【技术实现步骤摘要】
本专利技术涉及智能检索领域，尤其涉及结合知识图谱的科普内容智能检索交互系统及方法。
技术介绍
1、在数字化时代，科普知识的传播载体日益丰富，文本、图像、视频等多源异构数据构成海量科普内容库。与此同时，公众对科普知识的需求也更加多元化和个性化，传统检索方式难以满足精准、高效获取科普信息的需求。构建智能化的科普内容检索交互系统，成为推动科普知识广泛传播、提升公众科学素养的关键。
2、现有科普内容检索系统普遍存在语义理解不足的问题。多数系统依赖简单的关键词匹配技术，仅能从文本表面进行检索，无法深入挖掘科普内容中实体之间的语义关联。例如，当用户检索“人工智能的发展历史”，系统可能仅返回包含“人工智能”和“发展历史”关键词的内容，而忽略相关技术演变、关键人物贡献等语义关联信息，导致检索结果缺乏全面性和关联性。
3、此外，现有技术在用户交互体验优化方面存在明显短板。传统检索系统通常以静态方式呈现检索结果，缺乏对用户交互行为的动态分析机制。在用户检索过程中，用户浏览时长、点击偏好、二次检索关键词变化等行为数据，都蕴含着用户检索...
【技术保护点】
1.结合知识图谱的科普内容智能检索交互系统，其特征在于，包括：
2.根据权利要求1所述的结合知识图谱的科普内容智能检索交互系统，其特征在于，所述知识图谱构建单元中，构建知识图谱时采用的实体抽取公式为：其中，E表示抽取得到的实体集合，σ为激活函数，n为特征数量，wi为第i个特征的权重向量，fi(D)为从多源科普数据D中提取的第i个特征，b为偏置向量；关系识别公式为：其中，R表示识别出的关系集合，为所有可能关系的集合，P(r∣e1，e2，K)为在知识图谱K中，实体e1与实体e2存在关系r的概率。
3.根据权利要求1所述的结合知识图谱的科普内容智能检...
【技术特征摘要】
1.结合知识图谱的科普内容智能检索交互系统，其特征在于，包括：
2.根据权利要求1所述的结合知识图谱的科普内容智能检索交互系统，其特征在于，所述知识图谱构建单元中，构建知识图谱时采用的实体抽取公式为：其中，e表示抽取得到的实体集合，σ为激活函数，n为特征数量，wi为第i个特征的权重向量，fi(d)为从多源科普数据d中提取的第i个特征，b为偏置向量；关系识别公式为：其中，r表示识别出的关系集合，为所有可能关系的集合，p(r∣e1，e2，k)为在知识图谱k中，实体e1与实体e2存在关系r的概率。
3.根据权利要求1所述的结合知识图谱的科普内容智能检索交互系统，其特征在于，所述多层多头注意力机制协同的transformer编码单元中，多头注意力计算采用公式：multihead(q，k，v)＝concat(head1，…，headh)wo，其中，q为查询向量，k为键向量，v为值向量，和wo为训练的权重矩阵，h为注意力头的数量；所述transformer编码单元的输出特征向量计算公式为：h＝layernorm(x+mha(x))，其中，h为输出特征向量，x为输入的词向量，mha(x)为多头注意力机制对x的计算结果，layernorm为层归一化操作。
4.根据权利要求1所述的结合知识图谱的科普内容智能检索交互系统，其特征在于，所述知识图谱嵌入与transformer特征融合单元中，知识图谱嵌入向量生成公式为：g＝∑(s，p，o)∈gα(s，p，o)·ψ(s，p，o)，其中，g为知识图谱嵌入向量，g为知识图谱中的三元组集合，(s，p，o)表示主语、谓语、宾语构成的三元组，α(s，p，o)为三元组(s，p，o)的权重，ψ(s，p，o)为三元组(s，p，o)的向量表示；特征融合公式为：f＝β1·t+β2·g，其中，f为融合后的特征向量，t为transformer编码单元输出的特征向量，β1和β2为融合权重参数。
5.根据权利要求1所述的结合知识图谱的科普内容智能检索交互系统，其特征在于，所述基于融合特征的检索结果排序单元中，余弦相似度计算采用公式：其中，sim(f，ci)表示融合特征向量f与科普内容ci的余弦相似度，ci为科普内容库中第i个科普内容的向量表示，||f||和||ci||分别为向量f和ci的范数；初始检索结果排序依据公式：rankini...
【专利技术属性】
技术研发人员：叶明明，孙向锋，
申请(专利权)人：拉萨经济技术开发区圣地星途信息科技有限公司，
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。