三元组作为节点的知识图谱的表示学习方法、装置及设备制造方法及图纸

本发明专利技术提供一种三元组作为节点的知识图谱的表示学习方法、装置及设备，属于机器学习技术领域，方法通过初始化预测模型的参数，参数包括知识图谱中实体和关系的向量表示，知识图谱是三元组作为节点所构成的；遍历知识图谱中的每个三元组，确定预测模型针对每个三元组的损失；基于每个三元组的损失，利用优化器对实体和关系的向量表示进行优化，由于知识图谱本身是以三元组作为节点所构成的，该类型的知识图谱可以极大地丰富知识图谱的表示能力，且基于该知识图谱的表示学习方法，能够很好的对这类知识图谱进行表示学习。这类知识图谱进行表示学习。这类知识图谱进行表示学习。

【技术实现步骤摘要】
三元组作为节点的知识图谱的表示学习方法、装置及设备


[0001]本专利技术涉及机器学习
，尤其涉及一种三元组作为节点的知识图谱的表示学习方法、装置及设备。

技术介绍

[0002]随着大数据的普及与发展，储存大量知识的大规模知识图谱越来越被人们所重视。大多数知识图谱是用三元组形式存储的，如(四川，省会，成都)便是一个三元组，这里四川是头实体，成都是尾实体，而省会是头尾实体之间的关系，这个三元组便表示了四川的省会是成都这样一个事实。换个角度来，可以说目前的知识图谱多数是实体作为节点，关系作为实体之间的边。
[0003]这种存储格式有利于在互联网上保存。然而这种形式是离散的，因而不利于对知识图谱的计算。为了解决知识图谱的计算性问题，知识图谱表示学习的方法被提出，并被广泛研究。具体的来说，知识图谱表示学习方法可以将知识图谱中的每一个实体和关系表示为低维空间中的向量。这些向量是连续的，并且可以进行数学运算，这在一定程度上解决了知识图谱的计算性问题。此外，知识图谱的表示学习也被证明对很多下游的人工智能任务或系统很有帮助，如知识图谱自动补全、自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种三元组作为节点的知识图谱的表示学习方法，其特征在于，包括：初始化预测模型的参数，所述参数包括知识图谱中实体和关系的向量表示，所述知识图谱是三元组作为节点所构成的；遍历所述知识图谱中的每个三元组，确定所述预测模型针对每个所述三元组的损失；基于每个所述三元组的损失，利用优化器对所述实体和关系的向量表示进行优化。2.根据权利要求1所述的三元组作为节点的知识图谱的表示学习方法，其特征在于，所述确定所述预测模型针对每个所述三元组的损失，包括：基于每个所述三元组的构成，确定所述每个三元组对应的任务类别，所述三元组的构成包括：实体构成的第一三元组、三元组作为头实体构成的第二三元组和所述第二三元组与所述第一三元组构成的第三三元组；确定针对每个所述任务类别的预测模型的损失。3.根据权利要求2所述的三元组作为节点的知识图谱的表示学习方法，其特征在于，当所述三元组为第一三元组时，所述确定针对每个所述任务类别的预测模型的损失，包括：对所述第一三元组的头实体和关系进行编码；基于所述编码后的结果，确定所述预测模型预测尾实体的概率；根据所述概率，确定所述预测模型针对所述第一三元组对应的任务类型的损失。4.根据权利要求2所述的三元组作为节点的知识图谱的表示学习方法，其特征在于，当所述三元组为第二三元组时，所述确定针对每个所述任务类别的预测模型的损失，包括：通过融合策略和/或注意力机制，对作为头实体的三元组进行学习表示；基于所述表示，对所述第二三元组的头实体和关系进行编码；根据所述编码后的结果，确定所述预测模型针对所述第二三元组对应的任务类型的损失。5.根据权利要求2所述的三元组作为节点的知识图谱的表示学习方法，其特征在于，当所述三元组为第三三元组时，所述确定针对每个所述任务类别的预测模型的损失，包括：基于所述第一三元组，确定所述第一三元组作为头实体的第二三元组的关系和尾实体列表；对所述第一三元组作为头实体的第二三元组的关系和尾实体列表进行编码；根据所述编码后的结果，确定...

【专利技术属性】
技术研发人员：侯磊，吕鑫，史佳欣，曹书林，李涓子，张鹏，唐杰，许斌，
申请(专利权)人：清华大学，
类型：发明
国别省市：