(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 202210432232.9 (22)申请日 2022.04.22 (71)申请人 北京邮电大 学 地址 100876 北京市海淀区西土城路10号 北京邮电大 学 (72)发明人 赵慧　孙琪　金志鸿　朱新宁　 张春红　杨鸿文　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 张文玄 (51)Int.Cl. G06F 16/33(2019.01) G06F 16/36(2019.01) G06F 40/30(2020.01) G06K 9/62(2022.01) (54)发明名称 知识图谱中知识点的抽取方法、 系统、 电子 设备 (57)摘要 本发明提供一种知识图谱中知识点的抽取 方法、 系统、 电子设备， 所述方法包括： 针对待抽 取所述知识点的语料， 通过无监督算法抽取关键 词， 通过NER模型抽取知 识点实体； 基于 所述关键 词和所述知识点实体， 融合得到所述知识点。 通 过关键词和知识点实体的共同抽取与融合， 能够 实现更精确、 覆盖更全面的专业知识图谱， 为使 用者提供更好的借鉴。 权利要求书1页 说明书8页 附图6页 CN 114996394 A 2022.09.02 CN 114996394 A 1.一种知识图谱中知识点的抽取 方法， 其特 征在于， 所述方法包括： 针对待抽取所述知识点的语料， 通过无监督算法抽取关键词， 通过NER模型抽取知识点 实体； 基于所述关键词和所述知识点实体， 融合得到所述知识点。 2.根据权利要求1所述的知识图谱中知识点的抽取方法， 其特征在于， 所述NER模型， 包 括： BERT模型、 Bi LSTM模型和CRF模型。 3.根据权利要求1所述的知识图谱中知识点的抽取方法， 其特征在于， 所述融合得到所 述知识点， 包括： 对所述关键词和所述知识点实体中相同的部分进行去重； 对所述关键词和所述知识点实体中等 价的实体和其子实体， 删除实体， 保留子实体； 对同音不同形的所述关键词和所述知识点实体， 删除带有错别字的关键词和/或知识 点实体。 4.根据权利要求1所述的知识图谱中知识点的抽取方法， 其特征在于， 所述无监督算法 采用TF‑IDF算法和TextRan k算法。 5.根据权利要求1所述的知识图谱中知识点的抽取方法， 其特征在于， 所述通过NER模 型抽取知识点实体， 包括： 通过所述关键词构建所述 NER模型的训练标签 语料。 6.根据权利要求1所述的知识图谱中知识点的抽取方法， 其特征在于， 所述待抽取所述 知识点的语料为具有 多级标题的文档的各个章节内容， 所述方法还 包括： 针对所述文档， 将所述多 级标题抽取作为所述知识图谱 对应的多 级节点； 将融合得到的所述知识点作为所述多 级节点中最低级节点的下级节点。 7.一种知识图谱中知识点的抽取系统， 其特 征在于， 所述系统包括： 抽取模块， 所述抽取模块针对待抽取所述知识点的语料， 通过无监督算法抽取关键词， 通过NER模型抽取知识点实体； 融合模块， 所述融合模块基于所述关键词和所述知识点实体， 融合得到图谱知识点。 8.一种电子设备， 包括存储器、 处理器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程序时实现如权利要求 1‑6中任一项 所 述知识图谱中知识点的抽取 方法的步骤。 9.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机 程序被处理器执行时实现如权利要求 1‑6中任一项 所述知识图谱中知识点的抽取方法的步 骤。 10.一种计算机程序产品， 包括计算机程序， 其特征在于， 所述计算机程序被处理器执 行时实现如权利要求1 ‑6中任一项所述知识图谱中知识点的抽取 方法的步骤。权　利　要　求　书 1/1 页 2 CN 114996394 A 2知识图谱中知识点的抽取方 法、 系统、 电子 设备 技术领域 [0001]本发明涉及知识图谱技术领域， 尤其涉及一种知识图谱中知识点的抽 取方法、 系 统、 电子设备。 背景技术 [0002]知识图谱(Knowledge  Graph， KG)本质上是一种大规模语义网络， 包含实体、 概念 及其之间的各类语义关系， 目前已经成为认知智能的基石， 是发展 人工智能的核心 技术， 它 让机器语言认知、 可解释人工智能成为可能， 能够显著增强机器学习的能力， 将成为与数据 驱动相并列的一种非常重要的解决问题的方式。 最近几年， 以知识图谱为代表的智能化技 术正在触及越来越多领域， 许多企业都已将人工智能升格为企业的核心战略。 知识图谱等 人工智能技 术正在赋能越来越多的业 务， 实现自动化和智能化。 [0003]知识图谱分为存储 “常识知识 ”的通用型知识图谱和存储 “垂类知识 ”的领域型知 识图谱两大类。 人工智能研究学者和工业人士当前的研究重心侧重于对常识 性图谱的自动 化构建与应用， 如DBpedia、 WikiData、 CN ‑DBpedia、 XLORE、 zhishi.me， 其技术相对趋于成 熟。 与通用型常识知识图谱相比， 中文垂 直领域知识图谱的构建仍处于开放探索的阶段， 自 动化构建的尝试仅限于商品垂域等， 且由工业界闭源主导， 这对细分专业的是知识图谱知 识点的抽取提出了挑战。 [0004]现有技术在进行知识点提取时多使用的是较为传统的分词方法， 将分词结果(或 去除常用词后的分词结果)作为知识 点， 这种方法理解语言的能力有限， 可能无法做到较为 精准的知识点 提取， 提取知识点后没能很好 地表示知识点拥有的结构。 发明内容 [0005]针对现有技术存在的问题， 本发明提供一种知识图谱中知识点的抽取方法、 系统、 电子设备。 [0006]本发明提供的一种知识图谱中知识点的抽取 方法， 所述方法包括： [0007]针对待抽取所述知识点的语料， 通过无监督算法抽取关键词， 通过NER(Named   Entity Recognition， 命名实体识别)模型抽取知识点实体； [0008]基于所述关键词和所述知识点实体， 融合得到所述知识点。 [0009]根据本发明提供的一种知识图谱中知识点 的抽取方法， 所述NER模型， 包括： BERT 模型、 BiLSTM模型和CRF模型。 [0010]根据本发明提供的一种知识图谱中知识点的抽取方法， 所述融合得到所述知识 点， 包括： [0011]对所述关键词和所述知识点实体中相同的部分进行去重； [0012]对所述关键词和所述知识点实体中等价的实体和其子实体， 删除实体， 保留子实 体； [0013]对同音不 同形的所述关键词和所述知识点实体， 删除带有错别字的关键词和/或说　明　书 1/8 页 3 CN 114996394 A 3