一种基于知识图谱的超参数搜索方法及装置制造方法及图纸

本发明专利技术提供一种基于知识图谱的超参数搜索方法及装置。其中，该方法包括：对原始知识图谱进行降采样处理获得采样知识图谱；利用预设的基于贝叶斯优化架构的超参数优化器对所述采样知识图谱进行超参数搜索，获得候选超参数组合；基于所述候选超参数组合及其对应的超参数评测数据对所述超参数优化器进行迭代搜索优化，以实现对所述候选超参数组合进行调优处理，得到所述原始知识图谱对应的目标超参数组合；所述超参数评测数据是基于所述候选超参数组合在所述采样知识图谱基础上进行模型训练后得到的性能评测分数。本发明专利技术提供的方法，能够适用于不同规模的知识图谱，提高了知识图谱的超参数搜索效率，从而快速获得效果更优的超参数组合。参数组合。参数组合。

【技术实现步骤摘要】
一种基于知识图谱的超参数搜索方法及装置


[0001]本专利技术涉及人工智能
，具体涉及一种基于知识图谱的超参数搜索方法及装置。另外，还涉及一种电子设备及处理器可读存储介质。

技术介绍

[0002]知识图谱嵌入(Knowledge Graph Embedding，即通过机器学习模型得到知识图谱中每个实例的嵌入向量表示)是一种将离散的实例和关系映射到低维连续向量空间的技术，可作为逻辑推理、药物发现和推荐系统等诸多应用的基础。近年来提出了各种各样的嵌入方法，从距离转移模型、双线性模型发展到图神经网络，每种嵌入方法(对应的机器学习模型)都需要一组事先设定的超参数，用于控制机器学习模型迭代更新的学习过程，该超参数对机器学习模型的最终性能有着决定性的影响和作用。其中，超参数搜索效率(Hyper
‑
parameter searching algorithm)将直接影响机器学习模型的学习过程，对模型性能有至关重要。
[0003]然而，为了获取在给定知识图谱数据下的指定嵌入模型的最优超参数，现有技术中的超参数搜索方式速度较慢，且计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱的超参数搜索方法，其特征在于，包括：对原始知识图谱进行降采样处理获得采样知识图谱；利用预设的基于贝叶斯优化架构的超参数优化器对所述采样知识图谱进行超参数搜索，获得候选超参数组合；基于所述候选超参数组合及其对应的超参数评测数据对所述超参数优化器进行迭代搜索优化，以实现对所述候选超参数组合进行调优处理，得到所述原始知识图谱对应的目标超参数组合；其中，所述超参数评测数据是基于所述候选超参数组合在所述采样知识图谱基础上进行模型训练后得到的性能评测分数。2.根据权利要求1所述的基于知识图谱的超参数搜索方法，其特征在于，所述对原始知识图谱进行降采样处理获得采样知识图谱，具体包括：基于随机游走方式对原始知识图谱进行降采样处理，确定所述原始知识图谱中的采样节点；将所述原始知识图谱中所述采样节点之间对应的邻边作为采样边，得到包含所述采样节点和所述采样边的采样知识图谱。3.根据权利要求1所述的基于知识图谱的超参数搜索方法，其特征在于，所述超参数优化器包含：用于从超参数搜索空间中随机选择超参数数据组成超参数组合的超参数采集模型和用于确定每个超参数组合的优劣概率并输出满足预设概率阈值的候选超参数组合的代理模型；其中，所述代理模型为集成预设数量决策树的随机森林分类器模型。4.根据权利要求1所述的基于知识图谱的超参数搜索方法，其特征在于，基于所述候选超参数组合及其对应的超参数评测数据对所述超参数优化器进行迭代搜索优化，以实现对所述候选超参数组合进行调优处理，得到所述原始知识图谱对应的目标超参数组合，包括：基于所述候选超参数组合、所述超参数评测数据以及相应的知识图谱特征数据，对所述超参数优化器进行迭代搜索，当搜索达到预设的时间阈值时获得返回的当前超参数组合，并将所述当前超参数组合作为所述原始知识图谱对应的目标超参数组合；其中，所述知识图谱特征数据为所述原始知识图谱和所述采样知识图谱对应的图谱属性信息。5.根据权利要求1所述的基于知识图谱的超参数搜索方法，其特征在于，在获得采样知识图谱之后，还包括：确定所述原始知识图谱和所述采样知识图谱对应的图谱属...

【专利技术属性】
技术研发人员：姚权铭，李勇，
申请(专利权)人：清华大学，
类型：发明
国别省市：