CN113449117B - 一种基于Bi-LSTM和中文知识图谱的复合问答方法 - Google Patents

一种基于Bi-LSTM和中文知识图谱的复合问答方法 Download PDF

Info

Publication number
CN113449117B
CN113449117B CN202110701932.9A CN202110701932A CN113449117B CN 113449117 B CN113449117 B CN 113449117B CN 202110701932 A CN202110701932 A CN 202110701932A CN 113449117 B CN113449117 B CN 113449117B
Authority
CN
China
Prior art keywords
sub
question
compound
answers
answer
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
Application number
CN202110701932.9A
Other languages
English (en)
Other versions
CN113449117A (zh
Inventor
刘玮
兰剑
陈灯
王宁
华鑫
张俊杰
胡杨杨
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.)
Wuhan Institute of Technology
Original Assignee
Wuhan Institute of Technology
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 Wuhan Institute of Technology filed Critical Wuhan Institute of Technology
Priority to CN202110701932.9A priority Critical patent/CN113449117B/zh
Publication of CN113449117A publication Critical patent/CN113449117A/zh
Application granted granted Critical
Publication of CN113449117B publication Critical patent/CN113449117B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06F40/30—Semantic analysis
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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 Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种基于Bi‑LSTM和中文知识图谱的复合问答方法，通过将语义解析技术改进并引入问答系统，使用基于深度学习的复合问句分解方法，将复杂的长难句改写为多个简单句并分别作答，提高了语义解析技术对复合问题的处理能力，实现了解析复合自然语言问句和生成复合自然语言答案的功能，提高了问答系统的智能理解能力、准确率，使问答系统处理复合问句的过程具有可解释性，丰富了原复合问句的语义信息，去除了原复合问句的冗余信息，解决了难以回答句式结构复杂、主题多样复杂问句的问题和复合答案生成中的答案信息丢失的问题。

Description

一种基于Bi-LSTM和中文知识图谱的复合问答方法
技术领域
本发明属于计算机人工智能应用技术领域，具体涉及一种基于Bi-LSTM和中文知识图谱的复合问答方法。
背景技术
问答系统(Question Answering System，QA)建立了自然语言与机器语言的沟通桥梁，作为人机交互的重要途径，其本质是一种高级信息检索形式，可以帮助用户从海量知识中提取相关信息。随着人工智能的高速发展和广泛普及，问答系统作为一种人工智能的表现形式，被广泛应用于法律推荐、医疗诊断、搜索引擎、客服等行业中。
传统的问答系统仅能对句长较短、主题单一的简单问句进行准确回答，而对于较复杂的问句无法有效理解和回答，其原因在于语义解析技术的不足。传统问句解析方法主要由三部分组成：一是意图识别，识别用户的目的，以确定答案搜索的领域。二是关键信息提取，通过机器学习等方法，识别问句中实体、实体关系等关键信息，作为答案搜索的基本依据。三是信息增强，从外源知识中提取与问句相关的信息，扩展答案搜索的范围。然而此种解析方法无法满足理解复杂长难句的需求，其原因有三点：在较长的问句中，关键信息较多，使用神经网络模型进行实体抽取时会遗漏关键信息；长难句中的三元组匹配度差，导致无法在知识图谱中进行实体、实体关系搜索；当前问句解析方法无法从句式的角度理解长难句，导致面对复杂的问句结构时，无法构筑针对性答案。
发明内容
本发明要解决的技术问题是：提供一种基于Bi-LSTM和中文知识图谱的复合问答方法，用于解析复合自然语言问句和生成复合自然语言答案。
本发明为解决上述技术问题所采取的技术方案为：一种基于Bi-LSTM和中文知识图谱的复合问答方法，包括以下步骤：
S01：向问答系统输入复合问题；
S02：采用Bi-LSTM模型解析复合问题并分解为n个子问题；
S03：将n个子问题组成子问题集；
S04：提取并分析子问题集的第n个子问题的关键信息；
S05：根据第n个子问题的关键信息在中文知识图谱中搜索答案；
S06：在问答系统返回的多个相关的子答案中抽取m个子答案；
S07：将m个子答案组成第n个子问题对应的答案集；
S08：对答案集中的所有答案进行摘要得到答案集的摘要答案，将摘要答案作为第n个子问题对应的子答案；
S09：重复步骤S04～S08直至子问题集遍历完成；
S10：合并每个子问题对应的子答案，得到原复合问题的子答案集；
S11：将子答案集中的答案组合生成原复合问句的最终答案。
按上述方案，所述的步骤S02中，具体步骤为：
S021：采用Bi-LSTM模型将复合问题分类为嵌套类复合问题、句法并列类复合问题、修饰并列类复合问题、域约束修饰类复合问题、冗余类复合问题；
S022：按复合问句的种类选择对应的问题解析方法，将复合问句分解为n个子问题。
进一步的，所述的步骤S021中，具体步骤为：
S0211：按从前往后和从后往前两种方向采用Bi-LSTM模型将复合问题的词序列编码为词向量；
S0212：将两种方向的编码的最后一个隐藏向量拼接起来作为复合问题的向量；
S0213：通过线性分类器分类复合问题的向量；
S0214：通过Softmax函数将分类后的向量归一化为取相应类别标签的概率，概率最大的标签则为复合问题的类型。
进一步的，所述的步骤S0211中，具体步骤为：采用随机初始化方法进行词嵌入，设词向量的维度为256，学习率为10-3；
所述的步骤S0212中，具体步骤为：在进行问句分类训练时，设记忆单元模块LSTM的隐藏层维度为300。
进一步的，所述的步骤S021中，
嵌套类复合问题包括多层子问题，Q＝{SubQ1、SubQ2}，作答方向为从内层向外；取所有子答案的交集SubA2＝SubA1∩SubQ2，作为答案A＝SubA2；
句法并列类复合问题包括多个独立的子问题，Q＝{SubQ1、SubQ2}；取所有子答案的并集为答案A＝SubA1∪SubA2；
修饰并列类复合问题采用多个修饰词对同一对象进行约束，Q＝{SubQ1、SubQ2}；取所有子答案的交集为答案A＝SubA1∩SubA2；
域约束修饰类复合问题包括被同一约束成分支配的多个子问题，Q＝{SubQ1、SubQ2}；提取关键词并在中文知识图谱中搜索子答案SubA1＝C∩SubQ1，SubA2＝C∩SubQ2；取所有子答案的交集为答案A＝SubA1∩SubA2；
冗余类复合问题在去除冗余信息后仍能得到原问句答案，数学表达式为Q＝{SubQ1}，SubQ1＝Q-R，A＝SubA1。
进一步的，所述的步骤S021中，具体步骤为：
若复合问题为域约束修饰类复合问题，则采用端到端模型Seq2seq进行端到端问句分解；
若复合问题为原子类问题，则判断输入问答系统的为非复合问题。
按上述方案，所述的步骤S04中，具体步骤为：
S041：对子问题进行分类；
S042：提取第n个子问题的关键信息，包括实体和实体关系信息；
S043：拓展第n个子问题的关键信息。
按上述方案，所述的步骤S06中，具体步骤为：
S061：在问答系统返回的多个相关的子答案中查找候选答案；
S062：对候选答案进行权重排序；
S063：返回m个子答案。
按上述方案，所述的步骤S11中，具体步骤为：
S111：对子答案集中的子答案进行语义融合；
S112：合并子答案集中的子答案；
S113：对合并后的答案进行语义消歧。
一种计算机存储介质，其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行一种基于Bi-LSTM和中文知识图谱的复合问答方法。
本发明的有益效果为：
1.本发明的一种基于Bi-LSTM和中文知识图谱的复合问答方法，通过将语义解析技术改进并引入问答系统，使用基于深度学习的复合问句分解方法，将复杂的长难句改写为多个简单句并分别作答，提高了语义解析技术对复合问题的处理能力，实现了解析复合自然语言问句和生成复合自然语言答案的功能。
2.本发明增强了传统问答系统智能理解能力、提高问答系统的准确率，使得问答系统处理复合问句的过程具有可解释性，丰富了原复合问句的语义信息，有效比较并结合多种数据来源去除原复合事实型问句中的冗余信息，解决了复杂问句难以被回答的问题。
3.本发明通过解析复合问句和生成复合答案处理复杂的自然语言问题，使得问答系统能够准确回答句式结构复杂、主题多样的复合问句，提高了问答系统回答中文复合问题的能力。
4.本发明采用基于机器阅读理解摘要思想的复合答案生成方法有效解决了复合答案生成中的答案信息丢失的问题。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的Bi-LSTM模型结构图。
图3为本发明实施例的Seq2seq模型结构图。
具体实施方式
本发明提出了问答系统中针对复合事实型语句的智能解析与生成技术，结合中文问句的句型结构和逻辑结构，将复杂的中文问句分为多种类别，并针对不同类别制定符合其逻辑规律的分解方法，将复杂的中文问句拆分为多个符合知识抽取三元组结构的子问句，使知识图谱搜索更加准确；知识图谱返回多个相关答案构成子答案集，复合答案生成方法将子答案集中的相关信息进行中心思想摘要并生成复合答案。
下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1，本发明的一种基于Bi-LSTM和中文知识图谱的复合问答方法，包括以下步骤：
S01：问答系统接收用户输入的复杂问题；
S02：对复合问句进行分类解析，利用Bi-LSTM模型确定复合问句的种类；
S03：依照复合问句种类，选择对应的问句解析方法，将复合问句分解为多个子问题，并组成子问题集；
S04：对于子问题集中的一个问题，提取该子问题中的实体、实体关系信息；
S05：通过子问题中的关键信息在中文知识图谱中进行答案搜索；
S06：问答系统返回多个相关的子答案，组成该子问题对应的答案集；
S07：对答案集中的所有答案进行摘要，得到答案集的摘要答案，将该摘要答案作为子问题对应的子答案；
S08：重复S04-S07直至子问题集遍历完成；
S09：将每个子问题对应的答案集进行合并，得到原复合问题的子答案集；
S10：将子答案集中的答案组合为原复合问句的最终答案。
实施例：
一、场景描述
用户向复合问答系统提交复合问题：“被林木遮挡的农村宅基地、设施农用地、坑塘或沟渠等非林地图斑，根据影像无法判定地类，应如何调查？”
二、具体步骤
如图1所示，基于Bi-LSTM和中文知识图谱的复合问答实现方法，包括下列步骤：
步骤1：问答系统接收用户输入的问题为：“被林木遮挡的农村宅基地、设施农用地、坑塘或沟渠等非林地图斑，根据影像无法判定地类，应如何调查？”
步骤2：利用基于Bi-LSTM模型实现问句分类技术，将用户输入复合问句归类为一下五种之一，Bi-LSTM模型如图2所示，双向LSTM模型将输入的词序列表示为词向量的形式，以从前往后和从后往前两种方式使用LSTM编码，该方法能够长期记忆词汇的两个方向的信息，并消除了前馈模型具有的有限的上下文的问题，然后，将两种方向编码的最后一个隐藏向量拼接起来作为问句的向量，该向量通过线性分类器进行分类，再通过Softmax函数归一化为取相应类别标签的概率，概率最大的标签则为该问句类型，在问句分类训练时，设置其中记忆单元模块(LSTM)的隐藏层维度为300，词嵌入时采用随机初始化方法，其中词向量的维度为256，学习率为10-3。
复合问句分类表如下所示，通过问句分类方法可知原复合问句为域约束修饰类，此时可得到约束域C为“被林木遮挡的”；
步骤3：根据域约束修饰类的数学表示，利用端到端模型Seq2seq进行端到端问句分解，将其分解为两个子问句：
SubQ1：被林木遮挡的非林地图斑，根据影像无法判定地类，应如何调查？
SubQ2：被林木遮挡的农村宅基地、设施农用地、坑塘或沟渠等非林地图斑，应如何调查？此时，子问题集Q＝{SubQ1、SubQ2}；
步骤4：遍历子问题集中的问题，选择第一个子问题SubQ1，提取其关键词并在中文知识图谱中进行答案搜索，SubA1＝C∩SubQ1，得到对应的子答案SubA1：
SubA1：按实地现状调查，并按要求拍摄举证照片；
步骤5：遍历子问题集中的问题，选择第二个子问题SubQ2，提取其关键词并在中文知识图谱中进行答案搜索，SubA2＝C∩SubQ2得到对应的子答案SubA2：
SubA2：若航片上可以反映树下的农村宅基地、设施农用地、坑塘或沟渠，地方可用航片替代举证照片；
步骤6：重复步骤4中的操作，直至子问题集Q遍历完成，此时存在两个子答案SubA1和SubA2，组合两个子答案得到子答案集；
步骤7：将子答案集中的答案按照其数学表示A＝SubA1∩SubA2，组合为最终答案：
A：按实地现状调查，并按要求拍摄举证照片。若航片上可以反映树下的农村宅基地、设施农用地、坑塘或沟渠，地方可用航片替代举证照片。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (9)

1.一种基于Bi-LSTM和中文知识图谱的复合问答方法，其特征在于：包括以下步骤：
S01：向问答系统输入复合问题；
S02：采用Bi-LSTM模型解析复合问题并分解为n个子问题；具体步骤为：
S021：采用Bi-LSTM模型将复合问题分类为嵌套类复合问题、句法并列类复合问题、修饰并列类复合问题、域约束修饰类复合问题、冗余类复合问题；
嵌套类复合问题是能够拆分为多层子问题的问题；
句法并列类复合问题是能够拆分为多个独立的子问题的问题；
修饰并列类复合问题是多个修饰词对同一对象进行约束的问题；
域约束修饰类复合问题是多个子问题被同一约束成分支配的问题；
冗余类复合问题是去除冗余信息，仍能得到原问句答案的问题；
S022：按复合问题的种类选择对应的问题解析方法，将复合问题分解为n个子问题；
S03：将n个子问题组成子问题集；
S04：提取并分析子问题集的第i个子问题的关键信息，i=1，2，…，n；
S05：根据第i个子问题的关键信息在中文知识图谱中搜索答案；
S06：在问答系统返回的多个相关的子答案中抽取m个子答案；
S07：将m个子答案组成第i个子问题对应的答案集；
S08：对答案集中的所有答案进行摘要得到答案集的摘要答案，将摘要答案作为第i个子问题对应的子答案；
S09：重复步骤S04～S08直至子问题集遍历完成；
S10：合并每个子问题对应的子答案，得到原复合问题的子答案集；
S11：将子答案集中的答案组合生成原复合问题的最终答案。
2.根据权利要求1所述的一种基于Bi-LSTM和中文知识图谱的复合问答方法，其特征在于：所述的步骤S021中，具体步骤为：
S0211：按从前往后和从后往前两种方向采用Bi-LSTM模型将复合问题的词序列编码为词向量；
S0212：将两种方向的编码的最后一个隐藏向量拼接起来作为复合问题的向量；
S0213：通过线性分类器分类复合问题的向量；
S0214：通过Softmax函数将分类后的向量归一化为取相应类别标签的概率，概率最大的标签则为复合问题的类型。
3.根据权利要求2所述的一种基于Bi-LSTM和中文知识图谱的复合问答方法，其特征在于：
所述的步骤S0211中，具体步骤为：采用随机初始化方法进行词嵌入，设词向量的维度为256，学习率为10-3；
所述的步骤S0212中，具体步骤为：在进行问句分类训练时，设记忆单元模块LSTM的隐藏层维度为300。
4.根据权利要求1所述的一种基于Bi-LSTM和中文知识图谱的复合问答方法，其特征在于：所述的步骤S021中，
嵌套类复合问题包括多层子问题，Q={SubQ1、SubQ2}，作答方向为从内层向外；取所有子答案的交集SubA2=SubA1∩SubQ2，作为答案A=SubA2；
句法并列类复合问题包括多个独立的子问题，Q={SubQ1、SubQ2}；取所有子答案的并集为答案A=SubA1∪SubA2；
修饰并列类复合问题采用多个修饰词对同一对象进行约束，Q={SubQ1、SubQ2}；取所有子答案的交集为答案A=SubA1∩SubA2；
域约束修饰类复合问题包括被同一约束成分支配的多个子问题，Q={SubQ1、SubQ2}；提取关键词并在中文知识图谱中搜索子答案SubA1=C∩SubQ1，SubA2=C∩SubQ2；取所有子答案的交集为答案A=SubA1∩SubA2；
冗余类复合问题在去除冗余信息后仍能得到原问句答案，数学表达式为Q={SubQ1}，SubQ1=Q-R，A=SubA1。
5.根据权利要求4所述的一种基于Bi-LSTM和中文知识图谱的复合问答方法，其特征在于：所述的步骤S021中，具体步骤为：
若复合问题为域约束修饰类复合问题，则采用端到端模型Seq2seq进行端到端问句分解；
若复合问题为原子类问题，则判断输入问答系统的为非复合问题。
6.根据权利要求1所述的一种基于Bi-LSTM和中文知识图谱的复合问答方法，其特征在于：所述的步骤S04中，具体步骤为：
S041：对子问题进行分类；
S042：提取第i个子问题的关键信息，包括实体和实体关系信息；
S043：拓展第i个子问题的关键信息。
7.根据权利要求1所述的一种基于Bi-LSTM和中文知识图谱的复合问答方法，其特征在于：所述的步骤S06中，具体步骤为：
S061：在问答系统返回的多个相关的子答案中查找候选答案；
S062：对候选答案进行权重排序；
S063：返回m个子答案。
8.根据权利要求1所述的一种基于Bi-LSTM和中文知识图谱的复合问答方法，其特征在于：所述的步骤S11中，具体步骤为：
S111：对子答案集中的子答案进行语义融合；
S112：合并子答案集中的子答案；
S113：对合并后的答案进行语义消歧。
9.一种计算机存储介质，其特征在于：其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行如权利要求1至权利要求8中任意一项所述的一种基于Bi-LSTM和中文知识图谱的复合问答方法。
CN202110701932.9A 2021-06-24 2021-06-24 一种基于Bi-LSTM和中文知识图谱的复合问答方法 Active CN113449117B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110701932.9A CN113449117B (zh) 2021-06-24 2021-06-24 一种基于Bi-LSTM和中文知识图谱的复合问答方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110701932.9A CN113449117B (zh) 2021-06-24 2021-06-24 一种基于Bi-LSTM和中文知识图谱的复合问答方法

Publications (2)

Publication Number Publication Date
CN113449117A CN113449117A (zh) 2021-09-28
CN113449117B true CN113449117B (zh) 2023-09-26

Family

ID=77812414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110701932.9A Active CN113449117B (zh) 2021-06-24 2021-06-24 一种基于Bi-LSTM和中文知识图谱的复合问答方法

Country Status (1)

Country Link
CN (1) CN113449117B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020030545A (ko) * 2000-10-18 2002-04-25 남 데이비드 이 인공지능과 자연어처리 기술에 기반한 자연어 문장형질문에 대한 자동 해답 및 검색 제공 방법
CN101118554A (zh) * 2007-09-14 2008-02-06 中兴通讯股份有限公司 智能交互式问答系统及其处理方法
JP2014120053A (ja) * 2012-12-18 2014-06-30 Nippon Telegr & Teleph Corp <Ntt> 質問応答装置、方法、及びプログラム
CN104298658A (zh) * 2014-10-29 2015-01-21 百度在线网络技术（北京）有限公司 获取搜索结果的方法和装置
CN105159996A (zh) * 2015-09-07 2015-12-16 百度在线网络技术（北京）有限公司 基于人工智能的深度问答服务提供方法和装置
CN106599215A (zh) * 2016-12-16 2017-04-26 广州索答信息科技有限公司 一种基于深度学习的问句生成方法和问句生成系统
CN106649258A (zh) * 2016-09-22 2017-05-10 北京联合大学 一种智能的问答系统
CN107885844A (zh) * 2017-11-10 2018-04-06 南京大学 基于分类检索的自动问答方法及系统
CN108052547A (zh) * 2017-11-27 2018-05-18 华中科技大学 基于问句和知识图结构分析的自然语言问答方法及系统
CN108108449A (zh) * 2017-12-27 2018-06-01 哈尔滨福满科技有限责任公司 一种面向医疗领域的基于多源异构数据问答系统及该系统的实现方法
CN109284363A (zh) * 2018-12-03 2019-01-29 北京羽扇智信息科技有限公司 一种问答方法、装置、电子设备及存储介质
CN109684448A (zh) * 2018-12-17 2019-04-26 北京北大软件工程股份有限公司 一种智能问答方法
CN112329435A (zh) * 2020-11-27 2021-02-05 腾讯科技（深圳）有限公司 文本处理方法、装置、计算机设备以及存储介质
WO2021109690A1 (zh) * 2020-06-17 2021-06-10 平安科技（深圳）有限公司 多类型问题智能问答方法、系统、设备及可读存储介质
CN112989005A (zh) * 2021-04-16 2021-06-18 重庆中国三峡博物馆 一种基于分阶段查询的知识图谱常识问答方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4635659B2 (ja) * 2005-03-14 2011-02-23 富士ゼロックス株式会社 質問応答システム、およびデータ検索方法、並びにコンピュータ・プログラム
US10262062B2 (en) * 2015-12-21 2019-04-16 Adobe Inc. Natural language system question classifier, semantic representations, and logical form templates

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020030545A (ko) * 2000-10-18 2002-04-25 남 데이비드 이 인공지능과 자연어처리 기술에 기반한 자연어 문장형질문에 대한 자동 해답 및 검색 제공 방법
CN101118554A (zh) * 2007-09-14 2008-02-06 中兴通讯股份有限公司 智能交互式问答系统及其处理方法
JP2014120053A (ja) * 2012-12-18 2014-06-30 Nippon Telegr & Teleph Corp <Ntt> 質問応答装置、方法、及びプログラム
CN104298658A (zh) * 2014-10-29 2015-01-21 百度在线网络技术（北京）有限公司 获取搜索结果的方法和装置
CN105159996A (zh) * 2015-09-07 2015-12-16 百度在线网络技术（北京）有限公司 基于人工智能的深度问答服务提供方法和装置
CN106649258A (zh) * 2016-09-22 2017-05-10 北京联合大学 一种智能的问答系统
CN106599215A (zh) * 2016-12-16 2017-04-26 广州索答信息科技有限公司 一种基于深度学习的问句生成方法和问句生成系统
CN107885844A (zh) * 2017-11-10 2018-04-06 南京大学 基于分类检索的自动问答方法及系统
CN108052547A (zh) * 2017-11-27 2018-05-18 华中科技大学 基于问句和知识图结构分析的自然语言问答方法及系统
CN108108449A (zh) * 2017-12-27 2018-06-01 哈尔滨福满科技有限责任公司 一种面向医疗领域的基于多源异构数据问答系统及该系统的实现方法
CN109284363A (zh) * 2018-12-03 2019-01-29 北京羽扇智信息科技有限公司 一种问答方法、装置、电子设备及存储介质
CN109684448A (zh) * 2018-12-17 2019-04-26 北京北大软件工程股份有限公司 一种智能问答方法
WO2021109690A1 (zh) * 2020-06-17 2021-06-10 平安科技（深圳）有限公司 多类型问题智能问答方法、系统、设备及可读存储介质
CN112329435A (zh) * 2020-11-27 2021-02-05 腾讯科技（深圳）有限公司 文本处理方法、装置、计算机设备以及存储介质
CN112989005A (zh) * 2021-04-16 2021-06-18 重庆中国三峡博物馆 一种基于分阶段查询的知识图谱常识问答方法及系统

Also Published As

Publication number Publication date
CN113449117A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN111488734B (zh) 基于全局交互和句法依赖的情感特征表示学习系统及方法
CN111046132A (zh) 一种检索多轮对话的客服问答处理方法及其系统
CN111639171A (zh) 一种知识图谱问答方法及装置
CN108595708A (zh) 一种基于知识图谱的异常信息文本分类方法
CN109325040B (zh) 一种faq问答库泛化方法、装置及设备
CN109460459B (zh) 一种基于日志学习的对话系统自动优化方法
CN111782768B (zh) 基于双曲空间表示和标签文本互动的细粒度实体识别方法
US10706356B1 (en) System and method for understanding human level meaning using a 9-dimensional hypercube of cognitive frames
CN111339281A (zh) 一种多视角融合的阅读理解选择题的答案选择方法
CN113282711B (zh) 一种车联网文本匹配方法、装置、电子设备及存储介质
CN116992005B (zh) 基于大模型及本地知识库的智能对话方法、系统及设备
CN117033571A (zh) 知识问答系统构建方法及系统
CN112287090A (zh) 一种基于知识图谱的金融问题反问方法及系统
CN110413992A (zh) 一种语义分析识别方法、系统、介质和设备
CN115982338B (zh) 一种基于查询路径排序的领域知识图谱问答方法及系统
CN115310551A (zh) 文本分析模型训练方法、装置、电子设备和存储介质
Kiyak et al. Comparison of image-based and text-based source code classification using deep learning
CN111522963A (zh) 一种基于公安知识图谱引擎的智能助理应用交互方法
CN114282592A (zh) 一种基于深度学习的行业文本匹配模型方法及装置
CN114372454A (zh) 文本信息抽取方法、模型训练方法、装置及存储介质
CN113449117B (zh) 一种基于Bi-LSTM和中文知识图谱的复合问答方法
CN111783425A (zh) 基于句法分析模型的意图识别方法及相关装置
CN115759043A (zh) 一种文档级敏感信息检测模型训练及预测方法
CN113066358B (zh) 理科教学辅助系统
CN115359486A (zh) 一种文档图像中自定义信息的确定方法及系统

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