申请/专利权人：西安交通大学

申请日：2020-12-30

公开（公告）日：2023-01-03

公开（公告）号：CN112632263B

主分类号：G06F16/332

分类号：G06F16/332;G06F16/33;G06F16/36;G06F40/284;G06F40/30;G06N3/04;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2023.01.03#授权;2021.04.27#实质审查的生效;2021.04.09#公开

摘要：本发明提供的一种基于GCN与指针网络的自然语言到SPARQL语句的生成系统及方法，包括以下步骤：获取问题语句图；利用GCN神经网络模型对得到的问题语句图进行训练，获得问题语句图中每个节点对应的图嵌入向量；搭建指针网络架构，使用指针网络架构生成SPARQL语句，实现端到端生成，避免中间环节，降低了SPARQL语句生成复杂度；提升了解码端问句生成灵活度。

主权项：1.一种基于GCN与指针网络的自然语言到SPARQL语句的生成方法，其特征在于，包括以下步骤：步骤1，接收用户问题语句；步骤2，根据用户问题语句获取问题语句图；步骤3，利用GCN神经网络模型对步骤2中得到的问题语句图进行训练，获得问题语句图中每个节点对应的图嵌入向量；步骤4，搭建指针网络架构，所述指针网络架构包括编码端、Attention层和解码端，其中，编码端为Bi-LSTM模型；解码端为LSTM模型；Attention层包括全连接层和Softmax层；构建输入序列，并设定该输入序列的单元数为n；步骤5，对步骤4中得到的输入序列进行编码，得到输入序列编码向量；将输入序列编码向量与步骤3中得到的图嵌入向量进行拼接，得到编码拼接向量；将得到的编码拼接向量输入步骤4中得到的指针网络架构的编码端，获得Bi-LSTM模型n个单元输出向量、1个正向隐向量和1个反向隐向量；步骤6，根据步骤5得到的Bi-LSTM模型单元输出向量、正向隐向量和反向隐向量，结合步骤4中得到指针网络架构的Attention层，得到输入序列每个单元的权重；根据得到的最大权重对应的输入序列单元，结合步骤4中得到指针网络架构的解码端，生成SPARQL语句；步骤2中，根据用户问题语句获取问题语句图，具体方法是：S201、利用BERT+CRF模型对接收到的问题语句分别进行实体识别和属性识别，分别得到实体信息和属性信息；S202、利用知识图谱获取S201中得到的实体信息和属性信息对应的子图，并将该子图作为问题语句图；步骤6中，根据步骤5得到的单元输出向量、正向隐向量和反向隐向量，结合步骤4中得到指针网络架构的Attention层，得到输入序列每个单元的权重，具体方法是：S601、将步骤5得到的正向隐向量和反向隐向量进行拼接，获得1个拼接向量；S602，将S601中获得的拼接向量进行复制，其数量与步骤4中设定的输入序列的单元数的数量相同，得到n个拼接向量；S603，将得到的n个拼接向量与步骤5得到的n个单元输出向量分别进行一一拼接，获得n个新拼接向量；S604、将S603中获得的n个新拼接向量分别输入步骤4中Attention层中的n个全连接层，获得n个全连接层向量；S605、将S604中获得的n个全连接层向量输入步骤4中Attention层中的Softmax层，得到输入序列中的每个单元的权重；步骤6中，根据得到的最大权重对应的输入序列单元，结合步骤4中得到指针网络架构的解码端，生成SPARQL语句，具体方法是：S606、将得到的最大权重对应的输入序列单元作为输出序列初始单元；S607、在步骤5中得到的n个单元输出向量中获取S606获得的输出序列初始单元所对应的单元输出向量，并将该对应的单元输出向量与S601获得的拼接向量输入至解码端的初始单元，获得初始单元输出隐向量；S608、将S607获得的初始单元输出隐向量作为S601中的拼接向量，重复S602—S607步骤，直到最大权重对应的输入序列单元为标识符end，指针网络架构解码结束，汇总输出序列所有单元输出即为最终生成的SPARQL语句。

全文数据：

权利要求：

百度查询： 西安交通大学 一种基于GCN与指针网络的自然语言到SPARQL语句的生成系统及方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD