CN110490331A - 知识图谱中节点的处理方法及装置 - Google Patents

Abstract

本发明提供了一种知识图谱中节点的处理方法及装置，其中，该方法包括：获取所述知识图谱中各个节点的属性值，其中，所述属性值包括：归一化后的中介中心性，归一化后的接近中心性，归一化后的度中心性，归一化后的局部聚集系数，以及归一化后的节点类型系数；将所述属性值输入到预先训练的模型中得到所述知识图谱中各个节点的重要度。通过本发明，解决了相关技术中对于知识图谱中的节点重要度描述比较单一缺乏全面性的问题。

Description

知识图谱中节点的处理方法及装置

技术领域

本发明涉及计算机领域，具体而言，涉及一种知识图谱中节点的处理方法及装置。

背景技术

在知识图谱的数据中分为实体和关系，每个实体在现实场景中，都有着不同的意义。在进行图谱的分析时，准确的获知图谱数据的实体节点的重要度，有着重要的分析价值。

现有技术中采用的是通过中介中心性，接近中心性，度中心性，局部聚集系数四个属性之一来定义实体的重要性；但中介中心性，接近中心性，度中心性，局部聚集系数都只是从某一个方面去描述实体在某个方面的重要度，用其中之一来作为重要度的完整描述，缺乏全面性，准确度差。

针对相关技术中的上述问题，目前尚未存在有效的解决方案。

发明内容

本发明实施例提供了一种知识图谱中节点的处理方法及装置，以至少解决相关技术中对于知识图谱中的节点重要度描述比较单一缺乏全面性的问题。

根据本发明的一个实施例，提供了一种知识图谱中节点的处理方法，包括：获取所述知识图谱中各个节点的属性值，其中，所述属性值包括：归一化后的中介中心性，归一化后的接近中心性，归一化后的度中心性，归一化后的局部聚集系数，以及归一化后的节点类型系数；将所述属性值输入到预先训练的模型中得到所述知识图谱中各个节点的重要度。

根据本发明的另一个实施例，提供了一种知识图谱中节点的处理装置，包括：第一获取模块，用于获取所述知识图谱中各个节点的属性值，其中，所述属性值包括：归一化后的中介中心性，归一化后的接近中心性，归一化后的度中心性，归一化后的局部聚集系数，以及归一化后的节点类型系数；处理模块，用于将所述属性值输入到预先训练的模型中得到所述知识图谱中各个节点的重要度。

根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明，获取知识图谱中各个节点的属性值，其中，属性值包括：归一化后的中介中心性，归一化后的接近中心性，归一化后的度中心性，归一化后的局部聚集系数，以及归一化后的节点类型系数，进而将属性值输入到预先训练的模型中得到知识图谱中各个节点的重要度；可见，在本申请中是根据归一化后的中介中心性，归一化后的接近中心性，归一化后的度中心性，归一化后的局部聚集系数，以及归一化后的节点类型系数来确定节点重要度，而不是根据某一个属性来确定的，解决了相关技术中对于知识图谱中的节点重要度描述比较单一缺乏全面性的问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例的知识图谱中节点的处理方法的终端的硬件结构框图；

图2是根据本发明实施例的知识图谱中节点的处理方法的流程图；

图3是根据本发明实施例的知识图谱中节点的处理装置的结构框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

首先，对本申请中的术语进行相应的说明；

中介中心性：指的是一个结点担任其它两个结点之间最短路径的桥梁的次数。一个结点充当“中介”的次数越高，它的中介中心度就越大。

如何计算节点的中介中心性：

1)，取子群中的任意1个节点A，计算该节点和子群其他节点的最短路径数量总和，记为N；

2)，同时将每个最短路径上的节点，根据最短路径通过的次数，记录为M1，M2….，没有路径通过的记录为0；

3)，计算每个节点的单次中介中心性，记录为M1/N,M2/N…..；

4)，标记节点A计算完成，取子群下一个节点计算，重复步骤1，直到所有节点计算完成；

5)，对每个节点的单次中介中心性求和，即为该节点的中介中心性。

度中心性：对于一个拥有g个节点的无向图，节点i的度中心性是i与其它g-1个节点的直接联系总数，计算方法表示如下：

其中，CD(Ni)表示节点i的度中心度，

用于计算节点i与其它g-1个j节点(i≠j，排除i与自身的联系；也就是说，主对角线的值可以忽略)之间的直接联系的数量。

接近中心性：计算的是一个点到其他所有点的距离的总和，这个总和越小就说明这个点到其他所有点的路径越短，也就说明这个点距离其他所有点越近。计算方法为：1/(与此节点相连的所有节点的和)。

局部聚集系数：测量图中每一个结点附近的集聚程度，计算方法表示如下：

面向节点，对于节点vi，找出其直接邻居节点集合Ni，计算Ni构成的网络中的边数K，除以Ni集合可能的边数|Ni|*(|Ni|-1)/2。

LR算法：机器学习的逻辑回归算法；

决策树算法：机器学习的决策树算法。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

实施例1

本申请实施例一所提供的方法实施例可以在终端、计算机终端或者类似的运算装置中执行。以运行在终端上为例，图1是本发明实施例的一种知识图谱中节点的处理方法的终端的硬件结构框图。如图1所示，终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限定。例如，终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的知识图谱中节点的处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括终端10的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种运行于上述终端的知识图谱中节点的处理方法，图2是根据本发明实施例的知识图谱中节点的处理方法的流程图，如图2所示，该流程包括如下步骤：

步骤S202，获取知识图谱中各个节点的属性值，其中，属性值包括：归一化后的中介中心性，归一化后的接近中心性，归一化后的度中心性，归一化后的局部聚集系数，以及归一化后的节点类型系数；

步骤S204，将属性值输入到预先训练的模型中得到知识图谱中各个节点的重要度。

通过上述步骤S202和步骤S204，获取知识图谱中各个节点的属性值，其中，属性值包括：归一化后的中介中心性，归一化后的接近中心性，归一化后的度中心性，归一化后的局部聚集系数，以及归一化后的节点类型系数，进而将属性值输入到预先训练的模型中得到知识图谱中各个节点的重要度；可见，在本申请中是根据归一化后的中介中心性，归一化后的接近中心性，归一化后的度中心性，归一化后的局部聚集系数，以及归一化后的节点类型系数来确定节点重要度，而不是根据某一个属性来确定的，解决了相关技术中对于知识图谱中的节点重要度描述比较单一缺乏全面性的问题。

在本申请中的一个可选实施方式中，本申请的方法步骤还可以包括：

步骤S206，将知识图谱中的节点根据节点之间的关系划分为多个子群；

步骤S208，对每一个子群中的节点的重要度进行求和；

步骤S210，根据每个子群的重要度和值对多个子群进行排序。

可见，通过上述步骤S206至步骤S210，能够对每一个子群(完全联通的点的集合)中的每个节点进行重要度求和，获得整个子群的重要度；进而在图谱展示和推荐的时候，根据子群的重要度，进行推荐排序。

在本申请的另一个可选实施方式中，本申请的方法步骤还可以包括：

步骤S212，根据重要度对知识图谱中的各个节点进行排序；

步骤S214，根据排序对知识图谱中的节点进行展示。

可见，根据上述步骤S212和步骤S214还可以对知识图谱中的各个节点根据重要度进行排序进而展示，在具体应用场景中可以是：对于重要度超过0.5的节点，判断该节点是群体的核心成员节点，对该节点进行优先展示：核心成员的节点放大，处于正中心进行展示；其他节点根据和核心成员节点的路径(1度连接，2度连接等)分成展示。核心成员的节点放置在最上层；跟核心成员有直接1度关系的，放置在第二层；一次类推，完成的展示群体的组织结构。

在本申请的另一个可选实施方式中，通过以下方式得到已训练的模型；

S1，获取多个知识图谱中的各个节点的属性值；

S2，基于多个知识图谱中的各个节点的属性值，通过逻辑回归LR算法对预设模型中的参数进行训练，直到预设模型中的参数满足预设条件得到已训练好的模型。

下面结合本申请的可选实施方式，对本申请进行举例说明；

在本可选实施方式中，提供了一种知识图谱群体重要度预测方法，该方法的步骤包括：

步骤S11，对于指定的图谱数据，分别计算四个值：中介中心性，接近中心性，度中心性，局部聚集系数。

步骤S21，获取节点的type类型，根据实际场景，给予不同的类型不一样的分值，比如在公安行业，前科重点人，非前科重点人，普通人关注度完全不一样，给与前科重点人20，非前科重点人10，普通人1；通过分值的设置，将节点的类型标签转化成可以被训练的分值数据。

步骤S31，对以上获得的5类数据，进行归一化的数据处理：

取一类数据的最大值MAX1，最小值MIN1，当前值X；

归一化计算公式为X＝(X-MIN1)/(MAX1-MIN1)；

步骤S41，使用已经标注的图谱数据(图中已经标注了重要度最高的节点)，对每个节点分别取得下面数据：

归一化后的中介中心性X1，归一化后的接近中心性X2，归一化后的度中心性X3，归一化后的局部聚集系数X4，归一化后的节点type系数X5；其中，当该节点为重要度最高的节点时，记录Y为1；否则Y为0。

步骤S51，使用LR算法，对标注的图谱数据进行训练，获得LR模型，以通用模型文件的格式PPML的格式输出。

因为重要度最高的节点数据总是少于其他节点数据，对Y为1的数据和Y为0的数据，分开采样，保证Y为1的数据集合不低于Y为0的数据集合的六分之一。

步骤S61，当新的图谱数据入库后，对每个节点分别计算：

归一化后的中介中心性X1，归一化后的接近中心性X2，归一化后的度中心性X3，归一化后的局部聚集系数X4，归一化后的节点type系数X5。

步骤S71，使用之前的PMML模型文件，进行节点重要度的预测，获得节点重要度分数predictScore。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

实施例2

在本实施例中还提供了一种知识图谱中节点的处理装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图3是根据本发明实施例的知识图谱中节点的处理装置的结构框图，如图3所示，该装置包括：第一获取模块32，用于获取知识图谱中各个节点的属性值，其中，属性值包括：归一化后的中介中心性，归一化后的接近中心性，归一化后的度中心性，归一化后的局部聚集系数，以及归一化后的节点类型系数；处理模块34，与第一获取模块34耦合连接，用于将属性值输入到预先训练的模型中得到知识图谱中各个节点的重要度。

可选地，本申请的装置还可以进一步包括：划分模块，用于将知识图谱中的节点根据节点之间的关系划分为多个子群；求和模块，用于对每一个子群中的节点的重要度进行求和；第一排序模块，用于根据每个子群的重要度和值对多个子群进行排序。

可选地，本申请的装置还可以进一步包括：第二排序模块，用于根据重要度对知识图谱中的各个节点进行排序；展示模块，用于根据排序对知识图谱中的节点进行展示。

可选地，本申请的装置还可以进一步包括：第二获取模块，用于获取多个知识图谱中的各个节点的属性值；训练模块，用于基于多个知识图谱中的各个节点的属性值，通过逻辑回归LR算法对预设模型中的参数进行训练，直到预设模型中的参数满足预设条件得到已训练好的模型。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

实施例3

本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，获取知识图谱中各个节点的属性值，其中，属性值包括：归一化后的中介中心性，归一化后的接近中心性，归一化后的度中心性，归一化后的局部聚集系数，以及归一化后的节点类型系数；

S2，将属性值输入到预先训练的模型中得到知识图谱中各个节点的重要度。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，获取知识图谱中各个节点的属性值，其中，属性值包括：归一化后的中介中心性，归一化后的接近中心性，归一化后的度中心性，归一化后的局部聚集系数，以及归一化后的节点类型系数；

S2，将属性值输入到预先训练的模型中得到知识图谱中各个节点的重要度。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，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。

Claims (11)

1.一种知识图谱中节点的处理方法，其特征在于，包括：

获取所述知识图谱中各个节点的属性值，其中，所述属性值包括：归一化后的中介中心性，归一化后的接近中心性，归一化后的度中心性，归一化后的局部聚集系数，以及归一化后的节点类型系数；

将所述属性值输入到预先训练的模型中得到所述知识图谱中各个节点的重要度。

2.根据权利要求1所述的方法，其特征在于，还包括：

将所述知识图谱中的节点根据节点之间的关系划分为多个子群；

对每一个子群中的节点的重要度进行求和；

根据每个子群的重要度和值对所述多个子群进行排序。

3.根据权利要求1所述的方法，其特征在于，还包括：

根据重要度对所述知识图谱中的各个节点进行排序；

根据所述排序对所述知识图谱中的节点进行展示。

4.根据权利要求1所述的方法，其特征在于，通过以下方式得到已训练的模型；

获取多个知识图谱中的各个节点的属性值；

基于所述多个知识图谱中的各个节点的属性值，通过逻辑回归LR算法对预设模型中的参数进行训练，直到所述预设模型中的参数满足预设条件得到已训练好的模型。

5.根据权利要求1所述的方法，其特征在于，归一化的方式为：

X＝(X-MIN1)/(MAX1-MIN1)；

其中，取一类数据的最大值MAX1，最小值MIN1，当前值X。

6.一种知识图谱中节点的处理装置，其特征在于，包括：

第一获取模块，用于获取所述知识图谱中各个节点的属性值，其中，所述属性值包括：归一化后的中介中心性，归一化后的接近中心性，归一化后的度中心性，归一化后的局部聚集系数，以及归一化后的节点类型系数；

处理模块，用于将所述属性值输入到预先训练的模型中得到所述知识图谱中各个节点的重要度。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

划分模块，用于将所述知识图谱中的节点根据节点之间的关系划分为多个子群；

求和模块，用于对每一个子群中的节点的重要度进行求和；

第一排序模块，用于根据每个子群的重要度和值对所述多个子群进行排序。

8.根据权利要求6所述的装置，其特征在于，所述装置包括：

第二排序模块，用于根据重要度对所述知识图谱中的各个节点进行排序；

展示模块，用于根据所述排序对所述知识图谱中的节点进行展示。

9.根据权利要求6所述的装置，其特征在于，所述装置还包括：

第二获取模块，用于获取多个知识图谱中的各个节点的属性值；

训练模块，用于基于所述多个知识图谱中的各个节点的属性值，通过逻辑回归LR算法对预设模型中的参数进行训练，直到所述预设模型中的参数满足预设条件得到已训练好的模型。

10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至5任一项中所述的方法。

11.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至5任一项中所述的方法。