[发明专利]一种知识图谱处理方法及装置

说明书

本发明公开了一种知识图谱处理方法及装置，获取原始知识图谱的三元组的集合；对三元组中的关系之间的语义关联进行建模，确定原始知识图谱的相关模式和相关系数；基于原始知识图谱的相关模式和相关系数，确定嵌入向量；获取三元组与三元组对应的领域连接的局部图信息；基于局部图信息确定原始知识图谱的图结构信息；基于嵌入向量和图结构信息，获取原始知识图谱中缺失链的预测信息；基于缺失链的预测信息更新原始知识图谱，获得目标知识图谱。本发明通过相关模式、相关系数和图结构信息高效利用关系之间的相关性，实现了对知识图谱的处理，使得提升了基于知识图谱的模型的处理精度。

技术领域

本发明涉及自然语言处理技术领域，特别是涉及一种知识图谱处理方法及装置。

背景技术

知识图谱是一种用图模型来描述知识和建模事物之间关联关系的技术方法。知识图谱可以分为同构知识图谱和异构知识图谱，同构知识图谱中所有实体为相同类型，所有关系也为相同类型，而异构知识图谱的实体和关系可以为不同类型。因此，异构知识图谱包含了更为丰富的信息，对知识推理准确性的提升有很大的帮助。异构知识图谱一般采用三元组的方法对知识进行表示和存储，实体对应三元组的起始实体和终止实体，关系对应三元组的关系。

对于现实世界的知识图谱来说，新的实体不断涌现，如电子商务知识图谱中的新用户和新产品，生物医学知识图谱中的新分子等。此外，知识图谱通常面临不完全性问题，即一些链接的缺失。为了解决这一问题通常会通过归纳链接预测完成。归纳链接预测的目的是预测知识图谱中实体之间的缺失链接，其中涉及到的实体在训练和推理阶段是不同的。尽管归纳链接预测在实际应用中具有重要意义，但许多现有的研究都集中在直推式链接预测上，无法处理训练中不出现的实体。

现有的归纳推理模型主要是通过学习知识图谱中的逻辑规则来预测缺失链接。基于规则学习的方法根据观察到的关系共现模式显示地挖掘逻辑规则，这些规则具有内在的归纳性，因为学习的规则是独立于实体，可以自然地推广到新的实体。然而，现有的归纳推理方法在预测缺失链接没有考虑相邻三元组，会使得推理预测过程缺失信息，降低了模型的归纳推理能力，从而使得模型的精准性降低。

发明内容

针对于上述问题，本发明提供一种知识图谱处理方法及装置，提升了模型的归纳推理能力以及处理的精准性。

为了实现上述目的，本发明提供了如下技术方案：

一种知识图谱处理方法，包括：

获取原始知识图谱的三元组的集合，所述三元组包括头实体、尾实体以及所述头实体和尾实体之间的关系；

对所述三元组中的关系之间的语义关联进行建模，确定所述原始知识图谱的相关模式和相关系数，所述相关模式表征所述原始知识图谱中任意两个关系之间的相关性与其拓扑结构高度相关的模式，所述相关系数表征所述原始知识图谱中任意两个关系之间的语义相关程度；

基于所述原始知识图谱的相关模式和相关系数，确定嵌入向量；

获取所述三元组与所述三元组对应的领域连接的局部图信息；

基于所述局部图信息确定所述原始知识图谱的图结构信息；

基于所述嵌入向量和所述图结构信息，获取所述原始知识图谱中缺失链的预测信息；

基于所述缺失链的预测信息更新所述原始知识图谱，获得目标知识图谱。

可选地，所述对所述三元组中的关系之间的语义关联进行建模，确定所述原始知识图谱的相关模式和相关系数，包括：

基于所述三元组中的关系之间的语义关联，确定所述三元组的拓扑关系模式；

基于所述拓扑关系模式，将所述原始知识图谱转换为关系相关图，所述关系相关图中节点表示所述原始知识图谱中的关系，所述关系相关图中的边表示所述原始知识图谱中任意两个关系之间的拓扑关系模式；