[发明专利]针对金融领域智能问答的A股指标知识图谱构建处理系统、方法、装置、处理器及存储介质

说明书

本发明涉及一种针对金融领域智能问答实现A股指标知识图谱构建处理的系统，包括知识建模模块设置概念和属性以及属性值；知识获取模块配置库表信息，映射表字段和任务调度，实现数据的入图操作；知识管理模块对已入图的实体的属性数据进行管理和调整操作，并进行图谱数据可视化；服务提供模块提供数据查询。本发明还涉及一种针对金融领域智能问答实现A股指标知识图谱构建处理的方法、装置、处理器及存储介质。采用了本发明的针对金融领域智能问答实现A股指标知识图谱构建处理的系统、方法、装置、处理器及其计算机可读存储介质，支持知识推理功能，利用了图谱中丰富的语义关联信息，可让智能问答服务能够深入理解用户问题、智能回答精准度高、泛化能力强、可处理更多复杂推理类问题。

技术领域

本发明涉及金融行业领域，尤其涉及知识图谱领域，具体是指一种针对金融领域智能问答实现A股指标知识图谱构建处理的系统、方法、装置、处理器及其计算机可读存储介质。

背景技术

随着金融领域客户的逐渐增加，客户的要求的多样化日益凸显，传统问答形式解决方案的弊端也日渐暴露。而各个领域的实践已经证明，多样化的应用可以由知识图谱来简化实现流程，提高实现效率。所以在金融领域，用于替代传统问答形式解决方案的知识图谱的构建已经迫在眉睫。2012年谷歌针对搜索引擎提出知识图谱概念，并证明了知识图谱在搜索领域的巨大价值。从此知识图谱就受到工业界、学术界的关注。在垂直金融领域中，近几年大多均以业务需求导向构建相应的知识图谱，兴业银行设计了用于反欺诈的行业知识图谱，浦发银行同样针对该方向构建了金融知识图谱。

在智能客服问答方向上，传统的基于深度学习语义匹配的FAQ客服机器人，能够对高频次、高重复率问题进行很好的解决，但是现实情况中，客户的问题和问法多种多样，很多时候都无法预料，许多复杂推理型的问题是基于问答对的问答系统无法回答的；另一方面，FAQ通常是借助人工事先维护好问答知识库，但是这也导致了FAQ知识库的规模通常很大，标问数目可以达到数万，相似问的数据就更多，这么大数目的语料，长度不一，算法难度很大。

因此造成了当前FAQ客服机器人泛化能力弱，维护成本高的现状。基于知识图谱的智能客服机器人，其主要任务是将自然语言问题(NLQ)通过不同方法映射到结构化的查询，并在知识图谱中获取答案。这种方式利用了图谱中丰富的语义关联信息，能够深入理解用户问题、智能回答精准度高、泛化能力强、可处理更多复杂推理类问题。但如何设计、构建一个逻辑清晰、功能强大、查询速度快的金融领域知识图谱是会面临两个挑战，一是如何把金融领域中策略因子和常规金融领域知识图谱中拥有的股票、板块等概念和基本面等多样化属性有效结合。二是区别于其余领域，金融领域中股票、板块、基金等概念拥有的收盘价、涨幅等实时数据，如何把实时数据和基本面、基本信息等非实时数据融合在图谱中是另一大挑战。为此本发明提出面向金融领域智能问答中A股指标知识图谱设计和构建方法和应用。

发明内容

本发明的目的是克服了上述现有技术的缺点，提供了一种满足精准度高、泛化能力强、适用范围较为广泛的针对金融领域智能问答实现A股指标知识图谱构建处理的系统、方法、装置、处理器及其计算机可读存储介质。

为了实现上述目的，本发明的针对金融领域智能问答实现A股指标知识图谱构建处理的系统、方法、装置、处理器及其计算机可读存储介质如下：

该针对金融领域智能问答实现A股指标知识图谱构建处理的系统，其主要特点是，所述的系统包括：

知识建模模块，用于设置概念和属性以及属性值，并且设置对象属性的边属性的信息；

知识获取模块，与所述的知识建模模块相连接，用于配置库表信息，映射表字段和任务调度，实现数据的入图操作；

知识管理模块，与所述的知识建模模块相连接，用于对已入图的实体的属性数据进行管理和调整操作，并进行图谱数据可视化；

服务提供模块，与所述的知识获取模块、知识建模模块和知识管理模块相连接，用于提供数据查询，并进行关系推理。