[發明專利]基于圖神經網絡的知識圖譜對齊模型的訓練方法

在審

• 申請號: 202111355413.8
• 申請日: 2021-11-16
• 公開（公告）號: CN113807520A
• 公開（公告）日: 2021-12-17
• 發明（設計）人: 劉禹汐;姜青濤;侯立旺;馬榮;宋建強
• 申請（專利權）人: 北京道達天際科技有限公司
• 主分類號: G06N5/02
• 分類號: G06N5/02;G06N3/04;G06N3/08
• 代理公司: 北京華專卓海知識產權代理事務所(普通合伙) 11664
• 代理人: 王一;張繼鑫

本公開的實施例提供了一種基于圖神經網絡的知識圖譜對齊模型的訓練方法、對齊方法。該方法包括獲取訓練樣本，訓練樣本包括知識圖譜及知識圖譜中實體對應的標識，其中，知識圖譜包括實體信息、邊類型信息、邊屬性信息；基于預設的關系圖神經網絡模型，得到知識圖譜中所包括的實體的特征向量；根據實體對應的標識，計算同一標識下多個實體的特征向量的差值，根據差值對關系圖神經網絡模型進行訓練，得到知識圖譜對齊模型，以用于實體對齊。以此方式，可以使得到的知識圖譜對齊模型考慮知識圖譜上除邊類型信息和實體信息之外的其他重要信息，使得實體對齊效果較好。

技術領域

本公開屬于知識圖譜融合領域，尤其設計基于圖神經網絡模型的實體對齊領域。

背景技術

實體對齊是知識圖譜構建中的一項重要技術，也是近年來研究熱點之一。實體對齊是指對異構數據源構成的知識圖譜中，找出表述不同，但對應現實世界中同一實體的關系，通過實體對齊，可以將互相隔離的，不同來源的數據匯總融合，構成包含信息更為豐富的新知識庫。

但是在現有的實體對齊方法中，對齊的效果比較差。

發明內容

本公開提供了一種基于圖神經網絡的知識圖譜對齊模型的訓練方法、對齊方法、裝置、設備以及存儲介質。

根據本公開的第一方面，提供了一種基于圖神經網絡的知識圖譜對齊模型的訓練方法，該方法包括：

獲取訓練樣本，訓練樣本包括知識圖譜及知識圖譜中實體對應的標識，其中，知識圖譜包括實體信息、邊類型信息、邊屬性信息；

基于預設的關系圖神經網絡模型，得到知識圖譜中所包括的實體的特征向量；

根據實體對應的標識，計算同一標識下多個實體的特征向量的差值，根據差值對關系圖神經網絡模型進行訓練，得到知識圖譜對齊模型；

其中，基于預設的關系圖神經網絡模型，得到知識圖譜中所包括的實體的特征向量，包括：

基于預設的關系圖神經網絡模型，根據實體信息、邊類型信息以及邊屬性信息，將知識圖譜拆解為多個子圖集合；

對多個子圖集合中的每個子圖對應的邊類型信息以及邊屬性信息進行卷積，得到多個實體的特征向量；其中，

一個子圖集合屬于同一實體，一個子圖集合中的每個子圖對應一個實體的至少一種邊類型信息以及至少一種邊屬性信息。

在第一方面的一些實現方式中，對多個子圖集合中的每個子圖對應的邊類型信息以及邊屬性信息進行卷積，得到多個實體的特征向量，包括：

對多個子圖集合中的每個子圖對應的邊類型信息以及邊屬性信息進行卷積，得到每個子圖集合中每個子圖對應的實體的特征向量；

對每個子圖集合中每個子圖對應的實體的特征向量進行聚合，得到多個實體的特征向量。

在第一方面的一些實現方式中，對多個子圖集合中的每個子圖對應的邊類型信息以及邊屬性信息進行卷積，得到每個子圖集合中每個子圖對應的實體的特征向量，滿足公式：

其中，表示關系圖神經網絡模型第層的節點的特征向量，表示非線性激活函數，是歸一化因子，R表示邊類型信息，表示關系圖神經網絡模型第l層對于邊類型為r的子圖需要學習的參數，表示關系圖神經網絡模型的隱藏層l的節點的特征向量，表示第l層對于邊類型為r的子圖對應的需要學習的邊上的屬性參數，表示隱藏層l的節點j連接邊的屬性向量，表示為了保留節點自身的信息設置的權值參數，表示隱藏層l的節點j的特征向量。