基于知识图谱和事件图谱的汽车智能问答方法及设备与流程

1.本技术涉及人工智能技术领域，尤其涉及一种基于知识图谱和事件图谱的汽车智能问答方法及设备。


背景技术：

2.随着科技的进步，人工智能也在推动汽车向更加智能化的方向发展。其中，作为汽车智能化核心技术的车载智能问答系统，可以为用户提供更好的服务和体验，成为目前汽车行业的重点研究之一。
3.现有技术中，常用的车载智能问答系统中预先存储有一系列问题答案对，当用户提问时，车载智能问答系统通过匹配用户的提问和预先存储的问题，找到与存储问题对应的答案，以返回给用户回答问题。由于问题答案对的生成没有一个系统的参考方法，因此，在拓问题答案对时，只能依赖开发人员的主观判断来进行，容易出现问题答案对重复或交叠的情况，不仅占用存储资源，而且在利用车载智能问答系统查询问题时，也容易出现同一问题不同答案或不同问题相同答案的情况，导致问答效率和问答准确率都不高。
4.因此，需要一种能够提升汽车智能问答效率和准确率，也便于开发人员拓展新问题的方法，来解决上述问题。


技术实现要素：

5.本技术提供一种基于知识图谱和事件图谱的汽车智能问答方法及设备，用以解决现有汽车智能问答系统问答效率和准确率不高的问题。
6.第一方面，本技术提供一种基于知识图谱和事件图谱的汽车智能问答方法，所述方法应用于汽车智能问答系统，所述汽车智能问答系统包括知识图谱和事件图谱，所述知识图谱中包括与汽车实体及实体关系相关的静态知识体系，所述事件图谱中包括与汽车事件及事件关系相关的动态知识体系；所述方法包括：
7.响应于自然语言查询问句，确定所述自然语言查询问句中的实体词和谓词，并确定所述自然语言查询问句所属的问题类别、以及所述问题类别对应的图谱类别，其中，所述问题类别为八何分析法问题体系中的一个，所述图谱类别为知识图谱或事件图谱；
8.根据所述问题类别、所述实体词以及所述谓词，生成sparql查询语句；
9.基于所述sparql查询语句，在与所述问题类别对应的图谱类别中查找sparql问题结果；
10.将所述sparql问题结果转换为自然语言答案信息，并输出所述自然语言答案信息。
11.可选地，所述确定所述自然语言查询问句的实体词和谓词，包括：
12.将所述自然语言查询问句加载到依存句法分析器中，所述依存句法分析器对所述自然语言查询问句进行实体词判断和谓词判断，以确定所述自然语言查询问句的实体词和谓词。
13.可选地，所述确定所述自然语言查询问句所属的问题类别、以及所述问题类别对应的图谱类别，包括：
14.通过预先训练好的贝叶斯分类模型，确定所述自然语言查询问句所属的问题类别，所述问题类别为八何分析法问题体系中的一个；
15.根据对所述问题类别的分类，确定与所述问题类别对应的图谱类别为知识图谱或事件图谱。
16.可选地，所述根据所述问题类别、所述实体词以及所述谓词，生成sparql查询语句，包括：
17.从预先存储的多个sparql查询语句生成模板中，匹配与所述问题类别、所述实体词以及所述谓词对应的生成模板，确定本次问答的sparql查询语句生成模板；
18.将所述问题类别、所述实体词以及所述谓词带入确定好的sparql查询语句生成模板中，生成所述sparql查询语句。
19.可选地，所述将所述sparql问题结果转换为自然语言答案信息，包括：
20.将所述自然语言查询问句以及所述sparql问题结果带入预先训练好的自然语言生成模型中，以将所述sparql问题结果转换为自然语言答案信息。
21.可选地，在所述响应于自然语言查询问句之前，所述方法还包括：
22.利用实体抽取和实体关系抽取技术，建立基于汽车的知识图谱，利用事件抽取和事件关系抽取技术，建立基于汽车的事件图谱；
23.利用八何分析法问题体系，将基于汽车的问题进行处理，分别与所述知识图谱或所述事件图谱关联，以使所述知识图谱中包括与汽车实体及实体关系相关的静态知识体系，所述事件图谱中包括与汽车事件及事件关系相关的动态知识体系。
24.第二方面，本技术提供一种基于知识图谱和事件图谱的汽车智能问答装置，所述装置应用于汽车智能问答系统，所述汽车智能问答系统包括知识图谱和事件图谱，所述知识图谱中包括与汽车实体及实体关系相关的静态知识体系，所述事件图谱中包括与汽车事件及事件关系相关的动态知识体系；所述装置包括：
25.确定单元，用于响应于自然语言查询问句，确定所述自然语言查询问句中的实体词和谓词，并确定所述自然语言查询问句所属的问题类别、以及所述问题类别对应的图谱类别，其中，所述问题类别为八何分析法问题体系中的一个，所述图谱类别为知识图谱或事件图谱；
26.生成单元，用于根据所述问题类别、所述实体词以及所述谓词，生成sparql查询语句；
27.查找单元，用于基于所述sparql查询语句，在与所述问题类别对应的图谱类别中查找sparql问题结果；
28.输出单元，用于将所述sparql问题结果转换为自然语言答案信息，并输出所述自然语言答案信息。
29.可选地，所述确定单元包括第一确定模块；
30.所述第一确定模块，用于将所述自然语言查询问句加载到依存句法分析器中，所述依存句法分析器对所述自然语言查询问句进行实体词判断和谓词判断，以确定所述自然语言查询问句的实体词和谓词。
31.可选地，所述确定单元还包括第二确定模块和第三确定模块；
32.所述第二确定模块，用于通过预先训练好的贝叶斯分类模型，确定所述自然语言查询问句所属的问题类别，所述问题类别为八何分析法问题体系中的一个；
33.所述第三确定模块，用于根据对所述问题类别的分类，确定与所述问题类别对应的图谱类别为知识图谱或事件图谱。
34.可选地，所述生成单元包括匹配模块和填充模块；
35.所述匹配模块，用于从预先存储的多个sparql查询语句生成模板中，匹配与所述问题类别、所述实体词以及所述谓词对应的生成模板，确定本次问答的sparql查询语句生成模板；
36.所述填充模块，用于将所述问题类别、所述实体词以及所述谓词带入确定好的sparql查询语句生成模板中，生成所述sparql查询语句。
37.可选地，所述输出单元包括自然语言转换模块；
38.所述自然语言转换模块，用于将所述自然语言查询问句以及所述sparql问题结果带入预先训练好的自然语言生成模型中，以将所述sparql问题结果转换为自然语言答案信息。
39.可选地，所述装置还包括：第一处理单元和第二处理单元；
40.所述第一处理单元，用于利用实体抽取和实体关系抽取技术，建立基于汽车的知识图谱，利用事件抽取和事件关系抽取技术，建立基于汽车的事件图谱；
41.所述第二处理单元，用于利用八何分析法问题体系，将基于汽车的问题进行处理，分别与所述知识图谱或所述事件图谱关联，以使所述知识图谱中包括与汽车实体及实体关系相关的静态知识体系，所述事件图谱中包括与汽车事件及事件关系相关的动态知识体系。
42.第三方面，本技术还提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
43.所述存储器存储计算机执行指令；
44.所述处理器执行所述存储器存储的计算机执行指令，以实现如上所述的任一项方法。
45.第四方面，本技术还提供一种汽车，包括如上所述的电子设备。
46.第五方面，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上所述的任一项方法。
47.第六发明，本技术提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上所述的任一项方法。
48.本技术提供一种基于知识图谱和事件图谱的汽车智能问答方法及设备，所述方法所述方法应用于汽车智能问答系统，所述汽车智能问答系统包括知识图谱和事件图谱，所述知识图谱中包括与汽车实体及实体关系相关的静态知识体系，所述事件图谱中包括与汽车事件及事件关系相关的动态知识体系；通过响应于自然语言查询问句，确定所述自然语言查询问句中的实体词和谓词，并确定所述自然语言查询问句所属的问题类别、以及所述问题类别对应的图谱类别，其中，所述问题类别为八何分析法问题体系中的一个，所述图谱
类别为知识图谱或事件图谱；再根据所述问题类别、所述实体词以及所述谓词，生成sparql查询语句；再基于所述sparql查询语句，在与所述问题类别对应的图谱类别中查找sparql问题结果；最后将所述sparql问题结果转换为自然语言答案信息，并输出所述自然语言答案信息。基于知识图谱和事件图谱的可拓展特性，以及利用八何分析法(6w2h)问题体系对何时使用知识图谱或事件图谱进行判断，完成了对汽车智能问答系统的改进和完善；而且，基于改进和完善后的汽车智能问答系统完成问答时，也提高了问答的效率和准确率。
附图说明
49.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
50.图1为本技术实施例提供的一种基于知识图谱和事件图谱的汽车智能问答方法的流程示意图；
51.图2为本技术实施例提供的一种基于知识图谱和事件图谱的汽车智能问答方法的框架图；
52.图3为本技术实施例提供的一种建立汽车知识图谱和事件图谱的流程示意图；
53.图4为本技术实施例提供的示例ota升级的知识图谱；
54.图5为本技术实施例提供的示例ota升级的事件图谱；
55.图6为本技术实施例提供的一种基于知识图谱和事件图谱的汽车智能问答装置的结构示意图；
56.图7为本技术实施例提供的又一种基于知识图谱和事件图谱的汽车智能问答装置的结构示意图；
57.图8为本技术实施例提供的电子设备的结构示意图。
58.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
59.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
60.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
61.为顺应时代需求，汽车将向更加舒适、更加安全、更加智能化的方向发展。而作为
汽车智能化核心技术的智能问答系统，也成为了汽车行业的研究重点之一。
62.一个示例中，汽车的智能问答系统基于问题答案对的方式，在用户进行提问时，通过匹配用户的提问和预先存储的问题及答案，进而把与问题对应的答案返回给用户。虽然，问题答案对方案通过检索技术给出了智能问答系统最直接的解决方案，但是，当问题答案对达到一定规模的时候，新增加的问题答案对就不可避免的会和已经存在的问题答案对重复或交叠，这无疑会浪费开发人员大量的重复工作。同时，这种方案在利用汽车的智能问答系统查询问题时，也容易出现同一问题不同答案或不同问题相同答案等诸多情况，这也使基于问题答案对方案的汽车智能问答系统的查询效率和问答准确率都不高。另外，对于如何对未知的问题答案对进行拓展，也没有系统的方法可供参考，只能单纯的依赖开发人员，这也不利于汽车智能问答系统的完善，不能为用户提供更好的服务。
63.而知识图谱技术能够以某物为基础，并根据该物的关联关系拓展出各种相关知识，进而不断完善关于该物的知识体系。因此，可以利用知识图谱技术建立关于汽车的知识体系，进而汽车的智能问答系统不仅可以根据知识图谱中的实体和实体关系，归纳出相互不重复的问题，还可以根据知识图谱拓展出新的问题，由此避免问题答案对方案中，没有系统拓展方案的弊端。同时，考虑到在汽车知识体系中，除了与汽车实体和实体关系相关的信息之外，还包括与实体相关的行为、状态、转换等其他信息。据此，可以借助知识图谱的方法论，将实体换成事件，将实体之间的关系换成事件之间的关系，即，以汽车的事件为基础，同时建立事件图谱。
64.这样，就将描述静态实体和实体关系的知识图谱、以及描述动态事件和事件关系的事件图谱都融入到了汽车的智能问答系统中，汽车的智能问答系统就可以实现基于静态事实状态的车辆控制问答，也可以实现基于动态行为描述的知识探求型问答。不仅避免了问题答案对方案中存在的容易出现重复、交叠现象，以及对未知问题拓展没有系统方法的弊端；而且，同时使用知识图谱和事件图谱，也充分考虑了汽车中的静态知识和动态知识，形成了一套更能满足汽车智能问答系统需求的技术实现方案，而这也能够让智能问答更加高效和精准，给用户提供更好的体验和服务。
65.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
66.图1为本技术实施例提供的一种基于知识图谱和事件图谱的汽车智能问答方法的流程示意图。本实施例提供的基于知识图谱和事件图谱的汽车智能问答方法应用于汽车智能问答系统，汽车智能问答系统包括知识图谱和事件图谱，知识图谱中包括与汽车实体及实体关系相关的静态知识体系，事件图谱中包括与汽车事件及事件关系相关的动态知识体系。
67.本实施例的执行主体可以为基于知识图谱和事件图谱的汽车智能问答装置，或者集成了基于知识图谱和事件图谱的汽车智能问答装置的汽车智能问答系统，还可以是集成了基于知识图谱和事件图谱的汽车智能问答装置的电子设备。
68.下述以执行主体为汽车智能问答系统为例进行详细说明。如图1所示，本实施例提供的基于知识图谱和事件图谱的汽车智能问答方法包括：
69.s101、响应于自然语言查询问句，确定自然语言查询问句中的实体词和谓词，并确
定自然语言查询问句所属的问题类别、以及问题类别对应的图谱类别，其中，问题类别为八何分析法问题体系中的一个，图谱类别为知识图谱或事件图谱。
70.示例性地，当汽车智能问答系统接收到用户的自然语言查询问句时，响应于自然语言查询问句，并确定自然语言查询问句中的实体词和谓词，同时确定自然语言查询问句所属的问题类别，其中，所属问题类别为八何分析法问题体系中的一个；并确定与自然语言查询问句所属问题类别对应的图谱类别为知识图谱或事件图谱。
71.其中，确定自然语言查询问句中的实体词和谓词，可以通过各种句法分析器实现，也可以通过其他方式实现，本技术不做限制。一个示例中，句法分析器为依存句法分析器，则确定自然语言查询问句的实体词和谓词，可以包括：
72.将自然语言查询问句加载到依存句法分析器中，依存句法分析器对自然语言查询问句进行实体词判断和谓词判断，以确定自然语言查询问句的实体词和谓词。
73.示例性地，汽车智能问答系统接收到用户的自然语言查询问句之后，将自然语言问句加载到依存句法分析器中，依存句法分析器可以对自然语言查询问句进行实体词判断和谓词判断，找出句中的实体词和谓词，以使汽车智能问答系统确定自然语言查询问句的实体词和谓词。
74.另外，本技术对汽车智能问答系统如何确定自然语言查询问句所属的问题类别、以及问题类别对应的图谱类别也不做限制。一个示例中，确定自然语言查询问句所属的问题类别、以及问题类别对应的图谱类别，包括：
75.通过预先训练好的贝叶斯分类模型，确定自然语言查询问句所属的问题类别，问题类别为八何分析法问题体系中的一个；再根据对问题类别的分类，确定与问题类别对应的图谱类别为知识图谱或事件图谱。
76.其中，八何分析法又称6w2h，包括何事(what)、何人(who)、何时(when)、何地(where)、目标(which)、何量(how much)、何因(why)、何如(how)。结合汽车的实际场景，本技术对汽车智能问答系统中可能涉及的所有问题进行归纳和分类处理，使所有问题都关联在6w2h问题体系中。示例性地，使what与提问“何事，即实体的介绍和作用”相关的问题关联；使who与提问“何人，即哪个实体进行运行”相关的问题关联；使when与提问“何时，即哪个时间段进行工作”相关的问题关联；使where与提问“何地，即实体在哪里”相关的问题关联；使which与提问“目标，即哪一种方法或途径”相关的问题关联；使how much与提问“何量，即需要多少成本”相关的问题关联；使why与提问“何因，即追溯原因”相关的问题关联；使how与提问“何如，即怎样进行操作”相关的问题关联。这样，就将所有问题都与八何分析法问题体系关联，所有问题也都有了明确的规范。而确定自然语言查询问句所属的问题类别，也就是确定自然语言查询问句属于八何分析法问题体系中的哪一个。
77.示例性地，贝叶斯分类算法是一类利用概率统计知识进行分类的算法，而贝叶斯分类模型是一种使用贝叶斯分类算法实现精准分类的模型。本技术通预先训练好的贝叶斯分类模型，对汽车智能问答系统接收到的自然语言查询问句进行分类，以确定自然语言查询问句所属的问题类别为八何分析法问题体系中的哪一个。该方法计算简单、分类准确率高、分类速度快，应用在汽车智能问答系统中，可以提高汽车智能问答系统的问答效率和准确率。
78.示例性地，贝叶斯分类模型的计算公式如下：
[0079][0080]
其中，ci∈6w2h，w代表自然语言查询问句。通过计算用户提出的自然语言查询问句被分为6w2h问题体系中每一类的概率，比较概率大小，其中概率最大的即为本次自然语言查询问句所属的问题类别，由此确定自然语言查询问句所属的问题类别。
[0081]
另外，本技术提供的方法应用于汽车智能问答系统，且汽车智能问答系统中包括了与汽车实体及实体关系相关的静态知识体系的知识图谱、以及与汽车事件及事件关系相关的动态知识体系的事件图谱。也即，八何分析法问题体系都在知识图谱和事件图谱中。所以，根据自然语言查询问句所属的问题类别，即可确定该问题类别对应的图谱类别为知识图谱或事件图谱。
[0082]
一个示例中，知识图谱中包括与汽车实体及实体关系相关的静态知识体系，具体包括八何分析法问题体系中的何事(what)、何人(who)、何时(when)、何地(where)、目标(which)、何量(how much)；而事件图谱中包括与汽车事件及事件关系相关的动态知识体系，具体包括6w2h问题体系中的何因(why)、何如(how)。这样，当确定自然语言查询问句所属的问题类别后，就可以确定问题类别对应的图谱类别，进而汽车智能问答系统在后续查找问题答案时，就仅在对应的图谱类别中查找，以提高查找效率和准确率。
[0083]
此外，还可以使用决策树、神经网络分类算法等确定自然语言查询问句所属的问题类别，本技术不做限制。
[0084]
s102、根据问题类别、实体词以及谓词，生成sparql查询语句。
[0085]
示例性地，当确定用户提出的自然语言查询问句的问题类别、实体词以及谓词之后，汽车智能问答系统可以根据问题类别、实体词以及谓词，生成sparql查询语句，以便查找sparql问题结果。
[0086]
其中，本技术对汽车智能问答系统如何生成sparql查询语句不做限制。一个示例中，汽车智能问答系统中可以包括sparql查询语句生成模块，该模块可以根据问题类别、实体词以及谓词的特征，直接生成sparql查询语句。
[0087]
一个示例中，根据问题类别、实体词以及谓词，生成sparql查询语句，包括：
[0088]
s1021、从预先存储的多个sparql查询语句生成模板中，匹配与问题类别、实体词以及谓词对应的生成模板，确定本次问答的sparql查询语句生成模板。
[0089]
s1022、将问题类别、实体词以及谓词带入确定好的sparql查询语句生成模板中，生成sparql查询语句。
[0090]
示例性地，汽车智能问答系统中预先存储有多个sparql查询语句生成模板，当确定用户提出的自然语言查询问句的问题类别、实体词以及谓词之后，汽车智能问答系统分析对比该自然语言查询问句的问题类别、实体词以及谓词，匹配与问题类别、实体词以及谓词对应的生成模板，进而确定本次问答中的sparql查询语句生成模板。再将问题类别、实体词以及谓词分别带入确定好的sparql查询语句生成模板中，就可以生成sparql查询语句。
[0091]
示例性地，匹配sparql查询语句生成模板以下式为例：
[0092]
p(temp|en，pred，ci)，ci∈6w2h
[0093]
其中，en代表实体词，pred代表谓词，temp代表匹配出的sparql查询语句生成模板，ci属于6w2h问题体系中的任意一个。匹配出sparql查询语句生成模板之后，将实体词、
谓词以及问题类别带入到确定好的sparql查询语句生成模板中，即可生成sparql查询语句。
[0094]
s103、基于sparql查询语句，在与问题类别对应的图谱类别中查找sparql问题结果。
[0095]
示例性地，汽车智能问答系统生成sparql查询语句之后，基于sparql查询语句，再在与问题类别对应的图谱类别中查找sparql问题结果。例如，若用户提出的自然语言查询问句的问题类别为何事(what)、何人(who)、何时(when)、何地(where)、目标(which)、何量(how much)中的一个，则在知识图谱中查找sparql问题结果；若用户提出的自然语言查询问句的问题类别为何因(why)或何如(how)，则在事件图谱中查找sparql问题结果。
[0096]
s104、将sparql问题结果转换为自然语言答案信息，并输出自然语言答案信息。
[0097]
示例性地，当汽车智能问答系统查找到sparql问题结果之后，还需要将sparql问题结果转换为自然语言答案信息，这样在输出自然语言答案信息时，用户才可以确切明白所问问题的答案。
[0098]
其中，本技术对如何将sparql问题结果转换为自然语言答案信息不做限制。一个示例中，汽车智能问答系统包括自然语言生成模块，可以将sparql问题结果转换为自然语言答案信息。
[0099]
一个示例中，将sparql问题结果转换为自然语言答案信息，包括：
[0100]
将自然语言查询问句以及sparql问题结果带入预先训练好的自然语言生成模型中，以将sparql问题结果转换为自然语言答案信息。
[0101]
示例性地，汽车智能问答系统将自然语言查询问句以及sparql问题结果输入预先训练好的自然语言生成模型中，自然语言生成模型可以将sparql问题结果转换为自然语言答案信息。
[0102]
其中，自然语言生成是一种通过计算机在特定交互目标下生成语言文本的自动化过程，其主要目的是能够自动化生成高质量的人类能够理解的语言文本。相比于传统基于统计语言的模型，自然语言生成模型以深度学习为基础，构建词汇和上下文之间关系，显著提升了生成文本的性能。特别是以transform为基础的预训练模型，能够较好捕获语言学的知识，极大推动了自然语言生成模型的发展。
[0103]
本技术中的自然语言生成模型是基于transform的神经网络模型，通过将原始自然语言查询问句以及sparql问题结果带到训练好的自然语言生成模型中，就可以得到最终的自然语言答案信息。
[0104]
示例性地，以下式为例：
[0105]
p(w
answer
|o
kg
，w
question
)＝p(w
answer
|o
kg
，w
question
，w
a1：a(v-1)
)
[0106]
其中，p(w
answer
|o
kg
，w
question
)表示输入sparql问题结果以及自然语言查询问句，p(w
answer
|o
kg
，w
question
，w
a1：a(v-1)
)表示输出与sparql问题结果对应的自然语言答案信息。将原始自然语言查询问句以及sparql问题结果带到训练好的自然语言生成模型中，模型输出的就是自然语言答案信息。
[0107]
另外，汽车智能问答系统输出自然语言答案信息的形式可以为语音、文字、视频等多种方式，本技术不做限制。
[0108]
示例性地，图2为本技术实施例提供的一种基于知识图谱和事件图谱的汽车智能
问答方法的框架图。如图2所示，汽车智能问答系统获取自然语言查询问句后，响应于自然语言查询问句，并同时确定自然语言查询问句所属的6w2h问题体系中的问题类别、实体词、谓词、以及图谱类别，然后基于问题类别、实体词、以及谓词生成sparql查询语句，再在对应的图谱类别也即知识图谱或事件图谱中查找sparql问题结果，最后将sparql问题结果转换为自然语言答案信息，以便输出自然语言答案信息。
[0109]
本技术实施例提供的基于知识图谱和事件图谱的汽车智能问答方法，应用于汽车智能问答系统，汽车智能问答系统包括知识图谱和事件图谱，而知识图谱中包括与汽车实体及实体关系相关的静态知识体系，事件图谱中包括与汽车事件及事件关系相关的动态知识体系；通过响应于自然语言查询问句，确定自然语言查询问句中的实体词和谓词，并确定自然语言查询问句所属的问题类别、以及问题类别对应的图谱类别，其中，问题类别为八何分析法问题体系中的一个，图谱类别为知识图谱或事件图谱；并根据问题类别、实体词以及谓词，生成sparql查询语句；再基于sparql查询语句，在与问题类别对应的图谱类别中查找sparql问题结果；最后将sparql问题结果转换为自然语言答案信息，并输出自然语言答案信息。
[0110]
本技术的方法，一方面，将知识图谱的静态特性和事件图谱的动态特性同时融入到汽车智能问答系统中，并基于知识图谱和事件图谱的可拓展特性，以及利用八何分析法(6w2h)问题体系对何时使用知识图谱或事件图谱进行判断，不仅完成了对汽车智能问答系统的改进和完善；另一方面，基于改进和完善后的汽车智能问答系统完成问答时，也可以提高问答的效率和准确率；再一方面，基于实体静态知识的知识图谱和动态知识的事件图谱描述车辆知识，并以此为中心也实现了一套可以系统性拓展新问题的技术方案，在拓展问题时就不会出现重复或交叠的情况，自然也不会浪费汽车智能问答系统的存储资源，也不会浪费开发人员的工作。
[0111]
在一些实施例中，在利用基于知识图谱和事件图谱的汽车智能问答系统完成问答任务之前，还包括知识图谱和事件图谱的建立。示例性地，图3为本技术实施例提供的一种建立汽车知识图谱和事件图谱的流程示意图。如图3所示，该实施例提供的建立汽车知识图谱和事件图谱包括：
[0112]
s301、利用实体抽取和实体关系抽取技术，建立基于汽车的知识图谱，利用事件抽取和事件关系抽取技术，建立基于汽车的事件图谱。
[0113]
示例性地，汽车智能问答系统可以基于汽车说明书、车控场景等信息，利用实体抽取和实体关系抽取技术，建立基于汽车的知识图谱，并利用事件抽取和事件抽取技术建立基于汽车的事件图谱。
[0114]
实体抽取也就是命名实体识别(ner)，主要是抽取文本中的实体信息，包括实体的检测和分类；实体关系抽取技术可以自动识别实体之间的语义关系，根据参与实体的多少可以分为二元关系抽取(两个实体)和多元关系抽取(三个及以上实体)；而事件抽取是指从描述事件信息的文本中抽取出目标事件，并以结构化的形式呈现出来；事件关系抽取是以事件为基本语义单元，实现事件逻辑关系的深层检测和抽取。
[0115]
s302、利用八何分析法问题体系，将基于汽车的问题进行处理，分别与知识图谱或事件图谱关联，以使知识图谱中包括与汽车实体及实体关系相关的静态知识体系，事件图谱中包括与汽车事件及事件关系相关的动态知识体系。
[0116]
示例性地，汽车智能问答系统通过实体抽取和实体关系抽取技术、以及事件抽取和事件关系抽取技术，分别建立基于汽车的知识图谱和事件图谱，然后再利用八何分析法问题体系，将基于汽车的问题进行归纳及分类处理，以使汽车智能问答系统的知识图谱中包括与汽车实体及实体关系相关的静态知识体系，以及事件图谱中包括与汽车事件及事件关系相关的动态知识体系。
[0117]
示例性地，以ota升级为例，ota的英文全称：over-the-air technology，意为空间下载技术。汽车的ota升级可以被简单分为两种，一种是固件在线升级，通过给汽车的电子控制单元闪存下载完整的固件镜像，或是修补更新现有的固件闪存，比如对车辆的动力系统、变速箱逻辑、电池系统、自动驾驶等部分进行升级。另一种是软件在线升级，比如对车载系统的地图、语音包等在内的升级。
[0118]
图4为本技术实施例提供的示例ota升级的知识图谱，图5为本技术实施例提供的示例ota升级的事件图谱。如图4所示，ota的知识图谱中包括与ota升级相关的知识体系，如最新升级版本、是否为自动升级、是否进行升级失败报警，以及拓展出的应用软件升级条件、车辆软件版本、车辆固件版本等知识。如图5所示，ota事件图谱中包括设置ota升级方式、监测ota升级版本、检查升级条件、进行升级操作、升级结果提示等知识。
[0119]
即，ota的知识图谱和事件图谱中除了与ota升级相关的知识，还可以拓展出许多与汽车相关的知识，而根据知识图谱和事件图谱的特性，拓展出的新问题不会与之前存在的内容出现重复或交叠的状况，因而为开发人员提供了一套系统性地拓展方案，也不会浪费存储资源。同时，将知识图谱的静态特性和事件图谱的动态特性同时融入到汽车智能问答系统中，也完成了对汽车智能问答系统的改进和完善，可以提高问答效率和准确率。
[0120]
下述为本技术装置实施例，可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术方法实施例。
[0121]
图6为本技术实施例提供的一种基于知识图谱和事件图谱的汽车智能问答装置的结构示意图。其中，该装置应用于汽车智能问答系统，汽车智能问答系统包括知识图谱和事件图谱，知识图谱中包括与汽车实体及实体关系相关的静态知识体系，事件图谱中包括与汽车事件及事件关系相关的动态知识体系；如图6所示，本实施例的基于知识图谱和事件图谱的汽车智能问答装置60包括：确定单元601、生成单元602、查找单元603、输出单元604。
[0122]
其中，确定单元601，用于响应于自然语言查询问句，确定自然语言查询问句中的实体词和谓词，并确定自然语言查询问句所属的问题类别、以及问题类别对应的图谱类别，其中，问题类别为八何分析法问题体系中的一个，图谱类别为知识图谱或事件图谱。
[0123]
生成单元602，用于根据问题类别、实体词以及谓词，生成sparql查询语句。
[0124]
查找单元603，用于基于sparql查询语句，在与问题类别对应的图谱类别中查找sparql问题结果
[0125]
输出单元604，用于将sparql问题结果转换为自然语言答案信息，并输出自然语言答案信息。
[0126]
图7为本技术实施例提供的又一种基于知识图谱和事件图谱的汽车智能问答装置的结构示意图。如图7所示，本实施例的基于知识图谱和事件图谱的汽车智能问答装置70包括：
[0127]
确定单元701、生成单元702、查找单元703、输出单元704。
[0128]
其中，确定单元701，用于响应于自然语言查询问句，确定自然语言查询问句中的实体词和谓词，并确定自然语言查询问句所属的问题类别、以及问题类别对应的图谱类别，其中，问题类别为八何分析法问题体系中的一个，图谱类别为知识图谱或事件图谱。
[0129]
生成单元702，用于根据问题类别、实体词以及谓词，生成sparql查询语句。
[0130]
查找单元703，用于基于sparql查询语句，在与问题类别对应的图谱类别中查找sparql问题结果
[0131]
输出单元704，用于将sparql问题结果转换为自然语言答案信息，并输出自然语言答案信息。
[0132]
一个示例中，确定单元包括第一确定模块7011。
[0133]
第一确定模块7011，用于将自然语言查询问句加载到依存句法分析器中，依存句法分析器对自然语言查询问句进行实体词判断和谓词判断，以确定自然语言查询问句的实体词和谓词。
[0134]
一个示例中，确定单元还包括第二确定模块7012和第三确定模块7013。
[0135]
第二确定模块7012，用于通过预先训练好的贝叶斯分类模型，确定自然语言查询问句所属的问题类别，问题类别为八何分析法问题体系中的一个。
[0136]
第三确定模块7013，用于根据对问题类别的分类，确定与问题类别对应的图谱类别为知识图谱或事件图谱。
[0137]
一个示例中，生成单元702包括匹配模块7021和填充模块7022。
[0138]
匹配模块7021，用于从预先存储的多个sparql查询语句生成模板中，匹配与问题类别、实体词以及谓词对应的生成模板，确定本次问答的sparql查询语句生成模板。
[0139]
填充模块7022，用于将问题类别、实体词以及谓词带入确定好的sparql查询语句生成模板中，生成sparql查询语句。
[0140]
一个示例中，输出单元704包括自然语言转换模块7041。
[0141]
自然语言转换模块7041，用于将自然语言查询问句以及sparql问题结果带入预先训练好的自然语言生成模型中，以将sparql问题结果转换为自然语言答案信息。
[0142]
一个示例中，装置70还包括：第一处理单元705和第二处理单元706。
[0143]
第一处理单元705，用于利用实体抽取和实体关系抽取技术，建立基于汽车的知识图谱，利用事件抽取和事件关系抽取技术，建立基于汽车的事件图谱。
[0144]
第二处理单元706，用于利用八何分析法问题体系，将基于汽车的问题进行处理，分别与知识图谱或事件图谱关联，以使知识图谱中包括与汽车实体及实体关系相关的静态知识体系，事件图谱中包括与汽车事件及事件关系相关的动态知识体系。
[0145]
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上数据处理模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者
软件形式的指令完成。
[0146]
图8为本技术实施例提供的电子设备的结构示意图。如图8所示，该电子设备80，包括：处理器801，以及与处理器通信连接的存储器802。
[0147]
其中，存储器802存储计算机执行指令；处理器801执行存储器802存储的计算机执行指令，以实现如前述任一项的方法。
[0148]
在上述电子设备的具体实现中，应理解，处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
[0149]
本技术实施例还提供一种汽车，该汽车设置有如前述的电子设备。
[0150]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，该计算机执行指令被处理器执行时用于实现如前述任一项的方法。
[0151]
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0152]
本技术实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时用于实现如前述任一项的方法。
[0153]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、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技术的一般性原理并包括本技术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，本技术的真正范围和精神由下面的权利要求书指出。
[0154]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。