CN108446769A - 知识图谱关系推理方法、装置、计算机设备和存储介质 - Google Patents
知识图谱关系推理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN108446769A CN108446769A CN201810065416.XA CN201810065416A CN108446769A CN 108446769 A CN108446769 A CN 108446769A CN 201810065416 A CN201810065416 A CN 201810065416A CN 108446769 A CN108446769 A CN 108446769A
- Authority
- CN
- China
- Prior art keywords
- current
- entity
- collection
- model
- triple
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本申请涉及一种知识图谱关系推理方法、装置、计算机设备和存储介质。所述方法包括：提取知识图谱中的实体集和关系集得到当前三元组集；从当前三元组集中提取匹配预定义的知识规则的三元组得到当前训练集；根据当前训练集，采用第一损失函数训练当前授课模型并使得授课模型的输出拟合当前学习模型的输出，得到训练好的当前授课模型及更新后的当前三元组集；根据更新后的当前三元组集，采用第二损失函数训练当前学习模型并使得当前学习模型的输出拟合当前授课模型的输出，得到训练好的当前学习模型及更新后的当前训练集，重复进行训练直至训练结果满足收敛条件，得到目标学习模型；获取目标实体，根据目标学习模型进行推理得到推理结果。
Description
技术领域
本申请涉及知识图谱技术领域，特别是涉及一种知识图谱关系推理方法、装置、计算机设备和存储介质。
背景技术
知识图谱是知识工程中以图的形式组织的知识集群，其由不同类型的实体作为节点、关系作为连接节点的边所构成的。在知识图谱中，实体指真实世界中的客观物体，或者人类思想中的抽象概念。关系则是描述两个实体之间的实际关系。
传统技术中，通过机器学习训练模型进行关系推理时，通常训练的模型都是基于具体领域的知识库进行模型训练，而由于各个领域之间的数据的相似度特征并不相同，导致在某一个领域训练出来的模型很难迁移至另一个领域使用，从而使得训练出来的模型用于关系推理效果并不好。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高关系推理效果的知识图谱关系推理方法、装置、计算机设备和存储介质。
一种知识图谱关系推理方法，所述方法包括：
获取预定义的知识规则，根据所述预定义的知识规则更新当前知识图谱；
提取当前知识图谱中的实体集和关系集，根据所述实体集和关系集得到当前第一三元组集；
从所述当前第一三元组集中提取匹配所述预定义的知识规则的三元组得到当前第一训练集；
将当前第一训练集作为当前授课模型的训练样本同时作为当前学习模型的输入，采用第一损失函数训练当前授课模型并使得所述授课模型的输出拟合当前学习模型的输出，得到训练好的当前授课模型及更新后的当前第一三元组集；
将所述更新后的当前第一三元组集作为当前学习模型的训练样本同时作为当前授课模型的输入，采用第二损失函数训练当前学习模型并使得当前学习模型的输出拟合当前授课模型的输出，得到训练好的当前学习模型及更新后的当前第一训练集并进入将当前第一训练集作为当前授课模型的训练样本同时作为当前学习模型的输入的步骤，直至训练结果满足收敛条件，得到目标学习模型；
获取目标实体，根据所述目标学习模型进行推理得到所述目标实体对应的推理结果。
在其中一个实施例中，所述提取知识图谱中的实体集和关系集，根据所述实体集和关系集得到当前第一三元组集的步骤包括：
将实体集和关系集初始化为向量表示，得到当前向量集，所述当前向量集包括实体集对应的第一子向量集以及关系集对应的第二子向量集；
根据所述第一子向量集及第二子向量集得到当前第一三元组集。
在其中一个实施例中，所述步骤根据所述第一子向量集及第二子向量集得到当前第一三元组集的步骤包括：
提取第一子向量集中所有的头实体、所有的尾实体分别得到头实体集和尾实体集；
将头实体集中各个头实体依次与尾实体集中各个尾实体进行组合得到实体对集；
将实体对集中各个实体对分别与第二子向量集中各个子向量进行组合得到当前第一三元组集。
在其中一个实施例中，所述获取目标实体，根据所述目标学习模型进行推理得到所述目标实体对应的推理结果的步骤包括：
根据当前目标实体从所述知识图谱中提取预设跳数内的实体和关系，得到备选实体集合和备选关系集；
根据所述备选实体集合和所述备选关系集得到第二三元组集，将所述第二三元组集依次输入所述学习模型得到各个第二三元组对应的预测结果。
在其中一个实施例中，当训练结果满足收敛条件时，还得到目标授课模型，所述根据所述目标学习模型进行推理得到所述目标实体对应的推理结果的步骤包括：
根据所述目标实体及目标学习模型得到第一预测结果；
所述方法还包括：
根据目标实体及目标授课模型得到第二预测结果；
将第一预测结果、第二预测结果进行加权得到目标预测结果。
一种知识图谱关系推理装置，所述装置包括：
知识规则获取模块，用于获取预定义的知识规则，根据所述预定义的知识规则更新当前知识图谱；
第一三元组集获取模块，用于提取当前知识图谱中的实体集和关系集，根据所述实体集和关系集得到当前第一三元组集；
第一训练集得到模块，用于从所述当前第一三元组集中提取匹配所述预定义的知识规则的三元组得到当前第一训练集；
授课模型训练模块，用于将当前第一训练集作为当前授课模型的训练样本同时作为当前学习模型的输入，采用第一损失函数训练当前授课模型并使得所述授课模型的输出拟合当前学习模型的输出，得到训练好的当前授课模型及更新后的当前第一三元组集；
学习模型训练模块，用于将所述更新后的当前第一三元组集作为当前学习模型的训练样本同时作为当前授课模型的输入，采用第二损失函数训练当前学习模型并使得当前学习模型的输出拟合当前授课模型的输出，得到训练好的当前学习模型及更新后的当前第一训练集并进入将当前第一训练集作为当前授课模型的训练样本同时作为当前学习模型的输入的步骤，直至训练结果满足收敛条件，得到目标学习模型；
推理模块，用于获取目标实体，根据所述目标学习模型进行推理得到所述目标实体对应的推理结果。
在其中一个实施例中，所述第一三元组集获取模块包括：
向量初始化单元，用于将实体集和关系集初始化为向量表示，得到当前向量集，所述当前向量集包括实体集对应的第一子向量集以及关系集对应的第二子向量集；
第一三元组集获取单元，用于根据所述第一子向量集及第二子向量集得到当前第一三元组集。
在其中一个实施例中，所述第一三元组集获取单元还用于提取第一子向量中所有的头实体、所有的尾实体分别得到头实体集和尾实体集，将头实体集中各个头实体依次与尾实体集中各个尾实体进行组合得到实体对集，将实体对集中各个实体对分别与第二子向量集中各个子向量进行组合得到当前第一三元组集。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述知识图谱关系推理方法所述的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述知识图谱关系推理方法所述的步骤。
上述知识图谱关系推理方法、装置、计算机设备和存储介质，首先获取预定义的知识规则，根据预定义的知识进行推理得到新的知识，将匹配这些新知识的三元组作为授课模型的训练样本以及学习模型的输入，采用第一损失函数训练当前授课模型并使得所述授课模型的输出拟合学习模型的输出，得到训练好的授课模型，然后利用授课模型学习到的规则知识来引导学习模型的学习过程，因此就算迁移了领域，那些推而广之的规则知识，也已经被学习模型学习到，从而使得关系推理效果明显提高。
附图说明
图1为一个实施例中知识图谱关系推理方法的流程示意图；
图2为一个实施例中步骤S112的流程示意图；
图3为另一个实施例中知识图谱关系推理方法的流程示意图；
图4为一个实施例中知识图谱关系推理装置的结构框图；
图5为一个实施例中第一三元组集获取模块的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种知识图谱关系推理方法，包括以下步骤：
步骤S102，获取预定义的知识规则，根据预定义的知识规则更新当前知识图谱。
其中，预定义的知识规则是预先定义的知识规则。在本实施例中，获取到预定义的知识规则后，可根据获取到的知识规则进行推理，从而更新当前知识图谱。如，定义“难于”这个关系具有传递性，那么当知识库中同时有知识“A难于B”和“B难于C”时，可以推理出知识“A难于C”。
具体地，可以利用OWL语言来建立规则，使用Tableaux运算来进行推理，已有开源Tableaux运算的实现工具，如HermiT。。
步骤S104，提取当前知识图谱中的实体集和关系集，根据实体集和关系集得到当前第一三元组集。
其中，实体集指的是知识图谱中所有的实体所组成的集合，关系集指的是知识图谱中所有的关系所组成的集合，三元组指的将知识以(头实体，关系，尾实体)的形式进行表示，如，由知识“李某合著张某”可以得到三元组(李某,合著, 张某)，三元组集指的是由实体集和关系集得到的所有三元组所组成的集合。
在一个实施例中，步骤S104包括：首先将实体集和关系集初始化为向量表示，得到当前向量集，当前向量集包括实体集对应的第一子向量集以及关系集对应的第二子向量集，根据第一子向量集及第二子向量集得到当前第一三元组集。其中，向量的维度一般在1-300之间，可以采用平均分布或伯努利分布来进行初始化。
在一个实施例中，根据第一子向量集及第二子向量集得到当前第一三元组集可通过以下方式实现：提取第一子向量集中所有的头实体、所有的尾实体分别得到头实体集和尾实体集；将头实体集中各个头实体依次与尾实体集中各个尾实体进行组合得到实体对集；将实体对集中各个实体对分别与第二子向量集中各个子向量进行组合得到当前第一三元组集。
其中，头实体指的是在语料中充当主语的实体，尾实体指的是在语料中充当宾语的实体，如“李开复是男人”，其中，“李开复”为头实体，“男人”为尾实体，可以理解，某些语料中的头实体同时有可能是其他语料中的尾实体。在本实例中，得到头实体集和尾实体集后，将每一个头实体集中的头实体分别与尾实体集中的尾实体组合得到实体对集，其中，若某个实体即是头实体又是尾实体则不需要进行组合。进一步，将每一个实体对与关系集中的关系依次进行组合多个三元组，这些三元组即组成第一三元组集。如，头实体集为(张三，深圳)，尾实体集为 (深圳，经济特区)，关系为(工作于，是)，由头实体集和尾实体集得到的实体对集为(张三，深圳)、(张三，经济特区)、(深圳，经济特区)，则得到的三元组为(张三，工作于，深圳)、(张三，是，深圳)，(张三，工作于，经济特区)， (张三，是，经济特区)，(深圳，是，经济特区)，(深圳，工作于，经济特区)。
步骤S106，从当前第一三元组集中提取匹配预定义的知识规则的三元组得到当前第一训练集。
具体地，第一三元组集中包括匹配预定义的知识规则的三元组，也包括不匹配预定义的知识规则的三元组，其中，匹配预定义的知识规则的三元组指的是由预定义的知识规则推理出的新的知识所对应的三元组，如，预定义的知识规则为“难于”这个关系具有传递性，由知识“A难于B”和“B难于C”推理出知识“A难于C”，则三元组(A，难于，C)为匹配预定义的知识规则的三元组。不匹配预定义的知识规则的三元组包括知识图谱中原有的知识对应的三元组，如 (A，难于，B)，这些三元组在进行模型训练时作为正样本，以及与原有知识相关的三元组，如(B，难于，A)、(C，难于，B)，这些三元组在进行模型训练时作为负样本。
步骤S108，将当前第一训练集作为当前授课模型的训练样本同时作为当前学习模型的输入，采用第一损失函数训练当前授课模型并使得授课模型的输出拟合当前学习模型的输出，得到训练好的当前授课模型及更新后的当前第一三元组集。
其中，第一训练集中包含正样本和负样本，如在上面的举例中得到匹配预定义的知识规则的三元组(A，难于，C)、(C，难于，A)，其中(A，难于，C) 为正样本，(C，难于，A)为负样本。当前学习模型为上一轮训练中通过第二损失函数进行训练得到的学习模型，可以理解，在第一轮训练中，当前学习模型可通过随机的参数初始化得到。
在一个实施例中，可以用q(Y|X)表示授课模型，pθ(Y|X)表示学习模型，X 表示训练样本集合。Y∈{0,1}，1代表此样本是正样本，0代表此样本是负样本，第一损失函数如下：
其中，第一项表示这两个模型输出之间的KL散度，第二项表示这个授课模型的输出尽可能的满足S102中制定的规则，根据这个损失函数求使得这个损失函数最小时的q，得到训练好的当前授课模型。可以理解，采用上述损失函数可同时对第一训练集中每个实体和关系对应的向量值进行调整，具体地调整方式可考虑采用"fine-tuning"的方式，而由于这些实体和关系对应的向量值的更新，第一三元组集中涉及这些实体和向量的部分三元组也进行了更新，因此，最终得到了更新后的第一三元组集。
步骤S110，将更新后的当前第一三元组集作为当前学习模型的训练样本同时作为当前授课模型的输入，采用第二损失函数训练当前学习模型并使得当前学习模型的输出拟合当前授课模型的输出，得到训练好的当前学习模型及更新后的当前第一训练集。
步骤S112，判断训练结果是否满足收敛条件，若满足，则结束，得到目标学习模型；若不满足，则进入步骤S108。
具体地，将更新后的第一三元组集作为步骤S108中训练好的当前授课模型的输入，同时将第一三元组集作为当前学习模型的训练样本，采用有监督的训练模式训练当前学习模型，使得学习模型的输出拟合当前授课模型的输出同时拟合训练样本中的样本标签。
在一个实施例中，采用第二损失函数进行模型训练，第二损失函数如下：
其中，表示模型中所有参数的集合，l是具体的损失函数，是授课模型对训练数据的预测结果，σθ(X)是学习模型的输出结果，yn是样本标签，N为样本总数，n是具体第n个样本(1≤n≤N),π是一个调节这两个部分重要性的参数，根据这个损失函数求使得这个损失函数最小时的θ，得到训练好的当前学习模型。
可以理解，采用上述损失函数可同时第一三元组集中每个实体和关系的向量值进行调整，具体地调整方式可考虑采用"fine-tuning"的方式，同时由于这些实体和关系的向量值的更新，第一三元组集中涉及这些实体和向量的所有三元组都进行了更新，因此最终得到更新后的第一训练集。
重复步骤S108-S110直至训练结果满足收敛条件，得到目标学习模型，其中，目标学习模型指的是最终训练得到的学习模型，训练结果满足收敛条件指的是学习模型的预测结果超过其对应的预设阈值，其中，预设阈值可根据需要事先设定。
步骤S112，获取目标实体，根据目标学习模型进行推理得到目标实体对应的推理结果。
其中，目标实体指的是需要进行推理的实体。在一个实施例中，获取到目标实体后，可根据目标实体从知识图谱中得到与目标实体相关联的三元组，将这些三元组输入目标学习模型进行推理可以得到预测结果，当预测结果大于预设阈值时，说明推理出的知识是真实存在的，反之，则说明推理出的知识并不是真实的。
上述知识图谱关系推理方法中，首先获取预定义的知识规则，根据预定义的知识进行推理得到新的知识，将匹配这些新知识的三元组作为授课模型的训练样本以及学习模型的输入，采用第一损失函数训练当前授课模型并使得授课模型的输出拟合学习模型的输出，得到训练好的授课模型，然后利用授课模型学习到的规则知识来引导学习模型的学习过程，因此就算迁移了领域，那些推而广之的规则知识，也已经被学习模型学习到，从而使得关系推理效果明显提高。
在一个实施例中，如图2所示，步骤S112获取目标实体，根据目标学习模型进行推理得到目标实体对应的推理结果具体包括：
步骤S112A，根据当前目标实体从知识图谱中提取预设跳数内的实体和关系，得到备选实体集合和备选关系集；
步骤S112B，根据备选实体集合和备选关系集得到第二三元组集，将第二三元组集依次输入学习模型得到各个第二三元组对应的预测结果。
其中，跳数指的知识图谱中两个实体之间的连接关系数，如在图2中， ForresterGump和United States之间有两个连接关系Company和Country，则 Forrester Gump和United States之间的跳数为2，具体地预设跳数可根据需要预先设定；备选实体指的是与目标实体之间的跳数为预设跳数的实体，如在图2中，当目标实体为Forrester Gump时，预设跳数为2，则备选实体为United States和 English，备选实体集为所有预设跳数时的备选实体所组成的集合；备选关系指的是与目标实体与备选实体之间的关系，如在上面的例子中，Forrester Gump的备选关系包括Company、Country、Release Region等。
在本实施例中，将备选实体集中的备选实体两两任意组合，将这些组合分别和备选关系集中的每一个关系进行组合得到第二三元组，由所有的第二三元组得到第二三元组集。
进一步，将第二三元组集中的所有三元组依次输入训练好的学习模型，分别别到预测结果，当预测结果大于预设阈值时，表明该三元组对应的知识是真实存在的。
在本实施例中，通过将知识图谱中所有与目标实体在预设跳数内的所有实体和关系都提取出来，组合得到三元组，将这些三元组输入到训练好的模型，由于输入的三元组足够多，从而提高了关系推理的效果。
在一个实施例中，如图3所示，知识图谱关系推理方法包括以下步骤：
步骤S302，获取预定义的知识规则，根据预定义的知识规则更新当前知识图谱。
步骤S304，提取当前知识图谱中的实体集和关系集，根据实体集和关系集得到当前第一三元组集。
步骤S306，从当前第一三元组集中提取匹配预定义的知识规则的三元组得到当前第一训练集。
步骤S308，将当前第一训练集作为当前授课模型的训练样本同时作为当前学习模型的输入，采用第一损失函数训练当前授课模型并使得授课模型的输出拟合当前学习模型的输出，得到训练好的当前授课模型及更新后的当前第一三元组集。
步骤S310，将更新后的当前第一三元组集作为当前学习模型的训练样本同时作为当前授课模型的输入，采用第二损失函数训练当前学习模型并使得当前学习模型的输出拟合当前授课模型的输出，得到训练好的当前学习模型及更新后的当前第一训练集。
步骤S312，判断训练结果是否满足收敛条件，若是，则得到目标学习模型和目标授课模型；若否，则进入步骤S308。
其中，目标授课模型指的是预测结果满足收敛条件时得到的最终的授课模型。授课模型的预测结果以及学习模型的预测结果都超过其对应的预设阈值，其中，预设阈值可根据需要事先设定。
步骤S314，确定目标实体，根据目标实体及目标学习模型得到第一预测结果。
具体地，根据目标实体集当前知识图谱得到目标实体在预设跳数内的实体集合关系集，根据实体集和关系集得到的三元组集，将得到的三元组集输入目标学习模型，得到第一预测结果。
步骤S316，根据目标实体及目标授课模型得到第二预测结果。
步骤S118，将第一预测结果、第二预测结果进行加权得到目标预测结果。
具体地，将步骤S114中得到的三元组输入目标授课模型得到第二预测结果，然后将第一预测结果和第二预测结果进行加权得到最终的预测结果，其中，目标授课模型和模型学习模型各种对应的权重可以根据需要事先设定，如设定目标授课模型的权重为0.3，目标学习模型的权重为0.7，第一预测结果为70％，第二预测结果为80％，则目标预测结果为0.3*70％+0.7*80％＝78％。进一步，判断目标预测结果是否超过预设阈值，若超过，则说明推理出来的知识是真实存在的；反之，则说明推理出来的知识并不是真是存在。
在本实施例中，通过目标学习模型和目标授课模型各预测出一个结果，将这两个结果加权得到最终的结果，可以使得推理的结果更加准确。
应该理解的是，虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种知识图谱关系推理装置400，包括：
知识规则获取模块402，用于获取预定义的知识规则，根据预定义的知识规则更新当前知识图谱；
第一三元组集获取模块404，用于提取当前知识图谱中的实体集和关系集，根据实体集和关系集得到当前第一三元组集；
第一训练集得到模块406，用于从当前第一三元组集中提取匹配预定义的知识规则的三元组得到当前第一训练集；
授课模型训练模块408，用于将当前第一训练集作为当前授课模型的训练样本同时作为当前学习模型的输入，采用第一损失函数训练当前授课模型并使得授课模型的输出拟合当前学习模型的输出，得到训练好的当前授课模型及更新后的当前第一三元组集；
学习模型训练模块410，用于将更新后的当前第一三元组集作为当前学习模型的训练样本同时作为当前授课模型的输入，采用第二损失函数训练当前学习模型并使得当前学习模型的输出拟合当前授课模型的输出，得到训练好的当前学习模型及更新后的当前第一训练集并进入将当前第一训练集作为当前授课模型的训练样本同时作为当前学习模型的输入的步骤，直至训练结果满足收敛条件，得到目标学习模型；
推理模块412，用于获取目标实体，根据目标学习模型进行推理得到目标实体对应的推理结果。
在一个实施例中，如图5所示，第一三元组集获取模块404包括：
向量初始化单元404a，用于将实体集和关系集初始化为向量表示，得到当前向量集，当前向量集包括实体集对应的第一子向量集以及关系集对应的第二子向量集；
第一三元组集获取单元404b，用于根据第一子向量集及第二子向量集得到当前第一三元组集。
在一个实施例中，第一三元组集获取模块404还用于提取第一子向量中所有的头实体、所有的尾实体分别得到头实体集和尾实体集，将头实体集中各个头实体依次与尾实体集中各个尾实体进行组合得到实体对集，将实体对集中各个实体对分别与第二子向量集中各个子向量进行组合得到当前第一三元组集。
在一个实施例中，推理模块412用于根据当前目标实体从知识图谱中提取预设跳数内的实体和关系，得到备选实体集合和备选关系集；根据备选实体集合和备选关系集得到第二三元组集，将第二三元组集依次输入学习模型得到各个第二三元组对应的预测结果。
在一个实施例中，推理模块412还用于根据目标实体及目标学习模型得到第一预测结果；，装置还包括：加权模块，用于根据目标实体及目标授课模型得到第二预测结果，将第一预测结果、第二预测结果进行加权得到目标预测结果。
关于知识图谱关系推理装置的具体限定可以参见上文中对于知识图谱关系推理方法的限定，在此不再赘述。上述知识图谱关系推理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种知识图谱关系推理方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取预定义的知识规则，根据预定义的知识规则更新当前知识图谱；提取当前知识图谱中的实体集和关系集，根据实体集和关系集得到当前第一三元组集；从当前第一三元组集中提取匹配预定义的知识规则的三元组得到当前第一训练集；将当前第一训练集作为当前授课模型的训练样本同时作为当前学习模型的输入，采用第一损失函数训练当前授课模型并使得授课模型的输出拟合当前学习模型的输出，得到训练好的当前授课模型及更新后的当前第一三元组集；将更新后的当前第一三元组集作为当前学习模型的训练样本同时作为当前授课模型的输入，采用第二损失函数训练当前学习模型并使得当前学习模型的输出拟合当前授课模型的输出，得到训练好的当前学习模型及更新后的当前第一训练集并进入将当前第一训练集作为当前授课模型的训练样本同时作为当前学习模型的输入的步骤，直至训练结果满足收敛条件，得到目标学习模型；获取目标实体，根据目标学习模型进行推理得到目标实体对应的推理结果。
在一个实施例中，提取知识图谱中的实体集和关系集，根据实体集和关系集得到当前第一三元组集，包括：将实体集和关系集初始化为向量表示，得到当前向量集，当前向量集包括实体集对应的第一子向量集以及关系集对应的第二子向量集；根据第一子向量集及第二子向量集得到当前第一三元组集。
在一个实施例中，步骤根据第一子向量集及第二子向量集得到当前第一三元组集的步骤包括：提取第一子向量集中所有的头实体、所有的尾实体分别得到头实体集和尾实体集；将头实体集中各个头实体依次与尾实体集中各个尾实体进行组合得到实体对集；将实体对集中各个实体对分别与第二子向量集中各个子向量进行组合得到当前第一三元组集。
在一个实施例中，获取目标实体，根据目标学习模型进行推理得到目标实体对应的推理结果的步骤包括：根据当前目标实体从知识图谱中提取预设跳数内的实体和关系，得到备选实体集合和备选关系集；根据备选实体集合和备选关系集得到第二三元组集，将第二三元组集依次输入学习模型得到各个第二三元组对应的预测结果。
在一个实施例中，当训练结果满足收敛条件时，还得到目标授课模型，根据目标学习模型进行推理得到目标实体对应的推理结果，包括：根据目标实体及目标学习模型得到第一预测结果；处理器执行计算机程序时还实现以下步骤：根据目标实体及目标授课模型得到第二预测结果；将第一预测结果、第二预测结果进行加权得到目标预测结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取预定义的知识规则，根据预定义的知识规则更新当前知识图谱；提取当前知识图谱中的实体集和关系集，根据实体集和关系集得到当前第一三元组集；从当前第一三元组集中提取匹配预定义的知识规则的三元组得到当前第一训练集；将当前第一训练集作为当前授课模型的训练样本同时作为当前学习模型的输入，采用第一损失函数训练当前授课模型并使得授课模型的输出拟合当前学习模型的输出，得到训练好的当前授课模型及更新后的当前第一三元组集；将更新后的当前第一三元组集作为当前学习模型的训练样本同时作为当前授课模型的输入，采用第二损失函数训练当前学习模型并使得当前学习模型的输出拟合当前授课模型的输出，得到训练好的当前学习模型及更新后的当前第一训练集并进入将当前第一训练集作为当前授课模型的训练样本同时作为当前学习模型的输入的步骤，直至训练结果满足收敛条件，得到目标学习模型；获取目标实体，根据目标学习模型进行推理得到目标实体对应的推理结果。
在一个实施例中，提取知识图谱中的实体集和关系集，根据实体集和关系集得到当前第一三元组集，包括：将实体集和关系集初始化为向量表示，得到当前向量集，当前向量集包括实体集对应的第一子向量集以及关系集对应的第二子向量集；根据第一子向量集及第二子向量集得到当前第一三元组集。
在一个实施例中，步骤根据第一子向量集及第二子向量集得到当前第一三元组集的步骤包括：提取第一子向量集中所有的头实体、所有的尾实体分别得到头实体集和尾实体集；将头实体集中各个头实体依次与尾实体集中各个尾实体进行组合得到实体对集；将实体对集中各个实体对分别与第二子向量集中各个子向量进行组合得到当前第一三元组集。
在一个实施例中，获取目标实体，根据目标学习模型进行推理得到目标实体对应的推理结果的步骤包括：根据当前目标实体从知识图谱中提取预设跳数内的实体和关系，得到备选实体集合和备选关系集；根据备选实体集合和备选关系集得到第二三元组集，将第二三元组集依次输入学习模型得到各个第二三元组对应的预测结果。
在一个实施例中，当训练结果满足收敛条件时，还得到目标授课模型，根据目标学习模型进行推理得到目标实体对应的推理结果，包括：根据目标实体及目标学习模型得到第一预测结果；计算机程序被处理器执行时还实现以下步骤：根据目标实体及目标授课模型得到第二预测结果；将第一预测结果、第二预测结果进行加权得到目标预测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM (EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM 以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM (SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM (RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种知识图谱关系推理方法，所述方法包括：
获取预定义的知识规则，根据所述预定义的知识规则更新当前知识图谱；
提取当前知识图谱中的实体集和关系集，根据所述实体集和关系集得到当前第一三元组集；
从所述当前第一三元组集中提取匹配所述预定义的知识规则的三元组得到当前第一训练集；
将当前第一训练集作为当前授课模型的训练样本同时作为当前学习模型的输入，采用第一损失函数训练当前授课模型并使得所述授课模型的输出拟合当前学习模型的输出，得到训练好的当前授课模型及更新后的当前第一三元组集；
将所述更新后的当前第一三元组集作为当前学习模型的训练样本同时作为当前授课模型的输入，采用第二损失函数训练当前学习模型并使得当前学习模型的输出拟合当前授课模型的输出，得到训练好的当前学习模型及更新后的当前第一训练集并进入将当前第一训练集作为当前授课模型的训练样本同时作为当前学习模型的输入的步骤，直至训练结果满足收敛条件，得到目标学习模型；
获取目标实体，根据所述目标学习模型进行推理得到所述目标实体对应的推理结果。
2.根据权利要求1所述的方法，其特征在于，所述提取知识图谱中的实体集和关系集，根据所述实体集和关系集得到当前第一三元组集的步骤包括：
将实体集和关系集初始化为向量表示，得到当前向量集，所述当前向量集包括实体集对应的第一子向量集以及关系集对应的第二子向量集；
根据所述第一子向量集及第二子向量集得到当前第一三元组集。
3.根据权利要求2所述的方法，其特征在于，所述步骤根据所述第一子向量集及第二子向量集得到当前第一三元组集的步骤包括：
提取第一子向量集中所有的头实体、所有的尾实体分别得到头实体集和尾实体集；
将头实体集中各个头实体依次与尾实体集中各个尾实体进行组合得到实体对集；
将实体对集中各个实体对分别与第二子向量集中各个子向量进行组合得到当前第一三元组集。
4.根据权利要求1所述的方法，其特征在于，所述获取目标实体，根据所述目标学习模型进行推理得到所述目标实体对应的推理结果的步骤包括：
根据当前目标实体从所述知识图谱中提取预设跳数内的实体和关系，得到备选实体集合和备选关系集；
根据所述备选实体集合和所述备选关系集得到第二三元组集，将所述第二三元组集依次输入所述学习模型得到各个第二三元组对应的预测结果。
5.根据权利要求1-3任意一项所述的方法，其特征在于，当训练结果满足收敛条件时，还得到目标授课模型，所述根据所述目标学习模型进行推理得到所述目标实体对应的推理结果的步骤包括：
根据所述目标实体及目标学习模型得到第一预测结果；
所述方法还包括：
根据目标实体及目标授课模型得到第二预测结果；
将第一预测结果、第二预测结果进行加权得到目标预测结果。
6.一种知识图谱关系推理装置，其特征在于，所述装置包括：
知识规则获取模块，用于获取预定义的知识规则，根据所述预定义的知识规则更新当前知识图谱；
第一三元组集获取模块，用于提取当前知识图谱中的实体集和关系集，根据所述实体集和关系集得到当前第一三元组集；
第一训练集得到模块，用于从所述当前第一三元组集中提取匹配所述预定义的知识规则的三元组得到当前第一训练集；
授课模型训练模块，用于将当前第一训练集作为当前授课模型的训练样本同时作为当前学习模型的输入，采用第一损失函数训练当前授课模型并使得所述授课模型的输出拟合当前学习模型的输出，得到训练好的当前授课模型及更新后的当前第一三元组集；
学习模型训练模块，用于将所述更新后的当前第一三元组集作为当前学习模型的训练样本同时作为当前授课模型的输入，采用第二损失函数训练当前学习模型并使得当前学习模型的输出拟合当前授课模型的输出，得到训练好的当前学习模型及更新后的当前第一训练集并进入将当前第一训练集作为当前授课模型的训练样本同时作为当前学习模型的输入的步骤，直至训练结果满足收敛条件，得到目标学习模型；
推理模块，用于获取目标实体，根据所述目标学习模型进行推理得到所述目标实体对应的推理结果。
7.根据权利要求6所述的装置，其特征在于，所述第一三元组集获取模块包括：
向量初始化单元，用于将实体集和关系集初始化为向量表示，得到当前向量集，所述当前向量集包括实体集对应的第一子向量集以及关系集对应的第二子向量集；
第一三元组集获取单元，用于根据所述第一子向量集及第二子向量集得到当前第一三元组集。
8.根据权利要求7所述的装置，其特征在于，所述第一三元组集获取单元还用于提取第一子向量中所有的头实体、所有的尾实体分别得到头实体集和尾实体集，将头实体集中各个头实体依次与尾实体集中各个尾实体进行组合得到实体对集，将实体对集中各个实体对分别与第二子向量集中各个子向量进行组合得到当前第一三元组集。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810065416.XA CN108446769B (zh) | 2018-01-23 | 2018-01-23 | 知识图谱关系推理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810065416.XA CN108446769B (zh) | 2018-01-23 | 2018-01-23 | 知识图谱关系推理方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108446769A true CN108446769A (zh) | 2018-08-24 |
| CN108446769B CN108446769B (zh) | 2020-12-08 |
Family
ID=63191219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810065416.XA Expired - Fee Related CN108446769B (zh) | 2018-01-23 | 2018-01-23 | 知识图谱关系推理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108446769B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110032650A (zh) * | 2019-04-18 | 2019-07-19 | 腾讯科技（深圳）有限公司 | 一种训练样本数据的生成方法、装置及电子设备 |
| CN110147414A (zh) * | 2019-05-23 | 2019-08-20 | 北京金山数字娱乐科技有限公司 | 一种知识图谱的实体表征方法及装置 |
| CN110674637A (zh) * | 2019-09-06 | 2020-01-10 | 腾讯科技（深圳）有限公司 | 一种人物关系识别模型训练方法、装置、设备及介质 |
| CN110704547A (zh) * | 2019-09-26 | 2020-01-17 | 北京明略软件系统有限公司 | 基于神经网络的关系抽取数据生成方法、模型及训练方法 |
| CN110796254A (zh) * | 2019-10-30 | 2020-02-14 | 南京工业大学 | 一种知识图谱推理方法、装置、计算机设备及存储介质 |
| CN110942232A (zh) * | 2019-11-01 | 2020-03-31 | 支付宝(杭州)信息技术有限公司 | 一种模型快速容灾方法、装置及电子设备 |
| CN111324776A (zh) * | 2018-12-13 | 2020-06-23 | 第四范式（北京）技术有限公司 | 图嵌入模型的训练方法及装置、计算设备及可读介质 |
| WO2020177142A1 (zh) * | 2019-03-01 | 2020-09-10 | 东北大学 | 一种基于传递关系的本地自适应知识图谱优化方法 |
| CN111797237A (zh) * | 2020-07-10 | 2020-10-20 | 第四范式（北京）技术有限公司 | 文本实体关系识别方法、系统及介质 |
| CN111831827A (zh) * | 2019-09-05 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| CN112818678A (zh) * | 2021-02-24 | 2021-05-18 | 上海交通大学 | 基于依赖关系图的关系推理方法及系统 |
| CN112818137A (zh) * | 2021-04-19 | 2021-05-18 | 中国科学院自动化研究所 | 基于实体对齐的多源异构知识图谱协同推理方法及装置 |
| CN113361280A (zh) * | 2021-06-30 | 2021-09-07 | 北京百度网讯科技有限公司 | 训练模型的方法、预测方法、装置、电子设备以及存储介质 |
| WO2022151811A1 (zh) * | 2021-01-15 | 2022-07-21 | 医渡云（北京）技术有限公司 | 基于模型的医学知识图谱的推理方法、装置、设备及介质 |
| CN115712734A (zh) * | 2022-11-21 | 2023-02-24 | 之江实验室 | 一种基于元学习的稀疏知识图谱嵌入方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150178273A1 (en) * | 2013-12-20 | 2015-06-25 | Microsoft Corporation | Unsupervised Relation Detection Model Training |
| CN106295796A (zh) * | 2016-07-22 | 2017-01-04 | 浙江大学 | 基于深度学习的实体链接方法 |
| CN106528610A (zh) * | 2016-09-28 | 2017-03-22 | 厦门理工学院 | 一种基于路径张量分解的知识图谱表示学习方法 |
| CN106528609A (zh) * | 2016-09-28 | 2017-03-22 | 厦门理工学院 | 一种向量约束嵌入转换的知识图谱推理方法 |
| CN106776711A (zh) * | 2016-11-14 | 2017-05-31 | 浙江大学 | 一种基于深度学习的中文医学知识图谱构建方法 |
| CN106874261A (zh) * | 2017-03-17 | 2017-06-20 | 中国科学院软件研究所 | 一种基于语义三角的领域知识图谱及查询方法 |
| CN106909622A (zh) * | 2017-01-20 | 2017-06-30 | 中国科学院计算技术研究所 | 知识图谱向量表示方法、知识图谱关系推理方法及系统 |
| US20170249382A1 (en) * | 2016-02-29 | 2017-08-31 | Rovi Guides, Inc. | Systems and methods for using a trained model for determining whether a query comprising multiple segments relates to an individual query or several queries |
-
2018
- 2018-01-23 CN CN201810065416.XA patent/CN108446769B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150178273A1 (en) * | 2013-12-20 | 2015-06-25 | Microsoft Corporation | Unsupervised Relation Detection Model Training |
| US20170249382A1 (en) * | 2016-02-29 | 2017-08-31 | Rovi Guides, Inc. | Systems and methods for using a trained model for determining whether a query comprising multiple segments relates to an individual query or several queries |
| CN106295796A (zh) * | 2016-07-22 | 2017-01-04 | 浙江大学 | 基于深度学习的实体链接方法 |
| CN106528610A (zh) * | 2016-09-28 | 2017-03-22 | 厦门理工学院 | 一种基于路径张量分解的知识图谱表示学习方法 |
| CN106528609A (zh) * | 2016-09-28 | 2017-03-22 | 厦门理工学院 | 一种向量约束嵌入转换的知识图谱推理方法 |
| CN106776711A (zh) * | 2016-11-14 | 2017-05-31 | 浙江大学 | 一种基于深度学习的中文医学知识图谱构建方法 |
| CN106909622A (zh) * | 2017-01-20 | 2017-06-30 | 中国科学院计算技术研究所 | 知识图谱向量表示方法、知识图谱关系推理方法及系统 |
| CN106874261A (zh) * | 2017-03-17 | 2017-06-20 | 中国科学院软件研究所 | 一种基于语义三角的领域知识图谱及查询方法 |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111324776A (zh) * | 2018-12-13 | 2020-06-23 | 第四范式（北京）技术有限公司 | 图嵌入模型的训练方法及装置、计算设备及可读介质 |
| WO2020177142A1 (zh) * | 2019-03-01 | 2020-09-10 | 东北大学 | 一种基于传递关系的本地自适应知识图谱优化方法 |
| CN110032650A (zh) * | 2019-04-18 | 2019-07-19 | 腾讯科技（深圳）有限公司 | 一种训练样本数据的生成方法、装置及电子设备 |
| CN110147414B (zh) * | 2019-05-23 | 2022-05-13 | 北京金山数字娱乐科技有限公司 | 一种知识图谱的实体表征方法及装置 |
| CN110147414A (zh) * | 2019-05-23 | 2019-08-20 | 北京金山数字娱乐科技有限公司 | 一种知识图谱的实体表征方法及装置 |
| CN111831827B (zh) * | 2019-09-05 | 2023-12-08 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| CN111831827A (zh) * | 2019-09-05 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| CN110674637A (zh) * | 2019-09-06 | 2020-01-10 | 腾讯科技（深圳）有限公司 | 一种人物关系识别模型训练方法、装置、设备及介质 |
| CN110704547A (zh) * | 2019-09-26 | 2020-01-17 | 北京明略软件系统有限公司 | 基于神经网络的关系抽取数据生成方法、模型及训练方法 |
| CN110796254A (zh) * | 2019-10-30 | 2020-02-14 | 南京工业大学 | 一种知识图谱推理方法、装置、计算机设备及存储介质 |
| CN110796254B (zh) * | 2019-10-30 | 2024-02-27 | 南京工业大学 | 一种知识图谱推理方法、装置、计算机设备及存储介质 |
| CN110942232B (zh) * | 2019-11-01 | 2022-07-19 | 支付宝(杭州)信息技术有限公司 | 一种模型快速容灾方法、装置及电子设备 |
| CN110942232A (zh) * | 2019-11-01 | 2020-03-31 | 支付宝(杭州)信息技术有限公司 | 一种模型快速容灾方法、装置及电子设备 |
| CN111797237A (zh) * | 2020-07-10 | 2020-10-20 | 第四范式（北京）技术有限公司 | 文本实体关系识别方法、系统及介质 |
| WO2022151811A1 (zh) * | 2021-01-15 | 2022-07-21 | 医渡云（北京）技术有限公司 | 基于模型的医学知识图谱的推理方法、装置、设备及介质 |
| CN112818678A (zh) * | 2021-02-24 | 2021-05-18 | 上海交通大学 | 基于依赖关系图的关系推理方法及系统 |
| CN112818678B (zh) * | 2021-02-24 | 2022-10-28 | 上海交通大学 | 基于依赖关系图的关系推理方法及系统 |
| CN112818137B (zh) * | 2021-04-19 | 2022-04-08 | 中国科学院自动化研究所 | 基于实体对齐的多源异构知识图谱协同推理方法及装置 |
| CN112818137A (zh) * | 2021-04-19 | 2021-05-18 | 中国科学院自动化研究所 | 基于实体对齐的多源异构知识图谱协同推理方法及装置 |
| CN113361280A (zh) * | 2021-06-30 | 2021-09-07 | 北京百度网讯科技有限公司 | 训练模型的方法、预测方法、装置、电子设备以及存储介质 |
| CN113361280B (zh) * | 2021-06-30 | 2023-10-31 | 北京百度网讯科技有限公司 | 训练模型的方法、预测方法、装置、电子设备以及存储介质 |
| CN115712734A (zh) * | 2022-11-21 | 2023-02-24 | 之江实验室 | 一种基于元学习的稀疏知识图谱嵌入方法和装置 |
| CN115712734B (zh) * | 2022-11-21 | 2023-10-03 | 之江实验室 | 一种基于元学习的稀疏知识图谱嵌入方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108446769B (zh) | 2020-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108446769A (zh) | 知识图谱关系推理方法、装置、计算机设备和存储介质 | |
| Kang et al. | From parallel plants to smart plants: intelligent control and management for plant growth | |
| CN107392091B (zh) | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 | |
| CN108846314A (zh) | 一种基于深度学习的食材辨识系统和食材辨识方法 | |
| Griffith et al. | Policy shaping: Integrating human feedback with reinforcement learning | |
| CN111913803B (zh) | 一种基于akx混合模型的服务负载细粒度预测方法 | |
| CN110781976B (zh) | 训练图像的扩充方法、训练方法及相关装置 | |
| Minku et al. | How to make best use of cross-company data for web effort estimation? | |
| CN107463958A (zh) | 昆虫识别预警方法及系统 | |
| CN106095812A (zh) | 一种基于相似性度量的智能试卷生成方法 | |
| CN111598213B (zh) | 网络训练方法、数据识别方法、装置、设备和介质 | |
| CN111459022B (zh) | 设备参数调整方法、设备控制装置和计算机可读存储介质 | |
| CN106444666A (zh) | 基于加权型动态分布式pca模型的动态过程监测方法 | |
| CN110992365A (zh) | 一种基于图像语义分割的损失函数及其设计方法 | |
| EP3502978A1 (en) | Meta-learning system | |
| CN111898735A (zh) | 蒸馏学习方法、装置、计算机设备和存储介质 | |
| Ramsey et al. | An approximate Bayesian algorithm for training fuzzy cognitive map models of forest responses to deer control in a New Zealand adaptive management experiment | |
| CN109948276A (zh) | 失效分析方法、装置、设备和存储介质 | |
| CN116318754A (zh) | 针对分布式电源的多终端协同动态安全分析方法和系统 | |
| CN112132278A (zh) | 模型压缩方法、装置、计算机设备及存储介质 | |
| CN114818734A (zh) | 基于目标-属性-关系的对抗场景语义分析方法以及装置 | |
| CN113837191A (zh) | 基于双向无监督域适应融合的跨星遥感图像语义分割方法 | |
| CN107895215A (zh) | 基于神经网络的社会网络影响力预测及最大化系统与方法 | |
| CN109325594A (zh) | 一种改进cbr的电力通信现场运维辅助诊断方法 | |
| CN113255765B (zh) | 一种基于大脑机理的认知学习方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201208 Termination date: 20220123 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |