秦 鵬，唐 忠

(1. 桂林學(xué)院理工學(xué)院，廣西 桂林 541006；2. 廣西醫(yī)科大學(xué)信息與管理學(xué)院，廣西 南寧 530021)

1 引言

計(jì)算機(jī)技術(shù)與信息技術(shù)水平飛速提升，網(wǎng)絡(luò)應(yīng)用呈多元化發(fā)展。在互聯(lián)網(wǎng)的日益普及下，網(wǎng)絡(luò)逐漸演變成信息與知識(shí)的主要獲取渠道，但與日俱增的數(shù)據(jù)量、越來越復(fù)雜的內(nèi)容與形式，都不斷加劇著目標(biāo)信息的尋找難度。為更便捷地找到目標(biāo)信息，語義網(wǎng)、萬維網(wǎng)等[1，2]搜索引擎層出不窮，其中，由語義網(wǎng)衍生出的知識(shí)圖譜[3]最具研究?jī)r(jià)值與應(yīng)用價(jià)值。知識(shí)圖譜通過字符串符號(hào)映射，根據(jù)語義關(guān)系連接物理世界的實(shí)體與概念，形成有向或無向的語義網(wǎng)絡(luò)。此種知識(shí)表達(dá)模式不僅可以實(shí)現(xiàn)知識(shí)間的智能推理，而且能為用戶提供與檢索詞對(duì)應(yīng)的實(shí)體結(jié)構(gòu)化信息。

隨著大數(shù)據(jù)時(shí)代的到來，知識(shí)圖譜更是在諸多關(guān)鍵領(lǐng)域中發(fā)揮著重要作用，建構(gòu)方案也成為熱點(diǎn)研究課題。例如：電力領(lǐng)域中，郭榕等人[4]利用模式層、數(shù)據(jù)層等部分，架構(gòu)出電網(wǎng)故障處置知識(shí)圖譜，該方法通過綜合運(yùn)用TextCNN、LR-CNN、BiGRU-Attention等多種深度學(xué)習(xí)模型，有效解決了詞錯(cuò)分、候選詞沖突等問題，有效性與應(yīng)用性較為理想；教育領(lǐng)域中，李永卉等人[5]利用Protégé軟件，將本體轉(zhuǎn)換為資源描述框架下的三元組數(shù)據(jù)，把映射至圖數(shù)據(jù)結(jié)構(gòu)上的數(shù)據(jù)儲(chǔ)存至Neo4j圖數(shù)據(jù)庫(kù)中，得到詩(shī)詞知識(shí)圖譜，該方法充分發(fā)揮出檢索、分析、應(yīng)用等功能作用，有助于知識(shí)圖譜得到進(jìn)一步開發(fā)與探索。

可視化技術(shù)[6]的發(fā)展，使可視化知識(shí)圖譜被廣泛應(yīng)用且優(yōu)勢(shì)顯著，不僅能提升數(shù)據(jù)的直觀性，而且便于查詢等操作。因此，基于文獻(xiàn)方法優(yōu)勢(shì)，采用深度學(xué)習(xí)技術(shù)，設(shè)計(jì)一種可視化知識(shí)圖譜建構(gòu)模型。該方法的研究重點(diǎn)如下：

1)jieba分詞工具經(jīng)動(dòng)態(tài)規(guī)劃找出最大詞頻組合，有助于實(shí)現(xiàn)高準(zhǔn)確性與高效率性的知識(shí)圖譜構(gòu)建；

2)文本分類模型中注意力機(jī)制的加權(quán)屬性，有助于提高全局信息的處理效果；

3)以深度學(xué)習(xí)的BiLSTM-CRF算法與BiGRU-Attention模型為基礎(chǔ)，設(shè)計(jì)知識(shí)實(shí)體識(shí)別模型與實(shí)體關(guān)系識(shí)別模型，能更好地聯(lián)立詞向量與語義之間的聯(lián)系，更精準(zhǔn)地提取出實(shí)體關(guān)系，為知識(shí)圖譜建構(gòu)奠定基礎(chǔ)。

2 可視化知識(shí)圖譜建構(gòu)模型整體架構(gòu)

預(yù)處理待建圖譜的數(shù)據(jù)集，利用知識(shí)實(shí)體識(shí)別與實(shí)體關(guān)系識(shí)別方法，結(jié)合開源的Neo4j圖數(shù)據(jù)庫(kù)[7]，建立可視化知識(shí)圖譜建構(gòu)模型，如圖1所示。該模型的四個(gè)主要部分是：數(shù)據(jù)源層、預(yù)處理層、識(shí)別層、建構(gòu)層。

圖1 可視化知識(shí)圖譜建構(gòu)模型

2.1 知識(shí)圖譜數(shù)據(jù)預(yù)處理

針對(duì)數(shù)據(jù)集中存在缺失、冗余等問題的數(shù)據(jù)類型，采用清洗、分詞、分類等處理手段，減少無效信息，為后續(xù)操作提供高質(zhì)量數(shù)據(jù)集合，提升知識(shí)圖譜建構(gòu)效率。預(yù)處理方法的實(shí)現(xiàn)流程描述如下：

1)清洗：根據(jù)停用詞表[8]，直接去除符號(hào)、表情等無效字符串；對(duì)于信息項(xiàng)空白等缺失類數(shù)據(jù)，如果不能進(jìn)行有效填充則去除；對(duì)于超文本標(biāo)記語言標(biāo)簽、網(wǎng)絡(luò)地址等冗余類信息，直接去除。

2)分詞：該階段的處理結(jié)果決定知識(shí)圖譜的實(shí)用性與可靠性，采用jieba0.42.1版本中文分詞工具[9]。經(jīng)前綴詞典詞圖掃描輸入的句子，由隱馬爾可夫模型[10]進(jìn)行識(shí)別，通過維特比算法的動(dòng)態(tài)規(guī)劃計(jì)算，得到最優(yōu)狀態(tài)序列，完成分詞處理。

假設(shè)t、t-1、t+1時(shí)刻下詞i與詞o的狀態(tài)分別是it、ot、it-1、ot-1、it+1、ot+1，兩詞的初始狀態(tài)與結(jié)束狀態(tài)分別是i0、o0、ite、ote，則利用下列隱馬爾可夫模型識(shí)別數(shù)據(jù)

(1)

其中，P(·)表示詞當(dāng)前狀態(tài)的受影響指數(shù)；{it-1，ot-1，…，i0，o0}表示詞i與詞o的歷史狀態(tài)；{ite，ote，…，it+1，ot+1，it，ot，it-1，ot-1，…，i0，o0}表示兩個(gè)詞從初始到結(jié)束的全部狀態(tài)。

通過維特比算法動(dòng)態(tài)規(guī)劃計(jì)算識(shí)別模型，查找出最優(yōu)狀態(tài)序列。已知詞i、o、ι、j，若t時(shí)刻下詞i的單路徑集合是{i1，…，it}，則該集合中的最大概率求解公式如下所示：

ιt(i)=max{i1，…，it}P(it-1，ot-1，…，i0，o0|λ)

(2)

其中，λ表示任意詞的任意狀態(tài)。

由此推導(dǎo)出詞ι的遞推公式

(3)

其中，k、l表示詞的兩種狀態(tài)，pkl表示兩狀態(tài)間的轉(zhuǎn)移概率；g表示詞的觀察狀態(tài)，plgt表示t時(shí)刻下詞狀態(tài)從l狀態(tài)轉(zhuǎn)變?yōu)橛^察狀態(tài)的概率。

針對(duì)t時(shí)刻下詞i的單路徑集合，利用下列公式得出詞頻最大的前n個(gè)詞

jt(i)=arg max(ιt-1(k)pklplgt)

(4)

則t+1時(shí)刻下詞i的動(dòng)態(tài)規(guī)劃結(jié)果如下所示

i′t+1=arg max(ιt(i))=jt+2(i)

(5)

經(jīng)整合，得到由n個(gè)詞構(gòu)成的分詞序列表達(dá)形式，如下所示

I=(i′1，i′2，…，i′n)

(6)

3)分類：基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)[11]，構(gòu)建分類模型。分類流程如下所述：

①輸入層：輸入經(jīng)過分詞處理的數(shù)據(jù)；

②卷積層：假設(shè)句子m中的詞τ經(jīng)嵌入式表示法[12]處理后，得到詞向量xmτ，通過雙向循環(huán)神經(jīng)網(wǎng)絡(luò)[13]，取得正反方向的兩種特征編碼h′mτ、h″mτ，如下所示

(7)

③池化層：融合注意力機(jī)制[14]與雙向門控循環(huán)神經(jīng)網(wǎng)絡(luò)[15]，構(gòu)建雙層級(jí)網(wǎng)絡(luò)層，針對(duì)詞與句子對(duì)語義影響的權(quán)重比，提取特征。根據(jù)卷積層得到的特征編碼h′mτ、h″mτ，利用tanh激活函數(shù)，取得基于注意力機(jī)制的詞向量x′mτ，通過下列sigmoid激活函數(shù)求解其權(quán)值ωmτ

(8)

其中，x′表示融入注意力機(jī)制的任意詞向量。

根據(jù)所得權(quán)重ωmτ與特征編碼h′mτ、h″mτ，生成句子m的雙向特征編碼h′m、h″m，如下所示

(9)

結(jié)合sigmoid函數(shù)解得的句子權(quán)值ωm與網(wǎng)絡(luò)的隱藏層信息，得到數(shù)據(jù)的句向量，如下所示

(10)

④全連接層：拼接所得全部句向量，得到全連接層的輸出項(xiàng)(S′|S″)；

⑤softmax函數(shù)層：利用該網(wǎng)絡(luò)層的二分類模型，完成數(shù)據(jù)分類

L=softmax(ωS′|S″×(S′|S″)+b)

(11)

其中，ωS′|S″表示輸出項(xiàng)(S′|S″)的權(quán)值，b表示偏置項(xiàng)。

2.2 基于深度學(xué)習(xí)的知識(shí)實(shí)體識(shí)別

在深度學(xué)習(xí)的BiLSTM-CRF算法[16]中，添加BERT模型[17]，建立知識(shí)實(shí)體識(shí)別模型，加強(qiáng)語義關(guān)聯(lián)度。模型實(shí)現(xiàn)知識(shí)實(shí)體識(shí)別的步驟如下所述：

1)輸入層：把預(yù)處理過的語料集輸入知識(shí)實(shí)體識(shí)別模型；

2)BERT層：采用BERT模型的自注意力機(jī)制函數(shù)Att(·)取得字向量，作為下一層的輸入項(xiàng)

(12)

其中，Q、K、V分別表示字向量矩陣，d指代矩陣Q、K的組合維度。

3)編碼層：經(jīng)雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)[18]處理，完成數(shù)據(jù)編碼。假設(shè)t時(shí)刻下記憶單元c、遺忘門f、輸入門r、輸出門R的輸出結(jié)果分別是tanh(ct)、ft、rt、Rt，則通過下列公式得到編碼項(xiàng)ht

ht=ftrtRttanh(ct)

(13)

4)解碼層：該層通過條件隨機(jī)場(chǎng)模型[19]實(shí)現(xiàn)解碼處理，提升知識(shí)實(shí)體的識(shí)別準(zhǔn)確度。若輸入序列與輸出標(biāo)簽序列各是X、Y，yq、yq+1分別為序列Y中的兩個(gè)連續(xù)標(biāo)簽，則知識(shí)實(shí)體的分值s由下式解得

(14)

其中，Ayq，yq+1表示兩標(biāo)簽間的轉(zhuǎn)移矩陣。

Y′=argmaxs(X，)

(15)

5)softmax層：利用式(11)分類處理所有實(shí)體；

6)輸出層：訓(xùn)練模型，用取得的最優(yōu)模型，輸出測(cè)試集的知識(shí)實(shí)體識(shí)別結(jié)果。

2.3 基于深度學(xué)習(xí)的實(shí)體關(guān)系識(shí)別

面向BiGRU-Attention模型，引入BERT模型，構(gòu)建雙注意力機(jī)制的實(shí)體關(guān)系識(shí)別模型，在保留關(guān)鍵數(shù)據(jù)的前提下，提高實(shí)體關(guān)系的識(shí)別準(zhǔn)確度。實(shí)現(xiàn)流程分為以下六個(gè)步驟：

1)輸入層：在模型中輸入待識(shí)別的知識(shí)實(shí)體；

2)嵌入層：利用BERT模型構(gòu)建實(shí)體向量，經(jīng)詞嵌入與位置嵌入處理，傳輸至下一層；

3)編碼層：假設(shè)t時(shí)刻下雙向門控循環(huán)單元網(wǎng)絡(luò)的隱藏狀態(tài)及權(quán)重為ut、ωut，則所得輸出編碼h′t的表達(dá)式如下所示

h′t=sigmoid(ωut×ut+b)

(16)

4)機(jī)制層：運(yùn)用雙重注意力機(jī)制與式(8)～(10)，得到句向量；

5)分類層：利用式(11)分類句向量；

6)輸出層：重復(fù)運(yùn)行第2)～第4)步，訓(xùn)練模型，針對(duì)測(cè)試集，得到最優(yōu)模型輸出的實(shí)體關(guān)系識(shí)別結(jié)果。

2.4 知識(shí)圖譜可視化實(shí)現(xiàn)

為實(shí)現(xiàn)知識(shí)圖譜可視化，將識(shí)別的知識(shí)實(shí)體與實(shí)體關(guān)系儲(chǔ)存至Neo4j圖數(shù)據(jù)庫(kù)中，繪制知識(shí)圖譜。繪制流程如圖2所示。

圖2 知識(shí)圖譜可視化實(shí)現(xiàn)流程圖

3 實(shí)驗(yàn)研究

3.1 數(shù)據(jù)集與評(píng)價(jià)指標(biāo)選取

從百度開放數(shù)據(jù)集的人工標(biāo)注數(shù)據(jù)集合中隨機(jī)抽取1000句中文語料，作為知識(shí)圖譜的建構(gòu)對(duì)象。將前300句與后700句分別作為模型的測(cè)試集與訓(xùn)練集。通過不斷訓(xùn)練、更新，得到本文模型中兩個(gè)識(shí)別模型的最優(yōu)參數(shù)，如表1所示。

表1 建構(gòu)模型參數(shù)設(shè)置

(17)

(18)

其中，模型的準(zhǔn)確程度與對(duì)數(shù)損失函數(shù)指標(biāo)呈正相關(guān)，J(θ，θ′)值越大，模型建構(gòu)的知識(shí)圖譜越精準(zhǔn)；模型的有效程度與F1指標(biāo)呈正相關(guān)，F(xiàn)1值越高，模型性能越好。

3.2 知識(shí)實(shí)體識(shí)別效果分析

圖3為不同方法下?lián)p失函數(shù)隨迭代次數(shù)變化的曲線走勢(shì)圖。

圖3 不同方法的知識(shí)實(shí)體識(shí)別效果評(píng)估示意圖

根據(jù)圖3可以看出：本文模型的指標(biāo)值與迭代次數(shù)之間存在一定的線性關(guān)系，提升幅度較大且速度較快；而對(duì)比方法則因領(lǐng)域限制，指標(biāo)值始終低于本文模型。這說明當(dāng)?shù)烈欢ù螖?shù)后，本文模型即可根據(jù)預(yù)處理后的高質(zhì)量數(shù)據(jù)集，通過在BiLSTM-CRF算法中添加BERT模型，精準(zhǔn)識(shí)得知識(shí)實(shí)體。

3.3 實(shí)體關(guān)系識(shí)別效果分析

表2為實(shí)體關(guān)系正確識(shí)別數(shù)量對(duì)比結(jié)果，圖4為F1值對(duì)比結(jié)果。

表2 正確識(shí)別數(shù)量

從表2中的數(shù)據(jù)可以看出：對(duì)于正確識(shí)別數(shù)量指標(biāo)，本文模型僅在作者、首都及人數(shù)三類關(guān)系上，各出現(xiàn)一次錯(cuò)識(shí)別情況，而對(duì)比方法則因較強(qiáng)的領(lǐng)域性與針對(duì)性，僅識(shí)別出極少部分實(shí)體間的關(guān)系。

圖4 不同方法的實(shí)體關(guān)系識(shí)別效果評(píng)估示意圖

根據(jù)圖4可以看出：對(duì)于F1值，各方法的數(shù)值變化走勢(shì)與實(shí)體關(guān)系識(shí)別環(huán)節(jié)的實(shí)驗(yàn)結(jié)果大同小異。以上分析說明，本文通過融合BiGRU-Attention模型與BERT模型，建立雙注意力機(jī)制的實(shí)體關(guān)系識(shí)別模型，在保留關(guān)鍵數(shù)據(jù)的前提下，使詞嵌入與位置嵌入處理得以有效開展，令詞向量與語義間的關(guān)聯(lián)更加緊密，因此，既取得了優(yōu)越的實(shí)體關(guān)系識(shí)別效果，還拓寬了該模型的應(yīng)用范圍與發(fā)展前景。

4 結(jié)論

知識(shí)圖譜作為高效的知識(shí)表達(dá)模型，在人工智能技術(shù)的推動(dòng)下，得以廣泛應(yīng)用。不論是在個(gè)性化推薦領(lǐng)域還是數(shù)據(jù)挖掘領(lǐng)域中，知識(shí)圖譜通過讓計(jì)算機(jī)學(xué)習(xí)人的語言交流方式，快速獲取目標(biāo)知識(shí)間的邏輯關(guān)系，令反饋給用戶的信息更具智能性。因此，對(duì)知識(shí)圖譜建構(gòu)技術(shù)展開研究意義重大。盡管本文模型適用性較強(qiáng)，但仍存在以下幾個(gè)不足之處：選用的分詞工具對(duì)于英文文本不具備良好的適用性，應(yīng)嘗試采用對(duì)中英文均具有較高準(zhǔn)確度的分詞工具，打破模型的語料限制；實(shí)驗(yàn)數(shù)據(jù)量較少，今后應(yīng)針對(duì)大規(guī)模數(shù)據(jù)集建構(gòu)知識(shí)圖譜，探究模型的處理效果；將圖譜后續(xù)使用場(chǎng)景對(duì)建構(gòu)模型的影響作為下一階段的研究方向。