【技术实现步骤摘要】
本公开涉及知识图谱，更具体地，涉及一种用于钢铁领域的知识图谱补全方法、用于钢铁领域的知识图谱补全模型、电子设备及存储介质。
技术介绍
1、随着互联网技术和应用模式的迅猛发展，引发了互联网数据规模的爆炸式增长，推动知识图谱这种丰富直观的知识表达方式迅速发展。面向知识图谱的知识补全成为了研究热点之一。
2、目前用于钢铁领域的知识图谱补全模型是通过在欧式空间中度量两个实体点之间的距离来确定三元组是否成立。这种方法无法充分学习到知识图谱复杂的几何结构，而且实体点与实体点之间的欧氏距离在高维空间中容易受到枢纽点问题的干扰，导致基于现有的知识图谱补全模型进行推理，准确性低。
技术实现思路
1、本公开实施例提供一种新的用于钢铁领域的知识图谱补全方法、用于钢铁领域的知识图谱补全模型、电子设备及存储介质。不仅可以增强知识图谱推理的准确性，还可以适应逻辑关系复杂的知识图谱的推理。
2、第一方面，本实施例提供了一种用于钢铁领域的知识图谱补全方法，包括：
3、获取钢铁领域的待补全知识图谱中第一元素的特征向量和第二元素的特征向量，所述第一元素和所述第二元素为所述待补全知识图谱的三元组中已存在的元素；
4、将所述第一元素的特征向量和所述第二元素的特征向量进行变换，确定第三元素的初始特征向量，所述第三元素为所述待补全知识图谱的三元组中缺失的元素；
5、将所述第三元素的初始特征向量输入至收敛的变分自编码器网络中，确定第三元素的重构特征向量；
7、可选地，所述将所述第三元素的初始特征向量输入至收敛的变分自编码器网络中，确定第三元素的重构特征向量，包括：
8、将所述第三元素的初始特征向量输入至所述收敛的变分自编码器网络的编码器中，得到所述初始特征向量在隐空间的概率分布；
9、从所述初始特征向量在隐空间的概率分布中采样，得到隐变量；
10、将所述隐变量输入至所述收敛的变分自编码器网络的解码器中，得到所述第三元素的重构特征向量。
11、可选地，所述获取待补全知识图谱中第一元素的特征向量和第二元素的特征向量，包括：
12、将所述待补全知识图谱中的所述第一元素和所述第二元素输入至嵌入层网络中，得到所述第一元素的特征向量和第二元素的特征向量。
13、可选地，在将所述第三元素的初始特征向量输入至收敛的变分自编码器网络中，确定第三元素的重构特征向量之前，所述方法还包括：
14、获取钢铁领域的所述待补全知识图谱的三元组样本数据中的第一样本元素的特征向量、第二样本元素的特征向量以及第三样本元素的预期特征向量；
15、将所述第一样本元素的特征向量和所述第二样本元素的特征向量进行变换得到的所述第三样本元素的初始特征向量输入至待训练的变分自编码器网络中，得到所述第三样本元素的重构特征向量；
16、根据所述第三样本元素的重构特征向量和所述第三样本元素的预期特征向量之间的误差，确定第一损失函数；
17、根据所述第一损失函数，训练得到收敛的变分自编码器网络。
18、可选地，所述根据所述第一损失函数，训练得到收敛的变分自编码器网络，包括：
19、获取所述第三样本元素的初始特征向量在隐空间的概率分布；
20、根据所述第三样本元素的初始特征向量在隐空间的概率分布和标准正态分布的kl散度，确定第二损失函数；
21、根据所述第一损失函数和所述第二损失函数，训练得到收敛的变分自编码器网络。
22、可选地，在将所述第三元素的初始特征向量输入至收敛的变分自编码器网络中，确定第三元素的重构特征向量之前，所述方法还包括：
23、获取钢铁领域的所述待补全知识图谱的三元组样本数据中的第一样本元素的特征向量、第二样本元素的特征向量以及第三样本元素的预期特征向量；
24、将所述第一样本元素的特征向量和所述第二样本元素的特征向量进行变换得到的所述第三样本元素的初始特征向量输入至待训练的变分自编码器网络中，得到所述第三样本元素的重构特征向量；
25、根据所述第三样本元素的重构特征向量和所述第三样本元素的预期特征向量之间的误差，确定第一损失函数；
26、根据所述第一损失函数，训练得到收敛的变分自编码器网络和收敛的嵌入层网络。
27、可选地，所述根据所述第一损失函数，训练得到收敛的变分自编码器网络和收敛的嵌入层网络，包括：
28、获取所述第三样本元素的初始特征向量在隐空间的概率分布；
29、根据所述第三样本元素的初始特征向量在隐空间的概率分布和标准正态分布的kl散度，确定第二损失函数；
30、根据所述第一损失函数和所述第二损失函数，训练得到收敛的变分自编码器网络和收敛的嵌入层网络。
31、第二方面，本实施例提供了一种用于钢铁领域的知识图谱补全模型，包括：嵌入层网络、变换网络、变分自编码器网络以及补全网络，
32、所述嵌入层网络，用于接收钢铁领域的待补全知识图谱中第一元素和第二元素，并输出所述第一元素的特征向量和所述第二元素的特征向量，所述第一元素和所述第二元素为所述待补全知识图谱的三元组中已存在的元素；
33、所述变换网络，用于将所述第一元素的特征向量和所述第二元素的特征向量进行变换，输出第三元素的初始特征向量，所述第三元素为所述待补全知识图谱的三元组中缺失的元素；
34、所述变分自编码器网络，用于根据所述第三元素的初始特征向量，确定第三元素的重构特征向量；
35、补全网络，用于根据所述第三元素的重构特征向量，补全所述待补全知识图谱。
36、第三方面，本实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储计算机指令，所述处理器用于从所述存储器中调用所述计算机指令，以执行如本公开第一方面中任一项所述的方法。
37、第四方面，本实施例提供了一种存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现如本公开第一方面中任一项所述的方法。
38、本公开实施例提供了一种新的用于钢铁领域的知识图谱补全方法。通过将确定待补全知识图谱中缺失元素的过程转移到概率空间中，避免了在欧式空间确定待补全知识图谱中缺失元素存在的缺陷。通过这种方式进行知识图谱补全，不仅可以增强知识图谱推理的准确性，还可以适应逻辑关系复杂的知识图谱的推理。
39、通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
本文档来自技高网...【技术保护点】
1.一种用于钢铁领域的知识图谱补全方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述第三元素的初始特征向量输入至收敛的变分自编码器网络中，确定第三元素的重构特征向量，包括：
3.根据权利要求1所述的方法，其特征在于，所述获取待补全知识图谱中第一元素的特征向量和第二元素的特征向量，包括：
4.根据权利要求1所述的方法，其特征在于，在将所述第三元素的初始特征向量输入至收敛的变分自编码器网络中，确定第三元素的重构特征向量之前，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一损失函数，训练得到收敛的变分自编码器网络，包括：
6.根据权利要求3所述的方法，其特征在于，在将所述第三元素的初始特征向量输入至收敛的变分自编码器网络中，确定第三元素的重构特征向量之前，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，所述根据所述第一损失函数，训练得到收敛的变分自编码器网络和收敛的嵌入层网络，包括：
8.一种用于钢铁领域的知识图谱补全模型，其特征在于，
9.一种电子设备，其特征在于，包括存储器和处理器，
10.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在被处理器执行时实现如权利要求1-7中任一项所述的方法。
...【技术特征摘要】
1.一种用于钢铁领域的知识图谱补全方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述第三元素的初始特征向量输入至收敛的变分自编码器网络中，确定第三元素的重构特征向量，包括：
3.根据权利要求1所述的方法，其特征在于，所述获取待补全知识图谱中第一元素的特征向量和第二元素的特征向量，包括：
4.根据权利要求1所述的方法，其特征在于，在将所述第三元素的初始特征向量输入至收敛的变分自编码器网络中，确定第三元素的重构特征向量之前，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一损失函数，训练得到收敛的变分自编码器网络，包括：
【专利技术属性】
技术研发人员：殷绪成，雷帅龙，方治屿，祝晓斌，
申请(专利权)人：北京科技大学，
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。