发明内容

本发明的目的在于提供一种基于知识图谱的声像档案智能编研方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于知识图谱的声像档案智能编研方法，实现方法包括以下步骤：

S1、将声像系统档案中的结构化数据抽取为三元组以构建知识图谱；

S2、提取声像档案知识图谱中每种关系的邻接矩阵A_r；

S3、为每一种关系建立一个细胞，即一个隐藏层，每个细胞都维护了一个卷积核和一个权重矩阵w；

S4、使用卷积核自动提取不同关系的编研目标的声像实体的关联特征；

S5、根据用户所选择编研目标选择对应的训练集，如在选择人物关系作为编研目标时，训练集则为所有人物关系三元组中的尾实体的标注数据；

S6、根据模型自动生成的标签字段；对档案进行更加有效地编研。

作为本发明再进一步的方案：所述步骤S4中在进行不同关系的编研时，需要自动捕获声像实体中的关联特征，因此对于音频实体和图像实体分别采用对应大小的卷积核提取特征，经过池化和激活层后得到实体的特征向量，然后将该关系下存在所有声像实体的特征表示为特征矩阵H_r。

作为本发明再进一步的方案：所述步骤S2中每种关系的邻接矩阵A_r的邻接矩阵集为再把邻接矩阵集作为声像档案智能编研模型的输入，其中n为知识图谱中关系的数量。

作为本发明再进一步的方案：所述步骤S5中训练集在模型训练过程中，每个关系对应的细胞都计算了一个关系状态矩阵R_n，其公式为：

其中R_n表示第n种关系的状态矩阵，B为每个细胞的偏置矩阵，所有系统共享权重矩阵W，σ为激活函数，因此每一层根据关系自动提取的声像实体特征都会受到之前关系序列的影响。

作为本发明再进一步的方案：所述步骤S5中训练集的模型训练需要在输出上加上一个softmax层来根据训练的声像实体特征进行多分类，进而得到缺失的标签字段，则输出的结果为：

y_n＝softmax(W^(S)R_n)

其中W^(S)为softmax层的权重。

与现有技术相比，本发明的有益效果：

本发明将传统的结构化声像档案系统重新为知识图谱的形式，并且提出了基于知识图谱的声像档案智能编研方法，该方法可以根据编研目标自动提取音频和图片中的相关特征，使得声像实体在不同编研目标下有不同嵌入向量表示，然后根据嵌入向量之间的关系自动生成档案中缺失的编研目标标签数据从而完成更加有效地档案编研，从而解决传统声像档案编研方法无法为声像文件自动生成编研目标标签的问题，且大大提高了工作效率，准确率高。