CN112231460B - 一种基于农业百科知识图谱的问答系统的构建方法 - Google Patents
一种基于农业百科知识图谱的问答系统的构建方法 Download PDFInfo
- Publication number
- CN112231460B CN112231460B CN202011165079.5A CN202011165079A CN112231460B CN 112231460 B CN112231460 B CN 112231460B CN 202011165079 A CN202011165079 A CN 202011165079A CN 112231460 B CN112231460 B CN 112231460B
- Authority
- CN
- China
- Prior art keywords
- knowledge graph
- question
- constructing
- data information
- database
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000000575 pesticide Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 abstract description 2
- 238000013136 deep learning model Methods 0.000 abstract 1
- 241000219109 Citrullus Species 0.000 description 6
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 6
- 241000607479 Yersinia pestis Species 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 241001633663 Iris pseudacorus Species 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 240000004101 Iris pallida Species 0.000 description 1
- 235000015265 Iris pallida Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F16/35—Clustering; Classification
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Human Computer Interaction (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Animal Behavior & Ethology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于农业百科知识图谱的问答系统的构建方法，包括获取互联网的数据信息；对数据信息进行预处理得到结构化数据，并构建知识图谱存储于数据库中；导出知识图谱中的实体节点数据，获取实体与问题关键词并构建训练集与验证集；建立用于多标签文本分类的神经网络模型并进行模型训练；利用实体与问题关键词的分类结构构造查询语句，在数据库中查询对应的数据信息并反馈给用户。本发明将知识图谱作为数据存储方式，使用经过训练的深度学习模型对问题文本进行高效分类，结合实体匹配的方式构建查询语句，在存储知识图谱的数据库中快速查询到对应的问题答案，节约了从海量的互联网信息中寻找问题答案的时间。
Description
技术领域
本发明涉及基于知识图谱的信息系统技术领域，特别涉及一种基于农业百科知识图谱的问答系统的构建方法。
背景技术
随着互联网技术日新月异的发展，信息呈爆炸式增长。当代人们在工作，学习，生活中遇到问题通常习惯于使用网络工具寻求解决方案。然而，基于传统搜索引擎搜索得到的结果往往是很简单。知识图谱这一概念的提出，作为当下互联网发展产生的产物，能够对实际社会中存在的各类事物及事物间的各项关系进行相对合理的形式化的描述。
农业是一切生产的首要产业，是人类的生存之本，我国作为农业大国，农业发展在国民经济中扮演着不可或缺的角色。同时，在知识经济迅猛发展的今天，信息技术在我国农业现代化建设中将发挥越来越大的作用。如何为初入相关行业的从业人员提供相关合理及时的信息，是极为重要的。
现有技术的不足之处在于，基于传统搜索引擎搜索得到的反馈结果往往是一系列网页或者文档信息列表，用户仍需要花费大量时间和精力从中寻找有效的信息，无法清晰明了的得到相关作物信息，以及有效掌握作物的适应区域、病虫害防治、光照、土壤、水分等信息并开展农业工作。
发明内容
本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种基于农业百科知识图谱的问答系统的构建方法，以解决上述背景技术中提出的问题。
一种基于农业百科知识图谱的问答系统的构建方法，包括：
S1、获取互联网的数据信息；
S2、对数据信息进行预处理得到结构化数据，并构建知识图谱存储于数据库中；
S3、导出知识图谱中的实体节点数据，获取实体与问题关键词并构建训练集与验证集；
S4、建立用于多标签文本分类的神经网络模型并进行模型训练；
S5、利用实体与问题关键词的分类结构构造查询语句，在数据库中查询对应的数据信息并反馈给用户。
作为本发明的进一步的方案：所述结构化数据的数据格式包括：作物、渔业、农药名称与其对应分类及各属性类别。
作为本发明的进一步的方案：所述步骤S2对数据信息进行预处理得到结构化数据，并构建知识图谱存储于数据库中的具体步骤包括：
S21、对获取非结构化的数据信息，利用文本规则匹配与人工检查的方式进行数据预处理；
S22、构建实体、关系、属性的三元组并进行遍历，同时建立实体与关系模型的知识图谱存储于数据库中。
作为本发明的进一步的方案：所述步骤S3导出知识图谱中的实体节点数据，获取实体与问题关键词并构建训练集与验证集的具体步骤包括：
S31、获取知识图谱中的类别名称，并单独存储于数据库的中；
S32、根据每个类别名称抽取实体，并依据不同的属性设置提问集；
S33、利用抽取的实体和设置的提问集，同时根据单标签分类和多标签分类生成训练集和验证集并进行存储。
作为本发明的进一步的方案：所述提问集包括训练集的提问集以及验证集的提问集。
作为本发明的进一步的方案：所述S4建立用于多标签文本分类的神经网络模型并进行模型训练的具体步骤包括：
S41、选择搭建神经网络的框架，同时将数据信息转化为神经网络可直接调用的格式；
S42、每100个batch在训练集上进行一次测试，总共训练20个epoch，建立神经网络模型；
S43、如果损失值比设定值小，则保存并更新模型参数。如果模型连续1000个batch损失值没有减小，则终止训练。
作为本发明的进一步的方案：所述S5利用实体与问题关键词的分类结构构造查询语句，在数据库中查询对应的数据信息并反馈给用户的具体步骤包括：
S51、获取实体信息，对输入问题进行实体匹配，若无法匹配则标记未知状态；
S52、若匹配则利用神经网络模型进行判断，并得到问题类型表，构建实体与问题关键词的查询语句；
S53、利用构建的查询语句在数据库中查找对应的信息并反馈。
与现有技术相比，本发明存在以下技术效果：通过采用上述的技术方案，利用知识图谱作为组织有效的数据存储方式，使用经过训练的深度学习的神经网络模型对问题文本进行高效分类，结合实体匹配的方式构建实体与问题关键词的查询语句，在存储知识图谱的图数据库中，快速查询到对应的问题答案，很大的节约了用户从海量的互联网信息中寻找问题答案的时间。同时在此基础上不仅可以更加充分的理解用户提出的问题，还能以高效、快捷的方式返回给用户更加精确和简洁的答案，大量节省用户时间。
附图说明
下面结合附图，对本发明的具体实施方式进行详细描述：
图1为本发明公开的一些实施例的方法步骤图；
图2为本发明公开的一些实施例的系统流程框图；
图3为本发明公开的一些实施例的数据处理流程框图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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做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。
请参考图1和图2，本发明实施例中，一种基于农业百科知识图谱的问答系统的构建方法，具体步骤包括：
S1、获取互联网的数据信息；
利用网络爬虫技术收集互联网上的相关公开数据，其中，所述结构化数据的数据格式包括：作物、渔业、农药名称与其对应分类及各属性类别。如，以花木类别为例，黄花蔺这一实体就包含：别名、产地、繁殖、花果期、日照、温度、土壤、用途、习性、科属、病虫害防治等信息。
S2、对数据信息进行预处理得到结构化数据，并构建知识图谱存储于数据库中；
S21、对获取非结构化的数据信息，利用文本规则匹配与人工检查的方式进行数据预处理；
S22、构建实体、关系、属性的三元组并进行遍历，同时使用Python下Neo4j工具py2neo建立实体与关系模型的知识图谱存储于数据库中。所述三元组具体构建方法，如“黄花蔺”，“花木-分布”，“黄花蔺分布于缅甸、泰国、斯里兰卡、印度尼西亚及美洲热带地区，我国云南西双版纳也有”。
S3、导出知识图谱中的实体节点数据，获取实体与问题关键词并构建训练集与验证集的具体步骤包括：
首先在构建三元组的过程中，根据不同的作物、农药、渔业等类别单独将名称存储到list数据结构中。将list中的数据存储到以类别命名的txt文件中。加载txt文件中保存的实体文件，每个类别抽取10％数量的实体，根据不同的属性构造提问集。例如，针对产地，提问方式包括：产自于、原产于、产地在哪、来源于等。同一个属性需要构造训练集的问题提问集合验证集的问题提问集，二者提问方式不同；
使用抽取的实体以及设置的提问集，根据单标签分类还是多标签分类进行拼接生成训练集和验证集。单标签示例：“西瓜的产地在哪里？”，该问题的标签就是产地；多标签示例：“西瓜的产地和病虫害防治方法？”，该问题的标签就是产地和病虫害防治。
同时将上述的数据以text和label为标签设置为dict类型后转化为json文件单独进行存储。
其中，所述提问集包括训练集的提问集以及验证集的提问集。
S4、建立用于多标签文本分类的神经网络模型并进行模型训练；
首先加载获取所述训练集的文本，并将文本拆分为单字存储到list数据结构中，取出出现次数最多的1130个字，加上<UNK>和<PAD>标签构成带编号的dict形式长度为1132的字表。
再将训练集中的文本切分为单字，在构建的dict中进行查询得到编号，其中查询不到的字则替换为<UNK>对应的编号，将文本转化为数字表示形式。例如，原问题为：西瓜的产地在哪里，替换为字符就是：17、20、472、523、856、39、85、103。数字就是文本中具体位置的字符在字表中的顺序编号。其中，设置文本的最大长度为32，长度不够则用<PAD>对应的编号补齐，反之，如果长度超过32，则仅保留前32位字符。
根据设置的标签数将标签转为one-hot形式，单标签的标签序列中仅有对应位置为1，多标签则多个位置为1。将数字化的文本和对应的标签封装为一个元组添加到list中。选择搭建神经网络的框架，为了快速搭建网络模型，故选择Pytorch。使用Pytorch的Dataset和DataLoader工具将文本转化为batch size为128的数据，便于神经网络直接调用。
其中，神经网络模型使用CNN、bi-LSTM、bi-LSTM+Att进行测试，以F1值作为评估标准选择最佳模型用作文本分类模型。
训练过程中，采用每100个batch在训练集上进行一次测试，总共训练20个epoch。如果损失值比设定值小，则保存并更新模型参数。如果模型在训练过程中连续1000个batch损失值没有减小，则提前终止训练。
S5、利用实体与问题关键词的分类结构构造查询语句，在数据库中查询对应的数据信息并反馈给用户的具体步骤包括：
加载得到的实体信息，并对输入的问题进行实体匹配识别，若无法识别则将问题标记为未知状态，返回给用户该问题暂时未知的结果。
若识别出实体则加载训练好的神经网络模型对问题类别进行判断，得到问题类型列表，遍历问题类型列表，构建实体与问题关键词的Cypher查询语句。例如，识别出的实体是西瓜，问题类别包含：产地和病虫害防治，则需要构造两条Cypher查询语句分别用于查询西瓜的产地和病虫害防治，例如：MATCH(m:产地)-[]-(n:水果)WHERE n.name＝西瓜RETURN m.name。
使用Cypher查询语句在Neo4j数据库中查找出对应的信息并反馈给用户的具体步骤为：
首先，使用Python Django框架和前端技术搭建一个Web端界面，将搭建好的界面部署到服务器上提供访问接口，使用py2neo提供的run工具执行Cypher查询语句查询得到结果再反馈到前端界面，让用户对结果一目了然。
请参考图3，具体实施方式所使用的数据集主要来源于互联网上公开的非结构化的农业百科知识。因此，首先需要对文本进行抽样浏览，拟订关键词，采用关键词匹配对应的文本句或文本段落进行第一轮规则匹配，再由人工对数据进行审核。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定，均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于农业百科知识图谱的问答系统的构建方法，其特征在于，包括：
S1、获取互联网的数据信息；
S2、对数据信息进行预处理得到结构化数据，并构建知识图谱存储于数据库中，所述结构化数据的数据格式包括：作物、渔业、农药名称与其对应分类及各属性类别；
具体步骤包括：
S21、对获取非结构化的数据信息，利用文本规则匹配与人工检查的方式进行数据预处理；
S22、构建实体、关系、属性的三元组并进行遍历，同时建立实体与关系模型的知识图谱存储于数据库中；
S3、导出知识图谱中的实体节点数据，获取实体与问题关键词并构建训练集与验证集，具体步骤包括：
S31、获取知识图谱中的类别名称，并单独存储于数据库中；
S32、根据每个类别名称抽取实体，并依据不同的属性设置提问集；
S33、利用抽取的实体和设置的提问集，同时根据单标签分类和多标签分类生成训练集和验证集并进行存储；
S4、建立用于多标签文本分类的神经网络模型并进行模型训练的具体步骤包括：
S41、选择搭建神经网络的框架，同时将数据信息转化为神经网络可直接调用的格式；
S42、每100个batch在训练集上进行一次测试，总共训练20个epoch，建立神经网络模型；
S43、如果损失值比设定值小，则保存并更新模型参数，如果模型连续1000个batch损失值没有减小，则终止训练；
S5、利用实体与问题关键词的分类结构构造查询语句，在数据库中查询对应的数据信息并反馈给用户。
2.根据权利要求1所述一种基于农业百科知识图谱的问答系统的构建方法，其特征在于，所述提问集包括训练集的提问集以及验证集的提问集。
3.根据权利要求1所述一种基于农业百科知识图谱的问答系统的构建方法，其特征在于，所述S5利用实体与问题关键词的分类结构构造查询语句，在数据库中查询对应的数据信息并反馈给用户的具体步骤包括：
S51、获取实体信息，对输入问题进行实体匹配，若无法匹配则标记未知状态；
S52、若匹配则利用神经网络模型进行判断，并得到问题类型表，构建实体与问题关键词的查询语句；
S53、利用构建的查询语句在数据库中查找对应的信息并反馈。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011165079.5A CN112231460B (zh) | 2020-10-27 | 2020-10-27 | 一种基于农业百科知识图谱的问答系统的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011165079.5A CN112231460B (zh) | 2020-10-27 | 2020-10-27 | 一种基于农业百科知识图谱的问答系统的构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112231460A CN112231460A (zh) | 2021-01-15 |
| CN112231460B true CN112231460B (zh) | 2022-07-12 |
Family
ID=74109069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011165079.5A Active CN112231460B (zh) | 2020-10-27 | 2020-10-27 | 一种基于农业百科知识图谱的问答系统的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112231460B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112948487A (zh) * | 2021-02-06 | 2021-06-11 | 四川省农业科学院农业信息与农村经济研究所 | 一种基于知识图谱的农业信息服务系统 |
| CN113204635A (zh) * | 2021-06-08 | 2021-08-03 | 重庆电子工程职业学院 | 一种用于现代农业种植的智能咨询系统 |
| CN113297089B (zh) * | 2021-06-09 | 2023-06-20 | 南京大学 | 一种基于知识图谱的众测助理实现方法 |
| CN113468304A (zh) * | 2021-06-28 | 2021-10-01 | 哈尔滨工程大学 | 一种基于知识图谱的船舶靠离泊知识问答查询系统的构建方法 |
| CN113408663B (zh) * | 2021-07-20 | 2022-04-08 | 中国科学院地理科学与资源研究所 | 融合模型构建方法、融合模型使用方法、装置和电子设备 |
| CN115115227A (zh) * | 2022-06-28 | 2022-09-27 | 华南理工大学 | 一种用于造纸领域的产品质量知识图谱构建方法 |
| CN117271725A (zh) * | 2023-09-15 | 2023-12-22 | 北京山水林合工程咨询有限公司 | 一种林业知识智能咨询方法、系统、设备及存储介质 |
| CN117436531A (zh) * | 2023-12-21 | 2024-01-23 | 安徽大学 | 基于水稻病虫害知识图谱的问答系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182262A (zh) * | 2018-01-04 | 2018-06-19 | 华侨大学 | 基于深度学习和知识图谱的智能问答系统构建方法和系统 |
| CN108804521A (zh) * | 2018-04-27 | 2018-11-13 | 南京柯基数据科技有限公司 | 一种基于知识图谱的问答方法及农业百科问答系统 |
| CN109492077A (zh) * | 2018-09-29 | 2019-03-19 | 北明智通（北京）科技有限公司 | 基于知识图谱的石化领域问答方法及系统 |
| CN110287334A (zh) * | 2019-06-13 | 2019-09-27 | 淮阴工学院 | 一种基于实体识别和属性抽取模型的学校领域知识图谱构建方法 |
| CN110765277A (zh) * | 2019-10-22 | 2020-02-07 | 河海大学常州校区 | 一种基于知识图谱的移动端的在线设备故障诊断平台 |
| CN111159385A (zh) * | 2019-12-31 | 2020-05-15 | 南京烽火星空通信发展有限公司 | 一种基于动态知识图谱的无模板通用智能问答方法 |
| CN111339777A (zh) * | 2020-02-24 | 2020-06-26 | 中国科学院自动化研究所 | 基于神经网络的医学相关意图识别方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10586156B2 (en) * | 2015-06-25 | 2020-03-10 | International Business Machines Corporation | Knowledge canvassing using a knowledge graph and a question and answer system |
| US10127274B2 (en) * | 2016-02-08 | 2018-11-13 | Taiger Spain Sl | System and method for querying questions and answers |
| CN107967267A (zh) * | 2016-10-18 | 2018-04-27 | 中兴通讯股份有限公司 | 一种知识图谱构建方法、装置及系统 |
| CN106776711B (zh) * | 2016-11-14 | 2020-04-07 | 浙江大学 | 一种基于深度学习的中文医学知识图谱构建方法 |
| CN111708899B (zh) * | 2020-06-13 | 2023-10-03 | 广州华建工智慧科技有限公司 | 一种基于自然语言和知识图谱工程信息智能搜索方法 |
-
2020
- 2020-10-27 CN CN202011165079.5A patent/CN112231460B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182262A (zh) * | 2018-01-04 | 2018-06-19 | 华侨大学 | 基于深度学习和知识图谱的智能问答系统构建方法和系统 |
| CN108804521A (zh) * | 2018-04-27 | 2018-11-13 | 南京柯基数据科技有限公司 | 一种基于知识图谱的问答方法及农业百科问答系统 |
| CN109492077A (zh) * | 2018-09-29 | 2019-03-19 | 北明智通（北京）科技有限公司 | 基于知识图谱的石化领域问答方法及系统 |
| CN110287334A (zh) * | 2019-06-13 | 2019-09-27 | 淮阴工学院 | 一种基于实体识别和属性抽取模型的学校领域知识图谱构建方法 |
| CN110765277A (zh) * | 2019-10-22 | 2020-02-07 | 河海大学常州校区 | 一种基于知识图谱的移动端的在线设备故障诊断平台 |
| CN111159385A (zh) * | 2019-12-31 | 2020-05-15 | 南京烽火星空通信发展有限公司 | 一种基于动态知识图谱的无模板通用智能问答方法 |
| CN111339777A (zh) * | 2020-02-24 | 2020-06-26 | 中国科学院自动化研究所 | 基于神经网络的医学相关意图识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| "科技大数据知识图谱构建方法及应用研究综述";周园春;《中国科学：信息科学》;20200731;第957-987页 * |
| 面向水利信息资源的智能问答系统构建与应用;张紫璇等;《计算机与现代化》;20200315(第03期);第65-71页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112231460A (zh) | 2021-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112231460B (zh) | 一种基于农业百科知识图谱的问答系统的构建方法 | |
| CN108804521B (zh) | 一种基于知识图谱的问答方法及农业百科问答系统 | |
| CN101223525B (zh) | 关系网络 | |
| CN110209839B (zh) | 农业知识图谱构建装置、方法及计算机可读存储介质 | |
| CN110597969B (zh) | 一种农业知识智能问答方法、系统以及电子设备 | |
| CN107066599A (zh) | 一种基于知识库推理的相似上市公司企业检索分类方法及系统 | |
| CN107766483A (zh) | 一种基于知识图谱的交互式问答方法及系统 | |
| CN114595344B (zh) | 面向农作物品种管理的知识图谱构建方法及装置 | |
| CN112148851A (zh) | 一种基于知识图谱的医药知识问答系统的构建方法 | |
| CN109471949B (zh) | 一种宠物知识图谱的半自动化构建方法 | |
| DE102019001267A1 (de) | Dialogartiges System zur Beantwortung von Anfragen | |
| Niranjan et al. | A survey on chat-bot system for agriculture domain | |
| CN101169780A (zh) | 一种基于语义本体的检索系统和方法 | |
| CN114036281B (zh) | 基于知识图谱的柑橘管控问答模块构建方法及问答系统 | |
| CN111626568B (zh) | 自然灾害领域知识库构建方法以及知识搜索方法、系统 | |
| CN111966787B (zh) | 一种基于知识图谱的智能渔业问答机器人的构建方法 | |
| CN112926325A (zh) | 基于bert神经网络的中文人物关系抽取构建方法 | |
| CN106599215A (zh) | 一种基于深度学习的问句生成方法和问句生成系统 | |
| CN117151659B (zh) | 一种基于大语言模型的生态修复工程全生命周期追溯方法 | |
| CN115599899A (zh) | 基于飞行器知识图谱的智能问答方法、系统、设备及介质 | |
| CN114780740A (zh) | 一种茶叶知识图谱的构建方法 | |
| CN113434644B (zh) | 一种农技知识服务方法及系统 | |
| CN113869066A (zh) | 一种基于农业领域文本的语义理解方法及系统 | |
| Abu Bakar et al. | Base durian ontology development using modified methodology | |
| CN114238735B (zh) | 一种互联网数据智能采集方法 |
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 |