[发明专利]一种知识问答系统中的多轮对话方法与装置

说明书

本发明公开了一种知识问答系统中的多轮对话方法与装置，多轮对话方法包括获取当前问句的历史实体和历史关系；根据当前问句筛选出候选实体；对候选实体的特征进行加权处理，获得主实体；根据主实体和历史实体在知识库中的相邻关系及相邻实体组成候选路径；对候选路径的特征进行加权处理，获得最终路径；根据最终路径获取答案并返回给用户；获取最终路径的所有实体和所有关系作为下一轮问答的历史实体和历史关系。通过该方法，上一问句的历史信息都被完整地加入当前问答中，保证了历史信息获取的准确性，且避免了大量的人工成本。

技术领域

本发明涉及信息处理领域，尤其涉及一种知识问答系统中的多轮对话方法与装置。

背景技术

知识问答系统是指基于知识图谱库的问答系统，其主要应用在医疗、银行、保险、零售等行业。知识图谱库由大量的三元组组成，三元组包括实体和关系，可以写成(实体1，关系，实体2)形式。知识问答系统接收用户输入的自然语言问句，并对问句进行语义解析和理解，利用知识图谱库进行查询和推理获得与问句最匹配的答案路径及其答案，最终将答案返回给用户。

知识问答系统中的多轮对话是指问答系统可以利用历史问句信息来辅助获取当前问句的答案，使得用户在向系统提问时系统能利用之前问句的信息。例如当前，很多场景下需要由系统与用户进行对话，如客服领域，用户的对话通常是提出问题，需要系统解答用户问题，由于用户语句通常比较简略且口语化，系统和用户之间的一轮对话不能够解决用户问题，需要系统和用户之间的多轮对话才能够明确用户述求，由系统给出符合用户述求的回答。通常所建立的问答系统中由于多轮对话的技术尚未成熟使得问答系统只支持单轮对话，其显然增加了用户提出问句的负担，使得问答系统变得更加繁琐和愚笨，影响用户的使用体验。

当前，处理多轮对话问题主要的研究方法是共指消解或基于深度学习模型的方法。

共指消解旨在识别指向同一实体的不同表述，将其应用在知识问答系统中多轮对话中可以很好的解决当前输入问句中包含指代词的情形。通过对指代词的替换，使得当前问句包含历史实体信息，从而实现多轮对话过程。然而，基于共指消解的多轮对话只能解决当前问句中包含指代词的情形。由于自然语言的多样性，当前问句往往可以省略实体或关系等信息也能让人与人之间能够正常交流，而基于共指消解的多轮问答系统则无法应对这一问题。

基于深度学习模型的方法将历史问句和当前用户输入问句一起输入一个深度学习模型(如LSTM、注意力机制等)进行向量编码和特征抽取来得到包含历史问句信息的当前问句，然后再将该问句输入问答系统。但是，基于深度模型的多轮对话处理方法非常依赖于标注数据集，其获取数据集的成本极高。而且，当前的深度学习模型技术在对话领域中的效果没有达到一个较高的水准，其在自然语言理解能力方面还存在许多问题，导致使用该方法可能会返回与实际偏差较大的答案，难以真正应用到实际产品中。

发明内容

本发明针对上述的问答系统繁琐、准确率低的技术问题，提出一种知识问答系统中的多轮对话方法与装置。

第一方面，本申请实施例提供了一种知识问答系统中的多轮对话方法，包括：

S1：获取当前问句的历史实体和历史关系；

S2：根据所述当前问句筛选出候选实体；

S3：对所述候选实体的特征进行加权处理，获得主实体；

S4：根据所述主实体和所述历史实体在知识库中的相邻关系及相邻实体组成候选路径；

S5：对所述候选路径的特征进行加权处理，获得最终路径；

S6：根据所述最终路径获取答案并返回给用户。

上述知识问答系统中的多轮对话方法，其中，获取所述最终路径的所有实体和所有关系作为下一轮问答的历史实体和历史关系。