CN111260064A - 基于元知识的知识图谱的知识推理方法、系统以及介质 - Google Patents

基于元知识的知识图谱的知识推理方法、系统以及介质 Download PDF

Info

Publication number
CN111260064A
CN111260064A CN202010296084.3A CN202010296084A CN111260064A CN 111260064 A CN111260064 A CN 111260064A CN 202010296084 A CN202010296084 A CN 202010296084A CN 111260064 A CN111260064 A CN 111260064A
Authority
CN
China
Prior art keywords
knowledge
task
model
inference
entities
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.)
Pending
Application number
CN202010296084.3A
Other languages
English (en)
Inventor
谢浩程
江荣
李爱平
贾焰
周斌
喻承
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010296084.3A priority Critical patent/CN111260064A/zh
Publication of CN111260064A publication Critical patent/CN111260064A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了基于元知识的知识图谱的知识推理方法、系统以及介质，训练难度也不会随着知识图谱规模的增长而显著增长，推理准确性更有优势，包括以下步骤：步骤1数据集构建：建立由知识图谱三元组：头实体、关系、尾实体组成的数据集；步骤2数据再处理：将数据集中的实体的初始化嵌入向量分别通过数据再处理模型进行再学习，获取实体本身的语义，得到最终的实体的嵌入向量；步骤3模型训练：构建知识推理模型，将经数据再处理的数据集中的三元组输入知识推理模型进模型训练，得到训练好的知识推理模型；步骤4知识推理：通过训练好的知识推理模型，对知识图谱三元组中的备选尾实体进行评分，选取评分最高的尾实体作为知识推理模型的推理结果。

Description

基于元知识的知识图谱的知识推理方法、系统以及介质
技术领域
本发明涉及知识推理技术领域，具体涉及基于元知识的知识图谱的知识推理方法、系统以及介质。
背景技术
近些年，基于机器学习的知识推理技术发展迅猛，并且取得了十分显著的成果，实质上就是利用知识图谱中的三元组作为训练数据进行建模，利用统计学习的方法从中提取出一些逻辑规则，以此来对新的知识进行推理或判断。但基于该种方式进行的知识推理技术，由于受到机器学习模型的固有条件限制，普遍存在两个方面的问题，一是知识推理模型的训练需要大量的样本，模型训练复杂度较高；二是由于大规模稀疏知识图谱往往数据分布不均衡，现有的知识推理技术，在这种大规模稀疏知识图谱上进行推理，效果并不十分理想。
GMatching模型最先将元学习的思想应用于知识推理当中，解决了上述的两个方面的问题，但仍然有一定的提升空间，一是该模型的数据再处理部分对实体间关系语义的表达并不完全；二是该模型的推理部分，推理过程中对关系特征的提取缺少针对性。
发明内容
针对上述问题，本发明提供了基于元知识的知识图谱的知识推理方法、系统以及介质，其对对实体间关系语义的表达更加完整，对于推理过程中对关系特征的提取更具有针对性。
其技术方案是这样的：一种基于元知识的知识图谱的知识推理方法，其特征在于，包括以下步骤：
步骤1：数据集构建：建立由知识图谱三元组：头实体、关系、尾实体组成的数据集；
步骤2：数据再处理：将数据集中的实体的初始化嵌入向量分别通过数据再处理模型进行再学习，获取实体本身的语义，得到最终的实体的嵌入向量；
步骤3：模型训练：构建知识推理模型，将经数据再处理的数据集中的三元组输入知识推理模型进模型训练，得到训练好的知识推理模型；
步骤4：知识推理：通过训练好的知识推理模型，对知识图谱三元组中的备选尾实体进行评分，选取评分最高的尾实体作为知识推理模型的推理结果。
进一步的，在步骤1中，建立由知识图谱三元组：头实体、关系、尾实体组成的数据集，先对数据集进行预处理，然后将数据集分成训练任务数据集TrainD、测试任务数据集TestD以及验证任务数据集ValD，训练任务数据集TrainD、测试任务数据集TestD以及验证任务数据集ValD分别对应训练任务Train_task、测试任务Test_task以及验证任务Val_task设置。
进一步的，在步骤1中，训练任务数据集TrainD设置包括：
假设该训练任务数据集TrainD共有k种关系，则设置k个训练任务，将第m个关系所对应的任务集表示为
Figure 626629DEST_PATH_IMAGE001
，即，
Figure 12611DEST_PATH_IMAGE002
；在任务
Figure 464452DEST_PATH_IMAGE001
中，再将数据集分为support集
Figure 797344DEST_PATH_IMAGE003
和query集
Figure 785285DEST_PATH_IMAGE004
，即
Figure 138906DEST_PATH_IMAGE005
；
设定训练任务
Figure 812464DEST_PATH_IMAGE006
中，基于Few-Shot的知识推理技术将support集的样本个数设定为few，而query集的样本个数与训练batch中的数据个数相同，设定为b，则有
Figure 808102DEST_PATH_IMAGE007
，其中
Figure 149085DEST_PATH_IMAGE008
表示头实体，
Figure 781929DEST_PATH_IMAGE009
表示关系，
Figure 942783DEST_PATH_IMAGE010
表示尾实体；
将query集分为正负样本进行训练，即
Figure 351899DEST_PATH_IMAGE011
，其中正例集可以表示为
Figure 140863DEST_PATH_IMAGE012
，根据正例集对集中的尾实体进行改变得到负例集，相对应的负例结合可以表示为
Figure 101866DEST_PATH_IMAGE013
，其中
Figure 750016DEST_PATH_IMAGE014
表示头实体，
Figure 210427DEST_PATH_IMAGE009
表示关系，
Figure 385057DEST_PATH_IMAGE015
表示尾实体；
测试任务Test_task与验证任务Val_task的设置方式同训练任务Train_task，训练任务Train_task、测试任务Test_task与验证任务Val_task中所有关系的集分别表示为
Figure 126748DEST_PATH_IMAGE016
、
Figure 793352DEST_PATH_IMAGE017
和
Figure 403325DEST_PATH_IMAGE018
，并且
Figure 307827DEST_PATH_IMAGE019
。
进一步的，在步骤2中，设定需要对实体
Figure 610633DEST_PATH_IMAGE020
的初始化嵌入向量通过数据再处理模型进行再学习，
Figure 466331DEST_PATH_IMAGE021
表示与
Figure 145574DEST_PATH_IMAGE020
直接相连的第k个实体，
Figure 639003DEST_PATH_IMAGE022
表示实体
Figure 378289DEST_PATH_IMAGE020
与
Figure 222749DEST_PATH_IMAGE021
之间的关系，
Figure 315470DEST_PATH_IMAGE023
，其中，emb()表示实体以及关系的初始化嵌入方法，
Figure 319198DEST_PATH_IMAGE024
分别表示头实体
Figure 606216DEST_PATH_IMAGE020
，关系
Figure 62605DEST_PATH_IMAGE022
，尾实体
Figure 693438DEST_PATH_IMAGE021
的初始化嵌入向量，通过数据再处理模型进行再学习得到的最终的实体
Figure 427038DEST_PATH_IMAGE020
的嵌入向量，表示为
Figure 242548DEST_PATH_IMAGE025
其中，
Figure 61599DEST_PATH_IMAGE026
表示激活函数，矩阵
Figure 886336DEST_PATH_IMAGE027
以及向量
Figure 972978DEST_PATH_IMAGE028
均为可训练参数，
Figure 693809DEST_PATH_IMAGE029
表示与实体
Figure 265736DEST_PATH_IMAGE020
直接相连的实体个数，
Figure 238371DEST_PATH_IMAGE030
通过如下公式表示：
Figure 71198DEST_PATH_IMAGE031
其中，矩阵
Figure 838297DEST_PATH_IMAGE032
以及向量
Figure 756574DEST_PATH_IMAGE033
均为可训练参数，
Figure 34365DEST_PATH_IMAGE034
表示对向量进行首尾拼接。
进一步的，在步骤3中，知识推理模型通过如下公式表示：
Figure 721699DEST_PATH_IMAGE035
其中，
Figure 925278DEST_PATH_IMAGE036
，
Figure 65272DEST_PATH_IMAGE037
是由query集中所有头实体和尾实体分别经过数据再处理得到的两个矩阵拼接而成，
Figure 645289DEST_PATH_IMAGE038
，其中
Figure 328075DEST_PATH_IMAGE039
表示一个标准LSTM单元，x为输入，h，c分别表示LSTM单元当中的隐状态参数和单元状态参数，即此处
Figure 827189DEST_PATH_IMAGE040
表示第k个LSTM单元的隐状态输出参数，
Figure 828381DEST_PATH_IMAGE041
表示第k个LSTM单元的单元状态输出参数，
Figure 71143DEST_PATH_IMAGE042
，
Figure 342856DEST_PATH_IMAGE043
表示取
Figure 278451DEST_PATH_IMAGE040
矩阵的前2n列，将
Figure 268404DEST_PATH_IMAGE044
作为模型第k+1个LSTM单元的隐状态输入，
Figure 49278DEST_PATH_IMAGE041
作为模型第k+1个LSTM单元的单元状态输入参数，
Figure 441076DEST_PATH_IMAGE034
表示对向量进行首尾拼接，
Figure 924403DEST_PATH_IMAGE045
，
Figure 526286DEST_PATH_IMAGE046
，
Figure 986217DEST_PATH_IMAGE047
矩阵是由support集的所有头实体和尾实体分别经过数据再处理得到的两个矩阵拼接而成，
Figure 622735DEST_PATH_IMAGE048
，
Figure 509920DEST_PATH_IMAGE049
表示注意力权重，
Figure 67940DEST_PATH_IMAGE050
表示query集中的每个数据基于support集的语义表示向量。
进一步的，在步骤3中，在训练知识推理模型时，将通过数据再处理得到的support集的few对头、尾实体嵌入向量首尾拼接，作为知识推理模型的
Figure 597141DEST_PATH_IMAGE051
输入矩阵，其中，support集表示为
Figure 822586DEST_PATH_IMAGE052
；将通过数据再处理得到的query集的头、尾实体嵌入向量首尾拼接，得到query集的两个输入矩阵
Figure 379207DEST_PATH_IMAGE053
和
Figure 96628DEST_PATH_IMAGE054
，其中，query集表示为
Figure 22995DEST_PATH_IMAGE055
，b表示一个batch的数据个数，首先将
Figure 978313DEST_PATH_IMAGE051
和
Figure 863092DEST_PATH_IMAGE053
作为输入，得到知识推理模型打分结果
Figure 536650DEST_PATH_IMAGE056
，再将
Figure 266709DEST_PATH_IMAGE051
和
Figure 566279DEST_PATH_IMAGE054
作为输入，得到知识推理模型打分结果
Figure 356381DEST_PATH_IMAGE057
，利用
Figure 782814DEST_PATH_IMAGE056
与
Figure 926350DEST_PATH_IMAGE057
设计损失函数L(θ)来训练模型，损失函数L(θ)表示为：
Figure 980894DEST_PATH_IMAGE058
其中，τ为一个正常数；当知识推理模型的损失函数值趋于稳定不再变化时表示模型趋于稳定，训练停止。
进一步的，在知识推理模型训练结束后，通过测试任务数据集TestD测试知识推理模型的推理是否有效；在训练分类模型的过程中，通过验证任务数据集ValD监控知识推理模型的训练效果。
进一步的，在步骤4中，通过步骤3得到的训练好的知识推理模型对备选尾实体打分，得分结果score进行排序，选取得分最高的尾实体作为知识推理模型的推理结果。
一种基于元知识的知识图谱的知识推理系统，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现上述的基于元知识的知识图谱的知识推理方法。
一种计算机可读存储介质，其上存储有程序，其特征在于：所述程序被处理器执行时实现如上述的基于元知识的知识图谱的知识推理方法。
本发明的基于元知识的知识图谱的知识推理方法中采用的知识推理模型，与GMatching模型相比，在GMatching模型的基础上主要解决了两个问题，一是通过数据再处理模型进行再学习，获取实体本身的语义，使得对于实体间关系语义的表达更加完整；二是推理模型中对关系特征的提取由于加入了注意力机制更有针对性，通过采用本发明的基于元知识的知识图谱的知识推理方法，知识推理模型的训练不需要大量的样本，知识推理模型的训练难度也不会随着知识图谱规模的增长而显著增长；此外，针对稀疏知识图谱的知识推理，相比较其他模型而言，推理准确性更有优势。
附图说明
图1为本发明的基于元知识的知识图谱的知识推理方法的流程示意图；
图2为本发明的基于元知识的知识图谱的知识推理方法的步骤1中进行数据集构建的示意图；
图3为本发明的基于元知识的知识图谱的知识推理方法的步骤2中的数据再处理模型的示意图；
图4为本发明的基于元知识的知识图谱的知识推理方法的步骤3中的推理模型的示意图；
图5为本发明的基于元知识的知识图谱的知识推理方法的模型示意图。
具体实施方式
见图1至图5，本发明的一种基于元知识的知识图谱的知识推理方法，包括以下步骤：
步骤1：数据集构建：建立由知识图谱三元组：头实体、关系、尾实体组成的数据集；
步骤2：数据再处理：将数据集中的实体的初始化嵌入向量分别通过数据再处理模型进行再学习，用于增强每个实体局部连接的表示以及获取实体本身的语义，得到最终的实体的嵌入向量；
步骤3：模型训练：构建知识推理模型，将经数据再处理的数据集中的三元组输入知识推理模型进模型训练，得到训练好的知识推理模型；
步骤4：知识推理：通过训练好的知识推理模型，对知识图谱三元组中的备选尾实体进行评分，选取评分最高的尾实体作为知识推理模型的推理结果。
见图2，具体在在步骤1中，建立由知识图谱三元组：头实体、关系、尾实体组成的数据集，先是对数据集中的数据进行清洗和分配，然后将数据集分成训练任务数据集TrainD、测试任务数据集TestD以及验证任务数据集ValD，训练任务数据集TrainD、测试任务数据集TestD以及验证任务数据集ValD分别对应训练任务Train_task、测试任务Test_task以及验证任务Val_task设置，其中，训练任务数据集TrainD设置包括：
根据训练任务数据集TrainD中的关系数，来设定训练任务的个数，假设该训练任务数据集TrainD共有k种关系，则设置k个训练任务，将第m个关系所对应的任务集表示为
Figure 82842DEST_PATH_IMAGE001
，即，
Figure 590047DEST_PATH_IMAGE002
；在任务
Figure 301389DEST_PATH_IMAGE001
中，再将数据集分为support集
Figure 351384DEST_PATH_IMAGE003
和query集
Figure 483288DEST_PATH_IMAGE004
，即
Figure 618735DEST_PATH_IMAGE005
；
设定训练任务
Figure 228708DEST_PATH_IMAGE006
中，基于Few-Shot的知识推理技术将support集的样本个数设定为few，而query集的样本个数与训练batch中的数据个数相同，设定为b，则有
Figure 133210DEST_PATH_IMAGE007
，其中
Figure 170436DEST_PATH_IMAGE008
表示头实体，
Figure 294643DEST_PATH_IMAGE009
表示关系，
Figure 708307DEST_PATH_IMAGE010
表示尾实体；
为了进一步提升训练效率，将query集分为正负样本进行训练，即
Figure 467315DEST_PATH_IMAGE011
，其中正例集可以表示为
Figure 941022DEST_PATH_IMAGE012
，根据正例集对集中的尾实体进行改变得到负例集，相对应的负例结合可以表示为
Figure 785481DEST_PATH_IMAGE013
，其中
Figure 737257DEST_PATH_IMAGE014
表示头实体，
Figure 881930DEST_PATH_IMAGE009
表示关系，
Figure 634860DEST_PATH_IMAGE015
表示尾实体；
测试任务Test_task与验证任务Val_task的设置方式同训练任务Train_task，训练任务Train_task、测试任务Test_task与验证任务Val_task中所有关系的集分别表示为
Figure 91250DEST_PATH_IMAGE016
、
Figure 722082DEST_PATH_IMAGE017
和
Figure 580317DEST_PATH_IMAGE018
，并且
Figure 271192DEST_PATH_IMAGE019
。
见图3，具体在步骤2中，考虑到步骤1中得到的实体、关系嵌入向量并没有考虑到知识图谱的结构特点，通过对实体嵌入向量进行再学习，使得最终得到的嵌入向量语义更加丰富，具体而言，设定需要对实体
Figure 214877DEST_PATH_IMAGE020
的初始化嵌入向量通过数据再处理模型进行再学习，
Figure 383822DEST_PATH_IMAGE021
表示与
Figure 830984DEST_PATH_IMAGE020
直接相连的第k个实体，
Figure 459804DEST_PATH_IMAGE022
表示实体
Figure 890786DEST_PATH_IMAGE020
与
Figure 863421DEST_PATH_IMAGE021
之间的关系，
Figure 430669DEST_PATH_IMAGE023
，其中，emb()表示实体以及关系的初始化嵌入方法，
Figure 463347DEST_PATH_IMAGE024
分别表示头实体
Figure 381624DEST_PATH_IMAGE020
，关系
Figure 892371DEST_PATH_IMAGE022
，尾实体
Figure 579704DEST_PATH_IMAGE021
的初始化嵌入向量，通过数据再处理模型进行再学习得到的最终的实体
Figure 281819DEST_PATH_IMAGE020
的嵌入向量，表示为
Figure 421813DEST_PATH_IMAGE025
其中，
Figure 1830DEST_PATH_IMAGE026
表示激活函数，矩阵
Figure 543670DEST_PATH_IMAGE027
以及向量
Figure 918151DEST_PATH_IMAGE028
均为可训练参数，
Figure 545441DEST_PATH_IMAGE029
表示与实体
Figure 397990DEST_PATH_IMAGE020
直接相连的实体个数，
Figure 59916DEST_PATH_IMAGE030
通过如下公式表示：
Figure 106763DEST_PATH_IMAGE031
其中，矩阵
Figure 221349DEST_PATH_IMAGE032
以及向量
Figure 877590DEST_PATH_IMAGE033
均为可训练参数，
Figure 394022DEST_PATH_IMAGE034
表示对向量进行首尾拼接。
在步骤2中，通过将实体本身的语义加入到最终的实体嵌入向量当中，使得语义信息更加丰富。
见图4，在步骤3中，知识推理模型通过如下公式表示：
Figure 110305DEST_PATH_IMAGE059
其中，
Figure 712188DEST_PATH_IMAGE036
，
Figure 172119DEST_PATH_IMAGE037
是由query集中所有头实体和尾实体分别经过数据再处理得到的两个矩阵拼接而成，
Figure 543057DEST_PATH_IMAGE038
，其中
Figure 928777DEST_PATH_IMAGE039
表示一个标准LSTM单元，x为输入，h，c分别表示LSTM单元当中的隐状态参数和单元状态参数，即此处
Figure 752377DEST_PATH_IMAGE040
表示第k个LSTM单元的隐状态输出参数，
Figure 15999DEST_PATH_IMAGE041
表示第k个LSTM单元的单元状态输出参数，
Figure 241444DEST_PATH_IMAGE042
，
Figure 299530DEST_PATH_IMAGE043
表示取
Figure 876005DEST_PATH_IMAGE040
矩阵的前2n列，将
Figure 536793DEST_PATH_IMAGE044
作为模型第k+1个LSTM单元的隐状态输入，
Figure 492111DEST_PATH_IMAGE041
作为模型第k+1个LSTM单元的单元状态输入参数，
Figure 111311DEST_PATH_IMAGE034
表示对向量进行首尾拼接，
Figure 298052DEST_PATH_IMAGE045
，
Figure 762532DEST_PATH_IMAGE046
，
Figure 837935DEST_PATH_IMAGE047
矩阵是由support集的所有头实体和尾实体分别经过数据再处理得到的两个矩阵拼接而成，
Figure 628037DEST_PATH_IMAGE048
，
Figure 523311DEST_PATH_IMAGE049
表示注意力权重，
Figure 57061DEST_PATH_IMAGE050
表示query集中的每个数据基于support集的语义表示向量。
在步骤3中，是以数据再处理模型处理得到的实体、关系嵌入向量作为推理模型的输入，来对知识进行推理，输出所有备选尾实体的得分，以此作为尾实体推理的依据。
具体在本实施例中的知识推理模型，采用Few-Shot方法，并且加入了注意力机制，在步骤3中，在训练知识推理模型时，将通过数据再处理得到的support集的few对头、尾实体嵌入向量首尾拼接，作为知识推理模型的
Figure 252550DEST_PATH_IMAGE060
输入矩阵，其中，support集表示为
Figure 321875DEST_PATH_IMAGE061
；将通过数据再处理得到的query集的头、尾实体嵌入向量首尾拼接，得到query集的两个输入矩阵
Figure 829080DEST_PATH_IMAGE062
和
Figure 900941DEST_PATH_IMAGE063
，其中，query集表示为
Figure 685357DEST_PATH_IMAGE064
，b表示一个batch的数据个数，首先将
Figure 817261DEST_PATH_IMAGE060
和
Figure 687128DEST_PATH_IMAGE062
作为输入，得到知识推理模型打分结果
Figure 562680DEST_PATH_IMAGE065
，再将
Figure 467183DEST_PATH_IMAGE060
和
Figure 504409DEST_PATH_IMAGE063
作为输入，得到知识推理模型打分结果
Figure 628616DEST_PATH_IMAGE066
，利用
Figure 42280DEST_PATH_IMAGE065
与
Figure 332447DEST_PATH_IMAGE066
设计损失函数L(θ)来训练模型，损失函数L(θ)表示为：
Figure 415940DEST_PATH_IMAGE058
其中，τ为一个正常数；当知识推理模型的损失函数值趋于稳定不再变化时表示模型趋于稳定，训练停止。
在本实施例中，在知识推理模型训练结束后，通过测试任务数据集TestD测试知识推理模型的推理是否有效；在训练分类模型的过程中，通过验证任务数据集ValD监控知识推理模型的训练效果。
在步骤4中，通过步骤3得到的训练好的知识推理模型对备选尾实体打分，得分结果score进行排序，选取得分最高的尾实体作为知识推理模型的推理结果。
为了便于理解本发明的技术方案以及知识图谱相关技术的内容，以下举例说明本发明的基于元知识的知识图谱的知识推理方法的改进：
在本发明的步骤2中数据再处理模型上的改进：
例如我们表示"西安"这个实体的嵌入向量，需要多个以西安为头实体的三元组，比如，<西安，属于，陕西>，<西安，是，古都>，<西安，是，省会>等，基于这些三元组，通过数据再处理模型对西安这个实体进行表示时，我们主要考虑通过与该头实体直接相连的关系和尾实体向量的提取得到该头实体的结构语义，比如通过将<属于，陕西>，<是，古都>，<是，省会>输入数据再处理模型，输出西安这个实体结构向量表示；数据再处理模型同时还考虑到了头实体本身初始化向量的语义，例如在对西安这个实体进行表示时，在原有模型的基础上，还加入了西安这个实体的初始化向量，通过这种改进，使得我们的数据再处理模型结构更完整，语义更丰富。
在本发明的步骤3中知识推理模型上的改进：
由于One-Shot思想的限制，GMatching推理模型中每个训练任务Train_task中的support集合，只有1个基于该训练任务对应关系的三元组组成，实际应用中，直接将该三元组的头尾实体对应的再处理向量进行拼接，作为模型中的support输入向量，事实上该向量对训练任务所对应的特定关系的语义表示并不完全，例如：若训练任务对应的训练关系是“属于”，考虑三元组<西安，属于，陕西>的头、尾实体<西安，陕西>， 该二元组对“属于”关系的语义表达并不完全，除了“属于”以外，头尾实体间还有可能是“位于”等关系，因此，该模型的support输入向量，并不能完全表示训练任务对应关系的语义。
为此，我们在GMatching推理模型的基础上提出了基于注意力机制，采用了Few-Shot机制的知识推理模型，该模型考虑到GMR模型中单个三元组对特定关系语义表达不完全的问题，将One-Shot思想改进为Few-Shot思想，对应步骤1中的数据集构建内容，同时，为了进一步提升推理模型的推理效果，我们加入了注意力机制。
本发明的基于元知识的知识图谱的知识推理方法中采用的知识推理模型，与GMatching模型相比，在GMatching模型的基础上主要解决了两个问题，一是通过数据再处理模型进行再学习，获取实体本身的语义，使得对于实体间关系语义的表达更加完整；二是推理模型中对关系特征的提取由于加入了注意力机制更有针对性，通过采用本发明的基于元知识的知识图谱的知识推理方法，知识推理模型的训练不需要大量的样本，知识推理模型的训练难度也不会随着知识图谱规模的增长而显著增长；此外，针对稀疏知识图谱的知识推理，相比较其他模型而言，推理准确性更有优势。
在本发明的实施例中，还给出了一种基于元知识的知识图谱的知识推理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现上述的基于元知识的知识推理的方法。
在上述基于元知识的知识图谱的知识推理系统的实现中，存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可以通过一条或者多条通信总线或信号线实现电性连接，如可以通过总线连接。存储器中存储有实现数据访问控制方法的计算机执行指令，包括至少一个可以软件或固件的形式存储于存储器中的软件功能模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理。
存储器可以是，但不限于，随机存取存储器(Random Access Memory，简称：RAM)，只读存储器(Read Only Memory，简称：ROM)，可编程只读存储器(Programmable Read-OnlyMemory，简称：PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，简称：EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，简称：EEPROM)等。其中，存储器用于存储程序，处理器在接收到执行指令后，执行程序。
处理器可以是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称：CPU)、网络处理器(NetworkProcessor，简称：NP)等。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的实施例中，还给出了一种计算机可读存储介质，其上存储有程序，程序被处理器执行时实现如上述的基于元知识的知识图谱的知识推理方法。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、系统、或计算机可读存储介质。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、系统、计算机可读存储介质的流程图和/或方框图来描述的。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图中指定的功能的装置。
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终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图中指定的功能的步骤。
以上对本发明所提供的基于元知识的知识图谱的知识推理方法、基于元知识的知识图谱的知识推理系统、一种计算机可读存储介质的应用进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于元知识的知识图谱的知识推理方法，其特征在于，包括以下步骤：
步骤1：数据集构建：建立由知识图谱三元组：头实体、关系、尾实体组成的数据集；
步骤2：数据再处理：将数据集中的实体的初始化嵌入向量分别通过数据再处理模型进行再学习，获取实体本身的语义，得到最终的实体的嵌入向量；
步骤3：模型训练：构建知识推理模型，将经数据再处理的数据集中的三元组输入知识推理模型进模型训练，得到训练好的知识推理模型；
步骤4：知识推理：通过训练好的知识推理模型，对知识图谱三元组中的备选尾实体进行评分，选取评分最高的尾实体作为知识推理模型的推理结果。
2.根据权利要求1所述的一种基于元知识的知识图谱的知识推理方法，其特征在于：在步骤1中，建立由知识图谱三元组：头实体、关系、尾实体组成的数据集，先对数据集进行预处理，然后将数据集分成训练任务数据集TrainD、测试任务数据集TestD以及验证任务数据集ValD，训练任务数据集TrainD、测试任务数据集TestD以及验证任务数据集ValD分别对应训练任务Train_task、测试任务Test_task以及验证任务Val_task设置。
3.根据权利要求2所述的一种基于元知识的知识图谱的知识推理方法，其特征在于：在步骤1中，训练任务数据集TrainD设置包括：
假设该训练任务数据集TrainD共有k种关系，则设置k个训练任务，将第m个关系所对应的任务集表示为
Figure 379464DEST_PATH_IMAGE001
，即
Figure 737764DEST_PATH_IMAGE002
；在任务
Figure 106605DEST_PATH_IMAGE001
中，再将数据集分为support集
Figure 157737DEST_PATH_IMAGE003
和query集
Figure 614126DEST_PATH_IMAGE004
，即
Figure 510538DEST_PATH_IMAGE005
；
设定训练任务
Figure 509718DEST_PATH_IMAGE006
中，基于Few-Shot的知识推理技术将support集的样本个数设定为few，而query集的样本个数与训练batch中的数据个数相同，设定为b，则有
Figure 325227DEST_PATH_IMAGE007
，其中
Figure 377235DEST_PATH_IMAGE008
表示头实体，
Figure 936392DEST_PATH_IMAGE009
表示关系，
Figure 55658DEST_PATH_IMAGE010
表示尾实体；
将query集分为正负样本进行训练，即
Figure 917435DEST_PATH_IMAGE011
，其中正例集可以表示为
Figure 348416DEST_PATH_IMAGE012
，根据正例集对集中的尾实体进行改变得到负例集，相对应的负例结合可以表示为
Figure 321051DEST_PATH_IMAGE013
，其中
Figure 888299DEST_PATH_IMAGE014
表示头实体，
Figure 422442DEST_PATH_IMAGE009
表示关系，
Figure 75140DEST_PATH_IMAGE015
表示尾实体；
测试任务Test_task与验证任务Val_task的设置方式同训练任务Train_task，训练任务Train_task、测试任务Test_task与验证任务Val_task中所有关系的集分别表示为
Figure 851466DEST_PATH_IMAGE016
、
Figure 538799DEST_PATH_IMAGE017
和
Figure 742379DEST_PATH_IMAGE018
，并且
Figure 882373DEST_PATH_IMAGE019
。
4.根据权利要求3所述的一种基于元知识的知识图谱的知识推理方法，其特征在于：在步骤2中，设定需要对实体
Figure 462390DEST_PATH_IMAGE020
的初始化嵌入向量通过数据再处理模型进行再学习，
Figure 4230DEST_PATH_IMAGE021
表示与
Figure 877246DEST_PATH_IMAGE020
直接相连的第k个实体，
Figure 504536DEST_PATH_IMAGE022
表示实体
Figure 622665DEST_PATH_IMAGE020
与
Figure 284590DEST_PATH_IMAGE021
之间的关系，
Figure 829972DEST_PATH_IMAGE023
，其中，emb()表示实体以及关系的初始化嵌入方法，
Figure 819925DEST_PATH_IMAGE024
分别表示头实体
Figure 866378DEST_PATH_IMAGE020
，关系
Figure 759641DEST_PATH_IMAGE022
，尾实体
Figure 866138DEST_PATH_IMAGE021
的初始化嵌入向量，通过数据再处理模型进行再学习得到的最终的实体
Figure 77807DEST_PATH_IMAGE020
的嵌入向量，表示为
Figure 803318DEST_PATH_IMAGE025
其中，
Figure 174256DEST_PATH_IMAGE026
表示激活函数，矩阵
Figure 61441DEST_PATH_IMAGE027
以及向量
Figure 150620DEST_PATH_IMAGE028
均为可训练参数，
Figure 647198DEST_PATH_IMAGE029
表示与实体
Figure 138222DEST_PATH_IMAGE030
直接相连的实体个数，
Figure 196308DEST_PATH_IMAGE031
通过如下公式表示：
Figure 772783DEST_PATH_IMAGE032
其中，矩阵
Figure 574517DEST_PATH_IMAGE033
以及向量
Figure 920047DEST_PATH_IMAGE034
均为可训练参数，
Figure 149034DEST_PATH_IMAGE035
表示对向量进行首尾拼接。
5.根据权利要求4所述的一种基于元知识的知识图谱的知识推理方法，其特征在于：在步骤3中，知识推理模型通过如下公式表示：
Figure 947226DEST_PATH_IMAGE036
其中，
Figure 319695DEST_PATH_IMAGE037
，
Figure 395098DEST_PATH_IMAGE038
是由query集中所有头实体和尾实体分别经过数据再处理得到的两个矩阵拼接而成，
Figure 919621DEST_PATH_IMAGE039
，其中
Figure 80475DEST_PATH_IMAGE040
表示一个标准LSTM单元，x为输入，h，c分别表示LSTM单元当中的隐状态参数和单元状态参数，即此处
Figure 614224DEST_PATH_IMAGE041
表示第k个LSTM单元的隐状态输出参数，
Figure 809713DEST_PATH_IMAGE042
表示第k个LSTM单元的单元状态输出参数，
Figure 505137DEST_PATH_IMAGE043
，
Figure 651822DEST_PATH_IMAGE044
表示取
Figure 864629DEST_PATH_IMAGE041
矩阵的前2n列，将
Figure 773679DEST_PATH_IMAGE045
作为模型第k+1个LSTM单元的隐状态输入，
Figure 780949DEST_PATH_IMAGE042
作为模型第k+1个LSTM单元的单元状态输入参数，
Figure 775450DEST_PATH_IMAGE035
表示对向量进行首尾拼接，
Figure 526368DEST_PATH_IMAGE046
，
Figure 289925DEST_PATH_IMAGE047
，
Figure 981280DEST_PATH_IMAGE048
矩阵是由support集的所有头实体和尾实体分别经过数据再处理得到的两个矩阵拼接而成，
Figure 463077DEST_PATH_IMAGE049
，
Figure 752107DEST_PATH_IMAGE050
表示注意力权重，
Figure 635750DEST_PATH_IMAGE051
表示query集中的每个数据基于support集的语义表示向量。
6.根据权利要求5所述的一种基于元知识的知识图谱的知识推理方法，其特征在于：在步骤3中，在训练知识推理模型时，将通过数据再处理得到的support集的few对头、尾实体嵌入向量首尾拼接，作为知识推理模型的
Figure 984822DEST_PATH_IMAGE052
输入矩阵，其中，support集表示为
Figure 953915DEST_PATH_IMAGE053
；将通过数据再处理得到的query集的头、尾实体嵌入向量首尾拼接，得到query集的两个输入矩阵
Figure 46636DEST_PATH_IMAGE054
和
Figure 784785DEST_PATH_IMAGE055
，其中，query集表示为
Figure 803295DEST_PATH_IMAGE056
，b表示一个batch的数据个数，首先将
Figure 259684DEST_PATH_IMAGE052
和
Figure 890516DEST_PATH_IMAGE054
作为输入，得到知识推理模型打分结果
Figure 748751DEST_PATH_IMAGE057
，再将
Figure 174047DEST_PATH_IMAGE052
和
Figure 117732DEST_PATH_IMAGE055
作为输入，得到知识推理模型打分结果
Figure 411310DEST_PATH_IMAGE058
，利用
Figure 999418DEST_PATH_IMAGE057
与
Figure 985828DEST_PATH_IMAGE058
设计损失函数L(θ)来训练模型，损失函数L(θ)表示为：
Figure 528061DEST_PATH_IMAGE059
其中，τ为一个正常数；当知识推理模型的损失函数值趋于稳定不再变化时表示模型趋于稳定，训练停止。
7.根据权利要求6所述的一种基于元知识的知识图谱的知识推理方法，其特征在于：在知识推理模型训练结束后，通过测试任务数据集TestD测试知识推理模型的推理是否有效；在训练分类模型的过程中，通过验证任务数据集ValD监控知识推理模型的训练效果。
8.根据权利要求6所述的一种基于元知识的知识图谱的知识推理方法，其特征在于：在步骤4中，通过步骤3得到的训练好的知识推理模型对备选尾实体打分，得分结果score进行排序，选取得分最高的尾实体作为知识推理模型的推理结果。
9.一种基于元知识的知识图谱的知识推理系统，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现权利要求1所述的基于元知识的知识图谱的知识推理方法。
10.一种计算机可读存储介质，其上存储有程序，其特征在于：所述程序被处理器执行时实现如权利要求1所述的基于元知识的知识图谱的知识推理方法。
CN202010296084.3A 2020-04-15 2020-04-15 基于元知识的知识图谱的知识推理方法、系统以及介质 Pending CN111260064A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010296084.3A CN111260064A (zh) 2020-04-15 2020-04-15 基于元知识的知识图谱的知识推理方法、系统以及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010296084.3A CN111260064A (zh) 2020-04-15 2020-04-15 基于元知识的知识图谱的知识推理方法、系统以及介质

Publications (1)

Publication Number Publication Date
CN111260064A true CN111260064A (zh) 2020-06-09

Family

ID=70955194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010296084.3A Pending CN111260064A (zh) 2020-04-15 2020-04-15 基于元知识的知识图谱的知识推理方法、系统以及介质

Country Status (1)

Country Link
CN (1) CN111260064A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931928A (zh) * 2020-07-16 2020-11-13 成都井之丽科技有限公司 场景图的生成方法、装置和设备
CN112711667A (zh) * 2021-03-29 2021-04-27 上海旻浦科技有限公司 一种基于多向语义的知识图谱复杂关系推理方法
CN112732940A (zh) * 2021-01-15 2021-04-30 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
CN112765287A (zh) * 2021-02-05 2021-05-07 中国人民解放军国防科技大学 基于知识图谱嵌入的挖掘人物关系的方法、装置以及介质
CN112819162A (zh) * 2021-02-02 2021-05-18 东北大学 一种知识图谱三元组的质检方法
CN112860904A (zh) * 2021-04-06 2021-05-28 哈尔滨工业大学 一种融入外部知识的生物医疗关系抽取方法
CN113051404A (zh) * 2021-01-08 2021-06-29 中国科学院自动化研究所 一种基于张量分解的知识推理方法、装置、设备
CN113239131A (zh) * 2021-06-18 2021-08-10 国网湖南省电力有限公司 基于元学习的少样本知识图谱补全方法
CN113780564A (zh) * 2021-09-15 2021-12-10 西北工业大学 融合实体类型信息的知识图谱推理方法、装置、设备及存储介质
WO2022057510A1 (zh) * 2020-09-21 2022-03-24 华为技术有限公司 协同推理方法及通信装置
WO2022135120A1 (zh) * 2020-12-21 2022-06-30 浙江大学 一种融合图结构和文本信息的自适应知识图谱表示学习方法
CN114925190A (zh) * 2022-05-30 2022-08-19 南瑞集团有限公司 一种基于规则推理与gru神经网络推理的混合推理方法
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
CN115858821A (zh) * 2023-02-20 2023-03-28 中国科学技术大学 知识图谱处理方法、装置及知识图谱处理模型的训练方法
CN116340543A (zh) * 2023-03-31 2023-06-27 湖北商贸学院 一种面向数学定理自适应推导的知识图谱构建方法及系统
CN117151227A (zh) * 2023-08-28 2023-12-01 深圳智现未来工业软件有限公司 一种半导体检测结果的推理方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HAOCHENG XIE ET AL.: "Few-shot Knowledge Reasoning Method based on Attention Mechanism", 《ICCPR "19: PROCEEDINGS OF THE 2019 8TH INTERNATIONAL CONFERENCE ON COMPUTING AND PATTERN RECOGNITION》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931928B (zh) * 2020-07-16 2022-12-27 成都井之丽科技有限公司 场景图的生成方法、装置和设备
CN111931928A (zh) * 2020-07-16 2020-11-13 成都井之丽科技有限公司 场景图的生成方法、装置和设备
WO2022057510A1 (zh) * 2020-09-21 2022-03-24 华为技术有限公司 协同推理方法及通信装置
WO2022135120A1 (zh) * 2020-12-21 2022-06-30 浙江大学 一种融合图结构和文本信息的自适应知识图谱表示学习方法
CN113051404A (zh) * 2021-01-08 2021-06-29 中国科学院自动化研究所 一种基于张量分解的知识推理方法、装置、设备
CN113051404B (zh) * 2021-01-08 2024-02-06 中国科学院自动化研究所 一种基于张量分解的知识推理方法、装置、设备
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
CN112732940B (zh) * 2021-01-15 2023-07-14 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
CN112732940A (zh) * 2021-01-15 2021-04-30 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
CN112819162A (zh) * 2021-02-02 2021-05-18 东北大学 一种知识图谱三元组的质检方法
CN112819162B (zh) * 2021-02-02 2024-02-27 东北大学 一种知识图谱三元组的质检方法
CN112765287B (zh) * 2021-02-05 2022-04-19 中国人民解放军国防科技大学 基于知识图谱嵌入的挖掘人物关系的方法、装置以及介质
CN112765287A (zh) * 2021-02-05 2021-05-07 中国人民解放军国防科技大学 基于知识图谱嵌入的挖掘人物关系的方法、装置以及介质
CN112711667A (zh) * 2021-03-29 2021-04-27 上海旻浦科技有限公司 一种基于多向语义的知识图谱复杂关系推理方法
CN112860904A (zh) * 2021-04-06 2021-05-28 哈尔滨工业大学 一种融入外部知识的生物医疗关系抽取方法
CN113239131A (zh) * 2021-06-18 2021-08-10 国网湖南省电力有限公司 基于元学习的少样本知识图谱补全方法
CN113780564B (zh) * 2021-09-15 2024-01-12 西北工业大学 融合实体类型信息的知识图谱推理方法、装置、设备及存储介质
CN113780564A (zh) * 2021-09-15 2021-12-10 西北工业大学 融合实体类型信息的知识图谱推理方法、装置、设备及存储介质
CN114925190A (zh) * 2022-05-30 2022-08-19 南瑞集团有限公司 一种基于规则推理与gru神经网络推理的混合推理方法
CN114925190B (zh) * 2022-05-30 2023-08-04 南瑞集团有限公司 一种基于规则推理与gru神经网络推理的混合推理方法
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
CN115858821B (zh) * 2023-02-20 2023-06-16 中国科学技术大学 知识图谱处理方法、装置及知识图谱处理模型的训练方法
CN115858821A (zh) * 2023-02-20 2023-03-28 中国科学技术大学 知识图谱处理方法、装置及知识图谱处理模型的训练方法
CN116340543A (zh) * 2023-03-31 2023-06-27 湖北商贸学院 一种面向数学定理自适应推导的知识图谱构建方法及系统
CN117151227A (zh) * 2023-08-28 2023-12-01 深圳智现未来工业软件有限公司 一种半导体检测结果的推理方法及装置
CN117151227B (zh) * 2023-08-28 2024-05-17 深圳智现未来工业软件有限公司 一种半导体检测结果的推理方法及装置

Similar Documents

Publication Publication Date Title
CN111260064A (zh) 基于元知识的知识图谱的知识推理方法、系统以及介质
EP3227836B1 (en) Active machine learning
US11074503B2 (en) Execution of a genetic algorithm having variable epoch size with selective execution of a training algorithm
CN111737476A (zh) 文本处理方法、装置、计算机可读存储介质及电子设备
CN110288199A (zh) 产品质量预测的方法
CN112699247A (zh) 一种基于多类交叉熵对比补全编码的知识表示学习框架
WO2020232874A1 (zh) 基于迁移学习的建模方法、装置、计算机设备和存储介质
CN115170449B (zh) 一种多模态融合场景图生成方法、系统、设备和介质
CN111340179A (zh) 一种卷积神经网络拓扑方法
CN114511042A (zh) 一种模型的训练方法、装置、存储介质及电子装置
CN115809340A (zh) 一种知识图谱的实体更新方法及系统
CN113254645B (zh) 一种文本分类方法、装置、计算机设备及可读存储介质
CN112100509A (zh) 信息推荐方法、装置、服务器和存储介质
CN116701647A (zh) 基于嵌入向量与迁移学习融合的知识图谱补全方法及装置
CN116089812A (zh) 基于半监督对抗域泛化智能模型的故障诊断方法
CN111666985B (zh) 一种基于dropout的深度学习对抗样本图像分类防御方法
CN115130536A (zh) 特征提取模型的训练方法、数据处理方法、装置及设备
CN115438658A (zh) 一种实体识别方法、识别模型的训练方法和相关装置
CN114862404A (zh) 基于聚类样本与极限梯度的信用卡欺诈检测方法及设备
CN114462620A (zh) 一种机器学习的均衡方法及相关装置
CN114528906A (zh) 一种旋转机械的故障诊断方法、装置、设备和介质
CN113934813A (zh) 一种样本数据划分的方法、系统、设备及可读存储介质
CN117609870B (zh) 结构识别模型训练、模型结构识别方法、设备及介质
CN113378993B (zh) 基于人工智能的分类方法、装置、设备及存储介质
CN116527411B (zh) 数据安全智能防护模型构建方法、装置及协作平台

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200609

RJ01 Rejection of invention patent application after publication