CN111414486A - 一种基于路径排序算法的知识推理系统 - Google Patents

Abstract

本发明提供了一种基于路径排序算法的知识推理系统，涉及图计算和图挖掘技术领域。包括抽取特征，生成特征集合（路径集合），抽取实体中存在的路径，生成关系序列并且是计算路径特征值的基础；计算路径特征值用于对特征集合进行游走计算，计算特征对应的特征值，生成特征值集合；训练分类器，用于用于训练数据，调控不同分类的概率，获取置信度的上限值和下限值，通过阈值分类对数据进行分类，对数据实现分类，从而获取区间分布；自动挖掘推理规则，用于自动挖掘推理规则，并对生成的规则进行筛选；基于路径排序算法的知识推理系统主要是利用实体之间存在的路径去挖掘新的、还未出现的知识。

Description

一种基于路径排序算法的知识推理系统

技术领域

本发明属于图计算与图挖掘技术领域，具体涉及一种基于路径排序算法的知识推理系统。

背景技术

近几年来，技术不断的发展，大数据、人工智能......产生各种数据源，并且包含了大量的知识，那么如何表达知识以及深入挖掘和计算知识掀起了一股热潮，从而产生了知识图谱。知识推理也因此成为一股热潮。知识推理中存在里两种类别，一种是根据已有的知识推理出存在的知识，一种是归纳推理出全新的知识。传统的知识推理已经不适合海量数据，会出现以下弊端：一是传统知识推理采用定制的规则进行推理，只有对符合规则的才能进一步推理出相关的知识，无法解决一些未知的知识；二是传统知识推理计算时间长，速度慢，用户体验度较差；三是推理过程比较复杂，需要人工进行筛选和计算。

为了解决以上的弊端，行业上已经出现了其他的推理方式，其中包括Embedding-base技术等技术，在一定程度上实现是知识推理精确性的目标，但是还是存在一些不足。比如没有考虑语义的丰富度，无法对空间向量进行调整；仅限在当前图谱进行知识推理，知识量较少；没有考虑时间限制。

发明内容

为了解决这些问题，在图计算和图挖掘技术领域研究更加深入，实现自动发现含有的关联规则以及准确度，用户不用关心是如何实现，优化用户角色，使用户体验度更好。本发明提供另一种基于路径排序算法的知识推理系统。

本发明采用以下技术方案：

一种基于路径排序算法的知识推理系统，包括：抽取路径、计算路径特征值、训练分类器、自动挖掘推理规则。其中：

所述抽取路径用于生成特征集合（路径集合），抽取实体中存在的路径，生成关系序列并且是计算路径特征值的基础。

所述计算路径特征值用于对特征集合进行游走计算,计算特征对应的特征值，生成特征值集合，并且是训练分类器的基础，给训练分类器提供训练数据。

所述训练分类器用于训练数据，调控不同分类的概率，获取置信度的上限值和下限值，通过阈值分类对数据进行分类，对数据实现分类，从而获取区间分布。

所述自动挖掘推理规则用于挖掘推理规则，并且能够筛选出更加合理的推理规则，应用到知识查询中进行推理，获取更加精确的答复。

所述自动挖掘推理规则用于挖掘推理规则，并且能够筛选出更加合理的推理规则，应用到知识查询中进行推理，推理出新的知识或者推理出已经存在的知识。

优选地，所述特征抽取结合自然语句，挖掘语句中存在实体、关系。生成一组路径序列，将实体于关系构建成图模型。接着，采用随机游走分割算法，从生成的图模型中没有标记的节点开始不断的游走，到达各个节点之后标记对应的记录值，把最大的值交付给没有标记的节点，通过随机游走算法不断地进行迭代，完成对图的分割。游走过程中不断得生成路径，最终生成对应的路径集合。

优选地，所述计算路径的特征值是在随机游走的过程中，通过记录的概率值生成对应的特征集合。采用随机游走probability方法，游走过程中出现的路径，计算路径的特征值，生成特征值集合。

优选地，所述训练分类器还包括逻辑回归（Logistic回归）方法，来预测特征之间的关系。根据特征值集合，采用逻辑回归方法对数据进行训练，将其概率值转化成0区间和1区间，对数据进行分类。

优选地，所述自动挖掘推理规则是通过计算对应路径的权重值，采用FP-树频集算法频繁出现的数据集合用频繁模式树表示，从其中一个节点出发，采用此节点对应的条件模式基，对数据进行挖掘，生成频繁项集，不断的进行递归和合并，获得路径的所有频繁项集，生成条件库，然后对条件库进行挖掘，并且自动对挖掘的推理规则进行筛选。

采用上述技术方案后，本发明与背景技术相比，具有如下优点：

第一：缩短了挖掘规则推理的时间；第二，推理出的规则准确度较精确；第三，不用要用户关心方法是如何实现；第四，支持多个图谱知识进行推理，语义知识丰富。

附图说明

图1为本发明的关系学习框架图;图2为关系序列走向图;图3为生成特征值集合步骤图;图4知识推理系统流程图;

具体实施方式

为了能够对本发明核心思想、技术要点、实现流程等有更加深层次的认识。通过实施例对本发明做进一步的解释和说明。应当理解，实施例只能更好的描述本发明的流程等，但是不仅仅局限于具体实施例。

实施例

本发明公开了一种基于路径排序算法的知识推理系统，抽取路径、计算路径特征值、训练分类器、自动挖掘推理规则。基于路径排序算法的知识推理实施方式如下所示：

步骤1：为了判定语句一组关系序列是否存在，用自然语言（nlp）解析、抽取语句中对应知识图谱中三元组的，从而构建出对应的关系序列。举例如下：判断Tom是不是一个作家，解析出的实体为Tom和作家，所生成的一组关系序列为Prob(Tom->>作家| IsSetence，IsStence2,IsA) 如图2所示：

步骤2：抽取数据后，采用随机游走分割算法，从一个节点到另一个节点游走，在游走过程中如果发现能到达所对应的结果节点，抽取路径（特征），通过不断进行迭代游走，生成路径（特征）集合。图2所示从Tom出发到作家这个节点，这个过程中可能出现Tom->InSentence,Insentence2,IsA->作家，Tom->InSentence->作家......等路径构成路径集合。

步骤3：在随机游走的过程中，通过记录的概率值生成对应的特征集合。采用随机游走probability方法，游走过程中出现的路径，计算路径的特征值，生成特征值集合。从Tom位置（记作y(x)）出发或者是以某一个节点出发，在下一时刻（y(x+1)）的可能性经过下一个节点，此时的概率y(x+1)=y(x)+1,或者是在这个时刻向上一个节点出发，概率则为y(x+1)=y(x)-1，不断的游走，获取路径的特征值，进而生成对应的特征值集合。

步骤4：步骤3中生成对应的特征值集合，采用Logistic回归方法，计算回归概率，对数据进行分类；Sigmoid函数（逻辑函数）: g(z)= 1/1+e^-z 其取值范围介于0和1之前的值，但是不能取到0和1，使用阈值分类把值转变成0或者1。因此实现对数据的分类，获取对应的区间。如图3所示：

图3中R（v1）等值是特征值集合，根据所生成的区间值对数据进行分类

步骤5：对数据进行分类，获取区间中所对应的路径，计算路径的权重值生成频繁项，采用FP-树频集算法将对频繁项以树的形式展示，从一个节点出发，根据节点对应的条件模式基，对数据进行挖掘，生成频繁项集。依次类推，对所有节点采用此方式，获取对应的频繁项，并且筛选出更加合理的推理规则。更是实施例中生成的路径集合，选择路径集合中的一条路径，对应{A:3,C:3,E:5,B:8} (英文字母都是对应路径中的节点)，通过将根节点计数设置成叶子节点，即FP的子树变成{A:3,C:3,E:3,B:3},通过条件模式基则得到F的频繁二项集{{A:3,B:3},{C:3,B:3},{E:3,B:3}}。递归且合并频繁二项集，得到频繁三项集{{A:3,C:3,,B:3},{A:3E:3,B:3}}....以此类推，直到生成最大的频繁项集。其他节点也时使用相同方式进行挖掘。如果没有限制频繁项集的项数，则返回所有的项数集，否则返回指定项述的项数集。

步骤6：结合推理规则与输入语句，在知识图谱中查询，最终生成对应的结果集。

以上对本发明的描述，只是用于介绍本发明的流程以及所涉及的技术，从而使该领域的技术人员能够充分理解和使用本发明。实施例对本发明的实现流程庙以及使用没有很详尽的描述，但是本发明不仅仅局限于此实施例。在本发明所涉及的技术领域，对此领域有深入研究的专员，对本发明能够考虑到修改和变化，都应该包含在本申请的技术范围之内。因此，本发明的以权利要求及其范围的限制。

Claims (11)

1.一种基于路径排序算法的知识推理系统，其特征在于，包括：特征抽取、计算路径特征值、训练分类器、自动挖掘推理规则。

2.所述特征抽取用于生成特征集合（路径集合），抽取实体中存在的路径，生成关系序列并且是计算路径特征值的基础。

3.所述计算路径特征值用于对特征集合进行游走计算,计算特征对应的特征值，生成特征值集合，并且是训练分类器的基础，给训练分类器提供训练数据。

4.所述训练分类器用于训练数据，调控不同分类的概率，获取置信度的上限值和下限值，通过阈值分类对数据进行分类，对数据实现分类，从而获取区间分布。

5.所述自动挖掘推理规则用于挖掘推理规则，并且能够筛选出更加合理的推理规则，应用到知识查询中进行推理，获取更加精确的答复。

6.所述自动挖掘推理规则用于挖掘推理规则，并且能够筛选出更加合理的推理规则，应用到知识查询中进行推理，推理出新的知识或者推理出已经存在的知识。

7.如权利要求1所述的一种基于路径排序算法的知识推理系统，其特征在于，特征抽取；

包括:用户输入查询语句，通过自然语言（nlp）解析语句中存在的实体，分析实体中是否存在路径，通过路径排序算法中的随机游走分割算法，随机游走算法的实现方式是谱聚类；

其思想是将对应的实体用边连接；

随机游走算法不断地进行迭代，从没有标记的节点开始不断的游走，到达各个节点之后标记对应的记录值，把最大的值交付给没有标记的节点，完成对图的分割；

游走过程中不断得生成路径，最终生成对应的路径集合。

8.如权利要求1所述的一种基于路径排序算法的知识推理系统，其特征在于，计算路径特征值；

包括：采用随机游走probability方法，随机游走的过程后得到对应的游走概率值，通过概率值描绘出对应的概率分布图，分布图中记录了每个节点被访问的对应的概率值，生成对应路径的特征值。

9.如权利要求1所述的一种基于路径排序算法的知识推理系统，其特征在于,训练分类器 包括：训练分类器中主要是逻辑回归（Logistic回归）方法，逻辑回归是一种解决二分类的方法，来预测特征之间的关系；

逻辑回归通过Sigmoid函数（逻辑函数）引入了其他的非线性因素，例如：假设函数、决策边界、代价函数等，方法之间的相互配合计算，计算路径的概率，再根据阈值分类对数据进行分类，获取分类的路径区间，并且是自动挖掘推理规则的基础。

10.如权利要求1所述的一种基于路径排序算法的知识推理系统，其特征在与，自动挖掘推理规则 包括：计算对应路径的权重值，采用FP-树频集算法频繁出现的数据集合用频繁模式树表示，从其中一个节点出发，采用此节点对应的条件模式基，对数据进行挖掘，生成频繁项集，不断的进行递归和合并，获得路径的所有频繁项集，生成条件库，然后对条件库进行挖掘，并且自动对挖掘的推理规则进行筛选。

11.如权利要求1的所述的一种基于路径排序算法的知识推理系统，其特征在于，一个基于路径排序算法的知识推理系统包含如下步骤：

步骤1：用户输入需要分析的语句，对输入语句进行分析，自然语言抽取语句中存在的实体、属性和关系，对应知识图谱中三元组的关系，获取关系关系序列；

步骤2：抽取数据后，采用随机游走分割算法，从一个节点到另一个节点游走，在游走过程中如果发现能到达所对应的结果节点，抽取路径（特征），通过不断进行迭代游走，生成路径（特征）集合；

步骤3：在随机游走的过程中，通过记录的概率值生成对应的特征集合，

采用随机游走probability方法，游走过程中出现的路径，计算路径的特征值，生成特征值集合；

步骤4：步骤3中生成对应的特征值集合，采用Logistic回归方法；

逻辑回归方法是通过其逻辑函数估计概率，来计算和衡量特征之间是否存在关系；

计算回归概率，通过生成的概率对数据进行二值化进行预测，对数据分类；

步骤5：对数据进行分类，获取区间中所对应的路径，计算路径的权重值生成频繁项，采用FP-树频集算法将对频繁项以树的形式展示，从一个节点出发，根据节点对应的条件模式基，对数据进行挖掘，生成频繁项集；

依次类推，对所有节点采用此方式，获取对应的频繁项集合，生成对应的条件库，然后对条件库的数据进行挖掘，并且筛选出更加合理的推理规则；

步骤6：结合推理规则与输入语句，在知识图谱中查询，最终生成对应的结果集。

Images