CN112328810B - 一种基于自适应混合本体映射的知识图谱融合方法 - Google Patents

Abstract

本发明公开了一种基于自适应混合本体映射的知识图谱融合方法，方法包括：获取待融合的两个知识图谱文件，通过对文件进行解析得到对应的本体集合S1和S2；对于本体集合S1中的任一本体O1，本体集合S2中的任一本体O2，计算O1和O2的混合相似度，所述混合相似度是两个本体之间的名称相似度、属性相似度、实例相似度、结构相似度以及注释相似度的加权和；当混合相似度大于指定阈值时，将两个O1和O2进行映射，在遍历两个知识图谱中的所有本体并进行映射后，完成对应两个知识图谱的融合。本发明对知识图谱中字面、结构、注释、属性、实例等单元特征进行多方位综合提取，并通过优化的权重策略实现动态自适应调整权重，使得两个知识图谱达到充分、深度融合。

Description

一种基于自适应混合本体映射的知识图谱融合方法

技术领域

本发明涉及自然语言处理技术领域，具体涉及一种知识图谱融合方法。

背景技术

知识图谱是显示知识发展进程与结构关系的一系列各种不同的图形，通过可视化技术描述知识资源及其载体，其本质上是一种揭示实体之间关系的语义网络。最近几年知识图谱在知识表示和建模中起着举足轻重的作用，人们也已经建立了很多描述通用知识的知识图谱以及专业领域知识图谱，并将其应用于机器翻译、信息检索、知识推理等领域。随着人们对知识掌握不断拓展和深入，不同领域知识的交叉和基于不同大规模知识图谱的系统间交互都提出了知识图谱的融合需求。

为了对大量异构、多源大数据形成的知识图谱进行有效融合，人们将本体映射(Ontology Mapping)的概念应用于知识图谱融合。本体是计算机科学、数据科学许多应用问题的数据基础。本体的作用是表达知识。在本体中，知识可以被正式地表达为一系列的领域相关概念，以及这些概念之间的相互关系。本体可以被用来为一个知识领域建立模型，并且支持对这个模型中的实体进行推理。本体的出现给计算机科学领域以及知识工程领域带来知识载体，利用本体，可以在不同的人或应用程序之间共享一组有结构的信息，并达成理解上的共识。本体映射是决定本体中概念一致性的过程。本体映射领域已有不少方法(参见权威著作：Kalfoglou,Y.,&Schorlemmer,M.(2003).Ontology mapping:the state of theart.The knowledge engineering review,18(1),1-31.)。然而传统的本体映射方法是在1990年代提出的，应用场景是典型的“小数据”和“单一本体概念”，扩展性、自适应性和泛化性较弱，不能满足当前大数据时代的需求。也难以合理体现出不同本体所包含的独特概念特征(如字面、结构、注释、属性、实例等单元特征)，这必将极大地影响本体映射结果的合理性，不能得到良好的知识融合效果。例如，欠优的本体映射方法，会导致融合后的知识图谱中存在错误的对齐实体，或者应被对齐缺没有映射的实体，这会增加知识图谱中知识的错误，直接影响下游的智能搜做、智能问答、个性化推荐和分类等多个任务。

发明内容

发明目的：针对现有技术的问题，本发明提出一种基于自适应混合本体映射的知识图谱融合方法，提高知识图谱融合的效率和泛化性。

技术方案：一种基于自适应混合本体映射的知识图谱融合方法，包括以下步骤：

获取待融合的两个知识图谱文件，通过对文件进行解析得到对应的本体集合S1和S2；

对于本体集合S1中的任一本体O1，本体集合S2中的任一本体O2，根据下式计算O1和O2的混合相似度：

S(O1,O2)＝σ₁*S_literal+σ₂*S_structure+σ₃*S_instance+σ₄*S_property+σ₅*S_comment

式中S(O1,O2)表示本体O1与O2的混合相似度，S_literal为两个本体之间的名称相似度、S_property为两个本体之间的属性相似度、S_instance为两个本体之间的实例相似度、S_structure为两个本体之间的结构相似度，S_comment为两个本体之间的注释相似度，σ₁～σ₅分别为相应维度相似度的权重；

当S(O1,O2)大于指定阈值时，将两个O1和O2进行映射，在遍历两个知识图谱中的所有本体并进行映射后，完成对应两个知识图谱的融合。

有益效果：本发明提供了一种基于自适应混合本体映射的知识图谱融合方法，通过使用名称、属性、实例、结构相似度来刻画多种概念的单元相似度，并使用基于CNN的注释相似度来辅助本体中的概念映射过程，对知识图谱中字面、结构、注释、属性、实例等单元特征进行多方位综合提取，获得全面的混合本体映射相似度，并通过优化的权重策略实现动态自适应调整权重，使得两个知识图谱的融合达到充分融合、深度融合的目的，从而得到更丰富、全面的知识库。本发明克服了目前知识图谱融合技术中缺乏扩展性、自适应和泛化性的问题，且方法简单易行，适用于智能问答、智能搜索、个性化推荐和知识工程等领域。

附图说明

图1是根据本发明实施例的基于自适应混合本体映射的知识图谱融合方法流程图；

图2是根据本发明实施例的自适应混合本体映射模型的建立流程图；

图3是根据本发明实施例的本体映射对注释相似度进行处理的示意图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

本发明实施例提供一种知识图谱融合方法，在该融合方法中利用了一种新构建的自适应混合本体映射模型，其主要处理流程图如图1所示。本体是从客观世界中抽象出来的一个概念模型，这个模型包含了某个学科领域内的概念以及概念之间的关系。本体是相应领域内公认的概念集合，本发明综合考虑如下本体概念进行本体映射：名称、结构、实例、注释和属性，并基于该本体映射方法实现知识图谱的融合。

图2给出本发明的自适应混合本体映射方法的处理流程，包括以下步骤：

步骤S1：打开知识图谱KG1和KG2，从中提取并解析为两个本体O1和O2，计算本体名称相似度。这里从两个方面求相似度：语言相似度以及语义相似度。

在本体中，计算名称的编辑距离以及语义相似度，并加权求和，得到本体的名称相似度。如下公式所示，Edit(*)指代两个词的编辑距离，表征了本体名称之间的语言相似度，e1，e2是指不同本体中概念的名称，WS(*)指代两个词的语义相似度，α₁、α₂分别为给与两个相似度的不同权重：

S_literal＝α₁*Edit(e1，e2)+α₂*Ws(e1，e2)

语义相似度的计算方法如下公式所示，通过表示学习的方式训练本体名称的词向量，运用离线训练的实体e_i的词向量embed(e_i)，计算两个词语之间的词义相似度：

WS(e1，e2)＝cos(embed(e1)，embed(e2))

cos(*)表示计算余弦相似度。

通过对两个方面的相似度进行加权计算，得到总体的名称相似度。

步骤S2：计算属性相似度。

定义在本体中的属性为表达概念的某些性质特征的名称，两个概念的属性相似度就转化成对应的属性集合的相似度，通过计算集合的相似度可得到概念的属性相似度。

对于每个类别，都有属性，但是类的属性与实例的属性不尽相同。类的属性在很多时候表现出较大的相似度和重复性，两个不同的类其属性可能非常相似。

本发明根据Jccard公式对属性的相似度进行度量，公式如下所示：

S_property＝Jccard(p1，p2)

Jccard(p1，p2)＝N(p1∩p2)/N(p1∪p2)

其中N(*)指代集合中元素的个数，p1、p2分别指代本体的属性。

步骤S3：计算结构相似度。

本体是一种具有层次结构的集合，在一个本体中，一个概念除了用拥有实例、属性，在同一层级上它也有父概念、子概念和兄弟概念。概念的结构指的就是它和父概念、子概念之间的关系。考虑两种最简单的结构---父概念和子概念，由于父概念和子概念的数量在不同的本体中会有差别，将概念之间的结构相似度转化成计算父概念集合的相似度和子概念集合相似度的加权平均。

将父概念和子概念相似度进行加权求平均值，并且综合上述方法中的名称相似度和实例相似度中求集合相似度的方法，得到结构相似度的公式如下：

S_structure＝γ₁*Jccard(SO₁，SO₂)+γ₂*Jccard(FA₁，FA₂)

SO₁和SO₂表示不同本体中概念的子概念集合，FA₁和FA₂表示不同本体中的父概念集合，Jccard运算同步骤S2中，γ₁和γ₂分别为两部分的权重。在判断概念集合间是否是同一个概念时用到了步骤S1中的名称相似度算法，并设阈值为0.85，即当两个概念的名称相似度达到0.85时认为它们指的是同一个概念，可放入同一个概念集合中。

步骤S4：计算实例相似度：计算本体的实例集合的相似度作为本体的实例相似度。

对于类的实例，很多研究都在处理两个集合的相似度的时候，都只是求得集合中的元素与另外一个集合的所有元素求得相似度，再进行加权平均，但是这样会使得两个相同得集合相似度不为1。为了解决这个问题，本发明采用如下方案：

步骤S4-1：首先根据本体的类得到每个本体的实例集合。遍历两个本体的实例集合，找到相似度最大的两个实例，并将着两个实例从各自的集合中删去；

步骤S4-2：重复上述步骤，若某一个集合为空，则相似度为0，若两个集合都为空，则结束这一过程；

步骤S4-3：计算相似度。

这里的相似度算法用上面采取的名称相似度算法，采用对实例名称的语言和语义求相似度。如下公式所示：

S_instance＝∑S_literal(ins_i，ins_j)/max(len(I₁)，len(I₂))

其中ins_i和ins_j指的是两个概念的实例集合中的实例。I₁和I₂指的是两个本体的实例集合。len(*)表示求实例集合的长度，即集合中实例的个数。max(*)表示求最大值。整个式子表示：对所有实例计算名称相似度求和，再除以本体实例集合的最大值。

步骤S5：使用基于基于卷积神经网络的句子相似度作为本体的注释相似度。

注释是一个非常有价值的判断概念相似度的指标，本发明提出了CNN计算注释的相似度，训练一个基于CNN的相似度模型。

S_comment＝CNN(embed(com₁)，embed(com₂))

CNN(*)指代对两个句子用CNN求相似度，com₁和com₂指代本体中概念的注释，若是有多个注释，则选择相关度较高的那一对注释的相似度作为注释的语义相似度。

参照图3，基于CNN的相似度模型的具体实现方式如下：

首先要对文本进行预处理。可以将文本视为一个词汇序列的组合，如文本内容是"An article from a journal or magazine"，对于文本种的每一个单词使用词向量的方式将其展开，假设词向量的维度为200，在这里就得到了7个1*200的向量，将其组成矩阵之后就可以进行卷积操作。

第一层数据输入层，这一层会将文本序列展开成词向量的序列，由于这里是要进行两个注释的相似度计算，所以需要输入两个文本向量，输入后会进入两个输入流。之后进入隐藏层，这里设置了两个完全一样的隐藏层组合，分别包含了卷积层、激活层、池化层，隐藏层中的激活层采用Relu函数，池化则是使用了Max Pooling。在分别使用Flattern函数将输入一维化之后之后，将两个输入流合并，合并后一同进入全连接层，之后输出一个0-1之间的值，这个值代表了两个文本之间的相似度，值越大相似度越大。通过多次实验，CNN具体参数配置如表1所示。

表1 CNN相关参数配置

步骤S6：设计这些本体概念的重要度以及数量的度量策略，动态的计算不同概念单元相似度的权重。

对于不同的本体，如果某一对概念没有属性值或者很少的属性值，或是某一个本体中的注释很少，都会影响到映射结果的选择。对于上述问题，本发明提出了一种自适应权重选择策略：

步骤S6-1：对于名称和结构等在不同的本体中普遍存在的概念，分别设定其相似度权重为β1和β2；

步骤S6-2：对于属性、实例和注释，本发明采用动态分配权重的方式，根据实验，对于属性相似度、实例相似度以及注释相似度的权重，采取以下公式：

λ₁＝SameIns(O1，O2)/min(|I_o1|，|I_o2|)

上述公式中，I_o1和I_o2分别代表待映射本体O1和待映射本体O2的实例集合，|I_o1|和|I_o2|则分别代表待映射本体1和待映射本体2的实例集合的实例数量(| |是集合的势，也就是集合的元素个数)，SameIns()代表两个待映射本体中共有实例的数量。所以λ₁表示两个待映射本体中共有实例的数量与两个本体中实例数较少的本体的比值，比值越大代表本体中实例信息越多，反之则代表实例信息较少。

λ₂＝SameProp(O1，O2)/min(|P_o1|，|P_o2|)

上述公式中，P_o1和P_o2分别代表待映射本体O1和待映射本体O2的属性集合，|P_o1|和|P_o2|则分别代表待映射本体1和待映射本体2的属性集合的属性数量，SameProp()代表两个待映射本体中共有属性的数量。所以λ₂表示两个待映射本体中共有属性的数量与两个本体中实例数较少的本体的比值，比值越大代表本体中属性信息越多，反之则代表属性信息较少。

λ₃＝N_comment/N_total

N_comment指拥有注释的概念数，N_total代表总概念数，所以λ₃表示拥有注释的概念数与总概念数的比值，比值越大代表本体中注释信息越多，反之则代表注释信息较少。λ3是指拥有注释的概念数占总概念数的比值。根据这些权重动态的得出不同相似度的权重：

步骤S6-3：构建自适应混合本体相似度公式如下所示：

S(i，j)＝σ₁*S_literal+σ₂*S_structure+σ₃*S_instance+σ₄*S_property+σ₅*S_comment

其中S_literal代表名称相似度，S_structure代表结构相似度，S_instance代表实例相似度，S_property代表属性相似度，S_comment代表注释相似度。上式中σ₁＝β₁，σ₂＝β₂σ₃、σ₄、σ₅分别代表经过计算后最终确定的实例相似度、属性相似度、注释相似度的权值，由于公式中β₁和β₂的值是确定的，所以权重的值主要是根据λ₁、λ₂、λ₃的值来确定的，从公式中可以看出最终权值的设定考虑到了本体中各类信息的丰富程度，对本体信息进行了有效利用，从而实现自适应动态加权。最终设定这里的β₁和β₂的值根据领域知识图谱中本体名称和结构的比重由领域专家设定。

步骤S7：通过步骤S1～S6得到两个本体集合的相似度矩阵S(i，j)，基于阈值判断实现基于多策略动态自适应的混合本体映射。

设置阈值α，如果S(i，j)＞α，则将i和j进行映射。本发明实施例中结合多次实验，设定阈值为0.75，并且保证一对一映射，得到概念的映射结果。

基于上述自适应混合本体映射方法，进而提出具体如下知识图谱融合方法：

1.对两个知识图谱分别进行遍历，得到本体的集合S1和S2。同时生成一个字典集合S3用来保存在新图谱中需要生成的本体名，S3集合中每一个元素是一个HashMap＜key，value＞，其中key是本体名，value是这个本体名所对应的本体集合。

2.遍历集合S1，在遍历的过程中对于知识图谱中的每一个本体O1，对S2中的每个本体O2中进行混合相似度计算。并根据相似度计算结果判断是否需要映射。当判断为真时，在字典集合S3中放入该本体名称，并设置value为＜O1，O2＞，同时在S1和S2中都删除O1和O2。

3.在遍历完集合S1之后，对S2进行遍历。此时在S2中还剩下的是S2中独有的本体，因此将S2中剩下的所有本体名称和该名称对应的本体集合，以键值对的形式都放入S3中。对S1执行同样的操作，将S1中剩下的所有本体名称和该名称对应的本体集合，同样以键值对的形式放入S3中。

4.遍历字典集合S3所有的本体名称(key)和本体集合(value)，将根据本体集合(value)中的每个本体，在对应的知识图谱中进行本体定位，定位到后，在新的知识图谱中创建该本体。在遍历完成后得到一个新的知识图谱，完成两个知识图谱的融合。

Claims (1)

1.一种基于自适应混合本体映射的知识图谱融合方法，其特征在于，所述方法包括以下步骤：

获取待融合的两个知识图谱文件，通过对文件进行解析得到对应的本体集合S1和S2；

对于本体集合S1中的任一本体O1，本体集合S2中的任一本体O2，根据下式计算O1和O2的混合相似度：

S(O1，O2)＝σ₁*S_literal+σ₂*S_structure+σ₃*S_instance+σ₄*S_property+σ₅*S_comment

式中S(O1，O2)表示本体O1与O2的混合相似度，S_literal为两个本体之间的名称相似度、S_pro_perty为两个本体之间的属性相似度、S_instance为两个本体之间的实例相似度、S_structure为两个本体之间的结构相似度，S_comment为两个本体之间的注释相似度，σ₁～σ₅分别为相应维度相似度的权重；

当S(O1，O2)大于指定阈值时，将两个O1和O2进行映射，在遍历两个知识图谱中的所有本体并进行映射后，完成对应两个知识图谱的融合；

所述名称相似度S_literal的计算方式如下：

S_literal＝α₁*Edit(e1，e2)+α₂*WS(e1，e2)

其中e1，e2是指不同本体中概念的名称，Edit(*)指代两个词的编辑距离，WS(*)指代两个词的语义相似度，

WS(e1，e2)＝cos(embed(e1)，embed(e2))

embed(*)表示词向量，cos(*)表示余弦相似度计算；

所述属性相似度S_property的计算方式如下：

S_property＝Jccard(p1，p2)

Jccard(p1，p2)＝N(p1∩p2)/N(p1∪p2)

其中N(*)指代集合中元素的个数，p1、p2分别指代本体O1和O2的属性；

所述实例相似度S_instance的计算方式如下：

S_instance＝∑S_literal(ins_i，ins_j)/max(len(I₁)，len(I₂))

其中ins_i和ins_j指的是两个概念的实例集合中的实例，I₁和I₂指的是两个本体中的概念的实例集合，len(*)表示求实例集合的长度，即集合中实例的个数，max(*)表示求最大值；

所述结构相似度S_structure的计算方式如下：

S_structure＝γ₁*Jccard(SO₁，SO₂)+γ₂*Jccard(FA₁，FA₂)

SO₁和SO₂表示不同本体中概念的子概念集合，FA₁和FA₂表示不同本体中的父概念集合，γ₁和γ₂分别为两部分的权重；

所述注释相似度S_comment的计算方式如下：

S_conment＝CNN(embed(com₁)，embed(com₂))

CNN(*)指代对两个句子用CNN求相似度，com₁和com₂指代本体中概念的注释；

所述权重σ₁～σ₅根据如下方法得到：

(1)分别设定名称和结构相似度权重为β1和β2，即有σ₁＝β₁，σ₂＝β₂；

(2)对于属性相似度、实例相似度以及注释相似度的权重，根据下式进行动态分配：

其中：

λ₁＝SameIns(O1，O2)/min(|I_o1|，|I_o2|)

式中，I_o1和I_o2分别代表本体O1和本体O2的实例集合，|I_o1|和|I_o2|则分别代表两个实例集合的实例数量，min()表示求最小值，SameIns()代表两个本体中共有实例的数量，λ₁表示两个本体中共有实例的数量与两个本体中实例数较少的本体的比值；

λ₂＝SameProp(O1，O2)/min(|P_o1|，|P_o2|)

式中，P_o1和P_o2分别代表本体O1和本体O2的属性集合，|P_o1|和|P_o2|则分别代表两个属性集合的属性数量，SameProp()代表两个本体中共有属性的数量，λ₂表示两个本体中共有属性的数量与两个本体中实例数较少的本体的比值；

λ₃＝N_comment/N_total

N_comment指拥有注释的概念数，N_total代表总概念数，λ₃表示拥有注释的概念数与总概念数的比值。

Images