用于输出信息的方法和装置与流程

本申请实施例涉及计算机技术领域，具体涉及用于输出信息的方法和装置。

背景技术：

随着人工智能技术的飞速发展，通用答案抽取技术在机器阅读理解领域也显得越来越重要。对于特定问题，在给定文本中挖掘出对应问题的答案的技术是问答系统的重要组成部分之一。

相关的方式通常是通过对输入问题与文本的模糊匹配来尽量保证输入问题在输入文本中是有答案的。此外，可以通过网络或权威资料对输出答案与原问题的匹配进行额外的置信度校验，从而判断答案与原问题是否对应。

技术实现要素：

本申请实施例提出了用于输出信息的方法和装置。

第一方面，本申请实施例提供了一种用于输出信息的方法，该方法包括：获取询问文本和目标文本；将询问文本和目标文本输入至预先训练的答案抽取模型，得到与询问文本对应的回答文本和无答案概率，其中，答案抽取模型用于表征询问文本、文本与回答文本、无答案概率之间的对应关系，无答案概率用于表征无法从目标文本中抽取出与询问文本匹配的答案的概率；输出回答文本和无答案概率。

在一些实施例中，上述答案抽取模型包括第一编码层、基于注意力机制(attention)的第一交互层、循环神经网络、神经网络输出层、第一隐层和第一隐层输出层；以及上述将询问文本和目标文本输入至预先训练的答案抽取模型，得到与询问文本对应的回答文本和无答案概率，包括：将询问文本和目标文本输入至第一编码层，得到第一询问文本向量和第一目标文本向量；将第一询问文本向量和第一目标文本向量输入至基于注意力机制的第一交互层，得到第一输出矩阵；将第一输出矩阵输入至循环神经网络，得到输出向量；将输出向量输入至神经网络输出层，得到答案在目标文本中的位置；将第一输出矩阵和输出向量输入至第一隐层，得到第一概率向量；将第一概率向量输入至第一隐层输出层，得到无答案概率；根据答案在目标文本中的位置，生成回答文本。

在一些实施例中，该方法还包括：将询问文本、目标文本和回答文本输入至预先训练的答案可信度模型，得到答案可信概率，其中，答案可信度模型用于表征询问文本、文本、回答文本与答案可信概率之间的对应关系，答案可信概率用于表征回答文本、询问文本和目标文本之间的匹配程度；输出答案可信概率。

在一些实施例中，上述答案可信度模型包括第二编码层、基于注意力机制的第二交互层、第二隐层和第二隐层输出层；以及上述将询问文本、目标文本和回答文本输入至预先训练的答案可信度模型，得到答案可信概率，包括：将询问文本、目标文本和回答文本输入至第二编码层，得到第二询问文本向量、第二目标文本向量和回答文本向量；将第二询问文本向量、第二目标文本向量和回答文本向量输入至基于注意力机制的第二交互层，得到第二输出矩阵；将第二输出矩阵输入至第二隐层，得到第二概率向量；将第二概率向量输入至第二隐层输出层，得到答案可信概率。

在一些实施例中，该方法还包括：基于无答案概率和答案可信概率，确定答案正确概率，其中，答案正确概率用于表征回答文本作为询问文本的答案的准确程度；输出答案正确概率。

第二方面，本申请实施例提供了一种用于输出信息的装置，该装置包括：获取单元，被配置成获取询问文本和目标文本；第一确定单元，被配置成将询问文本和目标文本输入至预先训练的答案抽取模型，得到与询问文本对应的回答文本和无答案概率，其中，答案抽取模型用于表征询问文本、文本与回答文本、无答案概率之间的对应关系，无答案概率用于表征无法从目标文本中抽取出与询问文本匹配的答案的概率；第一输出单元，被配置成输出回答文本和无答案概率。

在一些实施例中，上述答案抽取模型包括第一编码层、基于注意力机制的第一交互层、循环神经网络、神经网络输出层、第一隐层和第一隐层输出层；以及上述第一确定单元进一步被配置成：将询问文本和目标文本输入至第一编码层，得到第一询问文本向量和第一目标文本向量；将第一询问文本向量和第一目标文本向量输入至基于注意力机制的第一交互层，得到第一输出矩阵；将第一输出矩阵输入至循环神经网络，得到输出向量；将输出向量输入至神经网络输出层，得到答案在目标文本中的位置；将第一输出矩阵和输出向量输入至第一隐层，得到第一概率向量；将第一概率向量输入至第一隐层输出层，得到无答案概率；根据答案在目标文本中的位置，生成回答文本。

在一些实施例中，该装置还包括：第二确定单元，被配置成将询问文本、目标文本和回答文本输入至预先训练的答案可信度模型，得到答案可信概率，其中，答案可信度模型用于表征询问文本、文本、回答文本与答案可信概率之间的对应关系，答案可信概率用于表征回答文本、询问文本和目标文本之间的匹配程度；第二输出单元，被配置成输出答案可信概率。

在一些实施例中，上述答案可信度模型包括第二编码层、基于注意力机制的第二交互层、第二隐层和第二隐层输出层；以及上述第二确定单元进一步被配置成：将询问文本、目标文本和回答文本输入至第二编码层，得到第二询问文本向量、第二目标文本向量和回答文本向量；将第二询问文本向量、第二目标文本向量和回答文本向量输入至基于注意力机制的第二交互层，得到第二输出矩阵；将第二输出矩阵输入至第二隐层，得到第二概率向量；将第二概率向量输入至第二隐层输出层，得到答案可信概率。

在一些实施例中，该装置还包括：第三确定单元，被配置成基于无答案概率和答案可信概率，确定答案正确概率，其中，答案正确概率用于表征回答文本作为询问文本的答案的准确程度；第三输出单元，被配置成输出答案正确概率。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于输出信息的方法和装置，首先获取询问文本和目标文本；然后，将询问文本和目标文本输入至预先训练的答案抽取模型，得到与该询问文本对应的回答文本和无答案概率，其中，答案抽取模型用于表征询问文本、文本与回答文本、无答案概率之间的对应关系，无答案概率用于表征无法从目标文本中抽取出与该询问文本匹配的答案的概率；最后，输出回答文本和无答案概率。从而实现了根据询问文本和目标文本，输出与询问文本对应的回答文本以及输出用于表征该目标文本中不存在与该询问文本匹配的答案的概率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于输出信息的方法的一个实施例的流程图；

图3是根据本申请实施例的用于输出信息的方法的一个应用场景的示意图；

图4是根据本申请的用于输出信息的方法的又一个实施例的流程图；

图5是根据本申请的用于输出信息的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请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申请。

图1示出了可以应用本申请的用于输出信息的方法或用于输出信息的装置的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件、文本编辑类应用、阅读类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持文本处理的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上输出与询问文本对应的回答文本提供支持的后台服务器。后台服务器可以对获取的询问文本和目标文本进行分析和答案抽取等处理，并将处理结果(如与询问文本对应的回答文本及无答案概率)反馈给终端设备。

需要说明的是，上述询问文本和目标文本也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的询问文本和目标文本并进行处理，此时，可以不存在终端设备101、102、103和网络104。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于输出信息的方法可以由服务器105执行，也可以由终端设备101、102、103来执行。相应地，用于输出信息的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法包括以下步骤：

步骤201，获取询问文本和目标文本。

在本实施例中，上述询问文本可以是带有提问性质的文本。询问文本可以是包含预设字符的文本。上述预设字符可以包括但不限于以下至少一项：“谁”，“什么”，“哪”，“怎么”，“？”，“多少”，“请问”，“急求”。作为示例，上述询问文本例如可以是“世界首富是谁？”也可以是“感冒了怎么办？”还可以是“急求xx电子书的下载地址”。上述目标文本可以是根据实际的应用需求，在预设的语料库中预先指定的任意文本；还可以是根据规则而定的文本，例如与上述询问文本的内容相关的文本。作为示例，上述目标文本可以是与上述询问文本的语义相关度超过预设阈值的文本。作为又一示例，如果文本中包含有根据上述询问文本确定出的关键词，则该文本可以被确定为目标文本。其中，上述关键词可以根据tf-idf(termfrequency–inversedocumentfrequency，词频-逆文件频率)算法来确定。

在本实施例中，用于输出信息的方法的执行主体(如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取询问文本和目标文本。作为示例，上述执行主体可以从通信连接的数据服务器获取询问文本和目标文本。作为又一示例，上述执行主体还可以从语音输入设备获取用户的语音信息，经过语音识别转换成询问文本。然后，上述执行主体还可以从互联网上抓取目标文本。

步骤202，将询问文本和目标文本输入至预先训练的答案抽取模型，得到与询问文本对应的回答文本和无答案概率。

在本实施例中，答案抽取模型可以用于表征询问文本、文本与回答文本、无答案概率之间的对应关系。上述无答案概率可以用于表征无法从目标文本中抽取出与询问文本匹配的答案的概率。实践中，上述答案抽取模型可以是应用于问答系统的各种答案抽取方法。作为示例，首先，上述执行主体可以根据预设的字符(例如“，”“。”“！”“？”等)将上述目标文本拆分成语句片段集合。其中，语句片段可以是单独的一个字，也可以是词，还可以是词组或短句。然后，对于上述语句片段集合中的语句片段，上述执行主体可以计算该语句片段与询问文本之间的相似度。接下来，上述执行主体可以将所得到的相似度最大值所对应的语句片段确定为候选回答文本。然后，利用预先训练的语义分析模型从候选回答文本中提取回答文本。最后，上述执行主体可以将数字1与上述最大相似度的差值确定为无答案概率。其中，上述计算相似度的方法可以首先利用word2vec和glove等算法将文本转换为向量形式，然后计算向量之间的余弦相似度或利用预先训练的深度学习模型计算语义相似度。需要说明的是，上述文本之间的相似度计算的方法和语义分析模型是目前广泛研究和应用的公知技术。在此不再赘述。

在本实施例的一些可选的实现方式中，上述答案抽取模型可以包括第一编码层、基于注意力机制的第一交互层、循环神经网络、神经网络输出层、第一隐层和第一隐层输出层。从而，上述执行主体可以按照如下步骤将询问文本和目标文本输入至预先训练的答案抽取模型，得到与询问文本对应的回答文本和无答案概率：

第一步，将询问文本和目标文本输入至第一编码层，得到第一询问文本向量和第一目标文本向量。

在这些实现方式中，上述第一编码层可以用于表征文本和文本向量之间的对应关系。上述第一编码层可以是各种用于生成词向量的方法。作为示例，上述第一编码层可以是lsa(latentsemanticanalysis，隐含语义分析)矩阵分解模型。作为又一示例，上述第一编码层还可以是word2vector模型。上述执行主体可以将由步骤201所获取的询问文本和目标文本输入至上述第一编码层，得到与询问文本对应的第一询问文本向量和与目标文本对应的第一目标文本向量。

第二步，将第一询问文本向量和第一目标文本向量输入至基于注意力机制的第一交互层，得到第一输出矩阵。

在这些实现方式中，上述基于注意力机制的第一交互层可以用于表征文本向量和输出矩阵之间的对应关系。上述基于注意力机制的第一交互层可以是各种ann(artificialneuralnetwork，人工神经网络)，例如cnn(convolutionalneuralnetwork，卷积神经网络)、rnn(recurrentneuralnetwork，循环神经网络)。引入注意力机制后，上述第一交互层可以确定输入的第一询问文本向量和第一目标文本向量中的不同元素的权重。

可选地，上述基于注意力机制的第一交互层可以包括第一文本交互层和自注意力层。上述第一文本交互层可以是第一询问文本向量、第一目标文本向量与中间输出矩阵的对齐模型。上述自注意力层可以用于表征中间输出矩阵与第一输出矩阵之间的对应关系。利用上述自注意力层，可以使中间输出矩阵中的元素通过一个计算步骤直接联系起来，从而更容易捕获文本中长距离的相互依赖的特征。

上述执行主体可以将由上述第一步所得到的第一询问文本向量和第一目标文本向量输入至上述基于注意力机制的第一交互层，得到与第一询问文本向量和第一目标文本向量对应的第一输出矩阵。

第三步，将第一输出矩阵输入至循环神经网络，得到输出向量。

在这些实现方式中，上述rnn可以用于表征输出矩阵和输出向量之间的对应关系。可选地，上述rnn可以是lstm(long-shorttermmemory,长短时记忆)网络。上述执行主体可以将上述第二步所得到的第一输出矩阵输入至上述rnn，得到与第一输出矩阵对应的输出向量。

第四步，将输出向量输入至神经网络输出层，得到答案在目标文本中的位置。

在这些实现方式中，上述神经网络输出层可以用于表征输出向量和答案在目标文本中的位置之间的对应关系。上述神经网络输出层可以是各种用于多分类神经网络输出的激活函数，例如softmax函数。上述执行主体可以将上述第三步所得到的输出向量输入至上述神经网络输出层，得到答案在目标文本中的位置。其中，上述答案在目标文本中的位置可以包括答案在目标文本中的起始位置和答案在目标文本中的结束位置。上述位置可以有各种表示形式。例如，语句中的第几个词或目标文本中的第几段。

第五步，将第一输出矩阵和输出向量输入至第一隐层，得到第一概率向量。

在这些实现方式中，上述第一隐层可以用于表征输出矩阵、输出向量和概率向量之间的对应关系。上述执行主体可以将上述第二步所得到的第一输出矩阵和上述第三步所得到的输出向量输入至上述第一隐层，得到与上述第一输出矩阵和输出向量对应的第一概率向量。

第六步，将第一概率向量输入至第一隐层输出层，得到无答案概率。

在这些实现方式中，上述第一隐层输出层可以用于表征概率向量和无答案概率之间的对应关系。上述第一隐层输出层可以是各种用于隐层神经元输出的激活函数，例如sigmoid函数。上述执行主体可以将上述第五步所得到的第一概率向量输入至上述第一隐层输出层，得到无答案概率。

第七步，根据答案在目标文本中的位置，生成回答文本。

在这些实现方式中，上述执行主体可以根据上述第四步所确定的答案在目标文本中的位置，提取所在位置对应的文本，生成回答文本。作为示例，询问文本是“2008年xx会在哪举办”。目标文本是“北京2008xx会开幕式”。上述执行主体可以按照前述步骤确定答案在目标文本中的起始位置是第一个词，且结束位置也是第一个词。那么上述执行主体可以根据上述答案在目标文本中的位置，提取目标文本的第一个词“北京”，作为回答文本。

需要说明的是，上述第四步与第五至六步可以基本并行地执行；也可以先执行上述第五至六步，再执行上述第四步，在此不作限定。

在这些实现方式中，上述答案抽取模型可以通过以下步骤训练得到：

s1、获取初始答案抽取模型。

在这些实现方式中，初始答案抽取模型可以是各种ann。作为示例，初始答案抽取模型可以包括但不限于rnn，cnn及其组合。

s2、获取训练样本集合。

在这些实现方式中，训练样本集合中的每个训练样本可以包括样本询问文本、样本目标文本和与样本询问文本、样本目标文本对应的样本回答文本和样本无答案概率。其中，样本无答案概率可以用于表征无法从样本目标文本中抽取出与样本询问文本匹配的答案的概率。

实践中，训练样本可以通过多种方式得到。作为示例，可以将用户输入搜索引擎的问题作为样本询问文本。可以将搜索引擎针对所输入的问题而返回的网页中所包含的文字部分作为样本目标文本。然后，可以从样本目标文本中抽取答案作为样本回答文本。之后，根据预设的知识库进行验证，对于能够作为询问文本的正确答案的样本回答文本，可以将与该样本回答文本对应的样本无答案概率确定为0～1之间的较小数值，例如0；对于不能够作为询问文本的正确答案的样本回答文本，可以将与该样本回答文本对应的样本无答案概率确定为0～1之间的较大数值，例如1。最后，将样本询问文本、样本目标文本、样本回答文本和与该样本回答文本对应的样本无答案概率进行关联存储，最终得到训练样本。通过大量的数据形成大量的训练样本，进而组成训练样本集合。

s3、利用机器学习的方法，将训练样本集合中的训练样本的样本询问文本和样本目标文本作为初始答案抽取模型的输入，将与输入的样本询问文本和样本目标文本对应的样本回答文本和样本无答案概率作为期望输出，训练得到上述答案抽取模型。

具体地，上述训练步骤的执行主体可以将训练样本集合中的训练样本的样本询问文本和样本目标文本输入至初始答案抽取模型，得到该训练样本的回答文本和无答案概率。然后，可以利用预设的损失函数计算所得到的回答文本与该训练样本的样本回答文本之间的差异程度；以及计算所得到的无答案概率与该训练样本的样本无答案概率之间的差异程度。接下来，可以利用正则化项计算模型的复杂度。之后，基于计算所得的差异程度和模型的复杂度，调整初始答案抽取模型的结构参数，并在满足预设的训练结束条件的情况下，结束训练。最后，将训练得到的初始答案抽取模型确定为答案抽取模型。

需要说明的是，上述损失函数可以采用对数损失函数，上述正则化项可以采用l2范数或dropout技术。上述预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异程度小于预设的差异阈值；测试集上的准确率达到预设的准确率阈值；测试集上的覆盖率达到预设的覆盖率阈值。

还需要说明的是，基于所得到的训练样本的回答文本、无答案概率与该训练样本的样本回答文本、样本无答案概率之间的差异程度，可以采用各种方式调整初始答案抽取模型的结构参数。例如，可以采用bp(backpropagation，反向传播)算法或者sgd(stochasticgradientdescent，随机梯度下降)算法来调整初始答案抽取模型的网络参数。

值得注意的是，上述训练步骤的执行主体可以与用于输出信息的方法的执行主体相同或者不同。如果相同，则上述训练步骤的执行主体可以在训练得到答案抽取模型后将训练好的答案抽取模型的结构信息和参数值存储在本地。如果不同，则上述训练步骤的执行主体可以在训练得到答案抽取模型后将训练好的答案抽取模型的结构信息和参数值发送给用于输出信息的方法的执行主体。

需要指出的是，上述答案抽取模型中的第一编码层、基于注意力机制的第一交互层、循环神经网络和第一隐层可以分开训练，也可以作为一个整体同时训练，本实施例对此不进行限定。

步骤203，输出回答文本和无答案概率。

在本实施例中，上述执行主体从步骤202得到回答文本和无答案概率后，可以输出回答文本和无答案概率。其中，输出可以有多种形式。作为示例，上述执行主体可以将回答文本和无答案概率输出至通信连接的显示设备，例如显示器。从而，可以将按照上述步骤所得到的回答文本和无答案概率呈现出来。作为又一示例，上述执行主体还可以将回答文本和无答案概率输出至通信连接的存储介质，例如硬盘。从而，可以将按照上述步骤所得到的回答文本和无答案概率进行存储，以供后续使用。

继续参见图3，图3是根据本申请实施例的用于输出信息的方法的应用场景的一个示意图。在图3的应用场景中，用户使用终端设备301输入文本“2008年xx会在哪举办？”304。服务器302从终端设备获取上述文本304作为询问文本。然后，服务器302从与之通信连接的数据库服务器303中获取包含“2008年北京xx会，2008年8月8日晚上8时整在中华人民共和国首都北京举办”的文本305作为目标文本。之后，服务器302将询问文本304和目标文本305输入至预先训练的答案抽取模型306。服务器302可以将目标文本305拆分成语句片段集合“2008年北京xx会”，“2008年8月8日晚上8时整”，“在中华人民共和国首都北京举办”。服务器302可以确定询问文本304与上述各语句片段之间的相似度。然后，服务器302可以将相似度最高(例如0.9)的语句片段“2008年北京xx会”确定为候选回答文本。再利用语义分析模型从候选回答文本中提取出“北京”作为回答文本307。接下来，服务器302可以将0.1确定为无答案概率308。最后，服务器302可以将所确定的回答文本307和无答案概率308进行输出显示。可选地，服务器302还可以将所确定的回答文本307和无答案概率308整合成“北京”“0.1”的信息309，并将上述信息309发送给终端设备301。

本申请的上述实施例提供的方法，首先获取询问文本和目标文本；然后，将询问文本和目标文本输入至预先训练的答案抽取模型，得到与该询问文本对应的回答文本和无答案概率，其中，答案抽取模型用于表征询问文本、文本与回答文本、无答案概率之间的对应关系，无答案概率用于表征无法从目标文本中抽取出与该询问文本匹配的答案的概率；最后，输出回答文本和无答案概率。实现了根据询问文本和目标文本，输出与询问文本对应的回答文本以及输出用于表征该目标文本中不存在与该询问文本匹配的答案的概率。从而可以在得到回答文本的同时得知该回答文本的置信度。

进一步参考图4，其示出了用于输出信息的方法的又一个实施例的流程400。该用于输出信息的方法的流程400，包括以下步骤：

步骤401，获取询问文本和目标文本。

步骤402，将询问文本和目标文本输入至预先训练的答案抽取模型，得到与询问文本对应的回答文本和无答案概率。

步骤403，输出回答文本和无答案概率。

上述步骤401、步骤402、步骤403分别与前述实施例中的步骤201、步骤202、步骤203一致，上文针对步骤201、步骤202和步骤203的描述也适用于步骤401、步骤402和步骤403，此处不再赘述。

步骤404，将询问文本、目标文本和回答文本输入至预先训练的答案可信度模型，得到答案可信概率。

在本实施例中，上述答案可信度模型可以用于表征询问文本、文本、回答文本与答案可信概率之间的对应关系。上述答案可信概率可以用于表征回答文本、询问文本和目标文本之间的匹配程度。实践中，上述答案可信度模型可以是各种用于确定回答文本、询问文本和目标文本之间的匹配程度的方法。作为示例，上述执行主体可以按照如下步骤得到答案可信概率：

第一步，将回答文本和询问文本相结合，生成答案验证文本。上述生成答案验证文本的方式可以是各种方式。作为示例，可以将回答文本替换询问文本中的疑问词。例如，询问文本为“张三的老婆是谁？”回答文本为“李四”。那么，所生成的答案验证文本可以是“张三的老婆是李四”。

第二步，将上述答案验证文本输入至预先训练的语言识别模型，根据最大似然估计得到句子概率。作为示例，上述语言识别模型可以是n-gram(n元语法)语言模型。需要说明的是，上述语言识别模型是目前广泛研究和应用的公知技术。在此不再赘述。

第三步，计算答案验证文本与目标文本经拆分后形成的语句之间的相似度。对于目标文本拆分后形成的语句集合中的语句，上述执行主体可以计算答案验证文本与该语句之间的相似度，得到相似度集合。

第四步，计算所得到的相似度集合中的最大值和所得到的句子概率的平均值，将上述平均值确定为答案可信概率。

在本实施例的一些可选的实现方式中，上述答案可信度模型可以包括第二编码层、基于注意力机制的第二交互层、第二隐层和第二隐层输出层。从而，上述执行主体可以按照如下步骤将询问文本、目标文本和回答文本输入至预先训练的答案可信度模型，得到答案可信概率：

第一步，将询问文本、目标文本和回答文本输入至第二编码层，得到第二询问文本向量、第二目标文本向量和回答文本向量。

在这些实现方式中，上述第二编码层可以用于表征文本和文本向量之间的对应关系。上述第二编码层可以是各种用于生成词向量的方法。作为示例，上述第一编码层可以是lsa矩阵分解模型。作为又一示例，上述第二编码层还可以是word2vector模型。上述执行主体可以将由步骤401所获取的询问文本、目标文本和步骤402所得到的回答文本输入至上述第二编码层，得到与询问文本对应的第二询问文本向量、与目标文本对应的第二目标文本向量和与回答文本对应的回答文本向量。

第二步，将第二询问文本向量、第二目标文本向量和回答文本向量输入至基于注意力机制的第二交互层，得到第二输出矩阵。

在这些实现方式中，上述基于注意力机制的第二交互层可以用于表征文本向量和输出矩阵之间的对应关系。上述基于注意力机制的第二交互层可以是各种ann，例如cnn、rnn。引入注意力机制后，上述第二交互层可以确定输入的第二询问文本向量、第二目标文本向量和回答文本向量中的不同元素的权重。

上述执行主体可以将由上述第一步所得到的第二询问文本向量、第二目标文本向量和回答文本向量输入至上述基于注意力机制的第二交互层，得到与第二询问文本向量、第二目标文本向量和回答文本向量对应的第二输出矩阵。

第三步，将第二输出矩阵输入至第二隐层，得到第二概率向量。

在这些实现方式中，上述第二隐层可以用于表征输出矩阵和概率向量之间的对应关系。上述执行主体可以将上述第二步所得到的第二输出矩阵输入至上述第二隐层，得到与上述第二输出矩阵对应的第二概率向量。

第四步，将第二概率向量输入至第二隐层输出层，得到答案可信概率。

在这些实现方式中，上述第二隐层输出层可以用于表征概率向量和答案可信概率之间的对应关系。上述第二隐层输出层可以是各种用于隐层神经元输出的激活函数，例如sigmoid函数。上述执行主体可以将上述第三步所得到的第二概率向量输入至上述第二隐层输出层，得到答案可信概率。

在这些实现方式中，上述答案可信度模型通过以下步骤训练得到：

s1、获取初始答案可信度模型。

在这些实现方式中，初始答案可信度模型可以是各种ann。作为示例，初始答案可信度模型可以包括但不限于rnn，cnn及其组合。

s2、获取训练样本集合。

在这些实现方式中，训练样本集合中的每个训练样本可以包括样本询问文本、样本目标文本、样本回答文本和与样本询问文本、样本目标文本、样本回答文本对应的样本答案可信概率。其中，样本答案可信概率可以用于表征样本回答文本、样本询问文本和样本目标文本之间的匹配程度。

实践中，训练样本可以通过多种方式得到。作为示例，可以将用户输入搜索引擎的问题作为样本询问文本。可以将搜索引擎针对所输入的问题而返回的网页中所包含的文字部分作为样本目标文本。然后，可以从样本目标文本中抽取答案作为样本回答文本。之后，可以根据预设的匹配规则对样本回答文本、样本询问文本和样本目标文本之间的匹配程度进行标注。作为示例，对于匹配程度大于预设阈值的样本回答文本、样本询问文本和样本目标文本，可以将与之对应的样本答案可信概率确定为0～1之间的较大数值，例如1；对于匹配程度小于或等于预设阈值的样本回答文本、样本询问文本和样本目标文本，可以将与之对应的样本答案可信概率确定为0～1之间的较小数值，例如0。最后，将样本回答文本、样本询问文本、样本目标文本和与之对应的样本答案可信概率进行关联存储，最终得到训练样本。通过大量的数据形成大量的训练样本，进而组成训练样本集合。

s3、利用机器学习的方法，将训练样本集合中的训练样本的样本询问文本、样本目标文本和样本回答文本作为初始答案可信度模型的输入，将与输入的样本询问文本、样本目标文本和样本回答文本对应的样本答案可信概率作为期望输出，训练得到上述答案可信度模型。

具体地，上述训练步骤的执行主体可以将训练样本集合中的训练样本的样本询问文本、样本目标文本和样本回答文本输入至初始答案可信度模型，得到该训练样本的答案可信概率。然后，可以利用预设的损失函数计算所得到的答案可信概率与样本答案可信概率之间的差异程度。接下来，可以利用正则化项计算模型的复杂度。之后，基于计算所得的差异程度和模型的复杂度，调整初始答案可信度模型的结构参数，并在满足预设的训练结束条件的情况下，结束训练。最后，将训练得到的初始答案可信度模型确定为答案可信度模型。

需要说明的是，上述损失函数可以采用对数损失函数，上述正则化项可以采用l2范数或dropout技术。上述预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异程度小于预设的差异阈值；测试集上的准确率达到预设的准确率阈值；测试集上的覆盖率达到预设的覆盖率阈值。

还需要说明的是，基于所得到的训练样本的答案可信概率与该训练样本的样本答案可信概率之间的差异程度，可以采用各种方式调整初始答案可信度模型的结构参数。例如，可以采用bp(backpropagation，反向传播)算法或者sgd(stochasticgradientdescent，随机梯度下降)算法来调整初始答案可信度模型的网络参数。

值得注意的是，上述训练步骤的执行主体可以与用于输出信息的方法的执行主体相同或者不同。如果相同，则上述训练步骤的执行主体可以在训练得到答案可信度模型后将训练好的答案可信度模型的结构信息和参数值存储在本地。如果不同，则上述训练步骤的执行主体可以在训练得到答案可信度模型后将训练好的答案可信度模型的结构信息和参数值发送给用于输出信息的方法的执行主体。可以理解，上述训练步骤的执行主体也可以与前述实施例中步骤202的训练步骤的执行主体相同或者不同。在此不作限定。

需要指出的是，上述答案可信度模型中的第二编码层、基于注意力机制的第二交互层和第二隐层可以分开训练，也可以作为一个整体同时训练，本实施例对此不进行限定。

步骤405，基于无答案概率和答案可信概率，确定答案正确概率。

在本实施例中，上述答案正确概率可以用于表征回答文本作为询问文本的正确答案的概率。

上述执行主体基于步骤402所得到的无答案概率和步骤404所得到的答案可信概率，可以利用各种能够综合利用上述无答案概率和答案可信概率的评价方法来确定答案正确概率。作为示例，上述执行主体可以首先计算数字1与无答案概率之间的差值，再计算上述差值与上述答案可信概率的平均值，得到上述答案正确概率。作为又一示例，上述执行主体可以先确定无答案概率是否小于预设的阈值(例如0.1)；响应于确定小于，上述执行主体可以直接将答案可信概率确定为上述答案正确概率。通常，将上述阈值设置为一个较小的数值。可以理解，当无答案概率小于一个较小的阈值的时候，意味着所确定的回答文本在询问文本和目标文本之间的匹配程度方面具备较高的可信度。因此，可以将用于表征询问文本、目标文本和回答文本之间的匹配程度的答案可信概率确定为答案正确概率。

步骤406，输出答案正确概率。

在本实施例中，上述执行主体从步骤405得到答案正确概率后，可以输出答案正确概率。其中，输出可以有多种形式。作为示例，上述执行主体可以将答案正确概率输出至通信连接的显示设备，例如显示器。从而，可以将按照上述步骤所得到的答案正确概率呈现出来。作为又一示例，上述执行主体还可以将答案正确概率输出至通信连接的存储介质，例如硬盘。从而，可以将按照上述步骤所得到的答案正确概率进行存储，以供后续使用。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于输出信息的方法的流程400体现了将询问文本、目标文本和回答文本输入至预先训练的答案可信度模型，得到答案可信概率的步骤，以及基于无答案概率和答案可信概率，确定并输出答案正确概率的步骤。由此，本实施例描述的方案可以将所得到的回答文本与询问文本和目标文本之间的匹配程度进行综合考虑，从而实现了对回答文本的可信度进行客观评价。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了用于输出信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例提供的用于输出信息的装置500包括获取单元501、第一确定单元502和第一输出单元503。其中，获取单元501，被配置成获取询问文本和目标文本；第一确定单元502，被配置成将询问文本和目标文本输入至预先训练的答案抽取模型，得到与询问文本对应的回答文本和无答案概率，其中，答案抽取模型用于表征询问文本、文本与回答文本、无答案概率之间的对应关系，无答案概率用于表征无法从目标文本中抽取出与询问文本匹配的答案的概率；第一输出单元503，被配置成输出回答文本和无答案概率。

在本实施例中，用于输出信息的装置500中：获取单元501、第一确定单元502和第一输出单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述答案抽取模型可以包括第一编码层、基于注意力机制的第一交互层、循环神经网络、神经网络输出层、第一隐层和第一隐层输出层；以及上述第一确定单元501可以进一步被配置成：将询问文本和目标文本输入至第一编码层，得到第一询问文本向量和第一目标文本向量；将第一询问文本向量和第一目标文本向量输入至基于注意力机制的第一交互层，得到第一输出矩阵；将第一输出矩阵输入至循环神经网络，得到输出向量；将输出向量输入至神经网络输出层，得到答案在目标文本中的位置；将第一输出矩阵和输出向量输入至第一隐层，得到第一概率向量；将第一概率向量输入至第一隐层输出层，得到无答案概率；根据答案在目标文本中的位置，生成回答文本。

在本实施例的一些可选的实现方式中，上述用于输出信息的装置500还可以包括第二确定单元(图中未示出)和第二输出单元(图中未示出)。其中，上述第二确定单元，可以被配置成将询问文本、目标文本和回答文本输入至预先训练的答案可信度模型，得到答案可信概率，其中，答案可信度模型可以用于表征询问文本、文本、回答文本与答案可信概率之间的对应关系，答案可信概率可以用于表征回答文本、询问文本和目标文本之间的匹配程度；上述第二输出单元可以被配置成输出答案可信概率。

在本实施例的一些可选的实现方式中，上述答案可信度模型可以包括第二编码层、基于注意力机制的第二交互层、第二隐层和第二隐层输出层；以及上述第二确定单元可以进一步被配置成：将询问文本、目标文本和回答文本输入至第二编码层，得到第二询问文本向量、第二目标文本向量和回答文本向量；将第二询问文本向量、第二目标文本向量和回答文本向量输入至基于注意力机制的第二交互层，得到第二输出矩阵；将第二输出矩阵输入至第二隐层，得到第二概率向量；将第二概率向量输入至第二隐层输出层，得到答案可信概率。

在本实施例的一些可选的实现方式中，上述用于输出信息的装置500还可以包括第三确定单元(图中未示出)和第三输出单元(图中未示出)。其中，上述第三确定单元，可以被配置成基于无答案概率和答案可信概率，确定答案正确概率，其中，答案正确概率可以用于表征回答文本作为询问文本的答案的准确程度；上述第三输出单元，可以被配置成输出答案正确概率。

本申请的上述实施例提供的装置，首先通过获取单元501获取询问文本和目标文本；然后，第一确定单元502将询问文本和目标文本输入至预先训练的答案抽取模型，得到与该询问文本对应的回答文本和无答案概率，其中，答案抽取模型用于表征询问文本、文本与回答文本、无答案概率之间的对应关系，无答案概率用于表征无法从目标文本中抽取出与该询问文本匹配的答案的概率；最后，第一输出单元503输出回答文本和无答案概率。从而实现了根据询问文本和目标文本，输出与询问文本对应的回答文本以及该回答文本的可靠性。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，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6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如液晶显示器(lcd)等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(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。在本申请中，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。而在本申请中，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的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—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(lan)或广域网(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)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括获取单元、第一确定单元和第一输出单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取询问文本和目标文本的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该电子设备：获取询问文本和目标文本；将询问文本和目标文本输入至预先训练的答案抽取模型，得到与该询问文本对应的回答文本和无答案概率，其中，答案抽取模型用于表征询问文本、文本与回答文本、无答案概率之间的对应关系，无答案概率用于表征无法从目标文本中抽取出与该询问文本匹配的答案的概率；输出回答文本和无答案概率。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。