[发明专利]一种基于翻译模型的知识图谱表示方法

说明书

本发明公开了一种用于表示知识谱图的表示模型方法，其涉及知识图谱表示技术领域，该方法包括以下步骤：1)利用数据采集模块抽取现有知识图谱中的数据并进行存储；2)利用预处理模块对抽取的数据进行结构化处理；3)利用特征抽取模块对结构化处理后的数据进行特征抽取，并利用GTrans模型对抽取的特征进行训练；4)利用训练好的结果通过所述知识图谱补全模块以及分类模块进行知识图谱预测和分类。本发明的GTrans模型为每一个关系构造了一个动态关系空间，能够为每一个关系表示空间提供灵活的关系权重，以及增强关系表示的能力并减少其他关系的干扰，灵活性显著增加。

技术领域

本发明涉及知识图谱表示技术领域，具体涉及一种基于翻译模型的知识图谱表示方法。

背景技术

目前在世界范围内已有的知识图谱表示方法主要集中在利用人工构建的特征和基于RDF框架表示的特征。这些特征表示方法在进行知识表示方面存在效率低下，算法复杂等问题。近几年来，利用深度学习的方法提出了一系列的知识表示方法，但当前的训练的知识表示方法多少存在一些模型复杂度较高，或者训练效率较低的问题。

另外国内外的知识图谱表示方法代表性工作主要包括TransE(基于翻译的嵌入式模型)[1]，TransH(基于超平面的嵌入式模型)[2]，TransR(基于实体关系空间的嵌入式模型)[3]，CTransR(基于聚类和实体关系空间的嵌入式模型)[3]和TransD(基于动态映射矩阵的嵌入式模型)[4]等方法.上述方法被统称为基于翻译的知识表示模型。基于翻译的模型认为，对每个三元组(h,r,t)，其中的关系r是从头实体向量h到尾实体向量t的一个翻译操作，据此，Bordes等人率先提出了TransE(基于翻译的嵌入式模型)知识表示方法，TransE(基于翻译的嵌入式模型)通过欧氏距离上的偏移量来衡量计算实体之间的语义相似度，是一种简单基本的知识表示方法.它的优化目标是尽量使得h+r＝t，因此相应模型学习的得分函数是f_r(h,t)＝||h+r-t||²，其中||h+r-t||²是h+r-t的2阶范数，即欧氏距离。TransH(基于超平面的嵌入式模型)方法建立了一个面向关系的超平面，它由一个法向量n_r和翻译向量r表示，头实体向量h和尾实体向量t首先被投影到关系的超平面，得到向量h_⊥＝h-n_r^Thn_r和t_⊥＝t-n_r^Thn_r.因而，TransH(基于超平面的嵌入式模型)的优化目标变为h_⊥+r＝t_⊥，相应的其得分函数修改为f_r(h,t)＝||h_⊥+r-t_⊥||²。TransR(基于实体关系空间的嵌入式模型)和CTransR(基于聚类和实体关系空间的嵌入式模型)希望通过建立一个映像矩阵M_r和一个向量r来表示每一个关系r，具体地，TransR(基于实体关系空间的嵌入式模型)将头实体向量h和尾实体向量t通过矩阵映射到关系向量r的层次上，得到M_rh+r＝M_rt，也即TransR(基于实体关系空间的嵌入式模型)的优化目标，TransD(基于动态映射矩阵的嵌入式模型)以向量操作取代了TransR(基于实体关系空间的嵌入式模型)中的矩阵与向量的乘法操作，提高了算法效率。