一種知識驅動的軍事語言問答方法與流程
2023-12-02 17:33:42 1
1.本發明屬於自動問答領域，特別是一種知識驅動的軍事語言問答方法。
背景技術：
2.隨著武器裝備和艦載武器系統的信息化程度不斷提高，軍事信息系統組成模式經歷了多次變化。戰場信息數量與規模急劇增加，信息來源愈加廣泛。傳統搜尋引擎和查詢方式，已經不能滿足戰場信息以及大量軍事知識的捕獲和理解。
3.語言自動問答技術能夠通過問句理解將自然語言轉化為計算機可以理解的語言。這裡可以利用中文分詞、命名實體識別等自然語言處理技術找到問句所涉及的實體與關鍵詞；通過關係抽取技術找到問句中的關係,得到實體關係對，將問題消解後得到的實體關係對通過實體連結的方式與結構化知識庫對接，構建端到端的帶有知識庫查詢功能的深度神經網絡生成式問答模型，在標準的端到端序列到序列學習框架下，使用匹配和拷貝機制從原始問句和知識庫中提取答案元素，並同時逐詞生成包含普通詞語和知識庫詞語的自然語言答案。
4.由於軍事知識庫包含數目龐大的高度結構化、條理化的數據，這些數據是軍事語言問答系統的知識圖譜來源。然而，在軍事領域的知識庫與問答系統融合，還需要解決以下的問題，一方面，知識庫中的數據無法直接進行知識推理和預測等智能問答系統中所需的數值計算，具有結構化數據特徵多樣性、關係多維性以及異構知識庫之間的表示差異性等問題；另一方面，儘管知識庫在構建的時候在文本中已經抽取了結構化信息，但仍然存留數據稀疏、信息不完備等問題，無法實現從自動問答系統中精確、快速地得到問題的答案。
技術實現要素：
5.本發明的目的在於針對上述現有技術存在的問題，提供一種知識驅動的軍事語言問答方法。
6.實現本發明目的的技術解決方案為：一種知識驅動的軍事語言問答及接口方法，所述方法包括以下步驟：
7.步驟1，建立軍事語言問答模型，構建問句查詢分析模型、軍事知識推理模型、軍事知識答案生成模型；
8.步驟2，建立軍事知識圖譜與軍事知識庫之間的數據映射關係，包括軍事知識的實體類型、屬性定義、關係、關係屬性、數據集；
9.步驟3，調用軍事語言分詞檢索接口，將查詢輸入的語句中進行分詞處理，將分詞處理形成的關鍵詞數據推送到軍事語言問答模型中；
10.步驟4，軍事語言問答系統調用軍事語言問句語義查詢接口，接收軍事語言問句數據，確定軍事語言問句信息和意圖；
11.步驟5，將軍事語言分詞接口的關鍵詞數據推送到軍事知識答案生成模型，生成軍事語言形式回答；
12.步驟6，建立知識圖譜自適應擴展模型，完成軍事知識圖譜更新。
13.進一步地，步驟1中所述問句查詢分析模型，包括問句分類模型、實體連結模型和意圖分析模型；
14.所述問句分類模型，用於對問題進行分類，為答案生成策略提供參考；
15.所述實體連結模型，用於將問題文本中的實體與知識圖譜中相應的實體進行連結，包括解決實體間存在的歧義性問題；
16.所述意圖分析模型，用於分析問題的語義，將問句的意圖劃分到相應的種類，並識別問句中的限定條件。
17.進一步地，步驟1中所述軍事知識推理模型，用於建立注意力機制的卷積神經網絡模型，完成自然語言到邏輯語言的卷積神經網絡翻譯。
18.進一步地，步驟1中所述軍事知識答案生成模型，包括統計轉換模型、答案排序模型、問答生成模型、問答研究成果模型；
19.所述統計轉換模型，用於根據問句分類模型的輸出結果，對答案進行通過求和、排序或者數據單位轉換的統計計算和轉換；
20.所述答案排序模型，用於按照與問題的相關度對若干個答案進行排序，主要有基於語義分析和基於信息檢索的兩類方式；
21.所述問答生成模型，用於將問題答案轉換為句子的形式呈現給用戶；
22.所述問答研究成果模型，用於通過問答交互的方式，對所問問題首先進行自然語言處理和解析，然後基於圖譜查詢和匹配，找出問題的精確答案。
23.進一步地，步驟2中的數據映射關係指建立軍事語言的軍事知識圖譜，使知識圖譜與軍事語言能夠實現同步對照。
24.進一步地，步驟2中的實體類型、屬性定義、關係、關係屬性、數據集，來源於軍事知識實體抽取接口、軍事知識屬性抽取接口、軍事知識關係抽取接口及bilstm算法+crf算法的實體抽取接口。
25.進一步地，步驟3中的分詞處理，包括擴散過程、堆砌過程和選優過程。
26.進一步地，步驟3中關鍵詞數據，包括問句分類、實體連結和意圖分析。
27.進一步地，步驟6中的知識圖譜自適應擴展模型，包括圖譜融合模型、圖譜知識推理模型、圖譜更新模型；
28.所述圖譜融合模型，用於識別軍事知識實體關係、關聯，消解軍事知識數據衝突，實現軍事知識數據重組；
29.所述圖譜知識推理模型，用於基於知識庫中已有的軍事知識實體關係數據，建立軍事知識實體間的新關聯，拓展和豐富軍事知識網絡；
30.所述圖譜更新模型，用於實現結構化、非結構化、半結構化軍事知識數據更新。
31.本發明與現有技術相比，其顯著優點為：
32.(1)本發明構建知識圖譜自適應擴展模型，包括圖譜融合模型、圖譜知識推理模型、圖譜更新模型，完成結構化、非結構化、半結構化軍事知識數據更新，從而完成軍事知識圖譜更新，提高了知識融合效率。
33.(2)本發明直接將軍事語言分詞接口的關鍵詞數據推送到軍事知識答案生成模型，生成軍事語言形式的回答，區分軍事知識問題類型，通過針對軍事知識問題類型的特徵
規則、機器學習提取已標註的軍事知識語料問題類型特徵、卷積神經網絡提取軍事語義信息局部特徵，能生成更具泛化性和靈活性的軍事語言形式回答。
34.(3)本發明調用軍事語言問句語義查詢分析接口，接收軍事語言問句數據，接收分詞處理形成的關鍵詞數據，包括問句分類、實體連結和意圖分析，從而確定軍事語言問句信息和意圖，提高了關鍵詞數據質量。
35.下面結合附圖對本發明作進一步詳細描述。
附圖說明
36.圖1為本發明知識驅動的軍事語言問答方法的流程圖。
具體實施方式
37.為了使本技術的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本技術進行進一步詳細說明。應當理解，此處描述的具體實施例僅僅用以解釋本技術，並不用於限定本技術。
38.需要說明，若本發明實施例中有涉及「第一」、「第二」等的描述，則該「第一」、「第二」等的描述僅用於描述目的，而不能理解為指示或暗示其相對重要性或者隱含指明所指示的技術特徵的數量。由此，限定有「第一」、「第二」的特徵可以明示或者隱含地包括至少一個該特徵。另外，各個實施例之間的技術方案可以相互結合，但是必須是以本領域普通技術人員能夠實現為基礎，當技術方案的結合出現相互矛盾或無法實現時應當認為這種技術方案的結合不存在，也不在本發明要求的保護範圍之內。
39.在一個實施例中，結合圖1，提供了一種知識驅動的軍事語言問答方法，包括以下步驟：
40.步驟1，建立軍事語言問答模型，構建問句查詢分析模型、軍事知識推理模型、軍事知識答案生成模型；
41.步驟2，建立軍事知識圖譜與軍事知識庫之間的數據映射關係，包括軍事知識的實體類型、屬性定義、關係、關係屬性、數據集；
42.步驟3，調用軍事語言分詞檢索接口，將查詢輸入的語句中進行分詞處理，將分詞處理形成的關鍵詞數據推送到軍事語言問答模型中；
43.步驟4，軍事語言問答系統調用軍事語言問句語義查詢接口，接收軍事語言問句數據，確定軍事語言問句信息和意圖；
44.步驟5，將軍事語言分詞接口的關鍵詞數據推送到軍事知識答案生成模型，生成軍事語言形式回答；
45.步驟6，建立知識圖譜自適應擴展模型，完成軍事知識圖譜更新。
46.進一步地，在其中一個實施例中，步驟1中問句查詢分析模型，包括問句分類模型、實體連結模型、意圖分析模型；
47.問句分類模型，用於分析問題的類別，為答案生成策略提供參考。具體地：問句分類模型能實現區分軍事知識問題類型，通過專家人工提取的針對軍事知識問題類型的特徵規則、機器學習提取已標註的軍事知識語料問題類型特徵、卷積神經網絡提取軍事語義信息局部特徵，將軍事知識問題區分為事實型、枚舉型、統計型(比較、求和、大於小於)、是非
型多個大類；
48.實體連結模型，支持將問題文本中提到的實體與知識圖譜中相應的實體連結起來的任務，包括解決實體間存在的歧義性問題；具體地：能實現連接軍事知識問題文本中提到的實體與知識圖譜對應的實體，通過實體詞典與軍事知識問句文本匹配、設計適合該文本和類別的特徵提取序列數據、關聯指稱到正確的實體對象、解決同名實體產生歧義的問題，將軍事知識問題文本實體連結到知識圖譜中正確的映射實體上。
49.意圖分析模型，分析問題的語義，將問句的意圖劃分到相應的種類，並識別問句中的限定條件；具體地，通過人為構建規則模板以及類別信息、深度學習提取軍事知識問題文本關鍵特徵，將軍事知識問句的意圖劃分到相應的種類。
50.進一步地，在其中一個實施例中，步驟1中軍事知識推理模型，用於完成自然語言到邏輯語言的卷積神經網絡翻譯。
51.進一步地，在其中一個實施例中，步驟1中軍事知識答案生成模型，包括統計轉換模型、答案排序模型、問答生成模型、問答研究成果模型；
52.統計轉換模型：支持對問題分類的結果進行相應的統計計算和轉換；具體地：根據問題分類模型的輸出結果，對答案進行通過求和、排序或者數據單位轉換的統計計算和轉換；
53.答案排序模型：對若干個答案按照與問題的相關度排序，主要有基於語義分析和基於信息檢索的兩類方式；其中，基於信息檢索的方法，根據軍事語言問題中傳達的信息從知識圖譜中搜索答案；
54.問答生成模型：將問題答案最終轉換為句子的形式呈現給用戶；具體地：通過編碼與解碼器的結構，實現由三元組生成軍事知識語言；
55.問答研究成果模型：通過問答交互的方式，對所問問題首先進行自然語言處理和解析，然後基於圖譜查詢和匹配，找出問題的精確答案；具體地：建立可視化圖譜問答界面，用戶輸入軍事知識問題查詢，能夠展示答案的文字形式和圖譜形式。
56.進一步地，在其中一個實施例中，步驟2建立軍事知識圖譜與軍事知識庫之間的數據映射關係，通過軍事知識實體抽取接口、軍事知識屬性抽取接口、軍事知識關係抽取接口及bilstm算法+crf算法的實體抽取接口，獲取軍事知識的實體類型、屬性定義、關係、關係屬性、數據集，建立軍事語言的軍事知識圖譜，使知識圖譜與軍事語言能夠實現同步對照。
57.進一步地，在其中一個實施例中，步驟6中的知識圖譜自適應擴展模型，包括圖譜融合模型、圖譜知識推理模型、圖譜更新模型；
58.所述圖譜融合模型，用於識別軍事知識實體關係、關聯，消解軍事知識數據衝突，實現軍事知識數據重組；具體地：通過實體對齊判斷知識圖譜的實體是否等價，屬性對齊合併單數據源中的所有等價屬性，屬性值對齊合併不同知識圖譜的同一實體的同一屬性的屬性值；
59.所述圖譜知識推理模型，用於基於知識庫中已有的軍事知識實體關係數據，建立軍事知識實體間的新關聯，拓展和豐富軍事知識網絡；具體地：通過一階謂詞邏輯、描述邏輯、自定義規則的推理，拓展和豐富圖譜知識；
60.所述圖譜更新模型，用於實現結構化、非結構化、半結構化軍事知識數據更新；具體地：通過插入與替換、開放域關係抽取、實體擴展，完成結構化、非結構化與半結構化軍事
知識數據圖譜的更新。
61.在一個實施例中，提供了一種知識驅動的軍事語言問答系統，所述系統包括：
62.第一模塊，用於建立軍事語言問答模型，包括問句查詢分析模型、軍事知識推理模型、軍事知識答案生成模型；
63.第二模塊，用於建立軍事知識圖譜與軍事知識庫之間的數據映射關係，包括軍事知識的實體類型、屬性定義、關係、關係屬性、數據集；
64.第三模塊，用於將查詢輸入的語句進行分詞處理，將分詞處理形成的關鍵詞數據推送到軍事語言問答模型中；
65.第四模塊，用於實現軍事語言問答系統接收軍事語言問句數據，確定軍事語言問句信息和意圖；
66.第五模塊，用於將關鍵詞數據推送到軍事知識答案生成模型，生成軍事語言形式回答；
67.第六模塊，用於建立知識圖譜自適應擴展模型，完成軍事知識圖譜更新。
68.關於知識驅動的軍事語言問答構系統的具體限定可以參見上文中對於知識驅動的軍事語言問答方法的限定，在此不再贅述。上述知識驅動的軍事語言問答系統中的各個模塊可全部或部分通過軟體、硬體及其組合來實現。上述各模塊可以硬體形式內嵌於或獨立於計算機設備中的處理器中，也可以以軟體形式存儲於計算機設備中的存儲器中，以便於處理器調用執行以上各個模塊對應的操作。
69.本發明填補了軍事語言問答的空白，且通過知識驅動的軍事語言問答及接口技術，準確回答軍事問題，為用戶提供了直接的信息檢索途徑。
70.以上顯示和描述了本發明的基本原理、主要特徵及優點。本行業的技術人員應該了解，本發明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發明的原理，在不脫離本發明精神和範圍的前提下，凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。