CN111651570A - 文本语句处理方法、装置、电子设备以及存储介质 - Google Patents

Abstract

本申请实施例公开一种文本语句处理方法、装置、电子设备及存储介质。本方法通过获取目标文本语句对应知识图谱本体中的知识类别，继而获取与所述知识类别匹配的候选词语，然后基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注。从而通过上述方式实现了在获取了与目标文本语句对应知识图谱本体中的知识类别匹配的候选词语的情况下，基于知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注，实现了通过创建语义查询图结构的方式对文本语句进行标注，而无需依赖于人工标注，从而提升基于知识图谱的问答训练规模，进而提升问答的准确度。

Description

文本语句处理方法、装置、电子设备以及存储介质

技术领域

本申请涉及信息处理技术领域，更具体地，涉及一种文本语句处理方法、装置、电子设备以及存储介质。

背景技术

问答系统(Question Answering System，QA System)是信息检索系统的下一代范式，它能够理解人类的自然语言并能够通过准确、简洁的自然语言回答用户的问题，是人工智能重要的应用方向。基于知识图谱(Knowledge Graph，KG)的问答系统因其满足了问答系统对高质量知识来源的需求，能够有效利用到人类总结的知识，实现更深层次的问题理解以及高准确率的问题反馈，有着广泛的应用场景，受到各大公司和研究机构的重视。然而，现有的问答系统中的问句查询答案依赖于大量的人工标注，增加人工工作量的同时降低了问答系统的问答质量。

发明内容

鉴于上述问题，本申请提出了一种文本语句处理方法、装置、电子设备以及存储介质，以改善上述问题。

第一方面，本申请实施例提供了一种文本语句处理方法，所述方法包括：获取目标文本语句对应知识图谱本体中的知识类别；获取与所述知识类别匹配的候选词语；基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注。

进一步的，所述获取目标文本语句对应知识图谱本体中的知识类别之前，所述方法还包括：获取目标文本语句中与知识图谱关联的知识类型；若所述知识类型为预设知识类型，执行所述获取目标文本语句对应知识图谱本体中的知识类别。

进一步的，所述基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注，包括：基于预设模型召回包括所述知识图谱本体以及所述候选词语的多个语义查询图；获取与所述多个语义查询图对应的评分参数；将所表征的值最大的评分参数对应的语义查询图作为对所述目标文本语句的标注。

进一步的，所述获取与所述多个语义查询图对应的评分参数，包括：获取与所述多个语义查询图对应的知识覆盖度参数；基于所述知识覆盖度参数对所述多个语义查询图进行排序；基于所述排序的结果获取与所述多个语义查询图对应的评分参数，排序越靠前的语义查询图所对应的评分参数越大。

进一步的，所述基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注，包括：基于预设模型召回包括所述知识图谱本体以及所述候选词语的多个语义查询图；响应作用于语义查询图的选择指令，将所述选择指令所对应的语义查询图作为对所述目标文本语句的标注。

进一步的，所述方法还包括：获取与所述知识图谱本体对应的知识图谱；若所述知识图谱对应有多种存储方式，所述基于所述知识图谱本体以及所述候选词语构建语义查询图，包括：获取所述知识图谱的当前存储方式；基于所述知识图谱本体以及所述候选词语构建与所述当前存储方式对应的语义查询图。

进一步的，所述方法还包括：获取与所述知识图谱本体对应的知识图谱；若所述知识图谱对应有多种存储方式，所述基于所述知识图谱本体以及所述候选词语构建语义查询图，包括：基于所述知识图谱本体以及所述候选词语构建与所述多种存储方式分别对应的语义查询图。

进一步的，所述获取与所述知识类别匹配的候选词语，包括：从所述知识图谱中获取与所述知识类别匹配的候选词语。

第二方面，本申请实施例提供了一种文本语句处理装置，所述装置包括：第一获取模块，用于获取目标文本语句对应知识图谱本体中的知识类别；第二获取模块，用于获取与所述知识类别匹配的候选词语；处理模块，用于基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注。

进一步的，所述装置还可以包括知识类型判断模块，用于在获取目标文本语句对应知识图谱本体中的知识类别之前，获取目标文本语句中与知识图谱关联的知识类型；若所述知识类型为预设知识类型，执行所述获取目标文本语句对应知识图谱本体中的知识类别。

进一步的，处理模块具体可以用于：基于预设模型召回包括所述知识图谱本体以及所述候选词语的多个语义查询图；获取与所述多个语义查询图对应的评分参数；将所表征的值最大的评分参数对应的语义查询图作为对所述目标文本语句的标注。

可选的，处理模块具体可以用于：获取与所述多个语义查询图对应的知识覆盖度参数；基于所述知识覆盖度参数对所述多个语义查询图进行排序；基于所述排序的结果获取与所述多个语义查询图对应的评分参数，排序越靠前的语义查询图所对应的评分参数越大。

进一步的，处理模块具体可以用于：基于预设模型召回包括所述知识图谱本体以及所述候选词语的多个语义查询图；响应作用于语义查询图的选择指令，将所述选择指令所对应的语义查询图作为对所述目标文本语句的标注。

进一步的，所述装置还可以包括知识图谱获取模块以及存储方式判断模块，知识图谱获取模块用于获取与所述知识图谱本体对应的知识图谱，存储方式判断模块可以用于若所述知识图谱对应有多种存储方式，获取所述知识图谱的当前存储方式；基于所述知识图谱本体以及所述候选词语构建与所述当前存储方式对应的语义查询图。存储方式判断模块还可以用于若所述知识图谱对应有多种存储方式，基于所述知识图谱本体以及所述候选词语构建与所述多种存储方式分别对应的语义查询图。

进一步的，所述第二获取模块具体可以用于：从所述知识图谱中获取与所述知识类别匹配的候选词语。

第三方面，本申请实施例提供了一种电子设备，包括一个或多个处理器以及存储器；一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行上述第一方面所述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，其中，在所述程序代码运行时执行上述第一方面所述的方法。

本申请提供的一种文本语句处理方法、装置、电子设备及存储介质，涉及信息处理技术领域。本方法通过获取目标文本语句对应知识图谱本体中的知识类别，继而获取与所述知识类别匹配的候选词语，然后基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注。从而通过上述方式实现了在获取了与目标文本语句对应知识图谱本体中的知识类别匹配的候选词语的情况下，基于知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注，实现了通过创建语义查询图结构的方式对文本语句进行标注，而无需依赖于人工标注，从而提升基于知识图谱的问答训练规模，进而提升问答的准确度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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示出了本申请实施例提供的网络环境的结构示意图。

图2示出了本申请一实施例提出的文本语句处理方法的方法流程图。

图3示出了本申请另一实施例提出的文本语句处理方法的方法流程图。

图4示出了本申请又一实施例提出的文本语句处理方法的方法流程图。

图5示出了图4中的步骤S340的方法流程图。

图6示出了本申请实施例提供的语义查询图的示例图。

图7示出了本申请再一实施例提出的文本语句处理方法的方法流程图。

图8示出了本申请再一实施例提出的文本语句处理方法的方法流程图。

图9示出了本申请再一实施例提出的文本语句处理方法的方法流程图。

图10示出了本申请再一实施例提出的文本语句处理方法的方法流程图。

图11示出了本申请实施例提出的文本语句处理装置的结构框图。

图12示出了本申请的用于执行根据本申请实施例的文本语句处理方法的电子设备的结构框图。

图13是本申请实施例的用于保存或者携带实现根据本申请实施例的文本语句处理方法的程序代码的存储单元。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

问答系统(Question Answering System，QA System)是信息检索系统的下一代范式，它能够理解人类的自然语言并能够通过准确、简洁的自然语言回答用户的问题，是人工智能重要的应用方向。基于知识图谱(Knowledge Graph，KG)的问答系统因其满足了问答系统对高质量知识来源的需求，能够有效利用到人类总结的知识，实现更深层次的问题理解以及高准确率的问题反馈，有着广泛的应用场景，受到各大公司和研究机构的重视。

作为一种方式，可以把问句转化为可以在KG(Knowledge Graphs，知识图谱)数据库中查询的语句，通过sparql引擎进行查询。然而，现有的问答系统中的问句查询答案依赖于大量的人工标注，需要大量的人工成本或者是知识专家的参与，增加人工工作量的同时降低了问答系统的问答质量。

因此，发明人提出了本申请中用于改善上述问题的文本语句处理方法、装置、电子设备以及存储介质。

下面先对本申请实施例提供的文本语句处理方法以及装置所涉及的网络环境进行介绍。

如图1所示，为本申请实施例提供的网络环境10的结构示意图。本申请提供的文本语句处理方法，可以应用于如图1所示的网络环境10中。该网络环境10包括用户11以及终端12，终端12可以是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。在该网络环境10中，当用户11在有问题时，可以将问题输入到终端12中，由终端12来回答用户的问题。

下面将结合附图具体描述本申请的各实施例。

第一实施例

请参阅图2，本申请一实施例提供了一种文本语句处理方法，可应用于电子设备，所述方法包括：

步骤S110：获取目标文本语句对应知识图谱本体中的知识类别。

其中，文本语句可以是问句(包括反问句或者是疑问句等)，可以是感叹句或者是陈述句等，可选的，文本语句的语气类型可以不做限定。目标文本语句可以是问答系统中与用户的搜索语句相同或者相似的文本语句。可选的，这里相同可以理解为用户的搜索语句的关键字(或词)与目标文本语句的关键字(或词)相同，相似可以理解为用户的搜索语句的关键字(或词)与目标文本语句的关键字(或词)语义相近、自行相近或者谐音相同等，具体可以不做限定。

可以理解的是，不同的目标文本语句对应的搜索意图不同，那么不同的目标文本语句对应的搜索关键字(或词)可以不同，在这种方式下，可以获取目标文本语句对应知识图谱本体中的知识类别，以便于可以根据与目标文本语句对应的知识类别确定用户的搜索意图，进而实现准确搜索。

可选的，可以预先存储与各个专业知识领域对应的知识图谱，每一知识图谱包括有对应的知识图谱本体，每一知识图谱本体可以对应多种知识类别。例如，驾驶知识图谱本体为“车”，与该知识图谱本体对应的知识类别可以包括“车型”、“车系”、“颜色”以及“价格”等，具体类别可以不做限定，例如，也可以是根据实际需要自定义的知识类别等。

作为一种实现方式，在对目标文本语句进行标注的过程中，可以先获取与目标文本语句对应的知识图谱本体，再获取知识图谱本体中与目标文本语句对应的知识类别。

步骤S120：获取与所述知识类别匹配的候选词语。

可选的，知识图谱数据库中存储有至少一个与每一知识类别对应的候选词语，候选词语可以理解为与知识类别的语义关联的词语。

例如，在一个具体的应用场景中，假设目标文本语句为“s60多少钱？”，可以获取与目标文本语句对应的知识图谱本体为“车”，进一步的，与知识图谱本体“车”对应的知识类别为“车型”，可选的，本实施例中，与知识类别“车型”匹配的候选词语可以包括“沃尔沃s60”、“s60 2018款”以及“s60 2019款”等，在此不一一例举。

步骤S130：基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注。

作为一种方式，在获取了与目标文本语句对应的知识图谱本体以及与知识类别匹配的候选词语后，可以基于知识图谱本体以及候选词语构建语义查询图，以完成对目标文本语句的标注，进而在用户通过问答系统进行搜索时，可以基于语义查询图快速的搜索出对应的问题答案，提升搜索的准确性。

可选的，构建好的语义查询图可以包括实体类型、实体、关系、属性、限制函数以及聚合函数等知识类别。例如，问句“沃尔沃s60耗油多少？”，“沃尔沃s60”是实体，属于“车型”这个实体类型，“耗油”是这个实体的属性。问句“沃尔沃s60的车商？”，其中的“车商”对应知识图谱中的关系，连接“车型”和“经销商”这两个实体类型。对于问句“价格大于30万的车？”，“大于”是比较词，“30万”是数量词，属于通用知识类型，一起限制“价格”这个属性，归属于限制函数。问句“油耗最低的车？”，“最低”归属于聚合函数的范畴，“油耗”是属性。

本实施例通过获取目标文本语句对应知识图谱本体中的知识类别，继而获取与所述知识类别匹配的候选词语，然后基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注。从而通过上述方式实现了在获取了与目标文本语句对应知识图谱本体中的知识类别匹配的候选词语的情况下，基于知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注，实现了通过创建语义查询图结构的方式对文本语句进行标注，而无需依赖于人工标注，从而提升基于知识图谱的问答训练规模，进而提升问答的准确度。

第二实施例

请参阅图3，本申请另一实施例提供了一种文本语句处理方法，可应用于电子设备，所述方法包括：

步骤S210：获取目标文本语句中与知识图谱关联的知识类型。

本实施例中，与知识图谱关联的知识类型可以包括通用知识类型以及图谱知识类型。其中，通用知识类型可以包括逻辑连接词“和”或者“或”等，比较词“大于”或者“小于”等，数词，量词等跨领域知识类型。图谱知识类型可以包括实体类型、实体、属性、关系以及字面量等基于W3C开发的本体语言(Web Ontology Language，OWL)的知识类型。

作为一种方式，可以先对目标文本语句所属的知识类型进行分类，具体的，可以通过识别目标文本语句所包括的逻辑连接词的方式获取目标文本语句中与知识图谱关联的知识类型。例如，假设目标文本语句包括数词，则可以判定目标文本语句中与知识图谱关联的知识类型为通用知识类型；若目标文本语句包括逻辑连接词，则可以判定目标文本语句中与知识图谱关联的知识类型为图谱知识类型。

步骤S220：判断所述知识类型是否为预设知识类型。

可选的，本实施例中，预设知识类型可以理解为上述的图谱知识类型。作为一种方式，在获取了目标文本语句中与知识图谱关联的知识类型后，可以判断该知识类型是否为预设知识类型，可选的，不同的知识类型可以配置对应的标签，用于唯一识别知识类型的类别，例如，可以将通用知识类型的标签配置为“0”，将图谱知识类型的标签配置为“1”，在这种方式下，可以通过识别所获得的知识类型的标签的值判断该标签是否为预设知识类型。可选的，标签的具体设置形式以及所设置的内容此处仅作为示例，可以不作限定。通过判断该知识类型是否为预设知识类型可以避免在不为预设知识类型的情况下的重复标注，提升了标注效率。

步骤S231：若所述知识类型为预设知识类型，执行所述获取目标文本语句对应知识图谱本体中的知识类别。

作为一种方式，若目标文本语句中与知识图谱关联的知识类型为预设知识类型，那么可以获取目标文本语句对应知识图谱本体中的知识类别，具体的获取原理以及过程可以参考前述实施例中的描述，在此不再赘述。

步骤S232：获取与所述知识类别匹配的候选词语。

步骤S233：基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注。

步骤S241：若所述知识类型不为预设知识类型，获取与所述知识类型对应的语义查询图，以对所述目标文本语句进行标注。

需要说明的是，本实施例中，若目标文本语句中与知识图谱关联的知识类型不为预设的知识类型，例如，目标文本语句中与知识图谱关联的知识类型为通用知识类型，那么可以直接获取知识图谱中预先存储的与通用知识类型对应的语义查询图作为对目标文本语句的标注。

本实施例实现了在获取了目标文本语句中与知识图谱关联的知识类型的情况下，对知识类型是否为预设知识类型进行判断，若知识类型为预设知识类型，则获取目标文本语句对应知识图谱本体中的知识类别，继而获取与所述知识类别匹配的候选词语，然后基于知识图谱本体以及候选词语构建语义查询图，以对所述目标文本语句进行标注，实现了通过创建语义查询图结构的方式对文本语句进行标注，而无需依赖于人工标注，从而提升基于知识图谱的问答训练规模，进而提升问答的准确度。同时，通过判断该知识类型是否为预设知识类型可以避免在不为预设知识类型的情况下的重复标注，提升了标注效率。

第三实施例

请参阅图4，本申请又一实施例提供了一种文本语句处理方法，可应用于电子设备，所述方法包括：

步骤S310：获取目标文本语句对应知识图谱本体中的知识类别。

步骤S320：获取与所述知识类别匹配的候选词语。

步骤S330：基于预设模型召回包括所述知识图谱本体以及所述候选词语的多个语义查询图。

可选的，本实施例中的预设模型可以是预先构建的知识图谱字典(该字典中存储了与不同的文本语句对应的至少一个语义查询图)和NER(命名实体识别，Named EntityRecognition)，预设模型可以用于召回语义查询图。

作为一种方式，在获取了目标文本语句对应知识图谱本体中的知识类别以及与该知识类别匹配的候选词语的情况下，可以基于预设模型召回包括知识图谱本体以及候选词语的多个语义查询图。具体的，在召回语义查询图的过程中，可以筛选出包括上述知识图谱本体以及候选词语的语义查询图，具体召回过程可以参考相关技术，在此不再赘述。

步骤S340：获取与所述多个语义查询图对应的评分参数。

作为一种方式，在获取了预设模型召回的包括知识图谱本体以及候选词语的多个语义查询图之后，可以分别获取与多个语义查询图对应的评分参数。其中，可以采用相关排序算法对多个语义查询图进行排序，继而根据排序结果获取对应的评分参数。下面以一个示例对其进行说明：

请参阅图5，作为一种方式，步骤S340可以包括：

步骤S341：获取与所述多个语义查询图对应的知识覆盖度参数。

可选的，在所获取的多个语义查询图中，有的语义查询图的知识覆盖度较广，而有的知识覆盖度可能较窄。例如，若语义查询图中包括的实体或者实体类型较多，那么该语义查询图的知识覆盖度较大，而若语义查询图中包括的实体或者实体类型较少，那么该语义查询图的知识覆盖度相较于语义查询图中包括的实体或者实体类型较多对应的知识覆盖度较小。在这种方式下，可以获取与多个语义查询图分别对应的知识覆盖度参数，进而可以根据知识覆盖度参数对多个语义查询图进行排序。

步骤S342：基于所述知识覆盖度参数对所述多个语义查询图进行排序。

作为一种方式，可以基于知识覆盖度参数所表征的值的大小对多个语义查询图进行排序，可选的，例如，知识覆盖度参数所表征的值越大对应语义查询图的排列顺序越靠前。或者是基于知识覆盖度参数的个数对多个语义查询图进行排序，可选的，例如，知识覆盖度参数的个数越多对应语义查询图的排列顺序越靠前等。

步骤S343：基于所述排序的结果获取与所述多个语义查询图对应的评分参数，排序越靠前的语义查询图所对应的评分参数越大。

步骤S350：将所表征的值最大的评分参数对应的语义查询图作为对所述目标文本语句的标注。

作为一种方式，可以将所表征的值最大的评分参数对应的语义查询图作为对目标文本语句的标注，以使得在用户通过问答系统进行搜索的过程中，可以优先搜索到最准确的问题答案，提升用户使用体验。

下面以一个具体的示例对本实施例进行示例性的说明：

请参阅图6，示出了本申请实施例提供的语义查询图的示例图。如图6所示，在一个具体的应用场景中，假设目标文本语句为“2018年上海的哪家经销商销售的比亚迪秦最多？”，可以获取得到该目标文本语句的实体为“上海”以及“比亚迪秦”，得到该目标文本语句的实体类型为“经销商”，得到该目标文本语句的属性为“销量”，得到对应的限制函数为“销售年份＝＝2018”，其中，“销售年份”为属性，得到对应的聚合函数为“最多销量”，其中，“最多销量”是属性。

可选的，通过子图搜索技术并结合知识图谱的本体可以得到多条召回的语义查询图，在通过前述方式进行筛选后，可以得到所表征的值最大的评分参数对应的语义查询图为图6所示的语义查询图。在图6中，实体为“上海”以及“比亚迪秦”，实体“上海”对应的实体类型为“城市”，实体“比亚迪秦”对应的实体类型为“车型”，实体类型“经销商”对应的实体的具体内容可以不作限定，实体类型“经销商”的所属城市为“上海”，实体“比亚迪秦”是一种销售车型，指向一个实体变量，该实体变量的具体内容可以不作限定，并且，该实体变量对应的限制函数为“销售年份＝＝2018年”。聚合函数为“最多销量”，聚合函数指向限制变量，可选的，该变量的具体内容可以不作限定，该变量的销量指向前述的实体变量。

本实施例通过对基于预设模型召回的包括知识图谱本体以及候选词语的多个语义查询图进行评分参数，将所表征的值最大的评分参数对应的语义查询图作为对目标文本语句的标注，提升了标注的准确性与可靠性。实现了通过创建语义查询图结构的方式对文本语句进行标注，而无需依赖于人工标注，从而提升基于知识图谱的问答训练规模，进而提升问答的准确度。

第四实施例

请参阅图7，本申请再一实施例提供了一种文本语句处理方法，可应用于电子设备，所述方法包括：

步骤S410：获取目标文本语句对应知识图谱本体中的知识类别。

步骤S420：获取与所述知识类别匹配的候选词语。

步骤S430：基于预设模型召回包括所述知识图谱本体以及所述候选词语的多个语义查询图。

步骤S440：响应作用于语义查询图的选择指令，将所述选择指令所对应的语义查询图作为对所述目标文本语句的标注。

作为一种方式，可以在电子设备的操作界面配置选择功能按钮，在这种方式下，用户可以通过触控选择按钮实现选择实际需要的语义查询图。具体的，可以响应作用于语义查询图的选择指令，继而将选择指令所对应的语义查询图作为对目标文本语句的标注。可选的，此处具体是选择过程实现可以参考相关技术，再此不再赘述。

本实施例通过将与作用于语义查询图的选择指令对应的语义查询图作为对目标文本语句的标注，实现了通过自主选择的方式选取最优语义查询图，提高了标注过程的用户参与度，进而提升用户体验。

第五实施例

请参阅图8，本申请再一实施例提供了一种文本语句处理方法，可应用于电子设备，所述方法包括：

步骤S510：获取目标文本语句对应知识图谱本体中的知识类别。

步骤S520：获取与所述知识类别匹配的候选词语。

步骤S530：获取与所述知识图谱本体对应的知识图谱。

可选的，不同的知识图谱本体可以对应不同的知识图谱，作为一种方式，可以根据目标文本语句对应的知识图谱本体获取与目标文本语句对应的知识图谱。

步骤S540：若所述知识图谱对应有多种存储方式，获取所述知识图谱的当前存储方式。

本实施例中，知识图谱可以对应有多种存储方式，可选的，不同存储方式的知识图谱可以支持不同的查询方式。例如，知识图谱的存储方式可以包括sparql数据库、采用cypher语句的neo4j图数据库、以及采用sql语句的关系型数据库等。可以理解的是，多种存储方式需要标注的次数增多，会增加目标文本语句标注的工作量，进而影响基于知识图谱的问答的问答质量。

作为一种改善上述问题的方式，若知识图谱对应有多种存储方式，可以获取知识图谱的当前存储方式，进而可以仅构建与当前的存储方式对应的语义查询图以实现对目标文本语句的标注，实现了减少工作量，提升标注效率。

其中，不同存储方式的知识图谱对应的存储格式不同，可选的，可以为不同的存储格式添加唯一存储标识，以便于可以通过该存储标识获取知识图谱的当前存储方式。

步骤S550：基于所述知识图谱本体以及所述候选词语构建与所述当前存储方式对应的语义查询图。

作为一种方式，可以基于知识图谱本体以及候选词语仅构建与当前存储方式对应的语义查询图，实现了减少标注的工作量，避免影响问答质量。

本实施例通过获取与目标文本语句对应知识图谱本体的知识图谱的当前存储方式，继而基于知识图谱本体以及候选词语构建与当前存储方式对应的语义查询图，可以有针对性的构建语义查询图，减少了标注的工作量。通过创建语义查询图结构的方式对文本语句进行标注，无需依赖于人工标注，从而提升基于知识图谱的问答训练规模，进而提升问答的准确度。

第六实施例

请参阅图9，本申请再一实施例提供了一种文本语句处理方法，可应用于电子设备，所述方法包括：

步骤S610：获取目标文本语句对应知识图谱本体中的知识类别。

步骤S620：获取与所述知识类别匹配的候选词语。

步骤S630：获取与所述知识图谱本体对应的知识图谱。

步骤S640：若所述知识图谱对应有多种存储方式，基于所述知识图谱本体以及所述候选词语构建与所述多种存储方式分别对应的语义查询图。

作为一种方式，若知识图谱对应有多种存储方式，可以基于知识图谱本体以及候选词语构建与多种存储方式分别对应的语义查询图，以使得在基于知识图谱的问答搜索的过程中，若搜索的文本语句变化，或者是用户的搜索需求变化的情况下，可以灵活的将文本语句转化为各类数据库的可查询语句，以实现快速准确的搜索。

本实施例通过基于知识图谱本体以及候选词语构建与多种存储方式分别对应的语义查询图，使得在基于知识图谱的问答搜索的过程中，若搜索的文本语句变化，或者是用户的搜索需求变化的情况下，可以灵活的将文本语句转化为各类数据库的可查询语句，以实现快速准确的搜索。

第七实施例

请参阅图10，本申请再一实施例提供了一种文本语句处理方法，可应用于电子设备，所述方法包括：

步骤S710：获取目标文本语句对应知识图谱本体中的知识类别。

步骤S720：从所述知识图谱中获取与所述知识类型匹配的候选词语。

可选的，知识图谱中可以存储大量与知识类型匹配的候选词语，在这种方式下，在获取了目标文本语句对应知识图谱本体中的知识类别的情况下，可以先根据知识类别获取对应的知识图谱，再从知识图谱中获取与知识类型匹配的候选词语。

步骤S730：获取与所述知识图谱本体对应的知识图谱。

步骤S740：若所述知识图谱对应有多种存储方式，基于所述知识图谱本体以及所述候选词语构建与所述多种存储方式分别对应的语义查询图。

本实施例通过获取目标文本语句对应知识图谱本体中的知识类别，继而从知识图谱中获取与所述知识类别匹配的候选词语，然后基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注。从而通过上述方式实现了在获取了与目标文本语句对应知识图谱本体中的知识类别匹配的候选词语的情况下，基于知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注，实现了通过创建语义查询图结构的方式对文本语句进行标注，而无需依赖于人工标注，从而提升基于知识图谱的问答训练规模，进而提升问答的准确度。

第八实施例

请参阅图11，本申请实施例提供了一种文本语句处理装置800，运行于电子设备，所述装置800包括：

第一获取模块810，用于获取目标文本语句对应知识图谱本体中的知识类别。

可选的，所述装置800还可以包括知识类型判断模块，用于在获取目标文本语句对应知识图谱本体中的知识类别之前，获取目标文本语句中与知识图谱关联的知识类型；若所述知识类型为预设知识类型，执行所述获取目标文本语句对应知识图谱本体中的知识类别。

第二获取模块820，用于获取与所述知识类别匹配的候选词语。

作为一种方式，第二获取模块820，具体可以用于：从所述知识图谱中获取与所述知识类别匹配的候选词语。

处理模块830，用于基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注。

作为一种方式，处理模块830，具体可以用于：基于预设模型召回包括所述知识图谱本体以及所述候选词语的多个语义查询图；获取与所述多个语义查询图对应的评分参数；将所表征的值最大的评分参数对应的语义查询图作为对所述目标文本语句的标注。

作为另一种方式，处理模块830，具体可以用于：获取与所述多个语义查询图对应的知识覆盖度参数；基于所述知识覆盖度参数对所述多个语义查询图进行排序；基于所述排序的结果获取与所述多个语义查询图对应的评分参数，排序越靠前的语义查询图所对应的评分参数越大。

作为又一种方式，处理模块830，具体可以用于：基于预设模型召回包括所述知识图谱本体以及所述候选词语的多个语义查询图；响应作用于语义查询图的选择指令，将所述选择指令所对应的语义查询图作为对所述目标文本语句的标注。

可选的，所述装置800还可以包括知识图谱获取模块以及存储方式判断模块，知识图谱获取模块用于获取与所述知识图谱本体对应的知识图谱，存储方式判断模块可以用于若所述知识图谱对应有多种存储方式，获取所述知识图谱的当前存储方式；基于所述知识图谱本体以及所述候选词语构建与所述当前存储方式对应的语义查询图。存储方式判断模块还可以用于若所述知识图谱对应有多种存储方式，基于所述知识图谱本体以及所述候选词语构建与所述多种存储方式分别对应的语义查询图。

本申请提供的一种文本语句处理装置，通过获取目标文本语句对应知识图谱本体中的知识类别，继而获取与所述知识类别匹配的候选词语，然后基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注。从而通过上述方式实现了在获取了与目标文本语句对应知识图谱本体中的知识类别匹配的候选词语的情况下，基于知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注，实现了通过创建语义查询图结构的方式对文本语句进行标注，而无需依赖于人工标注，从而提升基于知识图谱的问答训练规模，进而提升问答的准确度。

需要说明的是，本申请中装置实施例与前述方法实施例是相互对应的，装置实施例中具体的原理可以参见前述方法实施例中的内容，此处不再赘述。

下面将结合图12对本申请提供的一种电子设备进行说明。

请参阅图12，基于上述的文本语句处理方法、装置，本申请实施例还提供的另一种可以执行前述文本语句处理方法的电子设备100。电子设备100包括相互耦合的一个或多个(图中仅示出一个)处理器102以及存储器104。其中，该存储器104中存储有可以执行前述实施例中内容的程序，而处理器102可以执行该存储器104中存储的程序，存储器104包括前述实施例中所描述的装置800。

其中，处理器102可以包括一个或者多个处理核。处理器102利用各种接口和线路连接整个电子设备100内的各个部分，通过运行或执行存储在存储器104内的指令、程序、代码集或指令集，以及调用存储在存储器104内的数据，执行电子设备100的各种功能和处理数据。可选地，处理器102可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(ProgrammableLogic Array，PLA)中的至少一种硬件形式来实现。处理器102可集成中央处理器(CentralProcessing Unit，CPU)、视频图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器102中，单独通过一块通信芯片进行实现。

存储器104可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。存储器104可用于存储指令、程序、代码、代码集或指令集。存储器104可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、视频图像播放功能等)、用于实现上述各个方法实施例的指令等。存储数据区还可以存储电子设备100在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。

请参考图13，其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读介质900中存储有程序代码，所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。

计算机可读存储介质900可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地，计算机可读存储介质900包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质900具有执行上述方法中的任何方法步骤的程序代码910的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码910可以例如以适当形式进行压缩。

本申请提供的一种文本语句处理方法、装置、电子设备以及存储介质，通过获取目标文本语句对应知识图谱本体中的知识类别，继而获取与所述知识类别匹配的候选词语，然后基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注。从而通过上述方式实现了在获取了与目标文本语句对应知识图谱本体中的知识类别匹配的候选词语的情况下，基于知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注，实现了通过创建语义查询图结构的方式对文本语句进行标注，而无需依赖于人工标注，从而提升基于知识图谱的问答训练规模，进而提升问答的准确度。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：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，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (11)

1.一种文本语句处理方法，其特征在于，所述方法包括：

获取目标文本语句对应知识图谱本体中的知识类别；

获取与所述知识类别匹配的候选词语；

基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注。

2.根据权利要求1所述的方法，其特征在于，所述获取目标文本语句对应知识图谱本体中的知识类别之前，所述方法还包括：

获取目标文本语句中与知识图谱关联的知识类型；

若所述知识类型为预设知识类型，执行所述获取目标文本语句对应知识图谱本体中的知识类别。

3.根据权利要求1所述的方法，其特征在于，所述基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注，包括：

基于预设模型召回包括所述知识图谱本体以及所述候选词语的多个语义查询图；

获取与所述多个语义查询图对应的评分参数；

将所表征的值最大的评分参数对应的语义查询图作为对所述目标文本语句的标注。

4.根据权利要求3所述的方法，其特征在于，所述获取与所述多个语义查询图对应的评分参数，包括：

获取与所述多个语义查询图对应的知识覆盖度参数；

基于所述知识覆盖度参数对所述多个语义查询图进行排序；

基于所述排序的结果获取与所述多个语义查询图对应的评分参数，排序越靠前的语义查询图所对应的评分参数越大。

5.根据权利要求1所述的方法，其特征在于，所述基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注，包括：

基于预设模型召回包括所述知识图谱本体以及所述候选词语的多个语义查询图；

响应作用于语义查询图的选择指令，将所述选择指令所对应的语义查询图作为对所述目标文本语句的标注。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：

获取与所述知识图谱本体对应的知识图谱；

若所述知识图谱对应有多种存储方式，所述基于所述知识图谱本体以及所述候选词语构建语义查询图，包括：

获取所述知识图谱的当前存储方式；

基于所述知识图谱本体以及所述候选词语构建与所述当前存储方式对应的语义查询图。

7.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：

获取与所述知识图谱本体对应的知识图谱；

若所述知识图谱对应有多种存储方式，所述基于所述知识图谱本体以及所述候选词语构建语义查询图，包括：

基于所述知识图谱本体以及所述候选词语构建与所述多种存储方式分别对应的语义查询图。

8.根据权利要求7所述的方法，其特征在于，所述获取与所述知识类别匹配的候选词语，包括：

从所述知识图谱中获取与所述知识类别匹配的候选词语。

9.一种文本语句处理装置，其特征在于，所述装置包括：

第一获取模块，用于获取目标文本语句对应知识图谱本体中的知识类别；

第二获取模块，用于获取与所述知识类别匹配的候选词语；

处理模块，用于基于所述知识图谱本体以及所述候选词语构建语义查询图，以对所述目标文本语句进行标注。

10.一种电子设备，其特征在于，包括存储器；

一个或多个处理器；

一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行权利要求1-8任一所述的方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序代码，其中，在所述程序代码由处理器运行时执行权利要求1-8任一所述的方法。

Images