【技术实现步骤摘要】
本专利技术涉及知识推理，更具体的说是涉及一种基于deeppath-compgcn的知识图谱补全方法。
技术介绍
1、知识图谱自诞生以来便成为人工智能领域的研究热点。它通过结构化的方式对复杂的实体及其关系进行表示和存储，使机器能够像人类一样理解和推理知识。近年来，知识图谱在搜索引擎、推荐系统、智能问答等多个领域得到广泛应用，产生了一系列大规模知识图谱，如google knowledge graph、dbpedia、yago等。这些知识图谱涵盖了医学、教育和商业等多个领域。然而，尽管其规模庞大且信息丰富，它们仍面临大量信息缺失的问题，例如实体间关系的不完整性及某些实体属性的缺失。这种知识的缺失严重限制了基于知识图谱的下游任务，未能充分发挥其潜在的推理和应用价值。
2、为解决这些问题，研究者们提出不同的方法来进行知识图谱补全任务。知识图谱补全技术旨在通过算法从已知的知识中挖掘未知的三元组信息，补全已有的知识图谱。目前，主流的知识图谱补全方法主要分为两类：基于符号逻辑的推理方法和基于机器学习的嵌入方法。前者依赖于逻辑规则和已知知识进行演绎推理，虽然推理准确率高、推理过程严谨，但面临着可扩展性差和规则定义复杂的难题；后者则通过将实体和关系嵌入到低维向量空间中，利用数学操作推断出可能的关系。近年来，随着机器学习技术的不断进步，给予机器学习嵌入的知识推理方法成为主流。例如，国内外学者提出了一系列用于知识图谱补全的trans系列模型，这些模型通过迁移特性在低维向量空间中建模实体之间的关系，此类方法易于操作且扩展性强，但对于复杂关系的
3、此外，许多基于深度神经网络的知识图谱补全模型，如卷积神经网络(convolutional neural networks,cnn)、循环神经网络(recurrent neural network,rnn)和图神经网络(graphneural network，gnn)，虽然能够挖掘复杂关系的表达特征，但仅学习了三元组的信息，忽视了知识图谱中实体关系间蕴含的丰富语义信息，从而无法有效解决知识图谱的稀疏性和不完整性问题。为此，kipf提出了基于图卷积网络(graphconvolutional network,gcn)的模型，旨在挖掘知识图谱的图结构信息。然而，gcn模型将知识图谱视为无向的单一关系图，忽视了知识图谱中多重关系的特征和局部信息，同时缺乏可解释性。
4、deeppath是基于强化学习的知识推理方法，通过明确地建模路径推理过程，使得模型可以清晰地追踪推理的步骤和逻辑，可解释性强。尽管deeppath通过强化学习进行路径推理，具备良好的可解释性，但其嵌入方式存在一定的局限性。deeppath依赖于固定的知识图谱嵌入，而这种嵌入方式通常未能充分捕捉复杂关系的特征表达，可能导致模型在处理复杂推理任务时出现信息损失。此外，嵌入的静态性限制了模型在动态或不完整知识图谱中的泛化能力，使得推理结果对嵌入质量较为敏感，难以适应多样化的知识推理场景。
5、因此，如何更好地建模实体和关系之间的相互依赖性，以应对复杂数据集中实体关系缺失的问题，辅助提高模型的推理准确性和可解释，是本领域技术人员亟需解决的问题。
技术实现思路
1、鉴于上述问题，本专利技术提供一种基于deeppath-compgcn的知识图谱补全方法，以至少解决上述
技术介绍
中提到的部分技术问题。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术提供了一种基于deeppath-compgcn的知识图谱补全方法，包括如下步骤：
4、通过compgcn卷积层对知识图谱中的实体和关系进行嵌入表示，获得包含实体嵌入矩阵和关系嵌入矩阵的复合嵌入矩阵；
5、将所述实体嵌入矩阵作为状态空间，将所述关系嵌入矩阵作为动作空间，输入到deeppath模型中进行路径推理，获得最优推理路径；
6、根据所述最优推理路径对所述知识图谱进行补全。
7、进一步地，所述通过compgcn卷积层对知识图谱中的实体和关系进行嵌入表示，获得包含实体嵌入矩阵和关系嵌入矩阵的复合嵌入矩阵，具体包括：
8、从知识图谱中提取出所有实体及实体间对应的关系，并初始化实体嵌入矩阵和关系嵌入矩阵；
9、构建所述知识图谱的邻接矩阵；
10、将初始化后的实体嵌入矩阵和关系嵌入矩阵，以及所述邻接矩阵输入至compgcn卷积层中，通过激活函数进行嵌入更新；
11、每轮次嵌入更新完成后，计算损失函数，用于优化所述compgcn卷积层，直至收敛，获得包含实体嵌入矩阵和关系嵌入矩阵的复合嵌入矩阵。
12、进一步地，所述复合嵌入矩阵表示为：
13、
14、其中，σ表示激活函数；rh表示与头实体h相关的所有关系；表示头实体h通过关系r相连的所有邻居实体的集合；t表示尾实体；表示第l-1层中包含关系信息的头实体；表示第l-1层中包含关系信息的尾实体；fr(·)表示关系r的组合函数；表示第l-1层对应关系r的可学习权重矩阵。
15、进一步地，所述实体嵌入矩阵包括头实体嵌入矩阵和尾实体嵌入矩阵。
16、进一步地，在路径推理过程中：
17、获取当前状态空间，所述当前状态空间包括当前推理路径中的头实体嵌入矩阵和尾实体嵌入矩阵，以及历史推理路径；
18、将所述当前状态空间输入到门控循环单元中，实现对历史推理路径编码，生成所述当前状态空间的隐含表示；
19、基于所述当前状态空间的隐含表示，通过softmax层计算出每个候选关系的选择概率，获得关系概率分布；
20、根据所述关系概率分布，从关系嵌入中选择一个关系，并通过该关系从当前实体跳转到下一个实体。
21、重复上述过程，直至deeppath模型收敛，获得最优推理路径。
22、进一步地，在路径推理过程中，设置奖励函数来评估路径推理效果；若推理路径连接成功且关系正确则给予正向奖励，否则给予负向奖励。
23、进一步地，路径推理过程中的累积奖励表示为：
24、
25、其中，gk表示到时间步k时的累积奖励；k表示总时长；γ表示折扣因子；r(πk')表示在k’步获得的即时奖励。
26、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于deeppath-compgcn的知识图谱补全方法，具有如下有益效果：
27、本专利技术基于compgcn有效建模了实体和关系之间的相互依赖性，在此基础上引入deeppath，有效地提高了模型推理准确性和可解释，解决了复杂数据集中实体关系缺失的问题。
28、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种基于DeepPath-CompGCN的知识图谱补全方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于DeepPath-CompGCN的知识图谱补全方法，其特征在于，所述通过CompGCN卷积层对知识图谱中的实体和关系进行嵌入表示，获得包含实体嵌入矩阵和关系嵌入矩阵的复合嵌入矩阵，具体包括：
3.根据权利要求1所述的一种基于DeepPath-CompGCN的知识图谱补全方法，其特征在于，所述复合嵌入矩阵表示为：
4.根据权利要求1所述的一种基于DeepPath-CompGCN的知识图谱补全方法，其特征在于，所述实体嵌入矩阵包括头实体嵌入矩阵和尾实体嵌入矩阵。
5.根据权利要求4所述的一种基于DeepPath-CompGCN的知识图谱补全方法，其特征在于，在路径推理过程中：
6.根据权利要求5所述的一种基于DeepPath-CompGCN的知识图谱补全方法，其特征在于，在路径推理过程中，设置奖励函数来评估路径推理效果；若推理路径连接成功且关系正确则给予正向奖励，否则给予负向奖励。
7.根据
...【技术特征摘要】
1.一种基于deeppath-compgcn的知识图谱补全方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于deeppath-compgcn的知识图谱补全方法，其特征在于，所述通过compgcn卷积层对知识图谱中的实体和关系进行嵌入表示，获得包含实体嵌入矩阵和关系嵌入矩阵的复合嵌入矩阵，具体包括：
3.根据权利要求1所述的一种基于deeppath-compgcn的知识图谱补全方法，其特征在于，所述复合嵌入矩阵表示为：
4.根据权利要求1所述的一种基于deeppath-compgcn的知识图谱补全方法，...
【专利技术属性】
技术研发人员：王启飞，刘昊霖，王俊龙，刘凯华，孙英峰，李凌月，姚家驰，邢金朵，李鉴，刘帅，姚金波，
申请(专利权)人：北京建筑大学，
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。