基于图深度学习的语义标签对齐系统技术方案

本发明专利技术的技术方案是提供了一种基于图深度学习的语义标签对齐系统，其特征在于，包括图构建模块；目标采样模块；邻居采样模块；有偏视图采样模块；动态入图模块；节点初始表征模块；图神经网络模块；基于transformer的排序模块；hingeloss损失函数模块。针对面对大量语料数据构成的图的稀疏性，本发明专利技术制定语料之间的多种关系，使得最后生成稠密异构图；针对图神经网络的拟合能力以及泛用性均偏弱的情况，本发明专利技术选择更好的图模型去解决问题；针对对齐模型在不同候选项间的弱协同交互的能力问题，本发明专利技术制定了一种交互方法去加强候选项之间的协同交互能力。

【技术实现步骤摘要】

本专利技术涉及一种基于行业、企业、产品多个维度的语义标签，基于多任务学习融合多种算法模型的语义标签对齐方法，所属包括：实体对齐、推荐系统、图神经网络。

技术介绍

1、语义标签常见于文本系统之中，在推荐系统、信息索引等领域有着重要的作用，然而如何梳理庞杂的语义标签一直是一项难题。本专利技术讨论的场景是，给定一个基于行业、企业、产品多个维度并具有结构关系(如层级关系或其他网络关系)的语义标签集合(具有结构关系的语义标签集合可简称为“语义标签图”)，当一个任意的语义标签出现时，如何对齐至标准语义标签图中的一个节点。

2、目前针对语义标签对齐的技术，存在多种模型方案，主要包括kgat、gatne、bert-int、transe等等。总结来看，现有模型方案可分成三大类方案：

3、1、基于图的推荐系统，以kgat、gatne为例。这类模型考虑了各个不同类型的语义标签节点的交互行为和连接关系，并利用图分析、图神经网络和图嵌入等技术来提供个性化的对齐服务(推荐服务)。

4、2、基于图表达的实体对齐，以bert-int、hgt为例，这类模本文档来自技高网...

【技术保护点】

1.一种基于图深度学习的语义标签对齐系统，其特征在于，包括：

2.如权利要求1所述的一种基于图深度学习的语义标签对齐系统，其特征在于，所述图构建模块通过五种关系构建所述语义标签图G，包括：“字面有序组成”、“层级上位”、“已对齐”、“别名”以及“描述语料”。

3.如权利要求1所述的一种基于图深度学习的语义标签对齐系统，其特征在于，所述目标采样模块通过以下两种方法之一生成负样本节点对：

4.如权利要求1所述的一种基于图深度学习的语义标签对齐系统，其特征在于，在所述图神经网络模块中，把上一步各个标签节点向量化后的异构图去汇集各个语义标签节点的每个被选定的邻...

【技术特征摘要】

1.一种基于图深度学习的语义标签对齐系统，其特征在于，包括：

2.如权利要求1所述的一种基于图深度学习的语义标签对齐系统，其特征在于，所述图构建模块通过五种关系构建所述语义标签图g，包括：“字面有序组成”、“层级上位”、“已对齐”、“别名”以及“描述语料”。

3.如权利要求1所述的一种基于图深度学习的语义标签对齐系统，其特征在于，所述目标采样模块通过以下两种方法之一生成负样本节点对：

4.如权利要求1所述的一种基于图深度学习的语义标签对齐系统，其特征在于，在所述图神经网络模块中，把上一步各个标签节点向量化后的异构图去汇集各个语义标签...

【专利技术属性】
技术研发人员：殷玥，朱贾伟，张旋，
申请(专利权)人：万得信息技术股份有限公司，
类型：发明
国别省市：