[发明专利]一种基于端到端记忆网络的问答方法

说明书

本发明公开了一种基于端到端记忆网络的问答方法，本方法为：1)对目标数据集进行划分，将该目标数据集中的已知事实、问题和答案分割开并存储；2)将所述已知事实中的每个句子x_i转换为词向量；3)将问题转换为词向量，计算每一句子x_i对应的词向量m_i与问题的词向量的相关度，得到对应句子x_i的权重值p_i；4)提取问题中的关键词；检索包含关键词的词向量，对于搜索到的每一词向量m_i，计算m_i中每个单词与关键词的相关度，作为第j个单词的权重；m_i中每个单词加权后的向量记为向量c_i；5)计算MemN2N模型中每层网络的输出；6)根据MemN2N模型的最终输出作为问题的答案。本发明大大提升了实问答的准确性。

技术领域

本发明涉及自然语言处理领域和端到端记忆网络(End-to-End MemoryNetworks)，具体是一种基于端到端记忆网络的问答方法。

背景技术

2011年，IBM因为推出名为Watson的计算机而受到广泛关注，Watson被设计用来回答游戏节目Jeopardy上的问题，它的表现非常好，足以和最好的玩家相匹敌。想让Watson跟最好的玩家竞争，需要集成大量的知识，而且需要用到很多自然语言处理领域最好的研究成果和大量的人工智能技术。从此，问答系统(Question-Answer system，QA system)便获得了广大研究者的广泛关注。

传统的问答系统是人工智能领域的一个应用，通常局限于一个非常狭窄的领域，虽然精巧，但大多由人工编制的知识库加上一个自然语言接口形成，本质上都属于受限于实验室的玩具系统(Toy System)。随着互联网的发展以及搜索引擎的普及，一些具有商业应用价值的开放式问答系统应运而生。目前开放式问答系统主要分为两类：基于信息检索(Information Retrieval Based)的系统和基于语义分析(Semantic Parsing Based)的系统。基于信息检索的系统首先将问题转化为有效的查询，然后获取大量的候选答案，再通过对候选答案进行打分排序，得到最后的答案；而基于语义分析的系统更侧重于通过语义分析系统来获取问题的精准释义，然后从知识库中获取正确答案。随着深度学习的发展，研究者们开始探索如何实现一种端到端训练的问答系统模型。2015年，Facebook人工智能实验室提出一种新颖的基于循环神经网络和外部存储块的端到端问答系统模型(MemN2N)，与传统的问答系统模型相比，该模型在训练阶段降低了监督粒度的要求，从而使得MemN2N能够更容易地应用到实际任务中。