[发明专利]机器智能问答方法、装置与电子设备

权利要求书

1.一种机器智能问答方法，其特征在于，包括：

若检测到接收的消息为疑问句，则采用带权重的文本识别模型，基于所述接收的消息，分别进行意图识别和字段识别，以筛选目标领域的疑问句，并识别所述目标领域的疑问句所包含的具体问题；

基于所述具体问题，通过查询所述目标领域的智能问答知识库，获取对应所述具体问题的答案并输出；

其中，所述带权重的文本识别模型用于为所述接收的消息中的不同分词赋予不同的权重系数；

其中，所述带权重的文本识别模型具体为带权重的fasttext模型，表达如下：

式中，h表示隐变量，x_i表示词向量，w_i表示词向量x_i的权重系数，w₁,…,w_n的加权和为1，h_i表示隐变量h的第i维分量，x_l,i表示词向量x_i的第l维分量，w_l表示x_l,i的权重系数，n表示词向量的个数或词向量x_i的维度；

在所述采用带权重的fasttext模型，基于所述接收的消息，分别进行意图识别和字段识别的步骤之前，所述机器智能问答方法还包括：

基于训练语料获取训练词向量，并基于所述训练词向量，采用误差反向传播与梯度下降法，训练初始化完成的基础带权重的fasttext模型，以迭代更新所述基础带权重的fasttext模型的权重系数，获取所述带权重的fasttext模型；

其中，所述基础带权重的fasttext模型中误差反向传播的计算公式如下：

式中，h表示隐变量，x_i表示词向量，a_i表示每个词向量更新过程的权重系数，w_i表示词向量x_i的权重系数，w₁,…,w_n的加权和为1，表示损失函数f对隐变量h的梯度，grad表示所述基础带权重的fasttext模型的损失函数f对隐变量h的反向梯度，w_j表示对词向量x_j进行梯度变换的权重系数，dim表示隐变量h的维数，grad_i表示反向梯度grad的第i维分量；

由此，所述训练词向量和所述训练词向量对应的权重系数的迭代更新公式如下：

式中，分别表示训练词向量x_j在迭代更新前的值和在迭代更新后的值，分别表示训练词向量x_j更新过程中的权重系数a_j在迭代更新前的值和在迭代更新后的值，η表示学习率。

2.根据权利要求1所述的机器智能问答方法，其特征在于，在所述分别进行意图识别和字段识别的步骤之前，还包括：通过在所述带权重的fasttext模型中引入自注意力机制，关联所述接收的消息中在前的词语信息和在后的词语信息，形成关联信息；

相应的，基于所述接收的消息和所述关联信息，分别进行所述意图识别和所述字段识别。