[发明专利]一种面向弱监督场景的复杂知识图谱问答方法

说明书

本发明公开了一种面向弱监督场景的复杂知识图谱问答方法，本发明在实体链接子任务中将多源词嵌入信息和知识图谱中的语义及拓扑信息融入到模型中；在关系预测子任务中引入知识图谱三元组表示信息，采用动态分析、逐跳推理的过程来搜寻答案；同时，在答案转移路径不完备的弱监督场景，本发明采用多路径联合推理的方式，筛选出合理的转移路径，以路径为基本单位，共同作用于模型的训练中。对比传统的知识图谱问答方法，本发明方法能够在弱监督场景中有效的训练，并有着显著的提升。

技术领域

本发明涉及涉自然语言处理技术领域。尤其涉及一种面向弱监督的复杂知识图谱问答系统。

背景技术

知识图谱问答系统是搜索引擎和对话系统的重要组成部分，其旨在从知识图谱中查询出与用户问句关联的答案实体。目前，知识图谱问答系统主要包括实体链接和关系预测两个部分，主要在标注完备的强监督场景中进行，并以深度学习的方法为主。但是深度学习的方法需要大量的标注数据，而实际场景中大多只能获取到用户问句和最后答案实体的问答对，在知识图谱中搜寻答案的转移路径非常稀缺，因此标注样本获取成本高是工业应用上面临的一大挑战。

弱监督方法能够缓解标注数据不足的问题。目前的主要方法有直接对答案和问句进行端到端的建模或者利用强化学习的机制在搜索答案的过程中给予一定的激励。但是前者缺乏答案转移过程的解释性，后者模型复杂并且存在收敛性问题，仍然无法有效地解决弱监督场景中的知识图谱问答任务。

发明内容

本发明的目的在于针对现有技术的不足，提供一种面向弱监督场景的复杂知识图谱问答方法，本发明能够有效的利用知识图谱中丰富的语义和拓扑信息，在标注不完备的场景中能够简洁而快速的训练出模型。

本发明的目的是通过以下技术方案来实现的：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)将知识图谱问答分为实体链接(EL)和关系预测(RP)子任务：EL模块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；RP模块将用户问句和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)在大量的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的算法，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总损失值。

本发明的有益效果是：本发明在模型中引入了知识图谱侧的相关信息，并采用动态分析、逐跳转移的方案来回答多跳复杂问题，大幅提高了模型准确率的同时保证了运行效率和可解释性。本发明利用多路径推理的算法，有效的利用了多条合理的转移路径，在标注不完备的弱监督场景中仍可以训练出一个良好的模型。利用本发明提出的知识图谱问答技术，在弱监督场景的设置下，精准率、召回率及F1值都有大幅的提升。

附图说明

图1是本发明EL模块中的实体指称项识别模型图；

图2是本发明EL模块中的实体消歧模型图；

图3是本发明RP模型图；

图4是本发明提出的弱监督算法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所述实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的其他实施例，都属于本发明的保护范围。