[发明专利]问答对扩展方法、装置、电子设备及可读存储介质

权利要求书

1.一种问答对扩展方法，其特征在于，所述方法包括：

获取标签映射表，其中，所述标签映射表包含：关键词集合以及所述关键词集合中每个关键词的一类标签及二类标签；

利用所述一类标签及所述二类标签构建细粒度标签，根据所述细粒度标签及所述关键词集合构建标签标记脚本；

获取问答对文本集，利用所述标签标记脚本筛选所述问答文本集中的每个问答对文本中的关键词，并根据对应的细粒度标签对所述关键词进行标记，得到标记问答对文本；

将所述标记问答对文本中的关键词替换为所述关键词集合中与所述关键词具有相同的一类标签且二类标签不相同的关键词，得到相似文本；

利用所述相似度文本及所述标记问答对文本对预构建的深度学习模型进行训练，得到文本生成模型；

当接收到待扩展问答对文本时，利用所述文本生成模型生成扩展问答对文本。

2.如权利要求1所述的问答对扩展方法，其特征在于，所述利用所述一类标签及所述二类标签构建细粒度标签，根据所述细粒度标签及对应的所述关键词集合构建标签标记脚本，包括：

利用预设的字符将所述关键词集合每个关键词对应的一类标签及二类标签进行拼接，得到对应的细粒度标签；

根据所述细粒度标签及所述关键词集合中对应的所有的关键词构建正则表达式；

将所有所述正则表达式汇总并封装为脚本，得到所述标签标记脚本。

3.如权利要求1所述的问答对扩展方法，其特征在于，所述利用所述相似度文本及所述标记问答对文本对预构建的深度学习模型进行训练，得到文本生成模型，包括：

将所述标记问答对文本进行特征提取及标签编码，得到文本句向量；

将所述相似文本进行特征提取，得到相似文本句向量；

利用所述文本句向量及所述相似文本句向量对所述深度学习模型进行迭代训练，得到所述文本生成模型。

4.如权利要求3所述的问答对扩展方法，其特征在于，所述将所述标记问答对文本进行特征提取及标签编码，得到文本句向量，包括：

利用预设的分词词典对所述标记问答对文本进行分词，得到初始文本词语集；

所述初始文本词语集中每个词语按照在所述标记问答对文本中先后顺序进行组合，得到文本序列；

将所述文本序列中的每个词语转化为向量，并将转化得到的所有向量按照所述文本序列中对应的词语的顺序进行组合，得到初始句向量；

根据所述标签问答对文本对应的细粒度标签对所述文本序列进行标签编码，得到标签向量；

将所述标签向量与所述初始句向量进行拼接，得到所述文本句向量。

5.如权利要求4所述的问答对扩展方法，其特征在于，所述根据所述标签问答对文本对应的细粒度标签对所述文本序列进行标签编码，得到标签向量，包括：

获取所述细粒度标签的特征编码值；

将所述标签问答对文本对应的细粒度标签确定为目标细粒度标签；

根据所述文本序列中词语的数量构建对应维度的零向量；

统计所述文本序列中所述目标细粒度标签标记的词语的位置，得到标签位置；

将所述零向量中所述标签位置对应位置的元素替换为所述标签位置对应的所述目标细粒度标签的特征编码值，得到所述标签向量。

6.如权利要求1至5中任意一项所述的问答对扩展方法，其特征在于，所述利用所述文本生成模型生成所述待扩展问答对文本之后，包括：

计算所述扩展问答对文本的困惑度；

根据所述困惑度与预设的困惑度阈值对所述待扩展问答对文本进行文本质量鉴别，得到所述扩展问答对文本的鉴别结果。

7.如权利要求6中所述的问答对扩展方法，其特征在于，所述根据所述困惑度与预设的困惑度阈值对所述待扩展问答对文本进行文本质量鉴别，得到所述扩展问答对文本的鉴别结果，包括：

将所述困惑度与预设的困惑度阈值进行比较；

当所述困惑度大于或等于所述困惑度阈值时，所述鉴别结果为鉴别不通过；

当所述困惑度小于所述困惑度阈值时，所述鉴别结果为鉴别通过。