一种基于路径张量分解的知识图谱表示学习方法技术

本发明专利技术涉及一种基于路径张量分解的知识图谱表示学习方法，从现有图谱中提取实体集、关系集以及三元组集合，采用TransE模型把满足三元组的实体集和关系集嵌入到低维连续向量空间；通过PRA算法获取实体间的路径；在全部实体可能存在的路径上均进行张量分解，计算分解损失函数，直至达到收敛的预设值或迭代最大次数；如果达到迭代最大次数或收敛于预设值，则进入下一个三元组相关的路径计算，直到训练集全部的三元组都被执行，最后输出模型中相应的实体集和关系集。本发明专利技术主要应用于知识图谱的学习和推理过程，可提高知识发现的推理准确性，提高预测精度。提高预测精度。

【技术实现步骤摘要】
一种基于路径张量分解的知识图谱表示学习方法


[0001]本专利技术属于知识图谱及知识图谱推理
，涉及一种基于路径张量分解的知识图谱表示学习方法。

技术介绍

[0002]知识图谱(Knowledge Graph)作为一种新的知识表示方法和数据管理模式，在自然语言处理、问题回答、信息检索等领域有着重要的应用。知识图谱是结构化的语义知识库，用于以符号形式描述物理世界中的概念及其相互关系，其主要采用(head,relation,tail)三元组形式进行知识表示，head是头实体，tail是尾实体，relation是关系，实体之间是通过关系相互联结，形成了网状的知识结构。
[0003]知识图谱推理是从已有的实体关系三元组，经过推理计算，建立起实体间的新关系，从而丰富和拓展知识图谱。目前常用的知识图谱表示学习方法是将高维知识图谱通过嵌入(embedding)转换到低维连续向量空间，产生了多种不同方式的推理算法，包括基于张量分解推理算法和基于路径推理算法等。基于张量分解算法将整个知识图谱看作是一个大的张量，然后通过张量分解技术分解为多个小的张量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于路径张量分解的知识图谱表示学习方法，其特征在于包括以下步骤：步骤1，从现有图谱中提取实体集、关系集以及三元组集合，采用TransE模型把满足三元组的实体集和关系集Embedding嵌入到低维连续向量空间；步骤2，通过PRA算法获取实体间的路径；步骤3，在全部实体可能存在...

【专利技术属性】
技术研发人员：杨瑞瑞，
申请(专利权)人：北京航天长峰科技工业集团有限公司，
类型：发明
国别省市：