一种基于激活扩散模型的带权认知图谱权重计算方法技术

本发明专利技术公开了一种基于激活扩散模型的带权认知图谱权重计算方法，包括如下步骤：步骤1、从学习输入中抽取对象及对象间的作用关系分别作为实体和关系；步骤2、采用数据库存储实体和关系；步骤3、实现激活扩散的能量分配；步骤4、通过步骤1、步骤2和步骤3的累计、迭代式构建认知图谱并实现可视化。本发明专利技术基于激活扩散模型的带权认知图谱的权重计算为认知图谱知识库领域化、个性化提供了技术支持，丰富了大规模知识库降维技术，为知识库高效存储、检索提供了可能。

【技术实现步骤摘要】

本专利技术涉及人工智能，尤其是一种基于激活扩散模型的带权认知图谱权重计算方法。

技术介绍

1、受硅基芯片物理规律的制约，算力依赖严重的深度学习框架在智能代理(artificial intelligence agent)自主学习、知识管理上的瓶颈日益明显。由知识图谱发展而来的认知图谱被认为是通用人工智能(agi，artificial general intelligence)的下一个瑰宝。认知图谱不仅显示出比知识图谱更强的推理能力，在知识学习上更具有人类认知特点，在知识层级衍进、再生创新上更有一致性和连续性。目前对于认知图谱构建中的权重计算，一般采用基于统计或机器学习的方法，这种一次性学习无法实现知识的累积、迭代与更新，从而导致认知图谱的学习和推理能力不足。与基于统计或机器学习的方法不同的是，基于激活扩散模型的带权认知图谱权重计算方法所构建的知识库领域特征明显，知识组织结构更“经济”，有效降低了大语言模型空间维度，在知识存储、检索上表现凸出，更符合类脑智能的认知学习特点。

技术实现思路

1、本专利技术所要解决的本文档来自技高网...

【技术保护点】

1.一种基于激活扩散模型的带权认知图谱权重计算方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于激活扩散模型的带权认知图谱权重计算方法，其特征在于，步骤1中，使用句法分析方法抽取对象及对象间的作用关系，将三元组确定为<实体，作用关系，实体>，其中作用关系包括主谓关系、动宾关系、间宾关系、前置宾语、定中关系、状中结构、动补结构、并列关系、介宾关系、兼语、左附加关系、右附加关系。

3.如权利要求1所述的基于激活扩散模型的带权认知图谱权重计算方法，其特征在于，步骤2中，利用边表存储每对实体作用关系及输入时间，利用节点表存储每个实体节点的出现频次，并...

【技术特征摘要】

1.一种基于激活扩散模型的带权认知图谱权重计算方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于激活扩散模型的带权认知图谱权重计算方法，其特征在于，步骤1中，使用句法分析方法抽取对象及对象间的作用关系，将三元组确定为<实体，作用关系，实体>，其中作用关系包括主谓关系、动宾关系、间宾关系、前置宾语、定中关系、状中结构、动补结构、并列关系、介宾关系、兼语、左附加关系、右附加关系。

3.如权利要求1所述的基于激活扩散模型的带权认知图谱权重计算方法，其特征在于，步骤2中，利用边表存储每对实体作用关系及输入时间，利用节点表存储每个实体节点的出现频次，并根据激活扩散模型的计算，存储其对应权重。

4.如权利要求1所述的基于激活扩散模型的带权认知图谱权重计算方法，其特征在于，步骤3中，激活扩散的能量分配包括激活源节点的能量获取、激活扩散过程的能量分配和衰减、激活扩散的阈值和深度控制。

5.如权利要求4所述的基于激活扩散模型的带权认知图谱权重计算方法，其特征在于，激活源节点的能量获取，根据节点的权重大小确定，节点的权重越大，获得的激活能量越大，激活源节点获得的能量值符合a＝lnx的函数映射，其中x为激活源节点的强度，a为激活源节点获得的能量。

6.如权利要求4所述的基于激活扩散模型的带权认知图谱权重计算方法，其特征在于，激活扩散过程的能量分配和衰减，某节点分配到的能量等于分配能量乘该节点与分配能量的节点的边权重相对于分配能量的节点的所有边权...

【专利技术属性】
技术研发人员：徐朝军，李晓璐，钱怡玲，谢佳婧，吴悦，吴金迪，贺富瑶，陈舸航，李健生，李艺，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：