[发明专利]一种基于自然语言处理和知识图谱的智能问答方法

说明书

本发明公开一种基于自然语言处理和知识图谱的智能问答方法，在对话策略学习阶段中，通过对设置的必要属性的学习，识别出不确定话轮，使该不确定话轮与知识图谱交互，由知识图谱进行处理反馈，输出反馈结果；若当前场景下识别到用户有调用新场景意图，则通过对话嵌套从当前场景跳转到新场景进行对话。本发明通过引入知识图谱的推理和对话的嵌套，解决了现有聊天系统技术的缺点，即对于无法预测的话轮及场景内调用其它场景无法处理的问题。

技术领域

本发明涉及人工智能技术领域，特别是涉及一种基于自然语言处理和知识图谱的智能问答方法。

背景技术

智能问答系统根据用途通常分为任务型和非任务型两种，非任务型主要包括闲聊、知识问答、推荐。

非任务型中的闲聊型对话中的对话管理(Dialogue Management，DM)就是对上下文进行序列建模、对候选回复进行评分、排序和筛选等，以便于自然语言生成(NaturalLanguage Generation，NLG)阶段生成更好的回复；自然语言生成是对话的最后一步，是系统对用户的回答。也可以基于深度学习进行注意力、强化学习建模。知识问答型对话中的DM就是在问句的类型识别与分类的基础上，进行文本的检索以及知识库的匹配，以便于NLG阶段生成用户想要的文本片段或知识库实体。推荐型对话系统中的DM就是进行用户兴趣的匹配以及推荐内容召回、排序等，以便于NLG阶段生成更好的给用户推荐的内容。

任务型对话中的DM就是在NLU(领域分类和意图识别、槽填充)的基础上，进行对话状态的追踪(Dialogue State Tracking，DST)以及对话策略的学习(Dialogue PolicyLearning，DPL)，以便于DPL阶段策略的学习以及NLG阶段澄清需求、引导用户、询问、确认、对话结束语等。DST是根据当前的意图(intention)、槽值对(slot-value pairs)、以及之前的意图来追踪当前的状态，简而言之，就是当前处理的上下文。DPL就是根据当前的状态(state)决定下一步的动作。任务型对话可为短对话(Short Conversation)也可为长对话(Long Conversation)，短对话指的是一问一答式的单轮(single turn)，长对话指的是你来我往的多轮(multi-turn)，对于任务型对话而言，长对话更为常见，传统任务型对话一般流程如图1所示。

现有聊天系统技术的缺点是任务型对话和非任务型对话缺乏统一的方案，对于无法预测的话轮，也就是不确定的、不必要的话轮及场景内调用其它场景上，缺乏处理的方法。

发明内容

本发明的目的是针对现有聊天系统技术中存在的任务型对话和非任务型对话缺乏统一的方案，对于无法预测的话轮，也就是不确定的、不必要的话轮及场景内调用其它场景上，缺乏处理的方法，而提供一种基于自然语言处理和知识图谱的智能问答方法。

为实现本发明的目的所采用的技术方案是：

一种基于自然语言处理和知识图谱的智能问答方法，在对话策略学习阶段中，通过对设置的必要属性的学习，识别出不确定话轮，使该不确定话轮与知识图谱交互，由知识图谱进行处理反馈，输出反馈结果；

若当前场景下识别到用户有调用新场景意图，则通过对话嵌套从当前场景跳转到新场景进行对话。

优选的，若某个话轮在当前场景不存在，则在对话历史中查询是否存在某个话轮，若存在，则跳转到此话轮中并将此话轮执行的历史中的场景通过嵌套置为当前场景，然后进行此话轮的执行。

优选的，所述在对话历史中查询是否存在某个话轮，通过知识图谱来实现。

与现有技术相比，本发明的有益效果是：

本发明通过在智能问答系统中引入知识图谱的推理和对话的嵌套，解决了现有聊天系统技术的缺点，即对于无法预测的话轮及场景内调用其它场景无法处理的问题。

附图说明