(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210111600.X (22)申请日 2022.01.29 (71)申请人 国网四川省电力公司经济技 术研究 院 地址 610000 四川省成 都市中国 （四川） 自 由贸易试验区成都市高新区蜀绣西路 366号 (72)发明人 罗劲瑭　姚实颖　王进　徐杰　 杨宇玄　陈一鸣　祝和春　高栋梁　 曾鉴　张全明　倪江　 (74)专利代理 机构 成都行之专利代理事务所 (普通合伙) 51220 专利代理师 张杨 (51)Int.Cl. G06F 40/216(2020.01)G06F 40/30(2020.01) G06F 16/36(2019.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种面向知识图谱的联合实体消歧方法及 系统 (57)摘要 本发明公开了一种面向知识图谱的联合实 体消歧方法及系统， 系统包括实体指称项排序模 块、 复合特征学习模块、 候选实体决策模块； 其 中， 实体指称项排序模块： 用于对所有实体指称 项进行消歧难易程度排序， 确定系统消歧顺序， 得到消歧任务序列； 复合特征学习模块： 用于对 消歧任务序列中的实体指称项依次进行特征学 习， 包括局部特征和全局特征， 形成适合消歧任 务的复合特征数据集； 候选实体决策模块： 根据 复合特征学习模块得到的复合特征数据集， 用于 构建和训练动态实体消歧决策网络， 并通过动态 实体消歧决策网络得到消歧决策策略， 进行实体 指称项的动态实体消歧。 权利要求书3页 说明书7页 附图1页 CN 114492395 A 2022.05.13 CN 114492395 A 1.一种面向知识图谱的联合实体消歧方法， 其特 征在于， 包括如下步骤： T1： 对待消岐实体指称项进行消歧难易程度排序， 确定系统消歧顺序， 得到消歧任务序 列； T2： 针对消歧任务序列中的实体指称项依次进行特征学习， 包括局部特征和全局特征， 得到适合消歧任务的复合特 征数据集； T3： 构建动态实体消歧决策网络， 以复合特征训练集、 复合特征验证集为输入， 训练动 态实体消歧决策网络； T4： 以复合特征测试集为输入， 通过训练好的动态实体消歧决策网络得到消歧决策策 略， 进行实体指称项的动态实体消歧。 2.根据权利要求1所述的一种面向知识图谱的联合实体消歧方法， 其特征在于， 通过各 实体指称项对应的所有候选实体的先验概 率分布来判断步骤T1所述的消歧难易 程度。 3.根据权利要求1所述的一种面向知识图谱的联合实体消歧方法， 其特征在于， 步骤T1 所述的各实体指称项的消歧难易 程度计算方式为： 式中， Rj表示第j个实体指称项的消歧难易程度， Pi表示第j个实体指称项的第i个候选 实体的先验概率， n表示第j个实体指称项对应的候选实体的个数， i和j为无具体定义的变 量。 4.根据权利要求2或3任意一项所述的一种面向知识图谱的联合实体消歧方法， 其特征 在于， 分别对多个选定网络语料库中的实体指称项超链接进行概率统计， 将平均值作为候 选实体的先验概 率。 5.根据权利要求1所述的一种面向知识图谱的联合实体消歧方法， 其特征在于， 步骤T2 所述的特 征学习具体包括以下子步骤： T21： 采用word2vec模型对实体指称项的上下文信息、 实体指称项对应候选实体的描述 文本信息进行 预训练， 生成预训练向量； 其中， 获得指定实体指称项的上下文信息c， c＝{c1,c2,...,ct}， 上下文字数的窗口大 小为t； 获得指定实体指称项对应的第i个候选实体的描述文本信息wi， wi＝{wi1,wi2,...,wih}， 描述文本 长度为h； T22： 采用Transformer模型对指定实体指称项的上下文信息、 指定实体指称项对应候 选实体的描述文本信息 分别进行编码， 获得上下文信息向量C和第i个候选实体的描述文本 信息向量 Wi， 公式如下： C＝c'1,c'2,...,c’t＝T(c1,c2,...,ct) Wi＝w’i1,w’i2,...,w’ih＝T(wi1,wi2,...,wih) 其中， T表示Transformer模块； T23： 通过前馈神经网络f获得第i个候选实体的标准化向量 生成指定实体指称项对 应的候选实体集的向量矩阵 其中， n为指定实体指称项对应的候选实体数量； 权　利　要　求　书 1/3 页 2 CN 114492395 A 2T24： 采用softmax函数分别获得候选实体向量和已链接的实体向量对上下文向量的注 意力系数矩阵， 再与上下文信息向量C相乘， 通过加权求和得到局部特征向量X1、 全局特征 向量X2； T25： 将局部特征向量X1和全局特征向量X2通过一个前馈神经 网络f， 与指定 实体指称项 对应的候选实体集的向量矩阵 按列拼接， 获得动态实体消歧决策网络的复合特征向量 Einput。 6.根据权利要求5所述的一种面向知识图谱的联合实体消歧方法， 其特征在于， 步骤 T24所述的局部特 征向量X1的计算公式如下： 步骤T24所述的全局特 征向量X2的计算公式如下： 其中， d为训练向量 维度， m为已链接的实体指称项数量， 为第i个实体指称项已链接的 实体向量， 向量矩阵 7.根据权利要求5所述的一种面向知识图谱的联合实体消歧方法， 其特征在于， 步骤 T25所述的复合特 征向量Einput的计算公式如下： X＝f(X1,X2) 其中， concat表示concat函数。 8.一种面向知识图谱的联合实体消歧系统， 用于实现权利要求1 ‑7任意一项所述的一 种面向知识图谱的联合 实体消歧方法， 其特征在于， 包括 实体指称项排序模块、 复合特征学 习模块、 候选实体决策模块； 其中， 实体指称项排序模块： 用于对所有实体指称项进行消歧难易程度排序， 确定系统消歧 顺序， 得到消歧任务序列； 复合特征学习模块： 用于对消歧任务序列中的实体指称项依次进行特征学习， 包括局 部特征和全局特 征， 形成适 合消歧任务的复合特 征数据集； 候选实体决策模块： 根据复合特征学习模块得到的复合特征数据集， 用于构建和训练 动态实体消歧决策网络， 并通过动态实体消歧决策网络得到消歧决策策略， 进行实体指称 项的动态实体消歧。 9.根据权利要求7所述的一种面向知识图谱的联合实体消歧系统， 其特征在于， 所述实 体指称项排序模块包括 候选实体不确定度量 化单元和排序单 元， 其中，权　利　要　求　书 2/3 页 3 CN 114492395 A 3