(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211342154.X (22)申请日 2022.10.31 (71)申请人 杭州远传新 业科技股份有限公司 地址 310051 浙江省杭州市滨江区浦沿街 道信诚路857号悦江商业中心 23011室 (72)发明人 嵇望　安毫亿　陈默　张羽　梁青　 (74)专利代理 机构 杭州创智卓英知识产权代理 事务所(普通 合伙) 33324 专利代理师 彭菊凤 (51)Int.Cl. G06F 16/332(2019.01) G06F 16/36(2019.01) G06F 40/126(2020.01) G06F 40/211(2020.01) G06F 40/289(2020.01)G06F 40/295(2020.01) G06F 40/35(2020.01) G06K 9/62(2022.01) (54)发明名称 一种基于词汇知识和语义依存的知识图谱 问答方法和系统 (57)摘要 本申请涉及一种基于词汇知识和语义依存 的知识图谱问答方法和系统， 其中， 该方法包括： 对目标问句文本进行分词和编码， 得到问句文本 特征向量； 对目标问句文本进行命名实体识别、 关键词抽取和编码， 得到查询实体集的查询实体 集特征向量； 再对目标问句文本进行句法解析和 编码， 得到查询实体集的句法依存特征向量； 基 于查询实体集从知识 图谱中抽取候选答案集的 子图并编码， 得到子图特征向量； 根据上述四种 特征向量从知识 图谱中得出目标问句文本的答 案。 通过本申请， 解决了现有基于问句查询实体 集的知识图谱问答存在精准度低的问题， 实现了 结合问句中的实体词汇知识和句法信息， 进行多 特征向量的融合， 基于融合特征提高知识图谱问 答的精准度。 权利要求书2页 说明书9页 附图4页 CN 115455169 A 2022.12.09 CN 115455169 A 1.一种基于词汇知识和语义依存的知识图谱问答方法， 其特 征在于， 所述方法包括： 对目标问句文本进行分词和编码， 得到所述目标问句文本的问句文本特 征向量； 对所述目标问句文本进行命名实体识别和关键词抽取， 获得所述目标问句文本 中的查 询实体集， 并基于所述 查询实体集， 计算得到查询实体集特 征向量； 采用句法分析工具对所述目标问句文本进行句法解析， 得到所述查询实体集的句法依 存关系， 并对所述句法依存关系进行编码， 得到所述 查询实体集的句法依存特 征向量； 基于所述查询实体集从知识图谱中抽取候选答案集的子图， 并对所述候选答案集的子 图进行编码， 得到所述 候选答案集的子图特 征向量； 将所述子 图特征向量分别与所述问句文本特征向量、 所述句法依存特征向量、 所述查 询实体集特 征向量进行基于注意力机制的特 征融合， 进 而得到最终特 征向量； 基于所述 最终特征向量从所述知识图谱中得 出所述目标问句文本的答案 。 2.根据权利要求1所述的方法， 其特征在于， 基于所述查询 实体集， 计算得到查询 实体 集特征向量包括： 对所述查询实体集进行编码， 得到所述 查询实体集的嵌入特 征向量； 从预设常识知识库中获取所述查询实体集的基本单元类别， 并对所述基本单元类别进 行编码， 得到所述 查询实体集的类别特 征向量； 对所述嵌入特征向量和所述类别特征向量进行基于注意力 机制的特征融合， 得到查询 实体集特 征向量。 3.根据权利要求1所述的方法， 其特征在于， 将所述子图特征向量分别与所述问句文本 特征向量、 所述句法依存特征向量、 所述查询实体集特征向量进行基于注意力机制的特征 融合， 进而得到最终特 征向量包括： 将所述子图特征向量与所述问句文本特征向量进行基于注意力 机制的特征融合， 得到 第一融合特 征向量； 将所述子图特征向量与所述句法依存特征向量进行基于注意力 机制的特征融合， 得到 第二融合特 征向量； 将所述子图特征向量与所述查询实体集特征向量进行基于注意力 机制的特征融合， 得 到第三融合特 征向量； 基于加权平均， 将所述第一融合特征向量、 所述第二融合特征向量和所述第三融合特 征向量进行融合， 得到最终特 征向量。 4.根据权利要求1所述的方法， 其特征在于， 对所述句法依存关系进行编码， 得到所述 查询实体集的句法依存特 征向量包括： 并通过GCN图卷积神经网络对所述句法依存关系进行编码， 得到所述查询实体集的句 法依存特 征向量。 5.根据权利要求1所述的方法， 其特征在于， 对目标问句文本进行分词和编码， 得到所 述目标问句文本的问句文本特 征向量包括： 通过BiGRU网络对目标问句文本进行分词和编码， 得到所述目标问句文本的问句文本 特征向量。 6.根据权利要求1所述的方法， 其特征在于， 对所述候选答案集的子 图进行编码， 得到 所述候选答案集的子图特 征向量包括：权　利　要　求　书 1/2 页 2 CN 115455169 A 2通过R‑GCN关系图卷积神经网络对所述候选答案集的子图进行编码， 得到所述候选答 案集的子图特 征向量。 7.根据权利要求2所述的方法， 其特征在于， 对所述查询 实体集进行编码， 得到所述查 询实体集的嵌入特 征向量包括： 通过TransE向量化工具对所述查询实体集进行编码， 得到所述查询实体集的嵌入特征 向量。 8.根据权利要求2所述的方法， 其特征在于， 从预设常识知识库中获取所述查询实体集 的基本单元类别， 并对所述基本单元类别进行编码， 得到所述查询实体集的类别特征向量 包括： 从Hownet常识知识库中获取 所述查询实体集的基本单 元类别； 通过PCA主成分分析和独热编码工具对所述基本单元类别进行编码， 得到所述查询实 体集的类别特 征向量。 9.根据权利要求2所述的方法， 其特征在于， 对所述嵌入特征向量和所述类别特征向量 进行基于注意力机制的特 征融合， 得到查询实体集特 征向量包括： 采用Concat  Attention机制对所述嵌入特征向量和所述类别特征向量进行特征融合， 得到查询实体集特 征向量。 10.一种基于词汇知识和语义依存的知识图谱问答系统， 其特征在于， 所述系统包括第 一分支模块、 第二分支模块、 第三分支模块、 分支融合模块和预测判断模块； 所述第一分支模块， 用于对目标问句文本进行分词和编码， 得到所述目标问句文本的 问句文本特 征向量； 所述第二分支模块， 用于对所述目标问句文本进行命名实体识别和关键词抽取， 获得 所述目标问句文本中的查询实体集， 并基于所述查询实体集， 计算得到查询实体集特征向 量； 所述第三分支模块， 用于采用句法分析工具对所述目标问句文本进行句法解析， 得到 所述查询实体集的句法依存关系， 并对所述句法依存关系进行编码， 得到所述查询实体集 的句法依存特 征向量； 所述分支融合模块， 用于基于所述查询 实体集从知识图谱中抽取候选答案集的子 图， 并对所述 候选答案集的子图进行编码， 得到所述 候选答案集的子图特 征向量； 将所述子 图特征向量分别与所述问句文本特征向量、 所述句法依存特征向量、 所述查 询实体集特 征向量进行基于注意力机制的特 征融合， 进 而得到最终特 征向量； 所述预测判断模块， 用于根据 所述最终特征向量从所述知识图谱中得出所述目标问句 文本的答案 。权　利　要　求　书 2/2 页 3 CN 115455169 A 3