【技术实现步骤摘要】
一种基于图结构转化的知识超图补全方法
[0001]本专利技术涉及知识图谱
,具体涉及一种基于图结构转化的知识超图补全方法。
技术介绍
[0002]随着人类社会的飞速发展,各领域内知识的多元性、交叉性和可扩展性等出现了质的提升,知识图谱凭借其对现实世界的强大建模能力,为下游产业应用提供了有力支撑。然而,由于现实世界中的关系具有极大的复杂性,知识图谱基于三元组的表示方法往往难以表示普遍存在的多元关系,针对连接两个及以上实体的多元关系事实,三元组无法对其高阶结构信息进行建模,从而导致知识图谱语义内涵缺失。此外,现有知识图谱仍存在实体或关系的缺失,导致知识的不完备性,极大限制了知识图谱的表示和推理能力。知识超图补全方法在三元组的基础上进行扩展,丰富其语义信息,并在知识超图中进行链接预测和知识补全,从而提高知识图谱的知识完备性。
[0003]超图(Hypergraph)作为图的一种推广形式,从以三元组为主体的二元成对关系发展到包含任意数量节点的多元关系,多元关系又被称为超边(Hyperedge)。知识图谱通过引入超图的概念,实现了对高阶复杂结构信息的建模,从而进一步丰富了知识图谱的语义内涵。当前知识超图补全技术以基于表示学习的方法为主流,将实体作为节点,关系作为边,并使用低维稠密的实值向量对节点和边进行矢量化表示,以此反映潜在向量空间与现实世界的相似性,采用的技术主要包括卷积神经网络、图神经网络和空间映射。
[0004]基于卷积神经网络的方法通过设置不同卷积层对实体和关系进行卷积,从多元关系事实中学习实体
【技术保护点】
【技术特征摘要】
1.一种基于图结构转化的知识超图补全方法,其特征在于,所述基于图结构转化的知识超图补全方法包括:S1:根据真实世界知识构造知识超图,获取实体和关系的初始化向量表示;S2:根据所述实体和关系的初始化向量表示以及所述知识超图,构造多元关系事实集;S3:利用卷积神经网络对多元关系事实集中各多元关系事实内部的实体和关系进行信息聚合,得到各多元关系事实的向量表示;S4:基于所述知识超图构造辅助图;S5:根据各所述多元关系事实的向量表示和所述辅助图,利用图神经网络汇聚所述知识超图的超边之间的上下文信息,得到汇聚后的新的超边向量;S6:根据所述汇聚后的新的超边向量,利用评分函数计算各多元关系事实成立的可能性,并确定得分最高的多元关系事实为补全结果。2.根据权利要求1所述的基于图结构转化的知识超图补全方法,其特征在于,所述S2包括:S21:随机替换所述知识超图的超边中部分实体或关系,以构造负样本超边;S22:根据所述负样本超边和未替换实体或关系的超边,得到多元关系事实集;其中,所述负样本超边和所述未替换实体或关系的超边均为所述多元关系事实集中的多元关系事实,每条多元关系事实以三元组+辅助键值对形式表示,视为一条主要信息和一些辅助信息的组合,表达公式为:Rel={s,r,o,Q={(qr
i
,qv
i
)}}其中,Rel是一条多元关系事实,s,r,o分别代表主三元组中的头实体、主关系和尾实体,Q是辅助信息的集合,qr
i
和qv
i
分别代表第i组辅助信息中的关系和实体,并构成键值对(qr
i
,qv
i
)。3.根据权利要求1所述的基于图结构转化的知识超图补全方法,其特征在于,所述S3包括:S31:为所述多元关系事实集中各条超边的辅助信息的每个键值对引入相应的位置向量,得到每个键值对的向量表示;S32:统计所述辅助信息中每个实体跨越超边的数量,计算跨越超边的实体所在的键值对的注意力值;S33:以所述注意力值为权重将S31中得到的键值对的向量进行加权求和,得到多元关系事实集中各条超边的辅助信息的向量;S34:将所述辅助信息的向量、头实体、主关系和尾实体的特征向量进行拼接,得到拼接后的特征向量组合;S35:将所述拼接后的特征向量组合作为所述卷积神经网络的输入,利用所述卷积神经网络进行信息融合,得到各多元关系事实的向量表示。4.根据权利要求3所述的基于图结构转化的知识超图补全方法,其特征在于,所述S31中,每个键值对的向量表示q
i
为:其中,q
i
表示辅助信息中第i组键值对的融合向量表示;q
ri
、q
v...
【专利技术属性】
技术研发人员:惠孛,董寅,闫科,田玲,罗胜尹,张馨月,
申请(专利权)人:电子科技大学,
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。