基于Markov邏輯網的知識圖譜關系類型推測方法及其裝置制造方法及圖紙

本發明專利技術涉及一種基于Markov邏輯網的知識圖譜關系類型推測方法及其裝置，該裝置包含：推理規則獲取模塊，用于根據數據集知識圖譜已知節點間的路徑特征生成推理規則；可信度權重學習模塊，用于通過Markov邏輯網對推理規則進行可信度權重學習并獲取帶權重的推理規則；概率推理模塊，用于根據帶權重的推理規則對待推測節點間存在的關系類型進行概率推理，獲取待推測節點間的關系類型概率；關系類型確定模塊，用于根據概率推理模塊獲取的關系類型概率，選取較大概率值的關系類型，作為待推測節點間的關系類型。本發明專利技術實現知識圖譜中推理規則的自動學習與節點間關系類型的概率推理，有效保證節點間可能存在的關系類型推測的準確率。

【技術實現步驟摘要】
基于Markov邏輯網的知識圖譜關系類型推測方法及其裝置
本專利技術屬于大數據分析
，特別涉及一種基于Markov邏輯網的知識圖譜關系類型推測方法及其裝置。
技術介紹
隨著互聯網由文檔萬維網向數據萬維網的逐步轉變，互聯網中相互關聯的實體對象逐步轉化為計算機能夠理解的知識圖譜形式存在，基于知識圖譜的快速問答、關聯查詢、實體推薦為人們的生活提供了極大的便利。然而，知識圖譜的構建是個復雜的過程，實體間的關聯關系在知識抽取過程中往往難以全面獲取，如何基于實體間已有的關系類型對實體間未知的關系類型進行推測，從而完善知識圖譜，具有十分重要的現實意義和實用價值。知識圖譜作為一個新興的研究方向，是近些年的研究熱點，國內外研究學者提出了大量的模型用于解決知識圖譜的鏈接推測問題，主要有基于張量分解的方法、基于轉換的方法和基于路徑推理的方法，其中基于張量分解的方法將實體間的關系用矩陣表示，基于轉換的方法將高維知識圖譜中的實體和關系嵌入到一個低維連續向量中，基于路徑推理的方法通過統計知識圖譜中大量的關系路徑構建關系分類的特征向量。這些方法在通用知識圖譜上取得了一定效果，但普遍存在著推理準確率不高的問題。
技術實現思路
針對現有技術中的不足，本專利技術提供一種基于Markov邏輯網的知識圖譜關系類型推測方法及其裝置，實現知識圖譜中推理規則的自動學習與節點間關系類型的概率推理，解決知識圖譜完善過程中人工制定推理規則不科學、不全面、可擴展性差等的問題，可信度高，有效提升推測的準確率。按照本專利技術所提供的設計方案，一種基于Markov邏輯網的知識圖譜關系類型推測方法，包含如下內容：步驟1、針對已知數據集的知識圖譜，確定已知節點間的路徑特征及待推測節點；步驟2、根據已知節點間的路徑特征生成推理規則；步驟3、通過Markov邏輯網對推理規則進行可信度權重學習，得到帶權重的推理規則；步驟4、通過帶權重的推理規則，對待推測節點間的關系類型進行概率推理；步驟5、根據概率推理結果確定待推測節點間的關系類型。上述的，步驟2包含如下內容：步驟21、采用圖的遍歷方法對知識圖譜已知節點間的路徑特征進行遍歷，生成證據謂詞和查詢謂詞；步驟22、根據證據謂詞和查詢謂詞，構建證據謂詞到查詢謂詞的推理規則。優選的，步驟21包含內容如下：通過設定已知節點間的路徑長度大小并采用廣度優先遍歷方法對知識圖譜已知節點間的路徑特征進行遍歷，生成證據謂詞和查詢謂詞。上述的，步驟2還包含如下內容：步驟23、根據推理規則，并結合節點信息，構建用于Markov邏輯網學習的訓練集數據。優選的，步驟23還包含：若存在節點信息滿足推理規則，則將該推理規則中的證據謂詞到查詢謂詞對應的閉謂詞添加至訓練集數據中。上述的，步驟4包含如下內容：根據帶權重的推理規則進行Markov邏輯網推理，得到待推測節點間存在的關系類型概率。上述的，步驟4包含如下內容：根據帶權重的推理規則并結合待推測節點間的已知信息，進行Markov邏輯網推理，得到待推測節點間存在的關系類型概率，其中，已知信息至少包含：待推測節點與其他節點間的路徑特征。上述的，步驟4還包含：若待推測節點間存在推理規則中的證據謂詞，則將該證據謂詞對應的閉謂詞添加至已知信息中。上述的，步驟5包含如下內容：根據待推測節點間存在的關系類型概率，選取較大概率值的關系類型，作為待推測節點間的關系類型。一種基于Markov邏輯網的知識圖譜關系類型推測裝置，包含：推理規則獲取模塊，用于根據數據集知識圖譜已知節點間的路徑特征生成推理規則；可信度權重學習模塊，用于通過Markov邏輯網對推理規則獲取模塊生成的推理規則進行可信度權重學習并獲取帶權重的推理規則；概率推理模塊，用于根據可信度權重學習模塊獲取的帶權重的推理規則，對待推測節點間存在的關系類型進行概率推理，獲取待推測節點間的關系類型概率；關系類型確定模塊，用于根據概率推理模塊獲取的關系類型概率，選取較大概率值的關系類型，作為待推測節點間的關系類型。本專利技術的有益效果：本專利技術根據已知節點間關聯關系的路徑特征生成推理規則，并應用Markov邏輯網對推理規則的可信度進行權重學習，通過學習得到的帶權重的推理規則對節點間可能存在的關系類型進行概率推理，解決知識圖譜完善過程中人工制定推理規則不科學、不全面、可擴展性差等的問題，實現知識圖譜中推理規則的自動學習與節點間關系類型的概率推理，可信度高，有效保證節點間可能存在的關系類型推測的準確率。附圖說明：圖1為本專利技術的裝置示意圖；圖2為本專利技術的方法流程示意圖；圖3為本專利技術的推測過程原理圖；圖4為謂詞組成示意圖；圖5為實施例三中具體實例權重學習示意圖；圖6為本專利技術在不同缺失比例下的效果圖；圖7為本專利技術在不同長度路徑特征下的效果圖。具體實施方式：本專利技術中涉及到的概念界定如下：推理規則：設知識圖譜中Pn(A,B)＝P1P2...Pn,其中P1＝A,Pn＝B表示節點A與節點B之間的一條長度為n的路徑，Pn＝r1r2...rn-1表示該路徑對應的關系類型序列，其中ri表示節點Pi與Pi+1之間的關系類型。若A、B之間同時存在Pn(A,B)與P1(A,B)路徑，則Pn(n>1)可以看作P1的路徑特征，Pn與P1之間構成Pn→P1的推理規則。規則訓練集：用于訓練推理規則可信度大小的閉謂詞集合，推理規則可信度越高，則權重越大，在現實世界中發生的可能性也越高。規則證據集：用于對節點間未知關系類型進行推理的已知證據閉謂詞，使用訓練出來的帶權重的推理規則，可以推理出未知節點間可能存在的各種關系類型的概率大小。下面結合附圖和技術方案對本專利技術作進一步詳細的說明，并通過優選的實施例詳細說明本專利技術的實施方式，但本專利技術的實施方式并不限于此。實施例一，參見圖1所示，一種基于Markov邏輯網的知識圖譜關系類型推測裝置，包含：推理規則獲取模塊，用于根據數據集知識圖譜已知節點間的路徑特征生成推理規則；可信度權重學習模塊，用于通過Markov邏輯網對推理規則獲取模塊生成的推理規則進行可信度權重學習并獲取帶權重的推理規則；概率推理模塊，用于根據可信度權重學習模塊獲取的帶權重的推理規則，對待推測節點間存在的關系類型進行概率推理，獲取待推測節點間的關系類型概率；關系類型確定模塊，用于根據概率推理模塊獲取的關系類型概率，選取較大概率值的關系類型，作為待推測節點間的關系類型。根據已知節點間關聯關系的路徑特征生成推理規則，并應用Markov邏輯網對推理規則的可信度進行權重學習，通過學習得到的帶權重的推理規則對節點間可能存在的關系類型進行概率推理，解決知識圖譜完善過程中人工制定推理規則不科學、不全面、可擴展性差等的問題，實現知識圖譜中推理規則的自動學習與節點間關系類型的概率推理，可信度高，從而使得推測結果更加真實可信。實施例二，參見圖1～2所示，一種基于Markov邏輯網的知識圖譜關系類型推測方法，包含如下內容：步驟1、針對已知數據集的知識圖譜，確定已知節點間的路徑特征及待推測節點；步驟2、根據已知節點間的路徑特征生成推理規則；步驟3、通過Markov邏輯網對推理規則進行可信度權重學習，得到帶權重的推理規則；步驟4、通過帶權重的推理規則，對待推測節點間的關系類型進行概率推理；步驟5、根據概率推理結果確定待推測節點間的關本文檔來自技高網...

【技術保護點】
一種基于Markov邏輯網的知識圖譜關系類型推測方法，其特征在于，包含如下內容：步驟1、針對已知數據集的知識圖譜，確定已知節點間的路徑特征及待推測節點；步驟2、根據已知節點間的路徑特征生成推理規則；步驟3、通過Markov邏輯網對推理規則進行可信度權重學習，得到帶權重的推理規則；步驟4、通過帶權重的推理規則，對待推測節點間的關系類型進行概率推理；步驟5、根據概率推理結果確定待推測節點間的關系類型。

【技術特征摘要】
1.一種基于Markov邏輯網的知識圖譜關系類型推測方法，其特征在于，包含如下內容：步驟1、針對已知數據集的知識圖譜，確定已知節點間的路徑特征及待推測節點；步驟2、根據已知節點間的路徑特征生成推理規則；步驟3、通過Markov邏輯網對推理規則進行可信度權重學習，得到帶權重的推理規則；步驟4、通過帶權重的推理規則，對待推測節點間的關系類型進行概率推理；步驟5、根據概率推理結果確定待推測節點間的關系類型。2.根據權利要求1所述的基于Markov邏輯網的知識圖譜關系類型推測方法，其特征在于，步驟2包含如下內容：步驟21、采用圖的遍歷方法對知識圖譜已知節點間的路徑特征進行遍歷，生成證據謂詞和查詢謂詞；步驟22、根據證據謂詞和查詢謂詞，構建證據謂詞到查詢謂詞的推理規則。3.根據權利要求2所述的基于Markov邏輯網的知識圖譜關系類型推測方法，其特征在于，步驟21包含內容如下：通過設定已知節點間的路徑長度大小并采用廣度優先遍歷方法對知識圖譜已知節點間的路徑特征進行遍歷，生成證據謂詞和查詢謂詞。4.根據權利要求2或3任一項所述的基于Markov邏輯網的知識圖譜關系類型推測方法，其特征在于，步驟2還包含如下內容：步驟23、根據推理規則，并結合節點信息，構建用于Markov邏輯網學習的訓練集數據。5.根據權利要求4所述的基于Markov邏輯網的知識圖譜關系類型推測方法，其特征在于，步驟23還包含：若存在節點信息滿足推理規則，則將該推理規則中的證據謂詞到查詢謂詞對應的閉謂詞添加至訓練集數據中。6.根據權利要求1所述的基于Markov邏...

【專利技術屬性】
技術研發人員：邱慶云，尹美娟，林海煌，高秀志，南煜，劉怡，劉才軍，申浩，
申請(專利權)人：中國人民解放軍信息工程大學，
類型：發明
國別省市：河南,41