[發明專利]基于深度學習技術的知識圖譜問答方法、裝置及設備

在審

• 申請號: 202010550506.5
• 申請日: 2020-06-16
• 公開（公告）號: CN111506722A
• 公開（公告）日: 2020-08-07
• 發明（設計）人: 張圣
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F16/36;G06F40/211;G06F40/295;G06F40/35;G06N3/04;G06N3/08
• 代理公司: 深圳市明日今典知識產權代理事務所(普通合伙) 44343
• 代理人: 王杰輝

1.一種基于深度學習技術的知識圖譜問答方法，其特征在于，包括：

接收用戶的問題語句；

利用基于LSTM+CRF的序列標注模型對所述問題語句進行實體識別，得到所述問題語句中的實體信息；

利用基于注意力機制的屬性識別模型對所述問題語句進行屬性識別，得到所述問題語句中的屬性信息；

對所述屬性信息進行屬性拓展和屬性標準化，得到對應到知識圖譜中的標準屬性；

根據所述實體信息和所述標準屬性生成知識圖譜的結構化查詢，在知識圖譜中查詢答案，將查詢到的答案返回給用戶。

2.根據權利要求1所述的基于深度學習技術的知識圖譜問答方法，其特征在于，所述利用基于LSTM+CRF的序列標注模型對所述問題語句進行實體識別，得到所述問題語句中的實體信息的步驟包括：

將所述問題語句分詞，輸入實體識別模型的Token Embedding層，將單詞轉化為詞向量；

將詞向量輸入到實體識別模型的Bi-LSTM層，得到第一隱藏向量；

將第一隱藏向量輸入到實體識別模型的CRF層，得到預測標簽序列；

根據預測標簽序列確定所述問題語句中的實體信息。

3.根據權利要求1所述的基于深度學習技術的知識圖譜問答方法，其特征在于，所述利用基于注意力機制的屬性識別模型對所述問題語句進行屬性識別，得到所述問題語句中的屬性信息的步驟包括：

對所述問題語句進行分詞處理得到詞序列，通過Word Embedding獲取每個詞的詞向量w₁，w₂…，w_n；

將詞向量w₁，w₂…，w_n映射成對應的概念詞向量e₁，e₂…，e_n；

將概念詞向量e₁，e₂…，e_n輸入到屬性識別模型的Bi-LSTM層，并使用實體層的表征向量Entity進行Attention操作得到第二隱藏向量h₁，h₂…，h_n；

將第二隱藏向量h₁，h₂…，h_n再次輸入到屬性識別模型的Bi-LSTM層，并使用短語層的表征向量Phrase進行Attention操作，并對輸出的第三隱藏向量進行加權求和，得到表征向量Vector；

將表征向量Vector輸入到屬性識別模型的全連接層并進行Softmax操作，得到所述問題語句中的屬性信息。

4.根據權利要求1所述的基于深度學習技術的知識圖譜問答方法，其特征在于，所述對識別到的屬性進行屬性拓展和屬性標準化，得到對應到知識圖譜中的標準屬性的步驟包括：

提取用戶問題語句中的實體和第一屬性詞；

根據所述用戶問題語句中的實體，在知識圖譜中查找與該實體匹配的多個第二屬性詞；

計算所述第一屬性詞和多個所述第二屬性詞之間的相關度，并根據相關度對多個所述第二屬性詞進行篩選，確定出一個或多個第三屬性詞；

如果存在多個第三屬性詞，統計每個第三屬性詞在知識圖譜中出現的次數，次數最多的作為標準屬性。

5.根據權利要求1所述的基于深度學習技術的知識圖譜問答方法，其特征在于，所述根據所述實體信息和所述標準屬性生成知識圖譜的結構化查詢，在知識圖譜中查詢答案，將查詢到的答案返回給用戶的步驟包括：

將所述實體信息視為主語或賓語，與所述標準屬性相結合，生成SPARQL查詢，從知識圖譜中檢索并找到對應的三元組；

若將所述實體信息視為主語，則以該三元組中的賓語作為問題的答案；

若將所述實體信息視為賓語，則以該三元組中的主語作為問題的答案；

若沒有檢索到對應的三元組，則提示系統尚未收錄該問題。