CN113051390B - 知识库构建方法、装置、电子设备和介质 - Google Patents
知识库构建方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113051390B CN113051390B CN201911366607.0A CN201911366607A CN113051390B CN 113051390 B CN113051390 B CN 113051390B CN 201911366607 A CN201911366607 A CN 201911366607A CN 113051390 B CN113051390 B CN 113051390B
- Authority
- CN
- China
- Prior art keywords
- candidate
- questions
- question
- knowledge base
- webpage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000009411 base construction Methods 0.000 title claims abstract description 47
- 238000001914 filtration Methods 0.000 claims abstract description 46
- 230000015654 memory Effects 0.000 claims description 25
- 238000013145 classification model Methods 0.000 claims description 17
- 238000005315 distribution function Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 208000024891 symptom Diseases 0.000 description 8
- 210000001685 thyroid gland Anatomy 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 208000024799 Thyroid disease Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000021510 thyroid gland disease Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种知识库构建方法、装置、电子设备和介质，涉及知识库领域。具体实现方案为：从目标领域的网页中提取候选问题；根据候选问题，将网页划分为网页内容块；从网页内容块中，确定候选问题的候选答案，以得到候选问答对；根据候选问题和/或候选答案，对候选问答对进行过滤，并根据过滤结果构建目标领域的知识库。本申请通过从目标领域的网页中提取候选问题，并根据候选问题将网页划分为网页内容块，从网页内容块中得到候选答案，最终根据候选问题和/或候选答案，对候选问答对进行过滤，得到目标领域知识库，使得相比于依赖于已有问答信息构建知识库，可以丰富知识库包含的数据，从而提升了问答系统的效率、精度和召回率。
Description
技术领域
本申请实施例涉及计算机技术，尤其涉及知识库技术，具体涉及知识库构建方法、装置、电子设备和介质。
背景技术
问答系统是目前人工智能和自然语言处理领域中一个倍受关注并具有广泛发展前景的研究方向，且当今各大互联网公司都在争相研发问答机器人和智能客服等问答系统。根据应用场景和需求的不同，问答系统的建模过程千变万化。而问答系统的核心就在于知识库的建立。
现有的知识库的构建一般依赖于已有问答对信息，这使得知识库规模较小，包含的数据较匮乏，一般只能包括10万多个问答对数据，导致基于现有知识库的问答系统存在效率低下、精度低下且召回率低等缺陷。
发明内容
本申请实施例提供一种知识库构建方法、装置、电子设备和介质，可以解决现有知识库数据较匮乏，导致问答系统的效率、精度和召回率较低的问题。
第一方面，本申请实施例公开了一种知识库构建方法，包括：
从目标领域的网页中提取候选问题；
根据所述候选问题，将所述网页划分为网页内容块；
从所述网页内容块中，确定所述候选问题的候选答案，以得到候选问答对；
根据所述候选问题和/或所述候选答案，对所述候选问答对进行过滤，并根据过滤结果构建所述目标领域的知识库。
上述申请中的一个实施例具有如下优点或有益效果：通过从目标领域的网页中提前候选问题，并根据候选问题将网页划分为网页内容块，从网页内容块中得到候选答案，最终根据候选问题和/或候选答案，对候选问答对进行过滤，得到目标领域知识库，使得相比于依赖于已有问答信息构建知识库，可以丰富知识库包含的数据，从而提升了问答系统的效率、精度和召回率。
可选的，从目标领域的网页中提取候选问题，包括：
获取目标领域的网页，并确定所述网页中段落的主旨句和/或标题，以将所述主旨句和/或标题作为所述候选问题。
上述申请中的一个实施例具有如下优点或有益效果：通过将目标领域网页中主旨句和/或标题作为候选问题，实现了候选问题的确定，并为后续得到候选问答对奠定了基础。
可选的，从所述网页内容块中，确定所述候选问题的候选答案，包括：
从所述网页内容块中提取关键内容，并将所述关键内容作为所述候选问题的候选答案。
上述申请中的一个实施例具有如下优点或有益效果：通过在网页内容块中提取关键内容，并将关键内容作为候选问题的候选答案，实现了候选答案的确定，进而实现了得到候选问答对的技术效果。
可选的，根据所述候选答案，对所述候选问答对进行过滤，包括：
基于行块分布函数，提取所述候选答案的特征；
根据所述候选答案的特征，对所述候选问答对进行过滤。
上述申请中的一个实施例具有如下优点或有益效果：通过基于行块分布函数，提取候选答案特征，并根据候选答案特征对候选问答对过滤，使得候选问答对的质量更高，提高了知识库的可靠性。
可选的，根据所述候选问题，对所述候选问答对进行过滤，包括：
基于知识增强语言表示模型，确定所述候选问题的质量；
根据所述候选问题的质量，对所述候选问答对进行过滤。
上述申请中的一个实施例具有如下优点或有益效果：通过基于知识增强语言表示模型，确定候选问题的质量，并依据质量对候选问答对进行过滤，实现了对低质量候选问题的过滤，减少了低质量候选问题的资源占用，保证了候选问答对的质量，且使得问答系统的匹配效率更高。
可选的，根据所述候选问题，对所述候选问答对进行过滤，包括：
将所述候选问题作为主题分类模型的输入，以确定候选问题的主题；
滤除主题不属于所述目标领域的候选问题，并且滤除该候选问题所属的候选问答对。
上述申请中的一个实施例具有如下优点或有益效果：通过主题分类模型确定候选问题的主题，并滤除不属于目标领域的候选问题以及对应的候选问答对，使得目标领域的知识库只包含目标领域对应的主题的问答对，进而使得基于目标领域的知识库构建的问答系统，其精度以及召回率更高。
可选的，所述主题分类模型的网络结构依次包括输入层、嵌入表示层、长短期记忆网络层、多头注意力层和输出层。
上述申请中的一个实施例具有如下优点或有益效果：通过构建输入层、嵌入表示层、长短期记忆网络层、多头注意力层和输出层，最终得到主题分类模型，使得主题分类模型的分类准确度更高。
可选的，对所述候选问答对进行过滤之后，还包括：
对剩余的候选问题进行意图识别，并对确定的意图进行归一化。
上述申请中的一个实施例具有如下优点或有益效果：通过对剩余的候选问题进行意图识别，并对确定的意图进行归一化，使得问答系统可召回同一意图相关的所有候选答案，提高了问答系统的召回率。
第二方面，本申请实施例还公开了一种知识库构建装置，包括：
候选问题提取模块，用于从目标领域的网页中提取候选问题；
网页内容块划分模块，用于根据所述候选问题，将所述网页划分为网页内容块；
候选问答对获取模块，用于从所述网页内容块中，确定所述候选问题的候选答案，以得到候选问答对；
知识库构建模块，用于根据所述候选问题和/或所述候选答案，对所述候选问答对进行过滤，并根据过滤结果构建所述目标领域的知识库。
第三方面，本申请实施例还公开了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的知识库构建方法。
第四方面，本申请实施例还公开了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请任意实施例所述的知识库构建方法。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的一种知识库构建方法的流程示意图；
图2A是根据本申请第二实施例的一种知识库构建方法的流程示意图；
图2B是根据本申请第二实施例的一种候选问题的示意图；
图2C是根据本申请第二实施例的一种网页内容块的示意图；
图2D是根据本申请第二实施例的一种候选答案的示意图；
图3是根据本申请第三实施例的一种知识库构建装置的结构示意图；
图4是用来实现本申请实施例的知识库构建方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
图1为本申请实施例一提供的一种知识库构建方法的流程示意图。本实施例适用于构建问答系统相关联知识库的情况，可以由本申请实施例提供的知识库构建装置来执行，该装置可以采用软件和/或硬件的方式实现。如图1所示，该方法可以包括：
S101、从目标领域的网页中提取候选问题。
其中，目标领域可根据问答系统所应用的领域来确定，包括但不限于医疗邻域、教育领域、体育领域以及电商领域等。目标领域的网页包括但不限于与目标领域相关的论坛网页、电子社区网页、搜索结果网页以及科普类网页等等。
具体的，利用网页抓取技术，例如爬虫技术，从海量互联网网页中抓取目标领域的网页，进而对网页进行结构解析，最终利用预设的规则从结构解析后的网页中提取候选问题。其中，对网页进行结构解析的方法包括HTMLParser方法，HTMLParser方法主要用于网页元素的转换以及网页内容的抽取，可通过线性和嵌套等方式来解析网页，分析出一段HTML里面的标签、文字、图片和视频等。
可选的，S101包括：获取目标领域的网页，并确定所述网页中段落的主旨句和/或标题，以将所述主旨句和/或标题作为所述候选问题。
通过从目标领域的网页中提取候选问题，实现了从网页中确定候选问题的效果，并为后续确定候选答案得到候选问答对，奠定了基础。
S102、根据所述候选问题，将所述网页划分为网页内容块。
其中，各网页内容块包括的信息共同构成网页包括的信息。网页内容块中包括的信息包括但不限于图片、动图、视频以及文字等。
具体的，将任一候选问题作为界限，将该候选问题前的网页内容以及该候选问题后的网页内容，划分成不同的网页内容块。
示例性的，假设网页中包括候选问题A、候选问题B以及候选问题C，将候选问题A、候选问题B以及候选问题C作为界限对网页内容进行划分，得到网页内容块A、网页内容块B、网页内容块C以及网页内容块D，其中，网页内容块A位于候选问题A之前，网页内容块B位于候选问题A之后且候选问题B之前，网页内容块C位于候选问题B之后且候选问题C之前，网页内容块D位于候选问题C之后。
通过根据候选问题，将所述网页划分为网页内容块，为后续从网页内容块中确定候选问题对应的候选答案，得到候选问答对，奠定了基础。
S103、从所述网页内容块中，确定所述候选问题的候选答案，以得到候选问答对。
具体的，根据网页内容块与候选问题的相对位置关系，将两个候选问题之间的网页内容块作为前一个候选问题关联的网页内容块，从而确定了各候选问题关联的网页内容块，并从关联的网页内容块中进行内容提取，作为各候选问题对应的候选答案，进而得到了候选问答对。
示例性的，假设网页包括候选问题A、候选问题B以及候选问题C，相应的包括网页内容块A、网页内容块B、网页内容块C以及网页内容块D，其中网页内容块A位于候选问题A之前，网页内容块B位于候选问题A之后且候选问题B之前，网页内容块C位于候选问题B之后且候选问题C之前，网页内容块D位于候选问题C之后。则将网页内容块B作为候选问题A关联的网页内容块；将网页内容块C作为候选问题B关联的网页内容块；将网页内容块D作为候选问题C关联的网页内容块。
可选的，S103包括：将所述网页内容块中包括的内容作为所述候选问题的候选答案。可选的，S103还包括：从所述网页内容块中提取关键内容，并将所述关键内容作为所述候选问题的候选答案。
通过从网页内容块中，确定候选问题的候选答案，以得到候选问答对，相比于从已有问答信息中获取候选问答对，可以获取更丰富的候选问答对信息，且为后续对候选问答对进行过滤而最终构建目标领域知识库，奠定了基础。
S104、根据所述候选问题和/或所述候选答案，对所述候选问答对进行过滤，并根据过滤结果构建所述目标领域的知识库。
具体的，各候选问答对包含的候选问题以及候选答案，是直接从网页内容中获取的，而网页内容的质量参差不齐，为了保证根据候选问答对构建的知识库的准确性和可靠性，根据候选问题和/或候选答案，对各候选问答对进行过滤，保留高质量的候选问答对进行知识库构建。
可选的，S104包括：基于行块分布函数，提取所述候选答案的特征；根据所述候选答案的特征，对所述候选问答对进行过滤。
其中，行块分布函数是一种用于网页正文抽取的算法，将候选答案中的html标签、空白行以及空白内容去除，得到文本；再将文本的行按照一定的数量分成一个一个的块；最后对这些块进行分析，找出骤升和骤降的块，进而分析取出候选答案的特征。根据候选答案的特征，以及预先设定的过滤要求，对候选问答对进行过滤。
可选的，S104还包括：基于知识增强语言表示模型，确定所述候选问题的质量；根据所述候选问题的质量，对所述候选问答对进行过滤。
其中，知识增强语言表示模型用于对候选问题进行质量打分，以确定候选问题的质量度与重要性。知识增强语言表示模型具有可持续学习的能力。它通过建模海量数据中的词、实体及实体关系，学习真实世界的语义知识。知识增强语言表示模型直接对先验语义知识单元进行建模，从训练数据中获取了词法、句法和语义等多个维度的自然语言信息，极大地增强了通用语义表示能力。
可选的，S104还包括：将所述候选问题作为主题分类模型的输入，以确定候选问题的主题；滤除主题不属于所述目标领域的候选问题，并且滤除该候选问题所属的候选问答对。
具体的，候选问题的主题必须属于目标领域，例如目标领域为托管行业，则候选问题的主题须为医疗主题，如“高血压可以吃水果吗”对应的主题为医疗主题“高血压”，而“苹果的英文单词是什么”对应的主题则不是医疗主题。通过主题分类模型确定各候选问题的主题，并将主题不属于目标领域的候选问题以及候选问答对滤除。
通过根据候选问题和/或候选答案，对候选问答对进行过滤，并根据过滤结果构建目标领域的知识库，提高了知识库的质量，并且由于候选问答对是从网页中提取的，相比于依赖于已有问答信息构建知识库，可以丰富知识库包含的数据。
本申请实施例提供的技术方案，通过从目标领域的网页中提取候选问题，并根据候选问题将网页划分为网页内容块，从网页内容块中得到候选答案，最终根据候选问题和/或候选答案，对候选问答对进行过滤，得到目标领域知识库，使得相比于依赖于已有问答信息构建知识库，可以丰富知识库包含的数据，从而提升了问答系统的效率、精度和召回率。
在上述实施例的基础上，S104中“对所述候选问答对进行过滤”之后，还包括：
对剩余的候选问题进行意图识别，并对确定的意图进行归一化。
具体的，为了增强问题的多样性，扩大问题的覆盖率，在不改变问题主要语义的情况下，对问题进行意图识别和归一化，这样主题和意图一致的问题均可映射为相同的答案。
可选的，通过字典树检索匹配算法识别出剩余候选问题的意图，并根据剩余候选问题的主题对确定的意图进行归一化。以医疗类主题为例，候选问题的意图包括但不限于：危害、病因、介绍、预防、检查、症状、费用、治疗、诊断、种类、咨询和药物等。
示例性的，例如对于候选问题“甲状腺的症状”、“甲状腺有什么症状”、“甲状腺的病症”、“甲状腺疾病的症状”、“甲状腺症状”和“甲状腺哪些症状”，其主题和意图均为“甲状腺”和“症状”，故均可归一化为问题“甲状腺的症状”，其对应的候选答案也都相同。
通过对剩余的候选问题进行意图识别，并对确定的意图进行归一化，使得问答系统可召回同一意图相关的所有候选答案，提高了问答系统的召回率。
实施例二
图2A为本申请实施例二提供的一种知识库构建方法的流程示意图。本实施例为上述实施例提供了一种具体实现方式，如图2所示，该方法可以包括：
S201、获取目标领域的网页，并确定所述网页中段落的主旨句和/或标题，以将所述主旨句和/或标题作为所述候选问题。
具体的，通过HTMLParser方法对网页进行结构解析，将网页构造成文档树以确定网页中的段落，并通过网页中主旨句和/或标题的标签信息，学习获取网页中主旨句和/或标题的特征，根据主旨句和/或标题的特征提取出网页中段落的主旨句和/或标题，以将主旨句和/或标题作为候选问题。
可选的，如果网页中没有主旨句和/或标题，则将此网页的主标题作为候选问题。
示例性的，图2B为一种候选问题的示意图，其中200为目标领域的网页，201和202分别为网页200包含的候选问题。
S202、根据所述候选问题，将所述网页划分为网页内容块。
示例性的，图2C为一种网页内容块的示意图，其中200为目标领域的网页，201和202分别为网页200包含的候选问题，203和204分别为候选问题201和候选问题202相关联的网页内容块。
S203、从所述网页内容块中提取关键内容，并将所述关键内容作为所述候选问题的候选答案，以得到候选问答对。
其中，关键内容包括关键词、关键句以及主干句等。
具体的，通过包括textrank、pagerank和TF-IDF(term frequency–inversedocument frequency，词频逆文本频率指数)等算法来提取网络内容块中的关键内容，并将关键内容作为对应候选问题的候选答案，以得到候选问答对。
示例性的，图2D为一种候选答案的示意图，其中200为目标领域的网页，201和202分别为网页200包含的候选问题，203和204分别为候选问题201和候选问题202相关联的网页内容块，205和206分别为候选问题201和候选问题202对应的候选答案。
相比对于现有的抽取式方法，通过从网页内容块中提取关键内容，并将关键内容作为候选问题的候选答案，以得到候选问答对，实现了获取多个语义相关性很强的候选问答对的技术效果。
S204、基于行块分布函数，提取所述候选答案的特征，并根据所述候选答案的特征，对所述候选问答对进行过滤。
可选的，根据候选答案的特征，将候选答案中包括非法字符、字符数超过预设字符数以及带有标点符号的候选答案和对应的候选问题过滤。
S205、基于知识增强语言表示模型，确定所述候选问题的质量，并根据所述候选问题的质量，对所述候选问答对进行过滤。
具体的，将候选问题输入到知识增强语言表示模型，首先对候选问题进行预处理得到候选问题的循环神经网络特征及浅层特征，其中浅层特征包括输入长度、疑问词以及n-gram上下文特征等。再根据候选问题的循环神经网络特征及浅层特征对候选问题进行打分，确定候选问题的质量。最终根据预设的分数门限值，对质量低于分数门限值的候选问题以及对应的候选答案进行过滤。
通过根据候选问题的质量，对候选问答对进行过滤，能够过滤掉大量无关紧要的边角问题，减少了低质量候选问题的资源占用，保证了候选问答对的质量，且使得问答系统的匹配效率更高。
S206、将所述候选问题作为主题分类模型的输入，以确定候选问题的主题，并滤除主题不属于所述目标领域的候选问题，并且滤除该候选问题所属的候选问答对。
可选的，主题分类模型的网络结构依次包括输入层、嵌入表示层、长短期记忆网络层、多头注意力层和输出层。
其中，输入层的作用是将候选问题进行文本预处理，例如分词以及依存句法分析等，并抽取预处理后的候选问题的特征，例如相对位置特征、依存句法特征和相对核心谓词依赖特征等。嵌入表示层的作用是将输入层传来的各候选问题的特征进行降维处理，得到更低维度空间的特征，以减少数据的运算量。长短期记忆网络层可选的为双向长短期记忆网络构架，用来将候选问题的特征转化为包括候选问题原特征以及候选问题特征反转特征相结合的形式，这可以为主题分类模型提供额外的上下文，并导致更快以及更充分的学习。
多头注意力层中，首先将长短期记忆网络层的输出向量与候选问题包含的词组进行相似度计算，将相似度值作为各词组对应语义的权重系数，然后对所有词组的语义进行加权求和，即得到候选问题的单头注意力数值。过程可以由如下公式表示：
其中，Lx表示候选问题包含词组的数量，Similarity为相似度计算函数，Query表示长短期记忆网络层的输出向量，Key表示候选问题的词组，Value表示词组的语义。在确定候选问题的单头注意力数值后，再通过k个不同的线性变换对Query、Key以及Value进行投影，得到k组不同的Query、Key以及Value，进而依据k组不同的Query、Key以及Value，执行k次单头注意力数值计算，得到k个不同的单头注意力数值，最终将k个不同的单头注意力数值进行拼接和线性映射，以得到多头注意力数值。多头注意力数值相比单头注意力数值能捕捉到候选问题更丰富的特征和信息。
输出层的作用为计算候选问题属于各主题的条件概率，并选取条件概率最大值所对应的主题作为候选问题的主题。
通过主题分类模型确定候选问题的主题，并滤除不属于目标领域的候选问题以及对应的候选问答对，使得目标领域的知识库只包含目标领域对应的主题的问答对，进而使得基于目标领域的知识库构建的问答系统，其精度以及召回率更高。
S207、根据过滤结果构建所述目标领域的知识库。
本申请实施例提供的技术方案，通过将目标领域网页中主旨句和/或标题作为候选问题，实现了候选问题的确定；通过在网页内容块中提取关键内容，并将关键内容作为候选问题的候选答案，实现了候选答案的确定，相比于依赖于已有问答信息构建知识库，可以丰富知识库包含的数据；通过基于行块分布函数、知识增强语言表示模型、主题分类模型对获取的候选问答对进行筛选，提高了知识库的质量。
实施例三
图3为本申请实施例三提供的一种知识库构建装置30的结构示意图，可执行本申请任一实施例中所提供的一种知识库构建方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置可以包括：
候选问题提取模块31，用于从目标领域的网页中提取候选问题；
网页内容块划分模块32，用于根据所述候选问题，将所述网页划分为网页内容块；
候选问答对获取模块33，用于从所述网页内容块中，确定所述候选问题的候选答案，以得到候选问答对；
知识库构建模块34，用于根据所述候选问题和/或所述候选答案，对所述候选问答对进行过滤，并根据过滤结果构建所述目标领域的知识库。
在上述实施例的基础上，所述候选问题提取模块31，具体用于：
获取目标领域的网页，并确定所述网页中段落的主旨句和/或标题，以将所述主旨句和/或标题作为所述候选问题。
在上述实施例的基础上，所述候选问答对获取模块33，具体用于：
从所述网页内容块中提取关键内容，并将所述关键内容作为所述候选问题的候选答案。
在上述实施例的基础上，所述知识库构建模块34，具体用于：
基于行块分布函数，提取所述候选答案的特征；
根据所述候选答案的特征，对所述候选问答对进行过滤。
在上述实施例的基础上，所述知识库构建模块34，具体还用于：
基于知识增强语言表示模型，确定所述候选问题的质量；
根据所述候选问题的质量，对所述候选问答对进行过滤。
在上述实施例的基础上，所述知识库构建模块34，具体还用于：
将所述候选问题作为主题分类模型的输入，以确定候选问题的主题；
滤除主题不属于所述目标领域的候选问题，并且滤除该候选问题所属的候选问答对。
在上述实施例的基础上，所述主题分类模型的网络结构依次包括输入层、嵌入表示层、长短期记忆网络层、多头注意力层和输出层。
在上述实施例的基础上，所述装置还包括意图识别模块，具体用于：
对剩余的候选问题进行意图识别，并对确定的意图进行归一化。
本申请实施例所提供的一种知识库构建装置30，可执行本申请任一实施例所提供的一种知识库构建方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请任一实施例所提供的一种知识库构建方法。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图4所示，是根据本申请实施例的知识库构建方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。
存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的知识库构建方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的知识库构建方法。
存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的知识库构建方法对应的程序指令/模块(例如，附图3所示的候选问题提取模块31、网页内容块划分模块32、候选问答对获取模块33和知识库构建模块34)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的知识库构建方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据知识库构建的电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至知识库构建的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
知识库构建方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息，以及产生与知识库构建的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过从目标领域的网页中提取候选问题，并根据候选问题将网页划分为网页内容块，从网页内容块中得到候选答案，最终根据候选问题和/或候选答案，对候选问答对进行过滤，得到目标领域知识库，使得相比于依赖于已有问答信息构建知识库，可以丰富知识库包含的数据，从而提升了问答系统的效率、精度和召回率。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (10)
1.一种知识库构建方法，其特征在于，包括：
从目标领域的网页中提取候选问题；
根据所述候选问题，将所述网页划分为网页内容块；
从所述网页内容块中，确定所述候选问题的候选答案，以得到候选问答对；
根据所述候选问题和/或所述候选答案，对所述候选问答对进行过滤，并根据过滤结果构建所述目标领域的知识库；
其中，所述根据所述候选问题，将所述网页划分为网页内容块，包括：
将任一候选问题作为界限，将该候选问题前的网页内容以及该候选问题后的网页内容，划分成不同的网页内容块；
所述根据所述候选答案，对所述候选问答对进行过滤，包括：
基于行块分布函数，提取所述候选答案的特征；
根据所述候选答案的特征，对所述候选问答对进行过滤；
所述根据所述候选问题，对所述候选问答对进行过滤，包括：
基于知识增强语言表示模型，确定所述候选问题的质量；
根据所述候选问题的质量，对所述候选问答对进行过滤；
或者，将所述候选问题作为主题分类模型的输入，以确定候选问题的主题；
滤除主题不属于所述目标领域的候选问题，并且滤除该候选问题所属的候选问答对。
2.根据权利要求1所述的方法，其特征在于，从目标领域的网页中提取候选问题，包括：
获取目标领域的网页，并确定所述网页中段落的主旨句和/或标题，以将所述主旨句和/或标题作为所述候选问题。
3.根据权利要求1所述的方法，其特征在于，从所述网页内容块中，确定所述候选问题的候选答案，包括：
从所述网页内容块中提取关键内容，并将所述关键内容作为所述候选问题的候选答案。
4.根据权利要求1所述的方法，其特征在于，所述主题分类模型的网络结构依次包括输入层、嵌入表示层、长短期记忆网络层、多头注意力层和输出层。
5.根据权利要求1所述的方法，其特征在于，对所述候选问答对进行过滤之后，还包括：
对剩余的候选问题进行意图识别，并根据所述剩余的候选问题的主题和确定的意图，对所述剩余的候选问题进行归一化。
6.一种知识库构建装置，其特征在于，包括：
候选问题提取模块，用于从目标领域的网页中提取候选问题；
网页内容块划分模块，用于根据所述候选问题，将所述网页划分为网页内容块；
候选问答对获取模块，用于从所述网页内容块中，确定所述候选问题的候选答案，以得到候选问答对；
知识库构建模块，用于根据所述候选问题和/或所述候选答案，对所述候选问答对进行过滤，并根据过滤结果构建所述目标领域的知识库；
其中，所述网页内容块划分模块，具体用于：
将任一候选问题作为界限，将该候选问题前的网页内容以及该候选问题后的网页内容，划分成不同的网页内容块；
所述知识库构建模块，具体用于：
基于行块分布函数，提取所述候选答案的特征；
根据所述候选答案的特征，对所述候选问答对进行过滤；
所述知识库构建模块，具体还用于：
基于知识增强语言表示模型，确定所述候选问题的质量；
根据所述候选问题的质量，对所述候选问答对进行过滤；
或者，将所述候选问题作为主题分类模型的输入，以确定候选问题的主题；
滤除主题不属于所述目标领域的候选问题，并且滤除该候选问题所属的候选问答对。
7.根据权利要求6所述的装置，其特征在于，所述候选问题提取模块，具体用于：
获取目标领域的网页，并确定所述网页中段落的主旨句和/或标题，以将所述主旨句和/或标题作为所述候选问题。
8.根据权利要求6所述的装置，其特征在于，所述候选问答对获取模块，具体用于：
从所述网页内容块中提取关键内容，并将所述关键内容作为所述候选问题的候选答案。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的知识库构建方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的知识库构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911366607.0A CN113051390B (zh) | 2019-12-26 | 2019-12-26 | 知识库构建方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911366607.0A CN113051390B (zh) | 2019-12-26 | 2019-12-26 | 知识库构建方法、装置、电子设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113051390A CN113051390A (zh) | 2021-06-29 |
| CN113051390B true CN113051390B (zh) | 2023-09-26 |
Family
ID=76505431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911366607.0A Active CN113051390B (zh) | 2019-12-26 | 2019-12-26 | 知识库构建方法、装置、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113051390B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002007453A (ja) * | 2000-05-05 | 2002-01-11 | Weitekku Development Inc | プラグインフィルタを通してインターネットメッセージをリリースするシステム |
| CN104268192A (zh) * | 2014-09-20 | 2015-01-07 | 广州金山网络科技有限公司 | 一种网页信息提取方法、装置及终端 |
| CN104516949A (zh) * | 2014-12-10 | 2015-04-15 | 北京百度网讯科技有限公司 | 网页数据处理方法和装置、查询处理方法及问答系统 |
| CN104598577A (zh) * | 2015-01-14 | 2015-05-06 | 晶赞广告（上海）有限公司 | 一种网页正文的提取方法 |
| CN104636465A (zh) * | 2015-02-10 | 2015-05-20 | 百度在线网络技术（北京）有限公司 | 网页摘要生成方法、展示方法及相应装置 |
| CN105677764A (zh) * | 2015-12-30 | 2016-06-15 | 百度在线网络技术（北京）有限公司 | 信息提取方法和装置 |
| CN108345672A (zh) * | 2018-02-09 | 2018-07-31 | 平安科技（深圳）有限公司 | 智能应答方法、电子装置及存储介质 |
| CN108415980A (zh) * | 2018-02-09 | 2018-08-17 | 平安科技（深圳）有限公司 | 问答数据处理方法、电子装置及存储介质 |
| CN109460502A (zh) * | 2018-09-14 | 2019-03-12 | 广州神马移动信息科技有限公司 | 答案聚类方法及其装置、电子设备、计算机可读介质 |
| CN109858626A (zh) * | 2019-01-23 | 2019-06-07 | 三角兽（北京）科技有限公司 | 一种知识库构建方法及装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080160490A1 (en) * | 2006-12-29 | 2008-07-03 | Google Inc. | Seeking Answers to Questions |
| US8612445B2 (en) * | 2009-05-13 | 2013-12-17 | Hamid Hatami-Hanza | System and method for a unified semantic ranking of compositions of ontological subjects and the applications thereof |
| US8122042B2 (en) * | 2009-06-26 | 2012-02-21 | Iac Search & Media, Inc. | Method and system for determining a relevant content identifier for a search |
| US9257052B2 (en) * | 2012-08-23 | 2016-02-09 | International Business Machines Corporation | Evaluating candidate answers to questions in a target knowledge domain |
| CN104216913B (zh) * | 2013-06-04 | 2019-01-04 | Sap欧洲公司 | 问题回答方法、系统和计算机可读介质 |
| US9489629B2 (en) * | 2014-12-19 | 2016-11-08 | International Business Machines Corporation | Tailored supporting evidence |
| CN104573028B (zh) * | 2015-01-14 | 2019-01-25 | 百度在线网络技术（北京）有限公司 | 实现智能问答的方法和系统 |
| US11250038B2 (en) * | 2018-01-21 | 2022-02-15 | Microsoft Technology Licensing, Llc. | Question and answer pair generation using machine learning |
-
2019
- 2019-12-26 CN CN201911366607.0A patent/CN113051390B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002007453A (ja) * | 2000-05-05 | 2002-01-11 | Weitekku Development Inc | プラグインフィルタを通してインターネットメッセージをリリースするシステム |
| CN104268192A (zh) * | 2014-09-20 | 2015-01-07 | 广州金山网络科技有限公司 | 一种网页信息提取方法、装置及终端 |
| CN104516949A (zh) * | 2014-12-10 | 2015-04-15 | 北京百度网讯科技有限公司 | 网页数据处理方法和装置、查询处理方法及问答系统 |
| CN104598577A (zh) * | 2015-01-14 | 2015-05-06 | 晶赞广告（上海）有限公司 | 一种网页正文的提取方法 |
| CN104636465A (zh) * | 2015-02-10 | 2015-05-20 | 百度在线网络技术（北京）有限公司 | 网页摘要生成方法、展示方法及相应装置 |
| CN105677764A (zh) * | 2015-12-30 | 2016-06-15 | 百度在线网络技术（北京）有限公司 | 信息提取方法和装置 |
| CN108345672A (zh) * | 2018-02-09 | 2018-07-31 | 平安科技（深圳）有限公司 | 智能应答方法、电子装置及存储介质 |
| CN108415980A (zh) * | 2018-02-09 | 2018-08-17 | 平安科技（深圳）有限公司 | 问答数据处理方法、电子装置及存储介质 |
| CN109460502A (zh) * | 2018-09-14 | 2019-03-12 | 广州神马移动信息科技有限公司 | 答案聚类方法及其装置、电子设备、计算机可读介质 |
| CN109858626A (zh) * | 2019-01-23 | 2019-06-07 | 三角兽（北京）科技有限公司 | 一种知识库构建方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于WEB搜索引擎的中文问答系统;刘庆明;胡艳胜;;科技资讯(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113051390A (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11334635B2 (en) | Domain specific natural language understanding of customer intent in self-help | |
| CN112131366B (zh) | 训练文本分类模型及文本分类的方法、装置及存储介质 | |
| EP3933657A1 (en) | Conference minutes generation method and apparatus, electronic device, and computer-readable storage medium | |
| US10691770B2 (en) | Real-time classification of evolving dictionaries | |
| US20220405484A1 (en) | Methods for Reinforcement Document Transformer for Multimodal Conversations and Devices Thereof | |
| CA3088695C (en) | Method and system for decoding user intent from natural language queries | |
| CN111143576A (zh) | 一种面向事件的动态知识图谱构建方法和装置 | |
| US20160350288A1 (en) | Multilingual embeddings for natural language processing | |
| EP3916579A1 (en) | Method for resource sorting, method for training sorting model and corresponding apparatuses | |
| US20230130006A1 (en) | Method of processing video, method of quering video, and method of training model | |
| CN113392209B (zh) | 一种基于人工智能的文本聚类方法、相关设备及存储介质 | |
| CN113434636B (zh) | 基于语义的近似文本搜索方法、装置、计算机设备及介质 | |
| CN112287069B (zh) | 基于语音语义的信息检索方法、装置及计算机设备 | |
| CN109472022B (zh) | 基于机器学习的新词识别方法及终端设备 | |
| CN113139043B (zh) | 问答样本生成方法、装置、电子设备和存储介质 | |
| CN115203421A (zh) | 一种长文本的标签生成方法、装置、设备及存储介质 | |
| CN112052424B (zh) | 一种内容审核方法及装置 | |
| US20230114673A1 (en) | Method for recognizing token, electronic device and storage medium | |
| CN116402166B (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
| CN110852066B (zh) | 一种基于对抗训练机制的多语言实体关系抽取方法及系统 | |
| CN111813993A (zh) | 视频内容的拓展方法、装置、终端设备及存储介质 | |
| Zhuang et al. | Chinese language processing based on stroke representation and multidimensional representation | |
| CN110222144B (zh) | 文本内容提取方法、装置、电子设备及存储介质 | |
| CN116578697A (zh) | 一种面向金融的语言情感分析和标注方法 | |
| CN114201607B (zh) | 一种信息处理的方法和装置 |
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 |