【技术实现步骤摘要】
一种知识图谱推理方法、装置、计算机设备及存储介质
本专利技术涉及自然语言推理领域，具体涉及一种知识图谱推理方法、装置、计算机设备及存储介质。
技术介绍
随着互联网的发展，网络数据内容呈现爆炸式增长的态势。互联网内容大规模、异构多元、组织结构松散等特点给人们有效获取信息和知识提出了巨大的挑战。知识图谱(KnowledgeGraph)以其强大的语义推理能力和开放组织能力，为互联网时代的知识化组织和智能应用奠定了基础。在知识图谱中，这些事实通常都被表示为(头实体、关系、尾实体)这样的三元组。但是，这些知识图谱的覆盖范围相比于客观世界还远远不足。因此，知识图谱的补全，即知识推理成为知识图谱研究的一个重要的部分。近年来，将知识图谱的实体和关系投影到多维向量空间来学习实体和关系的潜在属性的方法，已经引起了广泛的关注。与以往工作相比，这些知识嵌入模型具有复杂度低、可重用性高等优点。这类方法的典型TransE(Translation-basedEmbedded)，是一个经典的基于神经网络的模型通过优化基于边界的损失函数将实体和关系表...
【技术保护点】
1.一种知识图谱推理方法，其特征在于，包括以下步骤：/n知识推理平台根据损失函数用随机梯度下降对知识图谱中的数据集进行推理，获得数据集中实体和关系分别对应的向量表示，具体为：/n将知识图谱中的三元组集合嵌入转换到低维空间，即为数据集中的每一个实体和关系生成一个向量，向量的维度自行设置；/n从数据集中抽取指定数量的三元组的向量表示(h，r，t)，通过随机替换三元组的实体向量和关系向量三者中的至少一者为每个三元组的向量表示(h，r，t)生成一个对应的负三元组的向量表示(h′，r′，t′)，其中，h为头实体向量，r为关系向量，t为尾实体向量，h′为随即替换后的头实体向量，r′为随...
【技术特征摘要】
1.一种知识图谱推理方法，其特征在于，包括以下步骤：
知识推理平台根据损失函数用随机梯度下降对知识图谱中的数据集进行推理，获得数据集中实体和关系分别对应的向量表示，具体为：
将知识图谱中的三元组集合嵌入转换到低维空间，即为数据集中的每一个实体和关系生成一个向量，向量的维度自行设置；
从数据集中抽取指定数量的三元组的向量表示(h，r，t)，通过随机替换三元组的实体向量和关系向量三者中的至少一者为每个三元组的向量表示(h，r，t)生成一个对应的负三元组的向量表示(h′，r′，t′)，其中，h为头实体向量，r为关系向量，t为尾实体向量，h′为随即替换后的头实体向量，r′为随即替换后的关系向量，t′为随即替换后的尾实体向量；
根据正三元组和负三元组建立损失函数之和；
计算损失函数之和的梯度，根据随机梯度下降更新实体和关系对应的向量；
重复上述步骤，直到损失函数之和收敛，得到最终的实体向量和关系向量；
知识推理平台根据得到的实体向量和关系向量，结合评分函数完善知识图谱，具体为：
从知识图谱的数据集中随机组合实体向量和关系向量，生成新的三元组的向量表示；
建立评分函数，计算新的三元组的评分；
根据评分判断三元组存在的可能性，将存在的可能性高的三元组加入知识图谱。
2.根据权利要求1所述的知识图谱推理方法，其特征在于，所述损失函数之和具体为：
其中，
其中，L(h，r，t)表示对三元组本身的评分的损失函数，L(p，r)表示对路径的评分的损失函数，L(P)表示通过约束使路径p和关系r的相似度接近于由路径推理出关系的概率；γ是边界值，使得正三元组和与负三元组的评分区别开；sim(h+r，t)是基于TransE(嵌入模型)变体的评分；sim(h′+r′，t′)是h，r，t三者随机替换后的基于TransE(嵌入模型)变体的评分；表示路径向量p和关系向量r的的相似度，表示随机替换后的路径向量p′和关系向量r′的相似度；[x]+＝max(0，x)，P(r|p)表示由路径推理出关系的概率，通过遍历知识图谱获得；...
【专利技术属性】
技术研发人员：刘学军，陈海旭，周强，蒋军成，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。