[发明专利]一种基于知识图谱与语义图技术的口语理解方法

说明书

本发明公开了一种基于知识图谱与语义图技术进行口语理解的方法。本发明步骤：1.训练序列到动作序列神经网络模型，训练基于句子和句子逻辑表达式的口语理解神经网络；2.读取需要被解析的自然语言句子；3.使用文本映射算法扫描并替换句子中与知识图谱中语义资源相匹配的部分；4.使用序列到动作序列神经网络模型读取替换了语义资源后的句子，然后执行对应的动作序列生成与句子语义相符的语义图，然后使用深度优先算法遍历语义图得到句子的逻辑表达式；5.使用口语理解神经网络读入句子和逻辑表达式，生成意图信息和槽位信息。本发明提出结合知识图谱和理解句子语义的方法进行口语解析。

技术领域

本发明涉及文本匹配领域，具体涉及一种基于知识图谱与语义图技术进行口语理解的方法，一种指定文本中检测句子主旨与详细要点的方法。

背景技术

人机对话系统需要识别人类语言中的信息，才能具体执行相应任务，如给问题作出回答、预定机票等等，这个过程也叫做口语解析。口语解析任务中，识别句子主旨的任务叫“意图检测”，根据意图的不同从句子中筛选要求叫“槽位填充”。

随着人工智能技术的发展，研究者们纷纷从传统的最大熵马尔可夫模型、条件随机场等方案中转移到各种基于神经网络的模型上，取得了可喜的进步。但是这些工作往往著重于句子本身的结构信息，缺乏对句子语义的有效利用。同时，近些年来互联网的迅猛扩张，知识库和知识图谱的容量和应用场景都有许多新的发展，这为如何利用知识图谱当中的资源为自动对话系统服务带来了新的帮助。我们提出的方法结合知识图谱与语义图技术，实现口语解析。

发明内容

本发明的目的是针对现有技术的不足，公开一种基于知识图谱与语义图技术的口语理解方法。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1、训练序列到动作序列神经网络模型，训练基于句子和句子逻辑表达式的口语理解神经网络；

步骤2、读取需要被解析的自然语言句子；

步骤3、使用文本映射算法扫描并替换句子中与知识图谱中语义资源相匹配的部分；

步骤4、使用序列到动作序列神经网络模型读取替换了语义资源后的句子，然后执行对应的动作序列生成与句子语义相符的语义图，然后使用深度优先算法遍历语义图得到句子的逻辑表达式；

步骤5、使用口语理解神经网络读入句子和逻辑表达式，生成意图信息和槽位信息。

步骤1中训练的序列到动作序列神经网络模型，包括如下步骤：

1-1.整理出已有的句子与逻辑表达式的关系作为样本集；

1-2.解析句子逻辑表达式生成语义图，对语义图进行深度优先搜索生成构造语义图的动作序列；

1-3.将句子本身与逻辑表达式生成的动作序列做对应，生成一个新的样本集；

1-4.将句子与动作序列的样本集，分割为比例为9∶1作为训练集与测试集；训练集送入一个序列到序列的神经网络模型中，通过梯度下降算法调整模型参数，使得模型在测试集中的测试结果达到最优；

步骤1中所述的口语理解神经网络，包括如下步骤：

(1-1)整理已有句子的逻辑表达式与句子的意图信息和槽位信息做对应，整理为样本集；

(1-2)同样将样本集分割为9∶1作为训练集与测试集；

(1-3)使用口语理解神经网络在训练集中进行学习，然后在测试集中测试结果；调整参数使用梯度下降法，使得最终槽位信息和意图信息达到尽可能准确。

步骤1或5中的口语理解模型，其特征在于，构建一个编码器、解码器结构的循环神经网络，具体如下：