CN115455167B 一种基于知识引导的地理考题生成方法和装置 （中山大学）

US2022292262A1,2022.09.15一种基于知识引导的地理考题生成方法和本发明提供一种基于知识引导的地理考题用于实现所述的一种基于知识引导的地理考题2若一抽象地理事件E至少存在5个相似抽象地理事件，则提取抽象地理事件E及其相似<Conj...>{Cause1}<verb>{effect1/Cause2},<verb>{effect2/cause3},<verb>3<Conj>{Cause1}<Conj>,{Effect1/cause2},<verb>{effect2/cause3},<verb><Conj>{Cause1}<Conj>,{Effect1/cause对任一事理句子，先根据句法模板确定该事理句子中地理事件的触在所述图谱预处理单元中，采用TransH方法将地理知识图谱的为低维的矩阵P和矩阵E；通过训练矩阵P和矩阵E，使所有事实(s,r,o)的总距离=e;+at4e1=LN(ef+LN(6))对最终的输出结果en实行层标准化：。E=K_Query(s,KG)通过K_Inject函数将E中的三元组关联到实体关系图t中关系图中的每个标记转换为维度为H的嵌入向量，再使用[CLS]作为分类标记，并使用在所述掩码学习层中有多个Mask_self_attention的堆栈，所述Mask_sel自我注意块的隐藏状态，s't1是注意力分数，M是视觉层计算的可见矩阵，dx是在得到了K_BERT文本编码器的输出向量h和图谱编码器的输出向量5示目标输出序列总长度，p(nlxa.xn-1)表示基于已经生成的序列预测下一单词CTRL通过输入带有条件c的文本序列学习p(lz-ne)：Nor(x)w8.一种基于知识引导的地理考题生成装置，应用于如权利要求1~7任一项所述的基于67一事件构建地理知识图谱并进步构建图知识引导的序列模型展现了知识点的上下位关一事件构建地理知识图谱并进步构建图知识引导的序列模型展现了知识点的上下位关[0029]<Conj>{Cause1}<verb>{effect1/Cause2},<verb>{effect2/cause3},<verb>[0031]{Cause1}<verb>{effect1/Cause2},<verb>{effect2/cause3},<verb>[0033]<Conj>{Cause1}<Conj>,{Effect1/cause2},<verb>{effect2/cause3},<verb>[0035]<Conj>{Cause1}<[0037]<Conj>{Cau[0039]{Cause1}<v8[0050]若一抽象地理事件E至少存在5个相似抽象地理事件，则提取抽象地理事件E及其表示为低维的矩阵P和矩阵E；通过训练矩阵P和矩阵E，使所有事实(s,r,o)的总距离pro)9[0070]通过以下公式选择句子s中涉及的所有实体名称，从图谱中查询它们相应的三元ik)]iik[0080]在所述掩码学习层中有多个Mask_self_attention的堆栈，所述Mask_self_iWkiWv[0086]在得到了K_BERT文本编码器的输出向量h和图谱编码器的输出向量En后，还包括将h和En拼接得到向量z＝[h:En]，然后将z＝[h:En]输入多头注意力机制层作为编码层的[0099]所述数据构建模块，用于获取非结构化的地理知识文本语料构建地理文本语料[0114]对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解个动词。在地理领域文本中，后者引导的事理关系比较多。由于这类句子有明显的事理关[0149]<Conj...>{Cause1}<verb>{effect1/Cause2},<verb>{effect2/cause3},<verb>[0152]{Cause1}<verb>{effect1/Cause2},<verb>{effect2/cause3},<verb>以直接通过构建正则表达式匹配识别各原因部分和结果部分；线索词为三元因果提示动[0155]<Conj>{Cause1}<Conj>,{Effect1/cause2},<verb>{effect2/cause3},<verb>[0156]由因果提示词对和因果提示动词组合而成，句法模板(4)和可以通过匹配正则表达式识别因果句；线索词为句法模板(4)的提示词和因果提示动词组[0158]<Conj>{Cause1}<[0161]<Conj>{Cau[0164]{Cause1}<v例将距离线索词位置最近的动词作为地理事件的触发词)，并通过语义角色标注识别该事[0182]若一抽象地理事件E至少存在5个相似抽象地理事件，则提取抽象地理事件E及其文信息，以及将任意地理知识文本语料输入K_BERT文本编码器以捕捉文本的上下文信息，[0190]在具体实施过程中，通过图谱编码器GraphTransformer解决了以往图神经网络表示为低维的矩阵P和矩阵E；通过训练矩阵P和矩阵E，使所有事实(s,r,o)的总距离[0200]er1=LN(ef+LN())pro)[0208]通过以下公式选择句子s中涉及的所有实体名称，从图谱中查询它们相应的三元i句子树中的每个标记转换为维度为H的嵌入向量，再使用[CLS]作为分类标记，并使用[0218]在所述掩码学习层中有多个Mask_self_attention的堆栈，所述Mask_self_WkiWvWq[0224]在得到了K_BERT文本编码器的输出向量h和图谱编码器的输出向量En后，还包括[0229]更具体的，还包括结合负采样机制CTRL(AConditionalTransformerLanguage[0238]使用带有ReLU激活函数