，本申请实施例提出一种用于多跳推理问题的智能问答方法及装置。

第一方面，本申请实施例提出一种用于多跳推理问题的智能问答方法，包括：

获取问题文本；

对所述问题文本进行语义编码，获得所述问题文本的语义编码表示；

根据所述问题文本的语义编码表示，确定第一预测结果，所述第一预测结果为所述问题文本的至少一个问题主体所在位置的预测结果；

根据所述问题文本的语义编码表示，确定第二预测结果，所述第二预测结果为所述问题文本的至少一个问题关系的预测结果；

根据所述第一预测结果和所述第二预测结果，生成子问题文本，所述子问题文本包括至少一个子问题；

根据筛选文档，对所述至少一个子问题依次进行回答，获得与所述至少一个子问题对应的答案，所述筛选文档包括所述至少一个子问题对应的答案；

根据所述至少一个子问题对应的答案，确定所述问题文本的最终答案。

在一种可能的实现中，所述根据所述问题文本的语义编码表示，确定第一预测结果，包括：