知识库问答系统中实体关系抽取方法研究

doi:10.3778/j.issn.1002-8331.1904-0151

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (11): 219-224.DOI: 10.3778/j.issn.1002-8331.1904-0151

知识库问答系统中实体关系抽取方法研究

张芳容，杨青

武汉理工大学计算机科学与技术学院，武汉 430063

出版日期:2020-06-01 发布日期:2020-06-01

Research on Entity Relation Extraction Method in Knowledge-Based Question Answering

ZHANG Fangrong, YANG Qing

College of Computer Science and Technology, Wuhan University of Technology, Wuhan 430063, China

Online:2020-06-01 Published:2020-06-01

摘要/Abstract

摘要：

针对现有的中文开放领域知识库问答系统缺乏对多关系问答的支持，将知识库问答过程分为实体识别、实体关系抽取和答案检索三个步骤，重点讨论了实体关系抽取的实现方法。在实体关系抽取阶段，提出一种基于规则的关系词提取方法抽取问句中的关系词，然后将关系词与知识库中的谓词进行相似度计算，得到关系集合，结合实体识别的结果，将问句转换为具有语义信息的三元组形式。实验结果表明，该方法可以支持多关系问答，并且具有较高的平均F1分数。

关键词: 知识库问答, 实体关系抽取, 相似度计算

Abstract:

The existing Chinese open domain Knowledge-Based Question Answering（KBQA） system is lack of support for Multi-Relational Question Answering（MRQA）. The KBQA process is divided into three steps：entity recognition, entity relation extraction and answer retrieval. The method of entity relationship extraction is discussed in detail. In the stage of entity relation extraction, a rule-based relational word extraction method is proposed to extract the relational words in the question. Then the similarity between relational words and predicates in knowledge base is calculated to get the relation set. Combining with the results of entity recognition, the question is transformed into triples with semantic information. Experimental results show that the method can support MRQA with higher average F1 score.

Key words: knowledge-based question answering, entity relation extraction, similarity calculation

张芳容，杨青. 知识库问答系统中实体关系抽取方法研究[J]. 计算机工程与应用, 2020, 56(11): 219-224.

ZHANG Fangrong, YANG Qing. Research on Entity Relation Extraction Method in Knowledge-Based Question Answering[J]. Computer Engineering and Applications, 2020, 56(11): 219-224.

[1]	陈雨婷，刘旭红，刘秀磊. 面向招投标领域的远程监督实体关系抽取研究[J]. 计算机工程与应用, 2020, 56(17): 243-250.
[2]	王传栋，徐娇，张永. 实体关系抽取综述[J]. 计算机工程与应用, 2020, 56(12): 25-36.
[3]	朱艳辉1，2，李飞1，2，胡骏飞1，2，钱继胜3，王天吉1，2. 基于三支决策的两阶段实体关系抽取研究[J]. 计算机工程与应用, 2018, 54(9): 145-150.
[4]	于凤1，郑雨晴2，郑德权1，2，赵姗姗2. 面向选择类题型求解的相似问题发现研究[J]. 计算机工程与应用, 2018, 54(15): 120-125.
[5]	吴博文，陈曦. 一种改进Minhash的分布式协同过滤推荐算法[J]. 计算机工程与应用, 2016, 52(12): 95-100.
[6]	孙浩军，闪光辉，高玉龙，袁婷. 一种高维混合属性数据聚类算法[J]. 计算机工程与应用, 2015, 51(8): 128-133.
[7]	赵奇猛，王裴岩，冯好国，蔡东风. 面向中文专利的开放式实体关系抽取研究[J]. 计算机工程与应用, 2015, 51(1): 125-129.
[8]	周建政1，谌志群2，李治1，王荣波2，冯凯2. 问答系统中问题模式分类与相似度计算方法[J]. 计算机工程与应用, 2014, 50(1): 116-120.
[9]	张玉芳，张泓博，熊忠阳. 语义相似度计算在语义标注中的应用[J]. 计算机工程与应用, 2013, 49(4): 153-156.
[10]	杨炜辰，凌海风，武鹏，徐伟亚. 一种基于相似度矩阵的本体检索匹配算法[J]. 计算机工程与应用, 2013, 49(22): 127-131.
[11]	袁津生，程超然. 基于文本聚类搜索引擎的查询扩展算法[J]. 计算机工程与应用, 2012, 48(3): 129-132.
[12]	于亚君1，2，姜瑛1，2，3. 一种XML的树匹配改进方法[J]. 计算机工程与应用, 2012, 48(20): 177-181.
[13]	吕强¹，邓薇²，宋玲³. 句子语义相似度计算[J]. 计算机工程与应用, 2010, 46(36): 150-153.
[14]	刘晓文,胡克瑾. 融合CBR和本体的决策支持系统框架及应用[J]. 计算机工程与应用, 2009, 45(3): 235-238.
[15]	罗军,况夯. 基于内容的多特征融合图像检索[J]. 计算机工程与应用, 2009, 45(1): 153-155.

知识库问答系统中实体关系抽取方法研究

Research on Entity Relation Extraction Method in Knowledge-Based Question Answering

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics