CN114281940B - 一种基于语义工程和案例学习的计算机认知方法及系统 - Google Patents
一种基于语义工程和案例学习的计算机认知方法及系统 Download PDFInfo
- Publication number
- CN114281940B CN114281940B CN202111511900.9A CN202111511900A CN114281940B CN 114281940 B CN114281940 B CN 114281940B CN 202111511900 A CN202111511900 A CN 202111511900A CN 114281940 B CN114281940 B CN 114281940B
- Authority
- CN
- China
- Prior art keywords
- computer
- semantic
- cognitive
- causal relationship
- semantic recognition
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种基于语义工程和案例学习的计算机认知方法及系统,所述方法包括:通过根据网络爬虫技术对人类大规模文本案例进行收集,获得第一标准案例;根据基于全局的NLP技术,构建语义识别推理模型;根据所述语义识别推理模型,获得第一因果关系;根据所述语义识别推理模型,解析所述第一标准案例中的计算机认知空间框架要素,获得第一框架要素;构建第一计算机认知空间;根据所述第一因果关系和第一计算机认知空间,对第一标准案例进行语义的识别推理,获得第一计算机语义集;根据所述第一计算机认知空间和所述第一计算机语义集,构建第一计算机认知系统。解决了现有技术中存在计算机认知系统对人类语义理解不够准确的技术问题。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种基于语义工程和案例学习的计算机认知方法及系统。
背景技术
计算机认知系统一直是强人工智能系统的核心,它以大量形式化的知识作为基础,通过计算机进行推理,满足各种应用对于知识的需求。语义工程技术的理念是,计算机必须有自己的机器语义且无限逼近人类语义,才能够理解人类语义。语义工程技术的理念是,计算机必须有自己的机器语义且无限逼近人类语义,才能够理解人类语义。效仿人类的思考在大脑中进行,因此需要为计算机设计一个思考空间,即:计算机认知空间。计算机认知空间设计得越合理,机器语义就会越丰富。理论上讲,任何一个机器认知空间都会产生一套机器语义集,但是要想让计算机语义集逼近人类语言,计算机认知空间就必须逼近人类的认知结构。因此,构建基于语义工程和案例学习的计算机认知方法,对于计算机语义工程的开发,以及最终达到完整理解人类语义理解具有重要的意义。
本申请发明人在实现本申请实施例中技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在计算机认知系统对人类语义理解不够准确的技术问题。
发明内容
本申请的目的是提供一种基于语义工程和案例学习的计算机认知方法及系统,用以解决现有技术中存在计算机认知系统对人类语义理解不够准确的技术问题。
鉴于上述问题,本申请实施例提供了一种基于语义工程和案例学习的计算机认知方法及系统。
第一方面,本申请提供了一种基于语义工程和案例学习的计算机认知方法,所述方法通过一种基于语义工程和案例学习的计算机认知系统实现,其中,所述方法包括:通过根据网络爬虫技术对人类大规模文本案例进行收集,获得第一标准案例;根据基于全局的NLP技术,构建语义识别推理模型;根据所述语义识别推理模型,获得第一因果关系;根据所述语义识别推理模型,解析所述第一标准案例中的计算机认知空间框架要素,获得第一框架要素;根据所述第一框架要素,构建第一计算机认知空间;根据所述第一因果关系和所述第一计算机认知空间,对所述第一标准案例进行语义的识别推理,获得第一计算机语义集;根据所述第一计算机认知空间和所述第一计算机语义集,构建第一计算机认知系统。
另一方面,本申请还提供了一种基于语义工程和案例学习的计算机认知系统,用于执行如第一方面所述的一种基于语义工程和案例学习的计算机认知方法,其中,所述系统包括:第一获得单元:所述第一获得单元用于根据网络爬虫技术对人类大规模文本案例进行收集,获得第一标准案例;第一构建单元:所述第一构建单元用于根据基于全局的NLP技术,构建语义识别推理模型;第二获得单元:所述第二获得单元用于根据所述语义识别推理模型,获得第一因果关系;第三获得单元:所述第三获得单元用于根据所述语义识别推理模型,解析所述第一标准案例中的计算机认知空间框架要素,获得第一框架要素;第二构建单元:所述第二构建单元用于根据所述第一框架要素,构建第一计算机认知空间;第四获得单元:所述第四获得单元用于根据所述第一因果关系和所述第一计算机认知空间,对所述第一标准案例进行语义的识别推理,获得第一计算机语义集;第三构建单元:所述第三构建单元用于根据所述第一计算机认知空间和所述第一计算机语义集,构建第一计算机认知系统。
第三方面,本申请实施例还提供了一种基于语义工程和案例学习的计算机认知系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1.通过根据网络爬虫技术对人类大规模文本案例进行收集,获得第一标准案例;根据基于全局的NLP技术,构建语义识别推理模型;根据所述语义识别推理模型,获得第一因果关系;根据所述语义识别推理模型,解析所述第一标准案例中的计算机认知空间框架要素,获得第一框架要素;根据所述第一框架要素,构建第一计算机认知空间;根据所述第一因果关系和所述第一计算机认知空间,对所述第一标准案例进行语义的识别推理,获得第一计算机语义集;根据所述第一计算机认知空间和所述第一计算机语义集,构建第一计算机认知系统。达到了通过利用神经网络深度学习技术、句法依存关系分析技术和关键词等基于全局的自然语言处理,构建高保真语义识别推理模型,从而确定对应因果关系,进一步得到对应的计算机语义集,同时结合解析得到的计算机认知空间框架要素,构建得到计算机认知系统。基于语义工程和案例学习构建的计算机认知系统,确保了计算机准确理解人类语义,从而达到了提高计算机认知系统可靠性、实用性的技术效果。
2.通过语义识别推理模型,可以基于案例文本中的所有关键词信息和依存句法信息,智能化对案例文本中的因果关系进行标识,进而得到事件因果状态,达到了通过个体化程度较高的案例学习,提高案例因果关系识别准确性的技术效果。
3.通过给所述基于语义工程和案例学习的计算机认知系统通信连接所述人机沟通引擎,从而实现对事物发展状态、机器认知空间、因果关系确认、解决方案优化以及沟通任务管理等都实现人工干预,从而达到了提高该计算机认知系统的可配置性、实用性和可靠性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例一种基于语义工程和案例学习的计算机认知方法的流程示意图;
图2为本申请实施例一种基于语义工程和案例学习的计算机认知方法中获得语义识别推理模型的输出信息的流程示意图;
图3为本申请实施例一种基于语义工程和案例学习的计算机认知方法中获得第一框架要素的流程示意图;
图4为本申请实施例一种基于语义工程和案例学习的计算机认知方法中输出临时任务的推理结果的流程示意图;
图5为本申请实施例一种基于语义工程和案例学习的计算机认知系统的结构示意图;
图6为本申请实施例示例性电子设备的结构示意图。
附图标记说明:
第一获得单元11,第一构建单元12,第二获得单元13,第三获得单元14,第二构建单元15,第四获得单元16,第三构建单元17,总线300,接收器301,处理器302,发送器303,存储器304,总线接口305。
具体实施方式
本申请实施例通过提供一种基于语义工程和案例学习的计算机认知方法及系统,解决了现有技术中存在计算机认知系统对人类语义理解不够准确的技术问题。达到了通过利用神经网络深度学习技术、句法依存关系分析技术和关键词等基于全局的自然语言处理,构建高保真语义识别推理模型,从而确定对应因果关系,进一步得到对应的计算机语义集,同时结合解析得到的计算机认知空间框架要素,构建得到计算机认知系统。基于语义工程和案例学习构建的计算机认知系统,确保了计算机准确理解人类语义,从而达到了提高计算机认知系统可靠性、实用性的技术效果。
下面,将参考附图对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
申请概述
计算机认知系统一直是强人工智能系统的核心,它以大量形式化的知识作为基础,通过计算机进行推理,满足各种应用对于知识的需求。语义工程技术的理念是,计算机必须有自己的机器语义且无限逼近人类语义,才能够理解人类语义。语义工程技术的理念是,计算机必须有自己的机器语义且无限逼近人类语义,才能够理解人类语义。效仿人类的思考在大脑中进行,因此需要为计算机设计一个思考空间,即:计算机认知空间。计算机认知空间设计得越合理,机器语义就会越丰富。理论上讲,任何一个机器认知空间都会产生一套机器语义集,但是要想让计算机语义集逼近人类语言,计算机认知空间就必须逼近人类的认知结构。因此,构建基于语义工程和案例学习的计算机认知方法,对于计算机语义工程的开发,以及最终达到完整理解人类语义理解具有重要的意义。
现有技术中存在计算机认知系统对人类语义理解不够准确的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种基于语义工程和案例学习的计算机认知方法,所述方法应用于一种基于语义工程和案例学习的计算机认知系统,其中,所述方法包括:通过根据网络爬虫技术对人类大规模文本案例进行收集,获得第一标准案例;根据基于全局的NLP技术,构建语义识别推理模型;根据所述语义识别推理模型,获得第一因果关系;根据所述语义识别推理模型,解析所述第一标准案例中的计算机认知空间框架要素,获得第一框架要素;根据所述第一框架要素,构建第一计算机认知空间;根据所述第一因果关系和所述第一计算机认知空间,对所述第一标准案例进行语义的识别推理,获得第一计算机语义集;根据所述第一计算机认知空间和所述第一计算机语义集,构建第一计算机认知系统。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
请参阅附图1,本申请实施例提供了一种基于语义工程和案例学习的计算机认知方法,其中,所述方法应用于一种基于语义工程和案例学习的计算机认知系统,所述方法具体包括如下步骤:
步骤S100:根据网络爬虫技术对人类大规模文本案例进行收集,获得第一标准案例;
具体而言,所述一种基于语义工程和案例学习的计算机认知方法应用于所述一种基于语义工程和案例学习的计算机认知系统,可以通过利用神经网络深度学习技术、句法依存关系分析技术和关键词等基于全局的自然语言处理,构建高保真语义识别推理模型,从而确定对应因果关系,进一步得到对应的计算机语义集,同时结合解析得到的计算机认知空间框架要素,构建得到计算机认知系统。基于语义工程和案例学习构建的计算机认知系统,确保了计算机准确理解人类语义,从而达到了提高计算机认知系统可靠性、实用性的技术效果。
随着网络的迅速发展,万维网成为大量信息的载体,传统的通用搜索引擎AltaVista,Yahoo!和Google等存在着一定局限性,而所述网络爬虫是一种按照一定的规则、自动地抓取万维网信息的程序或者脚本。人类大规模文本案例是指符合人类语言规范、逻辑严密的文本片段数据,且所述人类大规模文本案例为可信赖文本案例,即可信赖程度达到预设可信赖程度。其中,所述可信赖程度用抽取标准案例能够代表所述人类大规模文本案例总体特征的百分比表示。所述预设可信赖程度是指计算机认知系统综合多方因素后预先设置的案例可信赖程度阈值。
通过利用网络爬虫技术对人类大规模文本案例进行收集,进而抽取得到所述第一标准案例,达到了获取标准案例,为后续计算机认知系统的构建提供案例基础的技术效果。
步骤S200:根据基于全局的NLP技术,构建语义识别推理模型;
具体而言,所述语义识别推理模型通过结合神经网络深度学习技术、句法依存关系分析技术、条件随机场和关键词等进行基于全局的自然语言处理,颠覆了仅仅基于关键词的自然语言处理技术,从而确保模型识别推理结果具备高准确率。其中,所述NLP技术即自然语言处理(Natural Language Processing),是一个研究人与计算机交互的语言问题的学科。
进一步的,从连续字符串开始,利用神经网络深度学习技术进行文本中独立短语的挖掘,以此识别出时间、空间、方式、指向等事件要素。举例如“今天天气很好”中,提取“今天”为事件的时间要素,提取“天气”为事件的空间要素,提取“好”为事件的指向要素等。通过智能化提取事件要素,达到辅助计算机认知,从而避免认知偏差问题的技术效果。
进一步的,利用条件随机场技术对命名实体和复合词的识别。其中,所述条件随机场技术是自然语言处理的基础模型,广泛应用于中文分词、命名实体识别、词性标注等标注场景。此外,所述命名实体即人名、机构名、地名以及其他所有以名称为标识的实体,更广泛的实体还包括数字、日期、货、地址等。所述复合词是指由几个词根语素按一定规则构成的词语。举例如“自古江南多才子”一句中,“江南”为命名实体,“才子”即有才气、才华的男性,为复合词。
进一步的,利用句法依存关系分析技术对句子中的词语属性、概念结构以及语法体系、句子结构进行智能分析。其中,所述句法依存关系分析技术是自然语言处理中的关键技术之一,其基本任务是确定句子的句法结构或者句子中词汇之间的依存关系,主要包括语言语法体系的确定,以及根据给定的语法体系进一步推导句法结构。举例如“水是由氢、氧两种元素组成的无机物,无毒可饮用,在常温常压下为无色、无味的透明液体”中,用“无色”、“无味”和“液体”等属性词来定义“水”这个概念,利用句法依存关系分析技术提取相关属性词,达到提高计算机认知准确率的技术效果。
进一步的,所述神经网络深度学习技术是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。通过神经网络深度学习技术挖掘的独立短语和相关事件要素,进一步在词性标注的基础上增加语义标注,实现增强文本语义特征表示的技术目标,便于训练神经网络识别正确的、细微的语义。基于各独立短语和相关事件要素,结合词性、语义标注,实现对应文本中各句型逻辑树的构建,提升计算机认知系统对文本逻辑关系的理解和认知效果。
通过结合多种计算机技术,避免了因一词多义、长难句不同断句方式、遗漏助词词义等造成的人类文本智能认知失真问题,从而达到了提高人类语义准确性,增强计算机认知可靠性、实用性的技术效果。
步骤S300:根据所述语义识别推理模型,获得第一因果关系;
具体而言,基于所述语义识别推理模型提取的各独立短语和相关事件要素,计算机认知系统智能化分析确定案例中对应事件的发生原因、事件发生后的状态和结果,从而确定对应的因果关系,即为所述第一因果关系。也就是说,通过对案例中的事件要素进行提取,进而基于事件要素分析得出对应事件的状态及其变化,识别对应事件行为,从而提取因果关系,即事件行为及其产生的事件状态变化组成所述第一因果关系。举例如“由于中签,张三成功参加了马拉松比赛”中,事件发生的因是“中签”,事件发生的果是“参加”。其中,所述因果关系是指事件(或状态)引起的状态改变(或新事件的发生)。通过系统智能推理,从而确定事件中的因果关系,进而达到了为计算机思考人类语义提供依据的技术效果。
步骤S400:根据所述语义识别推理模型,解析所述第一标准案例中的计算机认知空间框架要素,获得第一框架要素;
步骤S500:根据所述第一框架要素,构建第一计算机认知空间;
具体而言,通过利用基于全局的NLP技术构建的所述语义识别推理模型,智能化解析所述第一标准案例中的计算机认知空间框架要素,即从连续字符串开始,利用所述语义识别推理模型的神经网络深度学习技术进行文本中独立短语的挖掘,以此识别出时间、空间、方式、指向等事件要素,即为所述第一框架要素。进一步的,基于从大量案例中提取到的事物要素,即所述第一框架要素,经维度扩展后即形成第一计算机认知空间。举例如“今天天气很好”中,提取“今天”为事件的时间要素,提取“天气”为事件的空间要素,提取“好”为事件的指向要素等。进一步的,基于所述第一框架要素,构建得到所述第一计算机认知空间。通过智能化提取事件要素,为后续构建计算机认知空间提供基础要素,达到辅助计算机认知,从而避免认知偏差问题的技术效果,此外,所述第一计算机认知空间的建立为计算机的思考提供了载体。
步骤S600:根据所述第一因果关系和所述第一计算机认知空间,对所述第一标准案例进行语义的识别推理,获得第一计算机语义集;
步骤S700:根据所述第一计算机认知空间和所述第一计算机语义集,构建第一计算机认知系统。
具体而言,利用所述第一标准案例中对应事件的所述第一因果关系,结合提取所述第一标准案例中各事件要素后构成的所述第一计算机认知空间,对所述第一标准案例进行语义的识别推理,最终得到的所述第一标准案例中表达的含义,即为所述第一计算机语义集。进一步的,基于所述第一计算机认知空间和所述第一计算机语义集,完成所述第一计算机认知系统的构建。当所述基于语义工程和案例学习的计算机认知系统接收到待处理的推理任务后,系统基于所述第一计算机认知系统中的所述第一计算机认知空间,对待处理推理任务智能化分析。首先在通过对待推理任务识别后,确定对应待处理任务中事件的初始状态和最终状态,从而得到待处理任务中的因果关系信息。此时待推理任务为单路径情况。此外,若待推理任务中包含不止一个事件发展的过程时,对应为多路径情况,此时需进行路径优化。
通过利用神经网络深度学习技术、句法依存关系分析技术和关键词等基于全局的自然语言处理,构建高保真语义识别推理模型,从而确定对应因果关系,进一步得到对应的计算机语义集,同时结合解析得到的计算机认知空间框架要素,构建得到计算机认知系统。基于语义工程和案例学习构建的计算机认知系统,确保了计算机准确理解人类语义,从而达到了提高计算机认知系统可靠性、实用性的技术效果。
进一步的,如附图2所示,本申请实施例步骤S200还包括:
步骤S210:根据所述第一标准案例,获得第一关键词信息和第一依存句法信息;
步骤S220:将所述第一关键词信息和所述第一依存句法信息作为输入信息输入语义识别推理模型;
步骤S230:所述语义识别推理模型通过多组训练数据训练获得,其中,所述多组训练数据中的每组数据中都包括所述第一关键词信息、所述第一依存句法信息和用于对因果关系进行标识的标识信息;
步骤S240:获得所述语义识别推理模型的输出信息,所述输出信息包括所述第一因果关系。
具体而言,所述语义识别推理模型为神经网络模型,具有神经网络模型的特性。所述神经网络模型即机器学习中的神经网络模型,它反映了人脑功能的许多基本特征,是一种具有局部连接、权值共享等特点的深层前馈神经网络,是一个高度复杂的非线性动力学习系统。基于神经网络模型建立的所述语义识别推理模型能够输出准确的输出信息,即包括准确的第一因果关系,从而具备了较强的分析计算能力,达到了准确而高效的技术效果。此外,所述语义识别推理模型能根据训练数据进行不断的自我训练学习,所述多组训练数据中每组数据均包括所述第一关键词信息、所述第一依存句法信息和用于对因果关系进行标识的标识信息,所述语义识别推理模型不断地自我的修正,当所述语义识别推理模型的输出信息达到预定的准确率/收敛状态时,则监督学习过程结束。通过对所述语义识别推理模型进行数据训练,使得所述语义识别推理模型处理输入数据更加准确,进而使得输出的所述第一因果关系也更加准确,达到了准确获得关系数据信息,提高识别结果智能化的技术效果。
通过语义识别推理模型,可以基于案例文本中的所有关键词信息和依存句法信息,智能化对案例文本中的因果关系进行标识,进而得到事件因果状态,达到了通过个体化程度较高的案例学习,提高案例因果关系识别准确性的技术效果。
进一步的,本申请实施例步骤S210还包括:
步骤S211:将所述第一标准案例基于第一词性抽取规则进行抽取,构成第一关键词表;
步骤S212:对所述第一关键词表进行词性特征分析,生成所述第一关键词信息;
步骤S213:基于依存句法分析所述第一标准案例中词与词之间的依赖关系,生成所述第一依存句法信息。
具体而言,对所述第一标准案例,基于第一词性抽取规则进行关键词抽取,从而构成第一关键词表。其中,所述第一词性抽取规则是指利用pyltp进行分词、词性标注,选取所有领域文档中的名词、动词、动名词。基于抽取得到的关键词,人工进行校对,进而完成第一关键词表的构建。进一步的,对所述第一关键词表进行词性特征分析,生成所述第一关键词信息。最后结合利用句法依存关系分析技术对第一标准案例各句子的词语属性、概念结构以及语法体系、句子结构智能分析结果,生成所述第一依存句法信息。通过智能化获取第一标准案例中所有关键词信息和依存句法信息的技术效果,达到提高计算机认知准确率的技术效果。
进一步的,如附图3所示,本申请实施例步骤S400还包括:
步骤S410:根据所述语义识别推理模型,提取所述第一标准案例中计算机认知空间的框架要素,获得第一概念,其中,所述第一概念包括第一实体和第一行为;
步骤S420:根据所述第一实体和所述第一行为,获得第一事物;
步骤S430:通过所述语义识别推理模型提取所述第一事物发生的环境信息,获得第一事件;
步骤S440:根据所述第一事物的描述量变化情况,获得第一事物状态;
步骤S450:将所述第一实体、所述第一行为、所述第一事物、所述第一事件和所述第一事物状态组合,获得第一框架要素。
具体而言,根据所述语义识别推理模型,提取所述第一标准案例中计算机认知空间的框架要素,获得第一概念,其中,所述第一概念包括第一实体和第一行为。举例如“门后挂有一把吊刀”中,“门”和“吊刀”为实体,“挂”为行为,“门”、“吊刀”和“挂”即组成对应概念。进一步的,根据所述第一实体和所述第一行为,获得第一事物。举例如“门后挂有一把吊刀”中,对应的事物就是:门挂着某物。进一步提取所述第一事物发生的环境信息,从而获得第一事件。举例如“门后挂有一把吊刀”中,对应事物发生的环境即为“门后”。综合所有要素信息,确定事件为:门的后面挂着某物,即所述第一事物状态。最后,综合所述第一实体、所述第一行为、所述第一事物、所述第一事件和所述第一事物状态组合,即组成所述第一框架要素。
通过利用神经网络深度学习技术进行文本中进行独立短语的挖掘,以此识别出时间、空间、方式、指向等事件要素,达到智能化提取事件要素、辅助计算机认知,从而避免认知偏差问题的技术效果。
进一步的,本申请实施例步骤S500还包括:
步骤S510:根据所述第一框架要素,构筑第一计算机认知空间知识域,其中,所述第一计算机认知空间知识域包括属性比较空间、性质判断空间、状态变化空间、触发行为集合、因果关系集合、概念层次网络和事物层次网络;
步骤S520:根据第一计算机认知空间知识域,构建第一计算机认知空间。
具体而言,基于神经网络深度学习技术提取到的所述第一标准案例中的第一框架要素,对应可以得到各框架要素的知识域空间,包括属性比较空间、性质判断空间、状态变化空间、触发行为集合、因果关系集合、概念层次网络和事物层次网络,也就是说,基于从大量案例中提取到的事物要素,即所述第一框架要素,经维度扩展后即形成第一计算机认知空间。基于所述知识域空间,组合得到所述第一计算机认知空间。通过构建第一计算机认知空间,达到了为计算机认知系统提供认知载体的技术效果。
进一步的,本申请实施例步骤S600还包括:
步骤S610:根据网络爬虫技术对人类大规模文本案例进行收集,获得大量标准案例;
步骤S620:根据因果关系推理模型,获得大量因果关系,将所述大量因果关系存入因果关系库;
步骤S630:将所述因果关系库和所述第一标准案例的第一因果关系对比学习,对所述大量标准案例进行语义的识别推理,获得大量解决方案,将所述大量解决方案存入解决方案库;
步骤S640:根据所述因果关系库和所述解决方案库,构建计算机语义集。
具体而言,根据网络爬虫技术,对可信赖的人类大规模文本案例进行收集,从而获得大量的标准案例信息。进一步的,依次输入各标准案例信息给因果关系推理模型,从而得到各标准案例对应的因果关系。系统自动将得到的所有标准案例的因果关系存入因果关系库。其中,所述因果关系库与所述大量标准案例具有一一映射关系。最后,通过对比学习所述因果关系库和所述第一标准案例的第一因果关系,从而对所述大量标准案例进行语义的识别推理,即得到所述大量解决方案,系统自动将所述大量解决方案存入解决方案库。其中,所述解决方案库和所述因果关系库同样具有一一映射关系。最终根据所述因果关系库和所述解决方案库,构建得到所述计算机语义集。通过构建所述计算机语义集,为后续构建基于语义工程和案例学习的计算机认知系统提供了基础数据材料,为计算机认知系统的快速认知、准确认知提供基础的技术效果。
进一步的,如附图4所示,本申请实施例还包括步骤S800:
步骤S810:通过人机沟通引擎获得人类沟通信息;
步骤S820:判断所述解决方案库是否存在人类沟通信息对应的解决方案,若所述解决方案库存在人类沟通信息对应的解决方案,直接调用并输出对应的解决方案;
步骤S830:若所述解决方案库不存在人类沟通信息对应的解决方案,将所述人类沟通信息传递给沟通任务管理模块,所述沟通任务管理模块生成临时推理任务,输出所述临时任务的推理结果。
具体而言,所述基于语义工程和案例学习的计算机认知系统与人机沟通引擎通信连接。其中,所述人机沟通引擎负责产生所有计算机语义,并接收人类沟通的输入。通过人机沟通引擎获得人类沟通相关信息,进而判断所述解决方案库是否存在人类沟通信息对应的解决方案。如果所述解决方案库存在人类沟通信息对应的解决方案,所述计算机认知系统直接调用并输出对应的解决方案。但是,当所述解决方案库不存在人类沟通信息对应的解决方案,所述计算机认知系统则将所述人类沟通信息传递给沟通任务管理模块,所述沟通任务管理模块生成临时推理任务,进而对任务进行智能推理,最后输出所述临时任务的推理结果。其中,所述沟通任务管理模块嵌入在所述基于语义工程和案例学习的计算机认知系统中,用于对人工干预的内容进行智能分析,并做出对应反应和输出。
通过给所述基于语义工程和案例学习的计算机认知系统通信连接所述人机沟通引擎,从而实现对事物发展状态、机器认知空间、因果关系确认、解决方案优化以及沟通任务管理等都实现人工干预,从而达到了提高该计算机认知系统的可配置性、实用性和可靠性的技术效果。
综上所述,本申请实施例所提供的一种基于语义工程和案例学习的计算机认知方法具有如下技术效果:
1.通过根据网络爬虫技术对人类大规模文本案例进行收集,获得第一标准案例;根据基于全局的NLP技术,构建语义识别推理模型;根据所述语义识别推理模型,获得第一因果关系;根据所述语义识别推理模型,解析所述第一标准案例中的计算机认知空间框架要素,获得第一框架要素;根据所述第一框架要素,构建第一计算机认知空间;根据所述第一因果关系和所述第一计算机认知空间,对所述第一标准案例进行语义的识别推理,获得第一计算机语义集;根据所述第一计算机认知空间和所述第一计算机语义集,构建第一计算机认知系统。达到了通过利用神经网络深度学习技术、句法依存关系分析技术和关键词等基于全局的自然语言处理,构建高保真语义识别推理模型,从而确定对应因果关系,进一步得到对应的计算机语义集,同时结合解析得到的计算机认知空间框架要素,构建得到计算机认知系统。基于语义工程和案例学习构建的计算机认知系统,确保了计算机准确理解人类语义,从而达到了提高计算机认知系统可靠性、实用性的技术效果。
2.通过语义识别推理模型,可以基于案例文本中的所有关键词信息和依存句法信息,智能化对案例文本中的因果关系进行标识,进而得到事件因果状态,达到了通过个体化程度较高的案例学习,提高案例因果关系识别准确性的技术效果。
3.通过给所述基于语义工程和案例学习的计算机认知系统通信连接所述人机沟通引擎,从而实现对事物发展状态、机器认知空间、因果关系确认、解决方案优化以及沟通任务管理等都实现人工干预,从而达到了提高该计算机认知系统的可配置性、实用性和可靠性的技术效果。
实施例二
基于与前述实施例中一种基于语义工程和案例学习的计算机认知方法,同样发明构思,本发明还提供了一种基于语义工程和案例学习的计算机认知系统,请参阅附图5,所述系统包括:
第一获得单元11,所述第一获得单元11用于根据网络爬虫技术对人类大规模文本案例进行收集,获得第一标准案例;
第一构建单元12,所述第一构建单元12用于根据基于全局的NLP技术,构建语义识别推理模型;
第二获得单元13,所述第二获得单元13用于根据所述语义识别推理模型,获得第一因果关系;
第三获得单元14,所述第三获得单元14用于根据所述语义识别推理模型,解析所述第一标准案例中的计算机认知空间框架要素,获得第一框架要素;
第二构建单元15,所述第二构建单元15用于根据所述第一框架要素,构建第一计算机认知空间;
第四获得单元16,所述第四获得单元16用于根据所述第一因果关系和所述第一计算机认知空间,对所述第一标准案例进行语义的识别推理,获得第一计算机语义集;
第三构建单元17,所述第三构建单元17用于根据所述第一计算机认知空间和所述第一计算机语义集,构建第一计算机认知系统。
进一步的,所述系统还包括:
第五获得单元,所述第五获得单元用于根据所述第一标准案例,获得第一关键词信息和第一依存句法信息;
第一输入单元,所述第一输入单元用于将所述第一关键词信息和所述第一依存句法信息作为输入信息输入语义识别推理模型;
第六获得单元,所述第六获得单元用于所述语义识别推理模型通过多组训练数据训练获得,其中,所述多组训练数据中的每组数据中都包括所述第一关键词信息、所述第一依存句法信息和用于对因果关系进行标识的标识信息;
第七获得单元,所述第七获得单元用于获得所述语义识别推理模型的输出信息,所述输出信息包括所述第一因果关系。
进一步的,所述系统还包括:
第四构建单元,所述第四构建单元用于将所述第一标准案例基于第一词性抽取规则进行抽取,构成第一关键词表;
第一生成单元,所述第一生成单元用于对所述第一关键词表进行词性特征分析,生成所述第一关键词信息;
第二生成单元,所述第二生成单元用于基于依存句法分析所述第一标准案例中词与词之间的依赖关系,生成所述第一依存句法信息。
进一步的,所述系统还包括:
第八获得单元,所述第八获得单元用于根据所述语义识别推理模型,提取所述第一标准案例中计算机认知空间的框架要素,获得第一概念,其中,所述第一概念包括第一实体和第一行为;
第九获得单元,所述第九获得单元用于根据所述第一实体和所述第一行为,获得第一事物;
第十获得单元,所述第十获得单元用于通过所述语义识别推理模型提取所述第一事物发生的环境信息,获得第一事件;
第十一获得单元,所述第十一获得单元用于根据所述第一事物的描述量变化情况,获得第一事物状态;
第十二获得单元,所述第十二获得单元用于将所述第一实体、所述第一行为、所述第一事物、所述第一事件和所述第一事物状态组合,获得第一框架要素。
进一步的,所述系统还包括:
第一构筑单元,所述第一构筑单元用于根据所述第一框架要素,构筑第一计算机认知空间知识域,其中,所述第一计算机认知空间知识域包括属性比较空间、性质判断空间、状态变化空间、触发行为集合、因果关系集合、概念层次网络和事物层次网络;
第五构建单元,所述第五构建单元用于根据第一计算机认知空间知识域,构建第一计算机认知空间。
进一步的,所述系统还包括:
第十三获得单元,所述第十三获得单元用于根据网络爬虫技术对人类大规模文本案例进行收集,获得大量标准案例;
第十四获得单元,所述第十四获得单元用于根据因果关系推理模型,获得大量因果关系,将所述大量因果关系存入因果关系库;
第十五获得单元,所述第十五获得单元用于将所述因果关系库和所述第一标准案例的第一因果关系对比学习,对所述大量标准案例进行语义的识别推理,获得大量解决方案,将所述大量解决方案存入解决方案库;
第六构建单元,所述第六构建单元用于根据所述因果关系库和所述解决方案库,构建计算机语义集。
进一步的,所述系统还包括:
第十六获得单元,所述第十六获得单元用于通过人机沟通引擎获得人类沟通信息;
第一判断单元,所述第一判断单元用于判断所述解决方案库是否存在人类沟通信息对应的解决方案,若所述解决方案库存在人类沟通信息对应的解决方案,直接调用并输出对应的解决方案;
第一输出单元,所述第一输出单元用于若所述解决方案库不存在人类沟通信息对应的解决方案,将所述人类沟通信息传递给沟通任务管理模块,所述沟通任务管理模块生成临时推理任务,输出所述临时任务的推理结果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的一种基于语义工程和案例学习的计算机认知方法和具体实例同样适用于本实施例的一种基于语义工程和案例学习的计算机认知系统,通过前述对一种基于语义工程和案例学习的计算机认知方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于语义工程和案例学习的计算机认知系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
示例性电子设备
下面参考图6来描述本申请实施例的电子设备。
图6图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种基于语义工程和案例学习的计算机认知方法的发明构思,本发明还提供一种基于语义工程和案例学习的计算机认知系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于语义工程和案例学习的计算机认知方法的任一方法的步骤。
其中,在图6中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请提供了一种基于语义工程和案例学习的计算机认知方法,所述方法应用于一种基于语义工程和案例学习的计算机认知系统,其中,所述方法包括:通过根据网络爬虫技术对人类大规模文本案例进行收集,获得第一标准案例;根据基于全局的NLP技术,构建语义识别推理模型;根据所述语义识别推理模型,获得第一因果关系;根据所述语义识别推理模型,解析所述第一标准案例中的计算机认知空间框架要素,获得第一框架要素;根据所述第一框架要素,构建第一计算机认知空间;根据所述第一因果关系和所述第一计算机认知空间,对所述第一标准案例进行语义的识别推理,获得第一计算机语义集;根据所述第一计算机认知空间和所述第一计算机语义集,构建第一计算机认知系统。解决了现有技术中存在计算机认知系统对人类语义理解不够准确的技术问题。达到了通过利用神经网络深度学习技术、句法依存关系分析技术和关键词等基于全局的自然语言处理,构建高保真语义识别推理模型,从而确定对应因果关系,进一步得到对应的计算机语义集,同时结合解析得到的计算机认知空间框架要素,构建得到计算机认知系统。基于语义工程和案例学习构建的计算机认知系统,确保了计算机准确理解人类语义,从而达到了提高计算机认知系统可靠性、实用性的技术效果。
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、装置、或计算机程序产品。因此,本申请可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外,本申请为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于:U盘、移动硬盘、只读存储器(Read-0nly Memory,简称ROM)、随机存取存储器(Random AccessMemory,简称RAM)、磁盘存储器、只读光盘(Compact Disc Read-Only Memory,简称CD-ROM)、光学存储器等各种可以存储程序代码的介质。
本发明是参照本发明实施例的方法、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系统。
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,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。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于语义工程和案例学习的计算机认知方法,其中,所述方法应用于一种基于语义工程和案例学习的计算机认知系统,所述方法包括:
根据网络爬虫技术对人类大规模文本案例进行收集,获得第一标准案例;
根据基于全局的NLP技术,构建语义识别推理模型;
根据所述语义识别推理模型,获得第一因果关系;
根据所述语义识别推理模型,解析所述第一标准案例中的计算机认知空间框架要素,获得第一框架要素,其中包括:根据所述语义识别推理模型,提取所述第一标准案例中计算机认知空间的框架要素,获得第一概念,其中,所述第一概念包括第一实体和第一行为;根据所述第一实体和所述第一行为,获得第一事物;通过所述语义识别推理模型提取所述第一事物发生的环境信息,获得第一事件;根据所述第一事物的描述量变化情况,获得第一事物状态;将所述第一实体、所述第一行为、所述第一事物、所述第一事件和所述第一事物状态组合,获得第一框架要素;
根据所述第一框架要素,构建第一计算机认知空间;
根据所述第一因果关系和所述第一计算机认知空间,对所述第一标准案例进行语义的识别推理,获得第一计算机语义集,其中包括:根据网络爬虫技术对人类大规模文本案例进行收集,获得第一标准案例;根据因果关系推理模型,获得第一因果关系,将所述第一因果关系存入因果关系库;将所述因果关系库和所述第一标准案例的第一因果关系对比学习,对所述第一标准案例进行语义的识别推理,获得第一解决方案,将所述第一解决方案存入解决方案库;根据所述因果关系库和所述解决方案库,构建第一计算机语义集;
根据所述第一计算机认知空间和所述第一计算机语义集,构建第一计算机认知系统。
2.如权利要求1所述的方法,其中,所述根据基于全局的NLP技术,构建语义识别推理模型,包括:
根据所述第一标准案例,获得第一关键词信息和第一依存句法信息;
将所述第一关键词信息和所述第一依存句法信息作为输入信息输入语义识别推理模型;
所述语义识别推理模型通过多组训练数据训练获得,其中,所述多组训练数据中的每组数据中都包括所述第一关键词信息、所述第一依存句法信息和用于对因果关系进行标识的标识信息;
获得所述语义识别推理模型的输出信息,所述输出信息包括所述第一因果关系。
3.如权利要求2所述的方法,其中,所述根据所述第一标准案例,获得第一关键词信息和第一依存句法信息,包括:
将所述第一标准案例基于第一词性抽取规则进行抽取,构成第一关键词表;
对所述第一关键词表进行词性特征分析,生成所述第一关键词信息;
基于依存句法分析所述第一标准案例中词与词之间的依赖关系,生成所述第一依存句法信息。
4.如权利要求1所述的方法,其中,所述根据所述第一框架要素,构建第一计算机认知空间,包括:
根据所述第一框架要素,构筑第一计算机认知空间知识域,其中,所述第一计算机认知空间知识域包括属性比较空间、性质判断空间、状态变化空间、触发行为集合、因果关系集合、概念层次网络和事物层次网络;
根据第一计算机认知空间知识域,构建第一计算机认知空间。
5.如权利要求1所述的方法,所述一种基于语义工程和案例学习的计算机认知系统与人机沟通引擎通信连接,其中,所述方法还包括:
通过人机沟通引擎获得人类沟通信息;
判断所述解决方案库是否存在人类沟通信息对应的解决方案,若所述解决方案库存在人类沟通信息对应的解决方案,直接调用并输出对应的解决方案;
若所述解决方案库不存在人类沟通信息对应的解决方案,将所述人类沟通信息传递给沟通任务管理模块,所述沟通任务管理模块生成临时推理任务,输出所述临时任务的推理结果。
6.一种基于语义工程和案例学习的计算机认知系统,其中,所述系统包括:
第一获得单元:所述第一获得单元用于根据网络爬虫技术对人类大规模文本案例进行收集,获得第一标准案例;
第一构建单元:所述第一构建单元用于根据基于全局的NLP技术,构建语义识别推理模型;
第二获得单元:所述第二获得单元用于根据所述语义识别推理模型,获得第一因果关系;
第三获得单元:所述第三获得单元用于根据所述语义识别推理模型,解析所述第一标准案例中的计算机认知空间框架要素,获得第一框架要素;
第八获得单元,所述第八获得单元用于根据所述语义识别推理模型,提取所述第一标准案例中计算机认知空间的框架要素,获得第一概念,其中,所述第一概念包括第一实体和第一行为;
第九获得单元,所述第九获得单元用于根据所述第一实体和所述第一行为,获得第一事物;
第十获得单元,所述第十获得单元用于通过所述语义识别推理模型提取所述第一事物发生的环境信息,获得第一事件;
第十一获得单元,所述第十一获得单元用于根据所述第一事物的描述量变化情况,获得第一事物状态;
第十二获得单元,所述第十二获得单元用于将所述第一实体、所述第一行为、所述第一事物、所述第一事件和所述第一事物状态组合,获得第一框架要素;
第二构建单元:所述第二构建单元用于根据所述第一框架要素,构建第一计算机认知空间;
第四获得单元:所述第四获得单元用于根据所述第一因果关系和所述第一计算机认知空间,对所述第一标准案例进行语义的识别推理,获得第一计算机语义集;
第十三获得单元,所述第十三获得单元用于根据网络爬虫技术对人类大规模文本案例进行收集,获得第一标准案例;
第十四获得单元,所述第十四获得单元用于根据因果关系推理模型,获得第一因果关系,将所述第一因果关系存入因果关系库;
第十五获得单元,所述第十五获得单元用于将所述因果关系库和所述第一标准案例的第一因果关系对比学习,对所述第一标准案例进行语义的识别推理,获得第一解决方案,将所述第一解决方案存入解决方案库;
第六构建单元,所述第六构建单元用于根据所述因果关系库和所述解决方案库,构建第一计算机语义集;
第三构建单元:所述第三构建单元用于根据所述第一计算机认知空间和所述第一计算机语义集,构建第一计算机认知系统。
7.一种基于语义工程和案例学习的计算机认知系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1~5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111511900.9A CN114281940B (zh) | 2021-12-07 | 2021-12-07 | 一种基于语义工程和案例学习的计算机认知方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111511900.9A CN114281940B (zh) | 2021-12-07 | 2021-12-07 | 一种基于语义工程和案例学习的计算机认知方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114281940A CN114281940A (zh) | 2022-04-05 |
CN114281940B true CN114281940B (zh) | 2023-04-18 |
Family
ID=80871864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111511900.9A Active CN114281940B (zh) | 2021-12-07 | 2021-12-07 | 一种基于语义工程和案例学习的计算机认知方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114281940B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309393A (zh) * | 2019-03-28 | 2019-10-08 | 平安科技(深圳)有限公司 | 数据处理方法、装置、设备及可读存储介质 |
CN110543574A (zh) * | 2019-08-30 | 2019-12-06 | 北京百度网讯科技有限公司 | 一种知识图谱的构建方法、装置、设备及介质 |
CN111915090A (zh) * | 2020-08-10 | 2020-11-10 | 哈尔滨安天科技集团股份有限公司 | 基于知识图谱的预测方法、装置、电子设备及存储介质 |
CN113282703A (zh) * | 2021-04-01 | 2021-08-20 | 中科雨辰科技有限公司 | 新闻数据的事件关联图谱构建方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10628777B2 (en) * | 2017-09-15 | 2020-04-21 | International Business Machines Corporation | Cognitive process enactment |
CN111143576A (zh) * | 2019-12-18 | 2020-05-12 | 中科院计算技术研究所大数据研究院 | 一种面向事件的动态知识图谱构建方法和装置 |
CN111581396B (zh) * | 2020-05-06 | 2023-03-31 | 西安交通大学 | 一种基于多维特征融合与依存句法的事件图谱构建系统及方法 |
-
2021
- 2021-12-07 CN CN202111511900.9A patent/CN114281940B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309393A (zh) * | 2019-03-28 | 2019-10-08 | 平安科技(深圳)有限公司 | 数据处理方法、装置、设备及可读存储介质 |
CN110543574A (zh) * | 2019-08-30 | 2019-12-06 | 北京百度网讯科技有限公司 | 一种知识图谱的构建方法、装置、设备及介质 |
CN111915090A (zh) * | 2020-08-10 | 2020-11-10 | 哈尔滨安天科技集团股份有限公司 | 基于知识图谱的预测方法、装置、电子设备及存储介质 |
CN113282703A (zh) * | 2021-04-01 | 2021-08-20 | 中科雨辰科技有限公司 | 新闻数据的事件关联图谱构建方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114281940A (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679039B (zh) | 用于确定语句意图的方法和装置 | |
US20220004714A1 (en) | Event extraction method and apparatus, and storage medium | |
CN111611810B (zh) | 一种多音字读音消歧装置及方法 | |
CN111143576A (zh) | 一种面向事件的动态知识图谱构建方法和装置 | |
Al-Arfaj et al. | Ontology construction from text: challenges and trends | |
CN112100322A (zh) | 一种基于知识图谱的api元素比较结果自动生成方法 | |
WO2018174816A1 (en) | Method and apparatus for semantic coherence analysis of texts | |
CN117033571A (zh) | 知识问答系统构建方法及系统 | |
CN112528654A (zh) | 自然语言处理方法、装置及电子设备 | |
Zhong et al. | Natural language processing for systems engineering: Automatic generation of systems modelling language diagrams | |
CN114840685A (zh) | 一种应急预案知识图谱构建方法 | |
CN113255295A (zh) | 一种自然语言到pptl形式化规约自动生成方法及系统 | |
CN114281940B (zh) | 一种基于语义工程和案例学习的计算机认知方法及系统 | |
US20230111052A1 (en) | Self-learning annotations to generate rules to be utilized by rule-based system | |
CN116186219A (zh) | 一种人机对话交互方法方法、系统及存储介质 | |
WO2019043380A1 (en) | SEMANTIC ANALYSIS | |
CN111625623B (zh) | 文本主题提取方法、装置、计算机设备、介质和程序产品 | |
CN115270746A (zh) | 问题样本生成方法和装置、电子设备及存储介质 | |
Chambers et al. | Natural language processing of specifications for a prototypical avionic system to generate system design: A case study | |
Zhu et al. | Information Extraction Research Review | |
Xue et al. | Constructing Controlled English for Both Human Usage and Machine Processing. | |
Saji et al. | Natural Language Inference using Neural Network and Tableau Method | |
Wang et al. | ECCKG: An Eventuality-Centric Commonsense Knowledge Graph | |
CN117077656B (zh) | 论证关系挖掘方法、装置、介质及电子设备 | |
CN116089602B (zh) | 信息处理方法、装置、电子设备、存储介质和程序产品 |
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 |