[發明專利]一種面向知識圖譜問答的復合問句解析方法

有效

• 申請號: 202010166812.9
• 申請日: 2020-03-11
• 公開（公告）號: CN111444316B
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 陳華鈞;楊帆;楊海宏
• 申請（專利權）人: 浙江大學
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/332;G06F16/36;G06N3/0442;G06N3/045;G06N3/048;G06N3/084;G06N3/092
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 胡紅娟

1.一種面向知識圖譜問答的復合問句解析方法，其特征在于，包括：

(1)接收客戶提出的復合問題，獲得復合問題的中心詞，作為查詢的起點；

(2)在解耦器中，將復合問題分解為多個簡單問題，其中，解耦器包括輸入模塊、記憶模塊和動作模塊，

其中，所述輸入模塊中每個單詞都對應一個嵌入向量和一個動作，每個動作對應一個獨熱嵌入向量，獨熱嵌入向量a＝{a₁,a₂,……a_i,a_N}，a_i為每個單詞的獨熱嵌入向量，嵌入向量e＝{e₁,e₂,……e_i,e_N}，e_i為每個單詞的嵌入向量，輸入模塊在迭代過程中，將單詞的嵌入向量與該單詞對應的上一次的動作的獨熱嵌入向量連接起來，得到輸出向量作為記憶模塊的輸入向量，每個單詞對應的記憶模塊的輸入向量xi＝[e_i,a_i-1]，ei為每個單詞的嵌入向量；a_i-1為每個單詞對應的上一次的動作的獨熱嵌入向量；

所述記憶模塊利用長短期記憶神經網絡LSTM存儲輸入模塊的輸出向量，在每次迭代時更新記憶模塊所處狀態，并輸出記憶模塊當前層所處的狀態與當前所處的隱藏狀態的兩個狀態的連接作為解耦器當前所處的狀態向量，其中，記憶模塊所處狀態通過以下公式計算：

i_i＝σ(w_i[x_i,h_i-1]+b_i)

f_i＝σ(w_f[x_i,h_i-1]+b_f)

g_i＝tanh(w_g[x_i,h_i-1]+b_g)

o_i＝σ(w_o[x_i,h_i-1]+b_o)

c_i＝f_i⊙c_i-1+i_i⊙g_i

h_i＝o_i⊙tanh(c_i)

其中，x_i為記憶模塊第i步的輸入的輸入模塊的輸出向量；h_i-1，h_i為記憶模塊上一層和當前層的隱藏狀態；c_i-1，c_i表示記憶模塊中上一層和當前層的狀態；W_i，W_f，W_o分別對應LSTM中輸入門，遺忘門以及輸出門的參數矩陣；b_i，b_f，b_o為LSTM中輸入門，遺忘門以及輸出門的偏置；i_i，f_i，o_i為LSTM中輸入門，遺忘門以及輸出門的輸出；g_i表示轉換后的第i步的輸入，用于之后更新當前狀態c_i，w_g，b_g分別為轉換過程的參數矩陣和偏置；[]表示兩個向量的拼接操作；⊙表示兩個向量的內積運算；σ表示sigmoid函數；

記憶模塊當前層所處的狀態與當前所處的隱藏狀態的兩個狀態的連接通過以下公式計算：

s_i＝[c_i,h_i]

其中，s_i表示記憶模塊第i步所處的狀態c_i與當前所處的隱藏狀態h_i的連接；

所述動作模塊根據解耦器當前所處狀態選擇相應的動作，幫助決定后續的狀態轉移；根據解耦器當前狀態選擇兩層的前饋神經網絡生成選擇的動作，迭代完成后，復合問題的每個單詞都對應著一個動作，把擁有相同動作的單詞聚合為一組，表示一個簡單問題，這樣就將一個復合問題分解為了多個簡單問題；

(3)在關系檢測器中，計算步驟(2)得到的簡單問題與各個候選關系的匹配概率，選擇概率最大的關系作為該簡單問題所屬的關系，以中心詞為起點、各個簡單問題所屬的關系為邊，在知識圖譜中進行匹配，得到復合問題的答案。