[發明專利]一種知識圖譜的構建系統及方法

有效

• 申請號: 201810415531.5
• 申請日: 2018-05-03
• 公開（公告）號: CN108874878B
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 李勇;倪博溢;周笑添
• 申請（專利權）人: 眾安信息技術服務有限公司
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/35
• 代理公司: 北京市萬慧達律師事務所 11111
• 代理人: 趙然

本發明公開了一種知識圖譜的構建系統及方法，屬于自然語言處理、計算機信息處理技術領域。所述系統包括：爬蟲模塊，對文本進行爬蟲以及數據清洗；基礎標注模塊，用于進行包括主語補全操作在內的基礎標注工作；候選關系提取模塊，用于提取包括候選關系句子和/或關系實體對的候選關系；特征提取模塊，用于進行特征提取；關系分類器訓練模塊，用于根據候選關系提取結果和特征提取結果進行模型訓練，構建關系分類器；關系審核模塊，用于對所述關系分類器獲得的候選句子關系進行審核確定，根據審核確定的結果對所述關系分類器進行相應調整。本發明實現了更強的關系抽取能力，減少了人工參與的成本，提高了構建知識圖譜的效率。

技術領域

本發明涉及自然語言處理、計算機信息處理技術領域，特別涉及一種知識圖譜的構建系統及方法。

背景技術

知識圖譜是一種以自然語言處理(NLP)為中心，結合應用數學、圖形學、信息可視化的多種技術的知識組織形式和規范。近來知識圖譜在人工智能很多行業擁有成熟的應用，如搜索引擎、聊天機器人、智能醫療、智能硬件等。知識圖譜分為行業知識圖譜和通用知識圖譜，2012年谷歌提出通用知識圖譜的概念。通用知識圖譜強調廣度，很難生成全局性本體層統一管理。常見通用知識圖譜包括：Freebase、DBpedia、zhishi.me等。行業知識圖譜是基于特定領域，應對不同的業務場景，具有一定深度和完備性的知識庫系統。當然通用知識圖譜和行業知識圖譜并不是相互對立，而是相互互補的一個關系，利用通用的知識圖譜的廣度結合行業知識圖譜的深度，可以形成更加完善的知識圖譜。

知識圖譜是關系的一種有效的表現方式，把不同種類的信息連接在一起得到一個關系網絡。通過知識圖譜，利用關系推導實現語義理解和推理。關系的基本表現形式為三元組如：node,relation,node，可以表示兩個實體具有某一種關系，或者某一個實體含有某一種屬性。例如：張三，父母，李四，陳六，父母，李四，張三，性別，男，陳六，性別，女＝張三,配偶，陳六，四個三元組依次表示為：張三和李四是父母關系，陳六和李四也是父母關系，張三擁有性別屬性為男，陳六擁有性別屬性為女，可以通過這四條知識推導出張三和陳六是配偶關系。

知識圖譜的構建核心環節就是關系抽取。現有行業知識圖譜的構建的方案主要有：一是至頂向下式，先創建基于本體的數據模式，利用高質量的結構化連接數據根據圖映射得到關系三元組。這種方法可靠性較高，但是非常耗時耗力，且需要較強的領域知識作為支撐，一般數據規模無法做得很大。二是由底向上式，采用一定技術手段從公開數據集中實現關系抽取。公開數據集往往包含少量半結構化數據和大量非結構化數據，半結構化數據如表格、列表、字典、infobox等，通常采用裝飾器(wrapper),根據數據呈現的形式編寫規則來提取關系。而非結構化的純文本中的關系往往呈現多種多樣。比如下面四段文本都可以表示A和B的配偶關系：1、A與B結婚了。2、A娶了B。3、B嫁給A。4、C的爸爸媽媽A和B。四句話均體現了配偶關系，雖然有一些特性可循，但是很難單純靠規則模式來處理。非結構化文本中關系往往和該句子的語義特征相關聯。現有的方案中也有用規則模版來提取關系三元組的，這種方法的優點是比較準確可靠。但是缺點很明顯，一是需要人工編寫模版無法自動化，二是只能適配特定的句子模式。有方案基于規則抽取的基礎上提出先進行人工規則學習，生成新的規則集，再用新的規則提取未分類的關系模式。此方案雖然能提高規則提取的能力，但是無法進行自動化的部署，規則學習的階段需要不斷介入人工審核，不是一個很好的解決方案。從非結構化的純文本中抽取關系構建知識圖譜，始終是一個棘手的難題。

發明內容

為了解決現有技術的問題，本發明實施例提供了一種知識圖譜的構建系統及方法。所述技術方案如下：

第一方面，提供了一種知識圖譜的構建系統，包括：

爬蟲模塊，對文本進行爬蟲以及數據清洗；

基礎標注模塊，用于進行包括主語補全操作在內的基礎標注工作；

候選關系提取模塊，用于提取包括候選關系句子和/或關系實體對的候選關系；