[发明专利]融合指针生成网络的知识图谱智能问答方法

说明书

一种融合指针生成网络的知识图谱智能问答方法，属于人工智能问答领域。技术方案：使用分词工具对WebQA数据集中的原文和问句部分进行分词并检查；对正确分词后的数据使用BiLSTM‑CRF模型进行命名实体识别；在Neo4j数据库中查询识别的实体对应的三元组；统计对应三元组中每一词出现的频率，查询到的三元组中的单词按照词频大小顺序存入知识词表；使用深度学习方法获取问句的词向量；构造生成式模型，返回答案。有益效果:本发明使用深度学习技术对文本进行实体识别，使用知识图谱技术对知识进行快速查询，结合生成式模型有效的解决了返回的答案生硬、单一和知识库中存储量不全的问题；节约得到答案的时间，更充分地理解用户的意图，返回更符合用户阅读模式的答案。

技术领域

本发明属于基于人工智能的问答方法领域，尤其涉及基于知识图谱的问答方法和基于指针网络的生成式方法。

背景技术

知识图谱(Knowledge Graph)是一种将事实以结构化的形式进行表示的方法，它由实体、关系和语义描述组成。它是一种表示实体间相互关系的庞大的语义网络，以(头实体，关系，尾实体)的三元组形式来表示。当前，知识图谱技术得到了广大研究学者广泛关注，并将知识图谱应用到语义搜索、智能问答、个性化推荐中。这样可以将零散的知识体系化后准确快速的传递给用户。

目前，知识图谱问答主流的方法主要有基于语义分析的方法和基于信息检索的方法。传统的知识图谱问答系统返回的答案往往是知识库中存在的实体或者关系。若知识库中没有存储与该问句相关的三元组则无法返回正确答案。所以，为了解决以上问题，将知识图谱技术和生成式方法相结合。构建一种融合指针生成网络的知识图谱智能问答方法是很有研究价值的。

发明内容

为了满足上述现有技术中的需求，本发明提供一种融合指针生成网络的知识图谱智能问答方法，该方法能够把知识图谱和指针生成网络进行结合，将文本中存在的知识库中没有的数据进行存储，还能解决单一文本中知识存储来不高的问题，提高问答准确率；并且能够以自然语言形式呈现给用户，提升用户的体验感。

技术方案如下：

一种融合指针生成网络的知识图谱智能问答方法，步骤如下：

步骤1：使用分词工具对WebQA数据集中的原文和问句部分进行分词并检查；

步骤2：对正确分词后的数据使用BiLSTM-CRF模型进行命名实体识别；

步骤3：在Neo4j数据库中查询识别的实体对应的三元组；

步骤4：统计对应三元组中每一词出现的频率，查询到的三元组中的单词按照词频大小顺序存入知识词表；

步骤5：使用深度学习方法获取问句的词向量；

步骤6：构造生成式模型，返回答案。

进一步的，针对步骤1，使用jieba分词对数据集中的原文和问句进行分词，并去除停用词和标点符号。

进一步的，针对步骤3，对步骤2中识别出的实体使用cypher语句在Neo4j图数据库中进行查询，返回查询的实体和关系；其中，使用的知识库为CN-DBpedia。

进一步的，针对步骤4，使用TF算法分别计算步骤3中每个单词在数据集中出现的频率，按照频率进行排序统一存入知识词表中。

进一步的，针对步骤5，使用预训练语言模型BERT模型获取问句的词向量再和问句中实体的词频语义特征进行拼接，作为下一模型的输入序列。

进一步的，针对步骤6，使用指针生成网络模型来决定是从知识词表中生成词汇还是从问句中复制词汇作为答案返回。

进一步的，所述BiLSTM-CRF模型包括：