CN105095195A - 基于知识图谱的人机问答方法和*** - Google Patents
基于知识图谱的人机问答方法和*** Download PDFInfo
- Publication number
- CN105095195A CN105095195A CN201510383452.7A CN201510383452A CN105095195A CN 105095195 A CN105095195 A CN 105095195A CN 201510383452 A CN201510383452 A CN 201510383452A CN 105095195 A CN105095195 A CN 105095195A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- point
- knowledge point
- entity
- mapping
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了基于知识图谱的人机问答方法和***。在本发明的基于知识图谱的人机问答方法中,在接收用户输入的语句后,通过对用户输入的语句进行分词;对通过所述分词所得到的词进行实体抽取;利用知识图谱对通过所述实体抽取所得到的实体信息进行知识推理;以及根据所述知识推理的结果对所述用户输入的语句给出反馈,能够提高人机问答所反馈的答***性,有针对性地回答用户所提出的问题,从而提升了用户满意度。
Description
技术领域
本发明涉及适用于人机问答的数据处理,特别涉及基于知识图谱的人机问答方法和***。
背景技术
随着互联网应用的发展,很多企业、事业单位或政府职能部门已经将人机问答***引入其网站或APP中,以辅助或代替通过人工来回复用户的咨询。
现有的人机问答***多是通过提取用户的问题中的关键词作为知识点,并在数据库内部进行一对一的实体映射来找出知识点的对应项,然后将对应项作为答案反馈给用户。现有的人机问答***对知识点仅建立了一对一的关系映射网,知识点与知识点之间的联系十分薄弱,无法进行知识的推理,因此其反馈给用户的答案往往并不准确,甚至缺乏针对性,所答非所问。
发明内容
鉴于上述,本发明将基于知识图谱的知识推理引入人机问答,以能够更好地进行知识的梳理和建立,进而使得机器理解复杂的知识表示,从而能够有针对性地准确回答用户提出的问题。
根据本发明的一个方面,提供了一种基于知识图谱的人机问答方法,包括:接收用户输入的语句并且对所述语句进行分词;对通过所述分词所得到的词进行实体抽取;利用知识图谱对通过所述实体抽取所得到的实体信息进行知识推理;以及根据所述知识推理的结果对所述用户输入的语句给出反馈。
根据本发明的实施例所述的人机问答方法,优选地,在所述分词的步骤中,通过分词算法对用户输入的语句进行切割,保留属于关系特征词的停用词,并且去除其余的停用词以及冗余信息。
根据本发明的实施例所述的人机问答方法,优选地,在所述实体抽取的步骤中,利用所得到的词的实体属性对其进行标记,其中,所述实体属性包括所述词的词性、所述词的字典释义、或所述词所对应的产品分类。
根据本发明的实施例所述的人机问答方法,优选地,所述知识图谱包括知识点以及知识点之间的关系。
根据本发明的实施例所述的人机问答方法,优选地,当包括一条实体信息时,在所述知识推理的步骤中,在所述知识图谱中查找对应于所述实体信息的知识点;在获得所述知识点之后,结束所述推理的步骤,并给出与所述知识点所对应的内容信息以及所述知识点在所述知识图谱中的位置信息;以及当遍历所述知识图谱而没有找到所述知识点时,结束所述推理的步骤,并给出无相应结果的反馈。
根据本发明的实施例所述的人机问答方法,优选地,当包括多条实体信息时,在所述知识推理的步骤中,a)在所述知识图谱中查找对应于所述实体信息中的一个的第一知识点;b)通过所述第一知识点的出度点,利用所述第一知识点与对应于所述实体信息中的另一个的第二知识点之间的关系,在所述知识图谱中查找所述第二知识点;c)重复上述b步骤,直到对于对应于所述实体信息中的全部的知识点已完成查找,结束所述推理的步骤,并给出与所述知识点所对应的内容信息;以及d)重复上述b步骤,当遍历所述知识图谱而没有找到要查找的知识点时,结束所述推理的步骤,并给出无相应结果的反馈。
根据本发明的另一个方面,还提供了一种执行基于知识图谱的人机问答***,所述***包括:分词模块,用于对用户输入的语句进行分词;实体抽取模块,用于对通过所述分词所得到的词进行实体抽取;知识图谱模块,用于存储知识点以及知识点之间的关系;知识推理模块,用于利用所述知识图谱对通过所述实体抽取所得到的实体信息进行知识推理;以及输出模块,用于根据所述知识推理的结果对所述用户输入的语句给出反馈。
根据本发明的实施例所述的人机问答***,优选地,所述分词模块通过分词算法对用户输入的语句进行切割,保留属于关系特征词的停用词,并且去除其余的停用词以及冗余信息。
根据本发明的实施例所述的人机问答***,优选地,所述实体抽取模块利用所得到的词的实体属性对其进行标记,其中,所述实体属性包括所述词的词性、所述词的字典释义、或所述词所对应的产品分类。
根据本发明的实施例所述的人机问答***,优选地,所述知识图谱模块通过为每个所述知识点设置独立的入度点和出度点,根据相同的入度点和出度点建立所述知识点之间的分级的知识关系,在所述知识点之间建立知识无向图,来存储知识点以及知识点之间的关系。
根据本发明的实施例所述的人机问答***,优选地,当包括一条实体信息时,所述知识推理模块当通过在所述知识图谱中查找而获得对应于所述实体信息的知识点时,给出与所述知识点所对应的内容信息以及所述知识点在所述知识图谱中的位置信息;以及当遍历所述知识图谱而没有找到所述知识点时,给出无相应结果的反馈。
根据本发明的实施例所述的人机问答***,优选地,当包括多条实体信息时,所述知识推理模块在所述知识图谱中查找对应于所述实体信息中的一个的第一知识点;通过所述第一知识点的出度点,利用所述第一知识点与对应于所述实体信息中的另一个的第二知识点之间的关系,在所述知识图谱中查找所述第二知识点;当重复上述步骤,直到对于对应于所述实体信息中的全部的知识点已完成查找时,给出与所述知识点所对应的内容信息;以及当遍历所述知识图谱而没有找到要查找的知识点时,给出无相应结果的反馈。
根据本发明的另一个方面,提供了一种基于知识图谱的人机问答***,所述***包括:输入模块,用于接收用户输入的语句;分词模块,用于对用户输入的语句进行分词;实体抽取模块,用于对通过所述分词所得到的词进行实体抽取;知识图谱模块,用于存储知识点以及知识点之间的关系;知识推理模块,用于利用所述知识图谱对通过所述实体抽取所得到的实体信息进行知识推理;以及输出模块,用于根据所述知识推理的结果对所述用户输入的语句给出反馈。
本发明通过在人机问答中引入了知识推理并结合数据处理,实现了对用户提出的问题的准确分析,而能够有针对性地回答用户所提出的问题,从而达到了提升用户满意度的效果。
附图说明
附图图示了本发明的实施例,并与说明书一起用于解释本发明的原理。在附图中:
图1是根据本发明的基于知识图谱的人机问答方法的总体处理过程的示例图;
图2是根据本发明的基于知识图谱的人机问答方法的示例流程图;
图3是根据本发明的知识图谱的示例的关系图;
图4是根据本发明的基于知识图谱的人机问答***的示例框图。
具体实施方式
下面结合附图对本申请优选的实现方式进行详细说明。
为了说明的便利,在此首先以“苹果手机和三星手机有什么不同”作为用户输入语句的示例。在现有的人机问答***中,常用的方法是:首先提取上述语句中的关键词,“苹果手机/三星手机/不同”;引入同义近义词并生成相应检索式,“苹果手机and三星手机and(不同or区别or差异ornull)”;然后检索已有的数据库。由此所给出的答案,往往只是包括了以上关键词以及其近义词的现有词条或文章,虽然这些词条或文章同时涉及了“苹果手机”和“三星手机”,或者也给出了两者的“不同”,但是并不能针对于用户的搜索主题“苹果手机”和“三星手机”给出具有针对性的功能上的比较,而是需要用户通过阅读词条或文章来寻找针对性的答案。
与之相比,如本发明所给出的人机问答方法,则能够对于用户输入的问题给出更有针对性的答案,以下将结合附图给出说明。图1是根据本发明的基于知识图谱的人机问答方法的总体处理过程的示例图。
根据如图1所示的人机问答方法的总体处理过程,首先机器接收由用户输入的语句“苹果手机和三星手机有什么不同”;并且然后机器对语句经过分词处理,成为“苹果手机/和/三星手机/有/什么/不同”;然后对词进行实体抽取,得出“苹果手机:名词,苹果,移动电话/三星手机:名词,苹果,移动电话”,而“不同”属于关系词,对应于“比较”。与现有技术的简单检索数据库不同,本发明中机器会加载知识图谱,并且在成功加载知识图谱之后,以“苹果手机”和“三星手机”这两个知识点作为知识入口,通过递归推理进行知识推理,以进行实体查找。如果在知识图谱中未能找到与“苹果手机”和“三星手机”对应的知识点时,则推理失败。当在知识图谱中查找到对应于知识点“苹果手机”和“三星手机”的功能属性之后,推理成功,并且机器将取其差异化的结果来提供给用户作为答案。根据本发明的人机问答方法,对于上述问题所给出的答案相比于现有技术的情况,不再需要提问的用户通过阅读大量相关词条或文章自己寻找答案,而是能够更直接地给出更具有针对性的答案。
以下将结合附图,具体描述根据本发明的人机问答方法的具体处理流程。图2是根据本发明的一个实施例的基于知识图谱的人机问答方法的示例流程图。如图2所示,该人机问答方法包括步骤:ST10,接收用户输入的语句并且对用户输入的语句进行分词;ST20,对通过所述分词所得到的词进行实体抽取;ST30,利用知识图谱对通过所述实体抽取所得到的实体信息进行知识推理;以及ST40,根据所述知识推理的结果对所述用户输入的语句给出反馈。
对输入的语句进行分词技术属于自然语言处理技术领域,对于一个语句,人类可以通过自己的知识来判断哪些是实词,哪些是虚词,进而理解其含义,对于机器处理来说则需要进行分词。在分词的步骤ST10中,通过分词算法对用户输入的语句进行切割,保留属于关系特征词的停用词,并且去除其余的停用词以及冗余信息。在本发明中,对于分词算法并不做特别的限制,可以采用现有的基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法的各种具体分词算法。
具体来说,以“灌篮高手的作者是谁啊”为例,经过分词后会变成“灌篮高手/的/作者/是/谁”。为了节省存储空间和提高处理效率,在分词之后,会进一步去那些实际意义不大的字或词,即保留属于关系特征词的停用词,并且去除其余的停用词以及冗余信息。对于上述示例语句,其中“的”和“是”属于停用词,而“啊”作为语气助词则属于冗余信息,其中“是”虽然本来是一个停用词,但是在这里它具有关系指向的意义,所以在会被保留,在去除停用词和冗余信息后,语句变成“灌篮高手/作者/是/谁”。
对于停用词,在现有技术中已提供有可用的“停用词表”的基础上,本发明还进一步设置了“关系停用词表”,在“关系停用词表”中存储有一系列属于关系特征词的停用词,诸如例如,“是”、“有”、“为”等等。在进行去除停用词的处理时,通过对“关系停用词表”进行查找并保留属于关系特征词的停用词,能够保证词的细粒度和准确性。
在所述实体抽取的步骤ST20中,利用所得到的词的实体属性对其进行标记,其中,所述实体属性包括所述词的词性、所述词的字典释义、或所述词所对应的产品分类。在本发明中,对于实体抽取的算法并不做特别的限制,可以采用现有各种具体分词算法,只要其能够实现对词进行实体替换,判断哪些是姓名、哪些是商品、哪些是数字等等基本处理。优选地,在本发明中,利用条件随机场来进行实体抽取,以便对词进行包括实体识别、词性标注等的实体替换。
仍以“灌篮高手的作者是谁啊”为例,在分词处理后变成了“灌篮高手/作者/是/谁”,在实体抽取时,因为“灌篮高手”一词既对应于作为漫画的图书类产品,也对应于作为动画的影音类产品,会把“灌篮高手”标记为漫画和动画,并且由于在上述输入的语句里并没有明确的限定词,所以会保留这2种实体标注的结果;“作者”一词作为“灌篮高手”的本身属性的名称,并不会被抽取,而是会在推理中用作关系词;“谁”是人称代词,会被抽取并以“代词,人物”来标注;由此,对于上述示例,其实体抽取的结果为“灌篮高手:漫画/动画,谁:代词。对于语句中包括了限定词的情形,比如“漫画灌篮高手的作者是谁啊”,在实体抽取后,因为语句中包括了“漫画”这一实体的修饰,所以只会保留“灌篮高手”作为漫画的属性,因此“灌篮高手”会标记为漫画,而此语句的实体抽取的结果相应地为“灌篮高手:漫画,谁:代词,人物”。
在完成了实体抽取之后,有别于现有技术中知识点之间的简单映射表,本发明将利用知识图谱对所得到的实体信息进行知识推理。现有技术中已有可利用的知识图谱,比如Google的Freebase等。在本发明中,建立了知识点以及知识点之间的关系的知识图谱,优选地以网站或APP所提供的产品或服务作为知识点来建立知识图谱。所述知识图谱包括知识点以及知识点之间的关系,其中每个所述知识点设置有独立的入度点和出度点,以及所述知识点之间的关系是通过根据相同的入度点和出度点建立所述知识点之间的分级的知识关系,来在所述知识点之间建立知识无向图而建立的。
为了说明的便利,如图3所示,以足球运动为例给出了知识图谱的示例的关系图,其中“体育”、“足球”、“梅西”、“巴塞罗那”、“皇家马德里”、“梅西”、“C罗”、“西班牙”是知识点,这些知识点通过“运动”、“足球运动员”、“足球俱乐部”、“效力”、“位置/从属”等关系词的连接而形成知识无向图。
在建立知识图谱时,会对其中的每一个知识点的实体属性进行标注,比如前面例子中的“灌篮高手”,它的实体属性会包括漫画、动漫、发表时间、作者、制作人、价格等等;再比如后续例子中的“梅西”,它的属性会有人物、足球运动员、性别、效力俱乐部等等,以便机器能够识别出来,从而通过实体去查找知识图谱后能够得出所要的内容信息。
对于已建立的知识图谱,其并不是一种简单的静态的语音网络,优选地,能够对其中知识点的实体属性进行修改与补充。例如,上述例子中的“梅西”,在建立知识图谱时,会根据当时情况将其“效力俱乐部”标注为“巴塞罗那”,为了机器在后续随着情况的改变的情况下仍然能够给出正确的信息,对于“效力俱乐部”保留有修改的选项,而对于“足球运动员”以及“性别”为“男”等等这些通常不易改变的属性,则不必为其保留修改的选项,以减少***复杂度。另外,优选地,对于已建立的知识图谱,能够对于知识点进行新增以及对其中知识点的实体属性进行补充。例如,“武威”一词,如果仅仅基于当前所提供的旅游类产品或服务而对其实体属性标注了地名、旅游/票务,当电商企业增加了图书或动漫产品而能够提供关于“幽游白书”的产品时,即便用户输入了包括“武威”和“漫画”的语句时,但是因为知识推理不能够正确地得到关于“幽游白书”的信息,而不能给出正确结果,进而可能失去商业买卖的成交机会。在知识点的新增以及实体属性的补充中,为了降低***的复杂度以及减少存储负荷,并不是对全部的新词都增加相应的知识点或实体属性,优选地,基于网站或APP中新增的产品或服务来新增知识点或补充实体属性。
在本发明的知识图谱中,每个知识点都有独立的入度点和出度点,根据相同的入读点和出度点建立起一级、二级、三级的知识关系,最后建立起一张知识无向图。再次参考图3所示出的知识图谱为例,其中“体育”是一级的知识点,“足球”是二级的知识点,“梅西”、“巴塞罗那”、“C罗”、“皇家马德里”是三级的知识,三级的知识允许有其他高级别的知识来做入度点,比如,“梅西”是人物,“巴塞罗那”是俱乐部等等。基于示例的知识图谱,可以由“梅西”推理出他是“体育”领域的人物或者是“足球”领域的人物,通过同级之间的关系可以推理出“梅西”效力于“巴塞罗那”,并且“梅西”和“皇家马德里”当前没有交集等等。
在本发明的知识图谱中,通过每个知识点的不同级别的入度点来访问该知识点,在通过该知识点的出度点来访问同级的知识点。知识点之间的连线体现了每个知识点之间的关系,比如“李渊”和“李世民”会通过“父子”关系而相连,而“灌篮高手”和“井上雄彦”会通过“作者”关系而相连。
在利用知识图谱对通过所述实体抽取所得到的实体信息进行知识推理的步骤ST30中,优选地,当包括一条实体信息时,在所述知识图谱中查找对应于所述实体信息的知识点;在获得所述知识点之后,结束所述推理的步骤,并给出与所述知识点所对应的内容信息,以及为了能够快速检索到所述知识点,给出所述知识点在所述知识图谱中的位置信息;以及当遍历所述知识图谱而没有找到所述知识点时,结束所述推理的步骤,并给出无相应结果的反馈。
仍以图3所示出的知识图谱为例,例如用户输入的语句是“梅西是谁”,经过分词处理后会变成“梅西/是/谁”,实体抽取处理后会变成“梅西:人物、足球运动员,谁:代词,人物”。在知识推理时,在知识图谱中找到对应于实体信息“梅西”的知识点,并给出对应于“人物”的信息“足球运动员”,推理结束。再例如用户输入的语句是“苏亚雷斯是谁”,经过分词处理后会变成“苏亚雷斯/是/谁”,在当前知识图谱中无法找到对应于实体信息“苏亚雷斯”的知识点,因此推理结束,并给出“无相应结果”的反馈。
在利用知识图谱对通过所述实体抽取所得到的实体信息进行知识推理的步骤ST30中,优选地,当包括多条实体信息时,a)在所述知识图谱中查找对应于所述实体信息中的一个的第一知识点;b)通过所述第一知识点的出度点,利用所述第一知识点与对应于所述实体信息中的另一个的第二知识点之间的关系,在所述知识图谱中查找所述第二知识点;c)重复上述b步骤,直到对于对应于所述实体信息中的全部的知识点已完成查找,结束所述推理的步骤,并给出与所述知识点所对应的内容信息;以及d)重复上述b步骤,当遍历所述知识图谱而没有找到要查找的知识点时,结束所述推理的步骤,并给出无相应结果的反馈。
仍以图3所示出的知识图谱为例,例如用户输入的语句是“梅西所在的俱乐部是”,经过分词处理后会变成“梅西/所在/俱乐部/是”,实体抽取处理后会变成“梅西:人物、足球运动员,俱乐部:足球、团体、场所”。在知识推理时,在知识图谱中找到对应于实体信息“梅西”的知识点,通过以“梅西”作为出度点,以“效力”作为关系词,可以查找到“巴塞罗那”这一知识点作为入度点,由此得到“梅西所在的俱乐部是巴塞罗那”,由此推理结束。对于前述的“灌篮高手的作者是谁啊”的例子,在知识推理时,在知识图谱中找到对应于实体信息“灌篮高手”的知识点,通过以“灌篮高手”作为出度点,找到被标记为“人物”的知识点中与之关系为“作者”的对应知识点作为入度点,由此推理结束。
对于问题“梅西所在的俱乐部是”,发明人在现有的未采用知识图谱技术的搜索引擎页面输入上述问题以与本发明的方法作比较。现有的搜索引擎给出的结果包括了通过全字符匹配而在现有数据库中查找到的语句,其中包括了“梅西所在的俱乐部是哪个”等类似问题,而答案仍需用户通过查阅相应网页来寻找,以及结果中也包括了关于“梅西”这一词条所对应的信息,而具体的针对性答案仍需要用户通过阅读对应文字寻找得到。与之相比,根据本发明的方法则是对提问给出了具体答案,这对于用户来说会更为直观。
再例如用户输入的语句是“苏亚雷斯所在的俱乐部是”,经过分词处理后会变成“苏亚雷斯/所在/俱乐部/是”,在当前图3中所示例的知识图谱中无法找到对应于实体信息“苏亚雷斯”的知识点,因此推理结束,并给出“无相应结果”的反馈。
再如,以“机械键盘为什么比普通键盘贵”为例,发明人在现有的未采用知识图谱技术的人机问答***的交互页面输入了上述问题以与本发明的方法作比较。现有的人机问答***给出的结果例如是“因供货商不同,以及不同商家促销等原因影响,商品价格可能存在不同”,这仅仅是针对于“贵”给出了一般性的普适解释,而并没有针对用户输入的两个比对对象给出任何针对性的比较。
对于用户输入的上述问题“机械键盘为什么比普通键盘贵”,根据本发明的方法会首先对其进行分词处理,经过分词处理后会变成“机械键盘/为什么/比/普通键盘/贵”,实体抽取处理后会变成“机械键盘:名词、输入产品,普通键盘:名词、输入产品”。在这里有“贵”和“比”的作为关系词的关键字,在知识推理时,会在知识图谱中找到对应于实体信息“机械键盘”和“普通键盘/薄膜键盘”的知识点,通过对属于两者的属性的造价进行差值比较来做属性比较,而得到关于例如产品的用料、使用寿命、用户体验等等的比较结果来作为答案。
图4是根据本发明的基于知识图谱的人机问答***的示例框图,其中所示出的人机问答***100包括:输入模块10,用于接收用户输入的语句;分词模块20,用于对用户输入的语句进行分词;实体抽取模块30,用于对通过所述分词所得到的词进行实体抽取;知识图谱模块40,用于存储包括知识点以及知识点之间的关系的知识图谱;知识推理模块50,用于利用所述知识图谱对通过所述实体抽取所得到的实体信息进行知识推理;以及输出模块60,用于根据所述知识推理的结果对所述用户输入的语句给出反馈。
优选地,在一个实施例中,输入模块10能够接收以文字录入、语音录入、和/或本领域已知的其他方法录入的用户输入的语句。
优选地,在一个实施例中,分词模块20通过分词算法对用户输入的语句进行切割,保留属于关系特征词的停用词,并且去除其余的停用词以及冗余信息。
优选地,在一个实施例中,实体抽取模块30利用所得到的词的实体属性对其进行标记,其中,所述实体属性包括所述词的词性、所述词的字典释义、或所述词所对应的产品分类。
优选地,在一个实施例中,知识图谱模块40通过为每个所述知识点设置独立的入度点和出度点,根据相同的入度点和出度点建立所述知识点之间的分级的知识关系,在所述知识点之间建立知识无向图,来存储所述知识图谱的知识点以及知识点之间的关系。
优选地,在一个实施例中,知识推理模块50当通过在所述知识图谱中查找而获得对应于所述实体信息的知识点时,给出与所述知识点所对应的内容信息以及所述知识点在所述知识图谱中的位置信息;以及当遍历所述知识图谱而没有找到所述知识点时,给出无相应结果的反馈。
优选地,在一个实施例中,知识推理模块50在所述知识图谱中查找对应于所述实体信息中的一个的第一知识点;通过所述第一知识点的出度点,利用所述第一知识点与对应于所述实体信息中的另一个的第二知识点之间的关系,在所述知识图谱中查找所述第二知识点;当重复上述步骤,直到对于对应于所述实体信息中的全部的知识点已完成查找时,给出与所述知识点所对应的内容信息;以及当遍历所述知识图谱而没有找到要查找的知识点时,给出无相应结果的反馈。
优选地,在一个实施例中,输出模块60能够以可视方式、可听方式、和/或本领域已知的其他方式给出对用户输入语句的相应反馈。
如上所述的本发明的人机问答方法和***,可应用于如JIMI的自动应答***,也可内嵌于搜索引擎中,以对用户输入的问题进行基于知识图谱的知识推理,使知识推理的深度和广度大幅提高,进而给出更有针对性的答案作为反馈。
以上结合具体实施例描述了本发明的基本原理,但是,需要指出的是,对本领域的普通技术人员而言,能够理解本发明的方法和设备的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来开发出的任何存储介质。
还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种基于知识图谱的人机问答方法,所述方法包括:
接收用户输入的语句并且对所述语句进行分词;
对通过所述分词所得到的词进行实体抽取;
利用知识图谱对通过所述实体抽取所得到的实体信息进行知识推理;以及
根据所述知识推理的结果对所述用户输入的语句给出反馈。
2.根据权利要求1所述的人机问答方法,其中,所述分词的步骤包括:通过分词算法对用户输入的语句进行切割,保留属于关系特征词的停用词,并且去除其余的停用词以及冗余信息。
3.根据权利要求1所述的人机问答方法,其中,所述实体抽取的步骤包括:利用所得到的词的实体属性对其进行标记,其中,所述实体属性包括所述词的词性、所述词的字典释义、或所述词所对应的产品分类。
4.根据权利要求1所述的人机问答方法,其中,所述知识图谱包括知识点以及知识点之间的关系,其中每个所述知识点设置有独立的入度点和出度点,以及所述知识点之间的关系是通过根据相同的入度点和出度点建立所述知识点之间的分级的知识关系,来在所述知识点之间建立知识无向图而建立的。
5.根据权利要求1所述的人机问答方法,其中,所述知识推理的步骤包括:
在所述知识图谱中查找对应于所述实体信息的知识点;
在获得所述知识点之后,结束所述推理的步骤,并给出与所述知识点所对应的内容信息以及所述知识点在所述知识图谱中的位置信息;以及
当遍历所述知识图谱而没有找到所述知识点时,结束所述推理的步骤,并给出无相应结果的反馈。
6.根据权利要求1所述的人机问答方法,其中,所述知识推理的步骤包括:
a)在所述知识图谱中查找对应于所述实体信息中的一个的第一知识点;
b)通过所述第一知识点的出度点,利用所述第一知识点与对应于所述实体信息中的另一个的第二知识点之间的关系,在所述知识图谱中查找所述第二知识点;
c)重复上述b步骤,直到对于对应于所述实体信息中的全部的知识点已完成查找,结束所述推理的步骤,并给出与所述知识点所对应的内容信息;以及
d)重复上述b步骤,当遍历所述知识图谱而没有找到要查找的知识点时,结束所述推理的步骤,并给出无相应结果的反馈。
7.一种基于知识图谱的人机问答***,所述***包括:
输入模块,用于接收用户输入的语句;
分词模块,用于对用户输入的语句进行分词;
实体抽取模块,用于对通过所述分词所得到的词进行实体抽取;
知识图谱模块,用于存储包括知识点以及知识点之间的关系的知识图谱;
知识推理模块,用于利用所述知识图谱对通过所述实体抽取所得到的实体信息进行知识推理;以及
输出模块,用于根据所述知识推理的结果对所述用户输入的语句给出反馈。
8.根据权利要求7所述的人机问答***,其中,所述分词模块通过分词算法对用户输入的语句进行切割,保留属于关系特征词的停用词,并且去除其余的停用词以及冗余信息。
9.根据权利要求7所述的人机问答***,其中,所述实体抽取模块利用所得到的词的实体属性对其进行标记,其中,所述实体属性包括所述词的词性、所述词的字典释义、或所述词所对应的产品分类。
10.根据权利要求7所述的人机问答***,其中,所述知识图谱模块通过为每个所述知识点设置独立的入度点和出度点,根据相同的入度点和出度点建立所述知识点之间的分级的知识关系,在所述知识点之间建立知识无向图,来存储所述知识图谱的知识点以及知识点之间的关系。
11.根据权利要求7所述的人机问答***,其中,所述知识推理模块当通过在所述知识图谱中查找而获得对应于所述实体信息的知识点时,给出与所述知识点所对应的内容信息以及所述知识点在所述知识图谱中的位置信息;以及当遍历所述知识图谱而没有找到所述知识点时,给出无相应结果的反馈。
12.根据权利要求7所述的人机问答***,其中,所述知识推理模块在所述知识图谱中查找对应于所述实体信息中的一个的第一知识点;通过所述第一知识点的出度点,利用所述第一知识点与对应于所述实体信息中的另一个的第二知识点之间的关系,在所述知识图谱中查找所述第二知识点;当重复上述步骤,直到对于对应于所述实体信息中的全部的知识点已完成查找时,给出与所述知识点所对应的内容信息;以及当遍历所述知识图谱而没有找到要查找的知识点时,给出无相应结果的反馈。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510383452.7A CN105095195B (zh) | 2015-07-03 | 2015-07-03 | 基于知识图谱的人机问答方法和*** |
HK16105720.8A HK1217789A1 (zh) | 2015-07-03 | 2016-05-18 | 基於知識圖譜的人機問答方法和系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510383452.7A CN105095195B (zh) | 2015-07-03 | 2015-07-03 | 基于知识图谱的人机问答方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105095195A true CN105095195A (zh) | 2015-11-25 |
CN105095195B CN105095195B (zh) | 2018-09-18 |
Family
ID=54575666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510383452.7A Active CN105095195B (zh) | 2015-07-03 | 2015-07-03 | 基于知识图谱的人机问答方法和*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105095195B (zh) |
HK (1) | HK1217789A1 (zh) |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677822A (zh) * | 2016-01-05 | 2016-06-15 | 首都师范大学 | 一种基于对话机器人的招生自动问答方法及*** |
CN105843875A (zh) * | 2016-03-18 | 2016-08-10 | 北京光年无限科技有限公司 | 一种面向智能机器人的问答数据处理方法及装置 |
CN106095932A (zh) * | 2016-06-13 | 2016-11-09 | 竹间智能科技(上海)有限公司 | 百科知识问句识别方法及装置 |
CN106294325A (zh) * | 2016-08-11 | 2017-01-04 | 海信集团有限公司 | 自然语言生成语句的优化方法及装置 |
CN106599179A (zh) * | 2016-12-13 | 2017-04-26 | 竹间智能科技(上海)有限公司 | 融合知识图谱和记忆图谱的人机对话控制方法及装置 |
CN106934012A (zh) * | 2017-03-10 | 2017-07-07 | 上海数眼科技发展有限公司 | 一种基于知识图谱的自然语言问答实现方法和*** |
CN107180059A (zh) * | 2016-03-11 | 2017-09-19 | 北大方正集团有限公司 | 数据检索方法和数据检索*** |
CN107391512A (zh) * | 2016-05-17 | 2017-11-24 | 北京邮电大学 | 知识图谱预测的方法和装置 |
CN107545000A (zh) * | 2016-06-28 | 2018-01-05 | 百度在线网络技术(北京)有限公司 | 基于知识图谱的信息推送方法及装置 |
CN107679039A (zh) * | 2017-10-17 | 2018-02-09 | 北京百度网讯科技有限公司 | 用于确定语句意图的方法和装置 |
CN107748757A (zh) * | 2017-09-21 | 2018-03-02 | 北京航空航天大学 | 一种基于知识图谱的问答方法 |
CN107766483A (zh) * | 2017-10-13 | 2018-03-06 | 华中科技大学 | 一种基于知识图谱的交互式问答方法及*** |
CN107885842A (zh) * | 2017-11-10 | 2018-04-06 | 上海智臻智能网络科技股份有限公司 | 智能问答的方法、装置、服务器及存储介质 |
CN107943998A (zh) * | 2017-12-05 | 2018-04-20 | 竹间智能科技(上海)有限公司 | 一种基于知识图谱的人机对话控制***及方法 |
CN107992528A (zh) * | 2017-11-13 | 2018-05-04 | 清华大学 | 利用可解释推理网络的多关系问答*** |
CN108108982A (zh) * | 2016-11-25 | 2018-06-01 | 百度在线网络技术(北京)有限公司 | 一种授权信息的识别方法及装置 |
CN108452526A (zh) * | 2017-11-28 | 2018-08-28 | 腾讯科技(上海)有限公司 | 游戏故障原因的查询方法和装置、存储介质、电子装置 |
CN108509563A (zh) * | 2018-03-23 | 2018-09-07 | 深圳狗尾草智能科技有限公司 | 基于知识图谱的机器人推理联想方法、装置、设备及介质 |
CN108519998A (zh) * | 2018-03-07 | 2018-09-11 | 北京云知声信息技术有限公司 | 基于知识图谱的问题引导方法及装置 |
CN108733654A (zh) * | 2018-05-21 | 2018-11-02 | 宁波薄言信息技术有限公司 | 一种信息处理方法 |
CN109062896A (zh) * | 2018-07-25 | 2018-12-21 | 南京瓦尔基里网络科技有限公司 | 一种基于人工智能话术模型的匹配方法及*** |
WO2019000170A1 (en) * | 2017-06-26 | 2019-01-03 | Microsoft Technology Licensing, Llc | GENERATION OF ANSWERS IN AN AUTOMATED ONLINE CONVERSATION |
CN109145102A (zh) * | 2018-09-06 | 2019-01-04 | 杭州安恒信息技术股份有限公司 | 智能问答方法及其知识图谱***构建方法、装置、设备 |
CN109271504A (zh) * | 2018-11-07 | 2019-01-25 | 爱因互动科技发展(北京)有限公司 | 基于知识图谱的推理对话的方法 |
CN109300472A (zh) * | 2018-12-21 | 2019-02-01 | 深圳创维-Rgb电子有限公司 | 一种语音识别方法、装置、设备及介质 |
CN109388793A (zh) * | 2017-08-03 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 实体标注方法、意图识别方法及对应装置、计算机存储介质 |
CN109446387A (zh) * | 2018-10-09 | 2019-03-08 | 众蚁(上海)信息技术有限公司 | 一种基于人工智能的业委会智能问答*** |
CN109492077A (zh) * | 2018-09-29 | 2019-03-19 | 北明智通(北京)科技有限公司 | 基于知识图谱的石化领域问答方法及*** |
CN109522465A (zh) * | 2018-10-22 | 2019-03-26 | 国家电网公司 | 基于知识图谱的语义搜索方法及装置 |
CN109543007A (zh) * | 2018-10-16 | 2019-03-29 | 深圳壹账通智能科技有限公司 | 提问数据生成方法、装置、计算机设备和存储介质 |
CN109597894A (zh) * | 2018-09-30 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 一种关联模型生成方法及装置、一种数据关联方法及装置 |
CN109844741A (zh) * | 2017-06-29 | 2019-06-04 | 微软技术许可有限责任公司 | 在自动聊天中生成响应 |
CN109902165A (zh) * | 2019-03-08 | 2019-06-18 | 中国科学院自动化研究所 | 基于马尔科夫逻辑网的智能交互式问答方法、***、装置 |
CN109933671A (zh) * | 2019-01-31 | 2019-06-25 | 平安科技(深圳)有限公司 | 构建个人知识图谱的方法、装置、计算机设备和存储介质 |
CN110019710A (zh) * | 2017-11-27 | 2019-07-16 | 厦门快商通信息技术有限公司 | 一种主题森林式人机对话方法及*** |
CN110175227A (zh) * | 2019-05-10 | 2019-08-27 | 神思电子技术股份有限公司 | 一种基于组队学习和层级推理的对话辅助*** |
US10423726B2 (en) | 2018-01-10 | 2019-09-24 | International Business Machines Corporation | Machine learning to integrate knowledge and natural language processing |
US10606958B2 (en) | 2018-01-10 | 2020-03-31 | International Business Machines Corporation | Machine learning modification and natural language processing |
CN111095259A (zh) * | 2017-10-25 | 2020-05-01 | 谷歌有限责任公司 | 使用n-gram机器的自然语言处理 |
CN111291168A (zh) * | 2018-12-07 | 2020-06-16 | 北大方正集团有限公司 | 图书检索方法、装置及可读存储介质 |
CN111460172A (zh) * | 2020-03-31 | 2020-07-28 | 北京小米移动软件有限公司 | 产品问题的答案确定方法、装置和电子设备 |
CN111488741A (zh) * | 2020-04-14 | 2020-08-04 | 税友软件集团股份有限公司 | 一种税收知识数据语义标注方法及相关装置 |
CN111552880A (zh) * | 2020-04-30 | 2020-08-18 | 杭州网易再顾科技有限公司 | 基于知识图谱的数据处理方法、装置、介质及电子设备 |
US10776586B2 (en) | 2018-01-10 | 2020-09-15 | International Business Machines Corporation | Machine learning to integrate knowledge and augment natural language processing |
CN111859974A (zh) * | 2019-04-22 | 2020-10-30 | 广东小天才科技有限公司 | 一种结合知识图谱的语义消歧方法和装置、智能学习设备 |
CN111930916A (zh) * | 2020-09-18 | 2020-11-13 | 北京百度网讯科技有限公司 | 对话生成方法、装置、电子设备和存储介质 |
CN111949855A (zh) * | 2020-07-31 | 2020-11-17 | 国网上海市电力公司 | 一种基于知识图谱的工程技经知识检索平台及其方法 |
CN111966834A (zh) * | 2020-07-29 | 2020-11-20 | 深圳市元征科技股份有限公司 | 一种文件生成方法、文件生成装置及服务器 |
CN112231445A (zh) * | 2020-03-27 | 2021-01-15 | 北京来也网络科技有限公司 | 结合rpa与ai的搜索方法、装置、设备及存储介质 |
CN113434658A (zh) * | 2021-08-25 | 2021-09-24 | 西安热工研究院有限公司 | 火电机组运行问答生成方法、***、设备及可读存储介质 |
CN117573849A (zh) * | 2024-01-16 | 2024-02-20 | 之江实验室 | 一种知识图谱多跳问答方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902652A (zh) * | 2014-02-27 | 2014-07-02 | 深圳市智搜信息技术有限公司 | 自动问答*** |
CN104252533A (zh) * | 2014-09-12 | 2014-12-31 | 百度在线网络技术(北京)有限公司 | 搜索方法和搜索装置 |
CN104462504A (zh) * | 2014-12-19 | 2015-03-25 | 北京奇虎科技有限公司 | 基于搜索中提供推理过程数据的方法和装置 |
-
2015
- 2015-07-03 CN CN201510383452.7A patent/CN105095195B/zh active Active
-
2016
- 2016-05-18 HK HK16105720.8A patent/HK1217789A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902652A (zh) * | 2014-02-27 | 2014-07-02 | 深圳市智搜信息技术有限公司 | 自动问答*** |
CN104252533A (zh) * | 2014-09-12 | 2014-12-31 | 百度在线网络技术(北京)有限公司 | 搜索方法和搜索装置 |
CN104462504A (zh) * | 2014-12-19 | 2015-03-25 | 北京奇虎科技有限公司 | 基于搜索中提供推理过程数据的方法和装置 |
Non-Patent Citations (2)
Title |
---|
PAWEL JURCZYK 等: "Discovering Authorities in Question Answer Communities by Using Link Analysis", 《ACM》 * |
曾庆鹏 等: "网络教学平台中问答***的关键技术研究", 《计算机与现代化》 * |
Cited By (77)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677822A (zh) * | 2016-01-05 | 2016-06-15 | 首都师范大学 | 一种基于对话机器人的招生自动问答方法及*** |
CN107180059A (zh) * | 2016-03-11 | 2017-09-19 | 北大方正集团有限公司 | 数据检索方法和数据检索*** |
CN105843875A (zh) * | 2016-03-18 | 2016-08-10 | 北京光年无限科技有限公司 | 一种面向智能机器人的问答数据处理方法及装置 |
CN105843875B (zh) * | 2016-03-18 | 2019-09-13 | 北京光年无限科技有限公司 | 一种面向智能机器人的问答数据处理方法及装置 |
CN107391512B (zh) * | 2016-05-17 | 2021-05-11 | 北京邮电大学 | 知识图谱预测的方法和装置 |
CN107391512A (zh) * | 2016-05-17 | 2017-11-24 | 北京邮电大学 | 知识图谱预测的方法和装置 |
CN106095932A (zh) * | 2016-06-13 | 2016-11-09 | 竹间智能科技(上海)有限公司 | 百科知识问句识别方法及装置 |
CN107545000A (zh) * | 2016-06-28 | 2018-01-05 | 百度在线网络技术(北京)有限公司 | 基于知识图谱的信息推送方法及装置 |
CN106294325A (zh) * | 2016-08-11 | 2017-01-04 | 海信集团有限公司 | 自然语言生成语句的优化方法及装置 |
CN106294325B (zh) * | 2016-08-11 | 2019-01-04 | 海信集团有限公司 | 自然语言生成语句的优化方法及装置 |
CN108108982A (zh) * | 2016-11-25 | 2018-06-01 | 百度在线网络技术(北京)有限公司 | 一种授权信息的识别方法及装置 |
CN106599179B (zh) * | 2016-12-13 | 2020-02-14 | 竹间智能科技(上海)有限公司 | 融合知识图谱和记忆图谱的人机对话控制方法及装置 |
CN106599179A (zh) * | 2016-12-13 | 2017-04-26 | 竹间智能科技(上海)有限公司 | 融合知识图谱和记忆图谱的人机对话控制方法及装置 |
CN106934012B (zh) * | 2017-03-10 | 2020-05-08 | 上海数眼科技发展有限公司 | 一种基于知识图谱的自然语言问答实现方法和*** |
CN106934012A (zh) * | 2017-03-10 | 2017-07-07 | 上海数眼科技发展有限公司 | 一种基于知识图谱的自然语言问答实现方法和*** |
CN109844743A (zh) * | 2017-06-26 | 2019-06-04 | 微软技术许可有限责任公司 | 在自动聊天中生成响应 |
WO2019000170A1 (en) * | 2017-06-26 | 2019-01-03 | Microsoft Technology Licensing, Llc | GENERATION OF ANSWERS IN AN AUTOMATED ONLINE CONVERSATION |
US11586810B2 (en) | 2017-06-26 | 2023-02-21 | Microsoft Technology Licensing, Llc | Generating responses in automated chatting |
CN109844743B (zh) * | 2017-06-26 | 2023-10-17 | 微软技术许可有限责任公司 | 在自动聊天中生成响应 |
CN109844741B (zh) * | 2017-06-29 | 2023-09-01 | 微软技术许可有限责任公司 | 在自动聊天中生成响应 |
CN109844741A (zh) * | 2017-06-29 | 2019-06-04 | 微软技术许可有限责任公司 | 在自动聊天中生成响应 |
CN109388793A (zh) * | 2017-08-03 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 实体标注方法、意图识别方法及对应装置、计算机存储介质 |
CN109388793B (zh) * | 2017-08-03 | 2023-04-07 | 阿里巴巴集团控股有限公司 | 实体标注方法、意图识别方法及对应装置、计算机存储介质 |
CN107748757B (zh) * | 2017-09-21 | 2021-05-07 | 北京航空航天大学 | 一种基于知识图谱的问答方法 |
CN107748757A (zh) * | 2017-09-21 | 2018-03-02 | 北京航空航天大学 | 一种基于知识图谱的问答方法 |
CN107766483A (zh) * | 2017-10-13 | 2018-03-06 | 华中科技大学 | 一种基于知识图谱的交互式问答方法及*** |
CN107679039A (zh) * | 2017-10-17 | 2018-02-09 | 北京百度网讯科技有限公司 | 用于确定语句意图的方法和装置 |
CN107679039B (zh) * | 2017-10-17 | 2020-12-29 | 北京百度网讯科技有限公司 | 用于确定语句意图的方法和装置 |
CN111095259A (zh) * | 2017-10-25 | 2020-05-01 | 谷歌有限责任公司 | 使用n-gram机器的自然语言处理 |
CN111095259B (zh) * | 2017-10-25 | 2023-08-22 | 谷歌有限责任公司 | 使用n-gram机器的自然语言处理 |
US11947917B2 (en) | 2017-10-25 | 2024-04-02 | Google Llc | Natural language processing with an n-gram machine |
CN107885842A (zh) * | 2017-11-10 | 2018-04-06 | 上海智臻智能网络科技股份有限公司 | 智能问答的方法、装置、服务器及存储介质 |
CN107992528B (zh) * | 2017-11-13 | 2022-07-05 | 清华大学 | 利用可解释推理网络的多关系问答*** |
CN107992528A (zh) * | 2017-11-13 | 2018-05-04 | 清华大学 | 利用可解释推理网络的多关系问答*** |
CN110019710A (zh) * | 2017-11-27 | 2019-07-16 | 厦门快商通信息技术有限公司 | 一种主题森林式人机对话方法及*** |
CN108452526B (zh) * | 2017-11-28 | 2020-12-25 | 腾讯科技(上海)有限公司 | 游戏故障原因的查询方法和装置、存储介质、电子装置 |
CN108452526A (zh) * | 2017-11-28 | 2018-08-28 | 腾讯科技(上海)有限公司 | 游戏故障原因的查询方法和装置、存储介质、电子装置 |
CN107943998A (zh) * | 2017-12-05 | 2018-04-20 | 竹间智能科技(上海)有限公司 | 一种基于知识图谱的人机对话控制***及方法 |
US10776586B2 (en) | 2018-01-10 | 2020-09-15 | International Business Machines Corporation | Machine learning to integrate knowledge and augment natural language processing |
US10423726B2 (en) | 2018-01-10 | 2019-09-24 | International Business Machines Corporation | Machine learning to integrate knowledge and natural language processing |
US10599780B2 (en) | 2018-01-10 | 2020-03-24 | International Business Machines Corporation | Machine learning to integrate knowledge and natural language processing |
US10606958B2 (en) | 2018-01-10 | 2020-03-31 | International Business Machines Corporation | Machine learning modification and natural language processing |
US10846485B2 (en) | 2018-01-10 | 2020-11-24 | International Business Machines Corporation | Machine learning model modification and natural language processing |
CN108519998B (zh) * | 2018-03-07 | 2021-05-14 | 云知声智能科技股份有限公司 | 基于知识图谱的问题引导方法及装置 |
CN108519998A (zh) * | 2018-03-07 | 2018-09-11 | 北京云知声信息技术有限公司 | 基于知识图谱的问题引导方法及装置 |
CN108509563A (zh) * | 2018-03-23 | 2018-09-07 | 深圳狗尾草智能科技有限公司 | 基于知识图谱的机器人推理联想方法、装置、设备及介质 |
CN108733654A (zh) * | 2018-05-21 | 2018-11-02 | 宁波薄言信息技术有限公司 | 一种信息处理方法 |
CN109062896A (zh) * | 2018-07-25 | 2018-12-21 | 南京瓦尔基里网络科技有限公司 | 一种基于人工智能话术模型的匹配方法及*** |
CN109145102B (zh) * | 2018-09-06 | 2021-02-09 | 杭州安恒信息技术股份有限公司 | 智能问答方法及其知识图谱***构建方法、装置、设备 |
CN109145102A (zh) * | 2018-09-06 | 2019-01-04 | 杭州安恒信息技术股份有限公司 | 智能问答方法及其知识图谱***构建方法、装置、设备 |
CN109492077A (zh) * | 2018-09-29 | 2019-03-19 | 北明智通(北京)科技有限公司 | 基于知识图谱的石化领域问答方法及*** |
CN109597894B (zh) * | 2018-09-30 | 2023-10-03 | 创新先进技术有限公司 | 一种关联模型生成方法及装置、一种数据关联方法及装置 |
CN109597894A (zh) * | 2018-09-30 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 一种关联模型生成方法及装置、一种数据关联方法及装置 |
CN109446387A (zh) * | 2018-10-09 | 2019-03-08 | 众蚁(上海)信息技术有限公司 | 一种基于人工智能的业委会智能问答*** |
CN109543007A (zh) * | 2018-10-16 | 2019-03-29 | 深圳壹账通智能科技有限公司 | 提问数据生成方法、装置、计算机设备和存储介质 |
CN109522465A (zh) * | 2018-10-22 | 2019-03-26 | 国家电网公司 | 基于知识图谱的语义搜索方法及装置 |
CN109271504A (zh) * | 2018-11-07 | 2019-01-25 | 爱因互动科技发展(北京)有限公司 | 基于知识图谱的推理对话的方法 |
CN109271504B (zh) * | 2018-11-07 | 2021-06-25 | 爱因互动科技发展(北京)有限公司 | 基于知识图谱的推理对话的方法 |
CN111291168A (zh) * | 2018-12-07 | 2020-06-16 | 北大方正集团有限公司 | 图书检索方法、装置及可读存储介质 |
CN109300472A (zh) * | 2018-12-21 | 2019-02-01 | 深圳创维-Rgb电子有限公司 | 一种语音识别方法、装置、设备及介质 |
CN109933671A (zh) * | 2019-01-31 | 2019-06-25 | 平安科技(深圳)有限公司 | 构建个人知识图谱的方法、装置、计算机设备和存储介质 |
CN109902165B (zh) * | 2019-03-08 | 2021-02-23 | 中国科学院自动化研究所 | 基于马尔科夫逻辑网的智能交互式问答方法、***、装置 |
CN109902165A (zh) * | 2019-03-08 | 2019-06-18 | 中国科学院自动化研究所 | 基于马尔科夫逻辑网的智能交互式问答方法、***、装置 |
CN111859974A (zh) * | 2019-04-22 | 2020-10-30 | 广东小天才科技有限公司 | 一种结合知识图谱的语义消歧方法和装置、智能学习设备 |
CN110175227B (zh) * | 2019-05-10 | 2021-03-02 | 神思电子技术股份有限公司 | 一种基于组队学习和层级推理的对话辅助*** |
CN110175227A (zh) * | 2019-05-10 | 2019-08-27 | 神思电子技术股份有限公司 | 一种基于组队学习和层级推理的对话辅助*** |
CN112231445A (zh) * | 2020-03-27 | 2021-01-15 | 北京来也网络科技有限公司 | 结合rpa与ai的搜索方法、装置、设备及存储介质 |
CN111460172A (zh) * | 2020-03-31 | 2020-07-28 | 北京小米移动软件有限公司 | 产品问题的答案确定方法、装置和电子设备 |
CN111488741A (zh) * | 2020-04-14 | 2020-08-04 | 税友软件集团股份有限公司 | 一种税收知识数据语义标注方法及相关装置 |
CN111552880A (zh) * | 2020-04-30 | 2020-08-18 | 杭州网易再顾科技有限公司 | 基于知识图谱的数据处理方法、装置、介质及电子设备 |
CN111966834A (zh) * | 2020-07-29 | 2020-11-20 | 深圳市元征科技股份有限公司 | 一种文件生成方法、文件生成装置及服务器 |
CN111949855A (zh) * | 2020-07-31 | 2020-11-17 | 国网上海市电力公司 | 一种基于知识图谱的工程技经知识检索平台及其方法 |
CN111930916A (zh) * | 2020-09-18 | 2020-11-13 | 北京百度网讯科技有限公司 | 对话生成方法、装置、电子设备和存储介质 |
CN111930916B (zh) * | 2020-09-18 | 2021-02-05 | 北京百度网讯科技有限公司 | 对话生成方法、装置、电子设备和存储介质 |
CN113434658A (zh) * | 2021-08-25 | 2021-09-24 | 西安热工研究院有限公司 | 火电机组运行问答生成方法、***、设备及可读存储介质 |
CN117573849A (zh) * | 2024-01-16 | 2024-02-20 | 之江实验室 | 一种知识图谱多跳问答方法、装置、设备及存储介质 |
CN117573849B (zh) * | 2024-01-16 | 2024-04-19 | 之江实验室 | 一种知识图谱多跳问答方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105095195B (zh) | 2018-09-18 |
HK1217789A1 (zh) | 2017-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105095195A (zh) | 基于知识图谱的人机问答方法和*** | |
CN112184525B (zh) | 通过自然语义分析实现智能匹配推荐的***及方法 | |
Zhu et al. | Mobile app classification with enriched contextual information | |
CN111581990B (zh) | 跨境交易撮合匹配方法及装置 | |
CN111708869B (zh) | 人机对话的处理方法及装置 | |
CN106970991B (zh) | 相似应用的识别方法、装置和应用搜索推荐方法、服务器 | |
US10740406B2 (en) | Matching of an input document to documents in a document collection | |
CN108305180B (zh) | 一种好友推荐方法及装置 | |
CN110765761A (zh) | 基于人工智能的合同敏感词校验方法、装置及存储介质 | |
US11030533B2 (en) | Method and system for generating a transitory sentiment community | |
CN112395410A (zh) | 一种基于实体抽取的产业舆情推荐方法、装置及电子设备 | |
CN115002200A (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN114387061A (zh) | 产品推送方法、装置、电子设备及可读存储介质 | |
CN114357117A (zh) | 事务信息查询方法、装置、计算机设备及存储介质 | |
CN112650858A (zh) | 应急协助信息的获取方法、装置、计算机设备及介质 | |
CN113268615A (zh) | 资源标签生成方法、装置、电子设备及存储介质 | |
US11227183B1 (en) | Section segmentation based information retrieval with entity expansion | |
CN112507089A (zh) | 一种基于知识图谱的智能问答引擎及其实现方法 | |
Leonandya et al. | A semi-supervised algorithm for Indonesian named entity recognition | |
CN113868419B (zh) | 基于人工智能的文本分类方法、装置、设备及介质 | |
CN113988057A (zh) | 基于概念抽取的标题生成方法、装置、设备及介质 | |
CN109684357B (zh) | 信息处理方法及装置、存储介质、终端 | |
US20230090601A1 (en) | System and method for polarity analysis | |
US20200184521A1 (en) | Method and system for initiating an interface concurrent with generation of a transitory sentiment community | |
CN114528851B (zh) | 回复语句确定方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1217789 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |