[发明专利]一种基于知识图谱的人机交互方法及系统

说明书

本发明公开了一种基于知识图谱的人机交互的方法及系统，所述方法包括：对样本知识进行分类，构建分领域知识数据的聚类；对聚类后的知识数据，采用TransE算法将分类领域库中的知识以三元组的形式，构建有向知识图谱；通过将串行的处理方式改成网络并行处理，同时提取主题分类和融合历史会话信息，借助知识图谱中的概率知识，筛选用户真实意图进行判断，从而提高了人机交互信息的查询效率。

技术领域

本发明涉及人工智能领域，具体适用于基于知识图谱的人机交互方法和系统。

背景技术

近年来，随着人工智能技术的发展，知识图谱这一技术与生活中的应用越来越近了。在各个领域都有所应用，比如机器人的人工对话，智能客户电话的机器问答等。知识图谱作为一种语义网络，可以用来表现复杂演化的实体语义关系。知识图谱拥有极强的表达能力和建模灵活性：首先，知识图谱是一种语义表示，可以对现实世界中的实体、概念、属性以及它们之间的关系进行建模；其次，知识图谱是其衍生技术的数据交换标准，其本身是一种数据建模的“协议”，相关技术涵盖知识抽取、知识集成、知识管理和知识应用等各个环节。

知识图谱之中涉及到了数据存储和处理模块两部分。现有的人机相互系统，大部分都集中在知识图谱的存储、查询和更新在内的数据管理模块，如何管理一个可更新的超大规模稀疏三阶张量。通常是将知识图谱数据的主语、谓词和宾语三个部分分别看作三个维度，每一个维度上的取值范围即知识图谱中对应位置出现的所有值，那么整个数据集就可以被一个稀疏的三阶张量表示，进而将知识图谱的存储问题也可以转换为对这个三阶张量的压缩和索引。这个三阶张量非常稀疏且分布不均匀，其中主语和宾语这两维的数量大，可以达到十亿量级，而谓词通常在几千到上万的量级。

目前而言，快速，高效，且准确地在基于如此巨大的知识图谱中辅助找到适合的信息成为研究的热点，同时如何与现有的适合知识图谱构造的应用场景如法院审判系统和合同智能审核等相结合，从而提高处理效率等也受到广泛关注。

发明内容

为解决上述技术问题至少之一，本发明提出一种人机交互的方法及系统，将串行的处理方式改成网络并行处理，同时提取主题分类和融合历史会话信息，借助知识图谱中的概率知识，筛选用户真实意图进行判断，从而提高了人机交互信息的反馈的高效和快捷。

所述方法包括：步骤S01，对训练样本知识进行分类，构建分领域知识数据的聚类；步骤S02，对聚类后的知识数据，采用TransE算法将分类领域库中的知识以三元组的形式，构建有向知识图谱；步骤S03，解析获得的会话信息，获取其中的话题分类，依据该话题分类与知识分类的聚类信息的匹配度，获得对应的知识图谱，依据该知识图谱，响应于该会话信息进行输出。

进一步，所述聚类，采用k-means聚类，首先使用映射操作并行地将原始知识数据转换为可聚类的格式，给不同服务器分配互不重复的知识数据，每个服务器根据给定的k值随机选取k个知识数据作为初始聚类中心，并对其按照顺序编号，对知识数据进行初始划分，得到k个聚类作为初始聚类中心后，对每个知识数据执行划分和下述迭代操作：每个服务器在映射阶段分别读出位于本地的知识数据，并计算每个知识数据到各初始聚类中心的距离，将其归属到最近的初始聚类中心，该步骤操作是并行进行的，再将本次聚类结果在缩减过程中返回；

缩减过程是得到所有知识数据的聚类结果，并对各服务器聚类结果进行合并后，在每个新的聚类中选取权值最大的知识数据作为新的聚类中心；

重复执行上述映射和缩减操作，直到聚类中心不再变化或达到最大迭代次数时，结束迭代，并输出每个知识数据归属的聚类信息。

进一步，所述话题分类中包括主话题和子话题，所述知识图谱中的数据包含主话题和子话题之间的关联度。

进一步，在人机交互会话时时，可以采用神经网络算法结合知识图谱进行输出。

进一步，所述神经网络算法是RNN算法或LSTM算法。