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！

龙图腾网获悉中国科学技术大学申请的专利一种基于深度学习的智能问答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：CN116756289B 。

龙图腾网通过国家知识产权局官网在2025-08-19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：202310787157.2，技术领域涉及：G06F16/3329；该发明授权一种基于深度学习的智能问答方法是由张恒源;李峰;凌强设计研发完成，并于2023-06-29向国家知识产权局提交的专利申请。

本一种基于深度学习的智能问答方法在说明书摘要公布了：本发明提出一种基于深度学习的智能问答方法，首先对问题进行分词处理，根据分词结果利用BM25算法初步筛选知识库中相关的“问题‑答案”对。接下来，采用情绪识别模型来识别问题中词汇级别的情感倾向及整个句子的情感倾向，然后将识别结果汇总至情绪识别矩阵中。与此同时，通过预训练语言模型提取问题的语义特征向量。得到情绪识别矩阵及语义特征向量后，将二者相乘，从而获得包含情感倾向的语义特征。紧接着，利用图注意力网络将问题转换为图结构，计算图中每个节点的注意力权重并将其保存为向量。将该向量与包含情感倾向的语义特征相乘，得到问题的特征向量。最后，通过计算不同向量间的Jaccard系数，找出最高结果作为最优答案。

本发明授权一种基于深度学习的智能问答方法在权利要求书中公布了：1.一种基于深度学习的智能问答方法，其特征在于，包括如下步骤： Step1：收集用户提问以及知识库中每一个“问题-答案”对的“问题”部分；然后利用分词工具对“问题”部分的所有问题进行分词处理；接着，借助算法初步筛选出知识库中与用户提问相关的问题获得初步筛选结果；最终，将用户提问及初步筛选结果保存至问题列表中； Step2：使用情绪识别网络对问题列表中的问题进行分析，得到问题的情感倾向特征； Step3：使用预训练语言模型提取问题列表中的问题的语义特征信息，得到问题的内容语义特征； Step4：使用图注意力网络将问题转化为图结构，计算图中节点的注意力权重，得到问题列表中的问题的注意力倾向特征，包括： 用于提取注意力倾向特征的深度学习网络由图表示层和注意力系数计算层组成； 在图表示层中，首先使用分词工具将输入的问题分割为多个词汇组成的集合；然后将每一个词汇视为图中的一个节点，节点之间采用无向边进行连接；最后，汇总节点和无向边，得到输入问题对应的无向图； 基于节点和其邻居节点之间的相似系数计算二者之间的注意力权重，如下述公式所示，其中代表i节点对应的特征向量，，代表着指数函数，代表一种非线性激活函数，代表由不同词汇构成的节点的总数、代表节点和节点之间的注意力权重；和代表和节点的原始词汇、代表把输入的词汇和转化成对应的向量的机器学习网络；代表将特征向量和拼接、代表将拼接后的结果进行卷积核大小为2x2的卷积处理、代表i节点和j节点之间的相似度； ； ； 在注意力系数计算层中，如上述公式所示，和分别代表两个词汇分别构成的节点、和代表和节点的原始词汇、代表把输入的词汇和转化成对应的向量的机器学习网络，在具体实现时使用库的模块实现、和代表节点和节点的特征向量、代表将特征向量和拼接、代表将拼接后的结果进行卷积核大小为2x2的卷积处理、代表i节点和j节点之间的相似度；首先使用卷积神经网络对计算每一个节点的特征，然后遍历任意节点与其邻居节点，拼接后使用卷积神经网络将其映射到一个实数值，该值极为节点与其相邻节点之间的相似系数； ； 基于节点和其邻居节点之间的注意力权重更新节点的特征信息，如下述公式所示，其中节点i周围共有K个节点与之相邻，k代表第k个与之相邻的节点，代表第k个与之相邻的节点的特征向量，代表神经网络中的一种激活函数，代表更新后的i节点对应的特征向量； ； 如下述公式所示，其中代表一段问题文本对应的注意力特征向量；将所有节点的特征按照其在原始文本中的对应位置拼接，即得到问题文本的注意力倾向特征： ； Step5：对问题列表中的每一个问题，将根据Step2）、Step3）、Step4）计算出的情感倾向特征、内容语义特征、注意力倾向特征融合得到问题的文本特征； Step6；计算用户提问对应的文本特征与Step1）的初步筛选结果中每一个问题的文本特征之间的系数，然后对结果进行排序，数值最高的结果对应的“问题-答案”对的“答案”部分即为最优答案。

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中国科学技术大学，其通讯地址为：230026 安徽省合肥市包河区金寨路96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”。