[發明專利]基于元學習的知識圖譜分類方法及相關設備

在審

• 申請號: 202210610864.X
• 申請日: 2022-05-30
• 公開（公告）號: CN115169433A
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 張忠寶;朱國楨;蘇森
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06F16/36
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 金含

1.一種基于元學習的知識圖譜實體分類方法，其特征在于，包括：

獲取開源知識圖譜數據集，所述開源知識圖譜數據集包括本體視圖和實例視圖，所述本體視圖包括多個類別，所述實例視圖包括多個實體；

利用預先構建的圖神經網絡模型對所述實體和所述類別進行初始化，獲得每個所述實體的嵌入表示及每個所述類別的嵌入表示；

基于所述類別的嵌入表示及與該類別在所述本體視圖中關聯的所有子類別的嵌入表示，采用注意力機制算法得到該類別的融合嵌入表示；

將全部所述實體的嵌入表示和全部所述類別的融合嵌入表示輸入分類模型中，經由分類模型輸出每個所述實體對應的所述類別，其中，所述分類模型是采用元學習方法進行預訓練的。

2.根據權利要求1所述的，其特征在于，所述圖神經網絡模型包括第一圖神經網絡模型和第二圖神經網絡模型，所述利用預先構建的圖神經網絡模型對所述實體和所述類別進行初始化，獲得每個所述實體的嵌入表示及每個所述類別的嵌入表示，包括：

將所述實體輸入至所述第一圖神經網絡模型，經由所述第一圖神經網絡模型輸出所述實體的嵌入表示；

將所述類別輸入至所述第二圖神經網絡模型，經由所述第二圖神經網絡模型輸出所述類別的嵌入表示，

其中，所述第一圖神經網絡模型和所述第二圖神經網絡模型的膜層結構不同。

3.根據權利要求1所述的方法，其特征在于，所述基于所述類別的嵌入表示及與該類別在所述本體視圖中關聯的所有子類別的嵌入表示，采用注意力機制算法得到該類別的融合嵌入表示，包括：

采用注意力機制算法將與該類別關聯的所有子類別的嵌入表示進行融合，得到初始融合嵌入表示；

基于所述類別的嵌入表示、所述初始融合嵌入表示和權重系數得到所述融合嵌入表示。

4.根據權利要求1所述的方法，其特征在于，所述預訓練包括元訓練階段和元測試階段，所述分類模型是采用元學習方法進行預訓練的，包括：

獲取開源知識圖譜數據集中的跨視圖鏈接，所述跨視圖鏈接包括多個實體-類別對；

將所述跨視圖鏈接劃分為第一類別集合和第二類別集合；

通過圖卷積神經網絡模型分別對所述第一類別集合和所述第二類別集合中的全部實體和全部類別進行嵌入表示，得到每個實體的嵌入表示和每個類別的嵌入表示；

在所述元訓練階段，基于經過嵌入表示的所述第一類別集合對所述分類模型進行訓練；

在所述元測試階段，基于經過嵌入表示的所述第二類別集合對經過所述元訓練階段的所述分類模型進行訓練。

5.根據權利要求4所述的方法，其特征在于，所述在所述元訓練階段，基于經過嵌入表示的所述第一類別集合對所述分類模型進行訓練，包括：

采用非線性激活函數將經過嵌入表示的所述第一類別集合中的實體的嵌入表示轉換至類別向量空間；

基于經過轉換的實體的嵌入表示和所述第一類別集合中的所述類別的嵌入表示通過計算確定目標函數；

將所述第一類別集合劃分為多個訓練集，基于所述目標函數和所述多個訓練集對所述分類模型進行迭代訓練。

6.根據權利要求5所述的方法，其特征在于，所述基于所述目標函數和所述多個訓練集對所述分類模型進行迭代訓練，包括：

將所述多個訓練集中的每個所述訓練集劃分為訓練組和測試組；

針對所述迭代訓練中的每一次迭代執行如下操作：

基于所述目標函數計算所述訓練組的損失值，基于所述訓練組的損失值、初始化參數和第一學習率采用梯度下降算法計算得到該訓練組更新后的參數；

基于所述目標函數和全部所述訓練組對應的更新后的參數計算所述測試組的損失值，基于所述測試組的損失值、初始化參數和第二學習率采用梯度下降算法計算得到更新后的初始化參數。