[发明专利]一种基于用户反馈修正的智能问答方法及系统

权利要求书

1.一种基于用户反馈修正的智能问答方法，其特征在于：包括以下步骤：

步骤1、用户输入提问问题，进行文本分词和特征词提取；

步骤2、对特征词提取结果和问答库文本进行向量化，并计算文本的余弦相似度，生成初步匹配结果；

步骤3、将用户输入文本向量和用户反馈数据库向量输入深度学习网络模型，进行用户反馈修正过程；

步骤4、综合相似度匹配与用户反馈修正模型的结果，向用户输出最终答案文本。

2.根据权利要求1所述一种基于用户反馈修正的智能问答方法，其特征在于：所述步骤1的具体步骤包括：

1.1将用户提问文本输入Jieba分词工具，根据文本实际情况进行分词。

1.2将分词结果输入TextRank算法，提取其中与问答相关的关键词、关键短语或关键句，同时过滤中文语气助词和虚词，得到最终的分词结果。

3.根据权利要求1所述一种基于用户反馈修正的智能问答方法，其特征在于：所述步骤2的具体步骤包括：

2.1采用向量空间模型来进行文本向量化过程，使用one-hot编码将分词后的用户输入文本和问答库文本映射成由一组规范化正交矢量构成的向量空间中的一点；

2.2计算向量空间中用户输入文本向量和本体知识数据库文本向量夹角的余弦值；两个向量A、B夹角的余弦值计算公式如下：

余弦值计算结果越接近1，表明夹角越接近0度，两个向量越相似，即代表用户咨询的问题与本体知识数据库中已有的该条回答相似程度越高，并筛选相似度最高的回答作为初步匹配结果。

所述问答文本库包括：本体知识数据库和用户反馈数据库。

4.根据权利要求1所述一种基于用户反馈修正的智能问答方法，其特征在于：所述步骤3的具体方法为：

所述深度学习网络模型包括三层：输入层、交互层、输出层，各层的处理流程如下：

3.1将用户输入文本向量和用户反馈数据库向量输入深度学习网络模型的输入层，进行词向量和字向量的融合操作，得到最终的字符向量；

输入层首先采用词向量嵌入和字向量嵌入结合的方法，词向量采用glove算法进行一般嵌入，而字向量与词向量进行融合，嵌入方式是将初始文本编码成one-hot向量，并将向量第二维度与第一维度合并输入，再在后面接一个双向长短时记忆循环神经网络结构将正向和反向输出维度进行拼接得到最终的字符向量；然后将词向量和字符向量进行融合，并在后面接上高速网络结构；最后得到输入层的输出结果并进入交互层。

3.2字符向量进入交互层处理后得到交互向量，并采用计算点积的方法构建交互向量的二维相似度矩阵；

在输入层的输出端接入BI-LSTM网络结构进行文本匹配，然后输入双向多角度匹配模型的Matching层进行四种方式的交互得到交互向量，采用计算点积的方法将获得的两个文本的交互向量构建成二维相似度矩阵；

3.3处理交互层生成的相似度矩阵，得到输出层结果，即用户输入问题与用户反馈数据库中的结果是否相似，得到用户反馈修正模型的结果；

采取卷积神经网络模型和双向切片循环神经网络模型融合的方式对相似度矩阵进行处理；

将CNN中最后的Softmax层去掉，保留卷积层和池化层以及全连接层，BI-SRNN同样去掉Softmax层，将CNN和SI-SRNN两个网络模型的全连接层做拼接；从相似度矩阵的左上角计算到右下角，再从相似度矩阵的右下角计算到左上角，将两个方向的向量拼接，后面再接一个全连接的神经网络+Softmax层做二分类，得到的结果即二分类的概率。代价函数使用交叉熵，公式如下：

其中a为网络的最后输出，y是标签，即是否相似。

5.根据权利要求1所述一种基于用户反馈修正的智能问答方法，其特征在于：所述步骤4的具体方法为：

4.1如果深度学习网络模型的输出值优于初步匹配值，则初步匹配结果会根据用户反馈数据库中相似的、且用户评价满意的回答进行调整，最终生成匹配度最高的几条结果，并向用户推送答案；

4.2如果初步匹配值优于深度学习网络模型得输出值，则向用户返回初步匹配结果的答案文本，并将此次问答记入用户反馈数据库，后续由人工完善此回答。

6.一种基于用户反馈修正的智能问答系统，包括：

文本分词和特征词提取模块，用于将用户输入提问问题，进行文本分词和特征词提取；

初步匹配结果生成模块，用于对特征词提取结果和问答库文本进行向量化，并计算文本的余弦相似度，生成初步匹配结果；

用户反馈修正模块，用于将用户输入文本向量和用户反馈数据库向量输入深度学习网络模型，进行用户反馈修正过程；

最终答案文本输出模块，用于综合相似度匹配与用户反馈修正模型的结果，向用户输出最终答案文本。