[發(fā)明專利]一種基于圖神經(jīng)網(wǎng)絡(luò)的互聯(lián)網(wǎng)食品實(shí)體對齊方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110604291.5
• 申請日: 2021-05-31
• 公開（公告）號: CN113342809B
• 公開（公告）日: 2023-08-15
• 發(fā)明（設(shè)計(jì)）人: 左敏;薛明慧;張青川;顏文婧
• 申請（專利權(quán)）人: 北京工商大學(xué)
• 主分類號: G06F16/22
• 分類號: G06F16/22;G06F16/28;G06F16/951;G06N3/048;G06N3/082
• 代理公司: 北京科迪生專利代理有限責(zé)任公司 11251
• 代理人: 金怡

1.一種基于圖神經(jīng)網(wǎng)絡(luò)的互聯(lián)網(wǎng)食品實(shí)體對齊方法，其特征在于，包括：

步驟S1：通過網(wǎng)絡(luò)爬蟲獲取食品信息，抽取其中三元組，構(gòu)建待對齊的兩個(gè)知識圖譜KG1和KG2，將所述KG1和KG2中三元組進(jìn)行分離，得到關(guān)系三元組和屬性三元組；

步驟S2：對所述關(guān)系三元組推理得到規(guī)則，在KG1和KG2間轉(zhuǎn)移所述規(guī)則，構(gòu)建新的關(guān)系三元組，更新所述關(guān)系三元組，得到更新后的關(guān)系三元組；

步驟S3：根據(jù)所述更新后的關(guān)系三元組，以及自注意力機(jī)制和跨注意力機(jī)制，計(jì)算得到兩個(gè)帶自注意力機(jī)制權(quán)重和跨注意力機(jī)制權(quán)重的鄰接矩陣；并根據(jù)bert預(yù)訓(xùn)練字向量，查詢向量表得到所述三元組中的實(shí)體字向量；將兩個(gè)所述鄰接矩陣和所述實(shí)體字向量輸入圖神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到實(shí)體結(jié)構(gòu)特征向量和關(guān)系特征向量；

步驟S4：將所述屬性三元組中的實(shí)體輸入前向神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到實(shí)體屬性特征向量；融合所述實(shí)體結(jié)構(gòu)特征向量和實(shí)體屬性特征向量，得到實(shí)體特征向量；

步驟S5：構(gòu)建實(shí)體關(guān)系對齊模型，計(jì)算所述實(shí)體特征向量間的距離，實(shí)現(xiàn)所述實(shí)體的對齊，計(jì)算所述關(guān)系特征向量間的距離，實(shí)現(xiàn)所述關(guān)系的對齊。

2.根據(jù)權(quán)利要求1所述的基于圖神經(jīng)網(wǎng)絡(luò)的互聯(lián)網(wǎng)食品實(shí)體對齊方法，其特征在于，所述步驟S1中將所述KG1和KG2中三元組進(jìn)行分離，得到關(guān)系三元組和屬性三元組，具體包括：

根據(jù)所述知識圖譜KG1和KG2的實(shí)體，關(guān)系、屬性和屬性值，對所述知識圖譜KG1和KG2的三元組進(jìn)行分離，得到關(guān)系三元組和屬性三元組。

3.根據(jù)權(quán)利要求1所述的基于圖神經(jīng)網(wǎng)絡(luò)的互聯(lián)網(wǎng)食品實(shí)體對齊方法，其特征在于，所述步驟S2：對所述關(guān)系三元組推理得到規(guī)則，在KG1和KG2間轉(zhuǎn)移所述規(guī)則，構(gòu)建新的關(guān)系三元組，更新所述關(guān)系三元組，得到更新后的關(guān)系三元組，具體包括：

步驟S21：對所述關(guān)系三元組使用AMIE+算法得到隱藏規(guī)則；

步驟S22：基于知識的不變性，在所述KG1和KG2間轉(zhuǎn)移所述規(guī)則；

步驟S23：根據(jù)所述規(guī)則，推斷出新的關(guān)系三元組，更新至所述關(guān)系三元組，得到更新后的關(guān)系三元組。

4.根據(jù)權(quán)利要求1所述的基于圖神經(jīng)網(wǎng)絡(luò)的互聯(lián)網(wǎng)食品實(shí)體對齊方法，其特征在于，所述步驟S3：根據(jù)所述更新后的關(guān)系三元組，以及自注意力機(jī)制和跨注意力機(jī)制，計(jì)算得到兩個(gè)帶自注意力機(jī)制權(quán)重和跨注意力機(jī)制權(quán)重的鄰接矩陣；并根據(jù)bert預(yù)訓(xùn)練字向量，查詢向量表得到所述三元組中的實(shí)體字向量；將兩個(gè)所述鄰接矩陣和所述實(shí)體字向量輸入圖神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到實(shí)體結(jié)構(gòu)特征向量和關(guān)系特征向量，具體包括：

步驟S31：根據(jù)所述更新后的關(guān)系三元組，以及自注意力機(jī)制和跨注意力機(jī)制，計(jì)算得到兩個(gè)帶自注意力機(jī)制權(quán)重和跨注意力機(jī)制權(quán)重的鄰接矩陣；

步驟S32：根據(jù)bert預(yù)訓(xùn)練字向量，查詢向量表得到所述三元組中的實(shí)體字向量；

步驟S33：將兩個(gè)所述帶自注意力機(jī)制權(quán)重和跨注意力機(jī)制權(quán)重的鄰接矩陣和實(shí)體字向量輸入到圖神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到實(shí)體結(jié)構(gòu)特征向量和關(guān)系特征向量。

5.根據(jù)權(quán)利要求1所述的基于圖神經(jīng)網(wǎng)絡(luò)的互聯(lián)網(wǎng)食品實(shí)體對齊方法，其特征在于，所述步驟S4：將所述屬性三元組中的實(shí)體輸入前向神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到實(shí)體屬性特征向量；融合所述實(shí)體結(jié)構(gòu)特征向量和實(shí)體屬性特征向量，得到實(shí)體特征向量，具體包括：

步驟S41：對所述屬性三元組中屬性值進(jìn)行編碼，并使用前向神經(jīng)網(wǎng)絡(luò)將所述屬性的特征融入到實(shí)體字向量中，得到實(shí)體屬性特征向量；

步驟S42：匹配并拼接每個(gè)所述知識圖譜中屬性三元組和關(guān)系三元組中具有相同頭部的所述實(shí)體字向量，得到融合結(jié)構(gòu)特征和屬性特征的實(shí)體特征向量。