[发明专利]知识图谱扩展模型、结构化知识存储方法与设备

说明书

本发明涉及人工智能领域，具体涉及一种知识图谱扩展模型、结构化知识存储方法与设备，旨在解决现有技术中无法存储量化数据的问题。本发明的知识图谱扩展模型包括：包括实体和关系，实体与实体之间的连接为有向连接，有向连接边包含关系；每个关系包括可选的一个或多个属性；每个实体、每个关系和每个属性均具有唯一标识符。每个关系包括可选的一个或多个属性；每个实体、每个关系和每个属性均具有唯一标识符；每个属性包括：数据类型和取值以及可选的量纲。本发明的存储方法基于上述知识图谱扩展模型，将结构化知识存储为关系型数据库的数据表结构，将量化数据存入属性中，便于实现逻辑推理和量化推理，而且提高了查询效率。

技术领域

本发明涉及人工智能领域，具体涉及一种知识图谱扩展模型、结构化知识存储方法与设备。

背景技术

随着计算机技术和人工智能技术的发展，如何让计算机自动地存储并理解知识，进而对知识进行自动化的逻辑推理，是近年来的一个热点研究领域。

本体论(Ontology)是一种对知识的建模方法，它将每一个概念定义为一个实体，通过一系列标准语法来定义实体与实体之间的联系。知识图谱(Knowledge Graph)理论将知识以有向图的形式建模，将每个实体作为图的一个结点，而实体之间的关系为连接实体结点的边。

图1是现有知识图谱的实体关系模型示意图。如图1所示，在传统知识图谱的建模方法中，实体和实体的关系可以表示为数学三元组：E＝(E1,R,E2)，其中，E1、E2表示实体，R表示关系。在上述系结构体系中，关系R作为一元属性，无法表达定量值、量纲等更多的信息。可以进行基于语义的逻辑推理和基于有向图遍历的推理，如表1所示：

表1

从表1可以看出现有的对知识图谱建模的方法，对于知识概念实体之间的关系，只能体现出实体间定性的逻辑关系，无法体现出实体间定量的关系，对于逻辑推理也只能进行定性的推理，无法进行定量的推理和更为精确的定量计算。例如，现有的知识图谱建模方法对知识“胡萝卜含有维生素C”可以进行建模表示，但对于含有定量参数的知识，如“每100克胡萝卜含有13毫克维生素C”无法进行有效的建模表示，也无法对“哪些食物每100克维生素C含量在10毫克以上且热量在100千卡以内”等命题进行自动推理。

发明内容

为了解决现有技术中的上述问题，本发明提出了一种知识图谱扩展模型、结构化知识存储方法与设备，将复杂的推理转化为数据库查询，提高了搜索效率。

本发明的第一方面，提出一种知识图谱扩展模型，包括实体与关系；

两个所述实体之间的连接为有向连接，有向连接边包含所述关系；

至少一个所述有向连接边还包含用于描述所述关系的一个或多个属性；

其中，每个所述实体、每个所述关系和每个所述属性均具有唯一标识符。

优选地，所述属性包括：数据类型和取值。

优选地，若所述属性的数据类型为数值型，则该属性还包括对应的量纲。

本发明的第二方面，还提出一种结构化知识存储方法，包括以下步骤：

获取结构化知识的实体、关系和所述关系对应的属性；

基于所述结构化知识并且根据所述实体和所述关系构建实体-关系-实体三元关联表；

基于所述结构化知识判断所述实体-关系-实体三元关联表中每个关系是否存在对应的属性；若是，则将所述属性关联至相应的关系。

优选地，所述方法还包括：

根据所述关系和所述属性构建关系-属性关联表。