武器裝備知識圖譜的構(gòu)建及自動問答系統(tǒng)

郭華 張瑩

摘 要：本文旨在通過構(gòu)建武器裝備的知識圖譜來幫助實現(xiàn)專業(yè)人士所需要的相關(guān)領(lǐng)域的自動問答系統(tǒng)。本文的受眾主要針對對知識圖譜有基本認(rèn)識和了解的群體以及對武器裝備有研究需求的學(xué)者提供幫助。

關(guān)鍵詞：知識圖譜構(gòu)建;知識獲取;知識融合;知識推理;自動問答

1 ?背景

問答系統(tǒng)被看做是未來信息服務(wù)的顛覆性技術(shù)之一，被認(rèn)為是機器 具備語言理解能力的主要驗證手段之一。它旨在檢索用戶所提出問題的預(yù)期答案并以一種精準(zhǔn)的自然語言的形式將答案呈現(xiàn)給用戶。因此，問答系統(tǒng)與普通的搜索引擎相比具有特殊的意義和優(yōu)勢，被認(rèn)為是可以滿足用戶信息需求的語義研究的終極目標(biāo)。問答系統(tǒng)的概念顯示了信息檢索技術(shù)的顯著進(jìn)步，特別是它能夠以自然語言的方式訪問知識資源的能力[1，3]。本文基于對問答系統(tǒng)相關(guān)知識的研究背景對其展開更深入的研究，通過讀取武器裝備的語料庫再運用知識圖譜的構(gòu)建技術(shù)來最終實現(xiàn)構(gòu)建基于軍事裝備的自動問答系統(tǒng)的終極目標(biāo)。由于近些年來，人工智能熱潮的到來，各行各業(yè)都對知識圖譜技術(shù)的應(yīng)用，以及自動問答系統(tǒng)的研究給予其高度的關(guān)注和極大的投入。因此，本項研究的開展具有非常重要的學(xué)術(shù)和實際意義。

2 ?問題描述

對于人機交互而言，自然語言是人類最好的信息訪問機制。然而， 傳統(tǒng)的問答方式僅僅基于“檢索+提取”，缺乏對文本語義的深入分析和處理，難以實現(xiàn)知識的深層邏輯推理，無法達(dá)到人工智能的終極目標(biāo)。此外，現(xiàn)有的一些常用的問答系統(tǒng)僅僅局限于對限定領(lǐng)域、特定類型的問題的回答，離語義的深層次理解以及智能化問答還有一定的差距。因此，針對已有問答模式的不足，為了滿足用戶的需求，研究人員開始逐步轉(zhuǎn)向針對知識圖譜領(lǐng)域的研究。期望對整個互聯(lián)網(wǎng)文本內(nèi)容進(jìn)行信息的結(jié)構(gòu)化，再利用實體與實體間的語義關(guān)系進(jìn)行深度的挖掘與理解，從數(shù)據(jù)源頭上提升數(shù)據(jù)的準(zhǔn)確性。在本項研究中，我們希望通過分析用戶自然語言問題的語義，進(jìn)而基于已經(jīng)構(gòu)建好的嚴(yán)格結(jié)構(gòu)化的武器裝備的知識圖譜，通過檢索、匹配或推理等手段，獲取最終的正確答案[3]。

對于知識圖譜的構(gòu)建，首先要清楚的就是知識圖譜的模式定義，掌握本體和知識圖譜的關(guān)系。進(jìn)一步地，從不同來源、不同結(jié)構(gòu)的數(shù)據(jù)中進(jìn)行知識提取，形成結(jié)構(gòu)化的知識并存入到知識圖譜中。接下來，可以通過知識融合解決知識圖譜異構(gòu)問題進(jìn)而豐富知識庫中實體的文本信息，最后通過知識推理的手段在已有知識庫的基礎(chǔ)上進(jìn)一步挖掘隱含知識，進(jìn)而擴展知識庫。本文基于武器裝備的知識圖譜的構(gòu)建技術(shù)，來最大限度的提升自動問答系統(tǒng)的準(zhǔn)確性。

3 ?方法概述

3.1知識獲取

知識圖譜中的知識分別來源于結(jié)構(gòu)化數(shù)據(jù)，半結(jié)構(gòu)化數(shù)據(jù)，非結(jié)構(gòu)化文本數(shù)據(jù)[2]。本項研究的知識獲取即是從不同來源、不同結(jié)構(gòu)的武器裝備語料庫中進(jìn)行知識提取，形成結(jié)構(gòu)化的知識并存入到知識圖譜中。知識獲取只要包括以下幾個主要技術(shù)，分別有：命名實體識別;關(guān)系抽取;事件抽取。以下基于武器裝備領(lǐng)域的知識圖譜構(gòu)建對這幾項技術(shù)進(jìn)行簡要敘述。

3.1.1命名實體識別 ：

指從特有的武器裝備語料庫中自動識別出專有的武器裝備的名詞或有意義的名詞性短語，其準(zhǔn)確性直接影響到知識獲取的質(zhì)量和效率。因此，實體抽取是知識圖譜構(gòu)建和知識獲取的基礎(chǔ)和關(guān)鍵[4，5，6]。

3.1.2關(guān)系抽取 ：

可以利用多種技術(shù)手段，例如基于模版的關(guān)系抽取方法，基于監(jiān)督學(xué)習(xí)的關(guān)系抽取方法，基于弱監(jiān)督學(xué)習(xí)的關(guān)系抽取方法[8]等都可以幫助我們從武器裝備語料庫中抽取具有某種關(guān)系的武器裝備的實體對或者他們之間可能存在的所有的關(guān)系。相較于實體抽取，關(guān)系抽取更加復(fù)雜，這是由于關(guān)系表達(dá)存在隱含性，復(fù)雜性以及語言的多樣性等多種特征。[7]

3.1.3事件抽取 ：

從描述武器裝備的事件信息文本中抽取出用戶可能感興趣的事件信息并以結(jié)構(gòu)化的形式呈現(xiàn)出來[9]。

由于目前關(guān)于此類技術(shù)的研究已經(jīng)非常的成熟，在此不再做過多的贅述。

3.2知識融合

知識融合對目標(biāo)旨在盡可能融合各個層面（概念層、數(shù)據(jù)層）的武器知識，盡可能多的合并知識圖譜。其主要技術(shù)有實體對齊。即，把具有不同的標(biāo)識的武器裝備實體，做歸一化處理[10]。最終實現(xiàn)高質(zhì)量鏈接多個現(xiàn)有知識庫，從頂層創(chuàng)建一個大規(guī)模的統(tǒng)一知識庫，從而幫助機器理解底層數(shù)據(jù)。

（三）知識推理

在已有武器裝備知識圖譜的基礎(chǔ)上，推斷出未知的知識的過程[11]。通過從已知的知識出發(fā)，從中獲取到所蘊含的新的事實，或者從大量的已有的知識中進(jìn)行歸納，從個體知識推廣到一般性的知識。

4 結(jié)論

針對于武器裝備問答系統(tǒng)回答用戶問題的研究，首先必須要正確領(lǐng)會用戶所提出的自然語言問題，這對于準(zhǔn)確的回答用戶的問題至關(guān)要。接著通過抽取用戶語句中的關(guān)鍵語義信息，將用戶提出的問題轉(zhuǎn)換為可以在單個或是多個武器裝備知識圖譜中查詢的查詢語句，最后通過在已有的知識圖譜中進(jìn)行檢索、推理等手段獲取答案，并將其轉(zhuǎn)化為自然語言的形式并返回給用戶。

參考文獻(xiàn)：

[1] Zou， Xiaohan. “A survey on application of knowledge graph.” Journal of Physics： Conference Series. Vol. 1487. No. 1. IOP Publishing， 2020.

[2] Zhao， Zhanfang， Sung-Kook Han， and In-Mi So. “Architecture of knowledge graph construction techniques.” International Journal of Pure and Applied Mathematics 118.19 （2018）： 1869-1883.

[3] Fensel， Dieter， et al. “How to Use a Knowledge Graph.” Knowledge Graphs. Springer， Cham， 2020. 69-93.

[4] Nadeau， David， and Satoshi Sekine. “A survey of named entity recognition and classification.” Lingvisticae Investigationes 30.1 （2007）： 3-26.

[5] Yadav， Vikas， and Steven Bethard. “A survey on recent advances in named entity recognition from deep learning models.” arXiv preprint arXiv：1910.11470 （2019）.

[6] Palshikar， Girish Keshav. “Techniques for named entity recognition： a survey.” Bioinformatics： Concepts， Methodologies， Tools， and Applications. IGI Global， 2013. 400-426.

[7] Zhang， Ningyu， et al. “Long-tail relation extraction via knowledge graph embeddings and graph convolution networks.” arXiv preprint arXiv：1903.01306 （2019）.

[8] Lin， Yankai， et al. “Learning entity and relation embeddings for knowledge graph completion.” Twenty-ninth AAAI conference on artificial intelligence. 2015.

[9] Guo， Kaihao， Tianpei Jiang， and Haipeng Zhang. “Knowledge Graph Enhanced Event Extraction in Financial Documents.” 2020 IEEE International Conference on Big Data （Big Data）. IEEE， 2020.

[10] Nguyen， Hoang Long， Dang Thinh Vu， and Jason J. Jung. “Knowledge graph fusion for smart systems： A survey.” Information Fusion 61 （2020）： 56-70.

[11] Xiong， Wenhan， Thien Hoang， and William Yang Wang. “Deeppath： A reinforcement learning method for knowledge graph reasoning.” arXiv preprint arXiv：1707.06690 （2017）.