[发明专利]解题模型的训练方法及装置、解题公式生成方法及装置

权利要求书

1.一种解题模型的训练方法，其特征在于，包括：

获取题干信息和所述题干信息对应的解题公式；

将所述题干信息输入至解题模型的编码器中进行编码，获得所述题干信息对应的编码向量；

将所述编码向量输入至所述解题模型的解码器中进行解码，获得所述题干信息的解码结果；

根据所述解码结果和所述解题公式确定损失值；

根据所述损失值调整所述解题模型的参数以训练所述解题模型。

2.如权利要求1所述的解题模型的训练方法，其特征在于，获取题干信息和所述题干信息对应的解题公式，包括：

获取原始题干信息和所述原始题干信息对应的原始解题公式；

基于预设的题干规则对所述原始题干信息进行预处理，生成题干信息；

基于预设的公式规则对所述原始解题公式进行预处理，生成解题公式。

3.如权利要求1所述的解题模型的训练方法，其特征在于，所述解题模型的编码器包括第一嵌入层和至少一个第一神经网络层；

将所述题干信息输入至解题模型的编码器中进行编码，获得所述题干信息对应的编码向量，包括：

对所述题干信息做分词处理，获得所述题干信息对应的词单元集合；

将所述词单元集合中的词单元输入至所述第一嵌入层做嵌入化处理，获得所述题干信息对应的词向量集合；

将所述词向量集合输入至每个所述第一神经网络层中做编码处理，获得所述题干信息对应的编码向量。

4.如权利要求3所述的解题模型的训练方法，其特征在于，将所述词单元集合中的词单元输入至所述第一嵌入层做嵌入化处理，获得所述题干信息对应的词向量集合，包括：

根据预设的特征维度对每个词单元做嵌入化处理，获得每个所述词单元对应的至少一个特征编码，其中，所述特征维度包括字符特征、词性标注特征、词语特征、数字标识特征、数字大小关系特征中的至少一个；

根据每个所述词单元对应的特征编码和每个特征编码对应的权重生成所述词单元对应的词向量；

根据每个所述词单元对应的词向量生成所述题干信息对应的词向量集合。

5.如权利要求3所述的解题模型的训练方法，其特征在于，所述第一神经网络层为双向长短期记忆网络层；

将所述词向量集合输入至每个所述第一神经网络层中做编码处理，获得所述题干信息对应的编码向量，包括：

将所述词向量集合依次输入至每个所述双向长短期记忆网络层中做编码处理，获得所述题干信息对应的编码向量。

6.如权利要求5所述的解题模型的训练方法，其特征在于，所述编码器包括t个双向长短期记忆网络层，t≥2；

将所述词向量集合依次输入至每个所述双向长短期记忆网络层中做编码处理，获得所述题干信息对应的编码向量，包括：

将所述词向量集合中的词向量输入至前p个双向长短期记忆网络层中做编码处理，获得每个词向量的编码子向量，其中，1≤p≤t；

根据每个词向量和每个词向量对应的编码子向量生成每个词向量对应的待编码子向量；

将每个所述待编码子向量输入至后q个双向长短期记忆网络层中做编码处理，获得所述题干信息对应的编码向量，其中，1≤q≤t且p+q＝t。

7.如权利要求1所述的解题模型的训练方法，其特征在于，所述解码器包括第二嵌入层和至少一个第二神经网络层，所述编码向量包括n个词向量；

将所述编码向量输入至所述解题模型的解码器中进行解码，获得所述题干信息的解码结果，包括：

S61、将第i个词向量经过所述第二嵌入层做嵌入化处理，获得第i个词向量对应的待解码词向量，其中，1≤i≤n；

S62、将所述待解码词向量经过每个所述第二神经网络层处理，获得所述第i个词向量对应的词结果；

S63、将i自增1，判断i是否大于n，若是，则结束解码，若否，则继续执行步骤S61。