基于多尺度动态卷积网络模型的知识图谱嵌入方法及系统技术方案

本发明专利技术提供了一种基于多尺度动态卷积网络模型的知识图谱嵌入方法及系统，包括三个阶段：嵌入表示阶段、编码阶段和评分阶段。对于三元组，首先映射头实体，关系到它们的分布式嵌入表示，并生成与关系相关的卷积核向量。然后对这些卷积核在嵌入上进行重塑和卷积，以获得编码组件中的特征映射张量和隐藏层向量。最后，在评分组件中，与所有候选尾实体的嵌入进行匹配，预测三元组是否正确。本发明专利技术的有益效果是：可以有效地处理复杂关系，并在大多数评价指标上获得最先进的链路预测结果，具有较好的实用性。具有较好的实用性。具有较好的实用性。

【技术实现步骤摘要】
基于多尺度动态卷积网络模型的知识图谱嵌入方法及系统


[0001]本专利技术涉及知识图谱
，尤其涉及一种基于多尺度动态卷积网络模型的知识图谱嵌入方法及系统。

技术介绍

[0002]近年来，知识图谱（KGs）在各种人工智能任务中得到了广泛的应用，包括推荐系统问答和对话系统。目前已经创建了Freebase、WordNet、YAGO等多种类型的知识库，用于存储人类知识的结构信息。知识图谱主要由两个元素组成，这些元素被描述为（头实体、关系、尾实体），用于存储知识。具体和抽象概念表示为实体，实体之间的关系表示为关系。例如，知道汤姆
·
克鲁斯出生在纽约，这一事实可以用三元组形式表示（汤姆
·
克鲁斯，出生于，纽约）。
[0003]现有知识图谱的主要挑战之一是它们的不完整性和局部性，许多实体之间的关系缺失或不正确。因此，基于知识图谱的链路预测得到了广泛的关注。现有的链接预测方法被称为知识图谱嵌入（KGE），其目的是学习实体和关系的嵌入表示。现有的嵌入模型大致可分为平移距离和语义匹配模型。这些模型特征学习能力较弱，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度动态卷积网络模型的知识图谱嵌入方法，其特征在于：包括：S1：对于一个知识图谱，将所有实体和关系初始化为维嵌入，实体包括头实体和尾实体，表示正确元组集合，对于给定的输入三元组，经过映射得到头实体的嵌入和关系的嵌入，；S2：对步骤S1得到的头实体嵌入和关系嵌入进行组合，得到矩阵；S3：对步骤S2中得到的矩阵进行重塑，得到多尺度动态卷积网络模型输入层的输入矩阵；S4：生成特定于关系的卷积核向量，在编码过程中，根据不同的关系使用不同的卷积核对输入矩阵进行卷积运算，生成不同形状的特征图；S5：将特征图进行扁平化操作，通过可学习的参数转换矩阵将扁平后的特征图投影到维空间，得到隐藏层向量；S6：建立评分函数，将隐藏层向量与尾实体向量输入至评分函数中进行匹配，得到步骤S1中输入的三元组是否正确的概率值；S7：通过重复步骤S1
‑
S6进行不断地训练，使似然函数最大化，损失函数最小化，此时达到最优的知识图谱嵌入：其中，表示似然函数，表示CNN模型中的所有参数，具体包括实体嵌入、关系嵌入、卷积核向量、转换矩阵和偏置；S8：利用训练后的最优知识图谱嵌入进行链接预测和三元组分类任务。2.如权利要求1所述的一种基于多尺度动态卷积网络模型的知识图谱嵌入方法，其特征在于：步骤S2中，采用交替的方式对嵌入进行组合，得到的矩阵为：，符号表示交替连接操作。3.如权利要求2所述的一种基于多尺度动态卷积网络模型的知识图谱嵌入方法，其特征在于：步骤S3中，所述输入矩阵为：其中，表示两个向量经过连接后并进行二维重塑的操作。4.如权利要求3所述的一种基于多尺度动态卷积网络模型的知识图谱嵌入方法，其特
征在...

【专利技术属性】
技术研发人员：李志飞，张龑，王时绘，张羽泉，万梓欣，沈宇凡，张媛，陈悦，
申请(专利权)人：湖北大学，
类型：发明
国别省市：