CN110929016A - 一种基于知识图谱的智能问答方法及装置 - Google Patents

一种基于知识图谱的智能问答方法及装置 Download PDF

Info

Publication number
CN110929016A
CN110929016A CN201911259737.4A CN201911259737A CN110929016A CN 110929016 A CN110929016 A CN 110929016A CN 201911259737 A CN201911259737 A CN 201911259737A CN 110929016 A CN110929016 A CN 110929016A
Authority
CN
China
Prior art keywords
question
entity
user
knowledge graph
intention
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
Application number
CN201911259737.4A
Other languages
English (en)
Inventor
张尧
刘宁
王静
胡茜
董婉
申亚男
吴志超
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.)
Beijing Aidoctor Intelligent Medical Technology Co Ltd
Original Assignee
Beijing Aidoctor Intelligent Medical Technology 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 Beijing Aidoctor Intelligent Medical Technology Co Ltd filed Critical Beijing Aidoctor Intelligent Medical Technology Co Ltd
Priority to CN201911259737.4A priority Critical patent/CN110929016A/zh
Publication of CN110929016A publication Critical patent/CN110929016A/zh
Pending legal-status Critical Current

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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例提供一种基于知识图谱的智能问答方法及装置，该方法包括：接收客户端发送的用户问题，分别进行实体识别和意图识别；根据实体识别结果及意图识别结果生成知识图谱查询语句，在知识图谱数据库中进行搜索，得到与用户问题对应的解答并返回给客户端；其中，知识图谱数据库包括实体名称、实体属性信息以及实体关系信息。本发明实施例提供的基于知识图谱的智能问答方法及装置，通过基于用户问题进行实体识别及意图识别后，生成知识图谱查询语句，并在包含实体名称、实体属性信息以及实体关系信息的知识图谱数据库中进行搜索，得到与用户问题对应的解答并返回给客户端，实现了用户问题的智能化自动解答，提高了解答效率及准确度。

Description

一种基于知识图谱的智能问答方法及装置
技术领域
本发明涉及计算机技术领域，具体涉及一种基于知识图谱的智能问答方法及装置。
背景技术
随着互联网应用的普及，每天会有数不胜数的患者在互联网上寻求疾病相关用户问题的解答，而传统的问答系统或者说搜索引擎，往往检索出来的并不是用户想要的信息，而只是根据关键字检索出的成千上万相关链接，患者还要去在海量的相关链接中去寻找想要的解答。当这些链接中没有相关的解答时，患者往往会去一些医生问答社区寻找专业的医生提问，由于患者的大多数用户问题都是重复的知识性用户问题，难免导致医生重复工作，效率偏低，相应地也影响了患者获取用户问题解答的效率。另外，由于医生的水平不一，不同医生给出的解答也可能各不相同，因此，患者也往往难以确定用户问题解答的准确性。
发明内容
为解决现有技术中的问题，本发明实施例提供一种基于知识图谱的智能问答方法及装置。
第一方面，本发明实施例提供一种基于知识图谱的智能问答方法，包括：接收客户端发送的用户问题，对所述用户问题进行实体识别，得到实体识别结果；并对所述用户问题进行意图识别，得到意图识别结果；根据所述实体识别结果及所述意图识别结果生成知识图谱查询语句，根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的解答并返回给所述客户端；其中，所述知识图谱数据库包括实体名称、实体属性信息以及实体关系信息。
进一步地，所述根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的解答并返回给所述客户端，包括：根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的查询结果；将所述查询结果直接作为所述解答，或，基于所述实体识别结果及与所述意图识别结果对应的解答模板对所述查询结果进行语言组织后得到所述解答；将所述解答返回给所述客户端。
进一步地，所述实体名称的集合构成实体名称库；所述对所述用户问题进行实体识别，包括：采用Aho-Corasick算法对所述用户问题在所述知识图谱数据库的实体名称库中进行全匹配；若具有匹配结果，则将所述匹配结果作为所述实体识别结果；若不具有匹配结果，则进一步基于所述知识图谱数据库，采用BERT-LSTM-CRF方法进行实体识别；所述对所述用户问题进行意图识别，包括：首先采用专家定义的规则进行意图识别；若所述采用专家定义的规则进行意图识别无法获取到所述意图识别结果，则进一步采用深度学习方法对所述用户问题进行意图识别。
进一步地，所述实体名称库还包括别名库；所述别名库为具有别名的所述实体名称对应的别名的集合；所述别名与所述实体名称建立有关联关系。
进一步地，所述根据所述实体识别结果及所述意图识别结果生成知识图谱查询语句，包括：若根据所述意图识别结果判断获知所述用户问题对应的所述解答无法穷举，则获取与所述意图识别结果相反的意图；并根据所述实体识别结果及所述相反的意图生成所述知识图谱查询语句。
进一步地，所述方法还包括：若对所述用户问题进行实体识别后无法获取所述实体识别结果、对所述用户问题进行意图识别后无法获取所述意图识别结果、根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索未得到与所述用户问题对应的解答，和/或，接收到客户端返回的用户对解答不满意的信息，则将所述用户问题与问答库中的已有问题进行相似度匹配，并将与所述用户问题相似度最高的预设数量的所述已有问题发送给所述客户端；若接收到所述客户端选择了其中一个所述已有问题的信息，则将相应的所述已有问题对应的解答返回给所述客户端；若接收到所述客户端不选择任意一个所述已有问题的信息，则显示建议线上咨询的提示信息，并将新的问答结果添加到所述问答库。
进一步地，所述将所述用户问题与问答库中的已有问题进行相似度匹配，包括：分别对所述用户问题及所述已有问题进行分词操作并生成词向量；根据与所述用户问题对应的所述词向量生成第一句子向量；根据与所述已有问题对应的所述词向量生成第二句子向量；通过计算所述第一句子向量和所述第二句子向量之间的余弦相似度对所述用户问题与所述问答库中的所述已有问题进行相似度匹配。
第二方面，本发明实施例提供一种基于知识图谱的智能问答装置，包括：问题分析模块，用于：接收客户端发送的用户问题，对所述用户问题进行实体识别，得到实体识别结果；并对所述用户问题进行意图识别，得到意图识别结果；解答获取模块，用于：根据所述实体识别结果及所述意图识别结果生成知识图谱查询语句，根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的解答并返回给所述客户端；其中，所述知识图谱数据库包括实体名称、实体属性信息以及实体关系信息。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，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如第一方面所提供的方法的步骤。
本发明实施例提供的基于知识图谱的智能问答方法及装置，通过基于用户问题进行实体识别及意图识别后，生成知识图谱查询语句，并在包含实体名称、实体属性信息以及实体关系信息的知识图谱数据库中进行搜索，得到与用户问题对应的解答并返回给客户端，实现了用户问题的智能化自动解答，提高了解答效率及准确度。
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获得其他的附图。
图1是本发明一实施例提供的基于知识图谱的智能问答方法流程图；
图2是本发明一实施例提供的基于知识图谱的智能问答方法中一知识图谱数据库对应知识图谱的示意图；
图3是本发明另一实施例提供的基于知识图谱的智能问答方法流程图；
图4是本发明再一实施例提供的基于知识图谱的智能问答方法流程图；
图5是本发明一实施例提供的基于知识图谱的智能问答装置结构示意图；
图6是本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，显然，所描述的实施例是本发明一部分实施例，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。
图1是本发明一实施例提供的基于知识图谱的智能问答方法流程图。如图1所示，所述方法包括：
步骤101、接收客户端发送的用户问题，对所述用户问题进行实体识别，得到实体识别结果；并对所述用户问题进行意图识别，得到意图识别结果。
用户在智能问题系统的客户端输入待解答的问题(用户问题)后，客户端将用户问题发送给服务器。基于知识图谱的智能问答装置(服务器)接收客户端发送的用户问题后，基于知识图谱数据库对所述用户问题进行实体识别，识别用户问题中包含的实体名称，进而得到实体识别结果。并且，基于知识图谱的智能问答装置对所述用户问题进行意图识别，判断问题类型，从而得到意图识别结果。
步骤102、根据所述实体识别结果及所述意图识别结果生成知识图谱查询语句，根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的解答并返回给所述客户端；其中，所述知识图谱数据库包括实体名称、实体属性信息以及实体关系信息。
基于知识图谱的智能问答装置根据所述实体识别结果及所述意图识别结果生成知识图谱查询语句，根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的解答并返回给所述客户端。基于知识图谱的智能问答装置利用所述知识图谱查询语句，基于所述知识图谱数据库包括的实体名称、实体属性信息以及实体关系信息可以得到与用户问题对应的解答并返回给客户端。
图2是本发明一实施例提供的基于知识图谱的智能问答方法中一知识图谱数据库对应知识图谱的示意图。知识图谱数据库可以包含实体名称、实体属性信息实体关系信息，为简单起见，图2只是示出了实体名称及实体关系信息。对应于每个实体，知识图谱数据库还存储有相应的实体属性信息。
如图2所示，实体包括多种类别，如疾病、检查项、检查项指标、食品、症状、行为、药品等。实际呈现时，可以展现不同的实体名称及不同实体间的关系。如疾病具体展现为甲肝、乙肝、脂肪肝等。食品具体展现为瓜子、酒等。具有关系的实体之间设置有相应的实体关系。如乙肝不能喝酒，则乙肝与酒之间的关系利用not_eat进行表示，表示这个疾病不能食用相应的食品，即乙肝患者不能喝酒。
如图2所示，其他的实体关系如：疾病与食品间的do_eat表示某个疾病可以食用某食物，疾病和食品间的recommand_eat表示某个疾病推荐食用某食物，疾病和药品间的common_drug表示某疾病的常用药品，疾病和行为间的not_do表示某疾病不能实施某项行为，药品和行为间的not_do表示某个药品禁止某项行为；器官和行为间的not_do表示某器官所禁止的对器官有损伤的行为，疾病和症状之间的has_symptom表示某疾病具有的症状，疾病和疾病之间的acompany表示某疾病的并发症，疾病和疾病之间的transfer表示某疾病可以转化成另一疾病，疾病和检查项之间的return_visit表示疾病的复查项目，疾病和检查项之间的need_check表示某疾病应做的检查项目，疾病与检查项指标之间的need_check_item表示某疾病应得到的检查项指标条目，检查项指标和药品之间的check_item_drug表示与某个异常检查指标对应的药品等等。可以理解的，图2只是一知识图谱的实例，知识图谱的具体内容可以根据需要进行增减。
另外，对于实体属性信息也可以根据需要设定，如对于疾病实体，可以包含治愈率、传染性以及专业医生的其他相关权威解答与介绍等。
下面举例说明本发明实施例提供的基于知识图谱的智能问答方法的问答过程：
比如，用户问题是“乙肝可以治愈吗？”，那么通过实体识别可以识别出用户问题中的实体为“乙肝”。通过进行意图识别，可以识别出问题类别为能否治愈的问题。其中，意图识别可以通过采用专家定义的规则进行意图识别，专家定义的规则可以包括疑问词及相关问题信息，如可以将“可以治愈吗”设置为专家预先定义的规则。则通过实体识别和意图识别后可以获知问题涉及的实体及问题类型，根据实体识别结果和意图识别结果构造知识图谱查询语句，在知识图谱数据库中进行搜索。由于问题涉及的实体为乙肝，则到乙肝的相关信息中进行答案寻找即可；由于问题类型为是否可以治愈的问题，即治愈性问题，这个问题可以到实体属性信息中寻找。乙肝的实体属性信息中可以包含预设的信息，如乙肝的治愈率，或者存储的是专业医生的权威解答，如乙肝不可以治愈。因此，基于知识图谱的智能问答装置根据乙肝的实体属性信息可以获取到与用户问题对应解答，进一步可将解答返回给客户端。
再比如，用户问题是“乙肝可以喝酒吗？”，那么，通过实体识别可以识别出用户问题中包含两个实体，一个是“乙肝”，另一个是“酒”；另外进行意图识别，可以识别出问题是“可以喝……吗”，即问题类型是是否可以食用某类食品。根据实体识别结果和意图识别结果构造知识图谱查询语句，在知识图谱数据库中进行搜索。根据问题意图的识别，可以由上述二个实体之间的实体关系信息得到(do_eat或者not_eat)，因此，通过搜索乙肝和酒之间的do_eat或者not_eat的实体关系信息，可以获得到相应的解答。因此，基于知识图谱的智能问答装置根据乙肝和酒之间的实体关系信息可以获取到与用户问题对应解答，进一步可将解答返回给客户端。
本发明实施例通过基于用户问题进行实体识别及意图识别后，生成知识图谱查询语句，并在包含实体名称、实体属性信息以及实体关系信息的知识图谱数据库中进行搜索，得到与用户问题对应的解答并返回给客户端，实现了用户问题的智能化自动解答，提高了解答效率及准确度。
进一步地，基于上述实施例，所述根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的解答并返回给所述客户端，包括：根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的查询结果；将所述查询结果直接作为所述解答，或，基于所述实体识别结果及与所述意图识别结果对应的解答模板对所述查询结果进行语言组织后得到所述解答；将所述解答返回给所述客户端。
根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的查询结果。所述查询结果对应于专家固定解答，则直接可以所述查询结果作为与用户问题对应的解答。如对于用户问题是“乙肝可以治愈吗？”，可以得到“乙肝不可以治愈”的查询结果，则直接返回相应的解答即可。
若查询结果不对应于专家固定解答，如对于用户问题是“乙肝患者不能吃什么？”，如可以得到乙肝不能吃的食物包括食物A、食物B、食物C。则可以按照预设的模板，如对于不能吃的东西的解答模板进行组织语言后作为用户问题的解答。如解答可以为：乙肝患者不能吃的食物包括食物A、食物B和食物C。
在上述实施例的基础上，本发明实施例通过将查询结果直接作为解答，或基于实体识别结果及与意图识别结果对应的解答模板对查询结果进行语言组织后得到解答，提高了与用户问题对应的解答获取的灵活性和解答形式的规范性。
进一步地，基于上述实施例，所述实体名称的集合构成实体名称库；所述对所述用户问题进行实体识别，包括：采用Aho-Corasick算法对所述用户问题在所述知识图谱数据库的实体名称库中进行全匹配；若具有匹配结果，则将所述匹配结果作为所述实体识别结果；若不具有匹配结果，则进一步基于所述知识图谱数据库，采用BERT-LSTM-CRF方法进行实体识别；所述对所述用户问题进行意图识别，包括：首先采用专家定义的规则进行意图识别；若所述采用专家定义的规则进行意图识别无法获取到所述意图识别结果，则进一步采用深度学习方法对所述用户问题进行意图识别。
所述实体名称的集合构成实体名称库。所述实体名称库是基于知识图谱数据库导出的一个字典。在对所述用户问题进行实体识别时，由于Aho-Corasick算法具有速度快、效率高的特点，因此，首先采用Aho-Corasick算法对所述用户问题在所述实体名称库中进行全匹配。通常情况下，利用Aho-Corasick算法对所述用户问题在所述实体名称库中进行全匹配均能得到匹配结果，即可以得到实体识别结果。假设利用Aho-Corasick算法对所述用户问题在所述实体名称库中进行全匹配未能得到匹配结果，则进一步基于所述知识图谱数据库，采用BERT-LSTM-CRF方法进行实体识别，以保证完成实体识别结果的可靠获取。
在对所述用户问题进行意图识别时，由于采用规则匹配的方法进行意图识别具有速度快、效率高的特点，因此，首先采用专家定义的规则进行意图识别。专家定义的规则可以包含设计的疑问词、实体类型、相关的实体属性信息等。如果采用专家定义的规则进行意图识别无法获取到所述意图识别结果，则进一步采用深度学习方法对所述用户问题进行意图识别，以保证意图识别结果的可靠获取。其中，采用深度学习的方法进行意图识别，需要预先根据大量的问题样本和意图识别结果样本对深度神经网络模型进行训练，得到意图识别模型，进而在意图识别时，将用户问题输入到所述意图识别模型获取相应的意图识别结果。
在上述实施例的基础上，本发明实施例通过先采用Aho-Corasick算法进行实体识别，在无法获取结果时再用BERT-LSTM-CRF方法进行实体识别；先采用专家定义的规则进行意图识别，在无法获取结果时再采用深度学习方法进行意图识别；兼顾了实体识别和意图识别的识别效率及可靠性。
进一步地，基于上述实施例，所述实体名称库还包括别名库；所述别名库为具有别名的所述实体名称对应的别名的集合；所述别名与所述实体名称建立有关联关系。
有的实体具有别名，比如乙肝也称作大三阳。那么，为了对于不同的用户问题均能匹配到相应的实体，可以将实体名称库中具有别名的实体名称对应存储相应的别名，别名构成的结合称作别名库，属于实体名称库的一部分。在采用Aho-Corasick算法进行全匹配实体识别时，利用Aho-Corasick算法在包括实体名称和别名的实体名称库中进行搜索。由于别名库中的每个别名与相应的实体名称建立有关联关系，，即别名和相应的实体名称对应存储，因此，若根据用户问题匹配到别名库中的别名，也可以相应地确定用户问题对应的实体。
在上述实施例的基础上，本发明实施例通过建立别名库用于实体识别，提高了实体的识别准确率。
进一步地，基于上述实施例，所述根据所述实体识别结果及所述意图识别结果生成知识图谱查询语句，包括：若根据所述意图识别结果判断获知所述用户问题对应的所述解答无法穷举，则获取与所述意图识别结果相反的意图；并根据所述实体识别结果及所述相反的意图生成所述知识图谱查询语句。
有的时候用户问题对应的解答无法穷举，比如，用户问题是“乙肝患者可以吃什么？”，而假如乙肝患者除有限的几样食物不能吃外，其余食物均可以吃，那么这个问题的解答将无法穷举。通过对知识图谱数据库中进行搜索是可以得到“乙肝患者不能吃什么？”的问题的解答的，如前所述，解答可以为乙肝患者不能吃的食物包括食物A、食物B和食物C。
那么，若根据所述意图识别结果判断获知所述用户问题对应的所述解答无法穷举，比如“可以吃什么”这样的问题便无法穷举，那么，将问题解答的着眼点放于反面，即得到乙肝患者不能吃什么的查询结果，再根据乙肝患者不能吃什么的查询结果得到乙肝患者可以吃什么的解答。在实现时，获取与所述意图识别结果相反的意图，如根据“可以吃什么”的意图得到“不可以吃什么”的意图；并根据所述实体识别结果及所述相反的意图生成所述知识图谱查询语句，即实际根据“乙肝患者不可以吃什么”生成知识图谱查询语句并在知识图谱数据库中进行搜索。进行检索后，得到乙肝不能吃的食物包括食物A、食物B、食物C。那么，在返回解答时，对于这类问题，需要设置相应的解答模板，比如，解答可以为：乙肝患者不可以吃的食物包括食物A、食物B、食物C，其余食物均可以吃。
在上述实施例的基础上，本发明实施例通过对于无法穷举的解答从问题的反面着眼进行查询及获取结果，保证了用户问题解答的可靠获取。
进一步地，基于上述实施例，所述方法还包括：若对所述用户问题进行实体识别后无法获取所述实体识别结果、对所述用户问题进行意图识别后无法获取所述意图识别结果、根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索未得到与所述用户问题对应的解答，和/或，接收到客户端返回的用户对解答不满意的信息，则将所述用户问题与问答库中的已有问题进行相似度匹配，并将与所述用户问题相似度最高的预设数量的所述已有问题发送给所述客户端；若接收到所述客户端选择了其中一个所述已有问题的信息，则将相应的所述已有问题对应的解答返回给所述客户端；若接收到所述客户端不选择任意一个所述已有问题的信息，则显示建议线上咨询的提示信息，并将新的问答结果添加到所述问答库。
系统预先设置有问答库，问答库里包含了历史的问答记录。问答库与知识图谱数据库没有关联，属于两个不同的数据库。
基于知识图谱的智能问答装置接收到客户端发送的用户问题后，对于以下的四个事件，其中任意一个事件发生均将触发将所述用户问题与问答库中的已有问题进行相似度匹配，并将与所述用户问题相似度最高的预设数量的所述已有问题发送给所述客户端的流程。这四个事件包括：对所述用户问题进行实体识别后若无法获取所述实体识别结果，对所述用户问题进行意图识别后无法获取所述意图识别结果，根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索未得到与所述用户问题对应的解答，以及接收到客户端返回的用户对解答不满意的信息。
将所述用户问题与问答库中的已有问题进行相似度匹配，并将与所述用户问题相似度最高的预设数量的所述已有问题返回给所述客户端后，如果有的已有问题与用户问题接近，则用户可能会选择相应的已有问题。如果没有已有问题与用户问题接近，则用户可能不选择任一已有问题。因此，若接收到所述客户端选择了其中一个所述已有问题的信息，则将相应的所述已有问题对应的解答返回给所述客户端；若接收到所述客户端不选择任意一个所述已有问题的信息，则显示建议线上咨询的提示信息，即可以采用向医生发送咨询消息等传统方式获取解答，在相应的问题解决后，基于知识图谱的智能问答装置将新的问答结果添加到所述问答库。
在上述实施例的基础上，本发明实施例通过在无法查询或查询无果时通过与已有问题进行相似度匹配，以及将用户选择的相似问题的解答发送给客户端，提高了智能问答服务的可靠性。
进一步地，基于上述实施例，所述将所述用户问题与问答库中的已有问题进行相似度匹配，包括：分别对所述用户问题及所述已有问题进行分词操作并生成词向量；根据与所述用户问题对应的所述词向量生成第一句子向量；根据与所述已有问题对应的所述词向量生成第二句子向量；通过计算所述第一句子向量和所述第二句子向量之间的余弦相似度对所述用户问题与所述问答库中的所述已有问题进行相似度匹配。
在将所述用户问题与问答库中的已有问题进行相似度匹配时，首先分别对所述用户问题及所述已有问题进行分词操作并生成词向量，可以用LTP进行分词，并对分词结果进行去除停用词操作，在生成词向量时，可以利用gensim读取预训练好的词向量模型，如词向量模型中没有相应词汇，则随机生成向量，然后将用户问题对应的词向量进行相加后取平均生成第一句子向量，将已有问题对应的词向量进行相加后取平均生成第二句子向量。依次计算用户问题的第一句子向量和各个已有问题对应的第二句子向量之间的余弦相似度，将相似度高的几个预设数量的已有问题发送给客户端。
在上述实施例的基础上，本发明实施例通过分词、生成词向量、生成句子向量以及通过计算余弦相似度将用户问题与问答库中的已有问题进行相似度匹配，提高了相似度匹配的准确度，从而提高了智能问答解答的准确度。
图3是本发明另一实施例提供的基于知识图谱的智能问答方法流程图。如图3所示，所述方法包括：
接收到客户端发送的自然语言问题后，AC自动机自动匹配主体(实体)，根据问句中是否包含相应类别的疑问词(规则)以及问句中的实体类型给问句分类，根据问题类别以及问题主体生成不同的查询语句，用查询语句查询neo4j数据库，把查询到的结果根据问题类别套不同的答案模板返回，若答案(解答)满意，则结束流程。AC自动机没有匹配到主体、用查询语句查询neo4j数据库没有查询到答案，或用户对于答案不满意，则读取问答库中的问答对，对问答对中的问题和用户问题生成句子向量。对问答对中的问题和用户问题生成句子向量的步骤包括：1.用LTP进行分词；2.对分词结果进行去除停用词操作；3.读取词向量模型，如词不在模型中，则随机生成向量；4.对每个词的向量进行相加后取平均生成句子向量。然后，依次计算问答对中的问题和用户问题向量之间的余弦相似度，并进行排序取最相似的五个返回。用户选择五个备选问题中与其最匹配的，返回对应的答案。若用户仍不能得到满意的答案，则提示用户进行线上咨询，如对于疾病问题询问医生。
图4是本发明再一实施例提供的基于知识图谱的智能问答方法流程图。如图4所示，所述方法包括：接收到自然语言问题后，经过进行问题分类、进行问题解析及答案搜索三个步骤，其中：
进行问题分类包括：1.采用ahocorasick算法进行实体匹配，以及实体类别判别；2.如用ahocorasick算法匹配失败，则采用BERT-LSTM-CRF的命名实体识别方法进行实体识别；3.如均未识别到实体则建议用户询问医生；4.实体识别成功后则进行问句意图识别；5.首先采用专家定义的规则进行分类；6.若规则分类失败则采用深度学习方法进行分类；7.若都分类失败则采用相似度匹配，返回问答库中与问题最为相似的问题供用户选择，并返回；8.若都没有则提示用户咨询医生，并把问题和医生的答案记录到问答库中。
进行问题解析包括：1.根据问题识别的结果和问题分类的结果，调用解析模块；2.在解析模块中根据不同的问题类型和实体类型，构造知识图谱(neo4j)查询语言(cypher)；3.从知识图谱中返回查询到的数据传入答案搜索模块。
答案搜索包括：1.根据不同的问题类型和知识图谱查询结果，返回用户所需要的答案；2.假如该问题没有专家固定的答案，则按照一定的模板，结构化的把查询到的数据返回，也能解决用户的问题；3.假如第一步的问题意图识别没有成功，也可以直接跳到此步，返回提示，转为人工，由后台大夫针对性回答，并计入问答库中，结构化后存入知识图谱。
本发明实施例提供的基于知识图谱的智能问答方法可以用于实现包括疾病问答在内的智能问答系统。采用本发明实施例提供的智能问答方法可以很好缓解肝病等医生在线上社区的工作压力，使医生可以花更多精力去处理复杂的医学问题，提升工作效率，同时也提升病人寻找简单知识性问题答案的效率和准确性。
以在医学上的应用为例，本发明实施例提供的基于知识图谱的智能问答方法，针对肝病知识，首先制定了知识图谱数据模型，详细定义了实体的种类，属性以及关系，并将医生的权威解答与介绍存入知识图谱中。当用户输入一个问题，系统首先会进行主体识别，意图识别，判别问题类型，并进行问句解析，把问题类型与问题主体结合起来生成知识图谱查询语句，并最终返回知识图谱中的医学专家的对应答案。如果知识图谱查询结果为空，则进行相似度匹配，把收集到的题库中与病人问题相似度最高的几个问题返回给病人选择，如果都不符合病人要求，则建议病人询问医生，并把新的问答对添加到问题库中。
本发明实施例首先定义了针对肝病的知识图谱，并设计了从问题的主体识别，意图识别，问句解析，利用知识图谱进行答案搜索，组织答案到最后返回给用户的整个流程。其中意图识别过程采用了基于规则，基于深度学习，及基于相似度匹配等多种方法结合的思路，并结合问句的主体，转换成知识图谱查询语言搜索相应答案，并把肝病知识图谱中医学专家的回答返回给用户。
本发明实施例提供的基于知识图谱的智能问答方法具有如下优点：
1、可以高效利用知识图谱中医生专家提供的医学知识，解答肝病知识性问题；
2、设计了一套针对肝病问答的知识图谱数据模型，更有利于数据的存放和查询并易于扩展；
3、基于知识图谱的问答可以直接呈现相关知识，而不是传统搜索引擎的链接文本，从而以最高的效率返回用户想要的答案；
4、对于问题的主体采用Aho-Corasick算法对问题进行全匹配，速度快效率高；
5、Aho-Corasick算法没有匹配成功的情况下还可以用BERT-LSTM-CRF方法进行实体识别，充分提高问题主体识别的准确率；
6、问题意图识别采用定义规则法和深度学习方法以及相似度匹配相结合的思路，确保用户的问题能够正确分类；
7、新增疾病和知识的可扩展性好，通用性高；
8、通过添加别名字典的方式增加问题中疾病、药品、检查项等的别名识别准确率；
9、本方法的各步骤具有很高的实用性，可以很好的应用到工程中，进行场景的移植。
本发明实施例设计的基于知识图谱的智能问答方法，可以利用构建好的肝病知识图谱通过多种意图识别算法，实体识别算法，数据库查询，相似度匹配，返回答案的过程完成肝病的智能问答。其数据存储方式、具体的意图识别过程、实体识别过程、别名的识别、相似度匹配的具体实现方式并限于上述实施例，任何等同替代方案均应包括在本发明的保护范围内。
图5是本发明一实施例提供的基于知识图谱的智能问答装置结构示意图，如图5所示，所述装置包括问题分析模块10和解答获取模块20，其中：问题分析模块10用于：接收客户端发送的用户问题，对所述用户问题进行实体识别，得到实体识别结果；并对所述用户问题进行意图识别，得到意图识别结果；解答获取模块20用于：根据所述实体识别结果及所述意图识别结果生成知识图谱查询语句，根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的解答并返回给所述客户端；其中，所述知识图谱数据库包括实体名称、实体属性信息以及实体关系信息。
本发明实施例通过基于用户问题进行实体识别及意图识别后，生成知识图谱查询语句，并在包含实体名称、实体属性信息以及实体关系信息的知识图谱数据库中进行搜索，得到与用户问题对应的解答并返回给客户端，实现了用户问题的智能化自动解答，提高了解答效率及准确度。
进一步地，基于上述实施例，问题分析模块10在用于根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的解答并返回给所述客户端时，具体用于：根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的查询结果；将所述查询结果直接作为所述解答，或，基于所述实体识别结果及与所述意图识别结果对应的解答模板对所述查询结果进行语言组织后得到所述解答；将所述解答返回给所述客户端。
在上述实施例的基础上，本发明实施例通过将查询结果直接作为解答，或基于实体识别结果及与意图识别结果对应的解答模板对查询结果进行语言组织后得到解答，提高了与用户问题对应的解答获取的灵活性和解答形式的规范性。
进一步地，基于上述实施例，所述实体名称的集合构成实体名称库；问题分析模块10在用于对所述用户问题进行实体识别时，具体用于：采用Aho-Corasick算法对所述用户问题在所述知识图谱数据库的实体名称库中进行全匹配；若具有匹配结果，则将所述匹配结果作为所述实体识别结果；若不具有匹配结果，则进一步基于所述知识图谱数据库，采用BERT-LSTM-CRF方法进行实体识别；问题分析模块10在用于对所述用户问题进行意图识别时，具体用于：首先采用专家定义的规则进行意图识别；若所述采用专家定义的规则进行意图识别无法获取到所述意图识别结果，则进一步采用深度学习方法对所述用户问题进行意图识别。
在上述实施例的基础上，本发明实施例通过先采用Aho-Corasick算法进行实体识别，在无法获取结果时再用BERT-LSTM-CRF方法进行实体识别；先采用专家定义的规则进行意图识别，在无法获取结果时再采用深度学习方法进行意图识别；兼顾了实体识别和意图识别的识别效率及可靠性。
进一步地，基于上述实施例，所述实体名称库还包括别名库；所述别名库为具有别名的所述实体名称对应的别名的集合；所述别名与所述实体名称建立有关联关系。
在上述实施例的基础上，本发明实施例通过建立别名库用于实体识别，提高了实体的识别准确率。
进一步地，基于上述实施例，解答获取模块20在用于根据所述实体识别结果及所述意图识别结果生成知识图谱查询语句时，具体用于：若根据所述意图识别结果判断获知所述用户问题对应的所述解答无法穷举，则获取与所述意图识别结果相反的意图；并根据所述实体识别结果及所述相反的意图生成所述知识图谱查询语句。
在上述实施例的基础上，本发明实施例通过对于无法穷举的解答从问题的反面着眼进行查询及获取结果，保证了用户问题解答的可靠获取。
进一步地，基于上述实施例，所述装置还包括问题相似度匹配模块，若问题分析模块10对所述用户问题进行实体识别后无法获取所述实体识别结果、问题分析模块10对所述用户问题进行意图识别后无法获取所述意图识别结果、解答获取模块20根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索未得到与所述用户问题对应的解答，和/或，解答获取模块20接收到客户端返回的用户对解答不满意的信息，则所述问题相似度匹配模块用于：将所述用户问题与问答库中的已有问题进行相似度匹配，并将与所述用户问题相似度最高的预设数量的所述已有问题发送给所述客户端；若接收到所述客户端选择了其中一个所述已有问题的信息，则将相应的所述已有问题对应的解答返回给所述客户端；若接收到所述客户端不选择任意一个所述已有问题的信息，则显示建议线上咨询的提示信息，并将新的问答结果添加到所述问答库。
在上述实施例的基础上，本发明实施例通过在无法查询或查询无果时通过与已有问题进行相似度匹配，以及将用户选择的相似问题的解答发送给客户端，提高了智能问答服务的可靠性。
进一步地，基于上述实施例，所述问题相似度匹配模块在用于将所述用户问题与问答库中的已有问题进行相似度匹配时，具体用于：分别对所述用户问题及所述已有问题进行分词操作并生成词向量；根据与所述用户问题对应的所述词向量生成第一句子向量；根据与所述已有问题对应的所述词向量生成第二句子向量；通过计算所述第一句子向量和所述第二句子向量之间的余弦相似度对所述用户问题与所述问答库中的所述已有问题进行相似度匹配。
在上述实施例的基础上，本发明实施例通过分词、生成词向量、生成句子向量以及通过计算余弦相似度将用户问题与问答库中的已有问题进行相似度匹配，提高了相似度匹配的准确度，从而提高了智能问答解答的准确度。
本发明实施例提供的装置是用于上述方法的，具体功能可参照上述方法流程，此处不再赘述。
图6是本发明一实施例提供的电子设备的实体结构示意图。如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行如下方法：接收客户端发送的用户问题，对所述用户问题进行实体识别，得到实体识别结果；并对所述用户问题进行意图识别，得到意图识别结果；根据所述实体识别结果及所述意图识别结果生成知识图谱查询语句，根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的解答并返回给所述客户端；其中，所述知识图谱数据库包括实体名称、实体属性信息以及实体关系信息。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，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以执行上述各实施例提供的方法，例如包括：接收客户端发送的用户问题，对所述用户问题进行实体识别，得到实体识别结果；并对所述用户问题进行意图识别，得到意图识别结果；根据所述实体识别结果及所述意图识别结果生成知识图谱查询语句，根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的解答并返回给所述客户端；其中，所述知识图谱数据库包括实体名称、实体属性信息以及实体关系信息。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于知识图谱的智能问答方法，其特征在于，包括：
接收客户端发送的用户问题，对所述用户问题进行实体识别，得到实体识别结果；并对所述用户问题进行意图识别，得到意图识别结果；
根据所述实体识别结果及所述意图识别结果生成知识图谱查询语句，根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的解答并返回给所述客户端；其中，所述知识图谱数据库包括实体名称、实体属性信息以及实体关系信息。
2.根据权利要求1所述的基于知识图谱的智能问答方法，其特征在于，所述根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的解答并返回给所述客户端，包括：
根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的查询结果；
将所述查询结果直接作为所述解答，或，基于所述实体识别结果及与所述意图识别结果对应的解答模板对所述查询结果进行语言组织后得到所述解答；
将所述解答返回给所述客户端。
3.根据权利要求1所述的基于知识图谱的智能问答方法，其特征在于，所述实体名称的集合构成实体名称库；所述对所述用户问题进行实体识别，包括：采用Aho-Corasick算法对所述用户问题在所述知识图谱数据库的实体名称库中进行全匹配；若具有匹配结果，则将所述匹配结果作为所述实体识别结果；若不具有匹配结果，则进一步基于所述知识图谱数据库，采用BERT-LSTM-CRF方法进行实体识别；
所述对所述用户问题进行意图识别，包括：首先采用专家定义的规则进行意图识别；若所述采用专家定义的规则进行意图识别无法获取到所述意图识别结果，则进一步采用深度学习方法对所述用户问题进行意图识别。
4.根据权利要求3所述的基于知识图谱的智能问答方法，其特征在于，所述实体名称库还包括别名库；所述别名库为具有别名的所述实体名称对应的别名的集合；所述别名与所述实体名称建立有关联关系。
5.根据权利要求1所述的基于知识图谱的智能问答方法，其特征在于，所述根据所述实体识别结果及所述意图识别结果生成知识图谱查询语句，包括：
若根据所述意图识别结果判断获知所述用户问题对应的所述解答无法穷举，则获取与所述意图识别结果相反的意图；并根据所述实体识别结果及所述相反的意图生成所述知识图谱查询语句。
6.根据权利要求1所述的基于知识图谱的智能问答方法，其特征在于，所述方法还包括：
若对所述用户问题进行实体识别后无法获取所述实体识别结果、对所述用户问题进行意图识别后无法获取所述意图识别结果、根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索未得到与所述用户问题对应的解答，和/或，接收到客户端返回的用户对解答不满意的信息，则将所述用户问题与问答库中的已有问题进行相似度匹配，并将与所述用户问题相似度最高的预设数量的所述已有问题发送给所述客户端；
若接收到所述客户端选择了其中一个所述已有问题的信息，则将相应的所述已有问题对应的解答返回给所述客户端；若接收到所述客户端不选择任意一个所述已有问题的信息，则显示建议线上咨询的提示信息，并将新的问答结果添加到所述问答库。
7.根据权利要求6所述的基于知识图谱的智能问答方法，其特征在于，所述将所述用户问题与问答库中的已有问题进行相似度匹配，包括：
分别对所述用户问题及所述已有问题进行分词操作并生成词向量；根据与所述用户问题对应的所述词向量生成第一句子向量；根据与所述已有问题对应的所述词向量生成第二句子向量；通过计算所述第一句子向量和所述第二句子向量之间的余弦相似度对所述用户问题与所述问答库中的所述已有问题进行相似度匹配。
8.一种基于知识图谱的智能问答装置，其特征在于，包括：
问题分析模块，用于：接收客户端发送的用户问题，对所述用户问题进行实体识别，得到实体识别结果；并对所述用户问题进行意图识别，得到意图识别结果；
解答获取模块，用于：根据所述实体识别结果及所述意图识别结果生成知识图谱查询语句，根据所述知识图谱查询语句在所述知识图谱数据库中进行搜索，得到与所述用户问题对应的解答并返回给所述客户端；其中，所述知识图谱数据库包括实体名称、实体属性信息以及实体关系信息。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于知识图谱的智能问答方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于知识图谱的智能问答方法的步骤。
CN201911259737.4A 2019-12-10 2019-12-10 一种基于知识图谱的智能问答方法及装置 Pending CN110929016A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911259737.4A CN110929016A (zh) 2019-12-10 2019-12-10 一种基于知识图谱的智能问答方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911259737.4A CN110929016A (zh) 2019-12-10 2019-12-10 一种基于知识图谱的智能问答方法及装置

Publications (1)

Publication Number Publication Date
CN110929016A true CN110929016A (zh) 2020-03-27

Family

ID=69859666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911259737.4A Pending CN110929016A (zh) 2019-12-10 2019-12-10 一种基于知识图谱的智能问答方法及装置

Country Status (1)

Country Link
CN (1) CN110929016A (zh)

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111460124A (zh) * 2020-04-21 2020-07-28 文思海辉智科科技有限公司 智能交互方法、装置及机器人
CN111475631A (zh) * 2020-04-05 2020-07-31 北京亿阳信通科技有限公司 一种基于知识图谱与深度学习的疾病问答方法及装置
CN111538894A (zh) * 2020-06-19 2020-08-14 腾讯科技（深圳）有限公司 查询反馈方法、装置、计算机设备及存储介质
CN111552818A (zh) * 2020-04-27 2020-08-18 中国银行股份有限公司 一种客服知识库查询方法及装置
CN111611350A (zh) * 2020-05-26 2020-09-01 北京妙医佳健康科技集团有限公司 基于健康知识的应答方法、装置及电子设备
CN111666399A (zh) * 2020-06-23 2020-09-15 中国平安人寿保险股份有限公司 基于知识图谱的智能问答方法、装置和计算机设备
CN111708870A (zh) * 2020-05-27 2020-09-25 盛视科技股份有限公司 基于深度神经网络的问答方法、装置及存储介质
CN111708898A (zh) * 2020-06-13 2020-09-25 广州华建工智慧科技有限公司 一种基于知识图谱的智能施工信息传递方法及系统
CN111767385A (zh) * 2020-07-09 2020-10-13 腾讯科技（深圳）有限公司 一种智能问答方法及装置
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
CN111985238A (zh) * 2020-06-30 2020-11-24 联想(北京)有限公司 一种答案生成方法及设备
CN111984770A (zh) * 2020-07-17 2020-11-24 深思考人工智能科技(上海)有限公司 一种人机对话的方法及装置
CN112015919A (zh) * 2020-09-15 2020-12-01 重庆广播电视大学重庆工商职业学院 一种基于学习辅助知识图谱的对话管理方法
CN112035655A (zh) * 2020-09-02 2020-12-04 中国银行股份有限公司 银行人力资源系统及工作方法
CN112115252A (zh) * 2020-08-26 2020-12-22 罗彤 智能辅助写作处理方法、装置、电子设备及存储介质
CN112182177A (zh) * 2020-09-25 2021-01-05 中国建设银行股份有限公司 一种用户问题处理方法、装置、电子设备及存储介质
CN112182252A (zh) * 2020-11-09 2021-01-05 浙江大学 基于药品知识图谱的智能用药问答方法及其设备
CN112328771A (zh) * 2020-11-19 2021-02-05 广州极飞科技有限公司 服务信息输出方法、装置、服务器及存储介质
CN112330379A (zh) * 2020-11-25 2021-02-05 税友软件集团股份有限公司 一种发票内容生成方法、系统、电子设备及存储介质
CN112417174A (zh) * 2020-12-01 2021-02-26 广州橙行智动汽车科技有限公司 一种数据处理的方法和装置
CN112463932A (zh) * 2020-12-14 2021-03-09 北京明略软件系统有限公司 用于信息查询的方法、装置及设备
CN112466463A (zh) * 2020-12-10 2021-03-09 求臻医学科技（北京）有限公司 基于肿瘤精准诊疗知识图谱的智能解答系统
CN112530422A (zh) * 2020-11-04 2021-03-19 联想(北京)有限公司 一种应答处理方法、智能设备及存储介质
CN112559689A (zh) * 2020-12-21 2021-03-26 广州橙行智动汽车科技有限公司 一种基于车载问答的数据处理方法和装置
CN112685544A (zh) * 2020-12-25 2021-04-20 中国联合网络通信集团有限公司 电信信息的查询方法、装置、设备和介质
CN112786194A (zh) * 2021-01-28 2021-05-11 北京一脉阳光医学信息技术有限公司 基于人工智能的医学影像导诊导检系统、方法及设备
CN112784024A (zh) * 2021-01-11 2021-05-11 软通动力信息技术(集团)股份有限公司 一种人机对话的方法、装置、设备以及存储介质
CN112905803A (zh) * 2021-02-19 2021-06-04 同济大学 基于知识图谱的网络协同制造技术资源智能检索方法
CN113609268A (zh) * 2021-07-30 2021-11-05 徐涛 基于知识图谱的智能心理知识问答方法和装置
CN113609274A (zh) * 2021-08-16 2021-11-05 平安银行股份有限公司 智能问答方法、装置、电子设备及存储介质
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
CN113707303A (zh) * 2021-08-30 2021-11-26 康键信息技术（深圳）有限公司 基于知识图谱的医疗问题解答方法、装置、设备及介质
CN114510558A (zh) * 2022-01-26 2022-05-17 北京博瑞彤芸科技股份有限公司 一种基于中医知识图谱的问答方法及系统
WO2022134421A1 (zh) * 2020-12-25 2022-06-30 平安科技（深圳）有限公司 基于多知识图谱的智能答复方法、装置、计算机设备及存储介质
CN115525804A (zh) * 2022-09-23 2022-12-27 中电金信软件有限公司 信息查询方法、装置、电子设备和存储介质
CN116257610A (zh) * 2023-01-11 2023-06-13 山西长河科技股份有限公司 基于行业知识图谱的智能问答方法、装置、设备及介质
CN112328771B (zh) * 2020-11-19 2024-07-05 广州极飞科技股份有限公司 服务信息输出方法、装置、服务器及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160378851A1 (en) * 2015-06-25 2016-12-29 International Business Machines Corporation Knowledge Canvassing Using a Knowledge Graph and a Question and Answer System
US20170308531A1 (en) * 2015-01-14 2017-10-26 Baidu Online Network Technology (Beijing) Co., Ltd. Method, system and storage medium for implementing intelligent question answering
CN109271504A (zh) * 2018-11-07 2019-01-25 爱因互动科技发展（北京）有限公司 基于知识图谱的推理对话的方法
CN110019844A (zh) * 2019-02-20 2019-07-16 众安信息技术服务有限公司 一种保险行业知识图谱问答系统构建方法及装置
CN110019838A (zh) * 2017-12-25 2019-07-16 上海智臻智能网络科技股份有限公司 智能问答系统及智能终端
CN110489538A (zh) * 2019-08-27 2019-11-22 腾讯科技（深圳）有限公司 基于人工智能的语句应答方法、装置及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170308531A1 (en) * 2015-01-14 2017-10-26 Baidu Online Network Technology (Beijing) Co., Ltd. Method, system and storage medium for implementing intelligent question answering
US20160378851A1 (en) * 2015-06-25 2016-12-29 International Business Machines Corporation Knowledge Canvassing Using a Knowledge Graph and a Question and Answer System
CN110019838A (zh) * 2017-12-25 2019-07-16 上海智臻智能网络科技股份有限公司 智能问答系统及智能终端
CN109271504A (zh) * 2018-11-07 2019-01-25 爱因互动科技发展（北京）有限公司 基于知识图谱的推理对话的方法
CN110019844A (zh) * 2019-02-20 2019-07-16 众安信息技术服务有限公司 一种保险行业知识图谱问答系统构建方法及装置
CN110489538A (zh) * 2019-08-27 2019-11-22 腾讯科技（深圳）有限公司 基于人工智能的语句应答方法、装置及电子设备

Cited By (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111475631A (zh) * 2020-04-05 2020-07-31 北京亿阳信通科技有限公司 一种基于知识图谱与深度学习的疾病问答方法及装置
CN111460124A (zh) * 2020-04-21 2020-07-28 文思海辉智科科技有限公司 智能交互方法、装置及机器人
CN111460124B (zh) * 2020-04-21 2023-08-25 文思海辉智科科技有限公司 智能交互方法、装置及机器人
CN111552818A (zh) * 2020-04-27 2020-08-18 中国银行股份有限公司 一种客服知识库查询方法及装置
CN111611350A (zh) * 2020-05-26 2020-09-01 北京妙医佳健康科技集团有限公司 基于健康知识的应答方法、装置及电子设备
CN111611350B (zh) * 2020-05-26 2024-04-09 北京妙医佳健康科技集团有限公司 基于健康知识的应答方法、装置及电子设备
CN111708870A (zh) * 2020-05-27 2020-09-25 盛视科技股份有限公司 基于深度神经网络的问答方法、装置及存储介质
CN111708898A (zh) * 2020-06-13 2020-09-25 广州华建工智慧科技有限公司 一种基于知识图谱的智能施工信息传递方法及系统
CN111538894A (zh) * 2020-06-19 2020-08-14 腾讯科技（深圳）有限公司 查询反馈方法、装置、计算机设备及存储介质
CN111666399A (zh) * 2020-06-23 2020-09-15 中国平安人寿保险股份有限公司 基于知识图谱的智能问答方法、装置和计算机设备
CN111985238A (zh) * 2020-06-30 2020-11-24 联想(北京)有限公司 一种答案生成方法及设备
CN111767385A (zh) * 2020-07-09 2020-10-13 腾讯科技（深圳）有限公司 一种智能问答方法及装置
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
CN111984770B (zh) * 2020-07-17 2023-10-20 深思考人工智能科技(上海)有限公司 一种人机对话的方法及装置
CN111984770A (zh) * 2020-07-17 2020-11-24 深思考人工智能科技(上海)有限公司 一种人机对话的方法及装置
CN112115252A (zh) * 2020-08-26 2020-12-22 罗彤 智能辅助写作处理方法、装置、电子设备及存储介质
CN112115252B (zh) * 2020-08-26 2023-06-02 罗彤 智能辅助写作处理方法、装置、电子设备及存储介质
CN112035655A (zh) * 2020-09-02 2020-12-04 中国银行股份有限公司 银行人力资源系统及工作方法
CN112035655B (zh) * 2020-09-02 2023-11-21 中国银行股份有限公司 银行人力资源系统及工作方法
CN112015919A (zh) * 2020-09-15 2020-12-01 重庆广播电视大学重庆工商职业学院 一种基于学习辅助知识图谱的对话管理方法
CN112182177A (zh) * 2020-09-25 2021-01-05 中国建设银行股份有限公司 一种用户问题处理方法、装置、电子设备及存储介质
CN112530422A (zh) * 2020-11-04 2021-03-19 联想(北京)有限公司 一种应答处理方法、智能设备及存储介质
CN112182252A (zh) * 2020-11-09 2021-01-05 浙江大学 基于药品知识图谱的智能用药问答方法及其设备
CN112328771B (zh) * 2020-11-19 2024-07-05 广州极飞科技股份有限公司 服务信息输出方法、装置、服务器及存储介质
CN112328771A (zh) * 2020-11-19 2021-02-05 广州极飞科技有限公司 服务信息输出方法、装置、服务器及存储介质
CN112330379A (zh) * 2020-11-25 2021-02-05 税友软件集团股份有限公司 一种发票内容生成方法、系统、电子设备及存储介质
CN112330379B (zh) * 2020-11-25 2023-10-31 税友软件集团股份有限公司 一种发票内容生成方法、系统、电子设备及存储介质
CN112417174A (zh) * 2020-12-01 2021-02-26 广州橙行智动汽车科技有限公司 一种数据处理的方法和装置
CN112466463A (zh) * 2020-12-10 2021-03-09 求臻医学科技（北京）有限公司 基于肿瘤精准诊疗知识图谱的智能解答系统
CN112466463B (zh) * 2020-12-10 2023-08-18 求臻医学科技(浙江)有限公司 基于肿瘤精准诊疗知识图谱的智能解答系统
CN112463932A (zh) * 2020-12-14 2021-03-09 北京明略软件系统有限公司 用于信息查询的方法、装置及设备
CN112559689A (zh) * 2020-12-21 2021-03-26 广州橙行智动汽车科技有限公司 一种基于车载问答的数据处理方法和装置
CN112685544A (zh) * 2020-12-25 2021-04-20 中国联合网络通信集团有限公司 电信信息的查询方法、装置、设备和介质
WO2022134421A1 (zh) * 2020-12-25 2022-06-30 平安科技（深圳）有限公司 基于多知识图谱的智能答复方法、装置、计算机设备及存储介质
CN112784024A (zh) * 2021-01-11 2021-05-11 软通动力信息技术(集团)股份有限公司 一种人机对话的方法、装置、设备以及存储介质
CN112784024B (zh) * 2021-01-11 2023-10-31 软通动力信息技术(集团)股份有限公司 一种人机对话的方法、装置、设备以及存储介质
CN112786194A (zh) * 2021-01-28 2021-05-11 北京一脉阳光医学信息技术有限公司 基于人工智能的医学影像导诊导检系统、方法及设备
CN112905803A (zh) * 2021-02-19 2021-06-04 同济大学 基于知识图谱的网络协同制造技术资源智能检索方法
CN113609268A (zh) * 2021-07-30 2021-11-05 徐涛 基于知识图谱的智能心理知识问答方法和装置
CN113609274B (zh) * 2021-08-16 2024-02-09 平安银行股份有限公司 智能问答方法、装置、电子设备及存储介质
CN113609274A (zh) * 2021-08-16 2021-11-05 平安银行股份有限公司 智能问答方法、装置、电子设备及存储介质
WO2023029512A1 (zh) * 2021-08-30 2023-03-09 康键信息技术（深圳）有限公司 基于知识图谱的医疗问题解答方法、装置、设备及介质
CN113707303A (zh) * 2021-08-30 2021-11-26 康键信息技术（深圳）有限公司 基于知识图谱的医疗问题解答方法、装置、设备及介质
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
CN114510558A (zh) * 2022-01-26 2022-05-17 北京博瑞彤芸科技股份有限公司 一种基于中医知识图谱的问答方法及系统
CN115525804A (zh) * 2022-09-23 2022-12-27 中电金信软件有限公司 信息查询方法、装置、电子设备和存储介质
CN116257610B (zh) * 2023-01-11 2023-12-08 长河信息股份有限公司 基于行业知识图谱的智能问答方法、装置、设备及介质
CN116257610A (zh) * 2023-01-11 2023-06-13 山西长河科技股份有限公司 基于行业知识图谱的智能问答方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN110929016A (zh) 一种基于知识图谱的智能问答方法及装置
CN117033608B (zh) 一种基于大语言模型的知识图谱生成式问答方法及系统
CN112035636B (zh) 医疗问诊系统的问答管理方法、装置、设备及存储介质
CN111353310B (zh) 基于人工智能的命名实体识别方法、装置及电子设备
CN111415740B (zh) 问诊信息的处理方法、装置、存储介质及计算机设备
CN108304437B (zh) 一种自动问答方法、装置及存储介质
CN112650840A (zh) 一种基于知识图谱推理的医疗智能问答处理方法及系统
CN112667794A (zh) 一种基于孪生网络bert模型的智能问答匹配方法及系统
KR20160026892A (ko) 논팩토이드형 질의 응답 시스템 및 방법
CN110297893B (zh) 自然语言问答方法、装置、计算机装置及存储介质
CN111078837B (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
WO2023178971A1 (zh) 就医的互联网挂号方法、装置、设备及存储介质
CN113764112A (zh) 一种在线医疗问答方法
Sudeshna et al. Identifying symptoms and treatment for heart disease from biomedical literature using text data mining
CN113111159A (zh) 问答记录生成方法、装置、电子设备及存储介质
Safee et al. Hybrid search approach for retrieving Medical and Health Science knowledge from Quran
Martinez-Rodriguez et al. Mining information from sentences through Semantic Web data and Information Extraction tasks
CN111128388A (zh) 一种值域数据匹配方法、装置及相关产品
CN112035627B (zh) 自动问答方法、装置、设备及存储介质
CN111783473B (zh) 医疗问答中最佳答案的识别方法、装置和计算机设备
Buche et al. How to manage incompleteness of nutritional food sources?: A solution using foodon as pivot ontology
EP3901875A1 (en) Topic modelling of short medical inquiries
CN113724823B (zh) 医疗健康服务的线上管理方法、装置、设备及存储介质
CN114218378A (zh) 一种基于知识图谱的内容推送方法、装置、设备及介质
Hoque et al. BQAS: A bilingual question answering system

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200327