知识库问答方法及装置、存储介质、电子设备与流程

1.本公开涉及自然语言处理技术领域，尤其涉及一种知识库问答方法与知识库问答装置、计算机可读存储介质及电子设备。


背景技术：

2.现有的知识库问答系统一般包含问题分类器(意图分类、命名实体识别)，问题解析器及答案生成器。其中，意图识别和命名实体识别分别利用两个模型实现，且常见的命名实体识别算法一般是利用bert(bidirectionalencoder representations fromtransformer，基于transformer的双向编码器表示)与crf(conditional random fields，条件随机场)组合形式的模型，或者是阅读理解模型，以分别预测一个实体的start span(实体头)和end span(实体尾)。
3.但是，使用分别预测实体头和实体尾再组合的方法，会导致模型准确率下降。
4.鉴于此，本领域亟需开发一种新的知识库问答方法及装置。
5.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

6.本公开的目的在于提供一种知识库问答方法、知识库问答装置、计算机可读存储介质及电子设备，进而至少在一定程度上克服由于相关技术的限制而导致的问答准确率下降的技术问题。
7.本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
8.根据本发明实施例的第一个方面，提供一种知识库问答方法，所述方法包括：
9.获取问题语句和数据库，并利用改进命名实体识别模型识别所述问题语句中的第一实体类别和第一命名实体；
10.利用匹配模型识别所述问题语句中的第二实体类别和第二命名实体，并对所述第一实体类别和所述第二实体类别进行融合得到目标实体类别；
11.对所述第一命名实体和所述第二命名实体进行融合得到目标命名实体，并根据所述目标实体类别和所述目标命名实体在所述数据库中搜索所述问题语句的答案语句。
12.在本发明的一种示例性实施例中，所述利用改进命名实体识别模型识别所述问题语句中的第一实体类别和第一命名实体，包括：
13.对所述问题语句进行编码处理得到向量序列，并对所述向量序列进行线性变换得到实体分值，所述实体分值表征多标签分类的打分结果；
14.根据所述实体分值识别所述问题语句中的第一命名实体，并根据所述第一命名实体确定第一实体类别。
15.在本发明的一种示例性实施例中，所述利用匹配模型识别所述问题语句中的第二
实体类别和第二命名实体，包括：
16.获取知识图谱中的已有主题实体，并利用所述已有主题实体与所述问题语句进行匹配得到第二命名实体；
17.获取意图关键词，并利用所述意图关键词与所述问题语句进行匹配得到第二实体类别。
18.在本发明的一种示例性实施例中，所述对所述第一实体类别和所述第二实体类别进行融合得到目标实体类别，包括：
19.对所述第一实体类别和所述第二实体类别进行并集操作得到目标实体类别。
20.在本发明的一种示例性实施例中，所述对所述第一命名实体和所述第二命名实体进行融合得到目标命名实体，包括：
21.对所述第一命名实体和所述第二命名实体进行并集操作得到目标命名实体。
22.在本发明的一种示例性实施例中，所述根据所述目标实体类别和所述目标命名实体在所述数据库中搜索所述问题语句的答案语句，包括：
23.根据所述目标实体类别和所述目标命名实体将所述问题语句转换成查询语句，并利用所述查询语句在所述数据库中进行搜索得到初始答案；
24.调用与所述初始答案对应的回复模板，并根据所述初始答案和所述回复模板得到所述问题语句的答案语句。
25.在本发明的一种示例性实施例中，所述方法还包括：
26.当利用所述查询语句在所述数据库中未搜索到所述初始答案时，利用所述目标命名实体在所述数据库中进行模糊匹配得到匹配实体，以利用所述匹配实体进行查询。
27.根据本发明实施例的第二个方面，提供一种知识库问答装置，包括：
28.实体识别模块，被配置为获取问题语句和数据库，并利用改进命名实体识别模型识别所述问题语句中的第一实体类别和第一命名实体；
29.意图识别模块，被配置为利用匹配模型识别所述问题语句中的第二实体类别和第二命名实体，并对所述第一实体类别和所述第二实体类别进行融合得到目标实体类别；
30.答案搜索模块，被配置为对所述第一命名实体和所述第二命名实体进行融合得到目标命名实体，并根据所述目标实体类别和所述目标命名实体在所述数据库中搜索所述问题语句的答案语句。
31.根据本发明实施例的第三个方面，提供一种电子设备，包括：处理器和存储器；其中，存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现上述任意示例性实施例中的知识库问答方法。
32.根据本发明实施例的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意示例性实施例中的知识库问答方法。
33.由上述技术方案可知，本公开示例性实施例中的知识库问答方法、知识库问答装置、计算机存储介质及电子设备至少具备以下优点和积极效果：
34.在本公开的示例性实施例提供的方法及装置中，利用改进命名实体识别模型识别问题语句中实体类别和命名实体，通过一个模型实现了意图分类和命名实体识别，简化了处理流程，提升了改进命名实体识别模型的准确率。进而，在增加匹配模型实现的意图分类
和命名实体识别的基础上，对两个维度的实体类别和命名实体进行融合，以搜索问题语句对应的答案语句，提升了意图分类的准确率，优化了意图分类效果，提升了问答方式的答案搜索准确率，减少了答案筛选时间。
35.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
36.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。
37.图1示意性示出本公开示例性实施例中一种知识库问答方法的流程示意图；
38.图2示意性示出本公开示例性实施例中识别第一实体类别和第一命名实体的方法的流程示意图；
39.图3示意性示出本公开示例性实施例中识别第二实体类别和第二命名实体的方法的流程示意图；
40.图4示意性示出本公开示例性实施例中在数据库中搜索答案语句的方法的流程示意图；
41.图5示意性示出本公开示例性实施例中应用场景下的知识库问答方法的流程示意图；
42.图6示意性示出本公开示例性实施例中一种知识库问答装置的结构示意图；
43.图7意性示出本公开示例性实施例中一种用于实现知识库问答方法的电子设备；
44.图8意性示出本公开示例性实施例中一种用于实现知识库问答方法的计算机可读存储介质。
具体实施方式
45.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
46.本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。
47.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标
记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
48.现有的知识库问答系统一般包含问题分类器(意图分类、命名实体识别)，问题解析器及答案生成器，其中意图识别和命名实体识别分别利用两个模型实现，且常见的命名实体识别算法一般是利用bert与crf组合形式的模型或者阅读理解模型分别预测一个实体的start span和end span。
49.实际上，意图分类问题也可以转换成命名实体识别问题，用一个模型来实现。亦即，利用命名实体识别模型识别意图分类词，并区分不同的意图分类词对应的意图。
50.这样的处理方法有三个方面的优势：一是简化模型流程，利用一个模型代替原有的两个模型的任务；二是识别的意图分类词可以人工过滤后放到匹配检索算法中作为关键词，提升模型的准确率；三是命名实体识别的非意图词的实体一般是数据库中存在的或者相近的，识别准确率高，排除这部分词以及stop word(停用词)其余词一般都是意图词。
51.利用命名实体识别模型识别非意图词的实体准确率极高，因此，排除这些词识别意图词的准确率也很高。针对这些意图词分类比整句分类排除了一些无用信息，故利用命名实体识别实现的意图分类效果优于一般的分类模型的效果。
52.针对相关技术中存在的问题，本公开提出了一种知识库问答方法。图1示出了知识库问答方法的流程图，如图1所示，知识库问答方法至少包括以下步骤：
53.步骤s110.获取问题语句和数据库，并利用改进命名实体识别模型识别问题语句中的第一实体类别和第一命名实体。
54.步骤s120.利用匹配模型识别问题语句中的第二实体类别和第二命名实体，并对第一实体类别和第二实体类别进行融合得到目标实体类别。
55.步骤s130.对第一命名实体和第二命名实体进行融合得到目标命名实体，并根据目标实体类别和目标命名实体在数据库中搜索问题语句的答案语句。
56.在本公开的示例性实施例中，利用改进命名实体识别模型识别问题语句中实体类别和命名实体，通过一个模型实现了意图分类和命名实体识别，简化了处理流程，提升了改进命名实体识别模型的准确率。进而，在增加匹配模型实现的意图分类和命名实体识别的基础上，对两个维度的实体类别和命名实体进行融合，以搜索问题语句对应的答案语句，提升了意图分类的准确率，优化了意图分类效果，提升了问答方式的答案搜索准确率，减少了答案筛选时间。
57.下面对知识库问答方法的各个步骤进行详细说明。
58.在步骤s110中，获取问题语句和数据库，并利用改进命名实体识别模型识别问题语句中的第一实体类别和第一命名实体。
59.在本公开的示例性实施例中，该问题语句可以是用户输入的问题，数据库可以对与问题语句对应的答案语句进行存储。
60.进一步的，可以利用改进命名实体识别模型实现意图分类和命名实体识别。
61.在可选的实施例中，图2示出了识别第一实体类别和第一命名实体的方法的流程示意图，如图2所示，该方法至少可以包括以下步骤：在步骤s210中，对问题语句进行编码处理得到向量序列，并对向量序列进行线性变换得到实体分值，实体分值表征多标签分类的打分结果。
62.当用户输入的问题语句的长度为n时，则可能的实体为n(n 1)/2个。
63.举例而言，当用户输入的问题语句为“你是xx吗”，那么，可能的实体可以分别是“你”、“你是”、“你是x”、“你是xx”、“你是xx吗”、
……
、“吗”，因此，实体个数为(5*6)/2＝15个。
64.当实体类别为k时，则为这些备选实体的k 1分类问题。其中的“1”包括该候选实体不是实体的情况。
65.因此，利用bert模型对问题语句经过编码处理之后得到向量序列h。其中，h的长度为n，hi为用户输入的问题语句转换的向量序列第i个位置的向量表示。
66.进一步的，对向量序列进行α次线性变换得到α组mi和nj，α组的两者的内积即为该i到j的片段是类型为α的实体的打分以得到实体分值。
67.其中，α可以等于k 1，也可以根据实际情况设置为其他数值，本示例性实施例对此不做特殊限定。
68.其中，损失函数可以是n(n 1)/2个二分类问题，或者其他用于多标签分类的损失函数，本示例性实施例对此不做特殊限定。
69.在步骤s220中，根据实体分值识别问题语句中的第一命名实体，并根据第一命名实体确定第一实体类别。
70.在获取到实体分值之后，可以将最高的实体分值对应的候选实体确定为问题语句中的第一命名实体。
71.进一步的，根据该第一命名实体的类别查询对应的第一实体类别，以作为用户意图。
72.举例而言，利用改进的命名实体识别模型抽取问题语句中的主体实体和意图实体。
73.其中，主体实体可以包括故障原因、故障现象、故障描述、故障解决方案和发生地点等；意图实体可以包括查原因的实体、查解决方案的实体、查地点的实体和查发生次数的实体等。
74.进一步的，根据抽取的意图实体的具体类别确认最终的意图分类。例如，对于“连接失败次数多的原因是什么？”，其中“连接失败次数多”即为主体实体(故障现象)，而“原因”以及“原因是什么”是意图实体(查原因的实体)，根据意图实体的类别就可以识别用户意图是：查原因。
75.在本示例性实施例中，利用改进的命名实体识别模型的结果人工过滤获取意图关键词和非意图实体，减少了模型参数，优化了复杂任务的效果。
76.在步骤s120中，利用匹配模型识别问题语句中的第二实体类别和第二命名实体，并对第一实体类别和第二实体类别进行融合得到目标实体类别。
77.在本公开的示例性实施例中，利用匹配模型实现意图分配和命名实体识别。
78.在可选的实施例中，图3示出了识别第二实体类别和第二命名实体的方法的流程示意图，如图3所示，该方法至少可以包括以下步骤：在步骤s310中，获取知识图谱中的已有主题实体，并利用已有主题实体与问题语句进行匹配得到第二命名实体。
79.利用知识图谱中已有的主体实体等数据与用户输入的问题语句进行匹配，可以获
取对应的主体实体作为第二命名实体，以实现命名实体识别。
80.其中，知识图谱中已有的主体实体可以包括故障原因、故障现象和故障解决方案等数据，也可以包括其他数据，本示例性实施例对此不做特殊限定。
81.在步骤s320中，获取意图关键词，并利用意图关键词与问题语句进行匹配得到第二实体类别。
82.利用意图关键词匹配用户输入的问题语句，以对用户问题进行意图分类得到第二实体类别。该匹配过程不仅可以是完全相同的匹配方式，还可以是利用文字编辑距离实现的模糊匹配，本示例性实施例对此不做特殊限定。
83.其中用于匹配的意图关键词在初始情况下可以是历史积累的意图实体，然后定期利用步骤s110中的命名实体模型抽取的意图词，在进行人工过滤后作为用于匹配的意图关键词。
84.在本示例性实施例中，增加了匹配模型实现的意图分类和命名实体识别，为最终的目标实体类别和目标命名实体提供了另一维度的数据基础和支持，保障了识别的准确性和完整性。
85.在得到第一实体类别和第二实体类别之后，可以对第一实体类别和第二实体类别进行融合，以得到目标实体类别。
86.在可选的实施例中，对第一实体类别和第二实体类别进行并集操作得到目标实体类别。
87.举例而言，当第一实体类别为类别1，第二实体类别为类别2时，可以对类别1和类别2进行并集操作得到目标实体类别包括类别1和类别2。
88.在步骤s130中，对第一命名实体和第二命名实体进行融合得到目标命名实体，并根据目标实体类别和目标命名实体在数据库中搜索问题语句的答案语句。
89.在本公开的示例性实施例中，在得到第一命名实体和第二命名实体之后，可以对该第一命名实体和第二命名实体进行融合，以得到目标命名实体。
90.在可选的实施例中，对第一命名实体和第二命名实体进行并集操作得到目标命名实体。
91.举例而言，当第一命名实体为实体1，第二命名实体为实体2时，可以对该实体1和实体2进行并集操作得到目标命名实体包括实体1和实体2。
92.在通过融合得到目标实体类别和目标命名实体之后，可以根据该目标实体类别和目标命名实体在数据库中搜索问题语句的答案语句。
93.在可选的实施例中，图4示出了在数据库中搜索答案语句的方法的流程示意图，如图4所示，该方法至少可以包括以下步骤：在步骤s410中，根据目标实体类别和目标命名实体将问题语句转换成查询语句，并利用查询语句在数据库中进行搜索得到初始答案。
94.根据目标实体类别和目标命名实体将用户输入的问题语句转换成cypher(一种声明式图查询语言)查询语句sqls(sql，structured query language，结构化查询语言)。
95.进一步的，利用neo4j(高性能的图形数据库)的cypher查询语句在数据库中进行搜索，以搜索到初始答案。
96.在步骤s420中，调用与初始答案对应的回复模板，并根据初始答案和回复模板得到问题语句的答案语句。
97.在获取到初始答案之后，可以调用回复模板，以生成问题语句的答案语句。
98.在本示例性实施例中，利用目标实体类别和目标命名实体确定问题语句的答案语句，提升了问答系统的准确率。
99.除此之外，根据目标实体类别和目标命名实体在数据库中搜索初始答案时，也可能会出现搜索不到初始答案的情况，因此，可以通过模糊匹配的方式进行查询。
100.在可选的实施例中，当利用查询语句在数据库中未搜索到初始答案时，利用目标命名实体在数据库中进行模糊匹配得到匹配实体，以利用匹配实体进行查询。
101.当根据该目标实体类别和目标命名实体在数据库中搜索问题语句的初始答案时，可能会查询不到。
102.因此，可以利用目标命名实体在数据库中利用编辑距离进行匹配，以匹配到相似的匹配实体推荐给用户，方便用户利用匹配实体进行查询。
103.其中，可以是利用目标命名实体中的主体实体进行匹配的，本示例性实施例对此不做特殊限定。
104.下面结合一应用场景对本公开实施例中的知识库问答方法做出详细说明。
105.图5示出了应用场景下的知识库问答方法的流程示意图，如图5所示，在步骤s510中，用户问题输入。
106.用户可以通过键入或者选择等方式输入问题语句。
107.在步骤s520中，问题分类器。
108.在步骤s521中，改进的命名实体模型识别普通实体及意图实体。
109.对问题语句进行编码处理得到向量序列，并对向量序列进行线性变换得到实体分值。
110.当用户输入的问题语句的长度为n时，则可能的实体为n(n 1)/2个。
111.举例而言，当用户输入的问题语句为“你是xx吗”，那么，可能的实体可以分别是“你”、“你是”、“你是x”、“你是xx”、“你是xx吗”、
……
、“吗”，因此，实体个数为(5*6)/2＝15个。
112.当实体类别为k时，则为这些备选实体的k 1分类问题。其中的“1”包括该候选实体不是实体的情况。
113.因此，利用bert模型对问题语句经过编码处理之后得到向量序列h。其中，h的长度为n，hi为用户输入的问题语句转换的向量序列第i个位置的向量表示。
114.进一步的，对向量序列进行α次线性变换得到α组mi和nj，α组的两者的内积即为该i到j的片段是类型为α的实体的打分以得到实体分值。
115.其中，α可以等于k 1，也可以根据实际情况设置为其他数值，本示例性实施例对此不做特殊限定。
116.其中，损失函数可以是n(n 1)/2个二分类问题，或者其他用于多标签分类的损失函数，本示例性实施例对此不做特殊限定。
117.在获取到实体分值之后，可以将该实体分值中最高的对应的候选实体确定为问题语句中的第一命名实体。
118.进一步的，根据该第一命名实体的类别查询对应的用户意图作为第一实体类别。
119.举例而言，利用改进的命名实体识别模型抽取问题语句中的主体实体和意图实
体。
120.其中，主体实体可以包括故障原因、故障现象、故障描述、故障解决方案和发生地点等；意图实体可以包括查原因的实体、查解决方案的实体、查地点的实体和查发生次数的实体等。
121.进一步的，根据抽取的意图实体的具体类别确认最终的意图分类。例如，对于“连接失败次数多的原因是什么？”，其中“连接失败次数多”即为主体实体(故障现象)，而“原因”以及“原因是什么”是意图实体(查原因的实体)，根据意图实体的类别就可以识别用户意图是：查原因。
122.在步骤s522中，匹配模型实现意图识别及命名实体识别。
123.获取知识图谱中的已有主题实体，并利用已有主题实体与问题语句进行匹配得到第二命名实体。
124.利用知识图谱中已有的主体实体等数据与用户输入的问题语句进行匹配，可以获取对应的主体实体作为第二命名实体，以实现命名实体识别。
125.其中，知识图谱中已有的主体实体可以包括故障原因、故障现象和故障解决方案等数据，也可以包括其他数据，本示例性实施例对此不做特殊限定。
126.获取意图关键词，并利用意图关键词与问题语句进行匹配得到第二实体类别。
127.利用意图关键词匹配用户输入的问题语句，以对用户问题进行意图分类得到第二实体类别。该匹配过程不仅可以是完全相同的匹配方式，还可以是利用文字编辑距离实现的模糊匹配，本示例性实施例对此不做特殊限定。
128.其中用于匹配的意图关键词在初始情况下可以是历史积累的意图实体，然后定期利用命名实体模型抽取的意图词，并进行人工过滤后作为用于匹配的意图关键词。
129.在步骤s523中，结果并集作为最终的意图分类及实体识别结果。
130.在得到第一实体类别和第二实体类别之后，可以对第一实体类别和第二实体类别进行融合，以得到目标实体类别。
131.对第一实体类别和第二实体类别进行并集操作得到目标实体类别。
132.举例而言，当第一实体类别为类别1，第二实体类别为类别2时，可以对类别1和类别2进行并集操作得到目标实体类别包括类别1和类别2。
133.在得到第一命名实体和第二命名实体之后，可以对该第一命名实体和第二命名实体进行融合，以得到目标命名实体。
134.对第一命名实体和第二命名实体进行并集操作得到目标命名实体。
135.举例而言，当第一命名实体为实体1，第二命名实体为实体2时，可以对该实体1和实体2进行并集操作得到目标命名实体包括实体1和实体2。
136.在步骤s530中，问题解析器。
137.根据目标实体类别和目标命名实体将用户输入的问题语句转换成cypher查询语句sqls。
138.在步骤s540中，答案生成器。
139.进一步的，利用neo4j的cypher查询语句在数据库中进行搜索，以搜索初始答案。
140.在步骤s550中，推荐实体。
141.当根据该目标实体类别和目标命名实体在数据库中搜索问题语句的初始答案时，
可能会查询不到。
142.因此，可以利用目标命名实体在数据库中利用编辑距离进行匹配，以匹配到相似的匹配实体推荐给用户，方便用户利用匹配实体进行查询。
143.其中，可以是利用目标命名实体中的主体实体进行匹配的，本示例性实施例对此不做特殊限定。
144.在步骤s560中，问题答案。
145.在获取到初始答案之后，可以调用回复模板，以生成问题语句的答案语句。
146.在该应用场景下的知识库问答方法，利用改进命名实体识别模型识别问题语句中实体类别和命名实体，通过一个模型实现了意图分类和命名实体识别，简化了处理流程，提升了改进命名实体识别模型的准确率。进而，在增加匹配模型实现的意图分类和命名实体识别的基础上，对两个维度的实体类别和命名实体进行融合，以搜索问题语句对应的答案语句，提升了意图分类的准确率，优化了意图分类效果，提升了问答方式的答案搜索准确率。
147.该知识库问答方法适用于网络运维领域专家学习最新的专家案例中的专业知识，获取故障现象、故障原因、故障解决方案、故障各省发生情况对比等信息，以辅助运维。
148.在信息爆炸的时代，直接用自然语言搜索获取答案，大大减少了信息筛选时间。
149.图6示出了知识库问答装置的结构示意图，如图6所示，知识库问答装置600，可以包括：实体识别模块610、意图识别模块620和答案搜索模块630。其中：
150.实体识别模块610，被配置为获取问题语句和数据库，并利用改进命名实体识别模型识别所述问题语句中的第一实体类别和第一命名实体；
151.意图识别模块620，被配置为利用匹配模型识别所述问题语句中的第二实体类别和第二命名实体，并对所述第一实体类别和所述第二实体类别进行融合得到目标实体类别；
152.答案搜索模块630，被配置为对所述第一命名实体和所述第二命名实体进行融合得到目标命名实体，并根据所述目标实体类别和所述目标命名实体在所述数据库中搜索所述问题语句的答案语句。
153.在本发明的一种示例性实施例中，所述利用改进命名实体识别模型识别所述问题语句中的第一实体类别和第一命名实体，包括：
154.对所述问题语句进行编码处理得到向量序列，并对所述向量序列进行线性变换得到实体分值，所述实体分值表征多标签分类的打分结果；
155.根据所述实体分值识别所述问题语句中的第一命名实体，并根据所述第一命名实体确定第一实体类别。
156.在本发明的一种示例性实施例中，所述利用匹配模型识别所述问题语句中的第二实体类别和第二命名实体，包括：
157.获取知识图谱中的已有主题实体，并利用所述已有主题实体与所述问题语句进行匹配得到第二命名实体；
158.获取意图关键词，并利用所述意图关键词与所述问题语句进行匹配得到第二实体类别。
159.在本发明的一种示例性实施例中，所述对所述第一实体类别和所述第二实体类别
进行融合得到目标实体类别，包括：
160.对所述第一实体类别和所述第二实体类别进行并集操作得到目标实体类别。
161.在本发明的一种示例性实施例中，所述对所述第一命名实体和所述第二命名实体进行融合得到目标命名实体，包括：
162.对所述第一命名实体和所述第二命名实体进行并集操作得到目标命名实体。
163.在本发明的一种示例性实施例中，所述根据所述目标实体类别和所述目标命名实体在所述数据库中搜索所述问题语句的答案语句，包括：
164.根据所述目标实体类别和所述目标命名实体将所述问题语句转换成查询语句，并利用所述查询语句在所述数据库中进行搜索得到初始答案；
165.调用与所述初始答案对应的回复模板，并根据所述初始答案和所述回复模板得到所述问题语句的答案语句。
166.在本发明的一种示例性实施例中，所述方法还包括：
167.当利用所述查询语句在所述数据库中未搜索到所述初始答案时，利用所述目标命名实体在所述数据库中进行模糊匹配得到匹配实体，以利用所述匹配实体进行查询。
168.上述知识库问答装置600的具体细节已经在对应的知识库问答方法中进行了详细的描述，因此此处不再赘述。
169.应当注意，尽管在上文详细描述中提及了知识库问答装置600的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
170.此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
171.下面参照图7来描述根据本发明的这种实施例的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
172.如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740。
173.其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
174.存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)721和/或高速缓存存储单元722，还可以进一步包括只读存储单元(rom)723。
175.存储单元720还可以包括具有一组(至少一个)程序模块725的程序/实用工具724，这样的程序模块725包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
176.总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
177.电子设备700也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得
该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
178.通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
179.在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
180.参考图8所示，描述了根据本发明的实施例的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
181.所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
182.计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
183.可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
184.可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算
设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
185.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。