CN111984765B - 知识库问答过程关系检测方法及装置 - Google Patents
知识库问答过程关系检测方法及装置 Download PDFInfo
- Publication number
- CN111984765B CN111984765B CN201910422428.8A CN201910422428A CN111984765B CN 111984765 B CN111984765 B CN 111984765B CN 201910422428 A CN201910422428 A CN 201910422428A CN 111984765 B CN111984765 B CN 111984765B
- Authority
- CN
- China
- Prior art keywords
- representation
- relation
- neural network
- relationship
- question
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 230000008569 process Effects 0.000 title claims abstract description 36
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims description 132
- 238000012545 processing Methods 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 26
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种知识库问答过程关系检测方法及装置，所述方法包括：获取问句表示和对应的待检测关系；确定所述待检测关系在知识库中的初始关系表示；将所述初始关系表示映射至知识库问答空间的已登录关系表示，得到映射后的关系表示；确定所述待检测关系对应的词级别表示；确定所述映射后的关系表示的全局级别表示；确定最终关系表示；根据所述最终关系表示和所述问句表示的相似度，确定所述待检测关系的检测结果。利用本公开各实施例，可以提高关系检测的准确率。
Description
技术领域
本公开涉及知识库问答技术领域，尤其涉及一种知识库问答过程关系检测方法、装置及存储介质。
背景技术
随着信息化技术的不断发展，社会各界都在经历着不同程度的变革。在这一趋势下，以知识库问答代表的技术在人们的生产生活中起着越来越重要的作用。知识库问答是指可以接受自然语言问题，并给出正确，简洁的答案。
现有的知识库问答都是依托大规模开放域知识库进行问答。知识库的组织形式一般是三元组的形式，即“<头实体，关系，尾实体>”，其中关系一般是代表两个实体直接的语义联系，头实体一般是表示客观存在的主题，尾实体则既可以是实体也可以是属性，目前基于知识库的开放域智能问答的一般方法是：先对问句进行实体识别，得到问句的主体，接下来对问句进行关系检测，其目的是选择能够表示问句语义的关系，最后根据所得到的实体和关系到结构化知识库中进行查询，得到最终的三元组，则三元组的最后一维就是问句对应的答案。
但是，现有的知识库规模巨大，标注难度也就较大，就导致训练集中的关系不足以覆盖全部知识库中的关系，导致知识库中存在大量的未标注的关系。通常知识库中未标注的关系称为未登录关系，标注的关系称为已登录关系。现有的知识库问答方法中，对于未登录关系的检测准确率较低，甚至无法检测。
发明内容
本公开提出了一种知识库问答过程关系检测方法、装置及存储介质，以提高关系检测的准确率，尤其提高未登录关系的检测准确率。
根据本公开的第一方面，提供了一种知识库问答过程关系检测方法，其特征在于，所述方法包括：
获取问句表示和对应的待检测关系；
根据所述待检测关系，得到所述待检测关系在知识库中的初始关系表示；
将所述初始关系表示映射至知识库问答空间的已登录关系表示，得到映射后的关系表示；
对所述待检测关系进行处理，得到所述待检测关系对应的词级别表示；
对所述映射后的关系表示进行处理，得到所述映射后的关系表示的全局级别表示；
对所述词级别表示和所述全局级别表示进行处理，得到最终关系表示；
根据所述最终关系表示和所述问句表示的相似度，确定所述待检测关系的检测结果。
在一种可能的实现方式中，将所述关系表示映射知识库问答空间已登录关系表示，得到映射后的关系表示包括：
将所述初始关系表示输入第一神经网络，经所述第一神经网络处理后得到映射后的关系表示。
在一种可能的实现方式中，所述第一神经网络的训练包括：
将所述初始关系表示输入所述第一神经网络得到映射后的关系表示；
根据所述映射后的关系表示和对应的已登录关系表示，确定所述第一神经网络的处理结果的损失；
向所述第一神经网络反向传播所述损失，以调整所述第一神经网络的网络参数。
在一种可能的实现方式中，所述第一神经网络的训练还包括：
根据所述第一神经网络对应的第一映射函数，构建所述第二神经网络，所述第二神经网络的映射函数是所述第一映射函数的反函数；
将映射后的关系表示输入所述第二神经网络，经所述第二神经网络处理得到重构关系表示；
根据所述重构关系表示和所述初始关系表示，确定所述第一神经网络的处理结果的损失；
向所述第一神经网络传播所述损失，以调整所述第一神经网络的网络参数。
在一种可能的实现方式中，对所述待检测关系进行处理，得到所述待检测关系对应的词级别表示包括：
将所述待检测关系输入第三神经网络，经所述第三神经网络处理后输出所述待检测关系对应的词级别表示。
在一种可能的实现方式中，所述第三神经网络包括词嵌入层、编码层。
在一种可能的实现方式中，对所述映射后的关系表示进行处理，得到所述映射后的关系表示的全局级别表示包括：
将所述映射后的关系表示输入第四神经网络，经所述第四神经网络处理后输出所述映射后的关系表示的全局级别表示。
在一种可能的实现方式中，所述第四神经网络包括关系嵌入层和所述编码层，所述关系嵌入层通过预训练的向量表示进行初始化。
在一种可能的实现方式中，根据所述最终关系表示和所述问句表示的相似度，确定所述待检测关系的检测结果包括：
将所述最终关系表示和所述问句表示输入第五神经网络，经所述第五神经网络处理后输出相似度检测结果；
根据所述相似度检测结果确定所述待检测关系是否作为所述问句表示对应的问句的输出。
在一种可能的实现方式中，所述第五神经网络的训练包括：
根据所述相似度检测结果和所述问句表示，确定所述第五神经网络的处理结果的损失；
向所述第五神经网络反向传播所述损失，以调整所述第五神经网络的网络参数。
在一种可能的实现方式中，所述第五神经网络的处理结果的损失包括采用下述损失函数确定：
其中，Lrd表示所述第五神经网络的处理结果的损失；
γ表示预定的最小分隔距离；
表示正关系的得分；
表示从剩下的关系集合中负采样得到的关系；
qf表示待检测关系对应的问句表示；
r表示待检测关系；
S表示已登录关系的集合；
s(·,·)表示计算余弦距离的函数。
在一种可能的实现方式中，所述问句表示的获取方式包括：
将自然语言问句输入第六神经网络，经所述第六神经网络压缩处理后得到所述问句表示。
在一种可能的实现方式中，所述第六神经网络包括词嵌入层、浅层编码层、深度编码层、残差块、池化层。
在一种可能的实现方式中，所述待检测关系是未登录关系或已登录关系。
根据本公开的第二方面，提供了一种知识库问答过程关系检测装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行本公开第一方面所述的方法。
根据本公开的另三方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现本公开第一方面所述的方法。
根据本公开的各方面所述的实施方式，利用已登录关系和未登录关系的联系，通过特定的处理，可以得到未登录关系的有意义的具体表示，基于所述具体表示对未登录关系进行识别检测，可以有效提高未登录关系检测的准确率。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出本公开提供的一种知识库问答过程关系检测方法的一种实施例的流程示意图。
图2是本公开一个实施例中提供的所述第六神经网络的结构示意图。
图3是本公开一个实施例中所述第一神经网络的训练流程示意图。
图4是本公开另一个实施例中所述第一神经网络的训练流程示意图。
图5是本公开在图3对应的实施例的基础上改进的所述第一神经网络的另一种实施例的训练流程图。
图6是本公开一个实施例所述第三神经网络的结构示意图。
图7是本公开一个实施例所述第四神经网络的结构示意图。
图8示出本公开提供的一种知识库问答过程关系检测方法的一种实施例的数据处理流程图。
图9是根据一示例性实施例示出的一种用于执行本公开所述方法的装置的框图。
图10是根据一示例性实施例示出的另一种用于执行本公开所述方法的装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出本公开提供的一种知识库问答过程关系检测方法的一种实施例的流程示意图。如图1所示，本公开所述的一种知识库问答过程关系检测方法的一种实施例可以包括：
S1：获取问句表示和对应的待检测关系。
其中，所述问句表示是对应于自然语言问句的特征向量表示。
本公开一个实施例中，所述问句表示的获取方式可以包括：将自然语言问句输入第六神经网络，经所述第六神经网络压缩处理后得到所述问句表示。
图2是本公开一个实施例中提供的所述第六神经网络的结构示意图。如图2所示，所述第六神经网络依次包括词嵌入层、浅层编码层、深度编码层、残差块、池化层。其中，词嵌入层使用预训练的词向量进行初始化，随着模型的训练进行微调。浅层编码层是256维双向长短时记忆网络(Bi-LSTM)，深层编码层也是一个256维的双向长短时记忆网络Bi-LSTM。残差块负责将浅层编码层和深层编码层的输出相加，最后池化层使用最大池化得到问句表示qf。
所述待检测关系包括与所述问句对应的初步确定的候选关系。待检测关系可以是知识库中的未登录关系也可以是知识库中的已登录关系。所述未登录关系即为知识库中未标注的关系。
S2：根据所述待检测关系，得到所述待检测关系在知识库中的初始关系表示。
具体的，本公开一个实施例中，可以通过无监督学习，确定知识库中的待检测关系的初始关系表示eg。无监督学习中给定的数据可以没有任何标注，可以根据样本间的相似性进行分类，因此不仅可以用于生成已登录关系的初始关系表示eg，也可以用于生成未登录关系的初始关系表示eg。
S3：将所述初始关系表示映射至知识库问答空间的已登录关系表示，得到映射后的关系表示。
具体的，可以将所述初始关系表示eg输入第一神经网络Adapter，经所述第一神经网络处理后得到映射后的关系表示G(eg)。其中，G(·)为所述第一神经网络对应的映射函数。其中，所述第一神经网络可以是一层线性神经网络、一层非线性神经网络、二层非线性神经网络等。具体的，对应所述第一神经网络的具体结构，本公开不作限定。
其中，所述已登录关系指的是预训练集中包含的已标注关系。通过已登录关系和未登录关系的联系，可以将待检测关系(包括未登录的检测关系)映射至已登录关系，使待检测关系的映射后的关系表示尽可能接近已登录关系，基于此得到的映射后的关系表示就是更有意义的具体的关系表示。
图3是本公开一个实施例中所述第一神经网络的训练流程示意图。如图3所示，所述第一神经网络的训练可以包括：
将所述初始关系表示输入所述第一神经网络得到映射后的关系表示；
根据所述映射后的关系表示和对应的已登录关系表示，确定所述第一神经网络的处理结果的损失；
向所述第一神经网络反向传播所述损失，以调整所述第一神经网络的网络参数。
其中，确定所述第一神经网络的处理结果的损失的损失函数，可以是均方误差损失函数。具体的损失函数的表达式如下：
其中，表示以均方误差定义的损失函数。
本公开一个实施例中，可以使用判别器指导训练过程。图4是本例中在判别器指导下的所述第一神经网络的训练流程示意图。如图4所示，本例中，可以训练一个判别器D(·)来区分“真实”的表示和“虚假”的表示。所谓“真实”的表示就是微调以后的已登录关系表示“虚假”的表示则是第一神经网络输出的映射后的关系表示G(eg)。G(·)就作为生成器。它试图生成一个和“真实”表示相近的表示/>对于从训练集采样的任意关系，生成器和判别器的目标函数LD和LG分别为：
LG＝-Er∈s[D(G(eg))]
其中，r表示任意一个关系，S和U分别代表已登录的关系和未登录的关系的集合。e(r)或者e代表r的嵌入表示。
图5是本公开在图3对应的实施例的基础上改进的所述第一神经网络的另一种实施例的训练流程图。
本例中，如图5所示，在图3对应的实施例的训练的基础上，所述第一神经网络的训练还可以包括：
根据所述第一神经网络对应的第一映射函数，构建所述第二神经网络，所述第二神经网络的映射函数是所述第一映射函数的反函数；
将映射后的关系表示输入所述第二神经网络，经所述第二神经网络处理得到重构关系表示；
根据所述重构关系表示和所述初始关系表示，确定所述第一神经网络的处理结果的损失；
向所述第一神经网络传播所述损失，以调整所述第一神经网络的网络参数。
本例中，使用一个另外的重构损失来增强第一神经网络Adapter。具体的，使用一个反置的Adapter记为G′(·)，把G(eg)映射回eg。引入这一反置训练的优点是：反置的adapter可以在整个关系空间上得到训练；另一方面，反置的映射可以作为正向映射的一个正则化约束。
本例中，对于反置的Adapter，可以简单第使用一个线性映射，可以采用均方误差重构其损失函数：
与之前的损失函数不同的是，该重构的损失函数是定义在已登录关系和未登录关系上的。
S4：对所述待检测关系进行处理，得到所述待检测关系对应的词级别表示。
其中，所述词级别表示是指将问句对应的待检测关系拆分成词，生成的关系对应的每个词的特征向量表示。
具体的，对所述待检测关系进行处理，得到所述待检测关系对应的词级别表示rw可以包括：
将所述待检测关系输入第三神经网络，经所述第三神经网络处理后输出所述待检测关系对应的词级别表示rw。
图6是本公开一个实施例所述第三神经网络的结构示意图。如图6所示，所述第三神经网络(全局表示层)词嵌入层和编码层。这两层和S1中对应的词嵌入层和浅层编码层是共享的。
S5：对所述映射后的关系表示进行处理，得到所述映射后的关系表示的全局级别表示。
其中，所述全局级别表示是指将问句对应的待检测关系作为一个整体，生成待检测关系对应的特征向量表示。
具体的，本公开一个实施例中，对所述映射后的关系表示进行处理，得到所述映射后的关系表示的全局级别表示rg可以包括：
将所述映射后的关系表示输入第四神经网络，经所述第四神经网络处理后输出所述映射后的关系表示的全局级别表示rg。
图7是本公开一个实施例所述第四神经网络的结构示意图。如图7所示，所述第四神经网络可以包括关系嵌入层和编码层，所述关系嵌入层通过预训练的向量表示进行初始化。所述编码层与S4中对应的编码层是共享的。
S6：对所述词级别表示和所述全局级别表示进行处理，得到最终关系表示。
具体的，可以将所述词级别表示和所述全局级别表示输入池化层，经最大池化后输出所述最终关系表示rf。
S7：根据所述最终关系表示rf和所述问句表示qf的相似度，确定所述待检测关系的检测结果。
本公开一个实施例中，根据所述最终关系表示和所述问句表示的相似度，确定所述待检测关系的检测结果可以包括：
将所述最终关系表示rf和所述问句表示qf输入第五神经网络，经所述第五神经网络处理后输出相似度检测结果；
根据所述相似度检测结果确定所述待检测关系是否作为所述问句表示qf对应的问句的输出。
本公开一个实施例中，所述第五神经网络的训练可以包括：
根据所述相似度检测结果和所述问句表示，确定所述第五神经网络的处理结果的损失；
向所述第五神经网络反向传播所述损失，以调整所述第五神经网络的网络参数。
其中，所述第五神经网络的损失可以采用合页损失，这一损失可以让所有负关系的得分和正关系的得分相差一定距离。具体的，所述第五神经网络的处理结果的损失可以包括采用下述损失函数确定：
其中，Lrd表示所述第五神经网络的处理结果的损失；
γ表示预定的最小分隔距离；
表示正关系的得分；
表示从剩下的关系集合中负采样得到的关系；
qf表示待检测关系对应的问句表示；
r表示待检测关系；
S表示已登录关系的集合；
s(·,·)表示计算余弦距离的函数。
图8示出本公开提供的一种知识库问答过程关系检测方法的一种实施例的数据处理流程图。为更好地说明本公开所述方法的具体数据处理流程，在此结合图8，对所述方法的完整执行过程进行进一步说明：
对应自然语言问句，可以通过问句表示层(第六神经网络)将自然语言问句压缩成问句表示qf。
针对待检测关系r，将其拆成词，通过词级别表示层(第三神经网络)处理得到关系r对应的词级别表示rw。
通过无监督学习得到待检测关系在知识库中的初始关系表示eg，通过映射层(映射函数G(·)，Adapter/第一神经网络)处理得到映射后的关系表示设计损失优化，使/>和G(eg)尽可能接近。然后将映射后的关系表示/>通过全局级别表示层(第四神经网络)处理得到全局级别表示rg。
通过将rg和rw输入池化层，处理得到最终关系表示rf。
将所述最终关系表示rf和所述问句表示qf输入第五神经网络，经所述第五神经网络处理后输出相似度检测结果；可以将相似度值最高的关系作为检测的输出。
基于上述各实施例提供的一种知识库问答过程关系检测方法的实施方式，可以利用已登录关系和未登录关系的联系，通过特定的处理，可以得到未登录关系的有意义的具体表示，基于所述具体表示对未登录关系进行识别检测，可以有效提高未登录关系检测的准确率。
而且，本公开所述各神经网络的训练可以不受训练集大小的制约，可以覆盖更多的关系，更易于扩展。同时，各神经网络的训练以已有训练数据为数据基础，无需额外标注新的训练数据。
本公开实施例还提出一种知识库问答过程关系检测装置，可以包括：处理器和用于存储处理器可执行指令的存储器；其中，所述处理器通过调用所述可执行指令实现本公开任一方法实施例，具体工作过程以及设置方式均可以参照本公开上述相应方法实施例的具体描述，限于篇幅，在此不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述任一方法实施例。计算机可读存储介质可以是非易失性计算机可读存储介质。
图9是根据一示例性实施例示出的一种用于执行上述各实施例所述的知识库问答过程关系检测方法的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图9，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理***，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图10是根据一示例性实施例示出的另一种用于执行上述各实施例所述的知识库问答过程关系检测方法的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图10，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (14)
1.一种知识库问答过程关系检测方法，其特征在于，所述方法包括：
获取问句表示和对应的待检测关系，所述待检测关系是未登录关系或已登录关系，所述未登录关系为知识库中未标注的关系，所述已登录关系为知识库中标注的关系；
根据所述待检测关系，得到所述待检测关系在知识库中的初始关系表示；
将所述初始关系表示映射至知识库问答空间的已登录关系表示，得到映射后的关系表示；
对所述待检测关系进行处理，得到所述待检测关系对应的词级别表示；
对所述映射后的关系表示进行处理，得到所述映射后的关系表示的全局级别表示；
对所述词级别表示和所述全局级别表示进行处理，得到最终关系表示；
根据所述最终关系表示和所述问句表示的相似度，确定所述待检测关系的检测结果；
其中，将所述关系表示映射知识库问答空间已登录关系表示，得到映射后的关系表示包括：
将所述初始关系表示输入第一神经网络，经所述第一神经网络处理后得到映射后的关系表示，所述第一神经网络是一层线性神经网络、一层非线性神经网络、二层非线性神经网络中的一种。
2.如权利要求1所述的一种知识库问答过程关系检测方法，其特征在于，所述第一神经网络的训练包括：
将所述初始关系表示输入所述第一神经网络得到映射后的关系表示；
根据所述映射后的关系表示和对应的已登录关系表示，确定所述第一神经网络的处理结果的损失；
向所述第一神经网络反向传播所述损失，以调整所述第一神经网络的网络参数。
3.如权利要求2所述的一种知识库问答过程关系检测方法，其特征在于，所述第一神经网络的训练还包括：
根据所述第一神经网络对应的第一映射函数，构建第二神经网络，所述第二神经网络的映射函数是所述第一映射函数的反函数；
将映射后的关系表示输入所述第二神经网络，经所述第二神经网络处理得到重构关系表示；
根据所述重构关系表示和所述初始关系表示，确定所述第一神经网络的处理结果的损失；
向所述第一神经网络传播所述损失，以调整所述第一神经网络的网络参数。
4.如权利要求1所述的一种知识库问答过程关系检测方法，其特征在于，对所述待检测关系进行处理，得到所述待检测关系对应的词级别表示包括：
将所述待检测关系输入第三神经网络，经所述第三神经网络处理后输出所述待检测关系对应的词级别表示。
5.如权利要求4所述的一种知识库问答过程关系检测方法，其特征在于，所述第三神经网络包括词嵌入层、编码层。
6.如权利要求5所述的一种知识库问答过程关系检测方法，其特征在于，对所述映射后的关系表示进行处理，得到所述映射后的关系表示的全局级别表示包括：
将所述映射后的关系表示输入第四神经网络，经所述第四神经网络处理后输出所述映射后的关系表示的全局级别表示。
7.如权利要求6所述的一种知识库问答过程关系检测方法，其特征在于，所述第四神经网络包括关系嵌入层和所述编码层，所述关系嵌入层通过预训练的向量表示进行初始化。
8.如权利要求1所述的一种知识库问答过程关系检测方法，其特征在于，根据所述最终关系表示和所述问句表示的相似度，确定所述待检测关系的检测结果包括：
将所述最终关系表示和所述问句表示输入第五神经网络，经所述第五神经网络处理后输出相似度检测结果；
根据所述相似度检测结果确定所述待检测关系是否作为所述问句表示对应的问句的输出。
9.如权利要求8所述的一种知识库问答过程关系检测方法，其特征在于，所述第五神经网络的训练包括：
根据所述相似度检测结果和所述问句表示，确定所述第五神经网络的处理结果的损失；
向所述第五神经网络反向传播所述损失，以调整所述第五神经网络的网络参数。
10.如权利要求9所述的一种知识库问答过程关系检测方法，其特征在于，所述第五神经网络的处理结果的损失包括采用下述损失函数确定：
其中，Lrd表示所述第五神经网络的处理结果的损失；
γ表示预定的最小分隔距离；
表示正关系的得分；
表示从剩下的关系集合中负采样得到的关系；
qf表示待检测关系对应的问句表示；
r表示待检测关系；
S表示已登录关系的集合；
s(·,·)表示计算余弦距离的函数。
11.如权利要求1、8、9中任一项所述的一种知识库问答过程关系检测方法，其特征在于，所述问句表示的获取方式包括：
将自然语言问句输入第六神经网络，经所述第六神经网络压缩处理后得到所述问句表示。
12.如权利要求11所述的一种知识库问答过程关系检测方法，其特征在于，所述第六神经网络包括词嵌入层、浅层编码层、深度编码层、残差块、池化层。
13.一种知识库问答过程关系检测装置，其特征在于，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过调用所述可执行指令实现如权利要求1至12中任意一项所述的方法。
14.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至12中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910422428.8A CN111984765B (zh) | 2019-05-21 | 2019-05-21 | 知识库问答过程关系检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910422428.8A CN111984765B (zh) | 2019-05-21 | 2019-05-21 | 知识库问答过程关系检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111984765A CN111984765A (zh) | 2020-11-24 |
| CN111984765B true CN111984765B (zh) | 2023-10-24 |
Family
ID=73435824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910422428.8A Active CN111984765B (zh) | 2019-05-21 | 2019-05-21 | 知识库问答过程关系检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111984765B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113449038B (zh) * | 2021-06-29 | 2024-04-26 | 东北大学 | 一种基于自编码器的矿山智能问答***及方法 |
| CN113468314B (zh) * | 2021-08-31 | 2022-02-08 | 阿里巴巴达摩院(杭州)科技有限公司 | 关系预测及问答方法、装置、电子设备及计算机存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009059323A (ja) * | 2007-09-04 | 2009-03-19 | Omron Corp | 知識生成システム |
| CN101566998A (zh) * | 2009-05-26 | 2009-10-28 | 华中师范大学 | 一种基于神经网络的中文问答*** |
| CN102567306A (zh) * | 2011-11-07 | 2012-07-11 | 苏州大学 | 一种不同语言间词汇相似度的获取方法及*** |
| CN105184307A (zh) * | 2015-07-27 | 2015-12-23 | 蚌埠医学院 | 一种医学领域图像语义相似度矩阵的生成方法 |
| US9348815B1 (en) * | 2013-06-28 | 2016-05-24 | Digital Reasoning Systems, Inc. | Systems and methods for construction, maintenance, and improvement of knowledge representations |
| CN109408804A (zh) * | 2018-09-03 | 2019-03-01 | 平安科技（深圳）有限公司 | 舆情分析方法、***、设备和存储介质 |
| CN109492666A (zh) * | 2018-09-30 | 2019-03-19 | 北京百卓网络技术有限公司 | 图像识别模型训练方法、装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10762297B2 (en) * | 2016-08-25 | 2020-09-01 | International Business Machines Corporation | Semantic hierarchical grouping of text fragments |
-
2019
- 2019-05-21 CN CN201910422428.8A patent/CN111984765B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009059323A (ja) * | 2007-09-04 | 2009-03-19 | Omron Corp | 知識生成システム |
| CN101566998A (zh) * | 2009-05-26 | 2009-10-28 | 华中师范大学 | 一种基于神经网络的中文问答*** |
| CN102567306A (zh) * | 2011-11-07 | 2012-07-11 | 苏州大学 | 一种不同语言间词汇相似度的获取方法及*** |
| US9348815B1 (en) * | 2013-06-28 | 2016-05-24 | Digital Reasoning Systems, Inc. | Systems and methods for construction, maintenance, and improvement of knowledge representations |
| CN105184307A (zh) * | 2015-07-27 | 2015-12-23 | 蚌埠医学院 | 一种医学领域图像语义相似度矩阵的生成方法 |
| CN109408804A (zh) * | 2018-09-03 | 2019-03-01 | 平安科技（深圳）有限公司 | 舆情分析方法、***、设备和存储介质 |
| CN109492666A (zh) * | 2018-09-30 | 2019-03-19 | 北京百卓网络技术有限公司 | 图像识别模型训练方法、装置及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| Peng Wu等.Learning representation mapping for relation detection in knowledge base question answering.《Computer and Language》.2019,1-10. * |
| 武鹏.表示映射及其在关系抽取和知识库问答的应用.《中国优秀硕士学位论文全文数据库 信息科技辑》.2019, I138-1510. * |
| 谢志文.基于深度学习的知识库问答技术研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2019,I138-5327. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111984765A (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445493B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111612070B (zh) | 基于场景图的图像描述生成方法及装置 | |
| US20220292265A1 (en) | Method for determining text similarity, storage medium and electronic device | |
| CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
| CN111242303B (zh) | 网络训练方法及装置、图像处理方法及装置 | |
| CN113792207B (zh) | 一种基于多层次特征表示对齐的跨模态检索方法 | |
| CN111524521A (zh) | 声纹提取模型训练方法和声纹识别方法、及其装置和介质 | |
| CN111539410B (zh) | 字符识别方法及装置、电子设备和存储介质 | |
| CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
| CN111582383B (zh) | 属性识别方法及装置、电子设备和存储介质 | |
| CN110633470A (zh) | 命名实体识别方法、装置及存储介质 | |
| CN109685041B (zh) | 图像分析方法及装置、电子设备和存储介质 | |
| CN110781813A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| CN112001364A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| CN116166843B (zh) | 基于细粒度感知的文本视频跨模态检索方法和装置 | |
| CN111984765B (zh) | 知识库问答过程关系检测方法及装置 | |
| CN110569329B (zh) | 数据处理方法及装置、电子设备和存储介质 | |
| CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
| CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
| CN112559673A (zh) | 语言处理模型的训练方法及装置、电子设备及存储介质 | |
| CN112002313B (zh) | 交互方法及装置、音箱、电子设备和存储介质 | |
| CN110070046B (zh) | 人脸图像识别方法及装置、电子设备和存储介质 | |
| CN111046780A (zh) | 神经网络训练及图像识别方法、装置、设备和存储介质 | |
| CN116484828A (zh) | 相似案情确定方法、装置、设备、介质和程序产品 | |
| CN110659625A (zh) | 物体识别网络的训练方法及装置、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |