【技术实现步骤摘要】
一种基于强化学习的双系统知识图谱的知识推理方法
[0001]本专利技术涉及,具体涉及一种基于强化学习的双系统知识图谱的知识推理方法。
技术介绍
[0002]人工智能走入产业后,可以分为感知智能、认知智能和行为智能,后两者更与生产力相对应,NLP和知识图谱是发展认知智能的基础。一方面,在面对数据多样、复杂,孤岛化,且单一数据价值不高的应用场景时,使用知识图谱推理技术将带来最佳的应用价值。另一方面,认知智能在是探寻人类学习、理解、产生决策的生物能力,而知识图谱推理是实现认知推理的关键技术。同时,对于自动搭建的知识图谱和手动搭建的图谱,往往都面临不完整、知识缺失、实例正确性判断等问题,难以应用到垂直搜索、问答系统等领域。解决方案之一是通过对知识图谱实施有效的知识多步推理,进行知识图谱补全、链接预测、实例正确性判断。这其中包括基于一阶谓词逻辑规则的推理算法、本体推理算法、基于随机路径游走的推理算法和基于分布式表示的推理算法。
技术实现思路
[0003]本专利技术为了克服以上技术的不足,提供了一种基于Bert预训练,融合强化学习思想和分布式表示推理的多步路径推理方法。
[0004]本专利技术克服其技术问题所采用的技术方案是:
[0005]一种基于强化学习的双系统知识图谱的知识推理方法,包括如下步骤:
[0006]a)将知识图谱的三元组数据输入基于Bert的预训练模型,处理得到三元组的嵌入向量表示vector
v~(e,r)
;
[0007]b)将嵌入向量表示vec ...
【技术保护点】
【技术特征摘要】
1.一种基于强化学习的双系统知识图谱的知识推理方法,其特征在于,包括如下步骤:a)将知识图谱的三元组数据输入基于Bert的预训练模型,处理得到三元组的嵌入向量表示vector
v~(e,r)
;b)将嵌入向量表示vector
v~(e,r)
分别输入ComplEx模型和基于神经网络的ConvE模型后分别训练测试,两个训练测试互不干扰,得到训练完备的评价系统;c)选择多层感知机模型或多层Transformer的Encoder,完成路径的推理,根据评价系统建立推理系统,得到训练完备的推理系统;d)根据训练完备的评价系统和推理系统完成路径推理。2.根据权利要求1所述的基于强化学习的双系统知识图谱的知识推理方法,其特征在于:步骤a)中通过公式计算得到三元组的嵌入向量表示vector
v~(e,r)
,式中e1为头实体,e2为尾实体,e1∈ξ,e2∈ξ,ξ为所有的实体集合,r∈R,R为所有的关系集合,为所有以Bert为基础的预训练模型。3.根据权利要求2所述的基于强化学习的双系统知识图谱的知识推理方法,其特征在于,步骤b)中将嵌入向量表示vector
v~(e,r)
输入ComplEx模型训练测试的步骤为:b-1.1)设模型的评分函数为s,评分函数s表示关系r
v
与共轭向量e
v1
、共轭向量e
v2
的乘积求和并保留结果的实部,e1通过映射得到e
v1
,e2通过映射得到e
v2
,式中Re()表示取实部计算,Im()表示取实部计算表示取虚部计算,σ为对矩阵最后维度的求和计算,Θ为当前模型参数,< >为复数之间的乘积;b-1.2)将嵌入向量表示vector
v~(e,r)
输入到ComplEx模型中的进行训练测试,得到最优的模型ComplEx和模型精度CompleEx
mrr
。4.根据权利要求3所述的基于强化学习的双系统知识图谱的知识推理方法,其特征在于,步骤b)中将嵌入向量表示vector
v~(e,r)
输入基于神经网络的ConvE模型训练测试的步骤为:b-2.1)设打分函数为p,式中σ为非线性激活函数,式中W1为卷积操作权重,Proj为将前馈输出映射到嵌入维度,f
dropout
为dropout操作,f
FNN
为前馈神经网络的函数;b-2.2)将嵌入向量表示vector
v~(e,r)
输入到基于神经网络的ConvE模型中的进行训练测试,得到最优的模型ConvE和模型精度ConvE
mrr
。5.根据权利要求4所述的基于强化学习的双系统知识图谱的知识推理方法,其特征在于,步骤c)包括如下步骤:c-1)设推理路径为(e
start
,r1,e2,r2,e
end
),r1,e2,r2为推理系统的训练路径,其中r1和r2关系集合中的关系,e
start
与e
end
为向量表示,设路径长度为3;c-2)将e
start
与e
end
进行向量堆叠,得到[e
start
,e
end
];
c...
【专利技术属性】
技术研发人员:舒明雷,刘浩,王英龙,周书旺,刘照阳,高天雷,单珂,
申请(专利权)人:山东省计算中心国家超级计算济南中心,
类型:发明
国别省市:
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。