【技术实现步骤摘要】
基于知识图谱补全的问答方法
本专利技术属于自然语言处理领域，涉及一种基于知识图谱补全的问答方法。
技术介绍
近年来，快速发展的人工智能技术已经逐渐成为社会关注的热点。随着人工智能技术的快速发展以及网络信息的爆发式增长，知识的存储与表示变得尤为重要。知识图谱(KnowledgeGraphs，KGs)是知识表示最有效的方式之一，它从海量的网络信息中抽取知识，将其组织成三元组形式的结构化数据，便于计算机高效处理。随着谷歌将KGs用在搜索引擎中，智能问答(Questionanswering,QA)也开始大规模使用KGs。随着智能应用的发展，KGs本身存在的大量关系缺失问题也越来越不容忽视，如Freebase中超过70％的人没有出生地点，超过90％的人没有教育经历，75％的人没有国籍，DBpedia、WordNet和NELL也有着不同程度的关系缺失现象。KGs的完备程度将直接影响智能化应用的性能好坏。知识图谱补全(KnowledgeGraphscompletion,KGC)方法是针对这一问题提出的关系补全方法，即利用已有的三元组向KG...
【技术保护点】
1.一种基于知识图谱补全的问答方法，其特征在于：包括以下步骤：/nS1：将输入的自然语言问题Q划分为词或短语；/nS2：利用字向量模型BERT将词表征为向量，得到矩阵作为模型输入；/nS3：利用实体识别技术识别Q中的实体e
【技术特征摘要】
1.一种基于知识图谱补全的问答方法，其特征在于：包括以下步骤：
S1：将输入的自然语言问题Q划分为词或短语；
S2：利用字向量模型BERT将词表征为向量，得到矩阵作为模型输入；
S3：利用实体识别技术识别Q中的实体equestion,获取候选实体集{eKGs}；
S4：查询eKGs的类别c，用c替换Q中的实体equestion，标记为Qc；
S5：构建声明式查询cyher，获取候选三元组集{(ei,rij,ej)}，从而获取到候选关系集{rij}；
S6：基于Qc和rij的关系链接：计算Qc和rij的余弦相似度，获取其语义相似度；
S7：在KGs中，如果eKGs和rij之间缺少关系，则执行步骤S8，否则执行步骤S11；
S8：学习实体eKGs和eKGs邻域内实体的新的向量表示；
S9：估计中心实体邻域内实体的重要性；
S10：基于现存的相关的三元组执行关系预测；
S11：基于实体和关系的知识图推理，获得答案A。
2.根据权利要求1所述的基于知识图谱补全的问答方法，其特征在于：在所述步骤S1中，通过HanLP与Stanfordparser中的CRF句法分析器与最大熵依存句法分析器将Q划分为词或短语。
3.根据权利要求1所述的基于知识图谱补全的问答方法，其特征在于：在步骤S3中，具体包括以下步骤：
S31：利用双向长短期记忆网络Bi-LSTM模型对问句中每个单词是否为实体进行预测；
S32：采用前、后向两个长短期记忆网络LSTM单元对输入序列(x1,x2,...,xt-1,xt)进行处理，输出为两个LSTM输出向量的拼接其中，为前向序列的输出，为后向序列的输出；
S33：Bi-LSTM层的输出被送入sigmoid层进行处理，即
输出层的输出向量为y＝(y1,y2,...,yn)，其中n为输入序列的长度，输出向量长度与输入序列是保持一致的，yi对应输入Q中第i个单词的标注信息，如果为“1”则表示实体，反之则不是；
S34：使用均方误差作为损失函数，即
其中，ω为权重，b为偏差，yi为模型的预测值，zi为目标值，λ为控制正规化的超参数，为L2正规化。
4.根据权利要求1所述的基于知识图谱补全的问答方法，其特征在于：步骤S4中，具体包括：
利用潜在狄利克雷主题模型来概念化Q中的实体，通过结合主题模型潜在狄利克雷分配和一个大规模概率KGs，捕获单词之间的语义关系，开发一个基于语料库的上下文相关概念化框架。
5.根据权利要求1所述的基于知识图谱补全的问答方法，其特征在于：所述步骤S5中，在识别到Q中实体后，根据实体名称在KGs中进行声明式查询cyher，查询到相关三元组{(ei,rij,ej)}，从而获取到候选关系集{rij}。
6.根据权利要求1所述的基于知识图谱补全的问答方法，其特征在于：所述步骤S6中，在关系链接任务中引入卷积神经网络CNNs模型，提取问句中关于关系的语义信息，对候选关系用CNNs进行处理，将得到的问句关系向量和知识图谱关系向量进行相似度匹配，通过计算余弦相似度来获取其语义相似度，即
其中，θ是向量Qc和向量rij之间的夹角，是Qc语义向量的第i个元素，rij是候选关系...
【专利技术属性】
技术研发人员：赵芬，李银国，李俊，王新恒，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。