基于知识图谱的混合推理方法、系统、设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114757354A(43)申请公布日2022.07.15(21)申请号202210530892.0(22)申请日2022.05.16(71)申请人中译语通科技股份有限公司地址100131北京市石景山区石景山路20号中铁建设大厦16层(72)发明人徐芳曲笑辰蔡超武学敏杨万征王雪(74)专利代理机构北京兴智翔达知识产权代理有限公司11768专利代理师张玉梅(51)Int.Cl.G06N5/04(2006.01)G06F16/28(2019.01)G06F16/36(2019.01)G06N5/02(2006.01)权利要求书2页说明书6页附图3页(54)发明名称基于知识图谱的混合推理方法、系统、设备及存储介质(57)摘要本发明实施例提供一种基于知识图谱的混合推理方法、系统、设备及存储介质，该方法包括：获取针对需要实体识别的各种实体之间的知识图谱；根据所述知识图谱中已有节点和边的信息，制定符号推理规则，并对知识图谱中子图进行向量化表示，获取向量化后的子图，还引入外部图谱知识；搭建混合推理模型，其中，利用训练集中各种训练样本的符号推理规则、向量化后的子图和外部图谱知识对混合推理模型进行训练，获取训练后的混合推理模型；将待验证两个实体之间对实体关系输入训练后的混合推理模型，预测出该两个实体之间的关系。推理过程可以引入外部知识，不仅停留在静态推理的基础上，而是要通过不停的学习新的推理规则，动态的进行推理。CN114757354ACN114757354A权利要求书1/2页1.一种基于知识图谱的混合推理方法，其特征在于，包括获取针对需要实体识别的各种实体之间的知识图谱；根据所述知识图谱中已有节点和边的信息，制定符号推理规则，并对知识图谱中子图进行向量化表示，获取向量化后的子图，还引入外部图谱知识；搭建混合推理模型，所述混合推理模型包括实体预测模型、逻辑预测模型和图谱补全模型，其中，利用训练集中各种训练样本的符号推理规则、向量化后的子图和外部图谱知识对混合推理模型进行训练，获取训练后的混合推理模型；将待验证两个实体之间对实体关系输入训练后的混合推理模型，预测出该两个实体之间的关系。2.根据权利要求1所述的基于知识图谱的混合推理方法，其特征在于，所述利用训练集中各种训练样本的符号推理规则、向量化后的子图和外部图谱知识对混合推理模型进行训练，获取训练后的混合推理模型，包括：利用训练集中各种训练样本的符号推理规则对所述实体预测模型进行训练，得到训练后的实体预测模型；利用训练集中各种训练样本的向量化后的子图对所述逻辑预测模型进行训练，得到训练后的逻辑预测模型；利用训练集中各种训练样本的外部图谱知识对所述图谱补全模型进行训练，得到训练后的图谱补全模型；根据训练后的实体预测模型、训练后的逻辑预测模型和训练后的图谱补全模型，得到训练后的混合推理模型。3.根据权利要求2所述的基于知识图谱的混合推理方法，其特征在于，所述利用训练集中各种训练样本的符号推理规则对所述实体预测模型进行训练，得到训练后的实体预测模型，具体包括：通过所述符号推理规则中制定的推理规则去预测和该子图或者子图中的某一节点构成符合符号逻辑关系的实体，得到训练后的实体预测模型。4.根据权利要求2所述的基于知识图谱的混合推理方法，其特征在于，所述利用训练集中各种训练样本的向量化后的子图对所述逻辑预测模型进行训练，得到训练后的逻辑预测模型，包括：根据所述符号推理规则来预测知识图谱中另一个节点或者另一个子图和当前子图或者子图中某一节点的关系。5.根据权利要求2所述的基于知识图谱的混合推理方法，其特征在于，所述利用训练集中各种训练样本的外部图谱知识对所述图谱补全模型进行训练，得到训练后的图谱补全模型，包括：通过掩码掉部分图节点或者图关系去预测改掩码掉的部分是否和预测结果一致，得到训练后的图谱补全模型。6.一种基于知识图谱的混合推理系统，其特征在于，包括获取模块，用于获取针对需要实体识别的各种实体之间的知识图谱；提取模块，用于根据所述知识图谱中已有节点和边的信息，制定符号推理规则，并对知识图谱中子图进行向量化表示，获取向量化后的子图，还引入外部图谱知识；2CN114757354A权利要求书2/2页搭建模块，用于搭建混合推理模型，所述混合推理模型包括实体预测模型、逻辑预测模型和图谱补全模型，其中，利用训练集中各种训练样本的符号推理规则、向量化后的子图和外部图谱知识对混合推理模型进行训练，获取训练后的混合推理模型；预测模块，用于将待验证两个实体之间对实体关系输入训练后的混合推理模型，预测出该两个实体之间的关系。7.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如权利要求1至5任一所