【技术实现步骤摘要】
本专利技术涉及计算机，具体而言，涉及一种ai提问答案的聚合生成方法及系统。
技术介绍
1、随着人工智能技术的研究与进步，人工智能技术在多个领域展开研究和应用，采用深度学习和大数据结合的方法，使用标注的回答训练能够根据问题进行智能回答的网络，来生成提问对应的答案。而网络的效果在很大程度上依赖于网络的结构设计和训练时的方法。
2、目前，一般进行生成智能提问答案的网络对语句的词性、词性的结构、词的含义没有进行一个结合检测，准确提取语句中的含义，从而导致检测不够准确。
技术实现思路
1、本专利技术的目的在于提供了一种ai提问答案的聚合生成方法及系统，用以解决现有技术中存在的上述问题。
2、第一方面，本专利技术实施例提供了一种ai提问答案的聚合生成方法，包括：
3、获得用户提问语句和多个存储词性类别；所述存储词性类别表示数据库中存储的全部词的词性的类别；
4、通过分割词性网络，基于所述用户提问语句，得到多个用户分割词语与对应的用户分割词性类别；
5、基于多个存储词性类别，按照语法关系，将两个存储词性类别进行连接，得到语法结构图；所述语法结构图表示数据结构中的图结构；
6、基于多个用户分割词语与对应的用户分割词性类别，按照所述语法结构图，得到用户词位置三维矩阵；
7、根据所述用户分割词语对应的值，修改用户词位置三维矩阵中对应位置的值，得到用户分割文字三维矩阵；
8、基于所述用户分割文字三维矩阵，判断
9、可选的，所述基于所述用户分割文字三维矩阵，判断语义，得到用户答案，包括：
10、采用二维卷积核，分别将所述用户分割文字三维矩阵多个页进行二维卷积，提取部分词组成的部分语句的特征，得到多个用户词位置二维特征；
11、将所述多个用户词位置二维特征进行叠加，得到第一用户词位置三维特征；
12、将所述用户词位置三维特征，采用尺寸相同三维卷积核的进行卷积对应的值，提取包含重复部分的整体的语句的特征，得到第二用户词位置三维特征；
13、将所述第二用户词位置三维特征，通过第一分类网络，得到问题关键字；
14、根据所述问题关键字，通过关键字特征提取网络，提取特征，得到关键字特征；
15、根据用户分割文字特征和关键字特征，通过第二分类网络，得到用户答案。
16、可选的，所述关键字特征提取网络、第一分类网络和第二分类网络的训练方法，包括：
17、获得训练关键字、训练词位置三维特征和标注回答；所述训练关键字表示一串语句中的关键字；所述标注回答表示一串语句中的回答；所述训练词位置三维特征为训练关键字对应的语句的特征；
18、将所述训练词位置三维特征，通过第一分类网络，得到预测问题关键字；
19、将所述预测问题关键字作为标记关键字；
20、将所述标记关键字与预测问题关键字求取损失，训练第一分类网络；
21、根据所述预测问题关键字，通过关键字特征提取网络，得到预测关键字特征；
22、根据训练用户分割文字特征和预测关键字特征，通过第二分类网络，得到预测答案；
23、将所述预测答案与所述标注回答求取损失，训练第二分类网络、关键字特征提取网络和第一分类网络，得到训练好的第二分类网络、关键字特征提取网络和第一分类网络。
24、可选的，所述基于多个用户分割词语与对应的用户分割词性类别，按照所述语法结构图，得到用户词位置三维矩阵，包括：
25、按照多个用户分割词语对应的顺序，将多个用户分割词性类别构建用户分割词性类别集合；
26、基于多个用户分割词性类别，按照所述语法结构图，得到用户语法图；
27、基于用户分割词性类别集合，提取用户分割词性类别在用户语法图中的连通状态，构建多个语句二维矩阵，得到词位置三维矩阵。
28、可选的，所述基于多个存储词性类别，按照语法关系，将两个词性类别进行连接，得到语法结构图，包括：
29、在n个存储词性类别中随机提取两个存储词性类别作为第i词性类别和第j词性类别；
30、按照语法关系，判断第j词性类别作为第i词性类别相邻的下一个存储词性类别是否语句通顺；
31、若第j词性类别作为第i词性类别相邻的下一个存储词性类别语句通顺，标记第i词性类别单连通第j词性类别，得到连通集合；
32、i和j为大于0，小于且等于n的自然数；
33、将所述n个存储词性类别加入点集合，将所述连通集合加入边集合，得到语法结构图。
34、可选的，所述基于用户分割词性类别集合，提取用户分割词性类别在用户语法图中的连通状态，构建多个语句二维矩阵，得到词位置三维矩阵，包括：
35、构建语句二维矩阵；所述语句二维矩阵中的初始值全部为0；所述语句二维矩阵的行数等于列数等于用户分割词性类别集合中的值的个数；
36、基于所述用户分割词性类别集合，按照重复的存储词性类别进行分割，得到多个用户单词性类别集合；
37、在用户语法图中，将所述用户单词性类别集合包含的多个用户单词性类别对应的连通状态复制到语句二维矩阵；多个用户单词性类别集合对应获得多个语句二维矩阵；
38、按照用户分割词性类别集合对应的顺序，将所述多个语句二维矩阵进行排列，得到词位置三维矩阵。
39、可选的，所述三维卷积核的通道数等于二维卷积核的通道数乘以2之积；所述三维卷积核的通道数小于用户分割文字三维矩阵的页数；所述三维卷积核的行数小于用户分割文字三维矩阵的行数；所述三维卷积核的列数小于用户分割文字三维矩阵的列数。
40、可选的，所述基于所述用户分割词性类别集合，按照重复的存储词性类别进行分割，得到多个用户单词性类别集合，包括：
41、依次检测用户分割词性类别集合中的值，若出现与已检测的多个用户分割词性类别相同的用户分割词性类别，得到第一用户分割词性类别；
42、将用户分割词性类别集合中除第一用户分割词性类别之外已检测的多个用户分割词性类别作为第一用户单词性类别集合；
43、将用户分割词性类别集合中未已检测的多个用户分割词性类别，与第一用户分割词性类别作为第二用户单词性类别集合；
44、依次检测第二用户分割词性类别集合中的值，若出现与已检测的多个用户分割词性类别相同的用户分割词性类别，得到第二用户分割词性类别；
45、将第二用户分割词性类别集合中除第二用户分割词性类别之外已检测的多个用户分割词性类别作为第三用户单词性类别集合；
46、将第二用户分割词性类别集合中未已检测的多个用户分割词性类别，与第二用户分割词性类别作为第四用户单词性类别集合；
47、用户分割词性类别集合对应获得多个用户单词性类别集合。
48、可选的，所述基于多个用户分割词性本文档来自技高网...
【技术保护点】
1.一种AI提问答案的聚合生成方法，其特征在于，包括：
2.根据权利要求1所述的AI提问答案的聚合生成方法，其特征在于，所述基于所述用户分割文字三维矩阵，判断语义，得到用户答案，包括：
3.根据权利要求2所述的AI提问答案的聚合生成方法，其特征在于，所述关键字特征提取网络、第一分类网络和第二分类网络的训练方法，包括：
4.根据权利要求1所述的AI提问答案的聚合生成方法，其特征在于，所述基于多个用户分割词语与对应的用户分割词性类别，按照所述语法结构图，得到用户词位置三维矩阵，包括：
5.根据权利要求1所述的AI提问答案的聚合生成方法，其特征在于，所述基于多个存储词性类别，按照语法关系，将两个词性类别进行连接，得到语法结构图，包括：
6.根据权利要求4所述的AI提问答案的聚合生成方法，其特征在于，所述基于用户分割词性类别集合，提取用户分割词性类别在用户语法图中的连通状态，构建多个语句二维矩阵，得到词位置三维矩阵，包括：
7.根据权利要求2所述的AI提问答案的聚合生成方法，其特征在于，所述三维卷积核的通道数等于二维
8.根据权利要求6所述的AI提问答案的聚合生成方法，其特征在于，所述基于所述用户分割词性类别集合，按照重复的存储词性类别进行分割，得到多个用户单词性类别集合，包括：
9.根据权利要求4所述的AI提问答案的聚合生成方法，其特征在于，所述基于多个用户分割词性类别，按照所述语法结构图，得到用户语法图，包括：
10.一种AI提问答案的聚合生成系统，其特征在于，包括：
...【技术特征摘要】
1.一种ai提问答案的聚合生成方法，其特征在于，包括：
2.根据权利要求1所述的ai提问答案的聚合生成方法，其特征在于，所述基于所述用户分割文字三维矩阵，判断语义，得到用户答案，包括：
3.根据权利要求2所述的ai提问答案的聚合生成方法，其特征在于，所述关键字特征提取网络、第一分类网络和第二分类网络的训练方法，包括：
4.根据权利要求1所述的ai提问答案的聚合生成方法，其特征在于，所述基于多个用户分割词语与对应的用户分割词性类别，按照所述语法结构图，得到用户词位置三维矩阵，包括：
5.根据权利要求1所述的ai提问答案的聚合生成方法，其特征在于，所述基于多个存储词性类别，按照语法关系，将两个词性类别进行连接，得到语法结构图，包括：
6.根据权利要求4所述的ai提问答案的聚合生成方法，其特征在于，所述基于用户分割词性类别集...
【专利技术属性】
技术研发人员：洪钊桦，钟理，翟鸿鹏，张玉东，
申请(专利权)人：广东联想懂的通信有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。