[发明专利]机器阅读理解方法、装置、设备和计算机可读存储介质

权利要求书

1.一种机器阅读理解方法，其特征在于，包括：

获取待处理的阅读理解信息；

通过预训练模型中的编码器对所述阅读理解信息中的文本内容进行编码，得到文本特征；

将所述文本特征、所述文本内容以及所述阅读理解信息中的问题信息输入预设阅读理解模型中各问题类型对应的逻辑回归层进行处理，输出所述问题信息对应的答案信息，所述预设阅读理解模型是基于不同问题类型的阅读理解信息训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述通过预训练模型中的编码器对所述阅读理解信息中的文本内容进行编码，得到文本特征之前，所述方法还包括：

提供具有标记的阅读理解信息作为训练样本；

按照预定义的问题类型分类规则对所述训练样本进行分类，得到各问题类型对应的训练样本集；

分别从各所述训练样本集中抽取训练样本，按照预设的注意力机制处理抽取的训练样本对神经网络模型进行训练，得到阅读理解训练模型，所述阅读理解训练模型包括各问题类型对应的逻辑分类层；

采用预设的交叉熵损失函数对所述阅读理解训练模型的参数进行迭代更新，得到所述预设阅读理解模型。

3.根据权利要求2所述的方法，其特征在于，所述按照预定义的问题类型分类规则对所述训练样本进行分类，得到各问题类型对应的训练样本集之后，所述方法还包括：

将所述训练样本集中的训练样本按照各自所述问题类型对应的答案类型进行分类，得到训练样本子集；

统计所述训练样本子集中训练样本的第一数量和所述训练样本集中训练样本的第二数量，按照所述第一数量和所述第二数量设置权重值，汇总所述权重值形成所述注意力机制；

所述分别从各所述训练样本集中抽取训练样本，按照预设的注意力机制处理抽取的训练样本对神经网络模型进行训练，得到阅读理解训练模型，包括：

分别从各所述训练样本集中抽取训练样本，将抽取的训练样本进行编码形成字符向量，以及按照所述注意力机制为所述字符向量添加权重形成语义向量；

对所述训练样本中的文本内容进行编码，获得文本特征；

将所述语义向量和所述文本特征对应的文本向量进行连接后对神经网络模型进行训练，得到所述阅读理解训练模型。

4.根据权利要求2所述的方法，其特征在于，所述采用预设的交叉熵损失函数对所述阅读理解训练模型的参数进行迭代更新，得到所述预设阅读理解模型，包括：

按照所述阅读理解训练模型计算预设的交叉熵损失函数的梯度模长；

根据所述梯度模长对所述阅读理解训练模型的参数进行迭代更新，得到更新后的阅读理解训练模型；

获取所述更新后的阅读理解训练模型的识别准确率，将识别准确率高于预设准确率的阅读理解训练模型作为所述预设阅读理解模型；

其中，所述交叉熵损失函数为：

所述p(xi)为问题类型xi的概率，所述-log(p(xi))为问题类型X＝xi的数据量，所述H(x)为梯度模长。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述将所述文本特征、所述文本内容以及所述阅读理解信息中的问题信息输入预设阅读理解模型中各问题类型对应的逻辑回归层进行处理，输出所述问题信息对应的答案信息，包括：

将所述文本特征、所述文本内容以及所述阅读理解信息中的问题信息输入所述预设阅读理解模型，通过所述预设阅读理解模型提取所述文本内容和所述问题信息的语义向量；

将所述语义向量和所述文本特征对应的文本向量进行连接并输入所述预设阅读理解模型中各问题类型对应的逻辑回归层进行处理，输出所述问题信息对应的答案信息。