CN108256065B - 基于关系检测和强化学习的知识图谱推理方法 - Google Patents

基于关系检测和强化学习的知识图谱推理方法 Download PDF

Info

Publication number
CN108256065B
CN108256065B CN201810040955.8A CN201810040955A CN108256065B CN 108256065 B CN108256065 B CN 108256065B CN 201810040955 A CN201810040955 A CN 201810040955A CN 108256065 B CN108256065 B CN 108256065B
Authority
CN
China
Prior art keywords
entity
relation
question
relationship
detection
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
CN201810040955.8A
Other languages
English (en)
Other versions
CN108256065A (zh
Inventor
许皓天
周柳阳
郑卫国
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.)
Wisdom Technology Shenzhen Co ltd
Original Assignee
Wisdom Technology Shenzhen Co ltd
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 Wisdom Technology Shenzhen Co ltd filed Critical Wisdom Technology Shenzhen Co ltd
Priority to CN201810040955.8A priority Critical patent/CN108256065B/zh
Publication of CN108256065A publication Critical patent/CN108256065A/zh
Application granted granted Critical
Publication of CN108256065B publication Critical patent/CN108256065B/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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了基于关系检测和强化学习的知识图谱推理方法，包括：基于领域知识图谱和实体字典的字符串模糊匹配和基于CNN‑LSTM‑CRF的实体识别模型，检测用户输入的问句中的实体，完成实体检测；基于神经网络的语义匹配模型完成关系检测，关系检测模型包括：根据输入的问句以及与该问句相关的关系及不相关的关系，通过神经网络得到低维流形表示，基于该低维流形表示，使用rank loss优化模型参数，以使得问句能够从关系集合中找到与其语义最相近的关系；基于强化学习的知识图谱推理，每个时间步，根据策略函数πθ，在当前实体et下，选择一条out‑going的relationrt+1，走到下一个实体et+1，经过预设的最大的推理路径长度T的序列决策，达到最终的实体eT，实体eT作为问句的答案进行输出。

Description

基于关系检测和强化学习的知识图谱推理方法
技术领域
本发明涉及一种基于关系检测和强化学习的知识图谱推理方法。
背景技术
目前基于知识图谱的问答系统主要基于SPARQL查询语句和Multi-hop的知识图谱embedding方法。
第一种是基于SPARQL查询语句的知识图谱问答系统。该系统将知识图谱存储于图数据库中，系统将用户输入的自然语言问句解析为SPARQL语句，并在图数据库中查询，将查询结果返回用户。该系统能够精准地给出答案，但是，从自然语言问句产生SPARQL是一项困难的任务，需要相关的专家根据历史问答数据，总结出现频率较高的问句模板，并基于问句模板写出对应的SPARQL语句，难以扩展到不同的业务和领域，且难以处理新的问题pattern，难以在线上做迭代更新，需要相关专家不断地人工扩展模板和SPARQL查询语句。
第二种是基于知识图谱embedding的神经网络网络方法。将知识图谱的基本元素三元组，通过TransE的方法，emebdding为向量表示。整体框架使用记忆网络，完成多步的推理并给出答案。该方法依赖知识图谱的embedding表示，迁移到不同的领域后，需要重新训练知识图谱的embedding表示，且TransE难以建模一个实体对应多个关系的情况。另外，基于记忆网络的推理模型，难以处理一个实体包含多个关系的知识图谱，限制了其应用范围。
发明内容
本发明的主要目的是本发明提出一种基于关系检测和强化学习的知识图谱推理系统及方法，不需要人工干预，支持在线自动更新，能够通过神经网络学习更好的低维流形表示，并使用强化学习，学习合理的推理规律。
为实现上述目的，本发明提出的一种基于关系检测和强化学习的知识图谱推理方法，其包括以下步骤：
步骤S10，基于领域知识图谱和实体字典的字符串模糊匹配和基于CNN-LSTM-CRF的实体识别模型，检测用户输入的自然语言问句中的实体，完成实体检测；
步骤S20，基于神经网络的语义匹配模型完成关系检测，关系检测模型包括：根据输入的自然语言问句以及与该自然语言问句相关的关系及不相关的关系，通过神经网络得到低维流形表示，基于该低维流形表示，使用rank loss优化模型参数，以使得自然语言问句能够从关系集合中找到与其语义最相近的关系；
步骤S30，基于强化学习的知识图谱推理，每个时间步，根据策略函数(Policyfunction)πθ，在当前实体et下，选择一条out-going的relationrt+1，走到下一个实体et+1，经过预设的最大的推理路径长度T的序列决策，达到最终的实体eT，所述实体eT作为自然语言问句的答案进行输出。
优选地，步骤S20具体包括:
用户输入的自然语言问句记作u,
通过第一层双向LSTM得到embedding表示：
Figure BDA0001549487880000021
通过第二层双向LSTM得到embedding表示：
Figure BDA0001549487880000022
则用户问句的embedding表示为：
Figure BDA0001549487880000023
关系rtoken(例如born in)和rmerged(例如born_in)也通过相应的双向LSTM得到对应的关系的embedding表示：
Figure BDA0001549487880000024
Figure BDA0001549487880000025
则关系表示为：
Figure BDA0001549487880000026
则优化的目标函数为：
Figure BDA0001549487880000027
其中，
Figure BDA0001549487880000028
表示与u语义相近的关系，并记作Positive relation，而
Figure BDA0001549487880000029
则表示与u语义不相近的句子，并记作negative relation。
优选地，所述步骤S30还包括：引入(et,r,et)自转移关系和(s,r,o)和(o,r-1,s)反向关系，当前推理路径的观测状态记作observation，该observation表示为O＝{et,e1q,rq}，其中，et是当前在图谱上的实体、e1q是用户问句中提到的实体、rq是与用户问句匹配的关系；奖励函数Reward表示为R(sT)＝I(eT＝e2q)，e2q是该模型在知识图谱中的找到的答案实体，当且仅当达到预设的最长推理路径T后，如果eT＝e2q，则赋予1，反之赋予0；动作Action表示为：从当前实体et发射的所有关系的集合At；状态State表示为ht＝LSTM(ht-1,[at-1；ot])，ot是当前时刻的observation,at-1是从前一个时刻实体et-1的所有发射关系的集合At-1中基于策略函数πθ随机选择的关系；在t时刻的关系选取概率πθ，建模为：dt＝softmax(At(W2ReLU(W1[ht；ot；rq])))
at～Categorical(dt)。
优选地，优化函数为期望奖励函数(expected accumulated reward function)：
Figure BDA0001549487880000031
优选地，模型参数θ通过REINFORCE算法进行优化。
优选地，每个训练样本({e2q,e1q,rq})使用multiple rollouts，使得每个样本{e2q,e1q,rq}复制多次，基于当前的策略函数，进行多次不同的推理。
优选地，使用累计衰减奖励期望(expected accumulative discounted reward)作为base-line。
优选地，加入熵(entropy)作为正则项(regularization term)，以使得模型的exploration和exploitation达到更好的平衡。
本发明提供的基于神经网络的关系检测，能够自动地从问句中提取关系，结合当前最好的实体抽取模型，准确从用户问句中抽取实体和关系。基于强化学习的知识图谱推理，加入自转移和逆向关系，能够适应于复杂的图谱连接，支持多步推理且具有回退的机制，使得推理的鲁棒性更强。完整的基于神经网络和强化学习的知识图谱推理系统，无需人工干预，具有更广的适用性，且能够学习到合理的推理路径，具备在线更新能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明基于关系检测和强化学习的知识图谱推理方法的流程图；
图2为本发明基于关系检测和强化学习的知识图谱推理方法的关系检测模型。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参考图1和2，图1为本发明基于关系检测和强化学习的知识图谱推理方法的流程图；图2为本发明基于关系检测和强化学习的知识图谱推理方法的关系检测模型。
本发明提供的基于关系检测和强化学习的知识图谱推理方法包括以下步骤：
步骤S10，基于领域知识图谱的字符串模糊匹配和基于CNN-LSTM-CRF的实体识别模型，检测用户输入的自然语言问句中的实体，以完成实体检测。
步骤S20，基于神经网络的语义匹配模型完成关系检测，该模型计算输入的自然语言问句和来自知识图谱的已有关系的相似性，选择相似度最高的关系表示该自然语言问句代表的关系。关系检测模型包括：根据输入的自然语言问句以及与该自然语言问句相关的关系及不相关的关系，通过神经网络得到低维流形表示，基于该低维流形表示，使用rankloss优化模型参数，以能够自动地从自然语言问句与相关的关系的距离较近，而与不相关的关系的距离较远，从而能够从关系集合中找到与该自动从自然语言问句语义最为相近的关系。应当说明的是，关系集合来自于知识图谱中所有三元组的关系的集合。具体地，用户输入的自然语言问句记作u,
通过第一层双向LSTM得到embedding表示：
Figure BDA0001549487880000041
通过第二层双向LSTM得到embedding表示：
Figure BDA0001549487880000042
则用户问句的embedding表示为：
Figure BDA0001549487880000051
关系rtoken(例如：born in)和rmerged(例如：born_in)也通过相应的双向LSTM得到对应的关系的embedding表示：
Figure BDA0001549487880000052
Figure BDA0001549487880000053
则关系表示为：
Figure BDA0001549487880000054
则优化的目标函数为：
Figure BDA0001549487880000055
其中，
Figure BDA0001549487880000056
表示与u语义相近的关系，并记作Positive relation，而
Figure BDA0001549487880000057
则表示与u语义不相近的句子，并记作negative relation。
步骤S30，基于强化学习的知识图谱推理，将在知识图谱上的推理路径表示为序列决策过程，每个时间步，策略函数(Policy function)πθ，在当前实体et下，选择一条out-going的relation rt+1，走到下一个实体et+1，经过预设的最大的推理路径长度T的序列决策，达到最终的实体eT，所述实体eT作为自然语言问句的答案进行输出。
为了提高模型的鲁棒性，步骤S30引入(et,r,et)自转移关系和(s，r，o)和(o，r-1，s)反向关系，当前推理路径的观测状态记作observation，该observation表示为O＝{et，e1q，rq}，其中，et是当前在图谱上的实体、e1q是用户问句中提到的实体(由字符串模糊匹配和CNN-LSTM-CRF模型检测得到)、rq是与用户问句匹配的关系(由关系匹配模型，将输入的问句与关系集合中的关系计算距离，并排序，选择相似度最高的关系作为问句表示的关系)；奖励函数Reward表示为R(sT)＝I(eT＝e2q)，e2q是该问题在知识图谱中的答案实体，当且仅当达到预设的最长的推理路径T后，如果eT＝e2q，则赋予1，反之赋予0；动作Action表示为：从当前实体et发射的所有关系的集合At；状态State表示为ht＝LSTM(ht-1,[at-1；ot])，ot是当前时刻的observation,at-1是从前一个时刻实体et-1的所有发射关系的集合At-1中基于策略函数πθ随机选择的关系；在t时刻的关系选取概率πθ，建模为：dt＝softmax(At(W2ReLU(W1[ht；ot；rq])))
at～Categorical(dt)。
上述基于强化学习的知识图谱推理，引入自转移和逆向关系，能够适应于复杂的图谱连接，支持多步推理且具有回退的机制，使得推理的鲁棒性更强。为了优化模型参数，在上述策略网络的建模基础之上，使用优化函数为期望奖励函数(expected accumulatedreward function)：
Figure BDA0001549487880000061
为了进一步优化模型参数θ，通过REINFORCE算法进行参数优化。
进一步地，在REINFORCE算法的基础上，还对每个训练样本使用multiplerollouts。每个训练样本({e2q,e1q,rq})使用multiple rollouts，即每个样本{e2q,e1q,rq}复制N次，基于当前的策略函数，进行N次不同的推理，保证推理路径的多样性，提高优化的稳定性和泛化性能。
再者，使用累计衰减奖励期望(expected accumulative discounted reward)作为base-line，减小模型参数优化过程中的方差，使得优化更为平稳、高效。
此外，为了鼓励模型能够走多样性的路径，加入熵(entropy)作为正则项(regularization term)，以使得模型的exploration和exploitation达到更好的平衡即鼓励模型做更多的推理尝试而不是局限在单一的推理路径，提高模型的泛化能力。
本发明提供的基于神经网络的关系检测，能够自动地从问句中提取关系，结合当前最好的实体抽取模型，准确从用户问句中抽取实体和关系。基于强化学习的知识图谱推理，加入自转移和逆向关系，能够适应于复杂的图谱连接，支持多步推理且具有回退的机制，使得推理的鲁棒性更强。完整的基于神经网络和强化学习的知识图谱推理系统，无需人工干预，具有更广的适用性，且能够学习到合理的推理路径，具备在线更新能力。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于关系检测和强化学习的知识图谱推理方法，其特征在于，包括以下步骤：
步骤S10，基于领域知识图谱和实体字典的字符串模糊匹配和基于CNN-LSTM-CRF的实体识别模型，检测用户输入的自然语言问句中的实体，完成实体检测；
步骤S20，基于神经网络的语义匹配模型完成关系检测，关系检测模型包括：根据输入的自然语言问句以及与该自然语言问句相关的关系及不相关的关系，通过神经网络得到低维流形表示，基于该低维流形表示，使用rank loss优化模型参数，以使得自然语言问句能够从关系集合中找到与其语义最相近的关系；
步骤S30，基于强化学习的知识图谱推理，每个时间步，根据策略函数πθ，在当前实体et下，选择一条out-going的relation rt+1，走到下一个实体et+1，经过预设的最大的推理路径长度T的序列决策，达到最终的实体eT，所述实体eT作为自然语言问句的答案进行输出；
其中，步骤S20具体包括：
用户输入的自然语言问句记作u，
通过第一层双向LSTM得到embedding表示：
Figure FDA0003278057600000011
Figure FDA0003278057600000012
通过第二层双向LSTM得到embedding表示：
Figure FDA0003278057600000013
Figure FDA0003278057600000014
则用户问句的embedding表示为：
Figure FDA0003278057600000015
关系rtoken和rmerged也通过相应的双向LSTM得到对应的关系的embedding表示：
Figure FDA0003278057600000016
Figure FDA0003278057600000017
则关系表示为：
Figure FDA0003278057600000021
则优化的目标函数为：
Figure FDA0003278057600000022
其中，
Figure FDA0003278057600000023
表示与u语义相近的关系，并记作Positive relation，而
Figure FDA0003278057600000024
则表示与u语义不相近的句子，并记作negative relation；
并且，所述步骤S30还包括：引入(et，r，et)自转移关系和(s，r，o)和(o，r-1，s)反向关系，当前推理路径的观测状态记作observation，该observation表示为O＝{et，e1q，rq}，其中，et是当前在图谱上的实体、e1q是用户问句中提到的实体、rq是与用户问句匹配的关系；奖励函数Reward表示为R(sT)＝I(eT＝e2q)，e2q是该模型在知识图谱中找到的答案实体，当且仅当达到预设的最长推理路径T后，如果eT＝e2q，则赋予1，反之赋予0；动作Action表示为：从当前实体et发射的所有关系的集合At；状态State表示为ht＝LSTM(ht-1，[at-1；ot])，ot是当前时刻的observation，at-1是从前一个时刻实体et-1的所有发射关系的集合At-1中基于策略函数πθ随机选择的关系；在t时刻的关系选取概率πθ，建模为：dt＝softmax(At(W2ReLU(W1[ht；ot；rq])))；
at～Categorical(dt)。
2.如权利要求1所述的基于关系检测和强化学习的知识图谱推理方法，其特征在于，优化函数为期望奖励函数：
Figure FDA0003278057600000025
3.如权利要求2所述的基于关系检测和强化学习的知识图谱推理方法，其特征在于，模型参数θ通过REINFORCE算法进行优化。
4.如权利要求3所述的基于关系检测和强化学习的知识图谱推理方法，其特征在于，每个训练样本{e2q，e1q，rq}使用multiple rollouts，使得每个样本{e2q，e1q，rq}复制多次，基于当前的策略函数，进行多次不同的推理。
5.如权利要求3所述的基于关系检测和强化学习的知识图谱推理方法，其特征在于，使用累计衰减奖励期望作为base-line。
6.如权利要求3所述的基于关系检测和强化学习的知识图谱推理方法，其特征在于，加入熵作为正则项，以使得模型的exploration和exploitation达到更好的平衡。
CN201810040955.8A 2018-01-16 2018-01-16 基于关系检测和强化学习的知识图谱推理方法 Active CN108256065B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810040955.8A CN108256065B (zh) 2018-01-16 2018-01-16 基于关系检测和强化学习的知识图谱推理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810040955.8A CN108256065B (zh) 2018-01-16 2018-01-16 基于关系检测和强化学习的知识图谱推理方法

Publications (2)

Publication Number Publication Date
CN108256065A CN108256065A (zh) 2018-07-06
CN108256065B true CN108256065B (zh) 2021-11-09

Family

ID=62741344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810040955.8A Active CN108256065B (zh) 2018-01-16 2018-01-16 基于关系检测和强化学习的知识图谱推理方法

Country Status (1)

Country Link
CN (1) CN108256065B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109033314B (zh) * 2018-07-18 2020-10-23 哈尔滨工业大学 内存受限情况下的大规模知识图谱的实时查询方法和系统
CN109190120B (zh) * 2018-08-31 2020-01-21 第四范式（北京）技术有限公司 神经网络训练方法和装置及命名实体识别方法和装置
CN109460434B (zh) * 2018-10-25 2020-11-03 北京知道创宇信息技术股份有限公司 数据提取模型建立方法及装置
CN109493265A (zh) * 2018-11-05 2019-03-19 北京奥法科技有限公司 一种基于深度学习的政策解读方法及政策解读系统
CN109902171B (zh) * 2019-01-30 2020-12-25 中国地质大学（武汉） 基于分层知识图谱注意力模型的文本关系抽取方法及系统
CN109992658B (zh) * 2019-04-09 2023-04-11 智言科技（深圳）有限公司 一种知识驱动的sparql查询构建方法
CN110046262B (zh) * 2019-06-10 2021-03-12 南京擎盾信息科技有限公司 一种基于法律专家知识库的上下文推理方法
CN110532397B (zh) * 2019-07-19 2023-06-09 平安科技（深圳）有限公司 基于人工智能的问答方法、装置、计算机设备及存储介质
CN110727806B (zh) * 2019-12-17 2020-08-11 北京百度网讯科技有限公司 基于自然语言和知识图谱的文本处理方法及装置
KR102524766B1 (ko) 2019-12-17 2023-04-24 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 자연어 및 지식 그래프 기반 표현 학습 방법 및 장치
CN111143539B (zh) * 2019-12-31 2023-06-23 重庆和贯科技有限公司 基于知识图谱的教学领域问答方法
CN111581343B (zh) * 2020-04-24 2022-08-30 北京航空航天大学 基于图卷积神经网络的强化学习知识图谱推理方法及装置
CN111259668B (zh) * 2020-05-07 2020-08-18 腾讯科技（深圳）有限公司 阅读任务处理方法、模型训练方法、装置和计算机设备
CN113065352B (zh) * 2020-06-29 2022-07-19 国网浙江省电力有限公司杭州供电公司 一种电网调度工作文本的操作内容识别方法
CN111882124B (zh) * 2020-07-20 2022-06-07 武汉理工大学 一种基于生成对抗模仿学习的同质平台发展效应预测方法
CN112579752A (zh) * 2020-12-10 2021-03-30 上海明略人工智能(集团)有限公司 实体关系的抽取方法及装置、存储介质、电子设备
CN112883175B (zh) * 2021-02-10 2022-06-14 武汉大学 结合预训练模型及模板生成的气象服务交互方法及系统
CN112905806B (zh) * 2021-03-25 2022-11-01 哈尔滨工业大学 基于强化学习的知识图谱实体化视图生成器及生成方法
CN113297387B (zh) * 2021-04-20 2022-04-29 内蒙古工业大学 一种基于nkd-gnn的图文不匹配新闻检测方法
CN115861715B (zh) * 2023-02-15 2023-05-09 创意信息技术股份有限公司 基于知识表示增强的图像目标关系识别算法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105788593A (zh) * 2016-02-29 2016-07-20 中国科学院声学研究所 生成对话策略的方法及系统
CN105868313A (zh) * 2016-03-25 2016-08-17 浙江大学 一种基于模板匹配技术的知识图谱问答系统及方法
CN106448670A (zh) * 2016-10-21 2017-02-22 竹间智能科技（上海）有限公司 基于深度学习和强化学习的自动回复对话系统
CN106919660A (zh) * 2017-02-09 2017-07-04 厦门快商通科技股份有限公司 基于知识图谱技术的服装客服智能服务方法和系统
CN106934012A (zh) * 2017-03-10 2017-07-07 上海数眼科技发展有限公司 一种基于知识图谱的自然语言问答实现方法和系统
CN107247881A (zh) * 2017-06-20 2017-10-13 北京大数医达科技有限公司 一种多模态智能分析方法及系统
CN107423437A (zh) * 2017-08-04 2017-12-01 逸途（北京）科技有限公司 一种基于对抗网络强化学习的问答模型优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105788593A (zh) * 2016-02-29 2016-07-20 中国科学院声学研究所 生成对话策略的方法及系统
CN105868313A (zh) * 2016-03-25 2016-08-17 浙江大学 一种基于模板匹配技术的知识图谱问答系统及方法
CN106448670A (zh) * 2016-10-21 2017-02-22 竹间智能科技（上海）有限公司 基于深度学习和强化学习的自动回复对话系统
CN106919660A (zh) * 2017-02-09 2017-07-04 厦门快商通科技股份有限公司 基于知识图谱技术的服装客服智能服务方法和系统
CN106934012A (zh) * 2017-03-10 2017-07-07 上海数眼科技发展有限公司 一种基于知识图谱的自然语言问答实现方法和系统
CN107247881A (zh) * 2017-06-20 2017-10-13 北京大数医达科技有限公司 一种多模态智能分析方法及系统
CN107423437A (zh) * 2017-08-04 2017-12-01 逸途（北京）科技有限公司 一种基于对抗网络强化学习的问答模型优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DeepPath：A Reinforcement Learning Method for Knowledge Graph Reasoning;Wenhan Xiong et al;《https://arxiv.org/abs/1707.06690》;20170720;第1-10页 *
基于POMDP的对话管理系统研究与实现;钟可立;《中国优秀硕士学位论文全文数据库信息科技辑》;20150815(第08期);摘要，第1-62页 *
基于信息抽取问答系统的研究与实现;于根;《中国优秀硕士学位论文全文数据库信息科技辑》;20170215(第02期);摘要，第1-44页 *

Also Published As

Publication number Publication date
CN108256065A (zh) 2018-07-06

Similar Documents

Publication Publication Date Title
CN108256065B (zh) 基于关系检测和强化学习的知识图谱推理方法
Zhang et al. Neural, symbolic and neural-symbolic reasoning on knowledge graphs
CN111191450B (zh) 语料清洗方法、语料录入设备及计算机可读存储介质
CN111160467A (zh) 一种基于条件随机场和内部语义注意力的图像描述方法
CN112597316B (zh) 一种可解释性推理问答方法及装置
CN113435211B (zh) 一种结合外部知识的文本隐式情感分析方法
CN109522561B (zh) 一种问句复述识别方法、装置、设备及可读存储介质
CN113254782B (zh) 问答社区专家推荐方法及系统
CN112506945B (zh) 基于知识图谱的自适应导学方法及系统
CN111027292B (zh) 一种限定采样文本序列生成方法及其系统
CN115964459B (zh) 基于食品安全认知图谱的多跳推理问答方法及系统
CN116028604A (zh) 一种基于知识增强图卷积网络的答案选择方法及系统
CN114818682B (zh) 基于自适应实体路径感知的文档级实体关系抽取方法
CN115827968A (zh) 一种基于知识图谱推荐的个性化知识追踪方法
CN117648429B (zh) 基于多模态自适应检索式增强大模型的问答方法及系统
CN113254675A (zh) 基于自适应少样本关系抽取的知识图谱构建方法
CN113869034B (zh) 基于强化依赖图的方面情感分类方法
CN112035629B (zh) 基于符号化知识与神经网络的问答模型的实现方法
CN110245682A (zh) 一种基于话题的网络表示学习方法
CN117828024A (zh) 一种插件检索方法、装置、存储介质及设备
CN111475631B (zh) 一种基于知识图谱与深度学习的疾病问答方法及装置
CN113705207A (zh) 语法错误识别方法及装置
CN112100342A (zh) 一种基于知识表示学习技术的知识图谱问答方法
CN111831910A (zh) 一种基于异构网络的引文推荐算法
CN111882124B (zh) 一种基于生成对抗模仿学习的同质平台发展效应预测方法

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