【技术实现步骤摘要】
自然语言问答方法、系统、装置及电子设备
[0001]本专利技术涉及自然语言问答
,尤其涉及一种自然语言问答方法、系统、装置及电子设备。
技术介绍
[0002]随着知识图谱技术和互联网技术的发展,利用学习资源和教育资源梳理学科知识框架及构建知识图谱,可以帮助和了解学生各课程之间的知识点关联和快速全面掌握课程知识要点,因此,基于学科知识图谱的智能问答系统应运而生。
[0003]相关技术中,基于学科知识图谱的智能问答系统可以不需要掌握复杂的数据库查询语言,而是通过自然语言的方式和知识图谱进行交互的方式,从学科知识图谱中查询与用户问题匹配的问答结果,比如查询用户所需的知识要点和练习题目。
[0004]然而,由于现有学科知识图谱中包含大量的课程属性信息及大量的课程题目信息,导致直接从知识图谱查询问答结果时不仅耗费时间较长,而且获取问答结果的效率也较低。
技术实现思路
[0005]本专利技术提供一种自然语言问答方法、系统、装置及电子设备,用以解决现有技术中直接从含有大量课程属性信息及大量课程题目信息的学科知识图谱中查询问答结果时耗时且获取问答结果的效率也较低的缺陷,实现快速且高效的向用户提供所需知识要点、课程习题或者与用户进行聊天互动的目的。
[0006]本专利技术提供一种自然语言问答方法,包括:
[0007]对用户问题进行分类,得到目标分类结果;
[0008]基于所述目标分类结果,对所述用户问题进行知识问答处理、题目问答处理或者闲聊对话处理,得到所述用户问题的问答结 ...
【技术保护点】
【技术特征摘要】
1.一种自然语言问答方法,其特征在于,包括:对用户问题进行分类,得到目标分类结果;基于所述目标分类结果,对所述用户问题进行知识问答处理、题目问答处理或者闲聊对话处理,得到所述用户问题的问答结果;将所述问答结果显示于交互界面上。2.根据权利要求1所述的自然语言问答方法,其特征在于,所述对用户问题进行分类,得到目标分类结果,包括:使用预设BERT
‑
sotfmax模型,计算用户问题分别为不同分类标签时对应的目标分类概率;基于所述目标分类概率,确定目标分类结果。3.根据权利要求1所述的自然语言问答方法,其特征在于,所述基于所述目标分类结果,对所述用户问题进行知识问答处理,得到所述用户问题的问答结果,包括:确定所述目标分类结果表征所述用户问题属于知识问答类时,使用预设BERT
‑
BiLSTM
‑
CRF模型,获取所述用户问题中以预设序列标注输出的目标实体;基于预先存储的学科知识图谱数据,确定与所述目标实体语义相似度最高的目标候选关系;基于所述目标候选关系和所述目标实体,生成目标查询语句;从所述学科知识图谱数据中检索得到所述目标查询语句对应的问答结果。4.根据权利要求1所述的自然语言问答方法,其特征在于,所述基于所述目标分类结果,对所述用户问题进行题目问答处理,得到所述用户问题的问答结果,包括:确定所述目标分类结果表征所述用户问题属于题目问答类时,使用预设题目问答模型,生成所述用户问题的用户动作标签文本;基于所述用户动作标签文本和预先存储的课程题目数据,获取与所述用户动作标签文本对应的系统动作标签文本;基于所述系统动作标签文本,生成符合自然语言形式的问答结果;其中,所述用户动作标签包括提供第一槽位的第一占位符标签和询问第二槽位的第二占位符,所述预设题目问答模型包括使用题目问答样本数据集训练含有BERT编码器和soft
‑
copy机制解码器的Seq2Seq模型所得的模型。5.根据权利要求1所述的自然语言问答方法,其特征在于,所述基于所述目标分类结果,对所述用户问题进行闲聊对话处理,得到所述用户问题的问答结果,包括:确定所述目标分类结果表征所述用户问题属于闲聊对话类时,使用预设Seq2Seq模型,生成与所述用户问题匹配的问答结果;其中,所述预设Seq2Seq模型用于使用训练好的循环神经网络和注意力机制学习所述用户问题后预测对应的问答结果。6.根据权利要求2所述的自然语言问答方法,其特征在于,所述预设BERT
‑
sotfmax模型的训练过程,包括:获取分类样本数据集和分类标签,所述分类样本数据集包括知识问句样本数据、题目问句样本数据和闲聊语句样本数据,所述分类标签包括知识问答、题目问答和闲聊对话;针对所述分类样本数据集对应选取所述分类标签,构成正样本集,以及针对所述分类
样本数据集随机选取所述分类标签,构成负样本集;采用所述正样本集和所述负样本集对含有双向Transformer编码器的BERT模型和softmax编码器进行训练,得...
【专利技术属性】
技术研发人员:张春红,付东君,于长宏,朱新宁,赵慧,詹志强,
申请(专利权)人:北京邮电大学,
类型:发明
国别省市:
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。