CN110837550A - 基于知识图谱的问答方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种基于知识图谱的问答方法、装置、电子设备及存储介质，所述基于知识图谱的问答方法包括：响应于触发进行的用户输入请求，获得问句；对经过命名实体识别得到的所述问句中实体，在已构建的知识图谱中进行实体链接，得到候选实体；在所述知识图谱中确定包含所述候选实体的搜索子图，根据所述搜索子图生成由所述候选实体指向候选答案的若干条候选路径；根据所述问句的上下文信息，从若干条所述候选路径中筛选得到目标路径，将所述目标路径中所述候选实体指向的候选答案作为所述问句的答案推送给用户。采用本发明所提供的基于知识图谱的问答方法、装置、电子设备及存储介质解决了现有技术中基于知识图谱的问答的准确率不高的问题。

Description

基于知识图谱的问答方法、装置、电子设备及存储介质

技术领域

本发明涉及信息检索技术领域，尤其涉及一种基于知识图谱的问答方法、装置、电子设备被及存储介质。

背景技术

问答系统(Question Answering System,QA)是信息检索领域中的一种高级形式。它依赖于知识图谱中存储的数以百万计的信息，进而采用准确、简洁的自然语言回答用户同样基于自然语言提出的问题。

目前，基于知识图谱的问答方法，由于知识图谱的规模过于庞大，检索时，要么出现知识图谱可能缺失的情况，要么是难以结合知识图谱的结构，而使得问题很难得到一个真实有效的答案。

由此可知，现有技术中尚存在基于知识图谱的问答的准确率不高的缺陷。

发明内容

本发明各实施例提供一种基于知识图谱的问答方法、装置、电子设备及存储介质，以解决相关技术中存在的基于知识图谱的问答的准确率不高的问题。

其中，本发明所采用的技术方案为：

根据本发明的一方面，一种基于知识图谱的问答方法，包括：响应于触发进行的用户输入请求，获得问句；对经过命名实体识别得到的所述问句中实体，在已构建的知识图谱中进行实体链接，得到候选实体；在所述知识图谱中确定包含所述候选实体的搜索子图，根据所述搜索子图生成由所述候选实体指向候选答案的若干条候选路径；根据所述问句的上下文信息，从若干条所述候选路径中筛选得到目标路径，将所述目标路径中所述候选实体指向的候选答案作为所述问句的答案推送给用户。

根据本发明的一方面，一种基于知识图谱的问答装置，包括：问句获得模块，用于响应于触发进行的用户输入请求，获得问句；实体链接模块，用于对经过命名实体识别得到的所述问句中实体，在已构建的知识图谱中进行实体链接，得到候选实体；路径生成模块，用于在所述知识图谱中确定包含所述候选实体的搜索子图，根据所述搜索子图生成由所述候选实体指向候选答案的若干条候选路径；答案推送模块，用于根据所述问句的上下文信息，从若干条所述候选路径中筛选得到目标路径，将所述目标路径中所述候选实体指向的候选答案作为所述问句的答案推送给所述用户。

根据本发明的一方面，一种电子设备，包括处理器及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如上所述的基于知识图谱的问答方法。

根据本发明的一方面，一种存储介质，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所述的基于知识图谱的问答方法。

在上述技术方案中，响应于触发进行的用户输入请求，获得问句，对经过命名实体识别得到的问句中实体，在已构建的知识图谱中进行实体链接，得到候选实体，并在知识图谱中确定包含候选实体的搜索子图，以此生成由候选实体指向候选答案的若干条候选路径，进而结合问句的上下文信息，从中筛选得到目标路径，最终将该目标路径中候选实体指向的候选答案作为问句的答案推送给用户，也就是说，候选答案来源于包含候选实体的搜索子图，很好地结合了知识图谱的结构，而并非局限于单跳的知识图谱问答，从而有效地解决了现有技术中存在的基于知识图谱的问答的准确率不高的问题。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是根据本发明所涉及的实施环境的示意图。

图2是根据一示例性实施例示出的一种服务端的硬件结构框图。

图3是根据一示例性实施例示出的一种基于知识图谱的问答方法的流程图。

图4是图3对应实施例中步骤330在一个实施例的流程图。

图5是图4对应实施例中步骤333在一个实施例的流程图。

图6是图3对应实施例中步骤350在一个实施例的流程图。

图7为图6对应实施例所涉及的搜索子图的示意图。

图8是根据一示例性实施例示出的另一种基于知识图谱的问答方法的流程图。

图9是图3对应实施例中步骤370在一个实施例的流程图。

图10是图9对应实施例中步骤373在一个实施例的流程图。

图11是根据一示例性实施例示出的一种基于知识图谱的问答装置的框图。

图12是根据一示例性实施例示出的一种电子设备的框图。

通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述，这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

如前所述，问答系统依赖于知识图谱中存储的数以百万计的信息。

随着计算机技术的不断发展，信息快速增长，由信息中获得的(主体、关系、客体)语义三元组所构建的知识图谱的规模也随之快速增长，反而增加了用户的检索难度，为此，基于知识图谱的问答方法仍有待研究。

目前，基于知识图谱的问答方法主要包括两种方案：第一种方案基于SP-based，第二种方案基于神经网络。

其中，第一种基于SP-based的方案，旨在获取语法分析树，利用词和约束条件等去构建一个能够转化为SPARQL语句的知识库查询语句。但是，该种方案需要人工高质量的语义标注数据和转化规则，无形中增加了基于知识图谱的问答方法的人工成本。

第二种基于神经网络的方案，无需大量人工进行特征提取，有效地降低了人工成本，但是，由于知识图谱的规模过于庞大，检索时，要么受限于单跳的知识图谱问答，而可能出现知识图谱缺失的情况，要么是难以结合知识图谱的结构，而使得问题很难得到一个真实有效的答案。

由此可知，现有的基于神经网络的基于知识图谱的问答方法仍存在准确率不高的局限性。

为此，本发明特提出了一种基于知识图谱的问答方法，能够有效地提高基于知识图谱的问答的准确率，相应地，一种基于知识图谱的问答装置被部署于具备冯诺依曼体系的电子设备中，例如，电子设备为智能手机、服务器等，以实现基于知识图谱的问答方法。

图1为一种基于知识图谱的问答方法所涉及的实施环境的示意图。该实施环境包括用户端110和服务端130。

具体地，用户端110可以是台式电脑、笔记本电脑、平板电脑、智能手机或者其他部署了基于知识图谱的问答装置的电子设备，在此不进行限定。

服务端130与用户端110之间通过无线或者有线预先建立网络连接，以基于此网络连接实现用户端110与服务端130之间的数据传输。传输的数据包括但不限于：问句、答案等等。

其中，服务端130可以是一台服务器，也可以是由多台服务器构成的服务器集群，甚至是由多台服务器构成的服务器中心。此服务器是为用户提供后台服务的电子设备，该后台服务包括但不限于：基于知识图谱的问答服务等等。

通过用户端110与服务端130之间的交互，当用户基于自然语言提出问题，将借助部署在用户端110中基于知识图谱的问答装置触发进行相关的用户输入操作，此时，对于用户端110而言，便能够检测到该用户输入操作，进而向服务端130发起用户输入请求，使得服务端200向用户提供基于知识图谱的问答服务。

对于服务端130而言，便通过响应于用户端110中触发进行的用户输入请求而获得问句，进而基于知识图谱得到该问句的答案，并推送给用户。

当然，根据营运需要，基于知识图谱的问答装置也可部署于用户端110，此时，基于知识图谱的问答服务由用户端110独立完成，具体实施过程同理于服务端110的实施过程，此处不再重复描述。

图2是根据一示例性实施例示出的一种电子设备的硬件结构框图。该种电子设备适用于图1所示出实施环境的用户端110和服务端130。

需要说明的是，该种电子设备只是一个适配于本发明的示例，不能认为是提供了对本发明的使用范围的任何限制。该种电子设备也不能解释为需要依赖于或者必须具有图2中示出的示例性的电子设备200中的一个或者多个组件。

电子设备200的硬件结构可因配置或者性能的不同而产生较大的差异，如图2所示，电子设备200包括：电源210、接口230、至少一存储器250、以及至少一中央处理器(CPU,Central Processing Units)270。

具体地，电源210用于为电子设备200上的各硬件设备提供工作电压。

接口230包括至少一有线或无线网络接口，用于与外部设备交互。例如，进行图1所示出实施环境中用户端110与服务端130之间的交互。

当然，在其余本发明适配的示例中，接口230还可以进一步包括至少一串并转换接口233、至少一输入输出接口235以及至少一USB接口237等，如图2所示，在此并非对此构成具体限定。

存储器250作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统251、应用程序253及数据255等，存储方式可以是短暂存储或者永久存储。

其中，操作系统251用于管理与控制电子设备200上的各硬件设备以及应用程序253，以实现中央处理器270对存储器250中海量数据255的运算与处理，其可以是WindowsServerTM、Mac OS XTM、UnixTM、LinuxTM、FreeBSDTM等。

应用程序253是基于操作系统251之上完成至少一项特定工作的计算机程序，其可以包括至少一模块(图2中未示出)，每个模块都可以分别包含有对电子设备200的一系列计算机可读指令。例如，基于知识图谱的问答装置可视为部署于服务端200的应用程序253。

数据255可以是存储于磁盘中的照片、图片等，还可以是知识图谱、问句、答案等，存储于存储器250中。

中央处理器270可以包括一个或多个以上的处理器，并设置为通过至少一通信总线与存储器250通信，以读取存储器250中存储的计算机可读指令，进而实现对存储器250中海量数据255的运算与处理。例如，通过中央处理器270读取存储器250中存储的一系列计算机可读指令的形式来完成基于知识图谱的问答方法。

此外，通过硬件电路或者硬件电路结合软件也能同样实现本发明，因此，实现本发明并不限于任何特定硬件电路、软件以及两者的组合。

请参阅图3，在一示例性实施例中，一种基于知识图谱的问答方法适用于图1所示实施环境的服务端，例如，该服务端可以是台式电脑、笔记本电脑、平板电脑、服务器等电子设备，该服务端的结构可以如图2所示。

该种基于知识图谱的问答方法可以由服务端执行，也可以理解为由服务端中运行的基于知识图谱的问答装置执行。在下述方法实施例中，为了便于描述，以各步骤的执行主体为服务端加以说明，但是并不对此构成限定。

该种基于知识图谱的问答方法可以包括以下步骤：

步骤310，响应于触发进行的用户输入请求，获得问句。

如前所述，如图1所示，当用户基于自然语言提出问题，将在用户端中触发进行相关的用户输入操作，以此向服务端发起用户输入请求，使得服务端能够响应于用户端触发进行的用户输入请求，向用户提供基于知识图谱的问答服务。

具体地，对于用户端而言，将为用户基于自然语言提出问题提供相应入口，那么，当用户期望基于自然语言提出问题，便能够在此相应入口触发相应操作，进而使得用户端能够检测到此操作，而促使服务端向用户提供基于知识图谱的问答服务。

例如，用户端为智能手机，此智能手机的用户界面可弹出一输入框，作为用户基于自然语言提出问题的入口，当用户在此输入框输入问题，此智能手机便可检测到此输入操作，进而得到用户基于自然语言提出的问题，并以此向服务端发起用户输入请求。其中，输入操作即视为用户端中触发进行的用户输入操作。

对于服务端而言，便可接收到用户端发起的用户输入请求，也认为是用户端触发进行的用户输入请求，并通过响应此用户输入请求，从中提取得到用户基于自然语言提出的问题，即问句。

值得一提的是，随着用户端类型不同，其配置组件可能有所不同，上述操作也将在本质上存在差异。例如，用户端为台式电脑，其配置组件为鼠标，则上述操作可以是单击、双击、拖拽等机械操作；或者，用户端为智能手机，其配置组件为触摸式显示屏幕，则上述操作可以是点击、滑动等手势操作，本实施例并未对此构成具体限定。

应当补充说明的是，对于服务端而言，在获得用户基于自然语言提出的问题(即问句)之后，将针对此问句进行自然语言处理，以方便于后续基于问句进行的答案检索。其中，自然语言处理包括但不限于：特征预处理、数据清洗(例如，清洗问句中的停用词)、字符串预处理(例如转化英语词汇中的主干)等等，此处不详细说明。

步骤330，对经过命名实体识别得到的所述问句中实体，在已构建的知识图谱中进行实体链接，得到候选实体。

发明人意识到，在获得问句中的实体之后，会在已构建的知识图谱中搜索该实体，以便能够基于构建知识图谱的语义三元组得到问句的答案。此时，可能会搜索出许多个与问句中实体相类似的实体，但是势必仅有少数个实体与问句中的实体较为匹配，也可以理解为，仅有个别语义三元组比较适于作为问句的答案。

为此，本实施例中，针对问句中的实体，需要在已构建的知识图谱中进行实体链接。此实体链接，实质是对从知识图谱中搜索出的实体进行过滤的过程，以此来促进后续基于知识图谱的问答的准确率提升。

其中，实体链接，可以基于搜索流行度、实体知名度、编辑距离、欧式距离等等。

步骤350，在所述知识图谱中确定包含所述候选实体的搜索子图，根据所述搜索子图生成由所述候选实体指向候选答案的若干条候选路径。

如前所述，构建知识图谱的语义三元组包含主体、关系、客体。其中，关系具体指主体与客体之间的关系，也可以认为是，主体相当于用户基于自然语言提出的问题，即问句，而客体相当于该问句的答案，那么，基于语义三元组中的关系，便可直接由主体(问句)确定客体(答案)。

发明人意识到，由于知识图谱的规模越来越庞大，在基于问句检索答案时，问答系统通常是采用上述单跳的知识图谱问答，即基于语义三元组中的关系，直接由主体确定客体，这就导致知识图谱可能出现缺失的情况，而且未能结合知识图谱的结构，使得问句难以得到一个真实有效的答案。

因此，本实施例中，基于问句检索答案，采用多跳的知识图谱问答实现。

具体地，在知识图谱中确定包含候选实体的搜索子图，根据搜索子图生成由候选实体指向候选答案的若干条候选路径。

此处说明下单跳与多跳的区别：

就单跳的知识图谱问答来说，针对语义三元组而言，主体＝候选实体，关系＝候选关系，客体＝候选答案，由此，在找到候选实体和候选关系之后，便可直接得到候选答案。

而就多跳的知识图谱问答来说，针对某一条候选路径而言，可能存在多个语义三元组，分别对应该候选路径的其中一跳。

假设，某一条候选路径包括两跳，此时，针对该候选路径第一跳对应的语义三元组而言，主体＝候选实体，关系＝候选关系，客体＝中间答案。

针对该候选路径第二跳对应的语义三元组而言，主体＝中间答案，关系＝中间关系，客体＝候选答案。

那么，在找到候选实体和候选关系之后，得到的仅为中间答案，还需要进一步确定中间关系，方能够得到候选答案。

由此，基于多跳的知识图谱问答，不仅充分考虑了知识图谱中关于候选实体的最大关系，而且充分结合了知识图谱的结构，从而有利于进一步地促进后续基于知识图谱的问答的准确率提升。

步骤370，根据所述问句的上下文信息，从若干条所述候选路径中筛选得到目标路径，将所述目标路径中所述候选实体指向的候选答案作为所述问句的答案推送给用户。

发明人意识到，步骤350中获得的候选路径可能不止一条，也就是说，就问句而言，可能存在多个候选答案，此时，应当选取最优的候选答案，作为该问句的答案推荐给用户。

故而，本实施例中，针对若干条候选路径，将基于问句的上下文信息进行筛选，由此得到与问句所表达语义最匹配的目标路径。其中，问句的上下文信息，用于表示问句所表达的语义。

此时，目标路径中候选实体指向的候选答案视为最优的候选答案，被推送给用户。其中，针对目标路径，由候选实体指向候选答案，是基于查询语句SPARQL检索知识图谱实现的。

通过如上所述的过程，实现了多跳的知识图谱问答，即基于搜索子图生成的候选路径推送最优的候选答案，很好地结合了知识图谱的结构，避免局限于单跳的知识图谱问答，进而有效地提高了基于知识图谱的问答的准确率。

请参阅图4，在一示例性实施例中，步骤330可以包括以下步骤：

步骤331，对所述问句进行命名实体识别，得到所述问句中的实体。

其中，问句中的实体，指的是问句中关键的主题词，例如，问句中的人名、地名、组织机构等等，通过命名实体识别获得。

本实施例中，命名实体识别，旨在识别出问句中人名、地名、组织机构等命名实体，基于命名实体识别模型实现。此命名实体识别模型，基于深度学习模型训练生成，例如，该深度学习模型为GRU深度学习模型。

举例来说，假设问句为“what time zone in the UK”。

那么，将该问句输入至命名实体识别模型，分别进行分词、特征提取、特征拼接、类别预测，便可得到该问句中每一个分词是否为命名实体的类别预测结果。

即，what、time、zone、in、the属于非命名实体类别，即类别预测结果为非命名实体。UK属于命名实体类别，即类别预测结果为命名实体。也就是说，该问句中的实体为UK。

在此说明的是，分词，可以包括以下步骤：由Glove预训练好的词向量构建词表，并根据该词表对问句进行分词，得到该问句对应的词向量序列，该词向量序列包含问句中的若干分词。

当然，在不同的实施例中，分词，不仅限于在命名实体识别模型中完成，也可以在问句输入至命名实体识别模型之前完成，本实施例并非对此构成具体限定。

步骤333，将所述问句中的实体链接至所述知识图谱中，得到所述候选实体。

如前所述，实体链接，实质是对从知识图谱中搜索出的实体进行过滤的过程。

具体而言，在一实施例的实现中，如图5所示，步骤333可以包括以下步骤：

步骤3331，针对所述知识图谱包含的实体，在所述知识图谱中对所述问句中的实体进行搜索，得到与所述问句中实体相类似的至少一个相似实体。

步骤3333，根据所述问句中实体的上下文信息，计算所述问句中实体与至少一个所述相似实体之间的距离，确定至少一个所述相似实体的分数。

其中，相似实体的分数，用于指示该相似实体与问句中实体之间的距离，距离越近，表示该相似实体的上下文信息所表达语义与问句中实体的上下文信息所表达语义越相似，则分数越高。

本实施例中，问句中实体与相似实体之间的距离由下列计算公式计算：

其中，q表示问句中的实体，s表示相似实体，D(q，s)表示问句中实体q与相似实体s之间的距离。

步骤3335，根据至少一个所述相似实体的分数，从至少一个所述相似实体中筛选得到所述候选实体。

本实施例中，候选实体，是基于相似实体的分数，对相似实体进行筛选得到的。

具体地，获取各相似实体的分数，并基于相似实体的分数对相似实体进行排序，取出排序前k名的相似实体作为候选实体。其中，k可以根据应用场景的实际需求灵活地调整，此处并未加以限定。

在上述实施例的作用下，实现了基于知识图谱的实体链接，为搜索子图的确定提供了依据，使得基于搜索子图的多跳的知识图谱问答得以实现。

应当理解，基于神经网络实现基于知识图谱的问答，为了避免训练样本和测试样本分布不均匀，需要通过大量的问题及其答案进行模型训练，方能够获得一个具有泛化能力强的模型来捕获不同样本分布之间的差异，从而确保基于神经网络实现的基于知识图谱的问答的准确性。

发明人意识到，在此过程中，关键在于如何生成候选路径，如果仅考虑候选实体的周边关系作为候选关系，即局限于单跳，一是会造成候选路径集合很大，不利于筛选，二是未能够很好地应用语义三元组中主体与关系之间的语义匹配。

因此，在一示例性实施例中，候选路径的生成，采用seq2seq方法，从候选实体出发，考虑候选实体的最大关系，生成路径每一跳，并最终指向候选答案，进而使得基于知识图谱的问答由单跳扩展至多跳。

具体而言，如图6所示，在一实施例的实现中，步骤350可以包括以下步骤：

步骤351，以所述候选实体作为路径第一跳的起点，基于深度学习模型配置的attention机制，在所述知识图谱中对所述路径第一跳的起点进行最大关系搜索。

步骤353，根据搜索到所述路径第一跳的起点在所述知识图谱中的最大关系，生成所述路径第一跳，并以所述路径第一跳的终点作为路径第二跳的起点，开始进行所述路径第二跳的起点在所述知识图谱中的最大关系搜索。

步骤355，直至路径最后一跳的终点满足路径截止条件，停止所述知识图谱中关于所述路径最后一跳的最大关系搜索，得到包含所述候选实体的搜索子图。

步骤357，以所述搜索子图中所述路径最后一跳的终点作为所述候选答案，得到由所述候选实体指向所述候选答案的若干条所述候选路径。

举例来说，如图7所示，针对问句401，经过命名实体识别和实体链接之后，获得问句401中实体402。

针对问句401中实体402，在已构建的知识图谱中，确定候选实体为4021，并作为路径第一跳的起点。

进一步地，基于深度学习模型配置的attention机制，在知识图谱中对路径第一跳的起点进行最大关系搜索，搜索得到候选关系集合403，即路径第一跳的起点在知识图谱中的最大关系，由此生成路径第一跳(4031、4032、4033)。其中，4041、4042、4043视为路径第一跳的终点。

此处，4041、4042作为路径第一跳的终点满足路径截止条件，即不存在其余关联路径，则停止在知识图谱中关于路径最后一跳的最大关系搜索。

接着，以4043继续作为路径第二跳的起点，在知识图谱中对路径第二跳的起点进行最大关系搜索，搜索得到中间关系集合405，即路径第二跳的起点在知识图谱中的最大关系，由此生成路径第二跳(4051、4052、4053、4054)。其中，4061、4062视为路径第二跳的终点。

此处，4061、4062作为路径第二跳的终点也满足路径截止条件，即不存在其余关联路径，则停止知识图谱中关于路径最后一跳的最大关系搜索。由此，得到包含候选实体、路径第一跳、路径第二跳的搜索子图。

那么，在该搜索子图中，路径第二跳的终点4061、4062即视为候选答案，从而最终得到由候选实体指向候选答案的两条候选路径，分别为：4021->4031->4043->4053->4061、4021->4031->4043->4054->4062。

在上述实施例的作用下，实现了候选路径的生成，使得多跳的知识图谱问答得以实现，从而充分保障了基于知识图谱的问答的准确性。

此外，基于多跳的知识图谱问答，还能够一定程度上缓解训练样本和测试样本之间分布不一致的问题，能够更加充分地利用知识图谱中的语义三元组去检索问句的答案。

请参阅图8，在一示例性实施例中，步骤370之前，如上所述的方法还可以包括以下步骤：

步骤510，确定所述问句中实体的实体类型，以所述实体类型替代所述问句中的实体，得到所述问句对应的问句模式。

发明人意识到，由于问句中实体对问句所表达语义的贡献度不大，反而由于扩大了词表并且词频较低，而可能影响基于知识图谱进行的答案检索。

同时，发明人还发现，对于同一种类型的问句，如果实体的实体类型不同，在知识图谱的语义三元组(主体、关系、客体)中，可能对应出不同关系，进而检索出的答案也有所区别，也就是说，实体的实体类型对答案检索起着至关重要的作用。

基于此，本实施例中，问句中实体将被其实体类型替代，从而将问句修改为对应的问句模式，在保证问句语义表达有效性的前提下，充分保障了基于知识图谱的问答的准确性。

当然，在其他实施例中，问句中实体也可以由其他符号来替代，例如，占位符等，此处并非对此构成具体限定。

步骤530，将所述问句对应的问句模式输入深度学习模型，得到所述问句的上下文信息。

通过上述过程，实现了基于深度学习模型的上下文信息的提取，使得目标路径筛选得以实现，而且避免大量人工进行特征提取，有效地降低了人工成本。

请参阅图9，在一示例性实施例中，步骤370可以包括以下步骤：

步骤371，针对每一条所述候选路径，输入至深度学习模型，得到该候选路径的上下文信息。

值得一提的是，此处，发明人意识到，无论是问句的上下文信息，还是候选路径的上下文信息，均依赖于深度学习模型，又或者候选路径生成时所依赖的神经网络模型(深度学习模型)，均在一定的相似性。

故而，针对上述模型，本发明采用了多任务学习方式，即基于相同样本进行共同的随机性模型训练，并使用SGD随机梯度下降方法对上述模型的参数进行更新，从而有效地增强模型的泛化能力，使得模型能够准确地捕获不同样本分布之间的差异，从而确保基于深度学习实现的基于知识图谱的问答的准确性。

步骤373，结合所述问句的上下文信息，对若干条所述候选路径的上下文信息进行排序，得到所述目标路径。

本实施例中，目标路径，是基于问句的上下文信息和候选路径的上下文信息，对若干条候选路径进行筛选得到的。

具体地，在一实施例的实现中，如图10所示，步骤373可以包括以下步骤：

步骤3731，根据所述问句的上下文信息和每一条所述候选路径的上下文信息，计算所述问句与每一条所述候选路径之间的距离，确定每一条所述候选路径的分数。

其中，候选路径的分数，用于指示该候选路径与问句之间的距离，距离越近，表示该候选路径的上下文信息所表达语义与问句的上下文信息所表达语义越相似，则分数越高。

本实施例中，问句与候选路径之间的距离由下列计算公式计算：

其中，q’表示问句，l表示候选路径，D(q′，l)表示问句q’与候选路径l之间的距离。

步骤3733，确定每一条所述候选路径中候选实体的分数。

同理于相似实体的分数，候选实体的分数，用于指示该候选实体与问句中实体之间的距离，距离越近，表示该候选实体的上下文信息所表达语义与问句中实体的上下文信息所表达语义越相似，则分数越高。

本实施例中，问句中实体与候选实体之间的距离由下列计算公式计算：

其中，q表示问句中的实体，h表示候选实体，D(q，h)表示问句中实体q与候选实体h之间的距离。

步骤3735，根据每一条所述候选路径的分数及其中候选实体的分数，计算每一条所述候选路径的综合分数。

综合分数，针对每一条所述候选路径的分数及其中候选实体的分数，可以直接相加得到，还可以通过加权求和得到，本实施例并未对此加以限定。

例如，候选路径的分数为m，权重系数为p1，候选实体的分数为n，权重系数为p2，则候选路径的综合分数＝m×p1+n×p2。

其中，权重系数可以根据应用场景的实际需求灵活地设置，此处也并未进行限定。

步骤3737，以综合分数最高的候选路径作为所述目标路径。

在上述过程中，将实体得分与路径得分综合考虑，实现了目标路径的多评分机制，更充分地保障了目标路径筛选的准确性，从而进一步地提高了基于知识图谱的问答的准确率。

下述为本发明装置实施例，可以用于执行本发明所涉及的基于知识图谱的问答方法。对于本发明装置实施例中未披露的细节，请参照本发明所涉及的基于知识图谱的问答方法的方法实施例。

请参阅图11，在一示例性实施例中，一种基于知识图谱的问答装置900包括但不限于：问句获得模块910、实体链接模块930、路径生成模块950和答案推送模块970。

其中，问句获得模块910，用于响应于触发进行的用户输入请求，获得问句。

实体链接模块930，用于对经过命名实体识别得到的所述问句中实体，在已构建的知识图谱中进行实体链接，得到候选实体。

路径生成模块950，用于在所述知识图谱中确定包含所述候选实体的搜索子图，根据所述搜索子图生成由所述候选实体指向候选答案的若干条候选路径。

答案推送模块970，用于根据所述问句的上下文信息，从若干条所述候选路径中筛选得到目标路径，将所述目标路径中所述候选实体指向的候选答案作为所述问句的答案推送给所述用户。

需要说明的是，上述实施例所提供的基于知识图谱的问答装置在进行基于知识图谱的问答时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即基于知识图谱的问答装置的内部结构将划分为不同的功能模块，以完成以上描述的全部或者部分功能。

另外，上述实施例所提供的基于知识图谱的问答装置与基于知识图谱的问答方法的实施例属于同一构思，其中各个模块执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。

请参阅图12，在一示例性实施例中，一种电子设备1000，包括至少一处理器1001、至少一存储器1002、以及至少一通信总线1003。

其中，存储器1002上存储有计算机可读指令，处理器1001通过通信总线1003读取存储器1002中存储的计算机可读指令。

该计算机可读指令被处理器1001执行时实现上述各实施例中的基于知识图谱的问答方法。

在一示例性实施例中，一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各实施例中的基于知识图谱的问答方法。

上述内容，仅为本发明的较佳示例性实施例，并非用于限制本发明的实施方案，本领域普通技术人员根据本发明的主要构思和精神，可以十分方便地进行相应的变通或修改，故本发明的保护范围应以权利要求书所要求的保护范围为准。

Claims (10)

1.一种基于知识图谱的问答方法，其特征在于，包括：

响应于触发进行的用户输入请求，获得问句；

对经过命名实体识别得到的所述问句中实体，在已构建的知识图谱中进行实体链接，得到候选实体；

在所述知识图谱中确定包含所述候选实体的搜索子图，根据所述搜索子图生成由所述候选实体指向候选答案的若干条候选路径；

根据所述问句的上下文信息，从若干条所述候选路径中筛选得到目标路径，将所述目标路径中所述候选实体指向的候选答案作为所述问句的答案推送给用户。

2.如权利要求1所述的方法，其特征在于，所述对经过命名实体识别得到的所述问句中实体，在已构建的知识图谱中进行实体链接，得到候选实体，包括：

对所述问句进行命名实体识别，得到所述问句中的实体；

将所述问句中的实体链接至所述知识图谱中，得到所述候选实体。

3.如权利要求2所述的方法，其特征在于，所述将所述问句中的实体链接至所述知识图谱中，得到所述候选实体，包括：

针对所述知识图谱包含的实体，在所述知识图谱中对所述问句中的实体进行搜索，得到与所述问句中实体相类似的至少一个相似实体；

根据所述问句中实体的上下文信息，计算所述问句中实体与至少一个所述相似实体之间的距离，确定至少一个所述相似实体的分数；

根据至少一个所述相似实体的分数，从至少一个所述相似实体中筛选得到所述候选实体。

4.如权利要求1所述的方法，其特征在于，所述在所述知识图谱中确定包含所述候选实体的搜索子图，根据所述搜索子图生成由所述候选实体指向候选答案的若干条候选路径，包括：

以所述候选实体作为路径第一跳的起点，基于深度学习模型配置的attention机制，在所述知识图谱中对所述路径第一跳的起点进行最大关系搜索；

根据搜索到所述路径第一跳的起点在所述知识图谱中的最大关系，生成所述路径第一跳，并以所述路径第一跳的终点作为路径第二跳的起点，开始进行所述路径第二跳的起点在所述知识图谱中的最大关系搜索；

直至路径最后一跳的终点满足路径截止条件，停止所述知识图谱中关于所述路径最后一跳的最大关系搜索，得到包含所述候选实体的搜索子图；

以所述搜索子图中所述路径最后一跳的终点作为所述候选答案，得到由所述候选实体指向所述候选答案的若干条所述候选路径。

5.如权利要求1所述的方法，其特征在于，所述根据所述问句的上下文信息，从若干条所述候选路径中筛选得到目标路径之前，所述方法还包括：

确定所述问句中实体的实体类型，以所述实体类型替代所述问句中的实体，得到所述问句对应的问句模式；

将所述问句对应的问句模式输入深度学习模型，得到所述问句的上下文信息。

6.如权利要求1所述的方法，其特征在于，所述根据所述问句的上下文信息，从若干条所述候选路径中筛选得到目标路径，包括：

针对每一条所述候选路径，输入至深度学习模型，得到该候选路径的上下文信息；

结合所述问句的上下文信息，对若干条所述候选路径的上下文信息进行排序，得到所述目标路径。

7.如权利要求6所述的方法，其特征在于，所述结合所述问句的上下文信息，对若干条所述候选路径的上下文信息进行排序，得到所述目标路径，包括：

根据所述问句的上下文信息和每一条所述候选路径的上下文信息，计算所述问句与每一条所述候选路径之间的距离，确定每一条所述候选路径的分数；

确定每一条所述候选路径中候选实体的分数；

根据每一条所述候选路径的分数及其中候选实体的分数，计算每一条所述候选路径的综合分数；

以综合分数最高的候选路径作为所述目标路径。

8.一种基于知识图谱的问答装置，其特征在于，包括：

问句获得模块，用于响应于触发进行的用户输入请求，获得问句；

实体链接模块，用于对经过命名实体识别得到的所述问句中实体，在已构建的知识图谱中进行实体链接，得到候选实体；

路径生成模块，用于在所述知识图谱中确定包含所述候选实体的搜索子图，根据所述搜索子图生成由所述候选实体指向候选答案的若干条候选路径；

答案推送模块，用于根据所述问句的上下文信息，从若干条所述候选路径中筛选得到目标路径，将所述目标路径中所述候选实体指向的候选答案作为所述问句的答案推送给所述用户。

9.一种电子设备，其特征在于，包括：

处理器；及

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如权利要求1至7中任一项所述的基于知识图谱的问答方法。

10.一种存储介质，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如权利要求1至7中任一项所述的基于知识图谱的问答方法。

Images