[发明专利]一种基于深度学习和主题模型的问答系统实现方法有效
| 申请号： | 201810330697.7 | 申请日： | 2018-04-13 |
| 公开（公告）号： | CN108763284B | 公开（公告）日： | 2021-07-20 |
| 发明（设计）人： | 詹国辉;俞祝良 | 申请（专利权）人： | 华南理工大学 |
| 主分类号： | G06F16/332 | 分类号： | G06F16/332;G06F40/30;G06N3/04;G06N3/08 |
| 代理公司： | 广州市华学知识产权代理有限公司 44245 | 代理人： | 冯炳辉 |
| 地址： | 511458 广东省广州市*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度学习和主题模型的问答系统实现方法，包括步骤：S1、将问句输入Twitter LDA主题模型获得问句的主题类型，并提取相应主题词，将输入问句和主题词表示为词向量；S2、将输入问句的词向量输入RNN循环神经网络编码，获取问句的编码隐藏层状态向量；S3、解码RNN循环神经网络使用联合注意力机制结合问句的局部和全局混合语义向量，进行解码生成词；S4、使用大规模对话语料训练基于编码解码框架的深度学习主题问答模型；S5、利用训练的问答模型预测输入问句的答案，生成与问句主题相关的答案。本发明弥补了问答模型外源知识的缺失，增加回答的丰富性和多样性。 | ||
| 搜索关键词： | 一种 基于 深度 学习 主题 模型 问答 系统 实现 方法 | ||
【主权项】：
1.一种基于深度学习和主题模型的问答系统实现方法，其特征在于，包括以下步骤：S1、将问句输入Twitter LDA主题模型获得问句的主题类型，并提取相应主题词，将输入问句和主题词表示为词向量；S2、问答模型使用sequence‑to‑sequence编码解码框架，将输入问句的词向量输入RNN循环神经网络编码，获取问句的编码隐藏层状态向量；S3、解码RNN循环神经网络使用联合注意力机制结合问句的局部和全局混合语义向量，进行解码生成词；S4、使用大规模对话语料训练基于编码解码框架的深度学习主题问答模型；S5、利用训练的问答模型预测输入问句的答案，生成与问句主题相关的答案。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于华南理工大学，未经华南理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810330697.7/，转载请声明来源钻瓜专利网。
