CN119443222A 一种基于知识图谱的因果元知识发现的方法和装置 （华为技术有限公司）

一种基于知识图谱的因果元知识发现的方2根据知识图谱的因果关系确定第一知识图谱范式KGS，所述第一确定表达潜在原因的第二KGS，所述第二KGS为所述知识图将所述知识图谱中的任意两个实体组成的数据对象编码为样本；所在所述关系路径中对每一个所述样本进行采样，根据采样结果确定所述第二变量的根据所述样本和对应的所述第一、第二变量的值得到所述知识一KGS的头部实体和尾部实体为采样成功的样本对通过随机游走算法、深度优先算法或广度优先搜索算法，搜索所述知识图输出为从所述头部实体至所述尾部实体的多根据所述多个关系路径确定多个表达所述潜在原因的第在采样成功的情况下所述第一变量的值为真/1，在采样失败时所述第一变量的值为在采样成功的情况下所述第二变量的值为真/1，在采样失败时所述第二变量的值为3在对同一个样本采样成功且所述第一、第二变量的值均为真/1的将所述样本表格输入PC_like算法，输出符合要求的1个或多求的1个或多个第二变量为对应的潜在原因为所述第一变量Y指示识别所述符合要求的1个或多个第二变量中具有双向一KGS包括所述因果图谱中的头部实体，尾部实体，和头部实体与尾部实体之间的目标关样本生成模块，用于将所述知识图谱中的任意两个实体组成的数据对象编码为样本；4[0001]本申请涉及人工智能(artificialintelligence)领域，尤其涉及一种基于们理解和利用隐藏在表面事实背后的现实世界物理规律的负担。因此，元知识[0007]以此，本申请实施例的提供的方法根据概念层因果关系的表达式和给定目标关5[0021]以此，本申请实施例的提供方法根据知识图谱中的结构6中具有双向关系的关系路径；判断具有双向关系的关系路径中每条关系路径的条件独立7技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，8[0062]示例性的，图2示出了本申请实施例提出的一种基于知识图谱的因果元知识发现[0063]潜在原因挖掘模块21主要是用于根据知识图谱的因果关系确定第一知识图谱范9[0064]样本生成模块22主要是用于将知识图谱中的任意两个实体组成的数据对象编码知识图谱的结构型数据转化成样本集合或样在原因模块通过以下步骤S311_S313实现对知识图谱结构化因果SC[0075]公式(2)中KGS为知识图谱范式，知识图谱范式(KGS)为知识图谱结构化的因果关[0078]公式(3)表达的目标关系为由知识图谱的结构化因果关系得到的规则，KGS0为目[0079]S312，根据公式(3)的头部规则的知识图谱范式在知识图谱搜索符合头部规则的关系路径包括由从头部实体Ch到尾部实体Ct之间有头部实体Ch到尾部实体Ct之间有关系的多个三元组，如R,(c",c"),R,(c".c")⃞R,(c"":")。据多个关系路径确定多个表达潜在原因的第DO1为第一数据对象，包括第一头部数据:[0097]公式(6)的采样规则为：在关系路径中对每一个样本对应的数据对象(ef,e;)进行包括数据对象且符合Rb定义的关系；采样失败是指关系路径中不包括数据对象(ef,e;),或不符合Rb定义的关系。与数据对象之间的因果关系Rb相符合的数据结构(varenicline，NicotineDependence)，挖掘模块通过以下步骤S331_S333对样本表格中的数据进行因果规则挖掘，发现因果元知量X和对应的数据对象，符合要求的1个或多个第二变量X为满足采样成功时Y的值为1的变[0107]S332，确定符合要求的1个或多个第二变量X对应的潜在原因为第一变量Y表达的[0110]示例性地，确定因果规则为：根据X1、X2和/或X10对应的KGS能hht)为真实数据集中存在的实体和关系。t)为真实数据集中存在的实体。[0120]本申请实施例提供的基于知识图谱的因果元知识发现方法可部署在一台服务器[0121]图6为本申请实施例提供的基于知识图谱的因果元知识发现的方法流程图。可以据知识图谱的因果关系确定第一知识图谱范式KGS，第一KGS包括因果图谱中的头部实体，[0122]本申请实施例提出一种基于知识图谱的因果元知识发现方法，通过因果发现技所述尾部实体的多条关系路径；根据多条关系路径得到表达多个潜在原因的第二KGS的集因果规则。[0128]在一些可以实现的实施方式中，识别符合要求的1个或多个第二变量中具有双向[0129]本申请实施例提供的基于知识图谱的因果元知识发现方法应用于针对知识图谱[0133]本申请实施例在模拟数据集和真实世界数据集上进行的大量实验证明了因果规[0134]本申请实施例提供的基于知识图谱的因果元知识发现的方法可应用的场景包括[0136]图7a_图7c为本申请实施例1基于知识图谱的因果元知识发现的方法在药物重定向应用场景中的示意图。图7a给出了在药物重定向应用场景中进行潜在原因挖掘的示意疾病1)为药物重定向知识图谱中的目标关系，如果根据知识图谱中的关系路径Rb(化合物bhhh[0141]然后根据式(9)药物重定向的知识图谱结构化的因果关系建模得到公式(2)对应[0143]在本申请实施例1中，公式(2)中的KGS为药物重定向的知识图谱中结构化的因果物1到疾病1之间有关系的一个或多个三元组，相邻的两个三元组之间通过共用的实体连[0148]可以通过随机游走算法，深度优先算法或广度优先搜索算法之一搜索的潜在原C2,1)代表化合物1能够治疗(treat)疾病2，R2,2(C2,1,C2,2)代表疾病2与疾病1相似Ck,2代k,2相似”的KGS2编码为X2，X2＝0时表示第二潜在原因不存在，X2＝1时表示第二潜在原因存量的映射确定药物重定向的采样规则，S423根据采样规则在药物重定向的知识图谱中采[0159]S421，将化合物1定义为头部数据eh，疾病1定义为尾部数据药物重定向的知识图谱中对应的结构的数据Rb,1，Rb,2…Rb,k中采样包括化合物N和疾病N的1和Xk为满足采样成功且Y的值为1的原因变量。[0171]上述实施例1给出了在药物重定向应用场景中根据给定的知识图谱进行识别复杂[0179]本申请实施例的基于知识图谱的因果元知识发现的方法可应用的场景还包括推[0181]图8为本申请实施例提供的一种基于知识图谱的因果元知识发现装置示意图。如[0188]同样，用于运行该代码的多个主机/虚拟机/容器可以分布在同一个虚拟私有云specificintegratedcircuit，ASIC)实现、或可编程逻辑器件(programmablelogicdevice，PLD)实现的设备等。其中，上述PLD可以是复杂程序逻辑器件(complexprogrammablelogicaldevice，CPLD)、现场可编程门阵列(field_programmablegate布在不同的region中。潜在原因挖掘模块81包括的多个计算设备可以分布在相同的AZ中，挖掘模块83分别实现上述图6中提供的方法中不同的步骤来实现基于知识图谱的因果元知[0195]存储器1006可以包括易失性存储器(volatilememory)，例如随机存取存储器(randomaccessmemory，RAM)。处理器104还可以包括非易失性存储器(non_volatile分别实现前述图8中所示的潜在原因挖掘模块81、样本生成模块82和因果关系挖掘模块83存储器1006上存有用于执行上述实施例方法中全部或部一个或多个计算设备1000中的存储器1006中可以存有相同的用于执行上述实施例方法中器1006中也可以分别存有用于执行上述实施例方法中全部或部分步骤的部分指令。换言同的计算设备1000中的存储器1006存储的指令可以实现前述图8中所示的潜在原因挖掘模