CN114020885A - 一种基于领域知识图谱和斯坦纳树的智能问答方法 - Google Patents
一种基于领域知识图谱和斯坦纳树的智能问答方法 Download PDFInfo
- Publication number
- CN114020885A CN114020885A CN202111201360.4A CN202111201360A CN114020885A CN 114020885 A CN114020885 A CN 114020885A CN 202111201360 A CN202111201360 A CN 202111201360A CN 114020885 A CN114020885 A CN 114020885A
- Authority
- CN
- China
- Prior art keywords
- question
- answer
- domain knowledge
- dictionary
- knowledge graph
- 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 36
- 230000011218 segmentation Effects 0.000 claims abstract description 61
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/3334—Selection or weighting of terms from queries, including natural language queries
-
- 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
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及一种基于领域知识图谱和斯坦纳树的智能问答方法,属于计算机技术领域。本发明提出的方法包括以下步骤:S1问题分词步骤,构建分词词典和停用词词典,对用户提出的问题进行文本分词,并过滤无意义信息,以获取问题分词序列;S2问答语义子图构建步骤,将问题关键词映射到领域知识图谱中,使用最小斯坦纳树算法得到问答相关的语义子图;S3答案筛选与生成步骤,通过处理问题的关键词信息得到答案类型,再结合领域知识图谱中包含的实体类型对候选答案进行筛选,生成问题的预测答案;S4问答可视化展示步骤,利用基于属性图模型的图形界面,以可视化方式展示出问答语义子图的构建和预测答案生成的过程。该问答方法不需要人工构造模板或数据集,能够快速高效地处理复杂的问题,且可以方便地在各种领域间进行迁移应用。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于领域知识图谱和斯坦纳树的智能问答方法。
背景技术
智能问答是通过在与用户进行交互的过程中,精确定位和理解用户所提出的问题,最终以一问一答的形式给出问题的准确回答。由于用户问题的灵活性,以及自然语言语法的复杂性,很难做到为复杂问题提供精确的回答。早期的问答主要通过构造问答模板的方法来实现,但这种方法需要生成大量的模板,人工处理成本高昂,而且在一个领域中已经构建的问答模板不易直接迁移到另一个新的领域中,可复用性差。目前大部分的研究集中在基于深度学习的方法,以此实现自动化的智能问答系统。但是这种方法需要大量的训练数据集来保证结果的质量,前期需要投入较多的精力和时间。因此需要一种方法,既解决传统基于模板方法的不易移植性,又能够避免深度学习方法的复杂性,综合成本低、可复用、结果可信度高等特点,以此来满足在实际场景中的应用要求。
发明内容
针对已有问答方法的数据集构造成本高且领域移植性差的问题,本发明研制一种基于领域知识图谱和斯坦纳树的智能问答方法。
本发明其特征在于,包括以下步骤:
S1:问题分词步骤,构建分词词典和停用词词典,对用户提出的问题进行文本分词,并过滤无意义信息,以获取问题分词序列;
S2:问答语义子图构建步骤,将问题关键词映射到领域知识图谱中,使用最小斯坦纳树算法得到问答相关的语义子图;
S3:答案筛选与生成步骤,通过处理问题的关键词信息得到答案类型,再结合领域知识图谱中包含的实体类型对候选答案进行筛选,生成问题的预测答案;
S4:问答可视化展示步骤,利用基于属性图模型的图形界面,以可视化方式展示出问答语义子图的构建和预测答案生成的过程。
所述步骤S1的分词词典,包括通用分词词典和领域分词词典。所述通用分词词典,包括语种内的常用词。所述领域分词词典,包括所面向领域内的专业词汇;
所述步骤S1的停用词词典,包括常用停用词词典和专用停用词词典。所述常用停用词词典,包括日常用词和标点符号。所述专用停用词词典,包括所面向领域内的与问答无关的专业字词;
所述步骤S2具体为:将问题分词序列与领域知识图谱中的实体进行匹配,所有匹配到的节点共同构成基准节点集;在领域知识图谱中运行最小斯坦纳树算法,构建包含所有基准节点的最小斯坦纳树,生成问答语义子图,问答语义子图中除基准节点外的所有节点共同构成候选答案节点集;
所述步骤S3具体为:去除问题分词序列中的所有基准节点,得到问题关键词序列,使用Bert模型对问题关键词序列进行分类,判断问题的答案类型;查找领域知识图谱中与答案类型相对应的实体类型,基于类型对候选答案进行筛选,最终得到问题的预测答案。
附图说明
图1为基于领域知识图谱和斯坦纳树的智能问答方法实施流程图。
图2为最小斯坦纳树算法示意图。
图3为构建问答语义子图的示意图。
具体实施方式
为更好地理解本发明,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释发明,并不用于限定发明。
实施例1:图1是本发明基于领域知识图谱和斯坦纳树的智能问答方法的一种具体实施方式流程图。在本实施例中,本发明的基于领域知识图谱和斯坦纳树的智能问答方法包括以下步骤:
S1问题分词步骤,构建分词词典和停用词词典,对用户提出的问题进行文本分词,并过滤无意义信息,以获取问题分词序列。
S2问答语义子图构建步骤,将问题关键词映射到领域知识图谱中,使用最小斯坦纳树算法得到问答相关的语义子图。
S3答案筛选与生成步骤,通过处理问题的关键词信息得到答案类型,再结合领域知识图谱中包含的实体类型对候选答案进行筛选,生成问题的预测答案;
S4问答可视化展示步骤,利用基于属性图模型的图形界面,以可视化方式展示出问答语义子图的构建和预测答案生成的过程。
下面详细说明本发明的每一步骤。
S1问题分词步骤,想要对用户输入的问题进行准确的解析,首要工作就是进行准确的分词。
分词词典是进行文本分词操作过程中一项重要的工具。对于某个具体领域来说,仅使用现有的分词词典会缺失领域内的专业词汇,降低分词的准确度,进而导致问题解析不够准确。本发明根据不同领域具有差异的特点,构建面向领域的分词词典。
本实施例中,分词词典包括通用分词词典和领域分词词典两部分。
所述通用分词词典,指的是问答相关语种的分词词典,包括语种内的所有常用词。
所述领域分词词典,指的是结合所面向领域的背景知识,构建出的具有针对性的分词词典,包括领域内的各种专业词汇,如人名、地名、机构名称等。
分词完成后,考虑到分词结果中可能会存在大量的无意义词汇,对问题解析的价值不大,而且会影响后续问答处理过程的速度和准度,因此需要去除分词结果中的停用词。本发明结合领域性特点,构建面向领域的停用词词典,用以过滤用户问题中的无效信息。
本实施例中,停用词词典包括常用停用词词典和专用停用词词典。
所述常用停用词词典,指的是问答相关语种的停用词词典,包括语种内的日常停用词和标点符号。
所述专用停用词词典,指的是结合所面向领域的背景知识,构建出的具有针对性的停用词词典,包括所面向领域内的价值低、不属于常见停用词且与问答任务无关的专业字词。
根据构建出的分词词典DicT,对用户提出的问题进行文本分词,得到分词结果{WT1,WT2,...,WTn,WS1,WS2,...,WSm};再根据构建出的停用词词典DicS,过滤分词结果中的无意义信息,得到最终的问题分词序列{WT1,WT2,...,WTn}。
S2问答语义子图构建步骤,首先将问题关键词映射到领域知识图谱中形成基准节点,然后使用最小斯坦纳树算法得到问答相关的语义子图。
所述基准节点,指的是将步骤S1形成的问题分词序列{WT1,WT2,...,WTn}中的每一个分词,与领域知识图谱中的所有节点名称进行遍历比较,通过一对一映射得到与其唯一对应的节点。
所有基准节点共同构成了该问题在领域知识图谱中的基准节点集合 {BN1,BN2,...,BNl}。
所述最小斯坦纳树算法,指的是为了将指定点集合中的所有点连通,允许在给定点集外增加额外的点,使得生成的最短网络开销最小的算法。图2为本发明采用的最小斯坦纳树算法的示意图,如图2所示的最小斯坦纳树算法,主要包含了两种状态转移方式:
1)由两个子集合并得到,如公式(1)所示:
f[i][Sl]=f[i][Sx]+f[i][Sy]-w[i],Sx∪Sy=Sl (1)
式(1)中,Sl表示包含l个节点的集合;w[i]表示连通节点i需要付出的代价; f[i][S]表示以节点i为根节点,且已经连接的节点集合为S时,需要付出总代价的最小值。
2)由根节点的转移得到,如公式(2)所示:
f[i][Sl]=f[j][Sl]+w[i] (2)
式(2)中,节点i和节点j为相邻节点。
所述问答相关的语义子图,指的是通过以上最小斯坦纳树算法得到能够连接所有基准节点的最小斯坦纳树后,在知识图谱中对该最小斯坦纳树进行扩充,即添加所有路径节点的直接相连邻居节点后,所得到的连通子图。去除问答相关的语义子图中所有的基准节点后,余下节点共同构成了候选答案节点集合 {CN1,CN2,...,CNk}。
所述路径节点,指的是在连接所有基准节点的最小斯坦纳树中,去除所有基准节点后的余下节点。
S3答案筛选与生成步骤,对步骤S2形成的候选答案节点进行筛选,生成最终的问题答案。
在筛选候选答案时,主要通过对问题的关键词进行判断从而得到答案类型。
所述问题的关键词,指的是对于步骤S1形成的问题分词序列 {WT1,WT2,...,WTn},去除步骤S2中所有基准节点{BN1,BN2,...,BNl}对应的分词后,所形成的关键词集合{WK1,WK2,...,WKp}。
将关键词集合中的所有关键词依次输入使用通用语料集训练好的Bert模型后,得到所有关键词的词向量集合{VK1,VK2,...,VKp},将所有关键词的词向量进行平均加权求和后,计算与自定义的答案类型关键词之间的相似度,取相似度最高的类型作为问题的答案类型。
所述自定义的答案类型,指的是预先定义好的有限类答案的实体类型,如人物、地点和时间等。自定义的答案类型都可以在领域知识图谱中找到唯一的实体类型与其对应。
预测出答案类型后,将其映射到领域知识图谱中,得到对应的实体类型。
通过实体类型对步骤S2中得到的候选答案节点集合{CN1,CN2,...,CNk}进行筛选,取相应类型的候选答案节点所代表的实体,作为问题的最终预测答案。
S4问答可视化展示步骤,基于属性图模型,以点表示实体,以边表示实体之间的关系,通过包含动态图形界面的网页可视化技术,展示出问答语义子图的构建和预测答案生成的过程。
实施例2:本实施例中基于构建好的学科建设领域知识图谱,并通过自己搭建的可视化系统,以图3所示的问题“中国石油大学(华东)成立青岛软件学院的时间?”为例,对本发明中的基于领域知识图谱和斯坦纳树的智能问答方法进行应用展示。
S1,问题分词步骤。先使用分词词典对问题进行文本分词,得到初始分词序列{中国石油大学(华东),成立,青岛软件学院,的,时间,?};再根据停用词词典,去除分词结果中的无意义停用词,得到问题的最终分词序列{中国石油大学(华东),成立,青岛软件学院,时间}。
S2,问答语义子图构建步骤。将问题最终分词序列中的每个分词,逐一与学科建设领域知识图谱中的实体节点进行遍历比较,匹配得到“中国石油大学 (华东)”和“青岛软件学院”两个基准节点。通过最小斯坦纳树算法构建能够连接所有基准节点的最小斯坦纳树,产生了新增的路径节点“Event_226”。使用知识图谱中“Event_226”实体节点的直接相连邻居节点对该最小斯坦纳树进行扩充,得到了如图3所示的问答相关的语义子图。去除该问答相关的语义子图中所有的基准节点后,余下节点共同构成了候选答案节点集合{Event_226,海信,首批特色化示范性软件学院名单,大型工业软件,大连东软,中石油,青岛西海岸新区,2021年12月6日}。
S3,答案筛选与生成步骤。首先在问题分词序列中去除所有基准节点对应的分词,形成关键词集合{成立,时间}。然后,将所有关键词依次输入至使用通用语料集训练好的Bert模型,得到其对应的词向量,对所有关键词的词向量进行平均加权求和后,通过词向量的余弦值计算其与自定义的答案类型关键词之间的相似度,判断出问题的答案应当为“时间”类型。将预测出的答案类型映射到领域知识图谱中,得到对应的实体类型为“时间”。最后,在候选答案节点集合中筛选实体类型为“时间”的节点,得到问题的最终预测答案为“2021 年12月6日”。
S4,问答可视化展示步骤。在问答可视化系统中,基于属性图模型,利用 Python的ECharts可视化工具包,动态展示出问答语义子图的构建和预测答案生成的过程。
尽管本发明的内容已经通过上述实施例进行了详细描述,但应当说明的是,本发明并不限于上述实施方式,对本技术领域的普通技术人员来讲,不脱离本发明宗旨的多种修改和替代都将是显而易见的,因此一切利用本发明构思的发明创造均在保护之列。
Claims (5)
1.一种基于领域知识图谱和斯坦纳树的智能问答方法,其特征在于,包括以下步骤:
S1问题分词步骤,构建分词词典和停用词词典,对用户提出的问题进行文本分词,并过滤无意义信息,以获取问题分词序列;
S2问答语义子图构建步骤,将问题关键词映射到领域知识图谱中,使用最小斯坦纳树算法得到问答相关的语义子图;
S3答案筛选与生成步骤,通过处理问题的关键词信息得到答案类型,再结合领域知识图谱中包含的实体类型对候选答案进行筛选,生成问题的预测答案;
S4问答可视化展示步骤,利用基于属性图模型的图形界面,以可视化方式展示出问答语义子图的构建和预测答案生成的过程。
2.根据权利要求1所述的基于领域知识图谱和斯坦纳树的智能问答方法,其特征在于,所述步骤S1的分词词典,包括通用分词词典和领域分词词典。所述通用分词词典,包括语种内的常用词。所述领域分词词典,包括所面向领域内的专业词汇。
3.根据权利要求1所述的基于领域知识图谱和斯坦纳树的智能问答方法,其特征在于,所述步骤S1的停用词词典,包括常用停用词词典和专用停用词词典。所述常用停用词词典,包括日常用词和标点符号。所述专用停用词词典,包括所面向领域内的与问答无关的专业字词。
4.根据权利要求1所述的基于领域知识图谱和斯坦纳树的智能问答方法,其特征在于,所述步骤S2具体为:将问题分词序列与领域知识图谱中的实体进行匹配,所有匹配到的节点共同构成基准节点集;在领域知识图谱中运行最小斯坦纳树算法,构建包含所有基准节点的最小斯坦纳树,生成问答语义子图,问答语义子图中除基准节点外的所有节点共同构成候选答案节点集。
5.根据权利要求1所述的基于领域知识图谱和斯坦纳树的智能问答方法,其特征在于,所述步骤S3具体为:去除问题分词序列中的所有基准节点,得到问题关键词序列,使用Bert模型对问题关键词序列进行分类,判断问题的答案类型;查找领域知识图谱中与答案类型相对应的实体类型,基于类型对候选答案进行筛选,最终得到问题的预测答案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111201360.4A CN114020885A (zh) | 2021-10-15 | 2021-10-15 | 一种基于领域知识图谱和斯坦纳树的智能问答方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111201360.4A CN114020885A (zh) | 2021-10-15 | 2021-10-15 | 一种基于领域知识图谱和斯坦纳树的智能问答方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114020885A true CN114020885A (zh) | 2022-02-08 |
Family
ID=80056009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111201360.4A Pending CN114020885A (zh) | 2021-10-15 | 2021-10-15 | 一种基于领域知识图谱和斯坦纳树的智能问答方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114020885A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959433A (zh) * | 2018-06-11 | 2018-12-07 | 北京大学 | 一种从软件项目数据中提取知识图谱并问答的方法与系统 |
CN110399457A (zh) * | 2019-07-01 | 2019-11-01 | 吉林大学 | 一种智能问答方法和系统 |
CN111949758A (zh) * | 2019-05-16 | 2020-11-17 | 北大医疗信息技术有限公司 | 医疗问答推荐方法、推荐系统和计算机可读存储介质 |
WO2020237856A1 (zh) * | 2019-05-29 | 2020-12-03 | 平安科技(深圳)有限公司 | 基于知识图谱的智能问答方法、装置及计算机存储介质 |
CN112163077A (zh) * | 2020-09-28 | 2021-01-01 | 华南理工大学 | 一种面向领域问答的知识图谱构建方法 |
CN112632226A (zh) * | 2020-12-29 | 2021-04-09 | 天津汇智星源信息技术有限公司 | 基于法律知识图谱的语义搜索方法、装置和电子设备 |
CN113297369A (zh) * | 2021-07-26 | 2021-08-24 | 中国科学院自动化研究所 | 基于知识图谱子图检索的智能问答系统 |
-
2021
- 2021-10-15 CN CN202111201360.4A patent/CN114020885A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959433A (zh) * | 2018-06-11 | 2018-12-07 | 北京大学 | 一种从软件项目数据中提取知识图谱并问答的方法与系统 |
CN111949758A (zh) * | 2019-05-16 | 2020-11-17 | 北大医疗信息技术有限公司 | 医疗问答推荐方法、推荐系统和计算机可读存储介质 |
WO2020237856A1 (zh) * | 2019-05-29 | 2020-12-03 | 平安科技(深圳)有限公司 | 基于知识图谱的智能问答方法、装置及计算机存储介质 |
CN110399457A (zh) * | 2019-07-01 | 2019-11-01 | 吉林大学 | 一种智能问答方法和系统 |
CN112163077A (zh) * | 2020-09-28 | 2021-01-01 | 华南理工大学 | 一种面向领域问答的知识图谱构建方法 |
CN112632226A (zh) * | 2020-12-29 | 2021-04-09 | 天津汇智星源信息技术有限公司 | 基于法律知识图谱的语义搜索方法、装置和电子设备 |
CN113297369A (zh) * | 2021-07-26 | 2021-08-24 | 中国科学院自动化研究所 | 基于知识图谱子图检索的智能问答系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108563653B (zh) | 一种用于知识图谱中知识获取模型的构建方法及系统 | |
CN107633005B (zh) | 一种基于课堂教学内容的知识图谱构建、对比系统及方法 | |
CN107644062B (zh) | 一种基于知识图谱的知识内容权重分析系统及方法 | |
CN112667794A (zh) | 一种基于孪生网络bert模型的智能问答匹配方法及系统 | |
CN111488467B (zh) | 地理知识图谱的构建方法、装置、存储介质及计算机设备 | |
WO2021139247A1 (zh) | 医学领域知识图谱的构建方法、装置、设备及存储介质 | |
US20170161279A1 (en) | Content Authoring | |
CN109710935B (zh) | 一种基于文物知识图谱的博物馆导览与知识推荐方法 | |
CN111125524B (zh) | 基于知识图谱的数据分析与数据推送方法 | |
US20170262783A1 (en) | Team Formation | |
CN112115252B (zh) | 智能辅助写作处理方法、装置、电子设备及存储介质 | |
CN111708869A (zh) | 人机对话的处理方法及装置 | |
CN113886567A (zh) | 一种基于知识图谱的教学方法及系统 | |
US20230008897A1 (en) | Information search method and device, electronic device, and storage medium | |
CN112015915A (zh) | 基于问题生成的知识库问答系统及装置 | |
CN113190593A (zh) | 一种基于数字人文知识图谱的搜索推荐方法 | |
Miao et al. | A dynamic financial knowledge graph based on reinforcement learning and transfer learning | |
CN117217315A (zh) | 一种利用大语言模型生成高质量问答数据的方法及装置 | |
CN117271558A (zh) | 语言查询模型构建方法、查询语言获取方法及相关装置 | |
CN116910270A (zh) | 多模态心理知识图谱构建方法、装置、设备及存储介质 | |
CN115982322A (zh) | 一种水利行业设计领域知识图谱的检索方法及检索系统 | |
CN115878818A (zh) | 一种地理知识图谱构建方法、装置、终端及存储介质 | |
CN116383354A (zh) | 一种基于知识图谱的图可视化自动问答方法 | |
CN114020885A (zh) | 一种基于领域知识图谱和斯坦纳树的智能问答方法 | |
CN116091045A (zh) | 一种基于知识图谱的通信网络运维方法和运维装置 |
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 |