【技术实现步骤摘要】
本专利技术涉及一种人工智能领域，具体涉及一种层次实体邻居多关系融合的知识图谱补全方法。
技术介绍
1、知识图谱(knowledge graph)是一种采用结构化的事实表达方式，将现实世界中的事实用两个实体以及其之间的关系组成的三元组来表示。随着知识图谱的规模不断扩大，知识图谱将越来越趋于不完整，存在大量缺失的、隐藏的事实。知识图谱补全旨在寻找知识图谱中缺失的部分，挖掘出其中隐藏的实体及其之间的关系，从而使知识图谱蕴含的信息更加丰富完整。
2、现有的知识图谱补全模型在链接预测中更注重实体间的关系建模，而忽视了实体与其关系表示之间的深度交互，无法充分捕捉关系在知识图谱中的关键作用，存在处理实体与关系的深度融合方面的不足。且现有的知识图谱补全模型在处理长路径依赖的复杂关系时，长路径的关系信息往往依赖复杂的语义；在处理跨越多跳实体时，往往无法有效提取远距离实体之间的深层次关系信息，导致在大规模知识图谱中，知识图谱补全模型对全局语义的感知能力受限，进而影响了知识图谱的整体预测效果。
技术实现思路p>
1、本专利本文档来自技高网...
【技术保护点】
1.一种层次实体邻居多关系融合的知识图谱补全方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的层次实体邻居多关系融合的知识图谱补全方法，其特征在于，在步骤2中，分别对中心实体和邻居实体进行线性变换和缩放处理，获得中心实体、邻居实体经线性变换和缩放处理后的特征向量，可表示为:
3.根据权利要求2所述的层次实体邻居多关系融合的知识图谱补全方法，其特征在于，在步骤2中，通过聚合后的中心实体的邻居信息和每个邻居实体的自适应权重向量计算综合特征向量，可表示为：
4.根据权利要求3所述的层次实体邻居多关系融合的知识图谱补全方法，其特征在...
【技术特征摘要】
1.一种层次实体邻居多关系融合的知识图谱补全方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的层次实体邻居多关系融合的知识图谱补全方法，其特征在于，在步骤2中，分别对中心实体和邻居实体进行线性变换和缩放处理，获得中心实体、邻居实体经线性变换和缩放处理后的特征向量，可表示为:
3.根据权利要求2所述的层次实体邻居多关系融合的知识图谱补全方法，其特征在于，在步骤2中，通过聚合后的中心实体的邻居信息和每个邻居实体的自适应权重向量计算综合特征向量，可表示为：
4.根据权利要求3所述的层次实体邻居多关系融合的知识图谱补全方法，其特征在于，步骤3中，从同一中心实体对应的三元组中的关系提取关系信息，同时建立嵌入向量，可表示为：
5.根据权利要求4所述的层次实体邻居多关系融合的知识图谱补全方法，其特征在于，步骤4中，将融合实体和关系信息的嵌入向量输入编码器中，通过线性变换获得查询q、键k、值v，可表示为：
6.根据权利要求5所述的层次实体邻居多关系融合的知识图谱补...
【专利技术属性】
技术研发人员：陈赟，周敏，王佳裕，谢邦鹏，沈浩，潘智俊，赵文恺，傅超然，王晓慧，杜海舟，曹渝昆，徐康乐，
申请(专利权)人：国网上海市电力公司，
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。