CN113934847B 一种基于非结构化信息的知识图谱补全方法及系统 （山大地纬软件股份有限公司）

一种基于非结构化信息的知识图谱补全方本发明提供了一种基于非结构化信息的知根据句子中的实体三元组对生成器的实体三元2获取与实体节点相关联的句子，识别句子中的实体三元组，同时将得获取与实体节点相关联的句子，当缺失三元组数据包括非结构化文本中第一实体出现的页面上包含实体关非结构化文本中实体关系出现的页面上包含第一实非结构化文本页面中同时出现包含第一实体和实体关根据在网页上收集三种类型的句子，根据实体在各个页面的出现二次验证具体为：在网页上收集三种类型的句子，在这页面上，然后会把这个实体列入备选实体之后再与Pr和Psr上的与之相关的句子进行一个根据二次验证后的结果，得到实体节点的相关性评分，对得到的结合自由文本数据和结构化文本数据进行生成器的训练，判别器将根据实体三元组查询到的真实答案识每个候选实体节点包括知识图谱中的前一层的节点信息以及在优化生成器的损失时，采用策略梯度的方式来进行参数的学习，实体3获取与实体节点相关联的句子，当缺失三元组数据包括非结构化文本中第一实体出现的页面上包含实体关非结构化文本中实体关系出现的页面上包含第一实非结构化文本页面中同时出现包含第一实体和实体关根据在网页上收集三种类型的句子，根据实体在各个页面的出现二次验证具体为：在网页上收集三种类型的句子，在这页面上，然后会把这个实体列入备选实体之后再与Pr和Psr上的与之相关的句子进行一个根据二次验证后的结果，得到实体节点的相关性评分，对得到的判别器将根据实体三元组查询到的真实答案识现如权利要求1-3任一项所述的基于非结构化信息的知识图谱补全方其特征在于，所述处理器执行所述程序时实现如权利要求1-3任一项所述的基于非结构化4度下降，所以把互联网中的一些自由文本拿来直接和一些结构化数据进行融合是不可行5理器执行时实现如本发明第一方面所述的基于非结构化信息的知识图谱补全方法中的步[0029]图1为本发明实施例1提供的基于非结构化信息的知识图谱补全方法的流程示意[0030]图2为本发明实施例1提供的模型在不同的稀疏自由文本数据集中随着epoch的增6[0036]本发明实施例1提供了一种基于非结构化信息的知识图谱补全方法，利用对抗神7也可以使用别的像ClueWeb这样的语料库然后寻找和这个实体s和关系r共现次数最多的[0049]在本实施例中所提到的方法的作用是进行知识图谱补全，但是不对关系进行补[0057]其中的分母+1是为了防止分母为0，如果剩余其他的两个页面全都出现了相同的89和b1入，这样就把句子中的候选实体对原来知识图谱中的实体的影响就被输入到判别器当中，qq成的样本被实体判别器接受的概率大于平均值的时候，会给它分配一个分数较高的奖励，[0094]在整个的数据集设置当中，需要知识图谱的数据和自由文本相互依存的一个状括Freebase和YAGO的知识库的数据集，它还有一些文本数据集包括AMAZONbook，本实施例采用了2005-2012年的子集。或者o这两个实体有一个是稀疏实体或者都是稀疏实体就会被保留，否则过滤掉以保证数[0099]在表1中总结出了处理过后的数据集的统计数据，把稀疏后的数据集分别定义为[0105]表2显示了本实施例提出的方法和模型明显是优于其他模型的，可以观察到以下的，但是这里的KBGAN只是利用了三元组的信息，对结果的改进是有限的，对于其他几个[0108]（3）CoFM是一种基于翻译的方法，是一种优化KGC任务的多任务协同分解模型，KGAT是一个知识图谱注意力网络，它是学习异构节点的embedding，但是由于数据的稀疏他模型的，因为本实施例的模型是联合GAN的方法再使用KG中的数据外加提取了自由文本施例的模型是讲图神经网络和对抗神经网络相结合或者说互相协助完成的KGC任务，并且当整体数据比较稀疏的时候，通过训练判别器和生成器可以生成真实度比较高的一些信了GAN然后另外一个数据集不启用GAN，然后再与本实施例提出的这个方法还有DisMult进都加入GAN网络的情况下要差一些，因为稀疏数据中，本身所包含的信息和特征都会少一[0119]所述系统的工作方法与实施例1提供的基于非结构化信息的知识图谱补全方法相器执行时实现如本发明实施例1所述的基于非结构化信息的知识图谱补在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例1所述的基于非现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0126]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设