[发明专利]基于元社会关系圈的人物知识图谱属性获取方法及装置

说明书

本发明属于数据挖掘技术领域，特别涉及一种基于元社会关系圈的人物知识图谱属性获取方法及装置，该方法包含：遍历社交网络中用户，构建人物知识图谱，该人物知识图谱包含人物实体集合、人物实体之间的语义边集合、语义边对应的关系集合及语义边到关系集合的映射函数，每个人物实体设定有已知属性；基于用户的元社会关系圈推测用户未知属性并迭代更新人物知识图谱中属性值，直至社交网络中每个用户属性值均不再更新。本发明避免属性值摇摆等问题，且受元社会关系圈的条件限制，迭代过程收敛速度快，限定了特定社会关系与相应可推理属性类型的一致性，推测出的未知属性更准确，对基于人物关系的人物属性推理具有重要的指导意义。

技术领域

本发明属于数据挖掘技术领域，特别涉及一种基于元社会关系圈的人物知识图谱属性获取方法及装置。

背景技术

构建人物知识图谱，在民用市场、安全等领域，都具有十分广阔的应用前景。知识图谱通过融合来自各类数据源中的信息，并以规范化的本体描述，是一种良好的知识管理和组织工具。然而，由于人物属性信息的数据来源范围及信息抽取技术的限制导致初步构建的人物知识图谱存在一定程度的信息缺失，推理学习是知识图谱构建完善的重要方法，人物知识图谱推理即利用知识图谱的语义特性对初步构建的人物知识图谱缺失的关系与属性进行补全，从而构建完整的人物知识图谱。如何推理出缺失的人物属性信息，成为构建完整的知识图谱的一个关键问题。

目前，基于知识图谱的实体属性推理方法较少，而针对社交网络用户的属性推测方法研究较多，主要分为基于分类器的推测方法、基于多数迭代投票的推测方法以及基于社团挖掘的推测方法，鉴于社交网络与知识图谱相似的图结构特点，可以借鉴这些方法解决知识图谱中的实体属性推理。基于分类器的方法是研究较早且使用广泛的一类方法，根据用户的已知属性，利用分类器对用户进行分类，并依据类中其他用户的属性信息对该用户的未知属性进行推测，此类方法建立在用户已知属性较多的基础上，具有一定的局限性。基于多数投票的方法，其现实基础是社交网络中拥有相同属性的用户之间倾向于建立社交关系，因此认为社交网络中用户的大多数邻居拥有某一属性，则该用户也拥有该属性。该方法每次迭代根据邻居节点内最多属性的标签来确定当前未知节点的属性，会出现在迭代过程中未知节点在两个或多个属性之间摇摆的现象，导致属性推测过程收敛慢、推测结果的准确率不高的问题。基于社团挖掘的属性推测方法认为在社交网络中，由于用户之间共享某种属性，会出现社团内部的节点部分属性趋于一致的现象，并将社交网络属性推测问题转化成了社团结构最优化问题，求解最优社团划分，并依据用户所处社团中的已知属性来推测用户的缺失属性。该方法仅依据节点的属性信息来划分社团，并没有考虑用户之间的关系，会出现社团内部节点关联不紧密的情况，导致推测结果不准确。而投票算法，虽考虑了用户之间的关系，但未考虑到与不同邻居节点之间的社交关系类型可能不同，而依据不同类型的社交关系推测某一特定属性，结果不准确。

发明内容

为此，本发明提供一种基于元社会关系圈的人物知识图谱属性获取方法及装置，解决当前人物知识图谱中属性推测迭代过程收敛慢、推测结果准确率不高等问题，用于推测人物知识图谱中人物的属性，以构建完整的人物知识图谱，具有较强的实用性和可操作性。

按照本发明所提供的设计方案，一种基于元社会关系圈的人物知识图谱属性获取方法，包含如下内容：

A)遍历社交网络中用户，构建人物知识图谱，该人物知识图谱包含人物实体集合、人物实体之间的语义边集合、语义边对应的关系集合及语义边到关系集合的映射函数，每个人物实体设定有已知属性；

B)基于用户的元社会关系圈推测用户未知属性并迭代更新人物知识图谱中属性值，直至社交网络中每个用户属性值均不再更新。

上述的，A)中，人物知识图谱表示为KG＝{V，E，R，F}，其中，V表示人物实体集合，E表示人物实体之间的语义边集合，R表示语义边对应的关系集合，F表示语义边到R的映射函数。

上述的，B)中，依据人物知识图谱中人物实体间映射函数，获取用户的元社会关系圈。