CN110457431A - 基于知识图谱的问答方法、装置、计算机设备和存储介质 - Google Patents
基于知识图谱的问答方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110457431A CN110457431A CN201910592600.4A CN201910592600A CN110457431A CN 110457431 A CN110457431 A CN 110457431A CN 201910592600 A CN201910592600 A CN 201910592600A CN 110457431 A CN110457431 A CN 110457431A
- Authority
- CN
- China
- Prior art keywords
- vocabulary
- target
- query
- question sentence
- user
- 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.)
- Granted
Links
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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/316—Indexing structures
- G06F16/322—Trees
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种基于知识图谱的问答方法、装置、计算机设备和存储介质。所述方法包括:获取用户问句;根据所述用户问句从预设的知识图谱中查找多个目标词汇;根据所述多个目标词汇和本体构建目标查询图;根据所述目标查询图在所述预设的知识图谱中查询所述用户问句对应的答案,并反馈所述答案。通过本发明实施例,知识图谱包含了大量信息,可以扩大查询范围,从而提高答案的准确率,并且,本体中包括特定领域之中的概念和相互关系,因此构建出的目标查询图更加准确,可以进一步提高答案的准确度。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种基于知识图谱的问答方法、装置、计算机设备和存储介质。
背景技术
知识图谱(Knowledge Graph),在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。基于知识图谱的问答系统可以根据用户问句自动查找答案。
相关技术中,采用依存句法分析对用户问句分析并构建依存树,再根据依存树查找答案。如果依存句法分析的结果存在错误,则会造成构建的依存树错误,进而会影响答案的准确度。并且,采用依存句法分析有时难以识别出问句中的隐含关系,从而导致构建的依存树不够准确,也会影响答案的准确度。
发明内容
基于此,有必要针对上述技术问题,提供一种能够避免依存树错误造成答案不准确问题的基于知识图谱的问答方法、装置、计算机设备和存储介质。
第一方面,本发明实施例提供了一种基于知识图谱的问答方法,该方法包括:
获取用户问句;
根据用户问句从预设的知识图谱中查找多个目标词汇;
根据多个目标词汇和本体构建目标查询图;
根据目标查询图在预设的知识图谱中查询用户问句对应的答案,并反馈答案。
在其中一个实施例中,上述根据多个目标词汇和本体构建目标查询图,包括:
根据多个目标词汇构建多个依存树;
采用本体分别对各依存树进行矫正处理,得到多个待选查询图;
从多个待选查询图中选取目标查询图。
在其中一个实施例中,上述从多个待选查询图中选取目标查询图,包括:
分别对多个目标词汇和多个依存树进行特征提取;
根据特征提取结果对多个待选查询图进行量化处理,得到各待选查询图的量化值;
将量化值最高的待选查询图确定为目标查询图。
在其中一个实施例中,用户问句由多个组成元素构成;组成元素包括实体所属分类、实体属性、问句关系和实体;
上述根据多个目标词汇构建多个依存树,包括:
采用与实体所属分类对应的目标词汇和与实体对应的目标词汇构成框架;
将与实体属性对应的目标词汇根据问句关系连接到框架上,得到依存树。
在其中一个实施例中,上述根据用户问句从预设的知识图谱中查找多个目标词汇,包括:
从用户问句中识别出各组成元素对应的候选词汇;
从预设的知识图谱中查找与各候选词汇对应的目标词汇,得到多个目标词汇。
在其中一个实施例中,上述从预设的知识图谱中查找与各候选词汇对应的目标词汇,包括:
对各候选词汇进行词语泛化处理,得到各候选词汇对应的至少一个泛化词汇;
采用词汇映射方式从预设的知识图谱中查找与各泛化词汇对应的至少一个目标词汇;其中,词汇映射方式包括字符串近似、语义近似中的至少一种。
在其中一个实施例中,在上述采用词汇映射方式从预设的知识图谱中查找与各泛化词汇对应的至少一个目标词汇之前,该方法还包括:
根据预设的知识图谱中的样本数据训练语义近似模型;
采用词汇映射方式从预设的知识图谱中查找与各泛化词汇对应的至少一个目标词汇,包括:
采用语义近似模型在预设的知识图谱中查找与各泛化词汇语义近似的至少一个目标词汇。
在其中一个实施例中,上述根据目标查询图在预设的知识图谱中查询用户问句的答案,包括:
将目标查询图转换为数据查询语句;
采用数据查询语句从预设的知识图谱中查询用户问句的答案。
第二方面,本发明实施例提供了一种基于知识图谱的问答装置,该装置包括:
用户问句获取模块,用于获取用户问句;
目标词汇查找模块,用于根据用户问句从预设的知识图谱中查找多个目标词汇;
目标查询图构建模块,用于根据多个目标词汇和本体构建目标查询图;
答案查找模块,用于根据目标查询图在预设的知识图谱中查询用户问句对应的答案,并反馈答案。
在其中一个实施例中,上述目标查询图构建模块,包括:
依存树构建子模块,用于根据多个目标词汇构建多个依存树;
待选查询图确定子模块,用于采用本体分别对各依存树进行矫正处理,得到多个待选查询图;
目标查询图选取子模块,用于从多个待选查询图中选取目标查询图。
在其中一个实施例中,上述目标查询图选取子模块,具体用于分别对多个目标词汇和多个依存树进行特征提取;根据特征提取结果对多个待选查询图进行量化处理,得到各待选查询图的量化值;将量化值最高的待选查询图确定为目标查询图。
在其中一个实施例中,用户问句由多个组成元素构成;组成元素包括实体所属分类、实体属性、问句关系和实体;
上述依存树构建子模块,具体用于采用与实体所属分类对应的目标词汇和与实体对应的目标词汇构成框架;将与实体属性对应的目标词汇根据问句关系连接到框架上,得到依存树。
在其中一个实施例中,上述根据用户问句从预设的知识图谱中查找多个目标词汇,包括:
从用户问句中识别出各组成元素对应的候选词汇;
从预设的知识图谱中查找与各候选词汇对应的目标词汇,得到多个目标词汇。
在其中一个实施例中,上述目标词汇查找模块,具体用于对各候选词汇进行词语泛化处理,得到各候选词汇对应的至少一个泛化词汇;采用词汇映射方式从预设的知识图谱中查找与各泛化词汇对应的至少一个目标词汇;其中,词汇映射方式包括字符串近似、语义近似中的至少一种。
在其中一个实施例中,该装置还包括:
语义近似模型训练模块,根据预设的知识图谱中的样本数据训练语义近似模型;
上述目标词汇查找模块,具体用于采用语义近似模型在预设的知识图谱中查找与各泛化词汇语义近似的至少一个目标词汇。
在其中一个实施例中,上述答案查找模块,具体用于将目标查询图转换为数据查询语句;采用数据查询语句从预设的知识图谱中查询用户问句的答案。
第三方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述方法的步骤。
上述基于知识图谱的问答方法、装置、计算机设备和存储介质,获取用户问句;根据用户问句从预设的知识图谱中查找多个目标词汇;根据多个目标词汇和本体构建目标查询图;根据目标查询图在预设的知识图谱中查询用户问句对应的答案,并反馈答案。通过本发明实施例,基于预设的知识图谱,先确定用户问句对应的多个目标词汇,再将多个目标词汇参照本体构建目标查询图,最后根据目标查询图从预设的知识图谱中查找答案。由于知识图谱包含了大量信息,可以扩大查询范围,从而提高答案的准确率,并且,本体中包括特定领域之中的概念和相互关系,因此构建出的目标查询图更加准确,可以进一步提高答案的准确度。
附图说明
图1为一个实施例中基于知识图谱的问答方法的应用环境图;
图2为一个实施例中基于知识图谱的问答方法的流程示意图;
图3为一个实施例中根据多个目标词汇和本体构建目标查询图步骤的流程示意图;
图4为一个实施例中依存树的示意图;
图5为一个实施例中从预设的知识图谱中查找多个目标词汇步骤的流程示意图;
图6为一个实施例中基于知识图谱的问答方法的流程示意图;
图7为一个实施例中基于知识图谱的问答装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于知识图谱的问答方法,可以应用于如图1所示的应用环境中。该应用环境包括终端,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。在该应用环境中,当户在有问题时,可以将问题输入到终端中,由终端来回答用户的问题。
在一个实施例中,如图2所示,提供了一种基于知识图谱的问答方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤101,获取用户问句。
本实施例中,终端可以接收用户输入的文字问句,也可以接收用户输入的语音问句。本发明实施例对用户问句的获取方式不作详细限定,可以根据实际情况进行设置。
步骤102,根据用户问句从预设的知识图谱中查找多个目标词汇。
本实施例中,如果接收的是语音问句,可以先将语音问句转换为文字问句。然后,对转换后的文字问句或接收到的文字问句进行识别,得到用户问句中的关键信息,再根据用户问句的关键信息从预设的知识图谱中查找多个目标词汇。
在实际操作中,可以采用字符串近似的方式进行词语匹配,从预设的知识图谱中查找关键信息对应的目标词汇。例如,用户问句为“2018年上海的哪家经销商销售比亚迪秦最多”,其中关键信息包括“上海”、“经销商”、“销售”“比亚迪秦”,采用字符串近似的方式从预设的知识图谱中可以查找到用户问句中的“上海”对应的目标词汇为“上海”,用户问句中的“经销商”对应的目标词汇为“经销商”,用户问句中的“销售”对应的目标词汇为“销售”,用户问句中的“比亚迪秦”对应的目标词汇包括“比亚迪秦2017款秦EV300精英型”、“比亚迪秦2014款1.5T酷黑骑士尊贵型”。还可以采用其他方式查找目标词汇,本发明实施例对此不作详细限定,可以根据实际情况进行设置。
步骤103,根据多个目标词汇和本体构建目标查询图。
本实施例中,在计算机科学与信息科学领域中,本体提供一种共享词表,共享词表中包含特定领域之中存在的对象类型或概念及其属性和相互关系,或者说,本体用于指示特定领域中概念及其相互关系的形式化表达(formal representation)。
在实际操作中,参照本体中的概念以及相互关系将多个目标词汇组成目标查询图,可以使目标查询图中各点之间的关系符合特定领域中的概念、属性之间的相互关系,避免目标查询图出现不符合实际情况的结构,从而在后续查找出错误的答案。
步骤104,根据目标查询图在预设的知识图谱中查询用户问句对应的答案,并反馈答案。
本实施例中,构建目标查询图后,可以采用子图匹配的方式在预设的知识图谱中查找答案,也可以采用其他方式在预设的知识图谱中查找答案。
可选地,将目标查询图转换为数据查询语句。采用数据查询语句从预设的知识图谱中查询用户问句的答案。具体地,将目标查询图转换为SPARQL语句或者Cypher语句,然后采用转换出的SPARQL语句或Cypher语句在预设的知识图谱中查找答案。其中,SPARQL(SPARQL Protocol and RDF Query Language),是为RDF(Resource DescriptionFramework,资源描述框架)开发的一种查询语言和数据获取协议;Cypher是数据库用语,不用编写复杂的查询代码即可实现对图数据库的操作。
预设的知识图谱可以设置为多个技术领域的知识图谱,也可以根据实际情况设置为专有技术领域的知识图谱。例如,预先设置汽车销售的知识图谱,用户问句为“2018年上海的哪家经销商销售比亚迪秦最多”,则可以从汽车销售的知识图谱中查找答案。并且知识图谱可以存储在以RDF格式存储的数据库或者Neo4j数据库中。本发明实施例对此不作详细限定,可以根据实际情况进行设置。
在查找到答案后,可以在终端上显示答案,也可以语音反馈答案。本发明实施例对此均不作详细限定,可以根据实际情况进行设置。
上述基于知识图谱的问答方法中,获取用户问句;根据用户问句从预设的知识图谱中查找多个目标词汇;根据多个目标词汇和本体构建目标查询图;根据目标查询图在预设的知识图谱中查询用户问句对应的答案,并反馈答案。通过本发明实施例,基于预设的知识图谱,先确定用户问句对应的多个目标词汇,再将多个目标词汇参照本体构建目标查询图,最后根据目标查询图从预设的知识图谱中查找答案。由于知识图谱包含了大量信息,可以扩大查询范围,从而提高答案的准确率,并且,本体中包括特定领域之中的概念和相互关系,因此构建出的目标查询图更加准确,可以进一步提高答案的准确度。
在另一个实施例中,如图3所示,本实施例涉及的是根据多个目标词汇和本体构建目标查询图的一种可选的过程。在上述图2所示实施例的基础上,上述步骤103具体可以包括以下步骤:
步骤201,根据多个目标词汇构建多个依存树。
本实施例中,在构建目标查询图时,采用依存句法分析的方式将多个目标词汇构建成多个依存树。例如,根据“上海”、“经销商”、“销售”、“比亚迪秦2017款秦EV300精英型”构建依存树A,根据“上海”、“经销商”、“销售”、“比亚迪秦2014款1.5T酷黑骑士尊贵型”构建依存树B。
可选地,用户问句由多个组成元素构成,组成元素包括实体所属分类、实体属性、问句关系和实体。构建多个依存树的具体过程可以包括:采用与实体所属分类对应的目标词汇和与实体对应的目标词汇构成框架;将与实体属性对应的目标词汇根据问句关系连接到框架上,得到依存树。
例如,用户问句中的实体包括“上海”、“比亚迪秦”,实体所属分类为“经销商”,问句关系为“销售”,则由“上海”、“比亚迪秦”和“经销商”构成框架,然后将其他目标词汇连接到框架上,得到依存树,参照图4所示。
步骤202,采用本体分别对各依存树进行矫正处理,得到多个待选查询图。
本实施例中,由于本体包括特定领域中存在的对象类型或概念及其属性和相互关系,因此可以参照本体中概念及其属性的相互关系对各依存树进行矫正处理,得到多个待选查询图。例如,参照本体对依存树A进行矫正处理,得到待选查询图A;参照本体对依存树B进行矫正处理,得到待选查询图B。参照本体对依存树进行矫正处理,可以避免依存树构建错误影响答案的准确性。
步骤203,从多个待选查询图中选取目标查询图。
本实施例中,在得到多个待选查询图之后,从多个待选查询图中选取一个目标查询图,进而可以根据目标查询图得到用户问句的答案。
可选地,选取目标查询图的具体过程可以包括:分别对多个目标词汇和多个依存树进行特征提取;根据特征提取结果对多个待选查询图进行量化处理,得到各待选查询图的量化值;将量化值最高的待选查询图确定为目标查询图。
例如,对“上海”、“经销商”、“销售”、“比亚迪秦2017款秦EV300精英型”、“比亚迪秦2014款1.5T酷黑骑士尊贵型”、依存树A、依存树B进行特征提取,根据特征提取结果对待选查询图A和待选查询图B进行打分,得到待选查询图A和待选查询图B的分值;然后将分值最高的待选查询图确定为目标查询图。如果待选查询图A的分值高,则将待选查询图A确定为目标查询图;如果待选查询图B的分值高,则将待选查询图B确定为目标查询图。
上述根据多个目标词汇和本体构建目标查询图的步骤中,先根据多个目标词汇构建多个依存树;再采用本体分别对各依存树进行矫正处理,得到多个待选查询图,最后从多个待选查询图中选取目标查询图。通过本发明实施例,参照本体对依存树进行矫正处理,得到多个待选查询图,这样可以避免依存树构建错误影响答案的准确性;然后对多个待选查询图进行打分,根据分值选取目标查询图,这样得到的目标查询图更加准确,从而可以提高根据目标查询图查找到的答案的准确性。
在另一个实施例中,如图5所示,本实施例涉及的是根据用户问句从预设的知识图谱中查找多个目标词汇的一种可选的过程。在上述图2所示实施例的基础上,上述步骤102具体可以包括以下步骤:
步骤301,从用户问句中识别出各组成元素对应的候选词汇。
本实施例中,在获取到用户问句后,可以采用预先设置的实体识别算法从用户问句中识别出各组成元素对应的候选词汇。例如,用户问句为“2018年上海的哪家经销商销售比亚迪秦最多”,采用实体识别算法识别出实体对应的候选词汇包括“上海”、“比亚迪秦”,实体所属分类对应的候选词汇为“经销商”,问句关系对应的词汇为“销售”。
实体识别不仅可以识别出实体、实体所属分类、问句关系等,还可以识别出用户问句中的聚合函数(Aggregation)和限制函数(Constraint)。例如,识别出用户问句中的最高、最低、平均以及大于、小于等词汇。本发明实施例对实体识别内容不作详细限定,可以根据实际情况进行设置。
步骤302,从预设的知识图谱中查找与各候选词汇对应的目标词汇,得到多个目标词汇。
本实施例中,在确定候选词汇后,从预设的知识图谱中查找与各候选词汇对应的目标词汇。具体地,对各候选词汇进行词语泛化处理,得到各候选词汇对应的至少一个泛化词汇;采用词汇映射方式从预设的知识图谱中查找与各泛化词汇对应的至少一个目标词汇;其中,词汇映射方式包括字符串近似、语义近似中的至少一种。
可选地,根据预设的知识图谱中的样本数据训练语义近似模型;然后采用语义近似模型在预设的知识图谱中查找与各泛化词汇语义近似的至少一个目标词汇。
例如,对“比亚迪秦”进行词语泛化处理,得到“比亚迪秦2017款”和“比亚迪秦2014款”两个泛化词汇,然后采用语义近似模型在预设的知识图谱中查找到“比亚迪秦2017款”对应的目标词汇为“比亚迪秦2017款秦EV300精英型”,“比亚迪秦2014款”对应的目标词汇为“比亚迪秦2014款1.5T酷黑骑士尊贵型”。
上述从预设的知识图谱中查找多个目标词汇的步骤中,通过实体识别算法识别出用户问句中的关键信息,然后对识别出的候选词汇进行词语泛化处理得到泛化词汇,再采用字符串近似或语义近似的方式根据泛化词汇查找目标词汇。通过本发明实施例,查找目标词汇时采用了词语泛化处理、语义近似查找等手段,可以扩大目标词汇的查找范围,从而查找到多个目标词汇,进而有利于后续目标查询图的构建。进一步地,采用实体识别方法构建目标查询图,可以应用于不同的技术领域,即可以较容易地实现跨图谱移植,从而减少人工参与,提高构建效率。
在另一个实施例中,如图6所示,本实施例涉及的是基于知识图谱的问答方法的一种可选的过程。在上述实施例的基础上,可以包括以下步骤:
步骤401,获取用户问句。
步骤402,从用户问句中识别出各组成元素对应的候选词汇。
步骤403,从预设的知识图谱中查找与各候选词汇对应的目标词汇,得到多个目标词汇。
可选地,对各候选词汇进行词语泛化处理,得到各候选词汇对应的至少一个泛化词汇;采用词汇映射方式从预设的知识图谱中查找与各泛化词汇对应的至少一个目标词汇;其中,词汇映射方式包括字符串近似、语义近似中的至少一种。
步骤404,根据多个目标词汇构建多个依存树。
可选地,用户问句由多个组成元素构成;组成元素包括实体所属分类、实体属性、问句关系和实体;采用与实体所属分类对应的目标词汇和与实体对应的目标词汇构成框架;将与实体属性对应的目标词汇根据问句关系连接到框架上,得到依存树。
步骤405,采用本体分别对各依存树进行矫正处理,得到多个待选查询图。
步骤406,从多个待选查询图中选取目标查询图。
可选地,分别对多个目标词汇和多个依存树进行特征提取;根据特征提取结果对多个待选查询图进行量化处理,得到各待选查询图的量化值;将量化值最高的待选查询图确定为目标查询图。
步骤407,将目标查询图转换为数据查询语句。
步骤408,采用数据查询语句从预设的知识图谱中查询用户问句的答案。
上述基于知识图谱的问答方法中,根据用户问句中识别出的候选词汇在预设的知识图谱中查找目标词汇,由于知识图谱包含了大量信息,可以扩大查询范围,从而提高答案的准确率;然后根据目标词汇和本体构建目标查询图,本体中包括特定领域之中的概念和相互关系,因此构建出的目标查询图更加准确;再根据目标查询图在预设的知识图谱中查找答案,由于目标查询图比较准确,因此可以进一步提高答案的准确度。
应该理解的是,虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种基于知识图谱的问答装置,包括:
用户问句获取模块,用于获取用户问句;
目标词汇查找模块,用于根据用户问句从预设的知识图谱中查找多个目标词汇;
目标查询图构建模块,用于根据多个目标词汇和本体构建目标查询图;
答案查找模块,用于根据目标查询图在预设的知识图谱中查询用户问句对应的答案,并反馈答案。
在其中一个实施例中,上述目标查询图构建模块,包括:
依存树构建子模块,用于根据多个目标词汇构建多个依存树;
待选查询图确定子模块,用于采用本体分别对各依存树进行矫正处理,得到多个待选查询图;
目标查询图选取子模块,用于从多个待选查询图中选取目标查询图。
在其中一个实施例中,上述目标查询图选取子模块,具体用于分别对多个目标词汇和多个依存树进行特征提取;根据特征提取结果对多个待选查询图进行量化处理,得到各待选查询图的量化值;将量化值最高的待选查询图确定为目标查询图。
在其中一个实施例中,用户问句由多个组成元素构成;组成元素包括实体所属分类、实体属性、问句关系和实体;
上述依存树构建子模块,具体用于采用与实体所属分类对应的目标词汇和与实体对应的目标词汇构成框架;将与实体属性对应的目标词汇根据问句关系连接到框架上,得到依存树。
在其中一个实施例中,上述根据用户问句从预设的知识图谱中查找多个目标词汇,包括:
从用户问句中识别出各组成元素对应的候选词汇;
从预设的知识图谱中查找与各候选词汇对应的目标词汇,得到多个目标词汇。
在其中一个实施例中,上述目标词汇查找模块,具体用于对各候选词汇进行词语泛化处理,得到各候选词汇对应的至少一个泛化词汇;采用词汇映射方式从预设的知识图谱中查找与各泛化词汇对应的至少一个目标词汇;其中,词汇映射方式包括字符串近似、语义近似中的至少一种。
在其中一个实施例中,该装置还包括:
语义近似模型训练模块,根据预设的知识图谱中的样本数据训练语义近似模型;
上述目标词汇查找模块,具体用于采用语义近似模型在预设的知识图谱中查找与各泛化词汇语义近似的至少一个目标词汇。
在其中一个实施例中,上述答案查找模块,具体用于将目标查询图转换为数据查询语句;采用数据查询语句从预设的知识图谱中查询用户问句的答案。
关于基于知识图谱的问答装置的具体限定可以参见上文中对于基于知识图谱的问答方法的限定,在此不再赘述。上述基于知识图谱的问答装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于知识图谱的问答方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取用户问句;
根据用户问句从预设的知识图谱中查找多个目标词汇;
根据多个目标词汇和本体构建目标查询图;
根据目标查询图在预设的知识图谱中查询用户问句对应的答案,并反馈答案。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据多个目标词汇构建多个依存树;
采用本体分别对各依存树进行矫正处理,得到多个待选查询图;
从多个待选查询图中选取目标查询图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
分别对多个目标词汇和多个依存树进行特征提取;
根据特征提取结果对多个待选查询图进行量化处理,得到各待选查询图的量化值;
将量化值最高的待选查询图确定为目标查询图。
在一个实施例中,用户问句由多个组成元素构成;组成元素包括实体所属分类、实体属性、问句关系和实体;
处理器执行计算机程序时还实现以下步骤:
采用与实体所属分类对应的目标词汇和与实体对应的目标词汇构成框架;
将与实体属性对应的目标词汇根据问句关系连接到框架上,得到依存树。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
从用户问句中识别出各组成元素对应的候选词汇;
从预设的知识图谱中查找与各候选词汇对应的目标词汇,得到多个目标词汇。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对各候选词汇进行词语泛化处理,得到各候选词汇对应的至少一个泛化词汇;
采用词汇映射方式从预设的知识图谱中查找与各泛化词汇对应的至少一个目标词汇;其中,词汇映射方式包括字符串近似、语义近似中的至少一种。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预设的知识图谱中的样本数据训练语义近似模型;
采用语义近似模型在预设的知识图谱中查找与各泛化词汇语义近似的至少一个目标词汇。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将目标查询图转换为数据查询语句;
采用数据查询语句从预设的知识图谱中查询用户问句的答案。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取用户问句;
根据用户问句从预设的知识图谱中查找多个目标词汇;
根据多个目标词汇和本体构建目标查询图;
根据目标查询图在预设的知识图谱中查询用户问句对应的答案,并反馈答案。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据多个目标词汇构建多个依存树;
采用本体分别对各依存树进行矫正处理,得到多个待选查询图;
从多个待选查询图中选取目标查询图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
分别对多个目标词汇和多个依存树进行特征提取;
根据特征提取结果对多个待选查询图进行量化处理,得到各待选查询图的量化值;
将量化值最高的待选查询图确定为目标查询图。
在一个实施例中,用户问句由多个组成元素构成;组成元素包括实体所属分类、实体属性、问句关系和实体;
计算机程序被处理器执行时还实现以下步骤:
采用与实体所属分类对应的目标词汇和与实体对应的目标词汇构成框架;
将与实体属性对应的目标词汇根据问句关系连接到框架上,得到依存树。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
从用户问句中识别出各组成元素对应的候选词汇;
从预设的知识图谱中查找与各候选词汇对应的目标词汇,得到多个目标词汇。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对各候选词汇进行词语泛化处理,得到各候选词汇对应的至少一个泛化词汇;
采用词汇映射方式从预设的知识图谱中查找与各泛化词汇对应的至少一个目标词汇;其中,词汇映射方式包括字符串近似、语义近似中的至少一种。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预设的知识图谱中的样本数据训练语义近似模型;
采用语义近似模型在预设的知识图谱中查找与各泛化词汇语义近似的至少一个目标词汇。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将目标查询图转换为数据查询语句;
采用数据查询语句从预设的知识图谱中查询用户问句的答案。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种基于知识图谱的问答方法,其特征在于,所述方法包括:
获取用户问句;
根据所述用户问句从预设的知识图谱中查找多个目标词汇;
根据所述多个目标词汇和本体构建目标查询图;
根据所述目标查询图在所述预设的知识图谱中查询所述用户问句对应的答案,并反馈所述答案。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多个目标词汇和本体构建目标查询图,包括:
根据所述多个目标词汇构建多个依存树;
采用所述本体分别对各所述依存树进行矫正处理,得到多个待选查询图;
从所述多个待选查询图中选取所述目标查询图。
3.根据权利要求2所述的方法,其特征在于,所述从所述多个待选查询图中选取目标查询图,包括:
分别对所述多个目标词汇和所述多个依存树进行特征提取;
根据特征提取结果对所述多个待选查询图进行量化处理,得到各所述待选查询图的量化值;
将量化值最高的待选查询图确定为所述目标查询图。
4.根据权利要求2所述的方法,其特征在于,所述用户问句由多个组成元素构成;所述组成元素包括实体所属分类、实体属性、问句关系和实体;
所述根据所述多个目标词汇构建多个依存树,包括:
采用与所述实体所属分类对应的目标词汇和与所述实体对应的目标词汇构成框架;
将与所述实体属性对应的目标词汇根据所述问句关系连接到所述框架上,得到所述依存树。
5.根据权利要求1所述的方法,其特征在于,所述根据所述用户问句从预设的知识图谱中查找多个目标词汇,包括:
从所述用户问句中识别出各组成元素对应的候选词汇;
从所述预设的知识图谱中查找与各所述候选词汇对应的目标词汇,得到所述多个目标词汇。
6.根据权利要求5所述的方法,其特征在于,所述从所述预设的知识图谱中查找与各所述候选词汇对应的目标词汇,包括:
对各所述候选词汇进行词语泛化处理,得到各所述候选词汇对应的至少一个泛化词汇;
采用词汇映射方式从所述预设的知识图谱中查找与各所述泛化词汇对应的至少一个目标词汇;其中,所述词汇映射方式包括字符串近似、语义近似中的至少一种。
7.根据权利要求6所述的方法,其特征在于,在所述采用词汇映射方式从所述预设的知识图谱中查找与各所述泛化词汇对应的至少一个目标词汇之前,所述方法还包括:
根据所述预设的知识图谱中的样本数据训练语义近似模型;
所述采用词汇映射方式从所述预设的知识图谱中查找与各所述泛化词汇对应的至少一个目标词汇,包括:
采用所述语义近似模型在所述预设的知识图谱中查找与各所述泛化词汇语义近似的至少一个所述目标词汇。
8.根据权利要求1所述的方法,其特征在于,所述根据所述目标查询图在所述预设的知识图谱中查询所述用户问句的答案,包括:
将所述目标查询图转换为数据查询语句;
采用所述数据查询语句从所述预设的知识图谱中查询所述用户问句的答案。
9.一种基于知识图谱的问答装置,其特征在于,所述装置包括:
用户问句获取模块,用于获取用户问句;
目标词汇查找模块,用于根据所述用户问句从预设的知识图谱中查找多个目标词汇;
目标查询图构建模块,用于根据所述多个目标词汇和本体构建目标查询图;
答案查找模块,用于根据所述目标查询图在所述预设的知识图谱中查询所述用户问句对应的答案,并反馈所述答案。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910592600.4A CN110457431B (zh) | 2019-07-03 | 2019-07-03 | 基于知识图谱的问答方法、装置、计算机设备和存储介质 |
PCT/CN2019/130404 WO2021000555A1 (zh) | 2019-07-03 | 2019-12-31 | 基于知识图谱的问答方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910592600.4A CN110457431B (zh) | 2019-07-03 | 2019-07-03 | 基于知识图谱的问答方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110457431A true CN110457431A (zh) | 2019-11-15 |
CN110457431B CN110457431B (zh) | 2020-12-25 |
Family
ID=68482012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910592600.4A Active CN110457431B (zh) | 2019-07-03 | 2019-07-03 | 基于知识图谱的问答方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110457431B (zh) |
WO (1) | WO2021000555A1 (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159376A (zh) * | 2019-12-30 | 2020-05-15 | 深圳追一科技有限公司 | 会话处理方法、装置、电子设备以及存储介质 |
CN111177314A (zh) * | 2019-12-11 | 2020-05-19 | 北京明略软件系统有限公司 | 一种知识图谱的查询方法和装置及计算机可读存储介质 |
CN111309863A (zh) * | 2020-02-10 | 2020-06-19 | 北京声智科技有限公司 | 基于知识图谱的自然语言问答方法及装置 |
CN111444313A (zh) * | 2020-03-04 | 2020-07-24 | 深圳追一科技有限公司 | 基于知识图谱的问答方法、装置、计算机设备和存储介质 |
CN111506719A (zh) * | 2020-04-20 | 2020-08-07 | 深圳追一科技有限公司 | 一种关联问句推荐方法、装置、设备及可读存储介质 |
CN111522966A (zh) * | 2020-04-22 | 2020-08-11 | 深圳追一科技有限公司 | 基于知识图谱的数据处理方法、装置、电子设备及介质 |
CN111651570A (zh) * | 2020-05-13 | 2020-09-11 | 深圳追一科技有限公司 | 文本语句处理方法、装置、电子设备以及存储介质 |
CN111813914A (zh) * | 2020-07-13 | 2020-10-23 | 龙马智芯(珠海横琴)科技有限公司 | 基于字典树的问答方法、装置、识别设备及可读存储介质 |
CN112148851A (zh) * | 2020-09-09 | 2020-12-29 | 常州大学 | 一种基于知识图谱的医药知识问答系统的构建方法 |
WO2021000555A1 (zh) * | 2019-07-03 | 2021-01-07 | 深圳追一科技有限公司 | 基于知识图谱的问答方法、装置、计算机设备和存储介质 |
CN112818092A (zh) * | 2020-04-20 | 2021-05-18 | 腾讯科技(深圳)有限公司 | 知识图谱查询语句生成方法、装置、设备及存储介质 |
CN113282689A (zh) * | 2021-07-22 | 2021-08-20 | 药渡经纬信息科技(北京)有限公司 | 基于领域知识图谱的检索方法、装置和搜索引擎 |
CN113342842A (zh) * | 2021-06-10 | 2021-09-03 | 南方电网数字电网研究院有限公司 | 基于计量知识的语义查询方法、装置和计算机设备 |
CN115146037A (zh) * | 2021-08-09 | 2022-10-04 | 上海蓬海涞讯数据技术有限公司 | 基于知识图谱的问答方法及系统、电子设备及存储介质 |
CN115455169A (zh) * | 2022-10-31 | 2022-12-09 | 杭州远传新业科技股份有限公司 | 一种基于词汇知识和语义依存的知识图谱问答方法和系统 |
CN116089587A (zh) * | 2023-02-20 | 2023-05-09 | 星环信息科技(上海)股份有限公司 | 答案生成方法、装置、设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637819A (zh) * | 2022-02-17 | 2022-06-17 | 北京邮电大学 | 一种基于时序知识图谱的复杂问答查询方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150310073A1 (en) * | 2014-04-29 | 2015-10-29 | Microsoft Corporation | Finding patterns in a knowledge base to compose table answers |
CN105653522A (zh) * | 2016-01-21 | 2016-06-08 | 中国农业大学 | 一种针对植物领域的非分类关系识别方法 |
CN106919655A (zh) * | 2017-01-24 | 2017-07-04 | 网易(杭州)网络有限公司 | 一种答案提供方法和装置 |
CN109522418A (zh) * | 2018-11-08 | 2019-03-26 | 杭州费尔斯通科技有限公司 | 一种半自动的知识图谱构建方法 |
CN109933653A (zh) * | 2019-01-24 | 2019-06-25 | 平安科技(深圳)有限公司 | 问答系统的问答查询方法、系统及计算机设备 |
CN109947916A (zh) * | 2019-03-01 | 2019-06-28 | 河北尚云信息科技有限公司 | 基于气象领域知识图谱的问答系统装置及问答方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8655882B2 (en) * | 2011-08-31 | 2014-02-18 | Raytheon Company | Method and system for ontology candidate selection, comparison, and alignment |
CN106155999A (zh) * | 2015-04-09 | 2016-11-23 | 科大讯飞股份有限公司 | 自然语言语义理解方法及系统 |
CN107247736B (zh) * | 2017-05-08 | 2020-07-14 | 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 |
CN110457431B (zh) * | 2019-07-03 | 2020-12-25 | 深圳追一科技有限公司 | 基于知识图谱的问答方法、装置、计算机设备和存储介质 |
-
2019
- 2019-07-03 CN CN201910592600.4A patent/CN110457431B/zh active Active
- 2019-12-31 WO PCT/CN2019/130404 patent/WO2021000555A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150310073A1 (en) * | 2014-04-29 | 2015-10-29 | Microsoft Corporation | Finding patterns in a knowledge base to compose table answers |
CN105653522A (zh) * | 2016-01-21 | 2016-06-08 | 中国农业大学 | 一种针对植物领域的非分类关系识别方法 |
CN106919655A (zh) * | 2017-01-24 | 2017-07-04 | 网易(杭州)网络有限公司 | 一种答案提供方法和装置 |
CN109522418A (zh) * | 2018-11-08 | 2019-03-26 | 杭州费尔斯通科技有限公司 | 一种半自动的知识图谱构建方法 |
CN109933653A (zh) * | 2019-01-24 | 2019-06-25 | 平安科技(深圳)有限公司 | 问答系统的问答查询方法、系统及计算机设备 |
CN109947916A (zh) * | 2019-03-01 | 2019-06-28 | 河北尚云信息科技有限公司 | 基于气象领域知识图谱的问答系统装置及问答方法 |
Non-Patent Citations (1)
Title |
---|
夏迎春: "基于知识图谱的农业知识服务系统研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021000555A1 (zh) * | 2019-07-03 | 2021-01-07 | 深圳追一科技有限公司 | 基于知识图谱的问答方法、装置、计算机设备和存储介质 |
CN111177314A (zh) * | 2019-12-11 | 2020-05-19 | 北京明略软件系统有限公司 | 一种知识图谱的查询方法和装置及计算机可读存储介质 |
CN111159376A (zh) * | 2019-12-30 | 2020-05-15 | 深圳追一科技有限公司 | 会话处理方法、装置、电子设备以及存储介质 |
CN111309863A (zh) * | 2020-02-10 | 2020-06-19 | 北京声智科技有限公司 | 基于知识图谱的自然语言问答方法及装置 |
CN111444313A (zh) * | 2020-03-04 | 2020-07-24 | 深圳追一科技有限公司 | 基于知识图谱的问答方法、装置、计算机设备和存储介质 |
CN111444313B (zh) * | 2020-03-04 | 2023-10-24 | 深圳追一科技有限公司 | 基于知识图谱的问答方法、装置、计算机设备和存储介质 |
CN112818092A (zh) * | 2020-04-20 | 2021-05-18 | 腾讯科技(深圳)有限公司 | 知识图谱查询语句生成方法、装置、设备及存储介质 |
CN111506719A (zh) * | 2020-04-20 | 2020-08-07 | 深圳追一科技有限公司 | 一种关联问句推荐方法、装置、设备及可读存储介质 |
CN111506719B (zh) * | 2020-04-20 | 2023-09-12 | 深圳追一科技有限公司 | 一种关联问句推荐方法、装置、设备及可读存储介质 |
CN112818092B (zh) * | 2020-04-20 | 2023-08-11 | 腾讯科技(深圳)有限公司 | 知识图谱查询语句生成方法、装置、设备及存储介质 |
CN111522966A (zh) * | 2020-04-22 | 2020-08-11 | 深圳追一科技有限公司 | 基于知识图谱的数据处理方法、装置、电子设备及介质 |
CN111651570A (zh) * | 2020-05-13 | 2020-09-11 | 深圳追一科技有限公司 | 文本语句处理方法、装置、电子设备以及存储介质 |
CN111813914B (zh) * | 2020-07-13 | 2021-07-06 | 龙马智芯(珠海横琴)科技有限公司 | 基于字典树的问答方法、装置、识别设备及可读存储介质 |
CN111813914A (zh) * | 2020-07-13 | 2020-10-23 | 龙马智芯(珠海横琴)科技有限公司 | 基于字典树的问答方法、装置、识别设备及可读存储介质 |
CN112148851A (zh) * | 2020-09-09 | 2020-12-29 | 常州大学 | 一种基于知识图谱的医药知识问答系统的构建方法 |
CN113342842A (zh) * | 2021-06-10 | 2021-09-03 | 南方电网数字电网研究院有限公司 | 基于计量知识的语义查询方法、装置和计算机设备 |
CN113282689A (zh) * | 2021-07-22 | 2021-08-20 | 药渡经纬信息科技(北京)有限公司 | 基于领域知识图谱的检索方法、装置和搜索引擎 |
CN115146037A (zh) * | 2021-08-09 | 2022-10-04 | 上海蓬海涞讯数据技术有限公司 | 基于知识图谱的问答方法及系统、电子设备及存储介质 |
CN115455169A (zh) * | 2022-10-31 | 2022-12-09 | 杭州远传新业科技股份有限公司 | 一种基于词汇知识和语义依存的知识图谱问答方法和系统 |
CN116089587A (zh) * | 2023-02-20 | 2023-05-09 | 星环信息科技(上海)股份有限公司 | 答案生成方法、装置、设备及存储介质 |
CN116089587B (zh) * | 2023-02-20 | 2024-03-01 | 星环信息科技(上海)股份有限公司 | 答案生成方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110457431B (zh) | 2020-12-25 |
WO2021000555A1 (zh) | 2021-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110457431A (zh) | 基于知识图谱的问答方法、装置、计算机设备和存储介质 | |
CN110532397B (zh) | 基于人工智能的问答方法、装置、计算机设备及存储介质 | |
CN111444320B (zh) | 文本检索方法、装置、计算机设备和存储介质 | |
CN110472136B (zh) | 查询结果的推送方法、装置、存储介质和计算机设备 | |
CN110941698B (zh) | 一种基于bert下卷积神经网络的服务发现方法 | |
US20120102018A1 (en) | Ranking Model Adaptation for Domain-Specific Search | |
CN110321437B (zh) | 一种语料数据处理方法、装置、电子设备及介质 | |
JP2022073981A (ja) | ソースコード取得 | |
CN110737756B (zh) | 确定针对用户输入数据的应答的方法、装置、设备和介质 | |
CN111753075A (zh) | 客服机器人问答数据的创建方法、装置和计算机设备 | |
CN113157863A (zh) | 问答数据处理方法、装置、计算机设备及存储介质 | |
US20230223112A1 (en) | Retrosynthesis using neural networks | |
CN111625638B (zh) | 一种问句处理方法、装置、设备及可读存储介质 | |
CN111444313B (zh) | 基于知识图谱的问答方法、装置、计算机设备和存储介质 | |
CN111400340A (zh) | 一种自然语言处理方法、装置、计算机设备和存储介质 | |
CN113326383B (zh) | 一种短文本实体链接方法、装置、计算设备与存储介质 | |
CN114253990A (zh) | 数据库查询方法、装置、计算机设备和存储介质 | |
CN112749249A (zh) | 司法知识图谱构建以及基于司法知识图谱搜索方法与装置 | |
CN116974554A (zh) | 代码数据处理方法、装置、计算机设备和存储介质 | |
CN107368525B (zh) | 搜索相关词的方法及装置、存储介质和终端设备 | |
US20220230053A1 (en) | Graph neural network for signal processing | |
CN113822039A (zh) | 近义词挖掘方法及相关设备 | |
CN106682221B (zh) | 问答交互的响应方法、装置及问答系统 | |
Zhang et al. | Facilitating Data-Centric Recommendation in Knowledge Graph | |
CN117251523B (zh) | 一种面向科技论文的多任务信息抽取方法及系统 |
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 |