买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京科技大学

摘要：本发明涉及人工智能技术领域，特别是指一种基于融合式递进推理网络的智能问答方法及装置，方法包括：获取用户输入的复杂问题数据；将复杂问题数据分解，获得多个子问题；在预先构建的知识库中提取与每个子问题相关的实体与上下文信息，构建每个子问题的情景模型；在预先构建的知识图谱中,提取每个子问题的答案路径；根据每个子问题的答案路径，获得所有子问题的答案集合；获取预先定义推理链中的多个推理路径；根据多个推理路径以及每个子问题的情景模型，对所有推理路径进行评估以及筛选，获得最优推理路径；执行最优推理路径，获得所有子问题的推理结果；将所有子问题的推理结果进行融合，获得复杂问题的答案。采用本发明可提高答案的准确性。

主权项：1.一种基于融合式递进推理网络的智能问答方法，其特征在于，所述方法包括：S1、获取用户输入的复杂问题数据；其中，所述复杂问题数据，包括：文本数据、图像数据以及音频数据；S2、对所述复杂问题数据进行分解，获得多个子问题以及由多个子问题构成的子问题集合；其中，采用自然语言处理技术将复杂问题数据分解为一系列子问题；S3、在预先构建的知识库中提取与每个子问题相关的实体与上下文信息，构建每个子问题的情景模型；其中，在预先构建的知识库中提取与子问题相关的实体，评估实体与子问题的相关程度；在预先构建的知识库中找到与每个实体相关的上下文信息；根据获取的相关程度以及上下文信息，构建每个子问题情景模型的过程通过下述公式1表示：Ci＝Σrelevancee,qi*extract_contexte,K1其中，Ci表示第i个子问题的情景模型，子问题的情景模型包含了与子问题相关的信息和语义背景，relevancee,qi函数表示用于评估实体与子问题的相关性，e表示与子问题相关的实体集合，qi表示第i个子问题，i的取值范围为1,...,m,m表示子问题个数；其中，extract_contexte,K函数表示从预先构建的知识库中提取与实体相关的上下文信息，K表示预先构建的知识库；S4、在预先构建的知识图谱中,提取每个子问题的答案路径；根据每个子问题的答案路径，获得所有子问题的答案集合；其中，所述S4的根据每个子问题的答案路径，获得所有子问题的答案集合，包括：S41、根据每个子问题的答案路径的不同特征对每个子问题相关的答案路径进行评分，将分数最高的路径作为可能导向正确答案的路径；S42、执行可能导向正确答案的路径，获得所有子问题的答案集合；其中，获得所有子问题的答案集合的过程通过下述公式2表示：Aq＝∪score_pathPG,qi,α,β,γ2其中，Aq表示所有子问题的答案集合，PG,qi函数表示从预先构建的知识图谱中提取与子问题相关的所有路径，G表示知识图谱，qi表示第i个子问题；score_path表示评分函数，根据路径的不同特征为每条路径打分，筛选出分数最高的路径为最有可能导向正确答案的路径；α，β，γ表示权重参数，分别代表路径中不同特征的重要性，i的取值范围为1,...,m,m表示子问题个数；S5、获取预先定义的推理链，所述推理链由多个推理路径构成；根据所述多个推理路径以及所述每个子问题的情景模型，对所有推理路径进行评估以及筛选，获得最优推理路径；其中，推理链由一系列推理路径构成，每个推理路径都是从问题到潜在答案的单个逻辑跳转，推理路径基于不同的逻辑操作，包括类比、因果推理以及演绎推断；其中，所述S5根据所述多个推理路径以及所述每个子问题的情景模型，对所有推理路径进行评估以及筛选，获得最优推理路径，包括：S51、构建评分函数；根据所述多个推理路径以及所述每个子问题的情景模型，利用评分函数进行评分，获得所述多个推理路径的有效性评分；其中，获得多个推理路径的有效性评分通过下述公式3表示：Sj＝evalrj,Ci,K3其中，Sj表示第j个推理路径的推理有效性评分，eval表示评价函数，rj表示推理路径，j的取值范围1,...,M,M表示推理路径的个数；Ci表示第i子问题的情景模型，K表示预先构建的知识库，i的取值范围1，...,m,m表示子问题个数；S52、计算所述多个推理路径的重要性权重，根据所述多个推理路径有效性评分以及所述多个推理路径的重要性权重筛选出分数最高的推理路径；分数最高的推理路径为最优推理路径；其中，获得最优推理路径的过程通过下述公式4表示：OpR＝argmaxΣSj*wj4其中，opR表示最优推理路径，表示所有推理路径中得分最高的一条；Sj表示第j个推理路径的推理有效性评分，wj表示第j个推理路径的重要性的权重，j的取值范围1，...,M,M表示推理路径的个数；S6、根据所有子问题的答案集合，执行所述最优推理路径，获得所有子问题的推理结果；其中，每个子问题的推理结果为每个子问题的最终答案；每个子问题的最终答案包含子问题的答案以及对子问题推理过程的解释；其中，所述S6的根据所有子问题的答案集合，执行所述最优推理路径，获得所有子问题的推理结果过程之后，还包括：根据所有子问题的推理结果与所述最优推理路径，利用动态反馈迭代方法对所述推理链的推理路径进行调整，获得调整后的推理路径；其中，根据智能问答系统当前系统的状态、当前的推理路径以及推理结果优化智能问答系统，具体的操作过程通过下述公式5来表示： 其中，Mi+1表示智能问答系统更新推理路径后的状态，Mi表示当前智能问答系统的状态，η表示学习率为可调节参数，决定智能问答系统每次更新时应该调整多少，其中，较高的学习率会导致智能问答系统更新的幅度过大，较低的学习率会导致智能问答系统更新过慢；其中，δFi,Ri为差异度量函数，表示计算第i次推理的输出结果Fi与预设复杂问题的标准答案Ri之间的差异；通过计算两者之间的距离来获得差异；L表示损失函数为数值指标，表示系统当前输出与预设真实答案之间的差距；损失函数会量化错误的大小，通过平方误差、交叉熵以及其相似性度量进行评估；其中，梯度表示损失函数在当前模型状态下对系统参数的局部敏感度，表示损失函数相对与系统参数变化的方向和幅度；其中，在每次迭代过程中，智能问答系统会根据梯度方向更新智能问答系统的状态，缩小每次迭代输出的结果与标准答案之间的差距；其中，采用动态反馈迭代方法不断比较系统输出的推理结果与预设答案之间的差距，对推理链的推理路径进行调整，使智能问答系统面对新的问题以及更加复杂的问题时能够准确并高效的给出答案；将调整后的推理路径上传到所述推理链中，更新所述推理链的推理路径；所述调整后的推理路径用于新问题的处理；S7、将所述所有子问题的推理结果进行融合，获得复杂问题的答案；其中，获得复杂问题的答案过程通过下述公式6表示：FM＝softmaxwt*Tr+∑wm*Em6其中，FM表示复杂问题的答案，wt表示文本模态的权重，Tr表示文本推理结果，wm表示模态m的权重，表示模态m在最终答案中的重要性，wt与wm的确定基于训练数据的性能反馈进行调整，通过机器学习的方法自定学习得到；其中，softmax表示多分类问题的函数，用于计算各模态推理结果的权重，并将它们转化为一个可以解释为概率的分数，分数表示了每种模态对最终答案的贡献度；其中，Em表示模态m的编码结果包含模态的特定信息，包括：视觉特征以及音频特征；Em的计算过程为复杂特征提取和编码过程；对于图像数据，Em通过卷积神经网络提取特征向量；对于音频数据，Em通过声音分析模型提取频域特征；其中，构造评估函数，评估解释的准确性以及解释对答案的覆盖程度，评估过程通过下述公式7来表示：Ve＝correctnessEa*coverageAq7其中，Ve表示解释的评估分数，表示解释的准确性和覆盖性的综合指标；coverageAq函数，用于评估解释Ea覆盖答案集Aq的程度，检查解释是否涵盖了所有可能的正确答案，或者至少是大部分正确答案；correctnessEa函数，用于评估解释Ea的准确性，检查解释是否准确；其中，具体的评估函数通过下述公式8来表示：Ve＝1Aq*∑matchea,aq8其中，Ve表示解释的评估分数，|Aq|表示答案集合Aq的答案数量，matchea,aq表示用于检查解释中的特定元素ea是否与答案集中的某个答案aq相匹配；其中，ea∈Ea表示解释Ea中的一个元素，aq∈Aq表示答案集Aq中的一个答案；其中，所述S7的将所述所有子问题的推理结果进行融合，包括：采用加权融合方法对所述所有子问题的推理结果进行融合。

全文数据：

权利要求：

百度查询： 北京科技大学 一种基于融合式递进推理网络的智能问答方法及装置