公开(公告)号：CN112035629B

公开(公告)日：2023-02-17

申请号：CN202010826838.1

申请日：2020-08-17

Applicant: 北京理工大学

Inventor： 何钺 ,  吴昊 ,  黄河燕

IPC: G06F16/332 ,  G06F16/33 ,  G06F16/35 ,  G06F40/126 ,  G06F40/216 ,  G06N3/042 ,  G06N3/045 ,  G06N3/084

Abstract: 本发明涉及一种基于符号化知识与神经网络的问答模型的实现方法，属于抽取式问答技术领域。该方法首先以一阶逻辑的方式将自然语言组成的知识转化为符号化知识，再结合正则表达式生成神经网络可以识别的特征，使符号化知识的信息能结合到神经网络中；同时，针对只使用正则表达式会降低符号化知识的泛化性的问题，提出了基于注意力机制的方法，能够利用符号化知识与输入文本之间的关联信息，提高符号化知识在问答过程中的泛化性。对比现有技术，本发明结合了基于规则的问答模型和基于深度学习的问答模型的长处，使得模型的推理过程更具解释性，同时提高了问答模型的鲁棒性和准确率。

公开(公告)号：CN112035629A

公开(公告)日：2020-12-04

申请号：CN202010826838.1

申请日：2020-08-17

Applicant: 北京理工大学

Inventor： 何钺 ,  吴昊 ,  黄河燕

IPC: G06F16/332 ,  G06F16/33 ,  G06F16/35 ,  G06F40/126 ,  G06F40/216 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于符号化知识与神经网络的问答模型的实现方法，属于抽取式问答技术领域。该方法首先以一阶逻辑的方式将自然语言组成的知识转化为符号化知识，再结合正则表达式生成神经网络可以识别的特征，使符号化知识的信息能结合到神经网络中；同时，针对只使用正则表达式会降低符号化知识的泛化性的问题，提出了基于注意力机制的方法，能够利用符号化知识与输入文本之间的关联信息，提高符号化知识在问答过程中的泛化性。对比现有技术，本发明结合了基于规则的问答模型和基于深度学习的问答模型的长处，使得模型的推理过程更具解释性，同时提高了问答模型的鲁棒性和准确率。