知识图谱处理方法技术

本申请提供知识图谱处理方法

【技术实现步骤摘要】
知识图谱处理方法、电子设备和存储介质


[0001]本申请涉及互联网
，具体而言，涉及知识图谱处理方法
、
电子设备和存储介质
。

技术介绍

[0002]知识图谱
(Knowledge Graph)
通常能够应用于智能客服
、
搜索引擎优化等领域，比如在智能客服领域中，当接收到用户的问题之后，将该问题与知识图谱中节点的内容进行匹配，来获取该问题的答案
。
但知识图谱目前在这些领域中的应用，由于知识图谱中节点的内容较多，导致与知识图谱中节点的内容进行匹配时，匹配效率通常较低
。

技术实现思路

[0003]本申请实施例的目的在于提供知识图谱处理方法
、
电子设备和存储介质，用于解决现有技术中的问题
。
[0004]本申请实施例第一方面提供了一种知识图谱处理方法，包括：
[0005]获取知识图谱中目标节点的文本内容；
[0006]利用关键词标注模型对所述文本内容进行关键词标注；
[0007]将关键词标注所得到的关键词与所述目标节点进行关联
。
[0008]于一实施例中，在将关键词标注所得到的关键词与所述目标节点进行关联之前，所述方法还包括：
[0009]将关键词标注所得到的关键词与所述文本内容进行比对；
[0010]根据比对结果，对关键词标注所得到的关键词进行修正；以及，
[0011]将关键词标注所得到的关键词与所述目标节点进行关联，具体包括：
[0012]将修正后的关键词与所述目标节点进行关联
。
[0013]于一实施例中，所述方法还包括：
[0014]利用训练样本，预先训练生成所述关键词标注模型
。
[0015]于一实施例中，所述方法还包括：
[0016]通过
F1
分数评估所生成的关键词标注模型而的性能，其中，所述
F1
分数通过所生成的关键词标注模型的准确率和召回率计算得到
。
[0017]于一实施例中，通过如下公式计算得到所述
F1
分数：
[0018]F1
＝
n*(a*b)/(a+b)+c
；
[0019]其中，
a
为所生成的关键词标注模型的准确率；
b
为所生成的关键词标注模型的召回率；
n
和
c
分别为预设常数；
F1
为计算得到的
F1
分数
。
[0020]于一实施例中，所述方法还包括：
[0021]采集原始语料数据，所述原始预料数据携带实体
、
实体间关系和实体属性；
[0022]通过特征工程提取所述原始语料数据中的关键特征；
[0023]利用所提取的关键特征生成所述训练样本
。
[0024]于一实施例中，通过特征工程提取所述原始语料数据中的关键特征，具体包括：
[0025]对所述原始语料数据进行预处理，以得到多个特征；
[0026]利用特征筛选算法计算出各个特征的评分；
[0027]针对各个特征，将评分高于阈值的特征作为所筛选出的关键特征
。
[0028]于一实施例中，在将关键词标注所得到的关键词与所述目标节点进行关联之后，所述方法还包括：
[0029]获取用户的问题；
[0030]将所述问题与标注所得到的关键词进行匹配；
[0031]在匹配成功的情况下，向所述用户反馈所关联的所述目标节点的文本内容
。
[0032]本申请实施例第三方面提供了一种电子设备，包括：
[0033]存储器，用以存储计算机程序；
[0034]处理器，用以执行本申请方法实施例中任一项所述的方法
。
[0035]本申请实施例第四方面提供了一种存储介质，包括：程序，当其在电子设备上运行时，使得电子设备可执行本申请方法实施例中任一项所述的方法
。
[0036]采用本申请实施例所提供的方法，包括先获取知识图谱中目标节点的文本内容，然后利用关键词标注模型对该文本内容进行关键词标注，然后将关键词标注所得到的关键词与目标节点进行关联
。
由于该关键词是从知识图谱中目标节点的文本内容，进行关键词标注所得到，因此能够直接将用户的问题与关键词进行匹配，此时由于该关键词标注所得到的关键词的文本长度，小于目标节点的文本内容，因此能够提高匹配效率
。
附图说明
[0037]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图
。
[0038]图1为本申请一实施例提供的电子设备的具体结构示意图；
[0039]图2为本申请一实施例提供的，电子设备与用户终端的交互示意图；
[0040]图3为本申请一实施例提供的，知识图谱处理方法的具体流程示意图；
[0041]图4为本申请一实施例提供的，知识图谱处理装置的具体结构示意图
。
具体实施方式
[0042]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述
。
在本申请的描述中，诸如“第一”、“第二”、“第三”等术语仅用于区分描述，而不能理解为指示或暗示相对重要性或先后顺序
。
[0043]如前所述，知识图谱
(Knowledge Graph)
通常能够应用于智能客服
、
搜索引擎优化等领域，比如在智能客服领域中，当接收到用户的问题之后，将该问题与知识图谱中节点的内容进行匹配，来获取该问题的答案
。
但知识图谱目前在这些领域中的应用，由于知识图谱中节点的内容较多，比如每个节点中通常可以包括该节点所对应实体
、
实体间关系以及实体属性的描述语句，该描述语句虽然以相对简洁的语句来描述出了实体
、
实体间关系以及
实体属性，但内容仍然较多，导致用户的问题与知识图谱中节点的内容进行匹配时，匹配效率通常较低，进而使得，在需要以极快速度向用户反馈答案的场景下难以适用
。
[0044]基于此，本申请实施例提供了一种知识图谱处理方法
、
装置
、
电子设备和存储介质，能够用于对知识图谱进行处理，进能够在知识图谱的应用时，为提高匹配效率提供了基础
。
如图1所示为本实施例所提供的一种电子设备1，该电子设备1包括：至少一个处理器
11
和存储器
12
，图1中以一个处理器为例
。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种知识图谱处理方法，其特征在于，包括：获取知识图谱中目标节点的文本内容；利用关键词标注模型对所述文本内容进行关键词标注；将关键词标注所得到的关键词与所述目标节点进行关联
。2.
根据权利要求1所述的方法，其特征在于，在将关键词标注所得到的关键词与所述目标节点进行关联之前，所述方法还包括：将关键词标注所得到的关键词与所述文本内容进行比对；根据比对结果，对关键词标注所得到的关键词进行修正；以及，将关键词标注所得到的关键词与所述目标节点进行关联，具体包括：将修正后的关键词与所述目标节点进行关联
。3.
根据权利要求1所述的方法，其特征在于，所述方法还包括：利用训练样本，预先训练生成所述关键词标注模型
。4.
根据权利要求3所述的方法，其特征在于，所述方法还包括：通过
F1
分数评估所生成的关键词标注模型而的性能，其中，所述
F1
分数通过所生成的关键词标注模型的准确率和召回率计算得到
。5.
根据权利要求4所述的方法，其特征在于，通过如下公式计算得到所述
F1
分数：
F1
＝
n*(a*b)/(a+b)+c
；其中，
a
为所生成的关键词标注模型的准确率；
b
为所生成的关键词标注模型的召...

【专利技术属性】
技术研发人员：夏凌莉，虞力，管宏伟，
申请(专利权)人：成都新致云服信息技术有限公司，
类型：发明
国别省市：