[发明专利]一种基于变量绑定和关系激活的自动问答方法

权利要求书

1.一种基于变量绑定和关系激活的自动问答方法，其特征在于，包括：

通过词向量和编码模型对文本进行编码，得到所述文本的语义信息；

识别所述文本的语义信息中的实体，对所述实体进行映射和跟踪；

通过第一动作网络理解所述语义信息和问句，确定所述实体在逻辑规则中的位置，得到所述问句对应的查询语句；

通过第二动作网络激活实体关系，并将所述实体关系写入所述逻辑规则，得到意象图式；

利用所述查询语句对所述意象图式进行检索，得到检索结果，根据所述检索结果生成答案词，

所述通过词向量和编码模型对文本进行编码，其方法为：

将所述文本使用可训练的映射矩阵进行词向量表示，其中所述词向量作为所述文本的词粒度的编码，计算所述词向量e_i(t)的具体公式为：

其中，|V|表示总词表大小，d表示词向量的维度，A表示映射矩阵，x_i,t表示t时刻的文本，表示实数构成的矩阵；

使用编码模型将所述词向量拼接为句子向量，所述句子向量表示所述文本的语义信息，计算所述句子向量s_t的具体公式为：

s_t＝concat(e_1(t),e_2(t),...e_n(t))，

其中，concat表示字符串连接函数。

2.根据权利要求1所述的基于变量绑定和关系激活的自动问答方法，其特征在于，所述编码模型为循环神经网络模型。

3.根据权利要求2所述的基于变量绑定和关系激活的自动问答方法，其特征在于，所述对所述实体进行映射和跟踪，其方法为：

使用命名空间为所述实体分配固定编号；

当所述文本中出现相同的实体时，所述命名空间为所述相同的实体映射相同的编号。

4.根据权利要求3所述的基于变量绑定和关系激活的自动问答方法，其特征在于，所述通过第一动作网络理解所述语义信息和问句之前，该方法还包括：

使用全连接的感知机将所述句子向量进一步编码为隐层表示，其中，计算隐层语义h_t的具体公式为：

h_t＝σ(W_hids_t)，

其中，W_hid表示神经网络权重，其中，dim(s)表示句子向量的维度，d表示词向量的维度，表示实数构成的矩阵，σ表示sigmoid激活函数，s_t表示句子向量。

5.根据权利要求4所述的基于变量绑定和关系激活的自动问答方法，其特征在于，所述确定所述实体在逻辑规则中的位置，其方法为：

使用全连接的感知机理解所述隐层语义，根据变量绑定的动作决策输出可行动作的分布，所述可行动作确定所述实体在逻辑规则中的位置，其中，计算所述变量绑定的动作决策的具体公式为：

其中，softmax表示激活函数，W_bind表示变量绑定的动作网络参数，其中，dim(a)表示可行动作的个数，d表示词向量的维度，表示实数构成的矩阵，h_t表示隐层语义，τ表示softmax激活函数中的温度常数。

6.根据权利要求5所述的基于变量绑定和关系激活的自动问答方法，其特征在于，所述通过第二动作网络激活实体关系，其方法为：

使用全连接的感知机理解所述隐层语义，通过第二动作网络的关系激活的动作决策计算要激活的实体关系，其中，计算所述关系激活的动作决策的具体公式为：

其中，softmax表示激活函数，W_activ表示关系激活的动作网络参数，h_t表示隐层语义，τ表示softmax激活函数中的温度常数。

7.根据权利要求6所述的基于变量绑定和关系激活的自动问答方法，其特征在于，所述第一动作网络与所述第二动作网络均为神经网络模型，其中，所述第一动作网络与所述第二动作网络的权重参数不同。