[发明专利]一种知识图谱补全方法、装置、设备以及存储介质

权利要求书

1.一种知识图谱补全方法，其特征在于，所述方法包括下述步骤：

接收输入的知识图谱补全请求，根据所述知识图谱补全请求使用预设的关联信息抽取模型从所述知识图谱的实体描述文本信息中抽取所述知识图谱中实体与关系之间的语义关联信息；

将所述语义关联信息与所述知识图谱进行关联，对关联后的所述知识图谱进行重构，以得到重构后的知识图谱；

将重构后的所述知识图谱和预设的实体描述文本数据集组合成实体数据连接矩阵，并对所述实体数据连接矩阵进行序列化表示，得到实体描述文本输入序列；

通过深度Bi-GRU网络以及预设的关联强化模型对所述实体描述文本输入序列进行编码，得到编码后的实体关联序列信息；

通过单向GRU网络对所述实体关联序列信息进行解码，对解码后的所述知识图谱中的每个候选实体进行综合评分；

依次将所述实体描述文本数据集中的每个实体链接到所述知识图谱中综合评分最高的所述候选实体，以补全所述知识图谱；

接收输入的知识图谱补全请求，根据所述知识图谱补全请求使用预设的关联信息抽取模型从所述知识图谱的实体描述文本信息中抽取所述知识图谱中实体与关系之间的语义关联信息的步骤，包括：

将所述知识图谱中的实体以及实体描述文本信息映射为所述实体以及所述实体对应关系的三元组；

通过余弦相似度公式从所述三元组的头尾实体描述文本信息中获取关系触发词，依次将所述头尾实体描述文本信息中的每个词与所述关系触发词、以及所述词对应所述关系触发词的位置拼接成词嵌入元组，对目标实体、所述目标实体对应的关系以及所述目标实体与所述目标实体对应的关系的位置信息进行拼接，得到参考元组，通过深度记忆网络对所述词嵌入元组以及所述参考元组进行语义关联配对，并通过所述深度记忆网络的softmax层为输出的每个词嵌入元组对参考元组的贡献分数进行评分，得到目标实体与关系之间的第一语义关联信息；

将所述第一语义关联信息与所述知识图谱的实体描述文本信息的位置信息进行关联，得到实体的关联信息矩阵，对所述实体的关联信息矩阵使用Attention机制进行多语义选择，得到多语义选择后的输入信息矩阵，通过双通道全卷积神经网络的两层卷积以及一层正则化、双通道提取层、共享全连接层以及合并层对所述输入信息矩阵进行处理，以得到所述语义关联信息；

通过深度Bi-GRU网络以及预设的关联强化模型对所述实体描述文本输入序列进行编码，得到编码后的实体关联序列信息的步骤，包括：

通过所述深度Bi-GRU网络建立所述知识图谱中每个三元组的局部结构化信息与所述预设的实体描述文本数据集之间的关联性；

根据Attention机制以及所述知识图谱中每个三元组的邻居结构信息建立所述知识图谱中全局结构化信息与所述预设的实体描述文本数据集之间的关联性。

2.根据权利要求1所述方法，其特征在于，将重构后的所述知识图谱和预设的实体描述文本数据集组合成实体数据连接矩阵，并对所述实体数据连接矩阵进行序列化表示，得到实体描述文本输入序列的步骤，包括：

通过所述关联信息抽取模型从所述预设的实体描述文本数据集中提取出所述预设的实体描述文本数据集中的实体与关系之间的第二语义关联信息；

将所述第二语义关联信息与所述预设的实体描述文本数据集进行关联，对关联后的所述预设的实体描述文本数据集进行重构，以得到重构后的所述实体描述文本数据集；

将重构后的所述知识图谱以及重构后的所述实体描述文本数据集共同组合成实体数据连接矩阵，并对所述实体数据连接矩阵进行序列化表示，得到实体描述文本输入序列。

3.根据权利要求1所述方法，其特征在于，通过单向GRU网络对所述实体关联序列信息进行解码，对解码后的所述知识图谱中的每个候选实体进行综合评分的步骤，包括：

通过余弦相似度模型以及基于翻译模型的评分函数计算每个候选实体的综合评分。