知识图谱系列四

问答系统

什么是问答系统

问答系统(Question Answering System，QA System)是用来回答人提出的自然语言问题的系统

• 从知识领域划分
  • 封闭领域
  • 开放领域
• 从实现方式划分
  • 基于流水线（pipeline），四大核心模块，分别由自然语言理解（NLU）、对话状态跟踪器（DST）、对话策略（DPL）和自然语言生成（NLG）
  • 基于端到端（end-to-end）实现，结合深度学习技术，通过海量数据训练，挖掘出从用户自然语言输入到系统自然语言输出的整体映射关系，而忽略中间过程的一种方法
• 从答案来源划分
  • 知识库问答
  • 常问问题问答
  • 新闻问答
  • 网际网路问答

Query

Query理解 (QU，Query Understanding)，简单来说就是从词法、句法、语义三个层面对 Query 进行结构化解析。
包含的模块主要有：

• Query预处理
• Query纠错
• Query扩展
• Query归一
• 意图识别
  • 所用方法和文本分类模型的方法大同小异，包括基于词典模板的规则分类，传统的机器学习模型（文本特征工程+分类器），深度学习模型（Fasttext、TextCNN、BiLSTM + Self-Attention、BERT等）
• 槽值填充
  • 根据既定的一些结构化字段，将用户输入的信息中与其对应的部分提取出来。因此，槽值填充经常被建模为序列标注的任务。序列标注的任务常用的模型有词典匹配，BiLSTM + CRF，IDCNN，BERT。
• Term重要性分析

EntityExtractor 框架介绍

为entity_extractor.py 中的 EntityExtractor 类

import os
import ahocorasick
from sklearn.externals import joblib
import jieba
import numpy as np

class EntityExtractor:
    def __init__(self):
        pass

    # 构造actree，加速过滤
    def build_actree(self, wordlist):
        """
        构造actree，加速过滤
        :param wordlist:
        :return:
        """
        pass
    # 模式匹配, 得到匹配的词和类型。如疾病，疾病别名，并发症，症状
    def entity_reg(self, question):
        """
        模式匹配, 得到匹配的词和类型。如疾病，疾病别名，并发症，症状
        :param question:str
        :return:
        """
        pass

    # 当全匹配失败时，就采用相似度计算来找相似的词
    def find_sim_words(self, question):
        """
        当全匹配失败时，就采用相似度计算来找相似的词
        :param question:
        :return:
        """
        pass

    # 采用DP方法计算编辑距离
    def editDistanceDP(self, s1, s2):
        """
        采用DP方法计算编辑距离
        :param s1:
        :param s2:
        :return:
        """
        pass

    # 计算词语和字典中的词的相似度
    def simCal(self, word, entities, flag):
        """
        计算词语和字典中的词的相似度
        相同字符的个数/min(|A|,|B|)   +  余弦相似度
        :param word: str
        :param entities:List
        :return:
        """
        pass

    # 基于特征词分类
    def check_words(self, wds, sent):
        """
        基于特征词分类
        :param wds:
        :param sent:
        :return:
        """
        pass

    # 提取问题的TF-IDF特征
    def tfidf_features(self, text, vectorizer):
        """
        提取问题的TF-IDF特征
        :param text:
        :param vectorizer:
        :return:
        """
        pass

    # 提取问题的关键词特征
    def other_features(self, text):
        """
        提取问题的关键词特征
        :param text:
        :return:
        """
        pass

    # 预测意图
    def model_predict(self, x, model):
        """
        预测意图
        :param x:
        :param model:
        :return:
        """
        pass

    # 实体抽取主函数
    def extractor(self, question):
        pass

命名实体识别任务实践

1. 对于用户的输入，先使用预先构建的疾病、疾病别名、并发症和症状的AC Tree进行匹配
2. 若全都无法匹配到相应实体，则使用jieba对用户输入的文本进行切分
3. 然后将每一个词都去与疾病词库、疾病别名词库、并发症词库和症状词库中的词计算相似度得分（overlap score、余弦相似度分数和编辑距离分数），如果相似度得分超过0.7，则认为该词是这一类实体
4. 最后排序选取最相关的词作为实体（项目所有的实体类型如下图所示，但实体识别时仅使用了疾病、别名、并发症和症状四种实体）

意图识别任务实践

1. 利用TF-IDF表征文本特征，同时构建一些人工特征（每一类意图常见词在句子中出现的个数）
2. 训练朴素贝叶斯模型进行意图识别任务
3. 使用实体信息进行意图的纠正和补充