一种基于自适应图卷积的知识图谱文字属性值补全方法技术

本发明专利技术属于知识图谱补全领域，针对知识图谱中存在的文字属性值缺失问题，提出了一种基于自适应图卷积的知识图谱文字属性值补全方法(AGC

【技术实现步骤摘要】
一种基于自适应图卷积的知识图谱文字属性值补全方法


[0001]本专利技术属于知识图谱补全领域，针对知识图谱中存在的文字属性值缺失问题，提出了一种基于自适应图卷积的知识图谱文字属性值补全方法(AGC
‑
AC)。

技术介绍

[0002]知识图谱(KnowledgeGraph)在人工智能(ArtificialIntelligence)的应用领域中起着至关重要的作用，它可以被视为知识的结构化表示，以关系三元组(头实体，关系，尾实体)或属性三元组(实体，属性，值)的形式表示一组事实。其中，头实体和尾实体被视为现实世界中的物体或抽象概念，连接两实体的边表示实体之间的二元关系，属性表示实体的特征。这种结构化知识表示方式很容易被机器理解和接受，从而大大提高人工智能系统的性能表现。
[0003]现阶段，由于人工或半自动的知识图谱构建方式(如图1所示)很难获得完备的信息，并且在构建过程中不可避免地会出现错误，这就导致已有的知识图谱在很大程度上存在不完全的问题。此外，随着信息的快速增长，不完全的问题日益加剧，这在很大程度上限制了知识图谱进一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应图卷积的知识图谱文字属性值补全方法主要包括以下三个步骤：A.数据预处理：将离散数据转化为连续型数据，并将数据集处理为图卷积所需要的类型，即度矩阵D，邻接矩阵A以及特征矩阵F，方便后期对节点的聚类划分，其中特征矩阵F利用各节点属性取值的映射进行编码，例如{
‘
男
’
：0，
‘
女
’
：1}。B.图聚类：将原有属性知识图谱中的节点结合自适应图卷积神经网络生成的特征表示进行划分，得到最佳节点簇。首先对属性图中的相关内容进行定义如下：定义1：将属性知识图谱定义为无向图G＝(V,E,Λ,X)，其中，V＝{v1,v2,L,v
n
}为节点集，|V|＝n，E为边集可以被表示为邻接矩阵Λ＝{a1,a2L,a
g
}为节点的属性集合，|Λ|＝g，X＝[x1,x2,L,x
n
]
T
∈？
n
×
d
为所有节点的特征矩阵，为节点v
i
的一个实值向量。则图聚类问题可以定义为如下形式：定义2：对于给定的属性知识图谱G，图聚类的目的是将G中包含的节点划分成m个簇C＝{C1,C2,L,C
m
}，其中C
m
是节点集合的第m个划分。在图聚类的过程中利用谱聚类进一步将聚类问题转换为图的节点划分问题，主要步骤如下：1、根据度矩阵D、邻接矩阵A，计算对称归一化的图拉普拉斯矩阵2、根据计算X的k阶图卷积表示。3、计算节点之间的成对相似性4、计算权重矩阵5、使用k
‑
m...

【专利技术属性】
技术研发人员：徐九韵，张文洁，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：