[发明专利]一种基于慕课平台的智能答疑系统及方法

权利要求书

1.一种基于慕课平台的智能答疑系统，其特征在于，包括用户端、问句分析模块、信息检索模块、知识库、相似度判断模块和爬虫模块；其中：

用户端用于提出问题并发送到问句分析模块中，并接收信息检索模块或爬虫模块反馈的答案；

问句分析模块用于对问题进行分析，确定问句所属类别；

信息检索模块根据问句所属类别对句子进行相似度计算，根据相似度计算结果对句子进行词语相似度匹配，从知识库中确定候选集；当句子相似度满足条件时，则根据候选集向用户端反馈答案；否则，则由爬虫模块反馈答案；

相似度判断模块用于判断问句的相似度是否满足条件；

爬虫模块用于通过网络爬虫爬取问题答案，并将相关问题存储到知识库中。

2.根据权利要求1所述的一种基于慕课平台的智能答疑系统，其特征在于，在所述问句分析模块中，对问句进行数据清洗、分词和去停用词处理并采用LSTM-CRF神经网络算法对句子进行词性标注。

3.根据权利要求2所述的一种基于慕课平台的智能答疑系统，其特征在于，在信息检索模块中，采用余弦相似度计算方法计算知识库中相似问题的答案，获取相似度值发送至相似度判断模块；若句子相似度满足条件，则从知识库中确定候选集，并根据候选集向用户端反馈答案。

4.根据权利要求2或3所述的一种基于慕课平台的智能答疑系统，其特征在于，还包括预训练模块；所述预训练模块采用Pos-Bert神经网络算法对词性标记后的句子数据进行训练，并将训练结果传输至所述信息检索模块。

5.一种基于慕课平台的智能答疑方法，其特征在于，包括以下步骤：

S1：构建知识库；

S2：获取问题数据，对知识库数据和问题数据进行数据清洗、分词和去停用词处理并采用LSTM-CRF神经网络模型进行词性标注；

S3：构建Pos-Bert神经网络模型对词性标注后的数据进行训练；

S4：将训练完的数据采用余弦相似度计算方法进行相似度计算，若句子相似度满足条件，则从知识库中确定候选集；否则，执行步骤S5；

S5：根据问题数据进行网络爬虫操作爬取问题答案并存储到知识库中；

S6：从步骤S4中的候选集中输出问题数据答案或从步骤S5中输出问题答案；

S7：根据步骤S1-S6，搭建基于edx平台的答疑系统，实现一种基于慕课平台的智能答疑系统。

6.根据权利要求5所述的一种基于慕课平台的智能答疑方法，其特征在于，在所述步骤S2中，所述LSTM-CRF神经网络模型的训练过程具体为：

S21：下载一个词性标注数据集，对数据集进行整理，构造词性标注数据集Pos_data；

S22：将数据集Pos_data划分为训练数据集train_Pos_data和测试数据集test_Pos_data；

S23：使用word2vec模型对训练数据集train_Pos_data进行词向量训练，训练后的词向量为Embed；

S24：构建的初步的LSTM模型，将Embed输入到LSTM模型中，得到le；

S25：定义crf为CRF模型实体，输入le进行预测得到outputs；

S26：定义词向量ID为x,outputs和x输入Model中进行训练，则得到模型Pos_model；

S27：利用测试数据集test_Pos_data对模型Pos_model进行测试，获取测试成功的LSTM-CRF神经网络模型。