1.一种基于电商知识图谱的商品信息自动问答方法，具体步骤如下：步骤 1)分析电商知识图谱并理解其每个部分的含义；

步骤2)为电商知识图谱中每个实体和关系分配对应的索引，据此构造索引矩阵；

步骤 3)使用 预训练模型编码用户问题得到问题向量与词向量矩阵，将问题分词并构造屏蔽向量；

步骤 4)初始化实体分数集合；具体包括：创建一个长度为实体种类数量的集合 ，主题实体索引指向的位置填入初始分数 ，其余位置填入初始分数 ，初始化的 表示为：其中 表示实体 的分数，初始化时 ；

步骤 5)通过步骤3)中的问题向量计算问题的过渡向量 ；

步骤 6)通过步骤5)中的过渡向量与前一时刻的特征向量计算问题的整合向量；具体包括：计算当前时刻 电商用户提出的自然语言问题的整合向量：其中 是激活函数,符号 代表向量的拼接，为从1开始的正整数， 代表 时刻的问题特征向量，初始 ， 代表将向量 输入多层感知机并输出 维的向量；

步骤 7)通过步骤3)中的词向量矩阵与屏蔽向量计算问题中每个词的权重分布；具体包括：任选自然语言问题中第 个词，计算当前 时刻问题中第 个词的权重分布其中其中 ， 表示 时刻自然语言问题中的第 个词与问题的相似度，符号代表点乘运算，符号 表示获取向量 的第 个元素， 代表屏蔽向量；遍历自然语言问题中所有的词，计算所有词的权重分布；

步骤 8)通过步骤7)中的权重分布与步骤3)中的词向量矩阵计算问题的特征向量；具体包括：计算当前 时刻问题的特征向量：其中 ，符号 表示将 中的每个元素与 中对应行的全部元素相乘，函数的作用是将矩阵 每列元素相加；

步骤 9) 通过步骤8)中的特征向量计算电商知识图谱中的关系分数矩阵与跳数分数矩阵；具体包括：首先计算电商知识图谱关系分数矩阵：其中的每个元素代表对应关系的分数；之后计算跳数分数矩阵其中每个元素代表对应推理跳跃的分数；

步骤 10)通过步骤2)中的索引矩阵提取电商知识图谱每个三元组头实体、关系与尾实体的索引向量，通过步骤9)中的关系分数矩阵计算每个头实体的分数与每个关系的分数；

具体包括：从 中批量提取电商知识图谱每个三元组头实体、关系与尾实体的索引向量、 和 ,其中 表示提取 矩阵第 列；计算电商知识图谱每个头实体的分数与每个关系的分数其中 分别表示头实体与关系的分数集合； 函数表示从 中提取以值作为索引的分数；

步骤 11) 通过步骤10)中头实体的分数与每个关系的分数计算电商知识图谱的尾实体分数并更新实体分数集合；具体包括：计算当前 时刻的电商知识图谱的尾实体分数集合：其中 代表将 中指向相同尾实体的分数相加， 代表根据尾实体的索引使用中的分数更新 集合中对应元素的分数；

步骤 12)通过步骤9)中的跳数分数矩阵与步骤11)中的实体分数集合计算电商知识图谱中每个实体的最终分数；公式如下：步骤 13) 通过步骤12)中每个实体的最终分数计算模型损失函数；

步骤 14)重复执行步骤6) 步骤13)，当损失小于指定最小损失值后结束计算，最终分数最高的实体就是答案。

2.如权利要求1所述的一种基于电商知识图谱的商品信息自动问答方法，其特征在于：步骤1)具体包括：将具有 个实体和 种关系的电商知识图谱表示为 ，其中 表示电商商品名称、产地、类型和价格组成的电商知识图谱中实体的集合， 表示电商知识图谱中实体之间关系的集合； 表示电商知识图谱中所有三元组 的集合,其中 ,分别表示头实体与尾实体， ，表示 与 之间的关系；

步骤2)具体包括：为电商知识图谱中每个实体和关系分配对应的索引，接着将电商知识图谱中所有的三元组的头实体、尾实体与关系替换为对应的索引，得到三元组索引矩阵；

步骤3)具体包括：使用 预训练模型对电商用户提出的自然语言问题编码得到 维的问题向量 与词向量矩阵 ，利用分词器将用户提出的自然语言问题分词使该问题转化为一个长度为 单词序列 ，找出其中的主题实体并生成用于屏蔽填充标记的屏蔽向量 ，接着从电商知识图谱中找到主题实体。

3.如权利要求1所述的一种基于电商知识图谱的商品信息自动问答方法，其特征在于：步骤5)具体包括：计算电商用户提出的自然语言问题的过渡向量：其中 代表卷积操作； 为激活函数； 代表最大池化操作。

4.如权利要求1所述的一种基于电商知识图谱的商品信息自动问答方法，其特征在于：步骤13)中计算损失函数：

其中 表示所有电商实体的数量，

其中 是可调参数； 代表仅答案实体的值为 的One‑Hot向量。

5.如权利要求1所述的一种基于电商知识图谱的商品信息自动问答方法，其特征在于：步骤14)具体包括：反向传播更新网络参数，重复执行步骤6 步骤13，每执行一次，当 小于指定最小损失值后结束计算，最终分数最高的实体就是答案。