为应对高速列车零部件知识复杂、海量且多层级的特点,提高高速列车零部件知识图谱智能问答的效果,提出了一种基于情景感知和分类模型的高速列车零部件知识图谱智能问答知识子图匹配模型。该模型通过情景模型进行情景特征提取及向量转换...为应对高速列车零部件知识复杂、海量且多层级的特点,提高高速列车零部件知识图谱智能问答的效果,提出了一种基于情景感知和分类模型的高速列车零部件知识图谱智能问答知识子图匹配模型。该模型通过情景模型进行情景特征提取及向量转换;再将词向量和情景向量相融合,输入到BERT(Bidirectional Encoder Representation from Transformers)模型中,进行用户问句的所属知识域分类,分类结果即为知识子图匹配的结果。经试验证明,所提模型与其他主流分类模型相比,各项性能指标更优。展开更多
基金Supported by the NSF of Department of Education of Anhui Province(KJ2011A195)the Innovation Fund for Graduates of Anhui Universitythe Anhui Provincial Natural Science Foundation(11040606M14)
文摘为应对高速列车零部件知识复杂、海量且多层级的特点,提高高速列车零部件知识图谱智能问答的效果,提出了一种基于情景感知和分类模型的高速列车零部件知识图谱智能问答知识子图匹配模型。该模型通过情景模型进行情景特征提取及向量转换;再将词向量和情景向量相融合,输入到BERT(Bidirectional Encoder Representation from Transformers)模型中,进行用户问句的所属知识域分类,分类结果即为知识子图匹配的结果。经试验证明,所提模型与其他主流分类模型相比,各项性能指标更优。
