问题生成方法、装置、计算机设备和存储介质与流程

本技术涉及人工智能，特别是涉及一种问题生成方法、装置、计算机设备和存储介质。

背景技术：

1、随着人工智能技术的发展，基于问题生成技术，进行智能问答的产品逐渐普及。例如，该类产品可以基于用户输入的目标段落及问题，预测答案。

2、为了快速且精准的为用户提供信息问答服务，智能问答产品通常需要构建问题数据库，数据库中记录有文本段落、答案和预测用户问题等。

3、现有技术构建数据库时，虽然可通过神经网络模型基于文本段落和答案，预测用户问题，但由于神经网络模型的预测结果不稳定，仍需人工对预测的问题进行质检，导致数据库构建工作存在效率较低且成本高的问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高问题生成准确性的问题生成方法、装置、计算机设备和存储介质。

2、第一方面，本技术提供了一种问题生成方法。所述方法包括：

3、通过问题生成模型，对目标段落和目标段落对应的目标答案进行解析，得到目标预测问题；

4、通过阅读理解模型，对目标预测问题、目标段落，以及目标答案在目标段落中的位置进行解析，确定目标预测问题的质量标签；

5、为目标预测问题添加质量标签，并输出添加有质量标签的目标预测问题。

6、在其中一个实施例中，通过问题生成模型，对目标段落和目标段落对应的目标答案进行解析，得到目标预测问题，包括：

7、通过问题生成模型的编码网络，对目标段落和目标段落对应的目标答案进行编码，得到目标段落对应的段落语义编码结果和段落位置编码结果，以及目标答案对应的答案语义编码结果和答案位置编码结果；

8、通过问题生成模型的特征融合网络，对段落语义编码结果、段落位置编码结果、答案语义编码结果和答案位置编码结果进行特征融合，得到融合特征；

9、通过问题生成模型的解码网络，对融合特征进行解码，得到目标预测问题。

10、在其中一个实施例中，通过问题生成模型的特征融合网络，对段落语义编码结果、段落位置编码结果、答案语义编码结果和答案位置编码结果进行特征融合，得到融合特征，包括：

11、对段落语义编码结果、段落位置编码结果、答案语义编码结果和答案位置编码结果进行拼接，得到拼接编码结果；

12、通过问题生成模型的特征融合网络，对拼接编码结果进行特征融合，得到融合特征。

13、在其中一个实施例中，通过阅读理解模型，对目标预测问题、目标段落，以及目标答案在目标段落中的位置进行解析，确定目标预测问题的质量标签，包括：

14、通过阅读理解模型，对目标预测问题、目标段落，以及目标答案在目标段落中的位置进行解析，确定目标预测问题对应的答案与目标答案之间的目标位置重合度；

15、根据目标位置重合度，确定目标预测问题的质量标签。

16、在其中一个实施例中，问题生成模型通过如下方式训练得到：

17、将样本段落和样本段落对应的样本答案输入到问题生成模型中，得到样本预测问题；

18、根据样本预测问题、样本答案对应的样本标准问题，确定样本预测问题和样本标准问题之间的问题相似度；

19、根据样本预测问题、样本段落，以及样本答案在样本段落中的位置，确定样本预测问题对应的答案与样本答案之间的样本位置重合度；

20、根据问题相似度和样本位置重合度，确定目标损失值；

21、根据目标损失值，更新问题生成模型的模型参数。

22、在其中一个实施例中，根据样本预测问题、样本答案对应的样本标准问题，确定样本预测问题和样本标准问题之间的问题相似度，包括：

23、将样本预测问题、样本答案对应的样本标准问题输入复述识别模型，得到样本预测问题和样本标准问题之间的问题相似度。

24、在其中一个实施例中，根据样本预测问题、样本段落，以及样本答案在样本段落中的位置，确定样本预测问题对应的答案与样本答案之间的样本位置重合度，包括：

25、将样本预测问题、样本段落，以及样本答案在样本段落中的位置输入至阅读理解模型中，得到样本预测问题对应的答案与样本答案之间的样本位置重合度。

26、在其中一个实施例中，根据问题相似度和样本位置重合度，确定目标损失值，包括：

27、根据问题相似度和样本位置重合度，确定第一损失值；

28、根据第一损失值和复述识别模型的复述损失值和复述损失权重，确定第二损失值；

29、根据第一损失值和阅读理解模型的理解损失值和理解损失权重，确定第三损失值；

30、根据第二损失值和第三损失值，确定目标损失值。

31、第二方面，本技术还提供了一种问题生成装置。所述装置包括：

32、问题生成模块，用于通过问题生成模型，对目标段落和目标段落对应的目标答案进行解析，得到目标预测问题；

33、标签确定模块，用于通过阅读理解模型，对目标预测问题、目标段落，以及目标答案在目标段落中的位置进行解析，确定目标预测问题的质量标签；

34、问题输出模块，用于为目标预测问题添加质量标签，并输出添加有质量标签的目标预测问题。

35、第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

36、通过问题生成模型，对目标段落和目标段落对应的目标答案进行解析，得到目标预测问题；

37、通过阅读理解模型，对目标预测问题、目标段落，以及目标答案在目标段落中的位置进行解析，确定目标预测问题的质量标签；

38、为目标预测问题添加质量标签，并输出添加有质量标签的目标预测问题。

39、第四方面，本技术还提供了一种计算机可读存储介质。所述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以下步骤：

40、通过问题生成模型，对目标段落和目标段落对应的目标答案进行解析，得到目标预测问题；

41、通过阅读理解模型，对目标预测问题、目标段落，以及目标答案在目标段落中的位置进行解析，确定目标预测问题的质量标签；

42、为目标预测问题添加质量标签，并输出添加有质量标签的目标预测问题。

43、第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

44、通过问题生成模型，对目标段落和目标段落对应的目标答案进行解析，得到目标预测问题；

45、通过阅读理解模型，对目标预测问题、目标段落，以及目标答案在目标段落中的位置进行解析，确定目标预测问题的质量标签；

46、为目标预测问题添加质量标签，并输出添加有质量标签的目标预测问题。

47、上述问题生成方法、装置、计算机设备和存储介质，通过问题生成模型，对目标段落和目标段落对应的目标答案进行解析，得到目标预测问题，通过阅读理解模型，对目标预测问题、目标段落，以及目标答案在目标段落中的位置进行解析，确定目标预测问题的质量标签，为目标预测问题添加质量标签，并输出添加有质量标签的目标预测问题。本方案通过引入阅读理解模型，根据目标预测问题、目标段落，以及答案在目标段落中的位置，自动确定目标预测问题的质量标签，无需再利用人工对生成的目标预测问题进行质检，进一步提高了数据库构建工作的效率，且降低了数据库构建成本。