CN107992528B - 利用可解释推理网络的多关系问答系统 - Google Patents

利用可解释推理网络的多关系问答系统 Download PDF

Info

Publication number
CN107992528B
CN107992528B CN201711115025.6A CN201711115025A CN107992528B CN 107992528 B CN107992528 B CN 107992528B CN 201711115025 A CN201711115025 A CN 201711115025A CN 107992528 B CN107992528 B CN 107992528B
Authority
CN
China
Prior art keywords
hop
current
question
relationship
representation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711115025.6A
Other languages
English (en)
Other versions
CN107992528A (zh
Inventor
黄民烈
周曼桐
朱小燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201711115025.6A priority Critical patent/CN107992528B/zh
Publication of CN107992528A publication Critical patent/CN107992528A/zh
Application granted granted Critical
Publication of CN107992528B publication Critical patent/CN107992528B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种利用可解释推理网络的多关系问答方法，其通过多跳方式进行，所述方法包括：步骤1、将输入的问题转换为分布式的问题表示；步骤2、根据前一跳的推理状态和前一跳的问题表示，预测当前跳的关系；步骤3、如果所预测的当前跳的关系并非终止关系，则根据所预测的当前跳的关系，将所述前一跳的推理状态和所述前一跳的问题表示更新为当前跳的推理状态和当前跳的问题表示，并作为下一跳返回到步骤2，否则，转到步骤4；以及所述步骤4、根据当前跳的推理状态，确定并输出当前跳的回答。该方法可提供可追踪和可观察的中间预测，用于推理分析和故障诊断。

Description

利用可解释推理网络的多关系问答系统
技术领域
本发明涉及人工智能和互联网技术领域，具体地，涉及利用可解释推理网络的(开放领域)多关系问答系统。
背景技术
基于知识库的问答系统是信息检索系统的一种高级形式，可以用准确、简洁的自然语言回答用户用自然语言表达的问答查询服务请求。具体地，给定自然语言问题，通过对问题进行语义理解和解析，进而利用知识库进行查询，通过检索相关领域知识数据库而给出问题的答案。
在该类问答系统中，开放领域问答(QA)一直是人工智能领域的热门话题，近年来，诸如Freebase的大型知识库也为该任务提供了便利。然而，由于语言和知识的多样性和复杂性，基于知识库的开放领域问答仍然是具有挑战性的任务。
基于知识库的问答可按照关系数量分为单关系问答和多关系问答这两种类型。
单关系问题，如“奥巴马多大？”，可以通过在知识库中找到一个事实三元组来回答。这一任务已经得到了广泛研究。
相比之下，多关系问题，如“举出作为多特蒙德俱乐部的前锋的足球运动员”，需要通过跨越多个事实三元组的推理来回答，在该问题中，提到了不止一个实体和关系。与单关系问答相比，多关系问答仍处于有待研究开发的阶段。
对开放领域问答的先前研究大致可分为两个技术路线：语义解析和基于嵌入的模型。语义分析模型以人工生成的特征和人工注释为代价获得有竞争性的性能，但缺乏推广到其他领域的能力。具体地，语义分析方法将问题映射到逻辑形式查询，这种方法是有效的，但有关于数据注释和模式/语法工程的繁重代价。
相比之下，基于嵌入的模型可以在弱监督下进行端到端的训练。虽然这些方法可成功地处理简单问题，但对多关系问题或其他复杂问题的回答还远远没有解决，因为这样的任务需要推理或其他精细处理。
因而，由于缺乏推理(reasoning)能力，现有的开放领域问答的实现方法不足以处理多关系问答。
推理是回答多关系问题和其他复杂问题的一个关键因素。现有的推理工作主要集中于机器理解(MC)，这要求模型对文档进行推论。然而，将现有的MC方法转换为QA并非理所当然的。一个原因在于，MC中的推理焦点通常是理解文档，而不是解析相对简单的问题，其目的在于将问题与文档中的子字符串匹配，或者利用文档中的多个句子进行推理。另一个原因在于，现有的推理网络通常是以黑盒方式设计的，使模型缺乏可解释性，而在多关系问题回答中，可解释性的推理过程是该任务成功的关键因素之一。
其他应用逐跳推理的研究可以在神经编程器和神经问询器中看到，其中提出了深层网络来分析问题并执行对表的查询。然而，神经编程器需要预定义的符号运算，因此可能不适合其他操作，而神经问询器缺乏显式解释。
发明内容
考虑到现有技术的上述问题，发明人提出了一种新的可解释性推理网络(IRN)，其具有回答复杂的多关系问题的推理能力。
具体地，本公开的发明人考虑到现有技术的上述问题而提出了新的可解释性推理网络(InterpretableReasoning Network，IRN)，其采用可解释性、逐跳推理过程来完成QA任务，其原理性的实现方式可包括：动态地决定应在每一跳中分析输入问题的哪个部分；找到(预测)与当前解析的问题结果相对应的关系；利用所预测的关系更新问题表示、以及推理过程的状态；然后驱动下一跳推理。
根据本发明的实施例，提供了一种利用可解释推理网络的多关系问答方法，包括：步骤1、将输入的问题转换为分布式的问题表示；步骤2、根据之前的推理状态和之前的问题表示，预测当前关系；步骤3、如果所预测的当前关系并非终止关系，则根据所预测的当前关系，将所述之前的推理状态和所述之前的问题表示更新为当前推理状态和当前问题表示，并返回到步骤2，否则，转到步骤4；以及步骤4、根据当前推理状态，确定并输出当前回答。
根据本发明的实施例，提供了一种处理装置，其包括存储单元和处理单元，所述存储单元存储有可读程序，所述程序由处理单元读取并执行时，实现上述方法。
根据本发明的实施例，提供了一种存储介质，其存储有机器可读取的程序，所述程序由机器读取并执行时，实现上述方法。
根据本发明的实施例，提供了一种利用可解释推理网络的多关系问答系统，包括输入模块、推理模块、以及回答模块，其中，
所述输入模块被配置用于：将输入的问题转换为分布式的问题表示，
所述推理模块被配置用于：根据之前的推理状态和之前的问题表示，预测当前关系，
所述输入模块还被配置用于：如果所预测的当前关系并非终止关系，则根据所预测的当前关系，将所述之前的问题表示更新为当前问题表示，
所述推理模块还被配置用于：如果所预测的当前关系并非终止关系，则根据所预测的当前关系，将所述之前的推理状态表示更新为当前推理状态，
所述回答模块被配置用于：根据当前推理状态，确定并输出当前回答。
本发明的有益效果主要在两个方面：
1、设计了可解释推理网络，它可以在知识库中对具有多个事实三元组的复杂问题进行推理；
2、本发明的模型比现有的推理网络具有更高的可解释性，其中，逐跳推理过程可以进行中间预测，从而为所预测的实体和关系提供可追踪的结果。
实验表明，本发明的模型具有良好的性能，在两个数据集上取得了最先进的结果。更有价值的是，该网络模型可提供可追踪和可观察的中间预测，用于推理分析和故障诊断。
附图说明
图1为根据本发明的实施例的利用可解释推理网络的多关系问答方法的架构示意图。
图2为根据本发明的实施例的利用可解释推理网络的多关系问答方法的并联架构示意图。
具体实施方式
下面，结合附图对技术方案的实施作进一步的详细描述。
本领域的技术人员能够理解，尽管以下的说明涉及到有关本发明的实施例的很多技术细节，但这仅为用来说明本发明的原理的示例、而不意味着任何限制。本发明能够适用于不同于以下例举的技术细节之外的场合，只要它们不背离本发明的原理和精神即可。
另外，为了避免使本说明书的描述限于冗繁，在本说明书中的描述中，可能对可在现有技术资料中获得的部分技术细节进行了省略、简化、变通等处理，这对于本领域的技术人员来说是可以理解的，并且这不会影响本说明书的公开充分性。
下面结合附图对具体实施方案进行详细描述。
图1为根据本发明的实施例的利用可解释推理网络的多关系问答系统的架构示意图。
如图1所示，所述利用可解释推理网络的多关系问答系统主要包括输入模块、推理模块、以及回答模块。该输入模块根据推理模块的推理结果，将该问题编码成分布式表示，并逐跳更新表示。推理模块通过问题的命名实体对其状态进行初始化，并在当前问题和推理状态的条件下，预测在当前跳时应该关注的关系。利用预测关系逐跳对状态向量和问题表示进行更新。回答模块根据推理模块的状态预测实体。
发明人构思上述配置的思路是为复杂的问题设计可解释的推理过程：推推理模块决定在每一跳时应分析所输入的问题的哪个部分，并找到与当前解析的问题结果相对应的知识库(KB)关系。
所选择的关系将用于更新问题表示和推理模块的状态，并有助于下一跳的推理。在每一跳时，将根据推理模块的当前状态预测实体(entity)。
与以往的模型不同，本发明的系统是可解释的，即，每跳中的预测关系和实体是可追溯和可观察的。在每跳中，本发明的系统的具体目的在于：在对问题进行迭代分析的基础上，找到合适的关系，并且每跳中的中间输出都可以由相应的链接实体来解释。这样，IRN提供了为复杂问题提供完整推理路径的能力，这有助于说明推理分析和故障诊断(将在后面说明)。
具体地，所述输入模块被配置用于：将输入的问题转换为分布式的问题表示，所述推理模块被配置用于：根据之前的推理状态和之前的问题表示，预测当前关系；所述输入模块还被配置用于：如果所预测的当前关系并非终止关系，则根据所预测的当前关系，将所述之前的问题表示更新为当前问题表示；所述推理模块还被配置用于：如果所预测的当前关系并非终止关系，则根据所预测的当前关系，将所述之前的推理状态表示更新为当前推理状态；所述回答模块被配置用于：根据当前推理状态，确定并输出当前回答。
下面以具体示例来说明本发明的实施例，从而有助于理解本发明的原理。即，下面例示如何采用具有上述模块配置的系统来处理自然语言问题的回答。
实施例
首先，需要说明的是，尽管下面以中文或英文作为自然语言的示例，但这是仅仅为了便于理解，而不意味着任何限制。本发明的适用场合并不限于具体语言种类或具体语系。
任务定义：目标是提供可解释的推理网络来回答多关系问题。
给定一个问题q，其命名实体或主题es可以用NER(命名实体识别)工具获得，任务是在知识库中找到一个实体a作为答案。
发明人考虑了两个典型的多关系问题：路径问题和连接问题，而前者是本发明的主要关注点。
路径问题只包含命名实体(主体es)，沿着从几个关系和相应的中间实体组成的回答路径来找到它的答案(对象a)。
示例问题(以中英文作为对照)：
中文：奥巴马的女儿是多大？
英文：How old is Obama's daughter？
所涉及的三元组：
中文：<巴拉克奥巴马，孩子，玛利亚奥巴马>，<玛利亚奥巴马，年龄，18>
英文：<Barack_Obama,CHILDREN,Malia_Obama>,<Malia_Obama,AGE,18>
回答：18
下面说明使用IRN产生上述回答的过程。
一、首先，初始化问题表示q0和状态s0，即，用于第1跳计算的初始值(第0跳)。
Figure BDA0001466002000000061
每个词用向量表示成xi：多
Figure BDA0001466002000000062
大
Figure BDA0001466002000000063
是(is)
Figure BDA0001466002000000064
奥巴马
Figure BDA0001466002000000065
的(′s)
Figure BDA0001466002000000066
女儿
Figure BDA0001466002000000067
问题有多少词，下标i的上界n就是几，初始问题将被表示成
Figure BDA0001466002000000068
在本例中，xi(q0)的维度是50，是通过随机初始化，后训练得来。词向量的引入是深度学习做NLP的通用做法。
同时，用问题里的命名实体(barack_obama)初始化推理状态
Figure BDA0001466002000000069
在本例中，s0的维度是50。
二、根据前一跳输出的问题表示(第一跳是初始化的)q0和状态s0，在第1跳中，计算KB中的全部关系的各自概率。
这里，如果预定义的END关系(终止关系)概率最大(即问题中不再包含其他待分析的关系，其他关系与当下问题与状态的相似度都很低)，则方法终止，以前一跳输出的回答(answer)作为方法的最终答案。
知识库中的每个关系(位于图1中的关系存储(R)中)，如CHILDREN(孩子)(r1),AGE(年龄)(r2),……PROFESSION(职业)都事先由向量表示,下标j的范围是知识库中关系总数+1(包括额外定义的“END”关系)，例如13：
Figure BDA0001466002000000071
Mrq将关系(CHILDREN为例)近似到问题空间，与问题向量内积作为相似度：
Figure BDA0001466002000000072
Mrs将每个关系向量近似到状态空间，与状态向量内积作为相似度：
Figure BDA0001466002000000073
对于r1来说相似度打分为：2.56+0.55＝3.11，
以此类推，每个关系rj能得到一个相似度，在本例中是13个相似度，
gj＝P(rh＝rj|q-1,s-1)＝softmax((Mrqrj)Tq-1+(Mrsrj)Ts-1) (3)
用softmax函数对13个相似度归一化后，得到
Figure BDA0001466002000000074
Figure BDA0001466002000000075
分别表示当下该分析的关系是CHILDREN,AGE,……PROFESSION的概率。
三、根据上面计算的概率gj，挑选最大概率所对应的关系，作为在当前跳中分析出的关系
Figure BDA0001466002000000076
Figure BDA0001466002000000077
的上标表示当前处于第几跳：
Figure BDA0001466002000000078
在本例中，在第一跳(h＝1)中输出概率最大的关系r1(CHILDREN的向量)作为当前关系
Figure BDA0001466002000000081
四、根据在公式(4)中计算的
Figure BDA0001466002000000082
更新第1跳的q1(其它跳以此类推)，
Figure BDA0001466002000000083
在分析出第一个关系为孩子(CHILDREN)，
Figure BDA0001466002000000084
M_rq将其由关系空间里的CHILDREN近似为问题空间里的女儿(daughter)，
Figure BDA0001466002000000085
从问题表示中减去上述关系，避免重复分析：
Figure BDA0001466002000000086
Figure BDA0001466002000000087
表示How+old+is+Obama+’
Figure BDA00014660020000000814
或者：奥巴马的
Figure BDA0001466002000000088
是多大？
五、根据KB中的rj，计算中间状态
Figure BDA0001466002000000089
将所有关系近似到状态空间：
Figure BDA00014660020000000810
六、根据在公式(5)中计算的中间状态、以及在公式(3)中计算的概率
Figure BDA00014660020000000811
计算(更新)第1跳的状态s1。
用公式(3)得到的概率大小做权重，加权平均更新到状态向量里，使得状态向量表达推理过程(s0:Obama,s1:Obama+CHILDREN,s2:Obama+CHILDREN+AGE)
Figure BDA00014660020000000812
在第一跳中为：
Figure BDA00014660020000000813
七、根据在公式(6)中得到的状态s1，计算中间实体e1(即推理得到的实体向量)，
将当下的状态向量映射回问题空间，得到实体(中间实体/最终答案)的近似表示：
e＝Mses (7)
Mse为将推理状态映射到实体的矩阵。
在第一跳中为：
Figure BDA0001466002000000091
八、将在公式(7)中得到的近似的实体向量与KB中的实体向量一一对比，确定本跳的实体(回答)。
对于备选答案的实体，都有各自的向量表示，下标k范围是知识库中实体总数：
Figure BDA0001466002000000092
将所有实体的向量与上述e1比较，内积则为相似度，经过softmax归一后就是每个实体被挑选为答案路径上第h+1个实体的概率oh
Figure BDA0001466002000000093
在第一跳中：
Figure BDA0001466002000000094
根据计算结果下标2对应的概率最大，第2个实体e2(malia_obama)则会作为此步的实体被输出。
对于下一跳，重复第二至八步。在本例中，在
Figure BDA0001466002000000095
时找到最终答案实体“18”。
需要说明的是，上述所有用到的词向量、关系向量、实体向量和空间变换矩阵均为随机初始化，经过训练得来。所有公式里的上标h的范围是网络根据输入的问题动态决定的，是答案路径长度+1，比如分析问题“How old is Obama’s daughter？”需要2个三元组，答案路径长度为2，则h＝1,2,3。
发明人通过实验，将本发明与现有技术进行性能方面的比较。对路径问题(PQ)的多关系问题回答的性能进行了评价。结果如下表所示。
Figure BDA0001466002000000101
其中，Random一行表示随机匹配方式的准确率；Embed表示通过在嵌入空间中将问题和答案匹配来处理事实型问答；Subgraph通过利用回答路径和实体的子图来丰富答案实体的表示；MemN2N是典型的端到端记忆单元网络，可用于机器理解和问答，在MemN2N-T中，记忆单元由对应的答案路径的本地子图中的相关三元组组成，在MemN2N-E中，记忆单元存储单个实体和关系而不是三元组；IRN-weak是本发明的模型，它只使用了来自最终答案实体而不是完整的答案路径的监督，IRN是本发明的标准模型。表中的数值为对于不同数据集的准确度。
上表中的结果表明，本发明的系统在2跳关系问题和3跳关系问题上都优于基线。
此外，作为本发明的扩展，IRN不仅限于路径问题，还可处理连接问题(即，具有多主题(命名实体)的问题)。例如，可参见图2的概念，其为根据本发明的实施例的利用可解释推理网络的多关系问答方法的并联架构示意图。
如图2所示，对于包含多个主题实体的连接问题，可以通过并行执行多个IRN来找到答案，然后得到单个候选答案的最终概率。其中每个IRN的执行过程都类似于上述过程，在此不再赘述。
最后，本领域的技术人员能够理解，对本发明的上述实施例能够做出各种修改、变型及替换，其均落入如所附权利要求限定的本发明的保护范围。

Claims (9)

1.一种利用可解释推理网络的多关系问答方法，其通过多跳方式进行，所述方法包括：
步骤1、将输入的问题转换为分布式的问题表示；
步骤2、根据前一跳的推理状态和前一跳的问题表示，以及知识库中各个关系的概率，预测当前跳的关系；
步骤3、如果所预测的当前跳的关系并非终止关系，则根据所预测的当前跳的关系，将所述前一跳的推理状态和所述前一跳的问题表示更新为当前跳的推理状态和当前跳的问题表示，其中包括通过在所述前一跳的推理状态中加入由所述当前跳的关系确定的第一部分，将所述前一跳的问题表示更新为当前跳的推理状态，通过从所述前一跳的问题表示中去除由所述当前跳关系确定的第二部分，将所述前一跳的问题表示更新为当前跳的问题表示，并作为下一跳返回到步骤2，否则，转到步骤4，所述步骤3包括：
步骤3-1、根据知识库中的关系，计算中间状态；
步骤3-2、根据上述中间状态、以及概率，更新当前跳的推理状态，
步骤3-3、根据在步骤2中计算的当前跳的关系，更新当前跳的问题表示；以及
所述步骤4、根据当前跳的推理状态，确定并输出当前跳的回答，其中包括：
步骤4-1、根据在步骤3-2中得到的推理状态，计算中间实体；
步骤4-2、将在步骤4-1中得到的中间实体与知识库中的实体一一对比，确定当前跳的回答，即第j个实体的概率。
2.根据权利要求1所述的多关系问答方法，其中，所述步骤1包括：通过命名实体识别方法，确定所述问题的主题，并将初始推理状态s0设置为所述主题。
3.根据权利要求2所述的多关系问答方法，其中，所述步骤1包括：初始化问题表示
Figure FDA0003610624670000011
其中，xi是所述输入的问题对应的词向量。
4.根据权利要求1所述的多关系问答方法，其中，在所述步骤2中，根据知识库中各个关系的概率
Figure FDA0003610624670000012
预测当前跳的关系
Figure FDA0003610624670000013
Figure FDA0003610624670000014
Figure FDA0003610624670000021
其中，上标h和h-1表示跳数，Mrq为将关系映射到问题空间的矩阵，Mrs为将关系映射到状态空间的矩阵，rj为知识库中的关系，下标j的取值上界为知识库中的关系总数。
5.根据权利要求4所述的多关系问答方法，其中，所述步骤3包括：
步骤3-1、根据知识库中的关系rj，计算中间状态
Figure FDA0003610624670000022
如下：
Figure FDA0003610624670000023
步骤3-2、根据上述中间状态
Figure FDA0003610624670000024
以及概率
Figure FDA0003610624670000025
更新当前跳的推理状态sh，如下：
Figure FDA0003610624670000026
6.根据权利要求4所述的多关系问答方法，其中，所述步骤3包括：
步骤3-3、根据在公式(4)中计算的当前跳的关系
Figure FDA0003610624670000027
更新当前跳的问题表示qh，
Figure FDA0003610624670000028
7.根据权利要求5所述的多关系问答方法，其中，所述步骤4包括：
步骤4-1、根据在公式(6)中得到的推理状态sh，计算中间实体eh，如下：
eh＝Msesh (7)
其中，Mse为将推理状态映射到实体的矩阵；
步骤4-2、将在公式(7)中得到的中间实体eh与知识库中的实体ej一一对比，确定当前跳的回答，即第j个实体的概率
Figure FDA0003610624670000029
如下：
Figure FDA00036106246700000210
8.根据权利要求1所述的多关系问答方法，其中，在所述步骤1中，将输入的问题转换为多个分布式的问题表示，并为每个问题表示确定各自的主题，并且，依照所述问题表示的个数而并行独立进行步骤2至4的过程，根据并行独立进行的过程的输出而确定最终输出。
9.一种利用可解释推理网络的多关系问答系统，包括输入模块、推理模块、以及回答模块，其中，
所述输入模块被配置用于：将输入的问题转换为分布式的问题表示；
所述推理模块被配置用于：根据前一跳的推理状态和前一跳的问题表示，以及知识库中各个关系的概率，预测当前跳的关系：
所述输入模块还被配置用于：如果所预测的当前跳关系并非终止关系，则根据所预测的当前跳关系，将所述前一跳的问题表示更新为当前跳的问题表示，其中包括通过在所述前一跳的推理状态中加入由所述当前跳关系确定的第一部分，将所述前一跳的问题表示更新为当前跳的推理状态，通过从所述前一跳的问题表示中去除由所述当前跳关系确定的第二部分，将所述前一跳的问题表示更新为当前跳的问题表示，并作为下一跳返回到推理模块，否则，转到回答模块，所述输入模块包括：
模块3-1、根据知识库中的关系，计算中间状态；
模块3-2、根据上述中间状态、以及概率，更新当前跳的推理状态；
模块3-3、根据在所述推理模块中计算的当前跳的关系，更新当前跳的问题表示；以及
所述推理模块还被配置用于：如果所预测的当前跳关系并非终止关系，则根据所预测的当前跳关系，将所述前一跳的推理状态表示更新为当前跳的推理状态，
所述回答模块被配置用于：根据当前跳的推理状态，确定并输出当前跳的回答，其中包括：
模块4-1、根据在模块3-2中得到的推理状态，计算中间实体；
模块4-2、将在模块4-1中得到的中间实体eh与知识库中的实体一一对比，确定当前跳的回答，即第j个实体的概率。
CN201711115025.6A 2017-11-13 2017-11-13 利用可解释推理网络的多关系问答系统 Active CN107992528B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711115025.6A CN107992528B (zh) 2017-11-13 2017-11-13 利用可解释推理网络的多关系问答系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711115025.6A CN107992528B (zh) 2017-11-13 2017-11-13 利用可解释推理网络的多关系问答系统

Publications (2)

Publication Number Publication Date
CN107992528A CN107992528A (zh) 2018-05-04
CN107992528B true CN107992528B (zh) 2022-07-05

Family

ID=62030807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711115025.6A Active CN107992528B (zh) 2017-11-13 2017-11-13 利用可解释推理网络的多关系问答系统

Country Status (1)

Country Link
CN (1) CN107992528B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232113B (zh) * 2019-04-12 2021-03-26 中国科学院计算技术研究所 一种提高知识库问答准确度的方法及系统
CN110717019A (zh) * 2019-08-28 2020-01-21 厦门快商通科技股份有限公司 问答处理方法、问答系统、电子设备及介质
CN110837550B (zh) * 2019-11-11 2023-01-17 中山大学 基于知识图谱的问答方法、装置、电子设备及存储介质
CN111475636B (zh) * 2020-06-24 2020-11-06 北京金山数字娱乐科技有限公司 信息提取方法和装置、设备及存储介质
CN114880443B (zh) * 2021-02-05 2024-03-12 腾讯科技（深圳）有限公司 问题生成方法、装置、计算机设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820694A (zh) * 2015-04-28 2015-08-05 中国科学院自动化研究所 基于多知识库和整数线性规划ilp的自动问答方法和系统
CN105095195A (zh) * 2015-07-03 2015-11-25 北京京东尚科信息技术有限公司 基于知识图谱的人机问答方法和系统
CN106776797A (zh) * 2016-11-22 2017-05-31 中国人名解放军理工大学 一种基于本体推理的知识问答系统及其工作方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10127274B2 (en) * 2016-02-08 2018-11-13 Taiger Spain Sl System and method for querying questions and answers

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820694A (zh) * 2015-04-28 2015-08-05 中国科学院自动化研究所 基于多知识库和整数线性规划ilp的自动问答方法和系统
CN105095195A (zh) * 2015-07-03 2015-11-25 北京京东尚科信息技术有限公司 基于知识图谱的人机问答方法和系统
CN106776797A (zh) * 2016-11-22 2017-05-31 中国人名解放军理工大学 一种基于本体推理的知识问答系统及其工作方法

Also Published As

Publication number Publication date
CN107992528A (zh) 2018-05-04

Similar Documents

Publication Publication Date Title
CN107992528B (zh) 利用可解释推理网络的多关系问答系统
Nangia et al. Listops: A diagnostic dataset for latent tree learning
CN109902165B (zh) 基于马尔科夫逻辑网的智能交互式问答方法、系统、装置
CN113544703B (zh) 高效的离策略信用分配
CN109783817B (zh) 一种基于深度强化学习的文本语义相似计算模型
KR101950985B1 (ko) 휴먼 인스파이어드된 간단한 질문 응답(hisqa)을 위한 시스템 및 방법
Brighton Compositional syntax from cultural transmission
Langdon et al. Foundations of genetic programming
Kirby et al. From UG to universals: Linguistic adaptation through iterated learning
CN108628935A (zh) 一种基于端到端记忆网络的问答方法
CN112214608B (zh) 基于知识推理的文本生成方法、介质、装置和计算设备
Kim et al. A Bi-LSTM memory network for end-to-end goal-oriented dialog learning
CN111476038A (zh) 长文本生成方法、装置、计算机设备和存储介质
CN113705196A (zh) 基于图神经网络的中文开放信息抽取方法和装置
Ribeiro et al. Predicting state changes in procedural text using analogical question answering
CN110502613B (zh) 一种模型训练方法、智能检索方法、装置和存储介质
Gardner et al. Combining vector space embeddings with symbolic logical inference over open-domain text
Qiu et al. Confabulation based sentence completion for machine reading
Sitara et al. SSN MLRG at VQA-MED 2021: An Approach for VQA to Solve Abnormality Related Queries using Improved Datasets.
Kumar et al. Deep learning driven natural languages text to sql query conversion: A survey
Rasekh et al. EDNC: Evolving differentiable neural computers
CN117131933A (zh) 一种多模态知识图谱建立方法及应用
CN109977194B (zh) 基于无监督学习的文本相似度计算方法、系统、设备及介质
CN114579605B (zh) 表格问答数据处理方法、电子设备及计算机存储介质
CN112100342A (zh) 一种基于知识表示学习技术的知识图谱问答方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant