CN111813962A - 一种用于知识图谱融合的实体相似度计算方法 - Google Patents
一种用于知识图谱融合的实体相似度计算方法 Download PDFInfo
- Publication number
- CN111813962A CN111813962A CN202010925569.4A CN202010925569A CN111813962A CN 111813962 A CN111813962 A CN 111813962A CN 202010925569 A CN202010925569 A CN 202010925569A CN 111813962 A CN111813962 A CN 111813962A
- Authority
- CN
- China
- Prior art keywords
- entity
- knowledge
- similarity
- entities
- score
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 238000004364 calculation method Methods 0.000 title claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 11
- 201000010099 disease Diseases 0.000 claims description 25
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 25
- 239000003814 drug Substances 0.000 claims description 20
- 208000024891 symptom Diseases 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种用于知识图谱融合的实体相似度计算方法,包括:获取待融合的两个知识图谱的数据;计算实体的莱文斯坦比得分score1;使用知识表示学习模型得到实体的向量表示,计算实体的节点距离得分score2;计算实体的关系相似得分score3;对实体的莱文斯坦比得分、节点距离得分和关系相似得分进行融合,得到最终的实体相似度得分scoretotal。通过上述方式,来综合衡量实体的词型变换、语义距离和关系向量特征来计算实体相似度得分进行实体对齐,提高了知识图谱融合过程中实体对齐的准确性,保证了医学知识图谱融合后的质量。
Description
技术领域
本发明涉及自然语言处理技术领域,特别是涉及一种用于知识图谱融合的实体相似度计算方法。
背景技术
知识图谱主要用于迅速描述现实世界中的概念及其相互关系,是一个大规模、结构化的语义知识库,该知识库通常以三元组的形式对实体与实体之间的关系进行储存,具体结构如:<实体-关系-实体>,<实体-属性-属性值>。在医学领域,由于底层知识数据具有多源异构、分布稀疏以及强专业性等特点,实例化的医学知识需要通过知识融合机制来形成一个知识图谱。进一步地,多个独立的医学专业领域图谱也需要通过图谱融合机制来形成一个更完整的、准确的大型医学知识图谱。
知识图谱融合中实体对齐是将不同信息源中的相同实体进行统一,使信息源之间产生联结,得到一个更加统一、稠密的知识图谱。刘路在[刘路. 基于医学知识图谱的疾病智能诊断研究[D]. 湖南大学, 2018.]中使用了集成实体对齐方法,将实体名称向量与属性向量合并成一个新向量,再计算新向量与关系向量的余弦相似度值,从而来判断是否进行实体融合,然而该方法中实体名称向量、属性向量都是采用独热编码,使得根据实体名称向量与属性向量合并得到新向量无法从语义角度对实体的相似性进行衡量。
发明内容
有鉴于此,本发明提供一种用于知识图谱融合的实体相似度计算方法,能够提高知识图谱融合过程中实体对齐的准确性和知识图谱融合后的质量。
本发明采用的一个技术方案是:提供一种用于知识图谱融合的实体相似度计算方法,包括:
获取待融合的两个知识图谱的数据;
计算实体的莱文斯坦比得分score1;
使用知识表示学习模型得到实体的向量表示,计算实体的节点距离得分score2;
计算实体的关系相似得分score3;
对实体的莱文斯坦比得分、节点距离得分和关系相似得分进行融合,得到最终的实体相似度得分scoretotal,计算公式如下:
进一步的,所述两个知识图谱表示为G1=(E1,R1,T1)和G2=(E2,R2,T2),其中E1、E2分别为两个知识图谱的实体集,R1、R2分别为两个知识图谱的关系集,T1、T2分别为两个知识图谱的三元组集;三元组的结构:<实体-关系-实体>,三元组中的第一个实体记为头实体,第二个实体记为尾实体;
其中,α,β,γ∈(0,1),α+β+γ=1。
进一步的,所述使用知识表示学习模型得到实体的向量表示,计算实体的节点距离得分score2,包括:
使用训练好的知识表示学习模型得到实体的向量表示;
采用余弦相似度计算实体对应的向量表示的节点距离得分score2。
进一步的,所述使用训练好的知识表示学习模型得到实体的向量表示,包括:
在预训练模型基础上,利用自有医学语料进行微调,得到医学模型;
使用医学模型将知识图谱中所有的三元组初始化成向量形式的三元组(h, r, t);
利用TransE算法对向量形式的三元组(h, r, t)进行训练,得到能够计算实体间的语义相似性的三元组向量表示;
其中,h为三元组中的第一个实体,也称为头实体;
t为三元组中的第二个实体,也称为尾实体;
r为三元组中实体之间的关系。
进一步的,所述利用TransE算法对三元组(h, r, t)进行训练,为利用优化算法最优化损失函数值,使得优化目标函数值最小,以学得实体与关系的最佳向量表示,达到优化目标,损失函数如下:
其中,S表示正样本集合,S’表示负样本集合;
S’={(h’,r,t)| h’∈h∪t}∪{(h,r,t’)| t’∈h∪t};
γ表示正负样本之间的间距,是一个常数;
d(h,r,t)=||h+r-t||;
[x]+表示max(0,x);
约束条件:‖h‖≤1,‖r‖≤1,‖t‖≤1。
进一步的,所述计算两个实体的关系相似得分score3,包括:
根据实体类别的关联性,划定每一类实体关系节点考虑的其他类别实体;
采用one-hot编码获取实体的关系向量;
采用余弦相似度计算实体的关系相似得分;
所述划定每一类实体关系节点需要关联的其他类别实体,包括:药品类实体的关系节点关联疾病类实体;症状类实体的关系节点关联疾病、药品类实体;疾病类实体的关系节点关联症状、检查、科室以及药品类实体;检查类实体的关系节点考虑疾病类实体。
进一步的,所述负样本集合S’,通过如下方式得到:
采用k近邻的方式,为三元组(h, r, t)的头实体h选取k个头实体作为头实体候选集,为三元组中的尾实体t选取k个尾实体作为尾实体候选集;
从头实体候选集随机选择一个头实体h’,替换三元组中的头实体h得到负样本(h’,r,t)并将负样本(h’,r,t)添加到负样本集合S’;
从尾实体候选集随机选择一个尾实体t'替换三元组中的尾实体h得到负样本(h,r,t’)并将负样本(h’,r,t)添加到负样本集合S’;
其中,s=⌈(1-θ)N⌉,挑选比例θ∈[0,1],N是知识图谱的总实体个数,⌈ ⌉是向上取整函数。
本发明的有益效果是:本发明基于知识表示学习模型,综合衡量实体的词型变换、语义距离和关系向量特征来计算实体相似度得分进行实体对齐,提高了知识图谱融合过程中实体对齐的准确性,保证了医学知识图谱融合后的质量。
附图说明
图1是本发明一种用于知识图谱融合的实体相似度计算方法的流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1,本发明实施例包括:
一种用于知识图谱融合的实体相似度计算方法,包括:
S1获取待融合的两个知识图谱的数据;
S2计算实体的莱文斯坦比得分score1;
S3使用知识表示学习模型得到实体的向量表示,计算实体的节点距离得分score2;
S4计算实体的关系相似得分score3;
S5对实体的莱文斯坦比得分、节点距离得分和关系相似得分进行融合,得到最终的实体相似度得分scoretotal,计算公式如下:
所述两个知识图谱表示为G1=(E1,R1,T1)和G2=(E2,R2,T2),其中E1、E2分别为两个知识图谱的实体集,R1、R2分别为两个知识图谱的关系集,T1、T2分别为两个知识图谱的三元组集;三元组的结构:<实体-关系-实体>,三元组中的第一个实体记为头实体,第二个实体记为尾实体;
其中,莱文斯坦比计算公式如下:score1=(sum-ldist)/sum,
sum是指待融合的实体1和实体2字串的长度总和;ldist是实体1和实体2的类编辑距,用来衡量由实体1变换到实体2的距离长度,是基于编辑距离的优化,类编辑距中删除操作和插入操作的步长都为1,替换操作的步长为2;
其中,α,β,γ∈(0,1),α+β+γ=1;
以待融合的两个疾病类实体e1、e2为例,e1∈E1,e2∈E2:e1=血管网状细胞瘤,e2=血管网织细胞瘤:
e1、e2的莱文斯坦比得分score1=(sum-ldist)/sum=(14-2)/14=0.8571。
所述S3使用知识表示学习模型得到实体的向量表示,计算实体的节点距离得分score2,包括:
S31使用训练好的实体向量模型得到实体的向量表示;
S32采用余弦相似度计算实体对应的向量表示的节点距离得分score2。
所述S31中,使用训练好的知识表示学习模型得到实体的向量表示,包括:
S311在预训练模型基础上,利用自有医学语料进行微调,得到医学模型;
本实施例中,选用谷歌预训练模型BERT-Base-Chinese,使用涵盖十万余份电子病例、100多本医学书籍的医疗预料与预训练模型进行微调(fine-tuning),得到医学BERT模型。
S312使用医学模型将知识图谱中所有的三元组初始化成向量形式的三元组(h,r, t);
S313利用TransE算法对向量形式的三元组(h, r, t)进行训练,得到能够计算实体间的语义相似性的三元组向量表示。
其中,h为三元组中的第一个实体,也称为头实体;
t为三元组中的第二个实体,也称为尾实体;
r为三元组中实体之间的关系。
所述利用TransE算法对三元组(h, r, t)进行训练,为利用优化算法最优化损失函数值,使得优化目标函数值最小,以学得实体与关系的最佳向量表示,达到优化目标,损失函数如下:
其中,S表示正样本集合,S’表示负样本集合;
S’={(h’,r,t)|h’∈h∪t}∪{(h,r,t’)|t’∈h∪t};
γ表示正负样本之间的间距,是一个常数;
优化算法为随机梯度下降算法;
d(h,r,t)=||h+r-t||;
[x]+表示max(0,x);
约束条件:‖h‖≤1,‖r‖≤1,‖t‖≤1。
TransE算法中负样本的生成方式为:随机选择知识图谱中的某个实体h'替换h,或者用某个实体t'来替换t,如果三元组(h', r, t)或三元组(h,r,t')不在正样本集中,则生成两个负样本。若采用上述负样本的生成方式,当正负样本太容易区分时,那么负样本对整个的嵌入学习的贡献会很小。
本发明对TransE算法中负样本的生成方式进行了改进,负样本集合S’是通过如下方式得到:
采用k近邻的方式,为三元组(h, r, t)的头实体h选取k个头实体作为头实体候选集,为三元组中的尾实体t选取k个尾实体作为尾实体候选集;
从头实体候选集随机选择一个头实体h’,替换三元组中的头实体h得到负样本(h', r,t)并将负样本(h', r, t)添加到负样本集合S’;
从尾实体候选集随机选择一个尾实体t'替换三元组中的尾实体h得到负样本(h,r,t')并将负样本(h,r,t')添加到负样本集合S’;
其中, s=⌈(1-θ)N⌉,挑选比例 θ∈[0,1],N是知识图谱的总实体个数,⌈ ⌉是向上取整函数。
所述S4计算实体的关系相似得分score3,包括:
S41根据实体类别的关联性,划定每一类实体关系节点考虑的其他类别实体;
S42采用one-hot编码获取实体的关系向量;
S43采用余弦相似度计算实体的关系相似得分。
所述划定每一类实体关系节点需要关联的其他类别实体,包括:药品类实体的关系节点关联疾病类实体;症状类实体的关系节点关联疾病、药品类实体;疾病类实体的关系节点关联症状、检查、科室以及药品类实体;检查类实体的关系节点考虑疾病类实体。
以构建药品类实体的关系向量为例:
药品类实体的关系节点关联疾病类实体,那么将两个待融合知识图谱的疾病类实体集表示为一组全零向量,向量中每一个元素对应一个疾病名称;找出药品类实体在图谱中关联的疾病类实体,将该疾病类实体在疾病类实体集中对应的位置的零值重置为1,从而得到药品类实体的关系向量。
例如药品类实体a、b对应的疾病类实体集为{d,e,f,g},则a、b对应的关系向量都为[0,0,0,0];若药品类实体a在图谱中与疾病类实体d、e关联,药品类实体b在图谱中与疾病d、g关联,则根据one-hot编码得到药品类实体a、b对应的关系向量分别为[1,1,0,0],[1,0,0,1]。
再以待融合疾病类实体对:e1=血管网状细胞瘤,e2=血管网织细胞瘤为例,计算e1与e2的关系相似度,可以按照如下步骤进行:
疾病类实体关联症状实体、检查类实体、科室类实体、药品类实体;
找出e1和e2关联的症状实体集,并表示为全零向量,根据e1在图谱中关联的症状实体,得到e1、e2与症状实体的关系向量ve1-症状、ve2-症状;
同理可以得到e1、e2与检查类实体的关系向量ve1-检查、ve2-检查,e1、e2与科室类实体的关系向量cos(ve1-科室,ve2-科室)和e1、e2与药品类实体的关系向量ve1-药品,ve2-药品;
最后再计算实体e1与e2的关系相似度,计算公式如下:
score3=(cos(ve1-症状,ve2-症状)+cos(ve1-检查,ve2-检查)+cos(ve1-科室,ve2-科室)+cos(ve1-药品,ve2-药品))/4。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种用于知识图谱融合的实体相似度计算方法,其特征在于,包括:
获取待融合的两个知识图谱的数据;
计算实体的莱文斯坦比得分score1;
使用知识表示学习模型得到实体的向量表示,计算实体的节点距离得分score2;
计算实体的关系相似得分score3;
对实体的莱文斯坦比得分、节点距离得分和关系相似得分进行融合,得到最终的实体相似度得分scoretotal,计算公式如下:
所述两个知识图谱表示为G1=(E1,R1,T1)和G2=(E2,R2,T2),其中E1、E2分别为两个知识图谱的实体集,R1、R2分别为两个知识图谱的关系集,T1、T2分别为两个知识图谱的三元组集;三元组的结构:<实体-关系-实体>,三元组中的第一个实体记为头实体,第二个实体记为尾实体;
2.如权利要求1所述的一种用于知识图谱融合的实体相似度计算方法,其特征在于,所述使用知识表示学习模型得到实体的向量表示,计算实体的节点距离得分score2,包括:
使用训练好的知识表示学习模型得到实体的向量表示;
采用余弦相似度计算实体对应的向量表示的节点距离得分score2。
3.如权利要求2所述的一种用于知识图谱融合的实体相似度计算方法,其特征在于,所述使用训练好的知识表示学习模型得到实体的向量表示,包括:
在预训练模型基础上,利用自有医学语料进行微调,得到医学模型;
使用医学模型将知识图谱中所有的三元组初始化成向量形式的三元组(h, r, t);
利用TransE算法对向量形式的三元组(h, r, t)进行训练,得到能够计算实体间的语义相似性的三元组向量表示;
其中,h为三元组中的第一个实体,也称为头实体;
t为三元组中的第二个实体,也称为尾实体;
r为三元组中实体之间的关系。
5.如权利要求1所述的一种用于知识图谱融合的实体相似度计算方法,其特征在于,所述计算两个实体的关系相似得分score3,包括:
根据实体类别的关联性,划定每一类实体关系节点考虑的其他类别实体;
采用one-hot编码获取实体的关系向量;
采用余弦相似度计算实体的关系相似得分;
所述划定每一类实体关系节点需要关联的其他类别实体,包括:药品类实体的关系节点关联疾病类实体;症状类实体的关系节点关联疾病、药品类实体;疾病类实体的关系节点关联症状、检查、科室以及药品类实体;检查类实体的关系节点考虑疾病类实体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010925569.4A CN111813962B (zh) | 2020-09-07 | 2020-09-07 | 一种用于知识图谱融合的实体相似度计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010925569.4A CN111813962B (zh) | 2020-09-07 | 2020-09-07 | 一种用于知识图谱融合的实体相似度计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111813962A true CN111813962A (zh) | 2020-10-23 |
CN111813962B CN111813962B (zh) | 2020-12-18 |
Family
ID=72859988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010925569.4A Active CN111813962B (zh) | 2020-09-07 | 2020-09-07 | 一种用于知识图谱融合的实体相似度计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111813962B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765362A (zh) * | 2021-01-12 | 2021-05-07 | 中国人民解放军国防科技大学 | 基于改进自编码器的知识图谱实体对齐方法及相关设备 |
CN113420161A (zh) * | 2021-06-24 | 2021-09-21 | 平安科技(深圳)有限公司 | 一种节点文本融合方法、装置、计算机设备及存储介质 |
CN113535986A (zh) * | 2021-09-02 | 2021-10-22 | 中国医学科学院医学信息研究所 | 一种应用于医学知识图谱的数据融合方法及装置 |
CN113744891A (zh) * | 2021-09-15 | 2021-12-03 | 浙江工商大学 | 一种药品知识图谱表示学习方法 |
CN113988724A (zh) * | 2021-12-28 | 2022-01-28 | 深圳市迪博企业风险管理技术有限公司 | 一种上市公司金融活动知识图谱的风险分析方法 |
CN115168599A (zh) * | 2022-06-20 | 2022-10-11 | 北京百度网讯科技有限公司 | 多三元组抽取方法、装置、设备、介质及产品 |
CN115797737A (zh) * | 2022-06-28 | 2023-03-14 | 合肥工业大学 | 一种耦合知识图谱与深度神经网络的遥感图像挖掘方法 |
CN116152232A (zh) * | 2023-04-17 | 2023-05-23 | 智慧眼科技股份有限公司 | 一种病理图像检测方法、装置、计算机设备及存储介质 |
CN116226541A (zh) * | 2023-05-11 | 2023-06-06 | 湖南工商大学 | 一种基于知识图谱的网络热点信息推荐方法、系统及设备 |
CN116910276A (zh) * | 2023-09-13 | 2023-10-20 | 广东浪潮智慧计算技术有限公司 | 一种常识知识图谱的存储方法、系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250412A (zh) * | 2016-07-22 | 2016-12-21 | 浙江大学 | 基于多源实体融合的知识图谱构建方法 |
CN107391623A (zh) * | 2017-07-07 | 2017-11-24 | 中国人民大学 | 一种融合多背景知识的知识图谱嵌入方法 |
CN110866124A (zh) * | 2019-11-06 | 2020-03-06 | 北京诺道认知医学科技有限公司 | 基于多数据源的医学知识图谱融合方法及装置 |
CN110941722A (zh) * | 2019-10-12 | 2020-03-31 | 中国人民解放军国防科技大学 | 一种基于实体对齐的知识图谱融合方法 |
WO2020069534A1 (en) * | 2018-09-29 | 2020-04-02 | Brainworks | Data representations and architectures, systems, and methods for multi-sensory fusion, computing, and cross-domain generalization |
-
2020
- 2020-09-07 CN CN202010925569.4A patent/CN111813962B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250412A (zh) * | 2016-07-22 | 2016-12-21 | 浙江大学 | 基于多源实体融合的知识图谱构建方法 |
CN107391623A (zh) * | 2017-07-07 | 2017-11-24 | 中国人民大学 | 一种融合多背景知识的知识图谱嵌入方法 |
WO2020069534A1 (en) * | 2018-09-29 | 2020-04-02 | Brainworks | Data representations and architectures, systems, and methods for multi-sensory fusion, computing, and cross-domain generalization |
CN110941722A (zh) * | 2019-10-12 | 2020-03-31 | 中国人民解放军国防科技大学 | 一种基于实体对齐的知识图谱融合方法 |
CN110866124A (zh) * | 2019-11-06 | 2020-03-06 | 北京诺道认知医学科技有限公司 | 基于多数据源的医学知识图谱融合方法及装置 |
Non-Patent Citations (1)
Title |
---|
郭智 等: "融合属性信息的知识表示方法", 《科学技术与工程》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765362B (zh) * | 2021-01-12 | 2023-06-13 | 中国人民解放军国防科技大学 | 基于改进自编码器的知识图谱实体对齐方法及相关设备 |
CN112765362A (zh) * | 2021-01-12 | 2021-05-07 | 中国人民解放军国防科技大学 | 基于改进自编码器的知识图谱实体对齐方法及相关设备 |
CN113420161A (zh) * | 2021-06-24 | 2021-09-21 | 平安科技(深圳)有限公司 | 一种节点文本融合方法、装置、计算机设备及存储介质 |
CN113420161B (zh) * | 2021-06-24 | 2024-07-02 | 平安科技(深圳)有限公司 | 一种节点文本融合方法、装置、计算机设备及存储介质 |
CN113535986A (zh) * | 2021-09-02 | 2021-10-22 | 中国医学科学院医学信息研究所 | 一种应用于医学知识图谱的数据融合方法及装置 |
CN113535986B (zh) * | 2021-09-02 | 2023-05-05 | 中国医学科学院医学信息研究所 | 一种应用于医学知识图谱的数据融合方法及装置 |
CN113744891A (zh) * | 2021-09-15 | 2021-12-03 | 浙江工商大学 | 一种药品知识图谱表示学习方法 |
CN113744891B (zh) * | 2021-09-15 | 2024-05-10 | 浙江工商大学 | 一种药品知识图谱表示学习方法 |
CN113988724A (zh) * | 2021-12-28 | 2022-01-28 | 深圳市迪博企业风险管理技术有限公司 | 一种上市公司金融活动知识图谱的风险分析方法 |
CN115168599A (zh) * | 2022-06-20 | 2022-10-11 | 北京百度网讯科技有限公司 | 多三元组抽取方法、装置、设备、介质及产品 |
CN115797737B (zh) * | 2022-06-28 | 2023-11-28 | 合肥工业大学 | 一种耦合知识图谱与深度神经网络的遥感图像挖掘方法 |
CN115797737A (zh) * | 2022-06-28 | 2023-03-14 | 合肥工业大学 | 一种耦合知识图谱与深度神经网络的遥感图像挖掘方法 |
CN116152232A (zh) * | 2023-04-17 | 2023-05-23 | 智慧眼科技股份有限公司 | 一种病理图像检测方法、装置、计算机设备及存储介质 |
CN116226541A (zh) * | 2023-05-11 | 2023-06-06 | 湖南工商大学 | 一种基于知识图谱的网络热点信息推荐方法、系统及设备 |
CN116910276A (zh) * | 2023-09-13 | 2023-10-20 | 广东浪潮智慧计算技术有限公司 | 一种常识知识图谱的存储方法、系统 |
CN116910276B (zh) * | 2023-09-13 | 2024-01-23 | 广东浪潮智慧计算技术有限公司 | 一种常识知识图谱的存储方法、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111813962B (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111813962B (zh) | 一种用于知识图谱融合的实体相似度计算方法 | |
CN108492200B (zh) | 一种基于卷积神经网络的用户属性推断方法和装置 | |
Zhang et al. | A benchmark and comprehensive survey on knowledge graph entity alignment via representation learning | |
CN112380325B (zh) | 基于联合知识嵌入模型和事实记忆网络的知识图谱问答系统 | |
CN111785368A (zh) | 基于医疗知识图谱的分诊方法、装置、设备及存储介质 | |
CN116682553B (zh) | 一种融合知识与患者表示的诊断推荐系统 | |
CN110222771A (zh) | 一种零样本图片的类别识别方法 | |
WO2021022572A1 (zh) | 一种基于元学习的主动采样方法 | |
CN110838368A (zh) | 一种基于中医临床知识图谱的机器人主动问诊方法 | |
CN112151183A (zh) | 一种基于Lattice LSTM模型的中文电子病历的实体识别方法 | |
CN111312354B (zh) | 基于多智能体强化学习的乳腺病历实体识别标注增强系统 | |
CN111368094A (zh) | 实体知识图谱建立、属性信息获取、门诊分诊方法及装置 | |
CN110111905B (zh) | 一种医疗知识图谱的构建系统和构建方法 | |
CN112766507B (zh) | 基于嵌入式和候选子图剪枝的复杂问题知识库问答方法 | |
CN109933674A (zh) | 一种基于属性聚合的知识图谱嵌入方法及其存储介质 | |
WO2021139349A1 (zh) | 基于图神经网络的文本纠错方法、装置、设备及存储介质 | |
Wang et al. | Aa-trans: Core attention aggregating transformer with information entropy selector for fine-grained visual classification | |
CN111858940A (zh) | 一种基于多头注意力的法律案例相似度计算方法及系统 | |
WO2021170085A1 (zh) | 标注方法、关系抽取方法、存储介质和运算装置 | |
CN116737879A (zh) | 知识库查询方法、装置、电子设备及存储介质 | |
CN112614571A (zh) | 神经网络模型的训练方法、装置、图像分类方法和介质 | |
CN108959472A (zh) | 基于多步关系路径的知识图谱表示学习方法 | |
CN113836321B (zh) | 一种医学知识表示的生成方法和装置 | |
CN111125318A (zh) | 基于义原-义项信息提升知识图谱关系预测性能的方法 | |
Leng et al. | Bi-level artificial intelligence model for risk classification of acute respiratory diseases based on Chinese clinical data |
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 |