基于知识图谱的问答系统研究与应用

发布时间：2021-11-19 04:47

　　基于知识图谱的问答系统（knowledge base question answering, KBQA）目前已成为自然语言处理中的热门研究领域。问答系统的应用涉及诸多领域,如医药、电力、交通等各个方面。由此可见,问答系统已成为社会生产发展中必不可少的一项技术。该文聚焦于国内外针对知识图谱的问答系统的研究与应用,对其进行分析梳理,总结了知识图谱、知识库以及问答系统的历史、发展及应用等相关知识,以及现有基于知识图谱的问答系统构建的三类方法,分别为基于模板匹配的方法、基于语义解析的方法以及基于向量建模的方法,探究了深度学习对传统问答系统效果的影响。最后,对基于知识图谱的问答系统技术的未来以及发展进行展望。研究表明:随着人工智能的蓬勃发展,问答系统存在的技术难题不断得到解决,将知识图谱和深度学习技术应用于传统问答系统以提升问答效果已成为大势所趋。 

【文章来源】：计算机技术与发展. 2021,31(10)

【文章页数】：7 页

【部分图文】：

基于模板匹配方法的具体流程

浅层解析的第一步简单理解就是对语句的分词、清洗等操作。使用传统的LSTM+CRF方法，或是调用现成的jieba分词库都可以实现分词的目的。根据句子的语法将句子结构解析出来，最终形成的实际上是一棵语法解析树，如图2所示。语法解析的方法主要是上下文无关法、考虑词汇的上下文无关语法以及基于概率分布的上下文无关语法等。这些算法大多针对英文语料，对中文语料的适应性并不足。王鹏等人[24]根据中文的结构特点，发现想要在中文领域取得较好的效果，必须考虑中文特性辅助其他算法以提升准确率。国内很多学者都在其基础上针对中文语料进行优化，林颖等人[25]提出句法结构共现，引入上下文信息的方法改进基于概率分布的上下文无关语法，突破了中文库规模小的局限性。

浅层次的解析是将句子分离、解析，而深层次的解析着重点转移到了单词的含义或是句子的含义上面。其中需要用到的技术有语义角色标注技术与语义依存解析技术，如图3所示。语义角色标注的实质，是将问题中的实体等与知识图谱中的实体，关系及属性相匹配，将单纯的语句转化为一句带有相应角色的标注。针对语义角色标注技术，国内学者做了大量研究。刘怀军等人[26]针对中文的特点，提出了更有效的新的特征及特征组合。丁金涛等人[27]随后发现特征及特征组合并不是越多效果越好，效果取决于特征的组合，从而进行了优化特征优化组合的方法研究，且取得了较好的效果。

【参考文献】：
期刊论文
[1]面向水利信息资源的智能问答系统构建与应用[J]. 张紫璇,陆佳民,姜笑,冯钧.  计算机与现代化. 2020(03)
[2]基于BERT的常见作物病害问答系统问句分类[J]. 杨国峰,杨勇.  计算机应用. 2020(06)
[3]面向微博用户的消费意图识别算法[J]. 贾云龙,韩东红,林海原,王国仁,夏利.  北京大学学报(自然科学版). 2020(01)
[4]融合领域特征知识图谱的电网客服问答系统[J]. 谭刚,陈聿,彭云竹.  计算机工程与应用. 2020(03)
[5]基于知识图谱的原发性肝癌知识问答系统[J]. 曹明宇,李青青,杨志豪,王磊,张音,林鸿飞,王健.  中文信息学报. 2019(06)
[6]基于LSTM-CRF命名实体识别技术的研究与应用[J]. 张聪品,方滔,刘昱良.  计算机技术与发展. 2019(02)
[7]问答中的问句意图识别和约束条件分析[J]. 孙鑫,王厚峰.  中文信息学报. 2017(06)
[8]基于中文知识图谱的电商领域问答系统[J]. 杜泽宇,杨燕,贺樑.  计算机应用与软件. 2017(05)
[9]基于依存句法分析的复合事实型问句分解方法[J]. 刘雄,张宇,张伟男,刘挺.  中文信息学报. 2017(03)
[10]知识图谱研究进展[J]. 漆桂林,高桓,吴天星.  情报工程. 2017(01)



本文编号：3504320