基于实体-关系关联图的知识图谱嵌入模型制造技术

本发明专利技术公开一种基于图卷积神经网络的知识图谱嵌入方法，利用实体‑关系关联图(ERNAG)将实体和关系节点视为图形中相同的重要节点，节点之间的连接表示为实体与关系之间的关联；将关联图(ERNAG)与图形神经网络相结合，嵌入实体和节点间的关联预测关系。通过本发明专利技术中得分函数计算嵌入节点向量间关联得分得到关联组预测，从而转化到知识图谱的连接预测和关系预测。通过对多个已有的基准知识图谱的实验表明，本方法在链路预测和关系预测任务中具有较好的性能。

【技术实现步骤摘要】
基于实体-关系关联图的知识图谱嵌入模型
本专利技术涉及自然语言处理
，特别是涉及基于实体-关系关联图的知识图谱嵌入模型。
技术介绍
知识图谱(KnowledgeGraph，KG)如WordNet、FreeBase和YAGO。是由很多事实组成，而事实以三元组形式表示(即头实体、关系、尾实体)或简称(h、r、t)。如(史蒂夫·乔布斯，创立，苹果公司)意思是史蒂夫·乔布斯创立了苹果公司。这些三元组对于人工智能任务(如网络搜索和问答)必不可少。然而，知识图谱往往缺乏一些事实(即不完整)。知识图谱是解决这一问题的一项任务。它的目的是评估不存在于知识图中的三元组的合理性。近年来，为解决知识图谱完备问题，人们进行大量研究工作。传统方法是在连续向量空间中将实体Entity和关系Relation表示为低维密集向量或矩阵，称为知识图嵌入。构建模型最具代表性的方法是基于平移距离，例如TransE。然而，它在处理反身/一对多/多对一/多对多关系方面存在缺陷。因此，基于此模型进行了许多改进(例如TransH，TransR，TransGate)。一种模型是利本文档来自技高网...

【技术保护点】
1.基于实体-关系关联图的知识图谱嵌入方法，其特征在于，包括知识图谱转化为实体-关系关联图的步骤、图嵌入关联得分计算进行关联组预测的步骤；/n步骤一.构建实体-关系关联图/n知识图谱由三元组事实组成集合，一个三元组事实包含头实体h、关系r和尾实体t，知识图谱表示为

【技术特征摘要】
1.基于实体-关系关联图的知识图谱嵌入方法，其特征在于，包括知识图谱转化为实体-关系关联图的步骤、图嵌入关联得分计算进行关联组预测的步骤；
步骤一.构建实体-关系关联图
知识图谱由三元组事实组成集合，一个三元组事实包含头实体h、关系r和尾实体t，知识图谱表示为其中ε是所有实体集，为所有关系集，是所有三元组集
关联图是关联组事实组成的集合，一个关联组事实包含头实体和关系关联、关系和尾实体关联、头实体和尾实体关联，且关联组有方向性；
实体-关系关联图表示为其中ε是所有实体集，为所有关系集，是所有关联组集
步骤二.图嵌入
将关联图中的实体和关系映射到一个低维连续的向量空间中，先通过两层的图卷积神经网络得到嵌入向量；通过计算一个关联组的得分得到一个三元组得分，并计算所有关联组得分，得到关联组预测，并转化到知识图谱的连接预测和关系预测，从而得到知识图谱中缺失的且真实的三元组事实，达到知识图谱补全的目的。


2.根据权利要求1所述基于实体-关系关联图的知识图谱嵌入方法，其特征在于，步骤二中的图嵌入的步骤如下：
定义为图的拉普拉斯矩阵，D为图的度矩阵，A为图的邻接矩阵，表示为：



本模型用了两层图卷积神经网络作为嵌入的基础，嵌入表示为表示如下：

【专利技术属性】
技术研发人员：饶国政，常志飞，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12