[发明专利]基于用户反馈信息进行知识图谱目标节点预测的方法

说明书

本发明公开了一种基于用户反馈信息进行知识图谱目标节点预测的方法，该方法包括以下步骤：1)根据样本数据构建知识图谱，定义目标节点、观测节点，统计相关概率数据；2)基于用户输入信息，设计BN_local算法预测各个目标节点概率；3)设计vn_DQN模型根据当前目标节点的概率状态判断是否完成预测，若是，输出预测结果完成预测，否则推荐相关观测节点向用户询问，优化决策路径。本发明提供的基于用户反馈信息进行知识图谱目标节点预测方法，能够有效的可解释性的进行目标预测以及优化决策路径。

技术领域

本发明涉及知识图谱节点预测问题，具体地说挖掘目标事件中的特征信息构建实体，以及实体之间的关系，利用这些信息对目标进行预测即一种基于用户反馈信息进行知识图谱目标节点预测的方法。

背景技术

人工智能的定义非常广泛，随着时间的推演和技术的进步，人工智能技术也将不断进化，凭借现有的技术和大数据储备量，该技术在安防、医疗、交通等多个领域取得了令人瞩目的效果。可将这些领域中的主要问题转化为一个目标检测问题，例如：安防问题中突发事件可作为一个检测目标，医疗问题中确诊疾病可作为一个检测目标，交通问题中交通阻塞可作为一个目标。针对这类问题，现阶段技术主要有以下几种：

1)基于规则

这类技术在疾病诊断的专家系统中得到广泛使用，主要采用数据挖掘的方法从病例数据中抽取规则，并基于这些规则建立了医疗诊断系统。刘文宝等人就以住院烧伤患者检测结果为基本资料，结合烧伤病理特征，利用决策树算法和诊断指标建立判别规则，对检查(检验)指标进行筛选，选出对快速诊断影响最关键的指标，同时发现隐藏在医疗数据中的有用规则。

其中一个难以回避的问题是在含有缺失值的医疗数据上的规则集生成问题。目前，Cios等进行了对探索性研究，提出了一种生成含有不等式关系规则的挖掘方法，当属性含有许多值且大部分值与相同类别关联时，算法就可以有效地生成规则集合。不等式规则为知识挖掘过程提供了有效的补充，使获取的知识可以更好的描述含有缺失值的数据集。

2)基于知识图谱

知识图谱在数据实体关系的表示上发挥着重大作用，广义知识图谱DBpedia、WikiPedia，领域性知识图谱如金融，中医药等都纷纷出现。知识图谱的使用主要由两个部分组成，建图和推断。建图任务即为根据已有的结构化或非结构化数据生成含有概率或语义信息的知识图谱。Rotmensch等人使用朴素贝叶斯以及线性回归方法为从医疗文档中自动抽取出的概念进行建图。谷歌的医疗知识图谱则使用人工与自动化流程相结合的方法进行建图。

在推断任务中，一般会为图中的每一个节点赋予概率或者信念，通过概率以及节点与节点之间的语义信息来进行推断。例如在Desarkar以及Goodwin等人的工作中，医疗推断过程被转化为在知识图谱上的信念传播过程从而得到最终的答案。在Jiang等人的工作中，医疗相关的概念首先通过自然语言处理方法从文档中提取出，网络由一阶谓词以及诊断关系构成，在网络上的推断则基于马尔可夫网络理论，使用玻尔兹曼机作为势函数为诊断过程打分，根据路径上概率的高低得到最终的结果。在Aasman的工作中，知识图谱被以更加结构化以及更细致的方式(如FDL，HL7等等)组织起来，随后使用检索的方法直接从知识图谱中得到想要的答案。

3)基于深度学习

随着数据挖掘技术的不断发展，与数据紧密相关的深度学习模型自动抽取特征的能力不俗的效果使其受到了极大的关注。其中循环神经网络和注意力机制已经成功应用于各种序列建模任务，如语言建模、机器翻译、语音识别等。受RNN解码器用于模拟多标签学习问题中的标签依赖性，以及注意力机制引导网络关注输入的一个特定部分的启发，YutaoZhang等人把治疗推荐(TreatmentRecommendation)问题定义为一个多实例多标签问题，首次充分利用RNN来解决多实例多标签学习问题。