[发明专利]一种基于语义框架的互动知识学习方法

说明书

本发明公开了一种基于语义框架的互动知识学习方法，包括步骤1：增加好奇心模型；步骤2：根据解答问题的能力和可信度，按照不同知识领域，为每个渠道和用户维护一个可信度值，并为生成的知识累计不同渠道的置信度；步骤3：重新设计语义网络存储结构，按照置信度对知识存储空间进行划分；步骤4：构建统计认知模块；步骤5：根据知识的过筛情况，将结果反馈到不同渠道和用户，并调整其对应领域的可信度的值，形成一个动态的知识构建闭环；步骤6：各渠道或用户的可信度在下一次知识构建过程中体现到知识的置信度上。通过对不同等级置信度知识的存储进行划分和隔离，在于外部交互的过程中，动态的构建知识，从而使得到的正式知识更加有效。

技术领域

本发明属于机器学习技术领域，尤其涉及一种基于语义框架的互动知识学习方法。

背景技术

知识表示方法可以分为规则模式和图模式两类：基于规则的知识表示方法机器可理解、但不便于用户理解；而基于图的方法具有人类可理解的语义，但知识存储和知识推理的效率较低。语义网络是知识表示领域最著名的模型之一。语义网络是一种基于图的数据结构，通过自定义节点和关系类型方便地表达和存储自然语言，在人类可理解性和存储与推理的效率之间取得平衡。在一个语义网络中，信息被表达为一组结点，结点通过一组带标记的有向直线彼此相连，用于表示结点间的关系。使用语义网络，可以很方便地将自然语言的句子用图来表达和存储，用于机器翻译、问答系统和自然语言理解。在最近的发展中，语义网络以知识图谱、事理图谱等形态不断演化。

在构建知识图谱时，分为手动和自动方式，手动方式包括由一组封闭的专家进行输入和一组开放的志愿者录入，典型的如Freebase、WikiData等；而自动模式包括利用规则和深度学习等手段，从非结构化的数据中抽取知识，典型的如YAGO、NELL等。典型的知识图谱构建过程如图1所示，在这些固定流程的方式中，都是单向被动从非结构化文档中获取知识，这些知识大部分是静默的，其质量取决于生成数据时的算法和策略，当使用时才会发现这些知识中可能存在的问题，只有当相对专业的人发现时才能进行修正，但错误的知识可能已经进行了一定程度的传播。

传统语义网络技术中，构建和应用过程是一个单向的过程，缺少反馈闭环，使得网络中知识的正确性和时效性都较差，且不能及时将问题暴露出来，形成错误知识扩散的风险。

发明内容

本发明目的在于提供一种基于语义框架的互动知识学习方法,以解决上述技术问题。

为解决上述技术问题，本发明的一种基于语义框架的互动知识学习方法的具体技术方案如下：

一种基于语义框架的互动知识学习方法,包括如下步骤：

步骤1：增加好奇心模型，根据知识框架和用户需求，动态的产生好奇心，系统根据好奇心驱动不同的方法，从非结构化的文档和用户交互过程中抽取知识；

步骤2：根据解答问题的能力和可信度，按照不同知识领域，为每个渠道和用户维护一个可信度值，并为生成的知识累计不同渠道的置信度；

步骤3：重新设计语义网络存储结构，按照置信度对知识存储空间进行划分；

步骤4：构建统计认知模块；

步骤5：根据知识的过筛情况，将结果反馈到不同渠道和用户，并调整其对应领域的可信度的值，形成一个动态的知识构建闭环；

步骤6：各渠道或用户的可信度在下一次知识构建过程中体现到知识的置信度上。

进一步地，所述步骤1包括如下具体步骤：

步骤1.1：根据不同领域，构建不同的schema，在这个框架下，允许不完整的知识出现，同时，对缺漏部分产生好奇心；

步骤1.2：使用自然语言生成模块，将好奇心转换为自然语言描述的问题；