申请/专利权人：南京华飞数据技术有限公司

申请日：2024-03-18

公开（公告）日：2024-05-17

公开（公告）号：CN117891929B

主分类号：G06F16/332

分类号：G06F16/332;G06F16/33;G06F16/35;G06N3/0464;G06N3/0442

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明公开了一种改进型深度学习算法的知识图谱智能问答信息识别方法，涉及自然语言处理领域，解决的是：传统知识图谱智能问答技术信息识别准确性较低、回答结果不够全面的问题，首先获取海量领域知识信息，然后对问题进行收集和预处理，然后构建所述改进型深度学习算法模型，并通过所述改进型深度学习算法模型和分类知识图谱对收集到的问题进行信息分类和问答信息识别，然后进行答案排序和过滤，并进行远程监督和性能优化；本发明公开了一种改进型深度学习算法的知识图谱智能问答信息识别方法，能够实现对输入问题的快速和准确的分类和识别，并进一步提升系统的性能和用户体验特性。

主权项：1.一种改进型深度学习算法的知识图谱智能问答信息识别方法，其特征在于：包括以下步骤：步骤一、构建分类知识图谱；通过文本挖掘和自然语言处理方法获取海量领域知识信息，并基于所述海量领域知识信息和知识图谱构建模块构建所述分类知识图谱，所述海量领域知识信息至少包括百科全书、学术论文、新闻文献和语料库；步骤二、问题收集和预处理；通过关键词提取和文本分类方法对用户提出的问题进行收集，并通过信息规则引擎对收集到的问题进行异常信息去除和缺失信息填补；步骤三、构建改进型深度学习算法模型；通过机器学习框架构建所述改进型深度学习算法模型，所述改进型深度学习算法模型包括模型训练单元、多头注意力机制、上下文编码器、问题编码器和多标签分类网络结构，所述模型训练单元的输出端与所述问题编码器的输入端连接，所述问题编码器的输出端与所述多头注意力机制的输入端连接，所述多头注意力机制的输出端与所述上下文编码器的输入端连接，所述上下文编码器的输出端与所述多标签分类网络结构的输入端连接；步骤四、问答信息识别和分类；通过所述改进型深度学习算法模型和分类知识图谱对收集到的问题进行信息分类和问答信息识别；步骤五、答案排序和过滤；采用优先级筛选模型对获取到的答案进行排序和筛选，所述优先级筛选模型根据答案的相关度对答案进行优先级排序，并基于优先级排序对答案进行过滤；步骤六、远程监督和性能优化；通过远程监督平台监督问答信息的识别过程，并采用人机交互和反馈机制优化系统性能和用户体验特性，所述远程监督平台将监督信息反馈至所述改进型深度学习算法模型进行模型训练；所述改进型深度学习算法模型和分类知识图谱对收集到的问题进行信息分类和问答信息识别包括以下步骤：步骤1、数据输入；将收集到的问题输入至所述改进型深度学习算法模型，并对收集到的问题进行归一化和特征向量表示，问题特征向量集合表示为： （1）在公式（1）中，表示输入问题特征向量集合，为第i个输入问题特征向量，，i为问题特征向量的序数，为输入问题特征向量的总数；步骤2、计算问题的分类相似度；所述问题特征向量集合采用闵可夫斯基相似度法计算所述问题特征向量分类的相似度，相似度输出函数公式为： （2）在公式（2）中，为第i个输入问题特征向量为第I类别的相似度，为欧式相似度和曼哈顿相似度平衡调节参数，p=2为欧氏相似度；p=1为曼哈顿相似度，表示问题的第I个类别，，为问题类别的总数；步骤3、根据分类相似度计算结果自适应地调整权重；所述问题特征向量之间的相似度数据集D，自适应权重输出函数公式为： （3）在公式（3）中，为第i个输入问题特征向量为第I类别的相似度的权重，为相似度权重的均衡值；步骤4、分类器构建；根据计算出来的相似度值和自适应权重，将输入的问题进行分类，并输出类别标签，分类输出函数公式为： （4）在公式（4）中，表示第i个输入问题特征向量的类别标签，为自适应权重的最大值，为自适应权重的最小值，为自适应权重集合；步骤5、知识图谱匹配；将输出的类别标签与所述分类知识图谱进行匹配获取答案，所述分类知识图谱的元组集合为，匹配输出函数公式为： （5）在公式（5）中，第i个输入问题特征向量

全文数据：

权利要求：

百度查询： 南京华飞数据技术有限公司 改进型深度学习算法的知识图谱智能问答信息识别方法

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