一种基于GCN与指针网络的自然语言到SPARQL语句的生成系统及方法技术方案

本发明专利技术提供的一种基于GCN与指针网络的自然语言到SPARQL语句的生成系统及方法，包括以下步骤：获取问题语句图；利用GCN神经网络模型对得到的问题语句图进行训练，获得问题语句图中每个节点对应的图嵌入向量；搭建指针网络架构，使用指针网络架构生成SPARQL语句，实现端到端生成，避免中间环节，降低了SPARQL语句生成复杂度；提升了解码端问句生成灵活度。

【技术实现步骤摘要】
一种基于GCN与指针网络的自然语言到SPARQL语句的生成系统及方法
本专利技术涉及SPARQL语句生成方法的自然语言处理领域，具体涉及一种基于GCN与指针网络的自然语言到SPARQL语句的生成系统及方法。
技术介绍
随着互联网技术的发展，问答系统在信息检索中扮演着重要的角色，它的研究和发展历经了专家系统、检索式问答、社区问答以及现阶段的知识库问答，有着非常悠久的历史。知识库问答作为问答系统的一种重要类型，通过对问题进行语义理解和解析，生成面向知识库的SPARQL语句，进而利用知识库进行查询、推理得出答案。其中，利用Jena存储知识图谱，利用SPARQL语句查询获得答案，便是知识库问答的一种重要实现方式。在传统的知识库问答中，Text问句需要经过实体与属性识别、实体链接、问句意图识别等诸多步骤才能生成SPARQL语句，则生成过程复杂不利于解析问句。
技术实现思路
本专利技术的目的在于提供一种基于GCN与指针网络的自然语言到SPARQL语句的生成系统及方法，解决了SPARQL语句生成过程复杂、且不利于问句语义深度解析的本文档来自技高网...

【技术保护点】
1.一种基于GCN与指针网络的自然语言到SPARQL语句的生成方法，其特征在于，包括以下步骤：/n步骤1，接收用户问题语句；/n步骤2，根据用户问题语句获取问题语句图；/n步骤3，利用GCN神经网络模型对步骤2中得到的问题语句图进行训练，获得问题语句图中每个节点对应的图嵌入向量；/n步骤4，搭建指针网络架构，所述指针网络架构包括编码端、Attention层和解码端，其中，编码端为Bi-LSTM模型；解码端为LSTM模型；Attention层包括全连接层和Softmax层；/n构建输入序列，并设定该输入系列的单元数为n；/n步骤5，对步骤4中得到的输入序列进行编码，得到输入序列编码向量；将输入序...

【技术特征摘要】
1.一种基于GCN与指针网络的自然语言到SPARQL语句的生成方法，其特征在于，包括以下步骤：
步骤1，接收用户问题语句；
步骤2，根据用户问题语句获取问题语句图；
步骤3，利用GCN神经网络模型对步骤2中得到的问题语句图进行训练，获得问题语句图中每个节点对应的图嵌入向量；
步骤4，搭建指针网络架构，所述指针网络架构包括编码端、Attention层和解码端，其中，编码端为Bi-LSTM模型；解码端为LSTM模型；Attention层包括全连接层和Softmax层；
构建输入序列，并设定该输入系列的单元数为n；
步骤5，对步骤4中得到的输入序列进行编码，得到输入序列编码向量；将输入序列编码向量与步骤3中得到的图嵌入向量进行拼接，得到编码拼接向量；
将得到的编码拼接向量输入步骤4中得到的指针网络架构的编码端，获得Bi-LSTM模型n个单元输出向量、1个正向隐向量和1个反向隐向量；
步骤6，根据步骤5得到的Bi-LSTM模型单元输出向量、正向隐向量和反向隐向量，结合步骤4中得到指针网络架构的Attention层，得到输入序列每个单元的权重；
根据得到的最大权重对应的输入序列单元，结合步骤4中得到指针网络架构的解码端，生成SPARQL语句。


2.根据权利要求1所述的一种基于GCN与指针网络的自然语言到SPARQL语句的生成方法，其特征在于，步骤2中，根据用户问题语句获取问题语句图，具体方法是：
S201、利用BERT+CRF模型对接收到的问题语句分别进行实体识别和属性识别，分别得到实体信息和属性信息；
S202、利用知识图谱获取S201中得到的实体信息和属性信息对应的子图，并将该子图作为问题语句图。


3.根据权利要求1所述的一种基于GCN与指针网络的自然语言到SPARQL语句的生成方法，其特征在于，步骤3中，利用GCN神经网络模型对步骤2中得到的问题语句图进行训练，获得问题语句图中每个节点对应的图嵌入向量，具体方法是：
S301、利用Word2vec预训练词向量对步骤2中得到的问题语句图中每个节点进行向量初始化，得到每个节点对应的初始化向量；
S302、利用GCN神经网络模型对S301中每个初始化向量进行训练更新，获得问题语句图中每个节点对应的图嵌入向量。


4.根据权利要求1所述的一种基于GCN与指针网络的自然语言到SPARQL语句的生成方法，其特征在于，步骤4中，构建得到的输入序列由SPARQL的关键字表、S3中获得的问题语句图中所有节点对应的实体、边对应的属性以及<end>标识符组成。


5.根据权利要求1所述的一种基于GCN与指针网络的自然语言到SPARQL语句的生成方法，其特征在于，步骤5中，对步骤4中得到的输入序列进行编码，得到输入序列编码向量，具体方法是：
利用BERT预训练模型对构建得到的输入序列进行编码，获得输入序列编码向量。


6.根据权利要求1所述的一种基于GCN与指针网络的自然语言到SPARQL语句的生成方法，其特征在于，步骤5中，将输入序列编码向量与步骤3中得到的图嵌入向量进行拼接，得到编码拼接向量，具体方法是：
将输入序列编码向量中的所有节点对应的实体、边对应的属性分别与S4中得到的图嵌入向量在对应节点与边处分别进行拼接，同时，将输入序列编码向量中的SPARQL的关键字表的编码向量及<end>标识符的...

【专利技术属性】
技术研发人员：姜洪超，金莉，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61