基于包裝產業大數據知識圖譜的智能問答系統設計

楊芳權

摘 要： 傳統智能問答系統能夠進行簡單的問題答復，但對于問句信息比較相似的問題不能準確判別。基于此設計基于包裝產業大數據知識圖譜的智能問答系統。通過知識圖譜問句映射進行問句信息框架設計，建立大數據知識圖譜數據庫，為問句信息的判別提供穩定的數據環境；將問句信息轉化為eFAQ的判別語句，進行問句信息的理解；利用相似度計算判別相似問句信息的相似度，實現近似問句信息的判別問答。實驗數據表明，設計的智能問答系統能夠對相似問句信息進行精準的判別，并實現智能問答。

關鍵詞： 包裝產業； 大數據； 知識圖譜； 智能問答系統； 相似度計算； eFAQ語句

中圖分類號： TN911?34； TN919.3 文獻標識碼： A 文章編號： 1004?373X（2018）04?0143?04

Abstract： The traditional intelligent question?answering （Q?A） system can answer simple questions， but it cannot accurately identify the questions that have similar question information. An intelligent Q?A system based on big data knowledge map of packaging industry is designed. The question information framework is designed by using question mapping of knowledge map. The database of big data knowledge map is established to provide a stable data environment for question information identification. The question information is transformed into the eFAQ decision statements for question information understanding. The information similarity of similar questions is identified by means of similarity calculation to realize discriminating answering of similar question information. The experimental data shows that the designed intelligent Q?A system can accurately identify similar question information and realize intelligent question and answering.

Keywords： packaging industry； big data； knowledge map； intelligent Q?A system； similarity calculation； eFAQ statement

0 引 言

當前智能問答系統主要應用在一些開放領域以及特定領域，智能問答系統在開放領域可回答文學、歷史、科研、新聞等多方面問題[1]，在特殊領域能夠回答制定好相關問題。智能問答系統能夠識別處理問句語言信息，針對問句信息的提問，能夠反饋出若干準確的答案，而不是傳統應答系統反饋的大量相關信息。傳統智能問答系統，在問句信息搜索引擎中，所反饋的信息準確性較差，面對專業問題與近似問句信息不能進行精準的判別[2]。針對上述問題，本文設計基于包裝產業大數據知識圖譜的智能問答系統。對系統框架進行設計，利用知識圖譜問句映射進行大數據問句信息識別，建立大數據知識圖譜數據庫存儲問句信息；把問句信息與eFAQ的判別語句進行轉化，能夠理解問句信息中的隱藏信息；使用相似度計算問句信息中的相似度，實現相似問句信息的判別問答。

為了保證該設計的有效性，進行實例分析結果表明，設計的智能問答系統，能夠對相似問句信息進行判別，進行精準的問答反饋。

1 系統框架設計

大數據知識圖譜為問句信息提供合理反饋信息，大數據知識圖譜中包括對問句信息中語義、句式、應答信息等，同時也可對問句信息進行添加，大數據知識圖譜的使用代替領域專家的評審，能夠直接對問句信息進行數據性質的反饋[3]。本文主要利用大數據知識圖譜問句映射實現智能問答系統的框架設計。

大數據知識圖譜問句映射將問句信息分成多個類型，使用eFAQ（extended Frequently Asked Questions）語句進行判別，依據問句信息的內容，構建一個高頻反饋的映射系統[4?5]。本文eFAQ語句判別過程與大數據知識圖譜相結合，利用大數據知識圖譜的特點保證問句信息能夠進行精準反饋，同時eFAQ語句保證問句信息的單一性。系統將問句信息與答復信息分離，方便eFAQ語句判別階段的判別，每一項信息都存儲在大數據知識圖譜庫中，方便信息反饋調用[6]。

2 問句信息的轉化

2.1 建設大數據知識圖譜庫

建設大數據知識圖譜庫，能將問句信息與eFAQ語句進行存儲，同時為eFAQ語句判別過程提供一個穩定的數據環境。大數據知識圖譜庫構建過程將問句信息為主體，eFAQ語句信息表征信息作為支撐，本文在建設大數據知識圖譜庫中不僅保留了傳統的問句信息分類方法[7]，同時對問句信息按照識別內容完成主題分類。大數據知識圖譜庫可作為問句信息預處理，識別問句信息的特征，通過大數據知識圖譜對問句信息進行句式語義分析，回避問句匹配數據計算，提升識別精準程度[8]。大數據知識圖譜庫總體結構如圖1所示。endprint

構建的大數據知識圖譜庫將問句信息分為兩層，方便反饋過程中的調用。這樣的數據劃分也將eFAQ語句判別過程分離開，這樣繼承了傳統的問句分類方法的形式與優點，并且為eFAQ語句判別過程清理了數據環境，保證了eFAQ語句判別過程的準確性[9?10]。

針對問句信息的內容特征并依托問句句式進行判別性的隔離，結合傳統的問句分類方法有辨別性地輔助判別語句，為實現eFAQ語句判別提供穩定的數據環境。

2.2 問句信息與eFAQ語句的轉化

大數據知識圖譜庫建設后，需要把問句信息標識為eFAQ語句，結合終端問句語義與問答信息之間的匹配情況，進行問句信息與eFAQ語句的轉化，其轉化流程為：

1） 將提出的問句信息進行信息識別，將內置信息包含的語義進行語句代換[11]。

2） 分析對應的載入信息，掃描相應的eFAQ語句。如果未找到，跳至步驟4）；找到，按照步驟繼續轉換。

3） 反饋掃描結果，更新問答執行指令進行應答句式匹配（記錄每次匹配的結果），同時把本次問句信息記錄入庫，結束識別模塊。

4） 掃描到的eFAQ反饋語句進行代換。將未找到對應eFAQ語句的問句信息進行入錄，輸出“暫無答案”[12]。

5） 把代換的問句信息推送到數據句式連接模塊。

6） 當句式組建后，掃描eFAQ語句中的語義是否與問句語義相匹配，做句式判別。

7） 匯總轉化信息，要求滿足語義之間的轉換，保證轉化程度不低于83%。

8） 問句信息與eFAQ語義轉化結束后，進入判別反饋階段。

基于包裝產業大數據知識圖譜的智能問答系統，系統性能核心是問句信息的判別，直接掃描問句信息的反饋方法，反饋的信息具有一定的范圍性。使用eFAQ語句進行判別具有單一性，在判別過程中，隨著問句語義發生變化與變化，eFAQ語句能夠進行一對一的信息反饋，并且在大數據知識圖譜庫中每項信息都是分離的狀態，方便信息的反饋調用，提升智能問答系統的反饋速度。需要說明的是，為了保證eFAQ語句能夠進行精準的判別，還需周期性地添加大數據知識圖譜庫中問句信息的對應eFAQ語句，并清除攜帶性數據的使用記錄，具體過程在此不做闡述。

3 問句信息理解

對問句信息的理解能夠更好解析、分類是問答信息，eFAQ語句判別結果直接影響問句信息的理解過程[13]。把問句信息理解過程以問句映射的方式映射到大數據知識圖譜庫中，在問句信息的理解解析過程中，eFAQ語句以對應映射形式進行語義理解，語義理解程度直接決定了問答系統的數據反饋程度。本文采用問句語義與eFAQ語句相結合的形式進行問句理解，總體流程如圖2所示。

問句理解過程中，需要對問句句式進行解析，定義關鍵詞以及關鍵語義，在類別的劃分上將關鍵詞進行提取，保證語義的特征性，方便進行問句信息的相似計算。

4 實例分析

4.1 數據準備

數據準備過程參考了常見問題分類體系數據，對CALIS虛擬系統中沉淀下來的135條問句信息，進行記錄并匯總整理，剔除反饋的口語化表述內容信息、多條相同數據等。反饋數據應具備一定的標準化表達內容，結合包裝產業大數據知識圖譜，將包裝產業問句信息以“線上”為基準，對提出的問題進行反饋。

針對包裝產業反映的問題，傳統問答系統進行問題回答過程中，CALIS虛擬系統會針對性地記錄判別數據以及應答準確性，對于本文設計的基于包裝產業大數據知識圖譜的智能問答系統也同樣記錄。本文試驗過程準備數據如表1所示。

4.2 實例演示與分析

從表2中可以看出，基于包裝產業大數據知識圖譜的智能問答系統對相似問句信息判定比較理想，但這只反映了系統功能的一部分。從總體上講，本文設計的智能問答系統，在問句信息的反應上以及對相識問句信息的判別上都好于傳統問答系統。

觀察圖3可以看出本文設計的智能問答系統的CALIS參數走勢明顯高于傳統問答系統，CALIS參數是本文使用統計軟件，能夠對兩種問答系統的反饋數據進行正確性的統計，CALIS參數越大說明正確性越高。

5 結 語

本文設計基于包裝產業大數據知識圖譜的智能問答系統。建立大數據知識圖譜數據庫，通過句信息轉化為eFAQ的判別語句，進行問句信息的判別，利用相似度計算實現近似問句信息的判別問答。希望通過本文的研究能夠提升問答系統的準確率。

參考文獻

[1] 杜澤宇，楊燕，賀樑.基于中文知識圖譜的電商領域問答系統[J].計算機應用與軟件，2017，5（5）：153?159.

DU Zeyu， YANG Yan， HE Liang. Question answering system of electric business field based on Chinese knowledge map [J]. Computer applications and software， 2017， 5（5）： 153?159.

[2] 蘇楠.基于知識圖譜的國內外大數據比較研究[J].中國科技論壇，2016（7）：142?147.

SU Nan. Knowledge mapping of the comparative study of big data at home and abroad [J]. Forum on science and technology in China， 2016（7）： 142?147.

[3] 王文輝，吳敏華，駱力明.基于相似度算法的英語智能問答系統設計與實現[J].計算機應用與軟件，2017，34（6）：62?68.

WANG Wenhui， WU Minhua， LUO Liming. Design and implementation of English intelligent question?answering system based on similarity algorithm [J]. Computer applications and software， 2017， 34（6）： 62?68.endprint

[4] 李佳，楊婷婷，劉偉.數字多媒體旅游咨詢信息智能問答系統設計[J].現代電子技術，2017，40（12）：66?68.

LI Jia， YANG Tingting， LIU Wei. Design of digital multimedia intelligent question?answering system dealing with travel advisory information [J]. Modern electronics technique， 2017， 40（12）： 66?68.

[5] 俞思偉，范昊，王菲.基于知識圖譜的智能醫療研究[J].醫療衛生裝備，2017，38（3）：109?111.

YU Siwei， FAN Hao， WANG Fei. Research on intelligent medicine based on knowledge graph [J]. Chinese medical equipment journal， 2017， 38（3）： 109?111.

[6] 劉超，馬東宇.智能問答的聊天機器人系統的設計與實現[J].信息技術，2017，45（5）：176?177.

LIU Chao， MA Dongyu. Design and implementation of chat robot based on intelligent question?answer system [J]. Information technology， 2017， 45（5）： 176?177.

[7] 詹川.大數據研究的知識圖譜分析[J].圖書館論壇，2015，56（4）：84?91.

ZHAN Chuan. Knowledge mapping analysis of research on big data [J]. Library tribune， 2015， 56（4）： 84?91.

[8] 張峰，楊曉藝，劉奕湘.電力智能問答平臺架構的研究與設計[J].中州煤炭，2017，39（7）：193?195.

ZHANG Feng， YANG Xiaoyi， LIU Yixiang. Research and design of electric power intelligent question answering platform [J]. Zhongzhou coal， 2017， 39（7）： 193?195.

[9] 王輝，郁波，洪宇.基于知識圖譜的Web信息抽取系統[J].計算機工程，2017，43（6）：118?124.

WANG Hui， YU Bo， HONG Yu. Web information extraction system based on knowledge graph [J]. Computer engineering， 2017， 43（6）： 118?124.

[10] RAO Z Y， ZHANG Y X. Research on intelligent customer service system based on knowledge map [J]. Electric power information & communication technology， 2017， 5（67）： 145?156.

[11] GANG S U， WANG J， LING W Q， et al. Design and implementation of intelligent transportation analysis system based on big data [J]. Computer knowledge & technology， 2015， 78（4）： 123?200.

[12] TAO L I. Design of intelligent auxiliary teaching system based on knowledge grid [J]. Modern computer， 2017， 8（45）： 77?80.

[13] DENG T， L? Y， YANG Y， et al. Intelligent design system of turbine blades forging die based on knowledge driven [J]. Forging & stamping technology， 2015， 56（4）： 33?45.endprint