CN113139068A

CN113139068A - 知识图谱构建方法及装置、电子设备和存储介质

Info

Publication number: CN113139068A
Application number: CN202110506271.4A
Authority: CN
Inventors: 房建东; 蔡新辉; 赵于东
Original assignee: Inner Mongolia University of Technology
Current assignee: Inner Mongolia University of Technology
Priority date: 2021-05-10
Filing date: 2021-05-10
Publication date: 2021-07-20
Anticipated expiration: 2041-05-10
Also published as: CN113139068B

Abstract

本公开涉及一种知识图谱构建方法及装置、电子设备和存储介质。所述方法包括：获取设定应用领域的多源异构数据对应的结构本体，所述结构本体包括所述应用领域中的实体类型、属性，以及各实体之间的关系和/或实体与属性之间的关系；对多源异构数据执行三元组抽取，所述多源异构数据包括结构化数据、半结构化数据以及非结构化数据；将所述三元组数据添加到所述结构本体中，得到知识图谱。本公开实施例可有效提高知识图谱的覆盖范围和丰富度。

Description

知识图谱构建方法及装置、电子设备和存储介质

技术领域

本公开涉及数据挖掘、文本处理技术领域，尤其涉及一种知识图谱构建方法及装置、电子设备和存储介质。

背景技术

随着信息化与大数据时代的迅猛发展，人们在生活中所面临的信息也越加的纷繁复杂，但真正能有所帮助的信息十分有限，究其原因是因为这些信息没有针对性和规律性。有效解决方法是将信息有所针对性的结构化处理。知识图谱(Knowledge Graph)因为在数据关联度和结构化方面的优势，受到越来越多的关注。目前知识图谱已经在多个领域得到应用，包括开放领域和医疗、教育、电影等垂直领域。组成知识图谱的基本单元是实体关系三元组，它将现实世界中的两个实体以某种关系关联起来，能够表示一个简单具体的信息，通常有<实体，关系，实体>和<实体，属性，属性值>两种形式。

相关技术中，知识图谱的构建方法包括以下两个方面：

1)基于结构化或半结构化数据源的构建方法

结构化数据源主要为数据库表的形式，行列结构，知识规整清晰。从这种数据中抽取三元组构建知识图谱较为简单，只需通过简单的行列映射，将每一行看作一个实体，每一列为实体对应的属性即可。半结构化数据表现为百科类数据或者XML数据形式，数据包含在对应的标签中，需要采用一定的规则对标签进行解析，获取需要的数据。而百科类数据因为较高的质量和巨大的规模，往往是半结构化数据的首选，尤其是对于开放领域的知识图谱构建，更是主要基于百科类知识，需要构建爬虫包装器，以爬虫的方式对百科数据进行爬取、解析，形成三元组，构建知识图谱。

2)采用标注方式从文本中抽取知识

文本是种很常见的信息表示形式，同样包含大量的信息。但文本又是非结构化的，共有8种句法成分，14种词类，每个句子的组成方式因人而异，稍有所差别意思可能就会大不相同，因此相较于结构化数据和半结构化数据，非结构化数据的三元组的获取难度会大很多，因此常常需要结合深度学习方法。较早的三元组抽取采用流水线的方式，即先抽取三元组的主语和宾语，在此基础上对实体对关系进行分类，实体识别和关系分类属于两个独立的子模块。接着出现了联合抽取法，采用共享参数联合标注的方式将实体识别和关系分类模块联系起来。较为主流的方法为基于标注的方法，即将三元组的抽取看作三元组的标注任务，通过条件随机场(Conditional Random Field，CRF)等模型对句子中每个字符的字符类型进行标注。通常采用BIO或BIOES标签法，B(Begain)代表实体的开始字符，I(Internal)表示实体的中间字符，E(End)为实体的结束字符，S(Single)代表实体是单个字符，O(Other)为其他不相关字符。除了标签O，在每个标签后增加关系或实体类型，通过标注策略将主语和宾语抽取出，通过实体标签所标注的关系，或者直接采用分类方法对实体对之间的关系进行分类，得到三元组关系，从而将三元组抽取出。

基于上述，目前构建知识图谱的方法存在以下缺点：

1)构建知识图谱的数据源种类不够充分，未能充分利用多源异构的数据，挖掘的数据可能会有片面性、不充分性。

2)对于从非结构化文本中抽取实体关系三元组的方法，传统方法采用流水线式的三元组抽取方法，即先进行实体对的识别，再进行实体关系的抽取。这种方法存在错误传播问题，即实体识别的错误会影响到关系的抽取，从而导致三元组抽取效率较低。或者将三元组的抽取看作实体关系的联合标注任务，虽然避免了流水线方法的错误传播，但是对于有重叠实体的三元组难以抽取，即两个三元组中主语和宾语有一个重叠，或两个全部重叠，是文本三元组抽取的主要挑战，有待继续研究。

3)对于垂直领域知识图谱的构建，很少考虑将图片加入知识图谱。

发明内容

本公开提出了一种知识图谱构建方法及装置、电子设备和存储介质。利用多源异构数据有效提高知识图谱的覆盖范围和丰富度。

根据本公开的一方面，提供了一种知识图谱构建方法，包括：

一种知识图谱构建方法，其特征在于，包括：

获取设定应用领域的多源异构数据对应的结构本体，所述结构本体包括所述应用领域中的实体类型、属性，以及各实体之间的关系和/或实体与属性之间的关系；

对多源异构数据执行三元组抽取，所述多源异构数据包括结构化数据、半结构化数据以及非结构化数据；

将所述三元组数据添加到所述结构本体中，得到知识图谱。

在一些可能的实施方式中，所述对多源异构数据执行三元组抽取，包括：

利用所述结构化数据和所述半结构化数据得到实体名称、属性名称及属性值组合的三元组；

利用所述非结构化数据得到主语、宾语及所述主语和宾语之间的关系的三元组。

在一些可能的实施方式中，对所述半结构化数据执行三元组抽取，包括：

利用所述结构化数据抽取的三元组中的实体构成词条集合；

从百科数据获取与所述词条集合中至少一个词条相关联的网页源码；

对所述网页源码进行解析提取出所述词条对应的属性以及属性值；

利用所述词条、对应的属性及属性值，得到所述词条对应的三元组。

在一些可能的实施方式中，对所述非结构化数据执行三元组抽取，包括：

获得所述非结构化数据的令牌向量、分段向量以及相对位置向量；

对所述令牌向量和分段向量以及相对位置向量构成的合并向量进行编码处理，得到共享编码层向量；

对所述共享编码层向量进行解码处理，确定所述共享编码层中的主语向量；

基于所述主语向量和所述共享编码层向量的融合向量，确定宾语以及所述主语和所述宾语之间的关系；

基于所述主语、所述宾语及所述主语和宾语之间的关系，确定三元组。

在一些可能的实施方式中，所述方法还包括：

利用各所述三元组之间的相似性，优化所述知识图谱。

根据本公开的第二方面，提供了一种知识图谱构建装置，其包括：

获取模块，用于获取设定应用领域的多源异构数据对应的结构本体，所述结构本体包括所述应用领域中的实体类型、属性，以及各实体之间的关系和/或实体与属性之间的关系；

抽取模块，用于对多源异构数据执行三元组抽取，所述多源异构数据包括结构化数据、半结构化数据以及非结构化数据；

构建模块，用于将所述三元组数据添加到所述结构本体中，得到知识图谱。

在一些可能的实施方式中，所述抽取模块还用于：

基于所述结构化数据确定的三元组中的实体获得词条集合；

获得百科数据中与所述词条集合中至少一个词条相关联的网页源码；

根据本公开的第三方面，提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行第一方面中任意一项所述的方法。

根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现第一方面中任意一项所述的方法。

在本公开实施例中，可以首先获取利用多源异构数据得到的结构本体，并利用多源异构数据进行三元组抽取，并将抽取的三元组加载到结构本体中，得到知识图谱。本公开实施例中对多源异构数据综合分析，得到覆盖范围更大、更具丰富度的知识图谱。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的一种知识图谱的构建方法的流程图；

图2示出根据本公开实施例利用概念集初步建立的上下位结构示意图；

图3示出根据本公开实施例中本体结构的本体概念集示意图；

图4示出根据本公开实施例中本体结构的本体关系集示意图；

图5示出根据本公开实施例中本体结构的本体属性集示意图；

图6示出根据本公开实施例的内蒙图地区风土人情本体结构示意图；

图7示出根据本公开实施例中从中国植物主题数据库搜集到的结构化数据示意图；

图8示出基于图7抽取的三元组示意图；

图9示出根据本公开实施例中对半结构化数据执行三元组抽取的流程图；

图10示出根据本公开实施例中对非结构化数据执行三元组抽取的流程图；

图11示出根据本公开实施例基于半指针半标注网络的文本三元组抽取网络的示意图；

图12示出根据本公开实施例的BERT模型的输入表示的示意图；

图13示出根据本公开实施例得到的知识图谱的示意图；

图14示出根据本公开实施例的知识图谱构建装置的结构示意图；

图15示出根据本公开实施例的一种电子设备的结构示意图；

图16示出根据本公开实施例的另一种电子设备的结构示意图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

知识图谱的构建方法的执行主体可以是信息处理装置，例如，知识图谱的构建方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(UserEquipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonalDigital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该知识图谱构建方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

图1示出根据本公开实施例的一种知识图谱构建方法的流程图，如图1所示，所述方法包括：

S10：获取设定应用领域的多源异构数据对应的结构本体，所述结构本体包括所述应用领域中的实体类型、属性，以及各实体之间的关系和/或实体与属性之间的关系；

本公开实施例中，对于垂直领域的知识图谱构建，首先要确定知识图谱所涉及的领域。即知识图谱本体结构的知识范畴，对于同一领域的知识图谱，侧重点不同本体结构也会有很大差异。本体结构是实体关系三元组集合的抽象表示，是知识图谱的宏观框架。本体作为上层结构对三元组的逻辑、内容进行约束，保证知识图谱的逻辑性及完整性。其中，结构本体包括应用领域中的实体类型、属性，以及各实体之间的关系和/或实体与属性之间的关系。以内蒙古风土人情领域为例，其本体的领域面向内蒙古地区的风土人情文化，风土人情分为“风土”和“人情”两部分实体，风土主要是指内蒙古地区的自然环境，人情则主要是指内蒙古地区的民俗文化等，继而再针对风土和人情两方面进行数据搜集，建立本体结构，最终可以将基于本体构建的知识图谱应用于内蒙古地区的风土人情知识问答、知识检索等方面。

本公开实施例中，本体结构可以是由相应领域的专家构建的，在该构建的本体结构的基础上，将后续生成的三元组信息添加到本体结构中，形成知识图谱。

S20：对多源异构数据执行三元组抽取，所述多源异构数据包括结构化数据、半结构化数据以及非结构化数据；

在一些可能的实施方式中，可以利用结构化数据、半结构化数据和非结构化数据执行三元组抽取，实体名称、属性名称及属性值组合的三元组，以及得到主语实体、宾语实体及所述主语实体和宾语实体之间的关系的三元组。

S30：将所述三元组数据添加到所述结构本体中，得到知识图谱。

在一些可能的实施方式中，可以将三元组中的实体、属性、属性值以及关系等信息添加到构建的本体结构中，形成设定应用领域和范围的知识图谱。

本公开实施例中采用多源异构数据构建知识图谱，提高了知识图谱的覆盖范围和数据丰富度。

下面，结合附图对本公开实施例进行详细说明。首先本公开实施例可以构建知识图谱的结构本体。如上述实施例所述，本公开实施例可以首先确定知识图谱应用的知识领域，例如本公开实施例涉及的领域为内蒙古风土人情领域，但本公开对此不做具体限定。另外，本体结构的构建可以由专家通过信息采集和检索的方式构建。本公开实施例可以获取专家人员构建的本体结构，其中可以包括所选择的应用领域包括的实体类型、属性，以及各实体之间的关系和/或实体与属性之间的关系。下面示例性说明构建本体结构的过程和包括的具体信息。

所述本体结构的构建方法包括：

S11：确定本体专业领域和应用范围。对于垂直领域的知识图谱构建，首先要确定知识图谱所涉及的领域。即知识图谱本体结构的知识范畴，对于同一领域的知识图谱，侧重点不同本体结构也会有很大差异。以内蒙古风土人情领域为例，其本体的领域面向内蒙古地区的风土人情文化，风土人情分为“风土”和“人情”两部分，风土主要是指内蒙古地区的自然环境，人情则主要是指内蒙古地区的民俗文化等，最终可以将基于本体构建的知识图谱应用于内蒙古地区的风土人情知识问答、知识检索等方面。

S12：数据搜集。本体结构可以看作是对领域知识的抽象表示，因此本体的构建建立在对数据足够了解的基础上，特别是对于非专家人员而言，更是需要提前对数据有了解，在后续对知识图谱进行构建时也需要从基础数据中进行知识抽取，因此这步需要根据本体专业领域和应用范围对相关数据进行搜集。对于内蒙古风土人情领域，经过对数据进行调研。其中，按照数据的结构性特征，可以将数据分为结构化数据、半结构化数据、非结构化数据。结构化数据主要为动植物的表格数据，可以从中国植物主题数据库和中国动物主题数据网站获取到。半结构化数据主要为百度百科对每个词条内容的介绍。非结构化数据主要为文本数据和图片数据，可以搜集到《蒙古族服饰》、《蒙古族历史与文化》、《蒙古族民俗风情》、《内蒙古寺庙》、《内蒙古饮食文化研究》、《中国蒙餐美食》等书籍作为文本数据源。图片数据可以从百度百科网站搜集到，在百度百科中每个词条页面的末尾都有词条图册，是经过筛选的实体图片，可信度很高，且数据充足。对上述多源异构数据进行检索和搜集，可以提高本体结构的覆盖范围。

S13：本体分析。通过对数据源进行考察、分析，整理归纳出本体结构的主要术语，包括主要的概念、概念间的关系以及概念的属性。概念则表示实体的类型。仍以内蒙古风土人情地区为例，通过对结构化数据进行分析，得出其主要包括：生物、植物、动物、原生生物、病毒等概念。通过对非结构化文本数据进行粗略的阅读，分析得出出现频率较高的概念有人物、人群、地区、头饰、宗教、戏曲、房舍、景点等。百度百科主要是针对每个词条的属性进行描述，是对结构化和半结构化数据的补充，因此未对其进行概念的总结。将上述整理得到的概念集初步建立上下位结构，结构图如图2所示，按照OWL标准，增加概念作为所有概念的超类，即概念层次结构的根结点。

在此基础上，再次对数据源进行分析归纳，针对每一种概念，分别整理归纳其高频率属性，并总结概念间的主要关系。因此垂直领域本体的构建建立在对数据源足够了解的基础上。

本体包含的关系及其对应概念(实体)如表1所示。

表1概念间关系

另外，不同的概念包含不同的属性，不同概念所对应的属性如表2所示。

表2概念属性

S14：优化精简。在前期分析原始数据，并归纳本体术语时，会尽可能多的列举出所有可能比较重要的概念(实体)、关系、属性，但是在对数据有较为整体的了解后，会发现有些本体术语不出现频率很低，并不适合加入本体结构，需要将其裁剪删除。例如对于上步总结的概念集，“神话人物”、“原生生物”、“色素”、“农作物”、人群、机构”等概念出现的频次很低，将这些概念和对应的关系、属性等删除。对于概念头饰，其和服饰的关系和属性相同，属于同一类，是冗余概念，将其删除。而对于概念礼节，其应该属于风俗类，将其归为风俗概念的子类。本公开实施例中，针对构建本体结构的优化精简可以通过电子设备执行，其中可以统计各概念、关系、属性的使用频率，在该频率低于频率阈值的情况下，可以执行删除操作。其中频率阈值可以为本领域技术人员确定的，如可以为小于0.1的数值，但不作为本公开的具体限定。

S15：本体构建及复用。利用本体构建工具对上述本体结构进行编辑，首先建立概念集，然后建立概念关系集、概念属性集，不同的概念之间建立相应的关系，不同的概念赋予不同的属性。常采用Protégé本体编辑软件，其拥有良好的图形交互界面，操作简便，功能强大。同时可以考虑是否有已经构建好的相同领域的本体结构，考虑对已有的本体进行融合。以内蒙古风土人情领域为例，Protégé所构建的本体包含的概念、概念间的关系以及概念的属性分别如图3、图4、图5所示。最终采用采用Protégé自带的OntoGraph本体可视化工具对本体进行展示，如图6所示。

S6、基于知识抽取的本体术语抽取。自顶向下的构建方法难以保证本体的完整性，采用自底向上的构建方法进行弥补。将S4构建好的基础本体用于知识抽取约束，在知识抽取的过程中可以进一步总结归纳出更多的本体术语，对其进行精简优化后，再加入本体。以内蒙古风土人情领域为例，在后文基于半结构化数据的知识抽取时，从百度百科中抽取到大量的实体属性，如果全部都加入本体结构，会造成本体过于庞大臃肿，并且由于很多属性出现次数很少加入本体的意义不大，因此需要去除不重要的实体属性，保留频次最高的前三个属性加入本体。增加属性的概念及其增加属性如表3所示。

表3增加属性

S7：本体评价。对构建好的本体结构进行评估，评估本体是否满足完整性、清晰性、一致性、可扩展性原则。同时需要结合实际的应用场景，观察本体结构是否达到实际应用要求。清晰性是指所有的概念、关系、属性应该定义清晰、无歧义。一致性则是指所有的术语应该保持逻辑上的一致性。可扩展性，所构建的本体应该支持对其进行扩展，可以添加更多术语以适应更广的应用领域。

S8：迭代更新。本体结构会随着领域知识的变化而有所变动，因此本体结构的构建应该是一个循序渐进的过程，随着领域知识的变动本体结构也应该不断改进。

在得到本体结构的情况下，可以基于多源异构数据执行三元组抽取，得到“实体-关系-实体”三元组，以及“实体-属性-属性值”三元组。其中，多源异构数据可以包括结构化数据、半结构化数据以及非结构化数据。本公开实施例中，对多源异构数据执行三元组抽取，包括：利用所述结构化数据和所述半结构化数据得到实体名称、属性名称及属性值组合的三元组，即“实体-属性-属性值”三元组；利用所述非结构化数据得到主语、宾语及所述主语和宾语之间的关系的三元组，即“实体-关系-实体”。

其中，结构化数据一般也称作行数据，是由二维表结构来逻辑表达和实现的数据。对于结构化数据，可以直接从中抽取三元组，每一行对应一个实体，每一列的表头对应实体的属性名，每一列的内容则为属性名下的属性值。形成(实体，属性，属性值)三元组。本公开实施可以根据本体结构确定需要哪些属性，对三元组集合进行筛选，得到目标三元组集合。以内蒙古地区风土人情为例，从中国植物主题数据库搜集到的结构化数据如图7所示，抽取出的三元组如图8所示，包括实体类型、实体、关系和属性。

另外，半结构化数据表现为百科类数据或者XML数据形式，而百科类数据因为较高的质量和巨大的规模，往往是半结构化数据的首选。本发明以百科数据作为半结构化数据源，采用爬虫方式抽取三元组。由于百科中还包含丰富且质量较高的词条图片数据，同样爬取下来构建知识图谱。其中，图9示出根据本公开实施例中对半结构化数据执行三元组抽取的流程图，所述对所述半结构化数据执行三元组抽取，包括：

S201：利用所述结构化数据抽取的三元组中的实体，以及/或非结构化数据抽取的三元组中的主语和/或宾语构成词条集合；

本公开实施例中，百科数据是针对一个个词条的介绍，因此首先需要进行词条搜集。将垂直领域的实体作为词条，而在前文基于结构化数据的三元组抽取中，已经获取了大量的实体关系三元组。同理，在后文介绍的文本三元组抽取方法中，同样可以得到大量三元组数据，将这些三元组的主语和宾语整理为词条集合。

S202：从百科数据获取与所述词条集合中至少一个词条相关联的网页源码；

针对词条结合中的任一词条实体e_i，可以得到相应的网页源码。其中首先可以将百度百科主页网“https://baike.baidu.com/”与实体名称进行拼接，得到实体词条页面的网址。继而使用Request包(python工具包)抓取词条对应的HTML源代码。

本公开实施例还可利用Bs4包(python工具包)对源码内容进行解析，将源码转换为utf-8编码格式。

S203：对所述网页源码进行解析提取出所述词条对应的属性以及属性值；

在一些可能的实施方式中，在网页源码中可以获取与词条实体相关属性及属性值。例如可以利用div标识符确定特定标签，并从该标签对应的内容抽取出属性及属性值。

进一步地，由于网页源码中的属性或者属性值中可能存在无效格式，本公开实施例可以通过正则表达式对标签对应的内容进行过滤，去掉网页超链接符号、特殊字符和无效字符，并将不同的空格符统一为同一种空格符。基于过滤后的属性及属性值信息。

进一步地，本公开实施例还可以将词条对应的图片从特定标签中取出，并依据URL对图片进行下载。

S204:利用所述词条、对应的属性及属性值，得到所述词条对应的三元组。

在将实体名称、属性名称、属性值组合为三元组后，还可以将图片以二进制流的形式存入图数据库构建知识图谱，但因为图片文件体积较大，会给图数据库带来较大的负担，影响图片的存取。较为适宜的方法是，将图片数据保存在磁盘文件夹中，将图片的路径或图片的URL地址作为实体的属性，加入知识图谱。

通过上述配置可以得到词条对应的三元组，继而可以对其余词条执行上述处理，得到词条集合中各词条对应的三元组。图10示出根据本公开实施例中对非结构化数据执行三元组抽取的流程图；图11示出根据本公开实施例基于半指针半标注网络的文本三元组抽取网络的示意图。如图10所示，所述对所述非结构化数据执行三元组抽取，包括：

S2001：获得所述非结构化数据的令牌向量、分段向量以及相对位置向量；

在一些可能的实施方式中，可以首先需要对文本数据进行预处理，将句子处理为BERT模型的输入格式，如图12所示，该数据格式包括三部分：第一部分为句子的令牌(tokenembedding)，令牌包括每个文字以及字符对应的id。即token嵌入，表示句子的token向量序列。本公开实施例中，可以预先配置有文字或者字符对应的标识表，在表标识表中可以查询到任一文字或者符号的id。图12示出根据本公开实施例的BERT模型的输入表示的示意图。其中，待处理的文本数据可以为“呼市有哪些民族？”其中，[CLS]表示文本的起始，[SEP]表示文本的结束。在标识表中可以查询到每个文字和符号的标识id，由这些id的组合可以构成令牌向量。

另外，第二部分为文本数据的分段标识(segment embedding)，即分段嵌入，用以对不同句子进行区分；分段标识可以为0或者1，用以表示各文本字符是否属于前一句，还是后一句。利用文本数据中每个文本的分段标识可以构成分段向量。

第三部分为文本数据的位置标识(position embedding)，即位置嵌入，表示每个文本在句子中的相对位置。其中，位置标识可以标识每个文本在当前文本数据中的位置信息，如可以按照0,1,2…的整数序列顺序对各文本进行排序，得到相对位置向量。

S2002：对所述令牌向量和分段向量以及相对位置向量构成的合并向量进行编码处理，得到共享编码层向量；

在一些可能的实施方式中，可以将token embedding、segment embedding、position embedding三部分向量合并合作为BERT模型的输入。通过BERT编码后输出编码序列，再进一步将BERT编码后的向量输入双层Bi-LSTM网络进行编码，得到共享编码层向量H，也可以表示为下述h_t，Bi-LSTM的编码过程如公式1至3所示：

x_t表示从BERT模型编码后的向量，

和

分别为前向LSTM网络在t-1时刻和t时刻的隐层表示。

和

分别为后向LSTM网络在t-1时刻和t时刻的隐层表示。h_t为前向

和后向

的隐层拼接，是Bi-LSTM网络t时刻的隐层输出。Bi-LSTM通过前后两个方向对输入序列进行编码，使得每一时刻的输出向量都包含过去和未来的信息，能很好的挖掘输入句子的上下文语义信息。

S2003：对所述共享编码层向量进行解码处理，确定所述共享编码层中的主语向量；

在一些可能的实施方式中，可以将共享编码层向量H输入到CRF(条件随机场)解码层，解码得到最优的三元组主语的标注序列，按照主语标注策略将所有主语抽取出。

继而可以将主语对应的共享编码层向量切分出。切分方式为：设经共享编码层编码后的句子向量为H＝{h₁,h₂,...,h_n}，其中n为句子长度加2(句子在输入BERT时，首尾位置分别添加标签[CLS]、[SEP])。若主语在句中的开始和结束位置分别为i和j，则主语对应向量为{h_i,h_i+1,...,h_j}。

S2004：基于所述主语向量和所述共享编码层向量的融合向量，确定宾语以及所述主语和所述宾语之间的关系；

本公开实施例可以采用BiLSTM网络对主语向量进行编码，得到向量L，将其与句子共享编码层向量H进行拼接，得到向量

符号

表示将两个向量依照最后一维进行拼接。使得句子向量融合了主语的先验特征。将向量G分别输入两个m层的全连接层(Fully Connected Layers，FC)，其中m为构建本体结构阶段预定义的关系数量。本公开实施例中，第一全连接层输出的向量表示在各预定义的关系下文本数据中各文本单元为宾语的起始位置的概率，第二全连接层输出的向量表示在各预定义的关系下文本数据中各文本单元为宾语的结束位置的概率。

每个FC层的激活函数均为Sigmoid函数，Sigmoid函数计算公式如式4所示。

每个FC输出向量分别为

其中

和

分别代表第t个关系下宾语的首尾指针序列。在经过激活函数变换后分别为

这两个向量为指针向量，每一个元素为一个指针，其中

为宾语的头指针，即若

大于预先设定的阈值，则认为位置k为宾语的开始位置，

为宾语的尾指针，即若

大于预先设定的阈值，则认为位置j为宾语的结束位置，采用向后就近匹配的原则组合首尾指针，即当i≤j≤n，且不存在k≤l＜j，使

大于阈值，则认为k、j为同一个宾语的首尾指针。在原句中抽取相应的字符串作为宾语，并且将所对应的关系作为主语和宾语的关系。依次将每一个主语分别与句子融合，抽取对应的关系和宾语。

S2005：基于所述主语、所述宾语及所述主语和宾语之间的关系，确定三元组。

基于上述可以得到宾语的起始位置以及主语和宾语的关系，继而可以得到主语、宾语及关系的三元组。

基于上述配置，本公开实施例可以针对结构化数据、半结构化数据以及非结构化数据分别得到对应的三元组，将三元组添加到结构本体中，即可以得到知识图谱。

由于本公开实施例中从不同来源的数据中抽取得到了大量的三元组，但是这些三元组中可能存在冗余、错误现象，包括实体、关系和属性的同义词和一词多义现象，需要进行及时去除、纠正，即可以对知识图谱进行优化处理。

本公开实施例可以将三元组进行两两对齐，分别比较三元组的实体、关系/属性，计算实体相似度、属性相似度，关系相似度。当相似度大于相似度阈值时，确定为相似、本公开实施例的相似度阈值可以为大于0.6且小于1的数值。实体，或关系/属性相似，并且名称不同时，则需要进行对齐。具体的，可以按照三元组的数据源置信度，将置信度低的三元组的实体，或关系/属性替换为另一个三元组的对应术语。其中，三元组的数据源包括结构化数据、半结构化数据以及非结构化数据，本公开实施例中，配置为结构化数据的置信度高于半结构化数据的置信度，半结构化数据的置信度高于非结构化数据的置信度。其中可以将相似的实体、属性或者关系的名称替换为置信度高的数据源中的名称。

本公开实施例在计算实体、关系/属性的相似度前，还可以先根据同义词词典进行判断，判断是否属于同义术语，如果属于则无需进行相似度判断。否则在计算相似度后，如果属于同义术语，在对齐的同时将同义术语加入同义词词典。同义词词典又分为实体同义词词典和关系/属性同义词词典，实体同义词词典可根据信息抽取阶段的三元组的别称属性，得到很多同义词实体，初步构建立词典。对于关系/属性同义词词典，则需要边对齐边构建。

基于上述，本公开实施例的相似度的计算包括两部分：一部分为实体对、关系/属性对的同义词判断，若它们出现在同义词词典，则认为相似。否则进行后续词向量相似度计算；另一部分为词向量相似度的计算，采用传统的Word2vec词向量，对于两个实体(关系/属性)向量A＝{a₁,a₂,a₃,...,a_n}，B＝{b₁,b₂,b₃,...,b_n}，则余弦相似度的计算公式为式11。

当S大于阈值时则认为主语、关系、宾语相似，需要进行知识融合，即去除冗余或错误术语。知识融合的流程具体步骤描述如下：

A.判断两个三元组的主语是否相似，相似则需要进行对齐。若主语对未出现在实体同义词词典，则按照数据源置信度进行对齐(统一名称)，并将主语对加入实体同义词词典。否则直接按照同义词词典进行对齐。

B.判断两个三元组的关系或属性是否相似，相似则需要进行对齐。若关系或属性对未出现在关系/属性同义词词典，则按照数据源置信度进行对齐，并将关系或属性对加入关系/属性同义词词典。否则直接按照同义词词典进行对齐。

C.判断两个三元组的宾语是否相似，若相似则需要进行对齐。若宾语对未出现在实体同义词词典，则按照数据源置信度进行对齐，并将宾语对加入实体同义词词典。否则直接按照同义词词典进行对齐。

若实体、关系/属性都相似，则认为两个三元组为冗余三元组，随机去掉一个。

基于上述过程，可以完成知识图谱的优化，即知识融合，将融合后的三元组数据集导入Neo4j图数据库。Neo4j图数据库是目前最受欢淫的图数据库，具有开源、查询速度快、存储规模较大等特点。将三元组数据存储为CSV格式，通过Neo4j图数据自带的import工具将三元组数据批量导入，完成知识图谱的存储，知识图谱的查询可以通过Cypher语句来完成。以内蒙古地区风土人情为例，其部分知识图谱如图13所示。

另外，本公开实施例中，针对本公开实施例的基于半指针半标注网络的文本三元组抽取网络，在训练过程中，为了提高网络对三元组的抽取精度，针对主语以及宾语和关系的确定设置了不同的损失函数。其中，网络的损失函数包括主语抽取的损失、宾语抽取的损失。由于主语的抽取为标注任务，因此采用CRF损失函数，宾语的抽取是针对每一种预定义的关系分别进行抽取，本质上是二分类问题，因此也采用二分类交叉熵损失函数。模型的总体Loss值计算公式如式5所示：

Loss＝Ls+Lo (公式5)

Ls，Lo分别表示主语、宾语的损失函数。主语采用CRF损失函数，计算公式如式6所示。

P_RealPath为正确的标注序列的概率，P₁到P_N为所有可能预测的标注序列的概率，共N种序列。

宾语采用二分类交叉熵损失函数，公式计算如公式7所示：

L(x)＝-(ylogf(x)+(1-y)log(1-f(x))) (公式7)

y为标签值，f(x)为预测值。

另外，在本公开实施例中，在对网络结构进行优化时，还可以基于建立的结构评价标准得到评价结果，在评价不通过时，可以重新对网络结构进行调整。

本公开可以采用精确率P、召回率R和F1值对实体关系抽取效果进行评价，具体计算公式如下:

其中，T_P表示正确抽取出的三元组的数目，F_P表示错误抽取出的五元组的数目，F_N表示应当被抽取出，但是没有被抽取出的三元组的数目，T_P+F_N表示训练语料实际包括的三元组的数目，T_P+F_P表示所有抽取出的三元组的总数。分别计算各个类别的精确率P和召回率R，然后以调和值F1值作为模型整体的评价指标。

综上所述，本公开提供的基于多源异构数据的知识图谱构建方法有以下有益效果：

1)本发明基于多种来源不同结构的数据构建知识图谱，尤其是加入了图片数据，保证了数据源的充足，可以有效提高知识图谱的覆盖范围以及丰富度。

2)采用基于半指针半标注的网络，从文本中抽取实体关系三元组抽取网络，且有效解决了有重叠实体的三元组的难以抽取问题。

3)在知识图谱应用方面，基于多源异构数据构建的知识图谱可以提供更丰富的信息，尤其是图片数据的加入，往往比大段的文字描述更直观生动，为知识图谱的应用带来更多可能性。在智能问答、推荐系统等也可以提供更多有效的信息。在基于知识图谱的推理，或基于知识图谱的实体表示方面，也可以提供语义信息更丰富的向量表示等等。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了知识图谱构建装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种知识图谱构建方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图14示出根据本公开实施例的知识图谱构建装置的框图，如图14所示，所述知识图谱构建装置包括：

获取模块10，用于获取设定应用领域的多源异构数据对应的结构本体，所述结构本体包括所述应用领域中的实体类型、属性，以及各实体之间的关系和/或实体与属性之间的关系；

抽取模块20，用于对多源异构数据执行三元组抽取，所述多源异构数据包括结构化数据、半结构化数据以及非结构化数据；

构建模块30，用于将所述三元组数据添加到所述结构本体中，得到知识图谱。

在一些可能的实施方式中，所述抽取模块还用于：

基于所述结构化数据确定的三元组中的实体获得词条集合；

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图15示出根据本公开实施例的一种电子设备的结构示意图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图15，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图16示出根据本公开实施例的另一种电子设备的结构示意图。例如，电子设备1900可以被提供为一服务器。参照图16，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims

1.一种知识图谱构建方法，其特征在于，包括：

将所述三元组数据添加到所述结构本体中，得到知识图谱。

2.根据权利要求1所述的方法，其特征在于，所述对多源异构数据执行三元组抽取，包括：

3.根据权利要求1或2所述的方法，其特征在于，对所述半结构化数据执行三元组抽取，包括：

利用所述结构化数据抽取的三元组中的实体构成词条集合；

4.根据权利要求1或2所述的方法，其特征在于，对所述非结构化数据执行三元组抽取，包括：

5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述方法还包括：

利用各所述三元组之间的相似性，优化所述知识图谱。

6.一种知识图谱构建装置，其特征在于，包括：

7.根据权利要求6所述的装置，其特征在于，所述抽取模块还用于：

8.根据权利要求6或7所述的装置，其特征在于，所述抽取模块还用于：

基于所述结构化数据确定的三元组中的实体获得词条集合；

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至5中任意一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的方法。