[发明专利]基于图神经网络的知识图谱构建方法

说明书

本发明提出了一种基于图神经网络的知识图谱构建方法，包括以下步骤：步骤1）目标实体识别：给定目标文本语句，使用双向长短时记忆循环神经网络模型和条件随机场模型识别目标文本语句中的目标实体；步骤2）实体关系抽取：使用基于文本的卷积神经网络模型抽取两个目标实体之间的关系；步骤3）知识图谱的构建及更新：使用图卷积神经网络模型对实体及实体关系进行学习，根据学习到的结果对知识图谱进行构建及更新，本发明提高了实体关系抽取的准确性，使知识图谱的表达能力更加精准；此外，将图神经网络模型用于学习图数据，对结点进行有效的分类，扩展知识图谱的应用性。

技术领域

本发明涉及一种知识图谱，具体的说是一种知识图谱的构件方法，属于神经网络技术领域。

背景技术

知识图谱是以图的形式表现客观世界中的实体及其之间关系的知识库，实体可以是真实世界中的物体或抽象的概念，关系则表示了实体间的联系。因此，知识图谱能够以结构化的形式表示人类知识，通过知识表示和推理技术，可以给人工智能系统提供可处理的先验知识，让其具有与人类一样的解决复杂任务的能力。如何更好地构建、表示、补全、应用知识图谱，已经成为认知和人工智能领域重要的研究方向之一。目前，知识图谱的构建主要是基于深度学习，而深度学习在欧几里得数据上有着优异的效果，但是在非欧几里得的图数据上表现并不理想。

图数据的复杂性对现有机器学习算法提出了重大挑战，因为图数据是不规则的，每张图大小不同、结点无序，一张图中的每个结点都有不同数目的邻居结点，使得一些在图像中容易计算的重要运算(如卷积)不能再直接应用于图计算。此外，现有机器学习算法的核心假设是实例彼此独立，然而，图数据中的每个实例都与周围的其它实例相关，包含一些复杂的连接信息，用于捕获数据之间的依赖关系，包括引用、朋友关系和相互作用等。

现如今越来越多的研究开始将深度学习方法应用到图数据领域，受到深度学习领域进展的驱动，研究人员在设计图神经网络的架构时借鉴了卷积网络、循环网络和深度自编码器的思想。顺势而生的图神经网络(Graph Neural Network，GNN)是一种连接模型，它通过图的结点之间的消息传递来捕捉图的依赖关系，是处理图数据的利器。

现有技术中公开了：一种基于深度学习的知识图谱构建方法，其公开号为：CN107526799A，申请号：201710713735.2，该发明将深度学习技术应用到知识图谱的构建中，采用双向循环神经网络和条件随机场的实体识别模型对目标文本语句中的目标实体进行识别，减少实体识别和关系抽取过程中的特征工程，减轻人工设计和调节特征带来的负担和麻烦，精准挖掘文本中的知识。该发明是针对知识图谱构建的一个基础性专利，对于给定目标文本语句，进行目标实体的识别和目标实体间关系的抽取，并对目标实体概念化，根据目标实体、目标实体关系和概念构建知识图谱。其不足之处在于：在处理非欧几里得的实体关系数据时采用常规的深度学习方法；对于识别到的实体和抽取的实体关系没有进行更深层次的挖掘和处理，仅仅是规范化、概念化后直接构建知识图谱，限制了知识图谱的应用场景。

发明内容

本发明的目的是提供一种基于图神经网络的知识图谱构建方法，提高实体关系抽取的准确性，使知识图谱的表达能力更加精准；此外，将图神经网络模型用于学习图数据，对结点进行有效的分类，扩展知识图谱的应用性。

本发明的目的是这样实现的：一种基于图神经网络的知识图谱构建方法，包括以下步骤：

步骤1)目标实体识别：给定目标文本语句，使用双向长短时记忆循环神经网络模型和条件随机场模型识别目标文本语句中的目标实体；

步骤2)实体关系抽取：使用基于文本的卷积神经网络模型抽取两个目标实体之间的关系；

步骤3)知识图谱的构建及更新：使用图卷积神经网络模型对实体及实体关系进行学习，根据学习到的结果对知识图谱进行构建及更新。

作为本发明的进一步改进，步骤1)具体包括：