CN117573849A - 一种知识图谱多跳问答方法、装置、设备及存储介质 - Google Patents
一种知识图谱多跳问答方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117573849A CN117573849A CN202410062653.6A CN202410062653A CN117573849A CN 117573849 A CN117573849 A CN 117573849A CN 202410062653 A CN202410062653 A CN 202410062653A CN 117573849 A CN117573849 A CN 117573849A
- Authority
- CN
- China
- Prior art keywords
- node
- target
- query
- determining
- entity
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 description 114
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F16/3334—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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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 Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种知识图谱多跳问答方法、装置、设备及存储介质，预先确定目标图谱中各节点分别对应的节点特征和关系特征，在确定出查询语句后，确定查询语句中的目标实体对应的目标节点，进而根据该目标节点和该待查询语句的语句特征，预测查询结果和该目标节点之间的关联关系，即，预测路径，进而基于预测路径和目标节点得到查询结果。本方法在面对多跳问答问题的情况下，可基于目标节点和该待查询语句的语句特征，预测查询结果和该目标节点之间的关联关系，进而根据预测得到的关联关系来确定查询结果，保证了查询结果的准确性。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种知识图谱多跳问答方法、装置、设备及存储介质。
背景技术
近年来，随着图结构的匀速发展，知识图谱在人们生活中得到了广泛应用，基于知识图谱进行问答已经成为知识图谱的应用场景之一。
一般的，在基于知识图谱进行问答时，可确定问题对应的查询语句，并确定该查询语句对应的语句特征，进而基于该语句特征和该知识图谱中各关系分别对应的关系特征之间的相似度，确定查询语句对应的关系特征。
但是，上述问答过程，仅能解决单跳问答问题，而随着知识库的不断增长，知识库中实体与实体之间的联系也越来越多，随之而来的就是现有技术中对于多跳问答的需求越来越高。
基于此，本说明书提供一种知识图谱多跳问答方法。
发明内容
本说明书提供一种知识图谱多跳问答方法、装置、设备及存储介质，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
确定目标图谱，并对所述目标图谱中的各节点和各节点之间的边进行特征提取，确定各节点特征和各关系特征；
响应于查询请求，确定查询语句，并确定所述查询语句对应的语句特征，以及确定所述查询语句中包含的目标实体；
根据所述目标实体的实体特征和所述目标图谱中各节点的节点特征，确定所述目标实体对应的节点，作为目标节点；
将所述查询语句的语句特征、所述目标节点的节点特征和所述各关系特征作为输入，输入到预先训练完成的路径预测模型中，得到所述路径预测模型输出的所述查询语句对应的至少一个关系特征，作为预测路径对应的关系特征；
根据所述预测路径和所述目标节点，确定查询结果，并将所述查询结果根据所述查询请求进行返回。
可选地，确定所述查询语句对应的语句特征，具体包括：
针对所述查询语句中包含的每个字，确定该字对应的字特征；
根据所述查询语句中各字分别对应的字特征，确定所述查询语句对应的语句特征。
可选地，对所述目标图谱中的各节点和各节点之间的边进行特征提取，确定各节点特征和各关系特征，具体包括：
针对所述目标图谱中的每个三元组，将该三元组作为输入，输入预先训练完成的特征提取模型中，得到所述特征提取模型输出的该三元组对应的节点特征和关系特征；
其中，所述特征提取模型采用下述方式训练完成：
根据所述目标图谱，构造训练样本，所述训练样本包括正样本和负样本，其中，所述正样本为所述目标图谱中具有连接关系的三元组，所述负样本为所述目标图谱中不具有连接关系的三元组；
将所述训练样本输入待训练的特征提取模型，得到所述特征提取模型输出的所述训练样本对应的节点特征和关系特征；
根据所述训练样本对应的节点特征和关系特征，确定所述训练样本的置信度；
根据所述置信度和所述训练样本的标注，对所述特征提取模型进行训练。
可选地，确定所述查询语句中包含的目标实体，具体包括：
将所述查询语句作为输入，输入预先训练完成的实体词识别模型中，得到所述实体词识别模型输出的各候选实体词；
从所述各候选实体词中，确定目标实体词，作为所述查询语句中包含的目标实体。
可选地，根据所述目标实体的实体特征和所述目标图谱中各节点的节点特征，确定所述目标实体对应的节点，作为目标节点，具体包括：
根据所述目标实体中包含的各字分别对应的字特征，确定所述目标实体的实体特征；
确定所述实体特征和所述目标图谱中各节点的节点特征之间的相似度；
根据各相似度，从所述目标图谱包含的各节点中，确定节点特征与所述实体特征之间的相似度最高的节点，作为目标节点。
可选地，将所述查询语句的语句特征、所述目标节点的节点特征和所述各关系特征作为输入，输入到预先训练完成的路径预测模型中，得到所述路径预测模型输出的所述查询语句对应的至少一个关系特征，具体包括：
将所述查询语句的语句特征、所述目标节点的节点特征和所述各关系特征作为输入，输入所述路径预测模型的编码层，得到所述编码层输出的编码特征，所述编码特征包括所述语句特征和所述各关系特征分别对应的相关度；
将所述编码特征和所述语句特征输入所述路径预测模型的解码层，得到所述解码层输出的所述查询语句对应的至少一个关系特征。
可选地，将所述编码特征和所述语句特征输入所述路径预测模型的解码层，得到所述解码层输出的所述查询语句对应的至少一个关系特征，具体包括：
将所述编码特征和所述语句特征输入所述路径预测模型的解码层，得到所述解码层输出的关系序列，作为解码结果，其中，所述关系序列中包含至少一个关系特征，针对所述关系序列中的每个关系，该关系根据位于该关系对应的排位前的其他关系的特征和所述编码特征确定。
本说明书提供一种知识图谱多跳问答装置，所述装置包括：
确定模块，用于确定目标图谱，并对所述目标图谱中的各节点和各节点之间的边进行特征提取，确定各节点特征和各关系特征；
响应模块，用于响应于查询请求，确定查询语句，并确定所述查询语句对应的语句特征，以及确定所述查询语句中包含的目标实体；
匹配模块，用于根据所述目标实体的实体特征和所述目标图谱中各节点的节点特征，确定所述目标实体对应的节点，作为目标节点；
预测模块，用于将所述查询语句的语句特征、所述目标节点的节点特征和所述各关系特征作为输入，输入到预先训练完成的路径预测模型中，得到所述路径预测模型输出的所述查询语句对应的至少一个关系特征，作为预测路径对应的关系特征；
查询模块，用于根据所述预测路径和所述目标节点，确定查询结果，并将所述查询结果根据所述查询请求进行返回。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述知识图谱多跳问答方法。
本说明书提供了一种电子设备，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，所述处理器执行所述程序时实现上述知识图谱多跳问答方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
预先确定目标图谱中各节点分别对应的节点特征和关系特征，在确定出查询语句后，确定查询语句中的目标实体对应的目标节点，进而根据该目标节点和该待查询语句的语句特征，预测查询结果和该目标节点之间的预测路径，进而基于预测路径和目标节点得到查询结果。
本方法在面对多跳问答问题的情况下，可基于目标节点和该待查询语句的语句特征，预测查询结果和该目标节点之间的关联关系，进而根据预测得到的关联关系来确定查询结果，保证了查询结果的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的知识图谱多跳问答方法的流程示意图；
图2为本说明书提供的知识图谱多跳问答方法的流程示意图；
图3为本说明书提供的知识图谱多跳问答方法的流程示意图；
图4为本说明书提供的知识图谱多跳问答装置的示意图；
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的知识图谱多跳问答方法的流程示意图，具体包括以下步骤：
S100：确定目标图谱，并对所述目标图谱中的各节点和所述各节点之间的边进行特征提取，确定各节点特征和各关系特征。
区别于目前直接基于查询语句对应的语句特征确定与其对应的关系特征，无法解决多跳问答问题，本说明书提供一种知识图谱多跳问答方法，预先确定目标图谱中各节点分别对应的节点特征和关系特征，在确定出查询语句后，确定查询语句中的目标实体对应的目标节点，进而根据该目标节点和该待查询语句的语句特征，预测查询结果和该目标节点之间的关联关系，即，预测路径，进而基于预测路径和目标节点得到查询结果。
本方法在面对多跳问答问题的情况下，可基于目标节点和该待查询语句的语句特征，预测查询结果和该目标节点之间的关联关系，进而根据预测得到的关联关系来确定查询结果，保证了查询结果的准确性。
基于上述对本说明书提供的该知识图谱多跳问答方法的核心思路的说明，本说明书提供的该知识图谱多跳问答方法，可由部署有问答系统的服务器、用于执行问答业务的服务器、存储知识图谱的终端等电子设备执行，如，笔记本电脑、手机等。为了方便描述，本说明书中以用于执行问答业务的服务器执行该问答方法为例进行说明。
以下仅以用于执行问答业务的服务器为执行主体为例，示例性地对本说明书提供的该知识图谱多跳问答方法进行说明。
具体的，该服务器可预先存储有目标图谱。
于是，该服务器可针对该目标图谱中的每个节点，对该节点进行特征提取，确定该节点对应的节点特征。
同时，该服务器可针对该目标图谱中每两个节点之间的边，对该边进行特征提取，确定该边对应的关系特征。
S102：响应于查询请求，确定查询语句，并确定所述查询语句对应的语句特征，以及确定所述查询语句中包含的目标实体。
在本说明书提供的一个或多个实施例中，如前所述的，该知识图谱多跳问答解决的是多跳问答问题。而在基于知识图谱进行问答的场景中，通常为用于执行多跳问答的服务器解决问题所对应的查询语句，并根据查询语句对知识图谱进行查询，得到查询结果作为答案。
基于此，该服务器可确定查询语句对应的查询特征。
具体的，该服务器可接收查询请求，其中，该查询请求中携带有查询语句。
于是，该服务器可对该查询请求进行解析，确定该查询请求中携带的查询语句。
接着，该服务器可针对该查询语句中包含的每个字，确定该字对应的字特征。
最后，该服务器根据该查询语句中各字分别对应的字特征，确定该查询语句对应的语句特征。
其中，该服务器可直接将各字特征进行拼接，得到该查询语句对应的语句特征，也可将各字特征进行拼接，得到初始特征，并对该初始特征进行自注意力编码，得到语句特征。该语句特征具体如何确定可根据需要进行设置，本说明书对此不做限制。
进一步地，如前所述的，该服务器可基于查询语句对应的语句特征和该查询语句中包含的目标实体对应的节点，来预测查询结果和目标实体之间的关系。基于此，该服务器可首先确定该查询语句中包含的目标实体。
具体的，该服务器可将该查询语句作为输入，输入预先训练完成的实体词识别模型中，得到实体词识别模型输出的各候选实体词。
接着，该服务器可从各候选实体词中，确定目标实体词，来作为该查询语句中包含的目标实体。
其中，该服务器可直接将确定出的各候选实体词，作为目标实体词，也可根据各实体词在该查询语句中的出现频次，确定频次最低的实体词作为目标实体词。具体该目标实体如何确定，可根据需要进行设置，本说明书对此不做限制。
可选地，该服务器可首先采用Bert模型对问题，即，查询语句进行嵌入表示，获取到每个词的向量表示。然后采用双向长短期记忆网络（Bi-directional Long Short-TermMemory，BiLSTM）模型对查询语句进行特征提取，BiLSTM能够学习句子的上下文内容，从而给出每个字的标注。其中，该标注为该字是否为实体词中的字。
但是BiLSTM模型没有学习到原始语句的句法约束，BiLSTM模型在预测实体标签时是独立的，它只由其对应token的输出所决定。因此，最后可使用条件随机场CRF层来限制句法要求，从而加强结果。即，在得到各字是否为实体词中的字的基础上，对查询语句中各词的词性进行确定。
就是说，上述Bert模型、BiLSTM模型和条件随机场CRF层可组合形成实体词识别模型，则该服务器可将该查询语句作为输入，输入该实体词识别模型中，得到该实体词识别模型输出的各候选实体词。
其中，该实体词识别模型可采用下述方式进行训练。
确定样本语句，并确定该样本语句中包含的各实体词，以及根据该样本语句中包含的各实体词，对该样本语句进行打标，得到该样本语句的标注。其中，该标注为与该样本语句等长的序列，该标注具体可为该样本语句的BIO标注。
然后，该服务器可将该样本语句输入该实体词识别模型中，得到该实体词识别模型输出的识别结果。
最后，根据识别结果和该样本语句之间的差距，该服务器可确定损失，并以损失最小化为优化目标对该实体词识别模型进行训练。
S104：根据所述目标实体的实体特征和所述目标图谱中各节点的节点特征，确定所述目标实体对应的节点，作为目标节点。
在本说明书提供的一个或多个实施例中，在确定出目标实体后，该服务器可确定该目标实体在目标图谱中的目标节点。
具体的，该服务器可确定该目标实体的实体特征。其中，该服务器可确定该目标实体对应的各字的字特征，并根据确定出的各字特征，确定实体特征。也可采用节点特征和关系特征的特征确定方式，对该目标实体进行特征提取，确定该目标实体对应的实体特征，具体该实体特征如何确定可根据需要进行设置，本说明书对此不做限制。
然后，该服务器可针对目标图谱中的每个节点，确定该实体特征和该节点特征之间的相似度。
最后，根据各相似度，该服务器可从目标图谱包含的各节点中，确定节点特征与该实体特征之间的相似度最高的节点，作为目标节点。
可选地，该服务器可采用下述方式确定目标节点。
具体的，该服务器可针对每个目标实体，确定该实体包含的字分别对应的字特征量，再对该实体包含的字分别对应的字特征进行平均，得到该目标实体对应的实体特征。
然后，确定步骤S100中确定出的各节点分别对应的节点特征。
接着，针对每个节点特征，确定该节点特征与该实体特征之间的相似度s。其中，，/>用于表征该节点特征，/>用于节点，/>，/>用于表征该知识图谱中各节点的集合，/>为查询语句中该目标实体的起始位置，/>为查询语句中该目标实体的终止位置。/>为实体特征，可通过下述公式确定：/>。/>用于表征查询语句，/>用于表征该查询语句中的第k个位置，/>用于表征该第k个位置对应的字的字特征。
则在确定出该实体特征和各节点分别对应的相似度后，该服务器可输出相似度最高的节点作为目标节点。
S106：将所述查询语句的语句特征、所述目标节点的节点特征和所述各关系特征作为输入，输入到预先训练完成的路径预测模型中，得到所述路径预测模型输出的所述查询语句对应的至少一个关系特征，作为预测路径对应的关系特征。
在本说明书提供的一个或多个实施例中，如前所述的，该服务器可基于目标节点和该待查询语句的语句特征，预测查询结果和该目标节点之间的关联关系。因此，在确定出目标节点后，该服务器可对该关联关系进行预测。
具体的，该服务器可确定该查询语句的语句特征、该目标节点的节点特征和该目标图谱中包含的各边分别对应的关系特征。
之后，该服务器可将上述语句特征、节点特征和各关系特征进行拼接，得到拼接结果。
然后，该服务器可将该拼接结果输入预先训练完成的路径预测模型中，由该路径预测模型根据该拼接结果，确定该查询语句和各关系特征分别对应的相关度，并根据各相关度，确定出与该查询语句对应的至少一个关系特征。
最后，该服务器可将该路径预测模型输出的至少一个关系特征，作为预测路径对应的关系特征。
其中，该服务器可根据与该目标实体连接的各边分别对应的关系特征，和该查询特征之间的相似度，确定相似度最高的关系特征，作为第一候选关系，再以该第一候选关系的终点重新作为起点，继续确定与该关系特征的相似度最高的关系特征，直至达到迭代终止条件为止。或者，该服务器也可以目标节点作为起点，确定若干候选路径，并确定各候选路径分别对应的路径特征，再根据各路径特征和该查询特征之间的相似度，确定预测路径。该迭代终止条件可以是确定出的关系特征的数量到达预设的数量阈值，也可以是到达预设时刻，该迭代终止条件的具体内容可根据需要进行设置，本说明书对此不做限制。
进一步的，该路径预测模型的模型结构还可为编码层-解码层。
于是，该服务器还可将该查询语句的语句特征、该目标节点的节点特征和各关系特征作为输入，输入到该路径预测模型的编码层，得到该编码层输出的编码特征。其中，该编码特征中包括该语句特征和各关系特征分别对应的相关度。该相关度可为相似度。
然后，该服务器可将该编码特征和该语句特征输入该路径预测模型的解码层，得到该解码层输出的该查询语句对应的至少一个关系特征，作为预测路径。
当然，该解码层还可不直接输出预测路径，而是输出该查询结果对应于关系特征的概率。
具体的，该服务器可将该编码结果输入该路径预测模型的解码层，得到该解码层输出的解码结果，其中，该解码结果为该查询结果分别对应于与该目标节点连接的各候选路径的概率。
则根据该解码结果，该服务器可从与该目标节点连接的各关系路径中，确定概率最高的关系路径，作为预测路径。
其中，该路径预测模型可采用下述方式训练得到：
具体的，该服务器可确定样本语句和样本图谱，并从样本图谱中对应的各关系特征中，确定该样本语句对应的关系特征，作为该样本语句对应的标注。其中，该样本语句对应的关系特征的数量为至少一个。
然后，该服务器可确定该样本语句对应的样本节点，以及该样本图谱中各边分别对应的样本关系特征。
之后，该服务器可将各样本关系特征、该样本语句对应的样本特征和样本节点的节点特征作为输入，输入待训练的路径预测模型中，得到该路径预测模型输出的预测路径。
最后，该服务器可根据预测路径中包含的各关系特征和该样本语句的标注之间的差距，确定该路径预测模型对应的损失，并以损失最小化为优化目标，对该路径预测模型进行训练。
S108：根据所述预测路径和所述目标节点，确定查询结果，并将所述查询结果根据所述查询请求进行返回。
在本说明书提供的一个或多个实施例中，该服务器可根据该目标实体和该预测路径，直接在知识库中检索相应的三元组，得到查询结果。
其中，当预测路径中包含的关系特征的数量为一个时，该服务器可直接根据该目标节点和该关系特征，从该目标图谱对应的知识库，即，该目标图谱包含的各三元组中，确定该查询语句对应的三元组，并将该三元组的终点作为查询结果。
当预测路径包含的关系特征的数量为多个时，该服务器可按照预测路径中各关系特征的确定顺序，确定初始关系特征，并确定初始关系特征对应的初始边。之后，以该目标节点为起点，以该初始边作为边，从该知识库中查询三元组，并将该三元组中包含的除目标节点外的另外一个节点，重新作为起点。然后，该服务器可按照预测路径中各关系特征的确定顺序，重新确定初始关系特征，并重新确定初始关系特征对应的初始边，进而根据重新确定出的起点和初始边，继续查询三元组，直至该预测路径中包含的所有关系特征都被查询完为止。
其中，各关系特征的确定顺序和各关系特征与该查询语句之间的相似度正相关。
于是，该服务器可根据上述查询到的三元组，来确定查询结果。则在确定出查询结果后，该服务器可将查询结果根据查询请求进行返回，返回给该查询请求的发送方。
当然，在查询过程中，还可能出现无法查询到包含初始边和起点的三元组的情况，在该情况下，该服务器可确定查询结果为空，并将该查询结果发送给用户。
基于图1的知识图谱多跳问答方法，预先确定目标图谱中各节点分别对应的节点特征和关系特征，在确定出查询语句后，确定查询语句中的目标实体对应的目标节点，进而根据该目标节点和该待查询语句的语句特征，预测查询结果和该目标节点之间预测路径，进而基于预测路径和目标节点得到查询结果。
本方法在面对多跳问答问题的情况下，可基于目标节点和该待查询语句的语句特征，预测查询结果和该目标节点之间的关联关系，进而根据预测得到的关联关系来确定查询结果，保证了查询结果的准确性。
可选地，该服务器可将查询语句中根据步骤S104中确定出的目标实体，统一替换为＜e＞标识，然后将替换后的查询语句与原查询语句进行拼接，形成新的语句特征/>，然后将该语句特征输入该路径预测模型的编码层。
在该编码层中，该编码层可通过当前时刻的输入和前一时刻的隐状态信息来更新当前时刻的隐状态/>，从而具有历史信息的记忆性，计算公式如下：。其中，针对每个时间步，该时间步为当前时刻输入该编码层的字对应的特征。或者说，上述各时间步分别对应的输入数据，为该语句特征中包含的各子向量，即，/>为第一个时间步的输入，/>为第二个时间步的输入。
于是，该服务器可确定每个时间步的隐状态，其中/>和/>分别代表前向和后向编码。也就是说，针对每个时间步的编码结果，该编码结果不仅包含该时间步的输入对应的信息，还包含有该查询语句中其他时间步的输入对应的信息。
接着，该服务器可确定查询语句对应的查询特征。
然后，该服务器可将步骤S100中确定出的各边分别对应的关系特征进行拼接，得到。其中，该知识图谱中包含k条边，即，k个关系特征。
之后，该服务器可将该关系特征也输入到该路径预测模型的编码层，在编码层中，由该服务器根据该关系特征和语句特征，确定包含有各关系和该查询语句分别对应的相关度的编码特征。
可选地，该编码特征可通过该公式确定：。其中，/>用于表征编码特征，/>为查询语句对应的查询特征，/>为关系特征输入到该编码层中进行线性变换得到的特征。/>为该编码特征的维度。也就是说，在该编码层中，可确定该语句特征分别对应于各关系特征的注意力权重，来作为该语句特征和各关系特征的相关度。
然后，该服务器可根据确定出的编码特征和查询特征进行拼接，并将拼接结果作为该解码层的输入，输入到解码层中，得到该解码层输出的至少一个关系特征。
可选地，该解码层的结构可为循环神经网络结构，也就是说，该服务器可将该拼接结果输入解码层中，由该解码层输出一个关系特征。之后，该服务器可将该关系特征重新作为该解码层的输入，和该解码层在上一时刻根据输入的拼接结果得到的隐特征一起，重新输入到该解码层中，由该解码层再输出一个关系特征，直至达到预设的迭代终止条件为止。则该服务器可将该解码层输出的各关系特征，作为预测路径对应的关系特征。
最后，在得到预测路径对应的关系特征后，该服务器可根据该预测路径和目标节点，确定从查询结果。
也就是说，该编码层可输出关系序列，作为解码结果，其中，该关系序列中包含至少一个关系特征。针对该关系序列中的每个关系特征，该关系特征根据位于该关系特征对应的排位前的其他关系特征和该编码特征确定。
基于同样思路，本说明书提供一种知识图谱多跳问答的流程示意图，如图2所示。
图中，该服务器可确定查询语句，并确定该查询语句对应的目标实体，以及确定该目标实体对应的目标节点。之后，根据该目标节点和查询语句，该服务器可通过路径预测模型，预测查询结果和目标节点之间的预测路径。最后，根据预测路径，得到查询结果。
基于同样思路，本说明书提供一种知识图谱多跳问答的流程示意图，如图3所示。
图中，该服务器可首先确定查询语句，并确定该查询语句中包含的目标实体。接着，该服务器可对知识图谱中的各节点和边分别进行特征提取，确定各节点特征和关系特征，并根据节点特征，确定该目标实体对应的实体特征，以及根据各关系特征，对查询结果和该目标节点之间的关系进行预测。最后，根据目标节点和预测得到的关系，得到查询结果，即，答案。
进一步的，该服务器还可采用预先训练特征提取模型的方式，对节点特征和关系特征进行确定。
具体的，针对目标图谱中的每个三元组，该服务器可将该三元组作为输入，输入预先训练完成的特征提取模型中，得到该特征提取模型输出的该三元组对应的节点特征和关系特征。
其中，该特征提取模型可采用下述方式训练完成：
具体的，该服务器可首先根据所述目标图谱，构造训练样本。其中，该训练样本包括正样本和负样本，该正样本为所述目标图谱中具有真实连接关系的三元组，该负样本为所述目标图谱中不具有真实连接关系的三元组。也就是说，正样本为真实三元组，负样本为构建出的虚假三元组。
接着，该服务器可将训练样本输入待训练的特征提取模型，得到该特征提取模型输出的训练样本对应的节点特征和关系特征。
之后，该服务器可根据该训练样本对应的节点特征和关系特征，确定该训练样本的置信度。其中，以分别表示三元组的头特征、关系特征和尾特征为例，通常情况下，真实三元组之间存在/>的关系，则该服务器可基于上述节点特征和关系特征，判断该训练样本是否满足上述关系，以此来确定该训练样本的置信度。
最后，该服务器可根据该置信度和该训练样本的标注，即，该训练样本为正样本还是负样本，对该特征提取模型进行训练。
以上为本说明书的一个或多个实施例提供的知识图谱多跳问答方法，基于同样的思路，本说明书还提供了相应的知识图谱多跳问答装置，如图4所示。
图4为本说明书提供的知识图谱多跳问答装置示意图，具体包括：
确定模块200，用于确定目标图谱，并对所述目标图谱中的各节点和各节点之间的边进行特征提取，确定各节点特征和各关系特征。
响应模块202，用于响应于查询请求，确定查询语句，并确定所述查询语句对应的语句特征，以及确定所述查询语句中包含的目标实体。
匹配模块204，用于根据所述目标实体的实体特征和所述目标图谱中各节点的节点特征，确定所述目标实体对应的节点，作为目标节点。
预测模块206，用于将所述查询语句的语句特征、所述目标节点的节点特征和所述各关系特征作为输入，输入到预先训练完成的路径预测模型中，得到所述路径预测模型输出的所述查询语句对应的至少一个关系特征，作为预测路径对应的关系特征。
查询模块208，用于根据所述预测路径和所述目标节点，确定查询结果，并将所述查询结果根据所述查询请求进行返回。
可选地，响应模块202，用于针对所述查询语句中包含的每个字，确定该字对应的字特征，根据所述查询语句中各字分别对应的字特征，确定所述查询语句对应的语句特征。
可选地，确定模块200，用于针对所述目标图谱中的每个三元组，将该三元组作为输入，输入预先训练完成的特征提取模型中，得到所述特征提取模型输出的该三元组对应的节点特征和关系特征。
所述装置还包括：
训练模块210，用于采用下述方式训练完成所述特征提取模型：
根据所述目标图谱，构造训练样本，所述训练样本包括正样本和负样本，其中，所述正样本为所述目标图谱中具有连接关系的三元组，所述负样本为所述目标图谱中不具有连接关系的三元组，将所述训练样本输入待训练的特征提取模型，得到所述特征提取模型输出的所述训练样本对应的节点特征和关系特征，根据所述训练样本对应的节点特征和关系特征，确定所述训练样本的置信度，根据所述置信度和所述训练样本的标注，对所述特征提取模型进行训练。
可选地，响应模块202，用于将所述查询语句作为输入，输入预先训练完成的实体词识别模型中，得到所述实体词识别模型输出的各候选实体词，从所述各候选实体词中，确定目标实体词，作为所述查询语句中包含的目标实体。
可选地，匹配模块204，用于根据所述目标实体中包含的各字分别对应的字特征，确定所述目标实体的实体特征，确定所述实体特征和所述目标图谱中各节点的节点特征之间的相似度，根据各相似度，从所述目标图谱包含的各节点中，确定节点特征与所述实体特征之间的相似度最高的节点，作为目标节点。
可选地，预测模块206，用于将所述查询语句的语句特征、所述目标节点的节点特征和所述各关系特征作为输入，输入所述路径预测模型的编码层，得到所述编码层输出的编码特征，所述编码特征包括所述语句特征和所述各关系特征分别对应的相关度，将所述编码特征和所述语句特征输入所述路径预测模型的解码层，得到所述解码层输出的所述查询语句对应的至少一个关系特征。
可选地，预测模块206，用于将所述编码特征和所述语句特征输入所述路径预测模型的解码层，得到所述解码层输出的关系序列，作为解码结果，其中，所述关系序列中包含至少一个关系特征，针对所述关系序列中的每个关系，该关系根据位于该关系对应的排位前的其他关系的特征和所述编码特征确定。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的知识图谱多跳问答方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的知识图谱多跳问答方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据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装置。
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，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
这些计算机程序指令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，从而在计算机或其他可编程设备上执行的指令提供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步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种知识图谱多跳问答方法，其特征在于，所述方法包括：
确定目标图谱，并对所述目标图谱中的各节点和各节点之间的边进行特征提取，确定各节点特征和各关系特征；
响应于查询请求，确定查询语句，并确定所述查询语句对应的语句特征，以及确定所述查询语句中包含的目标实体；
根据所述目标实体的实体特征和所述目标图谱中各节点的节点特征，确定所述目标实体对应的节点，作为目标节点；
将所述查询语句的语句特征、所述目标节点的节点特征和所述各关系特征作为输入，输入到预先训练完成的路径预测模型中，得到所述路径预测模型输出的所述查询语句对应的至少一个关系特征，作为预测路径对应的关系特征；
根据所述预测路径和所述目标节点，确定查询结果，并将所述查询结果根据所述查询请求进行返回。
2.如权利要求1所述的方法，其特征在于，确定所述查询语句对应的语句特征，具体包括：
针对所述查询语句中包含的每个字，确定该字对应的字特征；
根据所述查询语句中各字分别对应的字特征，确定所述查询语句对应的语句特征。
3.如权利要求1所述的方法，其特征在于，对所述目标图谱中的各节点和各节点之间的边进行特征提取，确定各节点特征和各关系特征，具体包括：
针对所述目标图谱中的每个三元组，将该三元组作为输入，输入预先训练完成的特征提取模型中，得到所述特征提取模型输出的该三元组对应的节点特征和关系特征；
其中，所述特征提取模型采用下述方式训练完成：
根据所述目标图谱，构造训练样本，所述训练样本包括正样本和负样本，其中，所述正样本为所述目标图谱中具有连接关系的三元组，所述负样本为所述目标图谱中不具有连接关系的三元组；
将所述训练样本输入待训练的特征提取模型，得到所述特征提取模型输出的所述训练样本对应的节点特征和关系特征；
根据所述训练样本对应的节点特征和关系特征，确定所述训练样本的置信度；
根据所述置信度和所述训练样本的标注，对所述特征提取模型进行训练。
4.如权利要求1所述的方法，其特征在于，确定所述查询语句中包含的目标实体，具体包括：
将所述查询语句作为输入，输入预先训练完成的实体词识别模型中，得到所述实体词识别模型输出的各候选实体词；
从所述各候选实体词中，确定目标实体词，作为所述查询语句中包含的目标实体。
5.如权利要求1所述的方法，其特征在于，根据所述目标实体的实体特征和所述目标图谱中各节点的节点特征，确定所述目标实体对应的节点，作为目标节点，具体包括：
根据所述目标实体中包含的各字分别对应的字特征，确定所述目标实体的实体特征；
确定所述实体特征和所述目标图谱中各节点的节点特征之间的相似度；
根据各相似度，从所述目标图谱包含的各节点中，确定节点特征与所述实体特征之间的相似度最高的节点，作为目标节点。
6.如权利要求1所述的方法，其特征在于，将所述查询语句的语句特征、所述目标节点的节点特征和所述各关系特征作为输入，输入到预先训练完成的路径预测模型中，得到所述路径预测模型输出的所述查询语句对应的至少一个关系特征，具体包括：
将所述查询语句的语句特征、所述目标节点的节点特征和所述各关系特征作为输入，输入所述路径预测模型的编码层，得到所述编码层输出的编码特征，所述编码特征包括所述语句特征和所述各关系特征分别对应的相关度；
将所述编码特征和所述语句特征输入所述路径预测模型的解码层，得到所述解码层输出的所述查询语句对应的至少一个关系特征。
7.如权利要求6所述的方法，其特征在于，将所述编码特征和所述语句特征输入所述路径预测模型的解码层，得到所述解码层输出的所述查询语句对应的至少一个关系特征，具体包括：
将所述编码特征和所述语句特征输入所述路径预测模型的解码层，得到所述解码层输出的关系序列，作为解码结果，其中，所述关系序列中包含至少一个关系特征，针对所述关系序列中的每个关系特征，该关系特征根据位于该关系特征对应的排位前的其他关系特征和所述编码特征确定。
8.一种知识图谱多跳问答装置，其特征在于，所述装置包括：
确定模块，用于确定目标图谱，并对所述目标图谱中的各节点和各节点之间的边进行特征提取，确定各节点特征和各关系特征；
响应模块，用于响应于查询请求，确定查询语句，并确定所述查询语句对应的语句特征，以及确定所述查询语句中包含的目标实体；
匹配模块，用于根据所述目标实体的实体特征和所述目标图谱中各节点的节点特征，确定所述目标实体对应的节点，作为目标节点；
预测模块，用于将所述查询语句的语句特征、所述目标节点的节点特征和所述各关系特征作为输入，输入到预先训练完成的路径预测模型中，得到所述路径预测模型输出的所述查询语句对应的至少一个关系特征，作为预测路径对应的关系特征；
查询模块，用于根据所述预测路径和所述目标节点，确定查询结果，并将所述查询结果根据所述查询请求进行返回。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410062653.6A CN117573849B (zh) | 2024-01-16 | 2024-01-16 | 一种知识图谱多跳问答方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410062653.6A CN117573849B (zh) | 2024-01-16 | 2024-01-16 | 一种知识图谱多跳问答方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117573849A true CN117573849A (zh) | 2024-02-20 |
| CN117573849B CN117573849B (zh) | 2024-04-19 |
Family
ID=89864842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410062653.6A Active CN117573849B (zh) | 2024-01-16 | 2024-01-16 | 一种知识图谱多跳问答方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117573849B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105095195A (zh) * | 2015-07-03 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 基于知识图谱的人机问答方法和系统 |
| CN111309863A (zh) * | 2020-02-10 | 2020-06-19 | 北京声智科技有限公司 | 基于知识图谱的自然语言问答方法及装置 |
| CN113779220A (zh) * | 2021-09-13 | 2021-12-10 | 内蒙古工业大学 | 一种基于三通道认知图谱和图注意力网络的蒙语多跳问答方法 |
| CN114090746A (zh) * | 2021-10-09 | 2022-02-25 | 北京百分点科技集团股份有限公司 | 一种基于知识图谱的答案查询方法、装置及电子设备 |
| CN114138929A (zh) * | 2021-09-28 | 2022-03-04 | 海信视像科技股份有限公司 | 问答方法及装置 |
| US20220292262A1 (en) * | 2021-03-10 | 2022-09-15 | At&T Intellectual Property I, L.P. | System and method for hybrid question answering over knowledge graph |
| CN115130456A (zh) * | 2022-05-25 | 2022-09-30 | 腾讯科技（深圳）有限公司 | 语句解析、匹配模型的训练方法、装置、设备及存储介质 |
| CN116610815A (zh) * | 2023-05-29 | 2023-08-18 | 华侨大学 | 一种知识图谱的关系预测方法、装置、设备及存储介质 |
| CN116992008A (zh) * | 2023-09-28 | 2023-11-03 | 之江实验室 | 知识图谱多跳问答推理方法、装置和计算机设备 |
| CN117290478A (zh) * | 2023-09-20 | 2023-12-26 | 中车信息技术有限公司 | 一种知识图谱问答方法、装置、设备和存储介质 |
-
2024
- 2024-01-16 CN CN202410062653.6A patent/CN117573849B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105095195A (zh) * | 2015-07-03 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 基于知识图谱的人机问答方法和系统 |
| CN111309863A (zh) * | 2020-02-10 | 2020-06-19 | 北京声智科技有限公司 | 基于知识图谱的自然语言问答方法及装置 |
| US20220292262A1 (en) * | 2021-03-10 | 2022-09-15 | At&T Intellectual Property I, L.P. | System and method for hybrid question answering over knowledge graph |
| CN113779220A (zh) * | 2021-09-13 | 2021-12-10 | 内蒙古工业大学 | 一种基于三通道认知图谱和图注意力网络的蒙语多跳问答方法 |
| CN114138929A (zh) * | 2021-09-28 | 2022-03-04 | 海信视像科技股份有限公司 | 问答方法及装置 |
| CN114090746A (zh) * | 2021-10-09 | 2022-02-25 | 北京百分点科技集团股份有限公司 | 一种基于知识图谱的答案查询方法、装置及电子设备 |
| CN115130456A (zh) * | 2022-05-25 | 2022-09-30 | 腾讯科技（深圳）有限公司 | 语句解析、匹配模型的训练方法、装置、设备及存储介质 |
| CN116610815A (zh) * | 2023-05-29 | 2023-08-18 | 华侨大学 | 一种知识图谱的关系预测方法、装置、设备及存储介质 |
| CN117290478A (zh) * | 2023-09-20 | 2023-12-26 | 中车信息技术有限公司 | 一种知识图谱问答方法、装置、设备和存储介质 |
| CN116992008A (zh) * | 2023-09-28 | 2023-11-03 | 之江实验室 | 知识图谱多跳问答推理方法、装置和计算机设备 |
Non-Patent Citations (2)
| Title |
|---|
| MATTHEW HALPERN: "Mosaic_cross-platform_user-interaction_record_and_replay_for_the_fragmented_android_ecosystem", 《2020 IEEE INTERNATIONAL CONFERENCE ON KNOWLEDGE GRAPH (ICKG)》, 11 September 2020 (2020-09-11), pages 215 - 224 * |
| 康准;王德军;: "基于知识图谱的生物学科知识问答系统", 软件, no. 02, 15 February 2018 (2018-02-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117573849B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113221555B (zh) | 一种基于多任务模型的关键词识别方法、装置及设备 | |
| CN117235226A (zh) | 一种基于大语言模型的问题应答方法及装置 | |
| CN113887227B (zh) | 一种模型训练与实体识别方法及装置 | |
| CN116720008B (zh) | 一种机器阅读方法、装置、存储介质及电子设备 | |
| CN115618964B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN114756677B (zh) | 样本生成方法、文本分类模型的训练方法及文本分类方法 | |
| CN115545002A (zh) | 一种模型训练和业务处理的方法、装置、存储介质及设备 | |
| CN116303989A (zh) | 一种面向多种检索场景的专利检索方法、装置、设备 | |
| CN116502633A (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
| CN117591661B (zh) | 一种基于大语言模型的问答数据构建方法及装置 | |
| CN113887206B (zh) | 一种模型训练及关键词提取方法及装置 | |
| CN116151355B (zh) | 一种模型训练和业务执行的方法、装置、介质及设备 | |
| CN116127328B (zh) | 一种对话状态识别模型的训练方法、装置、介质及设备 | |
| CN116205232B (zh) | 一种确定目标模型的方法、装置、存储介质及设备 | |
| CN116150380B (zh) | 一种文本匹配方法、装置、存储介质及设备 | |
| CN117573849B (zh) | 一种知识图谱多跳问答方法、装置、设备及存储介质 | |
| CN114912513A (zh) | 一种模型训练的方法、识别信息的方法及装置 | |
| CN115017899B (zh) | 一种缩略语生成方法、装置、设备及存储介质 | |
| CN117034942B (zh) | 一种命名实体识别方法、装置、设备及可读存储介质 | |
| CN116501852B (zh) | 一种可控对话模型训练方法、装置、存储介质及电子设备 | |
| CN117079646B (zh) | 一种语音识别模型的训练方法、装置、设备及存储介质 | |
| CN117369783B (zh) | 一种安全代码生成模型的训练方法及装置 | |
| CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
| CN117171346A (zh) | 一种实体链接方法、装置、存储介质及电子设备 | |
| CN117313727A (zh) | 一种模型训练和实体识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |