一种基于知识嵌入和关联关系组合的知识推理方法技术

本发明专利技术公开了一种基于知识嵌入和关联关系组合的知识推理方法，包括以下步骤：获取待推理事件知识图谱，并通过预处理将所述待推理事件知识图谱解析成由多个由源实体、语义关系和目标实体构成的三元组待推理数据；将所述三元组数据输入到预先训练的图卷神经网络模型中，输出三元组推理数据；本发明专利技术能够利用知识图谱知识节点和节点间关联关系的组合信息，挖掘两者潜在的语义信息，将事件知识的图结构信息和潜在的节点关系语义信息充分提取，为知识推理提供支持，提高知识推理的性能。提高知识推理的性能。提高知识推理的性能。

【技术实现步骤摘要】
一种基于知识嵌入和关联关系组合的知识推理方法


[0001]本专利技术涉及人工智能
，更具体的说是涉及一种基于知识嵌入和关联关系组合的知识推理方法。

技术介绍

[0002]面向知识图谱的推理主要围绕事实或关系的推理展开，即基于图谱中已有的事实或关系推断出未知的事实或关系，一般着重考察实体、关系和图谱结构三个方面的特征信息。具体来说，知识图谱推理主要能够辅助推理出新的事实、新的关系、新的公理以及新的规则等。
[0003]GCN，图卷积神经网络，图卷积网络 (GCN) 将卷积操作从传统数据（图像或网格）推广到图数据。实际上跟CNN的作用一样，就是一个特征提取器，只不过它的对象是图数据。GCN精妙地设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去对图数据进行节点分类、图分类、边预测，还可以顺便得到图的嵌入表示。
[0004]现有的图卷积神经网络对节点的向量表示只来源于图中节点的邻接矩阵，只是对图结构的单一表示，缺乏对其它信息的表示。
[0005]因此，如何提供一种基于知识嵌入和关联关系组合的知识推理方法，能够充分利用事件知识图谱中事件知识和事件之间复杂的关系信息，提升了规则挖掘的效率和准确度是本领域技术人员亟需解决的问题。

技术实现思路

[0006]有鉴于此，本专利技术提供了一种基于知识嵌入和关联关系组合的知识推理方法，能够利用知识图谱知识节点和知识节点之间关联关系的组合信息，挖掘两者潜在的语义信息，将事件知识的图结构信息和潜在的节点关系语义信息充分提取，为知识推理提供支持，提高知识推理的性能。
[0007]为了实现上述目的，本专利技术采用如下技术方案：一种基于知识嵌入和关联关系组合的知识推理方法，包括以下步骤：获取待推理事件知识图谱，并通过预处理将所述待推理事件知识图谱解析成由多个由源实体、语义关系和目标实体构成的待推理三元组数据；将所述待推理三元组数据输入到预先训练的图卷积神经网络模型中，输出三元组推理数据。
[0008]进一步的，所述图卷积神经网络模型的训练步骤包括：获取训练数据集，所述训练数据集为由历史事件知识解析出的三元组历史数据；将所述三元组历史数据进行预处理后得到初始节点向量；将所述初始节点向量输入至所述图卷积神经网络模型中，进行知识推理，输出推理结果；以确定所述图卷积神经网络模型的模型参数。
[0009]进一步的，获取训练数据集，步骤包括：
在Neo4j图数据库中抽取图数据；采用MySQL图形处理系统在所述图数据中查询实体和关系信息，并输出三元组历史数据。
[0010]进一步的，所述知识推理，步骤包括：对所述初始节点向量进行深层特征提取，并采用注意力机制计算各层输出的节点向量；最后一层输出的节点向量为推理结果。
[0011]进一步的，采用注意力机制计算各层输出的节点向量，步骤包括：计算注意力系数，计算注意力系数，其中，表示节点i的邻居节点，和是注意力机制参数，a是注意力attention，q是查询项query，k是键值key,和是可训练的参数矩阵，D为单位矩阵，为注意力机制的输出，是对进行了归一化函数计算；根据所述注意力系数更新节点向量：其中，为第i个节点的第l层的节点向量，为更新后的节点向量，即第i个节点第l+1层的节点向量；为第l+1层的转换矩阵。
[0012]进一步的，所述预处理，步骤包括：对所述三元组历史数据进行编码，得到节点编码向量和语义关系编码向量；将所述语义关系编码向量嵌入所述节点编码向量，得到所述初始节点向量。
[0013]进一步的，采用以下公式将所述语义关系编码向量嵌入所述节点编码向量：其中，为第i个节点的初始节点向量，为节点编码向量，是节点i与节点j所对应的语义关系编码向量，W
r
为关系特征矩阵。
[0014]进一步的，步骤还包括：根据预先训练的评分函数对所述三元组推理数据进行筛选，输出最终结果。
[0015]进一步的，所述评分函数的训练步骤为：对于观测样本，设计出同等数量的负样本，作为二分类任务进行训练，并根据交叉熵损失函数进行优化，得到所述评分函数的模型训练参数。
[0016]本专利技术的有益效果：经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于知识嵌入和关联关系组合的知识推理方法，能够利用知识图谱知识节点和知识节点之间关联关系
的组合信息，挖掘两者潜在的语义信息，将事件知识的图结构信息和潜在的节点关系语义信息充分提取，为知识推理提供支持，提高知识推理的性能。
附图说明
[0017]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0018]图1附图为本专利技术提供的一种基于知识嵌入和关联关系组合的知识推理方法示意图。
具体实施方式
[0019]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0020]如图1，本专利技术实施例公开了一种基于知识嵌入和关联关系组合的知识推理方法，包括以下步骤：S1：获取待推理事件知识图谱，并通过预处理将待推理事件知识图谱解析成由多个由源实体、语义关系和目标实体构成的待推理三元组数据；S2：将待推理三元组数据输入到预先训练的图卷积神经网络模型中，输出三元组推理数据。
[0021]在一种实施例中，图卷积神经网络模型的训练步骤包括：S21：获取训练数据集，训练数据集为由历史事件知识解析出的三元组历史数据；具体为：首先，在Neo4j图数据库中抽取图数据，解析成s，r，o三元组，导入MySQL图像处理系统，采用MySQL图形处理系统在图数据中查询实体和关系信息，以一个关系(n)
‑
[r]‑
>(m)所包含的全部信息为一条信息，并输出三元组历史数据。关系信息包含起始节点的 id、标签、每个属性，关系，终止节点的 id、标签、每个属性。其中，Neo4j图数据库作为事件知识库，其具有丰富的知识图谱，在抽取图形前，可根据不同的时间发生时间或其他依据对知识谱图进行简单分类，然后生成三元组。
[0022]S22：将三元组历史数据进行预处理后得到初始节点向量；在一种实施例中，预处理，步骤包括：S221：对三元组历史数据进行编码，得到节点编码向量和语义关系编码向量；S222：将语义关系编码向量嵌入节点编码向量，得到初始节点向量。
[0023]具体为：采用以下公式将语义关系编码向量嵌入节点编码向量：其中，为第i个节点的初始节点向量，为节点编码向量，是节点i与节点j所对应的语义关系编码向量；W
r
表示关系特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识嵌入和关联关系组合的知识推理方法，其特征在于，包括以下步骤：获取待推理事件知识图谱，并通过预处理将所述待推理事件知识图谱解析成由多个由源实体、语义关系和目标实体构成的待推理三元组数据；将所述待推理三元组数据输入到预先训练的图卷积神经网络模型中，输出三元组推理数据。2.根据权利要求1所述的一种基于知识嵌入和关联关系组合的知识推理方法，其特征在于，所述图卷积神经网络模型的训练步骤包括：获取训练数据集，所述训练数据集为由历史事件知识解析出的三元组历史数据；将所述三元组历史数据进行预处理后得到初始节点向量；将所述初始节点向量输入至所述图卷积神经网络模型中，进行知识推理，输出推理结果；以确定所述图卷积神经网络模型的模型参数。3.根据权利要求2所述的一种基于知识嵌入和关联关系组合的知识推理方法，其特征在于，获取训练数据集，步骤包括：在Neo4j图数据库中抽取图数据；采用MySQL图形处理系统在所述图数据中查询实体和关系信息，并输出三元组历史数据。4.根据权利要求2所述的一种基于知识嵌入和关联关系组合的知识推理方法，其特征在于，所述知识推理，步骤包括：对所述初始节点向量进行深层特征提取，并采用注意力机制计算各层输出的节点向量；最后一层输出的节点向量为推理结果。5.根据权利要求4所述的一种基于知识嵌入和关联关系组合的知识推理方法，其特征在于，采用注意力机制计算各层输出的节点向量，步骤包括：计算注意力系数，计算注意力系数，其中，...

【专利技术属性】
技术研发人员：王立才，胡勋，柴世昊，宋浩楠，罗琪彬，黄杨琛，李孟书，
申请(专利权)人：中国电子科技集团公司第十五研究所，
类型：发明
国别省市：