图谱中边类型的识别方法、装置、设备及存储介质制造方法及图纸

本申请提出了一种图谱中边类型的识别方法、装置、设备及存储介质，涉及深度学习和知识图谱技术领域，具体实现方案为：获取图谱中各个节点分别对应的第一特征；根据每个节点的第一特征、及每个类型边在图神经网络模型中对应的第一层模型参数，计算每个节点分别在各类型边对应空间中的向量；根据每个节点分别对应的向量，计算图谱中每个边属于各类型边的概率；根据每个边属于各类型边的概率，确定每个节点在图神经网络第二层中的第二特征，重复上述过程，直至获取图神经网络输出的特征；根据图神经网络输出的特征，确定图谱中各个边的类型。根据本申请的方案能够提高边类型识别的精准度，降低了标注成本。

【技术实现步骤摘要】
图谱中边类型的识别方法、装置、设备及存储介质
本申请涉及数据处理
，尤其涉及深度学习和知识图谱
，提出一种图谱中边类型的识别方法、装置、设备及存储介质。
技术介绍
图谱被广泛应用于搜索、聊天机器人、大数据、智能医疗、推荐系统等各个领域。图谱包括节点和边，而在多关系图谱中，通常包含多种类型的边，图谱中边的类型对图谱的应用至关重要。目前，通常通过人工标注的方式为图谱中的边标注各种边类型，人工标注边类型的成本较高，且人工标注的边类型往往是粗粒度的，精准度有待提高。
技术实现思路
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本申请提出了一种图谱中边类型的识别方法、装置、设备及存储介质。本申请第一方面实施例提出了一种图谱中边类型的识别方法，包括：获取待处理的图谱中各个节点分别对应的第一特征；根据每个所述节点分别对应的第一特征、及每个类型边在图神经网络模型中对应的第一层模型参数，计算每个所述节点分别在各类型边对应空间中的向量；根据每个所述节点分别对应的向量，计本文档来自技高网...

【技术保护点】
1.一种图谱中边类型的识别方法，包括：/n获取待处理的图谱中各个节点分别对应的第一特征；/n根据每个所述节点分别对应的第一特征、及每个类型边在图神经网络模型中对应的第一层模型参数，计算每个所述节点分别在各类型边对应空间中的向量；/n根据每个所述节点分别对应的向量，计算所述图谱中每个边属于各类型边的概率；/n根据所述每个边属于各类型边的概率，确定每个所述节点在图神经网络第二层中的第二特征，重复上述过程，直至获取所述图神经网络输出的特征；/n根据所述图神经网络输出的特征，确定所述图谱中各个边的类型。/n

【技术特征摘要】
1.一种图谱中边类型的识别方法，包括：
获取待处理的图谱中各个节点分别对应的第一特征；
根据每个所述节点分别对应的第一特征、及每个类型边在图神经网络模型中对应的第一层模型参数，计算每个所述节点分别在各类型边对应空间中的向量；
根据每个所述节点分别对应的向量，计算所述图谱中每个边属于各类型边的概率；
根据所述每个边属于各类型边的概率，确定每个所述节点在图神经网络第二层中的第二特征，重复上述过程，直至获取所述图神经网络输出的特征；
根据所述图神经网络输出的特征，确定所述图谱中各个边的类型。


2.如权利要求1所述的方法，其中，所述根据所述每个边属于各类型边的概率，确定每个所述节点在图神经网络第二层中的第二特征，包括：
根据任一节点对应的各个连接边分别属于L类型边的概率、及通过所述各个连接边与所述任一节点连接的另一节点对应的向量，确定所述任一节点在所述L类型边的第二子特征；
根据所述任一节点在各个类型边的第二子特征，确定所述任一节点在所述第二层中的第二特征。


3.如权利要求1所述的方法，其中，所述根据所述每个边属于各类型边的概率，确定每个所述节点在图神经网络第二层中的第二特征，包括：
根据任一节点对应的各个连接边分别属于L类型边的概率的大小，确定所述任一节点对应的各个连接边中属于所述L类型的边；
根据通过所述各个连接边中属于所述L类型的边，与所述任一节点连接的另一节点对应的向量，确定所述任一节点在所述L类型边的第二子特征；
根据所述任一节点在各个类型边的第二子特征，确定所述任一节点在所述第二层中的第二特征。


4.如权利要求2或3所述的方法，其中，所述图神经网络模型包括N层，N为大于2的正整数，所述根据所述任一节点在各个类型边的第二子特征，确定所述任一节点在所述第二层中的第二特征，包括：
将所述任一节点在各个类型边的第二子特征进行拼接，以确定所述任一节点在所述第二层中的第二特征。


5.如权利要求2或3所述的方法，其中，所述图神经网络模型包括2层，所述根据所述任一节点在各个类型边的第二子特征，确定所述任一节点在所述第二层中的第二特征，包括：
根据所述任一节点在各个类型边的第二子特征的均值，确定所述任一节点在所述第二层中的第二特征。


6.如权利要求1-3任一所述的方法，其中，每个类型边对应的向量空间包括：查询向量空间及键向量空间，所述根据每个所述节点分别对应的向量值，计算所述图谱中每个边属于各类型边的概率，包括：
根据节点m在K种类型边对应的查询向量、及节点n在第K种类型边对应的键向量，计算由所述节点m指向所述节点n的边属于第K种类型边的概率，其中，m、n和K均为自然数。


7.如权利要求6所述的方法，其中，所述每个类型边对应的向量空间还包括：值向量空间，所述根据所述每个边属于各类型边的概率，确定每个所述节点在图神经网络第二层中的第二特征，包括：
根据任一节点对应的各个连接边分别属于L类型边的概率、及通过所述各个连接边与所述任一节点连接的另一节点对应的值向量，确定所述任一节点在所述L类型边的第二子特征；
根据所述任一节点在各个类型边的第二子特征，确定所述任一节点在所述第二层中的第二特征。


8.如权利要求6所述的方法，其中，所述每个类型边对应的向量空间还包括：值向量空间，所述根据所述每个边属于各类型边的概率，确定每个所述节点在图神经网络第二层中的第二特征，包括：
根据任一节点对应的各个连接边分别属于L类型边的概率的大小，确定所述任一节点对应的各个连接边中属于所述L类型的边；
根据通过所述各个连接边中属于所述L类型的边，与所述任一节点连接的另一节点对应的值向量，确定所述任一节点在所述L类型边的第二子特征；
根据所述任一节点在各个类型边的第二子特征，确定所述任一节点在所述第二层中的第二特征。


9.一种图谱中边类型的识别装置，包括：
获取模块，用于获取待处理的图谱中各个节点分别对应的第一特征；
映射模块，用于根据每...

【专利技术属性】
技术研发人员：王文瑾，苏炜跃，冯仕堃，黄世维，张寅，何径舟，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11