【技术实现步骤摘要】
基于多视图解码器的知识图谱高阶关系预测方法及系统
[0001]本专利技术涉及知识图谱
,具体为基于多视图解码器的知识图谱高阶关系预测方法及系统
。
技术介绍
[0002]知识图谱将知识库表示为有向图,其中节点和边分别表示实体和实体间关系
。
知识图谱有许多应用,例如语义搜索
、
对话生成和问答系统
。
然而,即使是最先进的知识图谱也是不完整的
。
关系预测是一种根据知识图谱中已存在的知识信息去预测实体间缺失的关系的任务,是一种有前途的
、
广泛研究的
、
旨在解决知识图谱的不完整的任务
。
[0003]现有的方法利用知识图谱表示学习方法进行节点和关系的向量化表示,然后进行推理
。
表示学习的目的是将知识图谱中的实体和关系映射到低维稠密的向量空间,将传统基于逻辑和符号的运算转变为基于数值的向量计算
。
基于表示学习的模型由于其简单高效性在链接预测
、
节点分类等任务上取得了较好的结果,被广泛应用于知识图谱补全
、
实体对齐等领域
。
[0004]目前知识图谱表示学习常用的基于转移距离的表示学习模型以
TransE
模型为代表,它将三元组中的关系看作头实体和尾实体之间的翻译操作,基本假设是成立的事实三元组
(h,r,t)
应该满足等式
h+r
=
t。TransE ...
【技术保护点】
【技术特征摘要】
1.
基于多视图解码器的知识图谱高阶关系预测方法,其特征在于:具体包括以下步骤:
S1
:将待预测的知识图谱导入到知识图谱高阶关系预测模型中,经处理后,重构出多个基于元路径视图的链接概率矩阵;其中,所述知识图谱高阶关系预测模型包括数据处理模块
、
知识图谱编码器
、
多视图解码器,所述知识图谱高阶关系预测模型的数据处理方法,具体包括以下步骤:
S11
:将待预测的知识图谱输入到数据处理模块中进行处理,生成多个基于元路径的视图以及节点的初始化向量表示;
S12
:知识图谱编码器对所述节点的初始化向量表示进行处理,生成节点嵌入;
S13
:多视图解码器对所述节点嵌入与所述多个基于元路径的视图进行处理,重构出多个基于元路径视图的链接概率矩阵;
S2
:利用阈值和掩码矩阵过滤所述重构的多个基于元路径视图的链接概率矩阵,输出预测结果
。2.
根据权利要求1所述的基于多视图解码器的知识图谱高阶关系预测方法,其特征在于:所述步骤
S11
中数据处理模块的工作方式具体为,第一步:将待预测知识图谱的高阶关系和其他链接关系定义为
p
个元路径,并根据定义的
p
个元路径将待预测的知识图谱进行子图重构,生成
p
个基于元路径的视图,并得到视图中节点之间的链接矩阵为
{A
i
|i
=1…
p}
;第二步:利用
TransE
模型对待预测知识图谱中的三元组进行向量初始化,得到知识图谱中节点的初始化向量表示;其中,其中
p
为元路径的数量
。3.
根据权利要求2所述的基于多视图解码器的知识图谱高阶关系预测方法,其特征在于:所述步骤
S12
中知识图谱编码器的工作方式具体为,利用双层的异构图注意力神经网络对输入的节点的初始化向量表示通过基于元路径的邻域特征进行分层聚合,生成节点嵌入;其中,所述节点嵌入为新的节点特征表示矩阵
Z。4.
根据权利要求3所述的基于多视图解码器的知识图谱高阶关系预测方法,其特征在于:所述步骤
S13
中多视图解码器的工作方式为:第一步:根据知识图谱数据处理模块所定义的元路径和基于元路径视图的链接矩阵
{A
i
|i
=1…
p}
,将所述新的节点特征表示矩阵
Z
划分为基于
p
个视图的节点表示矩阵
{Z
i
|i
=1…
p}
;第二步:通过
p
个可训练的元路径映射矩...
【专利技术属性】
技术研发人员:罗刚,刘振国,许默君,黄怡宁,
申请(专利权)人:安徽国麒科技有限公司,
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。