[发明专利]基于马尔科夫逻辑网的智能交互式问答方法、系统、装置

说明书

本发明属于网络通信和计算机技术领域，具体涉及了一种基于马尔科夫逻辑网的智能交互式问答方法、系统、装置，旨在解决智能问答系统在实际应用中不能有效结合语境和背景以及不能实时反馈、效率低下的问题。本发明方法包括：分析输入信息，提取结构化元组并采用领域知识图谱进行语义化扩展；对领域知识图谱中相关规则进行激活，并采用近似推理和/或信息录入的方式对证据元组赋值，计算候选应答信息的后验概率；输出预设数目的后验概率高的应答信息。本发明可以有效融合上下文操作和领域不确定性知识，近似推演与用户交互有力结合，真正提供有效解决方案，同时可以实现知识的自动归纳，降低人工和数据成本。

技术领域

本发明属于网络通信和计算机技术领域，具体涉及了一种基于马尔科夫逻辑网的智能交互式问答方法、系统、装置。

背景技术

网络设备及通信设备的故障分析和诊断在通信设备制造商的运维中起着至关重要的作用。由于结构和组件的复杂性，故障的类型是多种多样的。基于设备运维大数据的关联分析，自动检测故障原因并给出解决方案是绝对必要的。智能诊断问题可以被形式化为各种类型对象之间的交互或者影响，这种复杂性和不确定性很难通过传统的特征所表达。在传统人工智能框架下，不确定性和复杂性分属于两个独立的研究分支。针对前者通常采取基于概率表示的方法，同时施加诸如独立同分布等假设；而采取基于逻辑表示的方法来处理后者，但是局限于确定性情形，抗噪音和不确定能力很弱。

以分类器为代表的概率表示模型可以更加高效地进行训练，但通常只能返回故障本身，不能得到逻辑规则，从而无法得到从故障到症状的详细解释，也很难和现有的领域知识、系统知识进行结合，并且在多故障诊断时，还需要加入额外的选择策略来从多个概率超过阈值的类别中选出合适的故障。以贝叶斯网络为代表的概率表示模型，其先天优势在于可以表征预测细节的一些不确定性，从而使得系统具备更强大的可解释性，并使得人工知识和经验监督发挥作用，但其参数为概率，极大地限制了可被因子化的分布形式，其势能函数必须为条件概率，且有向图必须无环，也影响了其推广应用。以专家系统为代表的诊断模型，通常需要领域专家手动构建诊断模型，在其所属领域中的诊断十分精确，但仅局限于确定性情形，抗噪音和不确定能力很弱，而且知识抽取和诊断模型构建过程十分复杂且耗时，在面对高变化率的被诊系统时，该方法完全不适用。故障树是分析系统可靠性和安全性的一种重要方法，然而，构造故障树的工作量相当繁重，难度也较大，对分析人员的要求也较高，限制了它的推广和普及。

总的来说，该领域目前的方法都有其限制性，无法在有效结合语境和背景领域知识的同时，高效、实时地反馈单故障诊断或多故障诊断结果。

发明内容

为了解决现有技术中的上述问题，即智能问答系统在实际应用中不能有效结合语境和背景以及不能实时反馈、效率低下的问题，本发明提供了一种基于马尔科夫逻辑网的智能交互式问答方法，包括：

步骤S10，解析获取的输入信息，提取具结构化元组，采用领域知识图谱对所述结构化元组中实体和关系表示进行语义化扩展；

步骤S20，基于所述结构化元组及语义化扩展结果，对所述领域知识图谱进行激活，获得规则子网络以及证据元组集合；

步骤S30，基于规则子网络，采用近似推理和/或信息录入的方式对所述证据元组集合进行赋值，计算候选应答信息的后验概率；

步骤S40，按照所述候选应答信息后验概率从高到低的顺序选取预设数目的应答信息作为最终的应答信息并输出；

其中，所述领域知识图谱包括：

事实库、本体库、规则库，对应事实库和本体库中实体之间的上下位关系的实体-关系网、对应规则库中自动学习的逻辑规则和本体库中事实之间的包含关系的元组-关系网、对应规则库中根据领域需求手工设计的逻辑规则的意图-关系网。

在一些优选的实施例中，所述领域知识图谱，其构建方法为：