CN112765310A - 一种基于深度学习与相似度匹配的知识图谱问答的方法 - Google Patents
一种基于深度学习与相似度匹配的知识图谱问答的方法 Download PDFInfo
- Publication number
- CN112765310A CN112765310A CN202011446662.3A CN202011446662A CN112765310A CN 112765310 A CN112765310 A CN 112765310A CN 202011446662 A CN202011446662 A CN 202011446662A CN 112765310 A CN112765310 A CN 112765310A
- Authority
- CN
- China
- Prior art keywords
- question
- entity
- user
- deep learning
- name
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 6
- 238000002372 labelling Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3335—Syntactic pre-processing, e.g. stopword elimination, stemming
-
- 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
- G06F16/35—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于深度学习与相似度匹配的知识图谱问答的方法，包括，进行启动服务，加载训练好的多标签分类模型；对用户的输入问句进行实体类别的识别；预测出该问句对应的某一个或多个实体标签：云端业务工作室；获取用户问句对应的实体名称：发布需求，并加载该类别下的实体名称词典；根据实体名称构造数据库查询语句；到数据库查询获取答案。本发明通过利用用户问句数据搭建了基于ALBERT与双向GRU的多标签分类模型，无需对数据进行实体标注，直接识别出用户问句对应的实体标签。区别于现有工作的命名实体识别模型，简化了问答的方法的复杂度与计算量，并且实际测试表明本研究设计的问答的方法具备很高的识别准确度。
Description
技术领域
本发明涉及知识图谱问答的方法技术领域，具体来说，涉及一种基于深度学习与相似度匹配的知识图谱问答的方法。
背景技术
随着人们对快速、准确地获取信息的需求越来越大，问答的方法的研究吸引了越来越多的关注。以通过关键词匹配实现信息检索作为主要方法的传统问答技术目前存在一些技术性问题，比如搜索接口不友好、搜索过程复杂、返回信息量大、返回内容针对性不强等，而且无法从根本上解决搜索中存在的准确率低以及召回率低的问题（中国专利CN105868313A[P]，一种基于模板匹配技术的知识图谱问答的方法及方法，公开日期：2016-08-17）。随着互联网信息量的爆炸式增长，传统的问答的方法已逐渐无法满足用户的需求。近年来，基于知识图谱的信息检索方式为大数据下的用户搜索拓展了一种新的思路，基于知识图谱的问答的方法成为研究热点。
知识图谱是一种具有属性的实体对通过关系链接而成的结构化语义知识库。在知识图谱中，知识通常表示为“三元组”形式的数据结构。知识图谱的出现实现了搜索关键词的的方法化，对每一个关键词都形成一个完整的知识体系，从而提高了搜索质量（中国专利CN109271506A，一种基于深度学习的电力通信领域知识图谱问答的方法的构建方法，公开日期： 2019-01-25）。相比于传统的搜索引擎，基于知识图谱的问答的方法具有诸多优点，比如支持更友好的互动问答模式、返回更加精准简洁的搜索结果、支持知识内容的累积与支持实体节点间隐式信息的显示展现等（中国专利CN110532397A，基于人工智能的问答方法、装置、计算机设备及存储介质，公开日期：2019-12-03）。
目前，基于知识图谱的问答的方法得到了快速发展。在识别用户问句中的实体名称或者类别时，现有的问答的方法主要采取模板匹配（中国专利 CN107729493A，旅行知识图谱的构建方法、装置及旅行问答方法、装置,公开日期:2018-02-23；中国专利CN108846104A，一种基于教育知识图谱的问答分析与处理方法及的方法，公开日期:2018-11-20；中国专利CN108804521A，一种基于知识图谱的问答方法及农业百科问答的方法，公开日期：2018-11-13）。与深度学习（中国专利CN108509519A，基于深度学习的通用知识图谱增强问答交互的方法及方法，公开日期：2018-09-07；中国专利CN108182262A，基于深度学习和知识图谱的智能问答的方法构建方法和的方法，公开日期：2018-06-19；中国专利CN110457442A，面向智能电网客服问答的知识图谱构建方法，公开日期：2019-11-15）两类技术。采用模板匹配需要整理大量的实体词典，而且如果用户问句的用词发生变化，往往会存在匹配不到的问题，造成搜索不到需要的答案；采用深度学习进行命名实体识别，需要对训练数据进行实体标签标注，然后训练模型再进行实体识别，需要较大的计算量。
发明内容
针对相关技术中的上述技术问题，本发明提出一种基于深度学习与相似度匹配的知识图谱问答的方法，能够克服现有技术方法的上述不足。
为实现上述技术目的，本发明的技术方案是这样实现的：
一种基于深度学习与相似度匹配的知识图谱问答的方法，包括进行启动服务，加载训练好的多标签分类模型；首先对用户的输入问句进行实体类别的识别；预测出该问句对应的某一个或多个实体类别为云端业务工作室，获取用户问句对应的实体名称，并加载该类别下的实体名称词典，根据实体名称构造数据库查询语句；到数据库查询获取答案。
进一步地，根据获取到的实体类别，加载该类别下的实体名称词典，如果用户问句中包含词典中的某个实体名称，则返回该实体名称，否则，计算该用户问句与词典中实体名称的余弦相似度，返回匹配相似度最高的实体名称。
进一步地，数据库查询获取答案的步骤，步骤包括：数据准备与存储方式；构造训练数据；基于ALBERT与双向GRU的多标签分类模型；获取用户问句对应的节点名称；构造查询语句。
进一步地，数据准备的数据源是以某公司网站的客户服务中心作为数据源，包括产品中心，用户中心与活动中心。
进一步地，存储方式以产品中心为例，将产品中心下的每个模块作为实体节点的标签，将每个模块下的子模块作为一个实体节点，每个节点包括两个属性分别为name和content，数据存放到图数据库中。
进一步地，构造训练数据，是根据用户问句整理得到训练数据集与测试数据集。
进一步地，ALBERT与双向GRU的多标签分类模型，是采用ALBERT对训练数据与测试数据的文本进行特征提取，搭建的双向GRU深度学习模型。
进一步地，获取用户问句对应的节点名称，将获取到的标签类别加载该标签对应的实体名称词典。
进一步地，构造查询语句，使用Neo4j作为存储数据库，构造cypher查询语句，将获取的实体标签与实体名称查询数据库，获取答案。
本发明的有益效果：通过直接利用用户问句数据搭建了基于ALBERT与双向GRU的多标签分类模型，无需对数据进行实体标注，直接识别出用户问句对应的实体标签。区别于现有工作的命名实体识别模型，本发明研究简化了问答的方法的复杂度与计算量，并且实际测试表明本研究设计的问答的方法具备很高的识别准确度。
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是根据本发明实施例所述的基于深度学习与相似度匹配的知识图谱问答的方法的问答的方法流程示意图。
图2是根据本发明实施例所述的基于深度学习与相似度匹配的知识图谱问答的方法的标签云端业务工作室下的数据示意图。
图3是根据本发明实施例所述的基于深度学习与相似度匹配的知识图谱问答的方法的多标签分类模型的网络结构示意图。
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所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明实施例所述的一种基于深度学习与相似度匹配的知识图谱问答的方法，步骤包括：进行启动服务，加载训练好的多标签分类模型；首先对用户的输入问句进行实体类别的识别；预测出该问句对应的某一个或多个实体类别为云端业务工作室，获取用户问句对应的实体名称，并加载该类别下的实体名称词典，根据实体名称构造数据库查询语句；到数据库查询获取答案。
为了方便理解本发明的上述技术方案，以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
如图1所示，启动服务后，加载训练好的多标签分类模型，首先对用户的输入问句进行实体类别（label）的识别，预测出用户问句对应的某一个或者多个实体类别，例如问句为用户怎么发布需求，利用本模型预测出该问句对应的实体类别为云端业务工作室；然后是获取用户问句对应的实体名称（entity_name），根据上一步骤获取的实体类别，加载该类别下的实体名称词典，如果用户问句中包含词典中的某个实体名称，则返回该实体名称，否则，计算该用户问句（去除停用词与一般疑问词）与词典中实体名称的余弦相似度，返回匹配相似度最高的实体名称；最后根据获取的实体类别与实体名称构造图数据库查询语句，到数据库查询获取答案。其具体实施步骤如下。
1. 数据准备与存储方式：
（1）数据源：本研究以某公司网站的客户服务中心作为数据源，包括产品中心、用户中心与活动中心。其中产品中心下包含云端业务工作室、企业驾驶舱等12类模块，用户中心与活动中心分别包含2类与3类模块；
（2）存储方式：以产品中心为例，将产品中心下的每个模块（云端业务工作室、企业驾驶舱等）作为实体节点的标签，将每个模块下的子模块作为一个实体节点，如图2所示，每个节点包括两个属性，即（name，content），name表示该子模块的名称，content表示该子模块的内容。将数据存放到图数据库Neo4j。
2. 构造训练数据：
根据用户问句整理得到训练数据集与测试数据集，其中数据格式为实体标签（label）+“\t” +用户问句（question），例如表1。
训练数据集表1
3.基于ALBERT与双向GRU的多标签分类模型：
如图3所示，本研究采用ALBERT对训练数据与测试数据的文本进行特征提取，搭建的双 向GRU深度学习模型。根据该模型识别用户问句所属的标签类别，以表1中数据为例：用 户提问如何/怎么发布需求，利用模型识别该问句对应的标签类别为：云端业务工作室。
4. 获取用户问句对应的节点名称（name）：
根据步骤3中识别出的标签类别，加载该标签对应的实体名称词典，如果用户问句在词典中，直接返回词典中相应的实体节点名称；如果用户问句不在词典中，计算用户问句与词典中每个节点名称的余弦相似度，返回相似度最高的节点名称。
5. 构造查询语句：
本研究中使用Neo4j作为存储数据库，构造的cypher查询语句为：
"MATCH (m:{0}) where m.name ='{1}' return
m.content".format(label,entity_name)
根据步骤3、4获取的实体标签（label）与实体名称（entity_name）查询数据库，即可获取答案。
综上所述，借助于本发明的上述技术方案，通过直接利用用户问句数据搭建了基于ALBERT与双向GRU的多标签分类模型，无需对数据进行实体标注，直接识别出用户问句对应的实体标签。区别于现有工作的命名实体识别模型，本发明研究简化了问答的方法的复杂度与计算量，并且实际测试表明本研究设计的问答的方法具备很高的识别准确度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习与相似度匹配的知识图谱问答的方法，包括以下步骤：
S1启动服务，加载多标签分类模型；
S2用户输入问句进行实体类别的识别、预测问句对应的实体标签；
S3加载该类别下的实体名称词典，获取问句对应的实体名称；
S4判断问句中是否包含字典中的实体名称，并返回与用户问句相应的实体名称；
S5根据实体名称与实体标签构造数据库查询语句；
S6查询图数据库，返回答案。
2.根据权利要求1所述的一种基于深度学习与相似度匹配的知识图谱问答的方法，其特征在于，根据获取到的实体类别，加载该类别下的实体名称词典，如果用户问句中包含词典中的某个实体名称，则返回该实体名称，否则，计算该用户问句与词典中实体名称的余弦相似度，返回匹配相似度最高的实体名称。
3.根据权利要求1所述的一种深度学习与相似度匹配的知识图谱问答的方法，所述数据库查询获取答案的步骤包括:数据准备与存储方式；构造训练数据；基于ALBERT与双向GRU的多标签分类模型；获取用户问句对应的节点名称；构造查询语句。
4.根据权利要求3所述的一种深度学习与相似度匹配的知识图谱问答的方法，其特征在于，所述数据准备的数据源是以某公司网站的客户服务中心作为数据源，包括产品中心，用户中心与活动中心。
5.根据权利要求3所述的一种深度学习与相似度匹配的知识图谱问答的方法，其特征在于，所述存储方式是以产品中心为例，将产品中心下的每个模块作为实体节点的标签，将每个模块下的子模块作为一个实体节点，每个节点包括两个属性分别为name和content，数据存放到图数据库中。
6.根据权利要求3所述的一种深度学习与相似度匹配的知识图谱问答的方法，其特征在于，所述构造训练数据，是根据用户问句整理得到训练数据集与测试数据集。
7.根据权利要求3所述的一种深度学习与相似度匹配的知识图谱问答的方法，其特征在于，所述ALBERT与双向GRU的多标签分类模型，是采用ALBERT对训练数据与测试数据的文本进行特征提取，搭建的双向GRU深度学习模型。
8.根据权利要求3所述的一种深度学习与相似度匹配的知识图谱问答的方法，其特征在于，所述构造查询语句，使用Neo4j作为存储数据库，构造cypher查询语句，将获取的实体标签与实体名称查询数据库，获取答案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011446662.3A CN112765310A (zh) | 2020-12-11 | 2020-12-11 | 一种基于深度学习与相似度匹配的知识图谱问答的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011446662.3A CN112765310A (zh) | 2020-12-11 | 2020-12-11 | 一种基于深度学习与相似度匹配的知识图谱问答的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112765310A true CN112765310A (zh) | 2021-05-07 |
Family
ID=75693562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011446662.3A Pending CN112765310A (zh) | 2020-12-11 | 2020-12-11 | 一种基于深度学习与相似度匹配的知识图谱问答的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112765310A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113254629A (zh) * | 2021-06-07 | 2021-08-13 | 重庆第二师范学院 | 一种基于人工智能的学习内容推荐方法及系统 |
| CN114090762A (zh) * | 2022-01-21 | 2022-02-25 | 浙商期货有限公司 | 一种期货领域的自动问答方法和系统 |
| CN117891929A (zh) * | 2024-03-18 | 2024-04-16 | 南京华飞数据技术有限公司 | 改进型深度学习算法的知识图谱智能问答信息识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018149326A1 (zh) * | 2017-02-16 | 2018-08-23 | 阿里巴巴集团控股有限公司 | 一种自然语言问句答案的生成方法、装置及服务器 |
| CN108509519A (zh) * | 2018-03-09 | 2018-09-07 | 北京邮电大学 | 基于深度学习的通用知识图谱增强问答交互系统及方法 |
| US20190065576A1 (en) * | 2017-08-23 | 2019-02-28 | Rsvp Technologies Inc. | Single-entity-single-relation question answering systems, and methods |
| US20200134032A1 (en) * | 2018-10-31 | 2020-04-30 | Microsoft Technology Licensing, Llc | Constructing structured database query language statements from natural language questions |
| CN111506722A (zh) * | 2020-06-16 | 2020-08-07 | 平安科技（深圳）有限公司 | 基于深度学习技术的知识图谱问答方法、装置及设备 |
| CN111598702A (zh) * | 2020-04-14 | 2020-08-28 | 徐佳慧 | 一种基于知识图谱的风险投资语义搜索的方法 |
-
2020
- 2020-12-11 CN CN202011446662.3A patent/CN112765310A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018149326A1 (zh) * | 2017-02-16 | 2018-08-23 | 阿里巴巴集团控股有限公司 | 一种自然语言问句答案的生成方法、装置及服务器 |
| US20190065576A1 (en) * | 2017-08-23 | 2019-02-28 | Rsvp Technologies Inc. | Single-entity-single-relation question answering systems, and methods |
| CN108509519A (zh) * | 2018-03-09 | 2018-09-07 | 北京邮电大学 | 基于深度学习的通用知识图谱增强问答交互系统及方法 |
| US20200134032A1 (en) * | 2018-10-31 | 2020-04-30 | Microsoft Technology Licensing, Llc | Constructing structured database query language statements from natural language questions |
| CN111598702A (zh) * | 2020-04-14 | 2020-08-28 | 徐佳慧 | 一种基于知识图谱的风险投资语义搜索的方法 |
| CN111506722A (zh) * | 2020-06-16 | 2020-08-07 | 平安科技（深圳）有限公司 | 基于深度学习技术的知识图谱问答方法、装置及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 康准等: "基于知识图谱的生物学科知识问答系统", 软件工程, no. 2, pages 15 - 19 * |
| 陈琛: "基于BiGRU＿CRF模型的医疗领域命名实体识别", 电子技术与软件工程, no. 14, pages 186 - 188 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113254629A (zh) * | 2021-06-07 | 2021-08-13 | 重庆第二师范学院 | 一种基于人工智能的学习内容推荐方法及系统 |
| CN113254629B (zh) * | 2021-06-07 | 2022-07-26 | 重庆第二师范学院 | 一种基于人工智能的学习内容推荐方法及系统 |
| CN114090762A (zh) * | 2022-01-21 | 2022-02-25 | 浙商期货有限公司 | 一种期货领域的自动问答方法和系统 |
| CN117891929A (zh) * | 2024-03-18 | 2024-04-16 | 南京华飞数据技术有限公司 | 改进型深度学习算法的知识图谱智能问答信息识别方法 |
| CN117891929B (zh) * | 2024-03-18 | 2024-05-17 | 南京华飞数据技术有限公司 | 改进型深度学习算法的知识图谱智能问答信息识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10698977B1 (en) | System and methods for processing fuzzy expressions in search engines and for information extraction | |
| KR101858206B1 (ko) | 지능형 챗봇 기반 대화형 현장 지원 서비스 제공 방법 | |
| CN113495900B (zh) | 基于自然语言的结构化查询语言语句获取方法及装置 | |
| CN112765310A (zh) | 一种基于深度学习与相似度匹配的知识图谱问答的方法 | |
| CN109408622A (zh) | 语句处理方法及其装置、设备和存储介质 | |
| CN116737915B (zh) | 基于知识图谱的语义检索方法、装置、设备及存储介质 | |
| CN111061828B (zh) | 一种数字图书馆知识检索方法及装置 | |
| CN111339277A (zh) | 基于机器学习的问答交互方法及装置 | |
| US20220121668A1 (en) | Method for recommending document, electronic device and storage medium | |
| CN116244410B (zh) | 一种基于知识图谱和自然语言的指标数据分析方法及系统 | |
| US9886480B2 (en) | Managing credibility for a question answering system | |
| CN112507089A (zh) | 一种基于知识图谱的智能问答引擎及其实现方法 | |
| CN117251455A (zh) | 一种基于大模型的智能报表生成方法及其系统 | |
| CN112182150A (zh) | 基于多元数据的聚合检索方法、装置、设备及存储介质 | |
| CN111400464B (zh) | 一种文本生成方法、装置、服务器及存储介质 | |
| CN118113852A (zh) | 一种金融问题解答方法、装置、设备、系统、介质及产品 | |
| CN114090777A (zh) | 文本数据处理方法及装置 | |
| CN111126073B (zh) | 语义检索方法和装置 | |
| CN111460119B (zh) | 经济知识智能问答方法、系统及智能设备 | |
| CN106055702B (zh) | 一种面向互联网的数据服务统一描述方法 | |
| CN116361428A (zh) | 一种问答召回方法、装置和存储介质 | |
| CN116049213A (zh) | 表格文档的关键词检索方法及电子设备 | |
| CN111368036B (zh) | 用于搜索信息的方法和装置 | |
| CN111291248A (zh) | 一种基于智能坐席知识库的搜索方法及系统 | |
| CN116340481B (zh) | 自动回复提问的方法及装置、计算机可读存储介质、终端 |
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 |