买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉合肥工业大学申请的专利一种考虑问答时空依赖关系的答案选择方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116226352B 。

龙图腾网通过国家知识产权局官网在2026-05-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310314415.5，技术领域涉及：G06F16/3329；该发明授权一种考虑问答时空依赖关系的答案选择方法是由姜元春;崔福来;宋丽荣;李亮;高静;聂中一;郑澍设计研发完成，并于2023-03-28向国家知识产权局提交的专利申请。

本一种考虑问答时空依赖关系的答案选择方法在说明书摘要公布了：本发明公开了一种考虑问答时空依赖关系的答案选择方法，其步骤包括：1.构建问答数据并进行数据预处理；2.使用BERT模型获取问答对的词级相似矩阵；3.拼接同一问题线程下多个答案的相似矩阵得到问答对时空张量；4.使用ConvLSTM模型进行问答匹配度预测。本发明使用BERT获取隐含语义相关性的问答对词级相似矩阵，基于词级相似矩阵构建问答对时空张量，并通过ConvLSTM模型学习问答数据中的时空依赖关系信息，最终实现对问题的回答选择，从而能准确地推荐出与问题匹配程度最高的最佳答案。

本发明授权一种考虑问答时空依赖关系的答案选择方法在权利要求书中公布了：1.一种考虑问答时空依赖关系的答案选择方法，其特征在于，是按如下步骤进行： 步骤1、构建问答数据并进行数据预处理； 收集社区论坛上的问答数据，包括：个问题以及所有问题下的个答案，同时记录每个问题发布和每条答案响应的时间戳；其中，表示第个问题，表示第个问题的个答案，且；表示第个问题的第t个答案；将问题及其答案组成第个问答对集合，表示第个问答对集合中的第t个问答对； 步骤2、使用BERT模型获取问答对的词级相似矩阵； 步骤2.1、获取第个问答对集合的问题分词以及每个答案分词； 利用BERT模型自带的标记化工具获取第t个问答对中第个问题的分词集以及第t个答案的分词集，其中，表示第个问题的第个分词，为第个问题的分词总数，表示第个问题的第个答案的第n个分词，为第个答案的分词总数； 对第个问题的个答案的分词集作并集运算，从而得到第个问题的个答案的分词集合；其中，表示第个问题答案的第个分词，表示答案集的分词总数； 步骤2.2、构建由12层自注意力层组成的BERT模型，且每层自注意力层中的头部个数为，并将第t个问答对输入所述BERT模型中进行处理，并由第11层自注意力层输出第个问题的第个答案的自注意力权重矩阵，将乘以一个权重矩阵后得到嵌入矩阵； 第12层自注意力层将嵌入矩阵分别乘以两个待训练的权重矩阵和后，产生初始查询嵌入矩阵和键嵌入矩阵； 第12层自注意力层将初始查询嵌入矩阵和键嵌入矩阵分别与个待训练的权重矩阵和作矩阵乘法，从而相应得到个头部的查询嵌入矩阵和键嵌入矩阵，其中，和分别表示第个头部的查询嵌入矩阵和键嵌入矩阵；表示第s个待训练的查询权重矩阵，表示第s个待训练的键嵌入权重矩阵； 第12层自注意力层利用式1得到第t个问答对的多头部词级相似矩阵： 1 式1中，softmax表示归一化指数函数，并对矩阵的每一列进行操作，表示多头部词级相似矩阵中第s个头部的词级相似矩阵，表示每个头部的权重矩阵的维度，且，表示嵌入矩阵中每个元素的维度； 从中取出第个问题的分词集作为列元素、第个答案的集分词作为行元素所对应的相似矩阵，得到第s个头部的局部相似矩阵； 步骤3、拼接同一问题下多个答案的相似矩阵，得到问答对时空张量； 步骤3.1、为每个问题的答案集合创建分词字典： 将个答案的分词集合中的每个分词作为字典的键key，每个分词对应的值value初始化为0，构建第个问题的答案集合的分词字典，其中，表示由第个问题答案的第个分词及其对应的初值构成的第个键值对； 步骤3.2、拓展相似矩阵： 根据分词字典，构造局部相似矩阵对应的初始相似矩阵字典={}，其中，表示第个问题与第个答案拓维后的局部相似矩阵索引号； 局部相似矩阵的列索引为第个问题的分词集，行索引为第t个答案的分词集，将中的每个分词分别与中每个元素的键名相比较，若与相同，则将在局部相似矩阵对应的列，作为相似矩阵字典中键对应的值，否则，填充长度为、元素值为0的列向量，若重复出现，则在局部相似矩阵对应的列进行累加最后取平均值；从而得到第t个问答对的个多注意力头部的相似矩阵字典集合；进而得到第个问答对集合的个相似矩阵字典集合； 步骤3.3、数据格式转换，得到问答对时空张量： 将相似矩阵字典转换为2维矩阵；再将第t个问答对的个多注意力头部的相似矩阵字典集合在个多注意力头部维度上进行堆叠，得到3维张量；然后第个将问答对集合的个相似矩阵字典集合在个相似矩阵字典维度上进行堆叠，得到4维张量，再进行padding处理，得到尺寸统一的4维张量，其中，表示第个问题与第个答案关于h个头部的时空张量； 步骤4、使用ConvLSTM模型进行问答匹配度预测，并进行答案选择； 步骤4.1、将时空张量输入ConvLSTM模型中进行预测，得到第个问题关于T个答案的预测得分集合，其中，表示第t个问答对是有效答案的预测得分； 步骤4.2、利用梯度下降法对ConvLSTM模型进行训练，并计算交叉熵损失函数以及反向传播算法进行参数更新，当交叉熵损失函收敛或训练次数达到预先确定的阈值时停止训练，从而得到最优答案选择模型，并用于在社区问答系统中输出每个问题的最佳答案。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。