基于深度神经网络的关系推理方法、装置及设备制造方法及图纸

本申请公开了一种基于深度神经网络的关系推理方法，能够在获取样本句后，构建由多个词语组成的句法依赖树，进而分别提取句法依赖树在最短依赖路径上的主干特征，以及在非最短依赖路径上的辅助特征，最终根据预设融合规则对主干特征和辅助特征进行特征融合，并根据融合结果得到关系推理结果。可见，该方法分别提取句法依赖树在最短依赖路径和非最短依赖路径上的特征，并对二者进行特征融合，由于辅助特征对推理结果具有一定辅助作用，因此通过有效利用句法依赖树的主干特征和辅助特征，显著提升了关系推理的准确度。此外，本申请还提供了一种基于深度神经网络的关系推理装置、设备及计算机可读存储介质，其作用与上述方法相对应。

【技术实现步骤摘要】
基于深度神经网络的关系推理方法、装置及设备
本申请涉及计算机领域，特别涉及一种基于深度神经网络的关系推理方法、装置、设备及计算机可读存储介质。
技术介绍
知识图谱是一种新兴的技术，搜索引擎一般用它来增强其搜索引擎功能的知识数据库，其本质为语义网络，是一种从图泛化出来的数据结构。知识图谱由节点和边构成，节点主要表示实体或者概念，边表示属性和关联关系。知识图谱是关系非常有效的表示方式，它将庞大的不同种类的各种信息都连接在了一个空间结构的图中，形成了一个关系网络。其中，知识的关联是非常重要的信息，一般采用知识关联推理模型来预测实体之间的关系。目前，现有的构建知识关联推理模型的方法一般采用监督的形式来构建生成，采用样本去训练网络。传统的监督方法有基于特征的方法和核函数方法，但是基于特征的方法需要人工提取出大量的特征，工作量大也很难找到最佳的特征集，这样模型很难得到好的结果。而核函数的方法在很大的程度上取决于内核的设计，需要其采集所有的信息。最近提出的神经网络，有着自动学习提取特征的模型中参数的优点，之后便出现了将深度神经网络模型应用到知识关系推理。关系网络(RelationalNetwork)设计出来用于实现实体间的关系的推理，方式是将所有实体对都输入到多层感知器(MLP)中结合需要回答的问题，最后预测出实体间的关系。这些深度神经网络的表现相对于传统的方法效果提升的很大，但是还存在着一些不足。其中，关系网络将所有实体对输入了网络中去，导致一方面关联度低甚至是没有关联的实体对也占用了大量的计算资源，造成了计算资源的浪费，另一方面每一个关系都是平等输入网络中，使得无关系对对有关系对的影响较大，导致关系推理的准确率较低；而基于最短依赖路径的关系推理网络(SDP-LSTM)只是利用了句法依赖树中的两个实体之间的最短路径(SDP)解析出来的信息，并没有充分利用整棵树的信息，网络采用了两条长短记忆网络为了提取最短依赖路径的方向属性，在之后两条路径融合的时候一定程度上又破坏了原本的方向性，导致关系推理的准确度较低。综上，现有的基于深度神经网络的知识关联推理模型没有合理的利用输入的实体信息，导致关系推理准确度较低。
技术实现思路
本申请的目的是提供一种基于深度神经网络的关系推理方法、装置、设备及计算机可读存储介质，用以解决目前基于深度神经网络的关系推理模型没有合理的利用输入的实体信息，导致关系推理准确度较低的问题。为解决上述技术问题，本申请提供了一种基于深度神经网络的关系推理方法，包括：获取样本句，根据所述样本句构建由多个词语组成的句法依赖树；提取所述句法依赖树在最短依赖路径上的主干特征，并提取所述句法依赖树在非最短依赖路径上的辅助特征，其中，所述最短依赖路径为所述句法依赖树中待进行关系推理的两个词语之间的路径；根据预设融合规则对所述主干特征和所述辅助特征进行特征融合，并根据融合结果得到关系推理结果。可选的，所述提取所述句法依赖树在最短依赖路径上的主干特征，并提取所述句法依赖树在非最短依赖路径上的辅助特征，具体包括：利用长短期记忆网络提取所述句法依赖树在最短依赖路径上的主干特征，并利用多尺寸卷积核的卷积神经网络提取所述句法依赖树在非最短依赖路径上的辅助特征。可选的，所述根据所述样本句构建由多个词语组成的句法依赖树，具体包括：利用斯坦福句法解析器对所述样本句进行解析，得到由多个词语组成的句法依赖树。可选的，在所述获取样本句，根据所述样本句构建由多个词语组成的句法依赖树之后，且在所述提取所述句法依赖树在最短依赖路径上的主干特征，并提取所述句法依赖树在非最短依赖路径上的辅助特征之前，还包括：根据所述句法依赖树的结构，为所述句法依赖树中的各个词语增加位置信息，其中，所述位置信息包括第一位置信息和第二位置信息，所述第一位置信息为当前词语到目标词语的路径向量，所述第二位置信息为由当前词语到目标词语的正向路径长度和逆向路径长度组成的二元数组，所述目标词语为所述待进行关系推理的两个词语中预先指定的一个词语。可选的，所述根据预设融合规则对所述主干特征和所述辅助特征进行特征融合，具体包括：预先为主干特征和辅助特征设置第一自适应加权参数和第二自适应加权参数，根据所述第一自适应加权参数和所述第二自适应加权参数，对所述主干特征和所述辅助特征进行特征融合。本申请还提供了一种基于深度神经网络的关系推理装置，包括：句法依赖树构建模块：用于获取样本句，根据所述样本句构建由多个词语组成的句法依赖树；特征提取模块：用于提取所述句法依赖树在最短依赖路径上的主干特征，并提取所述句法依赖树在非最短依赖路径上的辅助特征，其中，所述最短依赖路径为所述句法依赖树中待进行关系推理的两个词语之间的路径；关系推理模块：用于根据预设融合规则对所述主干特征和所述辅助特征进行特征融合，并根据融合结果得到关系推理结果。可选的，所述装置还包括：位置信息增加模块：用于根据所述句法依赖树的结构，为所述句法依赖树中的各个词语增加位置信息，其中，所述位置信息包括第一位置信息和第二位置信息，所述第一位置信息为当前词语到目标词语的路径向量，所述第二位置信息为由当前词语到目标词语的正向路径长度和逆向路径长度组成的二元数组，所述目标词语为所述待进行关系推理的两个词语中预先指定的一个词语。可选的，所述关系推理模块具体用于：预先为主干特征和辅助特征设置第一自适应加权参数和第二自适应加权参数，根据所述第一自适应加权参数和所述第二自适应加权参数，对所述主干特征和所述辅助特征进行特征融合。此外，本申请还提供了一种基于深度神经网络的关系推理设备，包括：存储器：用于存储计算机程序；处理器：用于执行所述计算机程序，以实现如上所述的一种基于深度神经网络的关系推理方法的步骤。最后，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的一种基于深度神经网络的关系推理方法的步骤。本申请所提供的一种基于深度神经网络的关系推理方法，能够在获取样本句后，构建由多个词语组成的句法依赖树，进而分别提取句法依赖树在最短依赖路径上的主干特征，以及在非最短依赖路径上的辅助特征，最终根据预设融合规则对主干特征和辅助特征进行特征融合，并根据融合结果得到关系推理结果。可见，该方法分别提取句法依赖树在最短依赖路径和非最短依赖路径上的特征，并对二者进行特征融合，由于辅助特征对推理结果具有一定辅助作用，因此该方法通过有效利用句法依赖树的主干特征和辅助特征，提升了关系推理的准确度。此外，本申请还提供了一种基于深度神经网络的关系推理装置、设备及计算机可读存储介质，其作用与上述方法相对应，这里不再赘述。附图说明为了更清楚的说明本申请实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请所提供的一种基于深度神经网络的关系推理方法实施例一的实现流程图；图2为本申请所提供的一种基于深度神经网络的关系推理方法实施例二的实现流程图；图3为本申请所提供的一种基于深度神经网络的关系推理方法实施例二的句法依赖树示意本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的关系推理方法，其特征在于，包括：获取样本句，根据所述样本句构建由多个词语组成的句法依赖树；提取所述句法依赖树在最短依赖路径上的主干特征，并提取所述句法依赖树在非最短依赖路径上的辅助特征，其中，所述最短依赖路径为所述句法依赖树中待进行关系推理的两个词语之间的路径；根据预设融合规则对所述主干特征和所述辅助特征进行特征融合，并根据融合结果得到关系推理结果。

【技术特征摘要】
1.一种基于深度神经网络的关系推理方法，其特征在于，包括：获取样本句，根据所述样本句构建由多个词语组成的句法依赖树；提取所述句法依赖树在最短依赖路径上的主干特征，并提取所述句法依赖树在非最短依赖路径上的辅助特征，其中，所述最短依赖路径为所述句法依赖树中待进行关系推理的两个词语之间的路径；根据预设融合规则对所述主干特征和所述辅助特征进行特征融合，并根据融合结果得到关系推理结果。2.如权利要求1所述的方法，其特征在于，所述提取所述句法依赖树在最短依赖路径上的主干特征，并提取所述句法依赖树在非最短依赖路径上的辅助特征，具体包括：利用长短期记忆网络提取所述句法依赖树在最短依赖路径上的主干特征，并利用多尺寸卷积核的卷积神经网络提取所述句法依赖树在非最短依赖路径上的辅助特征。3.如权利要求1所述的方法，其特征在于，所述根据所述样本句构建由多个词语组成的句法依赖树，具体包括：利用斯坦福句法解析器对所述样本句进行解析，得到由多个词语组成的句法依赖树。4.如权利要求1-3任意一项所述的方法，其特征在于，在所述获取样本句，根据所述样本句构建由多个词语组成的句法依赖树之后，且在所述提取所述句法依赖树在最短依赖路径上的主干特征，并提取所述句法依赖树在非最短依赖路径上的辅助特征之前，还包括：根据所述句法依赖树的结构，为所述句法依赖树中的各个词语增加位置信息，其中，所述位置信息包括第一位置信息和第二位置信息，所述第一位置信息为当前词语到目标词语的路径向量，所述第二位置信息为由当前词语到目标词语的正向路径长度和逆向路径长度组成的二元数组，所述目标词语为所述待进行关系推理的两个词语中预先指定的一个词语。5.如权利要求4所述的方法，其特征在于，所述根据预设融合规则对所述主干特征和所述辅助特征进行特征融合，具体包括：预先为主干特征和辅助特征设置第一自适应加权参数和...

【专利技术属性】
技术研发人员：黄国恒，卢增，张凡龙，程良伦，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44