基于知识图谱的信息处理方法及系统与流程

本技术涉及人工智能，具体而言，涉及一种基于知识图谱的信息处理方法及系统。

背景技术：

1、在当今的信息化时代，数据量日益增长，而如何有效处理这些数据并从中提取有用信息成为了一项重要挑战。知识图谱作为一种表示和使用知识的方法，已被广泛应用于信息检索、智能推荐、语义搜索等领域。例如，在运算调度领域，知识图谱能够描述复杂的计算任务、资源以及它们之间的依赖关系，有助于实现高效的资源分配和任务调度。

2、传统的知识图谱通常依赖于预先定义的规则或者模式进行信息抽取和实体识别，但这种方法存在一定的局限性。首先，预设的规则或模式可能无法覆盖所有的实体类型和关系类型，因此会导致部分重要信息被忽视。其次，由于缺乏有效的机制来处理知识图谱中的不确定性和模糊性，使得结果的准确性受到影响。最后，随着知识图谱的扩大，处理复杂性和计算成本也随之增加，降低了系统的性能。也即，传统技术方案往往依赖于手工定义的规则和特征，对于复杂多变的运算调度场景适应性较差。此外，这些方法在处理大规模知识图谱时面临着计算量大、识别精度低等问题。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种基于知识图谱的信息处理方法及系统。

2、依据本技术的第一方面，提供一种基于知识图谱的信息处理方法，所述方法包括：

3、获取目标运算调度知识图谱，并将所述目标运算调度知识图谱加载至实体识别网络，生成所述目标运算调度知识图谱的各目标节点关联的目标实体界定域；

4、依据所述目标实体界定域，从所述目标运算调度知识图谱中识别出目标实体，所述实体识别网络依据第一知识推理误差进行网络参数学习，所述第一知识推理误差依据第一范例运算调度知识图谱中各第一节点的由所述实体识别网络识别到的第一估计界定域和各所述第一节点的第一标注实体界定域进行计算获得，至少两个所述第一范例运算调度知识图谱包括先验运算调度知识图谱以及在对所述先验运算调度知识图谱中的第一先验实体应用至少两个差异化的知识重构策略所生成的至少两个重构运算调度知识图谱，所述第一先验实体在至少两个所述第一范例运算调度知识图谱之间的知识关联参数符合第一预设要求。

5、在第一方面的一种可能的实施方式中，所述实体识别网络的生成步骤，包括：

6、获取第一范例运算调度知识图谱序列，所述第一范例运算调度知识图谱序列包括至少两个所述第一范例运算调度知识图谱，至少两个所述第一范例运算调度知识图谱包括所述先验运算调度知识图谱以及在对所述先验运算调度知识图谱中的所述第一先验实体应用至少两个差异化的知识重构策略所生成的至少两个所述重构运算调度知识图谱，所述第一先验实体在至少两个所述第一范例运算调度知识图谱之间的知识关联参数符合所述第一预设要求，每个所述第一范例运算调度知识图谱存在各所述第一节点关联的所述第一标注实体界定域；

7、将每个所述第一范例运算调度知识图谱加载至所述实体识别网络，生成所述第一范例运算调度知识图谱的各所述第一节点关联的所述第一估计界定域；

8、依据所述第一范例运算调度知识图谱的各所述第一节点关联的所述第一估计界定域和所述第一标注实体界定域，输出所述第一知识推理误差；

9、依据所述第一知识推理误差，对所述实体识别网络进行网络参数学习。

10、在第一方面的一种可能的实施方式中，所述依据所述第一知识推理误差，对所述实体识别网络进行网络参数学习，包括：

11、获取第二范例运算调度知识图谱序列，所述第二范例运算调度知识图谱序列包括从同一运算调度知识图谱中解析的至少两个第二范例运算调度知识图谱，所述第二范例运算调度知识图谱包括第二先验实体，所述第二范例运算调度知识图谱存在与所述第二范例运算调度知识图谱中各第二节点关联的第二标注实体界定域；

12、将每个所述第二范例运算调度知识图谱加载至所述实体识别网络，生成所述第二范例运算调度知识图谱的各所述第二节点关联的第二估计界定域；

13、依据所述第二范例运算调度知识图谱的各所述第二节点关联的所述第二估计界定域和所述第二标注实体界定域，输出第二知识推理误差；

14、依据所述第一知识推理误差和所述第二知识推理误差，对所述实体识别网络进行网络参数学习。

15、在第一方面的一种可能的实施方式中，所述第二标注实体界定域的生成步骤，包括：

16、将每个所述第二范例运算调度知识图谱加载至所述实体识别网络的先验识别网络，生成所述第二范例运算调度知识图谱的各所述第二节点关联的第三估计界定域，并将所述第三估计界定域作为所述第二标注实体界定域。

17、在第一方面的一种可能的实施方式中，所述先验识别网络的生成步骤，包括：

18、获取第三范例运算调度知识图谱序列，所述第三范例运算调度知识图谱序列包括至少两个第三范例运算调度知识图谱，所述第三范例运算调度知识图谱包括第三先验实体，所述第三范例运算调度知识图谱存在与所述第三范例运算调度知识图谱中各第三节点关联的第三标注实体界定域，所述第三范例运算调度知识图谱的计数大于所述第一范例运算调度知识图谱的计数；

19、将每个所述第三范例运算调度知识图谱加载至所述先验识别网络，生成所述第三范例运算调度知识图谱的各所述第三节点关联的第四估计界定域；

20、依据所述第三范例运算调度知识图谱的各所述第三节点关联的所述第四估计界定域和所述第三标注实体界定域，输出第三知识推理误差；

21、依据所述第三知识推理误差，对所述先验识别网络进行网络参数学习。

22、在第一方面的一种可能的实施方式中，所述获取第一范例运算调度知识图谱序列，包括：

23、获取所述先验运算调度知识图谱，所述先验运算调度知识图谱包括所述第一先验实体，所述先验运算调度知识图谱具有各所述第一节点关联的所述第一标注实体界定域；

24、对所述先验运算调度知识图谱中的所述第一先验实体和所述第一标注实体界定域应用同一环节下的知识重构策略，生成所述先验运算调度知识图谱之后的所述重构运算调度知识图谱以及关联的所述第一标注实体界定域，所述第一先验实体在所述先验运算调度知识图谱与所述重构运算调度知识图谱之间的知识关联参数符合所述第一预设要求；

25、对所述重构运算调度知识图谱中的所述第一先验实体和所述第一标注实体界定域应用同一环节下的知识重构策略，生成迭代的所述重构运算调度知识图谱，所述第一先验实体在相关联的所述重构运算调度知识图谱之间的知识关联参数符合所述第一预设要求；

26、循环执行对所述重构运算调度知识图谱中的所述第一先验实体和所述第一标注实体界定域应用同一环节下的知识重构策略，生成迭代的所述重构运算调度知识图谱的步骤，直至所述重构运算调度知识图谱的计数符合第二预设要求，基于所述先验运算调度知识图谱和至少两个所述重构运算调度知识图谱确定第一范例运算调度知识图谱序列。

27、在第一方面的一种可能的实施方式中，所述第一先验实体在至少两个所述第一范例运算调度知识图谱之间的知识关联参数符合所述第一预设要求的确定步骤，包括：

28、针对所述先验运算调度知识图谱上所述第一先验实体的每个先验节点，获取所述先验节点在至少两个所述第一范例运算调度知识图谱中的先验节点所在环节；

29、若针对每个所述先验节点，所述先验节点在任意两个所述第一范例运算调度知识图谱中的先验节点所在环节之间的偏离度均小于第一设定偏离度，输出所述第一先验实体在至少两个所述第一范例运算调度知识图谱之间的知识关联参数符合所述第一预设要求。

30、在第一方面的一种可能的实施方式中，所述第一先验实体在至少两个所述第一范例运算调度知识图谱之间的知识关联参数符合所述第一预设要求的确定步骤，包括：

31、将每个所述第一范例运算调度知识图谱分解成运算调度知识单元，并依据所述运算调度知识单元的参与环节为所述运算调度知识单元分配单元标签；

32、若所述第一先验实体在每个所述第一范例运算调度知识图谱中都处于同一所述单元标签关联的所述运算调度知识单元中，输出所述第一先验实体在至少两个所述第一范例运算调度知识图谱之间的知识关联参数符合所述第一预设要求。

33、在第一方面的一种可能的实施方式中，所述目标运算调度知识图谱包括多个不间断的目标运算调度知识图谱，所述目标实体界定域包括每一个所述目标运算调度知识图谱的目标实体界定子域，所述将所述目标运算调度知识图谱加载至实体识别网络，生成所述目标运算调度知识图谱的各目标节点关联的目标实体界定域，包括：

34、对于本轮遍历的所述目标运算调度知识图谱，获取前向生成的所述目标运算调度知识图谱和前向生成的所述目标运算调度知识图谱的所述目标实体界定子域；

35、将本轮遍历的所述目标运算调度知识图谱、前向生成的所述目标运算调度知识图谱以及前向生成的所述目标运算调度知识图谱的所述目标实体界定子域加载到实体识别网络，生成本轮遍历的所述目标运算调度知识图谱的各目标节点关联的所述目标实体界定子域。

36、依据本技术的第二方面，提供一种运算查询系统，所述运算查询系统包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该运算查询系统实现前述的基于知识图谱的信息处理方法。

37、依据本技术的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，当所述计算机可执行指令被执行时，实现前述的基于知识图谱的信息处理方法。

38、依据上述任意一个方面，本技术的技术效果在于：

39、本技术通过获取目标运算调度知识图谱并将其加载至实体识别网络，生成各目标节点关联的目标实体界定域，实现了对知识图谱中实体的准确识别。进一步依据目标实体界定域从知识图谱中识别出目标实体，提高了实体识别的精度和效率。此外，实体识别网络根据第一知识推理误差进行网络参数学习，该第一知识推理误差是基于多个范例运算调度知识图谱中节点的估计界定域与标注实体界定域之间的差异计算得到的，从而增强了实体识别网络对实体界定的学习能力。至少两个范例知识图谱包括先验知识图谱以及应用不同知识重构策略生成的重构知识图谱，且先验实体在这些范例知识图谱间的知识关联参数满足预设要求，进一步丰富了学习样本的多样性和代表性，提升了实体识别网络的泛化能力和鲁棒性。

40、也就是说，本技术通过获取目标运算调度知识图谱并加载至实体识别网络，生成各目标节点关联的目标实体界定域。根据所述目标实体界定域，可以从目标运算调度知识图谱中识别出目标实体。通过依据第一知识推理误差进行网络参数学习，使得实体识别网络能够更准确地识别实体。由此，利用知识图谱和实体识别网络，提高了实体识别的准确性；其次，采用了一种新的计算知识推理误差的方式，有助于优化网络参数的学习过程，提高了网络的性能；最后，使用了先验运算调度知识图谱和重构运算调度知识图谱，使得实体识别更加符合预设的知识关联参数，进一步提升了实体识别的准确率和效率。