CN110008351A - 一种面向隐式冲突检测的结构化功能知识补全方法 - Google Patents

Abstract

本发明公开了一种面向隐式冲突检测的结构化功能知识补全方法。该方法首先根据给出的一组隐含属性词，获取在线词典中的释义；对每一个隐含属性词I_i∈I，通过词法解析器获取在线词典中释义句子的词性标签，所有的名词都作为I_i的候选属性词C_i；将候选属性词中的所有单词c_ij∈C_i分为两类，一类为隐含属性词的属性，另一类为非属性词，利用WordNet中的词间关系通过迭代分类算法得到准确的分类结果，最终补全结构化功能知识中缺失的属性。本发明抽取的结构化功能知识可以用于智能家居系统中的隐式冲突判断，不但提高了隐式冲突检测系统的自动化程度，而且使检测准确度大大提升。

Description

一种面向隐式冲突检测的结构化功能知识补全方法

技术领域

本发明涉及一种从半结构化的知识图谱数据中抽取结构化数据的补全方法，尤其涉及一种面向隐式冲突检测的结构化功能知识补全方法。

背景技术

如今的智能家居已经发展成支持多设备之间互联、互通的集成系统。但与此同时，也极易出现设备之间的竞争、干扰和矛盾等控制冲突现象，因此有必要开展对设备控制冲突检测技术的研究。当前，在智能家居冲突检测领域，冲突检测多针对多条规则以不同方式作用于同一作动器时发生的显式冲突。例如，当一条作动器规则要求开灯而同时另一条规则要求关灯，这会引起明显的冲突。但当多个作动器的两条或多条规则同时针对共享环境属性具有相反影响或影响相关物理变量时产生的隐式冲突，例如一条作动器规则命令要求打开窗户，而另一条规则要求开启空调，这会产生对温度影响的隐式冲突。现有方法通过人工引入设备知识来进行隐式冲突检测，这不但耗费人力且极易发生遗漏。为了自动地进行隐式冲突检测，需要从知识图谱中抽取结构化的设备功能知识进行隐式冲突检测，但知识图谱中设备的功能描述大量缺少属性词(比如“A bulb is used for illuminating anarea”，其中“illuminating an area”是VP结构的功能描述，功能描述中并未包含类似“light”的属性词，但通过动词illuminate可以推断隐含的属性是light，我们将这样的动词称为“隐含属性词”)，因此抽取出的结构化功能知识也大量缺少属性词。

发明内容

本发明的目的在于针对从知识图谱中抽取的结构化功能知识大量缺少属性词的问题，提供一种基于迭代分类算法的补全方法。

本发明的目的是通过以下技术方案来实现的：一种面向隐式冲突检测的结构化功能知识补全方法，该方法包括以下步骤：

(1)根据给出的一组“隐含属性词”，记为I＝{I₁，I₂，…，I_r}，这里的“隐含属性词”为动词或形容词，然后从在线词典中获取其释义。

(2)对每一个“隐含属性词”I_i∈I，通过词法解析器获取在线词典中释义句子的词性标签，所有的名词都作为I_i的候选属性词C_i。

(3)将候选属性词中的所有单词c_ij∈C_i分为两类，一类为“隐含属性词”的“属性”，另一类为“非属性词”，这一步将利用WordNet中的词间关系通过“迭代分类算法”得到准确的分类结果，最终用获得的结果补全缺失属性。

进一步地，所述步骤(1)具体为：从5种在线词典获取“隐式属性词”的解释数据。

进一步地，所述步骤(2)具体为：利用词性标注工具得到解释中的名词，这些名词作为“隐式属性词”对应的“候选属性词”，与“隐式属性词”组成词对。

进一步地，所述步骤(3)中的迭代分类算法具体为：算法样本由“隐含属性词”I_i和它的一个候选属性词c_ij组成的词对_i，c_ij)。用图来表示所有数据，图的节点由“隐含属性词”和属性组成的词对构成V(I_i，_ij)|c_ij∈C_i，I_i∈I}，定义邻接函数V中的每一个节点(I_i，c_ij)都用一个向量X_ij表示，该向量由多个特征f₁，f₂…f₁构成，同时每个节点都有对应的标签y_ij∈{0，1，标签为1表示词对中的属性词是“隐式属性词”对应的属性，0则不是。节点集合U是未被标记的节点，算法预测所有未被标记的节点u_ij∈U。算法的训练过程与普通的监督学习算法一致，关键步骤在于分类或者说测试部分。测试时，在初始化部分通过训练学习到的分类器h给所有没有标签的测试数据u_ij∈U打上标签。初始化完成后，分类器迭代地运行直到所有的分类标签不变。

本发明的有益效果是：本发明运用迭代分类算法补全了从知识图谱中抽取的智能家居设备的结构化功能知识。抽取的结构化功能知识可以用于智能家居系统中的隐式冲突判断，不但提高了隐式冲突检测系统的自动化程度，而且使检测准确度大大提升。

附图说明

图1是本发明的使用“迭代分类算法”时的词间关系示意图。

具体实施方式

本发明面向隐式冲突检测的结构化功能知识补全方法，包括如下步骤：

1、根据给出的一组“隐含属性词”(动词，也包含部分形容词)，记为I＝{I₁，I₂，…，I_r}，获取在线词典中的释义。

2、对每一个“隐含属性词”I_i∈I，通过词法解析器获取在线词典中释义句子的词性(POS)标签，所有的名词都作为I_i的候选属性词C_i。

3、将候选属性词中的所有单词c_ij∈C_i分为两类，一类为“隐含属性词”的“属性”，另一类为“非属性词”，这一步将利用WordNet中的词间关系通过“迭代分类算法”得到准确的分类结果，最终用获得的结果补全缺失属性。

以下通过实施例对本发明做进一步解释。

1、从5个在线词典(The Free Dictionary、Your Dictionary、The Free Merriam-Webster Dictionary、Dictionary.com、Longman Dictionary of Contemporary English)获取“隐式属性词”：cool、hot和warm的解释数据。

2、利用词性标注工具(如Stanford CoreNLP)得到解释中的名词，这些名词作为“隐式属性词”对应的“候选属性词”，与“隐式属性词”组成词对，其中有(cold，coldness)、(hot，hotness)、(warm，heat)和(warm，temperature)等。

3、算法样本由“隐式属性词”I_i和它的一个候选属性词c_ij组成的词对，如(I_i，c_ij)。用图来表示所有数据，图的节点由“隐含属性词”和属性组成的词对构成V＝{(I_i，_ij)|c_ij∈C_i，I_i∈I}，定义邻接函数V中的每一个节点(I_i，c_ij)都用一个向量X_ij表示，该向量由多个特征f₁，f₂…f₁构成，同时每个节点都有对应的标签y_ij∈{0，1|，标签为1表示词对中的属性词是“隐式属性词”对应的属性，0则不是。节点集合U是未被标记的节点，算法预测所有未被标记的节点u_ij∈U。算法的训练过程与普通的监督学习算法一致，关键步骤在于分类或者说测试部分。测试时，在初始化部分通过训练学习到的分类器h给所有没有标签的测试数据u_ij∈U打上标签。初始化完成后，分类器迭代地运行直到所有的分类标签不变。(需要迭代运行是因为节点的特征X_ij依赖于相邻节点的标签类型，而每一轮迭代之后节点的标签又可能发生变化。)图1是依据词间关系画出的一张示意图，也是“迭代分类算法”步骤的演示图。其中椭圆形表示由“隐式属性词”和属性词组成的一组词对，是图中的一个节点，也是分类器h分类时的一个实例。同一虚线框中的词对拥有相同的“隐式属性词”I，虚线框之间的连线表示两个“隐式属性词”存在关系，椭圆形词对之间的连线表示属性词C之间存在关系。浅色的连线代表两端的词是同义词，深色连线代表它们是反义词。其中有的椭圆形表示的词对带有标签，有的椭圆形表示的词对还未被预测标签。图中，“隐式属性词”I_j(hot)和I_k(warm)互为同义词，带有标签的属性词c_k2(temperature)和还未被预测的属性词c_j2(heat)是同义词，还有I_j的候选属性词c_j1(coldness)和c_j2(heat)是反义词关系。算法在之前的步骤中已经给词对(I_j，c_j1)预测了标签，c_j2又与c_j1和c_k2有相互关系，因此在本轮迭代中，词对(I_j，c_j2)的预测标签将受到(I_j，c_j1)和(I_k，c_k2)的标签的影响。

Claims (4)

1.一种面向隐式冲突检测的结构化功能知识补全方法，其特征在于，该方法包括以下步骤：

(1)根据给出的一组“隐含属性词”，记为I＝{I₁，I₂，...，I_r}，这里的“隐含属性词”为动词或形容词，然后从在线词典中获取其释义。

(2)对每一个“隐含属性词”I_i∈I，通过词法解析器获取在线词典中释义句子的词性标签，所有的名词都作为I_i的候选属性词C_i。

(3)将候选属性词中的所有单词c_ij∈C_i分为两类，一类为“隐含属性词”的“属性”，另一类为“非属性词”，这一步将利用WordNet中的词间关系通过“迭代分类算法”得到准确的分类结果，最终用获得的结果补全缺失属性。

2.根据权利要求1所述的面向隐式冲突检测的结构化功能知识补全方法，其特征是，所述步骤(1)具体为：从5种在线词典获取“隐式属性词”的解释数据。

3.根据权利要求1所述的面向隐式冲突检测的结构化功能知识补全方法，其特征是，所述步骤(2)具体为：利用词性标注工具得到解释中的名词，这些名词作为“隐式属性词”对应的“候选属性词”，与“隐式属性词”组成词对。

4.根据权利要求1所述的面向隐式冲突检测的结构化功能知识补全方法，其特征是，所述步骤(3)中的迭代分类算法具体为：算法样本由“隐含属性词”I_i和它的一个候选属性词c_ij组成的词对(I_i，c_ij)。用图来表示所有数据，图的节点由“隐含属性词”和属性组成的词对构成V＝{(I_i，c_ij)|c_ij∈C_i，I_i∈I}，定义邻接函数V中的每一个节点(I_i，c_ij)都用一个向量X_ij表示，该向量由多个特征f₁，f₂...f₁构成，同时每个节点都有对应的标签y_ij∈{0，1}，标签为1表示词对中的属性词是“隐式属性词”对应的属性，0则不是。节点集合U是未被标记的节点，算法预测所有未被标记的节点u_ij∈U。算法的训练过程与普通的监督学习算法一致，关键步骤在于分类或者说测试部分。测试时，在初始化部分通过训练学习到的分类器h给所有没有标签的测试数据u_ij∈U打上标签。初始化完成后，分类器迭代地运行直到所有的分类标签不变。