[发明专利]基于知识图谱补全的问答方法

说明书

本发明涉及一种基于知识图谱补全的问答方法，属于自然语言处理领域，包括以下步骤：S1：将输入的Q划分为词或短语；S2：利用字向量模型BERT将词表征为向量，得到矩阵作为模型输入；S3：利用实体识别技术识别Q中的实体，获取候选实体集；S4：查询e_KGs的类别，用c替换Q中的实体；S5：构建声明式查询cyher，获取候选三元组集，从而获取到候选关系集；S6：基于Q_c和r_ij的关系链接；S7：在KGs中，如果e_KGs和r_ij之间缺少关系；S8：学习实体e_KGs和e_KGs邻域内实体的新的向量表示；S9：估计中心实体邻域内实体的重要性；S10：基于现存的相关的三元组执行关系预测；S11：基于实体和关系的知识图推理，获得答案A。

技术领域

本发明属于自然语言处理领域，涉及一种基于知识图谱补全的问答方法。

背景技术

近年来，快速发展的人工智能技术已经逐渐成为社会关注的热点。随着人工智能技术的快速发展以及网络信息的爆发式增长，知识的存储与表示变得尤为重要。知识图谱(Knowledge Graphs，KGs)是知识表示最有效的方式之一，它从海量的网络信息中抽取知识，将其组织成三元组形式的结构化数据，便于计算机高效处理。随着谷歌将KGs用在搜索引擎中，智能问答(Question answering,QA)也开始大规模使用KGs。随着智能应用的发展，KGs本身存在的大量关系缺失问题也越来越不容忽视，如Freebase中超过70％的人没有出生地点，超过90％的人没有教育经历，75％的人没有国籍，DBpedia、Word Net和NELL也有着不同程度的关系缺失现象。KGs的完备程度将直接影响智能化应用的性能好坏。知识图谱补全(Knowledge Graphs completion,KGC)方法是针对这一问题提出的关系补全方法，即利用已有的三元组向KGs中添加新的三元组，已成为当前研究的一个热点问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于知识图谱补全(Knowledge Graphscompletion,KGC)的问答(Question answering,QA)方法，在智能QA系统中引入知识图谱(Knowledge Graphs，KGs)的概念，在完备KGs的基础上，将浅层语义理解结果注入KGs，通过相应的知识推理获得较为深层的语义理解。该发明解决KGs中存在的关系缺失问题，缓解基于知识图谱的问答系统(Question answering over Knowledge Graphs,KGs-QA)的低精度问题，改善基于KGs的智能QA应用。

为达到上述目的，本发明提供如下技术方案：

一种基于知识图谱补全的问答方法，包括以下步骤：

S1：将输入的自然语言问题Q划分为词或短语；

S2：利用字向量模型BERT将词表征为向量，得到矩阵作为模型输入；

S3：利用实体识别技术识别Q中的实体e_question,获取候选实体集{e_KGs}；

S4：查询e_KGs的类别c，用c替换Q中的实体e_question，标记为Q_c；

S5：构建声明式查询cypher，获取候选三元组集{(e_i,r_ij,e_j)}，从而获取到候选关系集{r_ij}；

S6：基于Q_c和r_ij的关系链接：计算Q_c和r_ij的余弦相似度，获取其语义相似度；