CN115712711A - 一种基于检索和知识图谱的军事法规问答方法 - Google Patents
一种基于检索和知识图谱的军事法规问答方法 Download PDFInfo
- Publication number
- CN115712711A CN115712711A CN202211463634.1A CN202211463634A CN115712711A CN 115712711 A CN115712711 A CN 115712711A CN 202211463634 A CN202211463634 A CN 202211463634A CN 115712711 A CN115712711 A CN 115712711A
- Authority
- CN
- China
- Prior art keywords
- question
- level
- military
- answer
- word
- 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 34
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims description 37
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明的目的是提供一种基于检索和知识图谱的军事法规问答方法，通过运用以上两种技术构建军事法规问答系统，先将问题定位到最相关的法规条款，再通过匹配语义关系得出短答案，以条款完整内容和层次脉络作为补充，融合两种技术的优势，并通过测试验证问答效果。
Description
技术领域
本发明涉及军事法规问答技术领域，特别涉及一种基于检索和知识图谱的军事法规问答方法。
背景技术
随着人类社会迈入信息化、智能化时代，战争和军事行动面貌随之发生深刻演变，尤其是舆论战、心理战和法律战等认知领域作战样式的兴起，对指挥信息系统的综合信息服务能力提出了更高要求。军事法规作为指导战场行动的法理依据，重要性不可忽视，特别是在认知作战领域，其作用早已从幕后走向前台。指挥员做出决策需要详细的法规支持，每一步都应做到有据可查。然而，在信息化条件下，人工查阅文本的传统方式显然已经跟不上战争节奏，难以满足战场决策需要。因此，构建准确、高效、灵活、智能的军事法规问答系统，具有广阔的应用前景。
目前，法规问答可归纳为七类，分别是判断类、多选项类、检索类、大数据类、本体类、神经网络类与其他方法。基于信息检索(information retrieval，IR)的法规问答首先定位包含相关信息的段落，再确定具体答案，但目前尚未见可用于问答的军事法规开源图谱。
信息检索技术可根据关键词迅速找到相关法规和条款，但难以直接给出问题答案，需要人工阅读条款。知识图谱问答的效果依赖图谱的规模和质量，工作量较大，且答案缺乏来源信息和可解释性，因此，单独采用检索或知识图谱技术构建的问答系统均不能契合军事辅助决策的需求。
发明内容
本发明的目的是提供一种基于检索和知识图谱的军事法规问答方法，用来背景技术中提出的问题。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于检索和知识图谱的军事法规问答方法，包括军事法规文本预处理、军事法规问答和实验与分析三个步骤：
所述军事法规文本预处理包括以下步骤：
步骤一：法规标题识别：军事法规篇章结构严谨、层次鲜明，各级标题对所属内容的概括凝练而准确，将法规文本以条款为单位进行分割，对于信息检索十分重要，军事法规的标题结构具有很强的规律性，通常一级标题为“第X章”、二级标题为“第X节”、三级标题为“第X条”；
步骤二：生成条款检索树：在标题识别的基础上，为快速定位与问题最相关的条款，根据军事法规特点对经典的TF-IDF算法进行调整；
步骤三：语义关系标注：为了向简单问题提供简明扼要的短答案，需利用知识图谱技术对法规条款进行语义关系标注，生成大量知识“三元组”，知识的规模和质量将直接影响问题理解能力与解答质量，主要有三种标注方式：一是人工标注，较为详细准确，但费时费力；二是自动标注，可批量处理句式固定的条款，但需逐一编写程序；三是从题库提取简洁的题目进行转换，但受限于题库规模。
进一步的，其特征在于，所述军事法规问答包括以下步骤：
步骤一：问句处理：回答问题的前提是将自然语言形式的问句处理成可被计算机理解的数据，所述问句处理包含疑问词替换、指定搜索范围和分词三个步骤；
a、疑问词替换：自然语言中的疑问词对于检索是无用的，应在准确理解提问者意图后将其去除。本系统通过枚举常见的提问方式来理解意图，对部分字词进行近义替换可减少枚举数量，例如，“X包含哪些条目”、“X含有什么条款”、“X包括哪些章节”都会替换成“X有什么内容”，只要识别后者，就能理解类似的一系列提法；
b、指定搜索范围：对于“X法规对Y有何规定”、“X法规附则有哪几条”的提问，在提问者指定的范围内搜索后，将范围限定词代表的层级作为初始搜索节点，未指定范围，则从包含所有法规的根节点开始搜索；
c、问句分词：除去开头的范围限定词和末尾的疑问词后，对问句其余部分进行分词，由实词构成问句词组，《军语》词汇、人工标注的军事用语可增强通用分词工具在军事法规领域的分词效果；
步骤二：答案组织：问句处理明确了搜索范围和问句词组，在此基础上通过检索相关条款、匹配语义关系和输出答案三个步骤，完成一次问答；
a、检索相关条款：以问句词组和代表搜索范围的初始搜索节点为输入，运行条款检索算法，输出的答案列表即为相关度最高的条款集合，若答案列表为空，则表示找不到相关条款；
b、匹配语义关系：预处理过程中的语义关系标注为各条款添加了若干知识三元组，问句匹配了答案条款所包含的三元组，则给出短答案；
c、输出答案：虽然短答案提供了关键信息，但询问者可能还想了解更详细的信息，此外，仍有大量知识难以用三元组表述，很多问题也不能用短答案解答，因此，还需要答案来源和条款全文作为补充，以增强说服力和准确性，此外，知识图谱除了难以解决找不到语义关系的问题，也不适合回答询问章节条款的问题，而本系统建立了完善的目录层级，便于回答此类问题；
步骤三：辅助答题：利用条款检索和语义匹配能力实现答题模块，能尝试解答判断题、单选题、多选题和填空题，该功能可用于辅助军事法规学习和测试，也可用于从题库添加语义关系，将题干视为问题，检索到最相关的法规条款，对于单选题、多选题和填空题，尝试通过匹配语义关系得出答案，对于判断题或无法匹配语义关系的情况，采用字符串匹配确定答案，对于仍不能确定答案的单选题和多选。
进一步的，所述实验与分析包括问答测试和对比分析两个步骤。
进一步的，所述步骤一中的生成条款检索树包括以下步骤进行生成：
步骤一：构建分词计数器：分词计数器是一种数据结构，用于保存一段文字中各分词的词频(term frequency，TF)，问答系统的各级目录层级均具备上级标题计数器Cup、本级标题计数器Cnow和正文计数器Ctext，将本级标题与上级标题分别计数，是因为本级标题与本级内容相关性最强，权重更高，在正文或上级标题中，分词出现频率越高并不代表它与该条款的相关性越强，本文的TF值已不单指分词频率，Cup和Ctext只统计分词出现与否(值为0或1)，Cnow中的值表示各分词占总词数的比率，求分词a在某层级的TF值，即按下式计算三个分词计数器相应值的加权和：
TF[a]＝Cup[a]×Wup+Cnow[a]×Wnow+Ctext[a]×Wtext (1)
式(1)中，Wup、Wnow和Wtext表示各分词计数器的权重；
步骤二：分词计数器更新：为使各层级的分词计数器准确反映分词与所属内容的最强相关性，每构建完一个条款的分词计数器后，Cnow和Ctext要分别自下而上逐级更新至表示整部法规的顶部层级，相邻两层级间的更新方法如下：对于本级计数器包含的全部分词，取本级计数器和上级计数器中的最大值更新上级计数器，即：
式(2)中，C表示本级的Cnow或Ctext，C′表示上级的Cnow或Ctext，∑表示C中记录的全部分词集合，分词计数器的设置与TF-IDF经典模型有所区别，是经反复实践优化形成的，更贴合军事法规特性；
步骤三：计算分词IDF：分词的重要性，取决于对定位条款提供的信息量，本文以末端层级(对于军事法规而言通常是“条”)为基本单元计算各分词的逆文本频率(inversedocument frequency，IDF)值，作为其全局重要性的度量，公式如下：
式(3)中，N表示系统内全部法规的条款总数，Na表示包含分词a的条款数，求词组V与某层级的TF-IDF值，即将V中各分词与该层级的TF-IDF值累加，公式如下：
TF·IDF[V]＝∑a∈VTF[a]×IDF[a] (4)
通过以上步骤构建条款检索树，将抽象的相关性度量问题转化为分词词组与各层级TF-IDF值的计算问题，方便计算机快速求解。
本发明的有益效果为：
本发明一种基于检索和知识图谱的军事法规问答方法，通过运用以上两种技术构建军事法规问答系统，先将问题定位到最相关的法规条款，再通过匹配语义关系得出短答案，以条款完整内容和层次脉络作为补充，融合两种技术的优势，并通过测试验证问答效果。
附图说明
图1为本发明一种基于检索和知识图谱的军事法规问答方法流程图；
图2为本发明一种基于检索和知识图谱的军事法规问答方法问句字词替换示意图；
图3为本发明一种基于检索和知识图谱的军事法规问答方法条款检索算法示意图；
图4为本发明一种基于检索和知识图谱的军事法规问答方法问答测试示意图；
图5为本发明一种基于检索和知识图谱的军事法规问答方法答题测试示意图；
具体实施方式
下面结合附图来进一步说明本发明的具体实施方式。其中相同的零部件用相同的附图标记表示。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
为了使本发明的内容更容易被清楚地理解，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。其中相同的零部件用相同的附图标记表示。
一种基于检索和知识图谱的军事法规问答方法，包括军事法规文本预处理、军事法规问答和实验与分析三个步骤：
军事法规文本预处理包括以下步骤：
步骤一：法规标题识别：军事法规篇章结构严谨、层次鲜明，各级标题对所属内容的概括凝练而准确，将法规文本以条款为单位进行分割，对于信息检索十分重要，军事法规的标题结构具有很强的规律性，通常一级标题为“第X章”、二级标题为“第X节”、三级标题为“第X条”；
步骤二：生成条款检索树：在标题识别的基础上，为快速定位与问题最相关的条款，根据军事法规特点对经典的TF-IDF算法进行调整；
步骤三：语义关系标注：为了向简单问题提供简明扼要的短答案，需利用知识图谱技术对法规条款进行语义关系标注，生成大量知识“三元组”，知识的规模和质量将直接影响问题理解能力与解答质量，主要有三种标注方式：一是人工标注，较为详细准确，但费时费力；二是自动标注，可批量处理句式固定的条款，但需逐一编写程序；三是从题库提取简洁的题目进行转换，但受限于题库规模。
军事法规问答包括以下步骤：
步骤一：问句处理：回答问题的前提是将自然语言形式的问句处理成可被计算机理解的数据，问句处理包含疑问词替换、指定搜索范围和分词三个步骤；
a、疑问词替换：自然语言中的疑问词对于检索是无用的，应在准确理解提问者意图后将其去除。本系统通过枚举常见的提问方式来理解意图，对部分字词进行近义替换可减少枚举数量；
b、指定搜索范围：对于“X法规对Y有何规定”、“X法规附则有哪几条”的提问，在提问者指定的范围内搜索后，将范围限定词代表的层级作为初始搜索节点，未指定范围，则从包含所有法规的根节点开始搜索；
c、问句分词：除去开头的范围限定词和末尾的疑问词后，对问句其余部分进行分词，由实词构成问句词组，《军语》词汇、人工标注的军事用语可增强通用分词工具在军事法规领域的分词效果；
步骤二：答案组织：问句处理明确了搜索范围和问句词组，在此基础上通过检索相关条款、匹配语义关系和输出答案三个步骤，完成一次问答；
a、检索相关条款：以问句词组和代表搜索范围的初始搜索节点为输入，运行条款检索算法，输出的答案列表即为相关度最高的条款集合，若答案列表为空，则表示找不到相关条款；
b、匹配语义关系：预处理过程中的语义关系标注为各条款添加了若干知识三元组，问句匹配了答案条款所包含的三元组，则给出短答案；
c、输出答案：虽然短答案提供了关键信息，但询问者可能还想了解更详细的信息，此外，仍有大量知识难以用三元组表述，很多问题也不能用短答案解答，因此，还需要答案来源和条款全文作为补充，以增强说服力和准确性，此外，知识图谱除了难以解决找不到语义关系的问题，也不适合回答询问章节条款的问题，而本系统建立了完善的目录层级，便于回答此类问题；
步骤三：辅助答题：利用条款检索和语义匹配能力实现答题模块，能尝试解答判断题、单选题、多选题和填空题，该功能可用于辅助军事法规学习和测试，也可用于从题库添加语义关系，将题干视为问题，检索到最相关的法规条款，对于单选题、多选题和填空题，尝试通过匹配语义关系得出答案，对于判断题或无法匹配语义关系的情况，采用字符串匹配确定答案，对于仍不能确定答案的单选题和多选。
实验与分析包括问答测试和对比分析两个步骤。
步骤一中的生成条款检索树包括以下步骤进行生成：
步骤一：构建分词计数器：分词计数器是一种数据结构，用于保存一段文字中各分词的词频(term frequency，TF)。本问答系统的各级目录层级均具备上级标题计数器Cup、本级标题计数器Cnow和正文计数器Ctext。将本级标题与上级标题分别计数，是因为本级标题与本级内容相关性最强，权重更高。在正文或上级标题中，分词出现频率越高并不代表它与该条款的相关性越强。例如，队列条令第二十条“步法变换”正文中“齐步”一词出现8次，而第十八条“行进(一)齐步”正文中“齐步”仅出现2次，若以传统意义上的词频计数则会将“齐步”引向非期望条款。因此本文的TF值已不单指分词频率，Cup和Ctext只统计分词出现与否(值为0或1)，Cnow中的值表示各分词占总词数的比率。
求分词a在某层级的TF值，即按下式计算三个分词计数器相应值的加权和：
TF[a]＝Cup[a]×Wup+Cnow[a]×Wnow+Ctext[a]×Wtext (1)
式(1)中，Wup、Wnow和Wtext表示各分词计数器的权重。
步骤二：分词计数器更新：为使各层级的分词计数器准确反映分词与所属内容的最强相关性，每构建完一个条款的分词计数器后，Cnow和Ctext要分别自下而上逐级更新至表示整部法规的顶部层级，相邻两层级间的更新方法如下：对于本级计数器包含的全部分词，取本级计数器和上级计数器中的最大值更新上级计数器，即：
式(2)中，C表示本级的Cnow或Ctext，C′表示上级的Cnow或Ctext，∑表示C中记录的全部分词集合，例如，队列条令第十四条标题是“立正”，则第十四条的Cnow中分词“立正”的TF值为1(最大值)，因此第十四条所在的第四章的Cnow、以及队列条令的Cnow中“立正”的TF值都更新为1，便于自上而下逐层找到与“立正”最相关的条款(队列条令——第四章——第十四条)分词计数器的设置与TF-IDF经典模型有所区别，是经反复实践优化形成的，更贴合军事法规特性；
步骤三：计算分词IDF：分词的重要性，取决于对定位条款提供的信息量，本文以末端层级(对于军事法规而言通常是“条”)为基本单元计算各分词的逆文本频率(inversedocument frequency，IDF)值，作为其全局重要性的度量，公式如下：
式(3)中，N表示系统内全部法规的条款总数，Na表示包含分词a的条款数，求词组V与某层级的TF-IDF值，即将V中各分词与该层级的TF-IDF值累加，公式如下：
TF·IDF[V]＝∑a∈VTF[a]×IDF[a] (4)
通过以上步骤构建条款检索树，将抽象的相关性度量问题转化为分词词组与各层级TF-IDF值的计算问题，方便计算机快速求解。
以上所述仅为本发明专利的较佳实施例而已，并不用以限制本发明专利，凡在本发明专利的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明专利的保护范围之内。
Claims (4)
1.一种基于检索和知识图谱的军事法规问答方法，其特征在于，包括军事法规文本预处理、军事法规问答和实验与分析三个步骤：
所述军事法规文本预处理包括以下步骤：
步骤一：法规标题识别：军事法规篇章结构严谨、层次鲜明，各级标题对所属内容的概括凝练而准确，将法规文本以条款为单位进行分割，对于信息检索十分重要，军事法规的标题结构具有很强的规律性，通常一级标题为“第X章”、二级标题为“第X节”、三级标题为“第X条”；
步骤二：生成条款检索树：在标题识别的基础上，为快速定位与问题最相关的条款，根据军事法规特点对经典的TF-IDF算法进行调整；
步骤三：语义关系标注：为了向简单问题提供简明扼要的短答案，需利用知识图谱技术对法规条款进行语义关系标注，生成大量知识“三元组”，知识的规模和质量将直接影响问题理解能力与解答质量，主要有三种标注方式：一是人工标注，较为详细准确，但费时费力；二是自动标注，可批量处理句式固定的条款，但需逐一编写程序；三是从题库提取简洁的题目进行转换，但受限于题库规模。
2.根据权利要求1所述的一种基于检索和知识图谱的军事法规问答方法，其特征在于，所述军事法规问答包括以下步骤：
步骤一：问句处理：回答问题的前提是将自然语言形式的问句处理成可被计算机理解的数据，所述问句处理包含疑问词替换、指定搜索范围和分词三个步骤；
a、疑问词替换：自然语言中的疑问词对于检索是无用的，应在准确理解提问者意图后将其去除，本系统通过枚举常见的提问方式来理解意图，对部分字词进行近义替换可减少枚举数量；
b、指定搜索范围：对于“X法规对Y有何规定”、“X法规附则有哪几条”的提问，在提问者指定的范围内搜索后，将范围限定词代表的层级作为初始搜索节点，未指定范围，则从包含所有法规的根节点开始搜索；
c、问句分词：除去开头的范围限定词和末尾的疑问词后，对问句其余部分进行分词，由实词构成问句词组，《军语》词汇、人工标注的军事用语可增强通用分词工具在军事法规领域的分词效果；
步骤二：答案组织：问句处理明确了搜索范围和问句词组，在此基础上通过检索相关条款、匹配语义关系和输出答案三个步骤，完成一次问答；
a、检索相关条款：以问句词组和代表搜索范围的初始搜索节点为输入，运行条款检索算法，输出的答案列表即为相关度最高的条款集合，若答案列表为空，则表示找不到相关条款；
b、匹配语义关系：预处理过程中的语义关系标注为各条款添加了若干知识三元组，问句匹配了答案条款所包含的三元组，则给出短答案；
c、输出答案：虽然短答案提供了关键信息，但询问者可能还想了解更详细的信息，此外，仍有大量知识难以用三元组表述，很多问题也不能用短答案解答，因此，还需要答案来源和条款全文作为补充，以增强说服力和准确性，此外，知识图谱除了难以解决找不到语义关系的问题，也不适合回答询问章节条款的问题，而本系统建立了完善的目录层级，便于回答此类问题；
步骤三：辅助答题：利用条款检索和语义匹配能力实现答题模块，能尝试解答判断题、单选题、多选题和填空题，该功能可用于辅助军事法规学习和测试，也可用于从题库添加语义关系，将题干视为问题，检索到最相关的法规条款，对于单选题、多选题和填空题，尝试通过匹配语义关系得出答案，对于判断题或无法匹配语义关系的情况，采用字符串匹配确定答案，对于仍不能确定答案的单选题和多选。
3.根据权利要求1所述的一种基于检索和知识图谱的军事法规问答方法，其特征在于，所述实验与分析包括问答测试和对比分析两个步骤。
4.根据权利要求1所述的一种基于检索和知识图谱的军事法规问答方法，其特征在于，所述步骤一中的生成条款检索树包括以下步骤进行生成：
步骤一：构建分词计数器：分词计数器是一种数据结构，用于保存一段文字中各分词的词频(termfrequency，TF)，问答系统的各级目录层级均具备上级标题计数器Cup、本级标题计数器Cnow和正文计数器Ctext，将本级标题与上级标题分别计数，是因为本级标题与本级内容相关性最强，权重更高，在正文或上级标题中，分词出现频率越高并不代表它与该条款的相关性越强，本文的TF值已不单指分词频率，Cup和Ctext只统计分词出现与否(值为0或1)，Cnow中的值表示各分词占总词数的比率，求分词a在某层级的TF值，即按下式计算三个分词计数器相应值的加权和：
TF[a]＝Cup[a]×Wup+Cnpw[a]×Wnow+Ctext[a]×Wtext (1)
式(1)中，Wup、Wnow和Wtext表示各分词计数器的权重；
步骤二：分词计数器更新：为使各层级的分词计数器准确反映分词与所属内容的最强相关性，每构建完一个条款的分词计数器后，Cnow和Ctext要分别自下而上逐级更新至表示整部法规的顶部层级，相邻两层级间的更新方法如下：对于本级计数器包含的全部分词，取本级计数器和上级计数器中的最大值更新上级计数器，即：
式(2)中，C表示本级的Cnow或Ctext，C′表示上级的Cnow或Ctext，∑表示C中记录的全部分词集合，分词计数器的设置与TF-IDF经典模型有所区别，是经反复实践优化形成的，更贴合军事法规特性；
步骤三：计算分词IDF：分词的重要性，取决于对定位条款提供的信息量，本文以末端层级(对于军事法规而言通常是“条”)为基本单元计算各分词的逆文本频率(inversedocument frequency，IDF)值，作为其全局重要性的度量，公式如下：
式(3)中，N表示系统内全部法规的条款总数，Na表示包含分词a的条款数，求词组V与某层级的TF-IDF值，即将V中各分词与该层级的TF-IDF值累加，公式如下：
TF·IDF[V]＝∑a∈VTF[a]×IDF[a] (4)
通过以上步骤构建条款检索树，将抽象的相关性度量问题转化为分词词组与各层级TF-IDF值的计算问题，方便计算机快速求解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211463634.1A CN115712711A (zh) | 2022-11-22 | 2022-11-22 | 一种基于检索和知识图谱的军事法规问答方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211463634.1A CN115712711A (zh) | 2022-11-22 | 2022-11-22 | 一种基于检索和知识图谱的军事法规问答方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115712711A true CN115712711A (zh) | 2023-02-24 |
Family
ID=85234031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211463634.1A Pending CN115712711A (zh) | 2022-11-22 | 2022-11-22 | 一种基于检索和知识图谱的军事法规问答方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115712711A (zh) |
-
2022
- 2022-11-22 CN CN202211463634.1A patent/CN115712711A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021000676A1 (zh) | 问答方法、问答装置、计算机设备及存储介质 | |
| CN111680173B (zh) | 统一检索跨媒体信息的cmr模型 | |
| CN110442760B (zh) | 一种问答检索系统的同义词挖掘方法及装置 | |
| AU2019263758B2 (en) | Systems and methods for generating a contextually and conversationally correct response to a query | |
| CN103678576B (zh) | 基于动态语义分析的全文检索系统 | |
| WO2021093755A1 (zh) | 问题的匹配方法及装置、问题的回复方法及装置 | |
| CN103838833B (zh) | 基于相关词语语义分析的全文检索系统 | |
| CN115455935A (zh) | 一种文本信息智能处理系统 | |
| CN103049435B (zh) | 文本细粒度情感分析方法及装置 | |
| CN111950285A (zh) | 多模态数据融合的医疗知识图谱智能自动构建系统和方法 | |
| CN111475623A (zh) | 基于知识图谱的案件信息语义检索方法及装置 | |
| CN112069298A (zh) | 基于语义网和意图识别的人机交互方法、设备及介质 | |
| Xie et al. | Topic enhanced deep structured semantic models for knowledge base question answering | |
| CN107291688A (zh) | 基于主题模型的裁判文书相似度分析方法 | |
| WO2018153215A1 (zh) | 一种自动生成语义相近句子样本的方法 | |
| CN105868313A (zh) | 一种基于模板匹配技术的知识图谱问答系统及方法 | |
| CN106649260A (zh) | 基于评论文本挖掘的产品特征结构树构建方法 | |
| WO2023040493A1 (zh) | 事件检测 | |
| WO2020074017A1 (zh) | 基于深度学习的医学文献中关键词筛选方法及装置 | |
| CN110263319A (zh) | 一种基于网页文本的学者观点抽取方法 | |
| CN111553160B (zh) | 一种获取法律领域问句答案的方法和系统 | |
| CN114579705B (zh) | 一种面向可持续发展教育的学习辅助方法及系统 | |
| CN112328800A (zh) | 自动生成编程规范问题答案的系统及方法 | |
| CN112036178A (zh) | 一种配网实体相关的语义搜索方法 | |
| CN107818081A (zh) | 基于深度语义模型与语义角色标注的句子相似度评估方法 |
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 |