知识数据提供方法、装置、电子设备和存储介质与流程

本公开实施例涉及信息处理技术领域，尤其涉及一种知识数据提供方法、装置、电子设备和存储介质。

背景技术：

目前在web上进行的信息检索主要是利用搜索引擎，进行基于字符的关键字匹配检索。尽管搜索引擎在一定程度上避免了用户浏览网络信息的盲目性，给用户带来了便利，但是这种检索方式的主要问题是在返回大量不相关的结果的同时却又漏掉了一些相关页面，在很大程度上无法满足用户的需求。面对网络信息量的激增，传统的基于信息定位的web信息表示方法，使得现有信息检索面临前文中所述的困难和窘境。

技术实现要素：

本公开实施例提供了一种信息处理技术方案，用于基于智能语义分析的技术提供知识数据，以在信息搜索中智能、准确地提供用户实际查询的知识信息。

根据本公开实施例的第一方面，提供一种知识数据提供方法，包括：获取查询请求语句；对所述查询请求语句进行分词处理，获取至少一个查询词；从扩展词典分别获取与各个所述查询词对应的扩展关键词，所述扩展词典包括多个查询词的扩展关键词以及作为实体词的查询词的类别信息；将获取到的各个所述查询词或其对应的扩展关键词的组合分别与多个语义匹配表达式进行匹配，获取查询意图的信息；从知识库获取与所述查询意图对应的知识数据；提供所述知识数据。

可选地，所述查询意图包括知识主题和知识属性的信息。

可选地，所述知识库中的各条知识数据存储为包含知识主题、知识属性和相应的知识答案的三元组。

可选地，所述扩展关键词包括查询词的至少一种以下词语：同义词、替代用词、标准用词和上位词。

可选地，所述语义匹配表达式包括单个作为实体词的第一匹配关键词或单个实体对象类别的信息，并且与所述语义匹配表达式对应的查询意图的信息包括与所述匹配关键词或实体对象类别对应的知识主题和所述知识主题的预设属性的信息。

可选地，所述语义匹配表达式还包括至少一个第二匹配关键词，并且与所述语义匹配表达式对应的查询意图的信息包括与所述匹配关键词或实体对象类别对应的知识主题以及与所述至少一个第二匹配关键词对应的知识属性的信息。

根据本公开实施例的第二方面，提供一种知识数据提供装置，包括：请求获取模块，用于获取查询请求语句；请求分词模块，用于对所述请求语句获取模块获取的查询请求语句进行分词处理，获取至少一个查询词；请求扩展模块，用于从扩展词典分别获取与所述请求获取模块获取到的各个所述查询词对应的扩展关键词，所述扩展词典包括多个查询词的扩展关键词以及作为实体词的查询词的类别信息；请求匹配模块，用于将所述请求扩展模块获取到的各个所述查询词或其对应的扩展关键词的组合分别与多个语义匹配表达式进行匹配，获取查询意图的信息；知识数据获取模块，用于从知识库获取与所述请求匹配模块匹配得到的查询意图对应的知识数据；知识数据提供模块，用于提供所述知识数据获取模块获取的知识数据。

可选地，所述查询意图包括知识主题和知识属性的信息，所述知识库中的各条知识数据存储为包含知识主题、知识属性和相应的知识答案的三元组。

可选地，所述扩展关键词包括查询词的至少一种以下词语：同义词、替代用词、标准用词和上位词。

根据本公开实施例的第三方面，提供一种电子设备，包括：处理器和存储器；所述存储器用于存放至少一个可执行指令，所述可执行指令使所述处理器执行任一前述知识数据提供方法的步骤。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有可执行指令，所述可执行指令使所述处理器执行任一前述知识数据提供方法的步骤。

通过本公开提供的知识数据提供方案，能够对以自然语言的方式提出的查询请求进行理解、分析，通过构建的语义理解框架对从查询请求提取的关键信息进行需求匹配，并且根据匹配得到的查询意图，提供知识库中的相应知识数据，从而能够为查询用户提供准确地匹配到其查询意图的知识数据。

附图说明

图1是示出构建语义理解框架的示例性处理的示意图；

图2示出了以疾病类别作为知识主题的示例性知识图谱；

图3是示出根据本公开的示例性实施例的知识数据提供方法的处理的流程图；

图4是示出图3中的示例性知识图谱以及知识数据的查找路径的示意图；

图5～图7分别示出根据本公开的示例性实施例的知识主题、知识属性以及知识答案的示意图；

图8是示出根据本公开的知识数据提供装置的逻辑框图；

图9是示出根据本公开一些实施例的电子设备的结构示意图。

具体实施方式

下面结合附图(若干附图中相同的标号表示相同的元素)和实施例，对本公开实施例的具体实施方式作进一步详细说明。以下实施例用于说明本公开，但不用来限制本公开的范围。

本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。

本公开旨在将非结构化的自然语言进行结构化描述，以构建知识库，并且基于语义理解规则来提供知识库中的知识数据。为此，需要对用于构建知识库的各种语料进行分析和组织，并且建立包括知识库以及语义理解规则的一整套用于提供知识数据的语义理解框架。

为了构建该语义理解框架，需要海量的知识语料来构建实际存有知识数据的知识库、用于对查询需求进行准确的语义匹配的语义匹配规则库以及用于对查询需求中的词语进行扩展和语义匹配所需的扩展词典。

以下将参照图1描述用于基于海量知识语料来构建语义理解框架的一种示例性处理。

文本分词

基于规则与统计相结合的分词技术，将语料的汉字序列切分成有意义的词，采用正向最大分词技术和二次扫描技术，在保证分词效率的同时，可以发现绝大多数的交集型分词歧义。基于实例的切分歧义处理技术，对歧义进行准确处理，并使系统具有良好的可扩充性。

实体识别

在文本分词的基础上，自动抽取语料中的各种实体。采用隐马尔可夫(hmm)模型进行命名识别和词性标注：在词典分词的基础上，采用底层隐马模型识别出普通无嵌套的实体，并依次采取高层隐马模型识别出复杂嵌套实体；然后将识别出的未登录词以科学计算出来的概率加入到基于类的切分隐马模型中，未登录词与歧义均不作为特例，与普通词一起参与各种候选结果的竞争。

词典挖掘

结合已经积累的专业词典，通过自动挖掘技术挖出一些新词汇，形成最终的大词典，自动挖掘主要包括领域词发现和新词发现两个方向。

领域词发现基于未标注语料的领域词汇自动抽取方法。该方法主要分三步进行：首先，在分词的基础上，计算语料库中词语之间结合的“紧密程度”，根据阈值过滤；然后对语料进行统计，得到词语的特征；最后，我们利用svm机器学习方法，根据词语的特征对词语进行分类得到领域词汇。

新词发现包括实体词获取与非实体词获取。

实体词获取：本文采用了的层叠隐马尔可夫模型(cascadedhiddenmarkovmodel,简称cascadedhmm)在统一的隐马尔可夫模型中来识别各类命名实体，并在这些隐马尔可夫模型中建立起一定的联系，形成一个一体化的命名实体识别系统。

此外，对于获取的实体词，还标注各个实体词的类别信息。例如，对实体词“中秋节”，标注其类别为节日；对实体词“北京”，标注其类别为地名。

非实体词获取：采用nagao算法进行字串频率统计，统计出现频率大于一定值的n到m元的字串；然后以一定策略进行子串归并，长串归并掉短串，初步过滤掉候选串中的垃圾；最后综合三种策略，对候选串进行最后的过滤，得到高频词串，采用通用度过滤、iwp过滤、互信度滤以及首尾字过滤等手段进行垃圾串的过滤工作，最后得到候选的非实体子串(非实体词)。

将获取的实体词(及其类别信息)和非实体词存入扩展词典。

同义关系获取

对于同义词自动识别的研究，按采用的技术路线来划分，主要可分为基于字面相似度、基于语义词典、基于大规模语料库的词汇同现关系、基于检索日志等。

如果两个词位中，一个词位是另一个词位的次类，那么就说它们之间存在上下位关系(hyponymy)或层次关系。car(小汽车)和vehicle(交通工具)间的关系就是一种上下位关系。上下位关系是不对称的，我们把特定性较强的词位称为概括性较强的词位的下位词(hyponym)，把概括性较强的词位称为特定性较强的词位的上位词(hypernym)。因此，我们可以说，car是vehicle的下位词，而vehicle是car的上位词。该上位词又可作为car的类别。

层级语义关系构建的目标是挖掘词语之间的上位词-下位词(is-a)的关系。层级关系识别的方法包括：基于模式抽取的方法、基于词向量(distributedrepresentation)的方法、基于统计学的方法等。

此外，还为一些非规范、标准的词语设置标准词语，并且适应语言的自然表达方式，为词语设置相应的一个或多个替代用词。

将挖掘获得的同义词、替代用词、标准用词和上位词也存入扩展词典。

例如，针对艾滋病的病患，可设置以下三组扩展关键词：

aids病人；hiv患者；患爱滋病的人；患者；有艾滋病的人；爱滋病人；爱滋病患者；爱滋病病人；病人；病患者；艾斯病患者；艾滋患者；艾滋病人；艾滋病患；艾滋病患者；艾滋病病人；艾滋病病者；艾滋病的病人；艾滋病者，这组词表示艾滋病人，这组扩展关键词的每个词都是同义词关系。

hiv感染者；hiv病毒感染者；感染了艾滋病毒者；感染者；艾滋感染者；艾滋病感染者；艾滋病毒感染者；艾滋病病毒感染者，这组扩展关键词表示艾滋病感染者。

hiv携带者；携带者；爱滋病毒携带者；爱滋病病毒携带者；艾滋病携带者；艾滋病毒携带者；艾滋病病毒携带者；艾滋病的携带者，这组词扩展关键表示艾滋病毒的携带者。

这些方法之间存在一定的互补性，因此，为了提升层级语义关系识别的准确性，本系统采用了多种方法相互结合的方法识别层次语义关系。

知识图谱构建

知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它把复杂的知识领域通过数据挖掘、信息处理、知识计量和图形绘制而显示出来，揭示知识领域的动态发展规律。

图2示出了以疾病类别作为知识主题的示例性知识图谱。如图2所示的知识图谱中，一级节点是$疾病，它包含4条索引路径，根据这4条路径可以找到4个二级节点，分别是检测、预防、药物、治疗。每个二级节点又有若干路径索引到3级节点。对于艾滋病的最佳治疗方法这个问题，分词结果是【艾滋病】【最佳】【治疗】【方法】，通过词典扩展后的分词结果是【$疾病】【最佳】【治疗】【方法】，将这个分词结果送到语义库的空间结构中，检索得到的路径是【$疾病】【治疗】【方法】。

知识图谱是一个结构化的语义知识库，其组成单位是“实体－关系－实体”三元组，用于以符号形式描述物理世界中的概念及其相互关系。从知识查询和提供的角度来说，所述知识库中的各条知识数据为包含知识主体、知识属性和知识答案的三元组形式。

语言歧义性给搜索带来了困难。例如当用户输入查询词“tajmahal”，传统搜索引擎无法理解用户想要查询的是纪念陵墓还是位音乐家。知识图谱智能搜索将所有这些可能性归纳分组，用户只需要点击其中一组即可看到针对特定含义的所有搜索结果。

由此，可构建包括知识数据的知识库以及包括多个词语的扩展词以及作为实体词的词语的类别信息的扩展词典。其中，所述扩展词可包括，但不限于，查询词的至少一种以下词语：同义词、标准用词和上位词。

此外，还需要构建用于需求的语义匹配的语义匹配规则库。具体地，在语义匹配规则库存有多个语义匹配表达式。

语义匹配表达式的构建

语义理解是基于语义匹配表达式，通过关键术语来匹配用户的查询需求。由于语义匹配规则(如语义匹配表达式)中每个语义要素都具有前后方向的关联性，因此相较于无方向的关键词，用语义匹配规则来描述意图更加准确。

例如，中秋节放假的三个问题，“中秋节怎么放假？”，“中秋节几号放假？”，“中秋节放假几天？”，可定义如下3个语义匹配表达式：

【中秋节】【怎么】【放假】

【中秋节】【几号】【放假】

【中秋节】【放假】【几天】

定义语义匹配表达式的目的是为了将相同问题的不同问法进行抽象，通过问句中的关键术语概括问句意图，因此表达式最好尽量的简单，可覆盖问题尽可能多。所以将上例中的表达式进一步简化为：

【中秋节】【放假】

前述表达式可作为一个简单的语义匹配表达式，用于匹配查询中秋节放假的信息。其中，包括实体词的【中秋节】用于匹配出知识主题，包括匹配关键词的【放假】用于匹配出与知识主题相应的属性的信息，即中秋节的放假信息。但是，端午节、国庆节、春节这些节日有着通用的属性，为了继续扩大表达式的覆盖范围，可以将这些节日抽象为一个实体对象类别，如下所示：

【$节日】【放假】

其中，【$节日】表示一个实体类别，可匹配到中秋节、端午节、国庆节、春节等任何节日。当输入“中秋节怎么放假？”，匹配结果如下：

语义匹配表达式：【$节日】【放假】

匹配实体：{$节日：中秋节}

匹配意图：【中秋节，放假安排】

在前述匹配表达式中，包括实体对象类别的【$节日】用于匹配出知识主题，包括匹配关键词的【放假】用于匹配出与知识主题相应的属性的信息，即端午节的放假安排。

当输入“中秋节如何休假？”。

【$节日】【放假】≠【$节日】【休假】

这时需要将“放假”与“休假”定义为同义词组【放假；休假】，通过同义词扩展表达式的覆盖范围。

【$节日】【放假】＝【$节日】【休假】

以下描述语义匹配表达式的几种示例性表示形式。

1)包含单个作为实体词的第一匹配关键词或单个实体对象类别

示例：

语义匹配表达式：【艾滋病宣传日】

匹配出的查询意图：【艾滋病预防，艾滋病日】

其中，知识主题为“艾滋病预防”，知识属性为“艾滋病日”。

这里，语义匹配表达式仅包括单个匹配关键词，在此称为“第一匹配关键词”，以与下文中的“第二匹配关键词”相互区分。

示例：

语义匹配表达式：【$合成毒品】

匹配出的查询意图：【艾滋病预防，新型毒品种类】

其中，知识主题为“艾滋病预防”，知识属性为“新型毒品种类”。

这里，语义匹配表达式仅包括单个实体对象类别的信息，即“合成毒品”。

2)包含单个作为实体词的第一匹配关键词或单个实体对象类别以及至少一个第二匹配关键词

示例：

语义匹配表达式：【$信用卡】【打折】

匹配出的查询意图：【$信用卡，优惠项目】

示例：

语义匹配表达式：【艾滋病宣传日】【几号】

语义匹配表达式：【艾滋病宣传日】【防】

语义匹配表达式：【艾滋病宣传日】【青少年】

均可用于匹配出查询意图：【艾滋病预防，艾滋病日】

示例：

语义匹配表达式：【老年】【$患者】【免疫】

语义匹配表达式：【老年】【$患者】【特点】

语义匹配表达式：【老年】【$患者】【症状】

均可用于匹配出查询意图：【艾滋病症状，老年感染者症状特点】

以下将参照图3具体描述基于前述语义理解框架的知识数据提供方法的处理。可在网络的客户端或服务器端执行该方法的处理。

参照图3，在步骤s310，获取查询请求语句。

具体地，可例如通过客户端应用或浏览器界面接收用户输入的查询请求语句。如果在服务器端执行该方法，则服务器可从客户端应用或浏览器应用接收该查询请求语句。该查询请求语句可以是自然语言表达的用户查询需求，如“北京天气怎样？”、“大盘鸡的营养成分如何？”等。

在步骤s320，对所述查询请求语句进行分词处理，获取至少一个查询词。

可使用任何适用的文本分析技术，或者使用前述基于规则与统计相结合的分词技术，将查询请求语句切分成有意义的查询词，如“北京”、“天气”、“怎样”、“大盘鸡”等。

在步骤s330，从扩展词典分别获取与各个所述查询词对应的扩展关键词，所述扩展词典包括多个查询词的扩展关键词以及作为实体词的查询词的类别信息。

如前所述，扩展关键词包括查询词的至少一种以下词语：同义词、替代用词、标准用词和上位词等。因此，在该步骤，可将分词处理获得的各个查询词与扩展词典中的扩展词分别进行匹配，得到与各个查询词对应的扩展关键词。其中，对于性质为实体词的扩展关键词，还可获得其类别信息。

例如，对于查询词“榕城”，可提供其同义词“福州”；对于查询词“小轿车”，可提供其上位词“机动车”，并且提供其类别信息“车辆”；对于查询词“好吃吗”，可提供标准用词“味道”等。

在步骤s340，将获取到的各个所述查询词或其对应的扩展关键词的组合分别与多个语义匹配表达式进行匹配，获取查询意图的信息。

例如，假设在步骤s330获取到的扩展关键词为“端午节”及其类别“节日”以及“放假”、“休假”，则可通过其与【$节日】【放假】、【$节日】【休假】之一匹配得到查询实体为作为节日的端午节，意图为放假(时间、规定)等。

以下将说明若干步骤s310～s340处理的示例。

示例：

输入的查询请求语句：“珠穆朗玛峰”

分词处理得到的查询词：“珠穆朗玛峰”

语义匹配表达式：【$山峰】

匹配得到的查询意图：【珠穆朗玛峰，简介】

示例：

输入的查询请求语句：“珠穆朗玛峰有多高？”

分词处理得到的查询词：“珠穆朗玛峰”、“高”

扩展关键词：“珠穆朗玛峰”、“高度”

语义匹配表达式：【$山峰】【高度】

匹配得到的查询意图：【珠穆朗玛峰，高度】

示例：

输入的查询请求语句：“广发one卡的打折信息”

分词处理得到的查询词：“广发one卡”、“打折”、“信息”

扩展关键词：“$信用卡”

语义匹配表达式：【$信用卡】【打折】

匹配得到的查询意图：【广发one卡，优惠项目】

在如前处理获得查询意图的信息之后，执行步骤s350。

可见，匹配得到的查询意图包括知识主题和知识属性的信息。

在步骤s350，从知识库获取与所述查询意图对应的知识数据。

具体地，在存储有多个包含知识主题、知识属性和相应的知识答案的三元组的知识库中，查找与该查询意图对应的知识数据。

图4是示出图3中的示例性知识图谱以及知识数据的查找路径的示意图。以下将参照图4示出的示例描述步骤s350的处理。

假设从步骤s340获得的查询意图为【艾滋病，治疗】，则先查找到“$疾病”节点。由于“$疾病”的子节点包括【检测、预防、药物、治疗】，则将查询意图中的“治疗”属性分别与四个子节点进行匹配，直到匹配到子节点“治疗”为止。此后，调取知识库中知识主题艾滋病的治疗属性的属性值，例如有关艾滋病的治疗方法的内容。

此外，图5～图7分别示出知识主题、知识属性以及知识答案的示意图。在步骤s360，提供所述知识数据。

可通过文本显示、语音播放、视频播放或网络发送等任一或多种方式提供获取到的知识数据。

以下参照图8描述根据本公开实施例的知识数据提供装置。

参照图8，根据本公开一些实施例的一种知识数据提供装置800包括：

请求获取模块810，用于获取查询请求语句；

请求分词模块820，用于对请求语句获取模块810获取的查询请求语句进行分词处理，获取至少一个查询词；

请求扩展模块830，用于从扩展词典分别获取与请求获取模块820获取到的各个所述查询词对应的扩展关键词，所述扩展词典包括多个查询词的扩展关键词以及作为实体词的查询词的类别信息；

请求匹配模块840，用于将请求扩展模块830获取到的各个所述查询词或其对应的扩展关键词的组合分别与多个语义匹配表达式进行匹配，获取查询意图的信息；

知识数据获取模块850，用于从知识库获取与请求匹配模块840匹配得到的查询意图对应的知识数据；

知识数据提供模块860，用于提供知识数据获取模块850获取的知识数据。

其中，所述查询意图包括知识主题和知识属性的信息，所述知识库中的各条知识数据存储为包含知识主题、知识属性和相应的知识答案的三元组。

可选地，所述扩展关键词包括查询词的至少一种以下词语：同义词、替代用词、标准用词和上位词。

知识数据提供装置800具有与任一前述知识数据提供方法实现的有益效果，在此不予赘述。

本公开实施例还提供了一种电子设备。图9是示出根据就本公开实施例的电子设备900的结构示意图。该电子设备900可以是例如移动终端、个人计算机(pc)、平板电脑、服务器等。

如图9所示，电子设备900可以包括存储器和处理器。具体地，电子设备900包括一个或多个处理器、通信元件等，所述一个或多个处理器例如：一个或多个中央处理单元(cpu)901，和/或一个或多个图像处理器(gpu)913等，处理器可以根据存储在只读存储器(rom)902中的可执行指令或者从存储部分908加载到随机访问存储器(ram)903中的可执行指令而执行各种适当的动作和处理。通信元件包括通信组件912和/或通信接口909。其中，通信组件912可包括但不限于网卡，所述网卡可包括但不限于ib(infiniband)网卡，通信接口909包括诸如lan卡、调制解调器等的网络接口卡的通信接口，通信接口909经由诸如因特网的网络执行通信处理。

处理器可与只读存储器902和/或随机访问存储器903中通信以执行可执行指令，通过通信总线904与通信组件912相连、并经通信组件912与其他目标设备通信，从而完成本公开实施例提供的任一项图像处理方法对应的操作，例如，获取查询请求语句；对所述查询请求语句进行分词处理，获取至少一个查询词；从扩展词典分别获取与各个所述查询词对应的扩展关键词，所述扩展词典包括多个查询词的扩展关键词以及作为实体词的查询词的类别信息；将获取到的各个所述查询词或其对应的扩展关键词的组合分别与多个语义匹配表达式进行匹配，获取查询意图的信息；从知识库获取与所述查询意图对应的知识数据；提供所述知识数据。

此外，在ram903中，还可存储有装置操作所需的各种程序和数据。cpu901或gpu913、rom902以及ram903通过通信总线904彼此相连。在有ram903的情况下，rom902为可选模块。ram903存储可执行指令，或在运行时向rom902中写入可执行指令，可执行指令使处理器执行上述通信方法对应的操作。输入/输出(i/o)接口905也连接至通信总线904。通信组件912可以集成设置，也可以设置为具有多个子模块(例如多个ib网卡)，并在通信总线链接上。

以下部件连接至i/o接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如lan卡、调制解调器等的网络接口卡的通信接口909。驱动器910也根据需要连接至i/o接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

需要说明的，如图9所示的架构仅为一种可选实现方式，在具体实践过程中，可根据实际需要对上述图9的部件数量和类型进行选择、删减、增加或替换；在不同功能部件设置上，也可采用分离设置或集成设置等实现方式，例如gpu和cpu可分离设置或者可将gpu集成在cpu上，通信元件可分离设置，也可集成设置在cpu或gpu上，等等。这些可替换的实施方式均落入本公开的保护范围。

本公开实施例的电子设备可以用于实现上述实施例中相应的图像处理方法，该电子设备中的各个器件可以用于执行上述方法实施例中的各个步骤，例如，上文中描述的图像处理方法可以通过电子设备的处理器调用存储器存储的相关指令来实现，为了简洁，在此不再赘述。

根据本公开实施例，上文参考流程图描述的过程可以被实现为一种计算机程序产品。例如，本公开实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行流程图所示的方法的程序代码，程序代码可包括对应执行本公开实施例提供的方法步骤对应的指令，例如，用于获取查询请求语句的指令；用于对所述查询请求语句进行分词处理，获取至少一个查询词的指令；用于从扩展词典分别获取与各个所述查询词对应的扩展关键词的指令，所述扩展词典包括多个查询词的扩展关键词以及作为实体词的查询词的类别信息；用于将获取到的各个所述查询词或其对应的扩展关键词的组合分别与多个语义匹配表达式进行匹配，获取查询意图的信息的指令；用于从知识库获取与所述查询意图对应的知识数据的指令；用于提供所述知识数据的指令。在这样的实施例中，该计算机程序可以通过通信元件从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器执行时，执行本公开实施例的方法中公开的功能。

可能以许多方式来实现本公开的方法和装置、电子设备和存储介质。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开实施例的方法和装置、电子设备和存储介质。用于方法的步骤的上述顺序仅是为了进行说明，本公开实施例的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开实施例的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开实施例的方法的程序的记录介质。

本公开实施例的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式，很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。