基于人工智能的问答推荐方法、装置和计算机设备与流程

本申请涉及搜索技术领域，尤其涉及一种基于人工智能的问答推荐方法、装置和计算机设备。

背景技术：

随着互联网的迅速发展，一些由大量人工参与的问答系统也逐步开始向自动化及人工组合的方式转变，使用自动化的问答推荐来解决部分问题，可以减少人工参与，并可以快速响应用户需求。

现有相关技术中，一般是使用词语进行简单匹配，根据目标搜索词(query)中的词语与已有知识库中问题的重叠程度进行推荐，但是这种方案仅使用词语进行简单匹配，容易出现转义，并且无法区分无意义的口语化表述成分，从而导致推荐的答案无法满足用户需求，用户体验较差。

技术实现要素：

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种基于人工智能的问答推荐方法，以实现根据语义相似度进行答案推荐，降低了出现转义的风险，并且减小了无意义的口语化表述成分的干扰。

本申请的第二个目的在于提出一种基于人工智能的问答推荐装置。

本申请的第三个目的在于提出一种计算机设备。

本申请的第四个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本申请第一方面实施例提出了一种基于人工智能的问答推荐方法，包括：接收用户输入的搜索词，所述搜索词为问题；将所述搜索词与问答知识库中已有答案的问题进行匹配；如果所述问答知识库中不存在与所述搜索词完全匹配的问题，则计算所述搜索词与所述问答知识库中已有答案的问题的语义相似度；判断所述问答知识库中是否存在与所述搜索词的语义相似度大于预定阈值的问题；如果存在，则将所述与所述搜索词的语义相似度大于预定阈值的问题的答案作为所述搜索词的答案，推荐给所述用户。

本申请实施例的基于人工智能的问答推荐方法中，接收用户输入的搜索词之后，将上述搜索词与问答知识库中已有答案的问题进行匹配，如果上述问答知识库中不存在与上述搜索词完全匹配的问题，则计算上述搜索词与上述问答知识库中已有答案的问题的语义相似度，判断上述问答知识库中是否存在与上述搜索词的语义相似度大于预定阈值的问题，如果存在，则将与上述搜索词的语义相似度大于预定阈值的问题的答案作为上述搜索词的答案，推荐给上述用户，从而可以实现根据语义相似度进行答案推荐，降低了出现转义的风险，并且减小了无意义的口语化表述成分的干扰。

为达上述目的，本申请第二方面实施例提出了一种基于人工智能的问答推荐装置，包括：接收模块，用于接收用户输入的搜索词，所述搜索词为问题；匹配模块，用于将所述接收模块接收的搜索词与问答知识库中已有答案的问题进行匹配；计算模块，用于当所述问答知识库中不存在与所述搜索词完全匹配的问题时，计算所述搜索词与所述问答知识库中已有答案的问题的语义相似度；判断模块，用于判断所述问答知识库中是否存在与所述搜索词的语义相似度大于预定阈值的问题；推荐模块，用于当所述问答知识库中存在与所述搜索词的语义相似度大于预定阈值的问题时，将所述与所述搜索词的语义相似度大于预定阈值的问题的答案作为所述搜索词的答案，推荐给所述用户。

本申请实施例的基于人工智能的问答推荐装置中，接收模块接收用户输入的搜索词之后，匹配模块将上述搜索词与问答知识库中已有答案的问题进行匹配，如果上述问答知识库中不存在与上述搜索词完全匹配的问题，则计算模块计算上述搜索词与上述问答知识库中已有答案的问题的语义相似度，判断模块判断上述问答知识库中是否存在与上述搜索词的语义相似度大于预定阈值的问题，如果存在，则推荐模块将与上述搜索词的语义相似度大于预定阈值的问题的答案作为上述搜索词的答案，推荐给上述用户，从而可以实现根据语义相似度进行答案推荐，降低了出现转义的风险，并且减小了无意义的口语化表述成分的干扰。

为达上述目的，本申请第三方面实施例提出一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的方法。

为了实现上述目的，本申请第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请基于人工智能的问答推荐方法一个实施例的流程图；

图2为本申请基于人工智能的问答推荐方法另一个实施例的流程图；

图3为本申请基于人工智能的问答推荐方法一个示例的示意图；

图4为本申请基于人工智能的问答推荐方法再一个实施例的流程图；

图5为本申请基于人工智能的问答推荐方法中相似度计算模型的训练过程的示意图；

图6为本申请基于人工智能的问答推荐方法再一个实施例的流程图；

图7为本申请基于人工智能的问答推荐装置一个实施例的结构示意图；

图8为本申请基于人工智能的问答推荐装置另一个实施例的结构示意图；

图9为本申请计算机设备一个实施例的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

人工智能(artificialintelligence；以下简称：ai)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

图1为本申请基于人工智能的问答推荐方法一个实施例的流程图，如图1所示，上述基于人工智能的问答推荐方法可以包括：

步骤101，接收用户输入的搜索词，上述搜索词为问题。

具体地，用户可以以文本、语音或图片的形式输入上述搜索词，本实施例对用户输入搜索词的方式不作限定。

步骤102，将上述搜索词与问答知识库中已有答案的问题进行匹配。

在本申请实施例的描述中，知识库是知识工程中结构化，易操作，易利用，全面有组织的知识集群，是针对某一(或某些)领域问题求解的需要，采用某种(或若干)知识表示方式在计算机存储器中存储、组织、管理和使用的互相联系的知识片集合。这些知识片包括与领域相关的理论知识、事实数据，由专家经验得到的启发式知识，如某领域内有关的定义、定理和运算法则以及常识性知识等。

步骤103，如果上述问答知识库中不存在与上述搜索词完全匹配的问题，则计算上述搜索词与上述问答知识库中已有答案的问题的语义相似度。

步骤104，判断上述问答知识库中是否存在与上述搜索词的语义相似度大于预定阈值的问题。如果存在，则执行步骤105；如果上述问答知识库中不存在与上述搜索词的语义相似度大于预定阈值的问题，则执行步骤106。

其中，上述预定阈值可以在具体实现时根据系统性能和/或实现需求等自行设定，本实施例对上述预定阈值的大小不作限定，举例来说，上述预定阈值可以为0.8。

步骤105，将与上述搜索词的语义相似度大于预定阈值的问题的答案作为上述搜索词的答案，推荐给上述用户。

步骤106，按照与上述搜索词的语义相似度由大到小的顺序，将上述问答知识库中的预定数量的问题推荐给上述用户，以供上述用户在推荐的问题中选择与上述用户输入的搜索词最相似的问题。

步骤107，将上述用户选择的问题的答案推荐给上述用户。

上述基于人工智能的问答推荐方法中，接收用户输入的搜索词之后，将上述搜索词与问答知识库中已有答案的问题进行匹配，如果上述问答知识库中不存在与上述搜索词完全匹配的问题，则计算上述搜索词与上述问答知识库中已有答案的问题的语义相似度，判断上述问答知识库中是否存在与上述搜索词的语义相似度大于预定阈值的问题，如果存在，则将与上述搜索词的语义相似度大于预定阈值的问题的答案作为上述搜索词的答案，推荐给上述用户，如果上述问答知识库中不存在与上述搜索词的语义相似度大于预定阈值的问题，则按照与上述搜索词的语义相似度由大到小的顺序，将上述问答知识库中的预定数量的问题推荐给上述用户，以供上述用户在推荐的问题中选择与上述用户输入的搜索词最相似的问题，然后将上述用户选择的问题的答案推荐给上述用户，从而可以实现根据语义相似度进行答案推荐，降低了出现转义的风险，并且减小了无意义的口语化表述成分的干扰。

图2为本申请基于人工智能的问答推荐方法另一个实施例的流程图，如图2所示，本申请图1所示实施例步骤103中，计算上述搜索词与上述问答知识库中已有答案的问题的语义相似度之前，还包括：

步骤201，如果上述问答知识库中不存在与上述搜索词完全匹配的问题，则对上述搜索词进行分词，获得上述搜索词的分词。

步骤202，在上述问答知识库中，结合同义词知识库、修饰搭配知识库和停用词知识库对上述搜索词的分词进行倒排拉链，获得检索表达式。

步骤203，通过倒排索引及k路归并对上述检索表达式进行处理，获得上述问答知识库中的候选相似问题。

参见图3，图3为本申请基于人工智能的问答推荐方法一个示例的示意图，如图3所示，若问答知识库中已知“北京今天天气如何”的答案，当用户输入的搜索词为“北京今天的天气情况”时，可以先对“北京今天的天气情况”进行分词，获得“北京今天的天气情况”包括的分词，“北京”、“今天”、“的”、“天气”和“情况”；然后通过已有的同义词知识库发现“气候”是“天气”的同义词，那么在拉取倒排候选时可以将“气候”相关的query也拉出来作为候选；另外，通过修饰搭配知识库发现“情况”在“天气”后面出现时，是可以省略的，那么在拉取倒排相似候选时，“情况”可以不参与拉取；根据停用词知识库发现“的”是停用词，对语义的表达并没有作用，此时，“的”也不参与倒排候选的拉取，因此结合同义词知识库、修饰搭配知识库和停用词知识库对上述搜索词的分词进行倒排拉链，可以获得检索表达式“北京and今天and[天气or气候]”，然后可以通过倒排索引及k路归并对上述检索表达式进行处理，获得上述问答知识库中的候选相似问题，本例中，上述问答知识库中的候选相似问题包括“北京今天天气如何”、“北京的天气”和“今天的天气”。

这时，步骤103可以为：

步骤204，通过相似度计算模型，计算上述搜索词与上述问答知识库中的候选相似问题的语义相似度。

具体地，可以通过相似度计算模型，计算获得上述搜索词与上述问答知识库中的候选相似问题的语义相似度，例如，图3中，上述搜索词与上述问答知识库中的候选相似问题的语义相似度分别为：{北京今天的天气情况，北京今天天气如何}：0.9；{北京今天的天气情况，北京的天气}：0.6；{北京今天的天气情况，今天的天气}：0.6。

由此可见，只有“北京今天天气如何”与“北京今天的天气情况”的语义相似度大于0.8，因此，可以将“北京今天天气如何”的答案作为“北京今天的天气情况”的答案推荐给上述用户。

图4为本申请基于人工智能的问答推荐方法再一个实施例的流程图，如图4所示，本申请图2所示实施例中，步骤204之前，还可以包括：

步骤401，收集搜索词对。

本实施例中，收集的搜索词对可以包括相似的搜索词对，例如：“天气”和“气候”，也可以包括不相似的搜索词对，例如：“天气”和“矩形”，也就是说，收集的搜索词对中既包括正例，也包括反例，以供训练相似度计算模型使用。

步骤402，对上述搜索词对进行处理，生成训练语料。

步骤403，结合同义词知识库、修饰搭配知识库和停用词知识库对上述训练语料进行特征提取，获得上述训练语料的知识库特征、语义相似度特征、字面相似度特征和结构相似度特征。

步骤404，将上述训练语料的知识库特征、语义相似度特征、字面相似度特征和结构相似度特征输入到梯度提升决策树(gradientboostingdecisiontree；以下简称：gbdt)模型中，通过智能学习算法对上述gbdt模型进行训练，获得上述相似度计算模型。

其中，上述智能学习算法可以为bm25算法或机器学习算法，当然，上述智能学习算法也可以为其他的算法，本实施例对此不作限定。

这样，在步骤203，获得上述问答知识库中的候选相似问题之后，在步骤204中，就可以通过训练获得的上述相似度计算模型，计算上述搜索词与上述问答知识库中的候选相似问题的语义相似度。

上述相似度计算模型的训练过程可以如图5所示，图5为本申请基于人工智能的问答推荐方法中相似度计算模型的训练过程的示意图。

图6为本申请基于人工智能的问答推荐方法再一个实施例的流程图，如图6所示，本申请图1所示实施例中，步骤102之后，还可以包括：

步骤601，如果上述问答知识库中存在与上述搜索词完全匹配的问题，则将与上述搜索词完全匹配的问题的答案推荐给上述用户。

本申请实施例提供的基于人工智能的问答推荐方法可以实现根据语义相似度进行答案推荐，降低了出现转义的风险，并且减小了无意义的口语化表述成分的干扰。

图7为本申请基于人工智能的问答推荐装置一个实施例的结构示意图，本申请实施例中的基于人工智能的问答推荐装置可以作为搜索引擎，或搜索引擎的一部分实现本申请实施例提供的基于人工智能的问答推荐方法。如图7所示，上述基于人工智能的问答推荐装置可以包括：接收模块71、匹配模块72、计算模块73、判断模块74和推荐模块75；

其中，接收模块71，用于接收用户输入的搜索词，上述搜索词为问题。

匹配模块72，用于将接收模块71接收的搜索词与问答知识库中已有答案的问题进行匹配。

计算模块73，用于当上述问答知识库中不存在与上述搜索词完全匹配的问题时，计算上述搜索词与上述问答知识库中已有答案的问题的语义相似度。

判断模块74，用于判断上述问答知识库中是否存在与上述搜索词的语义相似度大于预定阈值的问题；其中，上述预定阈值可以在具体实现时根据系统性能和/或实现需求等自行设定，本实施例对上述预定阈值的大小不作限定，举例来说，上述预定阈值可以为0.8。

推荐模块75，用于当上述问答知识库中存在与上述搜索词的语义相似度大于预定阈值的问题时，将上述与所述搜索词的语义相似度大于预定阈值的问题的答案作为上述搜索词的答案，推荐给上述用户。

推荐模块75，还用于当上述问答知识库中不存在与上述搜索词的语义相似度大于预定阈值的问题时，按照与上述搜索词的语义相似度由大到小的顺序，将上述问答知识库中的预定数量的问题推荐给上述用户，以供上述用户在推荐的问题中选择与上述用户输入的搜索词最相似的问题；以及将上述用户选择的问题的答案推荐给上述用户。

上述基于人工智能的问答推荐装置中，接收模块71接收用户输入的搜索词之后，匹配模块72将上述搜索词与问答知识库中已有答案的问题进行匹配，如果上述问答知识库中不存在与上述搜索词完全匹配的问题，则计算模块73计算上述搜索词与上述问答知识库中已有答案的问题的语义相似度，判断模块74判断上述问答知识库中是否存在与上述搜索词的语义相似度大于预定阈值的问题，如果存在，则推荐模块75将与上述搜索词的语义相似度大于预定阈值的问题的答案作为上述搜索词的答案，推荐给上述用户，如果上述问答知识库中不存在与上述搜索词的语义相似度大于预定阈值的问题，则推荐模块75按照与上述搜索词的语义相似度由大到小的顺序，将上述问答知识库中的预定数量的问题推荐给上述用户，以供上述用户在推荐的问题中选择与上述用户输入的搜索词最相似的问题，然后推荐模块75将上述用户选择的问题的答案推荐给上述用户，从而可以实现根据语义相似度进行答案推荐，降低了出现转义的风险，并且减小了无意义的口语化表述成分的干扰。

图8为本申请基于人工智能的问答推荐装置另一个实施例的结构示意图，与图7所示的基于人工智能的问答推荐装置相比，不同之处在于，图9所示的基于人工智能的问答推荐装置还可以包括：分词模块76、倒排拉链模块77和候选获得模块78；

其中，分词模块76，用于在计算模块73计算上述搜索词与上述问答知识库中已有答案的问题的语义相似度之前，对上述搜索词进行分词，获得上述搜索词的分词；

倒排拉链模块77，用于在上述问答知识库中，结合同义词知识库、修饰搭配知识库和停用词知识库对分词模块76获得的搜索词的分词进行倒排拉链，获得检索表达式；

候选获得模块78，用于通过倒排索引及k路归并对倒排拉链模块77获得的检索表达式进行处理，获得上述问答知识库中的候选相似问题。

参见图3，若问答知识库中已知“北京今天天气如何”的答案，当用户输入的搜索词为“北京今天的天气情况”时，分词模块76可以先对“北京今天的天气情况”进行分词，获得“北京今天的天气情况”包括的分词，“北京”、“今天”、“的”、“天气”和“情况”；然后倒排拉链模块77通过已有的同义词知识库发现“气候”是“天气”的同义词，那么在拉取倒排候选时可以将“气候”相关的query也拉出来作为候选；另外，通过修饰搭配知识库发现“情况”在“天气”后面出现时，是可以省略的，那么在拉取倒排相似候选时，“情况”可以不参与拉取；根据停用词知识库发现“的”是停用词，对语义的表达并没有作用，此时，“的”也不参与倒排候选的拉取，因此倒排拉链模块77结合同义词知识库、修饰搭配知识库和停用词知识库对上述搜索词的分词进行倒排拉链，可以获得检索表达式“北京and今天and[天气or气候]”，然后候选获得模块78可以通过倒排索引及k路归并对上述检索表达式进行处理，获得上述问答知识库中的候选相似问题，本例中，上述问答知识库中的候选相似问题包括“北京今天天气如何”、“北京的天气”和“今天的天气”。

本实施例中，计算模块73，具体用于通过相似度计算模型，计算上述搜索词与上述问答知识库中的候选相似问题的语义相似度。

具体地，计算模块73可以通过相似度计算模型，计算获得上述搜索词与上述问答知识库中的候选相似问题的语义相似度，例如，图3中，上述搜索词与上述问答知识库中的候选相似问题的语义相似度分别为：{北京今天的天气情况，北京今天天气如何}：0.9；{北京今天的天气情况，北京的天气}：0.6；{北京今天的天气情况，今天的天气}：0.6。

由此可见，只有“北京今天天气如何”与“北京今天的天气情况”的语义相似度大于0.8，因此，推荐模块75可以将“北京今天天气如何”的答案作为“北京今天的天气情况”的答案推荐给上述用户。

进一步地，上述基于人工智能的问答推荐装置还可以包括：收集模块79、生成模块710、特征提取模块711和训练模块712；

其中，收集模块79，用于计算模块73通过相似度计算模型，计算上述搜索词与上述问答知识库中的候选相似问题的语义相似度之前，收集搜索词对；本实施例中，收集模块79收集的搜索词对可以包括相似的搜索词对，例如：“天气”和“气候”，也可以包括不相似的搜索词对，例如：“天气”和“矩形”，也就是说，收集的搜索词对中既包括正例，也包括反例，以供训练相似度计算模型使用。

生成模块710，用于对收集模块79收集的搜索词对进行处理，生成训练语料；

特征提取模块711，用于结合同义词知识库、修饰搭配知识库和停用词知识库对上述训练语料进行特征提取，获得上述训练语料的知识库特征、语义相似度特征、字面相似度特征和结构相似度特征；

训练模块712，用于将特征提取模块711获得的上述训练语料的知识库特征、语义相似度特征、字面相似度特征和结构相似度特征输入到gbdt模型中，通过智能学习算法对上述gbdt模型进行训练，获得上述相似度计算模型。

其中，上述智能学习算法可以为bm25算法或机器学习算法，当然，上述智能学习算法也可以为其他的算法，本实施例对此不作限定，上述相似度计算模型的训练过程可以如图5所示。

这样，在候选获得模块78获得上述问答知识库中的候选相似问题之后，计算模块73就可以通过训练模块712训练获得的上述相似度计算模型，计算上述搜索词与上述问答知识库中的候选相似问题的语义相似度。

进一步地，推荐模块75，还用于在匹配模块72将上述搜索词与问答知识库中已有答案的问题进行匹配之后，当上述问答知识库中存在与上述搜索词完全匹配的问题时，将与上述搜索词完全匹配的问题的答案推荐给上述用户。

本申请实施例提供的基于人工智能的问答推荐装置可以实现根据语义相似度进行答案推荐，降低了出现转义的风险，并且减小了无意义的口语化表述成分的干扰。

图9为本申请计算机设备一个实施例的结构示意图，上述计算机设备可以包括存储器、处理器及存储在上述存储器上并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时，可以实现本申请实施例提供的基于人工智能的问答推荐方法。

图9示出了适于用来实现本申请实施方式的示例性计算机设备12的框图。图9显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图9所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(industrystandardarchitecture；以下简称：isa)总线，微通道体系结构(microchannelarchitecture；以下简称：mac)总线，增强型isa总线、视频电子标准协会(videoelectronicsstandardsassociation；以下简称：vesa)局域总线以及外围组件互连(peripheralcomponentinterconnection；以下简称：pci)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(randomaccessmemory；以下简称：ram)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图9未显示，通常称为“硬盘驱动器”)。尽管图9中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(compactdiscreadonlymemory；以下简称：cd-rom)、数字多功能只读光盘(digitalvideodiscreadonlymemory；以下简称：dvd-rom)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(localareanetwork；以下简称：lan)，广域网(wideareanetwork；以下简称：wan)和/或公共网络，例如因特网)通信。如图9所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图9中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例提供的基于人工智能的问答推荐方法。

本申请实施例还提供一种非临时性计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时可以实现本申请实施例提供的基于人工智能的问答推荐方法。

上述非临时性计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(readonlymemory；以下简称：rom)、可擦式可编程只读存储器(erasableprogrammablereadonlymemory；以下简称：eprom)或闪存、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(localareanetwork；以下简称：lan)或广域网(wideareanetwork；以下简称：wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(randomaccessmemory；以下简称：ram)，只读存储器(readonlymemory；以下简称：rom)，可擦除可编辑只读存储器(erasableprogrammablereadonlymemory；以下简称：eprom)或闪速存储器，光纤装置，以及便携式光盘只读存储器(compactdiscreadonlymemory；以下简称：cd-rom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(programmablegatearray；以下简称：pga)，现场可编程门阵列(fieldprogrammablegatearray；以下简称：fpga)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。