CN111339275A - 答题信息的匹配方法、装置、服务器和存储介质 - Google Patents
答题信息的匹配方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN111339275A CN111339275A CN202010122936.7A CN202010122936A CN111339275A CN 111339275 A CN111339275 A CN 111339275A CN 202010122936 A CN202010122936 A CN 202010122936A CN 111339275 A CN111339275 A CN 111339275A
- Authority
- CN
- China
- Prior art keywords
- network model
- answer
- target
- selection network
- encryption
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种答题信息的匹配方法、装置、服务器和存储介质。该方法包括:获取用于训练答案选择网络模型的数据集,数据集来源于多个参与者;将答案选择网络模型的初始化参数进行加密,得到加密参数;将加密参数分发给多个参与者;接收每一个参与者反馈的初始加密梯度,得到多个初始加密梯度,其中,初始加密梯度通过参与者对加密参数进行解密,并计算答案选择网络模型在参与者对应的数据集上的梯度后进行加密得到;根据多个初始加密梯度计算目标加密梯度;根据目标加密梯度更新答案选择网络模型的参数,得到训练好的答案选择网络模型;基于训练好的答案选择网络模型对目标问题句子进行匹配。达到提高多个参与方的数据的安全性的效果。
Description
技术领域
本发明实施例涉及语言处理技术领域,尤其涉及一种答题信息的匹配方法、装置、服务器和存储介质。
背景技术
答题信息匹配,就是给出一个问题句子,问题句子包含至少一个问题,根据问题句子从答案集中选择与问题最相关的答案。随着机器学习的迅速发展,目前常用的方法是利用数据集进行训练得到网络模型,然后将问题句子输入至训练好的网络模型,从而对问题句子进行匹配。因此,要得到准确性高的网络模型,需要大量的数据构建得到数据集。
一般的,为了获得大量数据构建训练网络模型的数据集,需要利用多个参与方的数据进行训练。然而,通过多个参与方的数据训练答题信息匹配的网络模型,数据的隐私容易被泄露,数据的安全性不高。
发明内容
本发明实施例提供一种答题信息的匹配方法、装置、服务器和存储介质,以实现提高多个参与方的数据的安全性的效果。
第一方面,本发明实施例提供了一种答题信息的匹配方法,包括:
获取用于训练答案选择网络模型的数据集,所述数据集来源于多个参与者;
基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型;
基于所述训练好的答案选择网络模型对目标问题句子进行匹配;
所述基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型,包括:
将所述答案选择网络模型的初始化参数进行加密,得到加密参数;
将所述加密参数分发给所述多个参与者;
接收每一个参与者反馈的初始加密梯度,得到多个初始加密梯度,其中,所述初始加密梯度通过所述参与者对所述加密参数进行解密,并计算所述答案选择网络模型在所述参与者对应的数据集上的梯度后进行加密得到;
根据所述多个初始加密梯度计算目标加密梯度;
根据所述目标加密梯度更新所述答案选择网络模型的参数,得到训练好的答案选择网络模型。
可选的,所述基于所述训练好的答案选择网络模型对目标问题句子进行匹配,包括:
获取待比对的目标问题句子和待匹配的目标答案句子;
将所述目标问题句子和目标答案句子输入至训练好的答案选择网络模型;
接收所述训练好的答案选择网络模型输出的匹配度,所述匹配度通过所述训练好的答案选择网络模型根据所述目标问题句子和目标答案句子确定;
根据所述匹配度判断所述目标答案句子是否为所述目标问题句子对应的正确答案。
可选的,所述数据集包括问答数据集和知识库数据集,所述基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型,还包括:
基于所述问答数据集和知识库数据集对答案选择网络模型进行训练,得到所述训练好的答案选择网络模型。
可选的,所述问答数据集包括多个训练问题句子和训练答案句子的对应关系,所述知识库数据集包括实体对应的候选项,所述基于所述问答数据集和知识库数据集对答案选择网络模型进行训练,得到所述训练好的答案选择网络模型,包括:
根据所述知识库数据集匹配与所述对应关系中的目标实体对应的候选项,得到多个训练数据,所述训练数据包括对应关系和所述对应关系中的目标实体对应的候选项;
基于多个打标后的训练数据对答案选择网络模型进行训练,得到所述训练好的答案选择网络模型。
可选的,所述根据所述匹配度判断所述目标答案句子是否为所述目标问题句子对应的正确答案,包括:
判断所述匹配度是否大于预设匹配度;
当所述匹配度大于所述预设匹配度时,则所述目标答案句子为所述目标问题句子对应的正确答案。
可选的,根据所述目标加密梯度更新所述答案选择网络模型的参数,得到训练好的答案选择网络模型,包括:
根据所述目标加密梯度更新所述答案选择网络模型的参数,得到目标网络模型;
判断所述目标网络模型对应的损失函数是否收敛;
当所述损失函数收敛时,则将所述目标网络模型作为训练好的答案选择网络模型;
当所述损失函数未收敛时,则返回至将所述答案选择网络模型的初始化参数进行加密,得到加密参数的步骤,直至所述损失函数收敛,将所述损失函数收敛时对应的目标网络模型,作为训练好的答案选择网络模型。
可选的,所述方法还包括:
根据每一个参与者对应的数据集匹配预设权重;
相应的,所述根据所述多个初始加密梯度计算目标加密梯度包括:
根据每一个参与者对应的预设权重对所述多个初始加密梯度计算目标加密梯度。
第二方面,本发明实施例提供了一种答题信息的匹配装置,包括:
获取模块,用于获取用于训练答案选择网络模型的数据集,所述数据集来源于多个参与者;
训练模块,用于基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型;
匹配模块,用于基于所述训练好的答案选择网络模型对目标问题句子进行匹配;
其中,所述训练模块包括加密单元、分发单元、接收单元、计算单元和训练单元,
所述加密单元用于将所述答案选择网络模型的初始化参数进行加密,得到加密参数;
所述分发单元用于将所述加密参数分发给所述多个参与者;
所述接收单元用于接收每一个参与者反馈的初始加密梯度,得到多个初始加密梯度,其中,所述初始加密梯度通过所述参与者对所述加密参数进行解密,并计算所述答案选择网络模型在所述参与者对应的数据集上的梯度后进行加密得到;
所述计算单元用于根据所述多个初始加密梯度计算目标加密梯度;
所述训练单元用于根据所述目标加密梯度更新所述答案选择网络模型的参数,得到训练好的答案选择网络模型。
第三方面,本发明实施例提供了一种服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例所述的答题信息的匹配方法。
第四方面,本发明实施例提供了一种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本发明任意实施例所述的答题信息的匹配方法。
本发明实施例通过获取用于训练答案选择网络模型的数据集,所述数据集来源于多个参与者;基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型;基于所述训练好的答案选择网络模型对目标问题句子进行匹配;所述基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型,包括:将所述答案选择网络模型的初始化参数进行加密,得到加密参数;将所述加密参数分发给所述多个参与者;接收每一个参与者反馈的初始加密梯度,得到多个初始加密梯度,其中,所述初始加密梯度通过所述参与者对所述加密参数进行解密,并计算所述答案选择网络模型在所述参与者对应的数据集上的梯度后进行加密得到;根据所述多个初始加密梯度计算目标加密梯度;根据所述目标加密梯度更新所述答案选择网络模型的参数,得到训练好的答案选择网络模型,解决了通过多个参与方的数据训练答题信息匹配的网络模型,数据的隐私容易被泄露,数据的安全性不高的问题,实现了提高多个参与方的数据的安全性的效果。
附图说明
图1是本发明实施例一提供的一种答题信息的匹配方法的流程示意图;
图2是本发明实施例一提供的另一种答题信息的匹配方法的流程示意图;
图3是本发明实施例二提供的一种答题信息的匹配装置的结构示意图;
图4是本发明实施例三提供的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止,但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外,术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等,但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一信息为第二信息,且类似地,可将第二信息称为第一信息。第一信息和第二信息两者都是信息,但其不是同一信息。术语“第一”、“第二”等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一个或者更多个该特征。在本发明的描述中,“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。
实施例一
图1为本发明实施例一提供的一种答题信息的匹配方法的流程示意图,可适用于根据训练好的答案选择网络模型对目标问题句子进行匹配的场景,该方法可以由答题信息的匹配装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成在服务器上。
如图1所示,本发明实施例一提供的答题信息的匹配方法包括:
S110、获取用于训练答案选择网络模型的数据集,所述数据集来源于多个参与者;
其中,答案选择网络模型用来进行训练,得到训练好的答案选择网络模型,从而对目标问题句子进行匹配。数据集是指用于训练答案选择模型的多个数据的集合。在本实施例中,可选的,数据集可以包括问答数据集;还可以包括问答数据集和知识库数据集,此处不作限制。问答数据集是指包括多个训练问题句子和训练答案句子的对应关系的数据集合。知识库数据集是指包括实体对应的候选项。实体是指具有特定含义的词语。候选项是指实体对应的类别。例如“华盛顿”为实体,“华盛顿”对应的候选项可以是人名或城市名字。当训练问题句子为“华盛顿是谁”,则华盛顿为一个实体,华盛顿对应人名,则候选项为人名;又例如,训练问题句子为“华盛顿在哪”,则华盛顿为一个实体,华盛顿对应城市名字,则候选项为城市名字。
S120、基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型。
在本步骤具体的,使用数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型。具体的,本步骤的答案选择网络模型通过有监督训练得到。具体的,将训练问题句子与训练答案句子对应的标签为1,训练问题句子与训练答案句子不对应的标签为0。
S130、基于所述训练好的答案选择网络模型对目标问题句子进行匹配。
其中,目标问题句子是指需要进行比对的问题句子。例如,目标问题句子为“华盛顿是谁”、“华盛顿在哪”等、此处不作限制。
在一个实施例中,基于所述训练好的答案选择网络模型对目标问题句子进行匹配,包括:
获取待比对的目标问题句子和待匹配的目标答案句子;将所述目标问题句子和目标答案句子输入至训练好的答案选择网络模型;接收所述训练好的答案选择网络模型输出的匹配度,所述匹配度通过所述训练好的答案选择网络模型根据所述目标问题句子和目标答案句子确定;根据所述匹配度判断所述目标答案句子是否为所述目标问题句子对应的正确答案。
其中,目标问题句子是指需要进行比对的问题句子。例如,目标问题句子为“华盛顿是谁”、“华盛顿在哪”等、此处不作限制。目标答案句子是指待匹配的答案句子,判断该目标答案句子是否与目标问题句子是否对应。目标答案句子和目标问题句子对应是指目标答案句子是目标问题句子的答案。答案选择网络模型是指判断目标问题句子和目标答案句子是否对应的模型。具体的,答案选择网络模型是提前训练好的,使用的答案选择网络模型也是训练好的答案选择网络模型。匹配度是指目标问题句子和目标答案句子的匹配程度。具体的,匹配度越高,则说明目标答案句子为目标问题句子对应的答案的可能性越高。具体的,匹配度为训练好的答案选择网络模型根据输入目标问题句子和目标答案句子计算得到。具体的,匹配度为0-1之间的数值。
可选的,根据所述匹配度判断所述目标答案句子是否为所述目标问题句子对应的正确答案可以包括:
判断所述匹配度是否大于预设匹配度;当所述匹配度大于所述预设匹配度时,则所述目标答案句子为所述目标问题句子对应的正确答案。
具体的,当匹配度大于预设匹配度时,则说明目标答案句子为目标问题句子对应的正确答案。可选的,预设匹配度可以是0.5-1的任一数值,此处不作限制。以预设匹配度为0.5为例,当匹配度大于0.5时,则说明目标答案句子为目标问题句子对应的正确答案;当匹配度小于或等于0.5时,则说明目标答案句子不是目标问题句子对应的正确答案。替代实施例中,预设匹配度也可以是0.6-0.9之间的任一数值。
在另一个实施例中,可选的,根据所述匹配度判断所述目标答案句子是否为所述目标问题句子对应的正确答案可以包括:
对多个目标答案句子及其对应的匹配度从高到低进行排序;
将排序靠前的匹配度对应的至少一个目标答案句子作为所述目标问题句子对应的正确答案。
在本实施例中,对同一个问题句子对应的多个目标答案句子的匹配度进行排序,选择top-k(例如top2)的目标答案句子作为所述问题句子的正确答案。
参考图2,在本实施例中,步骤S120包括:
S121、将所述答案选择网络模型的初始化参数进行加密,得到加密参数。
其中,初始化参数是指答案选择网络模型的未训练的初始参数。加密参数是指对初始化参数进行加密后得到的。具体的,可以通过公钥和私钥的方式得到加密参数。可选的,通过公钥和私钥的方式得到加密参数可以是:任选一个参与者,生成密钥,KeyGen→(pk,sk)其中,pk是公钥,sk是私钥。密钥具体生成过程可以是:
随机选择两个大的素数p和q,并且彼此独立,使gcd(pq,(p-1)(q-1))=1。计算n=pq和λ=lcm(p-1,q-1)。从中随机选择一个整数g。通过检查下列模乘逆的存在性,确保n除以g的阶数:
μ=(L(gλmod n2))-1mod n,
其中,公钥为(n,g),私钥为(λ,μ)。
S122、将所述加密参数分发给所述多个参与者。
在本步骤中,具体的,将加密参数分发给多个参与者,将公钥发送给所有的参与者,私钥发送给加密的参与者以外的其他对应的参与者。具体的,生成密钥的参与者将公钥发给协助者以及将公钥和私钥发给除生成密钥的参与者以外的其它参与者。然后协助者将加密参数发送给所有参与者。其中,公钥用来加密参数,私钥用来解密参数。
S123、接收每一个参与者反馈的初始加密梯度,得到多个初始加密梯度,其中,所述初始加密梯度通过所述参与者对所述加密参数进行解密,并计算所述答案选择网络模型在所述参与者对应的数据集上的梯度后进行加密得到。
在本步骤中,具体的,初始加密梯度为每一个参与者根据自己对应的数据集计算得到的梯度后,进行加密得到。具体的,一个参与者对应一个初始加密梯度。可选的,参与者对加密参数进行解密,并计算梯度的方式可以是:
解密参数Dec(Cθ,sk)→θ:
θ=L(cλmod n2)μmod n
预测问答数据集样本标签:pi=model(datai),其中pi为样本i的预测标签,model为问答模型网络框架,datai为样本i的问题句子和答案句子。
计算样本损失:
参与者根据对应的数据集计算问答网络模型的梯度gu。
对梯度进行加密得到初始加密梯度的方式可以是:
S124、根据所述多个初始加密梯度计算目标加密梯度。
其中,目标加密参数是指根据每一个参与者反馈的初始加密梯度计算得到的梯度。可选的,目标加密梯度的计算可以是多个初始加密梯度取平均值。示例性的,目标加密梯度为:
其中,利用了同态加密在密文上的加法操作性质:
即:
D(E(g1,r1)E(g2,r2),…,(gu,r2)n2)=(g1+g2+,···,+gu)mod n
更新模型加密的参数:Cθ=Cθ-CG。
在一个可选的实施方式中,该方法还包括:
根据每一个参与者对应的数据集匹配预设权重;相应的,所述根据所述多个初始加密梯度计算目标加密梯度包括:
根据每一个参与者对应的预设权重对所述多个初始加密梯度计算目标加密梯度。
在本实施方式中,根据参与者对应的数据集的数据量匹配预设权重,在计算目标加密梯度时根据预设权重进行计算。例如,有A、B两个参与者,其中A参与者的数据集的数据量大于A参与者的数据集的数据量,且A参与者的初始加密梯度为X,B参与者的初始加密梯度为Y,则A参与者的预设权重为0.6,B参与者的预设权重为0.4,目标加密梯度为X*0.6+Y*0.4。
S125、根据所述目标加密梯度更新所述答案选择网络模型的参数,得到训练好的答案选择网络模型。
在本步骤中,具体的,更新答案选择网络模型的参数:Cθ=Cθ-CG,将更新后的参数作为答案选择网络模型的参数。本实施例的数据集对应多个参与者,每一个参与者有一部分数据集,通过本实施例的方案,即解决了采用小数据集对网络模型进行训练,保证了网络模型的效果,又保证了多个参与者之间的数据集的安全性。
在一个可选的实施方式中,根据所述目标加密梯度更新所述答案选择网络模型的参数,得到训练好的答案选择网络模型,包括:
根据所述目标加密梯度更新所述答案选择网络模型的参数,得到目标网络模型;判断所述目标网络模型对应的损失函数是否收敛;当所述损失函数收敛时,则将所述目标网络模型作为训练好的答案选择网络模型;当所述损失函数未收敛时,则返回至将所述答案选择网络模型的初始化参数进行加密,得到加密参数的步骤,直至所述损失函数收敛,将所述损失函数收敛时对应的目标网络模型,作为训练好的答案选择网络模型。
其中,目标网络模型是指根据目标加密梯度更新答案选择网络模型的参数得到的网络模型。具体的,损失函数为:
当损失函数收敛时,则将损失函数收敛时对应的目标网络模型,作为训练好的答案选择网络模型。
在一个可选的实施方式中,所述数据集包括问答数据集和知识库数据集,所述基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型,还包括:
基于所述问答数据集和知识库数据集对答案选择网络模型进行训练,得到所述训练好的答案选择网络模型。
其中,问答数据集是指包括多个训练问题句子和训练答案句子的对应关系的数据集合。知识库数据集是指包括实体对应的候选项。实体是指具有特定含义的词语。候选项是指实体对应的类别。例如“华盛顿”为实体,“华盛顿”对应的候选项可以是人名或城市名字。当训练问题句子为“华盛顿是谁”,则华盛顿为一个实体,华盛顿对应人名,则候选项为人名;又例如,训练问题句子为“华盛顿在哪”,则华盛顿为一个实体,华盛顿对应城市名字,则候选项为城市名字。
在一个可选的实施方式中,所述问答数据集包括多个训练问题句子和训练答案句子的对应关系,所述知识库数据集包括实体对应的候选项,基于所述问答数据集和知识库数据集对答案选择网络模型进行训练,得到所述训练好的答案选择网络模型,包括:
根据所述知识库数据集匹配与所述对应关系中的目标实体对应的候选项,得到多个训练数据,所述训练数据包括对应关系和所述对应关系中的目标实体对应的候选项;基于多个打标后的训练数据对答案选择网络模型进行训练,得到所述训练好的答案选择网络模型。
其中,对应关系是指训练问题句子和训练答案句子的关系。目标实体是指对应关系中,训练问题句子和训练答案句子中的实体。训练数据是指用于训练答案选择网络模型的数据。具体的,训练数据包括对应关系和对应关系中的目标实体对应的候选项。对训练数据打标,是指对训练数据打上标签。具体的,训练数据中的训练答案句子为训练问题句子对应的答案时,则标签为1,训练数据中的训练答案句子非训练问题句子对应的答案时,则标签为0。知识库数据集可以通过nlp((Natural Language Processing),神经语言程序学)提取。具体的,知识库数据集是由TransE预训练得到的问答句子的实体嵌入。
可选的,本实施例的答案选择网络模型包括Embedding层、编码层、双向LSTM层、隐藏层和Softmax层。
具体的,先将训练问题句子和训练答案句子进行预处理,得到预处理后的训练问题句子和预处理后的训练答案句子。
在Embedding层中,将预处理后的训练问题句子和预处理后的训练答案句子采用训练好的bert语言模型,得到基于词语的第一分布式表示向量和第二分布式表示向量其中第一分布式表示向量对应训练问题句子,第二分布式表示向量对应训练答案句子。训练问题句子和训练答案句子的目标实体,采用TransE得到基于实体的第一句子表征向量和第二句子表征向量,其中,第一句子表征向量与训练问题句子对应,第二句子表征向量与训练答案句子对应。具体的,通过n-gram匹配对训练问题句子和训练答案句子进行目标实体的提及检测,并为句子中提到的每个目标实体提供一组来自知识库数据集的top-K实体候选项,例如“华盛顿”既可以是人名也可以是城市名字。参与者的知识库数据集由TransE预训练得到实体嵌入。用表示一个句子的基于实体的表征向量表示,其中,de是知识库中实体嵌入的维度,K是知识库中top-K实体候选中的k。
在编码层中,将第一句子表征向量和第二句子表征向量通过编码层中的一个CNN神经网络,获得更高层的知识表示层,得到对应第一句子表征向量的第一知识向量和对应第二句子表征向量的第二知识向量其中,L是句子长度,df是CNN总的卷积核的大小。将第一分布式表示向量和第一知识向量连接得到第一连接向量,以及第二分布式表示向量和第二知识向量连接得到第二连接向量。具体的,由于知识序列是由一系列符号化的实体或实体关系构成的,学习过程需要高层次的知识表示。因此,分别将第一句子表征向量和第二句子表征向量输入到CNN神经网络。CNN神经网络的网络模型中,用大小为n的过滤器在知识嵌入矩阵上滑动以捕获局部n元特征。每个移动计算一个隐藏层向量为:
hl=tanh(Wcxl+bc),
其中,Wc是卷积核,bc偏差向量。
在获取基于词语的第一分布式表示向量、第二分布式表示向量、第一知识向量和第二知识向量表示后,和仍然是句子中单词的顺序向量,因为编码层将特征维度中所有过滤器的输出连接起来,而不是顺序,因此和的句子的内部顺序与和保持一致。分别将第一分布式表示向量和第一知识向量连接得到第一连接向量以及第二分布式表示向量和第二知识向量连接得到第二连接向量
在双向LSTM层中,将第一连接向量和第二连接向量通过双向LSTM神经网络层,获得更高层的信息表示,得到问题句子向量和答案句子向量。连接双向LSTM层输出的问题句子向量和答案句子向量。具体的,将第一连接向量和第二连接向量通过一个高级共享的Siamese Bi-LSTM来生成最终的QA表示:
Sq=Bi-LSTM(Hq),
Sa=Bi-LSTM(Ha),
其中,Sq为问题句子向量,Sa为答案句子向量。
将连接的问题句子向量和答案句子向量通过隐藏层进行计算得到输出向量。具体的,将连接的问题句子向量和答案句子向量输入到一层隐藏层:
x=WcS+bc
其中Wc和bc是隐藏层的权重矩阵和偏差向量。
在Softmax层中,将隐藏层的输出向量通过Softmax层,获得训练问题句子和训练答案句子的二分类结果,即训练问题句子和训练答案句子为1还是0。具体的,将隐藏层的输出向量输入到softmax层,得到一个二分类结果:
具体的,整个答案选择网络模型的目标函数为:
本实施例的答案选择网络模型,只有Embedding层、编码层、双向LSTM层、隐藏层和Softmax层,网络模型简单,训练的效率更高。
本发明实施例的技术方案,通过获取用于训练答案选择网络模型的数据集,所述数据集来源于多个参与者;基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型;基于所述训练好的答案选择网络模型对目标问题句子进行匹配;所述基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型,包括:将所述答案选择网络模型的初始化参数进行加密,得到加密参数;将所述加密参数分发给所述多个参与者;接收每一个参与者反馈的初始加密梯度,得到多个初始加密梯度,其中,所述初始加密梯度通过所述参与者对所述加密参数进行解密,并计算所述答案选择网络模型在所述参与者对应的数据集上的梯度后进行加密得到;根据所述多个初始加密梯度计算目标加密梯度;根据所述目标加密梯度更新所述答案选择网络模型的参数,得到训练好的答案选择网络模型,由于多个参与者都是单独计算初始加密梯度后再统一计算目标加密梯度,每个参与方的数据集都不会泄露,达到提高多个参与方的数据的安全性的技术效果。
实施例二
图3是本发明实施例二提供的一种答题信息的匹配装置的结构示意图,本实施例可适用于根据训练好的答案选择网络模型对目标问题句子进行匹配的场景,该装置可以采用软件和/或硬件的方式实现,并可集成在服务器上。
如图3所示,本实施例提供的答题信息的匹配装置可以包括获取模块310、训练模块320和匹配模块330,其中:
获取模块310,用于获取用于训练答案选择网络模型的数据集,所述数据集来源于多个参与者;训练模块320,用于基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型;匹配模块330,用于基于所述训练好的答案选择网络模型对目标问题句子进行匹配;其中,所述训练模块320包括加密单元321、分发单元322、接收单元323、计算单元324和训练单元325,所述加密单元321用于将所述答案选择网络模型的初始化参数进行加密,得到加密参数;所述分发单元322用于将所述加密参数分发给所述多个参与者;所述接收单元323用于接收每一个参与者反馈的初始加密梯度,得到多个初始加密梯度,其中,所述初始加密梯度通过所述参与者对所述加密参数进行解密,并计算所述答案选择网络模型在所述参与者对应的数据集上的梯度后进行加密得到;所述计算单元324用于根据所述多个初始加密梯度计算目标加密梯度;所述训练单元325用于根据所述目标加密梯度更新所述答案选择网络模型的参数,得到训练好的答案选择网络模型。
可选的,该匹配模块330具体用于获取待比对的目标问题句子和待匹配的目标答案句子;将所述目标问题句子和目标答案句子输入至训练好的答案选择网络模型;接收所述训练好的答案选择网络模型输出的匹配度,所述匹配度通过所述训练好的答案选择网络模型根据所述目标问题句子和目标答案句子确定;根据所述匹配度判断所述目标答案句子是否为所述目标问题句子对应的正确答案。
可选的,该匹配模块330包括:判断单元,用于判断所述匹配度是否大于预设匹配度;当所述匹配度大于所述预设匹配度时,则所述目标答案句子为所述目标问题句子对应的正确答案。
可选的,所述数据集包括问答数据集和知识库数据集,该训练模块320具体用于基于所述问答数据集和知识库数据集对答案选择网络模型进行训练,得到所述训练好的答案选择网络模型。
可选的,所述问答数据集包括多个训练问题句子和训练答案句子的对应关系,所述知识库数据集包括实体对应的候选项,该训练模块320还包括:匹配单元,用于根据所述知识库数据集匹配与所述对应关系中的目标实体对应的候选项,得到多个训练数据,所述训练数据包括对应关系和所述对应关系中的目标实体对应的候选项。该训练单元325还用于基于多个打标后的训练数据对答案选择网络模型进行训练,得到所述训练好的答案选择网络模型。
可选的,该训练单元325具体用于根据所述目标加密梯度更新所述答案选择网络模型的参数,得到目标网络模型;判断所述目标网络模型对应的损失函数是否收敛;当所述损失函数收敛时,则将所述目标网络模型作为训练好的答案选择网络模型;当所述损失函数未收敛时,则返回至将所述答案选择网络模型的初始化参数进行加密,得到加密参数的步骤,直至所述损失函数收敛,将所述损失函数收敛时对应的目标网络模型,作为训练好的答案选择网络模型。
可选的,该装置还包括:权限模块,用于根据每一个参与者对应的数据集的数据量,匹配每一个参与者使用训练好的答案选择网络模型的使用权限;该权限模块具体用于获取目标参与者的目标使用权限;基于所述目标使用权限接收所述训练好的答案选择网络模型输出的匹配度。
可选的,该装置还包括匹配模块,用于根据每一个参与者对应的数据集匹配预设权重;相应的,计算单元324具体用于根据每一个参与者对应的预设权重对所述多个初始加密梯度计算目标加密梯度。
本发明实施例所提供的答题信息的匹配装置可执行本发明任意实施例所提供的答题信息的匹配方法,具备执行方法相应的功能模块和有益效果。本发明实施例中未详尽描述的内容可以参考本发明任意方法实施例中的描述。
实施例三
图4是本发明实施例三提供的一种服务器的结构示意图。图4示出了适于用来实现本发明实施方式的示例***器612的框图。图4显示的服务器612仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,服务器612以通用服务器的形式表现。服务器612的组件可以包括但不限于:一个或者多个处理器616,存储装置628,连接不同***组件(包括存储装置628和处理器616)的总线618。
总线618表示几类总线结构中的一种或多种,包括存储装置总线或者存储装置控制器,***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(Industry SubversiveAlliance,ISA)总线,微通道体系结构(Micro Channel Architecture,MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及***组件互连(Peripheral Component Interconnect,PCI)总线。
服务器612典型地包括多种计算机***可读介质。这些介质可以是任何能够被服务器612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。
存储装置628可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(Random Access Memory,RAM)630和/或高速缓存存储器632。终端612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***存储介质。仅作为举例,存储***634可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4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,例如只读光盘(Compact Disc Read-Only Memory,CD-ROM),数字视盘(Digital Video Disc-Read Only Memory,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618相连。存储装置628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发明各实施例的功能。
具有一组(至少一个)程序模块642的程序/实用工具640,可以存储在例如存储装置628中,这样的程序模块642包括但不限于操作***、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642通常执行本发明所描述的实施例中的功能和/或方法。
服务器612也可以与一个或多个外部设备614(例如键盘、指向终端、显示器624等)通信,还可与一个或者多个使得用户能与该服务器612交互的终端通信,和/或与使得该服务器612能与一个或多个其它计算终端进行通信的任何终端(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622进行。并且,服务器612还可以通过网络适配器620与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网(Wide AreaNetwork,WAN)和/或公共网络,例如因特网)通信。如图4所示,网络适配器620通过总线618与服务器612的其它模块通信。应当明白,尽管图中未示出,可以结合服务器612使用其它硬件和/或软件模块,包括但不限于:微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks,RAID)***、磁带驱动器以及数据备份存储***等。
处理器616通过运行存储在存储装置628中的程序,从而执行各种功能应用以及数据处理,例如实现本发明任意实施例所提供的一种答题信息的匹配方法,该方法可以包括:
获取用于训练答案选择网络模型的数据集,所述数据集来源于多个参与者;基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型;基于所述训练好的答案选择网络模型对目标问题句子进行匹配;所述基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型,包括:将所述答案选择网络模型的初始化参数进行加密,得到加密参数;将所述加密参数分发给所述多个参与者;接收每一个参与者反馈的初始加密梯度,得到多个初始加密梯度,其中,所述初始加密梯度通过所述参与者对所述加密参数进行解密,并计算所述答案选择网络模型在所述参与者对应的数据集上的梯度后进行加密得到;根据所述多个初始加密梯度计算目标加密梯度;根据所述目标加密梯度更新所述答案选择网络模型的参数,得到训练好的答案选择网络模型。
本发明实施例的技术方案,通过获取用于训练答案选择网络模型的数据集,所述数据集来源于多个参与者;基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型;基于所述训练好的答案选择网络模型对目标问题句子进行匹配;所述基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型,包括:将所述答案选择网络模型的初始化参数进行加密,得到加密参数;将所述加密参数分发给所述多个参与者;接收每一个参与者反馈的初始加密梯度,得到多个初始加密梯度,其中,所述初始加密梯度通过所述参与者对所述加密参数进行解密,并计算所述答案选择网络模型在所述参与者对应的数据集上的梯度后进行加密得到;根据所述多个初始加密梯度计算目标加密梯度;根据所述目标加密梯度更新所述答案选择网络模型的参数,得到训练好的答案选择网络模型,由于多个参与者都是单独计算初始加密梯度后再统一计算目标加密梯度,每个参与方的数据集都不会泄露,达到提高多个参与方的数据的安全性的技术效果。
实施例四
本发明实施例四还提供了一种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本发明任意实施例所提供的一种答题信息的匹配方法,该方法可以包括:
获取用于训练答案选择网络模型的数据集,所述数据集来源于多个参与者;基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型;基于所述训练好的答案选择网络模型对目标问题句子进行匹配;所述基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型,包括:将所述答案选择网络模型的初始化参数进行加密,得到加密参数;将所述加密参数分发给所述多个参与者;接收每一个参与者反馈的初始加密梯度,得到多个初始加密梯度,其中,所述初始加密梯度通过所述参与者对所述加密参数进行解密,并计算所述答案选择网络模型在所述参与者对应的数据集上的梯度后进行加密得到;根据所述多个初始加密梯度计算目标加密梯度;根据所述目标加密梯度更新所述答案选择网络模型的参数,得到训练好的答案选择网络模型。
本发明实施例的计算机可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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***、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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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***、装置或者器件使用或者与其结合使用。
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***、装置或者器件使用或者与其结合使用的程序。
存储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发明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终端上执行。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)。
本发明实施例的技术方案,通过获取用于训练答案选择网络模型的数据集,所述数据集来源于多个参与者;基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型;基于所述训练好的答案选择网络模型对目标问题句子进行匹配;所述基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型,包括:将所述答案选择网络模型的初始化参数进行加密,得到加密参数;将所述加密参数分发给所述多个参与者;接收每一个参与者反馈的初始加密梯度,得到多个初始加密梯度,其中,所述初始加密梯度通过所述参与者对所述加密参数进行解密,并计算所述答案选择网络模型在所述参与者对应的数据集上的梯度后进行加密得到;根据所述多个初始加密梯度计算目标加密梯度;根据所述目标加密梯度更新所述答案选择网络模型的参数,得到训练好的答案选择网络模型,由于多个参与者都是单独计算初始加密梯度后再统一计算目标加密梯度,每个参与方的数据集都不会泄露,达到提高多个参与方的数据的安全性的技术效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种答题信息的匹配方法,其特征在于,包括:
获取用于训练答案选择网络模型的数据集,所述数据集来源于多个参与者;
基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型;
基于所述训练好的答案选择网络模型对目标问题句子进行匹配;
所述基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型,包括:
将所述答案选择网络模型的初始化参数进行加密,得到加密参数;
将所述加密参数分发给所述多个参与者;
接收每一个参与者反馈的初始加密梯度,得到多个初始加密梯度,其中,所述初始加密梯度通过所述参与者对所述加密参数进行解密,并计算所述答案选择网络模型在所述参与者对应的数据集上的梯度后进行加密得到;
根据所述多个初始加密梯度计算目标加密梯度;
根据所述目标加密梯度更新所述答案选择网络模型的参数,得到训练好的答案选择网络模型。
2.如权利要求1答题信息的匹配方法,其特征在于,所述基于所述训练好的答案选择网络模型对目标问题句子进行匹配,包括:
获取待比对的目标问题句子和待匹配的目标答案句子;
将所述目标问题句子和目标答案句子输入至训练好的答案选择网络模型;
接收所述训练好的答案选择网络模型输出的匹配度,所述匹配度通过所述训练好的答案选择网络模型根据所述目标问题句子和目标答案句子确定;
根据所述匹配度判断所述目标答案句子是否为所述目标问题句子对应的正确答案。
3.如权利要求1所述的答题信息的匹配方法,其特征在于,所述数据集包括问答数据集和知识库数据集,所述基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型,还包括:
基于所述问答数据集和知识库数据集对答案选择网络模型进行训练,得到所述训练好的答案选择网络模型。
4.如权利要求3所述的答题信息的匹配方法,其特征在于,所述问答数据集包括多个训练问题句子和训练答案句子的对应关系,所述知识库数据集包括实体对应的候选项,所述基于所述问答数据集和知识库数据集对答案选择网络模型进行训练,得到所述训练好的答案选择网络模型,包括:
根据所述知识库数据集匹配与所述对应关系中的目标实体对应的候选项,得到多个训练数据,所述训练数据包括对应关系和所述对应关系中的目标实体对应的候选项;
基于多个打标后的训练数据对答案选择网络模型进行训练,得到所述训练好的答案选择网络模型。
5.如权利要求2所述的答题信息的匹配方法,其特征在于,所述根据所述匹配度判断所述目标答案句子是否为所述目标问题句子对应的正确答案,包括:
判断所述匹配度是否大于预设匹配度;
当所述匹配度大于所述预设匹配度时,则所述目标答案句子为所述目标问题句子对应的正确答案。
6.如权利要求1所述的答题信息的匹配方法,其特征在于,根据所述目标加密梯度更新所述答案选择网络模型的参数,得到训练好的答案选择网络模型,包括:
根据所述目标加密梯度更新所述答案选择网络模型的参数,得到目标网络模型;
判断所述目标网络模型对应的损失函数是否收敛;
当所述损失函数收敛时,则将所述目标网络模型作为训练好的答案选择网络模型;
当所述损失函数未收敛时,则返回至将所述答案选择网络模型的初始化参数进行加密,得到加密参数的步骤,直至所述损失函数收敛,将所述损失函数收敛时对应的目标网络模型,作为训练好的答案选择网络模型。
7.如权利要求1所述的答题信息的匹配方法,其特征在于,所述方法还包括:
根据每一个参与者对应的数据集匹配预设权重;
相应的,所述根据所述多个初始加密梯度计算目标加密梯度包括:
根据每一个参与者对应的预设权重对所述多个初始加密梯度计算目标加密梯度。
8.一种答题信息的匹配装置,其特征在于,包括:
获取模块,用于获取用于训练答案选择网络模型的数据集,所述数据集来源于多个参与者;
训练模块,用于基于所述数据集对答案选择网络模型进行训练,得到训练好的答案选择网络模型;
匹配模块,用于基于所述训练好的答案选择网络模型对目标问题句子进行匹配;
其中,所述训练模块包括加密单元、分发单元、接收单元、计算单元和训练单元,
所述加密单元用于将所述答案选择网络模型的初始化参数进行加密,得到加密参数;
所述分发单元用于将所述加密参数分发给所述多个参与者;
所述接收单元用于接收每一个参与者反馈的初始加密梯度,得到多个初始加密梯度,其中,所述初始加密梯度通过所述参与者对所述加密参数进行解密,并计算所述答案选择网络模型在所述参与者对应的数据集上的梯度后进行加密得到;
所述计算单元用于根据所述多个初始加密梯度计算目标加密梯度;
所述训练单元用于根据所述目标加密梯度更新所述答案选择网络模型的参数,得到训练好的答案选择网络模型。
9.一种服务器,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一项所述的答题信息的匹配方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的答题信息的匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010122936.7A CN111339275B (zh) | 2020-02-27 | 2020-02-27 | 答题信息的匹配方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010122936.7A CN111339275B (zh) | 2020-02-27 | 2020-02-27 | 答题信息的匹配方法、装置、服务器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111339275A true CN111339275A (zh) | 2020-06-26 |
CN111339275B CN111339275B (zh) | 2023-05-12 |
Family
ID=71185577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010122936.7A Active CN111339275B (zh) | 2020-02-27 | 2020-02-27 | 答题信息的匹配方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339275B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299728A (zh) * | 2018-08-10 | 2019-02-01 | 深圳前海微众银行股份有限公司 | 联邦学习方法、***及可读存储介质 |
CN109492085A (zh) * | 2018-11-15 | 2019-03-19 | 平安科技(深圳)有限公司 | 基于数据处理的答案确定方法、装置、终端及存储介质 |
CN110110063A (zh) * | 2019-04-30 | 2019-08-09 | 南京大学 | 一种基于哈希学习的问答***构建方法 |
CN110287296A (zh) * | 2019-05-21 | 2019-09-27 | 平安科技(深圳)有限公司 | 一种问题答案选取方法、装置、计算机设备及存储介质 |
-
2020
- 2020-02-27 CN CN202010122936.7A patent/CN111339275B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299728A (zh) * | 2018-08-10 | 2019-02-01 | 深圳前海微众银行股份有限公司 | 联邦学习方法、***及可读存储介质 |
CN109492085A (zh) * | 2018-11-15 | 2019-03-19 | 平安科技(深圳)有限公司 | 基于数据处理的答案确定方法、装置、终端及存储介质 |
CN110110063A (zh) * | 2019-04-30 | 2019-08-09 | 南京大学 | 一种基于哈希学习的问答***构建方法 |
CN110287296A (zh) * | 2019-05-21 | 2019-09-27 | 平安科技(深圳)有限公司 | 一种问题答案选取方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111339275B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111989893B (zh) | 用于生成和链接零知识证明的方法、***和计算机可读装置 | |
US20230023520A1 (en) | Training Method, Apparatus, and Device for Federated Neural Network Model, Computer Program Product, and Computer-Readable Storage Medium | |
Al Badawi et al. | Privft: Private and fast text classification with homomorphic encryption | |
CN112085159B (zh) | 一种用户标签数据预测***、方法、装置及电子设备 | |
CN110214325B (zh) | 数据屏蔽的方法和*** | |
CN111784001B (zh) | 一种模型训练方法、设备及计算机可读存储介质 | |
CN112149706B (zh) | 模型训练方法、装置、设备和介质 | |
CN112529101B (zh) | 分类模型的训练方法、装置、电子设备及存储介质 | |
CN112149174B (zh) | 模型训练方法、装置、设备和介质 | |
CN111931241A (zh) | 基于隐私保护的线性回归特征显著性检验方法、装置 | |
US20230237252A1 (en) | Digital posting match recommendation apparatus and methods | |
US11917060B2 (en) | Apparatus and methods for mapping user-associated data to an identifier | |
CN107431620A (zh) | 广播加密方案的运行时实例化 | |
Yang et al. | In-context operator learning with data prompts for differential equation problems | |
CN116680324A (zh) | 数据匿踪查询方法及装置、存储介质、电子设备 | |
CN109359276A (zh) | 一种防伪码生成方法、装置、设备及存储介质 | |
CN113691374B (zh) | 数据加密方法及装置、存储介质及电子设备 | |
US20230088588A1 (en) | Security as a service for machine learning | |
CN112149141B (zh) | 模型训练方法、装置、设备和介质 | |
US20230254148A1 (en) | Apparatus and methods for selectively revealing data | |
Tug | On the Characterization of Some Classes of Four‐Dimensional Matrices and Almost B‐Summable Double Sequences | |
CN112149834A (zh) | 模型训练方法、装置、设备和介质 | |
CN111339275A (zh) | 答题信息的匹配方法、装置、服务器和存储介质 | |
CN115529120A (zh) | 一种保密计算*** | |
CN115225367A (zh) | 数据处理方法、装置、计算机设备、存储介质和产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |