智能问答方法、装置、设备及存储介质与流程

本申请涉及问答检索领域，尤其涉及一种智能问答方法、装置、设备及存储介质。

背景技术：

目前，随着线上业务的逐渐增多，一些用于解决用户问题的问答系统也逐渐完善。现有的问答系统包括基于q&a的问答系统以及基于知识图谱的问题系统。基于q&a的问答系统基于大量的问答对，针对用户问题，完成q-a匹配或者q-q匹配，匹配到最相近的问题或者答案，以达到检索问答的目的。而基于知识图谱的问题系统基于知识图谱，根据用户问题，通过实体识别技术和关系抽取技术，结合知识图谱相关检索技术，完成用户问题的答案检索。但现有的问答系统常采用基于单来源检索方式且使用较常规的深度神经网络模型，无法同时基于句法和语义进行检索，另外，准确率也较低。

因此，如何提高问答系统的回答准确率成为亟待解决的问题。

技术实现要素：

本申请提供了一种智能问答方法、装置、设备及存储介质，以提高问答系统的回答准确率。

第一方面，本申请提供了一种智能问答方法，所述方法包括：

获取待检索问题；确定所述待检索问题的关键词，基于第一检索模型，根据所述关键词确定第一检索结果；将所述待检索问题输入预先训练的第二检索模型，得到第二检索结果；对所述第一检索结果和所述第二检索结果进行融合排序，得到排序结果；根据所述排序结果确定所述待检索问题对应的问答结果，并将所述问答结果反馈给用户。

第二方面，本申请还提供了一种智能问答装置，所述装置包括：

问题获取模块，用于获取待检索问题；第一确定模块，用于确定所述待检索问题的关键词，基于第一检索模型，根据所述关键词确定第一检索结果；第二确定模块，用于将所述待检索问题输入预先训练的第二检索模型，得到第二检索结果；结果排序模块，用于对所述第一检索结果和所述第二检索结果进行融合排序，得到排序结果；结果确定模块，用于根据所述排序结果确定所述待检索问题对应的问答结果，并将所述问答结果反馈给用户。

第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的智能问答方法。

第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的智能问答方法。

本申请公开了一种智能问答方法、装置、设备及存储介质，通过获取待检索问题，然后确定待检索问题的关键词，基于第一检索模型，根据关键词确定第一检索结果，并且将待检索问题输入预先训练的第二检索模型，通过第二检索模型得到第二检索结果，然后对第一检索结果和第二检索结果进行融合排序，得到排序结果，最终根据排序结果确定待检索问题对应的问答结果，并将问答结果反馈给用户，完成智能问答的过程。采用两个检索模型对待检索问题进行结果的检索，得到两个不同方面的检索结果，使检索结果更加全面，最终对两个不同方面的检索结果进行融合排序，根据融合排序的结果确定问答结果，提高得到的问答结果的准确度。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种智能问答方法的示意流程图；

图2是本申请实施例提供的智能问答方法的子步骤示意流程图；

图3是本申请实施例提供的训练第二检索模型的示意流程图；

图4为本申请实施例提供的一种智能问答装置的示意性框图；

图5为本申请实施例提供的一种计算机设备的结构示意性框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

本申请的实施例提供了一种智能问答方法、装置、计算机设备及存储介质。该智能问答方法可用于智能问答系统，针对用户所提出的待检索问题，为待检索问题匹配最佳的问答结果，并将问答结果反馈给用户，达到检索问答的目的。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参阅图1，图1是本申请实施例提供的一种智能问答方法的示意流程图。该智能问答方法通过设置了两个不同的检索模型，来实现对待检索问题进行不同层面上的检索，得到不同层面的检索结果，进而实现提高问答结果准确度的目的。

如图1所示，该智能问答方法，具体包括：步骤s101至步骤s105。

s101、获取待检索问题。

待检索问题可以是用户输入的，问答系统的服务端获取到待检索问题，准备对待检索问题进行检索，以向用户反馈问答结果。

在具体实施过程中，用户可以通过多种方式来输入待检索问题，例如语音输入、文字输入等等，输入的待检索问题的类型、领域也可以为多种。例如领域可以是金融领域、保险领域等等。

s102、确定所述待检索问题的关键词，基于第一检索模型，根据所述关键词确定第一检索结果。

在获取到待检索问题后，确定待检索问题的关键词，然后利用第一检索模型，根据关键词确定检索到的第一检索结果。

在具体实施过程中，第一检索模型为基于句法进行检索的模型，例如可以是elasticsearch模型。并且可以理解的是，第一检索结果可以有多个。在确定待检索问题的关键词时，可以采用知识图谱来从待检索问题中确定关键词。

在一实施例中，请参阅图2，图2是本申请实施例提供的智能问答方法的子步骤示意流程图。步骤s102包括以下步骤：

s1021、对所述待检索问题进行关键词提取，得到所述待检索问题对应的关键词。

由于待检索问题的领域可以为多种，因此，为了提高得到的第一检索结果的准确度，可以对待检索问题进行关键词提取。其中，该关键词具体是指待检索问题对应的业务领域的关键词。

从待检索问题中提取出该待检索问题所对应的业务领域的关键词，并将提取出的关键词进行缓存。在具体实施过程中，可以采用知识图谱来从待检索问题中提取出关键词。

例如，当待检索问题为“办理人身意外保险需要进行健康告知吗？”，对待检索问题进行关键词提取，可以得到待检索问题的关键词为“保险”。

s1022、基于第一检索模型对所述待检索问题进行全文检索，得到多个待选结果。

利用第一检索模型对待检索问题进行全文检索，得到检索出的多个待选结果。

在一实施例中，第一检索模型中包括预先构建的知识库和专业数据库。预先构建的知识库中保存有一些常用问题和问题对应的问答结果，专业数据库是指专业领域的词典，例如可以是金融领域的专业词典。

在利用第一检索模型进行全文检索时，同时在预先构建的知识库和专业数据库中进行全文检索，得到待选结果。在进行全文检索时，可以使用布尔模型在预先构建的知识库和专业数据库中查找与待检索问题相匹配的文档，将查到的匹配文档作为待选结果。

s1023、确定每个所述待选结果的计算参数和所述关键词在每个所述待选结果中出现的关键词频次。

在得到待选结果后，确定每个待选结果的计算参数以及待检索问题对应的关键词在每个待选结果中出现的频次，以便于对待选结果进行得分计算。

在具体实施过程中，关键词在每个待选结果中出现的频次，是通过统计该关键词字段在待选结果全文中出现的次数，并对统计出的次数进行运算得到的。出现的次数越多，也即频次越高，则认为该关键词在参与得分计算时的权重占比越高。

例如，在计算关键词频次时，可以时计算该关键词在待选结果全文中出现次数的平方根。

在一实施例中，所述确定每个所述待选结果的计算参数，包括：对所述待检索问题进行分词，得到多个词语；对于每个所述词语，统计所述词语在每个所述待选结果中的词频、所述词语在所有所述待选结果中的总词频和所述词语在每个所述待选结果中的字段长度，得到每个所述词语在所述待选结果中的权重；根据每个所述词语在所述待选结果中的权重，计算所述待检索问题在所述待选结果中的权重，得到计算参数。

在计算待选结果的计算参数时，首先对待检索问题进行分词，将待检索问题分词为多个词语。然后分别统计每个词语在待选结果中的词频、词语在待选结果中的总词频以及词语在待选结果中的字段长度，然后将他们相乘在一起计算每个词语在待选结果中的权重。

其中，词语在待选结果中的词频表示词语在某一待选结果中出现的频繁程度，词频越大，则说明该词语在该待选结果中出现的次数越多，认为其在进行得分计算时的权重越高。具体计算方式可以是指通过统计该词语在该待选结果中出现的次数，并对次数进行平方根运算得到的。

词语在待选结果中的总词频表示该词语在所有待选结果中出现的频繁程度，词频越大，认为其在进行得分计算时的权重越低。这是由于当一个词语在多数待选结果中都频繁出现时，认为该词语对待选结果与待检索问题的相关度贡献较小。具体计算方式可以是待选结果的总个数除以待选结果中包含该词语的个数，然后求其对数得到的。

词语在待选结果中的字段长度表示词语在待选结果中出现时所在的字段的长度，例如，词语在待选结果中的标题部分出现时，认为他的相关度相较于在正文中出现时的相关度要高。具体计算方式可以时字段中词数平方根的倒数。

在得到每个词语在待选结果中的权重后，将每个词语的权重相加，得到待检索问题在所述待选结果中的权重，从而得到计算参数。

在一些实施例中，计算参数中除了包括待检索问题再待选结果中的权重之外，还可以包括协调因子、查询归一因子等参数，协调因子、查询归一因子等参数可根据实际情况进行自行调整。

s1024、基于评分计算公式，利用所述计算参数和所述关键词频次分别对每个所述待选结果进行得分计算，得到每个所述待选结果对应的得分。

再得到每个待选结果的计算参数和关键词频次后，可以利用评分计算公式来对每个待选结果的得分进行计算，得到每个待选结果与待检索问题之间的相关度得分。

在一实施例中，评分计算公式为：s＝s0×p

其中，s表示所述待选结果对应的得分，s0表示所述待选结果的计算参数，p表示所述待选结果的关键词频次。

在具体实施过程中，计算参数s0＝∑(tf(tind)×idf(t)²×norm(t,d))，其中，s0表示所述待选结果的计算参数，tf(tind)表示词语t在待选结果d中的词频，idf(t)²表示词语t在所有待选结果中的总词频，norm(t,d)表示词语t在待选结果d中的字段长度。

将从待检索问题中提取出的关键词也作为相关度得分的计算特征，来计算查找到的待选结果与待检索问题之间的相关度得分，提高计算得到的相关度得分的准确率。

s1024、根据每个所述待选结果和预设的得分阈值对应的得分确定第一检索结果。

在得到每个待选结果对应的得分后，可以基于每个所述待选结果对应的得分和预设的得分阈值确定第一检索结果。也即，预先设置一得分阈值，当计算出各个待选结果的得分后，选择得分大于或等于得分阈值的待选结果作为第一检索结果。

在另一实施例中，在确定第一检索结果时，还可以根据每个待选结果对应的得分对待选结果进行排序，排序的顺序可以是根据得分高低从高到低依次排序，选择排序靠前的几个待选结果作为第一检索结果。此时，选择的第一检索结果的数量可以是预先设置好的。

s103、将所述待检索问题输入预先训练的第二检索模型，得到第二检索结果。

在将待检索问题输入第一检索模型中的同时，也将待检索问题输入第二检索模型中，从而得到第二检索结果。其中，第二检索模型是基于语义进行检索的模型。例如可以是sbert模型。

将待检索问题输入第二检索模型中，通过池化方法获取该待检索问题的词向量，然后计算待检索问题的词向量和各个待选结果的词向量之间的余弦相似度，最终根据余弦相似度的值来确定第二检索结果。

在一实施例中，请参阅图3，图3是本申请实施例提供的训练第二检索模型的示意流程图。第二检索模型的训练过程包括步骤s1031至步骤s1034。

s1031、获取训练数据组。

获取用于训练第二检索模型的训练数据组，其中，每个训练数据组中都包括三个数据，分别是问题数据、所述问题数据对应的正确答案和错误答案。

在一实施例中，在获取训练数据组之前，所述方法还包括：获取初始数据，并对所述初始数据进行关键词提取，得到与所述初始数据对应的关键词；在所述初始数据中加入与所述初始数据对应的关键词，构建训练数据组。

获取初始数据，初始数据是指尚未进行数据处理的数据，然后对初始数据进行关键词提取，得到初始数据对应的关键词。其中，该关键词是指初始数据对应的业务领域的关键词。在具体实施过程中，可以利用知识图谱对初始数据进行关键词提取。

将提取出的关键词添加至每一个初始数据中，作为每一个初始数据的领域关键词，然后根据添加关键词后的初始数据构建训练数据组。也即，此时训练数据组中的问题数据为添加了关键词后的初始数据。

s1032、将所述问题数据和所述问题数据对应的正确答案输入卷积神经网络，得到所述问题数据和所述正确答案之间的正余弦相似度。

在得到训练数据组后，将问题数据和问题数据对应的正确答案输入检索模型，得到问题数据和正确答案之间的余弦相似度。

在具体实施过程中，所述卷积神经网络可以是孪生网络结构，也即由两个一模一样共享参数的卷积神经网络组成，并且使用bert作为基础的解码模型。

在将问题数据和问题数据对应的正确答案输入卷积神经网络后，由bert分别输出问题数据对应的句向量，以及正确答案对应的句向量。然后再计算问题数据对应的句向量和正确答案对应的句向量之间的余弦相似度。

s1033、将所述问题数据和所述问题数据对应的错误答案输入所述卷积神经网络，得到所述问题数据和所述错误答案之间的负余弦相似度。

同样的，在得到训练数据组后，将问题数据和问题数据对应的错误答案也输入卷积神经网络，得到问题数据和错误答案之间的余弦相似度。

可以理解的是，为了将问题数据和错误答案之间的余弦相似度、问题数据和正确答案之间的余弦相似度进行区分，将问题数据和错误答案之间的余弦相似度称为负余弦相似度，问题数据和正确答案之间的余弦相似度称为正余弦相似度。

在将问题数据和问题数据对应的错误答案输入卷积神经网络后，由卷积神经网络中的bert分别输出问题数据对应的句向量，以及错误答案对应的句向量。然后再计算问题数据对应的句向量和错误答案对应的句向量之间的余弦相似度。

s1034、基于所述正余弦相似度和所述负余弦相似度计算所述卷积神经网络的损失函数，直至所述卷积神经网络收敛，将收敛的所述卷积神经网络作为预先训练的第二检索模型。

在得到正余弦相似度和负余弦相似度后，基于正余弦相似度和负余弦相似度计算卷积神经网络的损失函数，损失函数例如可以选择tripletloss。对卷积神经网络进行迭代训练，直至卷积神经网络收敛。

其中，当损失函数的值达到预设值时，可以认为卷积神经网络收敛，此时完成对卷积神经网络的训练，将收敛的卷积神经网络作为预先训练的第二检索模型。

s104、对所述第一检索结果和所述第二检索结果进行融合排序，得到排序结果。

在得到基于句法检索的第一检索结果和基于语法检索的第二检索结果后，对第一检索结果和第二检索结果进行融合排序，得到排序结果。

在具体实施过程中，可以使用精排模型对第一检索结果和第二检索结果进行融合排序。

在一实施例中，所述对所述第一检索结果和所述第二检索结果进行融合排序，包括：对所述待检索问题、所述第一检索结果和所述第二检索结果进行特征提取，得到所述待检索问题对应的问题特征向量、所述第一检索结果对应的第一特征向量和所述第二检索结果对应的第二特征向量；计算所述问题特征向量和所述第一特征向量的余弦距离，并根据所述余弦距离得到所述待检索问题与所述第一检索结果之间的相似度值；计算所述问题特征向量和所述第二特征向量的余弦距离，并根据所述余弦距离得到所述待检索问题与所述第二检索结果之间的相似度值；基于所述相似度值的数值大小对所述第一检索结果和所述第二检索结果进行降序排列。

可以利用神经网络来对待检索问题、第一检索结果和第二检索结果进行特征提取，从而得到待检索问题对应的问题特征向量、第一检索结果对应的第一特征向量和第二检索结果对应的第二特征向量。

在得到问题特征向量、第一特征向量和第二特征向量后，计算问题特征向量与第一特征向量之间的第一余弦距离，根据第一余弦距离来计算待检索问题与第一检索结果之间的相关度。同样的，计算问题特征向量与第二特征向量之间的第二余弦距离，根据第二余弦距离来计算待检索问题与第二检索结果之间的相关度。

其中，相关度的计算公式为：

其中，q表示第一检索结果或第二检索结果，d表示待检索问题，r(q,d)表示第一检索结果或第二检索结果与待检索问题之间的相似度，yq表示第一检索结果或第二检索结果的特征向量，yd表示待检索问题的特征向量。

在得到待检索问题与第一检索结果之间的相关度以及待检索问题与第二检索结果之间的相似度后，基于该相似度对第一检索结果和第二检索结果进行排序。

在具体实施过程中，可以根据相似度值的大小对第一检索结果和第二检索结果按照相似度的值从高到低进行排序。

s105、根据所述排序结果确定所述待检索问题对应的问答结果，并将所述问答结果反馈给用户。

根据第一检索结果和第二检索结果的排序结果，例如可以取排序结果中最靠前的一个排序结果来作为待检索问题对应的问答结果。在得到问答结果后，将问答结果反馈给用户，完成智能问答的过程。

上述实施例提供的智能问答方法，通过获取用户输入的待检索问题，然后将待检索问题输入第一检索模型，通过第一检索模型得到第一检索结果，并且将待检索问题输入预先训练的第二检索模型，通过第二检索模型得到第二检索结果，然后对第一检索结果和第二检索结果进行融合排序，得到排序结果，最终根据排序结果确定待检索问题对应的问答结果，并将问答结果反馈给用户，完成智能问答的过程。设置两个在不同层面上进行检索的检索模型来对待检索问题进行检索，得到不同层面的检索结果，使检索结果更加全面，最终对两个不同方面的检索结果进行融合排序，根据融合排序的结果确定问答结果，提高得到的问答结果的准确度。

请参阅图4，图4是本申请的实施例还提供一种智能问答装置的示意性框图，该智能问答装置用于执行前述的智能问答方法。其中，该智能问答装置可以配置于服务器或终端中。

其中，服务器可以为独立的服务器，也可以为服务器集群。该终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。

如图4所示，智能问答装置200包括：问题获取模块201、第一确定模块202、第二确定模块203、结果排序模块204和结果确定模块205。

问题获取模块201，用于获取待检索问题。

第一确定模块202，用于确定所述待检索问题的关键词，基于第一检索模型，根据所述关键词确定第一检索结果。

其中，第一确定模块202包括关键词提取子模块2021、待选结果子模块2022、得分计算子模块2023和结果确定子模块2024。

具体地，关键词提取子模块2021，用于对所述待检索问题进行关键词提取，得到所述待检索问题对应的关键词；待选结果子模块2022，用于基于第一检索模型对所述待检索问题进行全文检索，得到多个待选结果；参数计算子模块2023，用于确定每个所述待选结果的计算参数和所述关键词在每个所述待选结果中出现的关键词频次；得分计算子模块2024，用于基于评分计算公式，利用所述计算参数和所述关键词频次分别对每个所述待选结果进行得分计算，得到每个所述待选结果对应的得分；结果确定子模块2025，用于根据每个所述待选结果对应的得分和预设的得分阈值确定第一检索结果。

第二确定模块203，用于将所述待检索问题输入预先训练的第二检索模型，得到第二检索结果。

结果排序模块204，用于对所述第一检索结果和所述第二检索结果进行融合排序，得到排序结果。

结果确定模块205，用于根据所述排序结果确定所述待检索问题对应的问答结果，并将所述问答结果反馈给用户。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的智能问答装置和各模块的具体工作过程，可以参考前述智能问答方法实施例中的对应过程，在此不再赘述。

上述的智能问答装置可以实现为一种计算机程序的形式，该计算机程序可以在如图5所示的计算机设备上运行。

请参阅图5，图5是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器或终端。

参阅图5，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。

非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种智能问答方法。

处理器用于提供计算和控制能力，支撑整个计算机设备的运行。

内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种智能问答方法。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

应当理解的是，处理器可以是中央处理单元(centralprocessingunit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，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。其中，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。

其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：

获取待检索问题；确定所述待检索问题的关键词，基于第一检索模型，根据所述关键词确定第一检索结果；将所述待检索问题输入预先训练的第二检索模型，得到第二检索结果；对所述第一检索结果和所述第二检索结果进行融合排序，得到排序结果；根据所述排序结果确定所述待检索问题对应的问答结果，并将所述问答结果反馈给用户。

在一个实施例中，所述处理器在实现所述确定所述待检索问题的关键词，基于第一检索模型，根据所述关键词确定第一检索结果时，用于实现：对所述待检索问题进行关键词提取，得到所述待检索问题对应的关键词；基于第一检索模型对所述待检索问题进行全文检索，得到多个待选结果；确定每个所述待选结果的计算参数和所述关键词在每个所述待选结果中出现的关键词频次；基于评分计算公式，利用所述计算参数和所述关键词频次分别对每个所述待选结果进行得分计算，得到每个所述待选结果对应的得分；根据每个所述待选结果对应的得分和预设的得分阈值确定第一检索结果。

在一个实施例中，所述处理器在实现所述确定每个所述待选结果的计算参数时，用于实现：对所述待检索问题进行分词，得到多个词语；对于每个所述词语，统计所述词语在每个所述待选结果中的词频、所述词语在所有所述待选结果中的总词频和所述词语在每个所述待选结果中的字段长度，得到每个所述词语在所述待选结果中的权重；根据每个所述词语在所述待选结果中的权重，计算所述待检索问题在所述待选结果中的权重和，得到计算参数。

在一个实施例中，所述评分计算公式为：s＝s0×p

其中，s表示所述待选结果对应的得分，s0表示所述待选结果的计算参数，p表示所述待选结果的关键词频次。

在一个实施例中，所述第一检索模型中包括预先构建的知识库和专业数据库。

在一个实施例中，所述处理器还用于实现：获取训练数据组，所述训练数据组包括问题数据、所述问题数据对应的正确答案和错误答案；将所述问题数据和所述问题数据对应的正确答案输入卷积神经网络，得到所述问题数据和所述正确答案之间的正余弦相似度；将所述问题数据和所述问题数据对应的错误答案输入所述卷积神经网络，得到所述问题数据和所述错误答案之间的负余弦相似度；基于所述正余弦相似度和所述负余弦相似度计算所述卷积神经网络的损失函数，直至所述卷积神经网络收敛，将收敛的所述神经网络作为预先训练的第二检索模型。

在一个实施例中，所述处理器在实现所述对所述第一检索结果和所述第二检索结果进行融合排序时，用于实现：对所述待检索问题、所述第一检索结果和所述第二检索结果进行特征提取，得到所述待检索问题对应的问题特征向量、所述第一检索结果对应的第一特征向量和所述第二检索结果对应的第二特征向量；计算所述问题特征向量和所述第一特征向量的余弦距离，并根据所述余弦距离得到所述待检索问题与所述第一检索结果之间的相似度值；计算所述问题特征向量和所述第二特征向量的余弦距离，并根据所述余弦距离得到所述待检索问题与所述第二检索结果之间的相似度值；基于所述相似度值的数值大小对所述第一检索结果和所述第二检索结果进行降序排列。

本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项智能问答方法。

其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。

需要强调的是，为进一步保证上述第一检索结果、第二检索结果和排序结果的私密和安全性，上述第一检索结果、第二检索结果和排序结果还可以存储于一区块链的节点中。

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。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。