CN111914550B - 一种面向限定领域的知识图谱更新方法及系统 - Google Patents
一种面向限定领域的知识图谱更新方法及系统 Download PDFInfo
- Publication number
- CN111914550B CN111914550B CN202010683880.2A CN202010683880A CN111914550B CN 111914550 B CN111914550 B CN 111914550B CN 202010683880 A CN202010683880 A CN 202010683880A CN 111914550 B CN111914550 B CN 111914550B
- Authority
- CN
- China
- Prior art keywords
- entity
- knowledge graph
- candidate
- corpus
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013145 classification model Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/316—Indexing structures
- G06F16/319—Inverted lists
-
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明提供一种面向限定领域的知识图谱更新方法及系统,包括输入限定领域问答语料,通过分词抽取语料中句子的候选实体,并利用词频词典筛除分词结果中的常用功能词,得到候选实体集;根据限定领域知识图谱构建倒排索引词典,得到各候选实体分别的相似词汇集;将候选实体和相应相似词汇集训练成词向量,计算余弦相似度,从而判定候选实体的类型;利用训练好的Bert文本分类模型获取候选实体集中候选实体两两之间的关系;根据判定所得候选实体类型和候选实体间关系更新到知识图谱中。本发明提供了一种效率更高的知识图谱更新方法,可以根据图谱内已有实体识别新出现的实体类型,有效地提高了知识图谱更新的速度和准确性。
Description
技术领域
本发明属于数据处理技术领域,特别涉及一种教育领域的知识图谱更新方法及系统。
背景技术
随着社会飞速发展,当前已经进入信息爆炸时代,每天都有海量信息产生。如何从海量数据中获取有价值的信息称为一个难题,知识图谱因此应运而生。知识图谱以结构化的形式描述客观世界中概念、实体及其关系,其基本组成单位是“实体-关系-实体”三元组,以及实体及其相关属性-值对。实体间通过关系相互联结,构成网状的知识结构。目前知识图谱的构建过程一般为:对原始数据进行预处理,将其转化为结构化数据,再进行实体对齐,知识融合,知识推理等,构建形成一个完整的知识图谱。知识图谱不仅可以用于信息挖掘,还可以用于技术改进,例如专利《一种新型干法水泥熟料生产热耗知识图谱的构建方法》(授权号CN110263185B)。
知识图谱由于数据的不完整、知识内容的更替变化,也需要进行不断更新。
专利CN110287334A通过利用BERT-BiGRU-CRF模型从语料中进行实体识别和属性识别,从而创建学校领域知识图谱。该方法有效提升实体识别和属性识别的准确率,但是过度依赖模型需要大量标注好语料,增加人工成本。此外,该方法会出现实体未对齐、实体之间关系缺乏等问题,从而导致知识图谱内部冗杂、整体关联性不够。
专利CN110390023A在建立知识图谱主要分为两步,分别是从不同来源数据中抽取知识三元组、对抽取的知识三元组进行知识融合和对齐。首先,数据源的复杂会让知识三元组抽取结果出现重复冗余情况,从而给第二步的知识融合和对齐带来繁重工作量;其次,企业经营领域的知识关系类型有限,而用模型获取新的知识三元组关系时没有利用前面已经识别出的关系类型,从而导致资源数据的浪费。
针对文本数据的知识图谱更新技术长时间内存在着效率低、准确性差的特点,本领域亟待提供新的技术方案。
发明内容
本发明提供了一种面向限定领域的知识图谱自动更新方法及系统。
本发明提供一种面向限定领域的知识图谱更新方法,包括以下步骤:
步骤S1、输入限定领域问答语料,其中包括语料M1;
步骤S2、通过分词抽取语料M1中一条句子l的候选实体,并利用词频词典筛除分词结果中的常用功能词,得到候选实体集A;
步骤S3、根据现有的限定领域知识图谱构建倒排索引词典,得到步骤S2所得各候选实体分别的相似词汇集;
步骤S4、将步骤S2所得候选实体和步骤S3所得相应相似词汇集训练成词向量,计算余弦相似度,从而判定候选实体的类型;
步骤S5、利用训练好的Bert文本分类模型获取候选实体集A中候选实体两两之间的关系;步骤S6、根据步骤S4判定所得候选实体类型和步骤S5获得的候选实体间关系更新到知识图谱中;
步骤S7、对语料M1中其他句子重复上述步骤S2~S6直到更新处理完。
而且,步骤S3中,构建倒排索引词典实现方式如下,
获取现有的限定领域知识图谱内所有实体;
将所有实体名分解成字的形式;
将每个字和所有包含该字的实体进行一对多映射得到倒排索引词典。
而且,步骤S4中,判定候选实体的类型实现方式如下,
将实体ai和集合B={b1,b2,b3......bm}转换成词向量,并分别计算候选实体ai的向量和b1,b2,b3......bm的向量之间余弦相似度sim={ci1,ci2,ci3......cim},
预先设置两个阈值d1、d2,d1<d2,
若相似度cij达到阈值d2,则判定候选实体ai与实体bj为同一实体;
若相似度cij小于d2且大于等于d1,则判定为候选实体ai与实体bj同类型实体;若有多个cij满足小于d2且大于等于d1,则取最大的那个;
若相似度集合sim全部小于d1,则判定候选实体ai为新型实体。
而且,设步骤S1输入限定领域问答语料中还包括语料M2,所述阈值d1、d2获得方法为,在执行步骤S4之前,预先进行如下操作,
1)随机初始化d1、d2;
2)对语料M2中每条句子进行S2~S4操作;
3)使用互信息的方法更新d1、d2,
准确率变化率若因新型实体与同类型实体之间判别错误引起,则d2根据准确率变化率所含信息熵进行相应的增加或减少;
准确率变化率若因同一实体与同类型实体之间判别错误引起,则d1根据准确率变化率所含信息熵进行相应的增加或减少。
而且,步骤S5中,所述Bert文本分类模型识别流程如下:
1)获取知识图谱中所有存在的关系集合F={f1,f2,f3......ft},t为知识图谱内关系总数量,;
2)将候选实体集A中的一对实体分别和关系集合F={f1,f2,f3......ft}中每一条关系组合,还原成自然语言文本集合W={w1,w2,w3......wt};
3)利用训练好的Bert文本分类模型,分别计算w1,w2,w3......wt和语料M1中正在处理的句子l的相似度,相似度最高所对应的自然语言文本wk包含的关系即为实体间关系;
4)重复上述过程,直到候选实体集A中每一对候选实体识别完毕。
而且,设步骤S1输入限定领域问答语料中还包括语料M3,Bert文本分类模型训练方法为,将训练集M3中每条语料中包含的正确的实体间关系作为正例标注,再随机选择三个错误实体关系作为负例标注;将所有语料标注好后输入给模型训练。
而且,步骤S6的实现方式为,步骤S4中判定为同一实体的候选实体,直接将候选实体与知识图谱中同一实体融合;判定为同类型实体或新型实体的候选实体,则在知识图谱中创建相应实体;实体融合或创建好之后,将S5得到的两两候选实体间关系相应添加到知识图谱中。
本发明提供一种面向限定领域的知识图谱更新系统,用于实现如上所述面向限定领域的知识图谱更新方法。
本发明基于已有知识图谱内容,可以高效准确的识别新添加实体之间的关系以及新添加实体与已有实体的关系。并且新实体添加的准确性会随着知识图谱规模的扩大而不断提高。
相比于现有技术,本专利具有以下优点:
一、使用而不过度依赖深度学习模型。只在关系识别训练时需要部分简单语料标注工作,节约人工成本。
二、步骤简洁高效。通过计算实体和相似词汇集之间的相似度去判定实体类型,从而实现一般的知识图谱更新方法中实体获取、实体融合两个步骤的效果。
三、准确性高。充分利用知识图谱已有的结点和关系获取新知识,而不仅仅依赖深度学习模型。
四、持续性强。本方法在知识更新中持续利用图谱内已存在知识,因此新实体添加的准确性会随着知识图谱的完善而不断提高。有效解决其他知识图谱更新方法中因规模扩大而准确率不足、成本增加的缺陷。
附图说明
图1为本发明实施例中的流程图。
具体实施方法
以下结合附图和实施例具体说明本发明的技术方案。
参见图1,本发明实施例提供了一种面向限定领域的知识图谱自动更新方法,包括步骤如下:
S1、输入限定领域问答语料。
具体实施时,可预先收集获取指定的限定领域相应问答语料。本发明适用于多种领域,例如教育领域、医学领域、化学领域等。
实施例中,语料M来源于该领域论坛的问答记录以及贴吧问答数据,由若干条句子l1,l2,l3......lu(u为句子数量)构成。语料根据用途按比例6:1:3分为三部分:第一部分M1用于通过本方法(步骤S2~S7)更新到知识图谱中;第二部分M2用来训练获取S4中最佳阈值;第三部分M3用来训练步骤S5中所述Bert文本分类模型。每个部分都包含相应比例的多条句子。
S2、通过分词抽取语料M1中一条句子l的候选实体,并利用词频词典筛除候选实体中可能存在的常用功能词:
实施例利用jieba分词技术处理语料得到候选实体集A={a1,a2,a3......an},其中n为实体的数量。再利用词频字典(开源中文词频词典)将候选实体集A中词频大于预先设置的阈值(实施例优选采用词典中频率排名第一百的词频值)的功能词筛除掉,得到最终的候选实体集A。
jieba分词技术为Python中文分词组件,用于对中文文本进行分词,本发明不予赘述。
S3、构建倒排索引词典,得到步骤S2所得各候选实体分别的相似词汇集:
利用根据知识图谱创建的倒排索引词典,得到候选实体集中实体ai(i表示从1到n任意一个数字)的相似实体集合B={b1,b2,b3......bm}(m为实体ai的相似实体的数量)。
所述倒排索引词典创建方法如下:获取现有的限定领域知识图谱内所有实体;将所有实体名分解成字的形式;将每个字和所有包含该字的实体进行一对多映射得到倒排索引词典(例如‘白’对应的是知识图谱内存在的李白、白居易等所有名字带‘白’的实体)。
S4、将步骤S2所得候选实体和步骤S3所得相应相似词汇集训练成词向量,计算他们之间的余弦相似度,从而判定候选实体的类型:
实施例利用word2vec技术将实体ai和集合B={b1,b2,b3......bm}转换成词向量,并分别计算候选实体ai的向量和b1,b2,b3......bm的向量之间余弦相似度sim={ci1,ci2,ci3......cim}。
设置两个阈值d1、d2(d1<d2),
若相似度cij(j表示从1到m任意一个数字)达到阈值d2,则判定候选实体ai与实体bj为同一实体;
若相似度cij小于d2且大于等于d1,则判定为候选实体ai与实体bj同类型实体(若有多个cij达到,则取最大的那个);
若相似度集合sim全部小于d1,则判定候选实体ai为新型实体。
word2vec是将词转换成向量的现有神经网络模型,本发明不予赘述。
优选地,所述阈值d1、d2获得方法为,在执行步骤S4之前,预先进行如下操作:
1)随机初始化d1、d2;
2)对语料M2中每条句子进行S2~S4操作;
3)使用互信息的方法更新d1、d2:
具体的,准确率变化率若因新型实体与同类型实体之间判别错误(新型实体判成同类型实体或同类型实体判成新型实体)引起,则d2根据准确率变化率所含信息熵进行相应的增加或减少;准确率变化率若因同一实体与同类型实体之间判别错误(同一实体判成同类型实体或同类型实体判成同一实体)引起,则d1根据准确率变化率所含信息熵进行相应的增加或减少,
4)重复上述步骤2)-3)直到实体判别结果达到最高准确率。
S5、利用训练好的Bert文本分类模型获取候选实体两两之间的关系:
实施例中,Bert文本分类模型使用S1中提及的语料M3训练,然后利用训练好的Bert文本分类模型去识别实体集A中两两实体间的关系。
所述Bert文本分类模型训练方法如下:将训练集M3中每条语料中包含的正确的实体间关系作为正例标注,再随机选择三个错误实体关系作为负例标注;将所有语料标注好后输入给模型训练。
所述Bert文本分类模型识别流程如下:
1)获取知识图谱中所有存在的关系集合F={f1,f2,f3......ft}(t为知识图谱内关系总数量);
2)将候选实体集A中的一对实体分别和关系集合F={f1,f2,f3......ft}中每一条关系组合还原成自然语言文本集合W={w1,w2,w3......wt}(例如:一对实体是杜甫、孟浩然,关系f是朋友,还原成某条自然语言文本w即为杜甫的朋友是孟浩然);
3)利用训练好的Bert文本分类模型,分别计算w1,w2,w3......wt和语料M1中正在处理的句子l的相似度,相似度最高所对应的自然语言文本wk包含的关系即为实体间关系;
4)重复上述过程,直到候选实体集A中每一对候选实体识别完毕。
S6、步骤S4中判定为同一实体的候选实体,直接将候选实体与知识图谱中同一实体融合;判定为同类型实体或新型实体的候选实体,则在知识图谱中创建相应实体。实体融合或创建好之后,将S5得到的两两候选实体间关系相应添加到知识图谱中。
S7、重复上述步骤S2~S6直到处理完语料M1中所有句子。具体实施时,后续新增的限定领域问答语料均可按此更新到知识图谱中。
本发明基于已有知识图谱内容,步骤简洁、高效准确的识别新添加实体之间的关系以及新添加实体与已有实体的关系。具体体现在:步骤S3建立的倒排索引词典将待处理的新实体和图谱内存在的实体关联起来,降低了数据成本;步骤S4计算实体和相似词汇集之间的相似度去判定实体类型,从而实现一般的知识图谱更新方法中实体获取、实体融合两个步骤的效果,且避免了其他知识图谱更新方法过度依赖深度学习模型的问题;步骤S5中使用Bert文本分类模型并充分利用知识图谱已存在关系识别新实体间关系,不仅提升了模型准确率,也大大降低了标注训练集的工作量;步骤S6根据实体判定结果添加实体,不但建立起新实体间关系,还建立新实体和已有实体关系。此外,本方法中新实体添加的准确性会随着知识图谱规模的扩大而不断提高,有效解决其他知识图谱更新方法中因规模扩大而准确率不足的缺陷。
具体实施时,可采用软件方式实现流程的自动运行,也可以采用模块化方式实现,例如分为数据获取模块:收集获取该领域问答语料;实体提取模块:提取并筛选语料中的实体;实体判别模块:计算并判定实体的类型;关系抽取模块:获取语料中两两实体之间的关系;图谱更新模块:将实体和实体间的关系更新到知识图谱中。运行方法的系统装置,例如存储本发明技术方案相应计算机程序的计算机可读存储介质,以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种面向限定领域的知识图谱更新方法,其特征在于,包括以下步骤:
步骤S1、输入限定领域问答语料,其中包括语料M1;
步骤S2、通过分词抽取语料M1中一条句子l的候选实体,并利用词频词典筛除分词结果中的常用功能词,得到候选实体集A;
步骤S3、根据现有的限定领域知识图谱构建倒排索引词典,得到步骤S2所得各候选实体分别的相似词汇集;
步骤S4、将步骤S2所得候选实体和步骤S3所得相应相似词汇集训练成词向量,计算余弦相似度,从而判定候选实体的类型;
判定候选实体的类型实现方式如下,
将实体ai和集合B={b1,b2,b3......bm}转换成词向量,并分别计算候选实体ai的向量和b1,b2,b3......bm的向量之间余弦相似度sim={ci1,ci2,ci3......cim},
预先设置两个阈值d1、d2,d1<d2,
若相似度cij达到阈值d2,则判定候选实体ai与实体bj为同一实体;
若相似度cij小于d2且大于等于d1,则判定为候选实体ai与实体bj同类型实体;若有多个cij满足小于d2且大于等于d1,则取最大的那个;
若相似度集合sim全部小于d1,则判定候选实体ai为新型实体;
步骤S5、利用训练好的Bert文本分类模型获取候选实体集A中候选实体两两之间的关系;
步骤S6、根据步骤S4判定所得候选实体类型和步骤S5获得的候选实体间关系更新到知识图谱中;
步骤S7、对语料M1中其他句子重复上述步骤S2~S6直到更新处理完。
2.根据权利要求1所述面向限定领域的知识图谱更新方法,其特征在于:步骤S3中,构建倒排索引词典实现方式如下,
获取现有的限定领域知识图谱内所有实体;
将所有实体名分解成字的形式;
将每个字和所有包含该字的实体进行一对多映射得到倒排索引词典。
3.根据权利要求1所述面向限定领域的知识图谱更新方法,其特征在于:设步骤S1输入限定领域问答语料中还包括语料M2,所述阈值d1、d2获得方法为,在执行步骤S4之前,预先进行如下操作,
1)随机初始化d1、d2;
2)对语料M2中每条句子进行S2~S4操作;
3)使用互信息的方法更新d1、d2,
准确率变化率若因新型实体与同类型实体之间判别错误引起,则d2根据准确率变化率所含信息熵进行相应的增加或减少;
准确率变化率若因同一实体与同类型实体之间判别错误引起,则d1根据准确率变化率所含信息熵进行相应的增加或减少。
4.根据权利要求1所述面向限定领域的知识图谱更新方法,其特征在于:步骤S5中,所述Bert文本分类模型识别流程如下:
1)获取知识图谱中所有存在的关系集合F={f1,f2,f3......ft},t为知识图谱内关系总数量,;
2)将候选实体集A中的一对实体分别和关系集合F={f1,f2,f3......ft}中每一条关系组合,还原成自然语言文本集合W={w1,w2,w3......wt};
3)利用训练好的Bert文本分类模型,分别计算w1,w2,w3......wt和语料M1中正在处理的句子l的相似度,相似度最高所对应的自然语言文本wk包含的关系即为实体间关系;
4)重复上述过程,直到候选实体集A中每一对候选实体识别完毕。
5.根据权利要求4所述面向限定领域的知识图谱更新方法,其特征在于:设步骤S1输入限定领域问答语料中还包括语料M3,Bert文本分类模型训练方法为,将训练集M3中每条语料中包含的正确的实体间关系作为正例标注,再随机选择三个错误实体关系作为负例标注;将所有语料标注好后输入给模型训练。
6.根据权利要求2或3或或5所述面向限定领域的知识图谱更新方法,其特征在于:步骤S6的实现方式为,步骤S4中判定为同一实体的候选实体,直接将候选实体与知识图谱中同一实体融合;判定为同类型实体或新型实体的候选实体,则在知识图谱中创建相应实体;实体融合或创建好之后,将S5得到的两两候选实体间关系相应添加到知识图谱中。
7.一种面向限定领域的知识图谱更新系统,其特征在于:用于实现如权利要求1至6所述面向限定领域的知识图谱更新方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010683880.2A CN111914550B (zh) | 2020-07-16 | 2020-07-16 | 一种面向限定领域的知识图谱更新方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010683880.2A CN111914550B (zh) | 2020-07-16 | 2020-07-16 | 一种面向限定领域的知识图谱更新方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914550A CN111914550A (zh) | 2020-11-10 |
CN111914550B true CN111914550B (zh) | 2023-12-15 |
Family
ID=73281151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010683880.2A Active CN111914550B (zh) | 2020-07-16 | 2020-07-16 | 一种面向限定领域的知识图谱更新方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914550B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190690B (zh) * | 2021-05-27 | 2022-10-04 | 中国人民解放军军事科学院评估论证研究中心 | 无监督知识图谱推理处理方法、装置、设备和介质 |
CN113553439A (zh) * | 2021-06-18 | 2021-10-26 | 杭州摸象大数据科技有限公司 | 知识图谱挖掘的方法和系统 |
CN113722501B (zh) * | 2021-08-06 | 2023-09-22 | 深圳清华大学研究院 | 基于深度学习的知识图谱构建方法、设备及存储介质 |
CN114154513B (zh) * | 2022-02-07 | 2022-07-26 | 杭州远传新业科技股份有限公司 | 一种领域语义网自动构建方法及系统 |
CN114491001B (zh) * | 2022-04-18 | 2022-08-30 | 南京星耀智能科技有限公司 | 一种军事领域下的实体搜索方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017076263A1 (zh) * | 2015-11-03 | 2017-05-11 | 中兴通讯股份有限公司 | 融合知识库处理方法和装置及知识库管理系统、存储介质 |
CN107766483A (zh) * | 2017-10-13 | 2018-03-06 | 华中科技大学 | 一种基于知识图谱的交互式问答方法及系统 |
CN108664615A (zh) * | 2017-05-12 | 2018-10-16 | 华中师范大学 | 一种面向学科教育资源的知识图谱构建方法 |
CN110019840A (zh) * | 2018-07-20 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 一种知识图谱中实体更新的方法、装置和服务器 |
CN110543574A (zh) * | 2019-08-30 | 2019-12-06 | 北京百度网讯科技有限公司 | 一种知识图谱的构建方法、装置、设备及介质 |
CN110727880A (zh) * | 2019-10-18 | 2020-01-24 | 西安电子科技大学 | 一种基于词库与词向量模型的敏感语料检测方法 |
CN110825881A (zh) * | 2019-09-26 | 2020-02-21 | 中国电力科学研究院有限公司 | 一种建立电力知识图谱的方法 |
CN111177404A (zh) * | 2019-12-16 | 2020-05-19 | 江苏艾佳家居用品有限公司 | 家装知识的知识图谱构建方法、装置、计算机设备 |
CN111191048A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于知识图谱的急诊问答系统构建方法 |
CN111209412A (zh) * | 2020-02-10 | 2020-05-29 | 同方知网(北京)技术有限公司 | 一种循环更新迭代的期刊文献知识图谱构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11531705B2 (en) * | 2018-11-16 | 2022-12-20 | International Business Machines Corporation | Self-evolving knowledge graph |
-
2020
- 2020-07-16 CN CN202010683880.2A patent/CN111914550B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017076263A1 (zh) * | 2015-11-03 | 2017-05-11 | 中兴通讯股份有限公司 | 融合知识库处理方法和装置及知识库管理系统、存储介质 |
CN108664615A (zh) * | 2017-05-12 | 2018-10-16 | 华中师范大学 | 一种面向学科教育资源的知识图谱构建方法 |
CN107766483A (zh) * | 2017-10-13 | 2018-03-06 | 华中科技大学 | 一种基于知识图谱的交互式问答方法及系统 |
CN110019840A (zh) * | 2018-07-20 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 一种知识图谱中实体更新的方法、装置和服务器 |
CN110543574A (zh) * | 2019-08-30 | 2019-12-06 | 北京百度网讯科技有限公司 | 一种知识图谱的构建方法、装置、设备及介质 |
CN110825881A (zh) * | 2019-09-26 | 2020-02-21 | 中国电力科学研究院有限公司 | 一种建立电力知识图谱的方法 |
CN110727880A (zh) * | 2019-10-18 | 2020-01-24 | 西安电子科技大学 | 一种基于词库与词向量模型的敏感语料检测方法 |
CN111177404A (zh) * | 2019-12-16 | 2020-05-19 | 江苏艾佳家居用品有限公司 | 家装知识的知识图谱构建方法、装置、计算机设备 |
CN111191048A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于知识图谱的急诊问答系统构建方法 |
CN111209412A (zh) * | 2020-02-10 | 2020-05-29 | 同方知网(北京)技术有限公司 | 一种循环更新迭代的期刊文献知识图谱构建方法 |
Non-Patent Citations (5)
Title |
---|
Microbial Interaction Extraction from Biomedical Literature using Max-Bi-LSTM;Ran Zhong;《IEEE》;第723-726页 * |
基于非分类关系提取技术的知识图谱构建;韦韬;王金华;;工业技术创新(02);第27-32页 * |
杨悦.领域知识图谱的更新与知识推荐方法研究.中国优秀硕士论文电子期刊网.2020,第I138-1712页. * |
极性相似度计算在词汇倾向性识别中的应用;宋乐;《中文信息学报》;第63-67页 * |
汤柳君.基于深度学习的中文自动问答与校对研究.中国优秀硕士论文电子期刊网.2019,第I138-712页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111914550A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914550B (zh) | 一种面向限定领域的知识图谱更新方法及系统 | |
CN110889556B (zh) | 一种企业经营风险特征数据信息提取方法和提取系统 | |
CN112214610B (zh) | 一种基于跨度和知识增强的实体关系联合抽取方法 | |
CN111597347B (zh) | 知识嵌入的缺陷报告重构方法及装置 | |
CN110990590A (zh) | 一种基于强化学习和迁移学习的动态金融知识图谱构建方法 | |
CN107766483A (zh) | 一种基于知识图谱的交互式问答方法及系统 | |
CN107562918A (zh) | 一种数学题知识点发现与批量标签获取方法 | |
CN104573130B (zh) | 基于群体计算的实体解析方法及装置 | |
CN111159356B (zh) | 基于教学内容的知识图谱构建方法 | |
CN111930956B (zh) | 一种采用知识图谱的多创新方法推荐与流驱动的集成系统 | |
CN113934847A (zh) | 一种基于非结构化信息的知识图谱补全方法及系统 | |
CN115526236A (zh) | 一种基于多模态对比学习的文本网络图分类方法 | |
CN112115971A (zh) | 一种基于异质学术网络进行学者画像的方法及系统 | |
CN109858550B (zh) | 潜在工艺失效模式机器识别方法 | |
CN113901224A (zh) | 基于知识蒸馏的涉密文本识别模型训练方法、系统及装置 | |
CN114328963A (zh) | 基于知识图谱的故障处置辅助决策系统及方法 | |
CN111339258B (zh) | 基于知识图谱的大学计算机基础习题推荐方法 | |
CN110377690B (zh) | 一种基于远程关系抽取的信息获取方法和系统 | |
CN116049376B (zh) | 一种信创知识检索回复的方法、装置和系统 | |
CN117216221A (zh) | 一种基于知识图谱的智能问答系统及构建方法 | |
CN117407532A (zh) | 一种利用大模型与协同训练进行数据增强的方法 | |
CN107180024A (zh) | 一种中心连通子图的多源异构数据实体识别方法及系统 | |
CN110765276A (zh) | 知识图谱中的实体对齐方法及装置 | |
CN110765781A (zh) | 一种领域术语语义知识库人机协同构建方法 | |
CN115204179A (zh) | 基于电网公共数据模型的实体关系预测的方法及装置 |
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 |