微内核操作系统采用了哪些技术,微内核方法设计操作系统的优点

　　KBQA问答系统的实现首先默认你已经学会了如何构建知识图谱，如何用sparql语言查询知识库中的知识。如果没有，请查看下面的链接。

　　D2RQ用于将关系数据库的信息转换成rdf文件。

　　用jena构建知识库tdb，然后学习如何查询相关知识。

　　源代码在GitHub上。

　　目录结构很简单：

　　知识图谱问答系统

　　/kbqa中有四个文件，它们是

　　Word_tag.py ##这个主要用于分词。

　　Question_temp.py ##这是一个问题模板

　　Question2sparql.py ##这个用来把问题变成sparql语句。

　　Query_main.py ##显然这是最终的查询文件。

　　另一个文件是：lsy.nt这是知识rdf的三元组，问答系统的知识源。

　　首先，把句子切割成单词，这是word_tag.py的工作

　　本文主要利用斯坦福大学的stanfordcorenlp。

　　在使用这个包之前，你应该先下载一些东西。

　　斯坦福CoreNLP官网下载

stanford-corenlp-full-2018-10-05

　　1.先下载红色按钮，解压，然后把下面下载的jar包放进去。

　　2.使用说明安装pip install stanfordcorenlp。

　　这里需要介绍的是，实现了一个类word，用token(标记)和pos(词性)两个属性来表示一个词汇。

　　Nlp.pos_tag(sentence)将返回元组列表，即单词及其词性。

　　这样就可以把句子分段了。

　　二、问题模板的构建首先基于知识库，我们可以有以下几个问题

　　littlejun叫什么名字？‘查查的年龄是多少？’，scc的用户名是什么？’、‘谁的年龄大于18岁？’，‘查查的电话号码是多少？’，‘小君的密码是什么？’] sparql的模板最终由以下模式组成

　　#问题模板prefix _ TEMP= prefix PS:http://soli cucu/person/# prefix US:3358 soli cucu/user/# prefix vocab:3358 soli cucu/vocab/ SPARQL _ select _ TEMP=U { prefix } SELECT DISTRICT { SELECT } WHERE { { expression } } 那么值得注意的是我们只需要完成SELECT和expression的填充即可。

　　它与这个确切的问题有关，所以我们要做的是，我们如何知道进来的问题属于哪个句子？

　　o(对象的正则表达式)是基于对象级的正则匹配，和python的正则表达式非常相似。

　　 ab 是Literal(a) Literal(b)a* 是Star(Literal( a )(ab)(bb)*？is:a=literal( a )b=Literal( b )regex=plus(a b) star(b b，greedy=false)如上所述，Literal是一个Literal类，那些类支持一些基本的符号：连接的含义。

　　表示或，

　　python正则表达式的个数用加号()代替，表示一对多。

　　python正则表达式的*号换成了星号()，表示0到1以上。你可以选择是否采用贪婪模式。

　　因此，词汇的定义非常重要：

　　#定义一个继承谓词类W(谓词)的词汇类：# token的文字符号。属性def __init__(self，token=。“*”的位置词汇，位置=“。*):self . token=re . pile(token $ )self . pos=re . pile(pos $ )super(w，self)。_ _ init _ _ (self.match) #必不可少的def match(self，Word):m1=self . token . match(Word . token)m2=self . pos . match(Word . pos)谓词返回m1和m2的定义，这是一个继承了predict (from refo)的类，并定义了另一个正则匹配对象属性。

　　匹配功能，表面上，对于输入的词，必须同时满足标记和词性。

　　#定义一些规则，相当于正则表达式类Rule(object)的某个模式匹配的条件和条件的个数：#，以及动作回调函数def _ _ init _ _ (self，condition _ num，condition=none，action=None):assert condition和action self . condition=condition self . action=action self . condition _ num=condition _ numdef apply(self，Word_list):#因为有很多可能的条件，所以使用matches列表存储匹配=[]#使用条件查找匹配的单词。finditer使用yeild，就是每次找到一个就返回一个结果。寻找#可以理解为Finder返回的值可以在Finder中迭代m(self。condition，word _ list): i，j=m . span()matches . extend(word _ list[I:j])#要提取匹配的句子区间并画出来，可能还有return self等其他杂词。行动(匹配)和自我。条件编号规则类。首先，必须有两个参数，condition和action，以指示该规则的适用条件(对象正则表达式)和操作(回调函数)。

　　注意里面finditer返回的对象是Match对象，匹配范围由span()获取

当谓词定义好了，规则定义好了，就可以写匹配规则了。

　　#疑问代词关键字whowhatwhat=(W( what ) W( what ))whoser=(W( who ) W( of )number _ entity=W(pos= CD )# attribute关键字name=W( name )phone=W( phone )age=W( age )password=W( password )attr _ noun=(username name phone age password)# Common _ noun=W(pos=pos _ Common _ noun)看上面。定义的词汇，什么可以匹配大写或小写，因为what=(w ("what") w ("what "))

　　所以一个谓词，可以是多个谓词的OR，也可以只有一个谓词，匹配一个固定的单词。

　　Number _ entity=w (pos="CD ")这里定义了一个数值谓词。因为我们不关注它的值，所以把属性指定为“CD”就好了。至于为什么是“cd”

　　详见standfordcorenlp的英文词性标注。

　　Attr_noun:表示属性名词。在这个知识库中，主要涉及的属性名词如上。

规则定义

　　rules=[# sb-uname的名字是什么？#什么是sb-uname时代？# s b-uname的用户名是什么？# sb-uname的电话号码是多少？# sb-name的密码是什么？Rule(condition_num=4，condition=what Star(Any()，greedy=False) attr_noun Star(Any()，greedy=False)of common _ noun Star(Any()，greedy=False)，action=question set . process _ attr _ noun)，#谁的年龄大于18？Rule(condition_num=4，condition=who attr _ noun Star(Any()，greedy=False) compare Star(Any()，greedy=False)number _ entity Star(Any()，Greedy=False)，action=questions set。Who _ age _ compare)]这里只有两个规则：第一个匹配上面五个问题，第二个匹配上面的问题。

　　第一个参数condition_num:这是我们在条件中关注的单词数。比如我们要匹配的第一个是what attr_noun(即姓名、年龄等五个名字中的一个)，那么common_noun就是3。

　　第二个参数条件：

　　这里可以看出，加了几个谓语，也就是前面说的，表示连接，所以条件表达式的意思是

　　任何句型都是：什么/什么…姓名/年龄/用户名/密码/电话… of comommn _ noun …

　　所以才符合上面那句话。

　　第三个参数动作：

　　回调函数，rule中有这样一个属性，是apply后匹配就会调用的函数。

　　这里，它指向一个问题集。Process _ attr _ noun函数，可以继续确定是哪个规则。

提取词汇，填充模板

　　# 1 sb-uname叫什么？def what _ name(word _ list):# if(len(word _ list)):# print(成功匹配问题)# for w in word _ list:# print(w . token，end= )sparql=Noneselect=？颠倒的w的"名称"(单词列表):#找到第一个普通名词if(w . pos==pos _ common _ noun):e= PS:{ person } vocab:person _ name？姓名格式(person=w . token)SPARQL=SPARQL _ select _ temp。format(prefix=prefix _ temp，select=select，expression=e)breakreturn sparql首先是对挑选赋值，确定要查询的变量，比如这里就是？名字就是要查询的变量

　　最终要的是确定表达式的变量，这里是：

ps:{person} vocab:person_name ?name

　　表示某人的名字是什么，这个某人就会是单词列表从后往前的一个名词，所以，找到之后，就可以破裂退出了。

　　然后返回，对应的查询语言语句

　　三、把句子转化为查询语言语句def get _ SPARQL(句子):word _ list=word _ tag。对于question _ temp中的规则，get _ word _ list(sentence)query=None queries _ dict=dict()。规则：查询，数量=规则。apply(word _ list)if(query not None):query _ dict[num]=query if len(queries _ dict)==0:return None elif len(queries _ dict)==1:#要转化为目录才可以用索引访问返回列表(查询_字典。values())[0]否则：# key就是对多元组的排序指定列项目的名字随便，表示列表的元素，项目[0]表示那个值sorted _ dict=sorted(query _ dict。ITER项()，key=lambda项：item[0]，reversed=True)返回sorted_dict[0][1]上面，就是对句子去匹配每一个规则，放到一个字典里面。

　　如果长度为0,那么就是没有匹配，如果长度为一那么就是只匹配到一个句子，直接取第0个值，但是注意要转化为列表的形式才可以用索引访问。

　　如果长度大于一的时候，就对字典排序，按照键的大小排序，从大到小，也就是取匹配到关键字最多的一个。

　　四、访问端点，显示查询结果包装器( http://localhost:3030/db/query )。setreturnformat(JSON)if _ _ name _ _= _ _ main _ _ :# sentence= SCC的用户名是什么？while True:句子=输入(请输入问题？input quit to leave n )# print( question:，sentence)if(sentence== quit ):break str _ SPARQL=q2s。get _ SPARQL(句子)if(str _ SPARQL not None):SPARQL。set query(str _ SPARQL)results=SPARQL。查询().convert()head=results[ head ][ vars ]values=results[ results ][ bindings ]#存储的结果if(len(values)==0):print(无相关答案)else:print(答案为：，end= )为v in values: #对于所有值，通过变量名获取其值对于头中的varname:print(v[varname][ value ])else:print(对不起，我不能理解你的意思)这里要注意的就是，我们查询的变量名存在结果["head"]["vars"]

　　对应的值存在结果["结果"]["绑定"]结果是一个个字典