申请/专利权人：四川大学

申请日：2022-10-11

公开（公告）日：2024-04-26

公开（公告）号：CN117932006A

主分类号：G06F16/332

分类号：G06F16/332;G06F16/35;G06F40/35;G06F16/33;G06F16/36;G06N5/022;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明公开一种基于双处理系统的中文知识库问答方法研究。知识库问答模型主要包含协调感知模块System1和显性推理模块System2，各个模型组件之间相互关联，紧密结合。在已有的知识库问答任务的需求下，本发明提出了基于双处理系统的中文知识库问答模型，以用户所提问题为基础，System1首先学习问题的表征并预测其相应的简单路径，然后System2根据System1生成的简单路径在知识库中为问题检索复杂路径，最终通过训练好的模型进行答案的预测。本发明基于人工智能技术，结合双过程认知理论，设计了一个新型的中文知识库问答模型。本发明的方法在各个行业的智能问答领域有广阔的应用前景。

主权项：1.一种基于类型推理和语义约束的医学视觉问答方法研究，其特征在于包括以下步骤：步骤一：通过System1将问题通过Jieba和PkuSeg两种分词工具分割后得到问题的tokens，然后连接知识库查询其对应的候选实体和候选路径，最后，使用MacBERT预训练模型获取问题和候选路径的联合词嵌步骤二：将问题和候选路径的联合词嵌输入GRU模型，得到联合特征向量然后将其与步骤一的联合词嵌进行融合，得到上下文特征向量步骤三：将上下文特征向量通过1,2,3不同尺度的卷积核进行卷积操作后，得到其对应的细粒度语义特征步骤四：将问题和候选路径的细粒度语义特征分别进行相应的最大池化操作，得到对应的池化特征向量然后将各个尺度的池化特征进行连接操作，得到最终的语义融合特征步骤五：使用全连接网络进行问题和候选路径的语义相似度计算，最后使用二元交叉熵作为损失函数来约束模型；步骤六：System2的实现思路跟上述方式一致，其中与System1的核心不同之处在于多角度卷积层，复杂路径匹配模型采用了更为精细的卷积组合1,2,3,4,5来获取更有价值的语义信息。

全文数据：

权利要求：

百度查询： 四川大学 一种基于双处理系统的中文知识库问答方法

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