一种实体标签关联预测方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术提供了一种实体标签关联预测方法、装置、系统及计算机可读存储介质，该方法包括：确定实体关系网络、标签关系网络以及实体标签关联网络，实体标签关联网络包含未知的实体标签关联关系；根据实体关系网络构造实体相似度图，根据标签关系网络和实体标签关联网络构造标签相似度图；根据实体标签关联网络构造实体标签关联二部图；抽取实体特征，并根据标签相似度图构建标签特征；将实体相似度图、标签相似度图和实体标签关联二部图融入图卷积网络以构建预测模型；将实体特征、标签特征输入预测模型进行训练直至模型收敛，输出预测模型的预测结果。利用上述方法，能够获取未知的实体标签关联关系，进而提升了实体标签标注的完整程度。程度。程度。

【技术实现步骤摘要】
一种实体标签关联预测方法、装置及计算机可读存储介质


[0001]本专利技术属于神经网络领域，具体涉及一种实体标签关联预测方法、装置及计算机可读存储介质。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]随着大数据时代的到来，海量数据涌现而来，如用户、文章、商品等对象的语义内容愈发丰富，刻画它们特征的标签信息也越来越复杂。一个电商平台用于描述用户特征的标签库规模往往达上万条，而平均一个用户被标注的标签个数也有上千个。为了满足当下对样本对象的精细化描述，多标签学习问题逐渐成为学术界和工业界关注的研究热点之一，并在图像识别、文本分类、信息检索、个性化推荐等多个领域具有非常广泛的应用。
[0004]然而，由于标签库规模十分庞大，样本个数更是数以万计，对样本的已有标注往往十分不完整，存在着大量遗漏。例如，某观影评论平台对电影《兵临城下》的类别标注可能只包括“历史”、“战争”，但却遗漏了“爱情”、“动作”等标签，因此导致对该电影的描述不精本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实体标签关联预测方法，其特征在于，包括：确定实体关系网络、标签关系网络以及实体标签关联网络，所述实体标签关联网络包含未知的实体标签关联关系；根据所述实体关系网络构造实体相似度图，根据所述标签关系网络和所述实体标签关联网络构造标签相似度图；以及根据所述实体标签关联网络构造实体标签关联二部图；抽取实体特征，并根据标签相似度图构建标签特征；将所述实体相似度图、所述标签相似度图和所述实体标签关联二部图融入图卷积网络以构建预测模型；将所述实体特征、所述标签特征输入所述预测模型进行训练直至模型收敛，输出所述预测模型的预测结果，所述预测结果包括每个实体和每个标签之间的关联关系。2.根据权利要求1所述的方法，其特征在于，确定实体关系网络、标签关系网络以及实体标签关联网络，还包括：确定以实体集合中的多个实体为节点的实体关系网络其中，n为实体总数，所述用于指示所述实体集合中的各个实体之间的关系；确定以标签集合中的多个标签为节点的标签关系网络其中，m为标签总数，所述用于指示所述标签集合中各个标签之间的关系；根据现有标注信息确定实体标签关联网络其中，每个实体u
i
(i＝1，2，...，n)和每个标签h
j
(j＝1，2，...，m)间的关联取值为1或0。3.根据权利要求1或2所述的方法，其特征在于，所述标签集合为层次化标签集合，所述标签关系网络形成为树结构，所述树结构的上下级标签节点之间具有父子继承关系。4.根据权利要求3所述的方法，所述方法还包括：根据所述标签之间的层次化关系更新所述现有标注信息；其中，若指定实体标注有指定标签，则根据所述标签关系网络为所述指定实体补充标注所述指定标签的全部祖先标签。5.根据权利要求2所述的方法，其特征在于，根据所述实体关系网络构造实体相似度图，还包括：根据所述实体关系网络图G
u
的邻接矩阵A
u
确定实体相似度图S
u
；其中，所述邻接矩阵A
u
∈[0，1]
n
×
n
形成为n阶方阵，所述实体关系网络图G
u
为无向有权网络，实体u
i
与实体u
i
′
间的边权值用于指示两个实体间关系的紧密程度。6.根据权利要求3所述的方法，其特征在于，根据所述标签关系网络和所述实体标签关联网络构造标签相似度图，还包括：基于所述实体标签关联网络计算每个标签的标签信息量IC(h)，所述标签信息量用于指示每个标签的实体标注比例度量每个标签的具体化程度：利用每个标签的所述标签信息量以及所述标签关系网络计算标签间相似度，得到标签相似度图S
h
；其中，所述标签相似度图S
h
∈[0，1]
m
×
m
形成为m阶方阵。7.根据权利要求6所述的方法，其特征在于，利用以下公式计算所述标签间相似度：
其中，h
MICA
是标签h
j
与标签h
j
′
的最富信息公共祖先，即标签h
j
与标签h
j
′
具有最高标签信息量的公共祖先标签节点。8.根据权利要求6或7所述的方法，其特征在于，利用以下公式计算每个标签的所述标签信息量：其中，n是实体总数，n
h
是已知的被标签h所标注的实体个数。9.根据权利要求2所述的方法，其特征在于，根据所述实体标签关联网络构造实体标签关联二部图，包括：根据所述实体标签关联矩阵R构造实体标签关联二部图为A；其中，所述所述0为全零矩阵。10.根据权利要求1所述的方法，其特征在于，抽取实体特征并根据所述标签相似度图构建标签特征，包括：通过特征挖掘确定所述实体集合中的每个实体ui的多维实体特征根据所述标签相似度图S
h
进行对称归一化处理，得到归一化矩阵根据所述归一化矩阵计算正值逐点互信息矩阵x
(h)
；根据所述正值逐点互信息矩阵X
(h)
构造所述标签特征，其中，所述矩阵X
(h)
的第j行作为第j个标签h
j
的所述标签特征11.根据权利要求1所述的方法，其特征在于，将所述实体特征和所述标签特征输入预测模型进行训练，包括：利用输入端多层感知器分别对输入的所述实体特征和所述标签特征进行降维；将降维后的所述实体特征和所述标签特征输入所述预测模型，得到每个实体对应的实体节点嵌入表示和每个标签对应的标签节点嵌入表示；通过输出端多层感知器分别对所述实体节点嵌入表示和所述标签节点嵌入表示进行降维；对降维后的所述实体节点嵌入表示和所述标签节点嵌入进行点乘操作，得到所述预测结果。12.根据权利要求11所述的方法，其特征在于，将降维后的所述实体特征和所述标签特征输入图卷积网络，包括：将降维后的所述实体特征和所述标签特征输入第一图卷积网络，所述第一图卷积网络通过转换函数引入所述实体标签关联二部图的拓扑结构信息，输出实体节点和标签节点的中间嵌入表示；将实体节点的中间嵌入表示输入第二图卷积网络，所述第二图卷积网络通过转换函数引入所述实体相似度图的拓扑结构信息和边权值信息，输出所述实体节点嵌入表示；将标签节点的中间嵌入表示输入第三图卷积网络，所述第三图卷积网络通过转换函数
引入所述标签相似度图的拓扑结构信息和边权值信息，输出所述标签节点嵌入表示。13.根据权利要求11所述的方法，其特征在于，利用输入端多层感知器分别对输入的所述实体特征和所述标签特征进行降维，还包括：实体节点u
i
在其对应的输入端多层感知器的第l层隐含层的转换函数定义为：其中，表示实体u
i
在输入端多层感知器的第l层隐含层所产生的隐含表示，表示实体u
i
在多层感知器的第l
‑
1层隐含层所产生的隐含表示，且为实体u
i
的实体特征，W
u(l)
为待训练的权重参数矩阵，b
u(l)
为偏置参数，σ(
·
)为激活函数；标签节点h
j
在其对应的输入端多层感知器的第l层隐含层的转换函数定义为：其中，表示标签h
j
在第l层隐含层所产生的隐含表示，表示标签h
j
在第l
‑
1层隐含层所产生的隐含表示，且为标签h
j
的标签特征，W
h(l)

【专利技术属性】
技术研发人员：刘砺志，王钰，蒋海俭，闵青，
申请(专利权)人：中国银联股份有限公司，
类型：发明
国别省市：