[发明专利]一种基于Bi-LSTM和中文知识图谱的复合问答方法

说明书

本发明提供了一种基于Bi‑LSTM和中文知识图谱的复合问答方法，通过将语义解析技术改进并引入问答系统，使用基于深度学习的复合问句分解方法，将复杂的长难句改写为多个简单句并分别作答，提高了语义解析技术对复合问题的处理能力，实现了解析复合自然语言问句和生成复合自然语言答案的功能，提高了问答系统的智能理解能力、准确率，使问答系统处理复合问句的过程具有可解释性，丰富了原复合问句的语义信息，去除了原复合问句的冗余信息，解决了难以回答句式结构复杂、主题多样复杂问句的问题和复合答案生成中的答案信息丢失的问题。

技术领域

本发明属于计算机人工智能应用技术领域，具体涉及一种基于Bi-LSTM和中文知识图谱的复合问答方法。

背景技术

问答系统(Question Answering System，QA)建立了自然语言与机器语言的沟通桥梁，作为人机交互的重要途径，其本质是一种高级信息检索形式，可以帮助用户从海量知识中提取相关信息。随着人工智能的高速发展和广泛普及，问答系统作为一种人工智能的表现形式，被广泛应用于法律推荐、医疗诊断、搜索引擎、客服等行业中。

传统的问答系统仅能对句长较短、主题单一的简单问句进行准确回答，而对于较复杂的问句无法有效理解和回答，其原因在于语义解析技术的不足。传统问句解析方法主要由三部分组成：一是意图识别，识别用户的目的，以确定答案搜索的领域。二是关键信息提取，通过机器学习等方法，识别问句中实体、实体关系等关键信息，作为答案搜索的基本依据。三是信息增强，从外源知识中提取与问句相关的信息，扩展答案搜索的范围。然而此种解析方法无法满足理解复杂长难句的需求，其原因有三点：在较长的问句中，关键信息较多，使用神经网络模型进行实体抽取时会遗漏关键信息；长难句中的三元组匹配度差，导致无法在知识图谱中进行实体、实体关系搜索；当前问句解析方法无法从句式的角度理解长难句，导致面对复杂的问句结构时，无法构筑针对性答案。

发明内容

本发明要解决的技术问题是：提供一种基于Bi-LSTM和中文知识图谱的复合问答方法，用于解析复合自然语言问句和生成复合自然语言答案。

本发明为解决上述技术问题所采取的技术方案为：一种基于Bi-LSTM和中文知识图谱的复合问答方法，包括以下步骤：

S01：向问答系统输入复合问题；

S02：采用Bi-LSTM模型解析复合问题并分解为n个子问题；

S03：将n个子问题组成子问题集；

S04：提取并分析子问题集的第n个子问题的关键信息；

S05：根据第n个子问题的关键信息在中文知识图谱中搜索答案；

S06：在问答系统返回的多个相关的子答案中抽取m个子答案；

S07：将m个子答案组成第n个子问题对应的答案集；

S08：对答案集中的所有答案进行摘要得到答案集的摘要答案，将摘要答案作为第n个子问题对应的子答案；

S09：重复步骤S04～S08直至子问题集遍历完成；

S10：合并每个子问题对应的子答案，得到原复合问题的子答案集；

S11：将子答案集中的答案组合生成原复合问句的最终答案。

按上述方案，所述的步骤S02中，具体步骤为：

S021：采用Bi-LSTM模型将复合问题分类为嵌套类复合问题、句法并列类复合问题、修饰并列类复合问题、域约束修饰类复合问题、冗余类复合问题；

S022：按复合问句的种类选择对应的问题解析方法，将复合问句分解为n个子问题。

进一步的，所述的步骤S021中，具体步骤为：