[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

本申請提供一種基于元學習的知識圖譜實體分類方法及相關設備。該方法包括：獲取開源知識圖譜數據集；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。本申請提供的方法及相關設備可以在知識圖譜標記實體數量稀疏的情況下提高知識圖譜實體分類的準確度，解決知識圖譜實體分類任務的長尾分布問題。

技術領域

本申請涉及人工智能技術領域，尤其涉及一種基于元學習的知識圖譜分類方法及相關設備。

背景技術

元學習(Meta Learning),含義為學會學習，Meta Learning希望使得模型獲取一種“學會學習”的能力，在已有的“知識”基礎上快速學習新的任務。

互聯網的繁榮發展催生出了越來越多的大規模知識庫，諸如Freebase，GoogleKnowledge Graph，YAGO等。這些大型的知識庫往往都由包含抽象概念的本體視圖以及由實體組成的實例視圖組成，兩個視圖中都包含了大量的三元組關系數據，這些數據可以為諸多知識圖譜相關的下游任務提供數據支持。在本體視圖中，三元組包括頭類別，元關系，尾類別，在實例視圖中，三元組包括頭實體，關系，尾實體。在兩個視圖之間，還包含了大量的用于指示實體對應類別的跨視圖鏈接。這些跨視圖鏈接可以作為輔助信息實現知識圖譜的下游任務，為關系擴展、共指消解、實體鏈接等任務打下了數據基礎。

但是，與此同時，跨視圖鏈接本身也存在嚴重的問題。例如，知識庫中，跨視圖鏈接數量往往較少，這會影響知識圖譜下游任務的表現，在知識圖譜實體分類任務面臨了巨大的困難，嚴重阻礙了知識圖譜實體分類的準確性。為了解決知識圖譜實體分類問題，研究學者試圖提出各種方法，如借助外部信息來輔助完成分類任務，再如利用表示學習方法生成每個實體的表示來完成分類任務，但是這些方法均假設每個類別都有充足的標記樣本，忽略了知識圖譜中實體類別可能出現的長尾分布問題。

發明內容

有鑒于此，本申請的目的在于提出一種基于元學習的知識圖譜分類方法及相關設備。

基于上述目的，本申請提供了一種基于元學習的知識圖譜實體分類方法，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。

基于同一發明構思，本公開還提供了一種基于復雜語境的元學習的知識圖譜分類裝置，包括：

獲取模塊，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；

初始化模塊，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；

類別融合模塊，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；

分類模塊，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。