本發(fā)明涉及大數據技術領域，更具體地說，涉及一種城市知識圖譜構建方法及裝置。

背景技術：

知識圖譜是一種圖結構的知識庫，屬于知識工程的范疇。與普通知識庫不同，知識圖譜融合所有學科、將不同來源、類型以及結構的知識單元通過鏈接關聯(lián)成圖，將領域知識數據體系化與關系化，并以圖的形式將知識可視化。

知識圖譜的應用擴展了原科學知識圖譜的內涵，使其應用場景得以擴展，但是，目前知識圖譜的應用仍局限于搜索引擎以及問答系統(tǒng)等方面。在智慧城市領域中，由于城市數據的大規(guī)模性以及無序性，利用淺層學習方法或者模式匹配方法不便于對智慧城市體系內容的擴充，也就不能為城市規(guī)劃者提供直觀參考。

技術實現(xiàn)要素：

有鑒于此，本發(fā)明提供一種城市知識圖譜構建方法及裝置，以解決現(xiàn)有的利用淺層學習方法或者模式匹配方法不便于對智慧城市體系內容的擴充，也就不能為城市規(guī)劃者提供直觀參考的問題。技術方案如下：

一種城市知識圖譜構建方法，包括：

對城市數據語料進行分詞，得到至少一個詞組；

針對各個所述詞組，提取特征并構建對應的特征向量；

根據各個所述詞組對應的所述特征向量以及預先生成的城市實體識別模型，對各個所述詞組進行實體識別，并為識別出的各個實體添加屬性標簽；

依據各個所述實體對應的所述特征向量以及預先生成的城市實體關系識別模型，對各個所述實體進行實體關系識別，得到各個所述實體之間的實體關系信息；

根據各個所述實體、各個所述實體對應的所述屬性標簽以及各個所述實體之間的所述實體關系信息，構建城市知識圖譜。

優(yōu)選的，所述預先生成城市實體識別模型的具體過程，包括：

對城市數據實體訓練語料進行分詞，得到至少一個實體訓練詞組；

針對各個所述實體訓練詞組，提取特征并構建對應的實體訓練特征向量；

將各個所述實體訓練特征向量作為用于識別城市實體的第一初始深度置信網絡的輸入數據，并對所述第一初始深度置信網絡進行逐層無監(jiān)督預訓練，所述第一初始深度置信網絡由至少一個受限玻爾茲曼機層堆疊而成；

在預訓練后的所述第一初始深度置信網絡中添加一個神經網絡層作為輸出層，得到第一深度置信網絡；

根據各個所述實體訓練特征向量對應的標準實體標注，反向微調所述第一深度置信網絡各層的實體識別參數；

將反向微調后的所述第一深度置信網絡確定為城市實體識別模型。

優(yōu)選的，所述預先生成城市實體關系識別模型的具體過程，包括：

對城市數據實體關系訓練語料進行分詞，得到至少一個實體關系訓練詞組；

針對各個所述實體關系訓練詞組，提取特征并構建對應的實體關系訓練特征向量；

將各個所述實體關系訓練特征向量作為用于識別城市實體關系的第二初始深度置信網絡的輸入數據，并對所述第二初始深度置信網絡進行逐層無監(jiān)督預訓練，所述第二初始深度置信網絡由至少一個受限玻爾茲曼機層堆疊而成；

在預訓練后的所述第二初始深度置信網絡中添加一個神經網絡層作為輸出層，得到第二深度置信網絡；

根據各個所述實體關系訓練特征向量之間的標準實體關系標注，反向微調所述第二深度置信網絡各層的實體關系識別參數；

將反向微調后的所述第二深度置信網絡確定為城市實體關系識別模型。

優(yōu)選的，所述根據各個所述實體、各個所述實體對應的所述屬性標簽以及各個所述實體之間的所述實體關系信息，構建城市知識圖譜，包括：

將各個所述實體及其對應的屬性標簽分別確定為節(jié)點，并且，將各個所述實體之間的所述實體關系信息分別確定為有向線段；

根據各個所述節(jié)點和各個所述有向線段構建城市知識圖譜。

一種城市知識圖譜構建裝置，包括：分詞模塊、特征向量構建模塊、實體識別模塊、實體關系識別模塊和城市知識圖譜構建模塊；所述實體識別模塊包括城市實體識別模型生成單元，所述實體關系識別模塊包括城市實體關系識別模型生成單元；

所述分詞模型，用于對城市數據語料進行分詞，得到至少一個詞組；

所述特征向量構建模塊，用于針對各個所述詞組，提取特征并構建對應的特征向量；

所述實體識別模塊，用于根據各個所述詞組對應的所述特征向量以及預先生成的城市實體識別模型，對各個所述詞組進行實體識別，并為識別出的各個實體添加屬性標簽；

所述實體關系識別模塊，用于依據各個所述實體對應的所述特征向量以及預先生成的城市實體關系識別模型，對各個所述實體進行實體關系識別，得到各個所述實體之間的實體關系信息；

所述城市知識圖譜構建模塊，用于根據各個所述實體、各個所述實體對應的所述屬性標簽以及各個所述實體之間的所述實體關系信息，構建城市知識圖譜；

所述城市實體識別模型生成單元，用于預先生成城市實體識別模型；

所述城市實體關系識別模型生成單元，用于預先生成城市實體關系識別模型。

優(yōu)選的，所述城市實體識別模型生成單元包括：第一分詞子單元、第一特征向量構建子單元、第一預訓練子單元、第一添加子單元、第一反向微調子單元和城市實體識別模型確定子單元；

所述第一分詞子單元，用于對城市數據實體訓練語料進行分詞，得到至少一個實體訓練詞組；

所述第一特征向量構建子單元，用于針對各個所述實體訓練詞組，提取特征并構建對應的實體訓練特征向量；

所述第一預訓練子單元，用于將各個所述實體訓練特征向量作為用于識別城市實體的第一初始深度置信網絡的輸入數據，并對所述第一初始深度置信網絡進行逐層無監(jiān)督預訓練，所述第一初始深度置信網絡由至少一個受限玻爾茲曼機層堆疊而成；

所述第一添加子單元，用于在預訓練后的所述第一初始深度置信網絡中添加一個神經網絡層作為輸出層，得到第一深度置信網絡；

所述第一反向微調子單元，用于根據各個所述實體訓練特征向量對應的標準實體標注，反向微調所述第一深度置信網絡各層的實體識別參數；

所述城市實體識別模型確定子單元，用于將反向微調后的所述第一深度置信網絡確定為城市實體識別模型。

優(yōu)選的，所述城市實體關系識別模型生成單元，包括：第二分詞子單元、第二特征向量構建子單元、第二預訓練子單元、第二添加子單元、第二反向微調子單元和城市實體關系識別模型確定子單元；

所述第二分詞子單元，用于對城市數據實體關系訓練語料進行分詞，得到至少一個實體關系訓練詞組；

所述第二特征向量構建子單元，用于針對各個所述實體關系訓練詞組，提取特征并構建對應的實體關系訓練特征向量；

所述第二預訓練子單元，用于將各個所述實體關系訓練特征向量作為用于識別城市實體關系的第二初始深度置信網絡的輸入數據，并對所述第二初始深度置信網絡進行逐層無監(jiān)督預訓練，所述第二初始深度置信網絡由至少一個受限玻爾茲曼機層堆疊而成；

所述第二添加子單元，用于在預訓練后的所述第二初始深度置信網絡中添加一個神經網絡層作為輸出層，得到第二深度置信網絡；

所述第二反向微調子單元，用于根據各個所述實體關系訓練特征向量之間的標準實體關系標注，反向微調所述第二深度置信網絡各層的實體關系識別參數；

所述城市實體關系識別模型確定子單元，用于將反向微調后的所述第二深度置信網絡確定為城市實體關系識別模型。

優(yōu)選的，所述城市知識圖譜構建模塊，包括：確定單元和構建單元；

所述確定單元，用于將各個所述實體及其對應的屬性標簽分別確定為節(jié)點，并且，將各個所述實體之間的所述實體關系信息分別確定為有向線段；

所述構建單元，用于根據各個所述節(jié)點和各個所述有向線段構建城市知識圖譜。

相較于現(xiàn)有技術，本發(fā)明實現(xiàn)的有益效果為：

以上本發(fā)明提供的一種城市知識圖譜構建方法及裝置，該方法通過預先生成城市實體識別模型以及城市實體關系識別模型，構建城市數據語料對應的城市知識圖譜。這就保證了學習后的模型可以直接應用于智慧城市領域中的城市數據實體及實體關系識別，解決了現(xiàn)有的利用淺層學習方法或者模式匹配方法不便于對智慧城市體系內容的擴充，也就不能為城市規(guī)劃者提供直觀參考的問題。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖。

圖1為本發(fā)明實施例一公開的一種城市知識圖譜構建方法流程圖；

圖2為本發(fā)明實施例一公開的另一種城市知識圖譜構建方法部分流程圖；

圖3為本發(fā)明實施例二公開的一種城市知識圖譜構建方法部分流程圖；

圖4為本發(fā)明實施例二公開的另一種城市知識圖譜構建方法部分流程圖；

圖5為本發(fā)明實施例三公開的一種城市知識圖譜構建裝置結構示意圖；

圖6為本發(fā)明實施例三公開的另一種城市知識圖譜構建裝置部分結構示意圖；

圖7為本發(fā)明實施例四公開的一種城市知識圖譜構建裝置部分結構示意圖；

圖8為本發(fā)明實施例四公開的另一種城市知識圖譜構建裝置部分結構示意圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

實施例一

本發(fā)明實施例一公開了一種城市知識圖譜構建方法，方法流程圖如圖1所示，包括如下步驟：

s101，對城市數據語料進行分詞，得到至少一個詞組；

在執(zhí)行步驟s101的過程中，可選的，首先對城市數據語料進行斷句分割，得到城市數據語料包含的全部句子；再對斷句分割得到的各個句子進行中文分詞，得到各個詞組。

s102，針對各個詞組，提取特征并構建對應的特征向量；

在執(zhí)行步驟s102的過程中，對于每一個詞組來說，提取其中包含的特征；可選的，特征可為詞特征、詞性特征、上下文窗口特征、詞典特征以及統(tǒng)計特征中的一個或多個，可根據實際需要選擇具體特征；并根據選取的特征構建特征向量，其中，特征向量可為詞項文本矩陣。

s103，根據各個詞組對應的特征向量以及預先生成的城市實體識別模型，對各個詞組進行實體識別，并為識別出的各個實體添加屬性標簽；

在執(zhí)行步驟s103的過程中，對識別出的各個實體添加屬性標簽，其中，屬性標簽包含但不局限于人名標簽、組織機構標簽以及職位標簽，可根據實際需要具體設定標簽種類；例如，為識別出的實體“馬云”添加的屬性標簽為人名標簽，為識別出的實體“阿里巴巴”添加的屬性標簽為組織機構標簽，為識別出的實體“ceo”添加的屬性標簽為職位標簽。

s104，依據各個實體對應的特征向量以及預先生成的城市實體關系識別模型，對各個實體進行實體關系識別，得到各個實體之間的實體關系信息；

s105，根據各個實體、各個實體對應的屬性標簽以及各個實體之間的實體關系信息，構建城市知識圖譜；

可選的，步驟s105的執(zhí)行過程，如圖2所示，包括如下步驟:

s201，將各個實體及其對應的屬性標簽分別確定為節(jié)點，并且，將各個實體之間的實體關系信息分別確定為有向線段；

在執(zhí)行步驟s201的過程中，由于城市知識圖譜的構建過程可分為三個環(huán)節(jié)，城市實體識別、城市實體關系識別以及結構化展示，并且城市知識圖譜是可以圖數據庫的形式展示，因此，可將圖數據庫中的每一個節(jié)點映射為各個實體及其對應的屬性標簽，進一步將，將圖數據庫中的節(jié)點之間的有向線段映射為各個實體之間的實體關系信息。

s202，根據各個節(jié)點和各個有向線段構建城市知識圖譜。

本發(fā)明實施例提供的一種城市知識圖譜構建方法，通過預先生成城市實體識別模型以及城市實體關系識別模型，構建城市數據語料對應的城市知識圖譜。這就保證了學習后的模型可以直接應用于智慧城市領域中的城市數據實體及實體關系識別，解決了現(xiàn)有的利用淺層學習方法或者模式匹配方法不便于對智慧城市體系內容的擴充，也就不能為城市規(guī)劃者提供直觀參考的問題。

實施例二

結合上述本發(fā)明實施例一公開的城市知識圖譜構建方法，如圖1所示出的步驟s103中，預先生成城市實體識別模型的具體過程，如圖3所示，包括如下步驟：

s301，對城市數據實體訓練語料進行分詞，得到至少一個實體訓練詞組；

s302，針對各個實體訓練詞組，提取特征并構建對應的實體訓練特征向量；

s303，將各個實體訓練特征向量作為用于識別城市實體的第一初始深度置信網絡的輸入數據，并對第一初始深度置信網絡進行逐層無監(jiān)督預訓練，第一初始深度置信網絡由至少一個受限玻爾茲曼機層堆疊而成；

在執(zhí)行步驟s303的過程中，第一初始深度置信網絡由至少一個受限玻爾茲曼機(restrictedboltzmannmachines，rbm)層堆疊而成，假設受限玻爾茲曼機層有n個，則第一初始深度置信網絡中有n+1層，其中，第一層為輸入層，n為第一初始深度置信網絡中隱含層的數量，優(yōu)選的，n為不小于3的正整數；每個受限玻爾茲曼機層由一層可見層和一層隱含層構成，其中，可見層為每個受限玻爾茲曼機層的輸入層，第一個受限玻爾茲曼機層的輸入層輸入數據為各個實體訓練特征向量，隱含層為每個受限玻爾茲曼機層的輸出層，并且，每個受限玻爾茲曼機層的輸出層可作為下一個受限玻爾茲曼機層的輸入層。

s304，在預訓練后的第一初始深度置信網絡中添加一個神經網絡層作為輸出層，得到第一深度置信網絡；

在執(zhí)行步驟s304的過程中，在訓練后的第一初始深度置信網絡中添加一個神經網絡(backpropagation，bp)層作為第一深度置信網絡最后的輸出層，該神經網絡層接收最后一個受限玻爾茲曼機層的輸出特征向量，并將接收到的輸出特征向量作為輸入特征向量，進行有監(jiān)督地訓練第一深度置信網絡，具體訓練過程如下步驟s305和s306過程所述。

s305，根據各個實體訓練特征向量對應的標準實體標注，反向微調第一深度置信網絡各層的實體識別參數；

在執(zhí)行步驟s305的過程中，神經網絡層根據自身的輸出實體結果與接收到的標準實體標注進行比較，比較的差值用來自動調整第一深度置信網絡的實體識別參數，也就是，第一深度置信網絡各層的權值和偏差值。

s306，將反向微調后的第一深度置信網絡確定為城市實體識別模型。

本發(fā)明實施例提供的一種城市知識圖譜構建方法，通過預先生成城市實體識別模型以及城市實體關系識別模型，構建城市數據語料對應的城市知識圖譜。這就保證了學習后的模型可以直接應用于智慧城市領域中的城市數據實體及實體關系識別，解決了現(xiàn)有的利用淺層學習方法或者模式匹配方法不便于對智慧城市體系內容的擴充，也就不能為城市規(guī)劃者提供直觀參考的問題。

結合上述本發(fā)明實施例一公開的城市知識圖譜構建方法，如圖1所示出的步驟s104中，預先生成城市實體關系識別模型的具體執(zhí)行過程，如圖4所示，包括如下步驟：

s401，對城市數據實體關系訓練語料進行分詞，得到至少一個實體關系訓練詞組；

s402，針對各個實體關系訓練詞組，提取特征并構建對應的實體關系訓練特征向量；

s403，將各個實體關系訓練特征向量作為用于識別城市實體關系的第二初始深度置信網絡的輸入數據，并對第二初始深度置信網絡進行逐層無監(jiān)督預訓練，第二初始深度置信網絡由至少一個受限玻爾茲曼機層堆疊而成；

在執(zhí)行步驟s403的過程中，第二初始深度置信網絡由至少一個受限玻爾茲曼機(restrictedboltzmannmachines，rbm)層堆疊而成，假設受限玻爾茲曼機層有m個，則第二初始深度置信網絡中有m+1層，其中，第一層為輸入層，m為第二初始深度置信網絡中隱含層的數量，優(yōu)選的，m為不小于3的正整數；每個受限玻爾茲曼機層由一層可見層和一層隱含層構成，其中，可見層為每個受限玻爾茲曼機層的輸入層，第一個受限玻爾茲曼機層的輸入層輸入數據為各個實體關系訓練特征向量，隱含層為每個受限玻爾茲曼機層的輸出層，并且，每個受限玻爾茲曼機層的輸出層可作為下一個受限玻爾茲曼機層的輸入層。

s404，在預訓練后的第二初始深度置信網絡中添加一個神經網絡層作為輸出層，得到第二深度置信網絡；

在執(zhí)行步驟s304的過程中，在訓練后的第二初始深度置信網絡中添加一個神經網絡(backpropagation，bp)層作為第二深度置信網絡最后的輸出層，該神經網絡層接收最后一個受限玻爾茲曼機層的輸出特征向量，并將接收到的輸出特征向量作為輸入特征向量，進行有監(jiān)督地訓練第二深度置信網絡，具體訓練過程如下步驟s405和s406過程所述。

s405，根據各個實體關系訓練特征向量之間的標準實體關系標注，反向微調第二深度置信網絡各層的實體關系識別參數；

在執(zhí)行步驟s405的過程中，神經網絡層根據自身的輸出實體結果與接收到的標準實體關系標注進行比較，比較的差值用來自動調整第二深度置信網絡的實體關系識別參數，也就是，第二深度置信網絡各層的權值和偏差值。

s406，將反向微調后的第二深度置信網絡確定為城市實體關系識別模型。

本發(fā)明實施例提供的一種城市知識圖譜構建方法，通過預先生成城市實體識別模型以及城市實體關系識別模型，構建城市數據語料對應的城市知識圖譜。這就保證了學習后的模型可以直接應用于智慧城市領域中的城市數據實體及實體關系識別，解決了現(xiàn)有的利用淺層學習方法或者模式匹配方法不便于對智慧城市體系內容的擴充，也就不能為城市規(guī)劃者提供直觀參考的問題。

實施例三

基于上述實施例一和實施例二公開的城市知識圖譜構建方法，本發(fā)明實施例三則對應提供執(zhí)行上述城市知識圖譜構建方法的裝置，其結構示意圖如圖5所示，城市知識圖譜構建裝置100包括：分詞模塊101、特征向量構建模塊102、實體識別模塊103、實體關系識別模塊104和城市知識圖譜構建模塊105；實體識別模塊103包括城市實體識別模型生成單元1031，實體關系識別模塊104包括城市實體關系識別模型生成單元1041；

分詞模型101，用于對城市數據語料進行分詞，得到至少一個詞組；

特征向量構建模塊102，用于針對各個詞組，提取特征并構建對應的特征向量；

實體識別模塊103，用于根據各個詞組對應的特征向量以及預先生成的城市實體識別模型，對各個詞組進行實體識別，并為識別出的各個實體添加屬性標簽；

實體關系識別模塊104，用于依據各個實體對應的特征向量以及預先生成的城市實體關系識別模型，對各個實體進行實體關系識別，得到各個實體之間的實體關系信息；

城市知識圖譜構建模塊105，用于根據各個實體、各個實體對應的屬性標簽以及各個實體之間的實體關系信息，構建城市知識圖譜；

城市實體識別模型生成單元1031，用于預先生成城市實體識別模型；

城市實體關系識別模型生成單元1041，用于預先生成城市實體關系識別模型。

可選的，城市知識圖譜構建模塊105的結構示意圖如圖6所示，包括：確定單元201和構建單元202；

確定單元201，用于將各個實體及其對應的屬性標簽分別確定為節(jié)點，并且，將各個實體之間的實體關系信息分別確定為有向線段；

構建單元202，用于根據各個節(jié)點和各個有向線段構建城市知識圖譜。

本發(fā)明實施例提供的一種城市知識圖譜構建裝置，通過預先生成城市實體識別模型以及城市實體關系識別模型，構建城市數據語料對應的城市知識圖譜。這就保證了學習后的模型可以直接應用于智慧城市領域中的城市數據實體及實體關系識別，解決了現(xiàn)有的利用淺層學習方法或者模式匹配方法不便于對智慧城市體系內容的擴充，也就不能為城市規(guī)劃者提供直觀參考的問題。

實施例四

結合上述本發(fā)明實施例三公開的城市知識圖譜構建裝置，如圖5所示出的城市實體識別模型生成單元1031，其結構示意圖如圖7所示，包括：第一分詞子單元301、第一特征向量構建子單元302、第一預訓練子單元303、第一添加子單元304、第一反向微調子單元305和城市實體識別模型確定子單元306；

第一分詞子單元301，用于對城市數據實體訓練語料進行分詞，得到至少一個實體訓練詞組；

第一特征向量構建子單元302，用于針對各個實體訓練詞組，提取特征并構建對應的實體訓練特征向量；

第一預訓練子單元303，用于將各個實體訓練特征向量作為用于識別城市實體的第一初始深度置信網絡的輸入數據，并對第一初始深度置信網絡進行逐層無監(jiān)督預訓練，第一初始深度置信網絡由至少一個受限玻爾茲曼機層堆疊而成；

第一添加子單元304，用于在預訓練后的第一初始深度置信網絡中添加一個神經網絡層作為輸出層，得到第一深度置信網絡；

第一反向微調子單元305，用于根據各個實體訓練特征向量對應的標準實體標注，反向微調第一深度置信網絡各層的實體識別參數；

城市實體識別模型確定子單元306，用于將反向微調后的第一深度置信網絡確定為城市實體識別模型。

本發(fā)明實施例提供的一種城市知識圖譜構建裝置，通過預先生成城市實體識別模型以及城市實體關系識別模型，構建城市數據語料對應的城市知識圖譜。這就保證了學習后的模型可以直接應用于智慧城市領域中的城市數據實體及實體關系識別，解決了現(xiàn)有的利用淺層學習方法或者模式匹配方法不便于對智慧城市體系內容的擴充，也就不能為城市規(guī)劃者提供直觀參考的問題。

結合上述本發(fā)明實施例三公開的城市知識圖譜構建裝置，如圖5所示出的城市實體關系識別模型生成單元1041，其結構示意圖如圖8所示，包括：第二分詞子單元401、第二特征向量構建子單元402、第二預訓練子單元403、第二添加子單元404、第二反向微調子單元405和城市實體關系識別模型確定子單元406；

第二分詞子單元401，用于對城市數據實體關系訓練語料進行分詞，得到至少一個實體關系訓練詞組；

第二特征向量構建子單元402，用于針對各個實體關系訓練詞組，提取特征并構建對應的實體關系訓練特征向量；

第二預訓練子單元403，用于將各個實體關系訓練特征向量作為用于識別城市實體關系的第二初始深度置信網絡的輸入數據，并對第二初始深度置信網絡進行逐層無監(jiān)督預訓練，第二初始深度置信網絡由至少一個受限玻爾茲曼機層堆疊而成；

第二添加子單元404，用于在預訓練后的第二初始深度置信網絡中添加一個神經網絡層作為輸出層，得到第二深度置信網絡；

第二反向微調子單元405，用于根據各個實體關系訓練特征向量之間的標準實體關系標注，反向微調第二深度置信網絡各層的實體關系識別參數；

城市實體關系識別模型確定子單元406，用于將反向微調后的第二深度置信網絡確定為城市實體關系識別模型。

本發(fā)明實施例提供的一種城市知識圖譜構建裝置，通過預先生成城市實體識別模型以及城市實體關系識別模型，構建城市數據語料對應的城市知識圖譜。這就保證了學習后的模型可以直接應用于智慧城市領域中的城市數據實體及實體關系識別，解決了現(xiàn)有的利用淺層學習方法或者模式匹配方法不便于對智慧城市體系內容的擴充，也就不能為城市規(guī)劃者提供直觀參考的問題。

以上對本發(fā)明所提供的一種城市知識圖譜構建方法及裝置進行了詳細介紹，本文中應用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領域的一般技術人員，依據本發(fā)明的思想，在具體實施方式及應用范圍上均會有改變之處，綜上所述，本說明書內容不應理解為對本發(fā)明的限制。

需要說明的是，本說明書中的各個實施例均采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。對于實施例公開的裝置而言，由于其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。

還需要說明的是，在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備所固有的要素，或者是還包括為這些過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。

對所公開的實施例的上述說明，使本領域專業(yè)技術人員能夠實現(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領域的專業(yè)技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。