一种基于特征增强的人物关系知识图谱补全方法技术

本发明专利技术属于知识图谱相关技术领域，具体提供一种基于特征增强的人物关系知识图谱补全方法，旨在解决现有的基于卷积神经网络的模型方法并没有考虑丰富的图谱语义信息的问题，受限于三元组本身的信息特征，同时解决了DKRL模型不能有效地提取描述文本特征的缺陷。本发明专利技术基于知识图谱附加的语义特征和路径特征，针对链接预测任务，提供一种基于特征增强的卷积神经网络模型，通过将附加描述信息、路径信息与卷积神经网络结合起来，实现更高质量的知识图谱补全方法，进而实现对人物关系知识图谱的补全，提升针对人物间关系的预测性能，为人物关系提供支持。系提供支持。系提供支持。

【技术实现步骤摘要】
一种基于特征增强的人物关系知识图谱补全方法


[0001]本专利技术属于知识图谱相关
，具体提供一种基于特征增强的人物关系知识图谱补全方法。

技术介绍

[0002]知识图谱本质上是一种结构化数据库，表示实体(对象、事件和概念等)之间相互关联描述的集合，通过关系将数据置于上下文中，表现形式为三元组：(头实体，关系，尾实体)；人物关系图谱是以“人物”实体和人物之间的社会关系为核心构建的知识图谱，可靠性高、内容丰富的人物关系图谱可以清晰地展示人物信息和人物之间的关联性，同时也能在应用于智能搜索、智能问答、个性化推荐时提供更为可靠详细的知识。但由于人物关系的多样性和复杂性，只依靠公开资料建立的知识图谱数据稀疏，缺少关键信息，因此补全知识图谱缺失信息对于构建大规模人物关系知识图谱及其下游任务具有重要意义。现阶段，用于知识图谱补全的表示推理研究分为三类：第一类是将模型嵌入到低维空间的知识表示模型，代表有TransE、RotatE，第二类是融入附加信息的语义增强模型，代表有DKRL，第三类是使用深度学习技术推理路径信息或知识子图的神经网络模型，代表有Co本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征增强的人物关系知识图谱补全方法，包括以下步骤：步骤1.获取现有开源人物关系知识图谱，其中，任一三元组为(头实体，关系，尾实体)，对残缺头实体或尾实体的三元组填充候选实体，得到若干预测三元组；步骤2.获取预测三元组的头实体与尾实体的实体描述、以及头尾实体对的三步以内所有有向关系路径构成的关系集合，关系集合包括：一跳路径、两跳路径与三跳路径；步骤3.将预测三元组的头实体描述、尾实体描述与关系集合向量化，得到头实体描述向量矩阵、尾实体描述向量矩阵与关系向量矩阵；向量化的具体过程为：通过查寻实体嵌入矩阵与关系嵌入矩阵得到相应的单词向量与关系向量，再进行向量拼接得到矩阵；步骤4.将头实体描述向量矩阵、尾实体描述向量矩阵与关系向量矩阵作为输入，由基于特征增强的预测模型输出预测概率；步骤5.将预测概率最高的预测三元组作为预测结果，补入人物关系知识图谱中。2.按权利要求1所述基于特征增强的人物关系知识图谱补全方法，其特征在于，步骤2中，头实体描述表示为：D
h
＝{Word
h1
,Word
h2
,...,Word
hn
}，尾实体描述表示为：D
t
＝{Word
t1
,Word
t2
,...,Word
tn
}，其中，n表示单词序列长度，Word
hn
表示头实体描述中第n个单词，Word
tn
表示尾实体描述中第n个单词；关系集合表示为：P＝{p1,p2,...,p
m
}，其中，m表示路径条数，p
m
表示第m条有向关系路径。3.按权利要求2所述基于特征增强的人物关系知识图谱补全方法，其特征在于，步骤3中，头实体描述向量矩阵为：D
h
＝[Word
h1
；Word
h2
；...；Word
hn
]，其大小为：k
×
n，k表示嵌入维度，Word
hn
表示Word
hn
的单词向量，[；]表示向量拼接；尾实体描述向量矩阵为：D
t
＝[Word
t1
；Word
t2
；...；Word
tn
]，其大小为：k
×
n，Word
tn
表示Word
tn
的单词向量；关系向量为：P＝{p1；p2；...；p
m
}，p
m
表示p
m
的关系向量。4.按权利要求1所述基于特征增强的人物关系知识图谱补全方法，其特征在于，步骤4中，基于特征增强的预测模型为：采用卷积核为3
×
3的第一卷积层对头实体描述向量矩阵D
h
进行卷积操作得到特征图，再对特征图进行向量展平操作，最后通过第一全连接层得到头实体描述特征向量w
h
：w
h
＝f(vec(D
h
*Ω
h
)W
h
)其中，f表示激活函数，vec(
·
)表示向量展平操作，*表示卷积操作，Ω
h
表示第一卷积层的卷积核，W
h
...

【专利技术属性】
技术研发人员：秦科，许毅，罗光春，段贵多，范雨，詹紫琦，张清杨，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：