CN110427471B - 一种基于知识图谱的自然语言问答方法及*** - Google Patents

Abstract

本发明公开了一种基于知识图谱的自然语言问答方法，所述方法包括如下步骤S1：知识图谱由节点和边组成，根据节点和边建立知识图谱，其中节点表示实体以及“实体‑实体”关系，边无任何值；S2：对用户输入的自然语言查询语句进行分词；S3：对分词后的自然语言查询语句进行句法依存关系分析，得到句子的句法依存关系图；S4：基于S3所述的句法依存关系图构造粗粒度结构化模式图；S5：对所述粗粒度结构化模式图进行裁枝，得到查询模式图，并标记查询焦点；S6：将查询模式图和知识图谱按照深度优先搜索进行结构匹配，得到与查询焦点相匹配的对象集合，对象集合即为检索出的答案。

Description

一种基于知识图谱的自然语言问答方法及***

技术领域

本发明涉及知识图谱检索技术领域，具体的说，是一种基于知识图谱的自然语言问答方法及***。

背景技术

知识图谱将海量信息用结构化的方式组织起来，高效地为用户的查询提供答案，因此，近年来它在学术界和工业界引起了广泛的关注。在知识图谱中，查询计算主要采用结构匹配的方式。也就是说，给定一个查询模式图和知识图谱，在知识图谱中找到与查询模式图相匹配的所有匹配项。

查询知识图谱的关键在于查询理解和查询计算，用户的查询通常是用自然语言来表达的，这样的语言不能直接用知识图谱来计算。因此，需要先将自然语言查询转换为查询模式图。知识图谱通常规模很大，并且主要是依据子图同构的方式进行计算。这就带来了挑战：由于输入大，计算复杂性高，查询计算的计算量往往过大；由于查询模式图在知识图谱中可能存在大量的匹配结果，因此理解查询结果比较困难。

发明内容

本发明的目的在于提供一种基于知识图谱的自然语言问答方法及***，用于解决现有技术中由于输入大，计算复杂性高，查询计算的计算量往往过大；由于查询模式图在知识图谱中可能存在大量的匹配结果，因此理解查询结果比较困难的问题。

本发明通过下述技术方案解决上述问题：

一种基于知识图谱的自然语言问答方法，所述方法包括如下步骤：

S1：知识图谱由节点和边组成，根据节点和边建立知识图谱，其中节点表示实体以及“实体-实体”关系，边无任何值；

S2：对用户输入的自然语言查询语句进行分词；

S3：对分词后的自然语言查询语句进行句法依存关系分析，得到句子的句法依存关系图；

S4：基于S3所述的句法依存关系图构造粗粒度结构化模式图；

S5：对所述粗粒度结构化模式图进行裁枝，得到查询模式图，并标记查询焦点；

S6：将查询模式图和知识图谱按照深度优先搜索进行结构匹配，得到与查询焦点相匹配的对象集合，对象集合即为检索出的答案。

进一步地，所述S2采用基于自定义词典的分词工具对自然语言查询语句进行分词。

进一步地，所述S3采用基于句法分析器对已分词的自然语言查询语句进行句法关系分析，得到句法依存关系图。

进一步地，所述S5采用节点融合的方式对所述粗粒度结构化模式图进行裁枝。

进一步地，所述S4包括如下步骤：

S41:将句法关系为root的边，将该边指向的子节点作为粗粒度结构模式图的ROOT节点，并在句法依存关系图中，将该点标记为SN；

S42：将句法依存关系图中的父子关系映射至粗粒度结构模式图中，在句法依存关系图中，寻找以SN节点为父节点，将其子节点标记为SNC，SNC在粗粒度结构化模式图中，是作为ROOT的子节点；

S43：根据S41和S42，递归遍历句法依存关系图，逐点构造粗粒度结构模式图，在句法依存关系图中，寻找上一个已经用于构造粗粒度结构模式图的节点的子节点，并将该子节点映射至粗粒度结构模式图中，直至所有的依存关系组合遍历完，构造粗粒度结构模式图完成。

进一步地，所述S5采用节点融合的方式对所述粗粒度结构化模式图进行裁枝，其具体步骤包括：

S51：在粗粒度结构模式图中寻找ROOT节点，若该ROOT节点的值为实体，那么新建一个节点，节点ID设置为anSwerpoint，节点值设置为“*”，并将该节点作为ROOT节点的父节点，若ROOT节点的值不为实体，那么将ROOT节点的ID设置为anSwerpoint，节点值设置为“*”；

S52：若ROOT节点的子节点值不为实体，且没有孙子节点，那么丢弃掉ROOT的子节点，若有孙子节点，且孙子节点的值为实体，那么丢弃掉子节点，将孙子节点作为子节点；

S53：遍历粗粒度结构模式图中的节点，若节点的值为实体，且能够与其子节点的值组合，组成一个实体词Entity，那么将子节点与其融合形成一个新的节点，该新节点的值为Entity，若节点的值不为实体，那么将其子节点作为其父节点的子节点，丢弃掉该节点。

进一步地，所述S6包括如下步骤：

S61：获取查询模式图并剔除了查询焦点以及与查询焦点直接相连节点的节点集合，将节点集合中的节点与知识图谱的节点集合中的节点进行属性匹配，获取属性对应的节点对数组，并将该节点对数组中的每个节点对作为一个匹配起始节点；

S62：选择一个起始节点对，将其中来自查询模式图的节点作为nodeQ，来自知识图谱的节点作为nodeG，加入递归深度搜索算法开始匹配。

实现上述方法的一种基于知识图谱的自然语言问答***，包括

知识图谱构造模块，用于根据节点和边构造知识图谱；

分词模块，用于对用户输入的自然语言查询语句进行分词；

句法依存关系图生成模块，用于对分词后的自然语言查询语句进行句法依存关系分析，并生成句法依存关系图；

粗粒度结构化模式图生成模块，用于将句法依存关系图转换成粗粒度结构化模式图；

查询模式图生成模块，用于对所述粗粒度结构化模式图进行裁枝，生成粗粒度结构化模式图；

知识图谱匹配模块，用于将查询模式图和知识图谱进行结构匹配，得到与查询焦点相匹配的对象集合即为检索出的答案。

本发明与现有技术相比，具有以下优点及有益效果：

(1)本发明采用基于知识图谱的方式进行查询，相比深度学习的查询方式而言，整个查询过程的逻辑是可推导可控制的，若出现错误也是可查询错误环节的，具有更好的可控性。

(2)本发明相比现有的先将自然语言查询转换为查询模式图的查询方式，本方法相对计算量小，因此查询效率更高，同时由于数据匹配量减小，查询的准确率更高。

附图说明

图1为本发明的基于知识图谱的自然语言问答***方法流程图；

图2为基于知识图谱的自然语言问答***结构示意图。

具体实施方式

下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例一：

结合附图1所示，一种基于知识图谱的自然语言问答方法，具体包括以下几个步骤：

步骤S1：构造知识图谱，知识图谱由节点和边组成，节点代表实体以及“实体——实体”关系，建立知识图谱G；

步骤S2：对用户输入的自然语言查询语句进行分词；

步骤S3：对分词后的自然语言查询语句进行句法依存关系分析，得到句子的句法依存关系图；

步骤S4：基于所述句法依存关系图构造粗粒度结构化模式图；

步骤S5：对所述粗粒度结构化模式图进行“裁枝”，得到查询模式图Q，并标记“查询焦点”；

步骤S6：将查询模式图Q和知识图谱G按照深度优先搜索进行结构匹配，得到与“查询焦点”相匹配的“对象”集合，“对象”集合里即为检索出的答案；

进一步的所述步骤S2的步骤包括：

步骤S21：准备一个自定义词典，并添加进分词工具里；

步骤S22：利用分词工具对查询问句进行分词；

进一步的所述步骤S3的步骤包括：

步骤S31：选定中文句法解析器，利用Stanford ParSer对查询问句进行句法分析，得到句法依存关系图；

步骤S32：句法依存关系图中的父节点为被依存节点，子节点为依存节点，父节点—子节点的边为两者之间的依存关系；

进一步的所述步骤S4的步骤包括：

步骤S41：在句法依存关系图中找到句法关系为root的边，将该边指向的子节点作为粗粒度结构模式图的ROOT节点，并在句法依存关系图中，将该点标记为SN；

步骤S42：将句法依存关系图中的父子关系(仅限于“父子”关系，不考虑句法依存关系)映射至粗粒度结构模式图中，在句法依存关系图中，寻找以SN节点为父节点，将其子节点标记为SNC，SNC在粗粒度结构化模式图中，是作为ROOT的子节点；

步骤S43：按照步骤S41和S42的方法，递归遍历句法依存关系图，逐点构造粗粒度结构模式图，在句法依存关系图中，寻找上一个已经用于构造粗粒度结构模式图的节点的子节点，并将该子节点映射至粗粒度结构模式图中，直至所有的依存关系组合遍历完，构造粗粒度结构模式图完成；

进一步的所述步骤S5的步骤包括：

步骤S51：在粗粒度结构模式图中寻找ROOT节点，若该ROOT节点的值为实体，那么新建一个节点，节点ID设置为anSwerpoint，节点值设置为“*”，并将该节点作为ROOT节点的父节点，若ROOT节点的值不为实体，那么将ROOT节点的ID设置为anSwerpoint，节点值设置为“*”；

步骤S52：若ROOT节点的子节点值不为实体，且没有孙子节点，那么丢弃掉ROOT的子节点，若有孙子节点，且孙子节点的值为实体，那么，丢弃掉子节点，将孙子节点作为子节点；

步骤S53：遍历粗粒度结构模式图中的节点，若节点的值为实体，且能够与其子节点的值组合，组成一个实体词Entity，那么将子节点与其融合形成一个新的节点，该新节点的值为Entity，若节点的值不为实体，那么将其子节点作为其父节点的子节点，丢弃掉该节点；

进一步的所述步骤S6的步骤包括：

步骤S61：获取查询模式图Q并剔除了查询焦点以及与查询焦点直接相连节点的节点集合SetQ，将SetQ中的节点与知识图谱G的节点集合SetG中的节点进行属性匹配，获取属性对应的节点对数组，并将该节点对数组中的每个节点对作为一个匹配起始节点；

步骤S62：选择一个起始节点对，将其中来自查询模式图Q的节点作为nodeQ，来自知识图谱G的节点作为nodeG，加入递归深度搜索算法开始匹配；

进一步的所述步骤S62的步骤包括：

步骤S621：输入：当前G中节点nodeG，当前Q中节点nodeQ，G中上一节点laStNodeG，Q中上一节点laStNodeQ；

步骤S622：遍历选择nodeQ的非laStNodeQ的所有与laStNodeQ直接相连的节点nodeTempQ，对于每一个nodeTempQ，遍历选择nodeG的非laStNodeG的所有与nodeG直接相连的节点nodeTempG；

步骤S623：判断NodeTempQ是否为查询焦点，若是，则将该nodeTempQ对应的所有nodeTempG加入结果集合中，并记录nodeTempG。若否，则判断nodeTempQ与nodeTempG的属性是否相同，若相同，则记录nodeTempQ与nodeTempG，并将nodeTempG，nodeTempQ，nodeG，nodeQ作为输入，递归进行下一轮的深度匹配搜索；

步骤S624：在本层的深度匹配搜索中，匹配搜索完成后，返回上一层的深度匹配搜索；

步骤S625：当深度匹配搜索返回最顶层并结束时，完成整个匹配搜索过程。结果集合中的节点即为与查询焦点相匹配的对象集合；

实施例二

在实施例一的基础上，如图2所示，本实施例提供了一种基于知识图谱的自然语言问答***，包括：

知识图谱构造模块，用于构造知识图谱，知识图谱由节点和边组成，节点代表实体以及“实体-实体”关系；

分词模块，用于对用户输入的自然语言查询语句进行分词；

句法依存关系图生成模块，用于对分词后的自然语言查询语句进行句法依存关系分析，生成句法依存关系图；

粗粒度结构化模式图生成模块，用于将句法依存关系图转换成粗粒度结构化模式图；

查询模式图生成模块，用于对所述粗粒度结构化模式图进行“裁枝”，生成粗粒度结构化模式图；

知识图谱匹配模块，用于将查询模式图Q和知识图谱G进行结构匹配，得到与“查询焦点”相匹配的“对象”集合，“对象”集合里即为检索出的答案；

各个模块的具体实现流程参考实施例一。

需要说明的是，本实施例中的各模块(或单元)是逻辑意义上的，具体实现时，多个模块(或单元)可以合并成一个模块(或单元)，一个模块(或单元)也可以拆分成多个模块(或单元)。

本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分流程是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，该程序在执行时，可包括如上各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(Random AcceSS Memory,RAM)等

尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。

Claims (4)

1.一种基于知识图谱的自然语言问答方法，其特征在于，所述方法包括如下步骤：

S1：知识图谱由节点和边组成，根据节点和边建立知识图谱，其中节点表示实体以及“实体-实体”关系，边无任何值；

S2：对用户输入的自然语言查询语句进行分词；

S3：对分词后的自然语言查询语句进行句法依存关系分析，得到句子的句法依存关系图；

S4：基于S3所述的句法依存关系图构造粗粒度结构化模式图；

S5：对所述粗粒度结构化模式图进行裁枝，得到查询模式图，并标记查询焦点；

S6：将查询模式图和知识图谱按照深度优先搜索进行结构匹配，得到与查询焦点相匹配的对象集合，对象集合即为检索出的答案；

所述S4包括如下步骤：

S41:将句法关系为root的边，将该边指向的子节点作为粗粒度结构模式图的ROOT节点，并在句法依存关系图中，将该点标记为SN；

S42：将句法依存关系图中的父子关系映射至粗粒度结构模式图中，在句法依存关系图中，寻找以SN节点为父节点，将其子节点标记为SNC，SNC在粗粒度结构化模式图中，是作为ROOT的子节点；

S43：根据S41和S42，递归遍历句法依存关系图，逐点构造粗粒度结构模式图，在句法依存关系图中，寻找上一个已经用于构造粗粒度结构模式图的节点的子节点，并将该子节点映射至粗粒度结构模式图中，直至所有的依存关系组合遍历完，构造粗粒度结构模式图完成；

所述S5采用节点融合的方式对所述粗粒度结构化模式图进行裁枝，其具体步骤包括：

S51：在粗粒度结构模式图中寻找ROOT节点，若该ROOT节点的值为实体，那么新建一个节点，节点ID设置为anSwerpoint，节点值设置为“*”，并将该节点作为ROOT节点的父节点，若ROOT节点的值不为实体，那么将ROOT节点的ID设置为anSwerpoint，节点值设置为“*”；

S52：若ROOT节点的子节点值不为实体，且没有孙子节点，那么丢弃掉ROOT的子节点，若有孙子节点，且孙子节点的值为实体，那么丢弃掉子节点，将孙子节点作为子节点；

S53：遍历粗粒度结构模式图中的节点，若节点的值为实体，且能够与其子节点的值组合，组成一个实体词Entity，那么将子节点与其融合形成一个新的节点，该新节点的值为Entity，若节点的值不为实体，那么将其子节点作为其父节点的子节点，丢弃掉该节点；

所述S6包括如下步骤：

S61：获取查询模式图并剔除了查询焦点以及与查询焦点直接相连节点的节点集合，将节点集合中的节点与知识图谱的节点集合中的节点进行属性匹配，获取属性对应的节点对数组，并将该节点对数组中的每个节点对作为一个匹配起始节点；

S62：选择一个起始节点对，将其中来自查询模式图的节点作为nodeQ，来自知识图谱的节点作为nodeG，加入递归深度搜索算法开始匹配；

所述步骤S62的步骤包括：

步骤S621：输入：当前G中节点nodeG，当前Q中节点nodeQ，G中上一节点laStNodeG，Q中上一节点laStNodeQ；

步骤S622：遍历选择nodeQ的非laStNodeQ的所有与laStNodeQ直接相连的节点nodeTempQ，对于每一个nodeTempQ，遍历选择nodeG的非laStNodeG的所有与nodeG直接相连的节点nodeTempG；

步骤S623：判断NodeTempQ是否为查询焦点，若是，则将该nodeTempQ对应的所有nodeTempG加入结果集合中，并记录nodeTempG； 若否，则判断nodeTempQ与nodeTempG的属性是否相同，若相同，则记录nodeTempQ与nodeTempG，并将nodeTempG，nodeTempQ，nodeG，nodeQ作为输入，递归进行下一轮的深度匹配搜索；

步骤S624：在本层的深度匹配搜索中，匹配搜索完成后，返回上一层的深度匹配搜索；

步骤S625：当深度匹配搜索返回最顶层并结束时，完成整个匹配搜索过程； 结果集合中的节点即为与查询焦点相匹配的对象集合。

2.根据权利要求1所述的基于知识图谱的自然语言问答方法，其特征在于，所述S2采用基于自定义词典的分词工具对自然语言查询语句进行分词。

3.根据权利要求1所述的基于知识图谱的自然语言问答方法，其特征在于，所述S3采用基于句法分析器对已分词的自然语言查询语句进行句法关系分析，得到句法依存关系图。

4.一种基于知识图谱的自然语言问答***，其特征在于：所述***通过权利要求1所述的方法实现，所述***包括：

知识图谱构造模块，用于根据节点和边构造知识图谱；

分词模块，用于对用户输入的自然语言查询语句进行分词；

句法依存关系图生成模块，用于对分词后的自然语言查询语句进行句法依存关系分析，并生成句法依存关系图；

粗粒度结构化模式图生成模块，用于将句法依存关系图转换成粗粒度结构化模式图；

查询模式图生成模块，用于对所述粗粒度结构化模式图进行裁枝，生成粗粒度结构化模式图；

知识图谱匹配模块，用于将查询模式图和知识图谱进行结构匹配，得到与查询焦点相匹配的对象集合即为检索出的答案。

Images