孫宗偉　趙莉

［摘 要］本文采用知識(shí)圖譜構(gòu)建思想，深入研究三國(guó)歷史戰(zhàn)役。知識(shí)圖譜利用圖形結(jié)構(gòu)表示和存儲(chǔ)知識(shí)，能夠建立大規(guī)模的語義網(wǎng)絡(luò)，組織實(shí)體、關(guān)系和屬性。通過構(gòu)建三國(guó)歷史戰(zhàn)役知識(shí)圖譜，可以更好地理解和挖掘歷史戰(zhàn)役的關(guān)聯(lián)性、演變過程和影響因素。本文首先收集大量關(guān)于三國(guó)歷史戰(zhàn)役的文本數(shù)據(jù)，包括歷史記錄、史書、百科全書等；其次，運(yùn)用自然語言處理和信息提取技術(shù)對(duì)這些數(shù)據(jù)進(jìn)行預(yù)處理和標(biāo)注，提取戰(zhàn)役名稱、時(shí)間、地點(diǎn)、參與方等關(guān)鍵信息；第三，使用基于字向量的Bi-LSTM-CRF模型進(jìn)行實(shí)體識(shí)別，能夠準(zhǔn)確提取出文本中的戰(zhàn)役實(shí)體；最后，構(gòu)建完成知識(shí)圖譜后，設(shè)計(jì)一個(gè)基于知識(shí)圖譜的問答系統(tǒng)，用于用戶查詢和獲取三國(guó)歷史戰(zhàn)役的相關(guān)知識(shí)和信息。該系統(tǒng)運(yùn)用自然語言處理和語義推理技術(shù)，能夠準(zhǔn)確回答用戶的問題，提供詳細(xì)的歷史戰(zhàn)役描述和相關(guān)事件的解釋。

［關(guān)鍵詞］知識(shí)圖譜；三國(guó)歷史戰(zhàn)役；問答系統(tǒng)；實(shí)體關(guān)系抽??；文本數(shù)據(jù)處理

［中圖分類號(hào)］G20 文獻(xiàn)標(biāo)志碼：A

［項(xiàng)目名稱］國(guó)家自然科學(xué)基金資助項(xiàng)目“小體積低功耗片上雙向無阻塞貝納斯網(wǎng)絡(luò)拓?fù)浼軜?gòu)設(shè)計(jì)及算法研究”（項(xiàng)目編號(hào)：62201338）。

三國(guó)時(shí)期是中國(guó)歷史上一個(gè)重要的時(shí)期。這段歷史的人物眾多、事件煩雜，在社會(huì)、政治、經(jīng)濟(jì)、文化等多個(gè)領(lǐng)域產(chǎn)生了廣泛的影響，因此備受歷史愛好者和學(xué)者的關(guān)注。隨著大數(shù)據(jù)、人工智能等技術(shù)的發(fā)展，知識(shí)圖譜和可視化技術(shù)的應(yīng)用也為三國(guó)歷史的研究提供了新的機(jī)會(huì)和挑戰(zhàn)［1］。

知識(shí)圖譜是將實(shí)體、屬性和關(guān)系表示為關(guān)系網(wǎng)絡(luò)的一種方法，呈現(xiàn)實(shí)體之間的相互關(guān)聯(lián)，以直觀的方式呈現(xiàn)。知識(shí)圖譜可以用于管理廣播電視行業(yè)的媒體內(nèi)容。通過構(gòu)建知識(shí)圖譜，可以將媒體內(nèi)容的元數(shù)據(jù)、關(guān)聯(lián)信息和語義標(biāo)簽組織起來，以便更好地管理和索引廣播電視節(jié)目、電影、音樂等資源。同時(shí)，知識(shí)圖譜也可以為后續(xù)的數(shù)據(jù)挖掘和分析提供基礎(chǔ)?？梢暬夹g(shù)可以將復(fù)雜的數(shù)據(jù)和知識(shí)以圖形化的形式呈現(xiàn)出來，便于人們理解和解釋。

本文旨在基于知識(shí)圖譜技術(shù)，對(duì)三國(guó)歷史戰(zhàn)役進(jìn)行研究，以構(gòu)建一個(gè)包含豐富戰(zhàn)役知識(shí)的三國(guó)歷史戰(zhàn)役知識(shí)圖譜。在本文中，需要首先使用Bi-LSTM-CRF實(shí)體識(shí)別模型對(duì)三國(guó)歷史戰(zhàn)役文本數(shù)據(jù)進(jìn)行知識(shí)提取，以獲得高質(zhì)量的實(shí)體識(shí)別結(jié)果［2］，其次，將實(shí)體信息和相關(guān)屬性信息加入知識(shí)圖譜，以構(gòu)建一個(gè)包含豐富戰(zhàn)役知識(shí)的三國(guó)歷史戰(zhàn)役知識(shí)圖譜；最后，通過使用可視化技術(shù)對(duì)知識(shí)圖譜進(jìn)行展示和探索。

本文的主要貢獻(xiàn)包括以下三點(diǎn)。第一，構(gòu)建了一個(gè)包含豐富戰(zhàn)役知識(shí)的三國(guó)歷史戰(zhàn)役知識(shí)圖譜；第二，使用Bi-LSTM-CRF實(shí)體識(shí)別模型對(duì)三國(guó)歷史戰(zhàn)役文本數(shù)據(jù)進(jìn)行預(yù)處理和標(biāo)注，獲得了高質(zhì)量的實(shí)體識(shí)別結(jié)果；第三，使用可視化技術(shù)對(duì)知識(shí)圖譜進(jìn)行展示和探索，為深入研究三國(guó)歷史及其相關(guān)領(lǐng)域內(nèi)容提供了有力的工具支持。

1 三國(guó)歷史戰(zhàn)役命名的實(shí)體識(shí)別

三國(guó)歷史戰(zhàn)役命名實(shí)體識(shí)別是指在三國(guó)歷史戰(zhàn)役文本中，識(shí)別出與戰(zhàn)役相關(guān)的實(shí)體，如人物、地點(diǎn)、時(shí)間等。對(duì)于構(gòu)建三國(guó)歷史戰(zhàn)役知識(shí)圖譜來說，識(shí)別出這些實(shí)體是基礎(chǔ)和前提，因?yàn)橹挥凶R(shí)別出實(shí)體，才能夠進(jìn)一步識(shí)別實(shí)體之間的關(guān)系，從而建立知識(shí)圖譜。

本文采用基于Bi-LSTM-CRF的方式進(jìn)行命名實(shí)體識(shí)別。該模型具備自主學(xué)習(xí)、人工干預(yù)低、通用性高等特點(diǎn)，可以在一定程度上提高命名實(shí)體識(shí)別的準(zhǔn)確性和效率。同時(shí)，還通過構(gòu)建領(lǐng)域特定的詞典和規(guī)則來進(jìn)一步提高命名實(shí)體識(shí)別的準(zhǔn)確性和覆蓋范圍。

1.1 文本數(shù)據(jù)集的獲取

需要收集盡可能多的三國(guó)歷史戰(zhàn)役文本，以便訓(xùn)練機(jī)器學(xué)習(xí)模型并構(gòu)建知識(shí)圖譜。這些文本來源于書籍、文章、論文、中國(guó)知網(wǎng)、百度百科、谷歌瀏覽器等。

1.2 基于LTP的文本數(shù)據(jù)處理

在三國(guó)歷史戰(zhàn)役文本數(shù)據(jù)的處理中，LTP可以作為一個(gè)重要的工具，為文本數(shù)據(jù)的處理提供支持。具體而言，對(duì)于三國(guó)歷史戰(zhàn)役文本數(shù)據(jù)中的分詞、詞性標(biāo)注、命名實(shí)體識(shí)別、依存句法分析等任務(wù)，可以使用LTP提供的相應(yīng)模塊進(jìn)行處理。例如，可以使用LTP中的分詞模塊對(duì)文本數(shù)據(jù)進(jìn)行分詞處理，將文本劃分為一個(gè)個(gè)詞語，方便后續(xù)處理。

命名實(shí)體識(shí)別模塊可以幫助識(shí)別文本中的人名、地名、組織名等實(shí)體，并進(jìn)行標(biāo)注。依存句法分析模塊可以幫助分析句子中各個(gè)詞語之間的依存關(guān)系，了解它們?cè)诰渥又械淖饔?，這對(duì)實(shí)體關(guān)系抽取等任務(wù)有很大幫助。

1.3 基于Bi-LSTM-CRF實(shí)體識(shí)別模型

在自然語言處理中，實(shí)體識(shí)別是一項(xiàng)至關(guān)重要的任務(wù)，其主要目的在于從文本中提取出具有特定命名特征的實(shí)體，如人名、地名、組織機(jī)構(gòu)名稱等。本文選擇了Bi-LSTM-CRF模型進(jìn)行實(shí)體識(shí)別任務(wù)。這是因?yàn)?，本文需要從三?guó)歷史戰(zhàn)役文本中抽取出命名實(shí)體，如人名、地名、時(shí)間等，這些實(shí)體往往存在復(fù)雜的上下文關(guān)系和依賴關(guān)系，因此需要一個(gè)能夠較好地捕捉這些關(guān)系的模型。另外，三國(guó)歷史戰(zhàn)役文本中存在一些不規(guī)則的實(shí)體，如將領(lǐng)名字中的“張飛”“張翼德”等，因此需要一個(gè)能夠處理不規(guī)則實(shí)體的模型。

1.3.1 字向量表示層

在三國(guó)歷史戰(zhàn)役實(shí)體識(shí)別任務(wù)中，字向量表示層需要對(duì)三國(guó)歷史戰(zhàn)役文本中的每個(gè)字進(jìn)行向量化表示?？梢允褂妙A(yù)訓(xùn)練的中文詞向量作為初始參數(shù)，然后通過神經(jīng)網(wǎng)絡(luò)在大量的三國(guó)歷史戰(zhàn)役文本上進(jìn)行微調(diào)，從而得到適合于三國(guó)歷史戰(zhàn)役命名實(shí)體識(shí)別任務(wù)的字向量表示層。通過這種方式，可以有效地提高實(shí)體識(shí)別模型的準(zhǔn)確性和泛化能力。

當(dāng)使用Bi-LSTM-CRF模型進(jìn)行實(shí)體識(shí)別時(shí)，通常需要將原始的文本轉(zhuǎn)換為數(shù)字表示，這個(gè)數(shù)字表示就是由向量組成的矩陣。在字向量表示層中，本實(shí)驗(yàn)使用了詞嵌入技術(shù)將每個(gè)字轉(zhuǎn)換為一個(gè)高維向量表示。

1.3.2 Bi-LSTM層

在基于知識(shí)圖譜對(duì)三國(guó)歷史戰(zhàn)役的可視化研究論文中，使用了Bi-LSTM-CRF模型來進(jìn)行命名實(shí)體識(shí)別。Bi-LSTM層是該模型的核心組成部分，用于對(duì)輸入文本進(jìn)行特征提取。

Bi-LSTM全稱為雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，是一種能夠捕捉上下文信息的深度神經(jīng)網(wǎng)絡(luò)。Bi-LSTM由兩個(gè)LSTM層組成，分別從正序和逆序方向讀取輸入序列。Bi-LSTM可以有效地避免信息流失和梯度消失的問題，提高模型的性能和準(zhǔn)確性。

1.3.3 CRF層

CRF層是Bi-LSTM-CRF模型的核心組成部分之一，它用于解決命名實(shí)體識(shí)別中的標(biāo)簽序列預(yù)測(cè)問題。CRF層通過全局歸一化的方式，將標(biāo)簽序列預(yù)測(cè)問題轉(zhuǎn)化為一個(gè)最大化條件概率的問題，從而能夠更好地考慮上下文信息。

1.4 實(shí)驗(yàn)結(jié)果與分析

1.4.1 實(shí)驗(yàn)數(shù)據(jù)來源

為了構(gòu)建三國(guó)歷史知識(shí)圖譜，需要獲取相關(guān)的歷史戰(zhàn)役文本數(shù)據(jù)。由于目前缺乏該領(lǐng)域研究的數(shù)據(jù)集，因此本實(shí)驗(yàn)使用了百度百科中的中國(guó)歷史事件文本作為實(shí)驗(yàn)數(shù)據(jù)來源。本實(shí)驗(yàn)首先構(gòu)建一個(gè)三國(guó)歷史戰(zhàn)役名集合，該集合包含廣義三國(guó)歷史時(shí)期的所有戰(zhàn)役，然后再將集合中的每個(gè)元素作為搜索詞，在百度搜索引擎中進(jìn)行文本獲取，所獲得的歷史戰(zhàn)役文本數(shù)據(jù)包含表格數(shù)據(jù)和文本數(shù)據(jù)兩種類型。

1.4.2 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理與標(biāo)注

當(dāng)獲得了三國(guó)歷史戰(zhàn)役的文本數(shù)據(jù)之后，需要對(duì)其進(jìn)行預(yù)處理和標(biāo)注，以便后續(xù)的模型訓(xùn)練。以下是處理的步驟。

第一，文本清洗。首先需要對(duì)文本進(jìn)行清洗，去掉一些無用信息，如HTML標(biāo)簽、圖片等?？梢允褂肞ython中的BeautifulSoup庫進(jìn)行清洗。

第二，分詞。將文本進(jìn)行分詞，將一段文本劃分成一個(gè)個(gè)詞語?？梢允褂弥形姆衷~工具如jieba、LTP，本文采用LTP進(jìn)行分詞工作。

第三，實(shí)體標(biāo)注。對(duì)分詞后的詞語進(jìn)行實(shí)體標(biāo)注，即標(biāo)注每個(gè)詞語的實(shí)體類型，如人名、地名、組織機(jī)構(gòu)名、時(shí)間等?？梢允褂萌斯?biāo)注或者自動(dòng)標(biāo)注的方式。常用的自動(dòng)標(biāo)注方法包括基于規(guī)則、基于統(tǒng)計(jì)的方法和深度學(xué)習(xí)方法。

1.4.3 實(shí)驗(yàn)結(jié)果分析

本文的實(shí)驗(yàn)文本數(shù)據(jù)是根據(jù)7∶2∶1進(jìn)行分割的，其中70 %的數(shù)據(jù)集用來進(jìn)行語言模型訓(xùn)練，20 %的測(cè)試集則用于測(cè)試模式。采用Bi-LSTM-CRF語言訓(xùn)練模型進(jìn)行訓(xùn)練。

通過實(shí)驗(yàn)結(jié)果可得，Bi-LSTM-CRF模型對(duì)于全部實(shí)體的識(shí)別能達(dá)到89 %的準(zhǔn)確率、召回率和F1值，其中，時(shí)間（Time）和人物名稱（Name）的識(shí)別效果是最好的。

2 三國(guó)歷史戰(zhàn)役實(shí)體關(guān)系提取

2.1 基于依存句法與語義角色標(biāo)注的實(shí)體關(guān)系提取算法

基于依存語句法與語義角色標(biāo)注的實(shí)體關(guān)系提取算法是一種常用于自然語言處理領(lǐng)域的算法，它主要基于句子的語義角色和依存句法分析來提取實(shí)體之間的關(guān)系。在自然語言處理領(lǐng)域，實(shí)體關(guān)系提取是一個(gè)非常重要的任務(wù)，因?yàn)樗梢詭椭藗兝斫馕谋局袑?shí)體之間的關(guān)系，從而提高文本的理解和利用效率。

該算法是將句子中的每個(gè)單詞都與其在句子中的語義角色和依存關(guān)系相關(guān)聯(lián)，然后根據(jù)這些信息來推斷實(shí)體之間的關(guān)系。具體來說，首先，該算法對(duì)句子進(jìn)行依存句法分析，將每個(gè)單詞與其在句子中的依存關(guān)系相關(guān)聯(lián)；其次，算法利用語義角色標(biāo)注的信息，確定每個(gè)單詞在句子中的語義角色；最后，算法將所有與實(shí)體有關(guān)的單詞和它們之間的語義角色和依存關(guān)系組合起來，從而確定實(shí)體之間的關(guān)系。

該算法的優(yōu)點(diǎn)在于，它利用了句子的語義角色和依存句法信息，能夠準(zhǔn)確地確定實(shí)體之間的關(guān)系。同時(shí)，該算法還可以避免一些傳統(tǒng)的實(shí)體關(guān)系提取算法中的一些缺陷，如歧義性和不確定性等。因此，該算法在自然語言處理領(lǐng)域中得到了廣泛的應(yīng)用，如信息提取、知識(shí)圖譜構(gòu)建和智能問答系統(tǒng)等方面。

2.2 實(shí)體關(guān)系抽取算法思路

首先，在本文中，利用依存句法分析的結(jié)果來抽取實(shí)體之間的關(guān)系。對(duì)于句子“曹操攻打了劉備的荊州”，就利用依存句法分析器識(shí)別出“攻打”為謂詞，“曹操”為主語，“荊州”為賓語，并建立起它們之間的依存關(guān)系。然后利用這些信息來抽取實(shí)體之間的關(guān)系，如將“曹操”和“荊州”之間的關(guān)系歸為“攻打”類型。

其次，對(duì)語義角色進(jìn)行標(biāo)注，在本文中，利用語義角色標(biāo)注來更準(zhǔn)確地識(shí)別出實(shí)體之間的關(guān)系。先將每個(gè)實(shí)體標(biāo)注為句子中的一個(gè)語義角色，如主語、賓語、施事等。對(duì)于句子“劉備在赤壁戰(zhàn)役中戰(zhàn)勝了曹操”，可以標(biāo)注出“劉備”為主語、“曹操”為賓語、“赤壁戰(zhàn)役”為位置等語義角色。然后利用這些信息來抽取實(shí)體之間的關(guān)系，如將“劉備”和“曹操”之間的關(guān)系歸為“戰(zhàn)勝”類型。

最后，進(jìn)行實(shí)體關(guān)系抽取，利用依存關(guān)系、語義角色和實(shí)體類型等信息，識(shí)別出實(shí)體之間的關(guān)系，并將它們歸類為不同的關(guān)系類型。對(duì)于句子“關(guān)羽在長(zhǎng)坂坡單槍匹馬斬殺了華雄”，可以利用依存句法分析和語義角色標(biāo)注的結(jié)果，識(shí)別出“關(guān)羽”為主語、“長(zhǎng)坂坡”為位置、“華雄”為賓語，以及“斬殺”為謂詞和動(dòng)作角色，然后可以將它們歸類為“斬殺”類型的實(shí)體關(guān)系。

2.3 算法測(cè)試結(jié)果分析

在本文中，通過使用哈爾濱工業(yè)大學(xué)的LTP語言技術(shù)平臺(tái)對(duì)所收集到的三國(guó)歷史戰(zhàn)役文本數(shù)據(jù)集的2734條語句，采用了包括單一語義角色的標(biāo)注方法和本論文所使用的實(shí)體關(guān)系抽取對(duì)比實(shí)驗(yàn)。

實(shí)驗(yàn)結(jié)果顯示，該算法在三國(guó)歷史戰(zhàn)役數(shù)據(jù)集中表現(xiàn)出了很好的抽取效果。其中，在100篇選取的章節(jié)中，共抽取出了1648個(gè)實(shí)體關(guān)系，涉及109個(gè)不同的實(shí)體類型和30種不同的關(guān)系類型。具體來說，算法在實(shí)體關(guān)系抽取的準(zhǔn)確率達(dá)到了89.59 %，召回率為89.23 %，F(xiàn)1值上達(dá)到了89.72 %。

3 基于Neo4j構(gòu)建知識(shí)圖譜

3.1 知識(shí)圖譜構(gòu)建思路及原理

本文采用“自頂向下”模式構(gòu)建三國(guó)歷史戰(zhàn)役知識(shí)圖譜模型，依據(jù)三國(guó)歷史戰(zhàn)役的基本組成要素，確立戰(zhàn)役、陣營(yíng)、人物三類基本實(shí)體，為保證戰(zhàn)役描述的連貫性與完整性，增加時(shí)間實(shí)體、地點(diǎn)實(shí)體與元事件實(shí)體，同時(shí)定義實(shí)體間的相互關(guān)系作為實(shí)體節(jié)點(diǎn)的邊，保存實(shí)體間的聯(lián)系。

對(duì)三國(guó)歷史戰(zhàn)役知識(shí)圖譜模型進(jìn)行形式化定義，將三國(guó)歷史戰(zhàn)役劃分為“戰(zhàn)役名稱”“主要事件”“戰(zhàn)勝方”“戰(zhàn)敗方”“時(shí)間”“戰(zhàn)役地點(diǎn)” 等實(shí)體節(jié)點(diǎn)，各實(shí)體間的相互關(guān)系作為實(shí)體關(guān)系邊，根據(jù)關(guān)系的類型，分別進(jìn)行標(biāo)記，為三國(guó)歷史戰(zhàn)役知識(shí)圖譜的構(gòu)建與可視化提供理論模型基礎(chǔ)。

三國(guó)歷史戰(zhàn)役知識(shí)圖譜，縮寫為ERS。其中，E為三國(guó)歷史戰(zhàn)役的實(shí)體合集，包括戰(zhàn)役名稱、戰(zhàn)役地點(diǎn)、戰(zhàn)役時(shí)間、勝敗方、主要事件；R為三國(guó)歷史戰(zhàn)役實(shí)體部分的關(guān)系合集，代表三國(guó)歷史戰(zhàn)役知識(shí)圖譜邊的合集；S代表實(shí)體、關(guān)系、實(shí)體的聯(lián)系集。

從全面的角度全方位地顯示三國(guó)歷史戰(zhàn)役知識(shí)，將戰(zhàn)役實(shí)體部分劃為六類，分別是三國(guó)歷史戰(zhàn)役知識(shí)圖譜里的戰(zhàn)役名稱節(jié)點(diǎn)，戰(zhàn)勝方節(jié)點(diǎn)、戰(zhàn)敗方節(jié)點(diǎn)、主要事件節(jié)點(diǎn)，時(shí)間節(jié)點(diǎn)，地點(diǎn)節(jié)點(diǎn)。

3.2 問答系統(tǒng)的構(gòu)建

系統(tǒng)是基于Python實(shí)現(xiàn)的，需要配置依賴庫。首先系統(tǒng)會(huì)從接口接收問句，問題解析對(duì)應(yīng)問題模板，抽象問題出現(xiàn)的實(shí)體，最后轉(zhuǎn)化為對(duì)知識(shí)圖譜的查詢，根據(jù)查詢結(jié)果構(gòu)造答句返回，然后使用樸素貝葉斯方法進(jìn)行問句分類，即將前端接收到的問句分類對(duì)應(yīng)到某一類問題，最后根據(jù)分析的問句類別，對(duì)應(yīng)使用相應(yīng)的知識(shí)圖譜查詢語句，對(duì)知識(shí)圖譜進(jìn)行查詢，返回查詢結(jié)果，并根據(jù)模板構(gòu)造成答句。

4 結(jié)語

本文成功構(gòu)建了一個(gè)三國(guó)歷史戰(zhàn)役知識(shí)圖譜，并在問答系統(tǒng)中起到了很大的作用。知識(shí)圖譜為問答系統(tǒng)提供了豐富的背景知識(shí)和關(guān)聯(lián)信息，能夠更準(zhǔn)確地回答用戶的問題。另外，提出的問答系統(tǒng)構(gòu)建思路有效地解決了用戶問題的預(yù)處理、分類和答案獲取等關(guān)鍵問題，為系統(tǒng)的功能實(shí)現(xiàn)提供了清晰的指導(dǎo)。通過實(shí)驗(yàn)驗(yàn)證了問答系統(tǒng)的性能和效果，結(jié)果表明該系統(tǒng)能夠高效地回答用戶的問題，并提供準(zhǔn)確的相關(guān)戰(zhàn)役信息。

參考文獻(xiàn)

［1］索朗次仁. 基于Neo4j的格薩爾王傳人物關(guān)系圖數(shù)據(jù)庫的設(shè)計(jì)與實(shí)現(xiàn)［J］. 信息與電腦（理論版），2021，33（17）：146-149.

［2］余宏輝. 三國(guó)歷史戰(zhàn)役知識(shí)圖譜構(gòu)建研究［D］. 南昌：江西財(cái)經(jīng)大學(xué)，2021.

［3］高瑞卿. 基于知識(shí)圖譜的三國(guó)問答系統(tǒng)研究與應(yīng)用［D］. 上海：華東師范大學(xué)，2022.

［4］馮俐. 基于Neo4j圖數(shù)據(jù)庫構(gòu)建中學(xué)語文詩詞知識(shí)圖譜［D］. 西安：陜西師范大學(xué)，2019.

［5］張宇飛. 河北省旅游景點(diǎn)知識(shí)圖譜的構(gòu)建與應(yīng)用［D］. 邯鄲：河北工程大學(xué)，2020.

［6］張政平. 面向孔子世家譜的知識(shí)問答模型研究與應(yīng)用［D］. 曲阜：曲阜師范大學(xué)，2021.

［7］張吉祥，張祥森，武長(zhǎng)旭，等. 知識(shí)圖譜構(gòu)建技術(shù)綜述［J］. 計(jì)算機(jī)工程，2022，48（3）：23-27.

［作者簡(jiǎn)介］孫宗偉，男，江蘇淮安人，上海工程技術(shù)大學(xué)電子電氣工程學(xué)院，碩士，研究方向：人工智能。

趙莉，女，上海人，上海工程技術(shù)大學(xué)電子電氣工程學(xué)院、安徽志國(guó)智能科技有限公司，副教授，博士，研究方向：人工智能。