[发明专利]一种基于三通道认知图谱和图注意力网络的蒙语多跳问答方法

说明书

一种基于三通道认知图谱和图注意力网络的蒙语多跳问答方法，利用机器翻译将蒙语查询问句翻译为汉语查询问句；将汉语查询问句分句和分词后进行词性标注；将词性标注后的汉语问题语句转换成汉语查询语句，输入认知图谱服务器；认知图谱服务器模拟认知学中人类的认知系统，使用三个通道进行并行计算，最后通过归一化、查询排序和查询选择，给出概率最大的答案，返回结果。本发明借助三个通道各自的优势进行不同需求的问答，对于自然语言处理中问答系统的精确性和速度有很大提升，同时使通道1、2、3在翻译和问答阶段都能复用，使得速度提高近一倍，整体改进了问答质量。

技术领域

本发明属于自然语言处理(NLP)中的问答系统和认知科学交叉技术领域，特别涉及一种基于三通道认知图谱和图注意力网络的蒙语多跳问答方法。

背景技术

机器阅读理解与问答系统一直以来被认为是自然语言理解(NLU)的核心问题之一，随着BERT等模型的兴起，单段落的简单阅读理解任务取得了重大突破；但在“多跳”、“复杂”情形下的准确率并没有达到人类的水平。

问答(Question Answering,QA)是自然语言处理(Natural LanguageProcessing,NLP)的一个重要研究领域。在该领域中，研究者旨在构建出这样一种系统：它可以针对人类以“自然语言形式”提出的问题自动地给出答案。

与传统的信息检索以及数据库检索不同，问答系统给出的不是非结构化的查询语言，而是以自然语言形式给出的问题，这更符合日常生活中的应用场景。

但自然语言的模糊性也为问题的准确理解带来了很大困难。同时，问答的数据源可能是多种多样的。在不同的场景下，结构化的知识图谱以及无结构的文本均有可能是潜在的数据源。因此，针对不同的数据源研究相应的推理算法也是当前问答领域的热门方向之一。

问答系统另一个很重要的一个问题是规模化。当语料不多时，面向单段阅读理解的NLP模型都可以直接处理但是真正的问答系统势必需要大规模语料并从中寻找答案。

另外，可解释性不足也是之前问答系统中多层黑盒模型的弊端之一。这些模型往往只需要输入问题和文本，然后输入答案在文本中的位置；在多跳阅读理解中，每一跳都是有原因的，如果不能给出合理答案解释，则无法证明机器真的“理解”了文本。

近年来，图结构和图神经网络在认知和智能中的地位不断上升。智能不能拘泥于统计，更应该注重因果与逻辑链条，而后者则与图结构密不可分。认知图谱(CognitiveGraph)是图结构在问答问题上的一次有意义的尝试。像BERT这样的预训练模型是否是认知理论中“系统一”的发展方向？图神经网络到底应该怎样融合在“系统二”的推理过程中？这些都是亟待要解决的问题。

因此，构建一个高质量问答系统的关键点在于：准确的问题理解技术；针对不同的数据源设计合适的推理算法。

由于蒙古族语料库、知识图谱和知识库的缺乏，导致在蒙语问答领域相关技术发展缓慢。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于三通道认知图谱和图注意力网络的蒙语多跳问答方法，以期解决目前蒙语问答场景中蒙语知识库和知识图谱缺乏的问题，实现简单问题的快速查询和复杂问题的推理查询的融合，提高蒙语问答的适应性和问答的准确率，提供更优质的问答系统方法。

为了实现上述目的，本发明采用的技术方案是：

一种基于三通道认知图谱和图注意力网络的蒙语多跳问答方法，步骤如下：

步骤1，利用机器翻译将蒙语查询问句翻译为汉语查询问句；

步骤2，将汉语查询问句分句和分词后进行词性标注；

步骤3，将词性标注后的汉语问题语句转换成汉语查询语句，输入认知图谱服务器；