基于路径掩码与元学习的知识图谱小样本关系推理方法技术

本发明专利技术公开了基于路径掩码与元学习的知识图谱小样本关系推理方法，将知识图谱中的关系分为大样本关系和小样本关系；构成目标封闭子图；将目标封闭子图进行实体标记；形成掩码子图；利用图神经网络对掩码子图进行编码；通过元学习的方式利用查询集训练自适应损失函数，利用梯度下降法对图神经网络的参数进行更新；将知识图谱小样本关系中的目标实体输入至训练之后的图神经网络，预测目标实体间的关系

【技术实现步骤摘要】
基于路径掩码与元学习的知识图谱小样本关系推理方法


[0001]本专利技术涉及知识图谱
，特别涉及基于路径掩码与元学习的知识图谱小样本关系推理方法
。

技术介绍

[0002]知识图谱由三元组组成，三元组包括头实体
、
尾实体以及两者之间的对应关系，现实世界的知识图谱是庞大，但仍然存在不完整性，并且随时会有新的实体添加进知识图谱中，因此推理新的事实是具有挑战性的
。
目前对于头实体与尾实体之间的关系推理方法大致分为两类，归纳推理和转导推理
。
其中归纳推理是基于观察数据归纳出普遍规律或模式来进行推理，可以处理训练集中未出现的实体
。
而转导推理基于已知实体间的逻辑和推理规则来对特定实体进行推理，难以处理未知实体间的关系预测问题
。
[0003]传统的链接预测方法主要是通过定义一些简单规则或指标来判断节点之间是否存在链接，如
Christian Meilicke
等人在
2018
年
ISWC/>上发表的论文...

【技术保护点】

【技术特征摘要】
1.
基于路径掩码与元学习的知识图谱小样本关系推理方法，其特征在于，包括：根据阈值将知识图谱中的关系分为大样本关系和小样本关系，从大样本关系中抽取三元组构成查询集；构建训练集，抽取训练集中三元组头实体和尾实体之间的初始封闭子图，获取头实体与尾实体之间的所有路径，构成目标封闭子图；其中训练集由三元组组成；将目标封闭子图进行实体标记；对实体标记后的目标封闭子图进行随机游走，形成掩码子图；利用图神经网络对掩码子图进行编码，得到目标实体表示，通过评分函数计算三元组的评分；通过元学习的方式利用查询集训练自适应损失函数，对样本损失进行重新赋予权重，利用梯度下降法对图神经网络的参数进行更新；将知识图谱小样本关系中的目标实体输入至训练之后的图神经网络，预测目标实体间的关系
。2.
根据权利要求1所述的基于路径掩码与元学习的知识图谱小样本关系推理方法，其特征在于，将目标封闭子图进行实体标记包括：首先将头实体和尾实体通过
one
‑
hot
编码被固定标记为
(0,1)
和
(1,0)
；然后将目标封闭子图中的其他实体，通过与目标头实体和目标尾实体的最短距离进行标记，表示为：其中表示向量的拼接运算，
d(v
i
,h)
表示当前实体与目标头实体的最短距离，
d(v
i
,t)
表示当前实体与目标尾实体的最短距离
。3.
根据权利要求1所述的基于路径掩码与元学习的知识图谱小样本关系推理方法，其特征在于，对实体标记后的目标封闭子图进行随机游走，形成掩码子图包括：从目标封闭子图上采样的源节点开始进行随机游走形成掩码的边
E
mask
，从源节点集
N
开始进行随机游走
l
walk
步长形成被掩码的边集；其中掩码的边
E
mask
数学模型表示为：
E
mask
＝
RandomWalk(N,l
walk
)
式中，表示封闭子图中随机采样的源节点集，集合中的实体遵循伯努利分布，即
N
～
Bernoulli(
ρ
)
，
ρ
是在封闭子图上采样的源实体的比例，
0<
ρ
<1
，
l
walk
是随机行走的步长
。4.
根据权利要求1所述的基于路径掩码与元学习的知识图谱小样本关系推理方法，其特征在于，利用图神经网络对掩码子图进行编码，得到目标实体表示，通过评分函数计算三元组的评分包括：其中图神经网络为
COMPILE
网络；将掩码子图输入...

【专利技术属性】
技术研发人员：刘文杰，陈亮，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：