[发明专利]利用可解释推理网络的多关系问答系统

说明书

本申请公开了一种利用可解释推理网络的多关系问答方法，其通过多跳方式进行，所述方法包括：步骤1、将输入的问题转换为分布式的问题表示；步骤2、根据前一跳的推理状态和前一跳的问题表示，预测当前跳的关系；步骤3、如果所预测的当前跳的关系并非终止关系，则根据所预测的当前跳的关系，将所述前一跳的推理状态和所述前一跳的问题表示更新为当前跳的推理状态和当前跳的问题表示，并作为下一跳返回到步骤2，否则，转到步骤4；以及所述步骤4、根据当前跳的推理状态，确定并输出当前跳的回答。该方法可提供可追踪和可观察的中间预测，用于推理分析和故障诊断。

技术领域

本发明涉及人工智能和互联网技术领域，具体地，涉及利用可解释推理网络的(开放领域)多关系问答系统。

背景技术

基于知识库的问答系统是信息检索系统的一种高级形式，可以用准确、简洁的自然语言回答用户用自然语言表达的问答查询服务请求。具体地，给定自然语言问题，通过对问题进行语义理解和解析，进而利用知识库进行查询，通过检索相关领域知识数据库而给出问题的答案。

在该类问答系统中，开放领域问答(QA)一直是人工智能领域的热门话题，近年来，诸如Freebase的大型知识库也为该任务提供了便利。然而，由于语言和知识的多样性和复杂性，基于知识库的开放领域问答仍然是具有挑战性的任务。

基于知识库的问答可按照关系数量分为单关系问答和多关系问答这两种类型。

单关系问题，如“奥巴马多大？”，可以通过在知识库中找到一个事实三元组来回答。这一任务已经得到了广泛研究。

相比之下，多关系问题，如“举出作为多特蒙德俱乐部的前锋的足球运动员”，需要通过跨越多个事实三元组的推理来回答，在该问题中，提到了不止一个实体和关系。与单关系问答相比，多关系问答仍处于有待研究开发的阶段。

对开放领域问答的先前研究大致可分为两个技术路线：语义解析和基于嵌入的模型。语义分析模型以人工生成的特征和人工注释为代价获得有竞争性的性能，但缺乏推广到其他领域的能力。具体地，语义分析方法将问题映射到逻辑形式查询，这种方法是有效的，但有关于数据注释和模式/语法工程的繁重代价。

相比之下，基于嵌入的模型可以在弱监督下进行端到端的训练。虽然这些方法可成功地处理简单问题，但对多关系问题或其他复杂问题的回答还远远没有解决，因为这样的任务需要推理或其他精细处理。

因而，由于缺乏推理(reasoning)能力，现有的开放领域问答的实现方法不足以处理多关系问答。

推理是回答多关系问题和其他复杂问题的一个关键因素。现有的推理工作主要集中于机器理解(MC)，这要求模型对文档进行推论。然而，将现有的MC方法转换为QA并非理所当然的。一个原因在于，MC中的推理焦点通常是理解文档，而不是解析相对简单的问题，其目的在于将问题与文档中的子字符串匹配，或者利用文档中的多个句子进行推理。另一个原因在于，现有的推理网络通常是以黑盒方式设计的，使模型缺乏可解释性，而在多关系问题回答中，可解释性的推理过程是该任务成功的关键因素之一。

其他应用逐跳推理的研究可以在神经编程器和神经问询器中看到，其中提出了深层网络来分析问题并执行对表的查询。然而，神经编程器需要预定义的符号运算，因此可能不适合其他操作，而神经问询器缺乏显式解释。

发明内容

考虑到现有技术的上述问题，发明人提出了一种新的可解释性推理网络(IRN)，其具有回答复杂的多关系问题的推理能力。

具体地，本公开的发明人考虑到现有技术的上述问题而提出了新的可解释性推理网络(InterpretableReasoning Network，IRN)，其采用可解释性、逐跳推理过程来完成QA任务，其原理性的实现方式可包括：动态地决定应在每一跳中分析输入问题的哪个部分；找到(预测)与当前解析的问题结果相对应的关系；利用所预测的关系更新问题表示、以及推理过程的状态；然后驱动下一跳推理。