应用可信度感知迭代训练策略实现实体对齐的方法、系统技术方案

本发明专利技术属于人工智能技术领域，具体涉及一种应用可信度感知迭代训练策略实现实体对齐的方法及其对应的服务推荐系统。该方案的核心包括一个关系感知交互图注意力网络，以及一个基于可信度感知迭代训练的自监督机制。其中，图注意力网络用于提取知识图谱中实体和关系的嵌入表示，并可以聚合实体特征和关系特征，并利用注意力机制降低噪声对实体嵌入的影响。在自监督机制中，先由图注意力网络分别提取出两个待对齐处理的知识图谱的嵌入表示，然后不断评估两个知识图谱中各组预对齐实体对的可信度，并将可信度高的实体对逐渐添加为伪对齐种子。本发明专利技术克服了现有方案需要依赖大量人工标注的伪对齐种子且易受噪声影响进而导致模型精度不足的缺陷。

【技术实现步骤摘要】

本专利技术属于人工智能，具体涉及一种应用可信度感知迭代训练策略实现实体对齐的方法及其对应的服务推荐系统。

技术介绍

1、知识图谱(knowledge graph，kg)是一种利用可视化的图谱形象地展示复杂信息的数据结构，该数据以简易的结构表达丰富的语义信息，在搜索引擎、推荐系统等许多领域得到广泛利用。知识图谱通常由不同的人或组织根据不同的数据源建立，因此多源知识图谱之间存在异构性和互补性。实体对齐(entity alignment， ea)旨在从不同的知识图谱中找到在现实世界中指代同一事物的实体，是融合多个知识图谱的关键步骤。图1展示了以达芬奇为中心的跨语言实体对齐的案例。实体对齐通过对图谱中的等价实体进行对齐，引导多源图谱融合各自的知识信息，从而提高知识图谱的完整性和实用性。

2、近年来，基于表示学习的方法已成为实体对齐的主流方法，这些方法首先将实体嵌入同一向量空间，根据实体之间的嵌入相似度对齐实体。然而现有的方法通常依赖于使用已标注的对齐数据将多源图谱嵌入到同一空间中，这些标签数据被称为对齐种子。由于人工标注对齐种子的代价高昂，现实世界中实本文档来自技高网...

【技术保护点】

1.一种应用可信度感知迭代训练策略实现实体对齐的方法，其特征在于，其用于对任意两知识图谱中的指定实体进行对齐，其包括：

2.如权利要求1所述的应用可信度感知迭代训练策略实现实体对齐的方法，其特征在于：步骤S1中，所述知识图谱为图结构数据，其中包含多个三元组，每个三元组的格式为：（h，r，t）；其中，h表示头实体，t表示尾实体，r表示头实体与尾实体之间的关系，所述关系是具有方向性的。

3.如权利要求1所述的应用可信度感知迭代训练策略实现实体对齐的方法，其特征在于：步骤S2中，任意实体ei的最终表示由当前实体的嵌入表示、当前实体的多跳邻居实体的聚合嵌入表示、以及当前实...

【技术特征摘要】

1.一种应用可信度感知迭代训练策略实现实体对齐的方法，其特征在于，其用于对任意两知识图谱中的指定实体进行对齐，其包括：

2.如权利要求1所述的应用可信度感知迭代训练策略实现实体对齐的方法，其特征在于：步骤s1中，所述知识图谱为图结构数据，其中包含多个三元组，每个三元组的格式为：（h，r，t）；其中，h表示头实体，t表示尾实体，r表示头实体与尾实体之间的关系，所述关系是具有方向性的。

3.如权利要求1所述的应用可信度感知迭代训练策略实现实体对齐的方法，其特征在于：步骤s2中，任意实体ei的最终表示由当前实体的嵌入表示、当前实体的多跳邻居实体的聚合嵌入表示、以及当前实体的单跳关系的聚合嵌入表示拼接而成；表达式如下：

4.如权利要求3所述的应用可信度感知迭代训练策略实现实体对齐的方法，其特征在于，在中，当前实体的嵌入表示即为其本身，记为：；

5.如权利要求4所述的应用可信度感知迭代训练策略实现实体对齐的方法，其特征在于，任意一个实体与邻居实体的关系嵌入的计算方法如下：

6.如权利要求5所述的应用可信度感知迭...

【专利技术属性】
技术研发人员：凌兆龙，曾瑀，卢耀，刘菲菲，叶凡，周勇，
申请(专利权)人：安徽大学，
类型：发明
国别省市：