用于构建特定专业的知识图谱的方法和装置与流程

1.本公开的实施例涉及计算机领域，更具体地涉及用于构建特定专业的知识图谱的方法和装置、训练用于构建知识图谱的计算机模型的方法和装置、电子设备和计算机可读存储介质。


背景技术：

2.知识图谱又称为知识库，其被用于描述真实世界中存在的各种实体、实体之间的关系以及实体各自的属性。目前，知识图谱被广泛地应用于搜索、人工智能、深度学习等领域。
3.在许多专业性很强的领域(例如医疗领域)中，专业知识图谱将在数值化以及智能化中起到重要的作用。因此，期望构建高质量、专业性强的知识图谱。


技术实现要素：

4.根据本公开的示例实施例，提供了用于构建专业知识图谱的方案。
5.在本公开的第一方面中，提供了一种用于构建特定专业的知识图谱的方法。该方法包括：接收描述特定专业的实体的第一词语；基于所接收的第一词语和所存储的多个第二词语，生成多个词语对，其中多个第二词语分别描述在与实体相关的给定对象类型中特定专业的多个候选对象；根据实体和多个候选对象在特定专业中的关联度，评估所述多个词语对；和基于评估的结果，确定与第一词语相匹配的第二词语，以用于构建知识图谱。
6.在本公开的第二方面中，提供了一种训练用于构建知识图谱的计算机模型的方法。该方法包括：接收第一样本数据集，其中第一样本数据集包括多个由第一词语和第二词语构成的第一词语对，第一词语描述特定专业的实体，第二词语描述在给定对象类型中与该实体相匹配的特定专业的对象；接收第二样本数据集，其中第二样本数据集包括多个由第一词语和第三词语构成的第二词语对，第三词语描述在给定对象类型中与该实体不匹配的特定专业的对象；基于第一样本数据集和第二样本数据集，训练计算机模型。
7.在本公开的第三方面中，提供了一种用于构建特定专业的知识图谱的装置。该装置包括：接收模块，被配置为接收描述特定专业的实体的第一词语；生成模块，被配置为基于所接收的第一词语和所存储的多个第二词语，生成多个词语对，其中多个第二词语分别描述在与实体相关的给定对象类型中特定专业的多个候选对象；评估模块，被配置为根据实体和多个候选对象在特定专业中的关联度，评估多个词语对；和确定模块，被配置为基于评估的结果，确定与第一词语相匹配的第二词语，以用于构建知识图谱。
8.在本公开的第四方面中，提供了一种训练用于构建知识图谱的计算机模型的装置。该装置包括：第一接收模块，被配置为接收第一样本数据集，其中第一样本数据集包括多个由第一词语和第二词语构成的第一词语对，第一词语描述特定专业的实体，第二词语描述在给定对象类型中与该实体相匹配的特定专业的对象；第二接收模块，被配置为接收第二样本数据集，其中第二样本数据集包括多个由第一词语和第三词语构成的第二词语
例如可以指代在特定专业领域中的专业术语，其通常可以描述具有专业含义的概念。“对象”例如可以指代在特定专业领域中与实体发生关联的对象。
23.以医疗领域为例，“实体”例如可以是疾病名称、身体器官等，而“对象”例如可以是疾病所属类型或所属系统、器官所属部位或所属系统等。例如在以主谓宾(spo)形式的知识条目“感冒的疾病系统是呼吸系统”中，包括描述实体的主语“感冒”，描述关系的谓语“疾病系统”和描述对象的宾语“呼吸系统”。
24.目前，对于专业性的知识图谱的需求越来越大。与构建通用知识图谱相比，构建专业性知识图谱的主要差异在于：1)可信赖的专业性语料来源需要更具权威性，而这部分权威知识的载体大多是无结构化的；2)由专家确认的过程具有较高的成本，样本量普遍偏小，对抽取技术的要求更高；3)专业领域是相对封闭的，在知识构建的过程中，更多的挖掘技术以及挖掘方式的使用受到了限制，使得构建一份更加完整的专业图谱的难度更高。
25.为构建例如专业的医疗知识图谱时，现有方案需要大量的结构化知识条目。在医疗专业的示例中，理想的spo知识条目例如是上述的“感冒的疾病系统是呼吸系统”。然而，这样的直接关联的表述在各类专业书籍中很难找到的。
26.为了解决传统方法中对结构化数据的大量需求，根据本公开的实施例提出了一种用于构建特定专业的知识图谱的技术方案。该方案能够根据描述特定专业的实体词语在给定对象类型中确定与该实体词语相关联的对象词语，从而在实体词语和对象词语之间建立关系，以用于构建专业知识图谱。由此，本公开的实施例能够在有效降低人力成本的情况下高效地构建专业知识图谱。
27.以下将参照附图来具体描述本公开的实施例。应当理解，虽然为了方便举例，本公开的各个实施例主要以医疗领域为例来进行描述，但是本领域技术人员应当理解本公开的各个实施例在其他专业领域中同样适用。其他领域例如可以是交通、食品、具体学科等等，在此不做限定。
28.图1示出了根据本公开的实施例能够实现在其中的示例环境100的示意图。在示例环境100中，包括输入文本110、计算设备120以及知识图谱130。
29.计算设备120可以从多个数据来源接收输入文本110。输入文本110例如可以包括词语形式的专业词语112。以医疗领域为例，专业词语112例如可以是“风寒型感冒”、“心肌梗塞”、“胆结石”等疾病名称。
30.如图1所示，计算设备120包括数据库122，其存储有专业知识124。“专业知识”例如可以包括在特定专业中与专业词语存在潜在关系的候选对象词语的集合。继续以医疗领域为例，当潜在关系是所属系统时，候选对象词语例如可以是“呼吸系统”、“消化系统”、“心血管系统”。此时也可以说，“呼吸系统”、“消化系统”、“心血管系统”是对象类型为所属系统中的候选对象词语。
31.计算设备120还包括图谱构建模型126。图谱构建模型126通过大量的训练样本128训练得到。例如，可以在通用图谱构建模型的基础上，通过大量的针对特定专业的训练样本，训练得到针对特定专业的专业图谱构建模型。关于具体的训练方法，将在下文中详细描述。
32.图谱构建模型126通过对由输入的专业词语112和数据库122中的多个候选对象词语构成的词语对进行评估，确定与专业词语112相匹配的候选对象词语。例如，当输入的专
业词语112是“风寒型感冒”、候选对象词语是“呼吸系统”、“消化系统”、“心血管系统”，分别构成三组词语对“风寒型感冒；呼吸系统”、“风寒型感冒；消化系统”、“风寒型感冒、心血管系统”。图谱构建模型126对这三组词语对进行评估，最终确定“风寒型感冒”与“呼吸系统”在所属系统的关系中具有更高关联性。
33.计算设备120最终根据图谱构建模型126的评估结果，生成具有spo形式的知识图谱130，包括专业实体132、专业关系134和专业对象136。例如根据上述示例，即构建出“风寒型感冒”(专业实体)、“所属系统”(专业关系)和“呼吸系统”(专业对象)这样的spo形式的知识图谱。
34.图2示出了根据本公开的实施例的用于构建特定专业的知识图谱的方法200的流程图。方法200可以由图1中的计算设备120实现。
35.在框210，计算设备120接收描述特定专业的实体的第一词语。以词语“风寒型感冒”为例，其描述了“医疗专业”中的实体“风寒型感冒”。
36.在框220，计算设备120基于所接收的第一词语和所存储的多个第二词语，生成多个词语对，其中多个第二词语分别描述在与实体相关的给定对象类型中特定专业的多个候选对象。例如在给定对象类型为“所属系统”时，候选对象词语可以是“呼吸系统”、“消化系统”、“心血管系统”等。又例如在给定对象类型为“所属类型”时，候选对象词语可以是“病毒型”、“细菌型”、“传染型”等。再例如在给定对象类型为“所属部位”时，候选对象词语可以是“胸部”、“头部”、“咽喉部”等。
37.在框230，计算设备120根据实体和多个候选对象在特定专业中的关联度，评估多个词语对。
38.在一些实施例中，计算设备120根据实体与每个候选对象在特定专业中的关联度，确定相应的词语对的分数，并且基于所确定的分数来评估词语对。
39.例如在词语对“风寒型感冒；呼吸系统”、“风寒型感冒；消化系统”和“风寒型感冒；心血管系统”这三个词语对中，计算设备120分别根据数据库122中的专业知识124，分别基于词语对中的两个词语之间的关联程度，确定三个词语对的分数。
40.在一些实施例中，计算设备120首先将词语对包含的第一词语和第二词语转化为第一向量表示和第二向量表示，然后连接第一向量表示和第二向量表示，最后根据相似度比较，确定词语对的分数。分数的区间例如在0至1之间。
41.在一些实施例中，计算设备120将具有最高分数的词语对中的第二词语确定为相匹配的第二词语。
42.在一些实施例中，计算设备120将具有超过预定阈值的分数的词语对中的第二词语确定为相匹配的第二词语。阈值分数例如为0.5。
43.在框240处，计算设备120基于评估的结果，确定与第一词语相匹配的第二词语，以用于构建知识图谱。在本文中，“构建知识图谱”例如指建立第一词语与第二词语之间的关联。这种关联例如可以是数据之间的映射关系。
44.在上述例子中，最终确定在“医疗专业”中，与表示实体的词语“风寒型感冒”在给定类型“所属系统”中相匹配的表示对象的词语是“呼吸系统”。由此建立第一词语“风寒型感冒”与第二词语“呼吸系统”在特定的“医疗专业”中的关联。
45.图3示出了根据本公开的实施例的训练用于构建知识图谱的计算机模型的方法
300的流程图。方法300可以由图1中的计算设备120实现。
46.在框310处，计算设备120接收第一样本数据集，其中第一样本数据集包括多个由第一词语和第二词语构成的第一词语对，第一词语描述特定专业的实体，第二词语描述在给定对象类型中与实体相匹配的特定专业的对象。
47.在框320处，计算设备120接收第二样本数据集，其中第二样本数据集包括多个由第一词语和第三词语构成的第二词语对，第三词语描述在给定对象类型中与实体不匹配的特定专业的对象。
48.继续以医疗专业为例，在描述实体的第一词语是“感冒”的情况下，第二词语例如可以是“呼吸系统疾病”。此时，词语对“感冒；呼吸系统疾病”形成用于训练模型的正样本。同时，第三词语例如可以是“消化系统疾病”、“心血管疾病”、“免疫系统疾病”。此时词语对“感冒；消化系统疾病”、“感冒；心血管疾病”、“感冒；免疫系统疾病”形成用于训练模型的负样本。
49.在框330处，计算设备120基于第一样本数据集和第二样本数据集，训练计算机模型。通过这种方式，能够针对特定专业对模型进行训练，从而获得用于构建专业知识图谱的模型。
50.对模型的训练可以采用多种方式。例如可以首先输入作为正样本的第一样本数据集中的全部词语对，然后再输入作为负样本的第二样本数据集的全部词语对。当然，也可以改变样本的输入顺序，例如交替地输入部分正样本和部分负样本。
51.对模型的训练可以是对未经训练的模型进行新的训练，也可以是对经训练的通用领域模型针对特定专业进行优化训练。在此，“通用领域模型”指非针对特定专业领域进行训练的模型。
52.在一些实施例中，第一样本数据集中的第一词语对与第二样本数据集中的第二词语对的比例是1:3。换言之，正样本数量与负样本数量的比例是1:3。
53.在一些实施例中，计算机模型包括：编码层，被配置为将第一词语对中的第一词语和第二词语转化为两个向量表示，或者将第二词语对中的第一词语和第三词语转化为两个向量表示；匹配层，被配置为连接两个向量表示，以形成相似度比较器；输出层，被配置为基于匹配层的结果，输出相似度分数。
54.图4示出了根据本公开的实施例的用于构建特定专业的知识图谱的装置400的框图。装置400可以被包括在图1的计算设备120中或者被实现为计算设备120。
55.如图4所示，装置400包括接收模块410，被配置为接收描述特定专业的实体的第一词语。装置400还包括生成模块420，被配置为基于所接收的第一词语和所存储的多个第二词语，生成多个词语对，其中多个第二词语分别描述在与实体相关的给定对象类型中特定专业的多个候选对象。装置400还包括评估模块430，被配置为根据实体和多个候选对象在特定专业中的关联度，评估所述多个词语对。装置400还包括确定模块440，被配置为基于评估的结果，确定与第一词语相匹配的第二词语，以用于构建知识图谱。
56.在一些实施例中，评估模块430还可以被配置为：根据实体与每个候选对象在所述特定专业中的关联度，确定相应的词语对的分数；和基于所确定的分数来评估词语对。
57.在一些实施例中，评估模块430还可以被配置为：将词语对包含的第一词语和第二词语转化为第一向量表示和第二向量表示；连接第一向量表示和第二向量表示；根据相似
度比较，确定词语对的分数。
58.在一些实施例中，确定模块440还可以被配置为：将具有最高分数的词语对中的第二词语确定为相匹配的第二词语。
59.在一些实施例中，确定模块440还可以被配置为：将具有超过预定阈值的分数的词语对中的第二词语确定为相匹配的第二词语。
60.在一些实施例中，评估模块430还可以被配置为：利用预设的计算机模型来评估多个词语对。
61.在一些实施例中，在特定专业涉及医学专业的情况下，实体包括疾病名称，并且给定对象类型包括所属类型、所属部位和所属系统。
62.图5示出了根据本公开的实施例的训练用于构建知识图谱的计算机模型的装置500的框图。装置500可以被包括在图1的计算设备120中或者被实现为计算设备120。
63.如图5所示，装置500包括第一接收模块510，被配置为接收第一样本数据集，其中第一样本数据集包括多个由第一词语和第二词语构成的第一词语对，第一词语描述特定专业的实体，第二词语描述在给定对象类型中与实体相匹配的特定专业的对象。装置500还包括第二接收模块520，被配置为接收第二样本数据集，其中第二样本数据集包括多个由所述第一词语和第三词语构成的第二词语对，第三词语描述在给定对象类型中与实体不匹配的特定专业的对象。装置500还包括模型训练模块530，被配置为基于第一样本数据集和第二样本数据集，训练计算机模型。
64.在一些实施例中，第一样本数据集中的第一词语对与第二样本数据集中的第二词语对的比例是1:3。
65.在一些实施例中，计算机模型包括：编码层，被配置为将第一词语对中的第一词语和第二词语转化为两个向量表示，或者将第二词语对中的第一词语和第三词语转化为两个向量表示；匹配层，被配置为连接两个向量表示，以形成相似度比较器；输出层，被配置为基于匹配层的结果，输出相似度分数。
66.应当理解，虽然以上主要以医疗专业为例进行描述，但是本技术的实施例不限于此，还可以适用于其他专业领域。
67.图6示出了可以用来实施本公开的实施例的示例设备600的示意性框图。设备600可以用于实现图1的计算设备120。如图所示，设备600包括计算单元610，其可以根据存储在只读存储器(rom)620中的计算机程序指令或者从存储单元680加载到随机访问存储器(ram)630中的计算机程序指令，来执行各种适当的动作和处理。在ram 630中，还可存储设备600操作所需的各种程序和数据。计算单元610、rom 620以及ram 630通过总线640彼此相连。输入/输出(i/o)接口650也连接至总线640。
68.设备600中的多个部件连接至i/o接口650，包括：输入单元660，例如键盘、鼠标等；输出单元670，例如各种类型的显示器、扬声器等；存储单元680，例如磁盘、光盘等；以及通信单元690，例如网卡、调制解调器、无线通信收发机等。通信单元690允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
69.计算单元610可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元610的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及
任何适当的处理器、控制器、微控制器等。计算单元610执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元680。在一些实施例中，计算机程序的部分或者全部可以经由rom 620和/或通信单元690而被载入和/或安装到设备600上。当计算机程序加载到ram 630并由计算单元610执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元610可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。
70.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)等等。
71.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
72.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
73.此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
74.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。