CN110727781B - 一种电力多源知识检索结果融合方法及装置 - Google Patents

一种电力多源知识检索结果融合方法及装置 Download PDF

Info

Publication number
CN110727781B
CN110727781B CN201911000452.9A CN201911000452A CN110727781B CN 110727781 B CN110727781 B CN 110727781B CN 201911000452 A CN201911000452 A CN 201911000452A CN 110727781 B CN110727781 B CN 110727781B
Authority
CN
China
Prior art keywords
confidence
electric power
knowledge
question
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.)
Active
Application number
CN201911000452.9A
Other languages
English (en)
Other versions
CN110727781A (zh
Inventor
赵洪莹
李悦
程雅梦
沈盛宇
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.)
Nanjing Yunwen Network Technology Co ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Nanjing Yunwen Network Technology Co ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power 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 Nanjing Yunwen Network Technology Co ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical Nanjing Yunwen Network Technology Co ltd
Priority to CN201911000452.9A priority Critical patent/CN110727781B/zh
Publication of CN110727781A publication Critical patent/CN110727781A/zh
Application granted granted Critical
Publication of CN110727781B publication Critical patent/CN110727781B/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
    • 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
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/338—Presentation of query results
    • 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
    • G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/383—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content

Landscapes

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

Abstract

本发明公开了一种电力多源知识检索结果融合方法及装置，所述方法包括对用户问句进行检索，得到与用户问句相关的电力专业名词集合；计算电力专业名词集合中电力专业名词的置信度；对计算出来的电力专业名词的置信度进行排序，得到最终检索结果。本发明能够有效地将多源知识进行融合，精确地解答用户问句，提高电力智能问答的进度。

Description

一种电力多源知识检索结果融合方法及装置
技术领域
本发明属于信息处理技术领域，具体涉及一种电力多源知识检索结果融合方法及装置，尤其涉及一种基于D-S证据理论的电力多源知识检索结果融合方法及装置。
背景技术
智能问答作为自然语言处理的一个重要应用，已经引起了国内外专家学者的广泛关注。智能问答系统是将积累的无序语料信息，进行有序和科学的整理，并建立起一套基于知识的模型，提高信息处理的自动性以减少人力资源。目前，电力智能知识库中包含如电力百科、电力文档以及电力问答等多源知识，在智能知识库进行知识服务时，如何有效地将多源知识进行融合，精确地解答用户问句是智能问答过程中非常重要的环节。
发明内容
针对上述问题，本发明提出一种电力多源知识检索结果融合方法及装置，能够有效地将多源知识进行融合，精确地解答用户问句，提高电力智能问答的进度。
为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
第一方面，本发明提供了一种电力多源知识检索结果融合方法，包括：
对用户问句进行检索，得到与用户问句相关的电力专业名词集合；
计算电力专业名词集合中电力专业名词的置信度；
对计算出来的电力专业名词的置信度进行排序，得到最终检索结果。
可选地，所述电力专业名词的置信度的计算方法包括：
基于电力专业名词集合W中的电力专业名词wi，从电力智能知识库中检索出与该电力专业名词wi关联的电力百科知识集合WKi、电力文档知识集合DCi和电力问答知识集合QAi；
基于所述电力百科知识结合WKi中的每个知识wkij，计算其对用户问句Sq的第一置信度
Figure GDA0003742463450000011
基于所述电力文档知识结合DCi中的每个知识dcij，计算其对用户问句Sq的第二置信度
Figure GDA0003742463450000012
基于所述电力问答知识结合QAi中的每个知识qaij，计算其对用户问句Sq的第三置信度
Figure GDA0003742463450000021
基于所述第一置信度
Figure GDA0003742463450000022
第二置信度
Figure GDA0003742463450000023
和第三置信度
Figure GDA0003742463450000024
结合D-S证据理论融合计算出电力专业名词wi的置信度
Figure GDA0003742463450000025
可选地，所述电力智能知识库中包括电力百科知识库、电力文档知识库以及电力问答知识库，所述电力百科知识库、电力文档知识库以及电力问答知识库中的知识点对应于一个或多个电力专业名词。
可选地，所述第一置信度
Figure GDA0003742463450000026
的计算方法包括：
所述第一置信度
Figure GDA0003742463450000027
通过如下公式计算获得：
Figure GDA0003742463450000028
其中，wkij的计算公式为：
Figure GDA0003742463450000029
式中，Vi为词向量，Sq为用户问句，wkij是用户知识库对应向量，n为词向量的总数。
可选地，所述第二置信度
Figure GDA00037424634500000210
的计算方法包括：
所述第二置信度
Figure GDA00037424634500000211
通过如下公式计算获得：
Figure GDA00037424634500000212
可选地，所述第三置信度
Figure GDA00037424634500000213
的计算方法包括：
所述第三置信度
Figure GDA00037424634500000214
通过如下公式计算获得：
Figure GDA00037424634500000215
可选地，所述基于所述第一置信度
Figure GDA00037424634500000216
第二置信度
Figure GDA00037424634500000217
和第三置信度
Figure GDA00037424634500000218
结合D-S证据理论融合计算出电力专业名词wi的置信度
Figure GDA0003742463450000031
具体为：
将第一置信度
Figure GDA0003742463450000032
第二置信度
Figure GDA0003742463450000033
和第三置信度
Figure GDA0003742463450000034
映射到统一向量空间；
利用D-S证据理论计算出现有文本相似度，置信度评分区间为[0,1.0]。
第二方面，本发明提供了一种电力多源知识检索结果融合装置，包括：
检索模块，用于对用户问句进行检索，得到与用户问句相关的电力专业名词集合；
计算模块，用于计算电力专业名词集合中电力专业名词的置信度；
排序模块，用于对计算出来的电力专业名词的置信度进行排序，得到最终检索结果。
可选地，所述计算模块包括：
检索子模块，用于基于电力专业名词集合W中的电力专业名词wi，从电力智能知识库中检索出与该电力专业名词wi关联的电力百科知识集合WKi、电力文档知识集合DCi和电力问答知识集合QAi；
第一计算子模块，用于基于所述电力百科知识结合WKi中的每个知识wkij，计算其对用户问句Sq的第一置信度
Figure GDA0003742463450000035
第二计算子模块，用于基于所述电力文档知识结合DCi中的每个知识dcij，计算其对用户问句Sq的第二置信度
Figure GDA0003742463450000036
第三计算子模块，用于基于所述电力问答知识结合QAi中的每个知识qaij，计算其对用户问句Sq的第三置信度
Figure GDA0003742463450000037
第四计算子模块，用于基于所述第一置信度
Figure GDA0003742463450000038
第二置信度
Figure GDA0003742463450000039
和第三置信度
Figure GDA00037424634500000310
结合D-S证据理论融合计算出电力专业名词wi的置信度
Figure GDA00037424634500000311
可选地，所述第一置信度
Figure GDA00037424634500000312
通过以下计算公式计算获得：
Figure GDA00037424634500000313
其中，wkij的计算公式为：
Figure GDA0003742463450000041
式中，Vi为词向量，Sq为用户问句，wkij是用户知识库对应向量，n为词向量的总数；
所述第二置信度
Figure GDA0003742463450000042
通过如下公式计算获得：
Figure GDA0003742463450000043
所述第三置信度
Figure GDA0003742463450000044
通过如下公式计算获得：
Figure GDA0003742463450000045
附图说明
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1为本发明一种实施例的电力多源知识检索结果融合方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
虽然现有技术中基于知识库的问答系统繁多，但绝大多数的问答结果来源于单一知识库，缺乏有效地将多源知识进行融合，精确地解答用户问句的方法。而D-S证据理论作为一种不确定推理方法，证据理论的主要特点是满足比贝叶斯概率论更弱的条件，以及具有直接表达“不确定”和“不知道”的能力，为此，本发明提出了电力多源知识检索结果融合方法及装置，利用D-S证据理论实现将多源知识检索结果融合生成结果，能够精确地解答用户问句，提高电力智能问答的进度。
实施例1
本发明实施例中提供了一种电力多源知识检索结果融合方法，如图1所示，具体包括以下步骤：
(1)对用户问句进行检索，得到与用户问句相关的电力专业名词集合；
(2)计算电力专业名词集合中电力专业名词的置信度；
(3)对计算出来的电力专业名词的置信度进行排序，得到最终检索结果。
在本发明实施例的一种具体实施方式中，所述步骤(1)可以通过以下步骤完成：
利用现有的电力智能问答系统，对用户问句Sq进行检索，得到与问句相关的电力专业名词集合W，W＝{w1,w2,w3,…,wn}，该过程为现有技术，因此，本发明实施例中不做过多的赘述。
在本发明实施例的一种具体实施例中，所述步骤(2)中的电力专业名词的置信度的计算方法包括：
基于电力专业名词集合W中的电力专业名词wi，从电力智能知识库中检索出与该电力专业名词wi关联的电力百科知识集合WKi、电力文档知识集合DCi和电力问答知识集合QAi；
基于所述电力百科知识结合WKi中的每个知识wkij，计算其对用户问句Sq的第一置信度
Figure GDA0003742463450000051
基于所述电力文档知识结合DCi中的每个知识dcij，计算其对用户问句Sq的第二置信度
Figure GDA0003742463450000052
基于所述电力问答知识结合QAi中的每个知识qaij，计算其对用户问句Sq的第三置信度
Figure GDA0003742463450000053
基于所述第一置信度
Figure GDA0003742463450000054
第二置信度
Figure GDA0003742463450000055
和第三置信度
Figure GDA0003742463450000056
结合D-S证据理论融合计算出电力专业名词wi的置信度
Figure GDA0003742463450000057
所述电力智能知识库中包括电力百科知识库、电力文档知识库以及电力问答知识库，所述电力百科知识库、电力文档知识库以及电力问答知识库中的知识点对应于一个或多个电力专业名词，即整个电力智能知识库由电力专业名词互相间构建起了一套关联关系库。
所述第一置信度
Figure GDA0003742463450000061
的计算方法包括：
所述第一置信度
Figure GDA0003742463450000062
通过如下公式计算获得：
Figure GDA0003742463450000063
其中，wkij的计算公式为：
Figure GDA0003742463450000064
式中，Vi为词向量，Sq为用户问句，wkij是用户知识库对应向量，n为词向量的总数。
所述第二置信度
Figure GDA0003742463450000065
的计算方法包括：
利用Jaccard相似系数计算所述第二置信度
Figure GDA0003742463450000066
所述第二置信度
Figure GDA0003742463450000067
的公式具体为：
Figure GDA0003742463450000068
所述第三置信度
Figure GDA0003742463450000069
的计算方法包括：
所述第三置信度
Figure GDA00037424634500000610
通过如下公式计算获得：
Figure GDA00037424634500000611
所述基于所述第一置信度
Figure GDA00037424634500000612
第二置信度
Figure GDA00037424634500000613
和第三置信度
Figure GDA00037424634500000614
结合D-S证据理论融合计算出电力专业名词wi的置信度
Figure GDA00037424634500000615
具体为：
将第一置信度
Figure GDA00037424634500000616
第二置信度
Figure GDA00037424634500000617
和第三置信度
Figure GDA00037424634500000618
映射到统一向量空间；
利用D-S证据理论计算出现有文本相似度，置信度评分区间为[0,1.0]，本发明采用不完全等分的区间上，区间数的设定如下：
1)高等：[0.8,1.0]
2)中等：[0.2,0.8]
3)低等：[0,0.2]
其中，区间划分的高中低等分别对应第一、第二、第三置信度区间。
识别框架的概念：
假设Θ为变量x所有取值的值集合，Θ＝{θ1,θ2,…,θn}。集合Θ中的每个元素之间时互斥的，在任何时刻x只能赋予集合Θ中的一个元素值，那么Θ就被称作为x的样本空间，或者成为识别框架。在证据理论中，识别框架任何一个子集A都对应于一个关于x的命题。因此，关于x命题的可靠程度由其对应的识别框架Θ中的子集A所取决。
基本概率分配(BPA)
识别框架Θ上的基本分配函数(Basic Probability Assignment，BPA)是一个2Θ→[0,1]的函数m，称为mass函数，并且该函数满足的条件为：
Figure GDA0003742463450000071
其中
Figure GDA0003742463450000072
识别框架Θ中的任何一个子集A,如果m(A)＞0，那么A称为该识别框架的焦元(focal elements)。
信任函数
信任函数也叫做信度函数(Belief function)。在识别框架Θ上基本概率分配函数m的信任函数定义为：
Figure GDA0003742463450000073
Bel函数又可以成为下限函数。
似然函数
似然函数有叫做似然度函数(Plausibility function)。在识别框架Θ上基本概率分配函数m的似然函数函数定义为：
Figure GDA0003742463450000074
似然函数又可以成为上限函数。
Dempster合成规则
假设对于识别框架Θ上的证据E的所对应的mass函数m1，m2，相应的焦元B，C，Dempster合成规则为：
Figure GDA0003742463450000081
其中，
Figure GDA0003742463450000082
K为归一化系数，K为：
Figure GDA0003742463450000083
其中，K∈[0,1]，K的大小可以反映出证据之间的冲突程度大小，K→1表明证据间的冲突大；K→0表明证据间的冲突小。
设置区间相似度计算公式如下：
Figure GDA0003742463450000084
其中，α为支持系数，并且满足α＞0。Dis(A,B)为区间数A(a1,a2)和B(b1,b2)之间的距离。距离计算公式如下所示：
Figure GDA0003742463450000085
根据Dempster合成规则将归一化的BPA融合得到的分配，对于一个电力专业名词wi，得到下表结果：
模型的评价区间数 融合后信任分配值
[0.8,1.0] S1
[0.2,0.8] S2
[0,0.2] S3
将融合的分数映射到[0,1.0]的评分区间，得到电力专业名词wi的置信度
Figure GDA0003742463450000086
计算公式如
Pwi＝θ×S1+μ×S2+S3 (12)
其中θ和μ为参数，S1、S2及S3为融合后的信任分配值。
下面对本发明实施例中的电力多源知识检索结果融合方法，进行具体的举例说明：
首先针对全部语料进行训练学习，生成语料对应词向量模型，即词向量Vi。由其组装生成WKi，DCi，QAi。本发明实施例中具体计算分数均由该模型计算生成。
用户问句Sq为用户用于检索的问句，假设用户问句Sq为“江苏的电价是怎样的”，问句中识别的电力专业名词结合为W为：{电价}
步骤(1)利用电力智能问答系统(基于电力智能知识库的一套问答系统)对用户问句Sq(“江苏的电价是怎样的”)进行检索，获得与该问句相关的电力专业名词集合W为：{电价}；
步骤(2)根据电力专业名词集合中的专业名词wi获取电力百科知识集合WKi、电力文档知识集合DCi以及电力问答知识集合QAi，获得电力专业名词“电价”对应的知识集合如表一所示：
表一
Figure GDA0003742463450000091
步骤(3)基于表一中的信息，针对电力百科知识集合WKi，包含三条百科知识：{w1＝单项电价，w2＝单一制电价，w3＝两部制电价，针对w1＝单项电价，根据下述公式计算第一置信度
Figure GDA0003742463450000101
Figure GDA0003742463450000102
运用预训练生成的词向量模型，利用上述计算公式，计算得到第一置信度
Figure GDA0003742463450000103
为0.8323。
步骤(4)根据下述公式计算出第二置信度
Figure GDA0003742463450000104
Figure GDA0003742463450000105
其中，针对电力文档知识dcij为“国网江苏电力公司关于贯彻两部制电价推广方案通知”，用户问句Sq为“江苏的电价是怎样的”，沿用训练生成词向量模型，计算得到|dcij∩Sq|为4，为24，|Sq|为10，计算得到
Figure GDA0003742463450000106
为0.1333。
步骤(5)根据下述公式计算出第三置信度
Figure GDA0003742463450000107
Figure GDA0003742463450000108
其中，电力问答知识“什么是单项电价？”与户问句Sq“江苏的电价是怎样的”的置信度
Figure GDA0003742463450000109
为0.2143。
步骤(6)利用D-S证据理论，结合步骤(3)-(5)中的相关结果，其中，电力百科知识置信度为：
Figure GDA00037424634500001010
Figure GDA0003742463450000111
其中，电力文档知识的置信度为：
Figure GDA0003742463450000112
其中，电力问答知识的置信度为：
Figure GDA0003742463450000113
根据D-S证据理论，得到融合后的结果如表所示：
Figure GDA0003742463450000114
Figure GDA0003742463450000121
进一步融合每个电力名词对应的电力百科知识、电力文档知识以及电力问答知识，得到每个电力专业名词的融合后的置信度
Figure GDA0003742463450000122
结果如下表所示：
Figure GDA0003742463450000123
步骤(7)根据步骤(6)获得的电力专业名词在进行融合后的置信度
Figure GDA0003742463450000124
进行排序，进行答案的展示。
实施例2
基于与实施例1相同的发明构思，本发明实施例中提供了一种电力多源知识检索结果融合装置，包括：
检索模块，用于对用户问句进行检索，得到与用户问句相关的电力专业名词集合；
计算模块，用于计算电力专业名词集合中电力专业名词的置信度；
排序模块，用于对计算出来的电力专业名词的置信度进行排序，得到最终检索结果。
在本发明实施例的一种具体实施方式中，所述计算模块包括：
检索子模块，用于基于电力专业名词集合W中的电力专业名词wi，从电力智能知识库中检索出与该电力专业名词wi关联的电力百科知识集合WKi、电力文档知识集合DCi和电力问答知识集合QAi；
第一计算子模块，用于基于所述电力百科知识结合WKi中的每个知识wkij，计算其对用户问句Sq的第一置信度
Figure GDA0003742463450000125
第二计算子模块，用于基于所述电力文档知识结合DCi中的每个知识dcij，计算其对用户问句Sq的第二置信度
Figure GDA0003742463450000126
第三计算子模块，用于基于所述电力问答知识结合QAi中的每个知识qaij，计算其对用户问句Sq的第三置信度
Figure GDA0003742463450000131
第四计算子模块，用于基于所述第一置信度
Figure GDA0003742463450000132
第二置信度
Figure GDA0003742463450000133
和第三置信度
Figure GDA0003742463450000134
结合D-S证据理论融合计算出电力专业名词wi的置信度
Figure GDA0003742463450000135
在本发明实施例的一种具体实施方式中，所述第一置信度
Figure GDA0003742463450000136
通过以下计算公式计算获得：
Figure GDA0003742463450000137
其中，wkij的计算公式为：
Figure GDA0003742463450000138
式中，Vi为词向量，Sq为用户问句，wkij是用户知识库对应向量；
所述第二置信度
Figure GDA0003742463450000139
通过如下公式计算获得：
Figure GDA00037424634500001310
所述第三置信度
Figure GDA00037424634500001311
通过如下公式计算获得：
Figure GDA00037424634500001312
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种电力多源知识检索结果融合方法，其特征在于，包括：
对用户问句进行检索，得到与用户问句相关的电力专业名词集合；
计算电力专业名词集合中电力专业名词的置信度；
对计算出来的电力专业名词的置信度进行排序，得到最终检索结果；
所述电力专业名词的置信度的计算方法包括：
基于电力专业名词集合W中的电力专业名词wi，从电力智能知识库中检索出与该电力专业名词wi关联的电力百科知识集合WKi、电力文档知识集合DCi和电力问答知识集合QAi；
基于所述电力百科知识结合WKi中的每个知识wkij，计算其对用户问句Sq的第一置信度
Figure FDA0003742463440000011
基于所述电力文档知识结合DCi中的每个知识dcij，计算其对用户问句Sq的第二置信度
Figure FDA0003742463440000012
基于所述电力问答知识结合QAi中的每个知识qaij，计算其对用户问句Sq的第三置信度
Figure FDA0003742463440000013
基于所述第一置信度
Figure FDA0003742463440000014
第二置信度
Figure FDA0003742463440000015
和第三置信度
Figure FDA0003742463440000016
结合D-S证据理论融合计算出电力专业名词wi的置信度
Figure FDA0003742463440000017
所述第一置信度
Figure FDA0003742463440000018
的计算方法包括：
所述第一置信度
Figure FDA0003742463440000019
通过如下公式计算获得：
Figure FDA00037424634400000110
其中，wkij的计算公式为：
Figure FDA00037424634400000111
式中，Vi为词向量，Sq为用户问句向量，wkij为用户知识库对应向量，n为词向量的总数；
所述第二置信度
Figure FDA0003742463440000021
的计算方法包括：
所述第二置信度
Figure FDA0003742463440000022
通过如下公式计算获得：
Figure FDA0003742463440000023
式中，Sq为用户问句向量；
所述第三置信度
Figure FDA0003742463440000024
的计算方法包括：
所述第三置信度
Figure FDA0003742463440000025
通过如下公式计算获得：
Figure FDA0003742463440000026
式中，Sq为用户问句向量。
2.根据权利要求1所述的一种电力多源知识检索结果融合方法，其特征在于：所述电力智能知识库中包括电力百科知识库、电力文档知识库以及电力问答知识库，所述电力百科知识库、电力文档知识库以及电力问答知识库中的知识点对应于一个或多个电力专业名词。
3.根据权利要求1所述的一种电力多源知识检索结果融合方法，其特征在于：所述基于所述第一置信度
Figure FDA0003742463440000027
第二置信度
Figure FDA0003742463440000028
和第三置信度
Figure FDA0003742463440000029
结合D-S证据理论融合计算出电力专业名词wi的置信度
Figure FDA00037424634400000210
具体为：
将第一置信度
Figure FDA00037424634400000211
第二置信度
Figure FDA00037424634400000212
和第三置信度
Figure FDA00037424634400000213
映射到统一向量空间；利用D-S证据理论计算出现有文本相似度，置信度评分区间为[0,1.0]。
4.一种电力多源知识检索结果融合装置，其特征在于，包括：
检索模块，用于对用户问句进行检索，得到与用户问句相关的电力专业名词集合；
计算模块，用于计算电力专业名词集合中电力专业名词的置信度；
排序模块，用于对计算出来的电力专业名词的置信度进行排序，得到最终检索结果；
所述计算模块包括：
检索子模块，用于基于电力专业名词集合W中的电力专业名词wi，从电力智能知识库中检索出与该电力专业名词wi关联的电力百科知识集合WKi、电力文档知识集合DCi和电力问答知识集合QAi；
第一计算子模块，用于基于所述电力百科知识结合WKi中的每个知识wkij，计算其对用户问句Sq的第一置信度
Figure FDA0003742463440000031
第二计算子模块，用于基于所述电力文档知识结合DCi中的每个知识dcij，计算其对用户问句Sq的第二置信度
Figure FDA0003742463440000032
第三计算子模块，用于基于所述电力问答知识结合QAi中的每个知识qaij，计算其对用户问句Sq的第三置信度
Figure FDA0003742463440000033
第四计算子模块，用于基于所述第一置信度
Figure FDA0003742463440000034
第二置信度
Figure FDA0003742463440000035
和第三置信度
Figure FDA0003742463440000036
结合D-S证据理论融合计算出电力专业名词wi的置信度
Figure FDA0003742463440000037
所述第一置信度
Figure FDA0003742463440000038
通过以下计算公式计算获得：
Figure FDA0003742463440000039
其中，wkij的计算公式为：
Figure FDA00037424634400000310
式中，Vi为词向量，Sq为用户问句，wkij是用户知识库对应向量；n为词向量的总数；
所述第二置信度
Figure FDA00037424634400000311
通过如下公式计算获得：
Figure FDA00037424634400000312
所述第三置信度
Figure FDA00037424634400000313
通过如下公式计算获得：
Figure FDA00037424634400000314
CN201911000452.9A 2019-10-21 2019-10-21 一种电力多源知识检索结果融合方法及装置 Active CN110727781B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911000452.9A CN110727781B (zh) 2019-10-21 2019-10-21 一种电力多源知识检索结果融合方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911000452.9A CN110727781B (zh) 2019-10-21 2019-10-21 一种电力多源知识检索结果融合方法及装置

Publications (2)

Publication Number Publication Date
CN110727781A CN110727781A (zh) 2020-01-24
CN110727781B true CN110727781B (zh) 2022-11-01

Family

ID=69220457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911000452.9A Active CN110727781B (zh) 2019-10-21 2019-10-21 一种电力多源知识检索结果融合方法及装置

Country Status (1)

Country Link
CN (1) CN110727781B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663129A (zh) * 2012-04-25 2012-09-12 中国科学院计算技术研究所 医疗领域深度问答方法及医学检索系统
CN108920599A (zh) * 2018-06-27 2018-11-30 北京计算机技术及应用研究所 一种基于知识本体库的问答系统答案精准定位和抽取方法
CN108984778A (zh) * 2018-07-25 2018-12-11 南京瓦尔基里网络科技有限公司 一种智能交互自动问答系统以及自我学习方法
CN110232113A (zh) * 2019-04-12 2019-09-13 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663129A (zh) * 2012-04-25 2012-09-12 中国科学院计算技术研究所 医疗领域深度问答方法及医学检索系统
CN108920599A (zh) * 2018-06-27 2018-11-30 北京计算机技术及应用研究所 一种基于知识本体库的问答系统答案精准定位和抽取方法
CN108984778A (zh) * 2018-07-25 2018-12-11 南京瓦尔基里网络科技有限公司 一种智能交互自动问答系统以及自我学习方法
CN110232113A (zh) * 2019-04-12 2019-09-13 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

Also Published As

Publication number Publication date
CN110727781A (zh) 2020-01-24

Similar Documents

Publication Publication Date Title
CN111708873B (zh) 智能问答方法、装置、计算机设备和存储介质
CN115238101B (zh) 一种面向多类型知识库的多引擎智能问答系统
CN112035636B (zh) 医疗问诊系统的问答管理方法、装置、设备及存储介质
RU2747425C2 (ru) Система ответа на вопросы из разных областей знаний в режиме реального времени
CN108345690B (zh) 智能问答方法与系统
CN111324721A (zh) 一种智能问答知识库的构建方法
CN109308323A (zh) 一种因果关系知识库的构建方法、装置及设备
CN111666376B (zh) 一种基于段落边界扫描预测与词移距离聚类匹配的答案生成方法及装置
CN113342958B (zh) 问答匹配方法、文本匹配模型的训练方法和相关设备
CN112328800A (zh) 自动生成编程规范问题答案的系统及方法
CN116127095A (zh) 一种序列模型与知识图谱结合的问答方法
CN113705191A (zh) 样本语句的生成方法、装置、设备及存储介质
CN113821527A (zh) 哈希码的生成方法、装置、计算机设备及存储介质
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
CN111368093A (zh) 信息获取方法、装置、电子设备及计算机可读存储介质
CN112883172B (zh) 一种基于双重知识选择的生物医学问答方法
CN116662522B (zh) 问题答案推荐方法、存储介质和电子设备
CN117473057A (zh) 问答处理方法、系统、设备和存储介质
CN110727781B (zh) 一种电力多源知识检索结果融合方法及装置
CN111914201B (zh) 网络页面的处理方法及装置
Gil-Clavel et al. Using Natural Language Processing and Networks to Automate Structured Literature Reviews: An Application to Farmers Climate Change Adaptation
Hu Somm: Into the model
CN116401341A (zh) 面向理解的互动答疑系统
Fakhr et al. AISQA-An Artificial Immune Question Answering System
Khandait et al. Automatic question generation through word vector synchronization using lamma

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