1.基于关系预测的知识图谱智能问答方法,其特征在于:该方法包括以下步骤:S1:输入问题Q,对问题进行预处理;
S2:利用实体识别技术识别问题中的实体equestion,并将实体equestion映射到KGs中对应的实体eKGs;
S3:查询KGs中实体eKGs的类别c,用类别c替换问题Q中的实体equestion,标记为Qc;
S4:从Qc中映射出关系r;
S5:在KGs中,如果实体eKGs和关系r之间缺少联系;
S6:学习中心实体eKGs的新的向量表示;
S7:基于已有的相关三元组推断KGs中隐藏的关系;
S8:基于实体和关系的知识图推理,获得答案A。
2.根据权利要求1所述的基于关系预测的知识图谱智能问答方法,其特征在于:所述步骤S1具体为:通过HanLP与Stanfordparser中的CRF句法分析器与最大熵依存句法分析器将文本划分为词或短语,并获取词性、词序、关键词和依存关系量化描述。
3.根据权利要求1所述的基于关系预测的知识图谱智能问答方法,其特征在于:所述步骤S2具体为:利用双向长短期记忆网络Bi-LSTM模型对问句中每个单词是否为实体进行预测;
采用前向和后向两个LSTM单元对输入序列进行处理,最后输出向量为两个LSTM输出向量的拼接;
模型的输出向量为y=(y1,y2,...,yn),其中n为输入序列的长度,该模型输出向量长度与输入序列是保持一致的,yi对应输入问句中第i个单词的标注信息,如果为“1”则代表为寻找的实体,反之则不是。
4.根据权利要求1所述的基于关系预测的知识图谱智能问答方法,其特征在于:所述步骤S3具体为:利用潜在狄利克雷主题模型来概念化问句中的实体,以便于对实体的理解,增加其可解释性;
通过结合主题模型潜在狄利克雷分配和一个大规模概率KGs,捕获单词之间的语义关系,开发一个基于语料库的上下文相关概念化框架。
5.根据权利要求1所述的基于关系预测的知识图谱智能问答方法,其特征在于:所述步骤S4具体为:在关系链接任务中引入卷积神经网络CNNs模型;通过深度神经网络模型,提取问句中关于关系的语义信息,同时对候选实体的所有关系用同样的模型进行处理,将得到的问句属性向量和知识图谱属性向量进行相似度匹配,得到最终链接的正确关系。
6.根据权利要求1所述的基于关系预测的知识图谱智能问答方法,其特征在于:所述步骤S5具体为:基于步骤S2识别出来的实体和S4链接出来的关系,将基于实体和关系的知识图推理简化为子图匹配问题;
在知识图谱中,若没有找到匹配,即实体eKGs和关系r之间缺少联系,则进行下一步的关系预测任务。
7.根据权利要求1所述的基于关系预测的知识图谱智能问答方法,其特征在于:所述步骤S6具体为:为解决不能获取隐藏在三元组周围的领域中信息的问题,优化向量学习模型,提出基于注意力的特征嵌入方法,该方法捕获任意给定实体的邻域内的实体特征和关系特征;
在模型中封装关系集群和多跳关系;为得到一个中心实体的新的向量表示,通过线性变换来学习中心实体邻域内存在的每个相关事实集的特征向量。
8.根据权利要求1所述的基于关系预测的知识图谱智能问答方法,其特征在于:所述步骤S7具体为:通过识别现有的相关事实三元组(h,r,t)推断最初隐藏的关系,其中,h代表头语义实体,r代表语义关系,t代表尾语义实体;即学习中心实体邻域内的多跳实体和多跳关系,在n-hop领域之间引入一条辅助边,实现关系预测任务。
9.根据权利要求1所述的基于关系预测的知识图谱智能问答方法,其特征在于:所述步骤S8具体为:KGs-QA通过学习2782个意图的2700万个模板,以支持二元事实问答。