[发明专利]一种基于问题生成和卷积神经网络的常识问答方法有效
| 申请号： | 201910708387.9 | 申请日： | 2019-08-01 |
| 公开（公告）号： | CN110647619B | 公开（公告）日： | 2023-05-05 |
| 发明（设计）人： | 周瑞莹;梁艺阐;印鉴 | 申请（专利权）人： | 中山大学 |
| 主分类号： | G06F16/332 | 分类号： | G06F16/332;G06N3/0464;G06N3/08 |
| 代理公司： | 广州粤高专利商标代理有限公司 44102 | 代理人： | 林丽明 |
| 地址： | 510275 广东*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供一种基于问题生成和卷积神经网络的常识问答方法，该方法通过BERT语言模型将内容‑问题编码成向量序列，传入问题生成模块，再传入共享的BERT语言模型，然后将内容‑问题‑答案组成的三元组通过BERT语言模型，输出的内容‑问题‑答案的编码序列传入答案选择模块，通过卷积神经网络对其做分类，最后，模型得到的评分来选取最优的选项作为模型选出的候选答案。 | ||
| 搜索关键词： | 一种 基于 问题 生成 卷积 神经网络 常识 问答 方法 | ||
【主权项】：
1.一种基于问题生成和卷积神经网络的常识问答方法，其特征在于，包括以下步骤：/nS1：构建内容-问题的输入序列，传入BERT语言模型，编码好的向量序列再传入问题生成模块，问题生成模块学习到了内容与问题中的重要信息，再将序列传入共享的BERT语言模型，其中，BERT语言模型是一种预训练的深度双向Transformer语言模型；/nS2：构建内容-问题-答案的输入序列，传入共享的BERT语言模型，编码成向量形式表示句子；/nS3：经过BERT语言模型后的内容-问题-答案编码序列，传入文本卷积神经网络中训练，得到对于每个候选项的评分，通过对评分的排序，选取最高的得分选项成为预测答案；/nS4：完成训练阶段，再将测试集的样例，表示成内容-问题-答案编码序列，放入模型中进行预测答案。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中山大学，未经中山大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910708387.9/，转载请声明来源钻瓜专利网。
