CN116097253A - 构建多层次知识图谱的方法和装置 - Google Patents
构建多层次知识图谱的方法和装置 Download PDFInfo
- Publication number
- CN116097253A CN116097253A CN202080103917.8A CN202080103917A CN116097253A CN 116097253 A CN116097253 A CN 116097253A CN 202080103917 A CN202080103917 A CN 202080103917A CN 116097253 A CN116097253 A CN 116097253A
- Authority
- CN
- China
- Prior art keywords
- graph
- knowledge
- level
- node
- constructing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施方式涉及人工智能领域,尤其涉及一种构建多层次知识图谱的方法和装置。方法包括:构建包含父节点以及父节点之间的第一关联关系的第一层知识图谱;构建至少一个父节点的第二层知识图谱,其中该第二层知识图谱包含属于相同父节点的子节点以及所述子节点之间的第二关联关系;将所述第二层知识图谱嵌套到所述第一层知识图谱的该至少一个父节点中。本发明实施方式可以创建多层次知识图谱,可以反映不同级别节点之间的包含关系以及同一级别节点之间的互连关系,尤其适用于精确提供推荐信息。
Description
技术领域
本发明涉及人工智能(Artificial intelligence,AI)技术领域,尤其涉及一种构建多层次知识图谱的方法和装置。
背景技术
在人工智能领域,知识图谱通常用于建立认知和轻松理解世界。智能高效的知识图谱对于工业数字化非常必要。知识图谱的基本功能是实现数据的有机集成,但是当前技术主要限于单一类型的结构化数据,缺少可以集成多种数据类型的智能知识图。
而且,现有的知识图谱的关联网络只有一层,难以提供足够多的关联信息。
另外,目前协助提供建议的知识图谱通常仅在后端起作用,这使得用户在接收建议时无法理解不同建议内容之间的联系以及背后的推荐原因。
发明内容
本发明实施方式提出构建多层次知识图谱的方法和装置。
一种构建多层次知识图谱的方法,包括:
构建包含父节点以及父节点之间的第一关联关系的第一层知识图谱;
构建至少一个父节点的第二层知识图谱,其中该第二层知识图谱包含属于相同父节点的子节点以及所述子节点之间的第二关联关系;
将所述第二层知识图谱嵌套到所述第一层知识图谱的该至少一个父节点中。
因此,提供了多层次知识图谱以丰富关联知识。
在一个实施方式中,还包括:
构建至少一个子节点的第三层知识图谱,其中该第三层知识图谱包含属于相同子节点的孙节点以及所述孙节点之间的第三关联关系;
将所述第三层知识图谱嵌套到所述第二层知识图谱的该至少一个子节点中。
因此,提供了更深的知识图谱,并更加丰富了关联知识。
在一个实施方式中,所述第一层知识图谱还包括:父节点的属性以及父节点与父节点的属性之间的第四关联关系;所述第二层知识图谱还包括:子节点的属性以及子节点与子节点的属性之间的第五关联关系。
在一个实施方式中,其中用于构建第一层知识图谱、第二层知识图谱或第三层知识图谱的数据来源包括下列中的至少一个:结构化数据;非结构化数据;半结构化数据。
在一个实施方式中,所述嵌套后的知识图谱中进一步包含:属于不同父节点的子节点之间的关联关系。
在一个实施方式中,还包括:
基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息只与父节点相关时,展示所述第一层知识图谱;或
基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息与单个父节点和该单个父节点的子节点相关时,展示该单个父节点的嵌套后知识图谱;或
基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息与多个父节点和至少一个父节点的子节点相关时,展示多个父节点的各自的嵌套后知识图谱。
一种构建多层次知识图谱的装置,包括:
第一构建模块,用于构建包含父节点以及父节点之间的第一关联关系的第一层知识图谱(601);
第二构建模块,用于构建至少一个父节点的第二层知识图谱,其中该第二层知识图谱包含属于相同父节点的子节点以及所述子节点之间的第二关联关系;
嵌套模块,用于将所述第二层知识图谱嵌套到所述第一层知识图谱的该至少一个父节点中。
在一个实施方式中,还包括:
第二构建模块,用于构建至少一个子节点的第三层知识图谱,其中该第三层知识图谱包含属于相同子节点的孙节点以及所述孙节点之间的第三关联关系;
其中所述嵌套模块,还用于将所述第三层知识图谱嵌套到所述第二层知识图谱的该至少一个子节点中。
在一个实施方式中,所述第一层知识图谱还包括:父节点的属性以及父节点与父节点的属性之间的第四关联关系;所述第二层知识图谱还包括:子节点的属性以及子节点与子节点的属性之间的第五关联关系。
在一个实施方式中,其中用于构建第一层知识图谱、第二层知识图谱或第三层知识图谱的数据来源包括下列中的至少一个:结构化数据;非结构化数据;半结构化数据。
在一个实施方式中,嵌套后的知识图谱中进一步包含:属于不同父节点的子节点之间的关联关系。
在一个实施方式中,还包括推荐模块,用于:
基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息只与父节点相关时,展示所述第一层知识图谱;或
基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息与单个父节点和该单个父节点的子节点相关时,展示该单个父节点的嵌套后知识图谱;或
基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息与多个父节点和至少一个父节点的子节点相关时,展示多个父节点的各自的嵌套后知识图谱。
一种构建多层次知识图谱的装置,包括:包括处理器和存储器;
所述存储器中存储有可被所述处理器执行的应用程序,用于使得所述处理器执行如上任一项所述的构建多层次知识图谱的方法。
一种计算机可读存储介质,其中存储有计算机可读指令,该计算机可读指令用于执行如上任一项所述的构建多层次知识图谱的方法。
附图说明
图1为本发明实施方式构建多层次知识图谱的方法流程图。
图2为本发明实施方式构建单层知识图谱的示范性示意图。
图3为本发明实施方式第一层知识图谱的示范性示意图。
图4为本发明实施方式第二层知识图谱的示范性示意图。
图5为本发明实施方式第二层知识图谱嵌套到父节点的示范性示意图。
图6为本发明实施方式展示父节点之间关联关系的示范性示意图。
图7为本发明实施方式展示推荐信息的第一可视化界面示意图。
图8为本发明实施方式展示推荐信息的第二可视化界面示意图。
图9为本发明实施方式展示推荐信息的第三可视化界面示意图。
图10为本发明实施方式构建多层次知识图谱的装置的示范性结构图。
图11为本发明实施方式构建多层次知识图谱的装置的示范性结构图。
其中,附图标记如下:
具体实施方式
为了使本发明的技术方案及优点更加清楚明白,以下结合附图及实施方式,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以阐述性说明本发明,并不被配置为用于限定本发明的保护范围。
为了描述上的简洁和直观,下文通过描述若干代表性的实施方式来对本发明的方案进行阐述。实施方式中大量的细节仅被配置为用于帮助理解本发明的方案。但是很明显,本发明的技术方案实现时可以不局限于这些细节。为了避免不必要地模糊了本发明的方案,一些实施方式没有进行细致地描述,而是仅给出了框架。下文中,“包括”是指“包括但不限于”,“根据……”是指“至少根据……,但不限于仅根据……”。由于汉语的语言习惯,下文中没有特别指出一个成分的数量时,意味着该成分可以是一个也可以是多个,或可理解为至少一个。
图1为本发明实施方式构建多层次知识图谱的方法流程图。
如图1所示,该方法包括:
步骤102:构建包含父节点以及父节点之间的第一关联关系的第一层知识图谱。
在这里,构建第一层知识图谱的过程可以包括手动构建过程、自动构建过程和半自动构建过程。
在一个实施方式中,自动构建第一层知识图谱的过程包括:
首先,获取数据源,其中数据源包括多个实体。比如,数据源可以是新闻、帖子、热门文章等文本数据,这些文本数据可以是数据表的形式,也可以是其他的形式。数据源可以称为语料的集合。数据源的获取方式可以是通过爬虫方式对网络新闻、公告、法律文书、工商网站、企业官网、个人主页等的爬虫抓取。数据源也可以是任何可用于收集及发送数据的装置,例如终端设备,终端设备可以是智能手机、平板电脑、手提电脑、桌面电脑或者爬虫服务器等。
然后,对数据源进行语义分析和聚类分析,从数据源中提取实体集合和属性集合。其中,属性集合包括所述实体集合中各实体的实体属性。例如,在创建企业知识图谱时,实体可以是指员工名和企业名,实体属性则是指企业属性、员工属性。其中,员工的实体属性可以是员工职位、员工性别、员工学历、获奖信息、员工级别、员工简历,等等。企业的实体属性可以是公告、新闻、法律文书、知识产权、产品、资质、官网、招聘、行政处罚、研究团队和事件、股票代码、股东信息、投资和高管等信息。语义分析是指按照语法分析器识别的语法范畴进行语义检查和处理,以获取文本的实质含义。聚类分析是指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。
接着,获取所述实体集合中各实体与属性之间的关联关系。根据所述实体集合、属性集合、以及实体与属性之间的关联关系创建并构建第一层知识图谱。其中,知识图谱具体可以包括实体、实体属性、实体与属性之间的关联关系、以及实体间的关联关系。
在一个实施方式中,手动构建第一层知识图谱的过程包括:基于行业知识进行规范定义,以构建第一层知识图谱。比如:定义实体的几大类型:人、任务,技能、机器、部件,等等。
在一个实施方式中,半自动构建第一层知识图谱的过程包括:基于描述信息提取实体集合和属性集合。其中,所述属性集合包括所述实体集合中各实体的实体属性。比如,假定有多个视频文件,自动获取视频文件的描述信息或评论信息,针对描述信息或评论信息进行语义分析和聚类分析,以提取实体集合和属性集合,并构建包含父节点(即为每个视频文件)以及父节点之间的第一关联关系的第一层知识图谱。
步骤104:构建至少一个父节点的第二层知识图谱,其中该第二层知识图谱包含属于相同父节点的子节点以及所述子节点之间的第二关联关系。
优选的,构建每个父节点的第二层知识图谱的过程为自动构建过程。
具体地,构建每个父节点的第二层知识图谱的过程为自动构建过程包括:获取与该父节点相关的数据源。然后,对该数据源进行语义分析和聚类分析,从数据源中提取实体集合和属性集合。其中,属性集合包括实体集合中各实体的实体属性。接着,获取实体集合中各实体与属性之间的关联关系。根据所述实体集合、属性集合、以及实体与属性之间的关联关系创建并构建第二层知识图谱。
举例,当第一层知识图谱的某个父节点为视频文件时,可以获取与该视频文件相关的数据源,比如视频文件中的截图和提取音频。然后,针对截图执行图像识别处理,将图像识别结果(图像的文本描述)输入到基于NLP的语义分析***;对提取音频执行语音识别处理,并将语音识别结果(文本内容)输入到基于NLP的语义分析***。基于NLP的语义分析***对这些多路的文本输入执行NLP处理,提炼出知识本体数据。然后,可以基于知识本体数据构建该作为父节点的视频文件的知识图谱,即为第二层知识图谱。
步骤106:将所述第二层知识图谱嵌套到所述第一层知识图谱的该至少一个父节点中。
在这里,将第二层知识图谱填充到第一层知识图谱的该至少一个父节点中,从而形成嵌套后的知识图谱。
优选地,还可以针对子节点进行进一步的拆分,从而形成更多层次的知识图谱。
在一个实施方式中,该方法还包括:构建至少一个子节点的第三层知识图谱,其中该第三层知识图谱包含属于相同子节点的孙节点以及所述孙节点之间的第三关联关系;将所述第三层知识图谱嵌套到所述第二层知识图谱的该至少一个子节点中。
在一个实施方式中,所述第一层知识图谱还包括:父节点的属性以及父节点与父节点的属性之间的第四关联关系;所述第二层知识图谱还包括:子节点的属性以及子节点与子节点的属性之间的第五关联关系。
在一个实施方式中,其中用于构建第一层知识图谱、第二层知识图谱或第三层知识图谱的数据来源包括下列中的至少一个:结构化数据;非结构化数据;半结构化数据。
在一个实施方式中,所述嵌套后的知识图谱中进一步包含:属于不同父节点的子节点之间的关联关系。
在一个实施方式中,还包括:基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息只与父节点相关时,展示所述第一层知识图谱;或,基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息与单个父节点和该单个父节点的子节点相关时,展示该单个父节点的嵌套后知识图谱;或,基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息与多个父节点和至少一个父节点的子节点相关时,展示多个父节点的各自的嵌套后知识图谱。在这里,可以利用视频、音频、照片或文字等多种方式呈现推荐信息。
在一个实施方式中,可以从人事资源数据库、工作日志数据库等结构化数据库获取结构化的用户数据,以作为构建知识图谱的数据来源。可选地,还可以从非结构化数据源等,获取非结构化的用户数据,以作为构建知识图谱的数据来源。
图2为本发明实施方式构建知识图谱的示范性示意图。
如图2所示,数据源20包括多种类型,具体包括文件21、图片22、音频23和视频24。其中,可以将文件21中所包含的文本输入到基于NLP的语义分析***30。图像识别25针对图片22执行图像识别处理,将图像识别结果(图像的文本描述)输入到基于NLP的语义分析***30。语音识别27对音频23执行语音识别处理,并将语音识别结果输入到基于NLP的语义分析***30。针对视频24,首先基于音频提取28提取出音频,针对提取出的音频执行语音识别29,然后将语音识别结果输入到基于NLP的语义分析***30。
可见,基于NLP的语义分析***30具有多路的文本输入源。基于NLP的语义分析***30执行NLP处理,提炼出知识本体数据60。然后,基于该知识本体数据60可以构建包含用户实体、技能实体与操作对象实体的知识图谱。比如,具体可以采用Neo4j或者MongoDB等工具来构建知识图谱。其中,用户实体中可以包含表示为<用户标识、用户属性和用户属性值>的三元组;技能实体中可以包含表示为<技能标识、技能属性和技能属性值>的三元组;操作对象实体中可以包含表示为<对象实体标识、对象实体属性和对象实体属性值>的三元组。优选地,知识图谱处于动态更新状态。
图3为本发明实施方式第一层知识图谱的示范性示意图。
在图3中,展示了第一层知识图谱,包括多个父节点,分别为父节点A、父节点B、父节点C、父节点D、父节点E、父节点F、父节点G、父节点H、父节点I、父节点J和父节点K。在第一层知识图谱中,还展示了父节点A、父节点B、父节点C、父节点D、父节点E、父节点F、父节点G、父节点H、父节点I、父节点J和父节点K之间的相互关联关系。具体地,这些父节点可以均为视频文件,而且利用视频文件的描述创建该第一层知识图谱。
图4为本发明实施方式第二层知识图谱的示范性示意图。
在图4中,展示了图3中父节点A的知识图谱。可见,父节点A包括子节点a、子节点b、子节点c、子节点d和子节点e。在图4中,还展示了子节点a、子节点b、子节点c、子节点d和子节点e之间的相互关联关系。具体地,可以针对父节点A的视频文件,分别提取截图和音频。然后,针对截图执行图像识别处理,将图像识别结果(图像的文本描述)输入到基于NLP的语义分析***;对提取音频执行语音识别处理,并将语音识别结果(文本内容)输入到基于NLP的语义分析***。基于NLP的语义分析***对这些多路的文本输入执行NLP处理,提炼出知识本体数据。然后,可以基于知识本体数据构建该作为父节点的视频文件的知识图谱,即为父节点A的第二层知识图谱。
类似地,针对第一层知识图谱中的其它父节点(视频文件),也可以分别创建各自的第二次知识图谱。
图5为本发明实施方式第二层知识图谱嵌套到父节点的示范性示意图。
可见,在图5中,图4所示的第二层知识图谱被填充到图3的父节点A中。其中,省略图示了图3的第一层知识图谱中除了父节点A之外的其余部分。
图6为本发明实施方式展示父节点之间关联关系的示范性示意图。
由图6可见,父节点之间关联关系可以通过子节点的关联关系进行展示,还可以高亮其中的部分关联关系。
图7为本发明实施方式展示推荐信息的第一可视化界面示意图。
在图7中,基于所述嵌套后的知识图谱展示推荐信息71,其中当所述推荐信息只与父节点相关时,展示所述第一层知识图谱81。
图8为本发明实施方式展示推荐信息的第二可视化界面示意图。
在图8中,基于所述嵌套后的知识图谱展示推荐信息81。可见,推荐信息81与单个父节点和该单个父节点的子节点相关,因此展示该单个父节点的嵌套后知识图谱82。
图9为本发明实施方式展示推荐信息的第三可视化界面示意图。
在图9中,基于所述嵌套后的知识图谱展示推荐信息91。可见,所述推荐信息91与多个父节点和至少一个父节点的子节点相关,展示多个父节点的各自的嵌套后知识图谱92.
基于上述描述,本发明实施方式还提出了构建多层次知识图谱的装置。
图10为本发明实施方式构建多层次知识图谱的装置的方框图。
如图10所示,构建多层次知识图谱的装置600包括:
第一构建模块601,用于构建包含父节点以及父节点之间的第一关联关系的第一层知识图谱;
第二构建模块602,用于构建至少一个父节点的第二层知识图谱,其中该第二层知识图谱包含属于相同父节点的子节点以及所述子节点之间的第二关联关系;
嵌套模块603,用于将所述第二层知识图谱嵌套到所述第一层知识图谱的该至少一个父节点中。
在一个实施方式中,还包括:第三构建模块604,用于构建至少一个子节点的第三层知识图谱,其中该第三层知识图谱包含属于相同子节点的孙节点以及所述孙节点之间的第三关联关系;
其中所述嵌套模块603,还用于将所述第三层知识图谱嵌套到所述第二层知识图谱的该至少一个子节点中。
在一个实施方式中,所述第一层知识图谱还包括:父节点的属性以及父节点与父节点的属性之间的第四关联关系;所述第二层知识图谱还包括:子节点的属性以及子节点与子节点的属性之间的第五关联关系。
在一个实施方式中,其中用于构建第一层知识图谱、第二层知识图谱或第三层知识图谱的数据来源包括下列中的至少一个:结构化数据;非结构化数据;半结构化数据。
在一个实施方式中,嵌套后的知识图谱中进一步包含:属于不同父节点的子节点之间的关联关系。
在一个实施方式中,还包括推荐模块605,用于:
基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息只与父节点相关时,展示所述第一层知识图谱;或
基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息与单个父节点和该单个父节点的子节点相关时,展示该单个父节点的嵌套后知识图谱;或
基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息与多个父节点和至少一个父节点的子节点相关时,展示多个父节点的各自的嵌套后知识图谱。
基于上述描述,本发明实施方式还提出了具有存储器-处理器架构的、构建多层次知识图谱的装置。
图11为本发明实施方式的具有存储器-处理器架构的、构建多层次知识图谱的装置的结构图。
如图11所示,该装置700包括处理器701、存储器702及存储在存储器702上并可在处理器701上运行的计算机程序,计算机程序被处理器701执行时实现如上任一项的构建多层次知识图谱的方法。
其中,存储器702具体可以实施为电可擦可编程只读存储器(EEPROM)、快闪存储器(Flash memory)、可编程程序只读存储器(PROM)等多种存储介质。处理器701可以实施为包括一或多个中央处理器或一或多个现场可编程门阵列,其中现场可编程门阵列集成一或多个中央处理器核。具体地,中央处理器或中央处理器核可以实施为CPU或MCU或DSP等等。
需要说明的是,上述各流程和各结构图中不是所有的步骤和模块都是必须的,可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的,可以根据需要进行调整。各模块的划分仅仅是为了便于描述采用的功能上的划分,实际实现时,一个模块可以分由多个模块实现,多个模块的功能也可以由同一个模块实现,这些模块可以位于同一个设备中,也可以位于不同的设备中。
各实施方式中的硬件模块可以以机械方式或电子方式实现。例如,一个硬件模块可以包括专门设计的永久性电路或逻辑器件(如专用处理器,如FPGA或ASIC)用于完成特定的操作。硬件模块也可以包括由软件临时配置的可编程逻辑器件或电路(如包括通用处理器或其它可编程处理器)用于执行特定操作。至于具体采用机械方式,或是采用专用的永久性电路,或是采用临时配置的电路(如由软件进行配置)来实现硬件模块,可以根据成本和时间上的考虑来决定。
本发明还提供了一种机器可读的存储介质,存储用于使一机器执行如本文所述方法的指令。具体地,可以提供配有存储介质的***或者装置,在该存储介质上存储着实现上述实施例中任一实施方式的功能的软件程序代码,且使该***或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。此外,还可以通过基于程序代码的指令使计算机上操作的操作***等来完成部分或者全部的实际操作。还可以将从存储介质读出的程序代码写到***计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作,从而实现上述实施方式中任一实施方式的功能。
用于提供程序代码的存储介质实施方式包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机或云上下载程序代码。
以上所述,仅为本发明的较佳实施方式而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上文通过附图和优选实施例对本发明进行了详细展示和说明,然而本发明不限于这些已揭示的实施例。基与上述多个实施例,本领域技术人员可以知晓,可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例,这些实施例也在本发明的保护范围之内。
Claims (14)
1.一种构建多层次知识图谱的方法(100),其特征在于,包括:
构建包含父节点以及父节点之间的第一关联关系的第一层知识图谱(102);
构建至少一个父节点的第二层知识图谱,其中该第二层知识图谱包含属于相同父节点的子节点以及所述子节点之间的第二关联关系(104);
将所述第二层知识图谱嵌套到所述第一层知识图谱的该至少一个父节点中(106)。
2.根据权利要求1所述的构建多层次知识图谱的方法(100),其特征在于,还包括:
构建至少一个子节点的第三层知识图谱,其中该第三层知识图谱包含属于相同子节点的孙节点以及所述孙节点之间的第三关联关系;
将所述第三层知识图谱嵌套到所述第二层知识图谱的该至少一个子节点中。
3.根据权利要求1所述的构建多层次知识图谱的方法(100),其特征在于,所述第一层知识图谱还包括:父节点的属性以及父节点与父节点的属性之间的第四关联关系;所述第二层知识图谱还包括:子节点的属性以及子节点与子节点的属性之间的第五关联关系。
4.根据权利要求2所述的构建多层次知识图谱的方法(100),其特征在于,其中用于构建第一层知识图谱、第二层知识图谱或第三层知识图谱的数据来源包括下列中的至少一个:结构化数据;非结构化数据;半结构化数据。
5.根据权利要求1所述的构建多层次知识图谱的方法(100),其特征在于,所述嵌套后的知识图谱中进一步包含:属于不同父节点的子节点之间的关联关系。
6.根据权利要求5所述的构建多层次知识图谱的方法(100),其特征在于,还包括:
基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息只与父节点相关时,展示所述第一层知识图谱;或
基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息与单个父节点和该单个父节点的子节点相关时,展示该单个父节点的嵌套后知识图谱;或
基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息与多个父节点和至少一个父节点的子节点相关时,展示多个父节点的各自的嵌套后知识图谱。
7.一种构建多层次知识图谱的装置(600),其特征在于,包括:
第一构建模块,用于构建包含父节点以及父节点之间的第一关联关系的第一层知识图谱(601);
第二构建模块(602),用于构建至少一个父节点的第二层知识图谱,其中该第二层知识图谱包含属于相同父节点的子节点以及所述子节点之间的第二关联关系(104);
嵌套模块(603),用于将所述第二层知识图谱嵌套到所述第一层知识图谱的该至少一个父节点中(603)。
8.根据权利要求7所述的构建多层次知识图谱的装置(600),其特征在于,还包括:
第三构建模块(604),用于构建至少一个子节点的第三层知识图谱,其中该第三层知识图谱包含属于相同子节点的孙节点以及所述孙节点之间的第三关联关系;
其中所述嵌套模块(603),还用于将所述第三层知识图谱嵌套到所述第二层知识图谱的该至少一个子节点中。
9.根据权利要求7所述的构建多层次知识图谱的装置(600),其特征在于,所述第一层知识图谱还包括:父节点的属性以及父节点与父节点的属性之间的第四关联关系;所述第二层知识图谱还包括:子节点的属性以及子节点与子节点的属性之间的第五关联关系。
10.根据权利要求7所述的构建多层次知识图谱的装置(600),其特征在于,其中用于构建第一层知识图谱、第二层知识图谱或第三层知识图谱的数据来源包括下列中的至少一个:结构化数据;非结构化数据;半结构化数据。
11.根据权利要求7所述的构建多层次知识图谱的装置(600),其特征在于,嵌套后的知识图谱中进一步包含:属于不同父节点的子节点之间的关联关系。
12.根据权利要求11所述的构建多层次知识图谱的方法(100),其特征在于,还包括推荐模块(605),用于:
基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息只与父节点相关时,展示所述第一层知识图谱;或
基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息与单个父节点和该单个父节点的子节点相关时,展示该单个父节点的嵌套后知识图谱;或
基于所述嵌套后的知识图谱展示推荐信息,其中当所述推荐信息与多个父节点和至少一个父节点的子节点相关时,展示多个父节点的各自的嵌套后知识图谱。
13.一种构建多层次知识图谱的装置(700),其特征在于,包括:包括处理器(701)和存储器(702);
所述存储器(702)中存储有可被所述处理器(701)执行的应用程序,用于使得所述处理器(701)执行如权利要求1至6中任一项所述的构建多层次知识图谱的方法(100)。
14.一种计算机可读存储介质,其特征在于,其中存储有计算机可读指令,该计算机可读指令用于执行如权利要求1至6中任一项所述的构建多层次知识图谱的方法(100)。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/109365 WO2022032685A1 (en) | 2020-08-14 | 2020-08-14 | Method and device for constructing multi-level knowledge graph |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116097253A true CN116097253A (zh) | 2023-05-09 |
Family
ID=80247599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080103917.8A Pending CN116097253A (zh) | 2020-08-14 | 2020-08-14 | 构建多层次知识图谱的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116097253A (zh) |
WO (1) | WO2022032685A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115905559B (zh) * | 2022-11-10 | 2024-01-23 | 北京大学 | 失智照护领域知识图谱构建方法和装置 |
CN117150091B (zh) * | 2023-11-01 | 2024-01-02 | 四川易利数字城市科技有限公司 | 一种预处理精细化城市空间信息图谱反演方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1570920A (zh) * | 2004-05-08 | 2005-01-26 | 中国科学院计算技术研究所 | 基于模式的知识流网络设计方法 |
CN111078967B (zh) * | 2018-10-19 | 2023-04-18 | 阿里巴巴集团控股有限公司 | 显示方法、装置、电子设备和存储介质 |
-
2020
- 2020-08-14 CN CN202080103917.8A patent/CN116097253A/zh active Pending
- 2020-08-14 WO PCT/CN2020/109365 patent/WO2022032685A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022032685A1 (en) | 2022-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108874878B (zh) | 一种知识图谱的构建***及方法 | |
CN107391677B (zh) | 携带实体关系属性的中文通用知识图谱的生成方法及装置 | |
CN110941612B (zh) | 基于关联数据的自治数据湖构建***及方法 | |
US9361587B2 (en) | Authoring system for bayesian networks automatically extracted from text | |
CN102880649B (zh) | 一种个性化信息处理方法和*** | |
US10332012B2 (en) | Knowledge driven solution inference | |
CN110555153A (zh) | 一种基于领域知识图谱的问答***及其构建方法 | |
US9965726B1 (en) | Adding to a knowledge base using an ontological analysis of unstructured text | |
US10896228B2 (en) | Estimating article publication dates and authors based on social media context | |
CN111581990A (zh) | 跨境交易撮合匹配方法及装置 | |
CN109740159B (zh) | 用于命名实体识别的处理方法及装置 | |
Çelik et al. | Towards an information extraction system based on ontology to match resumes and jobs | |
CN109446526B (zh) | 一种隐式篇章关系语料库的构建方法、装置和存储介质 | |
CN114218472A (zh) | 基于知识图谱的智能搜索*** | |
CN116097253A (zh) | 构建多层次知识图谱的方法和装置 | |
CN111241299A (zh) | 一种法律咨询的知识图谱自动构建方法及其检索*** | |
Jung | Semantic wiki-based knowledge management system by interleaving ontology mapping tool | |
CN117473054A (zh) | 基于知识图谱的通用智能问答方法及装置 | |
CN114970543A (zh) | 一种众包设计资源的语义分析方法 | |
CN115795046A (zh) | 数据加工方法、装置、***、电子设备和存储介质 | |
CN106407271B (zh) | 一种智能客服***及其智能客服知识库的更新方法 | |
CN112767933B (zh) | 公路养护管理***的语音交互方法、装置、设备及介质 | |
CN111723177B (zh) | 信息提取模型的建模方法、装置及电子设备 | |
CN114238654A (zh) | 一种知识图谱的构建方法、装置和计算机可读存储介质 | |
CN112905808A (zh) | 知识图谱的构建方法及装置、电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |