一种知识图谱补全方法、装置、设备以及存储介质制造方法及图纸

本发明专利技术属于知识图谱处理技术领域，尤其涉及一种知识图谱补全方法、装置、设备以及存储介质，本发明专利技术通过预设的关联信息抽取模型从知识图谱的实体描述文本信息中抽取知识图谱中实体与关系之间的语义关联信息，将语义关联信息与知识图谱进行关联与重构，通过深度Bi‑GRU网络以及预设的关联强化模型对实体描述文本输入序列进行编码，得到编码后的实体关联序列信息，通过单向GRU网络对实体关联序列信息进行解码，对解码后的知识图谱中的每个候选实体进行综合评分，依次将实体描述文本数据集中的每个实体链接到知识图谱中综合评分最高的候选实体，以补全知识图谱，从而增强已有知识图谱的语义关联信息。

【技术实现步骤摘要】
一种知识图谱补全方法、装置、设备以及存储介质
本专利技术属于知识图谱处理
，尤其涉及一种知识图谱补全方法、装置、设备以及存储介质。
技术介绍
随着互联网使用者数量的不断增加，网络中的数据量也呈现出指数增长趋势，但由于网络数据具有规模庞大、异质多源和结构松散等特点，使得人们从网络数据中获取有用的数据信息变得异常困难，在这种背景下，知识图谱技术于2012年由Google正式提出，并受到了研究者们的广泛关注。其中，知识图谱补全任务是知识图谱技术中的一个主要研究方向，通过对现有的知识图谱补全，使得人们从网络数据中获取有用的数据信息变得简单。现有的知识图谱补全任务主要的方法大多是先将知识图谱中实体与关系的语义信息转换成密集的低维向量，然后通过翻译模型、复杂关系建模以及多源信息融合等知识图谱补全模型，在低维向量空间中利用知识图谱的结构特征高效地计算知识图谱中实体与关系的复杂语义关联，进而对已有知识图谱进行补全，但现有知识图谱补全模型大多都是利用已知实体来补全知识图谱中缺失的事实关系对，若实体是未知，例如通过引入外界新的实体来扩展知识图谱的规模本文档来自技高网...

【技术保护点】
1.一种知识图谱补全方法，其特征在于，所述方法包括下述步骤：/n接收输入的知识图谱补全请求，根据所述知识图谱补全请求使用预设的关联信息抽取模型从所述知识图谱的实体描述文本信息中抽取所述知识图谱中实体与关系之间的语义关联信息；/n将所述语义关联信息与所述知识图谱进行关联，对关联后的所述知识图谱进行重构，以得到重构后的知识图谱；/n将重构后的所述知识图谱和预设的实体描述文本数据集组合成实体数据连接矩阵，并对所述实体数据连接矩阵进行序列化表示，得到实体描述文本输入序列；/n通过深度Bi-GRU网络以及预设的关联强化模型对所述实体描述文本输入序列进行编码，得到编码后的实体关联序列信息；/n通过单向GR...

【技术特征摘要】
1.一种知识图谱补全方法，其特征在于，所述方法包括下述步骤：
接收输入的知识图谱补全请求，根据所述知识图谱补全请求使用预设的关联信息抽取模型从所述知识图谱的实体描述文本信息中抽取所述知识图谱中实体与关系之间的语义关联信息；
将所述语义关联信息与所述知识图谱进行关联，对关联后的所述知识图谱进行重构，以得到重构后的知识图谱；
将重构后的所述知识图谱和预设的实体描述文本数据集组合成实体数据连接矩阵，并对所述实体数据连接矩阵进行序列化表示，得到实体描述文本输入序列；
通过深度Bi-GRU网络以及预设的关联强化模型对所述实体描述文本输入序列进行编码，得到编码后的实体关联序列信息；
通过单向GRU网络对所述实体关联序列信息进行解码，对解码后的所述知识图谱中的每个候选实体进行综合评分；
依次将所述实体描述文本数据集中的每个实体链接到所述知识图谱中综合评分最高的所述候选实体，以补全所述知识图谱。


2.根据权利要求1所述方法，其特征在于，接收输入的知识图谱补全请求，根据所述知识图谱补全请求使用预设的关联信息抽取模型从所述知识图谱的实体描述文本信息中抽取所述知识图谱中实体与关系之间的语义关联信息的步骤，包括：
将所述知识图谱中的实体以及实体描述文本信息映射为所述实体以及所述实体对应关系的三元组；
通过预设的抽取计算公式对所述三元组进行关系触发词的定位、词嵌入元组拼接、语义关联配对以及词嵌入元组评分处理，得到目标实体与关系之间的第一语义关联信息；
通过双通道全卷积神经网络将所述第一语义关联信息与所述知识图谱的实体描述文本信息进行相邻词语义融合，得到所述语义关联信息。


3.根据权利要求2所述方法，其特征在于，通过预设的抽取计算公式对所述三元组进行关系触发词的定位、词嵌入元组拼接、语义关联配对以及词嵌入元组评分处理，得到目标实体与关系之间的第一语义关联信息的步骤，包括：
通过余弦相似度公式从所述三元组的头尾实体描述文本信息中获取关系触发词；
依次将所述头尾实体描述文本信息中的每个词与所述关系触发词、以及所述词对应所述关系触发词的位置拼接成词嵌入元组；
对所述目标实体、所述目标实体对应的关系以及所述目标实体与所述目标实体对应的关系的位置信息进行拼接，得到参考元组；
通过深度记忆网络对所述词嵌入元组以及所述参考元组进行语义关联配对，并通过所述深度记忆网络的softmax层为输出的每个词嵌入元组对参考元组的贡献分数进行评分，得到目标实体与关系之间的第一语义关联信息。


4.根据权利要求2所述方法，其特征在于，通过双通道全卷积神经网络将所述第一语义关联信息与所述知识图谱的实体描述文本信息进行相邻词语义融合，得到所述语义关联信息的步骤，包括：
将所述第一语义关联信息与所述知识图谱的实体描述文本信息的位置信息进行关联，得到实体的关联信息矩阵；
对所述实体的关联信息矩阵使用Attention机制进行多语义选择，得到多语义选择后的输入信息矩阵；
通过所述双通道全卷积神经网络的两层卷积以及一层正则化、双通道提取层、共享全连接层以及合并层对所述输入信息矩阵进行处理，以得到所述语义关...

【专利技术属性】
技术研发人员：傅向华，谢文豪，
申请(专利权)人：深圳技术大学，
类型：发明
国别省市：广东;44