基于人工智能的答案检索方法、装置、电子设备及介质与流程

1.本发明涉及人工智能领域，尤其涉及一种基于人工智能的答案检索方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.伴随着互联网的高速发展，出现了许多智能检索平台，用户通过在检索平台中输入问题，检索平台会返回该问题相应的答案。但在实际业务场景中，由于用户的表达形式不同，其输入问题的文本内容会出现偏差，例如存在问题一“银行卡办理渠道”和问题二“怎么申请借记卡”，虽然这两个问题在字面上完全不同，但是却有着相同的语义，这样容易出现具有相同语义没有相同文本内容的问题需要被重复解答的现象，因此，在用户检索问题答案的过程中，如何准确的识别检索问题的问题语义，使得具有相同语义的问题能够被快速识别出来，提高问题答案的检索效率是目前亟待解决的问题。


技术实现要素：

3.本发明提供一种基于人工智能的答案检索方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高问题语义的识别能力，实现问题答案的检索效率增强。
4.为实现上述目的，本发明提供的一种基于人工智能的答案检索方法，包括：
5.接收用户在搜索平台输入的问题语句，利用训练好的语义识别模型中的向量生成机制生成所述问题语句的相似语句向量，并利用所述训练好的语义识别模型中的语义识别机制从所述相似语句向量中提取所述问题语句的语义向量；
6.从预构建的向量数据库中匹配所述语义向量的问题向量；
7.从预构建的问答知识库中搜索所述问题向量的问题答案，并校验所述问题答案的时效性；
8.在所述时效性满足预设条件时，将所述问题答案返回至所述用户；
9.在所述时效性不满足所述预设条件时，更新所述问题向量的答案后返回至所述用户。
10.可选地，所述利用训练好的语义识别模型中的向量生成机制生成所述问题语句的相似语句向量之前，还包括：
11.获取训练语料，所述训练语料包括训练语句和其对应的真实相似语句；
12.将所述训练语料输入至预构建语义识别模型中的向量生成机制，以输出所述训练语料的预测相似语句向量，并利用所述向量生成机制中的损失函数计算所述预测相似语句向量和其对应的真实相似语句的第一相似损失；
13.利用所述预构建语义识别模型中的语义识别机制计算所述预测相似语句向量与其对应的训练语句的第二相似损失；
14.根据所述第一相似损失和所述第二相似损失，计算所述预构建语义识别模型的最终相似损失；
15.若所述最终相似损失大于预设相似损失，则重新调整所述预构建语义识别模型的参数，并返回执行所述将所述训练语料输入至预构建语义识别模型中的向量生成机制的步骤；
16.若所述最终相似损失不大于所述预设相似损失，则得到训练好的语义识别模型。
17.可选地，所述将所述训练语料输入至预构建语义识别模型中的向量生成机制，以输出所述训练语料的预测相似语句向量，包括：
18.利用所述向量生成机制中的编码器对所述训练语料进行位置向量编码，得到编码向量语料；
19.利用所述向量生成机制中的掩码层对所述编码向量语料进行掩码，得到掩码向量语料；
20.利用所述向量生成机制中的解码器对所述掩码向量语料进行序列解码，得到所述训练语料的预测相似语句向量。
21.可选地，所述利用所述预构建语义识别模型中的语义识别机制计算所述预测相似语句向量与其对应的训练语句的第二相似损失，包括：
22.构建所述预测相似语句向量的句向量矩阵，并对所述句向量矩阵进行归一化，得到归一化向量矩阵；
23.对所述归一化向量矩阵进行内积，得到相似度向量矩阵，并将所述相似度向量矩阵进行维度扩充，得到高维相似度向量矩阵；
24.利用所述语义识别机制中的损失函数计算所述高维相似度向量矩阵与其对应的训练语句的第二相似损失。
25.可选地，所述语义识别机制中的损失函数包括：
[0026][0027]
其中，loss2表示第二相似损失，b表示预测相似语句向量的样本数量，y(x
i
)表示训练语句的向量，表示高维相似度向量矩阵。
[0028]
可选地，所述从预构建的向量数据库中匹配所述语义向量的问题向量，包括：
[0029]
计算所述语义向量与所述预构建的向量数据库中向量的相似度，将所述相似度大于预设相似度的向量作为所述语义向量的问题向量。
[0030]
可选地，所述从预构建的问答知识库中搜索所述问题向量的问题答案，包括：
[0031]
根据所述问题向量的向量字段，向所述预构建的问答知识库中匹配问题字段，并将匹配成功的问题字段对应的答案作为所述问题向量的问题答案。
[0032]
为了解决上述问题，本发明还提供一种基于人工智能的答案检索装置，所述装置包括：
[0033]
语义向量识别模块，用于接收用户在搜索平台输入的问题语句，利用训练好的语义识别模型中的向量生成机制生成所述问题语句的相似语句向量，并利用所述训练好的语义识别模型中的语义识别机制从所述相似语句向量中提取所述问题语句的语义向量；
[0034]
问题向量匹配模块，用于从预构建的向量数据库中匹配所述语义向量的问题向量；
[0035]
问题答案搜索模块，用于从预构建的问答知识库中搜索所述问题向量的问题答案，并校验所述问题答案的时效性；
[0036]
问题答案返回模块，用于在所述时效性满足预设条件时，将所述问题答案返回至所述用户；
[0037]
所述问题答案返回模块，还用于在所述时效性不满足所述预设条件时，更新所述问题向量的答案后返回至所述用户。
[0038]
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
[0039]
至少一个处理器；以及，
[0040]
与所述至少一个处理器通信连接的存储器；其中，
[0041]
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以实现上述所述的基于人工智能的答案检索方法。
[0042]
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于人工智能的答案检索方法。
[0043]
可以看出，本发明实施例通过训练好的语义识别模型对用户输入的问题语句进行语义特征提取，可以使得所述问题语句具有向量语义表征形式，避免问题语句的字面语义表征，实现所述问题语句更深层的语义表征，进而可以将具有相同语义没有相同文本内容的问题进行快速识别和匹配，并从向量数据库中匹配所述语义向量的问题向量，以实现所述问题向量的问题答案在问答知识库中的搜索，可以避免问题语句被重复解答的现象，提高问题答案的检索效率，进一步，本发明实施例通过校验所述问题答案的时效性，可以确保返回至用户的问题答案准确性。因此本发明提出的一种基于人工智能的答案检索方法、装置、电子设备以及存储介质可以提高问题语义的识别能力，实现问题答案的检索效率增强。
附图说明
[0044]
图1为本发明一实施例提供的基于人工智能的答案检索方法的流程示意图；
[0045]
图2为本发明一实施例提供的基于人工智能的答案检索装置的模块示意图；
[0046]
图3为本发明一实施例提供的实现基于人工智能的答案检索方法的电子设备的内部结构示意图；
[0047]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0048]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0049]
本技术实施例提供一种基于人工智能的答案检索方法。所述基于人工智能的答案检索方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于人工智能的答案检索方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、
以及大数据和人工智能平台等基础云计算服务的云服务器。
[0050]
参照图1所示，为本发明一实施例提供的基于人工智能的答案检索方法的流程示意图。在本发明实施例中，所述基于人工智能的答案检索方法包括：
[0051]
s1、接收用户在搜索平台输入的问题语句，利用训练好的语义识别模型中的向量生成机制生成所述问题语句的相似语句向量，并利用所述训练好的语义识别模型中的语义识别机制从所述相似语句向量中提取所述问题语句的语义向量。
[0052]
本发明实施例中，所述搜索平台可以理解为向用户提供问题咨询的搜索引擎，如百度搜索平台，所述问题语句基于不同用户发出，如用户a的问题语句为“借记卡的办理流程”，用户b的问题语句为“借记卡的申请条件”等，所述语义识别模型通过预训练语言模型(unilm)进行构建，其用于识别所述问题语句的语义表征，即通过向量形式表征所述问题语句的语义，以更深层的识别出所述问题语句的问题语义。
[0053]
进一步地，本发明实施例中，所述语义识别模型包括向量生成机制和语义识别机制，所述向量生成机制用于标注所述问题语句的信息序列，以生成所述问题语句的相似语句向量，所述语义识别机制用于识别所述相似语句向量中可以表征所述问题语句的语句向量。
[0054]
进一步地，本发明实施例在所述利用训练好的语义识别模型中的向量生成机制生成所述问题语句的相似语句向量之前，还包括：获取训练语料，所述训练语料包括训练语句和其对应的真实相似语句，将所述训练语料输入至预构建语义识别模型中的向量生成机制，以输出所述训练语料的预测相似语句向量，并利用所述向量生成机制中的损失函数计算所述预测相似语句向量和其对应的真实相似语句的第一相似损失，利用所述预构建语义识别模型中的语义识别机制计算所述预测相似语句向量与其对应的训练语句的第二相似损失，根据所述第一相似损失和所述第二相似损失，计算所述预构建语义识别模型的最终相似损失，若所述最终相似损失大于预设相似损失，则重新调整所述预构建语义识别模型的参数，并返回执行所述将所述训练语料输入至预构建语义识别模型中的向量生成机制的步骤，若所述最终相似损失不大于所述预设相似损失，则得到训练好的语义识别模型。
[0055]
进一步地，本发明一可选实施例，所述将所述训练语料输入至预构建语义识别模型中的向量生成机制，以输出所述训练语料的预测相似语句向量，包括：利用所述向量生成机制中的编码器对所述训练语料进行位置向量编码，得到编码向量语料，利用所述向量生成机制中的掩码层对所述编码向量语料进行掩码，得到掩码向量语料，利用所述向量生成机制中的解码器对所述掩码向量语料进行序列解码，得到所述训练语料的预测相似语句向量。
[0056]
例如，存在训练语料为语句a和语句b，所述语句a为输入语句，所述语句b为所述语句a的相似语句，作为所述语句a的真实相似语句，在所述语句a中存在数据t1和t2，在所述语句b中存在数据t3、t4、t5，则通过所述编码器对所述训练语句进行位置向量编码可以得到：[cls]t1 t2[sep]t3 t4 t5[sep]的编码向量语料，并通过所述掩码层对该编码向量语料中t2和t4进行掩码可以得到掩码向量语料为[cls]t1 masked[sep]t3 masked t5[sep],该掩码向量语料可以理解为：t1 t2能够访问到“[cls]t1 t2[sep]”这四个掩码序列，t4可以访问到[cls]t1 t2[sep]t3 t4这六个掩码序列，进一步，利用所述解码器中的注意力机制对所述掩码向量语料中的掩码序列解码，以得到所述语句a的预测相似语句向量。
[0057]
进一步地，本发明一可选实施例中，所述向量生成机制中的损失函数包括：
[0058][0059][0060]
其中，loss1表示第一相似损失，k表示训练语料的数量，y
i
表示预测相似语句向量，y
i
′
表示真实相似语句的向量。
[0061]
进一步地，本发明一可选实施例，所述利用所述预构建语义识别模型中的语义识别机制计算所述预测相似语句向量与其对应的训练语句的第二相似损失，包括：构建所述预测相似语句向量的句向量矩阵，并对所述句向量矩阵进行归一化，得到归一化向量矩阵，对所述归一化向量矩阵进行内积，得到相似度向量矩阵，并将所述相似度向量矩阵进行维度扩充，得到高维相似度向量矩阵，利用所述语义识别机制中的损失函数计算所述高维相似度向量矩阵与其对应的训练语句的第二相似损失。
[0062]
其中，所述句向量矩阵的构建可以通过将所述预测相似语句向量的样本数量b和维度d作为矩阵的行列标签，所述归一化是将所述句向量矩阵进行降维，减少后续数据计算量，所述归一化向量矩阵的内积是将所述句向量矩阵两两做乘积，用于保障后续第二相似损失计算的准确性，所述维度扩充是用于方便后续第二相似损失计算的可视化，其可以设置为50，也可以根据实际业务场景设置。
[0063]
进一步地，本发明又一可选实施例，所述语义识别机制中的损失函数包括：
[0064][0065]
其中，loss2表示第二相似损失，b表示预测相似语句向量的样本数量，y(x
i
)表示训练语句的向量，表示高维相似度向量矩阵。
[0066]
进一步地，本发明一可选实施例中，利用下述公式计算所述预构建语义识别模型的最终相似损失：
[0067]
loss＝αloss1+βloss2
[0068]
其中，loss表示最终相似损失，loss1表示第一相似损失，loss2表示第二相似损失，α、β为可调节的超参数，取值范围在[0,1]。
[0069]
进一步地，本发明一可选实施例中，所述预设相似损失可以设置为0.1，也可以根据实际业务场景设置，所述预构建语义识别模型的参数可以通过优化器实现，如adamw优化器。
[0070]
进一步地，本发明实施例将所述问题语句输入至所述训练好的语义识别模型中，以输出所述问题语句的语义向量，其中，所述所述语义向量的生成原理可以参阅上述语义识别模型的训练过程，在此不做进一步地阐述。
[0071]
基于所述训练好的语义识别模型可以获取问题语句的向量语义表征形式，避免问题语句的字面语义表征，实现所述问题语句更深层的语义表征，进而可以将具有相同语义没有相同文本内容的问提进行快速识别和匹配。
[0072]
s2、从预构建的向量数据库中匹配所述语义向量的问题向量。
[0073]
本发明实施例中，所述向量数据库可以通过milvus数据库进行构建，需要说明的是，本发明实施例中，所述向量数据库中的问题向量可以通过上述训练好的语义识别模型对历史咨询的问题进行语义编码得到。
[0074]
作为本发明的一个实施例，所述从预构建的向量数据库中匹配所述语义向量的问题向量，包括：计算所述语义向量与所述预构建的向量数据库中向量的相似度，将所述相似度大于预设相似度的向量作为所述语义向量的问题向量。可选的，所述预设相似度可以设置为0.9，也可以根据实际业务场景设置。
[0075]
一个可选实施例中，利用下述公式计算所述语义向量与所述向量数据库中向量的相似度：
[0076][0077]
其中，cos(θ)表示相似度，a表示语义向量，b表示向量数据库中向量。
[0078]
s3、从预构建的问答知识库中搜索所述问题向量的问题答案，并校验所述问题答案的时效性。
[0079]
本发明实施例中，所述问答知识库可以通过历史问答库和知识库进行构建，所述历史问答库是指对历史咨询的问题进行答案回复的数据库，所述知识库是指包含问题和答案的业务数据库。
[0080]
作为本发明的一个实施例，所述从预构建的问答知识库中搜索所述问题向量的问题答案，包括：根据所述问题向量的向量字段，向所述预构建的问答知识库中匹配问题字段，并将匹配成功的问题字段对应的答案作为所述问题向量的问题答案。
[0081]
进一步地，应该了解，在实际业务场景中，由于许多问题的答案具有一定的时效性，比如购房lpr会随着时间变化而变化，因此，本发明实施例通过校验所述问题答案的时效性，以保障返回至用户的答案准确性。
[0082]
进一步地，为保障所述问题答案的安全性和隐私性，所述问题答案还可存储于一区块链节点中。
[0083]
s4、在所述时效性满足预设条件时，将所述问题答案返回至所述用户。
[0084]
本发明实施例中，在所述时效性满足预设条件时，则表示搜索的答案具有准确性，因此本发明实施例将所述问题答案直接返回至所述用户，以实现所述用户的问题答案检索，其中，所述预设条件可以设置为所述时效性是否处于最新状态，也可以根据实际业务场景设置。
[0085]
s5、在所述时效性不满足所述预设条件时，更新所述问题向量的答案后返回至所述用户。
[0086]
本发明实施例中，在所述时效性不满足预设条件时，则表示搜索的答案不具有准确性，因此本发明实施例通过更新所述问题向量的答案后返回至所述用户，即将所述问题向量对应的问题传输至专业人员进行回答后返回至所述用户，以确保所述问题向量的答案准确性。
[0087]
可以看出，本发明实施例通过训练好的语义识别模型对用户输入的问题语句进行语义特征提取，可以使得所述问题语句具有向量语义表征形式，避免问题语句的字面语义表征，实现所述问题语句更深层的语义表征，进而可以将具有相同语义没有相同文本内容
的问题进行快速识别和匹配，并从向量数据库中匹配所述语义向量的问题向量，以实现所述问题向量的问题答案在问答知识库中的搜索，可以避免问题语句被重复解答的现象，提高问题答案的检索效率，进一步，本发明实施例通过校验所述问题答案的时效性，可以确保返回至用户的问题答案准确性。因此本发明提出的一种基于人工智能的答案检索方法可以提高问题语义的识别能力，实现问题答案的检索效率增强。
[0088]
如图2所示，是本发明基于人工智能的答案检索装置的功能模块图。
[0089]
本发明所述基于人工智能的答案检索装置100可以安装于电子设备中。根据实现的功能，所述基于人工智能的答案检索装置可以包括语义向量识别模块101、问题向量匹配模块102、问题答案搜索模块103以及问题答案返回模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备的处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0090]
在本实施例中，关于各模块/单元的功能如下：
[0091]
所述语义向量识别模块101，用于接收用户在搜索平台输入的问题语句，利用训练好的语义识别模型中的向量生成机制生成所述问题语句的相似语句向量，并利用所述训练好的语义识别模型中的语义识别机制从所述相似语句向量中提取所述问题语句的语义向量；
[0092]
所述问题向量匹配模块102，用于从预构建的向量数据库中匹配所述语义向量的问题向量；
[0093]
所述问题答案搜索模块103，用于从预构建的问答知识库中搜索所述问题向量的问题答案，并校验所述问题答案的时效性；
[0094]
所述问题答案返回模块104，用于在所述时效性满足预设条件时，将所述问题答案返回至所述用户；
[0095]
所述问题答案返回模块105，还用于在所述时效性不满足所述预设条件时，更新所述问题向量的答案后返回至所述用户。
[0096]
详细地，本发明实施例中所述基于人工智能的答案检索装置100中的所述各模块在使用时采用与上述的图1中所述的基于人工智能的答案检索方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0097]
如图3所示，是本发明实现基于人工智能的答案检索方法的电子设备1的结构示意图。
[0098]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于人工智能的答案检索程序。
[0099]
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(control unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于人工智能的答案检索程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
[0100]
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的答案检索程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0101]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0102]
所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi
‑
fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备1之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
[0103]
图3仅示出了具有部件的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0104]
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi
‑
fi模块等，在此不再赘述。
[0105]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0106]
所述电子设备1中的所述存储器11存储的基于人工智能的答案检索程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
[0107]
接收用户在搜索平台输入的问题语句，利用训练好的语义识别模型中的向量生成机制生成所述问题语句的相似语句向量，并利用所述训练好的语义识别模型中的语义识别机制从所述相似语句向量中提取所述问题语句的语义向量；
[0108]
从预构建的向量数据库中匹配所述语义向量的问题向量；
[0109]
从预构建的问答知识库中搜索所述问题向量的问题答案，并校验所述问题答案的时效性；
[0110]
在所述时效性满足预设条件时，将所述问题答案返回至所述用户；
[0111]
在所述时效性不满足所述预设条件时，更新所述问题向量的答案后返回至所述用户。
[0112]
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0113]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)。
[0114]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备1的处理器所执行时，可以实现：
[0115]
接收用户在搜索平台输入的问题语句，利用训练好的语义识别模型中的向量生成机制生成所述问题语句的相似语句向量，并利用所述训练好的语义识别模型中的语义识别机制从所述相似语句向量中提取所述问题语句的语义向量；
[0116]
从预构建的向量数据库中匹配所述语义向量的问题向量；
[0117]
从预构建的问答知识库中搜索所述问题向量的问题答案，并校验所述问题答案的时效性；
[0118]
在所述时效性满足预设条件时，将所述问题答案返回至所述用户；
[0119]
在所述时效性不满足所述预设条件时，更新所述问题向量的答案后返回至所述用户。在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0120]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0121]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0122]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0123]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0124]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验
证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0125]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0126]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
[0127]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。