(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 202210501721.5 (22)申请日 2022.05.07 (71)申请人 医惠科技有限公司 地址 310000 浙江省杭州市滨江区阡 陌路 399号医惠中心A楼大堂19楼产业服务 中心 (72)发明人 李鑫　甄化春　戴超铭　 (74)专利代理 机构 杭州创智卓英知识产权代理 事务所(普通 合伙) 33324 专利代理师 刘宏全 (51)Int.Cl. G06F 16/36(2019.01) G06F 17/16(2006.01) (54)发明名称 一种基于团检测的知识表示学习方法和系 统 (57)摘要 本申请涉及一种基于团检测的知识表示学 习方法， 其中， 该方法包括： 确定目标知识节点及 其关联知识节 点， 基于目标知识节 点和关联知识 节点， 构建知识图； 依据预设规则对知识图进行 处理， 得到目标知识节点对应的团检测信息； 基 于团检测信息， 对关联知识节点， 添加不同的负 样本标记； 算法模型在知识表示学习的过程中， 根据负样 本标记， 对关联知识节 点施加不同的惩 罚权重系数， 并生成知识表示向量。 通过本申请， 解决了知识表 示学习中， 同类型的不同实体向量 区分度较低的问题， 提升了知识表 示向量的区分 度。 权利要求书2页 说明书11页 附图4页 CN 115080757 A 2022.09.20 CN 115080757 A 1.一种基于团检测的知识 表示学习方法， 其特 征在于， 所述方法包括： 确定目标知识节点及其关联知识节点， 基于所述目标知识节点和关联知识节点， 构建 知识图； 依据预设规则对所述知识图进行处 理， 得到所述目标知识 节点对应的团检测信息； 基于所述团检测信息， 对所述关联知识 节点， 添加不同的负 样本标记； 算法模型在知识表示学习的过程中， 根据所述负样本标记， 对所述关联知识节点施加 不同的惩罚权 重系数， 并生成知识 表示向量。 2.根据权利要求1所述的方法， 其特征在于， 所述团检测信 息包括： 非 团节点、 所述目标 知识节点的共团节点和非共团节点。 3.根据权利要求2所述的方法， 其特征在于， 依据预设规则对所述知识图进行处理， 得 到所述目标知识 节点对应的团检测信息， 包括： 生成所述知识图对应的关系矩阵， 获取 所述关系矩阵中的行和； 根据所述行和， 确定所述知识图中的非 团节点， 将其非团节点从所述知识图中删除， 得 到待处理知识图， 其中， 所述非团节点的行和为1； 在所述待处理知识图中， 通过预设流程， 获取所述目标知识节点的共团节点和非共团 节点； 基于所述非团节点的信息、 所述共团节点的信息和所述非共团节点的信息， 生成所述 目标知识 节点对应的团检测信息 。 4.根据权利要求3所述的方法， 其特 征在于， 所述预设流 程包括如下： S1， 生成所述待处理知识图对应的关系矩阵， 根据所述关系矩阵， 判断所述待处理知识 图中是否包括单团节点， 若是， 顺序执 行S2， 若否， 跳转执 行S4； S2， 获取所述单团节点， 基于所述单团节点及其 直连节点组成第一cl ique； S3， 判断所述第一cl ique是否等同于所述待处 理知识图， 若是， 跳转执 行S5， 若否， 将所述第一clique中的所有单团节点从所述待处理知识图中删除， 并循环执行 S1至S3， 得到 至少一个第二cl ique， 以及， 不包括单团节点的待处 理知识图， 并顺序执 行S4； S4， 在所述待处理知识图中， 获取行和最小的对象知识节点， 并基于所述对象知识节点 及其连接关系， 构建第一子图和第二子图， 其中， 所述第 一子图包括对象知识节点的共团节点， 所述第 二子图包括， 除所述对象知 识节点的共团节点之外的其 他知识节点； S5， 判断是否从S4跳转至S5， 若是， 将所述第一子图作为S1中的待处理知识图， 并循环 执行S1‑S5， 得到至少一个第三clique， 并将所述第二子图保存在内存空间， 作为备用知识 图数据， 若否， 从内存空间读取所述备用知识图数据， 并将其作为S1中的待处理知识图， 并循环 执行S1‑S5， 得到至少一个第四cl ique； 若当前内存空间中不存在所述备用知识图数据， 则循环终止； S6， 根据S1 ‑S5中累计得到的： 第一clique、 第二cli que、 第三cli que、 第四cli que， 得到 所述取所述目标知识 节点的共团节点和非共团节点。 5.根据权利要求4所述的方法， 其特征在于， 通过所述关系矩阵， 判断所述待处理知识 图中是否包括单团节点， 包括：权　利　要　求　书 1/2 页 2 CN 115080757 A 2在所述关系矩阵中， 获取各个知识节点对应的行和， 判断所述行和是否满足预设等式 关系， 若是， 则输出 所述知识 节点是单团节点的响应信号， 其中， 所述预设等式关系如下： rp＝np*(np‑1) 其中， rp是知识节点的行和， np是与知识 节点共团的其 余节点的数量。 6.根据权利要求2所述的方法， 其特 征在于， 所述方法还 包括： 对所述目标知识节点的共团节点， 添加第一负样本标记， 并在知识表示学习的过程中， 对其施加第一 惩罚权重参数； 对所述目标知识节点的非共团节点， 添加第二负样本标记， 并在知识表示学习过程中， 对其施加第二 惩罚权重参数 对所述非团节点， 添加第 三负样本标记， 并在知识表示学习过程中， 对其施加第 三惩罚 权重参数， 其中， 所述第三惩罚权重参数大于所述第二惩罚权重参数， 所述第二惩罚权重参数大 于所述第一 惩罚权重参数。 7.根据权利要求2所述的方法， 其特征在于， 算法模型在知识表示学习结束之后， 在生 成的知识 表示向量中： 所述目标知识节点的周围， 属于同一个团的知识表示向量内聚， 不属于同一个团的知 识表示向量离 散。 8.一种基于团检测的知识表示学习系统， 其特征在于， 所述系统包括： 构建模块、 团检 测信息获取模块、 标记添加模块和知识 表示学习模块， 其中； 所述构建模块， 用于确定目标知识节点及其关联知识节点， 基于所述目标知识节点和 关联知识 节点， 构建知识图； 所述团检测信息获取模块， 用于依据预设规则对所述知识图进行处理， 得到所述目标 知识节点对应的团检测信息； 所述标记添加模块， 用于基于所述团检测信 息， 对与所述关联知识节点， 添加不同的负 样本标记； 所述知识表示学习模块， 用于在算法模型进行知识表示学习的过程中， 根据所述负样 本标记， 对所述关联知识 节点施加不同的惩罚权 重系数， 并生成知识 表示向量。 9.一种计算机设备， 包括存储器、 处理器以及存储在所述存储器上并可在所述处理器 上运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求 1至 7中任一项所述的方法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器 执行时实现如权利要求1至7中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115080757 A 3