[發明專利]一種基于線性規劃的本體包含公理學習方法

在審

• 申請號: 201911070577.9
• 申請日: 2019-11-05
• 公開（公告）號: CN110888942A
• 公開（公告）日: 2020-03-17
• 發明（設計）人: 趙樂園;張小旺;馮志勇
• 申請（專利權）人: 天津大學
• 主分類號: G06F16/28
• 分類號: G06F16/28;G06F16/36
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 潘俊達

本發明屬于知識圖譜的表示學習和本體構建的技術領域，具體涉及一種基于線性規劃的本體包含公理學習方法，包括構建表示學習模型SetE，將知識圖譜Abox的實體數據、類型數據及關系數據輸入表示學習模型SetE，計算類型數據之間的包含關系，提取包含關系形成公理。本發明可以用線性表示學習模型來捕捉謂詞特征，并且通過把包含關系歸納和約簡成線性規劃來獲得本體包含關系，對于知識圖譜不完整的情況下仍然可以高效地學習出相應的本體。

技術領域

本發明屬于知識圖譜的表示學習和本體構建的技術領域，具體涉及一種基于線性規劃的本體包含公理學習方法。

背景技術

本體是知識圖譜中對概念和屬性的描述，也是類型和關系的結合。本體包含公理是指知識圖譜的數據中描述了包含關系的公理。雖然，現有技術中的OntoEdit，Protege和Ontolingua均可以從知識圖譜Abox儲存的若干數據信息中構建本體，但是，發明人發現：現有技術中難以表示本體中包含的邏輯關系，本體的構建過程仍然存在困難。并且，本體的自動構建一直是知識表示和機器學習的難點。

此外，發明人還發現：現有的知識圖譜表示學習模型，主要是針對圖譜補全的任務進行設計，并且，其只對實體和關系進行建模，而未對類型進行建模；另外，現有的表示學習模型TransC在類型的表示和關系的表示上是分裂的，在學習關系和類型都有的本體時很難將類型的表示和關系的表示聯系起來。

發明內容

本發明的目的在于：針對現有技術的不足，提供一種基于線性規劃的本體包含公理學習方法，不僅構建了一個把類型和關系結合的表示學習模型，還使用該線性表示學習模型來捕捉謂詞特征，并且通過把包含關系歸納和約簡成線性規劃來獲得本體包含關系，對于知識圖譜不完整的情況下仍然可以高效地學習出相應的本體。

為了實現上述目的，本發明采用如下技術方案：

一種基于線性規劃的本體包含公理學習方法，包括：

步驟一：構建表示學習模型SetE，將知識圖譜Abox的實體數據、類型數據及關系數據輸入所述表示學習模型SetE；

步驟二：計算所述類型數據之間的包含關系，提取所述包含關系形成公理。

進一步地，所述步驟一中，所述表示學習模型SetE的構建過程包括：構建實體類型數據的得分函數：其中，e表示單個實體數據的向量表示，t表示單個類型數據的向量表示，i為1～n之間的自然數，[e]_i表示實體數據e的向量表示的第i維，[t]_i表示類型數據t的向量表示的第i維，所述f(e,t)表示所述實體數據和所述類型數據的得分函數，所述實體數據具有n維的向量，所述T表示所述n維的向量的轉置。

進一步地，所述表示學習模型SetE的構建過程還包括：將所述實體數據劃分為頭實體數據和尾實體數據，構建實體關系數據的得分函數：其中，s表示單個頭實體數據的向量表示，o表示單個尾實體數據的向量表示，p表示單個關系數據的向量表示，j為1～2n之間的自然數，[p]_j表示關系數據p的向量表示的第j維，所述g(s,p,o)表示所述實體數據和所述關系數據的得分函數，所述concat(s,o)表示所述頭實體數據和所述尾實體數據的拼接函數，所述拼接函數表示把所述頭實體數據的n維向量和所述尾實體數據的n維向量連接成一個2n維度的向量。

進一步地，所述表示學習模型SetE的構建過程還包括：設定所述關系數據的閾值為B_r，構建實體關系正樣本<s,p,o>，使所述實體關系正樣本的得分函數g(s,p,o)與所述B_r滿足關系式：g(s,p,o)≥B_r，構建實體關系負樣本<s′,p′,o′>，使所述實體關系負樣本的得分函數g(s′,p′,o′)與所述B_r滿足關系式：g(s′,p′,o′)<B_r，構建實體關系數據的損失函數：