[发明专利]基于多模型融合的问答方法及系统

说明书

本发明实施例公开一种基于多模型融合的问答方法及系统，其中方法包括如下步骤：构建知识库和知识图谱，结合知识库和知识图谱对所输入的原始问题进行问题解析，得到问题解析数据，基于融合模型指示的匹配方法检索问题分析数据，得到原始问题对应的问题答案。在本申请中，采用融合模型搜索原始问题对应的答案的过程在保证准确性的前提下可以实现更高的效率，且随着数据量的增长，深度学习模型日趋健壮，整体模型对于语义的理解更准确，可实现对机器人真正的“注智”。

技术领域

本发明涉及人工智能的问答系统技术领域，尤其涉及一种基于多模型融合的问答方法及系统。

背景技术

随着大数据和深度学习技术的发展，创建一个自动的人机对话系统作为我们的私人助理或聊天伙伴，将不再是一个幻想。

当前，对话系统在各个领域越来越引起人们的重视，深度学习技术的不断进步极大地推动了对话系统的发展。对于对话系统，深度学习技术可以利用大量的数据来学习特征表示和回复生成策略，这其中仅需要少量的手工操作。现有的基于意图识别与对话管理的机器人需要大量的标注语料来进行特征学习，标注的过程将耗费大量的人力物力，影响整个系统的执行效率，不利于系统维护，且影响系统的健壮性及可成长性。

发明内容

本发明实施例提供一种基于多模型融合的问答方法及系统，可以解决上述问题。

本发明实施例第一方面提供了一种基于多模型融合的问答方法，可包括：

构建知识库和知识图谱，其中，知识库包括用于存储源知识的源知识库，用于存储同义词、关键词集合和问题模板的语法库，用于存储常问问题集和答案的FAQ问题库，知识图谱为基于有标签数据的行业相关法律、规定以及管理制度的知识数据集的知识图谱；

结合知识库和知识图谱对所输入的原始问题进行问题解析，得到问题解析数据，其中，问题解析数据包括原始问题中的关键字、提问的实体名称，问题分类以及可能的待匹配问题模板；

基于融合模型指示的匹配方法检索问题分析数据，得到原始问题对应的问题答案，其中，融合模型包括知识图谱推理模型、TF-IDF模型、Siamese模型和Bert模型。

本发明实施例第二方面提供了一种基于多模型融合的问答系统，可包括：

基础数据构建模块，用于构建知识库和知识图谱，其中，知识库包括用于存储源知识的源知识库，用于存储同义词、关键词集合和问题模板的语法库，用于存储常问问题集和答案的FAQ问题库，知识图谱为基于有标签数据的行业相关法律、规定以及管理制度的知识数据集的知识图谱；

原始问题分析模块，用于结合知识库和知识图谱对所输入的原始问题进行问题解析，得到问题解析数据，其中，问题解析数据包括原始问题中的关键字、提问的实体名称，问题分类以及可能的待匹配问题模板；

答案搜索模块，用于基于融合模型指示的匹配方法检索问题分析数据，得到原始问题对应的问题答案，其中，融合模型包括知识图谱推理模型、TF-IDF模型、Siamese模型和Bert模型。

本发明实施例第三方面提供了一种计算机设备，该设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述方面所述的基于多模型融合的问答方法。

本发明实施例第四方面提供了一种计算机存储介质，该计算机存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述方面所述的基于多模型融合的问答方法。