本技術(shù)涉及知識圖譜查詢，尤其涉及一種自然語句轉(zhuǎn)換方法、裝置、設(shè)備及可讀存儲介質(zhì)。

背景技術(shù)：

1、rdf(resource?description?framework)，即資源描述框架，是一種資源描述語言，其本質(zhì)是一個數(shù)據(jù)模型，它提供了一個統(tǒng)一的標(biāo)準(zhǔn)，用于描述實體/資源及其屬性和關(guān)系，rdf在形式上的表示為spo三元組，spo三元組即主語(subject)、謂語(predicate)及賓語(object)。

2、知識圖譜技術(shù)在智能問答系統(tǒng)的應(yīng)用中越來越廣泛，而知識圖譜大多基于rdf數(shù)據(jù)庫進(jìn)行構(gòu)建，其數(shù)據(jù)的查詢語言是sparql(英文全稱為sparql?protocol?and?rdf?querylanguage，是為rdf開發(fā)的一種查詢語言和數(shù)據(jù)獲取協(xié)議)。從用戶輸入的自然語言到對知識圖譜rdf數(shù)據(jù)庫的查詢，其核心在于根據(jù)用戶輸入的自然語言，提取用戶的意圖并轉(zhuǎn)換成sparql語句。

3、目前業(yè)界通常是使用ai(artificial?intelligence，人工智能)模型對自然語言進(jìn)行語義的提取，然而ai模型的生成需要有訓(xùn)練數(shù)據(jù)集，還需要對訓(xùn)練數(shù)據(jù)集進(jìn)行標(biāo)注處理，因而存在著實施難度大和實現(xiàn)效率低的問題。

技術(shù)實現(xiàn)思路

1、本技術(shù)提供一種自然語句轉(zhuǎn)換方法、裝置、設(shè)備及可讀存儲介質(zhì)，旨在解決目前業(yè)界通常是使用ai模型對自然語言進(jìn)行語義的提取，ai模型的生成需要有訓(xùn)練數(shù)據(jù)集，還需要對訓(xùn)練數(shù)據(jù)集進(jìn)行標(biāo)注處理，存在著實施難度大和實現(xiàn)效率低的技術(shù)問題。

2、第一方面，本技術(shù)實施例提供一種自然語句轉(zhuǎn)換方法，所述自然語句轉(zhuǎn)換方法包括：

3、獲取待轉(zhuǎn)換自然語句；

4、對待轉(zhuǎn)換自然語句進(jìn)行分詞及預(yù)處理，得到第一中間文本，所述第一中間文本包括多個詞語及每個詞語的詞性；

5、從待轉(zhuǎn)換自然語句中提取預(yù)設(shè)標(biāo)記內(nèi)的內(nèi)容作為參數(shù)；

6、對參數(shù)及第一中間文本中除參數(shù)外的各個詞語按照預(yù)設(shè)三元組語法規(guī)則進(jìn)行組合，得到一個或多個第一三元組，所述預(yù)設(shè)三元組語法規(guī)則包括不同詞性的多個詞語及參數(shù)組合為主謂賓三元組的規(guī)則；

7、針對每個第一三元組，通過將第一三元組和知識圖譜本體模型的實體關(guān)系進(jìn)行匹配和查找，將第一三元組轉(zhuǎn)換為一個或多個第二三元組；

8、使用所有的第二三元組生成sparql語句，以供使用sparql語句對知識圖譜進(jìn)行查詢。

9、可選的，所述獲取待轉(zhuǎn)換自然語句包括：

10、獲取原始自然語句；

11、將原始自然語句中包括的預(yù)設(shè)常見提問詞去除，得到待轉(zhuǎn)換自然語句。

12、可選的，所述對待轉(zhuǎn)換自然語句進(jìn)行分詞及預(yù)處理，得到第一中間文本包括：

13、對待轉(zhuǎn)換自然語句進(jìn)行分詞，得到第二中間文本，所述第二中間文本包括分詞后的所有詞語及每個詞語的詞性；

14、對第二中間文本中的各個詞語按照在待轉(zhuǎn)換自然語句中的順序進(jìn)行遍歷，去除當(dāng)前詞語的詞性是動詞且后一詞語的詞性是助詞的詞語，去除詞性是區(qū)別詞的詞語，將相鄰詞語的詞性為名詞的多個詞語合并為一個詞語，得到第一中間文本。

15、可選的，在所述針對每個第一三元組，通過將第一三元組和知識圖譜本體模型的實體關(guān)系進(jìn)行匹配和查找，將第一三元組轉(zhuǎn)換為一個或多個第二三元組之前，還包括：

16、針對每個第一三元組，遍歷第一三元組中的每個詞語，若當(dāng)前詞語在預(yù)設(shè)關(guān)鍵詞映射列表中存在對應(yīng)的替換詞，則將當(dāng)前詞語替換為對應(yīng)的替換詞，所述預(yù)設(shè)關(guān)鍵詞映射列表中的替換詞存在于知識圖譜的本體模型中。

17、可選的，所述通過將第一三元組和知識圖譜本體模型的實體關(guān)系進(jìn)行匹配和查找，將第一三元組轉(zhuǎn)換為一個或多個第二三元組包括：

18、若知識圖譜本體模型的實體關(guān)系中存在與第一三元組匹配的實體關(guān)系，則將第一三元組作為第二三元組；

19、若知識圖譜本體模型的實體關(guān)系中不存在與第一三元組匹配的實體關(guān)系，則在知識圖譜本體模型的實體關(guān)系中查找第一三元組的從主語至賓語的實體關(guān)系，將查找到的第一三元組的從主語至賓語的實體關(guān)系轉(zhuǎn)換為多個第二三元組。

20、可選的，在使用所有的第二三元組生成sparql語句的過程中，若第二三元組中包括參數(shù)，則為包括參數(shù)的第二三元組中的主語添加sparql類型限定語句。

21、第二方面，本技術(shù)實施例提供了一種自然語句轉(zhuǎn)換裝置，所述自然語句轉(zhuǎn)換裝置包括：

22、獲取模塊，用于獲取待轉(zhuǎn)換自然語句；

23、分詞模塊，用于對待轉(zhuǎn)換自然語句進(jìn)行分詞及預(yù)處理，得到第一中間文本，所述第一中間文本包括多個詞語及每個詞語的詞性；

24、提取模塊，用于從待轉(zhuǎn)換自然語句中提取預(yù)設(shè)標(biāo)記內(nèi)的內(nèi)容作為參數(shù)；

25、組合模塊，用于對參數(shù)及第一中間文本中除參數(shù)外的各個詞語按照預(yù)設(shè)三元組語法規(guī)則進(jìn)行組合，得到一個或多個第一三元組，所述預(yù)設(shè)三元組語法規(guī)則包括不同詞性的多個詞語及參數(shù)組合為主謂賓三元組的規(guī)則；

26、轉(zhuǎn)換模塊，用于針對每個第一三元組，通過將第一三元組和知識圖譜本體模型的實體關(guān)系進(jìn)行匹配和查找，將第一三元組轉(zhuǎn)換為一個或多個第二三元組；

27、生成模塊，用于使用所有的第二三元組生成sparql語句，以供使用sparql語句對知識圖譜進(jìn)行查詢。

28、可選的，所述轉(zhuǎn)換模塊，用于：

29、若知識圖譜本體模型的實體關(guān)系中存在與第一三元組匹配的實體關(guān)系，則將第一三元組作為第二三元組；

30、若知識圖譜本體模型的實體關(guān)系中不存在與第一三元組匹配的實體關(guān)系，則在知識圖譜本體模型的實體關(guān)系中查找第一三元組的從主語至賓語的實體關(guān)系，將查找到的第一三元組的從主語至賓語的實體關(guān)系轉(zhuǎn)換為多個第二三元組。

31、第三方面，本技術(shù)實施例提供了一種自然語句轉(zhuǎn)換設(shè)備，所述自然語句轉(zhuǎn)換設(shè)備包括處理器、存儲器、以及存儲在所述存儲器上并可被所述處理器執(zhí)行的自然語句轉(zhuǎn)換程序，其中所述自然語句轉(zhuǎn)換程序被所述處理器執(zhí)行時，實現(xiàn)如上述所述的自然語句轉(zhuǎn)換方法的步驟。

32、第四方面，本技術(shù)實施例提供了一種可讀存儲介質(zhì)，所述可讀存儲介質(zhì)上存儲有自然語句轉(zhuǎn)換程序，其中所述自然語句轉(zhuǎn)換程序被處理器執(zhí)行時，實現(xiàn)如上述所述的自然語句轉(zhuǎn)換方法的步驟。

33、本技術(shù)實施例提供的技術(shù)方案帶來的有益效果包括：

34、本技術(shù)實施例中，獲取待轉(zhuǎn)換自然語句；對待轉(zhuǎn)換自然語句進(jìn)行分詞及預(yù)處理，得到第一中間文本，所述第一中間文本包括多個詞語及每個詞語的詞性；從待轉(zhuǎn)換自然語句中提取預(yù)設(shè)標(biāo)記內(nèi)的內(nèi)容作為參數(shù)；對參數(shù)及第一中間文本中除參數(shù)外的各個詞語按照預(yù)設(shè)三元組語法規(guī)則進(jìn)行組合，得到一個或多個第一三元組，所述預(yù)設(shè)三元組語法規(guī)則包括不同詞性的多個詞語及參數(shù)組合為主謂賓三元組的規(guī)則；針對每個第一三元組，通過將第一三元組和知識圖譜本體模型的實體關(guān)系進(jìn)行匹配和查找，將第一三元組轉(zhuǎn)換為一個或多個第二三元組；使用所有的第二三元組生成sparql語句，以供使用sparql語句對知識圖譜進(jìn)行查詢。本技術(shù)實施例通過，對待轉(zhuǎn)換自然語句進(jìn)行分詞、預(yù)處理及參數(shù)提取，按照預(yù)設(shè)的三元組語法規(guī)則進(jìn)行主謂賓三元組的組合，然后再基于知識圖譜本體模型的實體關(guān)系對組合的三元組進(jìn)行轉(zhuǎn)換，使用轉(zhuǎn)換后的三元組生成sparql語句，相對于現(xiàn)有技術(shù)使用ai模型進(jìn)行語義提取的方案，具有實施便捷和效率高的優(yōu)勢。