[发明专利]一种融合知识库与用户建模的智能问答方法及系统

权利要求书

1.一种融合知识库与用户建模的智能问答方法，其特征在于，包括以下步骤：

步骤A：采集智能问答系统中的问题以及回答记录，构建问答对训练集QA；

智能问答系统中的每个问题及其回答记录表示为一个问答序列q表示问题句子，{a_t|t＝1,2,...,N_q}为问题q的答案集合，N_q为问题q对应的答案数量，问题q和答案集合中的每个答案a_t构成一个问答对(q,a_t)，则问答对训练集QA中每个问题的训练样本表示为

步骤B：采集智能问答系统中每个用户对问题的回答记录，构建用户的历史回答训练集UA；

步骤C：基于问答对训练集QA、用户的历史回答训练集UA以及知识库KB，训练基于改进循环实体网络Recurrent Entity Network的深度学习网络模型；

步骤D：接收用户的提问，并将提问输入到训练好的深度学习网络模型中，输出匹配的答案；

所述步骤C具体包括以下步骤：

步骤C1：对每个问答对(q,a_t)，分别对问题q和答案a_t进行分词处理并去除停用词；

步骤C2：对每个问答对(q,a_t)，分别获取问题q和答案a_t的初始表征向量；

步骤C3：对每个问答对(q,a_t)，分别获取问题q和答案a_t的知识表征向量；

步骤C4：对每个问答对(q,a_t)，融合步骤C2获得的问题q的初始表征向量和步骤C3获得的问题q的知识表征向量，得到问题q的带知识嵌入的表征向量融合步骤C2获得的答案a_t的初始表征向量和步骤C3获得的答案a_t的知识表征向量，得到答案a_t的带知识嵌入的表征向量

步骤C5：遍历历史回答训练集UA，根据每个用户的历史回答集合，获取每个用户的历史回答表征向量；

步骤C6：对每个问答对(q,a_t)，得到提供答案a_t的用户根据步骤C5获得的每个用户的历史回答表征向量，查找得到用户的历史回答表征向量与步骤C4获得的问题q和答案a_t的带知识嵌入的表征向量共同构成一个三元组进而构成三元组序列输入到深度学习网络模型的基于循环实体网络的动态记忆模块中，得到问答对的带知识嵌入以及用户嵌入的表征向量；

步骤C7：将步骤C6得到的表征向量输入到深度学习网络模型的隐藏层和Softmax层，根据目标损失函数loss，利用反向传播方法计算深度学习网络中各参数的梯度，并利用随机梯度下降方法更新参数；

步骤C8：当深度学习网络模型产生的损失值小于设定阈值或者迭代次数达到最大迭代次数，则终止深度学习网络模型的训练。