1.一种基于多任务学习的问答方法，其特征在于：包括以下步骤：

S1：为每个任务配备特定于任务的siamese编码器，将预处理后的句子编码为分布式向量表示；

S2：利用一个共享的表示学习层在不同的任务之间共享高级信息；

S3：特定于任务的softmax层分类，对于第k个任务中的问答对 及其标签 最后的特征表示形式被输入特定于任务的softmax层进行二进制分类；

S4：多任务学习：训练多任务学习模型，使交叉熵损失函数最小化；

步骤S1中，每个特定于任务的siamese编码器都包含一个单词编码器和一个知识编码器，用于学习完整的句子表示；

所述单词编码器使用双向长短期记忆网络Bi‑LSTM捕获上下文信息，所述单词编码器的输入为词向量表示序列Ew＝{ew1,ew2,…,ewl}，第l个词的输出用 表示，其中为前向网络的输出， 为后向网络的输出，给定问题q和答案a的一对序列，为问题和答案生成基于单词的句子表示 即， 其中L和dh分别表示句子的长度和隐藏单元的大小；

所述知识编码器的输入为知识向量表示序列Ek＝{ek1,ek2,…,ekl}，所述知识向量表示序列是由一系列符号化的实体或关系名组成的，由于实体长度的不确定性，采用多个不同

1 2 n

大小的滤波器得到不同的输出向量{H ,H ,…,H}，其中Hi为第i个滤波器得到的输出向量，全连接层输入这些向量获得知识的句子表示 其中L是句子的长度，df是滤波器的总尺寸，根据问题q和答案a，基于知识的句子表示形式为:

2.根据权利要求1所述的基于多任务学习的问答方法，其特征在于：步骤S2中，还包括集成所有任务的编码向量，并通过高级共享Siamese Bi‑LSTM生成最终的问答表示，即，Sq＝Bi‑LSTM(Hq)；Sa＝Bi‑LSTM(Ha)，其中，Sq表示基于双向长短期记忆模型的共享表示层的问题输出，Hq表示问句向量表示；同理，Sa表示基于双向长短期记忆模型的共享表示层的答案输出，Ha表示答案向量表示。

3.根据权利要求1所述的基于多任务学习的问答方法，其特征在于：步骤S2中，还包括应用平均池化，对Bi‑LSTM的输出应用平均池化操作，sq＝Average(Sq),sa＝Average(Sa)，最终特征空间表示为x＝[sq,sa,xol]。

4.根据权利要求1所述的基于多任务学习的问答方法，其特征在于：步骤S3中，所述二t进制分类，包括 其中p 为预测概率， 和 为隐层中任

务特定权重矩阵和偏置向量。

5.根据权利要求1所述的基于多任务学习的问答方法，其特征在于：步骤S4中，所述多任务学习包括 其中，L为交叉熵损失函数，λt表示一个决定第t次任务的权重参数, 是问题答案对 的真实标签， 是问题答案对的预测概率。