[发明专利]基于知识图谱的问答方法、电子装置、设备及存储介质

权利要求书

1.一种基于知识图谱的问答方法，应用于电子装置中，其特征在于，所述方法包括步骤：

确定预训练后的第一模型为生成对抗网络的生成器；

及确定预训练后的第二模型为生成对抗网络的判别器；

通过第一模型对获取到的用户输入的问题数据进行知识图谱查询，找到所述问题数据连接的N个问答关系，并将N个所述问答关系与真实答案组成一组正负样本组；

通过所述第一模型和所述第二模型根据二人零和博弈对对抗生成网络进行训练，确定最终模型关系；

根据最终模型关系对问题数据通过查询图谱匹配到最终答案数据。

2.如权利要求1所述的基于知识图谱的问答方法，其特征在于，通过第一模型对获取到的用户输入的问题数据进行知识图谱查询，找到所述问题数据连接的N个问答关系，并将N个所述问答关系与真实答案组成一组正负样本组的步骤，包括：

通过第一模型将获取的用户输入的问题数据进行实体连接找到对应的主题实体，对主题实体进行知识图谱查询，找到所述问题数据连接的N个问答关系；

通过第一模型将N个所述问答关系与真实答案组成一组正负样本组。

3.如权利要求2所述的基于知识图谱的问答方法，其特征在于，通过第一模型将N个所述问答关系与真实答案组成一组正负样本组的步骤，包括：

通过第一模型对N个所述问答关系进行与问题数据的相关性评分；

根据相关性评分的结果选取分数排名为预置排名数前的M个问答关系，其中，N>M；

通过第一模型将M个所述问答关系与真实答案组成一组正负样本组。

4.如权利要求1所述的基于知识图谱的问答方法，其特征在于，通过所述第一模型和所述第二模型根据二人零和博弈对对抗生成网络进行训练，确定最终模型关系的步骤，包括：

对所述第一模型和所述第二模型的参数进行策略梯度算法的强化学习；

根据策略梯度算法的强化学习后的结果确定所述第一模型或所述第二模型中一个为最终关系分类器，并确定最终模型关系。

5.如权利要求4所述的基于知识图谱的问答方法，其特征在于，根据策略梯度算法的强化学习后的结果确定所述第一模型或所述第二模型中一个为最终关系分类器，并确定最终模型关系的步骤，包括：

确定策略梯度算法的强化学习之后的所述第一模型和所述第二模型达到纳什均衡；

根据所述第一模型和所述第二模型的结果，确定最优的所述第一模型或所述第二模型为最终关系分类器，并确定最终模型关系。

6.如权利要求1至5中任意一项所述的基于知识图谱的问答方法，其特征在于，确定预训练后的第一模型为生成对抗网络的生成器，及确定预训练后的第二模型为生成对抗网络的判别器的步骤，之前还包括：

对基于神经网络的KGQA关系分类模型的所述第一模型和所述第二模型进行预置训练数据的预训练；

其中，第一模型和第二模型的网络结构不同，预置训练数据按照预置正负样本比例随机生成。

7.如权利要求6所述的基于知识图谱的问答方法，其特征在于，通过第一模型对获取到的用户输入的问题数据进行知识图谱查询，找到所述问题数据连接的N个问答关系，并将N个所述问答关系与真实答案组成一组正负样本组的步骤，之前还包括：

获取用户输入的自然查询语句对应的问题数据；

从数据库提取若干个用户历史输入的自然查询语句对应的问题数据。

8.一种电子装置，其特征在于，其包括：

第一确定模块，适于确定预训练后的第一模型为生成对抗网络的生成器；

第二确定模块，适于确定预训练后的第二模型为生成对抗网络的判别器；

查询模块，适于通过第一模型对获取到的用户输入的问题数据进行知识图谱查询，找到所述问题数据连接的N个问答关系，并将N个所述问答关系与真实答案组成一组正负样本组；

对抗生成网络模块，适于通过所述第一模型和所述第二模型根据二人零和博弈对对抗生成网络进行训练，确定最终模型关系；

匹配模块，适于根据最终模型关系对问题数据通过查询图谱匹配到最终答案数据。