CN115438188B 一种基于实体合并的知识图谱融合方法 （华南理工大学）

本发明公开了一种基于实体合并的知识图用余弦相似度计算两个图谱中实体属性嵌入向2(b)将单个实体生成的所有属性词嵌入向量拼接成一个句子嵌入向量输入到循环神经步骤(b)中对于实体et的第m个属性am,t，通过步骤(a)生成属性的若干个词嵌入向量其中为第m个属性的第Nm个词生成的词嵌入向量；定义实体属性集合为其中为第i个图谱中第t个实体3(ei)表示实体ei经过循环神经网络f后输出的实体嵌入向量，f(ej)表示实体ej经过循环神4[0005]本发明针对现有知识图谱融合的不足，提供了基于实体合并的知识图谱融合方[0009](b)将单个实体生成的所有属性词嵌入向量拼接成一个句子嵌入向量输入到循环5其中表示知识图谱中的第Ti个实体，Ti表示第i个知识图[0012]定义实体属性集合为其中arr为第i个图谱中第t个个词嵌入向量其中为第m个属性的第Nm个词生成的i)表示实体ei经过循环神经网络f后输出的实体嵌入向量，f(ej)表示实体ej经过循的所有实体计算实体属性嵌入向量的相似度，当相似度超过设定阈值Q且为所有实体中相6步骤(a)步骤(c)合并为一个图谱后再与未合并的图谱进行合并，从而将多个知识图谱融的所有属性信息和相同的维度，使得可以直接计算不同图谱间实体的相似度从而进行合e},1s[0038]定义实体属性集合为其中为第i个图谱中第t个其中为第m个属性的第Nm个词生成的词嵌入向量；7[0044]循环神经网络的训练方法为通过人工标注的方法获取训练数据集中多个图谱中i)表示实体ei经过循环神经网络f后输出的向量，f(ej)表示实体ej经过循环神经网e和中，包含Nt个属性为第i个图谱中第t个实体的第nNt个属性8[0060]对于数值，构造一个维度为768的零向量并将该数值与向量的最后一位相加并归[0061]对于单位名称，使用Bert词嵌入生成算法生成一个维度为768的词嵌入向量。最属性和数值型属性可以共用同一个循环神经网络模型而不会在后续的处理中将一个实体的文本型属性与另一实体的数值型属性计算[0063]对于文本型属性，直接将属性字符串输入Bert模型中，生成若干个词嵌入向量[0065]通过第二步和第三步生成属性的若干个词嵌入向量将所有[0069]通过将句子嵌入向量输入到如图3所示的循环神经网络中，获取其最后一层隐藏9i)表示实体ei经过循环神经网络f后输出的实体嵌入向量，f(ej)表示实体ej经过循[0074]对于需要融合的两个图谱，选择一个图谱中的一个实体与另一个图谱的所有实0.9且为所有实体中相似度最高的两个实体时，可以将两个图谱的两个实体[0079]将两个图谱的实体放入集合和中，每个实体包含Nt个属性不同实体属性数量与属性顺序不[0082]对于数值，构造一个维度为768的零向量并将该数值与向量的最后一位相加并归[0083]对于单位名称，使用Bert词嵌入生成算法生成一个维度为768的词嵌入向量。最[0085]对于文本型属性，直接将属性字符串输入Bert模型中，生成若干个词嵌入向量[0087]通过第二步和第三步生成属性的若干个词嵌入向量将所有[0099]通过将句子嵌入向量输入到如图3所示的循环神经网络中，获取其最后一层隐藏中文知识图谱中的实体广州与英文知识图谱中的所有实体GuangZhou,ShangHai,Beijing0.9且为所有实体中相似度最高的两个实体时，可以将两个图谱的两个实体1的所有实体完成两个图