本發(fā)明涉及知識(shí)圖譜的構(gòu)建和多元關(guān)系推理，更具體的說是涉及一種面向多元關(guān)系場(chǎng)景的知識(shí)推理方法、系統(tǒng)、裝置及介質(zhì)。

背景技術(shù)：

1、知識(shí)圖譜是一種用于描述實(shí)體之間關(guān)系的語義網(wǎng)絡(luò)，它是一種半結(jié)構(gòu)化數(shù)據(jù)的表示方法，用于描述實(shí)體、屬性和實(shí)體之間的關(guān)系。知識(shí)圖譜的核心思想是將現(xiàn)實(shí)世界中的信息轉(zhuǎn)化為圖形，其中節(jié)點(diǎn)表示實(shí)體（如人、地點(diǎn)、事物等），邊表示實(shí)體之間的關(guān)系。知識(shí)圖譜的目的是提高搜索引擎的性能，提供更加友好的搜索結(jié)果。隨后知識(shí)圖譜在學(xué)術(shù)界受到了極大的關(guān)注，其構(gòu)建技術(shù)也在飛速發(fā)展。目前，知識(shí)圖譜已經(jīng)被廣泛地應(yīng)用到知識(shí)問答、智能搜索、個(gè)性化推薦、軟件復(fù)用、政府治理等多個(gè)領(lǐng)域。

2、目前，知識(shí)圖譜主要關(guān)注二元關(guān)系事實(shí)。二元關(guān)系事實(shí)通常表示為一個(gè)三元組<主語，謂語，賓語>組成的集合：實(shí)體、屬性、關(guān)系，抽取為<實(shí)體1，關(guān)系，實(shí)體2>和<實(shí)體1，屬性1，屬性值1>。三元組的謂語可以被理解為一個(gè)二元關(guān)系，即連接了主語和賓語的有序?qū)M成的集合。這種簡(jiǎn)化處理雖然在一定程度上提高了處理效率，但也導(dǎo)致了大量語義信息的丟失，使得實(shí)體之間存在的關(guān)系可能不完整，難以最大化發(fā)揮數(shù)據(jù)的價(jià)值。

3、在多元關(guān)系場(chǎng)景中，涉及兩個(gè)以上實(shí)體的關(guān)系普遍存在。例如，在開放知識(shí)圖譜freebase中，超過1/3的實(shí)體參與了多元關(guān)系事實(shí)的表示。然而，現(xiàn)有的研究大多集中在二元關(guān)系事實(shí)的鏈接預(yù)測(cè)上，對(duì)于多元關(guān)系事實(shí)的推理和表示學(xué)習(xí)相對(duì)較少。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)以上問題，本發(fā)明的目的在于提供一種面向多元關(guān)系場(chǎng)景的知識(shí)推理方法、系統(tǒng)、裝置及介質(zhì)，能夠快速準(zhǔn)確構(gòu)建實(shí)體間的多元關(guān)系和確定這些關(guān)系的類型，并擴(kuò)展傳統(tǒng)的知識(shí)圖譜，以更好地表示實(shí)體之間的復(fù)雜關(guān)系。

2、本發(fā)明為實(shí)現(xiàn)上述目的，通過以下技術(shù)方案實(shí)現(xiàn)：

3、第一方面，本發(fā)明公開了一種面向多元關(guān)系場(chǎng)景的知識(shí)推理方法，包括：

4、通過機(jī)器學(xué)習(xí)模型識(shí)別文本中的實(shí)體，并將實(shí)體鏈接到知識(shí)圖譜中的對(duì)應(yīng)節(jié)點(diǎn)上；

5、利用語法分析器和循環(huán)神經(jīng)網(wǎng)絡(luò)從文本中抽取實(shí)體間的關(guān)系，確定關(guān)系類型，并生成多元關(guān)系數(shù)據(jù)；

6、利用多關(guān)系超圖對(duì)多元關(guān)系數(shù)據(jù)進(jìn)行建模，并使用嵌入技術(shù)將知識(shí)圖譜中的實(shí)體和實(shí)體間的關(guān)系映射到連續(xù)的向量空間以預(yù)測(cè)出未知的實(shí)體間未知的實(shí)體和實(shí)體間的關(guān)系，并更新知識(shí)圖譜；

7、利用圖結(jié)構(gòu)進(jìn)行邏輯推理，從知識(shí)圖譜中學(xué)習(xí)推理規(guī)則，搜索特定的路徑以發(fā)現(xiàn)實(shí)體間的新關(guān)系。

8、進(jìn)一步，所述通過機(jī)器學(xué)習(xí)模型識(shí)別文本中的實(shí)體，并將實(shí)體鏈接到知識(shí)圖譜中的對(duì)應(yīng)節(jié)點(diǎn)上，包括：

9、對(duì)文本進(jìn)行分詞處理，對(duì)每個(gè)分詞進(jìn)行特征提取，提取出文本特征；

10、使用機(jī)器學(xué)習(xí)模型對(duì)分詞進(jìn)行分類，識(shí)別出文本中的實(shí)體；

11、從知識(shí)圖譜中檢索與實(shí)體名稱相匹配的候選實(shí)體，作為鏈接候選節(jié)點(diǎn)；

12、結(jié)合上下文信息、實(shí)體描述和知識(shí)圖譜中的關(guān)系，進(jìn)行實(shí)體消歧，從候選實(shí)體出選擇出確定的實(shí)體，作為標(biāo)準(zhǔn)節(jié)點(diǎn)；

13、將實(shí)體鏈接到知識(shí)圖譜中的標(biāo)準(zhǔn)節(jié)點(diǎn)上，并確定實(shí)體的起始和結(jié)束位置。

14、進(jìn)一步，所述利用語法分析器和循環(huán)神經(jīng)網(wǎng)絡(luò)從文本中抽取實(shí)體間的關(guān)系，確定關(guān)系類型，包括：

15、使用依存句法分析解析文本的句子結(jié)構(gòu)，從文本的句子中識(shí)別出實(shí)體對(duì)；

16、對(duì)每個(gè)實(shí)體對(duì)使用基于循環(huán)神經(jīng)網(wǎng)絡(luò)rnn優(yōu)化算法lstm構(gòu)建的關(guān)系抽取模型來確定它們之間的關(guān)系類型。

17、進(jìn)一步，所述利用多關(guān)系超圖對(duì)多元關(guān)系數(shù)據(jù)進(jìn)行建模，并使用嵌入技術(shù)將知識(shí)圖譜中的實(shí)體和實(shí)體間的關(guān)系映射到連續(xù)的向量空間以預(yù)測(cè)出未知的實(shí)體間未知的實(shí)體和實(shí)體間的關(guān)系，并更新知識(shí)圖譜，包括：

18、利用多關(guān)系超圖對(duì)多元關(guān)系數(shù)據(jù)進(jìn)行建模，以表示實(shí)體和關(guān)系；

19、使用嵌入技術(shù)將實(shí)體和關(guān)系映射到連續(xù)的向量空間，通過向量運(yùn)算預(yù)測(cè)實(shí)體間未知的關(guān)系，使用聚類或分類方法預(yù)測(cè)新的實(shí)體類型或?qū)嵗⑸啥嘣P(guān)系更新數(shù)據(jù)；

20、根據(jù)多元關(guān)系更新數(shù)據(jù)更新知識(shí)圖譜。

21、進(jìn)一步，所述利用圖結(jié)構(gòu)進(jìn)行邏輯推理，從知識(shí)圖譜中學(xué)習(xí)推理規(guī)則，搜索特定的路徑以發(fā)現(xiàn)實(shí)體間的新關(guān)系，包括：

22、利用圖嵌入技術(shù)將知識(shí)圖譜的實(shí)體和關(guān)系轉(zhuǎn)化為向量表示，即h?+r≈t，其中h、r和t分別代表頭實(shí)體、關(guān)系和尾實(shí)體的向量表示；

23、定義評(píng)分函數(shù)為，優(yōu)化目標(biāo)是最小化評(píng)分函數(shù)??；

24、通過深度優(yōu)先搜索算法或廣度優(yōu)先搜索算法，在知識(shí)圖譜中尋找連接實(shí)體的特定路徑，以發(fā)現(xiàn)新的實(shí)體關(guān)系；

25、應(yīng)用一階邏輯或描述邏輯推理方法，對(duì)新的實(shí)體關(guān)系進(jìn)行驗(yàn)證和推導(dǎo)，確保關(guān)系的正確性和合理性；

26、將新的實(shí)體關(guān)系以結(jié)構(gòu)化的方式輸出。

27、進(jìn)一步，所述文本特征包括：詞性特征、上下文特征、形態(tài)學(xué)特征；

28、所述機(jī)器學(xué)習(xí)模型包括但不限于：條件隨機(jī)場(chǎng)、雙向lstm模型、bert模型。

29、進(jìn)一步，所述嵌入技術(shù)采用基于平移的知識(shí)圖譜嵌入模型transe、基于語義匹配的知識(shí)圖譜嵌入模型complex或基于旋轉(zhuǎn)的知識(shí)圖譜嵌入模型rotate。

30、第二方面，本發(fā)明還公開了一種面向多元關(guān)系場(chǎng)景的知識(shí)推理系統(tǒng)，包括：

31、實(shí)體識(shí)別與鏈接模塊，用于通過機(jī)器學(xué)習(xí)模型識(shí)別文本中的實(shí)體，并將實(shí)體鏈接到知識(shí)圖譜中的對(duì)應(yīng)節(jié)點(diǎn)上；

32、關(guān)系抽取模塊，用于利用語法分析器和循環(huán)神經(jīng)網(wǎng)絡(luò)從文本中抽取實(shí)體間的關(guān)系，并確定關(guān)系類型；

33、知識(shí)補(bǔ)全模塊，用于利用多關(guān)系超圖對(duì)多元關(guān)系數(shù)據(jù)進(jìn)行建模，并使用嵌入技術(shù)將知識(shí)圖譜中的實(shí)體和實(shí)體間的關(guān)系映射到連續(xù)的向量空間以預(yù)測(cè)出未知的實(shí)體間未知的實(shí)體和實(shí)體間的關(guān)系，并更新知識(shí)圖譜；

34、圖推理模塊，用于利用圖結(jié)構(gòu)進(jìn)行邏輯推理，從知識(shí)圖譜中學(xué)習(xí)推理規(guī)則，搜索特定的路徑以發(fā)現(xiàn)實(shí)體間的新關(guān)系。

35、第三方面，本發(fā)明還公開了一種面向多元關(guān)系場(chǎng)景的知識(shí)推理裝置，包括：

36、存儲(chǔ)器，用于存儲(chǔ)面向多元關(guān)系場(chǎng)景的知識(shí)推理程序；

37、處理器，用于執(zhí)行所述面向多元關(guān)系場(chǎng)景的知識(shí)推理程序時(shí)實(shí)現(xiàn)如上文任一項(xiàng)所述面向多元關(guān)系場(chǎng)景的知識(shí)推理方法的步驟。

38、第四方面，本發(fā)明還公開了一種可讀存儲(chǔ)介質(zhì)，所述可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有面向多元關(guān)系場(chǎng)景的知識(shí)推理程序，所述面向多元關(guān)系場(chǎng)景的知識(shí)推理程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文任一項(xiàng)所述面向多元關(guān)系場(chǎng)景的知識(shí)推理方法的步驟。

39、對(duì)比現(xiàn)有技術(shù)，本發(fā)明有益效果在于：?本發(fā)明公開了一種面向多元關(guān)系場(chǎng)景的知識(shí)推理方法、系統(tǒng)、裝置及介質(zhì)，首先進(jìn)行實(shí)體識(shí)別與鏈接，識(shí)別文本中的命名實(shí)體，并將這些實(shí)體與知識(shí)圖譜中相應(yīng)的節(jié)點(diǎn)進(jìn)行匹配鏈接。然后進(jìn)行關(guān)系抽取，使用循環(huán)神經(jīng)網(wǎng)絡(luò)rnn優(yōu)化算法lstm來確定實(shí)體之間的關(guān)系類型實(shí)體間的關(guān)系以及這些關(guān)系的類型。接下來進(jìn)行知識(shí)補(bǔ)全，利用多關(guān)系超圖對(duì)多元關(guān)系數(shù)據(jù)進(jìn)行建模，推理出圖譜中尚未發(fā)現(xiàn)的實(shí)體關(guān)系或新實(shí)體來填補(bǔ)這些空白，機(jī)器學(xué)習(xí)模型會(huì)學(xué)習(xí)已知實(shí)體和關(guān)系的模式，并預(yù)測(cè)未知信息。最后利用圖結(jié)構(gòu)進(jìn)行邏輯推理。本發(fā)明可快速準(zhǔn)確構(gòu)建實(shí)體間的多元關(guān)系和確定這些關(guān)系的類型，可擴(kuò)展傳統(tǒng)的知識(shí)圖譜，以更好地表示實(shí)體之間的復(fù)雜關(guān)系，解決了現(xiàn)有解決方案中實(shí)體之間關(guān)系比較單一，損失大量語義信息的問題，給知識(shí)圖譜的構(gòu)建和應(yīng)用帶來了更寬闊的發(fā)展前景。

40、通過本發(fā)明可以構(gòu)建多個(gè)實(shí)體之間的復(fù)雜關(guān)系，挖掘出更多的語義信息，可大量應(yīng)用于自然語言處理、人工智能等領(lǐng)域。在自然語言處理中，文本中的信息往往涉及到多個(gè)實(shí)體和概念，通過多元知識(shí)推理技術(shù)，可以更好地理解和解釋文本中的含義。在人工智能領(lǐng)域，通過使用多元知識(shí)推理技術(shù)，可以幫助構(gòu)建更真實(shí)、更復(fù)雜的人工智能系統(tǒng)，使其能夠更好地理解和應(yīng)對(duì)實(shí)際應(yīng)用的問題。

41、由此可見，本發(fā)明與現(xiàn)有技術(shù)相比，具有突出的實(shí)質(zhì)性特點(diǎn)和顯著的進(jìn)步，其實(shí)施的有益效果也是顯而易見的。