(EN) Disclosed are an answer generation method and apparatus based on a neural network model, a computer device and a storage medium. The method comprises: acquiring a question sentence, performing word vector conversion on the question sentence, extracting a word vector of a question word in the question sentence, which has been subjected to word vector conversion, acquiring information of the position of the question word in the question sentence, and splicing the position information and the word vector of the question word to obtain a position word vector (S1); sequentially inputting, as parameters, the word vector and the position word vector of the question word into a preset word vector embedding model to obtain an embedded word vector and a sample word vector (S2); simultaneously inputting, as parameters, the sample word vector and the embedded word vector into a memory neural model and performing an operation to obtain an initial answer (S3); and building an initial answer model by taking the initial answer and the position word vector as parameters, and connecting a plurality of initial answer models in series by taking the initial answer as a related item to obtain a final answer model, and determining a candidate answer distribution range of the question sentence according to an output result of the final answer model (S4). By means of the method, the distribution regarding a complex problem can be effectively provided after a plurality of question analysis models are connected in series.
(FR) La présente invention concerne un procédé et un appareil de génération de réponse basés sur un modèle de réseau neuronal, un dispositif informatique et un support d'informations. Le procédé consiste : à acquérir une phrase interrogative, à effectuer une conversion de vecteur de mot sur la phrase interrogative, à extraire un vecteur de mot d'un mot interrogatif dans la phrase interrogative qui a été soumis à une conversion de vecteur de mot, à acquérir des informations de la position du mot interrogatif dans la phrase interrogative, et à épisser les informations de position et le vecteur de mot du mot interrogatif afin d'obtenir un vecteur de mot de position (S1) ; à entrer séquentiellement, comme paramètres, le vecteur de mot et le vecteur de mot de position du mot interrogatif dans un modèle d'intégration de vecteur de mot prédéfini afin d'obtenir un vecteur de mot intégré et un vecteur de mot d'échantillon (S2) ; à entrer simultanément, comme paramètres, le vecteur de mot d'échantillon et le vecteur de mot intégré dans un modèle neuronal de mémoire et à effectuer une opération afin d'obtenir une réponse initiale (S3) ; et à construire un modèle de réponse initiale en prenant la réponse initiale et le vecteur de mot de position comme paramètres, et à relier une pluralité de modèles de réponse initiale en série en prenant la réponse initiale comme élément associé afin d'obtenir un modèle de réponse finale, et à déterminer une plage de distribution de réponse candidate de la phrase interrogative en fonction d'un résultat de sortie du modèle de réponse finale (S4). Au moyen du procédé, la distribution concernant un problème complexe peut être efficacement fournie après que plusieurs modèles d'analyse de question sont reliés en série.
(ZH) 一种基于神经网络模型的答案生成方法、装置、计算机设备和存储介质，包括：获取提问语句，将所述提问语句进行词向量转换，提取词向量转换后的提问语句中问题词的词向量，获取所述问题词在所述提问语句中的位置信息，拼接所述位置信息和所述问题词的词向量后得到位置词向量（S1）；将所述问题词的词向量和所述位置词向量依次入参到预设的词向量嵌入模型后，得到嵌入词向量和样本词向量（S2）；将所述样本词向量与所述嵌入词向量一同入参到记忆神经模型进行运算后，得到初始答案（S3）；以所述初始答案和所述位置词向量作为参数构建初始答案模型，以所述初始答案作为关联项，串接数个所述初始答案模型后得到最终答案模型，根据所述最终答案模型的输出结果，确定所述提问语句的备选答案分布范围（S4）。该方法通过串接多个问题分析模型后，能够有效的给出复杂问题的分布情况。