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！

龙图腾网获悉西安交通大学申请的专利文本自动生成问题的可回答性评估方法、系统及存储介质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：CN117112743B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202310918499.3，技术领域涉及：G06F16/3329；该发明授权文本自动生成问题的可回答性评估方法、系统及存储介质是由张玲玲;岳浩;刘均;魏笔凡;郑玉龙;郑庆华;张泽民;仉珂设计研发完成，并于2023-07-25向国家知识产权局提交的专利申请。

本文本自动生成问题的可回答性评估方法、系统及存储介质在说明书摘要公布了：一种文本自动生成问题的可回答性评估方法、系统及存储介质，评估方法包括以下步骤：获取数据集并进行数据集扩充，得到增强数据；通过使用多个问答模型对所述增强数据进行标注并投票，得到标注数据集；对所述标注数据集中的上下文与问题进行编码，并将上下文特征与问题特征进行融合，得到问题融合上下文后的嵌入表示；利用问题融合上下文后的嵌入表示，基于对比学习模型对问题进行可回答性的评估。同时还公开了一种文本自动生成问题的可回答性评估系统及存储介质。本发明通过引入上下文信息，以及对比学习模型，解决了现有评估问题可回答性的方法与人类评估的相关性不高，且评估时未引入上下文信息的问题，实现了对问题的可回答性进行充分评估。

本发明授权文本自动生成问题的可回答性评估方法、系统及存储介质在权利要求书中公布了：1.一种文本自动生成问题的可回答性评估方法，其特征在于，包括以下步骤： 获取数据集并进行数据集扩充，得到增强数据； 通过使用多个问答模型对所述增强数据进行标注并投票，得到标注数据集； 对所述标注数据集中的上下文与问题进行编码，并将上下文特征与问题特征进行融合，得到问题融合上下文后的嵌入表示； 利用问题融合上下文后的嵌入表示，基于对比学习模型对问题进行可回答性的评估； 对所述标注数据集中的上下文与问题进行编码的步骤包括： 生成上下文的序列表示，在文本开始添加“cls”，表达式如下： C＝[cls,t1,t2,…tmaxlen-1] 式中，t表示上下文中的词汇与标点，cls为特殊词汇，位于句首，用于标记整个句子； 按下式在词表中查找词汇所在的编号： input＝VlookupC 式中，Vlookup表示查找方法，用于返回词汇在词表中的索引； 按下式将input映射为词嵌入向量： Ec＝WordEmbeddinginput 式中，WordEmbedding表示将序列映射为向量序列，Ec为上下文的嵌入表示； 按下式将词汇的位置信息进行编码： PC＝posinput*Wp 式中，PC表示上下文的位置嵌入表示，pos表示获取字符在句子中的位置的方法，Wp表示计算PC的权重参数； 按下式将Ec与PC进行求和： Xc＝Ec+PC 式中，Xc表示嵌入向量Ec与位置向量PC之和； 将Xc使用自注意力机制变换成Qc，Vc，Kc： Qc＝WqXc Vc＝WvXc Kc＝WkXc 式中，Wq，Wv，Wk分别表示计算Qc，Vc，Kc的权重参数； 经过自注意力变换以后，将Qc，Vc，Kc经过激活函数softmax聚合起来的Zc和Xc进行加和得到自注意力矩阵计算表达式如下： 按下式对自注意力矩阵归一化： 式中，LayerNorm表示对矩阵进行归一化； 使用前馈网络进行映射激活后得到再进行归一化： 使用第一个位置上“cls”的特征向量作为上下文的表征ec； 将以上步骤表示为ec＝BERT1[0]，BERT表示使用BERT模型对文本进行特征提取； 按照相同方法分别对锚点问题、正例问题、负例问题使用的BERT模型进行嵌入表示： ea＝BERT2[0] ep＝BERT2[0] en＝BERT2[0] 式中，ea为锚点样本嵌入表示，ep为正例样本嵌入表示，en为负样本嵌入表示。

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西安交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28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”。