基于ai识别的答案确定方法、装置、电子设备及介质
阅读说明：本技术 基于ai识别的答案确定方法、装置、电子设备及介质 (Answer determination method and device based on AI (Artificial Intelligence) recognition, electronic equipment and medium ) 是由 郑喜民 喻宁 冯晶凌 柳阳 于 2020-05-21 设计创作，主要内容包括：本发明涉及人工智能,应用于智慧教育领域中,一种基于AI识别的答案确定方法。该方法获取试题并确定试题类型,当试题类型为近义词试题类型时,确定短语数量并确定词汇类型,当词汇类型为第一类型时,将题干及多个选项输入至预先训练的Bert模型中,得到题干与每个选项的相似度,当词汇类型为第二类型时,将题干及多个选项转换为GloVe词向量并转换为FastText词向量,基于GloVe词向量及FastText词向量计算题干与每个选项的相似度,当词汇类型为第三类型时,确定目标语种并确定第一词向量,将试题翻译成其他语种并确定第二词向量,利用第一词向量及第二词向量计算题干与每个选项的相似度,将相似度最高的选项确定为答案,本申请还涉及区块链技术,答案可存储于区块链中。(The invention relates to artificial intelligence, which is applied to the field of intelligent education and provides an answer determination method based on AI identification. The method obtains the test questions and determines the test question types, when the test question types are the test question types of the near meaning words, the phrase quantity and the vocabulary types are determined, when the vocabulary type is the first type, inputting the question stem and a plurality of options into a Bert model trained in advance to obtain the similarity between the question stem and each option, when the vocabulary type is the second type, the question stem and the plurality of options are converted into a GloVe word vector and converted into a FastText word vector, the similarity between the question stem and each option is calculated based on the GloVe word vector and the FastText word vector, when the vocabulary type is a third type, determining a target language and a first word vector, translating the test question into other languages and determining a second word vector, calculating the similarity between the question stem and each option by using the first word vector and the second word vector, and determining the option with the highest similarity as an answer.)
技术领域
本发明涉及智能决策技术领域，尤其涉及一种基于AI识别的答案确定方法、装置、电子设备及介质。
背景技术
目前，随着人工智能的发展，市场上逐步出现辅导考生学习的智能机器人。目前的智能机器人对近义词题目的答案确定中，采用的是单一的文本近似度度量方法，这种方式导致答***率较低，另外，这种单一的文本近似度度量方式的泛化能力也低。
发明内容
鉴于以上内容，有必要提供一种基于AI识别的答案确定方法、装置、电子设备及介质，不仅能够提高答案确定的准确度，还能够保证相似度计算方式的泛化能力。
一种基于AI识别的答案确定方法，所述基于AI识别的答案确定方法包括：
获取待确定试题，并确定所述待确定试题的试题类型，所述待确定试题包括题干及多个选项；
当所述试题类型为近义词试题类型时，确定所述待确定试题中的短语数量；
根据所述短语数量确定所述待确定试题所属的词汇类型，所述词汇类型包括第一类型、第二类型及第三类型；
当所述词汇类型为所述第一类型时，将所述题干及所述多个选项输入至预先训练的Bert模型中，得到所述题干与每个选项的相似度；或者
当所述词汇类型为所述第二类型时，将所述题干中的目标词汇及所述多个选项转换为GloVe词向量，并将所述题干及所述多个选项转换为FastText词向量，基于所述GloVe词向量及所述FastText词向量计算所述题干与每个选项的相似度；或者
当所述词汇类型为所述第三类型时，确定所述目标试题的目标语种，基于所述目标语种获取所述题干及所述多个选项的第一词向量，将所述目标试题翻译成除所述目标语种外的其他语种，基于所述其他语种获取所述题干及所述多个选项的第二词向量，利用所述第一词向量及所述第二词向量计算所述题干与每个选项的相似度；
将相似度最高的选项确定为所述待确定试题的答案。
根据本发明优选实施例，所述确定所述待确定试题的试题类型包括：
获取预设标识；
检测所述待确定试题中是否存在所述预设标识；
当所述待确定试题中存在所述预设标识时，确定所述待确定试题为所述近义词试题类型；
当所述待确定试题中不存在所述预设标识时，确定所述待确定试题为其他试题类型。
根据本发明优选实施例，所述确定所述待确定试题中的短语数量包括：
从所述题干中提取与所述预设标签对应的信息，作为目标词汇；
计算所述目标词汇及每个选项中的单词数量；
根据所述单词数量确定所述目标词汇与所述多个选项的单词总量；
确定所述多个选项的数量，得到选项数量；
将所述单词总量与所述选项数量进行差运算，并将差运算结果减一，得到所述短语数量。
根据本发明优选实施例，所述根据所述短语数量确定所述待确定试题所属的词汇类型包括：
当所述短语数量为第一预设阈值时，将所述待确定试题所属的词汇类型确定为所述第一类型；或者
当所述短语数量大于所述第一预设阈值，及所述短语数量小于或者等于第二预设阈值时，将所述待确定试题所属的词汇类型确定为所述第二类型；或者
当所述短语数量大于所述第二预设阈值，及所述短语数量小于或者等于第三预设阈值时，将所述待确定试题所属的词汇类型确定为所述第三类型；或者
当所述短语数量大于所述第三预设阈值时，将所述待确定试题所属的词汇类型确定为其他类型。
根据本发明优选实施例，在将所述题干及所述多个选项输入至预先训练的Bert模型中之前，所述方法还包括：
获取QQP数据集上的句子对，及获取所述句子对对应的标签；
组合MLM机制及NSP机制，得到语义向量网络层；
利用所述语义向量网络层计算所述句子对，得到具有上下文语义信息的语义向量；
通过预先构建的相似度计算网络层对所述语义向量进行计算，得到所述句子对的相似度；
根据所述句子对的相似度及所述标签优化所述语义向量网络层及所述相似度计算网络层，得到学习器；
确定所述待确定试题的来源；
从所述来源中获取预设数量的试题，并利用所述试题对所述学习器进行微调，得到所述Bert模型。
根据本发明优选实施例，所述将所述题干中的目标词汇及所述多个选项转换为GloVe词向量，并将所述题干及所述多个选项转换为FastText词向量，基于所述GloVe词向量及所述FastText词向量计算所述题干与每个选项的相似度包括：
从第一配置文件中获取与所述目标词汇中每个单词对应的第三词向量，并计算所述第三词向量的平均值，得到第一GloVe词向量；
对于每个选项，从所述第一配置文件中获取与每个单词对应的第四词向量，并计算所述第四词向量的平均值，得到每个选项的第二GloVe词向量；
利用余弦距离公式计算所述第一GloVe词向量与每个第二GloVe词向量的距离，作为所述题干与每个选项的第一距离；
从第二配置文件中获取与所述目标词汇中每个单词对应的第五词向量，并计算所述第五词向量的平均值，得到第一FastText词向量；
对于每个选项，从所述第二配置文件中获取与每个单词对应的第六词向量，并计算所述第六词向量的平均值，得到每个选项的第二FastText词向量；
利用余弦距离公式计算所述第一FastText词向量与每个第二FastText词向量的距离，作为所述题干与每个选项的第二距离；
对所述第一距离及所述第二距离进行加权和运算，并将运算结果作为所述题干与每个选项的相似度。
根据本发明优选实施例，所述利用所述第一词向量及所述第二词向量计算所述题干与每个选项的相似度包括：
依次拼接所述第一词向量及所述第二词向量，得到所述题干及所述多个选项的目标词向量；
基于余弦距离公式，根据所述目标词向量计算所述题干与所述多个选项中每个选项的距离，得到所述题干与每个选项的相似度。
一种基于AI识别的答案确定装置，所述基于AI识别的答案确定装置包括：
确定单元，用于获取待确定试题，并确定所述待确定试题的试题类型，所述待确定试题包括题干及多个选项；
所述确定单元，还用于当所述试题类型为近义词试题类型时，确定所述待确定试题中的短语数量；
所述确定单元，还用于根据所述短语数量确定所述待确定试题所属的词汇类型，所述词汇类型包括第一类型、第二类型及第三类型；
输入单元，用于当所述词汇类型为所述第一类型时，将所述题干及所述多个选项输入至预先训练的Bert模型中，得到所述题干与每个选项的相似度；或者
计算单元，用于当所述词汇类型为所述第二类型时，将所述题干中的目标词汇及所述多个选项转换为GloVe词向量，并将所述题干及所述多个选项转换为FastText词向量，基于所述GloVe词向量及所述FastText词向量计算所述题干与每个选项的相似度；或者
所述计算单元，还用于当所述词汇类型为所述第三类型时，确定所述目标试题的目标语种，基于所述目标语种获取所述题干及所述多个选项的第一词向量，将所述目标试题翻译成除所述目标语种外的其他语种，基于所述其他语种获取所述题干及所述多个选项的第二词向量，利用所述第一词向量及所述第二词向量计算所述题干与每个选项的相似度；
所述确定单元，还用于将相似度最高的选项确定为所述待确定试题的答案。
根据本发明优选实施例，所述确定单元确定所述待确定试题的试题类型包括：
获取预设标识；
检测所述待确定试题中是否存在所述预设标识；
当所述待确定试题中存在所述预设标识时，确定所述待确定试题为所述近义词试题类型；
当所述待确定试题中不存在所述预设标识时，确定所述待确定试题为其他试题类型。
根据本发明优选实施例，所述确定单元确定所述待确定试题中的短语数量包括：
从所述题干中提取与所述预设标签对应的信息，作为目标词汇；
计算所述目标词汇及每个选项中的单词数量；
根据所述单词数量确定所述目标词汇与所述多个选项的单词总量；
确定所述多个选项的数量，得到选项数量；
将所述单词总量与所述选项数量进行差运算，并将差运算结果减一，得到所述短语数量。
根据本发明优选实施例，所述确定单元根据所述短语数量确定所述待确定试题所属的词汇类型包括：
当所述短语数量为第一预设阈值时，将所述待确定试题所属的词汇类型确定为所述第一类型；或者
当所述短语数量大于所述第一预设阈值，及所述短语数量小于或者等于第二预设阈值时，将所述待确定试题所属的词汇类型确定为所述第二类型；或者
当所述短语数量大于所述第二预设阈值，及所述短语数量小于或者等于第三预设阈值时，将所述待确定试题所属的词汇类型确定为所述第三类型；或者
当所述短语数量大于所述第三预设阈值时，将所述待确定试题所属的词汇类型确定为其他类型。
根据本发明优选实施例，所述装置还包括：
获取单元，用于在将所述题干及所述多个选项输入至预先训练的Bert模型中之前，获取QQP数据集上的句子对，及获取所述句子对对应的标签；
组合单元，用于组合MLM机制及NSP机制，得到语义向量网络层；
所述计算单元，还用于利用所述语义向量网络层计算所述句子对，得到具有上下文语义信息的语义向量；
所述计算单元，还用于通过预先构建的相似度计算网络层对所述语义向量进行计算，得到所述句子对的相似度；
优化单元，用于根据所述句子对的相似度及所述标签优化所述语义向量网络层及所述相似度计算网络层，得到学习器；
所述确定单元，还用于确定所述待确定试题的来源；
调整单元，用于从所述来源中获取预设数量的试题，并利用所述试题对所述学习器进行微调，得到所述Bert模型。
根据本发明优选实施例，所述计算单元将所述题干中的目标词汇及所述多个选项转换为GloVe词向量，并将所述题干及所述多个选项转换为FastText词向量，基于所述GloVe词向量及所述FastText词向量计算所述题干与每个选项的相似度包括：
从第一配置文件中获取与所述目标词汇中每个单词对应的第三词向量，并计算所述第三词向量的平均值，得到第一GloVe词向量；
对于每个选项，从所述第一配置文件中获取与每个单词对应的第四词向量，并计算所述第四词向量的平均值，得到每个选项的第二GloVe词向量；
利用余弦距离公式计算所述第一GloVe词向量与每个第二GloVe词向量的距离，作为所述题干与每个选项的第一距离；
从第二配置文件中获取与所述目标词汇中每个单词对应的第五词向量，并计算所述第五词向量的平均值，得到第一FastText词向量；
对于每个选项，从所述第二配置文件中获取与每个单词对应的第六词向量，并计算所述第六词向量的平均值，得到每个选项的第二FastText词向量；
利用余弦距离公式计算所述第一FastText词向量与每个第二FastText词向量的距离，作为所述题干与每个选项的第二距离；
对所述第一距离及所述第二距离进行加权和运算，并将运算结果作为所述题干与每个选项的相似度。
根据本发明优选实施例，所述计算单元利用所述第一词向量及所述第二词向量计算所述题干与每个选项的相似度包括：
依次拼接所述第一词向量及所述第二词向量，得到所述题干及所述多个选项的目标词向量；
基于余弦距离公式，根据所述目标词向量计算所述题干与所述多个选项中每个选项的距离，得到所述题干与每个选项的相似度。
一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，获取所述存储器中存储的指令以实现所述基于AI识别的答案确定方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器获取以实现所述基于AI识别的答案确定方法。
由以上技术方案可以看出，本发明通过短语数量能够快速确定所述目标试题所属的词汇类型，进而通过在Bert模型的训练中加入了QQP数据集，提高Bert模型的鲁棒性，进而能够保证相似度计算方法的泛化能力，进一步通过构建GloVe词向量及FastText词向量的双重向量计算题干与每个选项的相似度，能够在提高计算效率的前提下，提高相似度计算的准确率，本发明通过所述目标试题的词汇类型选取不同方式计算所述题干与每个选项的相似度，能够更加准确地得到所述题干与每个选项的相似度，进而提高了所述待确定***确定的准确度，另外，当所述词汇类型为所述第二类型及所述第三类型时，采取的相似度计算方式属于无监督方法，能够保证相似度计算方法的泛化能力。
附图说明
图1是本发明基于AI识别的答案确定方法的较佳实施例的流程图。
图2是本发明基于AI识别的答案确定装置的较佳实施例的功能模块图。
图3是本发明实现基于AI识别的答案确定方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明基于AI识别的答案确定方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
本发明属于智慧教育领域，通过本发明能够推动智慧城市的建设。所述基于AI识别的答案确定方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
在本发明的至少一个实施例中，本发明涉及人工智能领域。
S10，获取待确定试题，并确定所述待确定试题的试题类型，所述待确定试题包括题干及多个选项。
在本发明的至少一个实施例中，所述待确定试题可以从托福Delta模拟平台中获取，也可以利用OCR(Optical Character Recognition，光学字符识别)技术从PDF试卷中获取。
在本发明的至少一个实施例中，所述试题类型包括近义词试题类型及其他试题类型。
在本发明的至少一个实施例中，所述电子设备确定所述待确定试题的试题类型包括：
所述电子设备获取预设标识，进一步地，所述电子设备检测所述待确定试题中是否存在所述预设标识，当所述待确定试题中存在所述预设标识时，所述电子设备确定所述待确定试题为所述近义词试题类型，当所述待确定试题中不存在所述预设标识时，所述电子设备确定所述待确定试题为所述其他试题类型。
其中，所述预设标识可以为双引号，所述预设标识也可以为下划线，具体的预设标识可以根据实际场景确定。
通过直接检测所述待确定试题中所述预设标识是否存在，能够快速确定所述待确定试题的试题类型。
S11，当所述试题类型为近义词试题类型时，确定所述待确定试题中的短语数量。
在本发明的至少一个实施例中，所述待确定试题中的短语数量为目标词汇的短语数量及所述多个选项中的短语数量之和。
在本发明的至少一个实施例中，预设标签是指表征名词性词汇、动词性词汇的标识。
在本发明的至少一个实施例中，所述电子设备确定所述待确定试题中的短语数量包括：
所述电子设备从所述题干中提取与所述预设标签对应的信息，作为目标词汇，所述电子设备计算所述目标词汇及每个选项中的单词数量，所述电子设备根据所述单词数量确定所述目标词汇与所述多个选项的单词总量，所述电子设备确定所述多个选项的数量，得到选项数量，所述电子设备将所述单词总量与所述选项数量进行差运算，并将差运算结果减一，得到所述短语数量。
通过计算所述目标词汇及每个选项中的单词数量，能够快速确定所述待确定试题中的短语数量。
S12，根据所述短语数量确定所述待确定试题所属的词汇类型，所述词汇类型包括第一类型、第二类型及第三类型。
在本发明的至少一个实施例中，所述电子设备根据所述短语数量确定所述待确定试题所属的词汇类型包括：
(1)当所述短语数量为第一预设阈值时，所述电子设备将所述待确定试题所属的词汇类型确定为所述第一类型。
(2)当所述短语数量大于所述第一预设阈值，及所述短语数量小于或者等于第二预设阈值时，将所述待确定试题所属的词汇类型确定为所述第二类型。
(3)当所述短语数量大于所述第二预设阈值，及所述短语数量小于或者等于第三预设阈值时，将所述待确定试题所属的词汇类型确定为所述第三类型。
(4)当所述短语数量大于所述第三预设阈值时，将所述待确定试题所属的词汇类型确定为其他类型。
其中，根据大数据计算，当第一预设阈值为0，第二预设阈值为3，第三预设阈值为5时，本发明的计算结果最佳。
在本发明的至少一个实施例中，当所述词汇类型为所述其他类型时，所述电子设备可以采取深度学习的方式计算所述题干与每个选项之间的相似度，进而确定所述待确定试题的答案，本发明在此不作具体阐述。
S13，当所述词汇类型为所述第一类型时，将所述题干及所述多个选项输入至预先训练的Bert模型中，得到所述题干与每个选项的相似度。
在本发明的至少一个实施例中，所述Bert模型中包括语义向量网络层及相似度计算网络层。
在本发明的至少一个实施例中，在将所述题干及所述多个选项输入至预先训练的Bert模型中之前，所述方法还包括：
所述电子设备获取QQP(Quora Question Pairs)数据集上的句子对，及获取所述句子对对应的标签，进一步地，所述电子设备组合MLM(Masked Language Model)机制及NSP(Next Sentence Predicate)机制，得到语义向量网络层，所述电子设备利用所述语义向量网络层计算所述句子对，得到具有上下文语义信息的语义向量，进一步地，所述电子设备通过预先构建的相似度计算网络层对所述语义向量进行计算，得到所述句子对的相似度，所述电子设备根据所述句子对的相似度及所述标签优化所述语义向量网络层及所述相似度计算网络层，得到学习器，所述电子设备确定所述待确定试题的来源，所述电子设备从所述来源中获取预设数量的试题，并利用所述试题对所述学习器进行微调，得到所述Bert模型。
通过MLM机制及NSP机制对QQP数据集上的句子对进行双向建模，能够得到具有上下文语义信息的语义向量网络层，进而利用句子对优化所述语义向量网络层及所述相似度计算网络层，能够提高学习器的精度，进而通过所述来源中的试题对学习器进行微调，能够使所述Bert模型更适用于所述待确定试题的相似度计算。
S14，当所述词汇类型为所述第二类型时，将所述题干中的目标词汇及所述多个选项转换为GloVe词向量，并将所述题干及所述多个选项转换为FastText词向量，基于所述GloVe词向量及所述FastText词向量计算所述题干与每个选项的相似度。
在本发明的至少一个实施例中，所述电子设备将所述题干中的目标词汇及所述多个选项转换为GloVe词向量，并将所述题干及所述多个选项转换为FastText词向量，基于所述GloVe词向量及所述FastText词向量计算所述题干与每个选项的相似度包括：
所述电子设备从第一配置文件中获取与所述目标词汇中每个单词对应的第三词向量，并计算所述第三词向量的平均值，得到第一GloVe词向量，对于每个选项，所述电子设备从所述第一配置文件中获取与每个单词对应的第四词向量，并计算所述第四词向量的平均值，得到每个选项的第二GloVe词向量，所述电子设备利用余弦距离公式计算所述第一GloVe词向量与每个第二GloVe词向量的距离，作为所述题干与每个选项的第一距离，所述电子设备从第二配置文件中获取与所述目标词汇中每个单词对应的第五词向量，并计算所述第五词向量的平均值，得到第一FastText词向量，对于每个选项，所述电子设备从所述第二配置文件中获取与每个单词对应的第六词向量，并计算所述第六词向量的平均值，得到每个选项的第二FastText词向量，所述电子设备利用余弦距离公式计算所述第一FastText词向量与每个第二FastText词向量的距离，作为所述题干与每个选项的第二距离，所述电子设备对所述第一距离及所述第二距离进行加权和运算，并将运算结果作为所述题干与每个选项的相似度。
其中，所述第一配置文件中存储多个单词与GloVe词向量的映射关系，所述第一配置文件可以为glove.840B.300d.txt，所述第二配置文件中存储多个单词与FastText词向量的映射关系，所述第二配置文件可以为crawl-300d-2M.vec。
通过上述实施方式，通过构建GloVe词向量及FastText词向量的双重向量计算题干与每个选项的相似度，能够在提高计算效率的前提下，提高相似度计算的准确率。
S15，当所述词汇类型为所述第三类型时，确定所述目标试题的目标语种，基于所述目标语种获取所述题干及所述多个选项的第一词向量，将所述目标试题翻译成除所述目标语种外的其他语种，基于所述其他语种获取所述题干及所述多个选项的第二词向量，利用所述第一词向量及所述第二词向量计算所述题干与每个选项的相似度。
在本发明的至少一个实施例中，所述其他语种为除所述目标语种外的语种，例如：目标语种为英语时，其他语种可以为德语，也可以是法语等。
在本发明的至少一个实施例中，所述电子设备利用所述第一词向量及所述第二词向量计算所述题干与每个选项的相似度包括：
所述电子设备依次拼接所述第一词向量及所述第二词向量，得到所述题干及所述多个选项的目标词向量，基于余弦距离公式，所述电子设备根据所述目标词向量计算所述题干与所述多个选项中每个选项的距离，得到所述题干与每个选项的相似度。
其中，所述目标词向量的维度数量为所述第一词向量的维度数量与所述第二词向量的维度数量之和。
通过提高目标词向量的维度，能够提高所述题干与每个选项的相似度计算的准确率。
S16，将相似度最高的选项确定为所述待确定试题的答案。
在本发明的至少一个实施例中，在将相似度最高的选项确定为所述待确定试题的答案后，所述方法还包括：
所述电子设备获取所述待确定试题的试题编号，进一步地，所述电子设备根据所述试题编号及所述答案生成提示信息，所述电子设备将所述提示信息发送至指定联系人的终端设备。
通过上述实施方式，能够提醒指定联系人及时查收所述答案。
需要强调的是，为进一步保证所述答案的私密和安全性，所述答案还可以存储于一区块链的节点中。
由以上技术方案可以看出，本发明通过短语数量能够快速确定所述目标试题所属的词汇类型，进而通过在Bert模型的训练中加入了QQP数据集，提高Bert模型的鲁棒性，进而能够保证相似度计算方法的泛化能力，进一步通过构建GloVe词向量及FastText词向量的双重向量计算题干与每个选项的相似度，能够在提高计算效率的前提下，提高相似度计算的准确率，本发明通过所述目标试题的词汇类型选取不同方式计算所述题干与每个选项的相似度，能够更加准确地得到所述题干与每个选项的相似度，进而提高了所述待确定***确定的准确度，另外，当所述词汇类型为所述第二类型及所述第三类型时，采取的相似度计算方式属于无监督方法，能够保证相似度计算方法的泛化能力。
如图2所示，是本发明基于AI识别的答案确定装置的较佳实施例的功能模块图。所述基于AI识别的答案确定装置11包括确定单元110、输入单元111、计算单元112、获取单元113、组合单元114、优化单元115、调整单元116、生成单元117及发送单元118。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
确定单元110获取待确定试题，并确定所述待确定试题的试题类型，所述待确定试题包括题干及多个选项。
在本发明的至少一个实施例中，所述待确定试题可以从托福Delta模拟平台中获取，也可以利用OCR(Optical Character Recognition，光学字符识别)技术从PDF试卷中获取。
在本发明的至少一个实施例中，所述试题类型包括近义词试题类型及其他试题类型。
在本发明的至少一个实施例中，所述确定单元110确定所述待确定试题的试题类型包括：
所述确定单元110获取预设标识，进一步地，所述确定单元110检测所述待确定试题中是否存在所述预设标识，当所述待确定试题中存在所述预设标识时，所述确定单元110确定所述待确定试题为所述近义词试题类型，当所述待确定试题中不存在所述预设标识时，所述确定单元110确定所述待确定试题为所述其他试题类型。
其中，所述预设标识可以为双引号，所述预设标识也可以为下划线，具体的预设标识可以根据实际场景确定。
通过直接检测所述待确定试题中所述预设标识是否存在，能够快速确定所述待确定试题的试题类型。
当所述试题类型为近义词试题类型时，所述确定单元110确定所述待确定试题中的短语数量。
在本发明的至少一个实施例中，所述待确定试题中的短语数量为目标词汇的短语数量及所述多个选项中的短语数量之和。
在本发明的至少一个实施例中，预设标签是指表征名词性词汇、动词性词汇的标识。
在本发明的至少一个实施例中，所述确定单元110确定所述待确定试题中的短语数量包括：
所述确定单元110从所述题干中提取与所述预设标签对应的信息，作为目标词汇，所述确定单元110计算所述目标词汇及每个选项中的单词数量，所述确定单元110根据所述单词数量确定所述目标词汇与所述多个选项的单词总量，所述确定单元110确定所述多个选项的数量，得到选项数量，所述确定单元110将所述单词总量与所述选项数量进行差运算，并将差运算结果减一，得到所述短语数量。
通过计算所述目标词汇及每个选项中的单词数量，能够快速确定所述待确定试题中的短语数量。
所述确定单元110根据所述短语数量确定所述待确定试题所属的词汇类型，所述词汇类型包括第一类型、第二类型及第三类型。
在本发明的至少一个实施例中，所述确定单元110根据所述短语数量确定所述待确定试题所属的词汇类型包括：
(1)当所述短语数量为第一预设阈值时，所述确定单元110将所述待确定试题所属的词汇类型确定为所述第一类型。
(2)当所述短语数量大于所述第一预设阈值，及所述短语数量小于或者等于第二预设阈值时，所述确定单元110将所述待确定试题所属的词汇类型确定为所述第二类型。
(3)当所述短语数量大于所述第二预设阈值，及所述短语数量小于或者等于第三预设阈值时，所述确定单元110将所述待确定试题所属的词汇类型确定为所述第三类型。
(4)当所述短语数量大于所述第三预设阈值时，所述确定单元110将所述待确定试题所属的词汇类型确定为其他类型。
其中，根据大数据计算，当第一预设阈值为0，第二预设阈值为3，第三预设阈值为5时，本发明的计算结果最佳。
在本发明的至少一个实施例中，当所述词汇类型为所述其他类型时，所述确定单元110可以采取深度学习的方式计算所述题干与每个选项之间的相似度，进而确定所述待确定试题的答案，本发明在此不作具体阐述。
当所述词汇类型为所述第一类型时，输入单元111将所述题干及所述多个选项输入至预先训练的Bert模型中，得到所述题干与每个选项的相似度。
在本发明的至少一个实施例中，所述Bert模型中包括语义向量网络层及相似度计算网络层。
在本发明的至少一个实施例中，在将所述题干及所述多个选项输入至预先训练的Bert模型中之前，获取单元113获取QQP(Quora Question Pairs)数据集上的句子对，及获取所述句子对对应的标签，进一步地，组合单元114组合MLM(Masked Language Model)机制及NSP(Next Sentence Predicate)机制，得到语义向量网络层，计算单元112利用所述语义向量网络层计算所述句子对，得到具有上下文语义信息的语义向量，进一步地，所述计算单元112通过预先构建的相似度计算网络层对所述语义向量进行计算，得到所述句子对的相似度，优化单元115根据所述句子对的相似度及所述标签优化所述语义向量网络层及所述相似度计算网络层，得到学习器，所述确定单元110确定所述待确定试题的来源，调整单元116从所述来源中获取预设数量的试题，并利用所述试题对所述学习器进行微调，得到所述Bert模型。
通过MLM机制及NSP机制对QQP数据集上的句子对进行双向建模，能够得到具有上下文语义信息的语义向量网络层，进而利用句子对优化所述语义向量网络层及所述相似度计算网络层，能够提高学习器的精度，进而通过所述来源中的试题对学习器进行微调，能够使所述Bert模型更适用于所述待确定试题的相似度计算。
当所述词汇类型为所述第二类型时，所述计算单元112将所述题干中的目标词汇及所述多个选项转换为GloVe词向量，并将所述题干及所述多个选项转换为FastText词向量，基于所述GloVe词向量及所述FastText词向量计算所述题干与每个选项的相似度。
在本发明的至少一个实施例中，所述计算单元112将所述题干中的目标词汇及所述多个选项转换为GloVe词向量，并将所述题干及所述多个选项转换为FastText词向量，基于所述GloVe词向量及所述FastText词向量计算所述题干与每个选项的相似度包括：
所述计算单元112从第一配置文件中获取与所述目标词汇中每个单词对应的第三词向量，并计算所述第三词向量的平均值，得到第一GloVe词向量，对于每个选项，所述计算单元112从所述第一配置文件中获取与每个单词对应的第四词向量，并计算所述第四词向量的平均值，得到每个选项的第二GloVe词向量，所述计算单元112利用余弦距离公式计算所述第一GloVe词向量与每个第二GloVe词向量的距离，作为所述题干与每个选项的第一距离，所述计算单元112从第二配置文件中获取与所述目标词汇中每个单词对应的第五词向量，并计算所述第五词向量的平均值，得到第一FastText词向量，对于每个选项，所述计算单元112从所述第二配置文件中获取与每个单词对应的第六词向量，并计算所述第六词向量的平均值，得到每个选项的第二FastText词向量，所述计算单元112利用余弦距离公式计算所述第一FastText词向量与每个第二FastText词向量的距离，作为所述题干与每个选项的第二距离，所述计算单元112对所述第一距离及所述第二距离进行加权和运算，并将运算结果作为所述题干与每个选项的相似度。
其中，所述第一配置文件中存储多个单词与GloVe词向量的映射关系，所述第一配置文件可以为glove.840B.300d.txt，所述第二配置文件中存储多个单词与FastText词向量的映射关系，所述第二配置文件可以为crawl-300d-2M.vec。
通过上述实施方式，通过构建GloVe词向量及FastText词向量的双重向量计算题干与每个选项的相似度，能够在提高计算效率的前提下，提高相似度计算的准确率。
当所述词汇类型为所述第三类型时，所述计算单元112确定所述目标试题的目标语种，基于所述目标语种获取所述题干及所述多个选项的第一词向量，将所述目标试题翻译成除所述目标语种外的其他语种，基于所述其他语种获取所述题干及所述多个选项的第二词向量，利用所述第一词向量及所述第二词向量计算所述题干与每个选项的相似度。
在本发明的至少一个实施例中，所述其他语种为除所述目标语种外的语种，例如：目标语种为英语时，其他语种可以为德语，也可以是法语等。
在本发明的至少一个实施例中，所述计算单元112利用所述第一词向量及所述第二词向量计算所述题干与每个选项的相似度包括：
所述计算单元112依次拼接所述第一词向量及所述第二词向量，得到所述题干及所述多个选项的目标词向量，基于余弦距离公式，所述计算单元112根据所述目标词向量计算所述题干与所述多个选项中每个选项的距离，得到所述题干与每个选项的相似度。
其中，所述目标词向量的维度数量为所述第一词向量的维度数量与所述第二词向量的维度数量之和。
通过提高目标词向量的维度，能够提高所述题干与每个选项的相似度计算的准确率。
所述确定单元110将相似度最高的选项确定为所述待确定试题的答案。
在本发明的至少一个实施例中，在将相似度最高的选项确定为所述待确定试题的答案后，所述获取单元113获取所述待确定试题的试题编号，进一步地，生成单元117根据所述试题编号及所述答案生成提示信息，发送单元118将所述提示信息发送至指定联系人的终端设备。
通过上述实施方式，能够提醒指定联系人及时查收所述答案。
需要强调的是，为进一步保证所述答案的私密和安全性，所述答案还可以存储于一区块链的节点中。
由以上技术方案可以看出，本发明通过短语数量能够快速确定所述目标试题所属的词汇类型，进而通过在Bert模型的训练中加入了QQP数据集，提高Bert模型的鲁棒性，进而能够保证相似度计算方法的泛化能力，进一步通过构建GloVe词向量及FastText词向量的双重向量计算题干与每个选项的相似度，能够在提高计算效率的前提下，提高相似度计算的准确率，本发明通过所述目标试题的词汇类型选取不同方式计算所述题干与每个选项的相似度，能够更加准确地得到所述题干与每个选项的相似度，进而提高了所述待确定***确定的准确度，另外，当所述词汇类型为所述第二类型及所述第三类型时，采取的相似度计算方式属于无监督方法，能够保证相似度计算方法的泛化能力。
如图3所示，是本发明实现基于AI识别的答案确定方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于AI识别的答案确定程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及获取所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13获取所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13获取所述应用程序以实现上述各个基于AI识别的答案确定方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13获取，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的获取过程。例如，所述计算机程序可以被分割成确定单元110、输入单元111、计算单元112、获取单元113、组合单元114、优化单元115、调整单元116、生成单元117及发送单元118。
所述存储器12可用于存储所述计算机程序和/或模块，所述处理器13通过运行或获取存储在所述存储器12内的计算机程序和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器12可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器获取时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可获取文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种基于AI识别的答案确定方法，所述处理器13可获取所述多个指令从而实现：获取待确定试题，并确定所述待确定试题的试题类型，所述待确定试题包括题干及多个选项；当所述试题类型为近义词试题类型时，确定所述待确定试题中的短语数量；根据所述短语数量确定所述待确定试题所属的词汇类型，所述词汇类型包括第一类型、第二类型及第三类型；当所述词汇类型为所述第一类型时，将所述题干及所述多个选项输入至预先训练的Bert模型中，得到所述题干与每个选项的相似度；或者当所述词汇类型为所述第二类型时，将所述题干中的目标词汇及所述多个选项转换为GloVe词向量，并将所述题干及所述多个选项转换为FastText词向量，基于所述GloVe词向量及所述FastText词向量计算所述题干与每个选项的相似度；或者当所述词汇类型为所述第三类型时，确定所述目标试题的目标语种，基于所述目标语种获取所述题干及所述多个选项的第一词向量，将所述目标试题翻译成除所述目标语种外的其他语种，基于所述其他语种获取所述题干及所述多个选项的第二词向量，利用所述第一词向量及所述第二词向量计算所述题干与每个选项的相似度；将相似度最高的选项确定为所述待确定试题的答案。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。