基于知识图谱关系预测的阶梯式问句链生成模型

研究旨在让机器自动生成符合人类提问习惯的阶梯式问句链,辅助智能阅读提问、智能客服、智能医疗问诊等领域对于自然语言理解与生成任务的实际需求,提出一种基于知识图谱关系预测的阶梯式问句链生成模型(stepped question chain generator based on knowledge graph link prediction,SQCG-KGLP)。SQCG-KGLP模型包括编码和解码两部分,在编码部分,对问句链的问句实体进行特征初始化,并通过特征融合方法获得问句链的融合头实体和待测尾实体的初始向量。将融合头实体和待测尾实体的初始向量送入SQCG-KGLP模型的Graph Attention图表示学习模块中,从而获得融合头实体和待测尾实体的表示向量。在解码部分,将融合头实体以及待测尾实体的表示向量输入到SQCG-KGLP模型的convKB模块中进行链接预测。在自建问句链数据集上进行不同跳数的实验,以MRR、Hits@1、Hits@3、Hits@10作为评测指标。结果表明,SQCG-KGLP算法均优于基线模型。当问句链生成迭代次数增加时,支持关系预测的知识图谱跳数随之增加,下一个节点问句语义信息表达的自然性会随之下降。此外,在现实应用场景中较难获得足量的高跳数问句训练数据集。目前,该研究仅能支持三跳以下的问句链生成。利用知识图谱的语义关联及知识图谱关系预测机制,生成的阶梯式问句链具有层层递进、由易到难、环环相扣的特点,使问句链的阶梯式逻辑质量更优。

基于模板学习的智能侨情问句生成方法

为解决侨情问句甚少导致训练的侨情语料较少的问题,提出一种基于模板学习的智能侨情问句生成方法。首先,对侨情篇章文本进行包含主题、关系、对象的三元组抽取;其次,构建训练数据集,输入数据由主题和关系构成,输出数据为问句模板;随后,采用以BERT+LSTM+Attention为核心算法的seq2seq框架,实现问句模板生成;最后,对模板问句进行主题文本替换,从而得到最终的实例化问句。采用BLEU,ROUGE-N,公开问答系统评测及人工评价方式对文中方法进行评价。结果表明:BLEU,ROUGE-N,公开问答系统评测及人工评价方式对文中方法的评测结果分别为0.77,0.67,81%,88%,较基线模型有较大的提升。

基于护理知识图谱的智能问答系统研究

护士培养机制信息化和统一化是减少护士培养成本、增强护士专业素养、减缓护理教师不足的重要解决方案。针对当前护理知识问答引擎无法回答护士提出复杂问题等局限,本文研发了一种基于用户自然语言提问的护理知识图谱问答系统。首先通过本体设计、知识获取、知识融合、知识存储等技术构建出护理知识图谱,其次针对护士提出的自然语言问题进行语义理解和解析,进而利用知识图谱进行查询、推理得出答案。该系统不仅能将查询到的精确答案返回给用户,还能将以答案为核心的知识图谱进行同步可视化,从而帮助护士准确理解场景、捕捉上下文语境等信息。