[发明专利]一种知识图谱的构造方法、装置、电子设备和存储介质

说明书

本申请公开了知识图谱的构造方法、装置、电子设备和存储介质，所述方法通过获取知识图谱架构，所述知识图谱架构代表了单一方向的语义序列且为全连接关系；获取数据集，所述数据集覆盖所有所述类的实体，所述数据集中的每个数据中包括所述类中的两类实体以及实体的量化值；将所述知识图谱架构作为神经网络通过所述数据集进行训练直至所述神经网络训练完成；其中，所述训练过程中基于误差实现对实体间连接关系的权重的调整；以最终训练完成的所述神经网络及其对应的实体间的连接关系的权重作为知识图谱。通过本申请解决了传统的知识图谱无法体现实体之间量化关系，从而能够根据带有权重的知识图谱进行更准确的查询。

技术领域

本申请涉及到知识图谱技术领域，特别是一种知识图谱的构造方法、装置、电子设备和存储介质

背景技术

知识图谱是一种揭示实体之间关系的语义网络，可以对现实世界的事物及其相互关系进行形式化地描述。知识图谱是人工智能技术的重要分支，在搜索引擎构建、自然语言处理、智能情景分析等领域发挥着重要作用。但是现有的知识图谱对于关系的描述基于语义信息，通常无法量化。

发明内容

本申请实施例提供了一种知识图谱的构造方法、装置、电子设备和存储介质，用于解决现有的知识图谱中对于关系的描述无法量化的技术问题。

本发明的第一个方面，提供一种知识图谱的构造方法，包括：

获取知识图谱架构，所述知识图谱架构代表了单一方向的语义序列，所述知识图谱架构包括至少两个类，每个所述类代表所述语义序列中的不同语义，每个所述类包括至少一个实体，且相邻的所述类之间的实体之间为全连接关系；

获取数据集，所述数据集覆盖所有所述类的实体，所述数据集中的每个数据中包括所述类中的两类实体以及实体的量化值，所述数据中的实体之间的关系与所述知识图谱架构中所代表的对应的部分语义关系一致；

将所述知识图谱架构作为神经网络通过所述数据集进行训练直至所述神经网络训练完成；其中，所述训练过程中，将每个所述数据中的位于输入-输出方向上靠前一层的实体的量化值赋予所述神经网络对应的节点，根据当前所述神经网络权重获得所述神经网络上与所述数据中位于输入-输出方向上靠后一层的实体对应的节点的输出，基于所述输出与所述数据中位于输入-输出方向上靠后一层的实体的实际值之间的误差对实体间连接关系的权重进行调整；其中，所述当前所述神经网络为根据前一数据训练后获得的神经网络；

以最终训练完成的所述神经网络及其对应的实体间的连接关系的权重作为知识图谱。

进一步的，在本发明中，所述获取知识图谱架构，包括：

获取实体并对所述实体进行语义分类，按所述单一方向的语义序列将所述实体按照所对应的语义类别及序列位置进行分布。

进一步的，在本发明中，所述将所述知识图谱架构作为神经网络通过所述数据集进行训练，包括：

对所述全连接关系中每条边的权重赋予初始值；其中，所述权重为随机数且均小于1，与同一所述实体具有连接关系的前一层的实体的总权重之和为1。

进一步的，在本发明中，所述进行一次基于所述神经网络的输出与实际值之间的误差对实体间连接关系的权重进行调整，包括：按照自所述神经网络由后向前的方向逐层调整。

进一步的，在本发明中，所述逐层调整时采用误差函数梯度下降法进行调整。

本发明的第二个方面，提供一种知识图谱的构造的装置，包括：

知识图谱获取模块，用于获取知识图谱架构，所述知识图谱架构代表了单一方向的语义序列，所述知识图谱架构包括至少两个类，每个所述类代表所述语义序列中的不同语义，每个所述类包括至少一个实体，且相邻的所述类之间的实体之间为全连接关系；

数据集获取模块，用于获取数据集，所述数据集覆盖所有所述类的实体，所述数据集中的每个数据中包括所述类中的两类实体以及实体的量化值，所述数据中的实体之间的关系与所述知识图谱架构中所代表的对应的部分语义关系一致；