CN113065003A - 一种基于多指标的知识图谱生成方法 - Google Patents

Abstract

本发明公开了一种基于多指标的知识图谱生成方法，属于计算机文本处理技术领域，该生成方法具体步骤如下：(1)信息抽取；(2)知识融合；(3)知识加工；(4)知识更新；本发明将旅游网站和百度百科作为数据源，通过分词、去除词和词性标注作为抽取方式对实体进行抽取，同时基于专家定义规则进行实体关系和实体属性的抽取，其数据抽取较为精准，有利于提高后续旅游领域图谱应用搜索准确率；此外，本发明将置信度作为评判基础，该置信度由词向量、句向量和编辑距离构成，通过置信度对本发明旅游领域知识图谱进行长期增量式更新，从而有利于长期保障该旅游领域知识图谱的质量，持续提高该旅游领域知识图谱的精准搜索能力。

Description

一种基于多指标的知识图谱生成方法

技术领域

本发明涉及计算机文本处理技术领域，尤其涉及一种基于多指标的知识图谱生成方法。

背景技术

经检索，中国专利号CN110347843A公开了一种基于知识图谱的中文旅游领域知识服务平台构建方法，该发明方法虽然能够提供一站式的综合性服务，但无法进行长期高质量的更新，不利于应用于多变的旅游领域；知识图谱(Knowledge Graph)，在图书情报界称为知识域可视化或知识领域映射地图，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，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系；目前，随着互联网技术和旅游业的快速发展，用户可以使用电脑或智能手机等设备在互联网上方便的查看相关旅游信息；尽管如此，在用户进行旅游知识查询时，仍需花费大量时间和精力，如何充分利用当前互联网中的大量相关数据为用户自动提供精确的旅行知识服务，是当前旅游领域一个亟待解决的问题；因此，发明出一种基于多指标的知识图谱生成方法变得尤为重要；

目前，与通用知识图谱相比，旅游领域知识图谱的构建和研究相对较少，而现有旅游领域知识图谱也存在很多问题，其数据源和数据抽取不够精准，导致旅游领域图谱搜索准确率较差，并且此类旅游领域图谱不具备自动更新的能力，对于多变得旅游领域的来说，此类旅游领域图谱的应用场景和时间非常有限，为此，我们提出一种基于多指标的知识图谱生成方法。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于多指标的知识图谱生成方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于多指标的知识图谱生成方法，该生成方法具体步骤如下：

(1)信息抽取：选择待构建旅游领域知识图谱的数据源，利用数据爬虫技术获取数据源中的语料信息，同时对语料信息进行实体、实体之间关系和实体属性值抽取；

(2)知识融合：对所述实体、实体之间关系和实体属性值进行实体链接，以消除实体歧义，并进行知识合并；

(3)知识加工：以现有本体库为基础，同时对实体、实体之间关系和实体属性值进行知识推理和质量评估，形成旅游领域知识图谱；

(4)知识更新：通过自动更新方式输入新数据，同时以置信度为评判基础，对旅游领域知识图谱进行增量式的动态更新。

进一步地，步骤(1)中所述数据源包括百度百科、去哪儿网、携程、猫途鹰、马蜂窝、艺龙、飞猪、驴妈妈、同程和马蜂窝；所述数据爬虫技术具体为PhantomJS和Selenium；所述信息抽取具体过程如下：

S1：实体抽取，对所述语料信息进行分词，同时去除重复词、去停用词、象声词和拟声词，并进行词性标注预处理，构成主语-谓语-宾语结构，抽取主语和宾语，得到实体；

S2：关系抽取，定义实体之间关系规则，根据关系规则对所述语料信息进行抽取，得到实体之间关系；

S3：属性抽取，定义属性规则，根据属性规则进行抽取，得到具体实体属性值；

S4：构建实体-关系-实体属性值的三元组。

进一步地，步骤S1中所述实体包含景点、餐厅、酒店、城市、省份和交通的名称和别称；所述实体之间关系规则和属性规则均由专家构建，并由人工进行输入；所述实体属性值具体包括价格、客流量、星级、平均消费水平以及重游/重住数。

进一步地，所述知识融合其具体过程如下：

SS1：构建旅游信息库，将所述实体链接到该旅游信息库中，消除实体歧义

SS2：利用相关性算法对来源于不同数据源的实体进行知识融合；

所述旅游信息库包括景点、餐厅、酒店、城市、省份和交通的名称和别称。

进一步地，所述知识更新采用增量更新方法，其具体过程如下：

SSS1：输入更新信息，其更新信息包括实体、实体关系或实体属性中的一种；

SSS2：对所述更新信息进行置信度判断；

SSS3：若置信度处于设定阈值范围内，则将更新信息输入旅游领域知识图谱中进行增量式更新，反之，则过滤掉更新信息；

所述设定阈值范围根据实际使用情况确定。

进一步地，步骤SSS2中所述置信度由多项指标共同确定，所述多项指标包括词向量、句向量和编辑距离，其计算公式为：置信度＝(词向量指标+句向量指标+编辑距离指标)/3。

相比于现有技术，本发明的有益效果在于：

1、该基于多指标的知识图谱生成方法，将旅游网站和百度百科作为数据源，通过分词、去除词和词性标注作为抽取方式对实体进行抽取，同时基于专家定义规则进行实体关系和实体属性的抽取，其数据抽取较为精准，有利于提高后续旅游领域图谱应用搜索准确率；

2、该基于多指标的知识图谱生成方法，将置信度作为评判基础，该置信度由词向量、句向量和编辑距离构成，通过置信度对本发明旅游领域知识图谱进行长期增量式更新，从而有利于长期保障该旅游领域知识图谱的质量，持续提高该旅游领域知识图谱的精准搜索能力，进而有利于为用户提供精准旅游信息服务。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明提出的一种基于多指标的知识图谱生成方法的整体流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

参照图1，一种基于多指标的知识图谱生成方法，该生成方法具体步骤如下：

(1)信息抽取：选择待构建旅游领域知识图谱的数据源，利用数据爬虫技术获取数据源中的语料信息，同时对语料信息进行实体、实体之间关系和实体属性值抽取；

(2)知识融合：对实体、实体之间关系和实体属性值进行实体链接，以消除实体歧义，并进行知识合并；

(3)知识加工：以现有本体库为基础，同时对实体、实体之间关系和实体属性值进行知识推理和质量评估，形成旅游领域知识图谱；

(4)知识更新：通过自动更新方式输入新数据，同时以置信度为评判基础，对旅游领域知识图谱进行增量式的动态更新。

本实施例的具体方案为：步骤(1)中数据源包括百度百科、去哪儿网、携程、猫途鹰、马蜂窝、艺龙、飞猪、驴妈妈、同程和马蜂窝；数据爬虫技术具体为PhantomJS和Selenium；信息抽取具体过程如下：

S1：实体抽取，对语料信息进行分词，同时去除重复词、去停用词、象声词和拟声词，并进行词性标注预处理，构成主语-谓语-宾语结构，抽取主语和宾语，得到实体；

S2：关系抽取，定义实体之间关系规则，根据关系规则对语料信息进行抽取，得到实体之间关系；

S3：属性抽取，定义属性规则，根据属性规则进行抽取，得到具体实体属性值；

S4：构建实体-关系-实体属性值的三元组。

步骤S1中实体包含景点、餐厅、酒店、城市、省份和交通的名称和别称；实体之间关系规则和属性规则均由专家构建，并由人工进行输入；实体属性值具体包括价格、客流量、星级、平均消费水平以及重游/重住数。

知识融合其具体过程如下：

SS1：构建旅游信息库，将实体链接到该旅游信息库中，消除实体歧义

SS2：利用相关性算法对来源于不同数据源的实体进行知识融合；

旅游信息库包括景点、餐厅、酒店、城市、省份和交通的名称和别称。

本实施例的具体方案为：知识更新采用增量更新方法，其具体过程如下：

SSS1：输入更新信息，其更新信息包括实体、实体关系或实体属性中的一种；

SSS2：对更新信息进行置信度判断；

SSS3：若置信度处于设定阈值范围内，则将更新信息输入旅游领域知识图谱中进行增量式更新，反之，则过滤掉更新信息；

设定阈值范围根据实际使用情况确定。

步骤SSS2中置信度由多项指标共同确定，多项指标包括词向量、句向量和编辑距离，其计算公式为：置信度＝(词向量指标+句向量指标+编辑距离指标)/3；

具体的，通过置信度对本发明旅游领域知识图谱进行长期增量式更新，从而有利于长期保障该旅游领域知识图谱的质量，持续提高该旅游领域知识图谱的精准搜索能力，进而有利于为用户提供精准旅游信息服务。

本发明的工作原理及使用流程：该基于多指标的知识图谱生成方法，在使用时，首先，信息抽取：选择待构建知识图谱的数据源，利用数据爬虫技术获取数据源中的语料信息，同时对语料信息进行实体、实体之间关系和实体属性值抽取，其具体过程如下：第一步：实体抽取，对所述语料信息进行分词，同时去除重复词、去停用词、象声词和拟声词，并进行词性标注预处理，构成主语-谓语-宾语结构，抽取主语和宾语，得到实体；第二步：关系抽取，定义实体之间关系规则，根据关系规则对所述语料信息进行抽取，得到实体之间关系；第三步：属性抽取，定义属性规则，根据属性规则进行抽取，得到具体实体属性值；第四步：构建实体-关系-实体属性值的三元组；然后，知识融合：对所述实体、实体之间关系和实体属性值进行实体链接，以消除实体歧义，并进行知识合并；之后，知识加工：以现有本体库为基础，同时对进行实体、实体之间关系和实体属性值进行知识推理和质量评估，形成知识图谱；最后，知识更新：通过自动更新方式输入新数据，同时以置信度为评判基础，对知识图谱进行增量式的动态更新，其具体过程如下：步骤一：输入更新信息，其更新信息包括实体、实体关系或实体属性中的一种；步骤二：对所述更新信息进行置信度判断；步骤三：若置信度处于设定阈值范围内，则将更新信息输入知识图谱中进行增量式更新，反之，则过滤掉更新信息；本发明将旅游网站和百度百科作为数据源，通过分词、去除词和词性标注作为抽取方式对实体进行抽取，同时基于专家定义规则进行实体关系和实体属性的抽取，其数据抽取较为精准，有利于提高后续旅游领域图谱应用搜索准确率；此外，本发明将置信度作为评判基础，该置信度由词向量、句向量和编辑距离构成，通过置信度对本发明旅游领域知识图谱进行长期增量式更新，从而有利于长期保障该旅游领域知识图谱的质量，持续提高该旅游领域知识图谱的精准搜索能力，进而有利于为用户提供精准旅游信息服务。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于多指标的知识图谱生成方法，其特征在于，该生成方法具体步骤如下：

(1)信息抽取：选择待构建旅游领域知识图谱的数据源，利用数据爬虫技术获取数据源中的语料信息，同时对语料信息进行实体、实体之间关系和实体属性值抽取；

(2)知识融合：对所述实体、实体之间关系和实体属性值进行实体链接，以消除实体歧义，并进行知识合并；

(3)知识加工：以现有本体库为基础，同时对实体、实体之间关系和实体属性值进行知识推理和质量评估，形成旅游领域知识图谱；

(4)知识更新：通过自动更新方式输入新数据，同时以置信度为评判基础，对旅游领域知识图谱进行增量式的动态更新。

2.根据权利要求1所述的一种基于多指标的知识图谱生成方法，其特征在于，步骤(1)中所述数据源包括百度百科、去哪儿网、携程、猫途鹰、马蜂窝、艺龙、飞猪、驴妈妈、同程和马蜂窝；所述数据爬虫技术具体为PhantomJS和Selenium；所述信息抽取具体过程如下：

S1：实体抽取，对所述语料信息进行分词，同时去除重复词、去停用词、象声词和拟声词，并进行词性标注预处理，构成主语-谓语-宾语结构，抽取主语和宾语，得到实体；

S2：关系抽取，定义实体之间关系规则，根据关系规则对所述语料信息进行抽取，得到实体之间关系；

S3：属性抽取，定义属性规则，根据属性规则进行抽取，得到具体实体属性值；

S4：构建实体-关系-实体属性值的三元组。

3.根据权利要求2所述的一种基于多指标的知识图谱生成方法，其特征在于，步骤S1中所述实体包含景点、餐厅、酒店、城市、省份和交通的名称和别称；所述实体之间关系规则和属性规则均由专家构建，并由人工进行输入；所述实体属性值具体包括价格、客流量、星级、平均消费水平以及重游/重住数。

4.根据权利要求1所述的一种基于多指标的知识图谱生成方法，其特征在于，所述知识融合其具体过程如下：

SS1：构建旅游信息库，将所述实体链接到该旅游信息库中，消除实体歧义

SS2：利用相关性算法对来源于不同数据源的实体进行知识融合；

所述旅游信息库包括景点、餐厅、酒店、城市、省份和交通的名称和别称。

5.根据权利要求1所述的一种基于多指标的知识图谱生成方法，其特征在于，所述知识更新采用增量更新方法，其具体过程如下：

SSS1：输入更新信息，其更新信息包括实体、实体关系或实体属性中的一种；

SSS2：对所述更新信息进行置信度判断；

SSS3：若置信度处于设定阈值范围内，则将更新信息输入旅游领域知识图谱中进行增量式更新，反之，则过滤掉更新信息；

所述设定阈值范围根据实际使用情况确定。

6.根据权利要求5所述的一种基于多指标的知识图谱生成方法，其特征在于，步骤SSS2中所述置信度由多项指标共同确定，所述多项指标包括词向量、句向量和编辑距离，其计算公式为：置信度＝(词向量指标+句向量指标+编辑距离指标)/3。

Images