[发明专利]基于知识库和深度学习的用户查询意图理解方法及系统

权利要求书

1.一种基于知识库和深度学习的用户查询意图理解方法，其特征在于：包括如下步骤：

步骤一：以特定意图领域的种子查询为起点，爬取中文维基百科知识库内与该领域相关的概念和分类标签；

步骤二：建立特定领域的概念链接图；

步骤三：利用随机游走算法，计算得到链接图中的概念节点属于特定意图领域的概率；

步骤四：获取用户查询语句，检索已建立的链接图，若概念节点覆盖了语句，则直接返回概念；否则利用深度学习模型，对查询语句和各个维基概念进行匹配打分，找到其中与查询语句最相似的前K个概念，并返回；

步骤五：获取步骤四中返回的概念，利用步骤三中计算出的概念的意图概率，加和得出语句属于特定意图领域的概率，并与相应的阈值比较，判断是否属于该意图。

2.根据权利要求1所述的一种基于知识库和深度学习的用户查询意图理解方法，其特征在于：所述步骤一包括：

S11标注少量的特定意图领域的查询语句，将语句中的概念作为种子概念；

S12找到种子概念对应的维基百科概念和概念的分类标签，以此为起点，并利用分类标签的母分类标签和子分类标签，分类标签对相关概念的包含关系和概念之间的链接关系3种关系，爬虫获得与该特定意图领域相关的所有维基百科概念、分类标签及概念的文章摘要。

3.根据权利要求1所述的一种基于知识库和深度学习的用户查询意图理解方法，其特征在于：所述步骤二包括：

S21以步骤S12爬取得到的m个概念和n个分类标签作为节点，若分类标签存在上下位关系、分类标签和概念存在包含关系、概念之间存在有效链接关系，则相应的分类标签之间、概念之间、分类标签与概念之间存在边，所有的节点与边共同构成无向链接图；

S22记录概念间有效链接的次数，获得链接图的维度为(m+n)×(m+n)的权重矩阵W，其中元素W_ij表示第i个节点和第j个节点之间的链接次数。

4.根据权利要求3所述的一种基于知识库和深度学习的用户查询意图理解方法，其特征在于：步骤S21和步骤S22中的有效链接的定义是：若A概念和B概念在其百科文章中相互链接，则A概念和B概念存在有效链接。

5.根据权利要求1所述的一种基于知识库和深度学习的用户查询意图理解方法，其特征在于：所述步骤四包括：

S41获取用户查询语句，检索已建立的链接图，判断语句是否被概念节点所覆盖；

S42若S41判断结果为是，则直接返回概念；

S43若S41判断结果为否，将查询语句和各个维基概念的文本输入深度学习模型中，获得两者的匹配得分，得分越高，说明两者的相似度越高，返回前K个最相似的概念。

6.根据权利要求5所述的一种基于知识库和深度学习的用户查询意图理解方法，其特征在于：步骤S43中的维基概念的文本为该概念的文章摘要。

7.根据权利要求5所述的一种基于知识库和深度学习的用户查询意图理解方法，其特征在于：步骤S43中的深度学习模型包括输入层、表示层和匹配层三个层次结构。

8.根据权利要求1所述的一种基于知识库和深度学习的用户查询意图理解方法，其特征在于：对于特定领域的意图理解问题，可将其当作一个二分类问题；对于多个领域的意图理解问题，可将其当作多个特定领域的意图理解问题，即多个二分类问题。

9.根据权利要求1-8任一项所述的一种基于知识库和深度学习的用户查询意图理解系统，其特征在于，包括：

数据爬取模块：爬取与特定意图领域相关的维基百科概念、分类标签，以及概念的文章摘要；

链接图构建模块：将爬取的概念和分类标签作为节点，记录其中有链接关系的节点，计算概念间相互链接的次数，并生成特定意图领域的链接权重矩阵；

链接图计算模块：实施链接图的随机游走算法，包括：生成初始状态向量、转移矩阵，迭代计算直至稳定状态，获得稳定状态向量；

模型构建模块：用于深度学习模型的搭建和训练，获得可以进行查询语句和概念文本相似度匹配的深度神经网络模型；

链接图检索模块：获取查询语句，检索链接图，判断查询语句是否被链接图中的概念覆盖，如果是，则返回该概念；

模型应用模块：获取查询语句和维基概念文本，输入深度学习模型中，进行相似度匹配，返回前K个最相关的概念；

意图判断模块：获取前述模块返回的概念和其属于特定意图领域的概率，相加得到查询语句的概率，与相应的阈值相比较，判断其是否属于特定意图。