知识图谱的推理方法及装置制造方法及图纸

本发明专利技术提供一种知识图谱的推理方法及装置，其中方法包括：获取目标知识图谱中实体文本对应的实体词向量，以及所述目标知识图谱中关系文本对应的关系词向量；将所述实体词向量和所述关系词向量输入对比学习模型，得到所述对比学习模型输出的所述实体词向量的实体对比学习向量以及所述关系词向量的关系对比学习向量；根据所述实体对比学习向量以及所述关系对比学习向量，确定所述目标知识图谱的推理结果。本发明专利技术提供的知识图谱的推理方法及装置，通过对比学习模型获取的实体对比学习向量以及关系对比学习向量用于后续知识图谱的推理，由于相似词向量间的差异更大，不相似词向量间的差异更小，提升了知识图谱推理的准确率。率。率。

【技术实现步骤摘要】
知识图谱的推理方法及装置


[0001]本专利技术涉及计算机
，尤其涉及一种知识图谱的推理方法及装置。

技术介绍

[0002]知识图谱的推理一般包括知识图谱的规范化和知识图谱的链接预测。知识图谱的规范化是找到知识图谱中相同的语义的实体和关系，知识图谱的链接预测可以从知识图谱中推理出新的知识。
[0003]现有的知识图谱的推理是将知识图谱中的关系文本和实体文本进行词向量初始化后，直接进行知识图谱的推理。现有方法得到的词向量往往存在一定的缺陷，例如无法很好的区分同义词、近义词等文本问题，应用在下游的推理任务中会导致下游推理任务的质量大打折扣，导致推理结果的准确性不高。

技术实现思路

[0004]本专利技术提供一种知识图谱的推理方法及装置，用以解决现有技术中直接将知识图谱中的关系文本和实体文本进行词向量初始化并进行知识图谱的推理，导致推理结果的准确性不高的技术问题。
[0005]本专利技术提供一种知识图谱的推理方法，包括：
[0006]获取目标知识图谱中实体文本对应的实体词向量，以及所述目标知识图谱中关系文本对应的关系词向量；
[0007]将所述实体词向量和所述关系词向量输入对比学习模型，得到所述对比学习模型输出的所述实体词向量的实体对比学习向量以及所述关系词向量的关系对比学习向量；
[0008]根据所述实体对比学习向量以及所述关系对比学习向量，确定所述目标知识图谱的推理结果；
[0009]所述对比学习模型是基于所述目标知识图谱中成对样例的样例集合，以及所述样例集合中语义相关的正例对和所述样例集合中语义不相关的负例对，对初始对比学习模型进行训练得到的。
[0010]根据本专利技术提供的一种知识图谱的推理方法，还包括：
[0011]根据所述正例对的相似度和所述负例对的相似度，确定所述对比学习模型的负交叉熵；
[0012]基于所述负交叉熵收敛，确定所述对比学习模型收敛。
[0013]根据本专利技术提供的一种知识图谱的推理方法，所述负交叉熵收敛之后，还包括：
[0014]获取所述样例集合中实体对的辅助信息，以及所述样例集合中关系对的辅助信息；
[0015]根据所述实体对的辅助信息以及所述关系对的辅助信息，确定所述对比学习模型的成对排名损失值；
[0016]根据所述样例集合中相同类型实体的相似度以及相同类型关系的相似度，与不同
类型实体的相似度以及不同类型关系的相似度，确定所述对比学习模型的规范化损失值；
[0017]相加所述成对排名损失值与所述规范化损失值，得到相加损失值，确定所述相加损失值收敛。
[0018]根据本专利技术提供的一种知识图谱的推理方法，所述获取所述样例集合中实体对的辅助信息，以及所述样例集合中关系对的辅助信息，包括：
[0019]获取所述样例集合中实体对的相似度打分，将所述实体对的相似度打分作为所述实体对的辅助信息；
[0020]获取所述样例集合中关系对的相似度打分，将所述关系对的相似度打分作为所述关系对的辅助信息。
[0021]根据本专利技术提供的一种知识图谱的推理方法，在所述目标知识图谱的推理包括知识图谱的规范化的情况下，所述根据所述实体对比学习向量以及所述关系对比学习向量，确定所述目标知识图谱的推理结果，包括：
[0022]对所述实体对比学习向量进行聚类，得到相同实体的实体簇；
[0023]对所述关系对比学习向量进行聚类，得到相同关系的关系簇，并将所述相同实体的实体簇以及所述相同关系的关系簇作为所述目标知识图谱的推理结果。
[0024]根据本专利技术提供的一种知识图谱的推理方法，在所述目标知识图谱的推理包括知识图谱的链接预测的情况下，所述根据所述实体对比学习向量以及所述关系对比学习向量，确定所述目标知识图谱的推理结果，包括：
[0025]根据所述实体对比学习向量和所述关系对比学习向量，对所述目标知识图谱中的实体和关系进行预测，得到预测向量；
[0026]从所述目标知识图谱的实体词向量以及关系词向量中选取与所述预测向量相似度最高的词向量，将所述相似度最高的词向量对应的实体或者关系作为所述目标知识图谱的推理结果。
[0027]本专利技术还提供一种知识图谱的推理装置，包括：
[0028]词向量获取模块，用于获取目标知识图谱中实体文本对应的实体词向量，以及所述目标知识图谱中关系文本对应的关系词向量；
[0029]对比学习模块，用于将所述实体词向量和所述关系词向量输入对比学习模型，得到所述对比学习模型输出的所述实体词向量的实体对比学习向量以及所述关系词向量的关系对比学习向量；
[0030]知识图谱推理模块，用于根据所述实体对比学习向量以及所述关系对比学习向量，确定所述目标知识图谱的推理结果；
[0031]所述对比学习模型是基于所述目标知识图谱中成对样例的样例集合，以及所述样例集合中语义相关的正例对和所述样例集合中语义不相关的负例对，对初始对比学习模型进行训练得到的。
[0032]本专利技术还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述知识图谱的推理方法。
[0033]本专利技术还提供一种非暂态计算机可读存储介质，其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述任一种所述知识图谱的推理方法。
[0034]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述知识图谱的推理方法。
[0035]本专利技术提供的知识图谱的推理方法及装置，通过对比学习模型获取原始词向量的实体对比学习向量以及关系对比学习向量。减小了原始词向量中相似词向量的差距，并增大了原始词向量中不相似词向量的距离。将获取的实体对比学习向量以及关系对比学习向量用于后续知识图谱的推理，由于相似词向量间的差异更大，不相似词向量间的差异更小，提升了知识图谱推理的准确率。
附图说明
[0036]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图简要地说明，显而易见地，下面描述中的附图是本专利技术的一些实施例，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。
[0037]图1是本专利技术提供的知识图谱的推理方法的流程示意图；
[0038]图2是本专利技术实施例提供的知识图谱的推理流程示意图；
[0039]图3是本专利技术实施例提供的辅助信息作为损失项示意图；
[0040]图4是本专利技术提供的知识图谱的推理装置的结构示意图；
[0041]图5是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0042]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种知识图谱的推理方法，其特征在于，包括：获取目标知识图谱中实体文本对应的实体词向量，以及所述目标知识图谱中关系文本对应的关系词向量；将所述实体词向量和所述关系词向量输入对比学习模型，得到所述对比学习模型输出的所述实体词向量的实体对比学习向量以及所述关系词向量的关系对比学习向量；根据所述实体对比学习向量以及所述关系对比学习向量，确定所述目标知识图谱的推理结果；所述对比学习模型是基于所述目标知识图谱中成对样例的样例集合，以及所述样例集合中语义相关的正例对和所述样例集合中语义不相关的负例对，对初始对比学习模型进行训练得到的。2.根据权利要求1所述的知识图谱的推理方法，其特征在于，还包括：根据所述正例对的相似度和所述负例对的相似度，确定所述对比学习模型的负交叉熵；基于所述负交叉熵收敛，确定所述对比学习模型收敛。3.根据权利要求2所述的知识图谱的推理方法，其特征在于，所述负交叉熵收敛之后，还包括：获取所述样例集合中实体对的辅助信息，以及所述样例集合中关系对的辅助信息；根据所述实体对的辅助信息以及所述关系对的辅助信息，确定所述对比学习模型的成对排名损失值；根据所述样例集合中相同类型实体的相似度以及相同类型关系的相似度，与不同类型实体的相似度以及不同类型关系的相似度，确定所述对比学习模型的规范化损失值；相加所述成对排名损失值与所述规范化损失值，得到相加损失值，确定所述相加损失值收敛。4.根据权利要求3所述的知识图谱的推理方法，其特征在于，所述获取所述样例集合中实体对的辅助信息，以及所述样例集合中关系对的辅助信息，包括：获取所述样例集合中实体对的相似度打分，将所述实体对的相似度打分作为所述实体对的辅助信息；获取所述样例集合中关系对的相似度打分，将所述关系对的相似度打分作为所述关系对的辅助信息。5.根据权利要求1所述的知识图谱的推理方法，其特征在于，在所述目标知识图谱的推理包括知识图谱的规范化的情况下，所述根据所述实体对比学习向量以及所述关系对比学习向量，确定所述目标知识图谱的推理结果，包括：对所述实体对...

【专利技术属性】
技术研发人员：何世柱，刘康，赵军，兰胤余，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：