[发明专利]基于卷积神经网络的金融问题自动抽取答复方法及其系统

权利要求书

1.一种基于卷积神经网络的金融问题自动抽取答复方法，其特征在于，所述基于卷积神经网络的金融问题自动抽取答复方法包括：

从预设渠道检索到包含预设关键词的金融问题；

将所述金融问题按照第一预设算法进行转码形成问题编码；

将所述问题编码输入到训练好的机器学习模型获取答案信息；以及

将所述答案信息经所述预设渠道上传并填写。

2.如权利要求1所述的基于卷积神经网络的金融问题自动抽取答复方法，其特征在于，所述第一预设算法包括门机制、残差结构机制、膨胀卷积机制以及注意力机制，将所述金融问题按照第一预设算法进行转码形成问题编码包括：

将所述金融问题分词获取问题词块；

利用所述门机制以及所述残差结构机制根据所述问题词块获取到向量模型，其中，所述向量模型包括视野；

利用所述膨胀卷积机制增大所述视野；以及

利用所述注意力机制将所述向量模型转码形成所述问题编码。

3.如权利要求1所述的基于卷积神经网络的金融问题自动抽取答复方法，其特征在于，将所述问题编码输入到训练好的机器学习模型获取答案信息包括：

将所述问题编码输入训练好的机器学习模型获取文档模型，其中所述文档模型包括若干答案词块，所述答案词块包括一一对应的文档向量以及位置编码；

利用注意力机制将所述文档向量转码生成文档编码；

利用指针机制根据位置编码截取所述文档编码形成新的所述文档编码；

将全部所述文档编码拼接转码形成所述答案信息。

4.如权利要求3所述的基于卷积神经网络的金融问题自动抽取答复方法，其特征在于，将全部所述文档编码拼接转码形成所述答案信息还包括：

将全部所述文档编码拼接转码形成至少一个答案模型，其中，所述答案模型包括若干第二词块以及评分系数，所述第二词块包括一一对应的文档向量；

判断所述文档向量是否存在重复；

当所述文档向量存在重复，根据重复的所述文档向量选取任一所述答案模型作为所述答案信息；

当所述文档向量不存在重复，选取所述评分系数最大对应的所述答案模型作为答案信息。

5.如权利要求1所述的基于卷积神经网络的金融问题自动抽取答复方法,其特征在于，WebQA数据集包括问题子串以及材料子串,银行数据库包括标注数据，将所述问题编码输入到训练好的机器学习模型获取答案信息之前，所述基于卷积神经网络的金融问题自动抽取答复方法还包括：

从所述WebQA数据集获取所述问题子串作为输入数据；

从所述银行数据库以及所述WebQA数据集获取所述标注数据和所述材料子串作为预答案数据做为输出数据；

将所述问题子串、所述标注数据以及所述材料子串分别按照预设比例划分成训练集和测试集；

根据所述训练集训练所述机器学习模型；以及

根据所述测试集测试所述机器学习模型直到获取所述训练好的机器学习模型。

6.如权利要求5所述的基于卷积神经网络的金融问题自动抽取答复方法，其特征在于，所述训练集包括数据段，根据所述训练集训练所述机器学习模型之前，所述基于卷积神经网络的金融问题自动抽取答复方法还包括：

将所述数据段随机裁剪获取分段；

将所述数据段和所述分段重复拼接获取新数据段；以及

将所述新数据段添加到所述训练集中。

7.如权利要求5所述的基于卷积神经网络的金融问题自动抽取答复方法，其特征在于，根据所述训练集训练所述机器学习模型之前，所述基于卷积神经网络的金融问题自动抽取答复方法还包括：

利用adam优化器以及对warm-start策略对所述机器学习模型进行训练以优化所述机器学习模型。

8.一种计算机设备，其特征在于，所述计算机设备包括：

存储器，用于存储程序指令；以及

处理器，用于执行所述程序指令以实现如权利要求1至7中任一项所述的基于卷积神经网络的金融问题自动抽取答复方法。