[发明专利]一种基于动态路径的知识图谱表示学习方法

说明书

本发明公开一种基于动态路径的知识图谱表示学习方法，以翻译模型为基础，考虑了结构三元组(实体，关系，实体)和(实体，路径，实体)的语义信息，当(h，t)存在时，在路径的表示过程中，给其添加一个动态因子α向量。即在训练过程中，每一个多步关系组合而成的路径向量向着与直接关系极为相近的目标优化，那么只要其在一定范围内都将被视为表示了其语义信息而不必必须与给定的向量严格相等。本发明解决现有技术对复杂关系类型事实间的多个直接关系和多个路径无法有效区分的问题，具有良好的实用性。

技术领域

本发明涉及知识图谱技术领域，具体涉及一种基于动态路径的知识图谱表示学习方法。

背景技术

近年来，随着科技的不断发展，海量数据随之产生，这些数据中包含着具有不同价值的各类信息。为了更好的利用这些信息的价值，知识图谱这种以丰富直观的方式表达知识的图结构应运而生。近几年来，我们目睹了许多大规模知识图谱的兴起，包括由学术界项目发展起来的YAGO，NELL，DBpedia和DeepDive，以及由商业项目支持的微软的Satori，谷歌知识图谱(Google's Knowledge Graph)，Facebook的社交知识图谱等。

通常人们构建的知识图谱都被表示为网络形式，而这种形式需要设计专门的图算法来存储事实，若要利用这些已经存储的事实则需要对应额外的算法，这样不仅费时费力，还会受到数据稀疏问题的困扰。表示学习可以将这些事实统一刻画为三元组形式(头实体，关系，尾实体)即(h，r，t)，例如：X在Y这个地方出生，用三元组可以表示为(X，出生地，Y)。然后将其投射到稠密低维的向量空间用实值向量表示。这样不仅能够有效解决数据稀疏问题，而且可以简单高效的计算实体和关系之间的语义信息。

基于知识图谱的知识推理旨在通过已有的知识图谱中的知识推断出新的知识或判别出现有知识中的错误。例如，在DBpedia中已知三元组(X，出生地，Y)，可以在很大程度上推理出缺失的三元组(X，国籍，Y)。随着知识图谱的不断发展，基于知识图谱的知识推理作为知识图谱和知识图谱去噪的主要手段受到了广泛关注。而对于知识图谱表示的研究也一直吸引着众多的国内外研究者。

以TransE为基础的翻译模型达到了不错的效果，但其仅仅考虑了实体对之间的直接关系即一步关系。而事实上，实体对之间存在的多步关系也蕴含着丰富的语义信息。这些从头实体开始指向尾实体的连续的多步关系被称之为路径。知识推理不仅仅局限于建模直接关系的单步推理，建模多步关系路径的多步推理受到了越来越多的关注。依据多步关系路径包含的实体之间丰富的语义信息，研究者们相继提出了一系列基于路径的表示学习模型，从路径方面考虑对知识图谱中的实体和关系进行表示学习，并取得了较为显著的提升。然而，以往这些模型的翻译原则太过严格，难以建模复杂的多步关系和实体对以及多步关系和实体对之间的直接关系的语义信息。

发明内容

本发明针对现有表示学习方法中的优化原则过于严格的问题，提供一种基于动态路径的知识图谱表示学习方法，以提高知识图谱中复杂关系类型事实的学习效率。

为解决上述问题，本发明是通过以下技术方案实现的：

一种基于动态路径的知识图谱表示学习方法，具体包括步骤如下：

步骤1、基于翻译模型，建立知识图谱中三元组结构的实体向量与关系向量的优化目标，以及实体向量与路径向量的优化目标；其中

实体向量与关系向量的优化目标为：

h+r＝t

实体向量与路径向量的优化目标为：

h+(p+α)＝t

式中，h表示头实体向量，t表示尾实体向量，r表示头实体和尾实体之间的关系向量，p表示头实体和尾实体之间的路径向量，α为动态因子向量；