[發明專利]一種基于路徑張量分解的知識圖譜表示學習方法

在審

• 申請號: 201910980810.0
• 申請日: 2019-10-16
• 公開（公告）號: CN112667751A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 楊瑞瑞
• 申請（專利權）人: 北京航天長峰科技工業集團有限公司
• 主分類號: G06F16/28
• 分類號: G06F16/28;G06F16/36
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于路徑張量分解的知識圖譜表示學習方法，從現有圖譜中提取實體集、關系集以及三元組集合，采用TransE模型把滿足三元組的實體集和關系集嵌入到低維連續向量空間；通過PRA算法獲取實體間的路徑；在全部實體可能存在的路徑上均進行張量分解，計算分解損失函數，直至達到收斂的預設值或迭代最大次數；如果達到迭代最大次數或收斂于預設值，則進入下一個三元組相關的路徑計算，直到訓練集全部的三元組都被執行，最后輸出模型中相應的實體集和關系集。本發明主要應用于知識圖譜的學習和推理過程，可提高知識發現的推理準確性，提高預測精度。

技術領域

本發明屬于知識圖譜及知識圖譜推理技術領域，涉及一種基于路徑張量分解的知識圖譜表示學習方法。

背景技術

知識圖譜(Knowledge Graph)作為一種新的知識表示方法和數據管理模式，在自然語言處理、問題回答、信息檢索等領域有著重要的應用。知識圖譜是結構化的語義知識庫，用于以符號形式描述物理世界中的概念及其相互關系，其主要采用(head,relation,tail)三元組形式進行知識表示，head是頭實體，tail是尾實體，relation是關系，實體之間是通過關系相互聯結，形成了網狀的知識結構。

知識圖譜推理是從已有的實體關系三元組，經過推理計算，建立起實體間的新關系，從而豐富和拓展知識圖譜。目前常用的知識圖譜表示學習方法是將高維知識圖譜通過嵌入(embedding)轉換到低維連續向量空間，產生了多種不同方式的推理算法，包括基于張量分解推理算法和基于路徑推理算法等?；趶埩糠纸馑惴▽⒄麄€知識圖譜看作是一個大的張量，然后通過張量分解技術分解為多個小的張量片，也就是將高維的知識圖譜進行降維處理，大大減少計算時的數據規模。然而，現有的張量分解過程中，只是考慮直接相關聯的實體間聯系，未考慮到知識圖譜的多路徑特點，因此，其推理性能受到一定的限制，并不能深層次地挖掘出實體間的關系?；诼窂酵评硭惴ǜ鶕R圖譜圖形結構的特點，利用實體間的路徑關系進行推理計算，能有效地挖掘出知識圖譜中實體間的新關系。但是，現有推理算法還不能解決長路徑推理，還有很多細致的工作需要完善。

發明內容

本發明的目的在于提供一種基于路徑張量分解的知識圖譜表示學習方法，其可提高知識發現的推理準確性，提高預測精度。

本發明的技術方案如下：

一種基于路徑張量分解的知識圖譜表示學習方法，其特征在于包括以下步驟：

步驟1，從現有圖譜中提取實體集、關系集以及三元組集合，采用TransE模型把滿足三元組的實體集和關系集Embedding嵌入到低維連續向量空間；

步驟2，通過PRA算法獲取實體間的路徑；

步驟3，在全部實體可能存在的路徑上均進行張量分解，計算分解損失函數；

步驟4，重復步驟3，直至達到收斂的預設值或迭代最大次數；

步驟5，如果達到迭代最大次數或收斂于預設值，則進入下一個三元組相關的路徑計算，重復步驟2至步驟4，直到訓練集全部的三元組都被執行；

步驟6，輸出模型中相應的實體集和關系集。

本發明可提高知識發現的推理準確性，提高預測精度，主要應用于知識圖譜的學習和推理過程，達到豐富和拓展知識圖譜的目的。

具體實施方式

一種基于路徑張量分解的知識圖譜表示學習方法，包括以下步驟：

步驟1，從現有圖譜中提取實體集、關系集以及三元組集合，采用TransE模型把滿足三元組的實體集和關系集Embedding嵌入到低維連續向量空間；

步驟2，通過PRA算法獲取實體間的路徑；

步驟3，在全部實體可能存在的路徑上均進行張量分解，計算分解損失函數；