[发明专利]面向变压器检修场景的推理型自动问答方法、系统与计算机可读介质

说明书

本发明提供本发明目的在于提供一种面向变压器检修场景的推理型自动问答方法、系统与计算机可读介质。面向变压器检修场景的推理型自动问答方法包括：接收用户输入问题Q；结合变压器检修场景标准库D，将问题Q与标准库D进行embedding操作，获得问题Q与标准库D的段落d的匹配概率并排序，取概率最大段落Dk输出；获取问题Q与段落Dk以序列表示的词向量；最后基于数值抽取识别问题Q的类型，并依据识别的问题类型通过不同Bi‑LSTM‑Attention网络结构预测模型进行预测输出。本发明在给定的变压器检修标准库的前提下，针对用户提出的问题可快速、准确检索匹配到最相关的片段内容，结合数值抽取对问题分类，在匹配给出问题的答案，实现变压器检修场景下的准确问答。

技术领域

本发明涉及计算机技术领域，尤其是深度学习技术在智能问答领域的应用，具体而言涉及一种面向变压器检修场景的推理型自动问答方法、系统与计算机可读介质。

背景技术

自动问答在医疗、金融、政务等领域广泛应用，推理型问答不同于只涉及实体属性的单跳问答，而是更多倾向于复杂的多跳查询问答需求，为了应对上述复杂的推理型问答，各种不同类型的推理方法和模型被陆续提出。

传统的推理型问答方法主要包括基于嵌入、路径和逻辑的三类问答推理方法。

基于嵌入的方法即语义匹配方法，其首先计算问题和候选答案分布式表示之间的语义匹配，然后通过排序候选答案来得到最终答案，然而这类方法只能回答简单问题，缺少了深层语义信息的挖掘。

基于路径的方法，则是将知识图谱结构化知识以三元组的形式组织，以用户问题重点主题实体为源实体，沿着知识图谱多个三元组的头实体、关系、尾实体的逐条路径进行搜索，匹配获得答案实体或者关系。但是这样的方法必须将数据整理为三元组形式，数据集的问题和答案的种类严重受限于知识图谱预先定义的模式(schema)本身，同时问题格式也被限制为知识图谱的三元组形式(triple)，而非自然语言，限制了自动问答的适用性。

基于逻辑的方法因为符号逻辑规则的方法准确率高、可解释性强等优点，被广泛探讨和应用，结合一阶逻辑的自然性和概率逻辑模型的不确定性优点，马尔可夫逻辑网络被证明在知识图谱推理上的有效性，然而，鉴于大规模知识图谱的三元组之间的复杂结构，以上推理过程困难，效率较低。

鉴于上述现有技术存在的问题，尤其是在使用在变压器检修场景下，其领域适应性和文本匹配效果不理想。

发明内容

本发明目的在于提供一种面向变压器检修场景的推理型自动问答方法与系统，在给定的变压器检修标准库的前提下，针对用户提出的问题，可在变压器检修场景的标准库中快速、准确检索匹配到最相关的片段内容，结合数值抽取对问题的处理，将问题与段落的匹配分为纯文本问答和数值型问答，并通过规则匹配给出问题的答案，实现变压器检修场景下的准确问答。

根据本发明目的的第一方面提出一种面向变压器检修场景的推理型自动问答方法，包括以下步骤：

步骤1、接收用户输入的问题Q；

步骤2、结合预先构建的变压器检修场景标准库D，将问题Q在变压器检修场景标准库D中进行匹配，通过将问题Q与变压器检修场景标准库D进行embedding操作，获得问题Q与变压器检修场景标准库D的段落d的匹配概率；

步骤3、对匹配概率进行降序排序，取概率最大值对应的段落Dk输出；

步骤4、将问题Q与输出的段落Dk使用词向量工具进行处理获得词向量，以序列表示；例如，使用word2vec处理，获得词向量序列；

步骤5、基于数值抽取，识别问题Q的类型，包括纯文本类型问题以及数值类型问题，并依据识别的问题类型，通过不同的预测模型进行预测输出：