[发明专利]基于知识图谱的问句推理方法及系统

说明书

本申请涉及一种基于知识图谱的问句推理方法及系统，包括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，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)，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，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，最后将所述当前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，进而实现特征抽取和问句查询的高准确率。

技术领域

本申请涉及知识图谱技术领域，特别是涉及一种基于知识图谱的问句推理方法及系统。

背景技术

知识图谱，是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。

然而，目前现存的基于知识图谱进行问句推理的方法存在特征抽取不精准以及后续问句查询不准确的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高特征抽取和问句查询准确率的基于知识图谱的问句推理方法及系统。

本发明技术方案如下：

一种基于知识图谱的问句推理方法，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。

进一步地说，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。

进一步地说，步骤S300：根据所述指令向量ik、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。

进一步地说，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。

进一步地说，一种基于知识图谱的问句推理系统，所述系统包括：