图谱问答|学习笔记

简介: 快速学习图谱问答

开发者学堂课程【阿里小蜜中的开放语聊技术:图谱问答】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址https://developer.aliyun.com/learning/course/44/detail/970


图谱问答


图谱问答

第三部分是图谱问答,基于 ocs 的知识问答。图谱问答和业界通用理解的有一定的区别。

image.png

只是利用了一些图谱的知识,构建问答的能力,并没有用传统的记录节点,和基于节点和节点之间的关系的问答,实现这种对话。

第二点,问答并不是为了提供非常大而全的问答能力,而是为了解决在语聊中高频出现的问题,通过这种方式把能力提供出来。

用图谱做离线的 QA 对的抽取, question answer 一个对的抽取,再用文本匹配的方式做线上的问答,所以这里的图谱问答,只是用了图谱里的知识。

先看框图,首先从整个小蜜语聊的问答历史中抽取高频问题,利用图谱知识针对这些高频问题给出相应回答,把能回答的问题构建问答对,用基于检索匹配的方式得到了在线回复能力。

除了利用问答历史抽取高频问题之外,还从问答历史中抽取高频实体,利用图谱的知识,针对高频实体构建实体子图。实体子图是把实体以及和它有关联的其他实体节点,全部保存叫做实体的实体子图。利用实体子图,在在线问答的过程中,可能会遇到几种情况,首先是无歧义的实体答案合成,就是实体并没有歧义的含义,针对这种情况就会合成一种答案。

举个例子,我们通常知道刘德华是香港明星,问题是刘德华的妻子是谁,就找到刘德华的实体子图,通过夫妻关系回答他的妻子是谁,这就叫做无歧义实体答案合成。

第二部分叫歧义实体答案合成,针对像苹果,詹姆斯这些会有歧义的名字,或者产品等实体做回答,比如有人问詹姆斯的身高是多少,会做一个反问,类似于您问的是詹姆斯,勒布朗还是说哈登,这样的反问问题,确定实体到底指的是谁。

最后一个是多实体答案合成,两个实体同一种属性的对比,比如刘德华和古天乐谁比较高,或者谁年龄比较大,类似于这样的问题会给出一个回答。

相关文章
|
存储 数据采集 自然语言处理
知识图谱之《海贼王-ONEPICE》领域图谱项目实战(含码源):数据采集、知识存储、知识抽取、知识计算、知识应用、图谱可视化、问答系统(KBQA)等
知识图谱之《海贼王-ONEPICE》领域图谱项目实战(含码源):数据采集、知识存储、知识抽取、知识计算、知识应用、图谱可视化、问答系统(KBQA)等
知识图谱之《海贼王-ONEPICE》领域图谱项目实战(含码源):数据采集、知识存储、知识抽取、知识计算、知识应用、图谱可视化、问答系统(KBQA)等
|
大数据 数据挖掘
人际图谱:Facebook的数据挖掘功臣
  建立与发展   Facebook的人际图谱团队创立之初的任务是把用户个人信息中的纯文字描述转化成结构化数据。如果没有这样的数据,Facebook就无法实现广告受众定位,也不能帮助你找到高中好友。
1283 0
|
算法 搜索推荐
探秘推荐引擎之协同过滤算法小综述
数学大神、统计学大神和数据挖掘推荐大神请关注。 一、数学期望的理解       早些时候,法国有两个大数学家,一个叫做布莱士·帕斯卡,一个叫做费马。帕斯卡认识两个赌徒,这两个赌徒向他提出了一个问题。
1233 0
|
SQL 开发框架 .NET
数据处理 | 图谱精选课程
带你走入结构化查询语言
数据处理 | 图谱精选课程
|
存储 安全 数据库
药物开发的社交图谱
药物开发的社交图谱
150 0
药物开发的社交图谱
|
安全 算法 数据安全/隐私保护
第九章 知识结构图谱
第九章 知识结构图谱
|
9月前
|
机器学习/深度学习 算法 数据挖掘
社交网络分析7:社交网络舆情分析 、 社交网络舆情演化传播建模 、 社交网络舆情用户研究 意见领袖识别 情感分析 、结构洞 、 生命周期 、 舆情分析 知识图谱 主题图谱 、 异质平均场
社交网络分析7:社交网络舆情分析 、 社交网络舆情演化传播建模 、 社交网络舆情用户研究 意见领袖识别 情感分析 、结构洞 、 生命周期 、 舆情分析 知识图谱 主题图谱 、 异质平均场
1005 0
|
架构师 Java Spring
史上最全的架构师图谱
本文是笔者多年来积累和收集的知识技能图谱,有的是笔者原创总结的最佳实践,有的是小伙伴们的分享,其中每个秘籍图谱里面的内容都是互联网高并发架构师应该了解和掌握的知识,笔者索性把这些图谱收集在一起,并且归类便于查找和学习,希望能够帮助到每一位想成为架构师或者已经是架构师的小伙伴,这里我们的标题“史上最全的架构师图谱”是本文的目标,作者计划把这篇文章作为一个开放性的文章,如果读者发现更多的图谱,请联系作者本人,我们把更多的图谱、思维导图汇集在其一起,最终一定能成为互联网上“史上最全的架构师图谱”。
1436 0
|
7月前
|
机器学习/深度学习 数据采集 算法
推荐引擎离线算法与在线算法的探索与实践
推荐引擎是现代互联网产品中至关重要的组成部分。离线算法和在线算法分别负责处理大量数据的预处理和模型训练,以及快速响应用户的实时请求。通过合理的架构设计和算法选择,可以构建出高效且个性化的推荐系统,从而提升用户体验,增加用户满意度和留存率。未来,随着技术的发展,推荐引擎将更加智能化和个性化,为用户提供更加精准的服务。

热门文章

最新文章