[1]叶仕超,雷景生,杨胜英.基于知识图谱的问答系统中属性映射方法研究[J].浙江科技学院学报,2022,(05):435-443.
　YE Shichao,LEI Jingsheng,YANG Shengying.Research on attribute mapping method in question answeringsystem based on knowledge graph[J].,2022,(05):435-443.
点击复制

基于知识图谱的问答系统中属性映射方法研究(/HTML)
分享到：

《浙江科技学院学报》[ISSN:1001-3733/CN:61-1062/R]

卷:
期数:
2022年05期
页码:
435-443
栏目:
出版日期:
2022-10-31

文章信息/Info

Title:
Research on attribute mapping method in question answeringsystem based on knowledge graph
文章编号:
1671-8798(2022)05-0435-09
作者:
叶仕超; 雷景生; 杨胜英
浙江科技学院 信息与电子工程学院,杭州 310023
Author(s):
YE Shichao;  LEI Jingsheng;  YANG Shengying
school of Information and Electronic Engineering, Zhejiang University ofScience and Technology, Hangzhou310023, Zhejiang, China
关键词:
智能问答; 属性映射; 多注意力; 多维文本; 知识图谱
分类号:
TP391.1
文献标志码:
A
摘要:
在基于知识图谱的智能问答系统中,属性映射模块结果的错误传播会导致最终无法得到正确答案,对此提出了一种基于多注意力多维文本的属性映射方法。首先通过拆分问题文本及结合属性信息得到多维文本表示;其次使用长短期记忆网络(long-short-term memory,LSTM)层生成各自的隐层表示;然后输入多注意力机制层后使问句和属性之间的关系及语义信息更加完善,利用属性之间的交互信息及多种角度来加强问句语义信息的理解;最后通过卷积神经网络(convolutional neural networks,CNN)提取局部特征并且采用softmax分类器实现属性映射。试验结果表明,在自然语言处理与中文计算会议(NLPCC 2018)中知识库问答(KBQA)任务所提供的开源数据集上,本方法相比主流属性映射模型其性能有显著提升,准确率最高提升6.62%。本模型可以补足单一文本表示与注意力机制的短板,有效解决属性映射模块中语义歧义的问题,这有助于后续提高智能问答系统的整体性能。

备注/Memo

备注/Memo:
国家自然科学基金项目(61972357,61672337);浙江省重点研发计划项目(2019C03135)
更新日期/Last Update: