千百年来,智力运动以其特有的人文魅力吸引着人民群众,在智力运动中,非完备信息博弈占据了相当大的比例,比如说常见的麻将、桥牌等,爱好者众多。目前非完备信息博弈知识多以书籍或人们口口相传的形式存在,非完备信息博弈爱好者无法快速准确获取到相关知识。同时,在人工智能决策过程中,存在着系统信息不透明的问题,使得决策的结果是正确的,但却无法被理解。为解决以上问题,本文提出并实现了基于知识图谱的非完备信息博弈智能问答与决策解释系统,完成的工作可分为以下几部分:1.设计构建非完备信息博弈领域知识图谱。从逻辑上将非完备信息博弈领域知识图谱构建分为模型层和数据层两个层次。模式层方面,基于自顶向下的思想,分析获取到的非完备信息博弈领域数据,确定非完备信息博弈知识图谱中的实体以及实体之间的关系,使用protégé工具进行本体建模。数据层方面,针对于非完备信息博弈知识图谱人工构建代价过大的问题,对获取到的不同类型的数据进行知识抽取,对于非结构化数据,考虑到非完备信息博弈数据存在实体重叠的问题,通过先抽取头实体,然后利用传过来的头实体预测关系和尾实体的方法进行关系抽取,使用BERT作为整个模型的架构。将抽取出来的知识通过数据审核后,使用Neo4j图数据库进行存储。2.基于知识图谱的非完备信息博弈智能问答处理方法。通过基于信息抽取的方法进行智能问答,将问答分为命名实体识别、候选路径生成、候选路径排序等几个子任务。采用基于BERT-BiLSTM-CRF模型进行实体识别,与传统的CRF、BiLSTM-CRF实体识别模型进行对比,该模型F1值分别提高了11.77%、6.39%,达到88.40%。通过Cypher查询语句生成候选路径。根据无监督的语义匹配模型对路径进行排序,将得分最高且得分超过预定阈值的路径生成相应的查询语句,在知识图谱中进行检索,获取答案返回给用户。自测表明,该方法答案查询准确率为76.50%。3.基于知识图谱实现非完备信息博弈智能决策的可解释性。针对智能决策模型难以解释的问题,将知识图谱与项目组研发的知一决策模型相结合,实现对于知一决策模型决策结果的解释。首先提取知一决策模型中的关键决策信息导入到知识图谱中,针对用户询问的有关解释类的问题,使用之前构建的命名实体识别模型进行识别。采用基于BERT模型进行意图识别,理解用户询问的意图,该模型F1值为95.06%,具有很好的效果。根据识别出来的实体和用户意图,在知识图谱中进行逻辑推理和检索,获取到相关解释内容。同时,还可以将知识图谱中原有的博弈口诀或博弈技术一并返回给用户。4.基于知识图谱的非完备信息博弈智能问答解释系统设计与实现。结合已经嵌入知一决策模型的Android客户端实现问题的输入和答案的展示以及决策信息的获取,以基于Python的Flask框架完成服务端的开发,两者结合实现了非完备信息博弈智能问答与决策解释系统。