[發明專利]一種基于深度學習的知識圖譜構建方法

有效

• 申請號: 201710713735.2
• 申請日: 2017-08-18
• 公開（公告）號: CN107526799B
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 姬東鴻;李霏
• 申請（專利權）人: 武漢紅茶數據技術有限公司
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F40/216;G06F40/295;G06N3/04
• 代理公司: 武漢大楚知識產權代理事務所(普通合伙) 42257
• 代理人: 徐楊松

1.一種基于深度學習的知識圖譜構建方法，其特征在于，包括如下步驟：

步驟1：給定目標文本語句,使用雙向長短時記憶循環神經網絡模型和條件隨機場模型識別所述目標文本語句中的目標實體；

步驟2：使用上下文敏感雙向長短時記憶循環神經網絡模型抽取兩個所述目標實體之間的關系；

步驟3：使用向量空間模型對目標實體進行規范化，并將規范化后的所述目標實體映射到詞典概念上；

步驟4：根據所述目標實體、所述目標實體之間的關系和概念構建知識圖譜；

所述步驟2具體包括：

步驟21：將詞向量e_i作為上下文敏感雙向長短時記憶循環神經網絡模型的輸入，分別從右至左和從左至右循環計算，得到兩個第三輸出序列h’＝h'₁,h'₂,…h'_i,…h'_n和h”＝h”₁,h”₂,…h”_i,…h”_n；

步驟22：將兩個所述第三輸出序列h'和h”進行組合運算，得到最終序列h＝h₁,h₂,…h_i,…h_n；

步驟23：根據所述文本語句中任意兩個目標實體與對應的詞的相對位置將所述最終序列h劃分成五組向量，并對每組所述向量進行池化處理，得到對應的五組輸出向量；

步驟24：將所述五組輸出向量進行串接，將串接后的向量輸入至softmax分類器求得所有關系類型的概率，并輸出最大概率，即為兩個目標實體之間的關系。

2.根據權利要求1所述的基于深度學習的知識圖譜構建方法，其特征在于，所述步驟1具體包括：

步驟11:采用雙向長短時記憶循環神經網絡模型計算所述目標文本語句中每個詞x_i對應的所有可能標簽的概率Z_i；

步驟12:采用條件隨機場對所述目標文本語句中的每一個詞x_i進行標注，計算出最優標注序列y^*，并根據所述最優標注序列y^*獲取所述目標文本語句中的目標實體。

3.根據權利要求2所述的基于深度學習的知識圖譜構建方法，其特征在于，所述步驟11具體包括：

步驟111：采用雙向長短時記憶循環神經網絡模型在預設查找表中查找所述目標文本語句x＝x₁,x₂,......,x_n中的每一個詞x_i對應的詞向量e_i；

步驟112：將所述詞向量e_i作為雙向長短時記憶循環神經網絡模型的輸入分別從右至左和從左至右掃描，得到兩個第一輸出序列

步驟113：將兩個所述第一輸出序列和進行串接，抽取兩個所述第一輸出序列和的特征，并計算每個詞x_i對應的所有可能標簽的概率Z_i。

4.根據權利要求3所述的基于深度學習的知識圖譜構建方法，其特征在于，所述步驟113中抽取兩個所述第一輸出序列和的特征，并計算每個詞x_i對應的所有可能標簽的概率Z_i具體如下：

Z_i＝W₂·h_i′

其中，W₁表示隱層參數矩陣，b₁表示隱層偏置，h_i′表示第一輸出序列中第i個值的隱層輸出，W₂表示輸出層參數矩陣,表示第一輸出序列中第i個值,表示第一輸出序列中第i個值。