[发明专利]基于指称句的知识图谱和文本信息的表示方法及系统

说明书

本发明公开了一种基于指称句的知识图谱和文本信息的表示方法及系统，涉及机器学习技术领域，该方法包含：对知识图谱进行建模，获得实体向量和关系向量；获取纯文本中包含的与关系相关的深层语义信息，并进行知识建模，获得文本化关系向量；获取纯文本中包含的与实体相关的深层语义信息，并进行知识建模，获得文本化实体向量；基于所述实体向量、所述关系向量、所述文本化关系向量、所述文本化实体向量以及词语向量构造优化参数，实现知识图谱和文本信息的联合表示。本发明利用“指称句”对知识图谱中的实体进行文本化建模，实现对知识图谱与文本信息联合表示进行降噪，从而提升知识表示与推演的质量。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种基于指称句的知识图谱和文本信息的表示方法及系统。

背景技术

知识图谱(Knowledge Graph)因其能够有效建模和描述现实世界中的抽象概念和具体实例，近年来受到多个研究领域关注。知识图谱表示学习方法通过将知识图谱中的实体和关系映射到一个低维向量空间可有效缓解上述问题，并在知识表示、知识推演、知识融合、知识补全等方面增强了的知识学习能力。越来越多研究发现，额外的文本信息能够为知识图谱表示提供丰富的语义资源，对于优化基于翻译模型的知识图谱表示学习有着重要的辅助作用。因此知识图谱和文本信息联合表示学习成为当前研究热点，该任务在将知识图谱中实体和关系表示成低维空间中向量的基础上，从文本中挖掘实体和关系并将其映射到同一空间。有些模型提出了通过对齐机制将知识图谱中的实体和文本中的词语映射到同一向量空间的联合表示学习模型，另有方案在一定程度上对上下文语境信息进行了建模，上述模型利用文本信息均取得了较好的实验结果，然而文本信息中广泛存在的噪声却极大地弱化了这些模型的知识表示能力，并非所有包含某实体的句子都是对于解释与建模该实体有帮助的。

发明内容

本发明实施例提供一种基于指称句的知识图谱和文本信息的表示方法及系统，利用“指称句”对知识图谱中的实体进行文本化建模，实现对知识图谱与文本信息联合表示进行降噪，从而提升知识表示与推演的质量。

第一方面，本发明实施例提供一种基于指称句的知识图谱和文本信息的表示方法，该方法包括：

对所述知识图谱进行建模以获得实体向量和关系向量；

获取所述文本信息中包含的与关系相关的深层语义信息，并基于所述与关系相关的深层语义信息进行知识建模以获得文本化关系向量；获取所述文本信息中包含的与实体相关的深层语义信息，并基于所述与实体相关的深层语义信息进行知识建模以获得文本化实体向量；

基于所述实体向量、所述关系向量、所述文本化关系向量、所述文本化实体向量以及词语向量构造优化参数，基于所述优化参数对知识图谱和文本信息的联合表示。

可选的，所述对知识图谱进行建模，获得实体向量和关系向量，包括：

采用翻译模型作为知识图谱表示学习模型，通过所述翻译模型进行知识图谱学习获得实体向量和关系向量。

可选的，通过所述翻译模型进行知识图谱学习获得实体向量和关系向量，包括：

通过所述翻译模型进行知识图谱学习获得头实体向量、尾实体向量；

根据所述头实体向量和尾实体向量对关系向量进行表示；

根据所述头实体向量、尾实体向量和关系向量组成的第一三元组集合，构建第一打分函数；

根据所述第一打分函数构建第一损失函数，对所述第一三元组集合进行模型训练，以获得知识图谱中训练后的实体向量和训练后的关系向量。

可选的，获取所述文本信息中包含的与关系相关的深层语义信息，并基于所述与关系相关的深层语义信息进行知识建模以获得文本化关系向量，包括；

通过卷积神经网络对文本信息中的文本化关系进行向量建模得到第一模型；