CN117112765A - 基于大数据模型和知识图谱融合的领域机器人问答系统 - Google Patents
基于大数据模型和知识图谱融合的领域机器人问答系统 Download PDFInfo
- Publication number
- CN117112765A CN117112765A CN202311149481.8A CN202311149481A CN117112765A CN 117112765 A CN117112765 A CN 117112765A CN 202311149481 A CN202311149481 A CN 202311149481A CN 117112765 A CN117112765 A CN 117112765A
- Authority
- CN
- China
- Prior art keywords
- question
- data
- module
- model
- sentence
- 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.)
- Withdrawn
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 34
- 238000013499 data model Methods 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000010276 construction Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 14
- 230000014509 gene expression Effects 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008451 emotion Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
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
- G06F16/3335—Syntactic pre-processing, e.g. stopword elimination, stemming
-
- 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
-
- 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
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于大数据模型和知识图谱融合的领域机器人问答系统,包括:获取模块:获取模块用于获取用户问句;图谱构建模块;预处理模块:预处理模块用于对所述用户问句进行预处理,用于对问题语句进行分句处理,即通过标点符号以及关键词将长语句划分为短语句,然后分别对每个短语句进行语义解析;模型融合模块:模型融合模块用于将词对齐模型和句子向量模型融合,获取用户问句属于每个类别的概率;回答模块:所述回答模块用于通过问题语义解析,得到问题的意图,根据问题的意图从融合图谱中找到对应的数据信息,组成自然语言作为答案。本发明不仅提高了回答的准确性,而且还涉及范围比较宽广。
Description
技术领域
本发明涉及机器人问答技术领域,尤其涉及基于大数据模型和知识图谱融合的领域机器人问答系统。
背景技术
随着网络技术的不断普及,用户越来越多地使用服务提供商所提供的平台来向客服人员咨询比如服务质量、服务维护之类的问题。为了提高客服效果和节约人力成本,服务提供商通常使用比如客服机器人的问答机器人系统来与用户进行交流沟通并给予答复。例如,客服机器人首先使用具有标准问题/标准问题对和问题/答案对的知识数据库以及历史问题/答案实例来训练问答模型。接着,针对用户所输入的问法,使用所训练的问答模型来给出问题答案。
目前对话系统大概可分为单轮知识问答、闲聊、任务型对话、多轮闲聊等,现实应用中每个对话系统可支持一种,也可支持多种,支持多种的都需要主动的触发切换才能完成,而且涉及到知识问答一类的对话,只是基于知识库中的静态数据进行查找搜索,但是现实中事物的发展是动态的,而且会涵盖情绪、喜好等等信息在里面,所以一个完成融合了静态和动态多方位信息的知识库对于问答来说尤为重要的,并且基于充实完整的数据分析,可以完成各类对话的无感切换,更具拟人性,所以基于融合图谱的对话系统正是为了满足以上的需求,并且人在对话过程中是包含了很多因素的,其所掌握的知识、习惯、爱好、情绪等等,现有系统很难对其进行处理。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的基于大数据模型和知识图谱融合的领域机器人问答系统。
为了实现上述目的,本发明采用了如下技术方案:基于大数据模型和知识图谱融合的领域机器人问答系统,包括:
获取模块:所述获取模块用于获取用户问句,并通过人工制定规则和机器学习算法将数据转化为结构化数据并清洗无效数据;
图谱构建模块:所述图谱构建用于获取数据,根据数据分别构建知识图谱、事理图谱和用户画像,并对其进行融合;
预处理模块:所述预处理模块用于对所述用户问句进行预处理,用于对问题语句进行分句处理,即通过标点符号以及关键词将长语句划分为短语句,然后分别对每个短语句进行语义解析,所述长语句为包含逗号分号或者包含并且的并列语句;
模型融合模块:所述模型融合模块利用构建好的知识图谱和采集到的数据,通过机器学习和深度学习方法,训练大数据模型,用于将词对齐模型和句子向量模型融合,获取所述用户问句属于每个类别的概率;
回答模块:所述回答模块用于通过问题语义解析,得到问题的意图,根据问题的意图从融合图谱中找到对应的数据信息,组成自然语言作为答案。
作为上述技术方案的进一步描述:
所述图谱构建模块,包括:
知识图谱构建模块,用于将清洗后的结构化数据中的静态数据作为知识数据,对于知识数据中的规则化数据以及专有名词,直接对其进行实体抽取;对于知识数据中离散型的数据,采用统计机器学习的方法完成实体的分类和聚类,并采用模式匹配的方法来获取实体之间的关系,完成实体和关系属性的抽取;
事理图谱构建模块,用于将清洗后的结构化数据中的动态数据作为事理数据,包括事件和逻辑关系,根据逻辑关系制定关系承接词,基于承接词生成规则模板,根据模板首先抽取指定逻辑关系的语句,然后在语句中根据动宾关系抽取事件作为事理图谱中的节点;
用户画像构建模块,用于根据用户的包括习惯、属性、兴趣爱好在内的个人信息数据构建用户画像;
图谱融合模块,用于知识图谱与用户画像之间通过实体相同进行关联,事理图谱通过将事件中包含的实体以及与事件相关的实体分别与知识图谱中的实体进行关联,利用实体对齐或本体对齐,旨在从多个知识图谱中匹配同一实体。
作为上述技术方案的进一步描述:
所述预处理模块,包括:
规则模板层,用于将问题语句转化为逻辑表达式的形式,与定义的模板进行匹配,如果匹配成功则解析成功,否则进入关键词模板层;
关键词模板层,用于根据问题语句中提取出的实词类型以及预先制定的关键词进行语义意图匹配,如果匹配成功则解析成功,否则进入分类模型层;
分类模型层,用于采用神经网络深度学习的方法,通过对预先标注好的语料文本数据进行训练,产生语义分类模型,将问题语句与语义分类模型进行匹配,得到语句中的实词,完成语义解析。
作为上述技术方案的进一步描述:
所述模型融合模块的概率分布函数为:p(i|q,X)=α*F1(q,X)+β*F2(q,X)其中,α+β=1,F1为词对齐模型,F2为句向量模型。
作为上述技术方案的进一步描述:
所述回答模块,包括以下步骤:提取问题语句中的实词后,通过词槽处理将问题语句转换为用于图谱查询的查询语句,通过查询语句在知识库预设有对应的答案;
针对无法转换为查询语句的情况,采用向量空间建模的方法,使用向量空间描述问题语句以及图谱的实体和关系,并对向量空间进行训练,通过比较问题语句和备选答案在向量空间中的距离实现知识的查找,并根据从融合后的图谱中查找出的知识构建回答语句。
本发明具有如下有益效果:
与现有技术相比,该基于大数据模型和知识图谱融合的领域机器人问答系统,包括预处理模块,可以对用户问句进行预处理,增加了模型的泛化能力;混合模型包括词对齐模型和句子向量模型,可以分别使用词对齐模型和句子向量模型进行用户问句的预测,再进行融合,从而能够提高预测的准确性;同时通过融合图谱打破了各类图谱之间的信息孤岛,构建了彼此之间的联系,形成了知识互补、形式互补,这样不仅使问答覆盖的领域范围更广,并且范围不仅仅是实际应用领域上的,还包括应用形式上,可以满足对实体的问题,也可以满足对事件的问答,同时答案生成会充分考虑用户的情绪,所以生成的语句也会有丰富的情感,融合图谱实现了互联互通,所以对问题的回答准确性也有极大的提升。
附图说明
图1为本发明提出的基于大数据模型和知识图谱融合的领域机器人问答系统的结构框图。
具体实施方式
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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
参照图1,本发明提供的基于大数据模型和知识图谱融合的领域机器人问答系统,包括:
获取模块:获取模块用于获取用户问句,并通过人工制定规则和机器学习算法将数据转化为结构化数据并清洗无效数据,以方便机器人进行精准回答;
图谱构建模块:图谱构建用于获取数据,根据数据分别构建知识图谱、事理图谱和用户画像,并对其进行融合,利用网络大数据进行汇总,使得图谱覆盖范围更广;
预处理模块:预处理模块用于对用户问句进行预处理,分析用户询问语句中富含什么问题,即通过标点符号以及关键词将长语句划分为短语句,然后分别对每个短语句进行语义解析。语义解析采用三层分级结构进行,三层依次是规则模板层、关键词模板层、分类模型层。三层结构按照先后顺序进行,每层解析后都会产生对应的置信度,如果在某层的置信度已经满足事先设定的阈值,则不往下层进行,认为已经解析出语义。规则模板是针对图谱数据中所涉及的具体领域,人为的经验性的提取出语法规则,用逻辑表达式来表示,这里采用正则表达式形成模板,将问题语句转化为逻辑表达式的形式,与所定义好的模板进行匹配,如果匹配成功则解析成功,因为正则表达式匹配精确度是很高的,所以在这一层如果找到了对应的模板形式,则认为成功,不进入到下一层,对于这一层因为人为制定的规则模板虽然准确度很高,但是覆盖的范围有限,容错度不高,所以对于第一层匹配不到的会进入第二层关键词模板层,在这一层中根据语句中提取出的实词类型以及预先制定好的关键词来进行语义意图匹配,这样语句的容错度更高,对语法的组成限定比较低,所以进一步弥补了上一层没有匹配成功的情况。对于前两层都无法解析成功的情况,又添加了第三层保证,第三层采用深度学习的方法,通过大量的数据进行训练,产生语义分类模型,这样就不需要对语句进行任何形式的转换,对那些无法转换形式,或模板和关键词未包含的情况进行了补充,确保了语义解析的高度准确性。三层中模板的设定、训练数据的选取都是根据融合后的图谱数据来选取的,这就产生了一种映射关系,从一定程度上加强了语义解析的方向性,准确度更高;
模型融合模块:模型融合模块利用构建好的知识图谱和采集到的数据,通过机器学习和深度学习方法,训练大数据模型,用于将词对齐模型和句子向量模型融合,获取用户问句属于每个类别的概率,以方便形成不同答案,使得方便形成用户想要的满意答案;
回答模块:回答模块用于通过问题语义解析,得到问题的意图,根据问题的意图从融合图谱中找到对应的数据信息,组成自然语言作为答案。
图谱构建模块,包括:
知识图谱构建模块,用于将清洗后的结构化数据中的静态数据作为知识数据,对于知识数据中的规则化数据以及专有名词,直接对其进行实体抽取;对于知识数据中离散型的数据,采用统计机器学习的方法完成实体的分类和聚类,并采用模式匹配的方法来获取实体之间的关系,完成实体和关系属性的抽取;
事理图谱构建模块,用于将清洗后的结构化数据中的动态数据作为事理数据,包括事件和逻辑关系,根据逻辑关系制定关系承接词,基于承接词生成规则模板,根据模板首先抽取指定逻辑关系的语句,然后在语句中根据动宾关系抽取事件作为事理图谱中的节点;
用户画像构建模块,用于根据用户的包括习惯、属性、兴趣爱好在内的个人信息数据构建用户画像;
图谱融合模块,用于知识图谱与用户画像之间通过实体相同进行关联,事理图谱通过将事件中包含的实体以及与事件相关的实体分别与知识图谱中的实体进行关联,利用实体对齐或本体对齐,旨在从多个知识图谱中匹配同一实体。
预处理模块,包括:
规则模板层,用于将问题语句转化为逻辑表达式的形式,与定义的模板进行匹配,如果匹配成功则解析成功,否则进入关键词模板层;
关键词模板层,用于根据问题语句中提取出的实词类型以及预先制定的关键词进行语义意图匹配,如果匹配成功则解析成功,否则进入分类模型层;
分类模型层,用于采用神经网络深度学习的方法,通过对预先标注好的语料文本数据进行训练,产生语义分类模型,将问题语句与语义分类模型进行匹配,得到语句中的实词,完成语义解析。
模型融合模块的概率分布函数为:p(i|q,X)=α*F1(q,X)+β*F2(q,X)其中,α+β=1,F1为词对齐模型,F2为句向量模型。
回答模块,包括以下步骤:提取问题语句中的实词后,通过词槽处理将问题语句转换为用于图谱查询的查询语句,通过查询语句在知识库预设有对应的答案;
针对无法转换为查询语句的情况,采用向量空间建模的方法,使用向量空间描述问题语句以及图谱的实体和关系,并对向量空间进行训练,通过比较问题语句和备选答案在向量空间中的距离实现知识的查找,并根据从融合后的图谱中查找出的知识构建回答语句。同时利用大数据的知识推理能力推理出新的知识,知识推理可以发现这些实体之间的潜在关系,基于逻辑规则的知识推理旨在根据随机游走和逻辑规则发现知识,而基于分布式表示的知识推理则将实体和关系嵌入到向量空间中以获得分布式表示,知识推理能丰富现有的知识图谱,给问答任务带来正向反馈。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.基于大数据模型和知识图谱融合的领域机器人问答系统,其特征在于,包括:
获取模块:所述获取模块用于获取用户问句,并通过人工制定规则和机器学习算法将数据转化为结构化数据并清洗无效数据;
图谱构建模块:所述图谱构建用于获取数据,根据数据分别构建知识图谱、事理图谱和用户画像,并对其进行融合;
预处理模块:所述预处理模块用于对所述用户问句进行预处理,用于对问题语句进行将长语句划分为短语句,然后分别对每个短语句进行语义解析,所述长语句为包含逗号分号或者包含并且的并列语句;
模型融合模块:所述模型融合模块利用构建好的知识图谱和采集到的数据,通过机器学习和深度学习方法,训练大数据模型,用于将词对齐模型和句子向量模型融合,获取所述用户问句属于每个类别的概率;
回答模块:所述回答模块用于通过问题语义解析,得到问题的意图,根据问题的意图从融合图谱中找到对应的数据信息,组成自然语言作为答案。
2.根据权利要求1所述的基于大数据模型和知识图谱融合的领域机器人问答系统,其特征在于,所述图谱构建模块,包括:
知识图谱构建模块,用于将清洗后的结构化数据中的静态数据作为知识数据,对于知识数据中的规则化数据以及专有名词,直接对其进行实体抽取;对于知识数据中离散型的数据,采用统计机器学习的方法完成实体的分类和聚类,并采用模式匹配的方法来获取实体之间的关系,完成实体和关系属性的抽取;
事理图谱构建模块,用于将清洗后的结构化数据中的动态数据作为事理数据,包括事件和逻辑关系,根据逻辑关系制定关系承接词,基于承接词生成规则模板,根据模板首先抽取指定逻辑关系的语句,然后在语句中根据动宾关系抽取事件作为事理图谱中的节点;
用户画像构建模块,用于根据用户的包括习惯、属性、兴趣爱好在内的个人信息数据构建用户画像;
图谱融合模块,用于知识图谱与用户画像之间通过实体相同进行关联,事理图谱通过将事件中包含的实体以及与事件相关的实体分别与知识图谱中的实体进行关联,利用实体对齐或本体对齐,旨在从多个知识图谱中匹配同一实体。
3.根据权利要求1所述的基于大数据模型和知识图谱融合的领域机器人问答系统,其特征在于,所述预处理模块,包括:
规则模板层,用于将问题语句转化为逻辑表达式的形式,与定义的模板进行匹配,如果匹配成功则解析成功,否则进入关键词模板层;
关键词模板层,用于根据问题语句中提取出的实词类型以及预先制定的关键词进行语义意图匹配,如果匹配成功则解析成功,否则进入分类模型层;
分类模型层,用于采用神经网络深度学习的方法,通过对预先标注好的语料文本数据进行训练,产生语义分类模型,将问题语句与语义分类模型进行匹配,得到语句中的实词,完成语义解析。
4.根据权利要求1所述的基于大数据模型和知识图谱融合的领域机器人问答系统,其特征在于,所述模型融合模块的概率分布函数为:p(i|q,X)=α*F1(q,X)+β*F2(q,X)其中,α+β=1,F1为词对齐模型,F2为句向量模型。
5.根据权利要求1所述的基于大数据模型和知识图谱融合的领域机器人问答系统,其特征在于,所述回答模块,包括以下步骤:提取问题语句中的实词后,通过词槽处理将问题语句转换为用于图谱查询的查询语句,通过查询语句在知识库预设有对应的答案;
针对无法转换为查询语句的情况,采用向量空间建模的方法,使用向量空间描述问题语句以及图谱的实体和关系,并对向量空间进行训练,通过比较问题语句和备选答案在向量空间中的距离实现知识的查找,并根据从融合后的图谱中查找出的知识构建回答语句。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311149481.8A CN117112765A (zh) | 2023-09-07 | 2023-09-07 | 基于大数据模型和知识图谱融合的领域机器人问答系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311149481.8A CN117112765A (zh) | 2023-09-07 | 2023-09-07 | 基于大数据模型和知识图谱融合的领域机器人问答系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117112765A true CN117112765A (zh) | 2023-11-24 |
Family
ID=88812680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311149481.8A Withdrawn CN117112765A (zh) | 2023-09-07 | 2023-09-07 | 基于大数据模型和知识图谱融合的领域机器人问答系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117112765A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590944A (zh) * | 2023-11-28 | 2024-02-23 | 上海源庐加佳信息科技有限公司 | 实体人对象和数字虚拟人对象的绑定系统 |
-
2023
- 2023-09-07 CN CN202311149481.8A patent/CN117112765A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590944A (zh) * | 2023-11-28 | 2024-02-23 | 上海源庐加佳信息科技有限公司 | 实体人对象和数字虚拟人对象的绑定系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115238101B (zh) | 一种面向多类型知识库的多引擎智能问答系统 | |
CN110633409B (zh) | 一种融合规则与深度学习的汽车新闻事件抽取方法 | |
CN111325029A (zh) | 一种基于深度学习集成模型的文本相似度计算方法 | |
CN112559723A (zh) | 一种基于深度学习的faq检索式问答构建方法及系统 | |
CN112115242A (zh) | 一种基于朴素贝叶斯分类算法的智能客服问答系统 | |
Su et al. | Answer acquisition for knowledge base question answering systems based on dynamic memory network | |
CN117371973A (zh) | 基于知识图谱检索增强的语言模型毕业生就业服务系统 | |
CN111666374A (zh) | 一种在深度语言模型中融入额外知识信息的方法 | |
Park et al. | An effective 3D text recurrent voting generator for metaverse | |
CN112417170B (zh) | 面向不完备知识图谱的关系链接方法 | |
Chang et al. | Multi-information preprocessing event extraction with BiLSTM-CRF attention for academic knowledge graph construction | |
Peng et al. | MPSC: A multiple-perspective semantics-crossover model for matching sentences | |
CN116266189A (zh) | 一种基于融合图谱的机器人问答系统 | |
Pilato et al. | Sub-symbolic semantic layer in cyc for intuitive chat-bots | |
CN117112765A (zh) | 基于大数据模型和知识图谱融合的领域机器人问答系统 | |
Shen et al. | Sliqa-i: Towards cold-start development of end-to-end spoken language interface for question answering | |
CN114490930A (zh) | 一种基于知识图谱的文物问答系统与问答方法 | |
CN114091464A (zh) | 一种融合五维特征的高普适性多对多关系三元组抽取方法 | |
Li et al. | Ontological approach to automating the processes of question generation and knowledge control in intelligent learning systems | |
CN116226320A (zh) | 一种预测下文信息的方法、装置、电子设备及存储介质 | |
Dai et al. | QAM: question answering system based on knowledge graph in the military | |
Sun | Design of intelligent question answering system for hospital online triage based on knowledge graph | |
CN111581326A (zh) | 一种基于异构外部知识源图结构抽取答案信息的方法 | |
Hong et al. | Knowpoetry: A knowledge service platform for tang poetry research based on domain-specific knowledge graph | |
Zheng et al. | Rumor Detection Based on Improved Transformer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231124 |
|
WW01 | Invention patent application withdrawn after publication |