CN1952928A - 建立自然语言知识库及其自动问答检索的计算机*** - Google Patents
建立自然语言知识库及其自动问答检索的计算机*** Download PDFInfo
- Publication number
- CN1952928A CN1952928A CN 200510100419 CN200510100419A CN1952928A CN 1952928 A CN1952928 A CN 1952928A CN 200510100419 CN200510100419 CN 200510100419 CN 200510100419 A CN200510100419 A CN 200510100419A CN 1952928 A CN1952928 A CN 1952928A
- Authority
- CN
- China
- Prior art keywords
- ere
- knowledge
- sentence
- semantic
- target
- 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.)
- Pending
Links
Images
Landscapes
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于HNC自然语言理解的知识库建立和自动问答检索***,是一种基于HNC自然语言处理技术,在HNC对自然语言处理的基础上,从语句中抽取ERE(Entity-Relation-Entity)知识,建立ERE知识库,并在ERE知识的基础上定义和建立以知识框架的形式描述知识的框架知识库。基于这两种知识库,***接受用户以自然语言方式提问的查询请求,通过对于疑问句的分析,目标ERE结构的抽取,待选篇章ERE的融合和推理演绎,面向目标ERE的相似度计算等处理后,返回给用户按照准确度降序排序的答案列表。本发明由于***接受用户以自然语言提问的查询请求,使得用户可以方便而且精确地定义自己的查询意图;本发明由于在语言的复杂形式之上抽取ERE的语义表达式,使得对于语义的处理能够脱离语言形式复杂性的麻烦。
Description
技术领域
本发明涉及一种计算机***,尤其涉及建立自然语言知识库及其自动问答检索的计算机***,基于HNC自然语言处理技术,通过对自然语言处理建立知识库,并接受以自然语言方式提问的查询请求,自动给出答案。
背景技术
目前人们用于查询信息的工具如查询软件,搜索引擎如***等,采用的主要是关键词匹配,网页链接分析,统计分析等技术在浩瀚的信息海洋中查找用户想要的内容。但是人们很难通过简单的关键词组合来准确定义自己的搜索意图,而且关键词匹配的搜索过程没有处理词意组合,语句内部的语义关系等语义因素。所以人们经常不得不花大量时间对数目巨大的结果网页列表再作人工辨识来寻找理想的答案。
所以一种使用自然语言定义搜索意图,由计算机直接给出自然语言的理想答案的查询软件将为人们节省大量的时间。
现有的自然语言处理技术将语句中的各个部分的语言学角色标注出来,这种语句和句群的标注对于知识的表示仍然保留着对于自然语言在形式上的依赖和自然语言形式的繁琐复杂,所以不利于建立一个高效,统一的知识处理的模型。
发明内容
本发明的目的在于建立一个高效,统一的知识处理的模型,生成一种建立自然语言知识库的计算机***,。
本发明公开的一种建立自然语言知识库的计算机***,通过对获取的各种篇章文本进行HNC自然语言处理的语句标注,还根据从所述HNC自然语言处理的语句标注中提取ERE知识表达式,建立ERE知识库;所述ERE知识表达式是包括E1、E2和R的三元组形式,其中R相当于一个逻辑谓词,表示E1与E2之间的语义关系;E1和E2可以表示任何语义元素,如语句、语义块、语义块的构成部分、词语的组合、词语、或者是另外一个ERE知识表达式;E1,E2可以是单个的语义元素,也可以是多个语义元素的组合。
本发明公开的一种建立自然语言知识库的计算机***,还根据从所述HNC自然语言处理的语句标注中建立的ERE知识库的基础上建立知识框架结构,按照框架知识库定义的要求建立框架知识库,求解得到框架知识库所要求的特定的ERE知识;所述知识框架结构以一类事物为描述中心,并定义了该类事物的属性(Slot)结构,每个Slot与描述中心之间,不同Slot之间的ERE语义关系,以及从ERE知识中抽取Slot的方式,所述框架知识库还定义了每个知识框架的Slot对应的目标ERE的特征和从目标ERE条目向Slot映射的方式。
本发明公开的一种建立自然语言知识库自动问答检索的计算机***,包括如下处理步骤:第一步,对疑问句进行分析获得包含目标答案要求的目标ERE结构;第二步:分析目标概念在待选篇章中的出现概率和待选篇章中含有目标概念的句群分布情况,对待选篇章含有目标概念的程度进行初步评价;第三步,发现篇章内部分散的可以通过指代、相同概念、语义块共享等方式融合的语义元素,并将相关的ERE做融合处理;第四步,通过综合计算篇章与目标ERE结构的相似程度,篇章内各个句群对于答案的回答程度得到篇章的综合得分;第五步,按照篇章的综合得分排序返回答案篇章的列表。
本发明公开的建立自然语言知识库自动问答检索的计算机***,在完成上述第一步以后执行下述步骤:第二步,通过对目标ERE结构的概念分析来判断可能含有目标答案的各种框架知识类型;第三步,通过目标ERE结构的ERE关系和概念与框架知识库的知识条目的概念匹配得到可能含有目标答案的知识条目,并从指定知识条目的指定Slot得到答案值;第四步,生成答案语句,返回用户。。
本发明专利与以往相类似技术相比,由于***接受用户以自然语言提问的查询请求,使得用户可以方便而且精确地定义自己的查询意图;由于***对查询的问句做问句分析,能够识别问句的语义关系和目标答案的要求;***在语言的复杂形式之上抽取ERE的语义表达式,使得对于语义的处理能够脱离语言形式复杂性的麻烦;***通过ERE知识的演绎推理方式来发现语义之间的蕴涵关系,使得***对于语言中隐知识的发现具有良好的可扩张性能;***通过篇章内部的ERE的融合来整体地把握一个篇章对于目标语义的综合表达,增强了对于语义处理的深度和广度;***通过ERE组合之间的相似度计算来匹配寻求目标答案,使得答案符合语义和知识的要求。
本发明建立自然语言知识库及其自动问答检索的计算机***通过HNC自然语言处理,ERE抽取,框架知识库知识建立三个层次对自然语言进行处理,使得信息逐步被结构化为知识,将计算机难以处理的自然语言信息逐步转换为能够灵活被计算机处理的知识库。由于本发明采用的ERE三元表达式的方式统一简洁的表达多样化的语言形式所蕴涵内容,不依赖于语言的外在表达形式,有利于设计高效的针对ERE结构的知识处理***。本发明基于ERE统一的知识表达模式,定义一系列各种语义情况下的蕴涵推导的产生式规则,从已有的语义ERE组合中推导得到新的语义ERE,从而加深计算机对于自然语言的语义的理解。本发明还提出了一种篇章内语义融合的技术,通过发现篇章内的相同概念,指代引用,语义块共享等语言现象所蕴涵的语义元素之间的等语义性质,将各个在篇章内部位置分散的语义ERE按照等语义元素进行融合,从而给出准确的答案。本发明通过对用户问句进行疑问句分析,目标ERE提取,对待选篇章的初步评价,在待选篇章中面向目标ERE结构的推导演绎和识别匹配,在框架知识库中对于目标ERE的求解分析,最终自动返回给用户符合语义、符合知识的答案。本发明通过统计目标概念在待选篇章的出现概率等方法,来初步评价各个待选篇章含有目标答案可能性,减小了计算量。
附图说明
本发明包括如下附图:
图1是篇章内相同概念融合处理方法示意图;
图2偏正类ERE与偏正类ERE语句比较流程图;
图3句类ERE与句类ERE之间的比较流程图;
图4基于框架知识库的自动问答流程图。
具体实施方法
下面结合附图对本发明做进一步详细说明。
本发明公开的技术方案是基于HNC自然语言理解的知识库建立和自动问答检索计算机***,自然语言是一种非结构化的信息形式,通过对其使用HNC技术进行自然语言处理,得到语句的句群,句类,语义块,语义块结构等标注信息。本发明在此自然语言处理的基础上使用ERE表达式来表达语义知识。在HNC句类分析结果的基础上抽取ERE知识,进而构建ERE知识库,定义和填充框架知识库。
先对ERE知识表达式和框架知识库说明。ERE(Entity-Relation-Entity)是一种三元组形式的知识表达方式,它的R相当于一个逻辑谓词,表示E1与E2之间的语义关系,由***定义其含义和运算性质。E1和E2可以表示任何语义元素,如语句,语义块,语义块构成部分,词语的组合,词语,或者是另外一个ERE,所以ERE可以通过嵌套组合的方式来表达语义。
E1,E2可以是单个的语义元素,也可以是多个语义元素按照与、或关系的组合。ERE之间具有向上继承的层次结构,子类ERE如果不声明某个属性的值,则将隐式地继承父类ERE对应的属性值,如果显式地声明了自己的属性,则将以自己的属性值覆盖掉父类ERE的对应属性。ERE的结构定义举例如下表:
ERE名称: | ModifyERE(偏正关系) |
父类ERE | RootERE |
E1说明 | 偏正语,表示对于某种属性的偏正,如颜色,形状,性质,状态等的偏正。 |
R说明 | 偏正关系,ModifyERE有子类表示对于E2的某个特定属性的偏正。 |
E2说明 | 被偏正的entity,可以是另外一个ERE,或者ERE的组合。 |
整个ERE的意义描述: | ModifyERE表示了E1所表示的属性特性对于E2的偏正。 |
ERE抽取来源的结构特征描述 | ModifyERE抽取来源于偏正关系的语言结构,以“的”141概念为特征的偏正关系。偏正关系的偏正词语为u,x,z等类型的概念,被偏正语为p,w,g等类型概念。 |
ERE抽取映射的规则 | 语义结构的偏正关系中偏正语对应E1,被偏正语(核心语)对应E2。 |
相关的ERE推导规则 |
从HNC句类分析结果中抽取ERE知识的处理过程包括:首先获取网上或其他内容源的篇章文本,再进行HNC自然语言处理的语句标注;从HNC句类处理结果中抽取ERE知识;应用ERE推理演绎规则,推理出新的隐含ERE知识,ERE推理规则在一个基于规则(Rule Based)推理机***上运行;***应用ERE推理演绎推理出新的隐含ERE知识,或者和不同的表达形式。
从HNC句类处理结果中抽取ERE知识包括:
句类ERE的抽取方法:
句类按照组合结构分为基本句类,混合句类,复合句类。
对于基本句类,按照***定义的句类与ERE关系抽取。
对于混合句类,分别取两个句类的各自对应的语义块构造两个句类ERE。
如:混合句类XP01*211J=A+XP01+PBC
将抽取得到两个句类ERE:<A X NULL>,<NULL P01 PBC>
对于复合句类,分别取两个句类的对应部分语义块构造各自的句类ERE,如果复合句类两个句类间共享语义块,那该语义块也将被两个句类ERE共享。
如:复合句类:(T2b+Y0)*1J
T2bJ=TA+T2b+TB2
Y0J=YB+Y0+YC
将抽取得到两个句类ERE:<TA T2b TB2>,<YB Y02 YC>其中第二个ERE共享第一个ERE的第一个语义块。
主辅语义块关系ERE抽取:
按照辅语义块的类别,***定义了手段,工具,途径,条件,参照,因果几种辅块及其子类偏正主块的偏正类ERE。按照句类分析结果对应抽取。
词语概念搭配ERE抽取方法:
词语概念搭配关系有偏正类ERE,逻辑组合类ERE。
对于偏正类ERE,***定义了偏正类ERE的若干子类,按照句类分析结果对应地抽取偏正类ERE。
逻辑组合类ERE有与、或关系和其他逻辑类概念(1类概念)所对应的逻辑组合ERE知识表达式。
HNC类ERE:
***定义了作用者,对象,内容,指代,句蜕,块扩及其子类几种HNC类ERE,按照句类分析结果抽取ERE。
ERE的推理有如下几类:
句类ERE之间的推理规则:
句类ERE之间的推理规则定义了从一个句类ERE知识推导出隐含的另外一个句类ERE知识的方法。这类规则适用与该句类的所有语句的语义推导。
按照推导特性进行动词(LV类概念)分组的句类ERE的推理规则:
某些动词具有相同的语义蕴涵特性,***将这类动词按照语义蕴涵推导特性进行分组,分组后该组的推理规则的定义与句类ERE的推理规则定义相同。
句类ERE向偏正类ERE的推理演绎:
句类ERE向偏正类ERE的转换的主要目的是为了实现句类ERE与偏正类ERE以及词语概念的直接比较,以计算语义相似度。
就如语句都可以表现为一个要素句蜕的形式,句类ERE都可以转换为相近语义的偏正类ERE(或ERE组合)。
如语句:超音速协和飞机提高了人们的旅行速度。
句类ERE:<A X B>
可以转换为偏正类ERE:
<<A作用者对象B>偏正X>:超音速协和飞机将人们的旅行速度的提高。
作用者对象ERE是HNC类ERE的一种,表示E1,E2是同一个V概念的作用者与对象的关系。
ERE知识库建立包括***将抽取的ERE条目记录在数据库之中,可以方便地按照ERE类别,来源的篇章,E1,R,E2的概念建立各种索引。ERE条目将记录E1,R,E2与其所对应的语句部分的引用,和ERE条目来源的篇章,语句标识ID的引用。
首先需要进行疑问句分析,将得到一个包含疑问中心要求的目标ERE结构。包括如下步骤:对疑问句的HNC句类分析;对疑问句的疑问中心的分析和对疑问句的ERE结构的抽取。
疑问句的HNC句类分析使用HNC句类分析方法,疑问句的ERE结构抽取的方法与从HNC句类分析结构中抽取ERE知识相同。
疑问句的疑问中心的分析:不同的疑问词所引导的疑问句结构对目标答案具有不同的要求,为了便于针对分析,***定义了两个概念:疑问中心,疑问中心词。疑问中心词是指疑问句中疑问词所引导和偏正的词语。如问句:他去了什么地方?其疑问中心词为地方;疑问中心是指疑问词和疑问中心词所组成的结构。如问句:他去了什么地方?疑问中心为什么地方。***通过对疑问中心和疑问中心词的分析来得到目标答案的概念和所要求的语义结构,并以此与待选句的对应结构匹配比较,作为计算待选句答案准确度的一个重要因素。
有关疑问句分析如下表:
疑问词 | 频率 | 典型结构 | 疑问中心,目标答案描述 |
什么谁多少多,[多么]哪哪里为什么怎样,怎么,如何 | 913214166112581051535 | [陈述表达J][是j111]什么[类别,国家,时候,内容等]?[偏正语][的h$141,h$ug][人p类概念][是j111]谁?[偏正语][数量属性概念:长,高,速度][有,是j111]多少[数量单位概念zz]?[偏正语][Jkn][有,是j111]多[属性概念:长,高,大,久,快等u]?哪[量词zz][p,pe,w,pw,jw类概念,或静态g,效应r概念,或类别概念][陈述表达J]?哪[些][具有类别意义的概念]?[陈述表达J][在v50001]哪里?[为什么][陈述表达J]?[怎样,怎么,如何][陈述表达J]? | 疑问词“什么”和疑问中心词[类别,国家,时候,内容等]充当句子的JK。表达对其所替代的语义块的疑问。目标答案:与疑问中心词符合概念相似度要求。“谁”在句中充当一个JK,目标答案:p,pe疑问词“多少”代替数量的偏正,表示对数量的疑问。目标答案:数j3疑问词“多”替代数量描述对疑问中心词进行偏正,表示对数量,程度的疑问。目标答案:数j3,或表示量的概念。j41,jzu41且目标答案的数量单位概念需要和疑问中心的要求相对应。疑问词“哪”和所偏正的疑问中心词组合常充当问句的一个JK。目标答案:“哪”所引导的疑问中心词通常表示一个概念范围,一个类别的概念,目标答案通常是具体概念,专有名词等。“哪些”是个特殊的疑问词,其要求的答案不是一个,而是符合要求的多个答案。疑问中心充当地点辅块FK,目标答案:概念类型为wj2类概念。疑问词“为什么”在句中替代对于E块的原因,目的等的偏正,表示对于原因Pr,目的Rt的疑问。目标答案:与问句具有相对应的语义关系结构的语义部分。表示对于手段Ms,途径Wy,工具In,条件Cn等偏正E块的疑问。目标答案:与问句具有相对应的语义关系结构的语义部分。 |
对于疑问句的ERE结构应用推理演绎规则,得到一组新的目标ERE结构。
应用推理演绎规则推导出新的等语义的疑问句目标ERE结构的过程中,所应用的推理演绎规则必须是符合对称性要求的。也即推导出的新的ERE结构是与疑问句的ERE结构是具有相同语义,不同形式的ERE,而不是蕴涵的新ERE知识。
然后对篇章内相同概念融合处理,如图1是融合处理的示意图。融合的过程就是使用目标概念A替换篇章内部这些具有相同的语义表示的ERE语义元素,处理过程包括:发现以指代,语义块共享,不同位置的相同词语概念等方式的相同概念。将与此相同的概念所相关的ERE都使用目标概念来替换这个相同概念。
在融合的基础上再做面向目标ERE结构的推理演绎分析。方法如下:从待选篇章融合的关于目标概念的ERE结构中不断向前推演,直到推理的过程不能够产生新的ERE知识时停止。推理方法与ERE抽取过程中的推理相同。
然后在在融合并推理演绎的ERE结果中寻找匹配与目标ERE结构相同、相似的ERE结构,并计算待选ERE与目标ERE之间的相似度。ERE(组合)之间的相似度计算方法如下:
自动问答过程中的ERE相似度比较,将目标ERE(组合)作为比较目标,通过计算比较待选ERE(组合)与目标ERE组合之间的差异来得到待选ERE(组合)相对于目标ERE(组合)之间的相似度。进行相似度计算的语义ERE有两种,偏正类ERE和句类ERE。单个ERE相互比较的方式有:偏正类ERE与偏正类ERE的比较,句类ERE与句类ERE之间的比较,句类ERE与偏正类ERE之间的比较。以下分别论述之:
偏正类ERE与偏正类ERE的比较流程如图2。计算方法如下:
simLean(t,b)=recur(simConp(tCore,bCore)*βcore+simConp(tLean,bLean)*βlean)
simLean:偏正类ERE的相似度。
t:目标ERE。
b:待选ERE。
recur:递归计算嵌套偏正ERE的函数。
βcore:该偏正类ERE的核心部分的权重参数。
βlean:该偏正类ERE的偏正部分的权重参数。
simConp:b相对于的概念相似度。
句类ERE与偏正类ERE之间的比较。在进行句类ERE与句类ERE之间的比较的时候,当其中一方的某个语义块由句蜕、块扩等句类ERE嵌套充当时,就需要进行句类ERE与偏正类ERE的比较。由于从句类ERE转换而来的偏正ERE的语义和结构都不同于普通的偏正ERE,所以***将这些偏正ERE统称为广义偏正ERE。***从作用者、对象、内容和E块组合交叉的角度定义了句类ERE向广义偏正类ERE转换的规则。这些作用者、对象、内容和E块之间关系的ERE也归类于广义偏正类ERE的原因是这类ERE都可以使用“XX的XX”的偏正语言形式来表达。如:她打我。
<A X B>
对应规则可以转换为:
<<E EObject B> subjectIs A>
打我的她。
转换以后的比较方法与偏正ERE之间的比较方法相同。
句类ERE与句类ERE之间的比较。
每个HNC句类表达式都可以转换为一个(或一组)的句类ERE表达式,句类ERE之间的比较流程图如图3,其过程是:
E块的上装按照其语义作用可以分类为:
基本判断逻辑修饰。
语言逻辑修饰。
时态修饰。
空间或效应的说明。
属性修饰。
E块的下装按照其语义作用分类有:
时态修饰。
效应和空间的说明。
属性修饰。
两个E块的上装之间,下装之间,以及上装和下装之间的可比性由二者的语义作用类别是否相同来判断。
E块的Ek的组合构成情况有:
Ek=E
Ek=EQ+EH
Ek=EQ+E
Ek=E+EH
对于组合结构的E块,比较的原则是,将EQ与EQ比较,E与E比较,EH与EH比较。对于EQ+EH的组合方式与带有E的Ek组合方式的比较,如果EQ+EH是动静搭配,则将动部分与E比较。
句类ERE中的R部分(对应HNC句类分析的E块)的相似度计算方法如下:simE(t,b)=(∑simUD(t,b)*βud-∑difUD(t,b)*βud)+(∑simEk(t,b)*βek-∑difEk(t,b)*βek)simE:两个E块之间的相似度比较方法如下:
t:目标E块。
b:待选E块。
simUD:E块上装或下装之间的相似度比较计算函数。
βud:上装或下装的权重参数。
difUD:E块上装或下装之间的差异计算函数。
simEk:Ek的相似度计算函数。
βek:Ek各个组成部分的权重参数。
dif:k的差异计算函数。
句类ERE的计算方法如下:
simSERE(t,b)=simE(t,b)+∑simC(t,b)*βc
simSERE:两个句类ERE的相似度。
t:目标句类ERE。
b:待选句类ERE。
simC:广义对象语义块之间的相似度,由偏正类ERE相似度simLean(t,b)计算得到。
βc:该语义块的权重参数。
下一步计算篇章内各个句群对于答案的回答程度,计算篇章与目标ERE结构的相似程度,篇章整体对于目标答案的回答程度。通过综合计算篇章与目标ERE结构的相似程度与篇章整体对于目标答案的回答程度能够得到篇章的综合得分。
synAtc(t,b)=syn(∑simERE(t,b)*βere,satfAns(t,b),quaAtc)
synAtc:一个篇章的对于疑问句目标ERE结构的综合得分。
t:疑问句目标ERE结构。
b:待选篇章。
syn:综合计算篇章得分函数。
simERE:各个待选ERE相对于对应的目标ERE的相似度,如句类ERE,偏正类语义块ERE的计算结果。
βere:该ERE的权重参数。
satfAns:篇章内ERE组合对于目标答案的回答程度。
quaAtc:篇章内目标概念分布质量的初步评价。
最后按照篇章的综合得分降序排列返回给用户答案篇章的列表,并在每个篇章链接下显示该篇章对于答案回答程度较高的几个句群。
对选篇章含有目标答案程度的初步评价的步骤为:
在疑问句所有的词语概念中去除1语言逻辑类概念,保留其他概念作为目标概念。
查找目标概念在待选篇章的出现概率和在语句中的分布情况。
评价每个含有目标概念的句群。
此处含有目标概念的句群的定义为:前后紧邻的含有目标概念的语句集合。
quaSC=tgtSC/tTgt*βs+βf
quaSC:句群含有目标概念分布情况的质量。
tgtSC:含有目标概念的个数。
tTgt:目标概念总个数。
βs:由该句群语句数目得到的参数。
βf:由该句群出现的目标概念的总次数得到的参数。
分析位置分散的含有目标概念的句群通过指代方式融合的可能性。
proSC=(quaSC1+quaSC2)*p(distS)
proSC:两个含有目标概念的句群通过指代方式互相引用具有可能性,proSC表示这种可能性对于篇章含有目标答案的质量的增益。
p:通过统计得到的相互间隔的句群通过指代相互引用的可能性计算函数。
distS:两个含有目标概念的句群之间所间隔的语句的数目。
综合评价篇章的目标概念分布。
quaAtc=[∑(quaSC)+∑(proSC)]*dTgt(tgtS,tS)
quaAtc:篇章含有目标答案的质量。
dTgt:篇章内部的目标概念密度计算函数。
tgtS:含有目标概念的语句数。
tS:篇章总共的语句数。
按照篇章质量排序。
框架知识结构定义一类事物的属性列表,将该事物称为描述中心,该事物的属性表示为Slot。Slot的类型方式有:单值结构、组合结构、列举结构、嵌套框架结构和复合结构。
单值结构就是一个Slot简单地对应着一个属性的值;组合结构指Slot对应多个值的组合;列举结构指Slot对应着一个相同的值结构的队列;嵌套框架结构指一个Slot的值由另外一个知识框架来表示;复合结构指Slot的值由以上四种结构混和组合而成。
知识框架定义了每个Slot与描述中心之间,不同Slot之间的ERE语义关系。知识框架定义举例如下表:
知识框架名称 | 人物 | ||||
Slot定义列表 | Slot名称 | Slot的结构定义: | Slot抽取识别规则 | ERE知识源向SLOT映射的规则 | 与描述中心,其他Slot的关系的ERE表示。 |
姓名 | 组合结构姓: 名 | 符合姓名识别特征 | |||
民族 | 单值结构民族 | Pj52类概念 | |||
教育经历 | 复合结构1.起始时间 结束时间 学校 学位 2.起始时间 结束时间 学校 学 | 表示描述中心(人物)教育经历的语句。 |
位 (学位是另一个框架知识结构) |
基于框架知识库的自动问答处理过程为:
疑问句分析。
疑问句分析包括如下步骤:
对疑问句的HNC句类分析。
对疑问句的疑问中心的分析。
对疑问句的ERE结构的抽取。
疑问句的分析结构将得到一个包含疑问中心要求的目标ERE结构。
对于疑问句的ERE结构应用推理演绎规则,得到一组新的等语义的目标ERE结构。
通过对目标ERE结构的概念分析来判断可能含有目标答案的框架知识类型。
要求目标概念必要与知识框架的描述中心具有类属关系。
通过目标ERE与知识框架内部Slot之间的ERE关系类别匹配来判断可能含有目标答案的框架知识的SLOT。
通过将知识框架的SLOT的ERE关系做面向目标ERE结构的的演绎推理来寻求目标ERE结构。
通过目标ERE结构的概念与框架知识库的知识条目的概念匹配得到可能含有目标答案的知识条目。
从指定知识条目的指定SLOT得到答案值。
生成答案语句,返回用户。
本发明采用了一系列技术来解决基于自然语言理解技术的知识库建立和自动问答中遇到的问题:
将自然语言表达为形式化知识。本发明采用了一种ERE三元表达式的方式来表达自然语言的语义知识。单个的ERE表达式和ERE组合具有强大的语义表达能力,且能够方便地从HNC的句类分析结果中抽取映射而得到语句的ERE语义表达式。ERE表达式不依赖于语言的外在表达形式,而使用统一简洁的方式表达多样化的语言形式所蕴涵内在语义。ERE以及ERE组合是一种统一的语义表达结构,有利于设计高效的针对ERE结构的知识处理***。
语义知识之间的相互蕴涵推导。人脑理解语言的时候,能够很习惯地认识到一个语义当然地蕴涵着另外一个语义,比如语句:他那天下午坐火车到达了上海。其蕴涵的语义有:他那天下午的空间位置是在上海。基于ERE统一的知识表达模式,***可以定义一系列各种语义情况下的蕴涵推导的产生式规则,从已有的语义ERE组合中推导得到新的语义ERE。从而加深计算机对于自然语言的语义的理解。
篇章内ERE知识的融合。一个篇章对于某事物的描述的内容往往分布于篇章的各个部分,比如在开头段落说明该事物的时间,间隔数段落后交待了它的其他特性。人们可以综合地理解篇章的各个部分对于该事物所表达的语义。本发明提出了一种篇章内语义融合的技术,通过发现篇章内的相同概念,指代引用,语义块共享等语言现象所蕴涵的语义元素之间的等语义性质,将各个在篇章内部位置分散的语义ERE按照等语义元素进行融合。
自动回答用户以自然语言提出的问题。信息查询用户希望使用更自然,更准确的方式定义自己的查询要求,希望能够得到在语义,知识层面上准确地符合查询意图的答案,而不仅是匹配到关键词的答案列表。本发明通过对用户问句进行疑问句分析,目标ERE提取,对待选篇章的初步评价,在待选篇章中面向目标ERE结构的推导演绎和识别匹配,在框架知识库中对于目标ERE的求解分析,最终返回给用户符合语义,符合知识的答案。
待选篇章含有目标答案程度的初步评价。由于对一个篇章做面向目标ERE结构的推导演绎和识别匹配的过程计算量比较大的,所以***通过对待选篇章的一次初步评价处理来得到一个按照含有目标答案可能性排序的篇章序列,以针对最有可能含有目标答案的篇章做深入的语义分析。本发明通过统计目标概念在待选篇章的出现概率,分析含有目标概念的句群情况,分散的目标概念通过指代、相同概念、语义块共享等方式融合的可能性,来初步评价各个待选篇章含有目标答案可能性。
ERE结构之间的识别匹配。***使用ERE表达式来表达知识,所以自动问答过程中对于目标知识寻找的过程就是ERE结构之间的识别匹配的过程,本发明对各种不同的ERE采用符合语义要求的不同的匹配计算方式,对于不同的语言结构部分采用不同的计算方式,对于各种嵌套组合的ERE结构提出了计算处理的方法,从而计算待选ERE结构与目标ERE结构之间的语义相似度。
句类ERE向偏正类ERE的转换和比较。在ERE的匹配过程中,按照语义结构的类别可以分为句类ERE和偏正类ERE。所以当需要将句类ERE与偏正类ERE进行语义相似度比较的时候,需要将二者转换为相同的结构形式以便于比较,本发明提出了一种将句类ERE转换为偏正类ERE的方法,通过定义各种句类ERE向偏正类ERE转换的可否性,和转换的方式,将句类ERE转换为一个或者一组ERE结构。所以偏正类ERE可以通过部分地或整体地与句类ERE进行匹配计算得到偏正类ERE与句类ERE之间的语义相似度。
基于框架知识库中寻求目标答案的问题。框架知识库是一种更加结构化的知识表达模型,相比ERE库松散的知识表达结构其从各个角度描述某类事物的知识。***通过定义框架知识库的描述中心和知识框架中各个槽(Slot)之间的ERE关系来表述知识框架的语义结构。在基于框架知识库的自动问答的过程中,***通过匹配知识目标ERE结构与框架知识库内部的ERE关系来寻求目标答案。
本***的自然语言处理方法如下:
1.1.1概念层次网络语言层面知识库的表述步骤如下:
1.1.1.1将语句按语义划分成7个基本句类,作用句,过程句,转移句,效应句,关系句,状态句,判断句;根据语义块与句类的依赖性强弱,将语义块分为主语义块和辅语义块,其中辅语义块包括:条件,手段,工具,途径,参照,因,果;从其共性特征将主语义块分成:特征语义块,作用者,对象,内容:建立语义块的一般物理表示式:SK=个性+共性=句类信息+语义块类型信息;当句子的特征语义块包含两个基本句类的特征时,构成混合句;当句子中用两个或多个特征语义块表述两个或多个基本句类的特征时,构成复合句类;以符号的形式将上述信息表达出来,形成知识库。
1.1.1.2对于知识库中的词汇,如果它的概念类别含V,根据它本身的语义知识确定它对应的节点作用句Φ0,过程句Φ1,转移句Φ2,效应句Φ3,关系句Φ4和状态句Φ5以及一般判断句子类Φ8与判断句的其他子类jl1中为代表的主要内容,根据对应情况确定词汇属于7个基本句类的哪一种;在对应57个子类中的句类代码;如果该词语的语义只是主要内容包括两个对应的前述节点,则按混合句类处理,混和句类的代码约定为,以构成混合句类两个基本句类中第一个语义块开始,K表示非E语义块的总个数,n表示从第二个基本句类E2中取出的语义块的起始序号,当n=m+1时,n可以不写,对引起复合句类的词汇,以形成复合句类的两个基本句类的代码E1与E2中间加*号,填写句类信息:在分析时,可以根据E1和E2的指示,从概念层面句类表示式知识库中取出两个句类的格式知识。
1.1.1.3当句类代码有效时,根据(1.2.1.2)中的句类代码,具体确定句类属于两块句,三块句及四块句:具体确定办法如下:语句的一般数学表达式可写成:
第一号广义对象语义块JK后接句子的特征语义块,再后接第二个广义对象语义块,再后接第三个广义对象语义块,其余广义对象语义块顺序列出:
表示式中并未限定广义对象语义块JK的个数,但对于基本句类,实际的自然语言只需要考虑JK个数为1,2,3的情况,它们分别相应于两主块句,三主块句,和四主块句:
对于四主块句,JK2一定以对象B为主体,JK3一定以内容C为主体,对于三主块句,B或C都可以充当JK的主体:对于两主块句,可以没有E,但这时JK2必须以C为主体,根据该词语组句时主语义块经常采用的叙述顺序确定其具体的格式代码;以代码的形式给出该词组成句子时经常采用的格式:当有多个格式的时候,用[1][2]......的形式标号,以便在下面各项中对应表示不同格式的不同情况:如组成句子时经常采用标准格式和规范格式,该项可以不填。
1.1.1.4当句类代码有效时,该词语按照(b)中句类代码组句时,如果该词语与广义对象语义块之间有预期关系,即该词语要求特定的概念来充当它的某个广义对象语义块,则将这个特定的,优先与该词语搭配的概念按F=∑(字母串)(数字串)所叙的方法给出:这种预期,包括对广义对象语义块结构中的某个成分的预期:这时,首先对语义块的构成信息进行描述,然后给出对应成分的优先概念,语义块的构成知识及各构成部分的优先概念单位中以@S代表,JK语义块的构成知识,用=和+填写在这一项中:各部分的优先概念知识,用:表示,也填写在这一项中:如果v概念构成的句子经常要求一个句子成为其中的语义块,如果词汇有这个知识,就在知识库中此项以JK=J和JK:=J分别表示某一语义块JK必须扩展成为句子或可能扩展成为句子:约定见(vi)。
一个语义块或语义块的构成部分可以从内涵上分成对象B和内容C两个部分,也可以从形式上分成前Q,后H的两部分:对于这种构成属于约定,无需在显式第写出表达式,只勖在这个语义块或构成部分后加上上述四各字母B,C,Q,H给出其优先概念,就表示这种构成存在,同时说明这部分的优先概念。
1.1.1.5如果(iv)中描述的广义对象语义块组成结构中的一部分与其他部分不是紧接在一起,而是分别出现在语句的两个分开的位置上,对这种情况在语义块构成中进行表示,分别以[]和()表示语义块可能分离和语义块一定分离出去的部分
1.1.1.6当句类代码有效时,同时按照给出的句类代码组句时,要求一个句子充当它的某一广义对象语义块,对这一情况进行指示,即给出该词汇引发的某些语义块扩展为语句的知识,
1.1.2确定句类分析的具体步骤如下:
1.1.2.1对输入的句子,进行词库匹配,切分出句子中遇到的词,从知识库中取得这些词汇的语义知识:
1.1.2.2根据概念类别信息的指示,以语义块区分指示符10类概念和动词v概念为依据,形成语义块雏形,形成E假设:
1.1.2.3如果未能形成E假设,转向(1.2.2.9);否则继续;
1.1.2.4对全部E假设进行筛选合排队,主要利用信息为:句类代码,格式代码。
1.1.2.5按照入选E假设的排序,依次进行句类检验;主要利用信息为:语义块核心的概念优选性知识:如果全部检验失败,转向(1.2.2.10);否则继续;
1.1.2.6进行语义块构成检验;主要利用的信息为:语义块构成知识和构成语义块各部分优先概念的知识,如果全部检验失败,转向(1.2.2.10);否则继续;
1.1.2.7在必要时进行语义块分离检验,主要利用的信息为:词汇引发的句类转换知识。
1.1.2.8进行无E语义块句类检验:如果失败继续,否则转向(1.2.2.10):
1.1.2.9重新做E假设,成功转向(1.2.2.4)。
1.1.2.10记录最终分析结果。
本***的自然语言处理方法如下:
1.1.3概念层次网络语言层面知识库的表述步骤如下:
1.1.3.1将语句按语义划分成7个基本句类,作用句,过程句,转移句,效应句,关系句,状态句,判断句;根据语义块与句类的依赖性强弱,将语义块分为主语义块和辅语义块,其中辅语义块包括:条件,手段,工具,途径,参照,因,果;从其共性特征将主语义块分成:特征语义块,作用者,对象,内容:建立语义块的一般物理表示式:SK=个性+共性=句类信息+语义块类型信息;当句子的特征语义块包含两个基本句类的特征时,构成混合句;当句子中用两个或多个特征语义块表述两个或多个基本句类的特征时,构成复合句类;以符号的形式将上述信息表达出来,形成知识库。
1.1.3.2对于知识库中的词汇,如果它的概念类别含V,根据它本身的语义知识确定它对应的节点作用句Φ0,过程句Φ1,转移句Φ2,效应句Φ3,关系句Φ4和状态句Φ5以及一般判断句子类Φ8与判断句的其他子类jl1中为代表的主要内容,根据对应情况确定词汇属于7个基本句类的哪一种;在对应57个子类中的句类代码;如果该词语的语义只是主要内容包括两个对应的前述节点,则按混合句类处理,混和句类的代码约定为,以构成混合句类两个基本句类中第一个语义块开始,K表示非E语义块的总个数,n表示从第二个基本句类E2中取出的语义块的起始序号,当n=m+1时,n可以不写,对引起复合句类的词汇,以形成复合句类的两个基本句类的代码E1与E2中间加*号,填写句类信息:在分析时,可以根据E1和E2的指示,从概念层面句类表示式知识库中取出两个句类的格式知识。
1.1.3.3当句类代码有效时,根据(1.2.1.2)中的句类代码,具体确定句类属于两块句,三块句及四块句:具体确定办法如下:语句的一般数学表达式可写成:
第一号广义对象语义块JK后接句子的特征语义块,再后接第二个广义对象语义块,再后接第三个广义对象语义块,其余广义对象语义块顺序列出:
表示式中并未限定广义对象语义块JK的个数,但对于基本句类,实际的自然语言只需要考虑JK个数为1,2,3的情况,它们分别相应于两主块句,三主块句,和四主块句:
对于四主块句,JK2一定以对象B为主体,JK3一定以内容C为主体,对于三主块句,B或C都可以充当JK的主体:对于两主块句,可以没有E,但这时JK2必须以C为主体,根据该词语组句时主语义块经常采用的叙述顺序确定其具体的格式代码;以代码的形式给出该词组成句子时经常采用的格式:当有多个格式的时候,用[1][2]......的形式标号,以便在下面各项中对应表示不同格式的不同情况:如组成句子时经常采用标准格式和规范格式,该项可以不填。
1.1.3.4当句类代码有效时,该词语按照(b)中句类代码组句时,如果该词语与广义对象语义块之间有预期关系,即该词语要求特定的概念来充当它的某个广义对象语义块,则将这个特定的,优先与该词语搭配的概念按F=∑(字母串)(数字串)所叙的方法给出:这种预期,包括对广义对象语义块结构中的某个成分的预期:这时,首先对语义块的构成信息进行描述,然后给出对应成分的优先概念,语义块的构成知识及各构成部分的优先概念单位中以@S代表,JK语义块的构成知识,用=和+填写在这一项中:各部分的优先概念知识,用:表示,也填写在这一项中:如果v概念构成的句子经常要求一个句子成为其中的语义块,如果词汇有这个知识,就在知识库中此项以JK=J和JK:=J分别表示某一语义块JK必须扩展成为句子或可能扩展成为句子:约定见(vi)。
一个语义块或语义块的构成部分可以从内涵上分成对象B和内容C两个部分,也可以从形式上分成前Q,后H的两部分:对于这种构成属于约定,无需在显式第写出表达式,只勖在这个语义块或构成部分后加上上述四各字母B,C,Q,H给出其优先概念,就表示这种构成存在,同时说明这部分的优先概念。
1.1.3.5如果(iv)中描述的广义对象语义块组成结构中的一部分与其他部分不是紧接在一起,而是分别出现在语句的两个分开的位置上,对这种情况在语义块构成中进行表示,分别以[]和()表示语义块可能分离和语义块一定分离出去的部分
1.1.3.6当句类代码有效时,同时按照给出的句类代码组句时,要求一个句子充当它的某一广义对象语义块,对这一情况进行指示,即给出该词汇引发的某些语义块扩展为语句的知识,
1.1.4确定句类分析的具体步骤如下:
1.1.4.1对输入的句子,进行词库匹配,切分出句子中遇到的词,从知识库中取得这些词汇的语义知识:
1.1.4.2根据概念类别信息的指示,以语义块区分指示符10类概念和动词v概念为依据,形成语义块雏形,形成E假设:
1.1.4.3如果未能形成E假设,转向(1.2.2.9);否则继续;
1.1.4.4对全部E假设进行筛选合排队,主要利用信息为:句类代码,格式代码。
1.1.4.5按照入选E假设的排序,依次进行句类检验;主要利用信息为:语义块核心的概念优选性知识:如果全部检验失败,转向(1.2.2.10);否则继续;
1.1.4.6进行语义块构成检验;主要利用的信息为:语义块构成知识和构成语义块各部分优先概念的知识,如果全部检验失败,转向(1.2.2.10);否则继续;
1.1.4.7在必要时进行语义块分离检验,主要利用的信息为:词汇引发的句类转换知识。
1.1.4.8进行无E语义块句类检验:如果失败继续,否则转向(1.2.2.10):
1.1.4.9重新做E假设,成功转向(1.2.2.4)。
1.1.4.10记录最终分析结果。
Claims (10)
1.一种建立自然语言知识库的计算机***,通过对获取的各种篇章文本进行HNC自然语言处理的语句标注,其特征在于,还根据从所述HNC自然语言处理的语句标注中提取ERE知识表达式,建立ERE知识库;所述ERE知识表达式是包括E1、E2和R的三元组形式,其中R相当于一个逻辑谓词,表示E1与E2之间的语义关系;E1和E2可以表示任何语义元素,如语句、语义块、语义块的构成部分、词语的组合、词语、或者是另外一个ERE知识表达式;E1,E2可以是单个的语义元素,也可以是多个语义元素的组合。
2.根据权利要求1所述的建立然语言知识库的计算机***,其特征在于,所述根据HNC自然语言处理的语句标注中提取ERE知识表达式,包括抽取句类ERE;抽取辅块与主块关系的ERE;和抽取语义块内部各个词语概念之间关系的ERE,通过记录所述ERE知识表达式的E1,R,E2与其所对应的语句部分的引用,ERE来源的篇章,引用语句标识ID来建立ERE知识库。
3.根据权利要求2所述的建立自然语言知识库的计算机***,其特征在于,所述根据HNC自然语言处理的语句标注提取ERE知识表达式,还包括应用ERE推理演绎推理出新的隐含ERE知识,和同一个ERE知识的不同的表达形式;上述应用ERE推理演绎推理出新的隐含ERE知识表达式包括:句类ERE之间的推理演绎,按照推导特性而进行动词分组的句类ERE的推理演绎,和句类ERE向偏正类ERE的推理演绎;并将推理演绎所得到的新的ERE知识,按照ERE的结构定义填充到ERE知识库中。
4.根据权利要求1、2或者3所述的建立自然语言知识库的计算机***,其特征在于,还根据从所述HNC自然语言处理的语句标注中建立的ERE知识库的基础上建立知识框架结构,按照框架知识库定义的要求建立框架知识库,求解得到框架知识库所要求的特定的ERE知识;所述知识框架结构以一类事物为描述中心,并定义了该类事物的属性(Slot)结构,每个Slot与描述中心之间,不同Slot之间的ERE语义关系,所述框架知识库还定义了每个知识框架的Slot对应的目标ERE的特征和从目标ERE条目向Slot映射的方式。
5.根据权利要求4所述的建立自然语言知识库的计算机***,其特征在于,所述描述中心知识框架的属性(Slot)结构包括:单值结构、组合结构、列举结构、嵌套框架结构和复合结构;单值结构就是一个Slot简单地对应着一个属性的值;组合结构指Slot对应多个值的组合;列举结构指Slot对应着一个相同的值结构的队列;嵌套框架结构指一个Slot的值由另外一个知识框架来表示;复合结构是指Slot的值由单值结构、组合结构、列举结构和嵌套框架结构四种结构混和组合而成。
6.一种建立自然语言知识库自动问答检索的计算机***,其特征在于,包括如下处理步骤:第一步,对疑问句进行分析获得包含目标答案要求的目标ERE结构;第二步:分析目标概念在待选篇章中的出现概率和待选篇章中含有目标概念的句群分布情况,对待选篇章含有目标概念的程度进行初步评价;第三步,发现篇章内部分散的可以通过指代、相同概念、语义块共享等方式融合的语义元素,并将相关的ERE做融合处理;第四步,通过综合计算篇章与目标ERE结构的相似程度,篇章内各个句群对于答案的回答程度得到篇章的综合得分;第五步,按照篇章的综合得分排序返回答案篇章的列表。
7.根据权利要求6所述的建立自然语言知识库自动问答检索的计算机***,其特征在于,在所述第三步结束后,还包括在融合的基础上做面向目标ERE结构的推理演绎分析,从待选篇章融合的关于目标概念的ERE结构不断向前推演,获得更多待选ERE,直到推理的过程不能够产生新的ERE知识时停止,再执行第四步。
8.根据权利要求6所述的建立自然语言知识库自动问答检索的计算机***,其特征在于,所述第一步对疑问句分析包括:对疑问句的句类分析、对疑问句的疑问中心的分析、对疑问句的ERE结构的抽取,和对于疑问句的ERE结构应用推理转换规则,得到一个范围扩大的目标ERE结构。
9.根据权利要求6所述的建立自然语言知识库自动问答检索的计算***,其特征在于,在完成第一步以后执行下述步骤:第二步,通过对目标ERE结构的概念分析来判断可能含有目标答案的各种框架知识类型;第三步,通过目标ERE结构的ERE关系和概念与框架知识库的知识条目的概念匹配得到可能含有目标答案的知识条目,并从指定知识条目的指定Slot得到答案值;第四步,生成答案语句,返回用户。
10.根据权利要求9所述的建立自然语言知识库自动问答检索的计算机***,其特征在于,完成所述第三步的方法是将可能含有目标答案的框架知识库Slot的ERE关系做面向目标ERE结构的演绎推理,再通过匹配识别得到知识库中含有目标答案的Slot。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200510100419 CN1952928A (zh) | 2005-10-20 | 2005-10-20 | 建立自然语言知识库及其自动问答检索的计算机*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200510100419 CN1952928A (zh) | 2005-10-20 | 2005-10-20 | 建立自然语言知识库及其自动问答检索的计算机*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1952928A true CN1952928A (zh) | 2007-04-25 |
Family
ID=38059272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200510100419 Pending CN1952928A (zh) | 2005-10-20 | 2005-10-20 | 建立自然语言知识库及其自动问答检索的计算机*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1952928A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012109786A1 (en) * | 2011-02-16 | 2012-08-23 | Empire Technology Development Llc | Performing queries using semantically restricted relations |
CN102955823A (zh) * | 2011-08-30 | 2013-03-06 | 方方 | 一种对电视节目评估调研样本数据的处理方法 |
CN103186676A (zh) * | 2013-04-08 | 2013-07-03 | 湖南农业大学 | 一种主题知识自增长型聚焦网络爬虫搜索方法 |
CN103221952A (zh) * | 2010-09-24 | 2013-07-24 | 国际商业机器公司 | 词法答案类型置信度估计和应用 |
CN103229120A (zh) * | 2010-09-28 | 2013-07-31 | 国际商业机器公司 | 使用假设剪枝提供问题答案 |
CN103761242A (zh) * | 2012-12-31 | 2014-04-30 | 威盛电子股份有限公司 | 检索方法、检索***以及自然语言理解*** |
CN104657346A (zh) * | 2015-01-15 | 2015-05-27 | 深圳市前海安测信息技术有限公司 | 智能交互***中的问题匹配方法和*** |
CN104809676A (zh) * | 2015-05-11 | 2015-07-29 | 成都准星云学科技有限公司 | 一种分析答案的出错类型的方法和装置 |
CN104978396A (zh) * | 2015-06-02 | 2015-10-14 | 百度在线网络技术(北京)有限公司 | 一种基于知识库的问答题目生成方法和装置 |
CN105068995A (zh) * | 2015-08-19 | 2015-11-18 | 刘战雄 | 一种基于疑问语义的自然语言语义计算的方法及装置 |
CN105912645A (zh) * | 2016-04-08 | 2016-08-31 | 上海智臻智能网络科技股份有限公司 | 一种智能问答方法及装置 |
CN106844368A (zh) * | 2015-12-03 | 2017-06-13 | 华为技术有限公司 | 用于人机对话的方法、神经网络***和用户设备 |
CN107632987A (zh) * | 2016-07-19 | 2018-01-26 | 腾讯科技(深圳)有限公司 | 一种对话生成方法及装置 |
CN108369596A (zh) * | 2015-12-11 | 2018-08-03 | 微软技术许可有限责任公司 | 个性化自然语言理解*** |
CN109074353A (zh) * | 2016-10-10 | 2018-12-21 | 微软技术许可有限责任公司 | 语言理解和信息检索的组合 |
WO2019000240A1 (zh) * | 2017-06-27 | 2019-01-03 | 华为技术有限公司 | 一种问答***及问答方法 |
CN110083818A (zh) * | 2018-01-26 | 2019-08-02 | 尹岩 | 一种基于具身认知的根据自然语言生成动画的*** |
CN110516157A (zh) * | 2019-08-30 | 2019-11-29 | 盈盛智创科技(广州)有限公司 | 一种文献检索方法、设备和存储介质 |
WO2024016139A1 (zh) * | 2022-07-19 | 2024-01-25 | 华为技术有限公司 | 查询方法和相关设备 |
-
2005
- 2005-10-20 CN CN 200510100419 patent/CN1952928A/zh active Pending
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103221952B (zh) * | 2010-09-24 | 2016-01-20 | 国际商业机器公司 | 词法答案类型置信度估计和应用的方法和*** |
CN103221952A (zh) * | 2010-09-24 | 2013-07-24 | 国际商业机器公司 | 词法答案类型置信度估计和应用 |
US11409751B2 (en) | 2010-09-28 | 2022-08-09 | International Business Machines Corporation | Providing answers to questions using hypothesis pruning |
US9323831B2 (en) | 2010-09-28 | 2016-04-26 | International Business Machines Corporation | Providing answers to questions using hypothesis pruning |
CN103229120A (zh) * | 2010-09-28 | 2013-07-31 | 国际商业机器公司 | 使用假设剪枝提供问题答案 |
US10216804B2 (en) | 2010-09-28 | 2019-02-26 | International Business Machines Corporation | Providing answers to questions using hypothesis pruning |
US9317586B2 (en) | 2010-09-28 | 2016-04-19 | International Business Machines Corporation | Providing answers to questions using hypothesis pruning |
CN103380426A (zh) * | 2011-02-16 | 2013-10-30 | 英派尔科技开发有限公司 | 利用语义限制关系来执行查询 |
CN103380426B (zh) * | 2011-02-16 | 2017-09-22 | 英派尔科技开发有限公司 | 利用语义限制关系来执行查询 |
WO2012109786A1 (en) * | 2011-02-16 | 2012-08-23 | Empire Technology Development Llc | Performing queries using semantically restricted relations |
US9245049B2 (en) | 2011-02-16 | 2016-01-26 | Empire Technology Development Llc | Performing queries using semantically restricted relations |
CN102955823A (zh) * | 2011-08-30 | 2013-03-06 | 方方 | 一种对电视节目评估调研样本数据的处理方法 |
CN102955823B (zh) * | 2011-08-30 | 2016-01-20 | 方方 | 一种对电视节目评估调研样本数据的处理方法 |
CN103761242A (zh) * | 2012-12-31 | 2014-04-30 | 威盛电子股份有限公司 | 检索方法、检索***以及自然语言理解*** |
CN103186676B (zh) * | 2013-04-08 | 2016-03-02 | 湖南农业大学 | 一种主题知识自增长型聚焦网络爬虫搜索方法 |
CN103186676A (zh) * | 2013-04-08 | 2013-07-03 | 湖南农业大学 | 一种主题知识自增长型聚焦网络爬虫搜索方法 |
CN104657346A (zh) * | 2015-01-15 | 2015-05-27 | 深圳市前海安测信息技术有限公司 | 智能交互***中的问题匹配方法和*** |
CN104809676A (zh) * | 2015-05-11 | 2015-07-29 | 成都准星云学科技有限公司 | 一种分析答案的出错类型的方法和装置 |
CN104809676B (zh) * | 2015-05-11 | 2019-12-17 | 林辉 | 一种分析答案的出错类型的方法和装置 |
CN104978396A (zh) * | 2015-06-02 | 2015-10-14 | 百度在线网络技术(北京)有限公司 | 一种基于知识库的问答题目生成方法和装置 |
CN105068995A (zh) * | 2015-08-19 | 2015-11-18 | 刘战雄 | 一种基于疑问语义的自然语言语义计算的方法及装置 |
CN105068995B (zh) * | 2015-08-19 | 2018-05-29 | 刘战雄 | 一种基于疑问语义的自然语言语义计算的方法及装置 |
CN106844368A (zh) * | 2015-12-03 | 2017-06-13 | 华为技术有限公司 | 用于人机对话的方法、神经网络***和用户设备 |
CN106844368B (zh) * | 2015-12-03 | 2020-06-16 | 华为技术有限公司 | 用于人机对话的方法、神经网络***和用户设备 |
US11640515B2 (en) | 2015-12-03 | 2023-05-02 | Huawei Technologies Co., Ltd. | Method and neural network system for human-computer interaction, and user equipment |
CN108369596A (zh) * | 2015-12-11 | 2018-08-03 | 微软技术许可有限责任公司 | 个性化自然语言理解*** |
CN105912645A (zh) * | 2016-04-08 | 2016-08-31 | 上海智臻智能网络科技股份有限公司 | 一种智能问答方法及装置 |
CN105912645B (zh) * | 2016-04-08 | 2019-03-05 | 上海智臻智能网络科技股份有限公司 | 一种智能问答方法及装置 |
US10740564B2 (en) | 2016-07-19 | 2020-08-11 | Tencent Technology (Shenzhen) Company Limited | Dialog generation method, apparatus, and device, and storage medium |
CN107632987A (zh) * | 2016-07-19 | 2018-01-26 | 腾讯科技(深圳)有限公司 | 一种对话生成方法及装置 |
CN107632987B (zh) * | 2016-07-19 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 一种对话生成方法及装置 |
CN109074353B (zh) * | 2016-10-10 | 2022-11-08 | 微软技术许可有限责任公司 | 用于信息检索的方法、装置和*** |
CN109074353A (zh) * | 2016-10-10 | 2018-12-21 | 微软技术许可有限责任公司 | 语言理解和信息检索的组合 |
WO2019000240A1 (zh) * | 2017-06-27 | 2019-01-03 | 华为技术有限公司 | 一种问答***及问答方法 |
CN110083818A (zh) * | 2018-01-26 | 2019-08-02 | 尹岩 | 一种基于具身认知的根据自然语言生成动画的*** |
CN110516157A (zh) * | 2019-08-30 | 2019-11-29 | 盈盛智创科技(广州)有限公司 | 一种文献检索方法、设备和存储介质 |
WO2024016139A1 (zh) * | 2022-07-19 | 2024-01-25 | 华为技术有限公司 | 查询方法和相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1952928A (zh) | 建立自然语言知识库及其自动问答检索的计算机*** | |
CN106776711B (zh) | 一种基于深度学习的中文医学知识图谱构建方法 | |
RU2662688C1 (ru) | Извлечение информации из смысловых блоков документов с использованием микромоделей на базе онтологии | |
Cimiano et al. | Towards portable natural language interfaces to knowledge bases–The case of the ORAKEL system | |
Shutova et al. | Multilingual metaphor processing: Experiments with semi-supervised and unsupervised learning | |
CN110502642B (zh) | 一种基于依存句法分析与规则的实体关系抽取方法 | |
CN113987212A (zh) | 一种数控加工领域工艺数据的知识图谱构建方法 | |
US20140280314A1 (en) | Dimensional Articulation and Cognium Organization for Information Retrieval Systems | |
CN105701253A (zh) | 中文自然语言问句语义化的知识库自动问答方法 | |
CN113094449B (zh) | 基于分布式键值库的大规模知识图谱存储方法 | |
CN113312922B (zh) | 一种改进的篇章级三元组信息抽取方法 | |
Barkovich | Informational Linguistics: The New Communicational Reality | |
Zaiß | Instance-based ontology matching and the evaluation of matching systems. | |
Ataeva et al. | Information model of LibMeta digital library | |
RU2662699C2 (ru) | Исчерпывающая автоматическая обработка текстовой информации | |
CN107423439A (zh) | 一种基于lda的中文问题映射方法 | |
Schneider | A database-driven ontology for German grammar | |
CN113268608A (zh) | 知识概念构建方法和装置 | |
Saad et al. | Methodology of Ontology Extraction for Islamic Knowledge Text | |
Oltramari et al. | New trends of research in ontologies and lexical resources: Ideas, projects, systems | |
Priya et al. | A novel approach for merging ontologies using formal concept analysis | |
Zhu et al. | Auto-construction of course knowledge graph based on course knowledge | |
Banerjee et al. | Natural language querying and visualization system | |
Chai | Learning and generalization in the creation of information extraction systems | |
AU2021105953A4 (en) | Method for fine-grained domain terminology self-learning based on contextual semantics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |