[发明专利]一种问答关系排序方法、装置、计算机设备及存储介质

说明书

本发明公开了一种问答关系排序方法，包括：构建卷积神经网络模型，所述卷积神经网络模型用于知识图谱问句关系对的打分，所述问句关系对为问句与映射的候选关系之间的集合，所述候选关系为所述问句的实体在知识图谱中所链接的所有关系；训练所述卷积神经网络模型；将待处理问句输入至训练完毕的卷积神经网络模型中，所述卷积神经网络对所述待处理问句的问句关系对的相关性打分；选取相关性打分最高的候选关系作为预测输出，可有效提升卷积神经网络模型问句关系对的相关或非相关性的能力，提高精确度。

技术领域

本发明涉及知识图谱领域，尤其涉及一种问答关系排序方法、装置、计算机设备及存储介质。

背景技术

问答系统(Question Answering System,QA)是信息检索系统的一种高级形式。它能用准确、简洁的自然语言回答用户用自然语言提出的问题。其研究兴起的主要原因是人们对快速、准确地获取信息的需求。问答系统是目前人工智能和自然语言处理领域中一个倍受关注并具有广泛发展前景的研究方向。

随着大规模网络数据资源的出现，尤其是知识图谱的出现，使得基于知识图谱的问答系统更加智能化，知识库是一种储存复杂结构化信息的新型技术。知识库中存储了大量事实型知识，其内部使用知识图谱(knowledge graph)模型对实体及实体间的关系间的关系信息进行建模。如今，知识库多以RDF(Resource Description Framework)的格式存储数据，一条事实(fact)被表示为一个(S，P，O)三元组，形如(subject,predicate,object)，其中主体(subject)和客体(object)为命名实体，客体(object)有时会是属性值，述语(predicate)是主体(subject)和客体(object)间的关系。

目前知识图谱问答系统的研究，一般采用基于注意力机制的网络结构，但是基于注意力机制的算法时间复杂度和空间复杂度都较高。另外，基于知识图谱的问答系统一般采用LSTM或者GRU模型，其训练速度较CNN要慢很多。对于初期研究探索时间效率要求并不高，但是如果想要将这些模型应用到商用，效率问题显得非常重要，所以，提出一个精确度高知识图谱问答系统模型对实际部署非常重要。

发明内容

本发明的目的是提供一种问答关系排序方法、装置、计算机设备及存储介质，用于解决现有技术存在的问题。

为实现上述目的，本发明提供一种问答关系排序方法，包括以下步骤：

为实现上述目的，本发明还提供一种问答关系排序装置，其包括：

卷积神经网络模型构建模块，用于知识图谱问句关系对的打分，所述问句关系对为问句与映射的候选关系之间的集合，所述候选关系为所述问句的实体在知识图谱中所链接的所有关系，其包括：

第一训练数据收集子模块，用于收集第一训练数据，所述第一训练数据为问句文本；

问句向量获取子模块，用于获取所述第一训练数据的问句向量；

候选关系向量获取子模块，用于获取所述第一训练数据的候选关系向量；

交互子模块，用于将所述问句向量与所述候选关系向量进行交互，确定所述问句向量与所述候选关系向量的element-wise乘积和element-wise差值绝对值；

拼接子模块，用于拼接所述element-wise乘积向量与所述element-wise差值绝对值向量；

打分子模块，用于经由全连接网络层将拼接后的向量映射为0到1的数值，所述数值用于对问句关系对的相关性打分；

卷积神经网络模型训练模块，用于训练所述卷积神经网络模型；

问句关系对相关性打分模块，用于将待处理问句输入至训练完毕的卷积神经网络模型中，所述卷积神经网络对所述待处理问句的问句关系对的相关性打分；