CN113868438A - 信息可信度的校准方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请适用于人工智能技术领域，提供一种信息可信度的校准方法、装置、计算机设备及存储介质，其中方法包括：将具有设定维度的特征属性的主体作为节点，主体之间的关系作为边，构建图网络结构；当收集到目标节点在目标设定维度的现有特征属性时，将现有特征属性与目标节点的原有特征属性进行信息比对，得到比对结果；当比对结果指示所述现有特征属性与所述原有特征属性信息不同时，结合图网络结构中不同节点之间的关系及不同节点的特征属性，对原有特征属性进行可信度预测，得到预测可信度；基于预测可信度，执行对信息可信度的校准策略。该方案能够及时调整知识图谱中不同节点特征属性的可信度，确保知识图谱中数据可靠程度。

Description

信息可信度的校准方法、装置、计算机设备及存储介质

技术领域

本申请属于人工智能技术领域，尤其涉及一种信息可信度的校准方法、装置、计算机设备及存储介质。

背景技术

知识图谱最早运用于图书情报学领域，是一种用于绘制、分析和显示学科主体间的相互联系的可视化系统，是一种基于图的数据结构。在知识图谱中，藉由建立起各主体不同层级属性的网状关系，搭配图遍历算法，使用者可以快速的建立起目标与目标间的相关性，优化查询效率或同类别辨识等。

针对大数据场景下，我们往往会从不同的来源收集到各类信息，其中会有信息的重复甚至是相违背的信息，比如某个业务线收集而来的信息给客户标注性别为男，但是另外一个数据源的信息标注为女，因此在面对不同来源的数据时，如果不能及时对已构建的知识图谱中的节点信息进行校验，则会造成数据混乱且可信度难以辨别，知识图谱的构建将失去意义。

发明内容

本申请实施例提供了一种信息可信度的校准方法、装置、计算机设备及存储介质，以解决现有技术中当从不同的来源收集到各类信息时，如果不对已构建的知识图谱中的节点信息进行校验，则会造成数据混乱且可信度难以辨别的问题。

本申请实施例的第一方面提供了一种信息可信度的校准方法，包括：

将N个具有设定维度的特征属性的主体作为节点，所述主体之间的关系作为边，构建图网络结构；其中，不同设定维度的所述特征属性分别具有信息可信度；N为大于1的整数；

当收集到目标节点在目标设定维度的现有特征属性时，将所述现有特征属性与所述目标节点在所述目标设定维度的原有特征属性进行信息比对，得到比对结果；

当所述比对结果指示所述现有特征属性与所述原有特征属性信息不同时，结合所述图网络结构中不同节点之间的关系及不同节点在所述设定维度的特征属性，对所述原有特征属性进行可信度预测，得到预测可信度；

基于所述预测可信度，执行对所述信息可信度的校准策略。

本申请实施例的第二方面提供了一种信息可信度的校准装置，其特征在于，包括：

图网络构建模块，用于将N个具有设定维度的特征属性的主体作为节点，所述主体之间的关系作为边，构建图网络结构；其中，不同设定维度的所述特征属性分别具有信息可信度；N为大于1的整数；

比对模块，用于当收集到目标节点在目标设定维度的现有特征属性时，将所述现有特征属性与所述目标节点在所述目标设定维度的原有特征属性进行信息比对，得到比对结果；

预测模块，用于当所述比对结果指示所述现有特征属性与所述原有特征属性信息不同时，结合所述图网络结构中不同节点之间的关系及不同节点在所述设定维度的特征属性，对所述原有特征属性进行可信度预测，得到预测可信度；

校准模块，用于基于所述预测可信度，执行对所述信息可信度的校准策略。

本申请实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。

本申请的第五方面提供了一种计算机程序产品，当所述计算机程序产品在终端上运行时，使得所述终端执行上述第一方面所述方法的步骤。

由上可见，本实施例中，基于包含多个节点的图网络结构对不同节点各自的特征属性进行可信度校正，校正时分为两个阶段，一个是基于新获取的特征属性与原有特征属性间进行信息比对的结果进行可信度初步调整，另一阶段是基于各个节点之间的节点关系，及其他节点的特征属性对当前节点的属性信息进行可信度预测，基于预测结果对该特征属性的可信度进行二次调整判断，及时调整知识图谱中不同节点特征属性的可信度，确保知识图谱中数据可靠程度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种信息可信度的校准方法的流程图一；

图2是本申请实施例提供的一种信息可信度的校准方法的流程图二；

图3是本申请实施例提供的一种信息可信度的校准装置的结构图；

图4是本申请实施例提供的一种计算机设备的结构图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

具体实现中，本申请实施例中描述的终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，所述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

在接下来的讨论中，描述了包括显示器和触摸敏感表面的终端。然而，应当理解的是，终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。

终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。

可以在终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。

应理解，本实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

参见图1，图1是本申请实施例提供的一种信息可信度的校准方法的流程图一。如图1所示，一种信息可信度的校准方法，该方法包括以下步骤：

步骤101，将N个具有设定维度的特征属性的主体作为节点，主体之间的关系作为边，构建图网络结构。

步骤102，当收集到目标节点在目标设定维度的现有特征属性时，将现有特征属性与目标节点在目标设定维度的原有特征属性进行信息比对，得到比对结果。

步骤103，当比对结果指示现有特征属性与原有特征属性信息不同时，结合图网络结构中不同节点之间的关系及不同节点在设定维度的特征属性，对原有特征属性进行可信度预测，得到预测可信度。

步骤104，基于该预测可信度，执行对信息可信度的校准策略。

下面将分别针对上述每一步骤的具体实施过程进行描述说明。

其中，在步骤101中，将N个具有设定维度的特征属性的主体作为节点，主体之间的关系作为边，构建图网络结构。

该图网络结构对应于一个知识图谱。

知识图谱是一种用于绘制、分析和显示学科主体间的相互联系的可视化系统，是一种基于图的数据结构，由节点和边组成，每个节点表示一个“实体”，每条边为实体与实体之间的“关系”。借由建立起各主体不同层级属性的网状关系，搭配图遍历算法，使用者可以快速的建立起目标与目标间的相关性，优化查询效率或同类别辨识等。

其中，节点之间的边代表主体之间的关系，该主体例如为客户，则将客户作为节点，客户间的关系例如为同事、家庭、同乡或朋友，则将客户间的关系作为边，构建图网络结构。设定维度的特征属性具体例如为客户的姓名、年龄、性别、婚姻状态、工作、年收入、产品购买情况等。

其中，主体之间的关系，可以是直接采用现有已经构建好的关系数据，例如从已经构建好的客户关系数据库中直接提取得到。

或者，主体之间的关系，可以是基于与各个主体相关的来源不同的信息进行数据解析及归纳得到。例如一张保险保单中包含信息内容：投保人为甲、被保险人为乙、甲与乙为父子关系，另一张保险保单中包含信息内容：投保人为甲、被保险人为丙、甲与丙为夫妻关系，则可以基于两张保险保单，进行信息提取与分析，得到丙与乙两个主体间的关系为母子关系。

进一步地，在更多可选的实现方式中，在构建该图网络结构形成知识图谱时，用到的数据具体分为三个维度：

1、客户维度关系：借由客户在购买产品时提供的信息、与企业APP互动的信息、及可能的第三方通联记录等，判断出每个客户间可能的家庭关系、朋友关系、同事关系、同乡关系等。

2、产品维度关系：借由客户购买产品的记录、产品间本身的迭代演化记录等，推估出同质产品标签、互补产品标签、及客户及产品的关系标签等。

3、与企业的关系：借由客户企业的往来记录，建立客户与企业的关系数据，包含与企业理财经理、代理人的关系、与企业客服的关系等，在后续关系深化经营及客制化服务上能有所运用。

利用多维度数据的采集，解析及归纳，得到不同用户之间的关系信息及各自的特征属性，以构建得到图结构网络。

其中，每一节点在不同设定维度的特征属性分别具有信息可信度。N为大于1的整数。每执行一次本实施例中公开的信息可信度的校准方法，则将相应主体在设定维度下的特征属性的信息可信度进行一次校准。

具体地，不同节点在不同维度下特征属性的信息可信度在图网络结构刚构建完成时可以先将其设置为一个固定值，例如可以设置为0.5，最高为1，以基于该数据在后续过程中对其进行校准调整操作。

在本方法中，需要基于该图网络结构，对客户属性信息的可信度进行校验及更新。

在步骤102中，当收集到目标节点在目标设定维度的现有特征属性时，将现有特征属性与目标节点在目标设定维度的原有特征属性进行信息比对，得到比对结果。

当同一个客户的同一个设定维度属性有不同来源的数据出现时，将其作为现有特征属性，需要先将该现有特征属性与原有特征属性进行信息比对，以判断两者中包含的信息是否相同。

在进行信息比对时，可以判断两者是否表示相同或相近的含义，具体判断两者是否为同义词或近义词，如果是同义词或近义词，则确定原有特征属性具有较高的可信度，可以将该原有特征属性的信息可信度进行增加。

即当比对结果指示现有特征属性与原有特征属性信息相同时，将原有特征属性的信息可信度增加至第一目标值。

其中，在具体实施过程中，判断现有特征属性与原有特征属性是否为同义词或近义词时，在无监督的情况下，可以使用word2vec来计算词向量之间的相似度，也可以通过Levenshtein编辑距离，即计算两个字符串之间由一个转换成另一个所需的最少编辑操作次数，得到两者相似度；在有监督的情况下，可以将上述word2vec训练的词向量输入一个打分函数，如分类模型xgboost、lightgbm、神经网络等，训练出一个分类器，判断输入的一对词是否为同义词或近义词。

进一步地，当判断现有特征属性与原有特征属性信息相同时，将原有特征属性的信息可信度增加至目标值时，具体可以结合获取得到的现有特征属性的数量来实现。

在一个实施方式中，可以将该原有特征属性的信息可信度增加0.1*现有特征属性的数量，计算得到信息可信度的目标值，以通过不同来源的数据对已存在的特征属性数据的可信度进行辅证。

而如果判断这现有特征属性与原有特征属性是相反的含义，那么需要进入后续的深入判别。

在步骤103中，当比对结果指示现有特征属性与原有特征属性信息不同时，结合图网络结构中不同节点之间的关系及不同节点在设定维度的特征属性，对原有特征属性进行可信度预测，得到预测可信度。

其中，在图网络结构构建中，不同节点之间的边表示相应节点之间的关系，因此图网络结构中不同节点之间的关系及各自节点具备的在不同维度的特征属性之间会存在信息的相互印证关系。在对目标用户在目标设定维度的原有特征属性进行可信度预测时，可以利用图网络结构中不同节点之间的关系及不同节点在设定维度的特征属性间存在的相互印证关系，实现可信度预测，得到预测可信度。

例如，节点1与节点2、节点3节点4之间的关系为朋友，节点1这一客户在年收入这一维度的特征属性记录为5万，而节点2、节点3及节点4在图网络结构中与他为朋友关系的节点客户的年收入信息均显示超过50w，则可以判别当前节点1客户的年收入为5w这一属性信息的可信度不高，通过节点间的关系信息及相关节点的特征属性信息，可以预测当前节点1用户的某些特征属性信息的可信度大小，而一个节点在其他维度下特征属性的可信度判别亦为同理。

其中，作为一具体的实施方式，该当比对结果指示现有特征属性与所述原有特征属性信息不同时，结合所述图网络结构中不同节点之间的关系及不同节点在所述设定维度的特征属性，对所述原有特征属性进行可信度预测，得到预测可信度，包括：

基于图网络结构中N个节点在设定维度的特征属性，得到N*D维的特征矩阵，该设定维度为D个维度，D为大于1的整数；

基于图网络结构中N个节点间的关系，得到N*N维的邻接矩阵；

基于特征矩阵及邻接矩阵，获取图网络结构中各个节点对应的节点嵌入向量；

从所述N个节点中选取所述目标设定维度下的特征属性的信息可信度大于第三阈值的参照节点；

基于所述参照节点的节点嵌入向量及所述参照节点在所述目标设定维度的特征属性，训练得到信息可信度预测模型；

基于所述目标节点的节点嵌入向量，通过所述信息可信度预测模型对所述原有特征属性进行可信度预测，得到预测可信度。

其中，在构建得到图网络结构后，可以基于图网络结构中每一节点的各个维度的特征属性，得到图网络结构对应的特征矩阵，及基于各个节点间的关系信息，获取图网络结构对应的关系矩阵即邻接矩阵。

特征矩阵中包括与各个节点在不同属性维度下的特征属性对应的元素值，邻接矩阵中包括与各个节点间关系对应的元素值，不同元素值代表节点间的不同关系。比如家庭关系元素值为4，朋友关系元素值为3，同事关系元素值为2，同乡关系元素值为1，如果节点间没有关系，对应的矩阵元素为0。

在对原有特征属性进行可信度预测的过程中，需要首先基于图网络结构中抽取出的邻接矩阵与特征矩阵，获取每个节点对应的节点Embedding（即节点嵌入向量）。

具体可以利用VGAE（Variational Graph Auto-Encoders，变分图自编码器）模型来实现。或者，还可以通过Vae（Variational Auto-Encoder，变分自编码器）、gae（GraphAttention Networks，图注意力网络）等模型来对图结构网络进行特征处理。

具体地，以VGAE为例，具体是基于图网络结构中抽取出的节点间邻接矩阵，及不同节点在各个设定维度的特征属性组成的特征矩阵，将其输入至已经训练完成的模型中，输出每个节点对应的节点Embedding，该节点Embedding融合节点与其他节点间的关系特征及不同节点自身的可信度较高的属性特征。

在利用VGAE模型提取图网络结构中各个节点对应的embedding向量时，具体为先基于图网络结构中提取出的特征矩阵及邻接矩阵，利用后验概率得到隐变量Z，然后，VGAE的解码器利用隐变量Z的内积来重构邻接矩阵，通过重构的邻接矩阵，结合损失函数，最终找到模型收敛状态下对应的隐变量Z，作为各个节点对应的embedding向量。

变分图自编码器VGAE通过减少隐藏层神经元个数来实现重构样本，为了尽可能复现输入数据，其隐藏层必须捕捉输入数据的重要特征，从而找到能够代表原数据的主要成分，即得到节点Embedding。

通过该模型主要是为图中节点找寻合适的Embedding向量，获取到的节点Embedding可以用于支撑下游任务。

在将每个节点的Embedding向量取出来之后，针对可信度存疑需要对其进行辨别的特征属性构建一个简单独立的二分类模型或者拟合模型作为分类器，如xgboost、lightgbm或神经网络等，该分类器形成为信息可信度预测模型，对前述判断存在反义词的目标设定维度下的特征属性进行可信度预测，实现将不同节点间的关系特征及不同节点的属性特征，应用至对某个节点的属性信息的进一步可信度校验过程中，充分利用不同客户间的社会关系及各个客户的属性信息对其他客户的属性信息进行可信度校验。

具体地，在基于该信息可信度预测模型进行信息可信度预测时，需要对该模型进行训练，在模型训练过程中，需要将N个节点中目标设定维度下的特征属性不存疑的节点作为参照节点，参照节点的数量为多个，该参照节点目标设定维度下的特征属性的信息可信度大于第三阈值，该第三阈值例如为0.8，可以根据具体应用场景进行数值设定。在选出目标设定维度下的特征属性不存疑的参照节点之后，基于该参照节点对应的节点Embedding向量及在目标设定维度下的特征属性得到模型训练样本，实现对信息可信度预测模型的训练，使训练后的信息可信度预测模型具备对目标设定维度下的特征属性进行可信度预测的能力。

在模型训练完毕后，进而可以将目标节点的节点嵌入向量输入至训练完成的信息可信度预测模型中，通过该信息可信度预测模型预测得到目标节点在目标设定维度下原有特征属性的可信度。

该过程提供一个方便快速的信息校验方法，针对非欧式空间的图网络结构，特别是无监督的场景下，即没有明确的人工标注信息，基于图结构中各个节点的属性矩阵及节点间的关系矩阵，得到每个节点的embedding向量，并基于该embedding向量对节点属性信息进行可信度确定。

进一步地，每隔一段时间，或者收集到一定量的客户信息后，需要重新训练变分图自编码器，以保证客户节点的embedding向量能够及时更新。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

该方案，提出的关系网络利用企业的多维数据，打造出了带有多种维度层次的关系网络模型，更好的帮助决策者全面了解客户、产品、企业间互动关系，且在构建的该图网络结构上，通过基于图节点的网络模型，得到节点embedding向量作为后续弱分类器的输入，对特征属性数据的可信度进行判别，判断是否需要进行数据修正，提高数据的准确性。

在步骤104中，基于该预测可信度，执行对信息可信度的校准策略。

其中，该校准策略包括：增加信息可信度、减少信息可信度、将该信息可信度保持不变。

作为一可选的实施方式，该基于预测可信度，执行对信息可信度的校准策略，包括：

当预测可信度高于信息可信度时，将信息可信度调整至预测可信度；当预测可信度等于或低于信息可信度时，保持信息可信度不变。

通过前述步骤得到的预测可信度可以进一步验证信息可信度的正确程度，实现对信息可信度的校准。

本实施例中，基于包含多个节点的图网络结构对不同节点各自的属性信息进行可信度校正，校正时分为两个阶段，一个是基于新获取的特征属性与原有特征属性间进行信息比对的结果进行可信度初步调整，另一阶段是基于各个节点之间的节点关系，及其他节点的特征属性对当前节点的属性信息进行可信度预测，基于预测结果对该特征属性的可信度进行二次调整判断，及时调整知识图谱中不同节点特征属性的可信度，确保知识图谱中数据可靠程度。

本申请实施例中还提供了信息可信度的校准方法的不同实施方式。

参见图2，图2是本申请实施例提供的一种信息可信度的校准方法的流程图二。如图2所示，一种信息可信度的校准方法，该方法包括以下步骤：

步骤201，将N个具有设定维度的特征属性的主体作为节点，主体之间的关系作为边，构建图网络结构。

该步骤的实现过程与前述实施方式中的步骤101的实现过程相同，此处不再赘述。

步骤202，当收集到目标节点在目标设定维度的现有特征属性时，将现有特征属性与目标节点在目标设定维度的原有特征属性进行信息比对，得到比对结果。

该步骤的实现过程与前述实施方式中的步骤102的实现过程相同，此处不再赘述。

步骤203，当比对结果指示现有特征属性与原有特征属性信息不同时，获取该原有特征属性的信息可信度及该信息可信度的历史校准次数。

其中，对于每一节点在不同设定维度下的原有特征属性，当每收集到一个对应的现有特征属性时，则会对其执行一次步骤102至104所述步骤的可信度校准操作，此时会对应增加计数一次校准次数。

该历史校准次数即为对于一个节点在目标设定维度下的原有特征数据执行可信度校准操作的历史累计次数。

步骤204，判断信息可信度是否大于第一阈值及判断历史校准次数是否大于第二阈值。

该第一阈值与第二阈值为根据实际应用需求进行确定的值，可以在具体应用中对其进行相应调整。

步骤205，当判断信息可信度不大于第一阈值，或者历史校准次数不大于第二阈值时，结合图网络结构中不同节点之间的关系及不同节点在设定维度的特征属性，对原有特征属性进行可信度预测，得到预测可信度。

该步骤的实现过程与前述实施方式中的步骤103的实现过程相同，此处不再赘述。

进一步地，当比对结果指示现有特征属性与原有特征属性信息不同时，该结合图网络结构中不同节点之间的关系及不同节点在设定维度的特征属性，对原有特征属性进行可信度预测，得到预测可信度之前，还包括：

获取原有特征属性的信息可信度及信息可信度的历史校准次数；

判断信息可信度是否大于第一阈值及判断历史校准次数是否大于第二阈值；

当判断信息可信度不大于第一阈值，或者历史校准次数不大于第二阈值时，执行结合图网络结构中不同节点之间的关系及不同节点在设定维度的特征属性，对原有特征属性进行可信度预测，得到预测可信度的步骤。

其中，在判断信息可信度是否大于第一阈值及判断历史校准次数是否大于第二阈值之后，还包括：

当判断信息可信度大于第一阈值且历史校准次数大于第二阈值时，基于现有特征属性的数量，将原有特征属性的信息可信度减少至第二目标值。

在判断新的特征属性数据与原有特征属性数据之间信息不同时，可以先根据该原有特征属性的当前可信度及历史校准次数进行筛选，如果原有特征属性已经经过多轮验证，且当前可信度大于一定阈值，比如0.8后，就认为该特征属性值目前被验证过为正确的，暂不开启后续验证过程，但是要在可信度上减少设定值，具体可以是减少0.1*现有特征属性的数量，当阈值低于设定值后，则又需要重启后续的验证工作，以确保数据处理的效率，避免重复严重，同时确保数据验证的可靠性。

进一步地，该判断信息可信度是否大于第一阈值及判断历史校准次数是否大于第二阈值之后，还包括：

当判断信息可信度不大于第一阈值且历史校准次数大于第二阈值时，将原有特征属性更新为现有特征属性，执行结合图网络结构中不同节点之间的关系及不同节点在所述设定维度的特征属性，对原有特征属性进行可信度预测，得到预测可信度的步骤。

这里，在判断原有特征属性已经经过多轮校验且当前可信度较低时，则可以确定当前的原有特征属性可信度确实不高，此时将原有特征属性进行替换，具体替换为收集到的目标节点在目标设定维度的现有特征属性，该现有特征属性信息与原有特征属性信息不同，实现对知识图谱中不可信数据的及时更新，确保数据可靠性。

步骤206，基于该预测可信度，执行对信息可信度的校准策略。

该步骤的实现过程与前述实施方式中的步骤104的实现过程相同，此处不再赘述。

本申请实施例中，基于包含多个节点的图网络结构对不同节点各自的属性信息进行可信度校正，校正时分为两个阶段，一个是基于新获取的特征属性与原有特征属性间进行信息比对的结果进行可信度初步调整，另一阶段是基于各个节点之间的节点关系，及其他节点的特征属性对当前节点的属性信息进行可信度预测，基于预测结果对该特征属性的可信度进行二次调整判断，且在该过程中还融入特征属性的可信度历史校准次数，进一步实现对特征属性的可信度的校准及不可信数据的及时更新，确保知识图谱中数据可靠程度。

参见图3，图3是本申请实施例提供的一种信息可信度的校准装置的结构图，为了便于说明，仅示出了与本申请实施例相关的部分。

所述信息可信度的校准装置300包括：

图网络构建模块301，用于将N个具有设定维度的特征属性的主体作为节点，所述主体之间的关系作为边，构建图网络结构；其中，不同设定维度的所述特征属性分别具有信息可信度；N为大于1的整数；

比对模块302，用于当收集到目标节点在目标设定维度的现有特征属性时，将所述现有特征属性与所述目标节点在所述目标设定维度的原有特征属性进行信息比对，得到比对结果；

预测模块303，用于当所述比对结果指示所述现有特征属性与所述原有特征属性信息不同时，结合所述图网络结构中不同节点之间的关系及不同节点在所述设定维度的特征属性，对所述原有特征属性进行可信度预测，得到预测可信度；

校准模块304，用于基于所述预测可信度，执行对所述信息可信度的校准策略。

该装置还包括：

第一调整模块，用于当所述比对结果指示所述现有特征属性与所述原有特征属性信息相同时，结合所述现有特征属性的数量，将所述原有特征属性的信息可信度增加至第一目标值。

其中，当所述比对结果指示所述现有特征属性与所述原有特征属性信息不同时，该装置还包括：

判断模块，用于：

获取所述原有特征属性的信息可信度及所述信息可信度的历史校准次数；判断所述信息可信度是否大于第一阈值及判断所述历史校准次数是否大于第二阈值；

对应地，预测模块，具体用于：

当判断所述信息可信度不大于所述第一阈值，或者所述历史校准次数不大于所述第二阈值时，执行所述结合所述图网络结构中不同节点之间的关系及不同节点在所述设定维度的特征属性，对所述原有特征属性进行可信度预测，得到预测可信度的步骤。

该装置还包括：

第一调整模块，用于：

当判断模块判断所述信息可信度大于所述第一阈值且所述历史校准次数大于所述第二阈值时，基于所述现有特征属性的数量，将所述原有特征属性的所述信息可信度减少至第二目标值。

该装置还包括：

更新模块，用于：

当判断模块判断所述信息可信度不大于所述第一阈值且所述历史校准次数大于所述第二阈值时，将所述原有特征属性更新为所述现有特征属性，随后预测模块执行所述结合所述图网络结构中不同节点之间的关系及不同节点在所述设定维度的特征属性，对所述原有特征属性进行可信度预测，得到预测可信度的步骤。

其中，预测模块具体用于：

基于所述图网络结构中N个节点在所述设定维度的特征属性，得到N*D维的特征矩阵，所述设定维度为D个维度，D为大于1的整数；

基于所述图网络结构中N个节点间的关系，得到N*N维的邻接矩阵；

基于所述特征矩阵及所述邻接矩阵，获取所述图网络结构中各个节点对应的节点嵌入向量；

从所述N个节点中选取所述目标设定维度下的特征属性的信息可信度大于第三阈值的参照节点；

基于所述参照节点的节点嵌入向量及所述参照节点在所述目标设定维度的特征属性，训练得到信息可信度预测模型；

基于所述目标节点的节点嵌入向量，通过所述信息可信度预测模型对所述原有特征属性进行可信度预测，得到预测可信度。

其中，校准模块，具体用于：

当所述预测可信度高于所述信息可信度时，将所述信息可信度调整至所述预测可信度；

当所述预测可信度等于或低于所述信息可信度时，保持所述信息可信度不变。

本申请实施例提供的信息可信度的校准装置能够实现上述信息可信度的校准方法的实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

图4是本申请实施例提供的一种计算机设备的结构图。如该图所示，该实施例的计算机设备4包括：至少一个处理器40（图4中仅示出一个）、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42，所述处理器40执行所述计算机程序42时实现上述任意各个方法实施例中的步骤。

所述计算机设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是计算机设备4的示例，并不构成对计算机设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机设备还可以包括输入输出设备、网络接入设备、总线等。

所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

所述处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器41可以是所述计算机设备4的内部存储单元，例如计算机设备4的硬盘或内存。所述存储器41也可以是所述计算机设备4的外部存储设备，例如所述计算机设备4上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述计算机设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序产品来实现，当计算机程序产品在终端上运行时，使得所述终端执行时实现可实现上述各个方法实施例中的步骤。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种信息可信度的校准方法，其特征在于，包括：

将N个具有设定维度的特征属性的主体作为节点，所述主体之间的关系作为边，构建图网络结构；其中，不同设定维度的所述特征属性分别具有信息可信度；N为大于1的整数；

当收集到目标节点在目标设定维度的现有特征属性时，将所述现有特征属性与所述目标节点在所述目标设定维度的原有特征属性进行信息比对，得到比对结果；

当所述比对结果指示所述现有特征属性与所述原有特征属性信息不同时，结合所述图网络结构中不同节点之间的关系及不同节点在所述设定维度的特征属性，对所述原有特征属性进行可信度预测，得到预测可信度；

基于所述预测可信度，执行对所述信息可信度的校准策略。

2.根据权利要求1所述的方法，其特征在于，所述当收集到目标节点在目标设定维度的现有特征属性时，将所述现有特征属性与所述目标节点在所述目标设定维度的原有特征属性进行信息比对，得到比对结果之后，还包括：

当所述比对结果指示所述现有特征属性与所述原有特征属性信息相同时，结合所述现有特征属性的数量，将所述原有特征属性的信息可信度增加至第一目标值。

3.根据权利要求1所述的方法，其特征在于，当所述比对结果指示所述现有特征属性与所述原有特征属性信息不同时，所述结合所述图网络结构中不同节点之间的关系及不同节点在所述设定维度的特征属性，对所述原有特征属性进行可信度预测，得到预测可信度之前，还包括：

获取所述原有特征属性的信息可信度及所述信息可信度的历史校准次数；

判断所述信息可信度是否大于第一阈值及判断所述历史校准次数是否大于第二阈值；

当判断所述信息可信度不大于所述第一阈值，或者所述历史校准次数不大于所述第二阈值时，执行所述结合所述图网络结构中不同节点之间的关系及不同节点在所述设定维度的特征属性，对所述原有特征属性进行可信度预测，得到预测可信度的步骤。

4.根据权利要求3所述的方法，其特征在于，所述判断所述信息可信度是否大于第一阈值及判断所述历史校准次数是否大于第二阈值之后，还包括：

当判断所述信息可信度大于所述第一阈值且所述历史校准次数大于所述第二阈值时，基于所述现有特征属性的数量，将所述原有特征属性的所述信息可信度减少至第二目标值。

5.根据权利要求3所述的方法，其特征在于，所述判断所述信息可信度是否大于第一阈值及判断所述历史校准次数是否大于第二阈值之后，还包括：

当判断所述信息可信度不大于所述第一阈值且所述历史校准次数大于所述第二阈值时，将所述原有特征属性更新为所述现有特征属性，执行所述结合所述图网络结构中不同节点之间的关系及不同节点在所述设定维度的特征属性，对所述原有特征属性进行可信度预测，得到预测可信度的步骤。

6.根据权利要求1所述的方法，其特征在于，所述当所述比对结果指示所述现有特征属性与所述原有特征属性信息不同时，结合所述图网络结构中不同节点之间的关系及不同节点在所述设定维度的特征属性，对所述原有特征属性进行可信度预测，得到预测可信度，包括：

基于所述图网络结构中N个节点在所述设定维度的特征属性，得到N*D维的特征矩阵，所述设定维度为D个维度，D为大于1的整数；

基于所述图网络结构中N个节点间的关系，得到N*N维的邻接矩阵；

基于所述特征矩阵及所述邻接矩阵，获取所述图网络结构中各个节点对应的节点嵌入向量；

从所述N个节点中选取所述目标设定维度下的特征属性的信息可信度大于第三阈值的参照节点；

基于所述参照节点的节点嵌入向量及所述参照节点在所述目标设定维度的特征属性，训练得到信息可信度预测模型；

基于所述目标节点的节点嵌入向量，通过所述信息可信度预测模型对所述原有特征属性进行可信度预测，得到预测可信度。

7.根据权利要求1所述的方法，其特征在于，所述基于所述预测可信度，执行对所述信息可信度的校准策略，包括：

当所述预测可信度高于所述信息可信度时，将所述信息可信度调整至所述预测可信度；

当所述预测可信度等于或低于所述信息可信度时，保持所述信息可信度不变。

8.一种信息可信度的校准装置，其特征在于，包括：

图网络构建模块，用于将N个具有设定维度的特征属性的主体作为节点，所述主体之间的关系作为边，构建图网络结构；其中，不同设定维度的所述特征属性分别具有信息可信度；N为大于1的整数；

比对模块，用于当收集到目标节点在目标设定维度的现有特征属性时，将所述现有特征属性与所述目标节点在所述目标设定维度的原有特征属性进行信息比对，得到比对结果；

预测模块，用于当所述比对结果指示所述现有特征属性与所述原有特征属性信息不同时，结合所述图网络结构中不同节点之间的关系及不同节点在所述设定维度的特征属性，对所述原有特征属性进行可信度预测，得到预测可信度；

校准模块，用于基于所述预测可信度，执行对所述信息可信度的校准策略。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

Images