基于知识图谱的问答方法、装置以及相关设备制造方法及图纸

本公开提供了一种基于知识图谱的问答方法、装置以及相关设备，涉及自然语言处理技术领域。该方法包括：获取问题文本；对问题文本进行处理，得到问题文本中每个语句的语句向量；将每个语句的语句向量与知识图谱向量模型进行匹配，得到每个语句对应的一个或多个实体向量，其中，知识图谱向量模型为对预先构建的实体关系知识图谱中实体和实体之间关系进行向量化得到的模型；根据每个语句向量与对应的实体向量，生成每个语句向量对应的联合向量；将问题文本中每个语句对应联合向量输入到预先训练好的问答模型中，输出问题文本对应的答案文本。本公开能够在一定程度上克服由于相关技术中自然语言问题与知识图谱中的实体缺乏编码信息交互的问题。码信息交互的问题。码信息交互的问题。

【技术实现步骤摘要】
基于知识图谱的问答方法、装置以及相关设备


[0001]本公开涉及自然语言处理
，尤其涉及一种基于知识图谱的问答方法、装置以及相关设备。

技术介绍

[0002]现有的模型主要是将问题编码与知识图谱分离，即序列到序列任务或知识图谱嵌入任务，缺乏问题与知识图谱中的实体之间的编码信息的交互，并且，现有模型算法只考虑在每一跳上将问题编码与关系嵌入进行匹配。这些工作无法处理知识图谱中复杂的关系类型，如一对多关系，这在关系编码中使得推理能力受到了限制。
[0003]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0004]本公开提供一种基于知识图谱的问答方法、装置以及相关设备，至少在一定程度上克服由于相关技术中自然语言问题与知识图谱中的实体缺乏编码信息交互的问题。
[0005]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0006]根据本公开的一个方面，提供了一种基于知识图谱的问答方法，该方法包括：获取问题文本，其中，所述问题文本包括：一个或多个语句；对所述问题文本进行处理，得到所述问题文本中每个语句的语句向量；将每个语句的语句向量与知识图谱向量模型进行匹配，得到每个语句对应的一个或多个实体向量，其中，所述知识图谱向量模型为对预先构建的实体关系知识图谱中实体和实体之间关系进行向量化得到的模型；根据每个语句向量与对应的实体向量，生成每个语句向量对应的联合向量；将所述问题文本中每个语句对应联合向量输入到预先训练好的问答模型中，输出所述问题文本对应的答案文本。
[0007]在本公开的一些示例性实施例中，基于前述方案，对所述问题文本进行处理，得到所述问题文本中每个语句的语句向量，包括：对所述问题文本进行分词处理，获得分词结果；通过词向量模型对所述分词结果进行处理，得到所述问题文本中的每个语句中各个词的词向量；对所述问题文本中的每个语句中各个词的词向量进行加权平均，得到所述问题文本中每个语句的语句向量。
[0008]在本公开的一些示例性实施例中，基于前述方案，在将每个语句的语句向量与知识图谱向量模型进行匹配之前，所述方法还包括：将所述预先构建的实体关系知识图谱中的实体和实体之间关系进行向量化，得到所述知识图谱向量模型。
[0009]在本公开的一些示例性实施例中，基于前述方案，在将所述问题文本中每个语句对应联合向量输入到预先训练好的问答模型中，输出所述问题文本对应的答案文本之前，所述方法还包括：对预先构建的神经网络进行训练，得到所述问答模型。
[0010]在本公开的一些示例性实施例中，基于前述方案，根据每个语句向量与对应的实
体向量，生成每个语句向量对应的联合向量，包括：将所述问题文本中每个语句的语句向量与对应的所述实体向量输入到预先训练好的联合模型中，输出每个语句向量对应的联合向量。
[0011]在本公开的一些示例性实施例中，基于前述方案，在将所述问题文本中每个语句的语句向量与对应的所述实体向量输入到预先训练好的联合模型中，输出每个语句向量对应的联合向量之前，所述方法还包括：对双向长短期记忆网络LSTM进行训练，得到所述联合模型。
[0012]在本公开的一些示例性实施例中，基于前述方案，在所述问题文本包括多个语句的情况下，对所述问题文本进行处理，得到多个语句向量，将所述多个语句向量存储于语句查询模块中，所述语句查询模块用于查询任意所述语句向量。
[0013]根据本公开的另一个方面，还提供了一种基于知识图谱的问答装置，该装置包括：问题获取模块，用于获取问题文本，其中，所述问题文本包括：一个或多个语句；向量处理模块，用于对所述问题文本进行处理，得到所述问题文本中每个语句的语句向量；实体向量匹配模块，用于将每个语句的语句向量与知识图谱向量模型进行匹配，得到每个语句对应的一个或多个实体向量，其中，所述知识图谱向量模型为对预先构建的实体关系知识图谱中实体和实体之间关系进行向量化得到的模型；联合向量生成模块，用于根据每个语句向量与对应的实体向量，生成每个语句向量对应的联合向量；答案输出模块，用于将所述问题文本中每个语句对应联合向量输入到预先训练好的问答模型中，输出所述问题文本对应的答案文本。
[0014]根据本公开的再一个方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项基于知识图谱的问答方法。
[0015]根据本公开的又一个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项基于知识图谱的问答方法。
[0016]本公开的实施例中提供的基于知识图谱的问答方法、装置以及相关设备，首先，获取问题文本，该问题文本包括：一个或多个语句；其次，对问题文本进行处理，得到问题文本中每个语句的语句向量；然后，将每个语句的语句向量与知识图谱向量模型进行匹配，得到每个语句对应的一个或多个实体向量；再根据每个语句向量与对应的实体向量，生成每个语句向量对应的联合向量；最后，将问题文本中每个语句对应联合向量输入到预先训练好的问答模型中，输出问题文本对应的答案文本。本公开实施例根据每个语句向量与对应的实体向量，生成每个语句向量对应的联合向量，而联合向量是包括每个语句的语句向量以及该语句对应的实体向量的信息，避免了现有技术中的知识图谱模型缺乏问题与知识图谱中的实体之间的编码信息交互的问题，进一步地，本公开实施例将问题文本中每个语句对应联合向量输入到预先训练好的问答模型中，输出的对应答案文本集成了问题文本中的语句向量和对应的实体向量，也就是问题编码信息与知识图谱向量模型中的实体向量相结合，能够处理更复杂的问题，显著提高了多跳问答的准确率。
[0017]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0018]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1示出本公开实施例中一种基于知识图谱的问答系统结构的示意图；
[0020]图2示出本公开实施例中一种基于知识图谱的问答方法示意图；
[0021]图3示出本公开实施例中一种语句向量的处理流程示意图；
[0022]图4示出本公开实施例中一种问答模型输出流程示意图；
[0023]图5示出本公开实施例中一种基于知识图谱的问答方法具体流程示意图；
[0024]图6示出本公开实施例中一种基于知识图谱的问答装置示意图；
[0025]图7示出本公开实施例中一种基于知识图谱的问答方法的电子设备示意图。
具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱的问答方法，其特征在于，包括：获取问题文本，其中，所述问题文本包括：一个或多个语句；对所述问题文本进行处理，得到所述问题文本中每个语句的语句向量；将每个语句的语句向量与知识图谱向量模型进行匹配，得到每个语句对应的一个或多个实体向量，其中，所述知识图谱向量模型为对预先构建的实体关系知识图谱中实体和实体之间关系进行向量化得到的模型；根据每个语句向量与对应的实体向量，生成每个语句向量对应的联合向量；将所述问题文本中每个语句对应联合向量输入到预先训练好的问答模型中，输出所述问题文本对应的答案文本。2.根据权利要求1所述的基于知识图谱的问答方法，其特征在于，对所述问题文本进行处理，得到所述问题文本中每个语句的语句向量，包括：对所述问题文本进行分词处理，获得分词结果；通过词向量模型对所述分词结果进行处理，得到所述问题文本中的每个语句中各个词的词向量；对所述问题文本中的每个语句中各个词的词向量进行加权平均，得到所述问题文本中每个语句的语句向量。3.根据权利要求1所述的基于知识图谱的问答方法，其特征在于，在将每个语句的语句向量与知识图谱向量模型进行匹配之前，所述方法还包括：将所述预先构建的实体关系知识图谱中的实体和实体之间关系进行向量化，得到所述知识图谱向量模型。4.根据权利要求1所述的基于知识图谱的问答方法，其特征在于，在将所述问题文本中每个语句对应联合向量输入到预先训练好的问答模型中，输出所述问题文本对应的答案文本之前，所述方法还包括：对预先构建的神经网络进行训练，得到所述问答模型。5.根据权利要求1所述的基于知识图谱的问答方法，其特征在于，根据每个语句向量与对应的实体向量，生成每个语句向量对应的联合向量，包括：将所述问题文本中每个语句的语句向量与对应的所述实体向量输入到预先...

【专利技术属性】
技术研发人员：刘珮，钱兵，赵龙刚，郑博，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：