[发明专利]一种词向量表示的获取方法、装置、设备及可读介质

权利要求书

1.一种词向量表示的获取方法，其特征在于，所述获取方法包括：

构建语料库对应的词语依赖图谱；

将所述词语依赖图谱的文本特征输入适用于有向图的图神经网络模型中进行训练，得到词向量图结构模型；其中，所述适用于有向图的图神经网络模型中是对图神经网络模型的目标节点的出入链的嵌入表示、出链邻居节点的特征向量表示和入链邻居节点的特征向量表示进行构建得到的；

利用所述词向量图结构模型对所述词语依赖图谱进行图嵌入处理，确定所述词语依赖图谱中的每个词的词向量表示。

2.根据权利要求1所述的获取方法，其特征在于，所述将所述词语依赖图谱的文本特征输入适用于有向图的图神经网络模型中进行训练，得到词向量图结构模型包括：

提取所述词语依赖图谱的实体特征和各实体间的边特征；

将所述词语依赖图谱的实体特征和各实体间的边特征输入所述适用于有向图的图神经网络模型中进行训练，得到所述词向量图结构模型。

3.根据权利要求1所述的获取方法，其特征在于，所述对图神经网络模型的目标节点的出入链的嵌入表示、出链邻居节点的特征向量表示和入链邻居节点的特征向量表示进行构建之前，所述获取方法还包括：

对图神经网络模型的目标节点进行初始化，得到目标节点的出入链的嵌入表示；

获取目标节点的邻居节点；

对目标节点的邻居节点的出链邻居节点执行向量聚合操作，得到出链邻居节点的特征向量表示；

对目标节点的邻居节点的入链邻居节点执行向量聚合操作，得到入链邻居节点的特征向量表示。

4.根据权利要求3所述的获取方法，其特征在于，所述对目标节点的邻居节点的出链邻居节点执行向量聚合操作，得到出链邻居节点的特征向量表示；对目标节点的邻居节点的入链邻居节点执行向量聚合操作，得到入链邻居节点的特征向量表示之前，所述获取方法还包括：

根据图神经网络中的出链节点与入链节点的比例确定抽样比例；

按照所述抽样比例对所述目标节点的邻居节点进行抽样，得到出链邻居节点和入链邻居节点。

5.根据权利要求1所述的获取方法，其特征在于，所述利用所述词向量图结构模型对所述词语依赖图谱进行图嵌入处理，确定所述词语依赖图谱中的每个词的词向量表示包括：

提取所述词语依赖图谱中的目标词的邻居接词的特征，得到图谱特征；

对所述图谱特征进行聚合，确定所述词语依赖图谱中的每个词的词向量表示。

6.根据权利要求5所述的获取方法，其特征在于，所述对所述图谱特征进行聚合，确定所述词语依赖图谱中的每个词的词向量表示包括：

获取目标词和该目标词的邻居接词之间的边权重；

利用所述目标词和该目标词的邻居接词之间的边权重对所述词向量图结构模型的邻居节点的向量表示进行加权。

7.一种词向量表示的获取装置，其特征在于，包括：

构建模块，用于构建语料库对应的词语依赖图谱；

训练模块，用于将所述词语依赖图谱的文本特征输入适用于有向图的图神经网络模型中进行训练，得到词向量图结构模型；其中，所述适用于有向图的图神经网络模型中是对图神经网络模型的目标节点的出入链的嵌入表示、出链邻居节点的特征向量表示和入链邻居节点的特征向量表示进行构建得到的；

词向量确定模块，用于利用所述词向量图结构模型对所述词语依赖图谱进行图嵌入处理，确定所述词语依赖图谱中的每个词的词向量表示。

8.根据权利要求7所述的获取装置，其特征在于，所述训练模块用于执行以下操作：

提取所述词语依赖图谱的实体特征和各实体间的边特征；

将所述词语依赖图谱实体特征和各实体间的边特征输入所述适用于有向图的图神经网络模型中进行训练，得到所述词向量图结构模型。

9.一种计算机设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6任一项所述的获取方法的步骤。

10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1至6任一项所述的获取方法。