[发明专利]一种基于模板匹配和深度学习的知识库问答系统构建方法

说明书

本发明公开了一种基于模板匹配和深度学习的知识库问答系统构建方法，包括:包括如下步骤：S1：设计和构建问答模板，设计问答模板时，必须具有问答完备性，用户可能问到的问题都必须含有对应的一个问答模板，这部分要求设计人员对业务问题的充分调研；S2：设计和构建本体图谱，根据实体数据和关系数据、场景业务和意图模板来设计本体图谱；S3：构建标记层；S4：构建触发层；S5：构建匹配层；S6：构建对齐层；S7：构建查询层。本发明，使用模板匹配和模型预测结合、ES搜索和模型预测结合的方式，使得问答系统的覆盖率和准确率更高，增强了问答系统的健壮性，本发明考虑了问句的多样性，扩大了问答的范围和形式，使得问答系统变得更加丰富。

技术领域

本发明涉及人工智能自然语言处理技术领域，具体为一种基于模板匹配和深度学习的知识库问答系统构建方法。

背景技术

当下基于知识库的问答系统有两大类：基于模板的问答系统和基于模型推断的问答系统。基于模板的问答系统准确率高，但是需要提前编写业务场景相关的问答模板，而且难以覆盖用户灵活多变的问句；基于模型的问答系统虽然可以覆盖更多的问句形式和内容，但是往往依赖于场景相关的大量训练数据，导致实际应用时不能达到理想的效果程度。

除了问答系统的主要解决方式之外，当下的问答系统都没有形成一个完整的处理流程，而且也没有针对答案的图数据搜索和装饰给出一个比较好的解决方法。

例如，现有公告号为CN112071429A的发明专利，其公开了一种基于知识图谱的医疗自动问答系统构建方法，包括：对医疗领域知识图谱中的实体、关系以及属性进行预定义；获取医疗领域数据，根据所预定义的医疗领域知识图谱，利用数据自动标注算法对医疗领域数据进行标注；利用知识图谱构建模型对所述标注数据进行知识图谱的构建，得到医疗领域知识图谱；利用对话编码器将用户的对话文本进行编码，得到对话文本编码数据；利用基于知识图谱的强化学习网络对文本编码数据进行路径推断，得到用户的意图路径，意图路径所指向的知识图谱结果即为自动问答结果。其还构建了一种基于知识图谱的医疗自动问答系统，实现了医疗领域的自动问答。

但是上述发明专利仍然存在一下缺陷：

1、上述发明专利仅仅是解决医疗领域内的一种知识问答方法，难以结合各个领域的具体场景进行更加灵活地构建问答系统；

2、上述发明专利采用编码和强化学习路径推断得到用户意图，导致问答的准确率不高。

3、上述发明专利中的问答系统只能回答知识库问句对应的固有模板答案，难以给出具体的数量答案。

发明内容

本发明的目的在于提供一种基于模板匹配和深度学习的知识库问答系统构建方法，可将塑料颗粒中残留的铁质杂物吸附，达到除去塑料颗粒中残留的铁质杂物的目的，可避免铁质杂物进入注塑机而导致注塑机损坏的不良现象发生，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于模板匹配和深度学习的知识库问答系统构建方法，包括如下步骤：

S1：设计和构建问答模板，设计问答模板时，必须具有问答完备性，用户可能问到的问题都必须含有对应的一个问答模板，这部分要求设计人员对业务问题的充分调研；

S2：设计和构建本体图谱，根据实体数据和关系数据、场景业务和意图模板来设计本体图谱，便于高效访问图数据库得到答案；

S3：构建标记层，将公司名称、时间、地点业务所涉及到的实体标记为对应的标记形成标记层；

S4：构建触发层，使用触发机制，缩小匹配范围，触发机制分为意图触发和问题触发，用户输入不规范、用户输入过于灵活，用户输入的部分词语同义词过多，使用意图分类作为触发机制的补充手段，对问句进行意图模型分类，打一个标签，需根据业务提前设计好标签和对应问题分类，该部分使用TextCNN模型来预测分类；