[发明专利]一种问题生成方法

说明书

本发明提出了一种问题生成方法，属于人工智能领域。本发明在将文本文档进行分词后，将其转换为终端能够处理的向量的形式，把向量输入至逆向传播神经网络中对网络进行训练，通过信号正方向的传播和逆向的误差传播，一直重复此过程直到该BP网络输出的误差在阈值以内才完成训练，保证了问题生成的质量；将逆向传播神经网络应用于问题生成中，实现了自动非数据库匹配的问题生成，使问题生成更加灵活，适用性更广。

技术领域

本发明属于人工智能领域，特别涉及一种问题生成方法。

背景技术

自从二十世纪八十年代以来，人工智能领域的研究开始成为热点，主要体现在机器人、语言识别、图像识别、自然语言处理等研究领域。其中，自然语言处理研究的内容也逐渐丰富，机器翻译、自动文摘的准确度已经达到相当高的水平。目前，信息检索中的高级检索，即问题生成，还有很大的研究空间。人工智能中主要用到一些人工神经网络，其优势在于不需要事先确定输入输出之间的映射关系，仅仅通过训练，让其学习特征，在学习后，给定某一输入值后能够得到最接近期望输出值的结果。神经网络作为一种智能的处理各种信息的系统，算法是其实现功能的核心。误差逆向传播(back propagation，BP)神经网络是一种逆向传播训练的前溃网络，这个算法的基本思想是利用梯度下降法，以实现网络的实际输出值和期望输出值的误差均方差最小。

另外，基于神经网络的问题生成技术具有重要研究意义。首先，基于网络的问题生成，能够对文本进行识别，识别后生成各种问题，可以将此方法运用到阅读理解中的相关问题的设定的情景下，也可以将此技术应用于各种场景，如可以用在财务部门的相关系统中，可以应用在网上客服系统中，以及其他业务中，以期达到满足对不同行业需求的、实时的服务。其次，由于目前已经成为大数据时代，每天的数据量远远不是人工能处理的，如果采用传统的方式，即问题生成的方式是人工的，或者是通过写好的数据库进行匹配的，比较消耗人力，会带来极大的人力物力资源的开销，由于大部分问题生成都是通过匹配以及基于问题模板生成即一定的规则得到的，所以得到的问题结果在时间上也会相应滞后。而采用基于神经网络的问题生成比较节省人力，并且生成问题所需要的时间比较短，提高效率。

现有的问题生成技术，只能通过特定任务的问题序列，此序列是一个个问题描述，将问题发送给用户。然而这些问题不是自动生成的问题，相当于已经存在的现有的知识库组成的。因此，在复杂的环境中，基于这种特征的生成方法是不具有灵活性的，而且前期知识库的收集也比较费时费力，在技术的适用性上有限。

发明内容

为了解决现有技术中，生成的问题呆滞不灵活的问题，本发明提出了一种问题生成方法，通过误差逆向传播算法，即在进行训练学习的过程中，由信号正方向的传播和逆向的误差传播两部分组成，一直重复此过程直到BP网络输出的误差在可以接受的范围，保证了问题生活的质量。

一种问题生成方法，包括以下步骤：

步骤1，对文本文档进行分词；

步骤2，将分词后的文本文档转换为向量；

步骤3，构建BP神经网络，输入向量，基于误差逆向传播算法对所述BP神经网络进行训练；

步骤4，当所述BP神经网络的误差小于预设误差阈值时，所述BP神经网络训练完成，得到问题生成网络模型。

进一步地，所述步骤1中，应用jieba分词算法对文本文档进行分词。

进一步地，所述步骤2中，应用word2vec模型将分词后的文本文档转换为向量。

进一步地，所述步骤2中，应用skip-gram模型将分词后的文本文档转换为向量。

进一步地，所述步骤4包括以下流程：

步骤41，判断所述BP神经网络的误差是否小于预设误差阈值；