Resumen

Con el desarrollo del aprendizaje profundo y su amplia aplicacin en el campo del lenguaje natural, la investigacin de preguntas y respuestas del grafo de conocimiento basada en el aprendizaje profundo se ha convertido gradualmente en el centro de atencin. A continuacin, la consulta en lenguaje natural se convierte en una frase de consulta estructurada para identificar las entidades y atributos en la consulta en lenguaje natural de los usuarios y las entidades y atributos especificados se utilizan para recuperar respuestas en el grafo de conocimiento. Utilizando la ventaja del aprendizaje profundo en la captura de informacin de la frase, incorpora el mecanismo de atencin para obtener el vector semntico de los atributos relevantes en la consulta y utiliza el mecanismo de comparticin de parmetros para insertar atributos candidatos en el triple en el mismo modelo para obtener el vector semntico de candidatos tpicos. El experimento midi que en el conjunto de datos RDF de 100.000, la consulta de entidad nica del modelo MIQE no supera los 3 segundos, y la consulta de conexin no supera los 5 segundos. En el conjunto de datos RDF de un milln, la consulta de entidad nica del modelo MIQE no supera los 8 segundos, y la consulta de conexin no ser superior a 10 segundos. Los datos experimentales muestran que el sistema de preguntas de respuesta de conocimiento de ingeniera de construccin inteligente basado en aprendizaje profundo tiene buena escalabilidad horizontal.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Desarrollo; Aprendizaje profundo; Lenguaje natural; Grafo de conocimiento; Consulta; Vector semántico
• Keywords:Development; Deep learning; Natural language; Knowledge graph; Query; Semantic vector