[发明专利]使用卷积神经网络的对话相关性建模

权利要求书

1.一种处理查询的方法，包括：

提供卷积神经网络CNN模型，所述CNN模型被配置成评估查询－响应配对的对话相关性，其中所述CNN模型包括：

第一分支，所述第一分支包括用于处理查询的多个采用动态池化的卷积层，其中用于处理所述查询的动态池化包括在所述第一分支中执行动态池化处理操作，所述动态池化处理操作包括：将所述查询的句子表示划分成至少两个片段，评估所述至少两个片段之间各个短文本部分中的冗余文本信息，以及传递所述至少两个片段的非冗余短文本部分供进一步处理，

第二分支，所述第二分支包括用于处理针对所述查询的候选响应的多个采用动态池化的卷积层，其中用于处理所述候选响应的动态池化包括在所述第二分支中执行动态池化处理操作，所述动态池化处理操作包括：将所述候选响应的句子表示划分成至少两个片段，评估所述至少两个片段之间各个短文本部分中的冗余文本信息，以及传递所述至少两个片段的非冗余短文本部分供进一步处理，以及

多层感知器MLP层，所述MLP层被配置成基于对话相关性来对查询－响应配对进行排名；

并行地使用所述CNN模型来处理所述查询和所述候选响应；

使用所述MLP层基于传递自所述第一分支的第一输入和传递自所述第二分支的第二输入来生成所述查询－响应配对的配对级排名；以及

输出一个或多个查询－响应配对的排名。

2.如权利要求1所述的方法，其特征在于，所述第一分支进一步包括多个采用k个最大池化的卷积层，并且所述至少两个片段的被传递的非冗余短文本部分被进一步使用所述多个采用k个最大池化的卷积层来评估以作为所述MLP层的第一输入来传递与所述至少两个片段中的每一个相关联的若干个短文本部分。

3.如权利要求2所述的方法，其特征在于，被确定作为所述MLP层的输入的所述若干个短文本部分是基于针对k个最大池化的超参数集来确定的。

4.如权利要求1所述的方法，其特征在于，所述第一分支进一步包括生成所述查询的句子表示的单词嵌入的单词嵌入层，其中所述单词嵌入包括多个特征向量，每一个特征向量被映射到所述查询的一个单词，所述多个特征向量被用作为用于建模的特征输入，并且其中所述第一分支执行处理以通过对所述特征输入建模以使用所述多个卷积层来抽象所述句子表示的短文本部分的含意来评估所述查询的含意。

5.如权利要求1所述的方法，其特征在于，所述第二分支进一步包括多个采用k个最大池化的卷积层，并且所述候选响应的所述至少两个片段的被传递的非冗余短文本部分被进一步使用所述多个采用k个最大池化的卷积层来评估以作为所述MLP层的第二输入来传递与所述候选响应的至少两个片段中的每一个相关联的若干个短文本部分。

6.如权利要求5所述的方法，其特征在于，被确定作为所述MLP层的输入的所述若干个短文本部分是基于针对k个最大池化的超参数集来确定的。

7.如权利要求1所述的方法，其特征在于，所述第二分支进一步包括生成所述候选响应的句子表示的单词嵌入的单词嵌入层，其中所述单词嵌入包括多个特征向量，每一个特征向量被映射到所述查询的一个单词，所述多个特征向量被用作为用于建模的特征输入，并且其中所述第二分支执行处理以通过对所述特征输入建模以使用所述多个卷积层来抽象所述候选响应的句子表示的短文本部分的含意来评估所述候选响应的含意。