CN113641829A - 图神经网络的训练与知识图谱的补全方法、装置 - Google Patents
图神经网络的训练与知识图谱的补全方法、装置 Download PDFInfo
- Publication number
- CN113641829A CN113641829A CN202110790683.5A CN202110790683A CN113641829A CN 113641829 A CN113641829 A CN 113641829A CN 202110790683 A CN202110790683 A CN 202110790683A CN 113641829 A CN113641829 A CN 113641829A
- Authority
- CN
- China
- Prior art keywords
- vector
- relation
- head node
- neural network
- node
- 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
- 238000012549 training Methods 0.000 title claims abstract description 157
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 395
- 238000002372 labelling Methods 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种图神经网络的训练与知识图谱的补全方法,涉及知识图谱、深度学习等技术领域。图神经网络的训练方法包括:获取知识图谱并得到多个训练样本与多个训练样本的标注结果;得到多个训练样本的头结点向量、关系向量与尾结点向量;构建包含语义层、卷积层与输出层的初始图神经网络;使用训练样本的头结点向量、关系向量、尾结点向量与标注结果训练得到目标图神经网络。知识图谱的补全方法包括:获取待补全知识图谱;生成头结点向量、关系向量与尾结点向量;将头结点向量、关系向量与尾结点向量输入目标图神经网络得到相似度结果;在确定相似度结果满足预设要求的情况下,根据头结点向量、关系向量、尾结点向量与待补全知识图谱完成补全。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及知识图谱、深度学习等人工智能技术领域。提供了一种图神经网络的训练与知识图谱的补全方法、装置、电子设备和可读存储介质。
背景技术
知识图谱(Knowledge Graph)用于描述现实世界中各种实体或者各种概念之间的关系,已经被广泛地应用于自动问答、信息抽取、个性化推荐等领域。虽然知识图谱可以提供高质量的结构化数据,但是现阶段的知识图谱是通过人工或者半自动的方法所建立的,通常不是完整的,因此需要将知识图谱进行补全。
发明内容
根据本公开的第一方面,提供了一种图神经网络的训练方法,包括:获取知识图谱,根据所述知识图谱得到多个训练样本与多个训练样本的标注结果,每个训练样本为由所述知识图谱中的头结点、关系与尾结点构成的三元组;得到所述多个训练样本中头结点的头结点向量、关系的关系向量与尾结点的尾结点向量;构建包含语义层、卷积层与输出层的初始图神经网络,所述卷积层用于根据所述语义层输出的头结点语义向量与关系语义向量得到卷积向量;使用多个训练样本的头结点向量、关系向量、尾结点向量与多个训练样本的标注结果对所述初始图神经网络进行训练,得到目标图神经网络。
根据本公开的第二方面,提供了一种知识图谱的补全方法,包括:获取待补全知识图谱;生成头结点向量、关系向量与尾结点向量;将所述头结点向量、关系向量与尾结点向量输入目标图神经网络,得到所述目标图神经网络输出的相似度结果;在确定所述相似度结果满足预设要求的情况下,根据所述头结点向量、关系向量、尾结点向量与所述待补全知识图谱,完成所述待补全知识图谱的补全。
根据本公开的第三方面,提供了一种图神经网络的训练装置,包括:第一获取单元,用于获取知识图谱,根据所述知识图谱得到多个训练样本与多个训练样本的标注结果,每个训练样本为由所述知识图谱中的头结点、关系与尾结点构成的三元组;处理单元,用于得到所述多个训练样本中头结点的头结点向量、关系的关系向量与尾结点的尾结点向量;构建单元,用于构建包含语义层、卷积层与输出层的初始图神经网络,所述卷积层用于根据所述语义层输出的头结点语义向量与关系语义向量得到卷积向量;训练单元,用于使用多个训练样本的头结点向量、关系向量、尾结点向量与多个训练样本的标注结果对所述初始图神经网络进行训练,得到目标图神经网络。
根据本公开的第四方面,提供了一种知识图谱的补全装置,包括:第二获取单元,用于获取待补全知识图谱;生成单元,用于生成头结点向量、关系向量与尾结点向量;确定单元,用于将所述头结点向量、关系向量与尾结点向量输入目标图神经网络,得到所述目标图神经网络输出的相似度结果;补全单元,用于在确定所述相似度结果满足预设要求的情况下,根据所述头结点向量、关系向量、尾结点向量与所述待补全知识图谱,完成所述待补全知识图谱的补全。
根据本公开的第五方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方法。
根据本公开的第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如上所述的方法。
根据本公开的第七方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
由以上技术方案可以看出,通过构建包含用于对头结点语义向量与关系语义向量进行卷积计算的卷积层的初始图神经网络,使得初始图神经网络在进行结点和关系的表示学习时,除了利用知识图谱中结点与关系的语义信息之外,还能够充分地利用知识图谱中头结点与关系之间的结构信息,从而提升目标图神经网络在进行表示学习时的准确性,并相应地提升在使用目标图神经网络对知识图谱进行补全时的准确性与效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是根据本公开第五实施例的示意图;
图6是用来实现本公开实施例的图神经网络的训练与知识图谱的补全方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和机构的描述。
图1是根据本公开第一实施例的示意图。如图1所示,本实施例的图神经网络的训练方法,具体可以包括如下步骤:
S101、获取知识图谱,根据所述知识图谱得到多个训练样本与多个训练样本的标注结果,每个训练样本为由所述知识图谱中的头结点、关系与尾结点构成的三元组;
S102、得到所述多个训练样本中头结点的头结点向量、关系的关系向量与尾结点的尾结点向量;
S103、构建包含语义层、卷积层与输出层的初始图神经网络,所述卷积层用于根据所述语义层输出的头结点语义向量与关系语义向量得到卷积向量;
S104、使用多个训练样本的头结点向量、关系向量、尾结点向量与多个训练样本的标注结果对所述初始图神经网络进行训练,得到目标图神经网络。
本实施例的图神经网络的训练方法,通过构建包含用于对头结点语义向量与关系语义向量进行卷积计算的卷积层的初始图神经网络,使得初始图神经网络在进行结点与关系的表示学习时,除了利用知识图谱中结点与关系的语义信息之外,还能够充分地利用知识图谱中头结点与关系之间的结构信息,从而提升目标图神经网络在进行表示学习时的准确性。
本实施例执行S101获取的知识图谱中,包含多个结点(node)与连接结点之间的边(edge),结点表示实体(entity)或者概念(concept),边表示实体/概念之间的不同关系。因此,本实施例执行S101所获取的知识图谱由若干个三元组(h,r,t)组成,三元组中的h表示头结点(head node),t表示尾结点(tail node),r表示头、尾结点之间的关系(relation)。
本实施例在执行S101根据所获取的知识图谱得到多个训练样本与多个训练样本的标注结果时,可以直接将从知识图谱中提取的三元组作为训练样本,并将每个训练样本的标注结果设置为1。
为了增加训练样本的数量,提升初始图神经网络的训练效果,本实施例在执行S101根据知识图谱得到多个训练样本与多个训练样本的标注结果时,可以采用的可选实现方式为:将从知识图谱中提取的三元组作为正例训练样本,将正例训练样本的标注结果设置为1;将正例训练样本中的头结点、关系与尾结点中的至少一个进行替换,将替换结果作为负例训练样本,将负例训练样本的标注结果设置为0。
本实施例在执行S101得到多个训练样本与多个训练样本的标注结果之后,执行S102得到多个训练样本中头结点的头结点向量、关系的关系向量与尾结点的尾结点向量。
本实施例执行S102完成训练样本的向量化,针对每个训练样本,将该训练样本中的头结点、关系与尾结点分别转换为相应的向量。
本实施例在执行S102得到多个训练样本中头结点的头结点向量、关系的关系向量与尾结点的尾结点向量之后,执行S103构建包含语义层、卷积层与输出层的初始图神经网络。
本实施例执行S103构建的初始图神经网络中,语义层用于根据输入的头结点向量、关系向量与尾结点向量,分别输出头结点语义向量、关系语义向量与尾结点语义向量;其中,语义层输出的头结点语义向量中包含关系与尾结点的语义信息,关系语义向量中包含头结点与尾结点的语义信息,尾结点语义向量中包含头结点与关系的语义信息。
本实施例中的语义层可以为TransE模型,利用TransE模型的平移特性能够更加准确地得到表示语义信息的语义向量;本实施例中的语义层也可以为其他能够提取语义信息的神经网络模型,本实施例对此不进行限定。
本实施例执行S103构建的初始图神经网络中,卷积层用于对语义层输出的头结点语义向量与关系语义向量进行卷积计算,从而输出对应头结点与关系的卷积向量。
具体地,本实施例中的卷积层在根据语义层输出的头结点语义向量与关系语义向量得到卷积向量时,可以采用的可选实现方式为:将头结点语义向量与关系语义向量进行拼接,例如使用全连接的方式将两个语义向量进行拼接;对拼接结果进行卷积计算,得到卷积向量。
也就是说,本实施例中的卷积层结合头结点与关系这两部分内容来得到卷积向量,使得初始图神经网络实现了利用知识图谱中的结构信息的目的,进而提升训练得到的目标图神经网络在进行表示学习时的准确性。
本实施例执行S103构建的初始图神经网络中,输出层用于对尾结点语义向量与卷积层输出的卷积向量进行相似度计算,输出两者之间的相似度结果,该相似度结果即为图神经网络学习到的结点与关系之间的表示结果;其中,输出层可以采用余弦相似度的计算方式进行相似度计算,本实施例对输出层进行相似度计算时的方式不进行限定。
本实施例在执行S103构建包含语义层、卷积层与输出层的初始图神经网络之后,执行S104使用多个训练样本的头结点向量、关系向量、尾结点向量与多个训练样本的标注结果对初始图神经网络进行训练,从而得到目标图神经网络。
利用本实施例执行S104训练得到的目标图神经网络,能够根据输入头结点向量、关系向量与尾结点向量,输出基于头结点和关系的融合结果与尾结点之间的相似度结果。
具体地,本实施例在执行S104使用多个训练样本的头结点向量、关系向量、尾结点向量与多个训练样本的标注结果对初始图神经网络进行训练,得到目标图神经网络时,可以采用的可选实现方式为:针对每个训练样本,将该训练样本的头结点向量、关系向量与尾结点向量作为语义层的输入,得到由语义层输出的头结点语义向量、关系语义向量与尾结点语义向量;将头结点语义向量与关系语义向量作为卷积层的输入,得到由卷积层输出的卷积向量;将卷积向量与尾结点语义向量作为输出层的输入,得到由输出层输出的相似度结果;使用该训练样本的标注结果与相似度结果计算损失函数值,根据计算得到的损失函数值调整初始图神经网络的参数,直至初始图神经网络收敛,得到目标图神经网络。
本实施例采用上述方法,通过构建包含用于对头结点语义向量与关系语义向量进行卷积计算的卷积层的初始图神经网络,使得初始图神经网络在进行结点和关系的表示学习时,除了利用知识图谱中结点与关系的语义信息之外,还能够充分地利用知识图谱中头结点与关系之间的结构信息,从而提升训练所得到的目标图神经网络在进行表示学习时的准确性。
图2是根据本公开第二实施例的示意图。如图2所示,本实施例的知识图谱的补全方法,具体可以包括如下步骤:
S201、获取待补全知识图谱;
S202、生成头结点向量、关系向量与尾结点向量;
S203、将所述头结点向量、关系向量与尾结点向量输入目标图神经网络,得到所述目标图神经网络输出的相似度结果;
S204、在确定所述相似度结果满足预设要求的情况下,根据所述头结点向量、关系向量、尾结点向量与所述待补全知识图谱,完成所述待补全知识图谱的补全。
本实施例的知识图谱的补全方法,在生成头结点向量、关系向量与尾结点向量之后,通过预先训练得到的目标图神经网络得到相似度结果,进而在确定相似度结果满足预设要求的情况下,根据头结点向量、关系向量、尾结点向量与待补全知识图谱来完成知识图谱的自动补全,提升了在补全知识图谱时的准确性与效率。
本实施例在执行S201获取待补全知识图谱时,可以将用户输入或者选取的知识图谱作为待补全知识图谱,也可以将从互联网中获取的知识图谱作为待补全知识图谱。
本实施例在执行S201获取待补全知识图谱之后,执行S202生成头结点向量、关系向量与尾结点向量。
本实施例在执行S202生成头结点向量、关系向量与尾结点向量时,可以采用的可选实现方式为:随机生成维度相同的三个向量,所生成向量的维度为预设维度;将随机生成的三个向量,分别作为头结点向量、关系向量与尾结点向量。
可以理解的是,本实施例执行S202时可以仅生成一个向量组合,从而完成待补全知识图谱的一次补全;本实施例执行S202时还可以生成多个向量组合,从而完成待补全知识图谱的多次补全。
本实施例在执行S202生成头结点向量、关系向量与尾结点向量之后,执行S203将所生成的头结点向量、关系向量与尾结点向量输入目标图神经网络,得到目标图神经网络输出的相似度结果。
其中,本实施例执行S203所得到的由目标图神经网络输出的相似度结果,表示头结点向量对应的头结点和关系向量对应的关系之间的融合结果与尾结点向量对应的尾结点之间的相似程度,通过该相似程度来确定是否能够将向量对应的结点与关系来构成三元组。
本实施例在执行S203得到目标图神经网络输出的相似度结果之后,执行S204在确定相似度结果满足预设要求的情况下,根据头结点向量、关系向量、尾结点向量与待补全知识图谱,完成待补全知识图谱的补全。
本实施例在执行S204确定相似度结果满足预设要求时,可以确定所得到的相似度结果是否超过预设阈值,若相似度结果超过预设阈值,则确定相似度满足预设要求,否则确定相似度不满足预设要求。
具体地,本实施例在执行S204根据头结点向量、关系向量、尾结点向量与待补全知识图谱,完成待补全知识图谱的补全时,可以采用的可选实现方式为:确定待补全知识图谱中对应头结点向量的目标头结点、对应关系向量的目标关系与对应尾结点向量的目标尾结点;将所确定的目标头结点、目标关系与目标尾结点构成三元组,添加到待补全知识图谱中。
本实施例在执行S204确定待补全知识图谱中对应头结点向量的目标头结点时,可以将待补全知识图谱中与头结点向量之间的相似度最高的结点,作为目标头结点;同样地,本实施例将待补全知识图谱中与关系向量之间的相似度最高的关系,作为目标关系;本实施例待补全知识图谱中与尾结点向量之间的相似度最高的结点,作为目标尾结点。
也就是说,本实施例执行S204根据所确定的目标头结点、目标关系与目标尾结点来补全知识图谱时,具体是在知识图谱中建立目标头结点与目标尾结点之间的关系。另外,若本实施例执行S204仅构成了一个三元组,则完成一次补全;若构成了多个三元组,则完成多次补全。
图3是根据本公开第三实施例的示意图。图3中示出了本实施例在根据目标图神经网络得到相似度结果时的流程图:图3中的e1、r1与e2分别表示随机生成的头结点向量、关系向量与尾结点向量,维度为D;将e1、r1与e2输入目标图神经网络中的语义层之后,得到由语义层输出的头结点语义向量、关系语义向量与尾结点语义向量,维度为D;将头结点语义向量与关系语义向量输入目标图神经网络中的卷积层之后,得到由卷积层输出的卷积向量,维度为D;将卷积向量与尾结点语义向量输入目标图神经网络中的输出层之后,得到由输出层输出的相似度结果。
图4是根据本公开第四实施例的示意图。如图4所示,本实施例的图神经网络的训练装置400,包括:
第一获取单元401、用于获取知识图谱,根据所述知识图谱得到多个训练样本与多个训练样本的标注结果,每个训练样本为由所述知识图谱中的头结点、关系与尾结点构成的三元组;
处理单元402、用于得到所述多个训练样本中头结点的头结点向量、关系的关系向量与尾结点的尾结点向量;
构建单元403、用于构建包含语义层、卷积层与输出层的初始图神经网络,所述卷积层用于根据所述语义层输出的头结点语义向量与关系语义向量得到卷积向量;
训练单元404、用于使用多个训练样本的头结点向量、关系向量、尾结点向量与多个训练样本的标注结果对所述初始图神经网络进行训练,得到目标图神经网络。
第一获取单元401获取的知识图谱中,包含多个结点(node)与连接结点之间的边(edge),结点表示实体(entity)或者概念(concept),边表示实体/概念之间的不同关系。因此,第一获取单元401所获取的知识图谱由若干个三元组(h,r,t)组成,三元组中的h表示头结点(head node),t表示尾结点(tail node),r表示头、尾结点之间的关系(relation)。
第一获取单元401在根据所获取的知识图谱得到多个训练样本与多个训练样本的标注结果时,可以直接将从知识图谱中提取的三元组作为训练样本,并将每个训练样本的标注结果设置为1。
为了增加训练样本的数量,提升初始图神经网络的训练效果,第一获取单元401在根据知识图谱得到多个训练样本与多个训练样本的标注结果时,可以采用的可选实现方式为:将从知识图谱中提取的三元组作为正例训练样本,将正例训练样本的标注结果设置为1;将正例训练样本中的头结点、关系与尾结点中的至少一个进行替换,将替换结果作为负例训练样本,将负例训练样本的标注结果设置为0。
本实施例在由第一获取单元401得到多个训练样本与多个训练样本的标注结果之后,由处理单元402得到多个训练样本中头结点的头结点向量、关系的关系向量与尾结点的尾结点向量。
处理单元402用于完成训练样本的向量化,针对每个训练样本,将该训练样本中的头结点、关系与尾结点分别转换为相应的向量。
本实施例在由处理单元402得到多个训练样本中头结点的头结点向量、关系的关系向量与尾结点的尾结点向量之后,由构建单元403构建包含语义层、卷积层与输出层的初始图神经网络。
构建单元403构建的初始图神经网络中,语义层用于根据输入的头结点向量、关系向量与尾结点向量,分别输出头结点语义向量、关系语义向量与尾结点语义向量;其中,语义层输出的头结点语义向量中包含关系与尾结点的语义信息,关系语义向量中包含头结点与尾结点的语义信息,尾结点语义向量中包含头结点与关系的语义信息。
构建单元403所构建的语义层可以为TransE模型,利用TransE模型的平移特性能够更加准确地得到表示语义信息的语义向量;本实施例中的语义层也可以为其他能够提取语义信息的神经网络模型,本实施例对此不进行限定。
构建单元403构建的初始图神经网络中,卷积层用于对语义层输出的头结点语义向量与关系语义向量进行卷积计算,从而输出对应头结点与关系的卷积向量。
具体地,构建单元403构建的卷积层在根据语义层输出的头结点语义向量与关系语义向量得到卷积向量时,可以采用的可选实现方式为:将头结点语义向量与关系语义向量进行拼接,例如使用全连接的方式将两个语义向量进行拼接;对拼接结果进行卷积计算,得到卷积向量。
也就是说,本实施例中的卷积层结合头结点与关系这两部分内容来得到卷积向量,使得初始图神经网络实现了利用知识图谱中的结构信息的目的,进而提升训练得到的目标图神经网络在进行表示学习时的准确性。
构建单元403构建的初始图神经网络中,输出层用于对尾结点语义向量与卷积层输出的卷积向量进行相似度计算,输出两者之间的相似度结果;其中,输出层可以采用余弦相似度的计算方式进行相似度计算,本实施例对输出层进行相似度计算时的方式不进行限定。
本实施例在由构建单元403构建包含语义层、卷积层与输出层的初始图神经网络之后,由训练单元404使用多个训练样本的头结点向量、关系向量、尾结点向量与多个训练样本的标注结果对初始图神经网络进行训练,从而得到目标图神经网络。
利用训练单元404训练得到的目标图神经网络,能够根据输入头结点向量、关系向量与尾结点向量,输出基于头结点和关系的融合结果与尾结点之间的相似度结果。
具体地,训练单元404在使用多个训练样本的头结点向量、关系向量、尾结点向量与多个训练样本的标注结果对初始图神经网络进行训练,得到目标图神经网络时,可以采用的可选实现方式为:针对每个训练样本,将该训练样本的头结点向量、关系向量与尾结点向量作为语义层的输入,得到由语义层输出的头结点语义向量、关系语义向量与尾结点语义向量;将头结点语义向量与关系语义向量作为卷积层的输入,得到由卷积层输出的卷积向量;将卷积向量与尾结点语义向量作为输出层的输入,得到由输出层输出的相似度结果;使用该训练样本的标注结果与相似度结果计算损失函数值,根据计算得到的损失函数值调整初始图神经网络的参数,直至初始图神经网络收敛,得到目标图神经网络。
图5是根据本公开第五实施例的示意图。如图5所示,本实施例的知识图谱的补全装置500,包括:
第二获取单元501、用于获取待补全知识图谱;
生成单元502、用于生成头结点向量、关系向量与尾结点向量;
确定单元503、用于将所述头结点向量、关系向量与尾结点向量输入目标图神经网络,得到所述目标图神经网络输出的相似度结果;
补全单元504、用于在确定所述相似度结果满足预设要求的情况下,根据所述头结点向量、关系向量、尾结点向量与所述待补全知识图谱,完成所述待补全知识图谱的补全。
第二获取单元501获取待补全知识图谱时,可以将用户输入或者选取的知识图谱作为待补全知识图谱,也可以将从互联网中获取的知识图谱作为待补全知识图谱。
本实施例在由第二获取单元501获取待补全知识图谱之后,由生成单元502生成头结点向量、关系向量与尾结点向量。
生成单元502在生成头结点向量、关系向量与尾结点向量时,可以采用的可选实现方式为:随机生成维度相同的三个向量,所生成向量的维度为预设维度;将随机生成的三个向量,分别作为头结点向量、关系向量与尾结点向量。
可以理解的是,生成单元502可以仅生成一个向量组合,从而完成待补全知识图谱的一次补全;生成单元502还可以生成多个向量组合,从而完成待补全知识图谱的多次补全。
本实施例在由生成单元502生成头结点向量、关系向量与尾结点向量之后,由确定单元503将所生成的头结点向量、关系向量与尾结点向量输入目标图神经网络,得到目标图神经网络输出的相似度结果。
其中,确定单元503所得到的由目标图神经网络输出的相似度结果,表示头结点向量对应的头结点和关系向量对应的关系之间的融合结果与尾结点向量对应的尾结点之间的相似程度,通过该相似程度来确定是否能够将向量对应的结点与关系来构成三元组。
本实施例在由确定单元503得到目标图神经网络输出的相似度结果之后,由补全单元504在确定相似度结果满足预设要求的情况下,根据头结点向量、关系向量、尾结点向量与待补全知识图谱,完成待补全知识图谱的补全。
补全单元504在确定相似度结果满足预设要求时,可以确定所得到的相似度结果是否超过预设阈值,若相似度结果超过预设阈值,则确定相似度满足预设要求,否则确定相似度不满足预设要求。
具体地,补全单元504在根据头结点向量、关系向量、尾结点向量与待补全知识图谱,完成待补全知识图谱的补全时,可以采用的可选实现方式为:确定待补全知识图谱中对应头结点向量的目标头结点、对应关系向量的目标关系与对应尾结点向量的目标尾结点;将所确定的目标头结点、目标关系与目标尾结点构成三元组,添加到待补全知识图谱中。
补全单元504在确定待补全知识图谱中对应头结点向量的目标头结点时,可以将待补全知识图谱中与头结点向量之间的相似度最高的结点,作为目标头结点;同样地,补全单元504将待补全知识图谱中与关系向量之间的相似度最高的关系,作为目标关系;补全单元504待补全知识图谱中与尾结点向量之间的相似度最高的结点,作为目标尾结点。
也就是说,补全单元504根据所确定的目标头结点、目标关系与目标尾结点来补全知识图谱时,具体是在知识图谱中建立目标头结点与目标尾结点之间的关系。另外,若补全单元504仅构成了一个三元组,则完成一次补全;若构成了多个三元组,则完成多次补全。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图6所示,是根据本公开实施例的图神经网络的训练与知识图谱的补全方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如图神经网络的训练与知识图谱的补全方法。例如,在一些实施例中,图神经网络的训练与知识图谱的补全方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。
在一些实施例中,计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的图神经网络的训练与知识图谱的补全方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图神经网络的训练与知识图谱的补全方法。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种图神经网络的训练方法,包括:
获取知识图谱,根据所述知识图谱得到多个训练样本与多个训练样本的标注结果,每个训练样本为由所述知识图谱中的头结点、关系与尾结点构成的三元组;
得到所述多个训练样本中头结点的头结点向量、关系的关系向量与尾结点的尾结点向量;
构建包含语义层、卷积层与输出层的初始图神经网络,所述卷积层用于根据所述语义层输出的头结点语义向量与关系语义向量得到卷积向量;
使用多个训练样本的头结点向量、关系向量、尾结点向量与多个训练样本的标注结果对所述初始图神经网络进行训练,得到目标图神经网络。
2.根据权利要求1所述的方法,其中,所述根据所述知识图谱得到多个训练样本与多个训练样本的标注结果包括:
将从所述知识图谱中提取的三元组作为正例训练样本,将所述正例训练样本的标注结果设置为1;
将所述正例训练样本中的头结点、关系与尾结点中的至少一个进行替换,将替换结果作为负例训练样本,将所述负例训练样本的标注结果设置为0。
3.根据权利要求1所述的方法,其中,所述卷积层根据所述语义层输出的头结点语义向量与关系语义向量得到卷积向量包括:
将头结点语义向量与关系语义向量进行拼接;
对拼接结果进行卷积计算,得到所述卷积向量。
4.根据权利要求1所述的方法,其中,所述使用多个训练样本的头结点向量、关系向量、尾结点向量与多个训练样本的标注结果对所述初始图神经网络进行训练,得到目标图神经网络包括:
针对每个训练样本,将该训练样本的头结点向量、关系向量与尾结点向量作为所述语义层的输入,得到由所述语义层输出的头结点语义向量、关系语义向量与尾结点语义向量;
将所述头结点语义向量与所述关系语义向量作为所述卷积层的输入,得到由所述卷积层输出的卷积向量;
将所述卷积向量与所述尾结点语义向量作为所述输出层的输入,得到由所述输出层输出的相似度结果;
使用该训练样本的标注结果与相似度结果计算损失函数值,根据所述损失函数值调整所述初始图神经网络的参数,直至所述初始图神经网络收敛,得到所述目标图神经网络。
5.一种知识图谱的补全方法,包括:
获取待补全知识图谱;
生成头结点向量、关系向量与尾结点向量;
将所述头结点向量、关系向量与尾结点向量输入目标图神经网络,得到所述目标图神经网络输出的相似度结果;
在确定所述相似度结果满足预设要求的情况下,根据所述头结点向量、关系向量、尾结点向量与所述待补全知识图谱,完成所述待补全知识图谱的补全;
其中,所述目标图神经网络是根据权利要求1-4中任一项方法预先训练得到的。
6.根据权利要求5所述的方法,其中,所述生成头结点向量、关系向量与尾结点向量包括:
随机生成维度相同的三个向量;
将随机生成的三个向量分别作为所述头结点向量、关系向量与尾结点向量。
7.根据权利要求5所述的方法,其中,所述根据所述头结点向量、关系向量、尾结点向量与所述待补全知识图谱,完成所述待补全知识图谱的补全包括:
确定所述待补全知识图谱中对应所述头结点向量的目标头结点、对应所述关系向量的目标关系与对应所述尾结点向量的目标尾结点;
将所述目标头结点、目标关系与目标尾结点构成三元组,添加到所述待补全知识图谱中。
8.一种图神经网络的训练装置,包括:
第一获取单元,用于获取知识图谱,根据所述知识图谱得到多个训练样本与多个训练样本的标注结果,每个训练样本为由所述知识图谱中的头结点、关系与尾结点构成的三元组;
处理单元,用于得到所述多个训练样本中头结点的头结点向量、关系的关系向量与尾结点的尾结点向量;
构建单元,用于构建包含语义层、卷积层与输出层的初始图神经网络,所述卷积层用于根据所述语义层输出的头结点语义向量与关系语义向量得到卷积向量;
训练单元,用于使用多个训练样本的头结点向量、关系向量、尾结点向量与多个训练样本的标注结果对所述初始图神经网络进行训练,得到目标图神经网络。
9.根据权利要求8所述的装置,其中,所述第一获取单元在根据所述知识图谱得到多个训练样本与多个训练样本的标注结果时,具体执行:
将从所述知识图谱中提取的三元组作为正例训练样本,将所述正例训练样本的标注结果设置为1;
将所述正例训练样本中的头结点、关系与尾结点中的至少一个进行替换,将替换结果作为负例训练样本,将所述负例训练样本的标注结果设置为0。
10.根据权利要求8所述的装置,其中,所述构建单元所构建的卷积层,在根据所述语义层输出的头结点语义向量与关系语义向量得到卷积向量时,具体执行:
将头结点语义向量与关系语义向量进行拼接;
对拼接结果进行卷积计算,得到所述卷积向量。
11.根据权利要求8所述的装置,其中,所述训练单元在使用多个训练样本的头结点向量、关系向量、尾结点向量与多个训练样本的标注结果对所述初始图神经网络进行训练,得到目标图神经网络时,具体执行:
针对每个训练样本,将该训练样本的头结点向量、关系向量与尾结点向量作为所述语义层的输入,得到由所述语义层输出的头结点语义向量、关系语义向量与尾结点语义向量;
将所述头结点语义向量与所述关系语义向量作为所述卷积层的输入,得到由所述卷积层输出的卷积向量;
将所述卷积向量与所述尾结点语义向量作为所述输出层的输入,得到由所述输出层输出的相似度结果;
使用该训练样本的标注结果与相似度结果计算损失函数值,根据所述损失函数值调整所述初始图神经网络的参数,直至所述初始图神经网络收敛,得到所述目标图神经网络。
12.一种知识图谱的补全装置,包括:
第二获取单元,用于获取待补全知识图谱;
生成单元,用于生成头结点向量、关系向量与尾结点向量;
确定单元,用于将所述头结点向量、关系向量与尾结点向量输入目标图神经网络,得到所述目标图神经网络输出的相似度结果;
补全单元,用于在确定所述相似度结果满足预设要求的情况下,根据所述头结点向量、关系向量、尾结点向量与所述待补全知识图谱,完成所述待补全知识图谱的补全;
其中,所述目标图神经网络是根据权利要求8-11中任一项装置预先训练得到的。
13.根据权利要求12所述的装置,其中,所述生成单元在生成头结点向量、关系向量与尾结点向量时,具体执行:
随机生成维度相同的三个向量;
将随机生成的三个向量分别作为所述头结点向量、关系向量与尾结点向量。
14.根据权利要求12所述的装置,其中,所述补全单元在根据所述头结点向量、关系向量、尾结点向量与所述待补全知识图谱,完成所述待补全知识图谱的补全时,具体执行:
确定所述待补全知识图谱中对应所述头结点向量的目标头结点、对应所述关系向量的目标关系与对应所述尾结点向量的目标尾结点;
将所述目标头结点、目标关系与目标尾结点构成三元组,添加到所述待补全知识图谱中。
确定所述待补全知识图谱中对应所述头结点向量的目标头结点、对应所述关系向量的目标关系与对应所述尾结点向量的目标尾结点;
将所述目标头结点、目标关系与目标尾结点构成三元组添加到所述待补全知识图谱中以完成补全。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790683.5A CN113641829B (zh) | 2021-07-13 | 2021-07-13 | 图神经网络的训练与知识图谱的补全方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790683.5A CN113641829B (zh) | 2021-07-13 | 2021-07-13 | 图神经网络的训练与知识图谱的补全方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113641829A true CN113641829A (zh) | 2021-11-12 |
CN113641829B CN113641829B (zh) | 2023-11-24 |
Family
ID=78417250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110790683.5A Active CN113641829B (zh) | 2021-07-13 | 2021-07-13 | 图神经网络的训练与知识图谱的补全方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113641829B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114416941A (zh) * | 2021-12-28 | 2022-04-29 | 北京百度网讯科技有限公司 | 融合知识图谱的对话知识点确定模型的生成方法及装置 |
CN116684200A (zh) * | 2023-07-31 | 2023-09-01 | 北京天防安全科技有限公司 | 网络安全漏洞的攻击模式的知识补全方法及系统 |
CN118261247A (zh) * | 2024-05-31 | 2024-06-28 | 浪潮云洲工业互联网有限公司 | 一种基于知识图谱的标识解析推荐方法、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159425A (zh) * | 2019-12-30 | 2020-05-15 | 浙江大学 | 一种基于历史关系和双图卷积网络的时态知识图谱表示方法 |
CN112348191A (zh) * | 2020-10-26 | 2021-02-09 | 福州大学 | 一种基于多模态表示学习的知识库补全方法 |
KR102234850B1 (ko) * | 2019-11-15 | 2021-04-02 | 숭실대학교산학협력단 | 릴레이션 네트워크에 기반한 지식 보완 방법 및 장치 |
KR20210041546A (ko) * | 2020-03-27 | 2021-04-15 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 인과 관계의 판별 방법, 장치, 전자 기기 및 저장 매체 |
CN112699247A (zh) * | 2020-12-23 | 2021-04-23 | 清华大学 | 一种基于多类交叉熵对比补全编码的知识表示学习框架 |
CN113010691A (zh) * | 2021-03-30 | 2021-06-22 | 电子科技大学 | 一种基于图神经网络的知识图谱推理关系预测方法 |
-
2021
- 2021-07-13 CN CN202110790683.5A patent/CN113641829B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102234850B1 (ko) * | 2019-11-15 | 2021-04-02 | 숭실대학교산학협력단 | 릴레이션 네트워크에 기반한 지식 보완 방법 및 장치 |
CN111159425A (zh) * | 2019-12-30 | 2020-05-15 | 浙江大学 | 一种基于历史关系和双图卷积网络的时态知识图谱表示方法 |
KR20210041546A (ko) * | 2020-03-27 | 2021-04-15 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 인과 관계의 판별 방법, 장치, 전자 기기 및 저장 매체 |
CN112348191A (zh) * | 2020-10-26 | 2021-02-09 | 福州大学 | 一种基于多模态表示学习的知识库补全方法 |
CN112699247A (zh) * | 2020-12-23 | 2021-04-23 | 清华大学 | 一种基于多类交叉熵对比补全编码的知识表示学习框架 |
CN113010691A (zh) * | 2021-03-30 | 2021-06-22 | 电子科技大学 | 一种基于图神经网络的知识图谱推理关系预测方法 |
Non-Patent Citations (2)
Title |
---|
LI, WD: "Graph2Seq: Fusion Embedding Learning for Knowledge Graph Completion", IEEE ACCESS * |
昌攀: "改进的 TransH 模型在知识表示与推理领域的研究", 广西大学学报( 自然科学版) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114416941A (zh) * | 2021-12-28 | 2022-04-29 | 北京百度网讯科技有限公司 | 融合知识图谱的对话知识点确定模型的生成方法及装置 |
CN114416941B (zh) * | 2021-12-28 | 2023-09-05 | 北京百度网讯科技有限公司 | 融合知识图谱的对话知识点确定模型的生成方法及装置 |
CN116684200A (zh) * | 2023-07-31 | 2023-09-01 | 北京天防安全科技有限公司 | 网络安全漏洞的攻击模式的知识补全方法及系统 |
CN116684200B (zh) * | 2023-07-31 | 2023-09-26 | 北京天防安全科技有限公司 | 网络安全漏洞的攻击模式的知识补全方法及系统 |
CN118261247A (zh) * | 2024-05-31 | 2024-06-28 | 浪潮云洲工业互联网有限公司 | 一种基于知识图谱的标识解析推荐方法、设备及存储介质 |
CN118261247B (zh) * | 2024-05-31 | 2024-09-17 | 浪潮云洲工业互联网有限公司 | 一种基于知识图谱的标识解析推荐方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113641829B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343803B (zh) | 模型训练方法、装置、设备和存储介质 | |
CN112487173B (zh) | 人机对话方法、设备和存储介质 | |
CN112597754B (zh) | 文本纠错方法、装置、电子设备和可读存储介质 | |
CN113641829B (zh) | 图神经网络的训练与知识图谱的补全方法、装置 | |
CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN113836278B (zh) | 通用对话模型的训练与对话生成方法、装置 | |
CN113361578A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN114218931B (zh) | 信息抽取方法、装置、电子设备和可读存储介质 | |
CN113360711A (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
CN112786108A (zh) | 分子理解模型的训练方法、装置、设备和介质 | |
CN112508115A (zh) | 建立节点表示模型的方法、装置、设备和计算机存储介质 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN113361574A (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
CN116257611B (zh) | 问答模型的训练方法、问答处理方法、装置及存储介质 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
CN113204616B (zh) | 文本抽取模型的训练与文本抽取的方法、装置 | |
CN115292467A (zh) | 信息处理与模型训练方法、装置、设备、介质及程序产品 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
CN113313049A (zh) | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 | |
CN115169549B (zh) | 人工智能模型更新方法、装置、电子设备及存储介质 | |
CN115131453B (zh) | 颜色填充模型训练、颜色填充方法及装置、电子设备 | |
CN115169530B (zh) | 数据处理方法、装置、电子设备和可读存储介质 |
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 |