基于深度問答的答案定位方法及裝置與流程
本發(fā)明涉及互聯網技術領域，尤其涉及一種基于深度問答的答案定位方法及裝置。
背景技術：
深度問答(Deep Question and Answer，DeepQA)，是指理解人類的語言，智能識別問題的含義，并從海量的互聯網數據中提取問題的答案。
隨著互聯網的快速發(fā)展，搜索引擎的功能日趨強大，用戶對搜索引擎的期望也越來越高，開始由基本的相關網頁召回向智能問答轉變。當用戶通過搜索引擎輸入所要查詢的問題時，希望獲得的搜索結果不再是相關的網頁，而希望能夠直接獲得問題的答案。
然而，現有的搜索引擎技術僅能通過信息檢索和文檔摘要技術，向用戶提供相關性較高的網頁作為檢索結果，用戶需要結合網頁標題、正文摘要甚至是網頁鏈接等信息確定所要查看的網頁，并自行在冗余的文本中查找答案。因此，現有技術無法直觀、清晰地向用戶展現所需答案。
技術實現要素：
本發(fā)明的目的旨在至少在一定程度上解決上述的技術問題之一。
為此，本發(fā)明的第一個目的在于提出一種基于深度問答的答案定位方法，該方法能夠避免用戶點擊鏈接以及在冗長的文本中尋找答案的過程，直觀、清晰地展現用戶所需答案，深度滿足用戶的搜索服務需求。
本發(fā)明的第二個目的在于提出一種基于深度問答的答案定位裝置。
本發(fā)明的第三個目的在于提出一種終端。
本發(fā)明的第四個目的在于提出一種非臨時性計算機可讀存儲介質。
本發(fā)明的第五個目的在于提出一種計算機程序產品。
為了實現上述目的，本發(fā)明第一方面實施例提出了一種基于深度問答的答案定位方法，包括：接收輸入的查詢語句；對查詢語句進行解析，以生成查詢語句對應的語義解析樹；利用預先建立的匹配庫，對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率；根據對齊概率確定最終答案。
本發(fā)明第一方面實施例提出的基于深度問答的答案定位方法，通過接收輸入的查詢語句，對查詢語句進行解析，以生成查詢語句對應的語義解析樹，利用預先建立的匹配庫對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率，根據對齊概率確定最終答案。由此，能夠避免用戶點擊鏈接以及在冗長的文本中尋找答案的過程，直觀、清晰地展現用戶所需答案，深度滿足用戶的搜索服務需求。
為了實現上述目的，本發(fā)明第二方面實施例提出了一種基于深度問答的答案定位裝置，包括：接收模塊，用于接收輸入的查詢語句；解析模塊，用于對查詢語句進行解析，以生成查詢語句對應的語義解析樹；匹配模塊，用于利用預先建立的匹配庫，對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率；確定模塊，用于根據對齊概率確定最終答案。
本發(fā)明第二方面實施例提出的基于深度問答的答案定位裝置，通過接收輸入的查詢語句，對查詢語句進行解析，以生成查詢語句對應的語義解析樹，利用預先建立的匹配庫對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率，根據對齊概率確定最終答案。由此，能夠避免用戶點擊鏈接以及在冗長的文本中尋找答案的過程，直觀、清晰地展現用戶所需答案，深度滿足用戶的搜索服務需求。
為了實現上述目的，本發(fā)明第三方面實施例提出了一種終端，包括：處理器；用于存儲處理器可執(zhí)行指令的存儲器。其中，處理器被配置為執(zhí)行以下步驟：
接收輸入的查詢語句；
對查詢語句進行解析，以生成查詢語句對應的語義解析樹；
利用預先建立的匹配庫，對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率；
根據對齊概率確定最終答案。
本發(fā)明第三方面實施例提出的終端，通過接收輸入的查詢語句，對查詢語句進行解析，以生成查詢語句對應的語義解析樹，利用預先建立的匹配庫對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率，根據對齊概率確定最終答案。由此，能夠避免用戶點擊鏈接以及在冗長的文本中尋找答案的過程，直觀、清晰地展現用戶所需答案，深度滿足用戶的搜索服務需求。
為了實現上述目的，本發(fā)明第四方面實施例提出了一種非臨時性計算機可讀存儲介質，用于存儲一個或多個程序，當存儲介質中的指令由移動終端的處理器執(zhí)行時，使得移動終端能夠執(zhí)行一種基于深度問答的答案定位方法，方法包括；
接收輸入的查詢語句；
對查詢語句進行解析，以生成查詢語句對應的語義解析樹；
利用預先建立的匹配庫，對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率；
根據對齊概率確定最終答案。
本發(fā)明第四方面實施例提出的非臨時性計算機可讀存儲介質，通過接收輸入的查詢語句，對查詢語句進行解析，以生成查詢語句對應的語義解析樹，利用預先建立的匹配庫對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率，根據對齊概率確定最終答案。由此，能夠避免用戶點擊鏈接以及在冗長的文本中尋找答案的過程，直觀、清晰地展現用戶所需答案，深度滿足用戶的搜索服務需求。
為了實現上述目的，本發(fā)明第五方面實施例提出了一種計算機程序產品，當計算機程序產品中的指令被處理器執(zhí)行時，執(zhí)行一種基于深度問答的答案定位方法，方法包括：
接收輸入的查詢語句；
對查詢語句進行解析，以生成查詢語句對應的語義解析樹；
利用預先建立的匹配庫，對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率；
根據對齊概率確定最終答案。
本發(fā)明第五方面實施例提出的計算機程序產品，通過接收輸入的查詢語句，對查詢語句進行解析，以生成查詢語句對應的語義解析樹，利用預先建立的匹配庫對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率，根據對齊概率確定最終答案。由此，能夠避免用戶點擊鏈接以及在冗長的文本中尋找答案的過程，直觀、清晰地展現用戶所需答案，深度滿足用戶的搜索服務需求。
附圖說明
本發(fā)明上述的和/或附加的方面和優(yōu)點從下面結合附圖對實施例的描述中將變得明顯和容易理解，其中：
圖1是本發(fā)明一實施例提出的基于深度問答的答案定位方法的流程示意圖；
圖2是獲取匹配庫中候選答案與語義解析樹的對齊概率的示意圖；
圖3是采用本實施例提出的基于深度問答的答案定位方法的搜索引擎的搜索結果顯示界面圖；
圖4是本發(fā)明另一實施例提出的基于深度問答的答案定位方法的流程示意圖；
圖5是建立匹配庫的流程示意圖；
圖6是問答對統(tǒng)計對齊結果示意圖；
圖7是本發(fā)明一實施例提出的基于深度問答的答案定位裝置的結構示意圖；
圖8是本發(fā)明另一實施例提出的基于深度問答的答案定位裝置的結構示意圖；
圖9是本發(fā)明又一實施例提出的基于深度問答的答案定位裝置的結構示意圖。
具體實施方式
下面詳細描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。相反，本發(fā)明的實施例包括落入所附加權利要求書的精神和內涵范圍內的所有變化、修改和等同物。
隨著網絡信息技術的發(fā)展，用戶對搜索引擎的需求已不滿足于基本的相關網頁召回，開始向智能問答方向轉變。比如，當用戶通過搜索引擎輸入查詢語句“海水為什么是咸的”時，希望能夠在搜索結果顯示界面直接獲得海水是咸的的原因。
然而，現有的搜索引擎通過傳統(tǒng)的信息檢索和文檔摘要技術，僅能向用戶提供與查詢語句有相關性的搜索結果，同時，通過摘要計算，提取網頁中能夠總結網頁內容的文字展現給用戶，以輔助用戶確定點擊的內容。用戶需要結合網頁標題、正文摘要甚至是網頁鏈接等信息確定所要查看的網頁，并從冗長的網頁內容中自行提取所需答案?？梢姡F有的搜索引擎技術無法滿足用戶通過搜索結果顯示界面直接獲得所需答案的需求。
因此，為了彌補現有技術的不足，本發(fā)明提出了一種基于深度問答的答案定位方法，以在搜索結果顯示界面中直觀、清晰地展現用戶所需的答案。
圖1是本發(fā)明一實施例提出的基于深度問答的答案定位方法的流程示意圖。
如圖1所示，本實施例的基于深度問答的答案定位方法，包括：
S11：接收輸入的查詢語句。
本實施例中，當用戶想要查詢某一問題的答案時，比如用戶想要了解海水是咸的的原因，可以在搜索引擎中輸入想要查詢的問題，即輸入“海水為什么是咸的”。搜索引擎接收用戶輸入的查詢語句，以進行答案搜索。
S12：對查詢語句進行解析，以生成查詢語句對應的語義解析樹。
本實施例中，搜索引擎在接收了用戶輸入的查詢語句之后，進一步對查詢語句進行解析，以生成查詢語句對應的語義解析樹。
S13：利用預先建立的匹配庫，對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率。
其中，匹配庫中候選答案與語義解析樹的對齊概率，包括詞對齊概率或短語對齊概率。
本實施例中，在對查詢語句進行解析并獲得查詢語句對應的語義解析樹之后，利用預先建立的匹配庫，對獲得的語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率，即獲取匹配庫中候選答案與語義解析樹的詞對齊概率或短語對齊概率。
具體地，當獲取的對齊概率為詞對齊概率時，利用預先建立的匹配庫，對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率，包括：獲取語義解析樹中每種詞性的對齊概率；根據每種詞性的對齊概率獲取詞對齊概率。
更具體地，獲取語義解析樹中每種詞性的對齊概率，可以通過如下所示的公式(1)-公式(4)獲?。?/p>
其中，lat、verb、noun和adj分別表示問題核心詞、動詞、名詞和形容詞，對應的Scorelat、Scoreverb、Scorenoun和Scoreadj分別表示問題核心詞、動詞、名詞和形容詞的對齊概率。
以計算問題核心詞lat的概率為例來說，遍歷答案中的所有詞，獲取問題核心詞的正向概率P(wordi|lat)和反向概率P(lat|wordi)，將問題核心詞的正反向概率與所匹配詞的重要性weight(wordi)相乘，乘積最大的值即為問題核心詞的對齊概率。
需要說明的是，在用戶輸入的查詢語句中，通常問題核心詞、動詞、名詞和形容詞對匹配過程起著關鍵作用，因此，本實施例提出的答案定位方法中，獲取問題核心詞、動詞、名詞和形容詞的對齊概率。
在獲取了解析樹中每種詞性的對齊概率之后，根據每種詞性的對齊概率，使用公式(5)即可獲得詞對齊概率。其中，公式(5)如下所示：
Score＝(αScorelat*βScoreverb*γScorenoun*δScoreadj)*offset_punish(5)
其中，α、β、γ和δ分別表示問題核心詞、動詞、名詞和形容詞的對齊概率的權重，可以通過訓練獲得；offset_punish表示偏移量的懲罰。
當獲取的對齊概率為短語對齊概率時，利用預先建立的匹配庫，對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率，包括：計算匹配庫中候選答案與語義解析樹中所有匹配成功的短語的對齊概率與該短語包含的詞的乘積，以獲取短語的正向概率和反向概率；獲取正向概率和反向概率中的較大值進行加權求和，以獲得短語對齊概率。
計算公式如公式(6)所示：
作為一種示例，參見圖2，圖2是獲取匹配庫中候選答案與語義解析樹的對齊概率的示意圖。
如圖2所示，用戶輸入的查詢語句是“iPhone6如何截屏”，對查詢語句進行解析后，獲得對應的語義解析樹“iPhone6”、“如何”和“截屏”。利用預先建立的匹配庫，對語義解析樹進行匹配，獲得匹配庫中的候選答案“可以同時按住手機HOME鍵關機鍵完成截圖”，并使用前述公式計算獲得候選答案與語義解析樹的對齊概率。從圖2中可以看出，“iPhone6”與“手機”匹配，對齊概率為0.05；“如何”與“可以”、“完成”匹配，對齊概率分別為0.05、0.001；“截屏”與“截圖”匹配，對齊概率為0.22。圖2中，虛線框中的部分表示短語，可以看出，短語“如何截屏”與“同時按住”和“關機鍵”匹配，對齊概率分別為0.45和0.41。
S14：根據對齊概率確定最終答案。
本實施例中，在獲取了對齊概率之后，即可根據對齊概率確定最終答案。
具體地，可以根據詞對齊概率和/或短語對齊概率，對候選答案進行排序，并將得分最高的候選答案作為最終答案。
本實施例中，在確定了最終答案之后，即可對最終答案進行相應處理，比如加粗、改變字的顏色等，并將處理后的答案顯示在搜索結果展現頁面上。
作為一種示例，參見圖3，圖3是采用本實施例提出的答案定位方法的搜索引擎的搜索結果顯示界面圖。
如圖3所示，當用戶在搜素框31中輸入查詢語句“海水為什么是咸的”時，搜索引擎將獲得的搜索結果中與查詢語句對應的答案進行加粗處理后，將搜索結果展現在顯示框32中。當用戶查看顯示框32中的搜索結果時，能夠從被加粗的文字直接獲知，海水是咸的是因為“海洋中的鹽類物質越積越多，海水也就變得越來越咸”?？梢?，本實施例提出的答案定位方法能夠幫助用戶直觀、快速地獲得所需信息。
本發(fā)明實施例提出的基于深度問答的答案定位方法，通過接收輸入的查詢語句，對查詢語句進行解析，以生成查詢語句對應的語義解析樹，利用預先建立的匹配庫對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率，根據對齊概率確定最終答案。由此，能夠避免用戶點擊鏈接以及在冗長的文本中尋找答案的過程，直觀、清晰地展現用戶所需答案，深度滿足用戶的搜索服務需求。
圖4是本發(fā)明另一實施例提出的基于深度問答的答案定位方法的流程示意圖。
如圖4所示，基于上述實施例，該基于深度問答的答案定位方法還包括：
S15：建立匹配庫。
本實施例中，為了能夠對語義解析樹進行匹配，在利用匹配庫進行匹配之前，需要預先建立匹配庫。
具體地，如圖5所示，建立匹配庫，可以包括以下步驟：
S151：獲取問答資源。
其中，問答資源包括查詢語句樣本及其對應的答案樣本。
問答資源可以通過問答社區(qū)或問答站點獲得，比如，可以通過百度知道、360問答等社區(qū)獲取大量的問答資源。
舉例而言，查詢語句樣本為“海水為什么是咸的”，通過百度知道獲得的答案樣本為“海洋是咸的是因為海水中有濃度較高的鹽分，這些鹽分主要有以下兩個來源：一是降水形成徑流的過程中對陸地上的土壤、巖石的侵蝕作用將含鹽礦物質帶入河流，最終匯入海洋；二是海底本身的地質活動(火山噴發(fā)、海底熱液等)會溶解一部分鹽分到海水中”。由此，查詢語句樣本和該答案樣本組成一各問答對。大量問答對的集合即構成了問答資源。
應當理解的是，為了能夠訓練生成匹配庫，需要獲取大量的問答對，從而構成問答資源，以保證匹配庫的全面性。
S152：對問答資源進行統(tǒng)計對齊。
本實施例中，在獲取了問答資源后，將問答資源中的每個問答對進行統(tǒng)計對齊。
具體地，可以采用相關技術中的機器學習方法，計算每個問答對中詞匹配的全局最優(yōu)解，以獲取問答對中查詢語句樣本與對應的答案樣本中詞與詞之間的對齊關系。
作為一種示例，參見圖6，圖6是問答對統(tǒng)計對齊結果示意圖。
如圖6所示，仍以上述“海水為什么是咸的”這一問答對為例。從圖6中可以看出，該問答對的統(tǒng)計對齊結果為：查詢語句樣本中的“海水”與答案樣本中的“海洋”對齊，“為什么”與“是”和“因為”對齊，“咸”與“咸的”對齊，等等。圖6中，“…”表示答案樣本中的剩余內容，為避免贅余，此處不一一列舉。
S153：獲取核心詞。
本實施例中，為了提高統(tǒng)計對齊的準確度，還可以獲取問答資源中查詢語句樣本的核心詞，以用于對與核心詞對齊的詞進行過濾、篩選，獲得更準確的統(tǒng)計對齊關系。
可選地，可以采用相關技術(比如，機器學習序列標注方法)獲取核心詞，采用覆蓋查詢比(Covered Query Ratio，CQR)算法獲取查詢語句、答案句的命中程度，過濾CQR值較低的對齊詞以及與核心詞未命中的句子。
舉例而言，仍以圖6中的示例為例，獲取的核心詞是“為什么”，利用CQR算法計算與其對齊的詞“是”和“因為”的CQR值，能夠確定“因為”的CQR值高于“是”的CQR值，因此，將“是”過濾掉，“為什么”的對齊詞為“因為”。
S154：根據統(tǒng)計對齊后的問答資源生成詞語表。
本實施例中，在通過獲取查詢語句樣本的核心詞并對與核心詞對齊的詞進行過濾、篩選，獲得更準確的統(tǒng)計對齊關系之后，根據再次統(tǒng)計對齊后的問答資源生成詞語表。
具體地，在統(tǒng)計對齊后的問答資源中，將查詢語句樣本中能夠組成短語的詞組成短語，將答案樣本中能夠組成短語的詞組成短語，并根據組成的短語生成詞語表。
S155：根據詞語表生成問答資源的成對概率。
本實施例中，在獲得詞語表之后，根據詞語表繼續(xù)生成問答資源的成對概率。
具體地，在獲得詞語表之后，進一步根據詞語表并利用語義依存分析技術對問答資源進行解析并泛化，最后按照約定公式計算獲得成對概率。
其中，泛化的主要依據為依存關系、詞性、詞語表，以及規(guī)則限制條件等。
舉例而言，將查詢語句樣本“海水為什么是咸的”泛化為“A為什么B”，將與查詢語句對應的答案樣本“海洋是咸的是因為海水中有濃度較高的鹽分”泛化為“AB是因為”。
對問答資源進行解析并泛化之后，即可使用公式(7)計算獲得問答資源的成對概率。其中，公式(7)如下所示：
其中，af表示答案中泛化的片段，qf表示查詢語句中泛化的片段，Count(af,qf)表示af、qf的統(tǒng)計共現頻次，count(af,qf_i)表示查詢語句中泛化的第i個片段與答案中泛化的片段的共現頻次。
在獲得問答資源的成對概率之后，匹配庫建立完成。
需要說明的是，步驟S15建立匹配庫的過程可以在步驟S13執(zhí)行之前的任一時刻執(zhí)行，本發(fā)明對步驟S15的執(zhí)行時間不作限制。
本發(fā)明實施例提出的基于深度問答的答案定位方法，通過獲取問答資源，對問答資源進行統(tǒng)計對齊，獲取核心詞，根據統(tǒng)計對齊后的問答資源生成詞語表，進而根據詞語表生成問答資源的成對概率，以建立匹配庫，能夠獲得更精準的匹配庫，進而保證最終答案的準確度。
為了實現上述實施例，本發(fā)明還提出了一種基于深度問答的答案定位裝置，圖7是本發(fā)明一實施例提出的基于深度問答的答案定位裝置的結構示意圖。
如圖7所示，本實施例的基于深度問答的答案定位裝置包括：接收模塊710、解析模塊720、匹配模塊730，以及確定模塊740。其中，
接收模塊710，用于接收輸入的查詢語句。
解析模塊720，用于對查詢語句進行解析，以生成查詢語句對應的語義解析樹。
匹配模塊730，用于利用預先建立的匹配庫，對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率。
其中，匹配庫中候選答案與語義解析樹的對齊概率，包括詞對齊概率或短語對齊概率。
具體地，當對齊概率為詞對齊概率時，匹配模塊730用于：
獲取語義解析樹中每種詞性的對齊概率；
根據每種詞性的對齊概率獲取詞對齊概率。
當對齊概率為短語對齊概率時，匹配模塊730用于：
計算匹配庫中候選答案與語義解析樹中所有匹配成功的短語的對齊概率與該短語包含的詞的乘積，以獲取短語的正向概率和反向概率；
獲取正向概率和反向概率中的較大值進行加權求和，以獲得短語對齊概率。
確定模塊740，用于根據對齊概率確定最終答案。
具體地，確定模塊740用于：
根據詞對齊概率和/或短語對齊概率，對候選答案進行排序，并將得分最高的候選答案作為最終答案。
需要說明的是，前述實施例中對基于深度問答的答案定位方法實施例的解釋說明也適用于本實施例的基于深度問答的答案定位裝置，其實現原理類似，此處不再贅述。
本發(fā)明實施例提出的基于深度問答的答案定位裝置，通過接收輸入的查詢語句，對查詢語句進行解析，以生成查詢語句對應的語義解析樹，利用預先建立的匹配庫對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率，根據對齊概率確定最終答案。由此，能夠避免用戶點擊鏈接以及在冗長的文本中尋找答案的過程，直觀、清晰地展現用戶所需答案，深度滿足用戶的搜索服務需求。
圖8是本發(fā)明另一實施例提出的基于深度問答的答案定位裝置的結構示意圖。
如圖8所示，在如圖7所示的基礎上，該基于深度問答的答案定位裝置還包括：
建立模塊750，用于建立匹配庫。
具體地，如圖9所示，建立模塊750包括：
獲取單元751，用于獲取問答資源。
其中，問答資源包括查詢語句樣本及其對應的答案樣本。
對齊單元752，用于對問答資源進行統(tǒng)計對齊。
第一生成單元753，用于根據統(tǒng)計對齊后的問答資源生成詞語表。
第二生成單元754，用于根據詞語表生成問答資源的成對概率。
需要說明的是，前述實施例中對基于深度問答的答案定位方法實施例的解釋說明也適用于本實施例的基于深度問答的答案定位裝置，其實現原理類似，此處不再贅述。
本發(fā)明實施例提出的基于深度問答的答案定位裝置，通過獲取問答資源，對問答資源進行統(tǒng)計對齊，獲取核心詞，根據統(tǒng)計對齊后的問答資源生成詞語表，進而根據詞語表生成問答資源的成對概率，以建立匹配庫，能夠獲得更精準的匹配庫，進而保證最終答案的準確度。
為了實現上述實施例，本發(fā)明還提出了一種終端，包括：處理器，以及用于存儲處理器可執(zhí)行指令的存儲器。其中，處理器被配置為執(zhí)行以下步驟：
S11’：接收輸入的查詢語句。
S12’：對查詢語句進行解析，以生成查詢語句對應的語義解析樹。
S13’：利用預先建立的匹配庫，對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率。
S14’：根據對齊概率確定最終答案。
需要說明的是，前述實施例中對基于深度問答的答案定位方法實施例的解釋說明也適用于本實施例的終端，其實現原理類似，此處不再贅述。
本發(fā)明實施例提出的終端，通過接收輸入的查詢語句，對查詢語句進行解析，以生成查詢語句對應的語義解析樹，利用預先建立的匹配庫對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率，根據對齊概率確定最終答案。由此，能夠避免用戶點擊鏈接以及在冗長的文本中尋找答案的過程，直觀、清晰地展現用戶所需答案，深度滿足用戶的搜索服務需求。
為了實現上述實施例，本發(fā)明還提出了一種非臨時性計算機可讀存儲介質，用于存儲一個或多個程序，當存儲介質中的指令由移動終端的處理器執(zhí)行時，使得移動終端能夠執(zhí)行本發(fā)明第一方面實施例提出的基于深度問答的答案定位方法。
本發(fā)明實施例提出的非臨時性計算機可讀存儲介質，通過接收輸入的查詢語句，對查詢語句進行解析，以生成查詢語句對應的語義解析樹，利用預先建立的匹配庫對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率，根據對齊概率確定最終答案。由此，能夠避免用戶點擊鏈接以及在冗長的文本中尋找答案的過程，直觀、清晰地展現用戶所需答案，深度滿足用戶的搜索服務需求。
為了實現上述實施例，本發(fā)明還提出了一種計算機程序產品，當計算機程序產品中的指令被處理器執(zhí)行時，執(zhí)行本發(fā)明第一方面實施例提出的基于深度問答的答案定位方法。
本發(fā)明實施例提出的計算機程序產品，通過接收輸入的查詢語句，對查詢語句進行解析，以生成查詢語句對應的語義解析樹，利用預先建立的匹配庫對語義解析樹進行匹配，以獲取匹配庫中候選答案與語義解析樹的對齊概率，根據對齊概率確定最終答案。由此，能夠避免用戶點擊鏈接以及在冗長的文本中尋找答案的過程，直觀、清晰地展現用戶所需答案，深度滿足用戶的搜索服務需求。
需要說明的是，在本發(fā)明的描述中，術語“第一”、“第二”等僅用于描述目的，而不能理解為指示或暗示相對重要性。此外，在本發(fā)明的描述中，除非另有說明，“多個”的含義是兩個或兩個以上。
流程圖中或在此以其他方式描述的任何過程或方法描述可以被理解為，表示包括一個或更多個用于實現特定邏輯功能或過程的步驟的可執(zhí)行指令的代碼的模塊、片段或部分，并且本發(fā)明的優(yōu)選實施方式的范圍包括另外的實現，其中可以不按所示出或討論的順序，包括根據所涉及的功能按基本同時的方式或按相反的順序，來執(zhí)行功能，這應被本發(fā)明的實施例所屬技術領域的技術人員所理解。
應當理解，本發(fā)明的各部分可以用硬件、軟件、固件或它們的組合來實現。在上述實施方式中，多個步驟或方法可以用存儲在存儲器中且由合適的指令執(zhí)行系統(tǒng)執(zhí)行的軟件或固件來實現。例如，如果用硬件來實現，和在另一實施方式中一樣，可用本領域公知的下列技術中的任一項或他們的組合來實現：具有用于對數據信號實現邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(PGA)，現場可編程門陣列(FPGA)等。
本技術領域的普通技術人員可以理解實現上述實施例方法攜帶的全部或部分步驟是可以通過程序來指令相關的硬件完成，所述的程序可以存儲于一種計算機可讀存儲介質中，該程序在執(zhí)行時，包括方法實施例的步驟之一或其組合。
此外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理模塊中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個模塊中。上述集成的模塊既可以采用硬件的形式實現，也可以采用軟件功能模塊的形式實現。所述集成的模塊如果以軟件功能模塊的形式實現并作為獨立的產品銷售或使用時，也可以存儲在一個計算機可讀取存儲介質中。
上述提到的存儲介質可以是只讀存儲器，磁盤或光盤等。
在本說明書的描述中，參考術語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結合該實施例或示例描述的具體特征、結構、材料或者特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對上述術語的示意性表述不必須針對的是相同的實施例或示例。而且，描述的具體特征、結構、材料或者特點可以在任一個或多個實施例或示例中以合適的方式結合。此外，在不相互矛盾的情況下，本領域的技術人員可以將本說明書中描述的不同實施例或示例以及不同實施例或示例的特征進行結合和組合。
盡管上面已經示出和描述了本發(fā)明的實施例，可以理解的是，上述實施例是示例性的，不能理解為對本發(fā)明的限制，本領域的普通技術人員在本發(fā)明的范圍內可以對上述實施例進行變化、修改、替換和變型。
- 還沒有人留言評論。精彩留言會獲得點贊！