模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2021, Vol. 34 Issue (3): 267-274    DOI: 10.16451/j.cnki.issn1003-6059.202103008
研究与应用 最新目录| 下期目录| 过刊浏览| 高级检索 |
融合事实文本的知识库问答方法
王广祥1,2, 何世柱3, 刘康3, 余正涛1,2, 高盛祥1,2, 郭军军1,2
1.昆明理工大学 信息工程与自动化学院 昆明 650504
2.昆明理工大学 云南省人工智能重点实验室 昆明 650500
3.中国科学院自动化研究所 模式识别国家重点实验室 北京 100190
Knowledge Base Question Answering Method Incorporating Fact Text
WANG Guangxiang1,2, HE Shizhu1,2, LIU Kang1,2, YU Zhengtao1,2, GAO Shengxiang1,2, GUO Junjun1,2
1. Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650504
2. Yunnan Key Laboratory of Artificial Intelligence, Kunming Uni-versity of Science and Technology, Kunming 650500
3. National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences, Beijing 100190

全文: PDF (855 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 在自然语言问题中,由于知识库中关系表达的多样化,通过表示学习匹配知识库问答的答案仍是一项艰巨任务.为了弥补上述不足,文中提出融合事实文本的知识库问答方法,将知识库中的实体、实体类型和关系转换为事实文本,并使用双向Transformer编码器(BERT)进行表示,利用BERT丰富的语义模式得到问题和答案在低维语义空间中的数值向量,通过数值计算匹配与问题语义最相近的答案.实验表明,文中方法在回答常见的简单问题时效果较优,鲁棒性较强.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
王广祥
何世柱
刘康
余正涛
高盛祥
郭军军
关键词 问答系统知识库表示学习深度学习    
Abstract:In natural language problems, the relationship expression in the knowledge base is diversified. Therefore, matching the answers of the knowledge base question and answer through representation learning is still a challenge. To make up the shortcomings, a knowledge base question answering method incorporating fact text is proposed. Entities, entity types and relationships in the knowledge base are converted into fact text. A pre-trained language model(BERT) is employed for representation. The vector of question and answers in low dimensional semantic space is obtained using the rich semantic mode of BERT. The answer with the closest semantic similarity to the question is matched by calculation. Experiments show that the proposed method is effective and robust in answering common simple questions.
Key wordsQuestion Answering System    Knowledge Base    Representation Learning    Deep Learning   
收稿日期: 2021-01-27     
ZTFLH: TP 391  
基金资助:国家重点研发计划项目(No.2018YFC0830101,2018YFC0830
105,2018YFC0830100)、国家自然科学基金项目(No.615330
18,61972186,61762056,61472168,61702512)、云南省高新技术产业专项(No.201606)资助
通讯作者: 余正涛,博士,教授,主要研究方向为自然语言处理、信息检索、机器翻译.E-mail:ztyu@hotmail.com.   
作者简介: 王广祥,硕士研究生,主要研究方向为自然语言处理.E-mail:1918697933@qq.com.何世柱,博士,副研究员,主要研究方向为知识图谱、自然语言处理.E-mail:shizhu.he@nlpr.ia.ac.cn.刘 康,博士,研究员,主要研究方向为知识图谱、自然语言处理.E-mail:kliu@nlpr.ia.ac.cn.高盛祥,博士,副教授,主要研究方向为自然语言处理.E-mail:gaoshengxiang.yn@foxmail.com.郭军军,博士,副教授,主要研究方向为自然语言处理.E-mail:guojjgb@163.com.
引用本文:   
王广祥, 何世柱, 刘康, 余正涛, 高盛祥, 郭军军. 融合事实文本的知识库问答方法[J]. 模式识别与人工智能, 2021, 34(3): 267-274. WANG Guangxiang, HE Shizhu, LIU Kang, YU Zhengtao, GAO Shengxiang, GUO Junjun. Knowledge Base Question Answering Method Incorporating Fact Text. , 2021, 34(3): 267-274.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.202103008      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2021/V34/I3/267
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn