一种基于图表征学习的知识图谱关联分析方法技术

本发明专利技术涉及知识图谱及图表征学习技术领域，公开了一种基于图表征学习的知识图谱关联分析方法，包括，数据获取；信息编码；模型训练；关系预测；本发明专利技术先利用图嵌入技术将复杂的矛盾纠纷知识图谱结构化简为低维向量空间中的表示，以便进行深入的关联性分析和模式挖掘；随后通过机器学习的相关方法学习这些表示并补齐知识图谱中相关的实体、关系和属性。

【技术实现步骤摘要】

本专利技术涉及知识图谱及图表征学习，具体涉及一种基于图表征学习的知识图谱关联分析方法。

技术介绍

1、在现代社会中，我们面临的矛盾纠纷类型多种多样，其中的人物属性和关系也常常存在缺失，这无疑增加了解决纠纷的难度。而知识图谱(knowledge graph)作为以一种结构化的方式描述了客观世界中的概念、实体以及它们之间的关系的方法，能够很好地表示矛盾纠纷中实体的属性以及各实体之间错综复杂的关系，知识图谱的基本组成形式为<实体，关系，实体>的三元组。图表征学习(graph representation learning，也称之为图表示学习)是专门针对图数据域的技术，旨在将图结构中的节点转化为具有连续数值的向量表示，以便在这些表示上进行进一步的机器学习任务。知识图谱图表征学习将知识图谱中的实体和关系表示为向量，随后用机器学习的相关方法完成知识图谱上的实体预测、关系预测、知识图谱推荐或是节点重要性估计等任务。

2、现有的矛盾纠纷知识图谱关系预测方法一般未能捕获节点相邻三元组之间隐含的信息，而是将各三元组独立进行处理。而传统的图注意网络只关注本文档来自技高网...

【技术保护点】

1.一种基于图表征学习的知识图谱关联分析方法，其特征在于，将矛盾纠纷知识图谱输入到分析模型中，输出矛盾纠纷知识图谱中人物之间缺失的关联关系，分析模型包括数据获取模块、编码器和解码器；具体包括以下步骤：

2.根据权利要求1所述的基于图表征学习的知识图谱关联分析方法，其特征在于：所述知识图谱表示为ζ＝(∈,R)，其中∈和R分别表示知识图谱ζ中的实体和关系，而三元组(es,r,eo)则表示两个实体es和eo之间存在边r；编码器以实体嵌入矩阵和关系嵌入矩阵作为输入，其中实体嵌入矩阵H的第i行表示实体ei的初始实体嵌入向量，Ne代表实体的总数，T则代表初始实体嵌入向量的特征维数；关系嵌...

【技术特征摘要】

1.一种基于图表征学习的知识图谱关联分析方法，其特征在于，将矛盾纠纷知识图谱输入到分析模型中，输出矛盾纠纷知识图谱中人物之间缺失的关联关系，分析模型包括数据获取模块、编码器和解码器；具体包括以下步骤：

2.根据权利要求1所述的基于图表征学习的知识图谱关联分析方法，其特征在于：所述知识图谱表示为ζ＝(∈,r)，其中∈和r分别表示知识图谱ζ中的实体和关系，而三元组(es,r,eo)则表示两个实体es和eo之间存在边r；编码器以实体嵌入矩阵和关系嵌入矩阵作为输入，其中实体嵌入矩阵h的第i行表示实体ei的初始实体嵌入向量，ne代表实体的总数，t则代表初始实体...

【专利技术属性】
技术研发人员：马忠义，陈晓璐，李晓露，鲍杰，郭庆浪，廖勇，吴曼青，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：