[发明专利]基于图神经网络的语义召回方法、装置、设备及介质

权利要求书

1.一种基于图神经网络的语义召回方法，其特征在于，包括：

获取用户通过终端设备发送的用户问题，并根据所述用户问题的目标关键词获取多个标准问题，所述标准问题为预先构建的用户问题模板；

将所述用户问题、所述目标关键词和所述多个标准问题，以图的形式构建为以所述用户问题为中心的第一网络图，所述第一网络图中的所述用户问题通过所述目标关键词与各所述标准问题建立连接关系；

获取以所述标准问题为中心的第二网络图，所述第二网络图由所述标准问题与所述标准问题的邻居信息以图的形式构建，所述邻居信息包括一阶邻居信息和二阶邻居信息，所述一阶邻居信息为直接与所述标准问题建立连接关系的所述标准问题的关键词和相似问题，所述二阶邻居信息通过所述一阶邻居信息与所述标准问题建立连接关系，所述标准问题的相似问题为预先根据所述标准问题构建的与所述标准问题语义相似的问题；

根据所述第一网络图和所述第二网络图确定每个所述标准问题与所述用户问题的目标相似度；

将最大的目标相似度指向的标准问题，作为与所述用户问题对应的标准问题，以根据与所述用户问题对应的标准问题召回所述用户问题的答案。

2.如权利要求1所述的基于图神经网络的语义召回方法，其特征在于，所述根据所述第一网络图和所述第二网络图确定每个所述标准问题与所述用户问题的目标相似度，包括：

将所述第一网络图和所述第二网络图输入嵌入层，以获得所述第一网络图中各第一节点的词向量，并获得所述第二网络图中各第二节点的词向量，所述第一节点包括所述用户问题、所述目标关键词和所述标准问题，所述第二节点包括所述标准问题、所述标准问题的关键词和相似问题；

根据所述第一节点的词向量对所述第一网络图进行聚合，获得所述第一网络图的第一语义向量；

根据所述第二节点的词向量对所述第二网络图进行聚合，获得所述第二网络图的第二语义向量；

根据所述第一语义向量和所述第二语义向量确定所述标准问题与所述用户问题的目标相似度。

3.如权利要求2所述的基于图神经网络的语义召回方法，其特征在于，所述根据所述第二节点的词向量对所述第二网络图进行聚合，获得所述第二网络图的第二语义向量，包括：

将所述第二网络图中各所述第二节点的词向量进行聚合，获得各所述第二节点的原始聚合信息；

根据所述第二节点的原始聚合信息对所述标准问题的邻居信息进行分层聚合，获得邻居聚合信息；

对所述标准问题的原始聚合信息和所述邻居聚合信息进行聚合，以获得所述第二语义向量。

4.如权利要求3所述的基于图神经网络的语义召回方法，其特征在于，所述根据所述第二节点的原始聚合信息对所述标准问题的邻居信息进行分层聚合，获得邻居聚合信息，包括：

将所述一阶邻居信息以及对应的二阶邻居信息作为聚合目标信息，并对所述聚合目标信息对应的所述原始聚合信息进行聚合，获得所述标准问题的多个二阶邻居聚合信息，所述二阶邻居聚合信息的数量与所述一阶邻居信息的数量相同；

确定所述二阶邻居聚合信息的邻居信息类型，所述邻居信息类型包括关键词邻居信息和相似问题邻居信息；

根据所述二阶邻居聚合信息的邻居信息类型对所述多个二阶邻居聚合信息进行分类聚合，获得所述邻居聚合信息。

5.如权利要求4所述的基于图神经网络的语义召回方法，其特征在于，所述根据所述二阶邻居聚合信息的邻居信息类型对所述二阶邻居聚合信息进行分类聚合，获得所述邻居聚合信息，包括：

将所述二阶邻居聚合信息中的所述关键词邻居信息进行聚合，获得关键词聚合结果；

将所述二阶邻居聚合信息中的所述相似问题邻居信息进行聚合，获得相似问题聚合结果；

确定所述关键词聚合结果与关键词超参数的乘积，作为第一乘积；

确定所述相似问题聚合结果与相似问题超参数的乘积，作为第二乘积，所述关键词超参数与所述相似问题超参数的和为1；

将所述第一乘积和所述第二乘积的和作为所述邻居聚合信息。