问答检索方法、问答检索装置、问答检索设备及介质

摘要

公开了一种问答检索方法、问答检索装置、问答检索设备及介质，所述问答检索方法包括：对输入问题进行句法结构分析，得到该输入问题的句法结构向量；对输入问题进行处理，得到该输入问题的句法内容向量；基于所述句法结构向量及句法内容向量，将该输入问题与预设问答库中的预设问题相比较，得到检索结果。通过综合考虑输入问题的句法结构及句法内容信息，提高了检索结果的准确性。

说明书

技术领域

本公开涉及人工智能领域，更具体地涉及一种问答检索方法、问答检索装置、问答检索设备及介质。

背景技术

随着人工智能在民用和商用领域的广泛应用，对于自然语言处理的技术需求不断提高，特别是对于在专业领域(例如，医学领域)中基于输入问题检索相应答案的过程也提出了更高的要求。

目前当用户在互联网上输入问题时，面对网络中海量的数据资源，需要耗费较多的时间来获取、浏览信息，并需要对信息进行进一步甄别，以得到所需要的检索结果。特别是在专业领域(例如，医学领域)中，用户在查找、获取和理解信息上具有诸多困难，致使对于输入问题的答案检索过程耗时久且所得到的答案准确性差。

因此，需要一种在实现对输入问题的答案检索的前提下，具有较高检索准确率的问答检索方法。

发明内容

针对以上问题，本公开提供了一种问答检索方法、装置、设备及介质。利用本公开提供的问答检索方法可以在实现输入问题的答案检索的基础上，有效提高检索的速度和检索结果的准确率，实现实时且高精度的检索，且该方法具有良好的鲁棒性。

根据本公开的一方面，提出了一种问答检索方法，包括：对输入问题进行句法结构分析，得到该输入问题的句法结构向量；对输入问题进行处理，得到该输入问题的句法内容向量；基于所述句法结构向量及句法内容向量，将该输入问题与预设问答库中的预设问题相比较，得到检索结果。

在一些实施例中，基于所述句法结构向量及句法内容向量，将该输入问题与预设问答库中的预设问题相比较得到检索结果包括：计算所述句法结构向量与预设问答库中每一个预设问题的句法结构向量的句法结构相似度；计算所述句法内容向量与预设问答库中每一个预设问题的句法内容向量的句法内容相似度；根据所述句法结构相似度和所述句法内容相似度，确定所述输入问题与预设问答库中每一个预设问题的问题相似度；以及根据所述问题相似度，输出检索结果。

在一些实施例中，根据所述问题相似度输出检索结果包括：基于针对每个预设问题确定的问题相似度，确定所述预设问答库中的最大问题相似度，并获取该最大问题相似度所对应的预设问题及答案对；将所述最大问题相似度与所述预设阈值相比较；当所述最大问题相似度大于等于预设阈值时，输出该预设问题及答案对中的相应答案，当所述最大问题相似度小于预设阈值时，输出空值。

在一些实施例中，所述输入问题为医学问题，所述预设问答库包括多个预设医学问题及答案对，其中，每个预设医学问题及答案对包括：一类医学问题及其相应的答案。

在一些实施例中，计算所述句法结构向量与预设问答库中每一个预设问题的句法结构向量的句法结构相似度包括：对于输入问题的句法结构向量中的每一个子元素，获得其所对应的句法子树；将所述句法子树与该预设问题的句法结构向量中的每一个子元素所对应的句法子树相比较，基于比较结果，得到输入问题的句法结构向量中该子元素的子元素相似度；将输入问题的句法结构向量中的全部子元素的子元素相似度相加，得到该输入问题与该预设问题的句法结构相似度。

在一些实施例中，将所述句法子树与该预设问题的句法结构向量中每一个子元素所对应的句法子树相比较包括：判断输入问题的句法结构向量中的当前子元素及预设问题的句法结构向量中的当前子元素的元素值是否均为非零数值；若在输入问题的句法结构向量中的当前子元素和/或预设问题的句法结构向量中的当前子元素的数值中存在零值，输出预设第一比较结果；若在输入问题的句法结构向量中的当前子元素和预设问题的句法结构向量中的当前子元素均为非零数值，将输入问题的句法结构向量中的当前子元素所对应的句法子树及预设问题的句法结构向量中的当前子元素所对应的句法子树相比较。

在一些实施例中，将输入问题的句法结构向量中的当前子元素所对应的句法子树及预设问题的句法结构向量中的当前子元素所对应的句法子树相比较包括：将输入问题的句法结构向量中的当前子元素所对应的句法子树作为第一句法子树，将该预设问题的句法结构向量中当前子元素所对应的句法子树作为第二句法子树；基于预设规则，对所述第一句法子树及第二句法子树进行比较，得到第一句法子树与第二句法子树的相似度。

在一些实施例中，基于预设规则对所述第一句法子树及第二句法子树进行比较包括：判断第一句法子树的初始节点上的产生式与第二句法子树的初始节点上的产生式是否相同；当所述第一句法子树的初始节点上的产生式及第二句法子树的初始节点上的产生式不同时，输出预设第一比较结果；且其中，当所述第一句法子树的初始节点上的产生式及第二句法子树的初始节点上的产生式相同时，判断在所述第一句法子树的初始节点的后代和第二句法子树的初始节点的后代中是否只存在叶子节点；若在所述第一句法子树的初始节点的后代和第二句法子树的初始节点的后代中只存在叶子节点，输出预设第二比较结果；若在所述第一句法子树的初始节点的后代和/或第二句法子树的初始节点的后代中包括非叶子节点，采用预设算法来计算第一句法子树和第二句法子树的相似度。

根据本公开的另一方面，提供了一种问答检索装置，包括：句法结构分析模块，被配置为对输入问题进行句法结构分析，得到该输入问题的句法结构向量；句法内容分析模块，被配置为对输入问题进行处理，得到该输入问题的句法内容向量；检索结果生成模块，被配置为基于所述句法结构向量及句法内容向量，将该输入问题与预设问答库中的预设问题相比较，得到检索结果。

在一些实施例中，所述检索结果生成模块包括：结构相似度生成模块，被配置为计算所述句法结构向量与预设问答库中每一个预设问题的句法结构向量的句法结构相似度；内容相似度生成模块，被配置为计算所述句法内容向量与预设问答库中每一个预设问题的句法内容向量的句法内容相似度；问题相似度生成模块，被配置为根据所述句法结构相似度和所述句法内容相似度，确定所述输入问题与预设问答库中每一个预设问题的问题相似度；以及结果模块，被配置为根据所述问题相似度，输出检索结果。

在一些实施例中，所述结果模块包括：最大问题相似度确定模块，被配置为基于针对每个预设问题确定的问题相似度，确定所述预设问答库中的最大问题相似度，并获取该最大问题相似度所对应的预设问题及答案对；比较模块，被配置为将所述最大问题相似度与所述预设阈值相比较；输出模块，被配置为当所述最大问题相似度大于等于预设阈值时，输出该预设问题及答案对中的相应答案，当所述最大问题相似度小于预设阈值时，输出空值。

在一些实施例中，所述输入问题为医学问题，所述预设问答库包括多个预设医学问题及答案对，其中，每个预设医学问题及答案对包括：一类医学问题及其相应的答案。

根据本公开的另一方面，提供了一种问答检索设备，其中所述设备包括处理器和存储器，所述存储器包含一组指令，所述一组指令在由所述处理器执行时使所述问答检索设备执行操作，所述操作包括：对输入问题进行句法结构分析，得到该输入问题的句法结构向量；基于所述句法结构向量及句法内容向量，将该输入问题与预设问答库中的预设问题相比较，得到检索结果。

在一些实施例中，基于所述句法结构向量及句法内容向量将该输入问题与预设问答库中的预设问题相比较以得到检索结果包括：计算所述句法结构向量与预设问答库中每一个预设问题的句法结构向量的句法结构相似度；计算所述句法内容向量与预设问答库中每一个预设问题的句法内容向量的句法内容相似度；根据所述句法结构相似度和所述句法内容相似度，确定所述输入问题与预设问答库中每一个预设问题的问题相似度；以及根据所述问题相似度，输出检索结果。

在一些实施例中，根据所述问题相似度输出检索结果包括：基于针对每个预设问题确定的问题相似度，确定所述预设问答库中的最大问题相似度，并获取该最大问题相似度所对应的预设问题及答案对；将所述最大问题相似度与所述预设阈值相比较；当所述最大问题相似度大于等于预设阈值时，输出该预设问题及答案对中的相应答案，当所述最大问题相似度小于预设阈值时，输出空值。

在一些实施例中，所述输入问题为医学问题，所述预设问答库包括多个预设医学问题及答案对，其中，每个预设医学问题及答案对包括：一类医学问题及其相应的答案。

根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时执行如上所述的方法。

利用本公开提供的检索的方法，可以良好地完成对输入问题的答案检索过程，特别地，其可具有较高的检索准确率及较快的检测速度，且该方法具有良好的鲁棒性。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本公开的主旨。

图1示出了根据本公开实施例的问答检索方法的示例性的流程图；

图2A示出了根据本公开的实施例通过句法分析得到句法分析向量的过程200的示例性流程图；

图2B示出了根据本公开的实施例的预设初始向量的示意图；

图2C示出了根据本公开的实施例对输入问题进行句法分析的示意图；

图3示出了根据本公开实施例基于所述句法结构向量及句法内容向量，将该输入问题与预设问答库中的预设问题相比较以得到检索结果的过程300的示例性流程图；

图4A示出了根据本公开的实施例计算所述句法结构向量与预设问答库中每一个预设问题的句法结构向量的句法结构相似度的过程400的示例性流程图；

图4B示出了根据本公开实施例对待比较的子元素的数值进行判别的过程410的示例性流程图；

图4C示出了根据本公开实施例的比较第一句法子树及第二句法子树的过程的示例性流程图；

图4D示出了根据本公开实施例的计算输入问题中的子元素与该预设问题中的子元素的相似度的示意图；

图5示出了根据本公开的实施例计算所述输入问题的句法内容向量与预设问答库中每一个预设问题的句法内容向量的句法内容相似度的过程的示例性流程图；

图6示出了根据本公开实施例根据所述问题相似度输出检索结果的过程的示例性流程图；

图7示出了根据本公开实施例的问答检索装置的示例性的框图；

图8示出了根据本公开实施例的问答检索设备的示例性的框图。

具体实施方式

下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1示出了根据本公开实施例的问答检索方法100的示例性流程图。

首先，在步骤S101中，对输入问题进行句法结构分析，得到该输入问题的句法结构向量。

所述句法结构分析，即为句法分析(parsing)，指对句子中的词语语法功能进行分析，通过该分析能够发现句子中所具有的句法结构和句子各组成部分间的依存关系。例如，对于语句“我来晚了”而言，对其进行句法结构分析例如可以得到该语句中的“我”是主语，“来”是谓语，“晚了”是补语。

所述句法结构分析例如可以为基于概率上下文无关模型的句法分析、基于中心词驱动的句法分析等，本公开的实施例不受句法结构分析时所采用的具体算法的限制。所述句法结构分析例如可以通过句法分析工具实现，例如通过斯坦福的句法分析器和伯克利的句法分析器等。本公开的实施例不受所述句法结构分析过程所采用的具体工具的限制。

所述输入问题例如可以是用户直接输入的问题，或者也可以是计算机系统响应于用户的输入信息或控制信息而自行确定的问题。本公开实施例不受输入问题的来源及其输入方式的限制。例如，其可以为用户在网页搜索栏内输入的问题，或者也可以为基于用户的输入信息，经过计算机预先处理后所生成的问题。

其次，在步骤S102中，对输入问题进行处理，得到该输入问题的句法内容向量。

对输入问题进行处理得到句法向量的过程例如可以通过神经网络实现。所述神经网络例如可以为卷积神经网络、全连接神经网络或长短时记忆神经网络，以实现不同的实际应用需求，本公开不限制所选取的神经网络的类型。

所述句法内容向量表征所述输入问题的内容信息特征。当通过神经网络对输入问题处理以获得句法内容向量时，根据神经网络内部的参数设置，其例如可以为1024维的向量，或者也可以为2048维的向量。本公开的实施例不受所述句法内容向量的具体维数的限制。

得到所述句法内容向量及句法结构向量后，在步骤S103中，基于所述句法结构向量及句法内容向量，将该输入问题与预设问答库中的预设问题相比较，得到检索结果。

其中，所述预设问答库中包括多个预设问题及答案对。其中，每个预设问题及答案对包括一类问题及其相应的答案。

所述预设问答库例如可以是通用知识的问答库，例如生活常识问答库。或者其可以是某一专业领域知识的问答库，例如医学问答库，或者金融知识问答库，本公开的实施例不受所述预设问答库中的问题及答案对的类型的限制。

例如，每一个预设问题及答案对中可以仅包括一个问题，例如问题“发烧怎么办”及其答案；或者该预设问题及答案对中也可以包括隶属于一同一类型的多个医学问题，如对于名为“心脑血管疾病”的问题及答案对，其中可以包括问题“脑血栓怎么办”及其答案、问题“脑中风怎么办”及其答案、问题“心脏病怎么办”及其答案。本公开的实施例不受每一个预设问题及答案对中所包括的具体问题的个数的限制。

上述比较过程例如可以为将输入问题的句法内容向量与预设问题库中的每一个预设问题的句法内容向量相比较、将输入问题的句法结构向量与预设问题库中的每一个预设问题的句法结构向量相比较，得到输入问题相对于预设问题库中每一个预设问题的句法内容向量相似度及句法结构向量相似度，基于所述句法内容相似度和句法结构相似度进一步得到检索结果。或者也可以采用其他的比较方法，本公开的实施例不受所选取的具体比较方法的限制。

基于上述，通过获取输入问题的句法内容向量及句法结构向量，并进一步基于所述句法内容向量与句法结构向量，将该输入问题与预设问答库中的预设问题相比较得到检索结果，使得在对输入问题进行答案检索时，将综合考虑输入问题的句法结构特征及其句法内容特征，从而使得所检索得到的答案更为精准；同时上述方法相较于用户自行浏览网络中的信息数据并人工筛选答案的检索过程，显著地降低了检索的时间成本且具有更高的检索效率和检索速度。

图2A示出了根据本公开的实施例通过句法分析得到句法分析向量的过程200的示例性流程图。

参照图2A，在一些实施例中，通过句法分析得到句法分析向量的过程200例如可以更具体地说明。首先，在步骤S201中，通过句法分析，得到所述输入问题的句法树及其所具有的全部句法子树。其次，在步骤S202中，对于输入问题中的每一个句法子树，在预设句法子树库中得到与该句法子树相同的预设句法子树。在步骤S203中，基于所得到的每一个预设句法子树，在预设初始向量中，对与该预设句法子树相对应的子元素赋予相应的累加值，得到输入问题的句法分析向量。

其中，所述预设初始向量为具有第一预设维数的向量，所述第一预设维数即为预设句法子树库中所具有的预设句法子树的个数，预设初始向量中每一维对应于预设句法子树库中的一个预设句法子树，且预设初始向量中的每一个子元素具有相同的初始值。

所述预设句法子树库及所述预设初始向量例如可以通过如下过程获取：首先，对某一专业领域的专业库进行语句分析并对分析结果进行去重操作，得到该专业领域内的句法子树库，将其作为预设句法子树库。该预设句法子树库包括多个互不相同的预设句法子树，涵盖了在该专业领域中可能出现的绝大部分句法子树。其次，基于该预设句法子树库中所包括的预设句法子树的个数确定预设初始向量的第一预设维数，即令该第一预设维数等于预设句法子树库中预设句法子树的个数，并将预设初始向量中的每一个子元素与预设句法子树库中的一个预设句法子树相对应。然而，应了解，本公开的实施例不限于确定预设初始向量的第一预设维数及获取与其对应的预设句法子树的具体方式的限制。

例如，当所述输入问题中的句法子树为当前句法子树库中的预设句法子树之外的其他句法子树，则可以视为其不属于该专业领域内的语句，将该句法子树判别为误差数据，并将输入问题中的该句法子树舍弃。

所述预设初始向量的第一预设维数，即表征其所对应的句法子树的个数。该第一预设维数可以是512，或者其也可以是1028。本公开的实施例不受所述预设初始向量的第一预设维数的限制。

所述预设初始向量中每一维所对应的预设句法子树例如可以为通用的句法子树；或者其也可以是专用的句法子树，例如其包括在某一专业领域，例如医疗领域、法律领域等中专用的句法子树。本公开的实施例不受预设初始向量中每一维所对应的预设句法子树的类型的限制。

所述预设初始向量的初始值旨在使预设初始向量中各子元素具有相同的初始数值，以便于后续的累加过程，因此，根据实际需要，其例如可以为0，或者也可以为10或其他任何数值。本公开的实施例不受所设置的初始值的限制。

对预设初始向量中的子元素赋予相应的累加值，即表征在输入问题所具有的全部句法子树中，存在与该子元素所对应的预设句法子树相同的句法子树。该累加值例如可以为1，即对于输入问题中存在的每一个句法子树，若在预设句法子树库中存在与其相同的预设句法子树，则获取该预设句法子树，并将预设初始向量中与给预设句法子树相对应的子元素的数值加1。然而，本公开的实施例不受所述累加值的数值的限制。

图2B示出了根据本公开的实施例的预设初始向量的示意图。

参照图2B，图2A中所示出的过程200可更具体地描述。其中，预设句法子树库包括10个预设句法子树c

图2C示出了根据本公开的实施例对输入问题进行句法分析的示意图。

参照图2C及图2B，对于输入问题“感冒导致发烧”，首先对其进行句法结构分析，得到其句法树J

进一步地，基于上述句法子树j

基于上述，示出了通过句法分析得到句法分析向量的一种方法及其示例，然而，应了解，本公开的实施例不限于上述方法，还可以选取其他方法得到所述句法分析向量。

基于上述，在对于输入问题进行句法分析得到句法分析向量，该向量表征该输入问题的句法结构及其组成，便于后续将其与预设问题库中的问题及答案对进行比较。

在一些实施例中，对输入问题进行处理得到句法内容向量的过程可以更具体地描述。例如，在通过神经网络处理输入问题以得到句法内容向量的情况下，当所选择的神经网络为长短时记忆网络时，该输入问题将首先被输入至长短时记忆网络的输入端；其后，该输入问题将经过长短时神经网络的前向层、反向层的计算；该计算结果例如可以进一步地经由条件随机场算法层的处理；最终，在神经网络的输出端得到神经网络的处理结果，所述处理结果为具有第二预设维数的句法内容向量，该向量即为句法内容向量。

应了解，在通过神经网络处理输入问题以得到句法内容向量的情况下，所述第二预设维数根据所选取的神经网络及所设置的参数而确定。该第二预设维数例如可以与第一预设维数相同，或者也可以与第一预设维数不同。本公开的实施例不受所述第一预设维数及第二预设维数的关系及第二预设维数的具体数值的限制。

基于上述，通过对于所述输入问题进行处理从而得到该输入问题的句法内容向量，使得能够获得该输入问题的句法内容特征，有利于后续基于句法内容特征对于所述输入问题进行答案检索。

图3示出了根据本公开实施例基于所述句法结构向量及句法内容向量，将该输入问题与预设问答库中的预设问题相比较以得到检索结果的过程300的示例性流程图。

参照图3，得到所述检索结果的过程可更具体地描述。在一些实施例中，首先，在步骤S301中，计算所述句法结构向量与预设问答库中每一个预设问题的句法结构向量的句法结构相似度。

其中，预设问答库中包括至少一个预设问题，且其中，对于预设问答库中的每一个预设问题：对该预设问题进行句法结构分析，得到该预设问题的句法结构向量；对该预设问题进行处理，得到该预设问题的句法内容向量。据此，所述预设问题具有与之相对应的句法结构向量及句法内容向量，且其句法结构向量、句法内容向量分别与输入问题的句法结构向量、句法内容向量具有相同的维数。

所述句法结构相似度旨在表征所述输入问题与所述预设问题的在句法结构特征上的相似程度。其例如可以通过将所述输入问题及所述预设问题所具有的句法结构特征向量进行比较得到。本公开的实施例不受具体比较的方式的限制。

其次，在步骤S302中，计算所述句法内容向量与预设问答库中每一个预设问题的句法内容向量的句法内容相似度。

所述句法内容相似度旨在表征所述输入问题与所述预设问题的在句法内容特征上的相似程度。其例如可以通过对于输入问题的句法内容向量与预设问题的句法内容向量求取其二者的余弦相似度得到，或者其也可以通过其他方式得到所述句法内容相似度。本公开的实施例不受求取所述句法内容相似度所采用的具体方法的限制。

其后，在步骤S303中，根据所述句法结构相似度和所述句法内容相似度，确定所述输入问题与预设问答库中每一个预设问题的问题相似度。

所述问题相似度例如可以为将句法结构相似度与句法内容相似度直接进行加和得到，或者其也可以是对句法结构相似度与句法内容相似度赋予不同的权值，并进一步将得到的句法结构相似度、句法内容相似度乘以其相应的权值再进行加和，句法结构相似度、句法内容相似度的权值例如分别为0.4、0.6，或者也可以为0.3、0.7。本公开的实施例不受得到预设问题相似度的具体方式及具体权值设置的限制。

得到问题相似度后，在步骤S304中，根据所述问题相似度，输出检索结果。

例如，可以基于针对每个预设问题确定的问题相似度，确定所述预设问答库中的最大问题相似度，并获取该最大问题相似度所对应的预设问题及答案对，将该答案对中的答案直接输出；或者也可以设置预设阈值，将所得到的问题相似度与预设阈值进行比较，并获取大于预设阈值的一个或多个问题相似度所对应的预设问题及答案对，将该预设问题及答案对中的答案依次输出。本公开的实施例不受基于问题相似度确定检索结果的具体方法的限制。

基于上述，通过求取输入问题与预设答案库中的每一个预设问题的句法结构相似度、句法内容相似度，并基于句法结构相似度及内容相似度综合求取得到输入问题与该预设问题的问题相似度，基于该问题相似度得到检索结果。使得在进行检索结果计算的过程中，综合考虑到输入问题的结构特征及内容特征，提高了检索结果的精确性及可靠性。

图4A示出了根据本公开的实施例计算所述句法结构向量与预设问答库中每一个预设问题的句法结构向量的句法结构相似度的过程400的示例性流程图。

参照图4A，首先，在步骤S401中，对于输入问题的句法结构向量中的每一个子元素，获得其所对应的句法子树。其后，在步骤S402中，将所述句法子树与该预设问题的句法结构向量中的每一个子元素所对应的句法子树相比较，基于比较结果，得到输入问题的句法结构向量中该子元素的子元素相似度。在步骤S403中，将输入问题的句法结构向量中的全部子元素的子元素相似度相加，得到该输入问题与该预设问题的句法结构相似度。

具体地，上述过程可以通过如下公式进行说明：

其中，q

其中，上述基于比较结果得到输入问题的句法结构向量中该子元素的子元素相似度的过程例如可以为：基于输入问题的句法结构向量中该子元素的句法子树与该预设问题的句法结构向量中的每一个子元素所对应的句法子树相比较得到的比较结果，将全部比较结果相加和，以得到输入问题的句法结构向量中该子元素的子元素相似度。其中，该比较结果表征输入问题的句法结构向量中该子元素所对应的句法子树与该预设问题中的子元素所对应的句法子树之间的相似度。

下面给出一种将输入问题的句法结构向量中该子元素的句法子树与该预设问题的句法结构向量中的子元素所对应的句法子树相比较以得到比较结果的方法。应了解，本公开的实施例不受所采用的具体比较方式的限制。

在一些实施例中，将输入问题的句法结构向量中的子元素的句法子树与该预设问题的句法结构向量中的子元素所对应的句法子树相比较之前，还包括对于待比较的子元素的数值进行判别的过程。

图4B示出了根据本公开实施例对待比较的子元素的数值进行判别的过程410的示例性流程图。

结合图4B，在一些实施例中，前述预设初始向量中所有子元素的初始值为0，且累加值为1。基于此，则对于待比较的子元素的数值进行判别时：首先，在步骤S411中，判断输入问题的句法结构向量中的当前子元素及预设问题的句法结构向量中的当前子元素的元素值是否均为非零数值。

其中，输入问题的句法结构向量中的当前子元素，是指当前需要计算相似度的输入问题的句法结构向量中的子元素；所述预设问题的句法结构向量中的当前子元素，是指当前需要计算相似度的预设问题的句法结构向量中的子元素。

在输入问题的句法结构向量中的当前子元素和/或预设问题的句法结构向量中的当前子元素的数值中存在零值时，在步骤S412中，输出预设第一比较结果。

所述预设第一比较结果旨在表征该句法结构向量中的当前子元素和/或预设问题的句法结构向量中的当前子元素的相似度为0％，基于此，所述预设第一比较结果例如可以为0，或者也可以为空值，本公开的实施例不受所述预设第一比较结果的具体数值的限制。

上述过程可更具体地描述为三种情况。在第一种情况下，当输入问题q

在第二种情况下，当该输入问题句法结构向量H(q

在第三种情况下，当输入问题的句法结构向量H(q

在输入问题的句法结构向量H(q

在一些实施例中，上述步骤S413中的比较过程可更具体地描述。首先，在步骤S4131中，将输入问题的句法结构向量中的当前子元素所对应的句法子树作为第一句法子树，将该预设问题的句法结构向量中当前子元素所对应的句法子树作为第二句法子树。在步骤S4132中，将所述第一句法子树及第二句法子树进行比较，得到第一句法子树与第二句法子树的相似度。

其中，所述第一句法子树、第二句法子树仅用于区分输入问题的句法结构向量中的当前子元素所对应的句法子树及预设问题的句法结构向量中的当前子元素所对应的句法子树，而非用于对该句法子树的类型或内容进行限制。应了解，所述第一句法子树和第二句法子树可以是相同类型的句法子树。

上述对第一句法子树及第二句法子树进行比较例如可以通过将其中所包括的每一个节点及该节点的产生式进行比较，或者也可以采用其他的比较方式，本公开的实施例不受对所述第一句法子树和第二句法子树进行比较以得到相似度的具体方法的限制。

图4C示出了根据本公开实施例的比较第一句法子树及第二句法子树的过程420的示例性流程图。

在一些实施例中，比较第一句法子树及第二句法子树例如可以采用如图4C所示出的方法，首先，在步骤S421中，判断第一句法子树的初始节点上的产生式与第二句法子树的初始节点上的产生式是否相同。

所述产生式表征由非叶子节点扩展得到与其直接连接的一个或多个子节点的方式，其可表征为句法子树中从该非叶子节点引出的一个或多个分支。应了解，产生式的个数不受其所包含的分支数的限制，对同一节点而言，其仅具有一个产生式，由该个节点引出的一个或多个分支均属于该产生式。例如，对于图2B中的句法子树c

当所述第一句法子树的初始节点上的产生式及第二句法子树的初始节点上的产生式不同时，在步骤S422中，输出预设第一比较结果。

如前所述，所述预设第一比较结果旨在表征输入问题的句法结构向量的当前子元素与预设问题的句法结构向量的当前子元素的相似度为0％。所述预设第一比较结果例如可以为0，或者也可以为空值，本公开的实施例不受所述预设第一比较结果的具体数值的限制。

其中，所述初始节点为该句法子树中位于最上层的节点，即该句法子树的主节点。

当所述第一句法子树的初始节点及第二句法子树的初始节点的产生式相同时，进一步地，在步骤S423中判断在所述第一句法子树的初始节点的后代和第二句法子树的初始节点的后代中是否只存在叶子节点。

其中，该初始节点的后代指由初始节点所引出的全部子节点。所述叶子节点表征该句法子树中位于最底层的节点，即该句法子树中不能够再进一步划分分支的节点。

若在所述第一句法子树的初始节点的后代和第二句法子树的初始节点的后代中只存在叶子节点时，在步骤S424中，输出预设第二比较结果。

所述预设第二比较结果旨在表征输入问题的句法结构向量的当前子元素与预设问题的句法结构向量的当前子元素的相似度为100％。其数值例如可以为1，或者也可以为其他数值。本公开的实施例不受所述预设第二比较结果的具体数值的限制。

应了解，本申请中所述预设第一比较结果、预设第二比较结果旨在区分不同的比较结果数值及其表征含义，其并非旨在对所述预设第一比较结果、预设第二比较结果进行限制。

当在所述第一句法子树的初始节点的后代和/或第二句法子树的初始节点的后代中包括非叶子节点时，在步骤S425中，采用预设算法来计算第一句法子树和第二句法子树的相似度。

所述预设算法例如可以基于精度要求和实际的计算需要进行选取，例如选取递归算法，或者选取包括递归运算的复合算法实现其计算。本公开的实施例不受预设算法的具体算法内容及类型的限制。

在一些实施例中，所述预设算法例如可以是递归算法，其具体可以通过如下所述的公式表示：

基于上述公式，即可通过递归的方式得到子元素相似度。其中，J1表示第一句法子树、J2表示第二句法子树。S(J1)表示第一句法子树中初始节点下所产生的全部子节点的个数，S(J2)表示第二句法子树中初始节点下所产生的全部子节点的个数，min[S(J1),S(J2)]表示第一句法子树的子节点个数及第二句法子树的子节点个数中的最小值。J1(s)表示第一句法子树中初始节点下所产生的第s个节点，J2(s)表示第二句法子树中初始节点下所产生的第s个节点。其中，s为大于等于1小于等于S的正整数。

图4D示出了根据本公开实施例的计算输入问题中的子元素的子元素相似度的示意图。

参照图4D及图2B，上述过程可更具体地描述。在计算句法结构向量中子元素与预设问题的子元素相似度时，若此时的输入问题为：“感冒导致发烧”，则如前所述，首先对其进行句法结构分析，得到其句法树J

接下来，对于将该输入问题的句法结构向量H(q

则基于上述过程，接下来对于输入问题的句法结构向量H(q

基于上述，得到对应于该H(q

通过上述过程，得到输入问题的句法结构向量H(q

基于上述，通过将输入问题的句法结构向量与预设问题库中的每一个预设问题的句法结构向量相比较，得到输入问题相对于每一个预设问题的句法结构相似度，有利于后续基于该句法结构相似度进行进一步地计算。

图5示出了根据本公开的实施例计算所述输入问题的句法内容向量与预设问答库中每一个预设问题的句法内容向量的句法内容相似度的过程的示例性流程图。

参照图5，在一些实施例中，首先，在步骤S501中，计算输入问题的句法内容向量与该预设问题的句法内容向量的余弦相似度。具体而言，其例如可以通过如下公式进行计算：

sim_V(LSTM(q

其中，q

得到余弦相似度后，在步骤S502中，将所述余弦相似度作为句法内容相似度。

基于上述，通过求取输入问题的句法内容向量与该预设问题的句法内容向量的余弦相似度，使得能够以简便且快捷地方式得到输入问题与预设问题的句法内容相似度，便于后续基于该句法内容相似度实现检索。

图6示出了根据本公开实施例根据所述问题相似度输出检索结果的过程的示例性流程图。

参照图6，在一些实施例中，基于所得到的问题相似度求取检索结果时，首先，在步骤S601中，基于针对每个预设问题确定的问题相似度，确定所述预设问答库中的最大问题相似度，并获取该最大问题相似度所对应的预设问题及答案对。

例如，若在当前的预设问题库中具有10个预设问题，分别为问题q

基于所得到的最大问题相似度，在步骤S602中，将所述最大问题相似度与所述预设阈值相比较。

所述预设阈值旨在表征待输出检索结果所对应的预设问题与该输入问题应具有的最低相似度数值。其例如可以基于实际需要的检索精确度设置，本公开的实施例不受所述预设阈值所具有的具体数值的限制。例如可以将其设置为50，或者可以将其设置为100。

进一步地，在步骤S603中，当所述最大问题相似度大于等于预设阈值时，输出该预设问题及答案对中的相应答案，当所述最大问题相似度小于预设阈值时，输出空值。

具体而言，例如将预设阈值设置为100，其旨在表征输出的检索结果所对应的预设问题与该输入问题具有的问题相似度数值应该至少为100。若当前的预设问题库中最大问题相似度为90，则由于其小于预设阈值，将不会输出最大问题相似度所对应的预设问题的答案，此时将输出空值。若当前的预设问题库中最大问题相似度为103，则由于其大于预设阈值，将输出最大问题相似度所对应的预设问题的答案。

基于上述，通过基于问题相似度求取最大问题相似度，获得最大问题相似度的预设问题及答案对，并进一步地通过预设阈值对于该问题相似度进行检验，仅在该最大相似度大于等于预设阈值时才输出相应的预设问题所对应的答案，使得可以有效地保证所输出的答案与所述输入问题具有较高的相似度，提高检索结果的准确性。

在一些实施例中，所述输入问题为医学问题，所述预设问答库包括多个预设医学问题及答案对，其中，每个预设医学问题及答案对包括：一类医学问题及其相应的答案。

所述获取医学问题及答案对的过程例如可以为从医疗社区、医院官网及电子病历中通过算法爬取患者的问题及医生的回答，形成问题及答案对。进一步地，该问题及答案对例如可以经由医学专业人员进一步地进行内容检查、信息增补及修改，使得进一步提高该问题答案的准确度。本公开的实施例不受获取所述医学问题及答案对的具体方法及对于所获取的问题及答案对的后续具体处理过程的限制。

通过对于医学专业领域设置问题答案库，便于当输入问题是医疗问题时，能够基于该预设问题库进行检索并获得该输入问题的答案，使得能够显著提高在医疗问题检索时的检索速度；同时相较于网络上的海量咨询，有利于向用户提供更为专业的医疗问题解答。

图7示出了根据本公开实施例的问答检索装置的示例性框图。

如图7所示的问答检索装置900包括句法结构分析模块910、句法内容分析模块920、检索结果生成模块930。

其中，句法结构分析模块910被配置为对输入问题进行句法结构分析，得到该输入问题的句法结构向量。句法内容分析模块920被配置为对输入问题进行处理，得到该输入问题的句法内容向量。检索结果生成模块930被配置为基于所述句法结构向量及句法内容向量，将该输入问题与预设问答库中的预设问题相比较，得到检索结果。

所述句法结构分析，即为句法分析(parsing)，指对句子中的词语语法功能进行分析，通过该分析能够发现句子中所具有的句法结构和句子各组成部分间的依存关系。例如，对于语句“我来晚了”而言，对其进行句法结构分析例如可以得到该语句中的“我”是主语，“来”是谓语，“晚了”是补语。

所述句法结构分析例如可以为基于概率上下文无关模型的句法分析、基于中心词驱动的句法分析等，本公开的实施例不受句法结构分析时所采用的具体算法的限制。所述句法结构分析例如可以通过句法分析工具实现，例如通过斯坦福的句法分析器和伯克利的句法分析器等。本公开的实施例不受所述句法结构分析过程所采用的具体工具的限制。

所述输入问题例如可以是用户直接输入的问题，或者也可以是计算机系统响应于用户的输入信息或控制信息而自行确定的问题。本公开实施例不受输入问题的来源及其输入方式的限制。例如，其可以为用户在网页搜索栏内输入的问题，或者也可以为基于用户的输入信息，经过计算机预先处理后所生成的问题。

所述预设问答库中包括多个预设问题及答案对。其中，每个预设问题及答案对包括一类问题及其相应的答案。

所述预设问答库例如可以是通用知识的问答库，例如生活常识问答库。或者其可以是某一专业领域知识的问答库，例如医学问答库，或者金融知识问答库，本公开的实施例不受所述预设问答库中的问题及答案对的类型的限制。

根据如上所述的问答检索装置，其能够基于输入问题，获取其句法内容向量及句法结构向量，并进一步基于所述句法内容向量与句法结构向量，将该输入问题与预设问答库中的预设问题相比较得到检索结果，使得在对输入问题进行答案检索时，将综合考虑输入问题的句法结构特征及其句法内容特征，从而使得所检索得到的答案更为精准；同时上述方法相较于用户自行浏览网络中的信息数据并人工筛选答案的检索过程，显著地降低了检索的时间成本且具有更高的检索效率和检索速度。

在一些实施例中，在检索结果生成模块930中进一步可包括：结构相似度生成模块931、内容相似度生成模块932、问题相似度生成模块933和结果模块934。其可以执行如图3所示的流程，将输入问题的句法结构向量及句法内容向量与预设问答库中的预设问题相比较得到检索结果。

其中，所述结构相似度生成模块931被配置为执行如图3中步骤S301的操作，计算所述句法结构向量与预设问答库中每一个预设问题的句法结构向量的句法结构相似度。

其中，预设问答库中包括至少一个预设问题，且对于预设问答库中的每一个预设问题：对该预设问题进行句法结构分析，得到该预设问题的句法结构向量；对该预设问题进行处理，得到该预设问题的句法内容向量。据此，所述预设问题具有与之相对应的句法结构向量及句法内容向量，且其句法结构向量、句法内容向量分别与输入问题的句法结构向量、句法内容向量具有相同的维数。

所述句法结构相似度旨在表征所述输入问题与所述预设问题的在句法结构特征上的相似程度。其例如可以通过将所述输入问题及所述预设问题所具有的句法结构特征向量进行比较得到。本公开的实施例不受具体比较的方式的限制。

所述内容相似度生成模块932被配置为执行如图3中步骤S302的操作，计算所述句法内容向量与预设问答库中每一个预设问题的句法内容向量的句法内容相似度。

所述句法内容相似度旨在表征所述输入问题与所述预设问题的在句法内容特征上的相似程度。本公开的实施例不受求取所述句法内容相似度所采用的具体方法的限制。

所述问题相似度生成模块933被配置为执行如图3中步骤S303的操作，根据所述句法结构相似度和所述句法内容相似度，确定所述输入问题与预设问答库中每一个预设问题的问题相似度。

所述问题相似度例如可以为将句法结构相似度与句法内容相似度直接进行加和得到，或者其也可以是对句法结构相似度与句法内容相似度赋予不同的权值再进行加和。本公开的实施例不受得到预设问题相似度的具体方式及具体权值设置的限制。

所述结果模块934被配置为执行如图3中步骤S304的操作，根据所述问题相似度，输出检索结果。

例如，可以基于针对每个预设问题确定的问题相似度，确定所述预设问答库中的最大问题相似度，并获取该最大问题相似度所对应的预设问题及答案对，将该答案对中的答案直接输出，或采用其他方式确定检索结果。本公开的实施例不受基于问题相似度确定检索结果的具体方法的限制。

基于上述，通过在问答检索装置中求取输入问题与预设答案库中的每一个预设问题的句法结构相似度、句法内容相似度，并基于句法结构相似度及内容相似度综合求取得到输入问题与该预设问题的问题相似度，得到检索结果。使得在进行检索结果计算的过程中，综合考虑到输入问题的结构特征及内容特征，提高了检索结果的精确性及可靠性。

在一些实施例中，所述结果模块934包括最大问题相似度确定模块9341、比较模块9342和输出模块9343。其可以执行如图6所示的流程，根据所述问题相似度输出检索结果。

所述最大问题相似度确定模块9341被配置为执行图6中步骤S601所示的步骤，基于针对每个预设问题确定的问题相似度，确定所述预设问答库中的最大问题相似度，并获取该最大问题相似度所对应的预设问题及答案对。

所述比较模块9342被配置为执行图6中步骤S602所示的步骤，将所述最大问题相似度与所述预设阈值相比较。

所述输出模块9343被配置为执行图6中步骤S603所示的步骤，当所述最大问题相似度大于等于预设阈值时，输出该预设问题及答案对中的相应答案，当所述最大问题相似度小于预设阈值时，输出空值。

所述预设阈值旨在表征待输出检索结果所对应的预设问题与该输入问题应具有的最低相似度数值。其例如可以基于实际需要的检索精确度设置，本公开的实施例不受所述预设阈值所具有的具体数值的限制。

基于上述，通过上述问答检索装置，能够基于问题相似度求取最大问题相似度，获得最大问题相似度的预设问题及答案对，并进一步地通过预设阈值对于该问题相似度进行检验，仅在该最大相似度大于等于预设阈值时才输出相应的预设问题所对应的答案，使得可以有效地保证所输出的答案与所述输入问题具有较高的相似度，提高检索结果的准确性。

在一些实施例中，所述输入问题为医学问题，所述预设问答库包括多个预设医学问题及答案对，其中，每个预设医学问题及答案对包括：一类医学问题及其相应的答案。

所述获取医学问题及答案对的过程例如可以为从医疗社区、医院官网及电子病历中通过算法爬取患者的问题及医生的回答，形成问题及答案对。本公开的实施例不受获取所述医学问题及答案对的具体方法及对于所获取的问题及答案对的后续具体处理过程的限制。

通过对于医学专业领域设置问题答案库，便于当输入问题是医疗问题时，能够基于该预设问题库进行检索并获得该输入问题的答案，使得能够显著提高在医疗问题检索时的检索速度；同时相较于网络上的海量咨询，有利于向用户提供更为专业的医疗问题解答。

在一些实施例中，所述问答检索装置能够执行如前所述的方法并具备相应的功能。

图8示出了根据本公开实施例的问答检索设备的示例性的框图。

如图8所示的问答检索设备950可以实现为一个或多个专用或通用的计算机系统模块或部件，例如个人电脑、笔记本电脑、平板电脑、手机、个人数码助理(personaldigital assistance，PDA)及任何智能便携设备。其中，问答检索设备950可以包括至少一个处理器960及存储器970。

其中，所述至少一个处理器用于执行程序指令。所述存储器970在问答检索设备950中可以以不同形式的程序储存单元以及数据储存单元存在，例如硬盘、只读存储器(ROM)、随机存取存储器(RAM)，其能够用于存储处理器处理和/或执行检索过程中使用的各种数据文件，以及处理器所执行的可能的程序指令。虽然未在图中示出，但问答检索设备950还可以包括一个输入/输出组件，支持问答检索设备950与其他组件之间的输入/输出数据流。问答检索设备950也可以通过通信端口从网络发送和接收信息及数据。

在一些实施例中，所述存储器970所存储的一组指令在由所述处理器960执行时，使所述问答检索设备950执行操作，所述操作包括：对输入问题进行句法结构分析，得到该输入问题的句法结构向量；对输入问题进行处理，得到该输入问题的句法内容向量；基于所述句法结构向量及句法内容向量，将该输入问题与预设问答库中的预设问题相比较，得到检索结果。

在一些实施例中，基于所述句法结构向量及句法内容向量将该输入问题与预设问答库中的预设问题相比较以得到检索结果包括：计算所述句法结构向量与预设问答库中每一个预设问题的句法结构向量的句法结构相似度；计算所述句法内容向量与预设问答库中每一个预设问题的句法内容向量的句法内容相似度；根据所述句法结构相似度和所述句法内容相似度，确定所述输入问题与预设问答库中每一个预设问题的问题相似度；以及根据所述问题相似度，输出检索结果。

在一些实施例中，根据所述问题相似度输出检索结果包括：基于针对每个预设问题确定的问题相似度，确定所述预设问答库中的最大问题相似度，并获取该最大问题相似度所对应的预设问题及答案对；将所述最大问题相似度与所述预设阈值相比较；当所述最大问题相似度大于等于预设阈值时，输出该预设问题及答案对中的相应答案，当所述最大问题相似度小于预设阈值时，输出空值。

在一些实施例中，所述输入问题为医学问题，所述预设问答库包括多个预设医学问题及答案对，其中，每个预设医学问题及答案对包括：一类医学问题及其相应的答案。

在一些实施例中，问答检索设备950可以接收来自该问答检索设备950外部的输入设备所采集的用户输入问题，并对接收的输入问题执行上文描述的问答检索方法、实现上文描述的问答检索装置的功能。

尽管在图8中，处理器960、存储器970呈现为单独的模块，本领域技术人员可以理解，上述设备模块可以被实现为单独的硬件设备，也可以被集成为一个或多个硬件设备。只要能够实现本公开描述的原理，不同的硬件设备的具体实现方式不应作为限制本公开保护范围的因素。

在本公开的实施例中，处理器可以是中央处理器(CPU)、现场可编程逻辑阵列(FPGA)、单片机(MCU)、数字信号处理器(DSP)、专用集成电路(ASIC)等具有数据处理能力和/或程序执行能力的逻辑运算器件。存储器包括但不限于例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(Cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。

根据本公开的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。

技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。

所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从问答检索设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供检索所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。

本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。