[发明专利]一种知识图谱的构建系统及方法

说明书

本发明公开了一种知识图谱的构建系统及方法，属于自然语言处理、计算机信息处理技术领域。所述系统包括：爬虫模块，对文本进行爬虫以及数据清洗；基础标注模块，用于进行包括主语补全操作在内的基础标注工作；候选关系提取模块，用于提取包括候选关系句子和/或关系实体对的候选关系；特征提取模块，用于进行特征提取；关系分类器训练模块，用于根据候选关系提取结果和特征提取结果进行模型训练，构建关系分类器；关系审核模块，用于对所述关系分类器获得的候选句子关系进行审核确定，根据审核确定的结果对所述关系分类器进行相应调整。本发明实现了更强的关系抽取能力，减少了人工参与的成本，提高了构建知识图谱的效率。

技术领域

本发明涉及自然语言处理、计算机信息处理技术领域，特别涉及一种知识图谱的构建系统及方法。

背景技术

知识图谱是一种以自然语言处理(NLP)为中心，结合应用数学、图形学、信息可视化的多种技术的知识组织形式和规范。近来知识图谱在人工智能很多行业拥有成熟的应用，如搜索引擎、聊天机器人、智能医疗、智能硬件等。知识图谱分为行业知识图谱和通用知识图谱，2012年谷歌提出通用知识图谱的概念。通用知识图谱强调广度，很难生成全局性本体层统一管理。常见通用知识图谱包括：Freebase、DBpedia、zhishi.me等。行业知识图谱是基于特定领域，应对不同的业务场景，具有一定深度和完备性的知识库系统。当然通用知识图谱和行业知识图谱并不是相互对立，而是相互互补的一个关系，利用通用的知识图谱的广度结合行业知识图谱的深度，可以形成更加完善的知识图谱。

知识图谱是关系的一种有效的表现方式，把不同种类的信息连接在一起得到一个关系网络。通过知识图谱，利用关系推导实现语义理解和推理。关系的基本表现形式为三元组如：node,relation,node，可以表示两个实体具有某一种关系，或者某一个实体含有某一种属性。例如：张三，父母，李四，陈六，父母，李四，张三，性别，男，陈六，性别，女＝张三,配偶，陈六，四个三元组依次表示为：张三和李四是父母关系，陈六和李四也是父母关系，张三拥有性别属性为男，陈六拥有性别属性为女，可以通过这四条知识推导出张三和陈六是配偶关系。

知识图谱的构建核心环节就是关系抽取。现有行业知识图谱的构建的方案主要有：一是至顶向下式，先创建基于本体的数据模式，利用高质量的结构化连接数据根据图映射得到关系三元组。这种方法可靠性较高，但是非常耗时耗力，且需要较强的领域知识作为支撑，一般数据规模无法做得很大。二是由底向上式，采用一定技术手段从公开数据集中实现关系抽取。公开数据集往往包含少量半结构化数据和大量非结构化数据，半结构化数据如表格、列表、字典、infobox等，通常采用装饰器(wrapper),根据数据呈现的形式编写规则来提取关系。而非结构化的纯文本中的关系往往呈现多种多样。比如下面四段文本都可以表示A和B的配偶关系：1、A与B结婚了。2、A娶了B。3、B嫁给A。4、C的爸爸妈妈A和B。四句话均体现了配偶关系，虽然有一些特性可循，但是很难单纯靠规则模式来处理。非结构化文本中关系往往和该句子的语义特征相关联。现有的方案中也有用规则模版来提取关系三元组的，这种方法的优点是比较准确可靠。但是缺点很明显，一是需要人工编写模版无法自动化，二是只能适配特定的句子模式。有方案基于规则抽取的基础上提出先进行人工规则学习，生成新的规则集，再用新的规则提取未分类的关系模式。此方案虽然能提高规则提取的能力，但是无法进行自动化的部署，规则学习的阶段需要不断介入人工审核，不是一个很好的解决方案。从非结构化的纯文本中抽取关系构建知识图谱，始终是一个棘手的难题。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种知识图谱的构建系统及方法。所述技术方案如下：

第一方面，提供了一种知识图谱的构建系统，包括：

爬虫模块，对文本进行爬虫以及数据清洗；

基础标注模块，用于进行包括主语补全操作在内的基础标注工作；

候选关系提取模块，用于提取包括候选关系句子和/或关系实体对的候选关系；