[发明专利]基于知识图谱的问句推理方法及系统

权利要求书

1.一种基于知识图谱的问句推理方法，其特征在于，所述方法包括：

步骤S100：获取当前待解答问题，并根据所述当前待解答问题和预设的双向LSTM获得指令向量i^k；

步骤S200：对所述当前待解答问题进行向量化表示，并得到实体向量表示值E^(k-1)；

步骤S300：根据所述指令向量i^k、所述实体向量表示值E^(k-1)和知识图谱，生成当前实体分布；

步骤S400：将知识图谱放入GAT网络进行特征抽取，并获得当前GAT网络抽取特征和当前GAT网络抽取标签；

步骤S500：将所述当前GAT网络抽取特征和所述当前LSTM抽取实际特征进行拼接，并生成最终问询特征。

2.根据权利要求1所述的基于知识图谱的问句推理方法，其特征在于，步骤S100：获取当前待解答问题，并根据所述当前待解答问题和预设的双向LSTM获得指令向量i^k，具体包括：

步骤S110：获取当前待解答问题，并基于双向LSTM对所述当前待解答问题进行特征抽取，并获得当前LSTM抽取实际特征；

步骤S120：根据所述当前LSTM抽取实际特征进行特征增强，并获得指令向量i^k。

3.根据权利要求1所述的基于知识图谱的问句推理方法，其特征在于，步骤S300：根据所述指令向量i^k、所述实体向量表示值E^(k-1)和知识图谱，生成当前实体分布，具体包括：

步骤S310：基于所述实体向量表示值E^(k-1)和知识图谱，生成多级跳实体关系特征向量Ne；

步骤S320：基于所述指令向量i^k和所述多级跳实体关系特征向量Ne构建实体分布矩阵，并生成当前实体分布。

4.根据权利要求1-3任一项所述的基于知识图谱的问句推理方法，其特征在于，步骤S500：将所述当前GAT网络抽取特征和所述当前LSTM抽取实际特征进行拼接，并生成最终问询特征，之后还包括：

根据所述最终问询特征和所述当前GAT网络抽取标签计算KL损失。

5.一种基于知识图谱的问句推理系统，其特征在于，所述系统包括：

问题获取模块，用于获取当前待解答问题，并根据所述当前待解答问题和预设的双向LSTM获得指令向量i^k；

向量表示模块，用于对所述当前待解答问题进行向量化表示，并得到实体向量表示值E^(k-1)；

实体分布模块，用于根据所述指令向量i^k、所述实体向量表示值E^(k-1)和知识图谱，生成当前实体分布；

网络抽取模块，用于将知识图谱放入GAT网络进行特征抽取，并获得当前GAT网络抽取特征和当前GAT网络抽取标签；

问询特征模块，用于将所述当前GAT网络抽取特征和所述当前LSTM抽取实际特征进行拼接，并生成最终问询特征。

6.根据权利要求5所述的基于知识图谱的问句推理系统，其特征在于，所述问题获取模块还包括：

问题解答模块，用于获取当前待解答问题，并基于双向LSTM对所述当前待解答问题进行特征抽取，并获得当前LSTM抽取实际特征；

特征增强模块，用于根据所述当前LSTM抽取实际特征进行特征增强，并获得指令向量i^k。

7.根据权利要求6所述的基于知识图谱的问句推理系统，其特征在于，所述实体分布模块还包括：

图谱表示模块，用于基于所述实体向量表示值E^(k-1)和知识图谱，生成多级跳实体关系特征向量Ne；

分布生成模块，用于基于所述指令向量i^k和所述多级跳实体关系特征向量Ne构建实体分布矩阵，并生成当前实体分布。