[发明专利]一种基于邻居交互网络的知识图谱问答方法及系统

说明书

本公开提出了一种基于邻居交互网络的知识图谱问答方法及系统，该方法包括如下步骤：获取知识图谱，根据知识图谱和邻居交互网络将知识图谱转换成知识图谱的实体和关系的嵌入表示组成语义空间；根据问题和预训练语言模型对问题进行表示，得到问题的向量表示；将问题的向量表示放入语义空间中对答案实体进行预测，得到问题的答案。

技术领域

本公开涉及知识图谱问答技术领域，特别是涉及一种基于邻居交互网络的知识图谱问答方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

自然语言处理中一个很重要的研究任务就是问答系统，自然语言问答一直是一个热点研究问题，从只能回答单领域特定知识内容问题直到现在可以就多个领域的问题进行回答，进行多轮交流，从基于语义分析和信息抽取的方法直到现在深度学习方法的广泛使用。随着计算机应用的越来越广泛，在生活中，我们可以经常看到自然语言问答的应用，比如智能客服就是其中一个典型例子，还有在线教育辅导等。其实更多地场景都能看到自然语言问答的应用，比如智能助理，智能家居等。

虽然知识图谱作为知识源时能够准确的回答问题，但是现实世界中的知识图谱并不总是完整的，实体之间的关系可能并不能够在知识图谱中表现出来，由于知识图谱缺失链接造成的知识图谱稀疏性，多跳问答成为了一个很有挑战性的任务。

知识图谱嵌入成为应对缺失链接问题的一种方法，根据实体语义信息预测两个实体间的关系，将知识图谱嵌入应用到不完整知识图谱的多跳问答中，利用知识图谱嵌入模型中的评分函数计算得到候选答案，这种方法突破了对可选择答案的范围限制。然而，现有的知识嵌入方法不能捕捉知识图谱中丰富的隐藏的语义信息进行封装，影响了回答问题的准确率。

同时，基于图结构的嵌入方法能够获取邻居信息，虽然图结构有利于知识图谱中隐藏信息的获取，增强了知识图谱中实体节点的语义表示，但是实体对邻居的关注度是不同的，以相同的权重赋予邻居实体会加入很多不必要的冗余信息。在传统的图注意力网络中，同一个实体在不同的三元组中应当扮演不同的角色，这些实体获得的新的表示中，实体本身的信息没有得到很好的保留。

发明内容

本说明书实施方式的目的是提供一种基于邻居交互网络的知识图谱问答方法及系统，利用改进的图注意力网络有选择的将邻居信息封装到实体表示中，获得新的实体向量表示，再将问题嵌入知识图谱语义空间中学习问题的表示，通过将问题表示放入知识图谱嵌入模型中的评分函数得到候选答案集合。为了进一步提高回答问题的准确率，提出了关系感知模型，利用问题对知识图谱中的关系打分，提取问题中蕴含的关系信息。

本发明的第一个方面提供一种基于邻居交互网络的知识图谱问答方法，通过以下技术方案实现：

一种基于邻居交互网络的知识图谱问答方法，包括：

获取知识图谱，根据知识图谱和邻居交互网络将知识图谱转换成知识图谱的实体和关系的嵌入表示组成语义空间；

根据问题和预训练语言模型对问题进行表示，得到问题的向量表示；

将问题的向量表示放入知识图谱的实体和关系嵌入的语义空间中对答案实体进行预测，得到问题的答案。

进一步的技术方案，所述根据问题和预训练语言模型对问题进行表示，得到问题的向量表示，具体包括：

将问题输入至预训练语言模型进行编码；所述编码为通过预训练语言模型获取问题句子的上下文信息，对问题进行表示；

取预训练语言模型中最后一个隐藏层的表示，然后通过以Relu作为激活函数的全连接层，将全链接层的输出作为问题的最终向量表示。

进一步的技术方案，所述在问题和预训练语言模型对问题进行表示之前根据根据知识图谱的语义空间和邻居交互网络，得到新的实体嵌入，所述邻居交互网络为改进的图注意力网络。