CN115146037A - 基于知识图谱的问答方法及系统、电子设备及存储介质 - Google Patents

基于知识图谱的问答方法及系统、电子设备及存储介质 Download PDF

Info

Publication number
CN115146037A
CN115146037A CN202110909189.6A CN202110909189A CN115146037A CN 115146037 A CN115146037 A CN 115146037A CN 202110909189 A CN202110909189 A CN 202110909189A CN 115146037 A CN115146037 A CN 115146037A
Authority
CN
China
Prior art keywords
question
graph
target
knowledge
concept
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
Application number
CN202110909189.6A
Other languages
English (en)
Inventor
高宇桄
李明稳
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.)
Shanghai Palline Data Technology Co ltd
Original Assignee
Shanghai Palline Data Technology Co ltd
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 Shanghai Palline Data Technology Co ltd filed Critical Shanghai Palline Data Technology Co ltd
Priority to CN202110909189.6A priority Critical patent/CN115146037A/zh
Publication of CN115146037A publication Critical patent/CN115146037A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于知识图谱的问答方法及系统、电子设备及存储介质。其中，基于知识图谱的问答方法包括以下步骤：响应于输入的第一问题，根据目标合情图模式以及目标知识图谱对所述第一问题进行改写，形成至少一个第二问题；其中，所述目标合情图模式为合情图模式中的至少一种，所述合情图模式用于描述概念之间的语义关系，所述目标知识图谱为根据所述合情图模式对原始知识图谱进行扩展得到的；从所述目标知识图谱中查询与所述第二问题对应的结果，并输出与所述第二问题对应的结果，从而提升用户的问答体验。

Description

基于知识图谱的问答方法及系统、电子设备及存储介质
技术领域
本发明涉及计算机技术领域，特别涉及一种基于知识图谱的问答方法及系统、电子设备及存储介质。
背景技术
医疗卫生系统的发展对于医院管理提出了新的要求，提高效率和改善服务成为医院管理的重要目标。除了精细化管理所要求的绩效和服务度量之外，医院内组织单元的价值体系建设也是不可或缺的。目前，医疗机构的科学管理作为一种理论指导下的实践，仍处于起步阶段，有诸多理论或实践问题值得分析思考，因而构建医院管理领域图谱及知识体系势在必行。知识图谱本身具有不完整性，部分逻辑具有不确定性，而基于图谱推理的问答系统，尤其是应用于医院管理咨询的问答系统，尚未得到充分研究，对于能够解答的问题范围较小，返回结果的多样性和丰富性有所缺乏。
发明内容
本发明要解决的技术问题是为了克服现有技术中的缺陷，提供一种基于知识图谱的问答方法及系统、电子设备及存储介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明的第一方面提供一种基于知识图谱的问答方法，包括以下步骤：
响应于输入的第一问题，根据目标合情图模式以及目标知识图谱对所述第一问题进行改写，形成至少一个第二问题；其中，所述目标合情图模式为合情图模式中的至少一种，所述合情图模式用于描述概念之间的语义关系，所述目标知识图谱为根据所述合情图模式对原始知识图谱进行扩展得到的；
从所述目标知识图谱中查询与所述第二问题对应的结果，并输出与所述第二问题对应的结果。
可选地，所述根据目标合情图模式以及目标知识图谱对所述第一问题进行改写，形成至少一个第二问题的步骤具体包括：
识别所述第一问题所涉及的第一概念；
根据目标合情图模式确定目标知识图谱中与所述第一概念对应的第二概念；
根据所述第二概念形成至少一个第二问题。
可选地，所述第一概念包括实体和关系。
可选地，所述第一概念包括实体和属性。
可选地，所述基于知识图谱的问答方法还包括以下步骤：
响应于输入的第一问题，从所述目标知识图谱中查询与所述第一问题对应的结果，并输出与所述第一问题对应的结果。
本发明的第二方面提供一种基于知识图谱的问答系统，包括：
扩展模块，用于根据合情图模式对原始知识图谱进行扩展，得到目标知识图谱，所述合情图模式用于描述概念之间的语义关系；
改写模块，用于响应于输入的第一问题，根据目标合情图模式以及所述目标知识图谱对所述第一问题进行改写，形成至少一个第二问题；其中，所述目标合情图模式为合情图模式中的至少一种；
查询模块，用于从所述目标知识图谱中查询与所述第二问题对应的结果，并输出与所述第二问题对应的结果。
可选地，所述改写模块具体包括：
识别单元，用于识别所述第一问题所涉及的第一概念；
确定单元，用于根据目标合情图模式确定所述目标知识图谱中与所述第一概念对应的第二概念；
形成单元，用于根据所述第二概念形成至少一个第二问题。
可选地，所述第一概念包括实体和关系。
可选地，所述第一概念包括实体和属性。
可选地，所述查询模块还用于响应于输入的第一问题，从所述目标知识图谱中查询与所述第一问题对应的结果，并输出与所述第一问题对应的结果。
本发明的第三方面提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于知识图谱的问答方法。
本发明的第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于知识图谱的问答方法。
本发明的积极进步效果在于：根据合情图模式对原始知识图谱进行扩展得到目标知识图谱，根据目标合情图模式以及目标知识图谱对用户输入的第一问题进行改写，形成第二问题，经过查询目标知识图谱，向用户反馈与第二问题对应的合情结果，提升了用户的问答体验。
附图说明
图1为本发明实施例1提供的一种基于知识图谱的问答方法的流程图。
图2为本发明实施例1提供的一种基于知识图谱的问答方法的流程框图。
图3为本发明实施例1提供的另一种基于知识图谱的问答方法的流程框图。
图4为本发明实施例1提供的一种基于知识图谱的问答系统的结构框图。
图5为本发明实施例2提供的一种电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
图1为本实施例提供的一种基于知识图谱的问答方法的流程图，该基于知识图谱的问答方法可以由基于知识图谱的问答系统执行，该基于知识图谱的问答系统可以通过软件和/或硬件的方式实现，该基于知识图谱的问答系统可以为电子设备的部分或全部。本实施例中的电子设备可以为自助查询终端、手机、PDA(Personal Digital Assistant，掌上电脑)、台式电脑、平板电脑等电子设备。
下面以电子设备为执行主体介绍本实施例提供的基于知识图谱的问答方法。如图1所示，本实施例提供的基于知识图谱的问答方法可以包括以下步骤S101～S102：
步骤S101、响应于输入的第一问题，根据目标合情图模式以及目标知识图谱对所述第一问题进行改写，形成至少一个第二问题。其中，所述目标合情图模式为合情图模式中的至少一种，所述合情图模式用于描述概念之间的语义关系，所述目标知识图谱为根据所述合情图模式对原始知识图谱进行扩展得到的。
本实施例提供的基于知识图谱的问答方法可以应用于医疗、电力、农业、电商等各种领域。以将本实施例提供的基于知识图谱的问答方法应用于医院管理领域为例，可以利用以下方式构建医院管理领域的原始知识图谱：对于医院管理领域的结构化、非结构化与半结构化数据进行采集与准备，采用自顶向下的方法进行Schema(数据库对象的集合)定义与本体建模，并进一步利用信息抽取(例如实体抽取、关系抽取、属性抽取等)方式进行知识建模，构建医院管理领域的原始知识图谱(domain database,领域数据库)以及作为数据背景补充的医院管理领域本体结构(domain knowledge/ontology，领域知识/本体)。其中，还可以通过知识融合(例如数据层融合、模式层融合等)的方式进一步对原始知识图谱及领域本体进行扩充和优化迭代。
在可选的一种实施方式中，采用RDF三元组数据描述上述原始知识图谱。RDF三元组数据能够被图数据库存储。根据开放世界假设，构建的原始知识图谱具有不完整性，可以通过语义扩充及图谱推理等机制不断延展系统认知智能。
其中，步骤S101中提到的合情图模式用于描述概念之间的语义关系。在可选的一种实施方式中，如表1所示，合情图模式的类别包括层级型、顺序型和混合型，合情图模式的数量为6个，具体包括泛化(GEN)、特化(SPEC)、插值(INTP)、更有理(AFORT)、相似(SIM)以及不相似(DIS)。
表1
Figure BDA0003203073650000051
需要说明的是，可以根据实际情况对上述表1中的合情图模式进行扩充，使其包含更多的合情语义逻辑。
步骤S101中，目标知识图谱为根据上述合情图模式对原始知识图谱进行扩展得到的。在具体实施中，原始OWL(Ontology Web Language,网络本体语言)能够支持有限的图谱推理(本体推理)，例如owl:TransitiveProperty,owl:FunctionalProperty,owl:inverseOf等，因此，为了使得问答方法中问题的返回结果更加丰富，需要对原始知识图谱进行OWL扩展，从而得到目标知识图谱。在具体实施的一个例子中，利用rdfs:subClassOf和owl:instanceOf能够实现层级型模式的OWL扩展。在具体实施的另一个例子中，利用plowl:OrderedProperty和plowl:hasContext能够实现顺序型模式的OWL扩展。
在一个具体的例子中，利用如下的方式能够将“BB19脑创伤开颅术的风险比CB29虹膜手术更高”扩展至目标知识图谱中：
opr:stmt rdf:subject opr:BB19脑创伤开颅术；
rdf:predicate plowl:higher；
rdf:object opr:CB29虹膜手术.
opr:stmt plowl:hasContext opr:operation_risk.
在步骤S101的具体实施中，若用户输入的第一问题为自然语言，则需要将其转换为SPARQL(SPARQL Protocol and RDF Query Language，为RDF开发的一种查询语言和数据获取协议)查询语言。
在可选的一种实施方式中，上述第一问题为Yes/No(是/否)类型的问题。在一个具体的例子中，第一问题的自然语言为：DRGs是否包括急性病住院患者，将其转换为如下的SPARQL查询语言：
@prefix sem:https://kb.palline.cn/ManageDB#
ASK{“DRGs”sem:COVER_PERSONS“急性病住院患者”}
在可选的另一实施方式中，上述第一问题为Fact(单纯事实)类型的问题。在一个具体的例子中，第一问题的自然语言为：drg_vs_icd中icd_code＝S01.804的值是什么，将其转换为如下的SPARQL查询语言：
@prefix sem:https://kb.palline.cn/ManageDB#
SELECT*FROM drg_vs_icd WHERE icd_code＝“S01.804”
在可选的一种实施方式中，步骤S101具体包括以下步骤S101a～S101c：
步骤S101a、识别所述第一问题所涉及的第一概念。
在可选的一种实施方式中，上述第一概念包括实体和关系。在具体实施的一个例子中，第一问题为Yes/No(是/否)类型的问题，例如，第一问题的自然语言为：DRGs是否包括急性病住院患者，则其所涉及的第一概念包括实体E1(DRGs)、关系R(包括)以及实体E2(急性病住院患者)。
在可选的另一种实施方式中，上述第一概念包括实体和属性。在具体实施的一个例子中，第一问题为Fact(单纯事实)类型的问题，例如，第一问题的自然语言为：感冒的症状是什么，则其所涉及的第一概念包括实体E3(感冒)和属性N(症状)。
步骤S101b、根据目标合情图模式确定目标知识图谱中与所述第一概念对应的第二概念。
一个合情图模式π∈Π为目标知识图谱G提供一个合情路径，而一个合情图模式匹配可以表示为一个匹配函数φ(v,π,G)，在目标知识图谱G中识别一个RDF三元组<v,σ,v′>。RDF三元组(triple)是标知识图谱的最小表示单元，表达两个概念及其之间的关系。RDF三元组<v,σ,v′>中，概念v和v′通过匹配模式π的语义关系σ∈Σ相联系：
Figure BDA0003203073650000071
语义关系集合
Figure BDA0003203073650000072
相应的合情图模式集合Π∶＝{GEN,SPEC,INTP,AFORT,SIM,DIS}。
在步骤S101b的具体实施中，在确定目标合情图模式之后，可以利用上述匹配函数φ(v,π,G)确定与第一概念对应的第二概念。
其中，若第一概念包括实体E1、关系R以及实体E2，在目标合情图模式为一个的情况下，根据目标合情图模式分别确定目标知识图谱中与实体E1对应的实体E1’、与关系R对应的关系R’以及与实体E2对应的实体E2’。本例子中，与第一概念对应的第二概念包括实体E1’、关系R’以及实体E2’。
若第一概念包括实体E3和属性N，在目标合情图模式为一个的情况下，根据目标合情图模式分别确定目标知识图谱中与实体E3对应的实体E3’以及与属性N对应的属性N’。本例子中，与第一概念对应的第二概念包括实体E3’以及属性N’。
需要说明的是，在目标合情图模式为至少两个的情况下，需要分别根据每个目标合情图模式在目标知识图谱中确定与第一概念对应的第二概念。
假设目标合情图模式包括更有理(AFORT)和相似(SIM)，在第一概念包括实体E1、关系R以及实体E2的例子中，根据目标合情图模式更有理(AFORT)分别确定目标知识图谱中与实体E1对应的实体E11、与关系R对应的关系R1以及与实体E2对应的实体E21，以及根据目标合情图模式相似(SIM)在目标知识图谱中分别确定与实体E1对应的实体E12以及与关系R对应的关系R2。需要说明的是，根据相似(SIM)确定第二概念的过程中，目标知识图谱中不存在与实体E2对应的实体。因此，本例子中与第一概念对应的第二概念包括实体E11、关系R1、实体E21、实体E12以及关系R2。
假设目标合情图模式包括泛化(GEN)和相似(SIM)，在第一概念包括实体E3和属性N的例子中，根据目标合情图模式泛化(GEN)分别确定目标知识图谱中与实体E3对应的实体E31以及与属性N对应的属性N1，以及根据目标合情图模式相似(SIM)在目标知识图谱中分别确定与实体E3对应的实体E32以及与属性N对应的属性N2。本例子中，与第一概念对应的第二概念包括实体E31、属性N1、实体E32以及属性N2。
步骤S101c、根据所述第一概念和所述第二概念形成至少一个第二问题。在具体实施中，可以将第一概念中的实体、关系和/或属性以及第二概念中的实体、关系和/或属性进行自由组合，从而形成至少一个第二问题。
在一些例子中，第一问题和第二问题也可以称为查询，还可以将至少一个第二问题放入一个集合中，该集合可以称为查询集合。
步骤S102、从所述目标知识图谱中查询与所述第二问题对应的结果，并输出与所述第二问题对应的结果。
由于第二问题是基于目标合情图模式进行改写的，因此在一些例子中，与第二问题对应的结果也可以称为合情结果、推理结果或者合情推理结果。
在步骤S102的具体实施中，每个第二问题分别对应一个结果，在输出结果的同时，为了使得用户了解输出该结果的原因，还可以在语义逻辑的角度输出具有合情的解释内容，也即输出该结果的原因，从而提升用户的问答体验。
本实施方式中，根据合情图模式对原始知识图谱进行扩展得到目标知识图谱，如图2所示，根据目标合情图模式以及目标知识图谱对用户输入的第一问题进行改写，形成第二问题，经过查询目标知识图谱，向用户反馈与第二问题对应的合情结果，提升了用户的问答体验。
在可选的一种实施方式中，上述基于知识图谱的问答方法还包括以下步骤：响应于输入的第一问题，从所述目标知识图谱中查询与所述第一问题对应的结果，并输出与所述第一问题对应的结果。
在一些例子中，为了与合情结果、推理结果或者合情推理结果进行区分，可以将与第一问题对应的结果称为事实结果。
需要说明的是，与第二问题对应的结果和与第一问题对应的结果可能相同，也可能不同。另外，如果从目标知识图谱中查询不到与第一问题或者第二问题对应的结果，则可以不输出任何信息，也可以输出“无信息”。
本实施方式中，如图3所示，响应于用户输入的第一问题，经过第一问题的改写之后查询目标知识图谱以及直接查询目标知识图谱，同时向用户返回与第二问题对应的合情结果以及与第一问题对应的事实结果，不仅扩大了问题的范围，而且能够向用户反馈更为丰富的结果，提升了用户的问答体验。
在一个具体的例子中，用户输入的自然语言为“绩效费率制是否是一种绩效评价方法？”的第一问题，将其转换为如下的SPARQL查询语言：
@prefix perf:http://www.palline.cn/perf_eval_method/
ASK{“绩效费率制”perf:domainOf“绩效评价方法”}
返回与第一问题对应的结果Answer:No.
根据目标合情图模式相似(SIM)对上述第一问题进行改写，形成自然语言为“收支结余是否是一种绩效评价方法？”的第二问题，具体地，识别第一问题所涉及的第一概念，包括实体E1：绩效费率制、关系R：属于、实体E2：一种绩效评价方法；根据目标合情图模式相似(SIM)在目标知识图谱中确定与第一概念对应的第二概念，包括与实体E1：绩效费率制对应的实体E1’：收支结余，形成自然语言为“收支结余是否是一种绩效评价方法？”的第二问题。上述过程对应的SPARQL查询语言具体如下：
@prefix perf:http://www.palline.cn/perf_eval_method/
ASK{“绩效费率制”perf:closeTerm“收支结余”.
“收支结余”perf:domainOf“绩效评价方法”.}
返回与第二问题对应的结果Answer:Yes.
在上述例子中，与第一问题对应的结果为No(否)，与第二问题对应的结果为Yes(是)。在具体实施中，可以仅向用户返回与第二问题对应的结果，也可以同时向用户返回与第一问题对应的结果。另外，在向用户返回与第二问题对应的结果的同时，还可以在语义逻辑的角度输出具有合情的解释内容，也即输出该结果的原因，从而提升用户的问答体验。
如图4所示，本实施例还提供一种基于知识图谱的问答系统400，包括扩展模块401、改写模块402以及查询模块403。
扩展模块401用于根据合情图模式对原始知识图谱进行扩展，得到目标知识图谱，所述合情图模式用于描述概念之间的语义关系。
改写模块402用于响应于输入的第一问题，根据目标合情图模式以及所述目标知识图谱对所述第一问题进行改写，形成至少一个第二问题。其中，所述目标合情图模式为合情图模式中的至少一种。
在可选的一种实施方式中，改写模块402具体包括识别单元、确定单元和形成单元。识别单元用于识别所述第一问题所涉及的第一概念。确定单元用于根据目标合情图模式确定所述目标知识图谱中与所述第一概念对应的第二概念。形成单元用于根据所述第一概念和所述第二概念形成至少一个第二问题。
查询模块403用于从所述目标知识图谱中查询与所述第二问题对应的结果，并输出与所述第二问题对应的结果。
在可选的一种实施方式中，查询模块403还用于响应于输入的第一问题，从所述目标知识图谱中查询与所述第一问题对应的结果，并输出与所述第一问题对应的结果。
需要说明的是，本实施例中的基于知识图谱的问答系统具体可以是单独的芯片、芯片模组或电子设备，也可以是集成于电子设备内的芯片或者芯片模组。
关于本实施例中描述的基于知识图谱的问答系统包含的各个模块/单元，其可以是软件模块/单元，也可以是硬件模块/单元，或者也可以部分是软件模块/单元，部分是硬件模块/单元。例如，对于应用于或集成于芯片的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片内部集成的处理器，剩余的部分模块/单元可以采用电路等硬件方式实现；对于应用于或集成于芯片模组的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于芯片模组的同一组件(例如芯片、电路模块等)或者不同组件中，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片模组内部集成的处理器，剩余的部分模块/单元可以采用电路等硬件方式实现；对于应用于或集成于基站或电子设备的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于电子设备内同一组件(例如，芯片、电路模块等)或者不同组件中，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于电子设备内部集成的处理器，剩余的部分模块/单元可以采用电路等硬件方式实现。
实施例2
图5为本实施例提供的一种电子设备的结构示意图。所述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实施例1的基于知识图谱的问答方法。图5显示的电子设备3仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
电子设备3的组件可以包括但不限于：上述至少一个处理器4、上述至少一个存储器5、连接不同系统组件(包括存储器5和处理器4)的总线6。
总线6包括数据总线、地址总线和控制总线。
存储器5可以包括易失性存储器，例如随机存取存储器(RAM)51和/或高速缓存存储器52，还可以进一步包括只读存储器(ROM)53。
存储器5还可以包括具有一组(至少一个)程序模块54的程序/实用工具55，这样的程序模块54包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器4通过运行存储在存储器5中的计算机程序，从而执行各种功能应用以及数据处理，例如上述基于知识图谱的问答方法。
电子设备3也可以与一个或多个外部设备7(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口8进行。并且，电子设备3还可以通过网络适配器9与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器9通过总线6与电子设备3的其它模块通信。应当明白，尽管图5中未示出，可以结合电子设备3使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例3
本实施例提供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实施例1中的基于知识图谱的问答方法。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在电子设备上运行时，所述程序代码用于使所述电子设备执行实现实施例1中的基于知识图谱的问答方法。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在电子设备上执行、部分地在电子设备上执行、作为一个独立的软件包执行、部分在电子设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种基于知识图谱的问答方法，其特征在于，包括以下步骤：
响应于输入的第一问题，根据目标合情图模式以及目标知识图谱对所述第一问题进行改写，形成至少一个第二问题；其中，所述目标合情图模式为合情图模式中的至少一种，所述合情图模式用于描述概念之间的语义关系，所述目标知识图谱为根据所述合情图模式对原始知识图谱进行扩展得到的；
从所述目标知识图谱中查询与所述第二问题对应的结果，并输出与所述第二问题对应的结果。
2.如权利要求1所述的基于知识图谱的问答方法，其特征在于，所述根据目标合情图模式以及目标知识图谱对所述第一问题进行改写，形成至少一个第二问题的步骤具体包括：
识别所述第一问题所涉及的第一概念；
根据目标合情图模式确定目标知识图谱中与所述第一概念对应的第二概念；
根据所述第一概念和所述第二概念形成至少一个第二问题。
3.如权利要求2所述的基于知识图谱的问答方法，其特征在于，
所述第一概念包括实体和关系，或者，
所述第一概念包括实体和属性。
4.如权利要求1-3中任一项所述的基于知识图谱的问答方法，其特征在于，所述基于知识图谱的问答方法还包括以下步骤：
响应于输入的第一问题，从所述目标知识图谱中查询与所述第一问题对应的结果，并输出与所述第一问题对应的结果。
5.一种基于知识图谱的问答系统，其特征在于，包括：
扩展模块，用于根据合情图模式对原始知识图谱进行扩展，得到目标知识图谱，所述合情图模式用于描述概念之间的语义关系；
改写模块，用于响应于输入的第一问题，根据目标合情图模式以及所述目标知识图谱对所述第一问题进行改写，形成至少一个第二问题；其中，所述目标合情图模式为合情图模式中的至少一种；
查询模块，用于从所述目标知识图谱中查询与所述第二问题对应的结果，并输出与所述第二问题对应的结果。
6.如权利要求5所述的基于知识图谱的问答系统，其特征在于，所述改写模块具体包括：
识别单元，用于识别所述第一问题所涉及的第一概念；
确定单元，用于根据目标合情图模式确定所述目标知识图谱中与所述第一概念对应的第二概念；
形成单元，用于根据所述第一概念和所述第二概念形成至少一个第二问题。
7.如权利要求6所述的基于知识图谱的问答系统，其特征在于，
所述第一概念包括实体和关系，或者，
所述第一概念包括实体和属性。
8.如权利要求5-7中任一项所述的基于知识图谱的问答系统，其特征在于，所述查询模块还用于响应于输入的第一问题，从所述目标知识图谱中查询与所述第一问题对应的结果，并输出与所述第一问题对应的结果。
9.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的基于知识图谱的问答方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的基于知识图谱的问答方法。
CN202110909189.6A 2021-08-09 2021-08-09 基于知识图谱的问答方法及系统、电子设备及存储介质 Pending CN115146037A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110909189.6A CN115146037A (zh) 2021-08-09 2021-08-09 基于知识图谱的问答方法及系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110909189.6A CN115146037A (zh) 2021-08-09 2021-08-09 基于知识图谱的问答方法及系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115146037A true CN115146037A (zh) 2022-10-04

Family

ID=83405544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110909189.6A Pending CN115146037A (zh) 2021-08-09 2021-08-09 基于知识图谱的问答方法及系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115146037A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160103911A (ko) * 2015-02-24 2016-09-02 한국과학기술원 개념 그래프 매칭을 이용한 질의응답 방법 및 시스템
CN110162642A (zh) * 2019-05-21 2019-08-23 武汉大学 基于对象代理数据库的专利知识图谱构建方法
CN110457431A (zh) * 2019-07-03 2019-11-15 深圳追一科技有限公司 基于知识图谱的问答方法、装置、计算机设备和存储介质
CN110895561A (zh) * 2019-11-13 2020-03-20 中国科学院自动化研究所 基于多模态知识感知的医疗问答检索方法、系统、装置
CN111708874A (zh) * 2020-08-24 2020-09-25 湖南大学 基于复杂意图智能识别的人机交互问答方法与系统
CN112035637A (zh) * 2020-08-28 2020-12-04 康键信息技术（深圳）有限公司 医学领域意图识别方法、装置、设备及存储介质
WO2021017290A1 (zh) * 2019-07-31 2021-02-04 平安科技（深圳）有限公司 基于知识图谱的实体识别数据增强方法及系统
CN112905764A (zh) * 2021-02-07 2021-06-04 深圳万海思数字医疗有限公司 流行病咨询防治与培训系统构建方法及系统
CN113010660A (zh) * 2021-04-22 2021-06-22 国网信息通信产业集团有限公司 一种基于知识图谱的智能问答方法及装置
WO2021129515A1 (zh) * 2019-12-23 2021-07-01 中兴通讯股份有限公司 一种知识图谱的查询方法、电子设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160103911A (ko) * 2015-02-24 2016-09-02 한국과학기술원 개념 그래프 매칭을 이용한 질의응답 방법 및 시스템
CN110162642A (zh) * 2019-05-21 2019-08-23 武汉大学 基于对象代理数据库的专利知识图谱构建方法
CN110457431A (zh) * 2019-07-03 2019-11-15 深圳追一科技有限公司 基于知识图谱的问答方法、装置、计算机设备和存储介质
WO2021017290A1 (zh) * 2019-07-31 2021-02-04 平安科技（深圳）有限公司 基于知识图谱的实体识别数据增强方法及系统
CN110895561A (zh) * 2019-11-13 2020-03-20 中国科学院自动化研究所 基于多模态知识感知的医疗问答检索方法、系统、装置
WO2021129515A1 (zh) * 2019-12-23 2021-07-01 中兴通讯股份有限公司 一种知识图谱的查询方法、电子设备及存储介质
CN111708874A (zh) * 2020-08-24 2020-09-25 湖南大学 基于复杂意图智能识别的人机交互问答方法与系统
CN112035637A (zh) * 2020-08-28 2020-12-04 康键信息技术（深圳）有限公司 医学领域意图识别方法、装置、设备及存储介质
CN112905764A (zh) * 2021-02-07 2021-06-04 深圳万海思数字医疗有限公司 流行病咨询防治与培训系统构建方法及系统
CN113010660A (zh) * 2021-04-22 2021-06-22 国网信息通信产业集团有限公司 一种基于知识图谱的智能问答方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HOSSEIN MOHAMMADHASSANZADEH: ""Plausible Reasoning Over Knowledge Graphs: A Novel Approach for Semantics-based Health Data Analytics"", 《HTTP://HDL.HANDLE.NET/10222/79611》, 7 August 2020 (2020-08-07), pages 34 - 102 *

Similar Documents

Publication Publication Date Title
US11829391B2 (en) Systems, methods, and apparatuses for executing a graph query against a graph representing a plurality of data stores
JP7034184B2 (ja) 意味グラフにおけるメタ関係の適応評価のためのコンピュータ実施方法、コンピュータ・システム、及びコンピュータ・プログラム
US20200387808A1 (en) Cognitive Attribution
Cillo et al. Niche tourism destinations’ online reputation management and competitiveness in big data era: Evidence from three Italian cases
Grace et al. Data-intensive evaluation of design creativity using novelty, value, and surprise
Mai et al. Relaxing unanswerable geographic questions using a spatially explicit knowledge graph embedding model
US20120158791A1 (en) Feature vector construction
US7080082B2 (en) System and method for finding the acceleration of an information aggregate
US20040088312A1 (en) System and method for determining community overlap
US20110099139A1 (en) Standard Based Mapping of Industry Vertical Model to Legacy Environments
US20130091138A1 (en) Contextualization, mapping, and other categorization for data semantics
Dupont et al. CHSPAM: a multi-domain model for sequential pattern discovery and monitoring in contexts histories
Ara et al. Web-of-objects based user-centric semantic service composition methodology in the internet of things
US20040088649A1 (en) System and method for finding the recency of an information aggregate
Portmann et al. FORA–A fuzzy set based framework for online reputation management
Zhu et al. Cyber-physical-social-thinking modeling and computing for geological information service system
US12008047B2 (en) Providing an object-based response to a natural language query
EP4237959A1 (en) Vector-based search result generation
Al-Sayed et al. An intelligent cloud service discovery framework
US20130268394A1 (en) Dynamic recommendations based on psychological types
Chang et al. An adaptive contextual recommender system: A slow intelligence perspective
Francis et al. Equivalent statistics for a one-sample t-test
Deng et al. Exploring the topic structure and evolution of associations in information behavior research through co-word analysis
Jiang et al. A domain ontology approach in the ETL process of data warehousing
Sandhu et al. An effective framework for finding similar cases of dengue from audio and text data using domain thesaurus and case base reasoning

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