[发明专利]一种基于图模型的实体链接方法

权利要求书

1.一种基于图模型的实体链接方法，其特征在于，该方法包括以下步骤：

1)离线数据处理，具体内容包括：一是对知识库中所有实体信息建立倒排索引，二是为知识库中每个实体进行向量化表示，具体为：

1a)建立倒排索引：将存储在知识库中的实体信息包含标题、目录、信息框键值对及摘要，为每个实体构建一个Document对象，每个Document对象中包含标题，目录，信息框、摘要等field域；

1b)实体向量化表示，具体步骤为：首先从RDF子图中得到同各个实体紧密相关的其他实体及其关系，将这些实体及关系转化为序列，然后基于得到的序列作为训练语料通过Word2Vec的Skip-Gram神经语言模型训练，得到各实体的语义向量表示；

2)候选实体生成，具体步骤为：首先对每个实体指称进行表层名字扩展，得到一个查询字符串列表，然后对列表中每个查询字符串从知识库索引中查找得到候选实体集合，最后将所有的候选实体集合进行合并；

3)候选实体消歧：借助实体关联图，采用动态实体消歧算法实现输入文本中歧义实体的消歧，将其正确链接到本地知识库中的目标实体上，具体内容包括三个方面：计算候选实体间语义相似度，构建实体关联图以及基于图和PageRank的动态实体消歧；

所述候选实体间语义相似度按照以下方式计算：计算两个候选实体语义向量间的余弦相似度，将其作为两个候选实体间的语义相似度；

构建实体关联图的具体内容包括顶点集合构建和边集合构建：将文本中识别得到的实体指称对应的候选实体集合作为顶点集合；在两个不同的实体指称的候选实体间建立有向边，从而得到边集合；

基于图和PageRank的动态实体消歧的具体方式为：通过PageRank算法对所有顶点的得分进行排序，挑选出最高得分的未消歧候选实体作为最佳候选实体，图中仅保留实体指称的最佳候选实体，删除其他已被淘汰的候选实体顶点，重复该动态实体消歧算法，直到所有的实体指称完成候选实体集合的消歧则算法结束；

所述实体关联图的具体构建流程为：

3a)将候选实体作为实体关联图中的顶点名，将候选实体是目标实体的概率作为实体关联图中的顶点值；所述顶点值按照如下方式计算：

顶点值初始化：当实体指称对应的候选实体唯一时，候选实体对应的顶点值初始化为1，当实体指称对应n个候选实体时，n个候选实体对应的顶点值均初始化为1/n；

顶点值更新：判断所有的实体指称是否均完成候选实体集合的消歧，若是，则进入步骤4)，否则，将未消歧候选实体对应的顶点值更新为PageRank值；

所述步骤3b)中根据下式计算起点候选实体到终点候选实体的转化概率：

其中和分别代表第i个实体指称的第a个候选实体和第j个实体指称的第b个候选实体，代表候选实体的语义向量，代表候选实体的语义向量，V代表关联图中所有的顶点集合，V_i代表关联图中实体指称i对应的候选实体的顶点集合，V\V_i代表关联图中除了实体指称i对应的候选实体的顶点外的所有顶点集合，表示候选实体和候选实体间的语义相似度，表示候选实体到候选实体的转化概率，即有向边的边权；

3b)将起点候选实体到终点候选实体的转化概率作为有向边的边权，记为

4)未登录实体检测：对步骤3)得到的实体消歧结果进行检测，将知识库未登录实体的实体指称对应的目标实体标记为新实体，具体流程为：

4a)XGBoost分类器构建：用手工标记的数据对分类器进行训练，用训练后得到的分类器判定实体指称对应的目标实体是属于知识库已登录实体还是属于未登录实体；

4b)新实体标记：将步骤3)得到的实体消歧结果输入XGBoost分类器，对分类器判定为知识库未登录实体的实体指称对应的目标实体标记为新实体。