一种实体角色感知的n元关系链接预测方法技术

本发明专利技术公开了一种实体角色感知的n元关系链接预测方法，包括以下步骤：首先对n元关系事实进行预处理，提取主三元组和辅助信息事实数据，以json格式存储，并构造训练和测试使用的缺失节点的n元关系数据；然后查询实体或关系嵌入矩阵获得事实中节点嵌入表示；接着使用角色感知器计算实体在对应关系条件下的角色嵌入向量；随后将角色嵌入与节点嵌入相融合；最后通过transformer获取事实内节点之间的交互作用，输出缺失节点在实体或关系集上的概率分布。本发明专利技术提高了预测准确率，解决了现有n元关系链接预测方法忽略了实体在n元关系中扮演的角色对预测的重要性，导致链接预测准确度较低的问题。的问题。的问题。

【技术实现步骤摘要】
一种实体角色感知的n元关系链接预测方法


[0001]本专利技术涉及链接预测领域，具体涉及一种实体角色感知的n元关系链接预测方法。

技术介绍

[0002]知识图谱被正式提出以来，广泛应用于问答、推荐系统、搜索等自然语言处理领域，但由于现实世界知识的庞杂以及获取的限制，知识图谱仍然具有不完备的问题，因此基于知识图谱的链接预测具有重要意义。目前主要是在二元关系上的链接预测，对n元关系事实的研究相对较少，而现实世界中更多需要多元关系进行知识的表达。无论是在二元关系还是n元关系组成的知识图谱中，每一个实体其实都具有不同的角色，每个知识图谱中的实体节点都会参与到不同的n元关系中，实体扮演的角色不同往往意味着参与关系的不同。在特定的n元关系条件下，每个事实中各个实体的角色类型基本都是固定的，事实中的实体只会是具有该事实中角色的实体，因此实体角色的确定有利于对未知实体的推测。另外，实体表示被用于链接预测时，会受到给定关系中扮演的角色的影响。因此，设计利用实体角色的n元关系链接预测方法具有重要的实际运用价值。
[0003]现有的n元关系链接预测方法，主要为学习事实内实体关系特征之间的交互，而忽略了实体在n元关系中扮演的角色对预测的重要性，导致链接预测准确度较低。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种实体角色感知的n元关系链接预测方法解决了现有n元关系链接预测方法忽略了实体在n元关系中扮演的角色对预测的重要性，导致链接预测准确度较低的问题。
[0005]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：一种实体角色感知的n元关系链接预测方法，其特征在于，包括以下步骤：
[0006]S1：构造训练和测试使用的缺失节点的n元关系事实数据，实现对n元关系事实的预处理；
[0007]S2：基于对n元关系事实的预处理，获取n元关系事实中实体节点和关系节点的低维嵌入表示，并将实体节点和关系节点分别投射到低维空间；
[0008]S3：基于n元关系事实中实体节点和关系节点的低维嵌入表示和投射，确定实体节点对应的关系节点，通过角色感知器探测实体在当前关系条件下的角色；
[0009]S4：基于实体在当前关系条件下的角色，采用拼接的方法将实体特征信息和角色特征信息进行融合，经线性变换将角色特征信息注入后的实体特征信息映射到实体特征的初始维度，将实体角色注入实体特征表示中；
[0010]S5：将实体角色注入实体特征表示后的输出输入至transformer，利用transformer获取n元关系事实内部节点之间的交互作用，获得n元关系链接预测结果。
[0011]上述方案的有益效果是：本方案对实体角色进行建模，并将角色信息融入实体特征表示中，同时结合transformer用于捕获事实内节点间的交互作用，能够提高链接预测过
程中实体预测的准确度，解决了现有n元关系链接预测方法忽略了实体在n元关系中扮演的角色对预测的重要性，导致链接预测准确度较低的问题。
[0012]进一步地，S1中包括以下分步骤：
[0013]S1
‑
1：提取n元关系数据集中的主三元组数据和辅助信息事实数据，按照json格式进行存储；
[0014]S1
‑
2：依次对事实数据中节点进行遮掩操作，用于构造训练和测试使用的缺失节点的n元关系事实数据。
[0015]上述进一步方案的有益效果是：通过上述技术方案，实现对n元关系事实的预处理，获得具有缺失节点的n元关系事实数据。
[0016]进一步地，S2中利用随机初始化的方法对实体嵌入矩阵和关系嵌入矩阵进行初始化，并通过独热向量与嵌入矩阵相乘的方法获取n元关系事实中实体节点和关系节点的低维嵌入表示，低维嵌入公式为：
[0017][0018][0019]其中，e
i
为实体的低维嵌入表示，r
i
为关系的低维嵌入表示，M
E
为实体特征矩阵，M
R
为关系特征矩阵，为实体节点的独热向量，为关系节点的独热向量。
[0020]上述进一步方案的有益效果是：通过上述技术方案，获取n元关系事实中各节点的初始特征，直接对实体嵌入矩阵和关系嵌入矩阵进行随机初始化。随机初始化能够给节点表示赋予初始信息，将实体和关系分别投射到低维空间。
[0021]进一步地，S3中包括以下分步骤：
[0022]S3
‑
1：通过角色感知器将实体嵌入和关系嵌入映射到n元知识库的角色空间中，并计算当前实体与各个角色之间的相似度得分，相似度得分h
score
公式为
[0023]h
score
＝SOFTMAX(h
T
W
t
r)
[0024]其中，SOFTMAX表示激活函数，h
T
为实体嵌入矩阵的转置，W
t
为实体角色感知器，r为实体对应的关系的嵌入；
[0025]S3
‑
2：基于当前实体与各个角色之间的相似度得分，在角色感知器中寻找最相似的角色类型下标h
index
，计算公式为
[0026]h
index
＝max(h
score
)
[0027]其中，max(h
score
)表示对相似度得分h
score
取最大值；
[0028]S3
‑
3：基于最相似的角色类型下标，查询实体的角色类型w，查询公式为
[0029]w＝W
t
h
index
[0030]S3
‑
4：基于查询实体的角色类型，计算获得实体的角色嵌入role
h
，确定实体在当前关系条件下的角色，公式为
[0031]role
h
＝diag(w)
[0032]其中，diag(w)表示获取角色类型w的对角元素值。
[0033]上述进一步方案的有益效果是：通过上述技术方案，获取角色嵌入，通过设置角色感知器，该模块能够使n元关系事实内部的实体节点依据关系的不同自动感知到当前所属的角色。
[0034]进一步地，S4中采用拼接的方法将实体特征信息和角色特征信息进行融合，经线性变换将角色特征信息注入后的实体特征信息映射到实体特征的初始维度，公式为
[0035][0036]其中，为角色信息注入后实体的特征表示，w2为模型在进行向量拼接后进行线性变换的参数矩阵，h为实体的嵌入。
[0037]上述进一步方案的有益效果是：通过上述技术方案，将实体角色注入到实体特征中，利用上述公式表示角色信息注入后实体的特征值。
[0038]进一步地，S5中包括以下分步骤：
[0039]S5
‑
1：利用transformer获取n元关系事实内部节点之间的交互作用，输出n元关系事本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实体角色感知的n元关系链接预测方法，其特征在于，包括以下步骤：S1：构造训练和测试使用的缺失节点的n元关系事实数据，实现对n元关系事实的预处理；S2：基于对n元关系事实的预处理，获取n元关系事实中实体节点和关系节点的低维嵌入表示，并将实体节点和关系节点分别投射到低维空间；S3：基于n元关系事实中实体节点和关系节点的低维嵌入表示和投射，确定实体节点对应的关系节点，通过角色感知器探测实体在当前关系条件下的角色；S4：基于实体在当前关系条件下的角色，采用拼接的方法将实体特征信息和角色特征信息进行融合，经线性变换将角色特征信息注入后的实体特征信息映射到实体特征的初始维度，将实体角色注入实体特征表示中；S5：将实体角色注入实体特征表示后的输出输入至transformer，利用transformer获取n元关系事实内部节点之间的交互作用，获得n元关系链接预测结果。2.根据权利要求1所述的实体角色感知的n元关系链接预测方法，其特征在于，所述S1中包括以下分步骤：S1
‑
1：提取n元关系数据集中的主三元组数据和辅助信息事实数据，按照json格式进行存储；S1
‑
2：依次对事实数据中节点进行遮掩操作，用于构造训练和测试使用的缺失节点的n元关系事实数据。3.根据权利要求2所述的实体角色感知的n元关系链接预测方法，其特征在于，所述S2中利用随机初始化的方法对实体嵌入矩阵和关系嵌入矩阵进行初始化，并通过独热向量与嵌入矩阵相乘的方法获取n元关系事实中实体节点和关系节点的低维嵌入表示，低维嵌入公式为：公式为：其中，e
i
为实体的低维嵌入表示，r
i
为关系的低维嵌入表示，M
E
为实体特征矩阵，M
R
为关系特征矩阵，为实体节点的独热向量，为关系节点的独热向量。4.根据权利要求3所述的实体角色感知的n元关系链接预测方法，其特征在于，所述S3中包括以下分步骤：S3
‑
1：通过角色感知器将实体嵌入和关系嵌入映射到n元知识库的角色空间中，并计算当前实体与各个角色之间的相似度得分，相似度得分h
score
公式为h
score
＝SOFTMA...

【专利技术属性】
技术研发人员：惠孛，高辉，康昭，纪尹钦，赵思凡，王晨阳，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：