【技术实现步骤摘要】
本专利技术涉及人工智能，特别涉及一种异构信息网络表示学习方法。
技术介绍
1、近年来，随着社会信息化水平不断提高，越来越多的数据被采集和储存，由此组织起来的异构信息网络的规模也越来越大，使用深度学习手段对异构信息网络进行数据挖掘已然是异构信息网络领域的一个重要方向。
2、过去常用的异构信息网络表示学习方法大多涉及元路径，但是元路径在应用中一直存在设计方面的问题，如果元路径设计得不得当，那么只有有限范围的节点信息可以参与到表示学习的过程中，很容易造成大量的信息缺失。
3、因此，本专利技术提供一种异构信息网络表示学习方法，用以有效避免目前常用的元路径方法中存在的元路径设计困难，取用困难，部分种类的节点无法参与学习导致信息丢失等问题，完成对异构知识图谱的表示学习。
技术实现思路
1、本专利技术提供一种异构信息网络表示学习方法，用以通过对利用特定策略拆分本体图得到的目标局部在图谱中检索与其相匹配的实例拼装得到目标本体子图；基于目标本体子图，使用图神经网络聚合异构知识图谱中的节点信息，得到节点的向量表示；对目标本体子图扰动，构建扰动子图作为负样本；将得到的节点表示依照正负样本进行图读出计算并判断正负，计算网络损失值；通过梯度下降方法迭代训练网络参数，以得到节点的向量表示，完成表示学习，从而有效避免目前常用的元路径方法中存在的元路径设计困难，取用困难，部分种类的节点无法参与学习导致信息丢失等问题，完成表示学习。
2、本专利技术提供一种异构信息网络表示学习方法
3、步骤1：利用通过目标拆分策略拆分本体图得到的目标局部在图谱中检索与其相匹配的目标实例，再将目标实例拼装得到目标本体子图；
4、步骤2：基于所述目标本体子图，使用图神经网络以及注意力机制聚合异构知识图谱中的节点信息，得到节点的向量表示；
5、步骤3：通过对所述目标本体子图的扰动，构建扰动本体子图作为负样本；
6、步骤4：将得到的节点向量表示与正负样本结合进行图读出计算并判断正负，计算网络损失值；
7、步骤5：通过梯度下降方法迭代训练网络参数，降低网络损失值，从而得到节点的优化向量表示，完成表示学习。
8、优选的，利用通过特定策略拆分本体图得到的目标局部在图谱中检索与其相匹配的目标实例，再将目标实例拼装得到目标本体子图，包括：
9、步骤11：根据目标拆分策略拆分主体图得到主链、支链以及从属链三类链路后，作为拆分结果输出；
10、步骤12：对所述拆分结果分析，若所述拆分结果能够满足设定拆分满足条件，将所述拆分结果视为目标拆分结果；
11、从图谱中检索得到与所述目标拆分结果相匹配的目标实例；
12、对匹配得到的目标实例进行拼装得到目标本体子图；
13、否则，基于目标拆分策略重新从所述主体图中选取新主链，并对目标主体图重新拆分得到新拆分结果；
14、步骤13：分析所述新拆分结果，若所述新拆分结果能够满足设定拆分满足条件，则将所述新拆分结果视为目标拆分结果；
15、从图谱中检索得到与所述目标拆分结果相匹配的目标实例；
16、对匹配得到的目标实例进行拼装得到目标本体子图；
17、步骤14：当所述新拆分结果不能满足设定拆分满足条件时，重新选取新主链对目标主体图拆分得到新拆分结果，再重复步骤13；
18、步骤15：确定重新选取新主链的选取次数，若选取次数超过预设次数，仍无法获取能够满足设定拆分满足条件的新拆分结果，将所述本体图分解为两个较小的目标子图；
19、按照目标拆分策略对目标子图拆分得到子拆分结果；
20、并当所述子拆分结果能够满足设定拆分满足条件时，从图谱中检索得到与所述子拆分结果相匹配的目标实例；
21、对匹配得到的目标实例进行拼装得到目标本体子图。
22、优选的，所述设定拆分满足条件指的是实现覆盖所述本体图中所有的路径且不重复，且不存在从属链同时分别与主链和某一支链相交。
23、优选的，对匹配得到的目标实例进行拼装得到目标本体子图，包括：
24、步骤21：以主链实例为基础，当判定当前主从属链首尾端点同时分布在主链实例上时，将主从属链实例添加到主链实例上；
25、步骤22：以各支链实例为基础，当判定当前支从属链首尾端点同时分布在支链实例上时，将支从属链实例添加到支链实例上；
26、步骤23：提取有且只有一个端点同时分布在主链实例上并与支从属链实例合并的支链实例，与主链实例合并得到第一合并结果；
27、步骤24：若只存在单个第一合并结果，则根据所述第一合并结果得到目标本体子图；
28、否则，将获取的所有第一合并结果进行合并，得到目标本体子图。
29、优选的，基于所述目标本体子图，使用图神经网络以及注意力机制聚合异构知识图谱中的节点信息，得到节点的向量表示，包括：
30、利用图神经网络作为编码器，遍历每一个网络层中的每一个节点，筛选出包含该节点的目标本体子图，并作为第一本体子图；
31、将所述第一本体子图中的其他节点作为该节点的邻居节点利用注意力机制进行信息传递，得到节点的向量表示。
32、优选的，通过对所述目标本体子图的扰动，构建扰动本体子图作为负样本，包括：
33、将所述目标本体子图定义为扰动子图正样本，并增添目标正样本标签；
34、利用三元组替换法抽取部分目标本体子图作为样本进行扰动，得到扰动本体子图；
35、若存在扰动本体子图在网络中不存在，则将其定义为扰动子图负样本，并增添目标负样本标签。
36、优选的，将得到的节点向量表示与正负样本结合进行图读出计算并判断正负，计算网络损失值，包括：
37、获取每一个扰动本体子图所包含的节点的向量表示，再利用图读出运算得到对应扰动本体子图的第一表示向量；
38、对所述扰动本体子图的第一表示向量进行计算，再根据计算结果对所述扰动本体子图属于正样本还是负样本进行判断并标记；
39、将每个扰动本体子图的标记结果与增添的目标标签进行对比，再累计判断误差得到网络损失值。
40、优选的，通过梯度下降方法迭代训练网络参数，降低网络损失值，从而得到节点的优化向量表示，完成表示学习，包括：
41、步骤31：对网络参数初始化后，将扰动本体子图内包含的节点视为第一训练样本进行训练；
42、步骤32：基于所述第一训练样本获取目标梯度并进行判断，并当满足预设条件时，对目标梯度保留原有结果；
43、否则，对所述目标梯度进行裁剪后再作为目标梯度输出；
44、步骤33：所述第一训练样本接收对应邻居节点发送的信息，并当预设等待时间内存在未收到邻居节点的信息的或接收到邻居节点的信息错误的情况时，调用所述邻居节点的上一次迭代所发送的信息作为本次本文档来自技高网...
【技术保护点】
1.一种异构信息网络表示学习方法，其特征在于，包括：
2.根据权利要求1所述一种异构信息网络表示学习方法，其特征在于，利用通过特定策略拆分本体图得到的目标局部在图谱中检索与其相匹配的目标实例，再将目标实例拼装得到目标本体子图，包括：
3.根据权利要求2所述一种异构信息网络表示学习方法，其特征在于，所述设定拆分满足条件指的是实现覆盖所述本体图中所有的路径且不重复，且不存在从属链同时分别与主链和某一支链相交。
4.根据权利要求2所述一种异构信息网络表示学习方法，其特征在于，对匹配得到的目标实例进行拼装得到目标本体子图，包括：
5.根据权利要求1所述一种异构信息网络表示学习方法，其特征在于，基于所述目标本体子图，使用图神经网络以及注意力机制聚合异构知识图谱中的节点信息，得到节点的向量表示，包括：
6.根据权利要求1所述一种异构信息网络表示学习方法，其特征在于，通过对所述目标本体子图的扰动，构建扰动本体子图作为负样本，包括：
7.根据权利要求1所述一种异构信息网络表示学习方法，其特征在于，将得到的节点向量表示与正负样
8.根据权利要求1所述一种异构信息网络表示学习方法，其特征在于，通过梯度下降方法迭代训练网络参数，降低网络损失值，从而得到节点的优化向量表示，完成表示学习，包括：
9.根据权利要求8所述一种异构信息网络表示学习方法，其特征在于，基于所述目标梯度对当前学习率进行衰减调整，包括：
...【技术特征摘要】
1.一种异构信息网络表示学习方法，其特征在于，包括：
2.根据权利要求1所述一种异构信息网络表示学习方法，其特征在于，利用通过特定策略拆分本体图得到的目标局部在图谱中检索与其相匹配的目标实例，再将目标实例拼装得到目标本体子图，包括：
3.根据权利要求2所述一种异构信息网络表示学习方法，其特征在于，所述设定拆分满足条件指的是实现覆盖所述本体图中所有的路径且不重复，且不存在从属链同时分别与主链和某一支链相交。
4.根据权利要求2所述一种异构信息网络表示学习方法，其特征在于，对匹配得到的目标实例进行拼装得到目标本体子图，包括：
5.根据权利要求1所述一种异构信息网络表示学习方法，其特征在于，基于所述目标本体子图，使用图神经网络...
【专利技术属性】
技术研发人员：刘昊，姚倩倩，
申请(专利权)人：山东港口科技集团日照有限公司，
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。