[发明专利]一种基于图表示学习的知识图谱跨语言对齐方法

权利要求书

1.一种基于图表示学习的知识图谱跨语言对齐方法，其特征在于，包括以下步骤：

步骤1：获取多语言数据，包括以下步骤：

首先，爬取百科类多语言网站数据，并以html格式存到本地；

然后，对爬取到的数据进行分类，去除脏数据；

步骤2：解析根据步骤1得到的html格式的多语言数据，处理成三元组类型的json格式数据；

步骤3：根据步骤2得到的json格式数据建立多语言知识图谱，包括以下步骤：

步骤3.1：针对爬到的不同来源的数据建立索引；

步骤3.2：根据步骤3.1建立的索引，对不同来源的数据分别构建知识图谱；

步骤4：根据步骤3得到的不同来源的多语言知识图谱，嵌入到统一的向量空间，包括以下步骤：

步骤4.1：关系嵌入，其中，对于由步骤3得到的每种不同来源的知识图谱，都分别进行关系嵌入；

步骤4.2：嵌入空间变换，方法如下：

第一步：随机初始化网络的权重矩阵M；

第二步：将步骤2中得到的种子对齐实体和根据步骤4.1得到的各种不同来源的知识图谱的关系嵌入表达输入到全连接层中，训练矩阵M；

第三步：根据第二步得到的矩阵M，将不同来源的知识图谱编码进一个统一的嵌入空间中；

步骤5：在向量空间中计算实体之间的距离并对齐。

2.如权利要求1所述的一种基于图表示学习的知识图谱跨语言对齐方法，其特征在于，步骤1中对数据进行分类，采用以下方法：

第一步：遍历存到本地的数据，得到包含所有数据的实体名称的列表；

第二步：根据第一步得到的数据实体名称列表，随机抽取M条数据，将这M条数据进行人工标注，划分为训练集及验证集；

第三步：使用Bert模型对第二步中得到的训练集进行预训练微调，在验证集进行交叉验证，当准确度达到90％以上后，将第二步中得到的全部M条数据输入到Bert模型中进行训练，得到完整的预训练模型；

第四步：使用第三步中得到的预训练模型，对第一步中得到的包含所有数据实体名称的列表进行分类，去除掉爬取结果中的脏数据，得到最终的包含数据实体名称的列表；

第五步：根据最终的包含数据实体名称的列表，对存在本地的html数据进行筛选保存。

3.如权利要求1所述的一种基于图表示学习的知识图谱跨语言对齐方法，其特征在于，步骤2包括以下步骤：

首先，对步骤1得到的html格式的多语言数据进行遍历，找到其中的表格信息；

然后，根据上述的表格信息，抽取其中的文字内容，根据数据实体名称建立实体—关系—实体三元组；

最后，将上述得到的三元组，存储为json格式数据文件，保存在本地，并对一部分三元组进行打标，得到种子对齐实体。

4.如权利要求1所述的一种基于图表示学习的知识图谱跨语言对齐方法，其特征在于，步骤3中，建立知识图谱采用以下方法：

第一步：根据步骤2得到的json格式数据文件，遍历每种语言数据的三元组，得到其头节点、关系、尾节点；

第二步：根据第一步得到的头节点、关系和尾节点，针对数据实体名称建立字段，得到每种语言数据的全部属性信息；

第三步：根据步骤3.1建立的索引，找到不同来源的数据，对于同一来源的数据，利用py2neo库进行标记，并将第二步得到的数据导入关系型数据库Neo4j，根据不同数据源和语种，分别建立知识图谱。