[發明專利]一種基于元學習的領域知識圖譜補全方法

有效

• 申請號: 201911385727.5
• 申請日: 2019-12-27
• 公開（公告）號: CN111046193B
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 葉寧;張浩哲;徐康;王娟;黃海平;程晶晶;王汝傳;陳瑩;徐超;查猛
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06K9/62
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 張玉紅

1.一種基于元學習的領域知識圖譜補全方法，其特征在于：所述方法步驟如下：

步驟1：在通用知識圖譜中提取領域相關范圍內的實體關系三元組，定義為補全任務的元訓練集D_Train；

步驟2：將待補全的小樣本領域知識圖譜中的三元組定義為補全任務的元測試集D_Test；

步驟3：對D_Train和D_Test中所有三元組進行初始化處理，得到向量表示的三元組(h，r，t)，其中h為頭實體向量，r為關系向量，t為尾實體向量，(h，r，t)∈G，G為三元組樣本集，h，t∈E，E為實體集，r∈R，R為關系集；

步驟4：對步驟1得到的元訓練集D_Train，將所有具有同一關系的三元組加入同一集合，定義為該關系對應的關系任務T_r，T_r∈T，T為所有關系任務構成的任務池；

步驟5：在任務池T中隨機抽取一項任務T_r，取出N_S個三元組樣本作為該任務的支持集S_r，剩下的N_Q個樣本作為該任務的詢問集Q_r，其中N_S＜N_Q；

步驟6：對步驟5得到的支持集S_r中的每個樣本(h，r，t)，使用bern方法構造該樣本的負樣本，對原樣本和負樣本按公式(1)構造相應的打分函數：按公式(2)計算損失函數：其中γ為邊界超參數，[x]₊表示x的正數部分，d(h+r，t^*)是該支持集樣本對應的負樣本(h，r，t^*)的得分；

步驟7：計算步驟6中損失函數對于該任務關系向量r的梯度進行梯度下降，按公式(3)更新任務關系參數：其中α為關系學習率，r′為r對樣本(h，r，t)更新后的任務關系向量；重復步驟6、步驟7，不斷更新向量r′，直到遍歷了該任務T_r的支持集S_r；

步驟8：對步驟5得到的詢問集Q_r中的每個樣本(h，r，t)，將樣本中的關系替換為任務T_r中r對應的r′以構造Q_r′，使用bern方法對Q_r和Q_r′構造負樣本，對原樣本和負樣本按公式(1)構造相應的打分函數，按公式(2)計算損失函數，依據該任務整個詢問集的樣本，按公式(4)進行小批量隨機梯度下降，更新元關系向量：其中n為每次下降操作中的任務數，β為元學習率，r為針對任務T_r做更新后的元關系向量；步驟8結束后，從任務池T中刪除T_r，返回步驟5，直到任務池為空；

步驟9：對步驟2得到的元測試集D_Test，將其中的完整三元組作為支持集，以步驟5到步驟8最終得到的元關系向量r對三元組中的關系做初始化，訓練三元組的向量表示；

步驟10：將元測試集D_Test中待補全的三元組作為詢問集，根據步驟9中得到的現有三元組的向量，將現有實體集E中的實體向量代入三元組實體的缺失部分，按照公式(1)計算詢問集三元組的得分，使得分最低的實體向量對應的實體即為推薦補全的實體。

2.如權利要求1所述的一種基于元學習的領域知識圖譜補全方法，其特征在于：所述步驟7中所述的梯度下降方法是在支持集S_r中，損失函數對任務關系向量的梯度進行梯度下降計算得到，其中α為關系學習率，是梯度下降的步長，r′是對該樣本所在的任務進行擬合后得到的任務關系向量。