一种基于动态翻译的知识图谱表示学习方法技术

本发明专利技术公开了一种基于动态翻译的知识图谱表示学习方法，主要解决了TransE模型在处理复杂关系时效率不高的问题；针对TransE存在的问题，提出了一种基于动态翻译与超平面投影的表示学习方法。首先，将动态翻译与向量嵌入进行结合，得到新的翻译原则，使翻译的原则更加灵活；接着引入投影到特定关系超平面的机制，使得实体在不同关系中有不同的角色，提高模型处理复杂关系的性能；最后在训练模型时，采用新的抽样策略，不同的概率来替换头尾实体；在进行实体替换时需要选用语义最相似的实体，达到显著提升对实体的区分度的效果。该方法将动态翻译和超平面投影相结合，很好解决了TransE处理复杂关系性能不佳的问题。

【技术实现步骤摘要】
一种基于动态翻译的知识图谱表示学习方法
在本专利技术属于知识图谱表示学习领域，涉及一种基于动态翻译的知识图谱表示学习方法。
技术介绍
知识图谱是一种用图模型来描述知识和建模世界万物之间的关联关系的技术方法，属于语义层面的知识库，通常以网格的形式出现。在网格中，节点表示实体，节点之间的边表示关系，并使用三元组(h,r,t)进行知识的表示。知识图谱最早的应用是提升搜索引擎的能力。随后，知识图谱在辅助智能问答、自然语言处理、大数据分析、推荐计算、物联网互联、可解释性人工智能等方面展现出丰富的应用价值。其中，知识表示是这些应用的基础。然而，由于知识的不断积累，知识库规模扩展非常快，知识形式也变得越来越多样化。以三元组的形式对知识进行表示的弊端越来越明显，例如实体间语义关系的推理变得越来越难、数据稀疏性问题变得越来越严重、计算的复杂性变得越来越高、运用到大型的知识图谱上变得越来越困难。近年来，以知识表示为代表的知识表示学习取得了新的研究进展，提出了将稀疏的三元组(h,r,t)语义信息投射到低维稠密的向量空间，将实体与关系的推理转变为对象间距离的计本文档来自技高网...

【技术保护点】
1.一种基于动态翻译的知识图谱表示学习方法，其特征在于，该方法包括以下步骤：/nS1、将动态翻译技术和向量嵌入相融合，得到新的翻译原则；/nS2、引入投影到特定关系超平面的机制，使得实体在不同关系中有不同的角色；/nS3、基于深度学习进行训练，训练此时知识图谱中实体和关系的新的向量表示。/n

【技术特征摘要】
1.一种基于动态翻译的知识图谱表示学习方法，其特征在于，该方法包括以下步骤：
S1、将动态翻译技术和向量嵌入相融合，得到新的翻译原则；
S2、引入投影到特定关系超平面的机制，使得实体在不同关系中有不同的角色；
S3、基于深度学习进行训练，训练此时知识图谱中实体和关系的新的向量表示。


2.根据权利要求1所述的一种基于动态翻译的知识图谱表示学习方法，其特征在于，所述步骤S1中，对于所有的三元组(h,r,t)，假设h和r的嵌入是给定的，那么可以降低约束，使t是一个平面范围，而不是由TransE模型确定的一个固定向量或一组相同方向的向量；同样，假设h和t的嵌入是给定的，那么r的范围可以表示一个平面；假设r和t的嵌入是给定的，那么h的范围也可以表示为一个平面；将动态翻译模型与TransE模型相结合后，重新定义的翻译原则为：(h+αh)+(r+αr)≈(t+αt)#(1)
其中，h为头实体向量，r为关系向量，t为尾实体向量，αh、αr和αt分别为经过动态翻译后得到的头实体、关系和尾实体的向量表示。


3.根据权利要求1所述的一种基于动态翻译的知识图谱表示学习方法，其特征在于，所述步骤S1中，将动态翻译技术和向量嵌入相融合后如下得分函数：
其中||·||l1/2是l1或l2范数，fr(h,t)代表给定三元组的得分。


4.根据权利要求1述的一种基于动态翻译的知识图谱表示学习方法，其特征在于，所述步骤S2中，引入了投影到特定关系超平面的机制，首先将三元组中的头实体(h+αh)和尾实体(...

【专利技术属性】
技术研发人员：舒世泰，李松，张丽平，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江;23