知识图谱的对齐方法、电子设备技术

本申请提出一种知识图谱的对齐方法、电子设备以及非瞬时性计算机可读存储介质，所述方法包括将多个知识图谱输入至预设的联合对齐模型，以得到每个所述知识图谱中实体、关系和类的向量表示；根据所述知识图谱中实体、关系和类的向量表示，计算所述多个知识图谱的实体、关系和/或类的相似度。根据本申请的实施例，利用联合对齐模型将知识图谱中的实体、关系和类表示成向量，并通过计算不同知识图谱中实体、关系和类的近似度，从而解决了不同知识图谱的对齐问题。图谱的对齐问题。图谱的对齐问题。

【技术实现步骤摘要】
知识图谱的对齐方法、电子设备


[0001]本申请涉及电子商务领域，具体而言，涉及一种知识图谱的对齐方法、电子设备以及非瞬时性计算机可读存储介质。

技术介绍

[0002]随着电商批发平台用户数量、成交单量的激长和市场竞争的加剧，用户侧对商品有着更加多样化的诉求。因此，对平台商家服务、生产、运营能力等多方面素质产生了更高的要求。
[0003]为了能更好地牵引优质供给的招商引入，提升优质供给渗透，并帮助优质供给商家成长，需要加深对源头工厂商家的认知，形成一个统一规范、覆盖范围广而全的工厂画像体系，以保障优质的、能提供针对性供给的商家能得到快速高效的引入和培育，为平台买家提供更大的价值。
[0004]目前的工厂画像体系，需要从多维度全面刻画工厂信息，包括工厂基础信息、工厂品牌和工厂行业。然而当前工厂图谱中域外工厂Leads信息的完整度较低，工厂画像刻画能力较弱，需要利用外部数据进行信息补充。然而，很多实体使用了不同的ID来描述，需要将这些实体与工厂图谱中的实体进行对齐，才能进行整合。

技术实现思路

[0005]本申请提出了一种知识图谱的对齐方法、电子设备以及非瞬时性计算机可读存储介质，以解决不同知识图谱的数据整合问题。
[0006]根据本申请的一方面，提出一种知识图谱的处理方法，包括：将多个知识图谱输入至预设的联合对齐模型，以得到每个所述知识图谱中实体、关系和类的向量表示；根据所述知识图谱中实体、关系和类的向量表示，计算所述多个知识图谱的实体、关系和/或类的相似度。
[0007]根据一些实施例，在将多个知识图谱输入至预设的联合对齐模型，以得到每个所述知识图谱中实体、关系和类的向量表示之前，所述方法还包括：构建所述联合对齐模型，其中，所述联合对齐模型包括所述知识图谱的实体
‑
关系评分函数、实体
‑
类评分函数、实体相似度函数、关系相似度函数和/或类相似度函数；
[0008]其中，所述将多个知识图谱输入至预设的联合对齐模型，以得到每个所述知识图谱中实体、关系和类的向量表示，包括：利用所述联合对齐模型中的实体
‑
关系评分函数、实体
‑
类评分函数，得到每个所述知识图谱中实体、关系和类的向量表示；
[0009]其中，所述根据所述知识图谱中实体、关系和类的向量表示，计算所述多个知识图谱的实体、关系和/或类的相似度，包括：利用所述联合对齐模型中的实体相似度函数、关系相似度函数和/或类相似度函数，计算所述知识图谱中一对实体、关系或类的相似度。
[0010]根据一些实施例，所述构建所述联合对齐模型，包括：利用Adam优化器迭代训练所述联合对齐模型。
[0011]根据一些实施例，所述利用Adam优化器迭代训练所述联合对齐模型，包括：利用Adam优化器，使用如下式所示的损失函数训练所述联合对齐模型，
[0012][0013]其中，e，e
′
，e
‘’
为实体向量，r为关系向量，c为类向量，fr(e，r，e
′
)为所述实体
‑
关系评分函数，f
ec
(e，c)为所述实体
‑
类评分函数，λ
r
和λ
ec
为边界参数，f
r
(e，r，e
′
)＝||e+r
‑
e
′
||，f
ec
(e，c)＝W
c
x
‑
b
c
，f
ec
(e，c)为类的线性空间，W
c
和b
c
为可学习参数，x为变量。
[0014]根据一些实施例，所述实体相似度函数如下式所示：
[0015]S(e，e
′
)＝cos(A
ent
e，e
′
)
[0016]其中，A
ent
为映射矩阵，所述映射矩阵通过利用Adam优化器，使用如下式所示的损失函数得到，
[0017][0018]其中，exp是指数函数。
[0019]根据一些实施例，在利用Adam优化器迭代训练所述联合对齐模型之前，所述方法还包括：从候选数据集中选择双向仅单一匹配的候选对作为初始训练数据。
[0020]根据一些实施例，所述利用Adam优化器迭代训练所述联合对齐模型，包括：从所述初始训练数据选择未标注样本集；计算所述未标注样本集中每个实体对的推断能力；根据所述推断能力确定训练所述联合对齐模型的样本；利用确定的样本迭代训练所述联合对齐模型；其中，所述推断能力为每个实体对对所述联合匹配模型的整体影响，且所述推断能力如下式所示，D为整体差异函数，d
k
，d
′
k
为实体向量误差，d
k
＝f
r
(e
k
，r
k
，e
k+1
)，d
′
k
＝f
r
(e
′
k
，r
′
k
，e
′
k+1
)。
[0021]根据一些实施例，根据所述推断能力确定训练所述联合对齐模型的样本，包括：根据计算的每个实体对的推断能力，计算所述样本的整体效用；根据计算的整体效用确定训练所述联合对齐模型的样本；其中，所述整体效用如下式所示，
[0022][0023][0024]Q为可供选择的实体对集合，Q
+
是Q的子集P为未标注的实体对集合，I(P|Q
+
)为Q
+
的推断能力。
[0025]根据一些实施例，根据计算的每个实体对的推断能力，计算所述样本的整体效用，包括：根据计算的每个实体对的推断能力，计算每个实体对加入训练样本后样本的整体效用的增益；选择计算增益最大的实体对作为训练所述联合对齐模型的样本。
[0026]根据一些实施例，枚举所述未标注样本集中的实体对，计算所述未标注样本集中每个实体对的推断能力，包括：利用图划分的方法，计算所述未标注样本集中每个实体对的推断能力。
[0027]根据一些实施例，所述利用图划分的方法，计算所述未标注样本集中每个实体对的推断能力，包括：计算所述未标注样本集中任意两个实体对的推断能力；根据计算的任意
两个实体对的推断能力进行图划分；搜寻划分的图中可合并的节点并合并，以得到更小的图，以加速计算所述未标注样本集中每个实体对的推断能力。
[0028]根据本申请的一方面，提出一种电子设备，包括：处理单元；以及存储单元，存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行如前任一实施例所述的处理方法。
[0029]根据本申请的一方面，提出一种非瞬时性计算机可读存储介质，其上存储有计算机可读指令，当本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种知识图谱的处理方法，其特征在于，包括：将多个知识图谱输入至预设的联合对齐模型，以得到每个所述知识图谱中实体、关系和类的向量表示；根据所述知识图谱中实体、关系和类的向量表示，计算所述多个知识图谱的实体、关系和/或类的相似度。2.根据权利要求1所述的处理方法，其特征在于，在将多个知识图谱输入至预设的联合对齐模型，以得到每个所述知识图谱中实体、关系和类的向量表示之前，所述方法还包括：构建所述联合对齐模型，其中，所述联合对齐模型包括所述知识图谱的实体
‑
关系评分函数、实体
‑
类评分函数、实体相似度函数、关系相似度函数和/或类相似度函数；其中，所述将多个知识图谱输入至预设的联合对齐模型，以得到每个所述知识图谱中实体、关系和类的向量表示，包括：利用所述联合对齐模型中的实体
‑
关系评分函数、实体
‑
类评分函数，得到每个所述知识图谱中实体、关系和类的向量表示；其中，所述根据所述知识图谱中实体、关系和类的向量表示，计算所述多个知识图谱的实体、关系和/或类的相似度，包括：利用所述联合对齐模型中的实体相似度函数、关系相似度函数和/或类相似度函数，计算所述知识图谱中一对实体、关系或类的相似度。3.根据权利要求2所述的处理方法，其特征在于，所述构建所述联合对齐模型，包括：利用Adam优化器迭代训练所述联合对齐模型。4.根据权利要求3所述的处理方法，其特征在于，所述利用Adam优化器迭代训练所述联合对齐模型，包括：利用Adam优化器，使用如下式所示的损失函数训练所述联合对齐模型，其中，e，e
′
，e
‘’
为实体向量，r为关系向量，c为类向量，f
r
(e,r,e
′
)为所述实体
‑
关系评分函数，f
ec
(e,c)为所述实体
‑
类评分函数，λ
r
和λ
ec
为边界参数，f
r
(e，r，e
′
)＝||e+r
‑
e
′
||，f
ec
(e，c)＝W
c
x
‑
b
c
，f
ec
(e，c)为类的线性空间，W
c
和b
c
为可学习参数，x为变量。5.根据权利要求4所述的处理方法，其特征在于，所述实体相似度函数如下式所示：S(e,e
′
)＝cos(A
ent
e,e
′
)其中，A
ent
为映射矩阵，所述映射矩阵通过利用Adam优化器，使用如下式所示的损失函数得到，其中，exp是指数函数。6.根据权利要求5所述的处理方法，其特征...

【专利技术属性】
技术研发人员：黄佳程，孙泽群，林靖豪，徐晓舟，陈起进，齐晓宁，任卫军，
申请(专利权)人：淘宝中国软件有限公司，
类型：发明
国别省市：