CN109657037A - 一种基于实体类型和语义相似度的知识图谱问答方法及系统 - Google Patents
一种基于实体类型和语义相似度的知识图谱问答方法及系统 Download PDFInfo
- Publication number
- CN109657037A CN109657037A CN201811570277.2A CN201811570277A CN109657037A CN 109657037 A CN109657037 A CN 109657037A CN 201811570277 A CN201811570277 A CN 201811570277A CN 109657037 A CN109657037 A CN 109657037A
- Authority
- CN
- China
- Prior art keywords
- entity
- template
- entity type
- semantic
- similarity
- 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.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于实体类型和语义相似度的知识图谱问答方法,步骤1:实体识别,构建好的领域知识图谱包含不同类型实体;步骤2:相似度计算;对上述替换后获得的问题模板,根据实体类型和词向量,计算实体类型和其与模板‑逻辑数据集中给定模板的相似度值并排序,返回语义最相近的模板,在模板‑逻辑数据集中查询该模板的逻辑表达式,作为输入问题的逻辑表达式;步骤3:领域知识图谱的查询;将步骤1中识别出的实体类型、实体二元组链接到知识图谱对应实体或实体属性,将步骤2中获得的逻辑表达式映射到知识图谱中对应的实体关系,以此形成该输入问题的语义三元组;根据语义三元组在知识图谱上查询信息,生成答案。
Description
技术领域
本发明涉及人工智能和自然语言处理技术领域,尤其是一种基于实体类型和语义相似度的知识图谱问答系统。
背景技术
问答系统(QA)是人机交互的门槛,作为聊天机器人的重要组件,其技术原理分为基于搜索引擎,QA数据集和知识图谱(知识库)三类。其中,基于知识库的问答系统(KBQA)即给定自然语言问题,对问题进行语义理解和解析后,在已构建知识图谱进行查询、推理得出答案。比较其他两类问答,KBQA对信息的整合度、覆盖面和语义化程度要求高,因而在领域问题的解决上有明显优势。
知识图谱在KBQA中扮演着“大脑”的角色,通过实体和关系的形式,将领域内的知识聚合成语义网络,进而具备从“实体”,“关系”角度去“解决”,“回答”问题的能力。在技术层面,KBQA的基本方法包括基于模板,基于语义解析和基于深度学习等方法。
发明内容
本发明目的是,在现有技术背景下,基于现有知识图谱问答的方法,提出了一种基于实体类型和语义相似度的知识图谱问答系统和方法。本发明所述方法主要包括:1)实体识别;2)相似度计算;3)领域知识图谱的查询。
本发明技术方案是,一种基于实体类型和语义相似度的知识图谱问答方法及系统,以构建好的领域知识图谱为基础,实现了基于实体类型和文本相似度的语义映射,通过以下步骤:
步骤1:实体识别,构建好的领域知识图谱包含不同类型实体,领域知识图谱中的实体按实体类型分类,每一类别生成实体类词表;
通过全遍历的方式,即遍历实体类词表,识别输入问题所包含的实体类型和实体,保存为实体类型和实体相对应的二元组,同时用实体类型替换输入问题中的实体,将输入问题模板化,生成问题模板;
步骤2:相似度计算;对上述替换后获得的问题模板,根据实体类型和词向量,计算和模板-(词向量)逻辑数据集中给定模板的相似度值并排序,返回语义最相近的模板,在模板-逻辑数据集中查询该模板的逻辑表达式,作为输入问题的逻辑表达式;
步骤3:领域知识图谱的查询;将步骤1中识别出的实体类型、实体二元组链接到知识图谱对应实体或实体属性,将步骤2中获得的逻辑表达式映射到知识图谱中对应的实体关系,以此形成该输入问题的语义三元组。根据语义三元组在知识图谱上查询信息,生成答案。
有益效果:区别于单纯的基于模板方法,该方法结合实体类型和语义相似度,将自然问题转化为逻辑查询,链接到知识图谱中的实体和关系,实现智能问答。以解决知识图谱为基础的问答系统构建中,如何将自然语言转化为逻辑查询,解决基于知识图谱的语义搜索、精准问答等问题。
附图说明
图1为本发明基于实体类型和语义相似度的知识图谱问答系统流程图。
具体实施方式
以下结合附图和具体实施步骤对本发明作进一步详细说明。
步骤1,实体识别。利用领域知识图谱,识别输入问题中的实体类型和实体对象,并将输入问题替换为问题模板的格式。对问题中的疑问词,统一用“$what$”表示。
步骤11,输入领域内待回答问题。
步骤12,实体识别,将领域知识图谱中的实体按实体类型分类,每一类别生成实体类词表。遍历实体类词表,识别输入问题中的实体。
步骤13,对识别出的实体对象,标记其实体类型,保存为(实体,实体类型)的二元组形式。
步骤14,对输入问题的实体对象,用实体类型替换。对问题中的疑问词,统一用“$what$”表示。例如问题“土豆适宜和哪些食物一起食用?”中识别出实体对象“土豆”,其类型为“食物(food)”,将输入问题替换为“$food$适宜和$what$食物一起食用?”
步骤15,实体替换实体类型后的输入问题即为问题模板。
步骤2,基于实体类型和词向量计算模板相似度,在模板-逻辑数据集中找出问题模板语义最相近的模板,并将其逻辑表达式作为输入问题的逻辑表达式。
步骤21,用实体类型表示的问题模板,即步骤15的问题模板。
步骤22,模板-逻辑数据集,此部分为人工构建。收集领域内的常见问题,按照步骤2识别这些问题中涉及的实体,获得常见问题的问题模板。然后以知识图谱中的关系为基础,逐条将问题模板中的语义关系映射到图谱中的关系,并用逻辑表达式表示。
具体而言,问题中的关系包括一元关系和多元关系,前者直接根据实体类型和疑问类型用图谱中的关系直接表示,例如:“$food$适宜和$what$食物一起食用?”抽取关系词“适宜”,根据实体类型food以及疑问类型(“$what$食物”),将其映射到知识图谱的“food_fit_food”关系上,形成逻辑表达式“(food,food_fit_food,what_food)”。后者将多元关系拆分成n个一元关系,例如:“土豆适宜和哪些蔬菜一起烹饪?”转为问题模板“$food$适宜和$what$蔬菜一起烹饪?”,根据知识图谱上的关系类型(food_fit_food,food_belongto_food),形成逻辑表达式“(food,food_fit_food,what_food),(what_food,food_belongto_class,class)”。以此类推,对领域内的常见问题,基于领域知识图谱,通过实体识别和关系映射,形成模板-逻辑数据集。
步骤23,模板过滤。在模板-逻辑数据集中筛选,保留与输入问题模板实体类型一致的模板。
步骤24,基于词向量的模板相似度计算;即计算输入问题模板和模板-逻辑数据集中给定模板的相似度值并排序,借助word mover’s distance(WMD)计算模板和模板间的相似度,WMD的值越小,表示相似度越高;WMD计算基于词向量的表示词语,借助EMD计算两文本词汇间的转移成本,具体公式如下:
C(i,j)=||xi-xj||2
其中xi表示词语x的词向量,C(i,j)表示词i和词j之间的余弦距离。ci表示词语出现的频次,di表示词语在文本中的权重,Tij表示词语i有多少转移到了词语j中。对词语x的词向量,下载中文wiki百科语料,并对语料进行分词,将分词后语料输入word2vec模型,训练得词向量模型;公式的求解使用开源工具包pyemd(https://pypi.org/project/pyemd/);;
步骤25,对计算所得的距离排序,距离越小,相似度越大。
步骤26,选择相似度最大的目标作为近义模板。
步骤27,返回语义最相近的模板,模板-逻辑数据集中查询该模板的逻辑表达式,作为输入问题的逻辑表达式;
步骤3,结合逻辑表达式和(实体类型,实体)在知识图谱展开知识查询,获得查询结果。
步骤31,输入问题模板的逻辑表达式,即步骤27中的逻辑表达式。
步骤32,输入问题对应的(实体类型,实体),即步骤13中的二元组(实体类型,实体)。
步骤33,将(实体类型,实体)链接到知识图谱中对应的实体对象。
步骤34,将逻辑表达式映射到图谱中的关系上,例如逻辑表达式的food_fit_food映射到图谱中食物间的关系relation:food_fit_food上。
步骤35,实体链接和关系映射的结果联合,将问题表示成语义三元组的形式,即识别出的实体类型、实体二元组链接到知识图谱对应实体或实体属性,将获得的逻辑表达式映射到知识图谱中对应的实体关系,以此形成该输入问题的语义三元组;根据语义三元组在知识图谱上查询信息,生成答案。
例如“土豆适宜和哪些食物一起食用?”表示成“(what_food,food_fit_food,food:土豆)”的形式。
步骤36,将语义三元组换为数据库上的查询语言,以图数据库为例,上述三元组转为Cypher语句“match(n:FOOD)-[:FOOD_FIT_FOOD]-(:FOOD{name:”土豆”})returnn.name”,在图谱上执行查询语句。
步骤37,查询后返回答案。对知识图谱中检索的知识,直接返回查询结果,对知识图谱中检索不到的知识,返回“该问题相关知识还未收录”作为答案。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (4)
1.一种基于实体类型和语义相似度的知识图谱问答方法,其特征是,以构建好的领域知识图谱为基础,实现基于实体类型和文本相似度的语义映射,通过以下步骤:
步骤1:实体识别,构建好的领域知识图谱包含不同类型实体,领域知识图谱中的实体按实体类型分类,每一类别生成实体类词表;
通过全遍历的方式,即遍历实体类词表,识别输入问题所包含的实体类型和实体,保存为实体类型和实体相对应的二元组,同时用实体类型替换输入问题中的实体,将输入问题模板化,生成问题模板;
步骤2:相似度计算;对上述替换后获得的问题模板,根据实体类型和词向量,计算实体类型和其与模板-逻辑数据集中给定模板的相似度值并排序,返回语义最相近的模板,在模板-逻辑数据集中查询该模板的逻辑表达式,作为输入问题的逻辑表达式;
步骤3:领域知识图谱的查询;将步骤1中识别出的实体类型、实体二元组链接到知识图谱对应实体或实体属性,将步骤2中获得的逻辑表达式映射到知识图谱中对应的实体关系,以此形成该输入问题的语义三元组;根据语义三元组在知识图谱上查询信息,生成答案。
2.根据权利要求1中所述的基于实体类型和语义相似度的知识图谱问答方法及系统,其特征是,
步骤1中:
步骤11,输入领域内待回答问题;
步骤12,实体识别,将领域知识图谱中的实体按实体类型分类,每一类别生成实体类词表;遍历实体类词表,识别输入问题中的实体;
步骤13,对识别出的实体对象,标记其实体类型,保存为(实体,实体类型)的二元组形式。
步骤14,对输入问题的实体对象,用实体类型替换;
步骤15,实体替换实体类型后的输入问题即为问题模板。
3.根据权利要求1中所述的基于实体类型和语义相似度的知识图谱问答方法及系统,其特征是,
步骤2中,
步骤21,用实体类型表示的问题模板,即步骤15的问题模板;
步骤22,模板-逻辑数据集,此部分为人工构建;收集领域内的常见问题,按照步骤2识别这些问题中涉及的实体,获得常见问题的问题模板;然后以知识图谱中的关系为基础,逐条将问题模板中的语义关系映射到图谱中的关系,并用逻辑表达式表示;
对领域内的常见问题,基于领域知识图谱,通过实体识别和关系映射,形成模板-逻辑数据集;
步骤23,模板过滤;在模板-逻辑数据集中筛选,保留与输入问题模板实体类型一致的模板;
步骤24,基于词向量的模板相似度计算;即计算词向量和模板-逻辑数据集中给定模板的相似度值并排序,借助word mover’s distance(WMD)计算模板和模板间的相似度,WMD的值越小,表示相似度越高;WMD计算基于词向量的词语表示,借助EMD计算两文本词汇间的转移成本,具体公式如下:
C(i,j)=|xi-xj|2
其中xi表示词语x的词向量,C(i,表示词i和词j之间的余弦距离;ci表示词语出现的频次,di表示词语在文本中的权重,Tij表示词语i有多少转移到了词语j中;对词语x的词向量,下载中文wiki百科语料,并对语料进行分词,将分词后语料输入word2vec模型,训练得词向量模型;
步骤25,对计算所得的距离排序,距离越小,相似度越大;
步骤26,选择相似度最大的目标作为近义模板;
步骤27,返回语义最相近的模板,模板-逻辑数据集中查询该模板的逻辑表达式,上述近义模板在模板-逻辑数据集中对应的逻辑表达式即为输入问题的逻辑表达式。
4.根据权利要求1中所述的基于实体类型和语义相似度的知识图谱问答方法及系统,其特征是,
步骤3中,步骤31,输入问题模板的逻辑表达式,即步骤27中的逻辑表达式;
步骤32,输入问题对应的(实体类型,实体),即步骤13中的二元组(实体类型,实体);
步骤33,将(实体类型,实体)链接到知识图谱中对应的实体对象;
步骤34,将逻辑表达式映射到图谱中的关系上,例如逻辑表达式的food_fit_food映射到图谱中食物间的关系relation:food_fit_food上;
步骤35,实体链接和关系映射的结果联合,将问题表示成语义三元组的形式,即识别出的实体类型、实体二元组链接到知识图谱对应实体或实体属性,将获得的逻辑表达式映射到知识图谱中对应的实体关系,以此形成该输入问题的语义三元组;根据语义三元组在知识图谱上查询信息,生成答案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811570277.2A CN109657037A (zh) | 2018-12-21 | 2018-12-21 | 一种基于实体类型和语义相似度的知识图谱问答方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811570277.2A CN109657037A (zh) | 2018-12-21 | 2018-12-21 | 一种基于实体类型和语义相似度的知识图谱问答方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109657037A true CN109657037A (zh) | 2019-04-19 |
Family
ID=66116111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811570277.2A Pending CN109657037A (zh) | 2018-12-21 | 2018-12-21 | 一种基于实体类型和语义相似度的知识图谱问答方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657037A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083709A (zh) * | 2019-04-28 | 2019-08-02 | 宁波深擎信息科技有限公司 | 一种基于描述定义的知识图谱自动构建方法及系统 |
CN110427606A (zh) * | 2019-06-06 | 2019-11-08 | 福建奇点时空数字科技有限公司 | 一种基于语义模型的专业实体相似度计算方法 |
CN110598204A (zh) * | 2019-07-31 | 2019-12-20 | 平安科技(深圳)有限公司 | 基于知识图谱的实体识别数据增强方法及系统 |
CN111026856A (zh) * | 2019-12-09 | 2020-04-17 | 出门问问信息科技有限公司 | 一种智能交互方法、装置以及计算机可读储存介质 |
CN111506722A (zh) * | 2020-06-16 | 2020-08-07 | 平安科技(深圳)有限公司 | 基于深度学习技术的知识图谱问答方法、装置及设备 |
CN111737438A (zh) * | 2020-07-27 | 2020-10-02 | 恒生电子股份有限公司 | 基于文本相似度的数据处理方法、装置以及电子设备 |
CN111767381A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 自动问答方法和装置 |
CN112052311A (zh) * | 2019-05-20 | 2020-12-08 | 天津科技大学 | 一种基于词向量技术和知识图谱检索的短文本问答方法及装置 |
CN112214584A (zh) * | 2019-07-10 | 2021-01-12 | 国际商业机器公司 | 使用知识图利用实体关系来发现答案 |
CN112613304A (zh) * | 2020-12-17 | 2021-04-06 | 合肥讯飞数码科技有限公司 | 问题回答方法以及电子设备、存储装置 |
CN112948547A (zh) * | 2021-01-26 | 2021-06-11 | 中国石油大学(北京) | 测井知识图谱构建查询方法、装置、设备及存储介质 |
CN113012780A (zh) * | 2021-04-28 | 2021-06-22 | 云知声智能科技股份有限公司 | 智能随访中检查结果严重程度评级方法、装置及系统 |
CN113139036A (zh) * | 2020-01-20 | 2021-07-20 | 海信视像科技股份有限公司 | 一种信息交互方法及设备 |
CN113672720A (zh) * | 2021-09-14 | 2021-11-19 | 国网天津市电力公司 | 一种基于知识图谱和语义相似度的电力审计问答方法 |
CN113779358A (zh) * | 2021-09-14 | 2021-12-10 | 支付宝(杭州)信息技术有限公司 | 一种事件检测方法和系统 |
CN112214584B (zh) * | 2019-07-10 | 2024-06-07 | 国际商业机器公司 | 使用知识图利用实体关系来发现答案 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106649561A (zh) * | 2016-11-10 | 2017-05-10 | 复旦大学 | 面向税务咨询业务的智能问答系统 |
CN107247736A (zh) * | 2017-05-08 | 2017-10-13 | 广州索答信息科技有限公司 | 一种基于知识图谱的厨房领域问答方法及系统 |
CN107748757A (zh) * | 2017-09-21 | 2018-03-02 | 北京航空航天大学 | 一种基于知识图谱的问答方法 |
-
2018
- 2018-12-21 CN CN201811570277.2A patent/CN109657037A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106649561A (zh) * | 2016-11-10 | 2017-05-10 | 复旦大学 | 面向税务咨询业务的智能问答系统 |
CN107247736A (zh) * | 2017-05-08 | 2017-10-13 | 广州索答信息科技有限公司 | 一种基于知识图谱的厨房领域问答方法及系统 |
CN107748757A (zh) * | 2017-09-21 | 2018-03-02 | 北京航空航天大学 | 一种基于知识图谱的问答方法 |
Non-Patent Citations (1)
Title |
---|
MO YU ET AL.: "Improved Neural Relation Detection forKnowledge Base Question Answering", 《ARXIV:1704.06194V2》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083709A (zh) * | 2019-04-28 | 2019-08-02 | 宁波深擎信息科技有限公司 | 一种基于描述定义的知识图谱自动构建方法及系统 |
CN112052311A (zh) * | 2019-05-20 | 2020-12-08 | 天津科技大学 | 一种基于词向量技术和知识图谱检索的短文本问答方法及装置 |
CN110427606A (zh) * | 2019-06-06 | 2019-11-08 | 福建奇点时空数字科技有限公司 | 一种基于语义模型的专业实体相似度计算方法 |
CN112214584A (zh) * | 2019-07-10 | 2021-01-12 | 国际商业机器公司 | 使用知识图利用实体关系来发现答案 |
CN112214584B (zh) * | 2019-07-10 | 2024-06-07 | 国际商业机器公司 | 使用知识图利用实体关系来发现答案 |
CN110598204A (zh) * | 2019-07-31 | 2019-12-20 | 平安科技(深圳)有限公司 | 基于知识图谱的实体识别数据增强方法及系统 |
CN110598204B (zh) * | 2019-07-31 | 2023-07-25 | 平安科技(深圳)有限公司 | 基于知识图谱的实体识别数据增强方法及系统 |
WO2021017290A1 (zh) * | 2019-07-31 | 2021-02-04 | 平安科技(深圳)有限公司 | 基于知识图谱的实体识别数据增强方法及系统 |
CN111026856A (zh) * | 2019-12-09 | 2020-04-17 | 出门问问信息科技有限公司 | 一种智能交互方法、装置以及计算机可读储存介质 |
CN113139036A (zh) * | 2020-01-20 | 2021-07-20 | 海信视像科技股份有限公司 | 一种信息交互方法及设备 |
CN113139036B (zh) * | 2020-01-20 | 2022-07-01 | 海信视像科技股份有限公司 | 一种信息交互方法及设备 |
CN111506722A (zh) * | 2020-06-16 | 2020-08-07 | 平安科技(深圳)有限公司 | 基于深度学习技术的知识图谱问答方法、装置及设备 |
CN111506722B (zh) * | 2020-06-16 | 2024-03-08 | 平安科技(深圳)有限公司 | 基于深度学习技术的知识图谱问答方法、装置及设备 |
CN111767381A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 自动问答方法和装置 |
CN111737438A (zh) * | 2020-07-27 | 2020-10-02 | 恒生电子股份有限公司 | 基于文本相似度的数据处理方法、装置以及电子设备 |
CN112613304A (zh) * | 2020-12-17 | 2021-04-06 | 合肥讯飞数码科技有限公司 | 问题回答方法以及电子设备、存储装置 |
CN112948547B (zh) * | 2021-01-26 | 2024-04-09 | 中国石油大学(北京) | 测井知识图谱构建查询方法、装置、设备及存储介质 |
CN112948547A (zh) * | 2021-01-26 | 2021-06-11 | 中国石油大学(北京) | 测井知识图谱构建查询方法、装置、设备及存储介质 |
CN113012780A (zh) * | 2021-04-28 | 2021-06-22 | 云知声智能科技股份有限公司 | 智能随访中检查结果严重程度评级方法、装置及系统 |
CN113012780B (zh) * | 2021-04-28 | 2024-03-29 | 云知声智能科技股份有限公司 | 智能随访中检查结果严重程度评级方法、装置及系统 |
CN113779358A (zh) * | 2021-09-14 | 2021-12-10 | 支付宝(杭州)信息技术有限公司 | 一种事件检测方法和系统 |
CN113672720A (zh) * | 2021-09-14 | 2021-11-19 | 国网天津市电力公司 | 一种基于知识图谱和语义相似度的电力审计问答方法 |
CN113779358B (zh) * | 2021-09-14 | 2024-05-24 | 支付宝(杭州)信息技术有限公司 | 一种事件检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657037A (zh) | 一种基于实体类型和语义相似度的知识图谱问答方法及系统 | |
CN110795543B (zh) | 基于深度学习的非结构化数据抽取方法、装置及存储介质 | |
CN110765257B (zh) | 一种知识图谱驱动型的法律智能咨询系统 | |
CN106484664B (zh) | 一种短文本间相似度计算方法 | |
CN106874378B (zh) | 基于规则模型的实体抽取与关系挖掘构建知识图谱的方法 | |
CN107729468B (zh) | 基于深度学习的答案抽取方法及系统 | |
CN107766483A (zh) | 一种基于知识图谱的交互式问答方法及系统 | |
CN108345585A (zh) | 一种基于深度学习的自动问答方法 | |
CN111639171A (zh) | 一种知识图谱问答方法及装置 | |
CN111026842A (zh) | 自然语言处理方法、自然语言处理装置及智能问答系统 | |
CN107590133A (zh) | 基于语义的招聘职位与求职简历匹配的方法及系统 | |
CN111078837A (zh) | 智能问答信息处理方法、电子设备及计算机可读存储介质 | |
CN103886034A (zh) | 一种建立索引及匹配用户的查询输入信息的方法和设备 | |
CN107679110A (zh) | 结合文本分类与图片属性提取完善知识图谱的方法及装置 | |
EP3008632A1 (en) | Color sketch image searching | |
CN107480194B (zh) | 多模态知识表示自动学习模型的构建方法及系统 | |
CN110688489A (zh) | 基于交互注意力的知识图谱推演方法、装置和存储介质 | |
CN107301163A (zh) | 包含公式的文本语义解析方法及装置 | |
CN116166782A (zh) | 一种基于深度学习的智能问答方法 | |
CN108388553A (zh) | 对话消除歧义的方法、电子设备及面向厨房的对话系统 | |
CN115599899B (zh) | 基于飞行器知识图谱的智能问答方法、系统、设备及介质 | |
CN116719520B (zh) | 代码生成方法及装置 | |
CN113672720A (zh) | 一种基于知识图谱和语义相似度的电力审计问答方法 | |
CN109983473A (zh) | 灵活的集成识别和语义处理 | |
CN110362664A (zh) | 一种对聊天机器人faq知识库存储与匹配的方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |
|
RJ01 | Rejection of invention patent application after publication |