【技术实现步骤摘要】
一种基于本体语义的图卷积网络学习模型的构建
本专利技术涉及知识图谱表示学习领域，具体来说，涉及一种基于本体语义的图卷积网络学习模型的构建。
技术介绍
随着人工智能的快速发展，知识图谱(KnowledgeGraph)已被广泛认为是许多人工智能技术和系统中的重要组成部分。大量的知识图谱，例如YAGO、WordNet和Freebase已经被开发出来。知识图谱包含大量的先验知识，并且可以高效的管理数据。它们已被广泛用于问答系统、搜索引擎和推荐系统。知识图谱能够挖掘、组织和有效管理来自大规模数据的知识，从而提高信息服务的质量并为用户提供更智能的服务。所有这些方面都依赖于知识推理而非知识图谱的支持，因此知识图谱是推理领域的核心技术之一。知识图谱上的知识推理拥有非常好的研究前景，已成为了工业界和学术界的研究热点。但其本质仍然是一个比较难的问题，面临着上文所述的一些问题挑战。针对这些挑战，在传统规则推理的基础上，通过图卷积神经网络强大的图结构特征信息提取能力，将知识图谱中实体使用向量表示，之后借鉴嵌入学习的思想，将知识图谱中原有离散...
【技术保护点】
1.一种基于本体语义的图卷积网络学习模型的构建，其特征在于，包括下述步骤：/n步骤一、输入知识图谱数据：本步骤对知识图谱数据进行读取，包括实体集合、关系集合、训练三元组、有效三元组和测试三元组，之后对读取的数据进行初始化操作；/n步骤二、关系图卷积神经网络计算：通过两层的关系图卷积神经网络获取知识图谱中节点的嵌入，即节点的向量表示；关系图卷积神经网络的主要动机是将在本地图邻域上运行的图卷积网络扩展为大型关系数据，关系图卷积神经网络可以进一步视为消息传递神经网络的子类，它包含可区分消息传递解释的许多先前的图形神经模型，包括图卷积网络，所述的图卷积神经网络模型，其消息传递函数如下所示：/n
【技术特征摘要】
1.一种基于本体语义的图卷积网络学习模型的构建，其特征在于，包括下述步骤：
步骤一、输入知识图谱数据：本步骤对知识图谱数据进行读取，包括实体集合、关系集合、训练三元组、有效三元组和测试三元组，之后对读取的数据进行初始化操作；
步骤二、关系图卷积神经网络计算：通过两层的关系图卷积神经网络获取知识图谱中节点的嵌入，即节点的向量表示；关系图卷积神经网络的主要动机是将在本地图邻域上运行的图卷积网络扩展为大型关系数据，关系图卷积神经网络可以进一步视为消息传递神经网络的子类，它包含可区分消息传递解释的许多先前的图形神经模型，包括图卷积网络，所述的图卷积神经网络模型，其消息传递函数如下所示：
其中是节点vi在神经网络第l层的隐藏状态，其中d(l)是该层表示的维数。形式为gm(·,·)的传入消息被累积并通过激活函数gm(·,·)传递，
基于这些架构，图卷积网络模型使用消息传递架构用于计算有向关系多重图中以vi表示的实体或节点的前向更新，该规则将来自节点本地邻居的信息聚合，然后将聚合的信息转发到下一层。R-GCN信息传播规则如下函数所示：
其中表示关系r∈R下节点i的邻居索引集。ci,r是特定于问题的规范化常数，可以预先学习或选择(例如)；
步骤三、实体嵌入E：所述步骤一中，随机初始化操作的实体向量表示为E，经过两层关系卷积神经计算之后，可以将每个实体vi∈V映射到实值向量得到知识图谱中的实体嵌入E；
步骤四、DistMult解码器计算：在经过关系图卷积网络对知识图谱中的节点特征信息计算之后，采取DistMult作为解码器。DistMult是一种基于线性映射假设的方法，在DistMult中，每个关系r与一个对角矩阵相关联并且三元组(h,r,t)通过以下公式计算得分：
步骤五、关系嵌入R：本步骤通过DistMult对实体嵌入E进行解码，训练时，与之前的因式分解方法相同，使用负采样来...
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。