[发明专利]基于知识图谱的实体识别数据增强方法及系统

说明书

本发明提供一种基于知识图谱的实体识别数据增强方法，包括：采集确定领域的问答数据；识别问答数据的标注信息，并根据标注信息识别问答数据的意图，以建立问答数据中的实体在知识图谱中的结构；从实体中识别出与意图相关的第一实体，并对第一实体概念化成第一概念以获取第一问答数据模板，第一问答数据模板包括第一概念与关系词；对关系词进行分词，得到分词词语；根据每个分词词语与意图的相关程度，对每个分词词语分别赋予对应的权重，以获得保留的分词词语；将保留的分词词语及第一概念进行组合，以生成第二问答数据模板并加入至问答数据库中。通过本发明能够提升垂直领域中问答系统的搭建速度，且能够有效提高问句实体识别的召回率。

技术领域

本发明实施例涉及大数据领域，尤其涉及一种基于知识图谱的实体识别数据增强方法、系统、计算机设备及可读存储介质。

背景技术

知识图谱是利用可视化技术或结构化方式来描述实体和实体关系知识，为搜索引擎用户提供高质量的知识检索服务。知识图谱是构建下一代搜索引擎的雏形，使得搜索更加语义化和智能化。知识图谱需要对实体进行识别，目前的知识图谱大多是从传统领域进行研究，通过将用户问句中所提及的实体识别出来。例如，以医疗领域为例，需要识别的实体一般包括药品、疾病及症状等。基于实体识别的结果，问答系统才能将实体与图片进行链接，将识别出的实体对应到图片上，在进行用户意图识别，通过查找图谱给出对应问题的答案。实体识别在学界与业界采用的基准模型均为双向长短期记忆网络条件随机场(Bi-directional Long Short-Term Memory Network Conditional Random Field，biLSTM-CRF)模型，该深度学习模型需要大量标注语句进行训练。

然，垂直领域问答数据，特别是适合于知识图谱的智能问答系统(KnowledgeGraph Question Answering System,KGQA)进行回答的问句，通常是较为匮乏的。数据稀疏性导致模型无法充分训练，使得模型很容易出现过拟合，泛化性能较差，尤其是在实际业务场景中召回率太低，对用户输入的问句不能很好的提取其中的实体。

故，本发明旨在解决垂直领域数据缺乏，问答系统搭建困难，问句实体识别的召回率低的问题。

发明内容

有鉴于此，有必要提供一种基于知识图谱的实体识别数据增强方法、系统、计算机设备及计算机可读存储介质，能够提升垂直领域中问答系统的搭建速度，且能够有效提高问句实体识别的召回率。

为实现上述目的，本发明实施例提供了一种基于知识图谱的实体识别数据增强方法，所述方法包括：

从问答数据库采集确定领域的问答数据，其中，所述确定领域至少包括医疗领域和/或旅游领域；

识别所述问答数据的标注信息，并根据所述标注信息识别所述问答数据的意图，以建立所述问答数据中的实体在知识图谱中的结构，其中，所述标注信息包括实体识别标注信息及所述实体之间的关系标注信息；

根据所述意图从所述实体中识别出与所述意图相关的第一实体，并对所述第一实体概念化成第一概念以获取第一问答数据模板，其中所述第一问答数据模板包括所述第一概念与关系词；

对所述关系词进行分词，得到分词词语；

根据每个分词词语与所述意图的相关程度，对所述每个分词词语分别赋予对应的权重，其中所述相关程度越高，则所述权重越高；

根据所述权重对所述每个分词词语进行筛选，得到保留的分词词语；

将所述保留的词语及所述第一概念进行组合，以生成新的第二问答数据模板；及

将所述第二问答数据模板加入至所述问答数据库中，以对所述问答数据库进行扩充。

可选地，所述根据所述意图从所述实体中识别出与所述意图相关的第一实体，并对所述第一实体概念化成第一概念以获取第一问答数据模板的步骤，还包括步骤：