[发明专利]一种面向弱监督场景的复杂知识图谱问答方法

权利要求书

1.一种面向弱监督场景的复杂知识图谱问答方法，该方法包括以下步骤：

(1)将复杂知识图谱问答分为实体链接和关系预测两个子任务，实体链接子任务将用户问句和知识图谱作为输入，输出链接到知识图谱的实体；关系预测子任务将用户问句和EL识别的核心实体作为输入，输出与问句关联的答案实体；

(2)在不完备标注语料上进行启发式的搜索，得到起始实体到标注答案的转移路径，作为候选路径；

(3)采用自适应路径选择算法筛选出符合问句逻辑的转移路径；

(4)对于所有筛选的转移路径，计算其路径得分p(p∣q)，然后将每条路径作为基本单位，加权计算整体的模型损失，共同作用于模型的训练，最后通过优化器最小化整体损失值。

2.根据权利要求1所述的一种新型的面向弱监督场景复杂知识图谱问答方法，其特征在于：所述步骤(1)中，通过实体链接和关系预测两个子任务来解决原任务；实体链接子任务引入了知识图谱的语义及拓扑信息；关系预测子任务引入了图谱三元组表征信息来增强模型表现。

3.根据权利要求1所述的一种新型的面向弱监督场景复杂知识图谱问答方法，其特征在于：所述步骤(1)中，关系预测子任务采用状态转移、逐跳推理的方法来回答复杂多跳问题。

4.根据权利要求1所述的一种新型的面向弱监督场景复杂知识图谱问答方法，其特征在于：所述步骤(2)中，在不完备标注语料中采用DFS和剪枝算法搜索出图谱中所有可能的转移路径。

5.根据权利要求1所述的一种新型的面向弱监督场景复杂知识图谱问答方法，其特征在于：所述步骤(3)中，所述自适应路径选择算法利用RP模型当前的参数对每条路径计算后验概率，筛选出概率最大的路径用于模型的训练。

6.根据权利要求1所述的一种新型的面向弱监督场景复杂知识图谱问答方法，其特征在于：所述步骤(4)中，将多条转移路径共同作用于同一个问句的训练过程中，并用加权的方式来平衡每条路径的对训练过程的贡献。

7.根据权利要求1所述的一种新型的面向弱监督场景的知识图谱问答方法，其特征在于：所述步骤(4)中，基本的评价指标包括精准率P值、召回率R以及F1值：

精准率P＝正确预测的答案实体数/预测答案实体总数*100％，

召回率R＝正确预测的答案实体数/数据集答案实体总数*100％，

精确率和召回率的调和平均值F1＝2PR/(P+R)。