[發(fā)明專利]基于知識圖譜補全的問答方法

有效

• 申請?zhí)枺?/td>: 202010937656.1
• 申請日: 2020-09-07
• 公開（公告）號: CN112015868B
• 公開（公告）日: 2022-08-26
• 發(fā)明（設計）人: 趙芬;李銀國;李俊;王新恒
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/332;G06F16/36;G06F40/295;G06F40/30;G06N3/04;G06N3/08
• 代理公司: 北京同恒源知識產(chǎn)權代理有限公司 11275
• 代理人: 趙榮之

1.一種基于知識圖譜補全的問答方法，其特征在于：包括以下步驟：

S1：將輸入的自然語言問題Q劃分為詞或短語；

S2：利用字向量模型BERT將詞表征為向量，得到矩陣作為模型輸入；

S3：利用實體識別技術識別Q中的實體e_question,獲取候選實體集{e_KGs}；

S4：查詢e_KGs的類別c，用c替換Q中的實體e_question，標記為Q_c；

S5：構建聲明式查詢cypher，獲取候選三元組集{(e_i,r_ij,e_j)}，從而獲取到候選關系集{r_ij}；

S6：基于Q_c和r_ij的關系鏈接：計算Q_c和r_ij的余弦相似度，獲取其語義相似度；

S7：在KGs中，如果e_KGs和r_ij之間缺少關系，則執(zhí)行步驟S8，否則執(zhí)行步驟S11；

S8：學習實體e_KGs和e_KGs鄰域內實體的新的向量表示；

S9：估計中心實體鄰域內實體的重要性；

S10：基于現(xiàn)存的相關的三元組執(zhí)行關系預測；

S11：基于實體和關系的知識圖推理，獲得答案A。

2.根據(jù)權利要求1所述的基于知識圖譜補全的問答方法，其特征在于：在所述步驟S1中，通過HanLP與Stanford parser中的CRF句法分析器與最大熵依存句法分析器將Q劃分為詞或短語。

3.根據(jù)權利要求1所述的基于知識圖譜補全的問答方法，其特征在于：在步驟S3中，具體包括以下步驟：

S31：利用雙向長短期記憶網(wǎng)絡Bi-LSTM模型對問句中每個單詞是否為實體進行預測；

S32：采用前、后向兩個長短期記憶網(wǎng)絡LSTM單元對輸入序列(x₁,x₂,...,x_t-1,x_t)進行處理，輸出為兩個LSTM輸出向量的拼接其中，為前向序列的輸出，為后向序列的輸出；

S33：Bi-LSTM層的輸出被送入sigmoid層進行處理，即

輸出層的輸出向量為y＝(y₁,y₂,...,y_n)，其中n為輸入序列的長度，輸出向量長度與輸入序列是保持一致的，y_i對應輸入Q中第i個單詞的標注信息，如果為“1”則表示實體，反之則不是；

S34：使用均方誤差作為損失函數(shù)，即

其中，ω為權重，b為偏差，y_i為模型的預測值，z_i為目標值，λ為控制正規(guī)化的超參數(shù)，為L2正規(guī)化。

4.根據(jù)權利要求1所述的基于知識圖譜補全的問答方法，其特征在于：步驟S4中，具體包括：

利用潛在狄利克雷主題模型來概念化Q中的實體，通過結合主題模型潛在狄利克雷分配和一個大規(guī)模概率KGs，捕獲單詞之間的語義關系，開發(fā)一個基于語料庫的上下文相關概念化框架。

5.根據(jù)權利要求1所述的基于知識圖譜補全的問答方法，其特征在于：所述步驟S5中，在識別到Q中實體后，根據(jù)實體名稱在KGs中進行聲明式查詢cypher，查詢到相關三元組{(e_i,r_ij,e_j)}，從而獲取到候選關系集{r_ij}。