[发明专利]基于深度神经网络的关系推理方法、装置及设备

说明书

本申请公开了一种基于深度神经网络的关系推理方法，能够在获取样本句后，构建由多个词语组成的句法依赖树，进而分别提取句法依赖树在最短依赖路径上的主干特征，以及在非最短依赖路径上的辅助特征，最终根据预设融合规则对主干特征和辅助特征进行特征融合，并根据融合结果得到关系推理结果。可见，该方法分别提取句法依赖树在最短依赖路径和非最短依赖路径上的特征，并对二者进行特征融合，由于辅助特征对推理结果具有一定辅助作用，因此通过有效利用句法依赖树的主干特征和辅助特征，显著提升了关系推理的准确度。此外，本申请还提供了一种基于深度神经网络的关系推理装置、设备及计算机可读存储介质，其作用与上述方法相对应。

技术领域

本申请涉及计算机领域，特别涉及一种基于深度神经网络的关系推理方法、装置、设备及计算机可读存储介质。

背景技术

知识图谱是一种新兴的技术，搜索引擎一般用它来增强其搜索引擎功能的知识数据库，其本质为语义网络，是一种从图泛化出来的数据结构。知识图谱由节点和边构成，节点主要表示实体或者概念，边表示属性和关联关系。知识图谱是关系非常有效的表示方式，它将庞大的不同种类的各种信息都连接在了一个空间结构的图中，形成了一个关系网络。其中，知识的关联是非常重要的信息，一般采用知识关联推理模型来预测实体之间的关系。

目前，现有的构建知识关联推理模型的方法一般采用监督的形式来构建生成，采用样本去训练网络。传统的监督方法有基于特征的方法和核函数方法，但是基于特征的方法需要人工提取出大量的特征，工作量大也很难找到最佳的特征集，这样模型很难得到好的结果。而核函数的方法在很大的程度上取决于内核的设计，需要其采集所有的信息。

最近提出的神经网络，有着自动学习提取特征的模型中参数的优点，之后便出现了将深度神经网络模型应用到知识关系推理。关系网络(Relational Network)设计出来用于实现实体间的关系的推理，方式是将所有实体对都输入到多层感知器(MLP)中结合需要回答的问题，最后预测出实体间的关系。这些深度神经网络的表现相对于传统的方法效果提升的很大，但是还存在着一些不足。其中，关系网络将所有实体对输入了网络中去，导致一方面关联度低甚至是没有关联的实体对也占用了大量的计算资源，造成了计算资源的浪费，另一方面每一个关系都是平等输入网络中，使得无关系对对有关系对的影响较大，导致关系推理的准确率较低；而基于最短依赖路径的关系推理网络(SDP-LSTM)只是利用了句法依赖树中的两个实体之间的最短路径(SDP)解析出来的信息，并没有充分利用整棵树的信息，网络采用了两条长短记忆网络为了提取最短依赖路径的方向属性，在之后两条路径融合的时候一定程度上又破坏了原本的方向性，导致关系推理的准确度较低。

综上，现有的基于深度神经网络的知识关联推理模型没有合理的利用输入的实体信息，导致关系推理准确度较低。

发明内容

本申请的目的是提供一种基于深度神经网络的关系推理方法、装置、设备及计算机可读存储介质，用以解决目前基于深度神经网络的关系推理模型没有合理的利用输入的实体信息，导致关系推理准确度较低的问题。

为解决上述技术问题，本申请提供了一种基于深度神经网络的关系推理方法，包括：

获取样本句，根据所述样本句构建由多个词语组成的句法依赖树；

提取所述句法依赖树在最短依赖路径上的主干特征，并提取所述句法依赖树在非最短依赖路径上的辅助特征，其中，所述最短依赖路径为所述句法依赖树中待进行关系推理的两个词语之间的路径；

根据预设融合规则对所述主干特征和所述辅助特征进行特征融合，并根据融合结果得到关系推理结果。

可选的，所述提取所述句法依赖树在最短依赖路径上的主干特征，并提取所述句法依赖树在非最短依赖路径上的辅助特征，具体包括：

利用长短期记忆网络提取所述句法依赖树在最短依赖路径上的主干特征，并利用多尺寸卷积核的卷积神经网络提取所述句法依赖树在非最短依赖路径上的辅助特征。