[发明专利]智能问答方法、装置、设备及存储介质

说明书

本申请公开了一种智能问答方法、装置、设备及存储介质，包括：获取查询文本信息，将查询文本信息输入语义分类模型，获得目标问句语义向量，并基于查询文本信息以及目标问句语义向量，在预设问答知识数据库进行字词检索和语义向量检索，获得召回相似结果集，其中，语义分类模型为基于预先收集的领域无标注语料信息对BERT语言模型进行预训练，并结合AM‑softmax损失函数对预训练得到的模型进行训练获得，基于查询文本信息、目标问句语义向量、召回相似结果集和语义相似度模型，构建目标特征矩阵，基于目标特征矩阵，通过语义排序模型进行排序，获得排序评分结果，并基于所述排序评分结果，确定最终目标返回结果。本申请解决了模型识别准确性低的技术问题。

技术领域

本申请涉及机器学习技术领域，尤其涉及一种智能问答方法、装置、设备及存储介质。

背景技术

随着互联网的发展，智能问答系统得到了快速发展，智能问答系统是从大量数据中找到最能满足用户意图的文字信息，当前，智能问答系统主要为基于字词等表层语义特征的问答系统，然而，基于表层语义的问答装置缺乏对于深度语义的识别能力，匹配准确率不高，进而导致模型识别的准确性较低。

发明内容

本申请的主要目的在于提供一种智能问答方法、装置、设备及存储介质，旨在解决现有技术中的模型识别的准确性较低的技术问题。

为实现上述目的，本申请提供一种智能问答方法，所述智能问答方法包括：

获取目标用户输入的查询文本信息；

将所述查询文本信息输入语义分类模型，获得目标问句语义向量，并基于所述查询文本信息以及所述目标问句语义向量，在预设问答知识数据库进行字词检索和语义向量检索，获得召回相似结果集，其中，所述语义分类模型为基于预先收集的领域无标注语料信息对BERT语言模型进行预训练，并结合AM-softmax损失函数对预训练得到的模型进行迭代训练获得；

基于所述查询文本信息、所述目标问句语义向量、所述召回相似结果集以及语义相似度模型，构建目标特征矩阵，其中，所述语义相似度模型为基于所述语义分类模型输出问句语义向量构建的训练三元组样本进行迭代训练获得；

基于所述目标特征矩阵，通过语义排序模型进行排序，获得排序评分结果，并基于所述排序评分结果，确定最终目标返回结果，其中，所述语义排序模型为基于不同类别问句语义向量构建的训练三元组样本进行迭代训练获得。

本申请还提供一种智能问答装置，所述智能问答装置为虚拟装置，所述智能问答装置包括：

获取模块，用于获取目标用户输入的查询文本信息；

召回模块，用于将所述查询文本信息输入语义分类模型，获得目标问句语义向量，并基于所述查询文本信息以及所述目标问句语义向量，在预设问答知识数据库进行字词检索和语义向量检索，获得召回相似结果集，其中，所述语义分类模型为基于预先收集的领域无标注语料信息对BERT语言模型进行预训练，并结合AM-softmax损失函数对预训练得到的模型进行迭代训练获得；

特征构建模块，用于基于所述查询文本信息、所述目标问句语义向量、所述召回相似结果集以及语义相似度模型，构建目标特征矩阵，其中，所述语义相似度模型为基于所述语义分类模型输出问句语义向量构建的训练三元组样本进行迭代训练获得；

排序模块，用于基于所述目标特征矩阵，通过语义排序模型进行排序，获得排序评分结果，并基于所述排序评分结果，确定最终目标返回结果，其中，所述语义排序模型为基于不同类别问句语义向量构建的训练三元组样本进行迭代训练获得。

本申请还提供一种智能问答设备，所述智能问答设备为实体设备，所述智能问答设备包括：存储器、处理器以及存储在所述存储器上的智能问答程序，所述智能问答程序被所述处理器执行实现如上述的智能问答方法的步骤。