自动问答处理方法、装置、计算机设备及存储介质与流程

本申请涉及自动问答技术领域，尤其涉及一种自动问答处理方法、装置、计算机设备及存储介质。

背景技术：

自动问答系统综合运用知识表示、信息检索、自然语言处理等技术，能够根据接收的用户以自然语言形式输入的问题，返回简洁而准确的答案。自动问答系统相比于传统的搜索引擎，具有更方便、更准确的优点，是当前自然语言处理及人工智能领域的研究热点。

传统的自动问答系统通常采用基于单词的倒排索引技术对用户输入的问题进行检索并返回匹配的答案。然而，这种方式是基于问题的字面相关性进行问题匹配的，并未关注用户的真正意图，从而导致返回的答案无法满足用户的需求，影响自动问答系统的准确度。

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，本申请提出一种自动问答处理方法、装置、计算机设备及存储介质，用于解决现有技术中基于字面相关性进行问题匹配导致返回的答案无法满足用户需求，准确度低的技术问题。

为达上述目的，本申请第一方面实施例提出了一种自动问答处理方法，包括：

获取用户输入的目标问题；

利用预先训练的句子语义编码模型对所述目标问题进行语义向量化，获取所述目标问题的句子向量；

计算所述句子向量与问答库中每个问题的语义索引向量之间的相似度；

根据所述相似度从所述问答库中确定出与所述目标问题匹配的标准问题，并将所述标准问题对应的答案反馈给所述用户。

本申请实施例的自动问答处理方法，通过获取用户输入的目标问题，利用预先训练的句子语义编码模型对目标问题进行语义向量化，获取目标问题的句子向量，计算句子向量与问答库中每个问题的语义索引向量之间的相似度，进而根据相似度从问答库中确定出与目标问题匹配的标准问题，并将标准问题对应的答案反馈给用户。由此，通过计算目标问题的句子向量与问答库中每个问题的语义索引向量之间的相似度，根据相似度确定出与目标问题匹配的标准问题，将标准问题对应的答案反馈给用户，能够快速、自动地理解用户所输入问题的语义，实现了基于问题的语义相关性进行问题匹配，提高了对目标问题语义理解的准确率，从而提高了自动问答系统的准确度，提升了用户体验。

为达上述目的，本申请第二方面实施例提出了一种自动问答处理装置，包括：

第一获取模块，用于获取用户输入的目标问题；

第二获取模块，用于利用预先训练的句子语义编码模型对所述目标问题进行语义向量化，获取所述目标问题的句子向量；

计算模块，用于计算所述句子向量与问答库中每个问题的语义索引向量之间的相似度；

确定模块，用于根据所述相似度从所述问答库中确定出与所述目标问题匹配的标准问题；

反馈模块，用于将所述标准问题对应的答案反馈给所述用户。

本申请实施例的自动问答处理装置，通过获取用户输入的目标问题，利用预先训练的句子语义编码模型对目标问题进行语义向量化，获取目标问题的句子向量，计算句子向量与问答库中每个问题的语义索引向量之间的相似度，进而根据相似度从问答库中确定出与目标问题匹配的标准问题，并将标准问题对应的答案反馈给用户。由此，通过计算目标问题的句子向量与问答库中每个问题的语义索引向量之间的相似度，根据相似度确定出与目标问题匹配的标准问题，将标准问题对应的答案反馈给用户，能够快速、自动地理解用户所输入问题的语义，实现了基于问题的语义相关性进行问题匹配，提高了对目标问题语义理解的准确率，从而提高了自动问答系统的准确度，提升了用户体验。

为达上述目的，本申请第三方面实施例提出了一种计算机设备，包括：处理器和存储器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如第一方面实施例所述的自动问答处理方法。

为达上述目的，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，该程序被处理器执行时实现如第一方面实施例所述的自动问答处理方法。

为达上述目的，本申请第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，实现如第一方面实施例所述的自动问答处理方法。

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为本申请实施例一所提供的自动问答处理方法的流程示意图；

图2为本申请另一实施例提出的自动问答处理方法的流程示意图；

图3为本申请又一实施例提出的自动问答处理方法的流程示意图；

图4为本申请一实施例提出的自动问答处理装置的结构示意图；

图5为本申请另一实施例提出的自动问答处理装置的结构示意图；

图6为本申请又一实施例提出的自动问答处理装置的结构示意图；

图7为本申请再一实施例提出的自动问答处理装置的结构示意图；以及

图8为本申请实施例所提供的计算机设备的结构示意图。

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。

下面参考附图描述本申请实施例的自动问答处理方法、装置、计算机设备及存储介质。

图1为本申请一实施例提出的自动问答处理方法的流程示意图，该方法可以由本申请实施例提出的自动问答处理装置执行，该自动问答处理装置可以应用于自动问答系统中，比如，应用于智能客服机器人，自动问答系统可以以独立个体的形式存在，也可以安装于终端设备中。

如图1所示，该自动问答处理方法可以包括以下步骤：

步骤101，获取用户输入的目标问题。

用户想要获取某个问题的答案时，可以通过文本输入或者语音输入的方式输入待咨询的问题。比如，用户可以通过触摸面板或者外接的输入装置输入文本形式的问题，也可以通过自动问答系统自身提供的麦克风，或者自动问答系统所在的终端设备提供的麦克风，输入语音形式的问题。当用户输入语音形式的问题时，自动问答处理装置获取自动问答系统对接收的语音形式的问题进行语音识别后得到的文本问题作为目标问题；当用户输入文本形式的问题时，自动问答处理装置获取自动问答系统接收的文本形式的问题作为目标问题。当然，也可以在自动问答处理装置中集成语音识别功能，语音识别用户输入的语音形式的问题，以获得文本形式的目标问题。

步骤102，利用预先训练的句子语义编码模型对目标问题进行语义向量化，获取目标问题的句子向量。

本实施例中，获取了目标问题之后，可以将目标问题输入至预先训练得到的句子语义编码模型中，利用句子语义编码模型对目标问题进行语义向量化，获取目标问题的句子向量。

在对目标问题进行语义向量化获取对应的句子向量之前，需要先训练得到句子语义编码模型。

在本申请实施例一种可能的实现方式中，训练得到句子语义编码模型时，可以先获取训练样本集，其中，训练样本集中包括多个问题和每个问题对应的向量。训练样本集中包含的问题可以从海量的互联网数据中收集获得；每个问题对应的向量可以根据分词的词向量获得，具体地，对于每个问题，先采用相关的切词技术对该问题进行切词处理得到该问题对应的多个分词，之后利用word2vector获取每个分词的词向量，再计算每个词向量的和作为该问题对应的向量。进而，将每个问题和对应的向量作为一个训练样本对，构建训练样本集，再利用训练样本集对神经网络模型进行训练，生成句子语义编码模型。其中，神经网络模型可以采用卷积神经网络模型、循环神经网络模型等。模型训练时，将每个问题作为模型的输入，将每个问题对应的向量作为模型输出进行训练，并在模型训练过程中，根据输入结果不断调整神经网络模型的参数，当输出结果的准确率达到预期，或者预设的损失函数收敛时，模型训练完成，得到句子语义编码模型。

进一步地，在本申请实施例一种可能的实现方式中，还可以结合注意力机制和神经网络模型训练得到句子语义编码模型，例如，基于注意力机制和循环神经网络模型训练得到句子语义编码模型。通过加入注意力机制，能够实现并行计算，从而提高模型的训练速率和计算效率。

进而，利用训练好的句子语义编码模型，可以实现目标问题的语义向量化，获得目标问题对应的句子向量。

步骤103，计算句子向量与问答库中每个问题的语义索引向量之间的相似度。

其中，问答库中的每个问题唯一对应一个语义索引向量，语义索引向量能够表达对应问题的语义。

本实施例中，确定了目标问题的句子向量之后，可以依次计算该句子向量与问答库中每个问题的语义索引向量之间的相似度。

例如，可以通过欧式距离公式计算目标问题的句子向量与语义索引向量之间的相似度；或者，可以通过计算句子向量与语义索引向量之间的曼哈顿距离来确定句子向量与语义索引向量之间的相似度；或者，可以通过夹角余弦公式计算句子向量和语义索引向量之间的余弦相似度；等等。

步骤104，根据相似度从问答库中确定出与目标问题匹配的标准问题，并将标准问题对应的答案反馈给用户。

本实施例中，计算出目标问题的句子向量与问答库中每个问题的语义索引向量之间的相似度之后，目标问题与问答库中每个问题的匹配程度也随之确定，句子向量与语义索引向量之间的相似度越高，目标问题与该语义索引向量对应的问题的匹配程度也越高，从而可以根据计算所得的相似度，从问答库中确定出与目标问题匹配的标准答案，比如，可以将相似度值最高的语义索引向量对应的问题确定为与目标问题匹配的标准问题，并获取该标准问题对应的答案反馈给用户，完成自动问答。

本实施例的自动问答处理方法，通过获取用户输入的目标问题，利用预先训练的句子语义编码模型对目标问题进行语义向量化，获取目标问题的句子向量，计算句子向量与问答库中每个问题的语义索引向量之间的相似度，进而根据相似度从问答库中确定出与目标问题匹配的标准问题，并将标准问题对应的答案反馈给用户。由此，通过计算目标问题的句子向量与问答库中每个问题的语义索引向量之间的相似度，根据相似度确定出与目标问题匹配的标准问题，将标准问题对应的答案反馈给用户，能够快速、自动地理解用户所输入问题的语义，实现了基于问题的语义相关性进行问题匹配，提高了对目标问题语义理解的准确率，从而提高了自动问答系统的准确度，提升了用户体验。

本申请实施例中，问答库中的每个问答对与问题对应的语义索引向量之间建立索引关系，下面结合附图2详细描述本申请中确定语义索引向量的具体实现过程，图2为本申请另一实施例提出的自动问答处理方法的流程示意图。

如图2所示，在如图1所示实施例的基础上，步骤103之前，还包括以下步骤：

步骤201，利用句子语义编码模型对问答库中的每个问题进行语义向量化，获取问答库中每个问题对应的问题向量。

本实施例中，对于问答库中的每个问题，可以先利用预先训练的句子语义编码模型对问答库中的每个问题进行语义向量化，将问答库中的每个问题依次输入句子语义编码模型中，获取每个问题对应的问题向量。

需要说明的是，本实施例中，对问答库中的每个问题进行语义向量化使用的句子语义编码模型，与对目标问题进行语义向量化所使用的句子语义编码模型是同一个模型，以确保问题匹配的准确度。

步骤202，基于近似近邻检索和问题向量，确定问答库中每个问题对应的语义索引向量。

本实施例中，获取了问答库中每个问题的问题向量之后，可以基于近似近邻检索技术和问题向量，确定每个问题对应的语义索引向量。

采用近似近邻检索技术确定语义索引向量时，先利用所有问题向量建树，比如可以建立annoy树，在建树完成之后即可进行检索，对于给定的某个问题向量，从annoy树中寻找出与该问题向量最相似的topk个近邻，并根据确定的近邻建立语义索引向量，其中，k为预先设定的值。

进而，确定每个问题对应的语义索引向量之后，即可建立问答库中问答对与语义索引向量之间的索引关系。

本实施例的自动问答处理方法，通过利用句子语义编码模型对问答库中的每个问题进行语义向量化，获取问答库中每个问题对应的问题向量，再基于近似近邻检索和问题向量，确定问答库中每个问题对应的语义索引向量，为基于问题的语义相关性确定匹配的问题提供了条件，有利于准确理解用户输入问题的语义，识别用户意图。

图3为本申请又一实施例提出的自动问答处理方法的流程示意图。如图3所示，在如图1所示实施例的基础上，步骤104可以包括以下步骤：

步骤301，按照相似度从高到低的顺序对问答库中的每个问题进行排序，获取排名靠前的预设个数的问题作为候选问题。

本实施例中，获取了目标问题的句子向量与问答库中每个问题的语义索引向量之间的相似度之后，可以按照相似度从高到低的顺序，对问答库中的每个问题进行排序，也即对问答库中的每个问答对进行排序，并获取排名靠前的预设个数的问题作为候选问题，其中，获取候选问题的个数可以预先设定，比如设置预设个数为10个，则获取相似度排名前10名的问题作为候选问题。

步骤302，利用预先训练的问答排序模型获取目标问题与候选问题之间的问题相似度。

本实施例中，确定了与目标问题较为相似的候选问题之后，可以继续利用预先训练的问答排序模型获取目标问题与候选问题之间的问题相似度。

在本申请实施例一种可能的实现方式中，问答排序模型包括循环神经网络层、注意力层和输出层，利用预先训练的问答排序模型获取目标问题与候选问题之间的问题相似度，包括：将目标问题和候选问题输入循环神经网络层，以获取目标问题对应的目标问题特征矩阵和候选问题对应的候选问题特征矩阵；将目标问题特征矩阵和候选问题特征矩阵输入注意力层，获取目标问题特征矩阵相对于候选问题特征矩阵的目标句向量，以及获取候选问题特征矩阵相对于目标问题特征矩阵的候选句向量；获取输出层计算的目标句向量与候选句向量之间的问题相似度。

具体地，获取目标问题特征矩阵时，可以对目标问题进行分词处理，获取每个分词对应的词向量，根据词向量构建目标问题特征矩阵。例如，目标问题中包括m个分词，每个分词对应一个k维的词向量，则目标问题特征矩阵为一个m*k维的矩阵。候选问题特征矩阵可以采用相同的方式获得。获取每个候选问题特征矩阵相对于目标问题特征矩阵的候选句向量时，针对候选问题特征矩阵中的每个词向量，计算该词向量与目标问题特征矩阵中每个词向量的余弦相似度作为该词向量相对于目标问题特征矩阵中每个分词的权重，再对所得的权重进行归一化，利用归一化后的各个权重与目标问题特征矩阵中对应的词向量进行加权求和，得到该词向量基于目标问题特征矩阵的词向量表达。

得到一个候选问题特征矩阵中每个词向量基于目标问题特征矩阵的词向量表达后，通过计算词向量表达的和得到该候选问题特征矩阵相对于目标问题特征矩阵的候选句向量。确定目标问题特征矩阵相对于候选问题特征矩阵的目标句向量时，可以采用上述类似的方式先计算目标问题特征矩阵相对于每个候选问题特征矩阵的单一目标句向量，之后通过求所有单一目标句向量的均值的方式，确定目标问题特征矩阵相对于候选问题特征矩阵的目标句向量。

进而，在输出层计算目标句向量与每个候选句向量之间的问题相似度，并从输出层获取问题相似度计算结果。

通过基于注意力机制和循环神经网络构建的问答排序模型来获取目标问题与候选问题之间的问题相似度，不仅能够提高计算效率，还能够提高问题匹配的准确度。

步骤303，将问题相似度最高值对应的候选问题确定为标准问题。

本实施例中，获取到目标问题与候选问题之间的问题相似度之后，可以将问题相似度最高值对应的候选问题，确定为标准问题，进而将标准问题对应的答案作为目标问题的答案反馈给用户。

本实施例的自动问答处理方法，通过按照相似度从高到低的顺序对问答库中的每个问题进行排序，获取排名靠前的预设个数的问题作为候选问题，利用预先训练的问答排序模型获取目标问题与候选问题之间的问题相似度，将问题相似度最高值对应的候选问题确定为标准问题，由此，能够进一步提高问题匹配的准确度，进而提高自动问答的准确度，提升用户体验。

为了实现上述实施例，本申请还提出一种自动问答处理装置。

图4为本申请一实施例提出的自动问答处理装置的结构示意图。

如图4所示，该自动问答处理装置40包括：第一获取模块410、第二获取模块420、计算模块430、确定模块440，以及反馈模块450。

其中，第一获取模块410，用于获取用户输入的目标问题。

第二获取模块420，用于利用预先训练的句子语义编码模型对目标问题进行语义向量化，获取目标问题的句子向量。

计算模块430，用于计算句子向量与问答库中每个问题的语义索引向量之间的相似度。

确定模块440，用于根据相似度从问答库中确定出与目标问题匹配的标准问题。

反馈模块450，用于将标准问题对应的答案反馈给用户。

在本申请实施例一种可能的实现方式中，如图5所示，在如图4所示实施例的基础上，该自动问答处理装置40还包括：

训练模块400，用于获取训练样本集，其中，训练样本集包括多个问题和与每个问题对应的向量；利用训练样本集对神经网络模型进行训练，生成句子语义编码模型。

在本申请实施例一种可能的实现方式中，如图6所示，在如图4所示实施例的基础上，该自动问答处理装置40还包括：

预处理模块401，用于利用句子语义编码模型对问答库中的每个问题进行语义向量化，获取问答库中每个问题对应的问题向量。

索引构建模块402，用于基于近似近邻检索和问题向量，确定问答库中每个问题对应的语义索引向量。

在本申请实施例一种可能的实现方式中，如图7所示，在如图4所示实施例的基础上，确定模块440包括：

排除单元441，用于按照相似度从高到低的顺序对问答库中的每个问题进行排序，获取排名靠前的预设个数的问题作为候选问题。

获取单元442，用于利用预先训练的问答排序模型获取目标问题与候选问题之间的问题相似度。

在本申请实施例一种可能的实现方式中，问答排序模型包括循环神经网络层、注意力层和输出层，获取单元442具体用于将目标问题和候选问题输入循环神经网络层，以获取目标问题对应的目标问题特征矩阵和候选问题对应的候选问题特征矩阵；将目标问题特征矩阵和候选问题特征矩阵输入注意力层，获取目标问题特征矩阵相对于候选问题特征矩阵的目标句向量，以及获取候选问题特征矩阵相对于目标问题特征矩阵的候选句向量；获取输出层计算的目标句向量与候选句向量之间的问题相似度。

通过基于注意力机制和循环神经网络构建的问答排序模型来获取目标问题与候选问题之间的问题相似度，不仅能够提高计算效率，还能够提高问题匹配的准确度。

确定单元443，用于将问题相似度最高值对应的候选问题确定为标准问题。

通过按照相似度从高到低的顺序对问答库中的每个问题进行排序，获取排名靠前的预设个数的问题作为候选问题，利用预先训练的问答排序模型获取目标问题与候选问题之间的问题相似度，将问题相似度最高值对应的候选问题确定为标准问题，由此，能够进一步提高问题匹配的准确度，进而提高自动问答的准确度，提升用户体验。

需要说明的是，前述对自动问答处理方法实施例的解释说明也适用于该实施例的自动问答处理装置，其实现原理类似，此处不再赘述。

本申请实施例的自动问答处理装置，通过获取用户输入的目标问题，利用预先训练的句子语义编码模型对目标问题进行语义向量化，获取目标问题的句子向量，计算句子向量与问答库中每个问题的语义索引向量之间的相似度，进而根据相似度从问答库中确定出与目标问题匹配的标准问题，并将标准问题对应的答案反馈给用户。由此，通过计算目标问题的句子向量与问答库中每个问题的语义索引向量之间的相似度，根据相似度确定出与目标问题匹配的标准问题，将标准问题对应的答案反馈给用户，能够快速、自动地理解用户所输入问题的语义，实现了基于问题的语义相关性进行问题匹配，提高了对目标问题语义理解的准确率，从而提高了自动问答系统的准确度，提升了用户体验。

为了实现上述实施例，本申请还提出一种计算机设备，包括：处理器和存储器。其中，处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现如前述实施例所述的自动问答处理方法。

图8为本申请实施例所提供的计算机设备的结构示意图，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90的框图。图8显示的计算机设备90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8所示，计算机设备90以通用计算机设备的形式表现。计算机设备90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906，系统存储器910，连接不同系统组件(包括系统存储器910和处理单元906)的总线908。

总线908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90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90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910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)911和/或高速缓存存储器912。计算机设备90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913可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8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908相连。系统存储器910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。

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。

具有一组(至少一个)程序模块9140的程序/实用工具914，可以存储在例如系统存储器910中，这样的程序模块9140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9140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90也可以与一个或多个外部设备10(例如键盘、指向设备、显示器100等)通信，还可与一个或者多个使得用户能与该终端设备90交互的设备通信，和/或与使得该计算机设备90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902进行。并且，计算机设备90还可以通过网络适配器900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8所示，网络适配器900通过总线908与计算机设备90的其它模块通信。应当明白，尽管图8中未示出，可以结合计算机设备90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906通过运行存储在系统存储器910中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的自动问答处理方法。

为了实现上述实施例，本申请还提出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，该程序被处理器执行时，实现如前述实施例所述的自动问答处理方法。

为了实现上述实施例，本申请还提出一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，实现如前述实施例所述的自动问答处理方法。

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(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。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(pga)，现场可编程门阵列(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。