一种基于图结构关系推理的知识图谱补全方法技术

本发明专利技术公开了一种基于图结构关系推理的知识图谱补全方法，包括：S1、对知识图谱采取图结构挖掘，提取目标实体对对应目标节点周围的有向封闭子图；S2、结合节点间的语义关系，对有向封闭子图进行特征双向增强；S3、将特征双向增强后的有向封闭子图分为节点子图和边子图，并分别通过高阶图神经网络对其表示更新，得到节点子图嵌入和边子图嵌入；S4、将节点子图嵌入和边子图嵌入拼接，得到完整的子图表示，并根据其计算目标实体对之间的关系概率，进而实现知识图谱补全。本发明专利技术利用知识图谱中不同层次的图结构进行归纳式的知识图谱推理，本发明专利技术能够预测训练期间没有见过的实体之间的关系，能够在复杂的知识图谱中有效地进行推理与补全。全。全。

【技术实现步骤摘要】
一种基于图结构关系推理的知识图谱补全方法


[0001]本专利技术属于知识图谱关系推理
，具体涉及一种基于图结构关系推理的知识图谱补全方法。

技术介绍

[0002]近年来知识图谱的发展速度很快，但在发展的过程中也出现了很多难以解决的问题。首先是，目前网络数据多源异构，且质量难以保证，如果采用人类手动去处理数据，清洗数据，在利用非智能的方式对知识进行抽取和构造，这样不仅过程复杂繁琐，而且成本相对较高，不利于后期对构建好的知识图谱进行更新和维护，需要不断使用新的图谱推理技术来在图谱中挖掘缺失的信息。并且，现实生活中存在大量的知识图谱关系缺失的情况，关系推理技术已经成为了知识图谱补全主要的方法。关系推理主要是从现有的大量数据信息中，通过对这些数据信息进行深度挖掘，从而将数据信息中确实的关系进行推理和补全，为许多下游任务提供知识服务。关系推理在应用方面也有着很多的需求，比如信息检索系统，智能问答系统，以及智能化搜索引擎等。因此，研究知识图谱的高效表达与推理十分必要。

技术实现思路

[0003]针对现有技术中的上述不足，本专利技术提供的基于图结构关系推理的知识图谱补全方法，将知识图谱中的结构特征比如邻居信息、关系信息等融入表示学习过程，从而实现性能更优良的知识图谱推理。
[0004]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于图结构关系推理的知识图谱补全方法，包括以下步骤：
[0005]S1、对知识图谱采取图结构挖掘，提取目标实体对对应目标节点周围的有向封闭子图；
[0006]S2、结合节点间的语义关系，对有向封闭子图进行特征双向增强；
[0007]S3、将特征双向增强后的有向封闭子图分为节点子图和边子图，并分别通过高阶图神经网络对其表示更新，得到节点子图嵌入和边子图嵌入；
[0008]S4、将节点子图嵌入和边子图嵌入拼接，得到完整的子图表示，并根据其计算目标实体对之间的关系概率，进而实现知识图谱补全。
[0009]进一步地，所述步骤S1具体为：
[0010]S11、定义知识图谱中三元组中的信息流向；
[0011]S12、基于定义的信息流向，提取知识图谱中目标实体对之间所有满足前x跳或后x跳的子节点；
[0012]S13、设置x的初始值为1；
[0013]S14、判断目标实体对中，头实体的前x跳和尾实体的前x跳之间是否找到相同的实体；
[0014]若是，则进入步骤S15；
[0015]若否，则进入步骤S16；
[0016]S15、判定目标实体对对应的目标头节点和目标尾结点之间存在有向子图；
[0017]S16、令x的值增加1，并返回步骤S14，直到找到目标实体对间所有相同实体，将其添加到有向子图中，形成有向封闭子图。
[0018]进一步地，所述步骤S2中，有向封闭子图的特征双向增强包括节点嵌入增强和边嵌入增强，其实现方法具体为：
[0019]S21、基于有向封闭子图中节点间的语义关系，计算其边l的注意力权重标量；
[0020]S22、基于边l的注意力权重标量，进行边的自我更新，计算增强信息后的边注意力嵌入；
[0021]S23、基于边注意力嵌入，更新目标尾实体，并在更新过程中更新聚集目标头实体到目标尾实体的所有节点嵌入，及其在目标头实体到目标尾实体的路径中的相对位置，进而实现节点嵌入增强；
[0022]其中，所述目标头实体和目标尾实体为待补充的目标实体对中的具有信息流向关系的两个实体；
[0023]S24、计算节点嵌入增强后的节点到边的逆映射，进而将目标头实体信息、关系信息以及目标尾实体信息聚集在边上，获得聚集后的边信息；
[0024]S25、通过聚集后的边信息对边嵌入增强，实现有向封闭子图的特征双向增强。
[0025]进一步地，所述步骤S21中，边l的注意力权重标量
[0026][0027]式中，为有向封闭子图中目标三元组的嵌入，为边l的嵌入信息，为目标三元组头实体嵌入，R
rl
为目标三元组关系嵌入，为目标三元组尾实体嵌入，为边上的实体嵌入，R
rT
为边上的关系嵌入，为边上的尾实体嵌入，为拼接操作；
[0028]所述步骤S22中，边注意力嵌入为：
[0029][0030]式中，为边上的注意力分数，为经过自我更新后的边l的注意力分数；
[0031]所述步骤S23中，更新节点嵌入的公式为：
[0032][0033][0034]式中，为经过聚集的节点信息，H
te
为将每条边相连直到其目标尾实体的邻接矩阵，N
k
为最终的节点信息，为关系矩阵，表示节点嵌入迭代了k次，f1(
·
)为第一线性聚合函数；
[0035]所述步骤S24中，聚集后的边信息为：
[0036][0037]式中，A
he
为将头部信息聚合在边上，A
re
为将关系信息聚合在边上，A
te
为将尾部信息聚合在边上，T为转置矩阵，R为关系转置矩阵；
[0038]所述步骤S25中，边嵌入增强的公式为：
[0039][0040]式中，E
k
为增强后的边嵌入，f1(
·
)为第一线性激活函数，f2(
·
)为第二线性激活函数。
[0041]进一步地，所述步骤S3具体为：
[0042]S3
‑
1、使用高阶图神经网络对子图的信息进行特征增强，得到子图的表示；
[0043]其中，子图包括节点子图和边子图；
[0044]S3
‑
2、使用高阶图神经网络对子图中节点进行增强，获得k阶子图表示；
[0045]S3
‑
3、利用Top
‑
k池化方法压缩字图的特征信息获取k阶子图嵌入的表示信息，得到对应的子图嵌入。
[0046]进一步地，所述步骤S3
‑
1中，节点子图的表示f
(t)
(r1)为：
[0047][0048]边子图的表示f
(t)
(e1)为：
[0049][0050]式中，σ(
·
)为ReLu激活函数，为第一线性变换矩阵，为第二线性变换矩阵，N(e1)为节点子图的由k个邻居节点组成邻居子图；
[0051]所述步骤S3
‑
2中，节点子图对应的k阶子图表示为：
[0052][0053]式中，s为节点子图中的节点，N(s)为节点子图中节点s的由k个邻居节点组成的子图，u为N(s)中的节点；
[0054]边子图对应的k阶子图表示为：
[0055][0056]式中，s为节点子图中的节点，N(r)为节点子图中节点s的由k个邻居边组成的子图，u为N(r)中的边；
[0057]所述步骤S3
‑
3中，节点子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图结构关系推理的知识图谱补全方法，其特征在于，包括以下步骤：S1、对知识图谱采取图结构挖掘，提取目标实体对对应目标节点周围的有向封闭子图；S2、结合节点间的语义关系，对有向封闭子图进行特征双向增强；S3、将特征双向增强后的有向封闭子图分为节点子图和边子图，并分别通过高阶图神经网络对其表示更新，得到节点子图嵌入和边子图嵌入；S4、将节点子图嵌入和边子图嵌入拼接，得到完整的子图表示，并根据其计算目标实体对之间的关系概率，进而实现知识图谱补全。2.根据权利要求1所述的基于图结构关系推理的知识图谱补全方法，其特征在于，所述步骤S1具体为：S11、定义知识图谱中三元组中的信息流向；S12、基于定义的信息流向，提取知识图谱中目标实体对之间所有满足前x跳或后x跳的子节点；S13、设置x的初始值为1；S14、判断目标实体对中，头实体的前x跳和尾实体的前x跳之间是否找到相同的实体；若是，则进入步骤S15；若否，则进入步骤S16；S15、判定目标实体对对应的目标头节点和目标尾结点之间存在有向子图；S16、令x的值增加1，并返回步骤S14，直到找到目标实体对间所有相同实体，将其添加到有向子图中，形成有向封闭子图。3.根据权利要求2所述的基于图结构关系推理的知识图谱补全方法，其特征在于，所述步骤S2中，有向封闭子图的特征双向增强包括节点嵌入增强和边嵌入增强，其实现方法具体为：S21、基于有向封闭子图中节点间的语义关系，计算其边l的注意力权重标量；S22、基于边l的注意力权重标量，进行边的自我更新，计算增强信息后的边注意力嵌入；S23、基于边注意力嵌入，更新目标尾实体，并在更新过程中更新聚集目标头实体到目标尾实体的所有节点嵌入，及其在目标头实体到目标尾实体的路径中的相对位置，进而实现节点嵌入增强；其中，所述目标头实体和目标尾实体为待补充的目标实体对中的具有信息流向关系的两个实体；S24、计算节点嵌入增强后的节点到边的逆映射，进而将目标头实体信息、关系信息以及目标尾实体信息聚集在边上，获得聚集后的边信息；S25、通过聚集后的边信息对边嵌入增强，实现有向封闭子图的特征双向增强。4.根据权利要求3所述的基于图结构关系推理的知识图谱补全方法，其特征在于，所述步骤S21中，边l的注意力权重标量步骤S21中，边l的注意力权重标量式中，为有向封闭子图中目标三元组的嵌入，为边l
的嵌入信息，为目标三元组头实体嵌入，R
rl
为目标三元组关系嵌入，为目标三元组尾实体嵌入，为边上的实体嵌入，R
rT
为边上的关系嵌入，为边上的尾实体嵌入，为拼接操作；所述步骤S22中，边注意力嵌入为：式中，为边上的注意力分数，为经过自我更新后的边l的注意力分数；所述步骤S23中，更新节点嵌入的公式为：所述步骤S23中，更新节点嵌入的公式为：式中，为经过聚集的节点信息，H
te
为将每条边相连直到其目标尾实体的邻接矩阵，N
k
为最终的节点信息，为关系矩阵，表示节点嵌入迭代了k次，f1(
·
)为第一线性聚合函数；所述步骤S24中，聚集后的边信息为：式中，A
he
为将头部信息聚合在边上，A
re
为将关系信息聚合在边上，A
te
为将尾部信息聚合在边上，T为转置矩阵，R为关系转置矩阵；所述步骤S25中，边嵌入增强的公式为：式中，E
k
为增强后的边嵌入，f1(
·
)为第一线性激活函数，f2(
·
)为第二线性激活函数。5.根据权利要求1所述的基于图结构关系推理的知识图谱补全方法，其特征在于，所述步骤S3具体为：S3
‑
...

【专利技术属性】
技术研发人员：孙明，田玲，闫科，夏宇昂，单荣臻，徐迪东，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：