1.本发明涉及家电
技术领域：
：，尤其涉及一种智能家电的问答系统构建方法和装置，及问答方法和装置。
背景技术：
：：2.随着人工智能的不断发展，智能问答系统已成为当今研究的热点。相比于传统的搜索引擎(如百度，谷歌等)返回冗杂、粗糙的结果，智能问答系统的结果往往更加精确、简洁。同时，伴随知识图谱的快速发展，智能问答的实际应用价值得到了很大的提高，也越来越成熟，基本取代了传统的人工客服等问答场景。3.对于用户来说，智能家电领域包含大量有价值的数据信息，因此，迫切需要一个好的问答系统，能够自动回复用户提出的关于智能家电领域的问题，但是，目前市场上，还没有智能家电领域的问答系统。技术实现要素：4.本发明提供一种智能家电的问答系统构建方法和装置，及问答方法和装置，用以构造智能家电领域的问答系统，以实现自动回答用户提出的关于智能家电领域的问题。5.本发明提供一种智能家电的问答系统构建方法，包括：6.构建自然语言问句训练集，并基于所述自然语言问句训练集训练得到自然语言问句识别模型；7.基于预置的知识图谱、所述自然语言问句识别模型以及预设的知识查询模板，构建所述问答系统；8.其中，所述知识查询模板用于基于所述自然语言问句识别模型输出的自然语言问句的识别结果，得到知识图谱查询语句，所述知识图谱查询语句用于在所述知识图谱中查找自然语言问句对应的答案；所述知识图谱基于所述智能家电的关联数据得到，所述关联数据包括：家电设备数据以及家电应用数据。9.根据本发明提供的智能家电的问答系统构建方法，还包括：10.获取所述智能家电的关联数据；11.基于所述关联数据，构建本体层以及实体层，得到所述知识图谱。12.根据本发明提供的智能家电的问答系统构建方法，所述获取智能家电的关联数据，包括：13.从目标网页上爬取所述智能家电的关联数据。14.根据本发明提供的智能家电的问答系统构建方法，所述基于所述关联数据，构建本体层以及实体层，得到所述知识图谱，包括：15.对所述关联数据进行数据清洗；16.基于清洗后的关联数据，以及预设的本体规则，构建本体层；17.基于所述清洗后的关联数据，构建实体层；18.基于所述本体层以及所述实体层，得到所述知识图谱。19.根据本发明提供的智能家电的问答系统构建方法，所述基于所述清洗后的关联数据，构建实体层，包括：20.提取所述清洗后的关联数据中的实体、关系以及属性；21.将所述实体、关系以及属性存入知识图谱数据库；其中，所述实体层包括所述知识图谱数据库。22.根据本发明提供的智能家电的问答系统构建方法，所述将所述实体、关系以及属性存入知识图谱数据库，包括：23.将所述实体、关系以及属性以三元组格式存入所述知识图谱数据库。24.根据本发明提供的智能家电的问答系统构建方法，所述自然语言问句识别模型包括文本向量化模型、支持向量机多分类器以及命名实体识别模型。25.根据本发明提供的智能家电的问答系统构建方法，所述文本向量化模型为基于词频和逆向文件频率加权的文本向量化模型；26.所述命名实体识别模型为嵌入有字向量语言模型的命名实体识别模型。27.本发明还提供一种智能家电的问答方法，应用于上述任一种智能家电的问答系统构建方法所构建的问答系统中，所述智能家电的问答方法，包括：28.将接收的自然语言问句输入至自然语言问句识别模型，得到所述自然语言问句的识别结果；29.基于所述自然语言问句的识别结果，得到知识图谱查询语句；30.基于所述知识图谱查询语句，在所述知识图谱中查找自然语言问句对应的答案。31.本发明还提供一种智能家电的问答系统构建装置，包括：32.第一构建模块，用于构建自然语言问句训练集，并基于所述自然语言问句训练集训练得到自然语言问句识别模型；33.第二构建模块用于基于预置的知识图谱、所述自然语言问句识别模型以及预设的知识查询模板，构建所述问答系统；34.其中，所述知识查询模板用于基于所述自然语言问句识别模型输出的自然语言问句的识别结果，得到知识图谱查询语句，所述知识图谱查询语句用于在所述知识图谱中查找自然语言问句对应的答案；所述知识图谱基于所述智能家电的关联数据得到，所述关联数据包括：家电设备数据以及家电应用数据。35.本发明还提供一种智能家电的问答装置，应用于上述任一种智能家电的问答系统构建方法所构建的问答系统中，所述智能家电的问答装置，包括：36.输入模块，用于将接收的自然语言问句输入至自然语言问句识别模型，得到所述自然语言问句的识别结果；37.识别模块，用于基于所述自然语言问句的识别结果，得到知识图谱查询语句；38.查询模块，用于基于所述知识图谱查询语句，在所述知识图谱中查找自然语言问句对应的答案。39.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述智能家电的问答系统构建方法的步骤，或者如上述智能家电的问答方法的步骤。40.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述智能家电的问答系统构建方法的步骤，或者如上述智能家电的问答方法的步骤。41.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述智能家电的问答系统构建方法的步骤，或者如上述智能家电的问答方法的步骤。42.本发明提供的智能家电的问答系统构建方法和装置，及问答方法和装置，包含了智能家电的家电设备数据对应的知识图谱，以及家电应用数据对应的知识图谱，该智能家电的问答系统不仅可以回答用户关于智能家电设备本身的问题，还能回答智能家电应用方面的问题。因此，本发明提供的方法所构建的问答系统，可以实现自动回答用户提出的关于智能家电领域的问题。43.相比于传统的搜索引擎(如百度，谷歌等)返回冗杂、粗糙的结果，基于本发明提供的方法所构建的智能家电的问答系统，返回的问题结果往往更加精确、简洁。附图说明44.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。45.图1是本发明提供的智能家电的问答系统构建方法的流程示意图；46.图2是本发明提供的智能家电的问答系统构建方法中构建知识图谱的示意图；47.图3是本发明提供的智能家电的问答系统的交互示意图；48.图4是本发明提供的智能家电的问答方法的流程示意图；49.图5是本发明提供的智能家电的问答系统构建装置的结构示意图；50.图6是本发明提供的智能家电的问答装置的结构示意图；51.图7是本发明提供的电子设备的结构示意图。具体实施方式52.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。53.下面结合图1-图7描述本发明的智能家电的问答系统构建方法和装置，及问答方法和装置。54.本发明提供的智能家电的问答系统构建方法应用于服务器端，如图1所示，该智能家电的问答系统构建方法包括：55.步骤110、构建自然语言问句训练集，并基于自然语言问句训练集训练得到自然语言问句识别模型；56.可以理解的是，自然语言问句也即是基于自然语言所提出的问句。基于自然语言问句训练集，训练得到的自然语言问句识别模型，可以对用户输入的语音信息进行识别，并提取该语音信息中的问句的关键词信息。57.步骤120、基于预置的知识图谱、自然语言问句识别模型以及预设的知识查询模板，构建智能家电的问答系统。58.其中，知识查询模板用于基于自然语言问句识别模型输出的自然语言问句的识别结果，得到知识图谱查询语句，知识图谱查询语句用于在知识图谱中查找自然语言问句对应的答案；知识图谱基于智能家电的关联数据得到，关联数据包括：家电设备数据以及家电应用数据。59.可以理解的是，基于自然语言问句识别模型所提取的关键词信息，与预设的多个知识查询模板进行匹配，确定目标知识查询模板，将提取的关键词信息与目标知识查询模板进行匹配，得到知识图谱查询语句，最后基于知识图谱查询语句去查询知识图谱，得到用户问题对应的答案。60.进一步，知识查询模板用于基于自然语言问句识别模型输出的自然语言问句的识别结果，可以得到cypher语句。61.在一些实施例中，智能家电的问答系统构建方法，还包括：62.获取智能家电的关联数据；63.基于关联数据，构建本体层以及实体层，得到智能家电的知识图谱。64.可以理解的是，智能家电可以是冰箱、洗衣机、空调或者电烤箱等设备。65.家电设备数据也即是智能家电设备自身属性的数据，例如：冰箱的工作电压、有效容积、内部尺寸、内部温度和湿度以及工作频率等参数；洗衣机的工作电压、容量、转速以及洗衣机类型等参数；空调的工作电压、品牌及型号、能效比、额定制冷量、额定制热量以及使用面积等参数；电烤箱的功率、升温时间、温度分布均匀度以及烤箱容积等参数。66.家电应用数据，可以是与家电应用相关的数据，例如：冰箱的应用数据可以是有关菜谱和食材方面的数据，无论是从食材的选购，还是菜品的推荐和制作，以及厨余垃圾的分类和处理，冰箱的应用数据对应的知识图谱，在智能问答环节都可以满足用户的需求；洗衣机的应用数据可以是衣服材质相关的应用数据，以及如何清洗衣服相关的数据；空调应用相关的数据，可以是和人体温度健康相关的数据；电烤箱应用相关的数据，可以是烘焙食材、烘焙步骤等相关数据。67.可以理解的是，本体层是知识图谱的本体层，本体层是以资源描述框架(resourcedescriptionframework，rdf)模式为起点扩展的本体建模语言，也称为本体推理层(ontologyinferencelayer)。本体层提供一种层次的标准本体语言方法，能够对许多知识表达语言结构进行建模，与资源描述框架模式兼容，本体层包含的精确语义用于描述术语的含义。68.实体层也即是对智能家电的关联数据进行实体抽取以及实体链接所得到的数据层。69.智能家电的知识图谱，是揭示智能家电的关联数据对应实体之间关系的语义网络。70.需要说明的是，可以分别对家电设备数据构建本体层以及实体层，得到智能家电对应的设备知识图谱，以及对家电应用数据构建本体层以及实体层，得到智能家电的家电应用知识图谱，将智能家电的设备知识图谱以及家电应用知识图谱合并起来，构成最后整体的智能家电的知识图谱。71.在一些实施例中，基于关联数据，构建本体层以及实体层，得到知识图谱，包括：72.对关联数据进行数据清洗；73.基于清洗后的关联数据，以及预设的本体规则，构建本体层；74.基于清洗后的关联数据，构建实体层；75.基于本体层以及实体层，得到智能家电的知识图谱。76.可以理解的是，对智能家电的关联数据清洗，也即是对智能家电的数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。77.本体又称为语义词典或语义网，预设的本体规则，也即是对智能家电的关联数据对应的本体进行约束的规则。78.本实施例中，智能家电的知识图谱包括本体层以及实体层。本体层位于实体层之上。实体层其实就是存储所有的三元组信息的知识库，而本体层才是知识图谱的核心，本体层是对实体层知识结构的一种提炼，通常需要借助本体库来存储，通过在本体层上建立一些约束和规则，规范实体、关系、实体属性以及属性值之间的联系，以及完成在知识图谱上的一些推理。79.需要说明的是，对家电设备数据以及家电应用数据分别进行清洗，分别构建本体层和实体层，得到设备知识图谱以及家电应用知识图谱。80.在一些实施例中，基于清洗后的关联数据，构建实体层，包括：81.提取清洗后的关联数据中的实体、关系以及属性；82.将实体、关系以及属性存入知识图谱数据库；其中，实体层包括知识图谱数据库。83.可以理解的是，实体抽取也即是命名实体识别，包括实体的检测(find)和分类(classify)；关系抽取，也即是三元组(triple)抽取，一个谓词(predicate)带2个形参(argument)，关系抽取是从文本中挖掘出实体与实体之间的语义信息，也即是实体与实体之间的关联关系。属性指的是实体的属性。84.需要说明的是，知识图谱数据库可以是neo4j图数据库。实体层包括知识图谱数据库，也即是包含了实体层包括知识图谱数据库中的实体、关系以及属性。85.进一步，知识图谱的构建示意图如图2所示，智能家电的关联数据可以分为结构化数据、半结构化数据以及非结构化数据。其中，对智能家电的关联数据中的半结构化数据以及非结构化数据，进行实体抽取、关系收取以及属性抽取。将智能家电的关联数据中的结构化数据与外部知识库进行知识合并，并将知识合并结果与抽取的实体、关系以及属性进行实体对齐，基于实体对齐结果构建本体层，再基于实体对齐结果对构建的本体层进行质量评估，在满足质量要求后，得到对应的知识图谱。86.在一些实施例中，将实体、关系以及属性存入知识图谱数据库，包括：87.将实体、关系以及属性以三元组格式存入知识图谱数据库。88.可以理解的是，三元组主要是用来存储稀疏矩阵的一种压缩方式，也叫三元组表(tripletable)。例如，以顺序存储结构来表示三元组表，则得到稀疏矩阵的一种压缩存储方式，即三元组顺序表，简称三元组表。89.在一些实施例中，自然语言问句识别模型包括文本向量化模型、支持向量机多分类器(supportvectormachine，svm)以及命名实体识别模型(namedentityrecognition，ner)。90.可以理解的是，文本向量化模型用于实现自然语言问句的文件向量化，其接收文本数据，输出向量化的文本。支持向量机多分类器用于将文本向量化模型输出的向量化文本进行分类，完成问句分类任务。91.命名实体识别模型用于是指识别文本中具有特定意义的实体的模型，例如包括人名、地名、机构名、专有名词的识别。命名实体识别模型是自然语言处理(naturallanguageprocessing，nlp)的基础任务，从文本中识别出命名性指称项，为关系抽取等任务做铺垫。92.自然语言问句识别模型中包含有支持向量机多分类器，可以完成问句分类任务，提高了问句分类的准确率，有效地将用户问题匹配到最相似的知识查询模板上，从而能够准确的查询到用户所需的答案。93.通过构建命名实体识别模型完成问句命名实体识别任务，解析出问句中的实体、属性和关系，有效填充了知识查询模板，使得生成的知识图谱查询语句更加完整和准确，在一定程度上提高了用户问题解析的准确性。94.在一些实施例中，文本向量化模型为基于词频和逆向文件频率加权(即：tf-idf)的文本向量化模型；95.命名实体识别模型为嵌入有字向量语言模型的命名实体识别模型。96.可以理解的是，命名实体识别模型可以是从目标网站爬取的一些所需要的数据进行实体识别语料标注，且嵌入有word2vec字向量语言模型的命名实体识别模型。命名实体识别模型的输入是词嵌入向量，输出是每个单词对应的预测标签。97.进一步，命名实体识别模型包含有bilstm(bi-directionallongshort-termmemory)层,bilstm层是由前向lstm模型与后向lstm模型组合而成，且bilstm层中包含有crf层。98.crf层可以为最后预测的标签添加一些约束来保证预测的标签是合法的。在训练数据训练过程中，这些约束可以通过crf层自动学习到。99.在一些实施例中，获取智能家电的关联数据，包括：100.从目标网页上爬取智能家电的关联数据。101.可以理解的是，目标网页可以是智能家电的生产厂商的网页，或者智能家电的销售厂商的网页，这些厂商的网页上包含有智能家电设备的家电设备数据。目标网页还可以是一些百科网页，例如包含有食材数据、烘焙数据或者生活常识的百科网页。102.在一些实施例中，本发明提供的智能家电的问答系统的交互示意图如图3所示，用户通过语音的方式，在人机交互设备录入智能家电相关的问题，对录入的语音信息先进行问句分类，再进行问句解析，构建查询语音，基于查询语音在构建好的智能家电的知识图谱上查询问题的答案，最后将查询到的答案返回至人机交互设备，通过人机交互设备告诉用户。103.综上所述，基于本发明提供的方法所构建的智能家电的问答系统，包含了智能家电的家电设备数据对应的知识图谱，以及家电应用数据对应的知识图谱，该智能家电的问答系统不仅可以回答用户关于智能家电设备本身的问题，还能回答智能家电应用方面的问题。因此，本发明提供的方法所构建的问答系统，可以实现自动回答用户提出的关于智能家电领域的问题。104.相比于传统的搜索引擎(如百度，谷歌等)返回冗杂、粗糙的结果，基于本发明提供的方法所构建的智能家电的问答系统，返回的问题结果往往更加精确、简洁。105.下面对本发明提供的智能家电的问答系统构建装置进行描述，下文描述的智能家电的问答系统构建装置与上文描述的智能家电的问答系统构建方法可相互对应参照。106.本发明还提供一种智能家电的问答方法，应用于上述智能家电的问答系统构建方法所构建的问答系统中，如图4所示，智能家电的问答方法，包括：107.步骤410、将接收的自然语言问句输入至自然语言问句识别模型，得到自然语言问句的识别结果；108.步骤420、基于自然语言问句的识别结果，得到知识图谱查询语句；109.步骤430、基于知识图谱查询语句，在知识图谱中查找自然语言问句对应的答案。110.如图5所示，本发明提供的智能家电的问答系统构建装置500包括：第一构建模块510和第二构建模块520。111.第一构建模块510用于构建自然语言问句训练集，并基于自然语言问句训练集训练得到自然语言问句识别模型。112.可以理解的是，自然语言问句也即是基于自然语言所提出的问句。基于自然语言问句训练集，训练得到的自然语言问句识别模型，可以对用户输入的语音信息进行识别，并提取该语音信息中的问句的关键词信息。113.第二构建模块520用于基于预置的知识图谱、自然语言问句识别模型以及预设的知识查询模板，构建智能家电的问答系统。114.其中，知识查询模板用于基于自然语言问句识别模型输出的自然语言问句的识别结果，得到知识图谱查询语句，知识图谱查询语句用于在知识图谱中查找自然语言问句对应的答案；知识图谱基于智能家电的关联数据得到，关联数据包括：家电设备数据以及家电应用数据。115.可以理解的是，基于自然语言问句识别模型所提取的关键词信息，与预设的多个知识查询模板进行匹配，确定目标知识查询模板，将提取的关键词信息与目标知识查询模板进行匹配，得到知识图谱查询语句，最后基于知识图谱查询语句去查询知识图谱，得到用户问题对应的答案。116.在一些实施例中，智能家电的问答系统构建装置500还包括：获取模块和第三构建模块。117.获取模块用于获取智能家电的关联数据。118.可以理解的是，智能家电可以是冰箱、洗衣机、空调或者电烤箱等设备。119.家电设备数据也即是智能家电设备自身属性的数据，例如：冰箱的工作电压、有效容积、内部尺寸、内部温度和湿度以及工作频率等参数；洗衣机的工作电压、容量、转速以及洗衣机类型等参数；空调的工作电压、品牌及型号、能效比、额定制冷量、额定制热量以及使用面积等参数；电烤箱的功率、升温时间、温度分布均匀度以及烤箱容积等参数。120.家电应用数据，可以是与家电应用相关的数据，例如：冰箱的应用数据可以是有关菜谱和食材方面的数据；洗衣机的应用数据可以是衣服材质相关的应用数据，以及如何清洗衣服相关的数据；空调应用相关的数据，可以是和人体温度健康相关的数据；电烤箱应用相关的数据，可以是烘焙食材、烘焙步骤等相关数据。121.第三构建模块用于基于关联数据，构建本体层以及实体层，得到智能家电的知识图谱。122.可以理解的是，本体层是知识图谱的本体层，本体层是以资源描述框架模式为起点扩展的本体建模语言，也称为本体推理层。本体层提供一种层次的标准本体语言方法，能够对许多知识表达语言结构进行建模，与资源描述框架模式兼容，本体层包含的精确语义用于描述术语的含义。123.实体层也即是对智能家电的关联数据进行实体抽取以及实体链接所得到的数据层。124.智能家电的知识图谱，是揭示智能家电的关联数据对应实体之间关系的语义网络。125.需要说明的是，可以分别对家电设备数据构建本体层以及实体层，得到智能家电对应的设备知识图谱，以及对家电应用数据构建本体层以及实体层，得到智能家电的家电应用知识图谱，将智能家电的设备知识图谱以及家电应用知识图谱合并起来，构成最后整体的智能家电的知识图谱。126.进一步，知识查询模板用于基于自然语言问句识别模型输出的自然语言问句的识别结果，可以得到cypher语句。127.在一些实施例中，第三构建模块包括：清洗单元、第一构建单元、第二构建单元和图谱生成单元。128.清洗单元用于对关联数据进行数据清洗。129.第一构建单元用于基于清洗后的关联数据，以及预设的本体规则，构建本体层。130.第二构建单元用于基于清洗后的关联数据，构建实体层。131.图谱生成单元用于基于本体层以及实体层，得到智能家电的知识图谱。132.可以理解的是，对智能家电的关联数据清洗，也即是对智能家电的数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。133.本体又称为语义词典或语义网，预设的本体规则，也即是对智能家电的关联数据对应的本体进行约束的规则。134.本实施例中，智能家电的知识图谱包括本体层以及实体层。本体层位于实体层之上。实体层其实就是存储所有的三元组信息的知识库，而本体层才是知识图谱的核心，本体层是对实体层知识结构的一种提炼，通常需要借助本体库来存储，通过在本体层上建立一些约束和规则，规范实体、关系、实体属性以及属性值之间的联系，以及完成在知识图谱上的一些推理。135.需要说明的是，对家电设备数据以及家电应用数据分别进行清洗，分别构建本体层和实体层，得到设备知识图谱以及家电应用知识图谱。136.在一些实施例中，第二构建单元包括：提取单元和存储单元。137.提取单元用于提取清洗后的关联数据中的实体、关系以及属性。138.可以理解的是，实体抽取也即是命名实体识别，包括实体的检测和分类；关系抽取，也即是三元组抽取，一个谓词带2个形参，关系抽取是从文本中挖掘出实体与实体之间的语义信息，也即是实体与实体之间的关联关系。属性指的是实体的属性。139.需要说明的是，知识图谱数据库可以是neo4j图数据库。140.进一步，智能家电的关联数据可以分为结构化数据、半结构化数据以及非结构化数据。其中，对智能家电的关联数据中的半结构化数据以及非结构化数据，进行实体抽取、关系收取以及属性抽取。将智能家电的关联数据中的结构化数据与外部知识库进行知识合并，并将知识合并结果与抽取的实体、关系以及属性进行实体对齐，基于实体对齐结果构建本体层，再基于实体对齐结果对构建的本体层进行质量评估，在满足质量要求后，得到对应的知识图谱。141.存储单元用于将实体、关系以及属性存入知识图谱数据库；其中，实体层包括知识图谱数据库。142.在一些实施例中，存储单元进一步用于将实体、关系以及属性以三元组格式存入知识图谱数据库。143.可以理解的是，三元组主要是用来存储稀疏矩阵的一种压缩方式，也叫三元组表。例如，以顺序存储结构来表示三元组表，则得到稀疏矩阵的一种压缩存储方式，即三元组顺序表，简称三元组表。144.在一些实施例中，自然语言问句识别模型包括文本向量化模型、支持向量机多分类器以及命名实体识别模型。145.可以理解的是，文本向量化模型用于实现自然语言问句的文件向量化，其接收文本数据，输出向量化的文本。支持向量机多分类器用于将文本向量化模型输出的向量化文本进行分类，完成问句分类任务。146.命名实体识别模型用于是指识别文本中具有特定意义的实体的模型，例如包括人名、地名、机构名、专有名词的识别。命名实体识别模型是自然语言处理的基础任务，从文本中识别出命名性指称项，为关系抽取等任务做铺垫。147.在一些实施例中，文本向量化模型为基于词频和逆向文件频率加权的文本向量化模型；148.命名实体识别模型为嵌入有字向量语言模型的命名实体识别模型。149.可以理解的是，命名实体识别模型可以是从目标网站爬取的一些所需要的数据进行实体识别语料标注，且嵌入有word2vec字向量语言模型的命名实体识别模型。命名实体识别模型的输入是词嵌入向量，输出是每个单词对应的预测标签。150.进一步，命名实体识别模型包含有bilstm层,bilstm层是由前向lstm模型与后向lstm模型组合而成，且bilstm层中包含有crf层。151.crf层可以为最后预测的标签添加一些约束来保证预测的标签是合法的。在训练数据训练过程中，这些约束可以通过crf层自动学习到。152.在一些实施例中，获取模块510进一步用于从目标网页上爬取智能家电的关联数据。153.可以理解的是，目标网页可以是智能家电的生产厂商的网页，或者智能家电的销售厂商的网页，这些厂商的网页上包含有智能家电设备的家电设备数据。目标网页还可以是一些百科网页，例如包含有食材数据、烘焙数据或者生活常识的百科网页。154.综上所述，基于本发明提供的装置所构建的智能家电的问答系统，包含了智能家电的家电设备数据对应的知识图谱，以及家电应用数据对应的知识图谱，该智能家电的问答系统不仅可以回答用户关于智能家电设备本身的问题，还能回答智能家电应用方面的问题。因此，本发明提供的方法所构建的问答系统，可以实现自动回答用户提出的关于智能家电领域的问题。155.相比于传统的搜索引擎(如百度，谷歌等)返回冗杂、粗糙的结果，基于本发明提供的装置所构建的智能家电的问答系统，返回的问题结果往往更加精确、简洁。156.本发明还提供一种智能家电的问答装置，应用于上述智能家电的问答系统构建方法所构建的问答系统中，如图6所示，智能家电的问答装置600包括：输入模块610、识别模块620和查询模块630。157.输入模块610用于将接收的自然语言问句输入至自然语言问句识别模型，得到自然语言问句的识别结果。158.识别模块620用于基于自然语言问句的识别结果，得到知识图谱查询语句。159.查询模块630用于基于知识图谱查询语句，在知识图谱中查找自然语言问句对应的答案。160.下面对本发明提供的电子设备、计算机程序产品及存储介质进行描述，下文描述的电子设备、计算机程序产品及存储介质与上文描述的智能家电的问答系统构建方法可相互对应参照。161.图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(communicationsinterface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行智能家电的问答系统构建方法，或者执行智能家电的问答方法；162.该智能家电的问答系统构建方法包括：163.步骤110、构建自然语言问句训练集，并基于自然语言问句训练集训练得到自然语言问句识别模型；164.步骤120、基于预置的知识图谱、自然语言问句识别模型以及预设的知识查询模板，构建智能家电的问答系统。165.其中，知识查询模板用于基于自然语言问句识别模型输出的自然语言问句的识别结果，得到知识图谱查询语句，知识图谱查询语句用于在知识图谱中查找自然语言问句对应的答案；知识图谱基于智能家电的关联数据得到，关联数据包括：家电设备数据以及家电应用数据。166.该智能家电的问答方法应用于上述方法构建的智能家电的问答系统中，智能家电的问答方法包括：167.步骤410、将接收的自然语言问句输入至自然语言问句识别模型，得到自然语言问句的识别结果；168.步骤420、基于自然语言问句的识别结果，得到知识图谱查询语句；169.步骤430、基于知识图谱查询语句，在知识图谱中查找自然语言问句对应的答案。170.此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。171.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的智能家电的问答系统构建方法，或者执行智能家电的问答方法；172.该智能家电的问答系统构建方法包括：173.步骤110、构建自然语言问句训练集，并基于自然语言问句训练集训练得到自然语言问句识别模型；174.步骤120、基于预置的知识图谱、自然语言问句识别模型以及预设的知识查询模板，构建智能家电的问答系统。175.其中，知识查询模板用于基于自然语言问句识别模型输出的自然语言问句的识别结果，得到知识图谱查询语句，知识图谱查询语句用于在知识图谱中查找自然语言问句对应的答案；知识图谱基于智能家电的关联数据得到，关联数据包括：家电设备数据以及家电应用数据。176.该智能家电的问答方法应用于上述方法构建的智能家电的问答系统中，智能家电的问答方法包括：177.步骤410、将接收的自然语言问句输入至自然语言问句识别模型，得到自然语言问句的识别结果；178.步骤420、基于自然语言问句的识别结果，得到知识图谱查询语句；179.步骤430、基于知识图谱查询语句，在知识图谱中查找自然语言问句对应的答案。180.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的智能家电的问答系统构建方法，或者执行智能家电的问答方法；181.该智能家电的问答系统构建方法包括：182.步骤110、构建自然语言问句训练集，并基于自然语言问句训练集训练得到自然语言问句识别模型；183.步骤120、基于预置的知识图谱、自然语言问句识别模型以及预设的知识查询模板，构建智能家电的问答系统。184.其中，知识查询模板用于基于自然语言问句识别模型输出的自然语言问句的识别结果，得到知识图谱查询语句，知识图谱查询语句用于在知识图谱中查找自然语言问句对应的答案；知识图谱基于智能家电的关联数据得到，关联数据包括：家电设备数据以及家电应用数据。185.该智能家电的问答方法应用于上述方法构建的智能家电的问答系统中，智能家电的问答方法包括：186.步骤410、将接收的自然语言问句输入至自然语言问句识别模型，得到自然语言问句的识别结果；187.步骤420、基于自然语言问句的识别结果，得到知识图谱查询语句；188.步骤430、基于知识图谱查询语句，在知识图谱中查找自然语言问句对应的答案。189.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。190.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。191.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。当前第1页12当前第1页12
技术领域：
：，尤其涉及一种智能家电的问答系统构建方法和装置，及问答方法和装置。
背景技术：
：：2.随着人工智能的不断发展，智能问答系统已成为当今研究的热点。相比于传统的搜索引擎(如百度，谷歌等)返回冗杂、粗糙的结果，智能问答系统的结果往往更加精确、简洁。同时，伴随知识图谱的快速发展，智能问答的实际应用价值得到了很大的提高，也越来越成熟，基本取代了传统的人工客服等问答场景。3.对于用户来说，智能家电领域包含大量有价值的数据信息，因此，迫切需要一个好的问答系统，能够自动回复用户提出的关于智能家电领域的问题，但是，目前市场上，还没有智能家电领域的问答系统。技术实现要素：4.本发明提供一种智能家电的问答系统构建方法和装置，及问答方法和装置，用以构造智能家电领域的问答系统，以实现自动回答用户提出的关于智能家电领域的问题。5.本发明提供一种智能家电的问答系统构建方法，包括：6.构建自然语言问句训练集，并基于所述自然语言问句训练集训练得到自然语言问句识别模型；7.基于预置的知识图谱、所述自然语言问句识别模型以及预设的知识查询模板，构建所述问答系统；8.其中，所述知识查询模板用于基于所述自然语言问句识别模型输出的自然语言问句的识别结果，得到知识图谱查询语句，所述知识图谱查询语句用于在所述知识图谱中查找自然语言问句对应的答案；所述知识图谱基于所述智能家电的关联数据得到，所述关联数据包括：家电设备数据以及家电应用数据。9.根据本发明提供的智能家电的问答系统构建方法，还包括：10.获取所述智能家电的关联数据；11.基于所述关联数据，构建本体层以及实体层，得到所述知识图谱。12.根据本发明提供的智能家电的问答系统构建方法，所述获取智能家电的关联数据，包括：13.从目标网页上爬取所述智能家电的关联数据。14.根据本发明提供的智能家电的问答系统构建方法，所述基于所述关联数据，构建本体层以及实体层，得到所述知识图谱，包括：15.对所述关联数据进行数据清洗；16.基于清洗后的关联数据，以及预设的本体规则，构建本体层；17.基于所述清洗后的关联数据，构建实体层；18.基于所述本体层以及所述实体层，得到所述知识图谱。19.根据本发明提供的智能家电的问答系统构建方法，所述基于所述清洗后的关联数据，构建实体层，包括：20.提取所述清洗后的关联数据中的实体、关系以及属性；21.将所述实体、关系以及属性存入知识图谱数据库；其中，所述实体层包括所述知识图谱数据库。22.根据本发明提供的智能家电的问答系统构建方法，所述将所述实体、关系以及属性存入知识图谱数据库，包括：23.将所述实体、关系以及属性以三元组格式存入所述知识图谱数据库。24.根据本发明提供的智能家电的问答系统构建方法，所述自然语言问句识别模型包括文本向量化模型、支持向量机多分类器以及命名实体识别模型。25.根据本发明提供的智能家电的问答系统构建方法，所述文本向量化模型为基于词频和逆向文件频率加权的文本向量化模型；26.所述命名实体识别模型为嵌入有字向量语言模型的命名实体识别模型。27.本发明还提供一种智能家电的问答方法，应用于上述任一种智能家电的问答系统构建方法所构建的问答系统中，所述智能家电的问答方法，包括：28.将接收的自然语言问句输入至自然语言问句识别模型，得到所述自然语言问句的识别结果；29.基于所述自然语言问句的识别结果，得到知识图谱查询语句；30.基于所述知识图谱查询语句，在所述知识图谱中查找自然语言问句对应的答案。31.本发明还提供一种智能家电的问答系统构建装置，包括：32.第一构建模块，用于构建自然语言问句训练集，并基于所述自然语言问句训练集训练得到自然语言问句识别模型；33.第二构建模块用于基于预置的知识图谱、所述自然语言问句识别模型以及预设的知识查询模板，构建所述问答系统；34.其中，所述知识查询模板用于基于所述自然语言问句识别模型输出的自然语言问句的识别结果，得到知识图谱查询语句，所述知识图谱查询语句用于在所述知识图谱中查找自然语言问句对应的答案；所述知识图谱基于所述智能家电的关联数据得到，所述关联数据包括：家电设备数据以及家电应用数据。35.本发明还提供一种智能家电的问答装置，应用于上述任一种智能家电的问答系统构建方法所构建的问答系统中，所述智能家电的问答装置，包括：36.输入模块，用于将接收的自然语言问句输入至自然语言问句识别模型，得到所述自然语言问句的识别结果；37.识别模块，用于基于所述自然语言问句的识别结果，得到知识图谱查询语句；38.查询模块，用于基于所述知识图谱查询语句，在所述知识图谱中查找自然语言问句对应的答案。39.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述智能家电的问答系统构建方法的步骤，或者如上述智能家电的问答方法的步骤。40.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述智能家电的问答系统构建方法的步骤，或者如上述智能家电的问答方法的步骤。41.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述智能家电的问答系统构建方法的步骤，或者如上述智能家电的问答方法的步骤。42.本发明提供的智能家电的问答系统构建方法和装置，及问答方法和装置，包含了智能家电的家电设备数据对应的知识图谱，以及家电应用数据对应的知识图谱，该智能家电的问答系统不仅可以回答用户关于智能家电设备本身的问题，还能回答智能家电应用方面的问题。因此，本发明提供的方法所构建的问答系统，可以实现自动回答用户提出的关于智能家电领域的问题。43.相比于传统的搜索引擎(如百度，谷歌等)返回冗杂、粗糙的结果，基于本发明提供的方法所构建的智能家电的问答系统，返回的问题结果往往更加精确、简洁。附图说明44.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。45.图1是本发明提供的智能家电的问答系统构建方法的流程示意图；46.图2是本发明提供的智能家电的问答系统构建方法中构建知识图谱的示意图；47.图3是本发明提供的智能家电的问答系统的交互示意图；48.图4是本发明提供的智能家电的问答方法的流程示意图；49.图5是本发明提供的智能家电的问答系统构建装置的结构示意图；50.图6是本发明提供的智能家电的问答装置的结构示意图；51.图7是本发明提供的电子设备的结构示意图。具体实施方式52.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。53.下面结合图1-图7描述本发明的智能家电的问答系统构建方法和装置，及问答方法和装置。54.本发明提供的智能家电的问答系统构建方法应用于服务器端，如图1所示，该智能家电的问答系统构建方法包括：55.步骤110、构建自然语言问句训练集，并基于自然语言问句训练集训练得到自然语言问句识别模型；56.可以理解的是，自然语言问句也即是基于自然语言所提出的问句。基于自然语言问句训练集，训练得到的自然语言问句识别模型，可以对用户输入的语音信息进行识别，并提取该语音信息中的问句的关键词信息。57.步骤120、基于预置的知识图谱、自然语言问句识别模型以及预设的知识查询模板，构建智能家电的问答系统。58.其中，知识查询模板用于基于自然语言问句识别模型输出的自然语言问句的识别结果，得到知识图谱查询语句，知识图谱查询语句用于在知识图谱中查找自然语言问句对应的答案；知识图谱基于智能家电的关联数据得到，关联数据包括：家电设备数据以及家电应用数据。59.可以理解的是，基于自然语言问句识别模型所提取的关键词信息，与预设的多个知识查询模板进行匹配，确定目标知识查询模板，将提取的关键词信息与目标知识查询模板进行匹配，得到知识图谱查询语句，最后基于知识图谱查询语句去查询知识图谱，得到用户问题对应的答案。60.进一步，知识查询模板用于基于自然语言问句识别模型输出的自然语言问句的识别结果，可以得到cypher语句。61.在一些实施例中，智能家电的问答系统构建方法，还包括：62.获取智能家电的关联数据；63.基于关联数据，构建本体层以及实体层，得到智能家电的知识图谱。64.可以理解的是，智能家电可以是冰箱、洗衣机、空调或者电烤箱等设备。65.家电设备数据也即是智能家电设备自身属性的数据，例如：冰箱的工作电压、有效容积、内部尺寸、内部温度和湿度以及工作频率等参数；洗衣机的工作电压、容量、转速以及洗衣机类型等参数；空调的工作电压、品牌及型号、能效比、额定制冷量、额定制热量以及使用面积等参数；电烤箱的功率、升温时间、温度分布均匀度以及烤箱容积等参数。66.家电应用数据，可以是与家电应用相关的数据，例如：冰箱的应用数据可以是有关菜谱和食材方面的数据，无论是从食材的选购，还是菜品的推荐和制作，以及厨余垃圾的分类和处理，冰箱的应用数据对应的知识图谱，在智能问答环节都可以满足用户的需求；洗衣机的应用数据可以是衣服材质相关的应用数据，以及如何清洗衣服相关的数据；空调应用相关的数据，可以是和人体温度健康相关的数据；电烤箱应用相关的数据，可以是烘焙食材、烘焙步骤等相关数据。67.可以理解的是，本体层是知识图谱的本体层，本体层是以资源描述框架(resourcedescriptionframework，rdf)模式为起点扩展的本体建模语言，也称为本体推理层(ontologyinferencelayer)。本体层提供一种层次的标准本体语言方法，能够对许多知识表达语言结构进行建模，与资源描述框架模式兼容，本体层包含的精确语义用于描述术语的含义。68.实体层也即是对智能家电的关联数据进行实体抽取以及实体链接所得到的数据层。69.智能家电的知识图谱，是揭示智能家电的关联数据对应实体之间关系的语义网络。70.需要说明的是，可以分别对家电设备数据构建本体层以及实体层，得到智能家电对应的设备知识图谱，以及对家电应用数据构建本体层以及实体层，得到智能家电的家电应用知识图谱，将智能家电的设备知识图谱以及家电应用知识图谱合并起来，构成最后整体的智能家电的知识图谱。71.在一些实施例中，基于关联数据，构建本体层以及实体层，得到知识图谱，包括：72.对关联数据进行数据清洗；73.基于清洗后的关联数据，以及预设的本体规则，构建本体层；74.基于清洗后的关联数据，构建实体层；75.基于本体层以及实体层，得到智能家电的知识图谱。76.可以理解的是，对智能家电的关联数据清洗，也即是对智能家电的数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。77.本体又称为语义词典或语义网，预设的本体规则，也即是对智能家电的关联数据对应的本体进行约束的规则。78.本实施例中，智能家电的知识图谱包括本体层以及实体层。本体层位于实体层之上。实体层其实就是存储所有的三元组信息的知识库，而本体层才是知识图谱的核心，本体层是对实体层知识结构的一种提炼，通常需要借助本体库来存储，通过在本体层上建立一些约束和规则，规范实体、关系、实体属性以及属性值之间的联系，以及完成在知识图谱上的一些推理。79.需要说明的是，对家电设备数据以及家电应用数据分别进行清洗，分别构建本体层和实体层，得到设备知识图谱以及家电应用知识图谱。80.在一些实施例中，基于清洗后的关联数据，构建实体层，包括：81.提取清洗后的关联数据中的实体、关系以及属性；82.将实体、关系以及属性存入知识图谱数据库；其中，实体层包括知识图谱数据库。83.可以理解的是，实体抽取也即是命名实体识别，包括实体的检测(find)和分类(classify)；关系抽取，也即是三元组(triple)抽取，一个谓词(predicate)带2个形参(argument)，关系抽取是从文本中挖掘出实体与实体之间的语义信息，也即是实体与实体之间的关联关系。属性指的是实体的属性。84.需要说明的是，知识图谱数据库可以是neo4j图数据库。实体层包括知识图谱数据库，也即是包含了实体层包括知识图谱数据库中的实体、关系以及属性。85.进一步，知识图谱的构建示意图如图2所示，智能家电的关联数据可以分为结构化数据、半结构化数据以及非结构化数据。其中，对智能家电的关联数据中的半结构化数据以及非结构化数据，进行实体抽取、关系收取以及属性抽取。将智能家电的关联数据中的结构化数据与外部知识库进行知识合并，并将知识合并结果与抽取的实体、关系以及属性进行实体对齐，基于实体对齐结果构建本体层，再基于实体对齐结果对构建的本体层进行质量评估，在满足质量要求后，得到对应的知识图谱。86.在一些实施例中，将实体、关系以及属性存入知识图谱数据库，包括：87.将实体、关系以及属性以三元组格式存入知识图谱数据库。88.可以理解的是，三元组主要是用来存储稀疏矩阵的一种压缩方式，也叫三元组表(tripletable)。例如，以顺序存储结构来表示三元组表，则得到稀疏矩阵的一种压缩存储方式，即三元组顺序表，简称三元组表。89.在一些实施例中，自然语言问句识别模型包括文本向量化模型、支持向量机多分类器(supportvectormachine，svm)以及命名实体识别模型(namedentityrecognition，ner)。90.可以理解的是，文本向量化模型用于实现自然语言问句的文件向量化，其接收文本数据，输出向量化的文本。支持向量机多分类器用于将文本向量化模型输出的向量化文本进行分类，完成问句分类任务。91.命名实体识别模型用于是指识别文本中具有特定意义的实体的模型，例如包括人名、地名、机构名、专有名词的识别。命名实体识别模型是自然语言处理(naturallanguageprocessing，nlp)的基础任务，从文本中识别出命名性指称项，为关系抽取等任务做铺垫。92.自然语言问句识别模型中包含有支持向量机多分类器，可以完成问句分类任务，提高了问句分类的准确率，有效地将用户问题匹配到最相似的知识查询模板上，从而能够准确的查询到用户所需的答案。93.通过构建命名实体识别模型完成问句命名实体识别任务，解析出问句中的实体、属性和关系，有效填充了知识查询模板，使得生成的知识图谱查询语句更加完整和准确，在一定程度上提高了用户问题解析的准确性。94.在一些实施例中，文本向量化模型为基于词频和逆向文件频率加权(即：tf-idf)的文本向量化模型；95.命名实体识别模型为嵌入有字向量语言模型的命名实体识别模型。96.可以理解的是，命名实体识别模型可以是从目标网站爬取的一些所需要的数据进行实体识别语料标注，且嵌入有word2vec字向量语言模型的命名实体识别模型。命名实体识别模型的输入是词嵌入向量，输出是每个单词对应的预测标签。97.进一步，命名实体识别模型包含有bilstm(bi-directionallongshort-termmemory)层,bilstm层是由前向lstm模型与后向lstm模型组合而成，且bilstm层中包含有crf层。98.crf层可以为最后预测的标签添加一些约束来保证预测的标签是合法的。在训练数据训练过程中，这些约束可以通过crf层自动学习到。99.在一些实施例中，获取智能家电的关联数据，包括：100.从目标网页上爬取智能家电的关联数据。101.可以理解的是，目标网页可以是智能家电的生产厂商的网页，或者智能家电的销售厂商的网页，这些厂商的网页上包含有智能家电设备的家电设备数据。目标网页还可以是一些百科网页，例如包含有食材数据、烘焙数据或者生活常识的百科网页。102.在一些实施例中，本发明提供的智能家电的问答系统的交互示意图如图3所示，用户通过语音的方式，在人机交互设备录入智能家电相关的问题，对录入的语音信息先进行问句分类，再进行问句解析，构建查询语音，基于查询语音在构建好的智能家电的知识图谱上查询问题的答案，最后将查询到的答案返回至人机交互设备，通过人机交互设备告诉用户。103.综上所述，基于本发明提供的方法所构建的智能家电的问答系统，包含了智能家电的家电设备数据对应的知识图谱，以及家电应用数据对应的知识图谱，该智能家电的问答系统不仅可以回答用户关于智能家电设备本身的问题，还能回答智能家电应用方面的问题。因此，本发明提供的方法所构建的问答系统，可以实现自动回答用户提出的关于智能家电领域的问题。104.相比于传统的搜索引擎(如百度，谷歌等)返回冗杂、粗糙的结果，基于本发明提供的方法所构建的智能家电的问答系统，返回的问题结果往往更加精确、简洁。105.下面对本发明提供的智能家电的问答系统构建装置进行描述，下文描述的智能家电的问答系统构建装置与上文描述的智能家电的问答系统构建方法可相互对应参照。106.本发明还提供一种智能家电的问答方法，应用于上述智能家电的问答系统构建方法所构建的问答系统中，如图4所示，智能家电的问答方法，包括：107.步骤410、将接收的自然语言问句输入至自然语言问句识别模型，得到自然语言问句的识别结果；108.步骤420、基于自然语言问句的识别结果，得到知识图谱查询语句；109.步骤430、基于知识图谱查询语句，在知识图谱中查找自然语言问句对应的答案。110.如图5所示，本发明提供的智能家电的问答系统构建装置500包括：第一构建模块510和第二构建模块520。111.第一构建模块510用于构建自然语言问句训练集，并基于自然语言问句训练集训练得到自然语言问句识别模型。112.可以理解的是，自然语言问句也即是基于自然语言所提出的问句。基于自然语言问句训练集，训练得到的自然语言问句识别模型，可以对用户输入的语音信息进行识别，并提取该语音信息中的问句的关键词信息。113.第二构建模块520用于基于预置的知识图谱、自然语言问句识别模型以及预设的知识查询模板，构建智能家电的问答系统。114.其中，知识查询模板用于基于自然语言问句识别模型输出的自然语言问句的识别结果，得到知识图谱查询语句，知识图谱查询语句用于在知识图谱中查找自然语言问句对应的答案；知识图谱基于智能家电的关联数据得到，关联数据包括：家电设备数据以及家电应用数据。115.可以理解的是，基于自然语言问句识别模型所提取的关键词信息，与预设的多个知识查询模板进行匹配，确定目标知识查询模板，将提取的关键词信息与目标知识查询模板进行匹配，得到知识图谱查询语句，最后基于知识图谱查询语句去查询知识图谱，得到用户问题对应的答案。116.在一些实施例中，智能家电的问答系统构建装置500还包括：获取模块和第三构建模块。117.获取模块用于获取智能家电的关联数据。118.可以理解的是，智能家电可以是冰箱、洗衣机、空调或者电烤箱等设备。119.家电设备数据也即是智能家电设备自身属性的数据，例如：冰箱的工作电压、有效容积、内部尺寸、内部温度和湿度以及工作频率等参数；洗衣机的工作电压、容量、转速以及洗衣机类型等参数；空调的工作电压、品牌及型号、能效比、额定制冷量、额定制热量以及使用面积等参数；电烤箱的功率、升温时间、温度分布均匀度以及烤箱容积等参数。120.家电应用数据，可以是与家电应用相关的数据，例如：冰箱的应用数据可以是有关菜谱和食材方面的数据；洗衣机的应用数据可以是衣服材质相关的应用数据，以及如何清洗衣服相关的数据；空调应用相关的数据，可以是和人体温度健康相关的数据；电烤箱应用相关的数据，可以是烘焙食材、烘焙步骤等相关数据。121.第三构建模块用于基于关联数据，构建本体层以及实体层，得到智能家电的知识图谱。122.可以理解的是，本体层是知识图谱的本体层，本体层是以资源描述框架模式为起点扩展的本体建模语言，也称为本体推理层。本体层提供一种层次的标准本体语言方法，能够对许多知识表达语言结构进行建模，与资源描述框架模式兼容，本体层包含的精确语义用于描述术语的含义。123.实体层也即是对智能家电的关联数据进行实体抽取以及实体链接所得到的数据层。124.智能家电的知识图谱，是揭示智能家电的关联数据对应实体之间关系的语义网络。125.需要说明的是，可以分别对家电设备数据构建本体层以及实体层，得到智能家电对应的设备知识图谱，以及对家电应用数据构建本体层以及实体层，得到智能家电的家电应用知识图谱，将智能家电的设备知识图谱以及家电应用知识图谱合并起来，构成最后整体的智能家电的知识图谱。126.进一步，知识查询模板用于基于自然语言问句识别模型输出的自然语言问句的识别结果，可以得到cypher语句。127.在一些实施例中，第三构建模块包括：清洗单元、第一构建单元、第二构建单元和图谱生成单元。128.清洗单元用于对关联数据进行数据清洗。129.第一构建单元用于基于清洗后的关联数据，以及预设的本体规则，构建本体层。130.第二构建单元用于基于清洗后的关联数据，构建实体层。131.图谱生成单元用于基于本体层以及实体层，得到智能家电的知识图谱。132.可以理解的是，对智能家电的关联数据清洗，也即是对智能家电的数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。133.本体又称为语义词典或语义网，预设的本体规则，也即是对智能家电的关联数据对应的本体进行约束的规则。134.本实施例中，智能家电的知识图谱包括本体层以及实体层。本体层位于实体层之上。实体层其实就是存储所有的三元组信息的知识库，而本体层才是知识图谱的核心，本体层是对实体层知识结构的一种提炼，通常需要借助本体库来存储，通过在本体层上建立一些约束和规则，规范实体、关系、实体属性以及属性值之间的联系，以及完成在知识图谱上的一些推理。135.需要说明的是，对家电设备数据以及家电应用数据分别进行清洗，分别构建本体层和实体层，得到设备知识图谱以及家电应用知识图谱。136.在一些实施例中，第二构建单元包括：提取单元和存储单元。137.提取单元用于提取清洗后的关联数据中的实体、关系以及属性。138.可以理解的是，实体抽取也即是命名实体识别，包括实体的检测和分类；关系抽取，也即是三元组抽取，一个谓词带2个形参，关系抽取是从文本中挖掘出实体与实体之间的语义信息，也即是实体与实体之间的关联关系。属性指的是实体的属性。139.需要说明的是，知识图谱数据库可以是neo4j图数据库。140.进一步，智能家电的关联数据可以分为结构化数据、半结构化数据以及非结构化数据。其中，对智能家电的关联数据中的半结构化数据以及非结构化数据，进行实体抽取、关系收取以及属性抽取。将智能家电的关联数据中的结构化数据与外部知识库进行知识合并，并将知识合并结果与抽取的实体、关系以及属性进行实体对齐，基于实体对齐结果构建本体层，再基于实体对齐结果对构建的本体层进行质量评估，在满足质量要求后，得到对应的知识图谱。141.存储单元用于将实体、关系以及属性存入知识图谱数据库；其中，实体层包括知识图谱数据库。142.在一些实施例中，存储单元进一步用于将实体、关系以及属性以三元组格式存入知识图谱数据库。143.可以理解的是，三元组主要是用来存储稀疏矩阵的一种压缩方式，也叫三元组表。例如，以顺序存储结构来表示三元组表，则得到稀疏矩阵的一种压缩存储方式，即三元组顺序表，简称三元组表。144.在一些实施例中，自然语言问句识别模型包括文本向量化模型、支持向量机多分类器以及命名实体识别模型。145.可以理解的是，文本向量化模型用于实现自然语言问句的文件向量化，其接收文本数据，输出向量化的文本。支持向量机多分类器用于将文本向量化模型输出的向量化文本进行分类，完成问句分类任务。146.命名实体识别模型用于是指识别文本中具有特定意义的实体的模型，例如包括人名、地名、机构名、专有名词的识别。命名实体识别模型是自然语言处理的基础任务，从文本中识别出命名性指称项，为关系抽取等任务做铺垫。147.在一些实施例中，文本向量化模型为基于词频和逆向文件频率加权的文本向量化模型；148.命名实体识别模型为嵌入有字向量语言模型的命名实体识别模型。149.可以理解的是，命名实体识别模型可以是从目标网站爬取的一些所需要的数据进行实体识别语料标注，且嵌入有word2vec字向量语言模型的命名实体识别模型。命名实体识别模型的输入是词嵌入向量，输出是每个单词对应的预测标签。150.进一步，命名实体识别模型包含有bilstm层,bilstm层是由前向lstm模型与后向lstm模型组合而成，且bilstm层中包含有crf层。151.crf层可以为最后预测的标签添加一些约束来保证预测的标签是合法的。在训练数据训练过程中，这些约束可以通过crf层自动学习到。152.在一些实施例中，获取模块510进一步用于从目标网页上爬取智能家电的关联数据。153.可以理解的是，目标网页可以是智能家电的生产厂商的网页，或者智能家电的销售厂商的网页，这些厂商的网页上包含有智能家电设备的家电设备数据。目标网页还可以是一些百科网页，例如包含有食材数据、烘焙数据或者生活常识的百科网页。154.综上所述，基于本发明提供的装置所构建的智能家电的问答系统，包含了智能家电的家电设备数据对应的知识图谱，以及家电应用数据对应的知识图谱，该智能家电的问答系统不仅可以回答用户关于智能家电设备本身的问题，还能回答智能家电应用方面的问题。因此，本发明提供的方法所构建的问答系统，可以实现自动回答用户提出的关于智能家电领域的问题。155.相比于传统的搜索引擎(如百度，谷歌等)返回冗杂、粗糙的结果，基于本发明提供的装置所构建的智能家电的问答系统，返回的问题结果往往更加精确、简洁。156.本发明还提供一种智能家电的问答装置，应用于上述智能家电的问答系统构建方法所构建的问答系统中，如图6所示，智能家电的问答装置600包括：输入模块610、识别模块620和查询模块630。157.输入模块610用于将接收的自然语言问句输入至自然语言问句识别模型，得到自然语言问句的识别结果。158.识别模块620用于基于自然语言问句的识别结果，得到知识图谱查询语句。159.查询模块630用于基于知识图谱查询语句，在知识图谱中查找自然语言问句对应的答案。160.下面对本发明提供的电子设备、计算机程序产品及存储介质进行描述，下文描述的电子设备、计算机程序产品及存储介质与上文描述的智能家电的问答系统构建方法可相互对应参照。161.图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(communicationsinterface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行智能家电的问答系统构建方法，或者执行智能家电的问答方法；162.该智能家电的问答系统构建方法包括：163.步骤110、构建自然语言问句训练集，并基于自然语言问句训练集训练得到自然语言问句识别模型；164.步骤120、基于预置的知识图谱、自然语言问句识别模型以及预设的知识查询模板，构建智能家电的问答系统。165.其中，知识查询模板用于基于自然语言问句识别模型输出的自然语言问句的识别结果，得到知识图谱查询语句，知识图谱查询语句用于在知识图谱中查找自然语言问句对应的答案；知识图谱基于智能家电的关联数据得到，关联数据包括：家电设备数据以及家电应用数据。166.该智能家电的问答方法应用于上述方法构建的智能家电的问答系统中，智能家电的问答方法包括：167.步骤410、将接收的自然语言问句输入至自然语言问句识别模型，得到自然语言问句的识别结果；168.步骤420、基于自然语言问句的识别结果，得到知识图谱查询语句；169.步骤430、基于知识图谱查询语句，在知识图谱中查找自然语言问句对应的答案。170.此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。171.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的智能家电的问答系统构建方法，或者执行智能家电的问答方法；172.该智能家电的问答系统构建方法包括：173.步骤110、构建自然语言问句训练集，并基于自然语言问句训练集训练得到自然语言问句识别模型；174.步骤120、基于预置的知识图谱、自然语言问句识别模型以及预设的知识查询模板，构建智能家电的问答系统。175.其中，知识查询模板用于基于自然语言问句识别模型输出的自然语言问句的识别结果，得到知识图谱查询语句，知识图谱查询语句用于在知识图谱中查找自然语言问句对应的答案；知识图谱基于智能家电的关联数据得到，关联数据包括：家电设备数据以及家电应用数据。176.该智能家电的问答方法应用于上述方法构建的智能家电的问答系统中，智能家电的问答方法包括：177.步骤410、将接收的自然语言问句输入至自然语言问句识别模型，得到自然语言问句的识别结果；178.步骤420、基于自然语言问句的识别结果，得到知识图谱查询语句；179.步骤430、基于知识图谱查询语句，在知识图谱中查找自然语言问句对应的答案。180.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的智能家电的问答系统构建方法，或者执行智能家电的问答方法；181.该智能家电的问答系统构建方法包括：182.步骤110、构建自然语言问句训练集，并基于自然语言问句训练集训练得到自然语言问句识别模型；183.步骤120、基于预置的知识图谱、自然语言问句识别模型以及预设的知识查询模板，构建智能家电的问答系统。184.其中，知识查询模板用于基于自然语言问句识别模型输出的自然语言问句的识别结果，得到知识图谱查询语句，知识图谱查询语句用于在知识图谱中查找自然语言问句对应的答案；知识图谱基于智能家电的关联数据得到，关联数据包括：家电设备数据以及家电应用数据。185.该智能家电的问答方法应用于上述方法构建的智能家电的问答系统中，智能家电的问答方法包括：186.步骤410、将接收的自然语言问句输入至自然语言问句识别模型，得到自然语言问句的识别结果；187.步骤420、基于自然语言问句的识别结果，得到知识图谱查询语句；188.步骤430、基于知识图谱查询语句，在知识图谱中查找自然语言问句对应的答案。189.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。190.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。191.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
