摘要
传统的问答系统通过关键字进行检索缺乏对问题在语义上的理解，这种问答系统已不能满足人们的需求，而由此出现了智能问答。智能问答是基于信息检索的一种更智能且更高级的方式，能够自动、准确和清楚地明白用户给出的问题，并通过检索问题相关的知识图谱、知识库或语料库，返回最佳的检索结果。但是智能问答中也存在一些不足，如数据源单一、特征提取不完全、全局语义信息表达不充分以及准确率低等问题，针对智能问答中存在的问题，本文搭建了一个基于深度学习的问答系统，并着重对其中的问答模型实现进行了研究。本文的主要内容如下： 1.针对问答模型数据源单一以及现有的双数据源问答模型局部区域特征提取不完全、全局语义信息表达不充分以及准确率低的问题，提出了一种融合知识图谱和外部文本的问答模型。模型根据给定问句里的主题实体在知识图谱中找到对应的知识子图，并且根据主题实体和邻接实体获得知识信息，其次通过门控单元选择性地从融合了知识信息的问句与通过Bi-LSTM和Transformer的双编码器的文本中提取语义以获得文本信息，最后通过融合门控单元融合知识信息和文本信息来预测答案。通过实验验证了模型的有效性。 2.针对传统多跳推理问答模型编码质量低、知识信息特征提取不完全、问答上下文与知识没有进行联合推理以及准确率低的问题，本文提出了一种基于预训练模型和图神经网络的多跳推理知识问答模型。模型首先根据问答上下文里的主题实体从知识图谱中获得知识子图，其次使用预训练模型对问答上下文进行编码并将其添加到知识子图中得到工作图，然后使用图神经网络对工作图进行推理，最后计算实体成为答案的概率来选择答案。通过实验验证了模型的有效性。 3.在前面的研究基础之上，通过融合两种问答模型，实现了一个可视化知识问答原型系统，将改进的算法应用到实际的业务场景中。该系统通过web网页的方式与用户进行交互，用户输入问题，问答系统将通过调用模型返回答案。
NETL