【技术实现步骤摘要】
基于逻辑规则与强化学习的知识图谱推理方法
[0001]本专利技术的技术方案涉及知识图谱推理的方法,具体地说是基于逻辑规则与强化学习的知识图谱推理方法。
技术介绍
[0002]知识图谱采用基于图的数据结构对现实世界的事实进行结构化表示。利用图结构表示的优势,知识图谱在知识问答、语义搜索等自然语言处理任务中发挥着重要的作用。自2012年Google推出第一版知识图谱以来,各类知识图谱层出不穷,如世界知识库Freebase、多语言知识库DBpedia、英文知识库WordNet、综合知识库YAGO、NELL以及以Wikipedia为基础的Wikidata等等。然而,这些知识图谱尽管体量很大,但仍然存在无法表示所有客观知识的问题,尤其面对日益增加的新知识,知识图谱很难对下游应用提供有力的支持。针对上述问题,知识图谱推理从知识库中已有的实体关系出发,利用已有的一个或多个知识经过计算推理建立实体之间的新关联,从而丰富知识网络,为知识图谱的补全任务提供解决方法。
[0003]如今,知识图谱推理模型可以分为单跳推理模型和多跳推理模型两类。单跳推理模型又称为基于三元组的推理模型,其目标是将知识图谱中的实体和关系用向量空间中的低维嵌入表示,通常定义得分函数来衡量三元组的正确性。单跳推理模型可以分为三类,分别是距离模型、张量分解模型和语义匹配模型:距离模型又称为平移模型,典型的算法包括TransE,TransR,RotatE等,将知识图谱的每个关系表示为从头实体向量到尾实体向量的一个平移变换,模型通过最小化平移转化误差,将实体和关系 ...
【技术保护点】
【技术特征摘要】
1.基于逻辑规则与强化学习的知识图谱推理方法,其特征在于:包括以下步骤:第一步,强化学习状态建模:(1.1)知识图谱三元组嵌入表示:将原始三元组(s,r,o)数据输入嵌入方法中进行表示学习,利用打分函数公式(1)将其转化为向量表示形式,其中e
s
表示原始三元组中头实体s的嵌入表示,e
o
表示原始三元组中尾实体o的嵌入表示,r
r
是依赖于r的一个关系参数,和分别是e
s
和r
r
堆叠而成的二维空间上的重构向量,*表示卷积操作,ω表示卷积层的过滤器,方法利用重构向量和作为卷积层的输入,ω作为卷积核,计算特征张量,之后将特征张量利用变换函数vec重构成向量,利用矩阵W进行线性变换,并通过内积匹配尾实体的嵌入e
o
,之后,将分数进行归一化处理,p=σ(ψ
r
(e
s
,e
o
)),其中σ表示sigmod函数,嵌入表示方法利用公式(2)的损失函数优化参数,其中,t表示标签向量,若实体之间存在关系为1,不存在则为0,(1.2)历史路径信息表示:将探索的路径长度规定为T步,第t步的动作(r,e)根据上述(1.1)步的关系向量和实体向量进行向量化表示为a
t
=[r;e],利用公式(3)的长短期记忆网络(Long Short Term Memory Network,LSTM)存储历史路径信息,h
t
=LSTM(h
t
‑1,a
t
‑1)
ꢀꢀꢀꢀ
(3)(1.3)强化学习状态组成:对上述(1.1)步实体和关系嵌入表示和(1.2)步的历史信息进行组合,利用公式(4)完成强化学习第t步的状态的构建,s
t
=[r
q
;e
t
;h
t
]
ꢀꢀꢀꢀ
(4)其中,r
q
表示要查询的关系的嵌入表示,e
t
表示第t步到达实体的嵌入表示,h
t
表示第t步探索的路径历史信息,至此完成强化学习状态的构建,得到在第t步的状态s
t
,第二步,将状态输入到强化学习策略网络中,用策略网络引导智能体在动作空间中进行探索,得到下一步动作的概率分布,采用随机抽样选择下一步的动作,进而进行下一步的路径探索:将上述第一步得到的在第t步的状态s
t
输入到强化学习策略网络中,利用公式(5)得到在t步时需要采用动作的概率分布,π
θ
(a
t
|s
t
)=σ(A
t
(W1ReLU(W2s
t
)))
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中,π
θ
(a
t
|s
t
...
【专利技术属性】
技术研发人员:王利琴,宋金晟,李英双,王振,董永峰,
申请(专利权)人:河北工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。