[发明专利]基于知识图谱表示学习的隐喻计算和装置

说明书

本申请提出一种基于知识图谱表示学习的隐喻计算方法和装置，涉及数据处理技术领域，其中，方法包括：获取多对本体、属性和喻体三元组构建隐喻知识图谱；从语料库中根据本体概念和属性信息和/或喻体概念和属性信息之间的共现频率和预设频率阈值确定外部概念属性信息集合；根据隐喻知识图谱确定概念集合和属性集合获取训练样本，根据训练样本和预设第一损失函数训练隐喻知识图谱嵌入模型；计算外部概念属性信息集合中概念属性对的相关概率和预设第二损失函数训练概念属性嵌入模型；根据隐喻知识图谱嵌入模型和概念属性嵌入模型生成联合嵌入模型；获取计算请求，通过联合嵌入模型对计算请求进行处理，获取计算结果。由此，提高隐喻计算准确性。

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于知识图谱表示学习的隐喻计算方法 和装置。

背景技术

隐喻是一种常见的修辞手法，它使用一种事物形象地描述另一种事物，是人们创造性 思维的产物。隐喻能够帮助人们更好地表达观点，理解和接受新的事物。

自然语言中无处不在的隐喻给自然语言处理系统及其研究中带来了巨大的挑战。人们 对语言的理解和创造是一种多层次的计算过程。人们在完成高级语义任务时，如创造隐喻 或推理隐喻含义时，通常运用了大量复杂的语言手段，结合了公认的常识信息和背景知识 对现实进行推理，并加以富有个人性格特色的情感色彩，最终得出结论。在自然语言处理 研究中，理想的语言理解模型也应该能够自动执行这样的高级语义任务，模拟人类的创造 性过程以及推理思维，从而自动生成、理解隐喻表达。迄今为止，在自然语言处理研究进 程中，许多研究任务集中在处理较低层的语言信息，如词性标注、句法分析、共指消解、命名实体识别等；一部分研究学者的研究目标是改进基于统计的推理任务，如文本蕴含识别任务和自动摘要抽取任务；很少有研究者尝试利用自然语言处理技术模拟人类使用语言构建高级推理过程的方式。

相关技术中，隐喻计算模型主要包括三种：隐喻识别、隐喻解释和隐喻生成。大多数 隐喻相关研究均围绕隐喻理论展开，如选择偏好理论、概念映射理论等，比如在隐喻识别 任务中，首先在选择偏好理论的基础上，结合知识库完成了动词-名词隐喻和形容词-名词 隐喻的识别。一些系统围绕概念映射理论，手工设计特征来识别隐喻。这些特征包括浅层 的语法和句法信息和高层次语义特征，如语义角色、抽象性特征和基于知识库的上下位词 特征等，然而，基于概念隐喻理论的系统忽略了属性在隐喻映射中的影响，导致隐喻计算 准确性不高。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种基于知识图谱表示学习的隐喻计算方法，通 过模型联合嵌入了隐喻知识图谱和概念属性集合，共同优化了概念和属性的向量表示，增 强了模型的表示学习能力，从而提高了隐喻计算模型的性能，提高隐喻计算准确性。

本申请的第二个目的在于提出一种基于知识图谱表示学习的隐喻计算装置。

为达上述目的，本申请第一方面实施例提出了一种基于知识图谱表示学习的隐喻计算 方法，包括：

获取多对本体、属性和喻体三元组，根据所述多对本体、属性和喻体三元组构建隐喻 知识图谱；

从语料库中根据本体概念和属性信息和/或喻体概念和属性信息之间的共现频率，根据 共现频率和预设频率阈值的比较结果，确定外部概念属性信息集合；

根据所述隐喻知识图谱确定概念集合和属性集合，从所述概念集合和所述属性集合获 取训练样本，根据所述训练样本和预设第一损失函数训练隐喻知识图谱嵌入模型；

计算所述外部概念属性信息集合中概念属性对的相关概率，根据所述相关概率和预设 第二损失函数训练概念属性嵌入模型；

根据所述隐喻知识图谱嵌入模型、第一权重、所述概念属性嵌入模型和第二权重生成 联合嵌入模型；