CN112364132A - 基于依存句法的相似度计算模型和系统及搭建系统的方法 - Google Patents

基于依存句法的相似度计算模型和系统及搭建系统的方法 Download PDF

Info

Publication number
CN112364132A
CN112364132A CN202011264308.9A CN202011264308A CN112364132A CN 112364132 A CN112364132 A CN 112364132A CN 202011264308 A CN202011264308 A CN 202011264308A CN 112364132 A CN112364132 A CN 112364132A
Authority
CN
China
Prior art keywords
question
syntax
semantic
dependency
coding
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
CN202011264308.9A
Other languages
English (en)
Inventor
陈文亮
张鹏举
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.)
Suzhou University
Original Assignee
Suzhou University
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 Suzhou University filed Critical Suzhou University
Priority to CN202011264308.9A priority Critical patent/CN112364132A/zh
Publication of CN112364132A publication Critical patent/CN112364132A/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
    • G06F16/3331—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
    • G06F16/332—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
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明涉及一种基于依存句法的相似度计算模型和系统及搭建系统的方法，包括：问句语义编码，所述问句语义编码包括最短依存路径句法编码、基于句法树的表达、以及预训练词向量语义编码；问句对应的候选查询图的语义编码，用于将答案查询图经过预训练词向量语义编码得到查询图语义编码；将所述预训练词向量语义编码、最短依存路径句法编码以及基于句法树的表达进行拼接得到问句依存句法；对查询图语义编码与问句依存句法进行互注意力机制，进行信息交互，再通过相似度计算，得到语义相似度。本发明有利于提升系统的性能。

Description

基于依存句法的相似度计算模型和系统及搭建系统的方法
技术领域
本发明涉知识图谱问答系统的技术领域，尤其是指一种基于依存句法的相似度计算模型和系统及搭建系统的方法。
背景技术
知识图谱问答系统(KBQA)的实现方法主要分为两大类：基于检索的方法和基于语义解析的方法。
所述基于检索的方法为：首先对问句进行实体识别、实体链接处理，这部分现阶段用的比较多的就是序列标注模型。通过这两步，就会得到问句的主题实体候选，接下来就开始确定主题实体对应的候选谓词，这部分用的比较多的就是相似度模型和问句分类模型。但由于中文关系比较多切较为复杂，所以分类模型的效果一般没有相似度模型好。在完成正确的谓词寻找后，再结合主题实体去知识库中检索答案，完成问答。在进行主题实体生成部分，也可以先对主题实体排序，然后在主题实体的谓词候选中去完成正确谓词的确定。不过这样做会导致错误传播，假使主题实体确定部分出错，那么错误就会影响到最终答案。基于检索的方法目前的最大难题是：实体链接的实体消歧问题以及关系谓词的确定问题。实体消歧是指：同一个字符串(″张伟″)可能会对应知识图谱中的多个实体(如：村干部″张伟″、某公司CEO″张伟″等等)。关系谓词确定是指：给定一个问句确定该问句的关系谓词。由于关系谓词的表达多种多样，要将其准确的匹配到知识图谱中的关系边，并不是件容易的事情。
所述基于语义解析的方法为：首先对问题进行语义解析，得到问题语义信息；然后在对这些语义信息进行结构化语言转化(类似于转化成sparql语句)，完成转化后，通过结构化语言查找到候选答案，从而完成整个查询图。有了问句对应的候选查询图后，就可以对其进行序列化编码。同时对问题进行编码，然后通过相似度匹配模型对二者进行相似度计算，根据计算得到的语义相似度得分，完成最优查询图的选取，最终就可以在最优查询图中找到问句的答案。基于语义解析的方法目前最大的难题是：如何对问句进行深层次的解析以挖掘出更多的信息。如果不能够挖掘出足够的信息，那么这种方法实现的系统性能将会远低于信息抽取方法所实现的系统。
总体来说，采用基于语义解析的方法产生的效果要优于采用所述基于检索的方法所产生的效果。所述基于语义解析的方法中，较为常见的是基于深度学习的相似度匹配方法，目前现阶段采用最多的为深层结构语义模型(DSSM)。该模型由基础的embedding层(将输入的字或者词转化成高纬度的向量表示)、双向LSTM层(将每分词向量表示句子转化为结合时序的语义向量)或者CNN层(提取整个句子语义信息最具代表性的部分)、池化层(最大化句子的语义特征)和相似度函数计算层(用于最终计算两个文本间的相似度得分)构成。如图1为基于双向LSTM构建的DSSM。对于知识图谱问答来说，将问句与答案路径分别进行语义编码，如图1的左右两边。按照模型的方法，进行Cosine相似度计算，就可以计算出每个答案路径候选与问句的得分，从而选出TOP1，就可以完成最优答案的选取。
但是上述存在以下问题：基于神经网络的相似度模型将文本转化为编码语义向量的方式太过单一，普遍只采用RNN(LSTM/GRU)神经网络对文本进行语义编码，这样得到的语义向量偏向于时序方面，而在一些具体的任务中，往往需要更加丰富的信息，因此不利于提升知识图谱问答的性能；另外，目前为止，无人能够对神经网络作出非常严谨和系统的理论证明。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中知识图谱问答的性能差的问题，从而提供一种有利于提高知识图谱问答性能的基于依存句法的相似度计算模型和系统及搭建系统的方法。
为解决上述技术问题，本发明的一种基于依存句法的相似度计算模型，包括：问句语义编码，所述问句语义编码包括最短依存路径句法编码、基于句法树的表达、以及预训练词向量语义编码；问句对应的候选查询图的语义编码，用于将答案查询图经过语义编码得到查询图语义编码；将所述预训练词向量语义编码、最短依存路径句法编码以及基于句法树的表达进行拼接得到问句语义编码；对查询图语义编码与问句语义编码进行互注意力机制，进行信息交互，再通过相似度计算，得到语义相似度。
在本发明的一个实施例中，所述最短依存路径句法编码是在依存句法树中，将疑问词与中心词之间的最短路径作为最短依存路径，同时也包含所述疑问词与中心词之间的依存关系，将中心词作为主题实体。
在本发明的一个实施例中，所述基于句法树的表达是在依存句法树中，将每个节点和每条边都通过树状双向GRU神经网络编码，得到整颗树的依存句法表示。
在本发明的一个实施例中，所述基于句法树的表达在自上而下、自下而上的学习过程中，学习到每个词的全局依存句法表示。
本发明还提供了一种系统，包括上述任意一项所述的基于依存句法的相似度计算模型。
本发明还提供了一种搭建系统的方法，用于搭建上述的系统，包括：步骤S1：对问句进行预处理后，从所述问句中识别出问句的主题实体；步骤S2：根据识别出的主题实体，构建主题实体的一跳三元组、两跳三元组；步骤S3：对问句进行时间信息和次序信息的提取，将时间信息、次序信息加入到一跳三元组、两跳三元组中，完成问句的每一个候选查询图构建；步骤S4：将所述问句和问句对应的所有查询图输入到知识图谱问答系统中，完成问句及其对应的查询图的相似度得分计算，选出得分最高的查询图作为问句对应的最优查询图，根据最优查询图完成最优答案的寻找。
在本发明的一个实施例中，构建主题实体的一跳三元组、两跳三元组时，先在知识图谱中进行一跳三元组、两跳三元组搜寻后，再构建主题实体的一跳三元组、两跳路径三元，且并对不常用谓词表进行路径筛选。
在本发明的一个实施例中，对问句进行时间信息和次序信息的提取的方法为：利用正则表达式和序数词词典，对问句进行时间信息和次序信息的提取。
在本发明的一个实施例中，所述知识图谱问答系统搭建完成后，还需要对系统进行训练。
在本发明的一个实施例中，对系统进行训练时，采用正负例的方式来进行模型的训练，并且将铰链损失作为损失函数。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的基于依存句法的相似度计算模型和系统及搭建系统的方法，包括问句语义编码，所述问句语义编码包括最短依存路径句法编码、基于句法树的表达、以及预训练词向量语义编码，由于在所述问句语义编码中增加了依存句法信息，通过加入依存句法信息有利于提升问答的性能；问句对应的候选查询图的语义编码，用于将答案查询图经过语义编码得到查询图语义编码，有利于形成问句对应的候选查询图的语义编码部分；将所述预训练词向量语义编码、最短依存路径句法编码以及基于句法树的表达进行拼接得到问句语义编码；对查询图语义编码与问句语义编码进行互注意力机制，进行信息交互，有助于更好的选取彼此更加相似的信息，再通过相似度计算，得到语义相似度，整个发明通过不同的依存句法编码方法来提升相似度计算模型的性能，进而提升问答系统的性能。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的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是深层结构语义模型(DSSM)结构图；
图2是本发明基于依存句法的相似度计算模型的示意图；
具体实施方式
实施例一
如图2所示，本实施例提供一种基于依存句法的相似度计算模型，包括：问句语义编码，所述问句语义编码包括最短依存路径句法编码、基于句法树的表达、以及预训练词向量语义编码；问句对应的候选查询图的语义编码，用于将答案查询图经过语义编码得到查询图语义编码；将所述预训练词向量语义编码、最短依存路径句法编码以及基于句法树的表达进行拼接得到问句语义编码；对查询图语义编码与问句语义编码进行互注意力机制，进行信息交互，再通过相似度计算，得到语义相似度。
本实施例所述基于依存句法的相似度计算模型，包括：问句语义编码，所述问句语义编码包括最短依存路径句法编码、基于句法树的表达、以及预训练词向量语义编码，由于在所述问句语义编码中增加了依存句法信息，通过加入依存句法信息有利于提升问答的性能；问句对应的候选查询图的语义编码，用于将答案查询图经过语义编码得到查询图语义编码，有利于形成问句对应的候选查询图的语义编码部分；将所述预训练词向量语义编码、最短依存路径句法编码以及基于句法树的表达进行拼接得到问句语义编码；对查询图语义编码与问句语义编码进行互注意力机制，进行信息交互，有助于更好的选取彼此更加相似的信息，再通过相似度计算，得到语义相似度，整个发明通过不同的依存句法编码方法来提升相似度计算模型的性能，进而提升问答系统的性能。
所述最短依存路径句法编码是在依存句法树中，将疑问词与中心词之间的最短路径作为最短依存路径，同时也包含所述疑问词与中心词之间的依存关系，将中心词作为主题实体。具体地，一般的疑问词大部分以″wh-″或者″how″开头，而中心词在KBQA中一般作为主题实体。
另外，若整个疑问句中存在时间词或序数词，则所述最短依存路径句法编码是在依存句法树中，将疑问词与时间词或序数词之间的最短路径作为最短依存路径，同时也包含所述疑问词与时间词或序数词之间的依存关系，将时间词或序数词作为主题实体。
如图2中的SDP部分，问句″what is the third tallest building in<E>″对应的最短依存路径为″what nsubj building prep in pobj<E>″。在得到最短依存路径后根据预训练词向量将其转化为语义向量，作为问句编码的一部分。其中，所述预训练词向量是用来作为构建模型训练的输入。
所述基于句法树的表达是在依存句法树中，将每个节点和每条边都通过树状双向GRU神经网络编码，得到整颗树的依存句法表示。如图2中的Tree-GRU部分为对问句″whatis the third tallest building in<E>″的整颗依存句法树的编码表达。
所述基于句法树的表达在自上而下、自下而上的学习过程中，学习到每个词的全局依存句法表示。Tree-GRU方法可以在自上而下、自下而上的学习过程中，学习到每个词的全局依存句法表示。例如在自下而上的过程中，每个单词wi的
Figure BDA00027756310900000610
的计算都依赖于其子节点，详细的公式如下：其中lchild(i)和rchild(i)指的是节点wi的左右子节点集，表示wi与它的父节点之间的依赖边标签，W，U和V是模型的可训练参数。同样地，可以通过自上而下的编码方法获得问题中每个单词的编码矢量
Figure BDA00027756310900000611
Figure BDA0002775631090000061
Figure BDA0002775631090000062
Figure BDA0002775631090000063
Figure BDA0002775631090000064
Figure BDA0002775631090000065
Figure BDA0002775631090000066
Figure BDA0002775631090000067
Figure BDA0002775631090000068
将这两种编码方法获得的结果隐藏向量连接起来，获得单词的最终表示形式：
Figure BDA0002775631090000069
通过得到每一个词的Tree-GRU表示，将它们拼接，得到整个句子的Tree-GRU句法树表示，作为问句的语义编码的一部分。
将所述预训练词向量语义编码、最短依存路径句法编码以及基于句法树的表达进行拼接得到问句语义编码。具体地，将问句的预训练语义编码表示QUE、基于最短依存路径的句法表示
Figure BDA0002775631090000071
基于句法树的表示(Tree-GRU)
Figure BDA0002775631090000072
进行拼接，得到问句依存句法表示q(encoding)。答案查询图部分经过语义编码得到查询图语义编码，其表示为p(encoding)。
对查询图语义编码与问句语义编码进行互注意力机制，进行信息交互，再通过相似度计算，得到语义相似度。具体地，对于q与p进行互注意力机制，进行一定的信息交互，从而得到一定的先验知识，有助于更好的选取彼此更加相似的信息，再通过相似度计算，得到它们的语义相似度。所述相似度计算是通过cos余弦计算相似度。
实施例二
本实施例提供一种系统，包括实施例一所述的基于依存句法的相似度计算模型。
本实施例所述的系统，由于包括实施例一所述的基于依存句法的相似度计算模型，因此实施例一具有的优点，本实施例也全部具有。
实施例三
本实施例提供了一种搭建系统的方法，用于搭建实施例二所述的系统，包括：步骤S1：对问句进行预处理后，从所述问句中识别出问句的主题实体；步骤S2：根据识别出的主题实体，构建主题实体的一跳三元组、两跳三元组；步骤S3：对问句进行时间信息和次序信息的提取，将时间信息、次序信息加入到一跳三元组、两跳三元组中，完成问句的每一个候选查询图构建；步骤S4：将所述问句和问句对应的所有查询图输入到知识图谱问答系统中，完成问句及其对应的查询图的相似度得分计算，选出得分最高的查询图作为问句对应的最优查询图，根据最优查询图完成最优答案的寻找。
本实施例所述的搭建系统的方法，所述步骤S1中，对问句进行预处理后，从所述问句中识别出问句的主题实体，有利于去除不规范的词；所述步骤S2中，根据识别出的主题实体，构建主题实体的一跳三元组、两跳三元组，有利于提取信息；所述步骤S3中，对问句进行时间信息和次序信息的提取，将时间信息、次序信息加入到一跳三元组、两跳三元组中，完成问句的每一个候选查询图构建，有利于保证查询图的完整性；所述步骤S4中，将所述问句和问句对应的所有查询图输入到知识图谱问答系统中，完成问句及其对应的查询图的相似度得分计算，选出得分最高的查询图作为问句对应的最优查询图，根据最优查询图完成最优答案的寻找，整个方法不但简单，而且可以保证提升问答系统的性能。
对问句进行预处理的方法为：去标点，去停用词，从而可以去除不规范的词。
从所述问句中识别出问句的主题实体的方法为：利用NER工具(SMART)和大规模词典从问句中识别出问句的主题实体。
构建主题实体的一跳三元组、两跳三元组时，先在知识图谱中进行一跳三元组、两跳三元组搜寻后，再构建主题实体的一跳三元组、两跳三元组，并对不常用谓词表进行路径筛选，从而有利于过滤掉不用的一跳三元组、两跳三元组。
对问句进行时间信息和次序信息的提取的方法为：利用正则表达式和序数词词典，对问句进行时间信息和次序信息的提取。
所述知识图谱问答系统搭建完成后，还需要对系统进行训练。
对系统进行训练时，采用正负例的方式来进行模型的训练，并且将铰链损失作为损失函数。
具体地，在训练的过程中，采用了正负例的方式来进行模型的训练，并且将铰链损失(Hinge Loss)作为我们的损失函数，用来最大化正查询图p+和负查询图p-之间的边距，如下公式，S(q，p+)表示通过相似度计算模型得到的问句与查询图之间的语义相似度。
loss＝max{0，γ-S(q，p+)+S(q，p-)}
其中γ是的边距的参数，我们将其设置为0.5。根据查询图是否可以达到的F1阈值来确定查询图是正或负。也就是说，如果查询图的F1分数大于阈值，则将其视为正p+，否则视为负例p-。
在预测的过程中，可以得到问句与所有候选查询图的语义相似度，从中选取出最优的查询图作为答案查询图，那么就可以根据答案查询图找到想要的答案，完成知识图谱问答。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于依存句法的相似度计算模型，其特征在于，包括：
问句语义编码，所述问句语义编码包括最短依存路径句法编码、基于句法树的表达、以及预训练词向量语义编码；
问句对应的候选查询图的语义编码，用于将答案查询图经过预训练词向量语义编码得到查询图语义编码；
将所述预训练词向量语义编码、最短依存路径句法编码以及基于句法树的表达进行拼接得到问句语义编码；
对查询图语义编码与问句语义编码进行互注意力机制，进行信息交互，再通过相似度计算，得到语义相似度。
2.根据权利要求1所述的基于依存句法的相似度计算模型，其特征在于：所述最短依存路径句法编码是在依存句法树中，将疑问词与中心词之间的最短路径作为最短依存路径，同时也包含所述疑问词与中心词之间的依存关系，将中心词作为主题实体。
3.根据权利要求1所述的基于依存句法的相似度计算模型，其特征在于：所述基于句法树的表达是在依存句法树中，将每个节点和每条边都通过树状双向GRU神经网络编码，得到整颗树的依存句法表示。
4.根据权利要求3所述的基于依存句法的相似度计算模型，其特征在于：所述基于句法树的表达在自上而下、自下而上的学习过程中，学习到每个词的全局依存句法表示。
5.一种系统，其特征在于：包括权利要求1-4中任意一项所述的基于依存句法的相似度计算模型。
6.一种搭建系统的方法，用于搭建权利要求5所述的系统，其特征在于，包括：
步骤S1：对问句进行预处理后，从所述问句中识别出问句的主题实体；
步骤S2：根据识别出的主题实体，构建主题实体的一跳三元组、两跳三元组；
步骤S3：对问句进行时间信息和次序信息的提取，将时间信息、次序信息加入到一跳三元组、两跳三元组中，完成问句的每一个候选查询图构建；
步骤S4：将所述问句和问句对应的所有查询图输入到知识图谱问答系统中，完成问句及其对应的查询图的相似度得分计算，选出得分最高的查询图作为问句对应的最优查询图，根据最优查询图完成最优答案的寻找。
7.根据权利要求6所述的搭建系统的方法，其特征在于：构建主题实体的一跳三元组、两跳三元组时，先在知识图谱中进行一跳三元组、两跳三元组搜寻后，再构建主题实体的一跳三元组、两跳路径三元，且并对不常用谓词表进行路径筛选。
8.根据权利要求6所述的搭建系统的方法，其特征在于：对问句进行时间信息和次序信息的提取的方法为：利用正则表达式和序数词词典，对问句进行时间信息和次序信息的提取。
9.根据权利要求6所述的搭建系统的方法，其特征在于：所述知识图谱问答系统搭建完成后，还需要对系统进行训练。
10.根据权利要求9所述的搭建系统的方法，其特征在于：对系统进行训练时，采用正负例的方式来进行模型的训练，并且将铰链损失作为损失函数。
CN202011264308.9A 2020-11-12 2020-11-12 基于依存句法的相似度计算模型和系统及搭建系统的方法 Pending CN112364132A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011264308.9A CN112364132A (zh) 2020-11-12 2020-11-12 基于依存句法的相似度计算模型和系统及搭建系统的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011264308.9A CN112364132A (zh) 2020-11-12 2020-11-12 基于依存句法的相似度计算模型和系统及搭建系统的方法

Publications (1)

Publication Number Publication Date
CN112364132A true CN112364132A (zh) 2021-02-12

Family

ID=74514594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011264308.9A Pending CN112364132A (zh) 2020-11-12 2020-11-12 基于依存句法的相似度计算模型和系统及搭建系统的方法

Country Status (1)

Country Link
CN (1) CN112364132A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112860918A (zh) * 2021-03-23 2021-05-28 四川省人工智能研究院(宜宾) 一种基于协同演化建模的时序知识图谱表示学习方法
CN112989004A (zh) * 2021-04-09 2021-06-18 苏州爱语认知智能科技有限公司 面向知识图谱问答的查询图排序方法及系统
CN113420231A (zh) * 2021-05-25 2021-09-21 国网浙江省电力有限公司物资分公司 一种应用于采购系统的数据推荐算法
CN114186068A (zh) * 2021-11-04 2022-03-15 国网天津市电力公司 一种基于多级注意力网络的审计制度依据问答方法
CN115455169A (zh) * 2022-10-31 2022-12-09 杭州远传新业科技股份有限公司 一种基于词汇知识和语义依存的知识图谱问答方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555153A (zh) * 2019-08-20 2019-12-10 暨南大学 一种基于领域知识图谱的问答系统及其构建方法
CN111209395A (zh) * 2019-12-27 2020-05-29 铜陵中科汇联科技有限公司 一种短文本相似度计算系统及其训练方法
CN111506721A (zh) * 2020-04-22 2020-08-07 福州大学 一种面向领域知识图谱的问答系统及构建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555153A (zh) * 2019-08-20 2019-12-10 暨南大学 一种基于领域知识图谱的问答系统及其构建方法
CN111209395A (zh) * 2019-12-27 2020-05-29 铜陵中科汇联科技有限公司 一种短文本相似度计算系统及其训练方法
CN111506721A (zh) * 2020-04-22 2020-08-07 福州大学 一种面向领域知识图谱的问答系统及构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KANGQI LUO等: ""Knowledge Base Question Answering via Encoding of Complex Query Graphs"", 《PROCEEDINGS OF THE 2018 CONFERENCE ON EMPIRICAL METHODS IN NATURAL LANGUAGE PROCESSING》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112860918A (zh) * 2021-03-23 2021-05-28 四川省人工智能研究院(宜宾) 一种基于协同演化建模的时序知识图谱表示学习方法
CN112989004A (zh) * 2021-04-09 2021-06-18 苏州爱语认知智能科技有限公司 面向知识图谱问答的查询图排序方法及系统
CN113420231A (zh) * 2021-05-25 2021-09-21 国网浙江省电力有限公司物资分公司 一种应用于采购系统的数据推荐算法
CN114186068A (zh) * 2021-11-04 2022-03-15 国网天津市电力公司 一种基于多级注意力网络的审计制度依据问答方法
CN115455169A (zh) * 2022-10-31 2022-12-09 杭州远传新业科技股份有限公司 一种基于词汇知识和语义依存的知识图谱问答方法和系统

Similar Documents

Publication Publication Date Title
CN107315737B (zh) 一种语义逻辑处理方法及系统
CN107798140B (zh) 一种对话系统构建方法、语义受控应答方法及装置
CN112989005B (zh) 一种基于分阶段查询的知识图谱常识问答方法及系统
CN111931506B (zh) 一种基于图信息增强的实体关系抽取方法
CN112364132A (zh) 基于依存句法的相似度计算模型和系统及搭建系统的方法
Daumé III et al. A large-scale exploration of effective global features for a joint entity detection and tracking model
CN111241294A (zh) 基于依赖解析和关键词的图卷积网络的关系抽取方法
CN113505209A (zh) 一种面向汽车领域的智能问答系统
CN111930906A (zh) 基于语义块的知识图谱问答方法及装置
CN115269857A (zh) 一种基于文档关系抽取的知识图谱构建方法和装置
CN112328800A (zh) 自动生成编程规范问题答案的系统及方法
CN109977220B (zh) 一种基于关键句和关键字的反向生成摘要的方法
CN112966525B (zh) 一种基于预训练模型和卷积神经网络算法的法律领域事件抽取方法
CN111291188A (zh) 一种智能信息抽取方法及系统
CN112632250A (zh) 一种多文档场景下问答方法及系统
CN113742446A (zh) 一种基于路径排序的知识图谱问答方法及系统
CN113971394A (zh) 文本复述改写系统
CN114387537A (zh) 一种基于描述文本的视频问答方法
CN116244448A (zh) 基于多源数据信息的知识图谱构建方法、设备及系统
CN115858750A (zh) 基于自然语言处理的电网技术标准智能问答方法及系统
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
CN111666374A (zh) 一种在深度语言模型中融入额外知识信息的方法
CN112417170B (zh) 面向不完备知识图谱的关系链接方法
CN111831792B (zh) 一种电力知识库构建方法及系统
CN116910272B (zh) 基于预训练模型t5的学术知识图谱补全方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210212

RJ01 Rejection of invention patent application after publication