模型结果的输出方法、装置、电子设备及存储介质

技术领域

本申请涉及人工智能技术领域，具体而言，涉及一种模型结果的输出方法、装置、电子设备及存储介质。

背景技术

大型语言模型LLMs（Language and Logic Models）是指使用大量文本数据训练的深度学习模型，可以生成自然语言文本或理解语言文本的含义。大语言模型可以处理多种自然语言任务，如文本分类、问答、对话等，是通向人工智能的一条重要途径，相比以往知识图谱的方式，具有更加高效智能可扩展等优势。然而，大型语言模型是黑箱模型，常常难以捕获和获取事实知识，即缺乏事实知识。相关技术中，语言模型输出的推理结果的准确度较低。

针对相关技术中存在的上述问题，目前尚未发现有效的解决方案。

发明内容

本申请提供了一种模型结果的输出方法、装置、电子设备及存储介质，以解决相关技术中存在的上述技术问题。

根据本申请的一个实施例，提供了一种模型结果的输出方法，包括：获取知识图谱中所有实体对应的实体向量和所有关系对应的关系向量，其中，所述实体包括头实体和尾实体，所述知识图谱包括多个三元组，每个三元组包括头实体、尾实体、以及所述头实体和所述尾实体的关系；针对所述知识图谱中的每个三元组，根据所述实体向量和所述关系向量计算头实体、关系和尾实体的分值；获取待推理的目标问题，采用语言模型根据所述分值输出与所述目标问题匹配度最高的目标答案。

根据本申请的另一个实施例，提供了一种模型结果的输出装置，包括：获取模块，用于获取知识图谱中所有实体对应的实体向量和所有关系对应的关系向量，其中，所述实体包括头实体和尾实体，所述知识图谱包括多个三元组，每个三元组包括头实体、尾实体、以及所述头实体和所述尾实体的关系；计算模块，用于针对所述知识图谱中的每个三元组，根据所述实体向量和所述关系向量计算头实体、关系和尾实体的分值；输出模块，用于获取待推理的目标问题，采用语言模型根据所述分值输出与所述目标问题匹配度最高的目标答案。

可选地，所述输出模块包括第一输出单元，用于针对所述知识图谱中的每个三元组，对所述头实体h和所述尾实体t通过所述关系r进行第一转换，得到所述头实体h的关系表示e_h=r*h，以及所述尾实体t的关系表示e_t=r*t；采用以下公式计算所述头实体h、所述关系r和所述尾实体t的第一分值：score1(h, r, t) = e_h * r * e_t+m，其中，所述m为所述知识图谱的调优阀值，score1(h, r, t)表示第一分值；最小化所述知识图谱中的正三元组的第一分值，并最大化所述知识图谱中的负三元组的第一分值，获取第一分值在预设阈值内的三元组集合；采用所述三元组集合训练所述语言模型，得到推理模型，将所述目标问题的目标头实体和目标关系输入所述推理模型，得到分值最大的目标尾实体；将所述分值最大的目标尾实体输出为与所述目标问题最匹配的目标答案。

可选地，所述模型结果的输出装置还包括扩展模块，用于将所述目标头实体、所述目标关系和所述目标尾实体组成目标三元组；将所述目标三元组添加至所述知识图谱中。

可选地，所述模型结果的输出装置还包括映射模块，用于调用激活函数sigmoid函数；采用所述sigmoid函数，将计算得出的所述头实体h、所述关系r和所述尾实体t的分值映射到[0, 1]的概率空间，将映射后的值作为第一分值。

可选地，所述输出模块包括第二输出单元，用于针对所述知识图谱中的每个三元组，对所述头实体h和所述尾实体t通过所述关系r进行第二转换，得到所述头实体h的关系表示e_h = h + r，以及所述尾实体t的关系表示e_t = t + r；采用以下公式计算所述头实体h、所述关系r和所述尾实体t的第二分值：score2(h, r, t) = ||e_h + r+m - e_t||_2，其中，m为所述知识图谱的调优阀值，||.||_2表示L2范数，score2(h, r, t) 为第二分值；最小化所述知识图谱中的正三元组的第二分值，并最大化所述知识图谱中的负三元组的第二分值，获取第二分值在预设阈值内的三元组集合；采用所述三元组集合训练所述语言模型，得到推理模型，将所述目标问题的目标头实体和目标关系输入所述推理模型，得到分值最小的目标尾实体；将所述分值最小的目标尾实体输出为与所述目标问题最匹配的目标答案。

可选地，所述模型结果的输出装置还包括训练模块，用于获取所述目标头实体对应的头实体向量、所述目标尾实体对应的尾实体向量、以及所述目标关系对应的关系向量；将所述头实体向量、所述尾实体向量、以及所述关系向量作为训练数据输入初始语言模型进行训练，得到训练完成的所述语言模型。

可选地，所述输出模块包括第三输出单元，用于针对所述知识图谱中的每个三元组，对所述头实体h和所述尾实体t通过所述关系r进行第三转换，得到所述头实体h的关系表示e_h = h - r * r_h，以及所述尾实体t的关系表示e_t = t - r * r_t ，r_h和r_t分别是所述关系r在所述头实体h和所述尾实体t上的投影向量；采用以下公式计算所述头实体h、所述关系r和所述尾实体t的第三分值：score3(h, r, t) = ||e_h + r+m - e_t||_2，其中，m为所述知识图谱的调优阀值，||.||_2表示L2范数，score3(h, r, t)为第三分值；最小化所述知识图谱中的正三元组的第三分值，并最大化所述知识图谱中的负三元组的第三分值，获取第三分值在预设阈值内的三元组集合；获取所述目标问题的提示词，采用所述三元组集合和所述提示词训练所述语言模型，得到推理模型，将所述目标问题的目标头实体和目标关系输入所述推理模型，得到分值最小的目标尾实体；将所述分值最小的目标尾实体输出为与所述目标问题最匹配的目标答案。

根据本申请的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项装置实施例中的步骤。

根据本申请的又一个实施例，还提供了一种电子装置，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；其中：存储器，用于存放计算机程序；处理器，用于通过运行存储器上所存放的程序来执行上述方法中的步骤。

根据本申请的又一个实施例，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述方法中的步骤。

通过本申请实施例，获取知识图谱中所有实体对应的实体向量和所有关系对应的关系向量，其中，实体包括头实体和尾实体，知识图谱包括多个三元组，每个三元组包括头实体、尾实体、以及头实体和尾实体的关系；针对知识图谱中的每个三元组，根据实体向量和关系向量计算头实体、关系和尾实体的分值；获取待推理的目标问题，采用语言模型根据分值输出与目标问题匹配度最高的目标答案，采用语言模型进行推理具备高效、可扩展的性能，但具有缺乏事实知识的缺陷，知识图谱为结构化知识模型，明确存储丰富的事实知识，可以提供外部知识以进行推理和解释，通过将知识图谱的结构化知识数据与语言模型结合来进行推理，提高了语言模型输出的推理结果的准确度。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是本申请实施例的一种计算机的硬件结构框图；

图2是本申请实施例的一种模型结果的输出方法的流程图；

图3是本申请实施例中结合语言模型和知识图谱的系统流程示意图；

图4是本申请实施例的一种模型结果的输出装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

本申请实施例一所提供的方法实施例可以在手机、计算机、平板或者类似的运算装置中执行。以运行在计算机上为例，图1是本申请实施例的一种计算机的硬件结构框图。如图1所示，计算机可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，可选地，上述计算机还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机的结构造成限定。例如，计算机还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本申请实施例中的一种模型结果的输出方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种模型结果的输出方法，图2是根据本申请实施例的一种模型结果的输出方法的流程图，如图2所示，该流程包括如下步骤：

步骤S10，获取知识图谱中所有实体对应的实体向量和所有关系对应的关系向量，其中，所述实体包括头实体和尾实体，所述知识图谱包括多个三元组，每个三元组包括头实体、尾实体、以及所述头实体和所述尾实体的关系；

步骤S20，针对所述知识图谱中的每个三元组，根据所述实体向量和所述关系向量计算头实体、关系和尾实体的分值；

步骤S30，获取待推理的目标问题，采用语言模型根据所述分值输出与所述目标问题匹配度最高的目标答案。

知识图谱KG（Knowledge Graph）将结构化知识存储为三元组集合KG = {(h, r,t) ⊆ E × R × E}，其中，E和R分别表示实体和关系的集合。知识图谱包括多个三元组，每个三元组包括头实体h，尾实体t，以及头实体h和尾实体t的关系r。在本实施例中可通过基于张量分解的知识图谱表示学习算法，对知识图谱进行学习，得到实体和关系的嵌入向量表示，即可得到知识图谱中所有实体对应的实体向量和所有关系对应的关系向量。针对知识图谱中的每个三元组，根据实体向量和关系向量计算头实体、关系和尾实体的分值score，结合知识图谱和语言模型根据分值对目标问题进行推理，输出与目标问题匹配度最高的目标答案。

通过上述步骤，获取知识图谱中所有实体对应的实体向量和所有关系对应的关系向量，其中，实体包括头实体和尾实体，知识图谱包括多个三元组，每个三元组包括头实体、尾实体、以及头实体和尾实体的关系；针对知识图谱中的每个三元组，根据实体向量和关系向量计算头实体、关系和尾实体的分值；获取待推理的目标问题，采用语言模型根据分值输出与目标问题匹配度最高的目标答案，采用语言模型进行推理具备高效、可扩展的性能，但具有缺乏事实知识的缺陷，知识图谱为结构化知识模型，明确存储丰富的事实知识，可以提供外部知识以进行推理和解释，通过将语言模型和知识图谱进行结合，提高了语言模型输出的推理结果的准确度。

在本实施例的一实施方式中，是以语言模型增强知识图谱：采用所述语言模型根据所述分值输出与所述目标问题匹配度最高的目标答案包括：

步骤A1，针对所述知识图谱中的每个三元组，对所述头实体h和所述尾实体t通过所述关系r进行第一转换，得到所述头实体h的关系表示e_h=r*h，以及所述尾实体t的关系表示e_t=r*t；

步骤A2，采用以下公式计算所述头实体h、所述关系r和所述尾实体t的第一分值：score1(h, r, t) = e_h * r * e_t+m，其中，m为所述知识图谱的调优阀值，用于补偿训练过程的损失，score1(h, r, t)表示第一分值；

计算头实体h、关系r和尾实体t的嵌入向量的内积，将内积与调优阀值之和作为第一分值score1(h, r, t) ，三元组的分值是通过计算实体间的距离来衡量三元组的置信度，分值越小，说明该三元组的置信度越高。

步骤A3，最小化所述知识图谱中的正三元组的第一分值，并最大化所述知识图谱中的负三元组的第一分值，获取第一分值在预设阈值内的三元组集合；

本实施方式中，可以通过随机梯度下降对知识图谱中的三元组进行优化：最小化知识图谱中的正三元组的第一分值，最大化知识图谱中的负三元组的第一分值，其中，正三元组为正确三元组，负三元组为错误三元组，获取第一分值在预设阈值内的三元组集合。

步骤A4，采用所述三元组集合训练所述语言模型，得到推理模型，将所述目标问题的目标头实体和目标关系输入所述推理模型，得到分值最大的目标尾实体；

步骤A5，将所述目标尾实体输出为与所述目标问题最匹配的目标答案。

采用三元组集合训练语言模型，得到推理模型，提取目标问题的目标头实体和目标关系，将目标头实体和目标关系输入推理模型，得到分值score1(h, r, t) 最大的三元组中的目标尾实体，将分值最大的目标尾实体输出为与目标问题最匹配的目标答案，即模型的预测结果。

在本实施方式中，在将所述目标尾实体输出为与所述目标问题最匹配的目标答案之后，所述方法还包括：将所述目标头实体、所述目标关系和所述目标尾实体组成目标三元组；将所述目标三元组添加至所述知识图谱中。

知识图谱中的三元组之间的关系强度不高，可能匹配不到与目标问题匹配的答案，在知识图谱中无法匹配到与目标问题匹配的答案时，则使用语言模型进行自然语言解析和推理，通过向量计算三元组分值，基于分值得到新的实体和关系，即目标头实体、目标关系和目标尾实体，将其组成目标三元组，将目标三元组添加至知识图谱中，以对知识图谱进行扩展，从而提高知识图谱的推理能力。

在本实施方式中，在最小化所述知识图谱中的正三元组的第一分值之前，所述方法还包括：调用激活函数sigmoid函数；采用所述sigmoid函数，将计算得出的所述头实体h、所述关系r和所述尾实体t的分值映射到[0, 1]的概率空间，将映射后的值作为第一分值。

采用sigmoid函数，将计算得出的头实体h、关系r和尾实体t的分值score1映射到[0, 1]的概率空间：score1(h, r, t) = sigmoid(e_h * r * e_t+m)，其中，m为知识图谱的调优阀值，由于三元组的分值数值较大，将分值经过映射后限制在固定范围[0, 1]内，将映射后的值作为第一分值进行后续处理，从而降低了分值数值，可以提高模型的收敛速度。

在本实施例的另一实施方式中，是以知识图谱增强语言模型，采用所述语言模型根据所述分值输出与所述目标问题匹配度最高的目标答案包括：

步骤B1，针对所述知识图谱中的每个三元组，对所述头实体h和所述尾实体t通过所述关系r进行第二转换，得到所述头实体h的关系表示e_h = h + r，以及所述尾实体t的关系表示e_t = t + r；

步骤B2，采用以下公式计算所述头实体h、所述关系r和所述尾实体t的第二分值：score2(h, r, t) = ||e_h + r+m - e_t||_2，其中，m为所述知识图谱的调优阀值，||.||_2表示L2范数，score2(h, r, t) 为第二分值；

本实施方式中，针对知识图谱中的正三元组采用公式score2(h, r, t) = ||e_h+ r+m - e_t||_2计算正三元组的第二分值score2(h, r, t) ，针对知识图谱中的负三元组（h', r, t），采用负采样随机选择负头实体h'，计算负三元组的第二分值score2（h', r,t）。

步骤B3，最小化所述知识图谱中的正三元组的第二分值，并最大化所述知识图谱中的负三元组的第二分值，获取第二分值在预设阈值内的三元组集合；

在本实施方式中，通过随机梯度下降对知识图谱中的三元组进行优化：最小化知识图谱中的正三元组的第二分值，最大化知识图谱中的负三元组的第二分值，获取第二分值在预设阈值内的三元组集合。

步骤B4，采用所述三元组集合训练所述语言模型，得到推理模型，将所述目标问题的目标头实体和目标关系输入所述推理模型，得到分值最小的目标尾实体；

步骤B5，将所述分值最小的目标尾实体输出为与所述目标问题最匹配的目标答案。

采用三元组集合训练语言模型，得到推理模型，提取目标问题的目标头实体和目标关系，将目标头实体和目标关系输入推理模型，得到分值score2(h, r, t) 最小的目标尾实体，将目标尾实体输出为与目标问题最匹配的目标答案，即模型的预测结果。

在本实施方式中，在将所述目标尾实体输出为与所述目标问题最匹配的目标答案之后，所述方法还包括：获取所述目标头实体对应的头实体向量、所述目标尾实体对应的尾实体向量、以及所述目标关系对应的关系向量；将所述头实体向量、所述尾实体向量、以及所述关系向量作为训练数据输入初始语言模型进行训练，得到训练完成的所述语言模型。

在本实施例中，将知识图谱中相关联的三元组向量值作为语言模型的特征值进行训练，采用知识图谱的结构化事实知识作为特征对语言模型进行训练，解决语言模型缺乏事实知识的缺陷。

在本实施例的另一实施方式中，是融合语言模型、知识图谱的统一模型进行推理，采用所述语言模型根据所述分值输出与所述目标问题匹配度最高的目标答案包括：

步骤C1，针对所述知识图谱中的每个三元组，对所述头实体h和所述尾实体t通过所述关系r进行第三转换，得到所述头实体h的关系表示e_h = h - r * r_h，以及所述尾实体t的关系表示e_t = t - r * r_t ，r_h和r_t分别是所述关系r在所述头实体h和所述尾实体t上的投影向量；

本实施方式对头实体h和尾实体t通过关系r进行第三转换中，r_h和r_t分别是关系r在头实体h和尾实体t上的投影向量，用于保持关系的强类型约束。

步骤C2，采用以下公式计算所述头实体h、所述关系r和所述尾实体t的第三分值：score3(h, r, t) = ||e_h + r+m - e_t||_2，其中，m为所述知识图谱的调优阀值，||.||_2表示L2范数，score3(h, r, t)为第三分值；

在本实施方式中，针对知识图谱中的正三元组采用公式score3(h, r, t) = ||e_h + r+m - e_t||_2计算正三元组的第三分值score3(h, r, t)，针对知识图谱中的负三元组(h', r, t)，采用负采样随机选择负头实体h'，计算负三元组的第二分值score3(h', r,t)。

步骤C3，最小化所述知识图谱中的正三元组的第三分值，并最大化所述知识图谱中的负三元组的第三分值，获取第三分值在预设阈值内的三元组集合；

在本实施方式中，通过随机梯度下降对知识图谱中的三元组进行优化：最小化知识图谱中的正三元组的第三分值，最大化知识图谱中的负三元组的第三分值，获取第一分值在预设阈值内的三元组集合。

步骤C4，获取所述目标问题的提示词，采用所述三元组集合和所述提示词训练所述语言模型，得到推理模型，将所述目标问题的目标头实体和目标关系输入所述推理模型，得到分值最小的目标尾实体；

步骤C5，将所述分值最小的目标尾实体输出为与所述目标问题最匹配的目标答案。

采用三元组集合训练语言模型，得到推理模型，在推理任务中，提取目标问题的目标头实体和目标关系，将目标头实体和目标关系输入推理模型，得到分值score3(h, r, t)最小的目标尾实体，将目标尾实体输出为与目标问题最匹配的目标答案，即模型的预测结果。

本实施方式中，融合语言模型和知识图谱进行推理，对于给定的自然语言问题和知识图谱实体和关系，利用统一的模型进行推理和问答，输出相应的答案或实体。可以进一步提高推理准确度和覆盖率。

参考图3，本实施方式中增加了提示工程：提示是为语言模型指定任务的自然语言输入序列。一个提示可能包含几个元素：指令，上下文和输入文本。指令是指导模型执行特定任务的短句。上下文为输入文本或少数示例提供背景。输入文本是需要模型处理的文本。提示工程可提高语言模型在多种复杂任务中的能力，如问题回答，情感分类和常识推理。链式思维提示通过中间推理步骤实现复杂推理能力。知识图谱的数据和模型训练的数据是有限的，本实施方式中基于提示工程获得目标问题的提示词，可以作为一定的初始化的数据进行模型训练。本实施例利用大规模的自然语言数据和知识图谱数据，增强了模型的推理和问答能力。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例所述的方法。

实施例2

在本实施例中还提供了一种模型结果的输出装置，用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图4是根据本申请实施例的一种模型结果的输出装置的结构框图，如图4所示，该装置包括：

获取模块40，用于获取知识图谱中所有实体对应的实体向量和所有关系对应的关系向量，其中，所述实体包括头实体和尾实体，所述知识图谱包括多个三元组，每个三元组包括头实体、尾实体、以及所述头实体和所述尾实体的关系；

计算模块42，用于针对所述知识图谱中的每个三元组，根据所述实体向量和所述关系向量计算头实体、关系和尾实体的分值；

输出模块44，用于获取待推理的目标问题，采用语言模型根据所述分值输出与所述目标问题匹配度最高的目标答案。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

实施例3

本申请的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，获取知识图谱中所有实体对应的实体向量和所有关系对应的关系向量，其中，所述实体包括头实体和尾实体，所述知识图谱包括多个三元组，每个三元组包括头实体、尾实体、以及所述头实体和所述尾实体的关系；

S2，针对所述知识图谱中的每个三元组，根据所述实体向量和所述关系向量计算头实体、关系和尾实体的分值；

S3，获取待推理的目标问题，采用语言模型根据所述分值输出与所述目标问题匹配度最高的目标答案。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器（Read-Only Memory，简称为ROM）、随机存取存储器（Random Access Memory，简称为RAM）、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本申请的实施例还提供了一种电子设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，获取知识图谱中所有实体对应的实体向量和所有关系对应的关系向量，其中，所述实体包括头实体和尾实体，所述知识图谱包括多个三元组，每个三元组包括头实体、尾实体、以及所述头实体和所述尾实体的关系；

S2，针对所述知识图谱中的每个三元组，根据所述实体向量和所述关系向量计算头实体、关系和尾实体的分值；

S3，获取待推理的目标问题，采用语言模型根据所述分值输出与所述目标问题匹配度最高的目标答案。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。