1.一种基于知识图谱的复杂问题语义理解方法,所述复杂问题包括实体、关系及逻辑运算特征,所述方法的特征在于,包括如下步骤;
S1、对所述复杂问题进行实体识别和关系抽取,获取实体特征及实体间关系特征;
S2、使用所述实体特征及实体间关系特征生成所述复杂问题的语义图;
S3、使用查询图预测模型对所述语义图进行预测,生成与所述语义图相对应的查询图;
S4、在知识图谱中根据所述查询图进行遍历,遍历得到查询路径后根据所述复杂问题的逻辑计算特征得到所述复杂问题的答案。
2.如权利要求1所述的一种基于知识图谱的复杂问题语义理解方法,其特征在于,所述步骤S1具体包括如下方法:S11、使用语言表征模型对所述复杂问题进行识别,得到所述实体特征;
S12、使用关系抽取模型对所述复杂问题进行关系抽取,得到所述实体间关系特征。
3.如权利要求2所述的一种基于知识图谱的复杂问题语义理解方法,其特征在于,所述步骤S12具体包括如下步骤:S121、使用BiLSTM模型获取所述复杂问题的实体关系上下文向量;
S122、将所述步骤S11中得到的所述实体特征编码为实体特征向量,与所述实体关系上下文向量拼接得到关系抽取向量;
S123、使用图编码器对所述实体特征编码,得到语义图向量;
S124、使用softmax函数计算所述关系抽取向量,得到实体间关系特征。
4.如权利要求3所述的一种基于知识图谱的复杂问题语义理解方法,其特征在于,所述步骤S3具体包括如下步骤:S31、使用分词工具获取所述复杂问题的分词结果,使用BERT模型对所述分词结果编码得到词向量;
S32、获取所述复杂问题的依赖树,将所述依赖树编码为依赖树向量;
S33、使用图编码器将所述语义图编码为语义图向量;
S34、将所述词向量作为输入,使用BiLSTM模型对复杂问题编码,得到语义理解上下文向量;
S35、使用所述依赖树向量和所述语义图向量构建注意力矩阵;
S36、使用所述语义理解上下文向量和所述注意力矩阵计算context向量;
S37、将注意力矩阵和所述context向量使用BiLSTM模型解码,得到输出向量;
S38、使用所述输出向量预测各个时间步的图操作。
5.如权利要求4所述的一种基于知识图谱的复杂问题语义理解方法,其特征在于,所述BiLSTM模型的解码端定义四种图操作,所述各个时间步的图操作通过将时间步对4取余数得到。
6.如权利要求1所述的一种基于知识图谱的复杂问题语义理解方法,其特征在于,所述步骤S1之前还包括步骤S0:对复杂问题进行序列标注。
7.如权利要求1所述的一种基于知识图谱的复杂问题语义理解方法,其特征在于,所述步骤S4具体包括:S41、以深度优先算法遍历已知实体得到主查询路径;
S42、将逻辑计算添加至所述主查询路径生成查询语句;
S43、根据所述查询语句在知识图谱中查询,得到复杂问题的答案。