答复内容的查询方法、装置以及存储介质与流程

1.本技术涉及人工智能领域，具体而言，涉及一种答复内容的查询方法、装置以及存储介质。


背景技术：

2.kbqa(knowledge base question answering，知识问答图谱)，是一种基于结构化知识库的智能问答方法。金融行业因本身与数据有高度的相关性，是知识图谱技术深入应用的领域。而随着金融机构的业务不断扩张，用户的不断增多，问答类业务需求量极具增加，客服人力成本也逐步提高，因此知识图谱问答系统得到广泛应用，为用户提供更深入的信息分析和挖掘能力。
3.但是，当前在处理问题的时候，通常使用的流程为解析自然语言，并将解析的结果和预定义的模板进行匹配，从而通过简易的kbqa进行答案的确定；但在实际应用场景中，用户有时倾向表达复杂的问答推理问题，例如问句中包含多个关系或实体的多跳问题：“a市t区在周六营业的网点有哪些”，此时，使用预定义模板匹配的方法确定该问题的答案的时候，由于问题中包含多层关系，导致无法准确的确定该问题对应的答案，进而影响客服人员的工作准确度。
4.针对相关技术中通过预定义模板匹配答案的方法准确率底的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本技术提供一种答复内容的查询方法、装置以及存储介质，以解决相关技术中通过预定义模板匹配答案的方法准确率底的问题。
6.根据本技术的一个方面，提供了一种答复内容的查询方法。该方法包括：获取目标问题的文本信息，并将文本信息转换为向量，得到初始文本向量；在知识库中查找与文本信息相关联的多个候选文本信息，并获取每个候选文本信息的向量，得到多个候选文本向量；计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度；将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量；通过更新后的初始文本向量迭代执行计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度的步骤，以及将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量的步骤，直至迭代次数达到预设数值；在迭代次数达到预设数值的情况下，将当前初始文本向量转换为文本信息，得到目标问题的答复内容。
7.可选地，将文本信息转换为向量，得到初始文本向量包括：识别文本信息中的每个字，得到多个字；从词典中获取每个字对应的编码向量，得到多个编码向量；按照多个字在文本信息中的排列顺序，将多个编码向量进行组合，得到初始文本向量。
8.可选地，知识库中存储多个预设文本信息，预设文本信息中包括关键字，在知识库
中查找文本信息相关联的多个候选文本信息包括：将文本信息进行分词，得到多个词；将每个词输入知识库中进行查询，得到多组查询结果，其中，每组查询结果中包括多个预设文本信息，每个预设文本信息中的关键字与多个词中的任意一个词相同；获取多组查询结果中的全部预设文本信息，并将全部预设文本信息进行去重，得到与文本信息相关联的多个候选文本信息。
9.可选地，预设文本信息中包括关键字和关键值，关键值中包括尾实体，关键字中包括头实体和关系，在将每个词输入知识库中进行查询，得到多组查询结果之前，该方法还包括：将每个预设文本信息中的头实体和尾实体互换，得到多个第一文本信息；将多个第一文本信息添加至知识库中，得到更新后的知识库，并根据更新后的知识库执行将每个词输入知识库中进行查询，得到多组查询结果的步骤。
10.可选地，候选文本向量中包括关键字向量，计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度包括：将初始文本向量与第一预设矩阵相乘，得到第一矩阵；将每个关键字向量与第一预设矩阵相乘，得到多个第二矩阵；依次将每个第一矩阵与多个第二矩阵分为一组，得到多组矩阵；依次将每组矩阵代入第一函数中，得到多个相关度，其中，第一函数为归一化指数函数。
11.可选地，候选文本向量中包括关键值向量，将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量包括：将每个关键值向量与第二预设矩阵相乘，得到多个第三矩阵；根据关键值向量和关键字向量之间的关联关系，确定每个第三矩阵对应的相关度，并将每个第三矩阵与对应的相关度相乘，得到多个第四矩阵；将多个第四矩阵相加，得到目标文本向量。
12.可选地，在获取目标问题的文本信息，并将文本信息转换为向量，得到初始文本向量之前，该方法还包括：获取样本问题的第一样本文本信息，并将第一样本文本信息转换为向量，得到第一样本文本向量；在知识库中查找第一样本文本信息相关联的多个第二样本文本信息，并获取每个第二样本文本信息的向量，得到多个第二样本文本向量；计算第一样本文本向量与每个第二样本文本向量之间的相关度，得到多个样本相关度；将多个样本相关度与对应的第二样本文本向量进行加权求和，得到第三样本文本向量，并将第一样本文本向量与第三样本文本向量相加，得到更新后的第一样本文本向量；通过更新后的第一样本文本向量迭代执行计算第一样本文本向量与每个第二样本文本向量之间的相关度，得到多个样本相关度的步骤，以及将多个样本相关度与对应的第二样本文本向量进行加权求和，得到第三样本文本向量，并将第一样本文本向量与第三样本文本向量相加，得到更新后的第一样本文本向量的步骤，直至迭代次数达到预设数值；在迭代次数达到预设数值的情况下，将当前第一样本文本向量输入第三函数中进行计算，得到样本结果，并根据样本结果确定第一预设矩阵和第二预设矩阵。
13.可选地，根据样本结果确定第一预设矩阵和第二预设矩阵包括：判断样本结果是否为样本问题关联的预设结果；在样本结果不是预设结果的情况下，变更第一初始矩阵和第二初始矩阵，得到更新后的第一初始矩阵和更新后的第二初始矩阵，并根据更新后的第一初始矩阵和更新后的第二初始矩阵重新确定样本结果，直至样本结果为预设结果；在样本结果为预设结果的情况下，将当前时刻下的第一初始矩阵确定为第一预设矩阵，将当前时刻下的第二初始矩阵确定为第二预设矩阵。
14.根据本技术的另一方面，提供了一种答复内容的查询装置。该装置包括：第一获取单元，用于获取目标问题的文本信息，并将文本信息转换为向量，得到初始文本向量；第一查找单元，用于在知识库中查找与文本信息相关联的多个候选文本信息，并获取每个候选文本信息的向量，得到多个候选文本向量；第一计算单元，用于计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度；第二计算单元，用于将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量；第一迭代单元，用于通过更新后的初始文本向量迭代执行计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度的步骤，以及将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量的步骤，直至迭代次数达到预设数值；转换单元，用于在迭代次数达到预设数值的情况下，将当前初始文本向量转换为文本信息，得到目标问题的答复内容。
15.根据本发明实施例的另一方面，还提供了一种计算机存储介质，计算机存储介质用于存储程序，其中，程序运行时控制计算机存储介质所在的设备执行一种答复内容的查询方法。
16.根据本发明实施例的另一方面，还提供了一种电子设备，包含一个或多个处理器和存储器；存储器中存储有计算机可读指令，处理器用于运行计算机可读指令，其中，计算机可读指令运行时执行一种答复内容的查询方法。
17.通过本技术，采用以下步骤：获取目标问题的文本信息，并将文本信息转换为向量，得到初始文本向量；在知识库中查找与文本信息相关联的多个候选文本信息，并获取每个候选文本信息的向量，得到多个候选文本向量；计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度；将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量；通过更新后的初始文本向量迭代执行计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度的步骤，以及将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量的步骤，直至迭代次数达到预设数值；在迭代次数达到预设数值的情况下，将当前初始文本向量转换为文本信息，得到目标问题的答复内容。解决了相关技术中通过预定义模板匹配答案的方法准确率底的问题。首先使用向量表示用户问题和知识图谱中的多个文本信息，通过用户问题检索知识图谱中的文本信息，从而得到候选文本向量，并作为键值记忆槽，然后计算每一个候选文本向量和问题的相关程度评分，根据评分对候选文本向量加权求和，最后用得到的向量值更新问题向量。经过以上n步迭代后，对问题向量进行逆向转换得到文本信息，并将该文本信息确定为问题的答案。进而达到了通过多次迭代进行计算的方式，在知识图谱中准确确定问题答案的效果。
附图说明
18.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
19.图1是根据本技术实施例提供的答复内容的查询方法的流程图；
20.图2是根据本技术实施例提供的向量转换方法的流程图；
21.图3是根据本技术实施例提供的答复内容的查询装置的示意图；
22.图4为根据本技术实施例提供的一种电子设备的示意图。
具体实施方式
23.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
24.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
25.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
26.需要说明的是，本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
27.需要说明的是，本公开所确定的答复内容的查询方法、装置以及存储介质可用于人工智能领域，也可用于除人工智能领域之外的任意领域，本公开所确定的答复内容的查询方法、装置以及存储介质的应用领域不做限定。
28.根据本技术的实施例，提供了一种答复内容的查询方法。
29.图1是根据本技术实施例提供的答复内容的查询方法的流程图。如图1所示，该方法包括以下步骤：
30.步骤s101，获取目标问题的文本信息，并将文本信息转换为向量，得到初始文本向量。
31.具体的，在得到目标问题的文本信息后，可以根据词袋模型将目标问题的文本信息进行编码，得到向量或是向量矩阵，并将该向量或向量矩阵确定为初始文本向量。
32.需要说明的是，词袋模型，假定对于一个文本，忽略其词序和语法、句法，仅仅将其看作是一些词汇的集合，而文本中的每个词汇都是独立的。简单说就是将每篇文档都看成一个袋子，因为里面装的都是词汇，所以称为词袋，所有的词组成词典，我们就可以将文本映射成为向量，向量的长度是词典的大小，每一行表示词典中的一个词，行向量中的每一位上的数值表示该词在字典中的位置。
33.例如，假设问题的文本为：“我是谁”，那么词袋就是这3个汉字组成的，并且词典中
存在10个词，则“我是谁”就可以编码成：[[1 0 0 0 0 0 0 0 0 0]、[0 1 0 0 0 0 0 00 0]、[0 0 1 0 0 0 0 0 0 0]]，从而得到初始文本向量。
[0034]
步骤s102，在知识库中查找与文本信息相关联的多个候选文本信息，并获取每个候选文本信息的向量，得到多个候选文本向量。
[0035]
具体的，在进行候选文本信息的查询的时候，可以采用确定知识库中的每个文本与目标问题的文本信息的内容重复情况，并根据内容重复情况确定是否将知识库中的某个文本确定为候选文本信息。
[0036]
例如，可以确定目标问题的文本信息与知识库中的每个文本之间的文本重复度，并将文本重复度大于60％的文本确定为候选文本信息。
[0037]
需要说明的是，在将候选文本信息转换成候选文本向量时使用的方法也是上述词袋方法。每个候选文本信息由三元组(subject、predicate、object)形式构成，每个三元组的subject主语和predicate谓语作为key，object宾语作为value。对于问题x，在知识库中选择m个key-value对作为记忆槽，得到：(k1,v1),(k2,v2),(k3,v3),
…
,(km,vm)。
[0038]
步骤s103，计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度。
[0039]
具体的，在进行相关度的计算的时候，需要将初始文本向量与候选文本向量中的key进行计算，从而得到初始文本向量与候选文本向量之间的相关度。
[0040]
步骤s104，将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量。
[0041]
具体的，在得到相关度后，需要将每个相关度与对应的候选文本向量中的value相乘，并将多个乘积相加，得到目标文本向量，其中，相关度也即加权求和中的权值。得到的目标文本向量也即更新后的初始文本向量。
[0042]
步骤s105，通过更新后的初始文本向量迭代执行计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度的步骤，以及将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量的步骤，直至迭代次数达到预设数值。
[0043]
具体的，在得到更新后的初始文本向量后，表征完成了一次初始文本向量的迭代更新，此时，需要根据当前的初始文本向量重复进行多次上述迭代过程，直至迭代次数达到预设次数。
[0044]
步骤s106，在迭代次数达到预设数值的情况下，将当前初始文本向量转换为文本信息，得到目标问题的答复内容。
[0045]
具体的，在得到预设次数后，可以将当前的初始文本向量经过输出层参数矩阵处理，也即输入公式5中，从而得到与每个答案之间的概率值，概率越高说明越接近所需的问题及答案，因此，在将当前的初始文本向量输入公式5之后，通过公式5计算初始文本向量与每个答案之间的概率值a，从而将通过argmax函数得到的输出最大值对应的那一个候选答案确定为目标问题的答复内容，进而达到准确的确定目标问题的答案的效果。
[0046]
本技术实施例提供的答复内容的查询方法，通过获取目标问题的文本信息，并将文本信息转换为向量，得到初始文本向量；在知识库中查找与文本信息相关联的多个候选文本信息，并获取每个候选文本信息的向量，得到多个候选文本向量；计算初始文本向量与
每个候选文本向量之间的相关度，得到多个相关度；将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量；通过更新后的初始文本向量迭代执行计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度的步骤，以及将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量的步骤，直至迭代次数达到预设数值；在迭代次数达到预设数值的情况下，将当前初始文本向量转换为文本信息，得到目标问题的答复内容。解决了相关技术中通过预定义模板匹配答案的方法准确率底的问题。首先使用向量表示用户问题和知识图谱中的多个文本信息，通过用户问题检索知识图谱中的文本信息，从而得到候选文本向量，并作为键值记忆槽，然后计算每一个候选文本向量和问题的相关程度评分，根据评分对候选文本向量加权求和，最后用得到的向量值更新问题向量。经过以上n步迭代后，对问题向量进行逆向转换得到文本信息，并将该文本信息确定为问题的答案。进而达到了通过多次迭代进行计算的方式，在知识图谱中准确确定问题答案的效果。
[0047]
可选地，图2是根据本技术实施例提供的向量转换方法的流程图，如图2所示，在本技术实施例提供的答复内容的查询方法中，步骤s101中，将文本信息转换为向量，得到初始文本向量包括：
[0048]
步骤s201，识别文本信息中的每个字，得到多个字；步骤s202，从词典中获取每个字对应的编码向量，得到多个编码向量；步骤s203，按照多个字在文本信息中的排列顺序，将多个编码向量进行组合，得到初始文本向量。
[0049]
具体的，在进行初始文本向量的生成的时候，可以根据词袋模型将目标问题的文本信息进行编码，得到向量或是向量矩阵，并将该向量或向量矩阵确定为初始文本向量。
[0050]
需要说明的是，词袋模型，假定对于一个文本，忽略其词序和语法、句法，仅仅将其看作是一些词汇的集合，而文本中的每个词汇都是独立的。简单说就是将每篇文档都看成一个袋子，因为里面装的都是词汇，所以称为词袋，所有的词组成词典，我们就可以将文本映射成为向量，向量的长度是词典的大小，每一行表示词典中的一个词，行向量中的每一位上的数值表示该词在字典中的位置。
[0051]
例如，假设问题的文本为：“我是谁”，那么词袋就是这3个汉字组成的，并且词典中存在10个词，则“我是谁”就可以编码成：[[1 0 0 0 0 0 0 0 0 0]、[0 1 0 0 0 0 0 00 0]、[0 0 1 0 0 0 0 0 0 0]]，从而得到初始文本向量。
[0052]
可选地，在本技术实施例提供的答复内容的查询方法中，知识库中存储多个预设文本信息，预设文本信息中包括关键字，在知识库中查找文本信息相关联的多个候选文本信息包括：将文本信息进行分词，得到多个词；将每个词输入知识库中进行查询，得到多组查询结果，其中，每组查询结果中包括多个预设文本信息，每个预设文本信息中的关键字与多个词中的任意一个词相同；获取多组查询结果中的全部预设文本信息，并将全部预设文本信息进行去重，得到与文本信息相关联的多个候选文本信息。
[0053]
具体的，在确定候选文本信息的时候，可以先将问题的文本信息进行分词，得到多个词语，并在知识库中按照每个词语进行搜索，得到多组预设文本信息，其中，每组预设文本信息中的关键字中均包含一个词语。例如，文本信息进行分词后，得到两个词语为“天气”，“晴”，则得到的两组预设文本信息中，一组预设文本信息中的每个候选文本信息的关
键字中均包括“天气”这个词语，另一组预设文本信息中的每个候选文本信息的关键字中均包括“晴”这个词语，从而得到多组候选文本信息。
[0054]
进一步的，在得到多组预设文本信息后，由于多组预设文本信息中可能会存在重复的候选文本信息，因此需要进行去重，从而得到与文本信息相关联的多个候选文本信息。
[0055]
可选地，在本技术实施例提供的答复内容的查询方法中，预设文本信息中包括关键字和关键值，关键值中包括尾实体，关键字中包括头实体和关系，在将每个词输入知识库中进行查询，得到多组查询结果之前，该方法还包括：将每个预设文本信息中的头实体和尾实体互换，得到多个第一文本信息；将多个第一文本信息添加至知识库中，得到更新后的知识库，并根据更新后的知识库执行将每个词输入知识库中进行查询，得到多组查询结果的步骤。
[0056]
具体的，为了扩充候选文本信息的量，因此，可以将知识库中的每个预设文本信息的头实体subject和尾实体object进行互换，从而得到与原知识库中的文本数量相同的新预设文本信息，并将大量新预设文本信息添加至知识库中，使得知识库中的文本数据翻倍，进一步提高了答案查询的准确性。
[0057]
可选地，在本技术实施例提供的答复内容的查询方法中，候选文本向量中包括关键字向量，计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度包括：将初始文本向量与第一预设矩阵相乘，得到第一矩阵；将每个关键字向量与第一预设矩阵相乘，得到多个第二矩阵；依次将每个第一矩阵与多个第二矩阵分为一组，得到多组矩阵；依次将每组矩阵代入第一函数中，得到多个相关度，其中，第一函数为归一化指数函数。
[0058]
具体的，可以通过公式1计算初始文本向量与每个候选文本向量之间的相关度：
[0059]
pi＝softmax(aф
x
(x)
·
aфk(ki)(1)
[0060]
其中，pi为第i个候选文本向量与初始文本向量之间的相关度，其中ф
x
和фk分别是x和key的d维向量矩阵，ki为第i个候选文本向量的关键字向量，a是一个d
×
d的嵌入矩阵，也即第一预设矩阵，softmax函数也即归一化指数函数。
[0061]
可选地，在本技术实施例提供的答复内容的查询方法中，候选文本向量中包括关键值向量，将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量包括：将每个关键值向量与第二预设矩阵相乘，得到多个第三矩阵；根据关键值向量和关键字向量之间的关联关系，确定每个第三矩阵对应的相关度，并将每个第三矩阵与对应的相关度相乘，得到多个第四矩阵；将多个第四矩阵相加，得到目标文本向量。
[0062]
具体的，在计算得到i个相关度后，可以通过公式2进行加权求和，得到目标文本向量：
[0063]
o＝∑ipibфv(vi)(2)
[0064]
其中，o为目标文本向量，фv(vi)为第i个候选文本向量的关键值向量的d维向量矩阵，b是一个d
×
d的嵌入矩阵，可以与矩阵a相同，也可以与矩阵a不同。
[0065]
需要说明的是，在计算完目标文本向量后，表征完成了一次初始文本向量的迭代更新，此时，在需要根据当前的初始文本向量重复进行多次上述迭代过程之前，还需要通过公式3将目标文本向量进行更新，得到更新后的目标文本向量，并重新确定更新后的目标文本向量与多个候选文本向量之间的相关度，其中，公式3如下所示：
[0066]qi+1
＝ri*(qi+oi)(3)
[0067]
其中，qi为上一迭代周期内的第i个相关度，oi为上一迭代周期末计算得到的目标文本向量，r是随机的d
×
d的矩阵，q
i+1
为当前迭代周期的初始文本向量。
[0068]
在得到q
i+1
后，需要将q
i+1
进行转置计算，得到并将作为更新后的目标文本向量计算新的相关度，此时，新一个迭代周期内的相关度计算公式如公式4所示：
[0069][0070]
可选地，在本技术实施例提供的答复内容的查询方法中，在获取目标问题的文本信息，并将文本信息转换为向量，得到初始文本向量之前，方法还包括：获取样本问题的第一样本文本信息，并将第一样本文本信息转换为向量，得到第一样本文本向量；在知识库中查找第一样本文本信息相关联的多个第二样本文本信息，并获取每个第二样本文本信息的向量，得到多个第二样本文本向量；计算第一样本文本向量与每个第二样本文本向量之间的相关度，得到多个样本相关度；将多个样本相关度与对应的第二样本文本向量进行加权求和，得到第三样本文本向量，并将第一样本文本向量与第三样本文本向量相加，得到更新后的第一样本文本向量；通过更新后的第一样本文本向量迭代执行计算第一样本文本向量与每个第二样本文本向量之间的相关度，得到多个样本相关度的步骤，以及将多个样本相关度与对应的第二样本文本向量进行加权求和，得到第三样本文本向量，并将第一样本文本向量与第三样本文本向量相加，得到更新后的第一样本文本向量的步骤，直至迭代次数达到预设数值；在迭代次数达到预设数值的情况下，将当前第一样本文本向量输入第三函数中进行计算，得到样本结果，并根据样本结果确定第一预设矩阵和第二预设矩阵。
[0071]
具体的，在查询问题答案之前，需要先确定上述流程中的第一预设矩阵和第二预设矩阵，因此，需要通过样本文本信息执行上述流程，直至迭代次数达到预设数值，此时，会得到根据样本文本信息计算得到的第一样本文本向量，在得到第一样本文本向量后，需要根据第三函数对当前第一样本文本向量进行计算，从而确定当前第一样本文本向量是否正确，并根据计算结果确定此次计算所使用的第一预设矩阵和第二预设矩阵是否为可使用的矩阵。
[0072]
需要说明的是，将当前第一样本文本向量输入第三函数中进行计算可使用公式5进行计算，公式5如下所示：
[0073][0074]
其中，为当前第一样本文本向量的转置，c为随机的d
×
d的矩阵，фy(yi)为答案集合中的任意一个答案实体，a为每个答案实体与当前第一样本文本向量之间的概率值，argmax为最大值自变量点集函数。
[0075]
可选地，在本技术实施例提供的答复内容的查询方法中，根据样本结果确定第一预设矩阵和第二预设矩阵包括：判断样本结果是否为样本问题关联的预设结果；在样本结果不是预设结果的情况下，变更第一初始矩阵和第二初始矩阵，得到更新后的第一初始矩阵和更新后的第二初始矩阵，并根据更新后的第一初始矩阵和更新后的第二初始矩阵重新确定样本结果，直至样本结果为预设结果；在样本结果为预设结果的情况下，将当前时刻下的第一初始矩阵确定为第一预设矩阵，将当前时刻下的第二初始矩阵确定为第二预设矩阵。
[0076]
具体的，在得到多个概率值后，可以将概率值最大的答案实体确定为目标问题的样本结果，并判断该样本结果是否为目标问题对应的预设结果，在样本结果是预设结果的情况下，确定当前时刻下的第一初始矩阵确定为第一预设矩阵，将当前时刻下的第二初始矩阵确定为第二预设矩阵，在样本结果不是预设结果的情况下，表征此时的第一预设矩阵和第二预设矩阵没有达到最优值，则需要对当前时刻下的第一预设矩阵和第二预设矩阵进行变更，并重新进行计算，直至样本结果与预设结果相同。
[0077]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0078]
本技术实施例还提供了一种答复内容的查询装置，需要说明的是，本技术实施例的答复内容的查询装置可以用于执行本技术实施例所提供的用于答复内容的查询方法。以下对本技术实施例提供的答复内容的查询装置进行介绍。
[0079]
图3是根据本技术实施例提供的答复内容的查询装置的示意图。如图3所示，该装置包括：第一获取单元31，第一查找单元32，第一计算单元33，第二计算单元34，第一迭代单元35，转换单元36。
[0080]
第一获取单元31，用于获取目标问题的文本信息，并将文本信息转换为向量，得到初始文本向量；
[0081]
第一查找单元32，用于在知识库中查找与文本信息相关联的多个候选文本信息，并获取每个候选文本信息的向量，得到多个候选文本向量；
[0082]
第一计算单元33，用于计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度；
[0083]
第二计算单元34，用于将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量；
[0084]
第一迭代单元35，用于通过更新后的初始文本向量迭代执行计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度的步骤，以及将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量的步骤，直至迭代次数达到预设数值；
[0085]
转换单元36，用于在迭代次数达到预设数值的情况下，将当前初始文本向量转换为文本信息，得到目标问题的答复内容。
[0086]
本技术实施例提供的答复内容的查询装置，通过第一获取单元31，用于获取目标问题的文本信息，并将文本信息转换为向量，得到初始文本向量；第一查找单元32，用于在知识库中查找与文本信息相关联的多个候选文本信息，并获取每个候选文本信息的向量，得到多个候选文本向量；第一计算单元33，用于计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度；第二计算单元34，用于将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量；第一迭代单元35，用于通过更新后的初始文本向量迭代执行计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度的步骤，以及将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量的步骤，直至迭代次数达到预设数值；转换单元36，用于
在迭代次数达到预设数值的情况下，将当前初始文本向量转换为文本信息，得到目标问题的答复内容。解决了相关技术中通过预定义模板匹配答案的方法准确率底的问题。首先使用向量表示用户问题和知识图谱中的多个文本信息，通过用户问题检索知识图谱中的文本信息，从而得到候选文本向量，并作为键值记忆槽，然后计算每一个候选文本向量和问题的相关程度评分，根据评分对候选文本向量加权求和，最后用得到的向量值更新问题向量。经过以上n步迭代后，对问题向量进行逆向转换得到文本信息，并将该文本信息确定为问题的答案。进而达到了通过多次迭代进行计算的方式，在知识图谱中准确确定问题答案的效果。
[0087]
可选地，在本技术实施例提供的答复内容的查询装置中，第一获取单元31包括：识别模块，用于识别文本信息中的每个字，得到多个字；第一获取模块，用于从词典中获取每个字对应的编码向量，得到多个编码向量；组合模块，用于按照多个字在文本信息中的排列顺序，将多个编码向量进行组合，得到初始文本向量。
[0088]
可选地，在本技术实施例提供的答复内容的查询装置中，知识库中存储多个预设文本信息，预设文本信息中包括关键字，第一查找单元32包括：分词模块，用于将文本信息进行分词，得到多个词；查询模块，用于将每个词输入知识库中进行查询，得到多组查询结果，其中，每组查询结果中包括多个预设文本信息，每个预设文本信息中的关键字与多个词中的任意一个词相同；第二获取模块，用于获取多组查询结果中的全部预设文本信息，并将全部预设文本信息进行去重，得到与文本信息相关联的多个候选文本信息。
[0089]
可选地，在本技术实施例提供的答复内容的查询装置中，预设文本信息中包括关键字和关键值，关键值中包括尾实体，关键字中包括头实体和关系，该装置还包括：交换单元，用于将每个预设文本信息中的头实体和尾实体互换，得到多个第一文本信息；添加单元，用于将多个第一文本信息添加至知识库中，得到更新后的知识库，并根据更新后的知识库执行将每个词输入知识库中进行查询，得到多组查询结果的步骤。
[0090]
可选地，在本技术实施例提供的答复内容的查询装置中，候选文本向量中包括关键字向量，第一计算单元33包括：第一计算模块，用于将初始文本向量与第一预设矩阵相乘，得到第一矩阵；第二计算模块，用于将每个关键字向量与第一预设矩阵相乘，得到多个第二矩阵；分组模块，用于依次将每个第一矩阵与多个第二矩阵分为一组，得到多组矩阵；代入模块，用于依次将每组矩阵代入第一函数中，得到多个相关度，其中，第一函数为归一化指数函数。
[0091]
可选地，在本技术实施例提供的答复内容的查询装置中，候选文本向量中包括关键值向量，第二计算单元34包括：第三计算模块，用于将每个关键值向量与第二预设矩阵相乘，得到多个第三矩阵；第一确定模块，用于根据关键值向量和关键字向量之间的关联关系，确定每个第三矩阵对应的相关度，并将每个第三矩阵与对应的相关度相乘，得到多个第四矩阵；第四计算模块，用于将多个第四矩阵相加，得到目标文本向量。
[0092]
可选地，在本技术实施例提供的答复内容的查询装置中，该装置还包括：第二获取单元，用于获取样本问题的第一样本文本信息，并将第一样本文本信息转换为向量，得到第一样本文本向量；第二查找单元，用于在知识库中查找第一样本文本信息相关联的多个第二样本文本信息，并获取每个第二样本文本信息的向量，得到多个第二样本文本向量；第三计算单元，用于计算第一样本文本向量与每个第二样本文本向量之间的相关度，得到多个样本相关度；第四计算单元，用于将多个样本相关度与对应的第二样本文本向量进行加权
求和，得到第三样本文本向量，并将第一样本文本向量与第三样本文本向量相加，得到更新后的第一样本文本向量；第二迭代单元，用于通过更新后的第一样本文本向量迭代执行计算第一样本文本向量与每个第二样本文本向量之间的相关度，得到多个样本相关度的步骤，以及将多个样本相关度与对应的第二样本文本向量进行加权求和，得到第三样本文本向量，并将第一样本文本向量与第三样本文本向量相加，得到更新后的第一样本文本向量的步骤，直至迭代次数达到预设数值；确定单元，用于在迭代次数达到预设数值的情况下，将当前第一样本文本向量输入第三函数中进行计算，得到样本结果，并根据样本结果确定第一预设矩阵和第二预设矩阵。
[0093]
可选地，在本技术实施例提供的答复内容的查询装置中，确定单元包括：判断模块，用于判断样本结果是否为样本问题关联的预设结果；变更模块，用于在样本结果不是预设结果的情况下，变更第一初始矩阵和第二初始矩阵，得到更新后的第一初始矩阵和更新后的第二初始矩阵，并根据更新后的第一初始矩阵和更新后的第二初始矩阵重新确定样本结果，直至样本结果为预设结果；第二确定模块，用于在样本结果为预设结果的情况下，将当前时刻下的第一初始矩阵确定为第一预设矩阵，将当前时刻下的第二初始矩阵确定为第二预设矩阵。
[0094]
上述答复内容的查询装置包括处理器和存储器，上述第一获取单元31，第一查找单元32，第一计算单元33，第二计算单元34，第一迭代单元35，转换单元36等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0095]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决了相关技术中通过预定义模板匹配答案的方法准确率底的问题。
[0096]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0097]
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述答复内容的查询方法。
[0098]
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述答复内容的查询方法。
[0099]
如图4所示，本发明实施例提供了一种电子设备，电子设备40包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取目标问题的文本信息，并将文本信息转换为向量，得到初始文本向量；在知识库中查找与文本信息相关联的多个候选文本信息，并获取每个候选文本信息的向量，得到多个候选文本向量；计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度；将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量；通过更新后的初始文本向量迭代执行计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度的步骤，以及将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量的步骤，直至迭代次数达到预设数值；在迭代次数达到预设数值的情况下，将当前初始文本向量转换为文本信息，得到目标问题的答复内容。本文
中的设备可以是服务器、pc、pad、手机等。
[0100]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取目标问题的文本信息，并将文本信息转换为向量，得到初始文本向量；在知识库中查找与文本信息相关联的多个候选文本信息，并获取每个候选文本信息的向量，得到多个候选文本向量；计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度；将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量；通过更新后的初始文本向量迭代执行计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度的步骤，以及将多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将目标文本向量与初始文本向量相加，得到更新后的初始文本向量的步骤，直至迭代次数达到预设数值；在迭代次数达到预设数值的情况下，将当前初始文本向量转换为文本信息，得到目标问题的答复内容。
[0101]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0102]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0103]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0104]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0105]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0106]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0107]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动
态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0108]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0109]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种答复内容的查询方法，其特征在于，包括：获取目标问题的文本信息，并将所述文本信息转换为向量，得到初始文本向量；在知识库中查找与所述文本信息相关联的多个候选文本信息，并获取每个候选文本信息的向量，得到多个候选文本向量；计算所述初始文本向量与每个候选文本向量之间的相关度，得到多个相关度；将所述多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将所述目标文本向量与所述初始文本向量相加，得到更新后的初始文本向量；通过所述更新后的初始文本向量迭代执行所述计算所述初始文本向量与每个候选文本向量之间的相关度，得到多个相关度的步骤，以及将所述多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将所述目标文本向量与所述初始文本向量相加，得到更新后的初始文本向量的步骤，直至迭代次数达到预设数值；在所述迭代次数达到所述预设数值的情况下，将当前初始文本向量转换为文本信息，得到所述目标问题的答复内容。2.根据权利要求1所述的方法，其特征在于，将所述文本信息转换为向量，得到初始文本向量包括：识别所述文本信息中的每个字，得到多个字；从词典中获取每个字对应的编码向量，得到多个编码向量；按照所述多个字在所述文本信息中的排列顺序，将所述多个编码向量进行组合，得到所述初始文本向量。3.根据权利要求1所述的方法，其特征在于，所述知识库中存储多个预设文本信息，所述预设文本信息中包括关键字，在知识库中查找与所述文本信息相关联的多个候选文本信息包括：将所述文本信息进行分词，得到多个词；将每个词输入所述知识库中进行查询，得到多组查询结果，其中，每组查询结果中包括多个预设文本信息，每个预设文本信息中的关键字与所述多个词中的任意一个词相同；获取所述多组查询结果中的全部预设文本信息，并将所述全部预设文本信息进行去重，得到与所述文本信息相关联的多个候选文本信息。4.根据权利要求3所述的方法，其特征在于，所述预设文本信息中包括关键字和关键值，所述关键值中包括尾实体，所述关键字中包括头实体和关系，在将每个词输入所述知识库中进行查询，得到多组查询结果之前，所述方法还包括：将每个预设文本信息中的头实体和尾实体互换，得到多个第一文本信息；将所述多个第一文本信息添加至知识库中，得到更新后的知识库，并根据所述更新后的知识库执行所述将每个词输入所述知识库中进行查询，得到多组查询结果的步骤。5.根据权利要求1所述的方法，其特征在于，所述候选文本向量中包括关键字向量，计算所述初始文本向量与每个候选文本向量之间的相关度，得到多个相关度包括：将所述初始文本向量与第一预设矩阵相乘，得到第一矩阵；将每个关键字向量与所述第一预设矩阵相乘，得到多个第二矩阵；依次将每个第一矩阵与所述多个第二矩阵分为一组，得到多组矩阵；依次将每组矩阵代入第一函数中，得到所述多个相关度，其中，所述第一函数为归一化
指数函数。6.根据权利要求5所述的方法，其特征在于，所述候选文本向量中包括关键值向量，将所述多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量包括：将每个关键值向量与第二预设矩阵相乘，得到多个第三矩阵；根据所述关键值向量和关键字向量之间的关联关系，确定每个第三矩阵对应的相关度，并将所述每个第三矩阵与对应的相关度相乘，得到多个第四矩阵；将所述多个第四矩阵相加，得到所述目标文本向量。7.根据权利要求6所述的方法，其特征在于，在获取目标问题的文本信息，并将所述文本信息转换为向量，得到初始文本向量之前，所述方法还包括：获取样本问题的第一样本文本信息，并将所述第一样本文本信息转换为向量，得到第一样本文本向量；在知识库中查找所述第一样本文本信息相关联的多个第二样本文本信息，并获取每个第二样本文本信息的向量，得到多个第二样本文本向量；计算所述第一样本文本向量与每个第二样本文本向量之间的相关度，得到多个样本相关度；将所述多个样本相关度与对应的第二样本文本向量进行加权求和，得到第三样本文本向量，并将所述第一样本文本向量与所述第三样本文本向量相加，得到更新后的第一样本文本向量；通过所述更新后的第一样本文本向量迭代执行所述计算所述第一样本文本向量与每个第二样本文本向量之间的相关度，得到多个样本相关度的步骤，以及将所述多个样本相关度与对应的第二样本文本向量进行加权求和，得到第三样本文本向量，并将所述第一样本文本向量与所述第三样本文本向量相加，得到更新后的第一样本文本向量的步骤，直至迭代次数达到所述预设数值；在所述迭代次数达到所述预设数值的情况下，将当前第一样本文本向量输入第三函数中进行计算，得到样本结果，并根据所述样本结果确定所述第一预设矩阵和第二预设矩阵。8.根据权利要求7所述的方法，其特征在于，根据所述样本结果确定所述第一预设矩阵和第二预设矩阵包括：判断所述样本结果是否为所述样本问题关联的预设结果；在所述样本结果不是所述预设结果的情况下，变更第一初始矩阵和第二初始矩阵，得到更新后的第一初始矩阵和更新后的第二初始矩阵，并根据所述更新后的第一初始矩阵和所述更新后的第二初始矩阵重新确定所述样本结果，直至所述样本结果为所述预设结果；在所述样本结果为所述预设结果的情况下，将当前时刻下的第一初始矩阵确定为所述第一预设矩阵，将当前时刻下的第二初始矩阵确定为所述第二预设矩阵。9.一种答复内容的查询装置，其特征在于，包括：第一获取单元，用于获取目标问题的文本信息，并将所述文本信息转换为向量，得到初始文本向量；第一查找单元，用于在知识库中查找与所述文本信息相关联的多个候选文本信息，并获取每个候选文本信息的向量，得到多个候选文本向量；第一计算单元，用于计算所述初始文本向量与每个候选文本向量之间的相关度，得到
多个相关度；第二计算单元，用于将所述多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将所述目标文本向量与所述初始文本向量相加，得到更新后的初始文本向量；第一迭代单元，用于通过所述更新后的初始文本向量迭代执行所述计算所述初始文本向量与每个候选文本向量之间的相关度，得到多个相关度的步骤，以及将所述多个相关度与对应的候选文本向量进行加权求和，得到目标文本向量，并将所述目标文本向量与所述初始文本向量相加，得到更新后的初始文本向量的步骤，直至迭代次数达到预设数值；转换单元，用于在所述迭代次数达到所述预设数值的情况下，将当前初始文本向量转换为文本信息，得到所述目标问题的答复内容。10.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序，其中，所述程序运行时控制所述计算机存储介质所在的设备执行权利要求1至8中任意一项所述的答复内容的查询方法。

技术总结
本申请公开了一种答复内容的查询方法、装置以及存储介质。涉及人工智能领域。该方法包括：获取目标问题的文本信息，并将文本信息转换为向量，得到初始文本向量；在知识库中查找与文本信息相关联的多个候选文本信息，并获取每个候选文本信息的向量，得到多个候选文本向量；计算初始文本向量与每个候选文本向量之间的相关度，得到多个相关度；将多个相关度与对应的候选文本向量进行计算，得到目标文本向量；通过初始文本向量执行迭代步骤，直至迭代次数达到预设数值；在迭代次数达到预设数值的情况下，将当前初始文本向量转换为文本信息，得到目标问题的答复内容。通过本申请，解决了相关技术中通过预定义模板匹配答案的方法准确率底的问题。确率底的问题。确率底的问题。


技术研发人员：祝放 何辉 于淼 贾玉红
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.04.21
技术公布日：2023/7/12