[发明专利]一种基于可信度向量的知识图谱表示学习方法

说明书

本发明提出了一种基于可信度向量的知识图谱表示学习方法，在该方法中基于可信度向量，实体在不同关系下具有不同表达形式，不同的关系关注实体不同的属性信息，本发明能够提升知识表示学习在复杂关系下的区分能力，并且避免了增加过多模型复杂度。本发明方法可以对知识图谱中的实体和关系进行表示，用于知识图谱的补全和推理，具有较好的实用性。

技术领域

本发明涉及知识图谱表示学习问题，具体地指一种基于可信度向量的知识图谱表示学习方法，属于自然语言处理领域。

背景技术

近年来类人智能在世界各地迅猛发展，其成功离不开完善的知识图谱。知识图谱是智能问答、语义搜索等信息服务应用的重要基础技术，知识图谱覆盖的知识越全面，越能更好地提供所需答案。尽管目前已经有多个大规模、开放领域的知识图谱，但它们距离完备仍然相差甚远，例如Freebase中有大约30％的人物实体缺少其父母亲信息。通常情况下，人类都是以网络和图的架构来组织和表示知识图谱中所包含的知识，图和网络中的每一个节点都表示不同的实体，而每两个节点之间相连的边则表示两个实体之间存在的关系。因此，传统的知识图谱大多数都是采用<实体1，关系，实体2>三元组的方式来表示知识，其对应的是知识图谱中的两个节点以及连接这两个节点的边。在传统的网络表示形式下利用知识图谱进行推理、补全，需要设计专门的图算法，其计算效率极低。而利用知识表示学习模型，能在低维空间中挖掘出实体和关系之间的语义关系，提高知识理解和推理能力。

目前知识表示学习的代表模型是平移模型，该模型虽然简单高效，但平移模型无法很好地处理知识图谱中的复杂关系。这就是本发明的主要研究背景。

发明内容

本发明的目的在于克服上述现有技术的不足，而提出的一种知识图谱表示学习方法，该方法包括：

步骤1，输入知识图谱中的三元组(h,r,t)，根据关系r生成其对应的可信度向量；

步骤2，根据可信度向量，定义三元组(h,r,t)中实体向量、关系向量和可信度向量之间的相互关联；

步骤3，通过损失函数将实体向量、关系向量和可信度向量关联起来，并最小化损失函数，以学习实体向量、关系向量和可信度向量，达到优化目标。

在上述的一种基于可信度向量的知识图谱表示学习方法，每一个三元组关系有一个对应的可信度向量，并对其中的向量值进行随机初始化，赋值0或1。

在上述的一种基于可信度向量的知识图谱表示学习方法，在可信度向量对应的空间中，关系r和实体对(h,t)之间存在平移关系，其相互关联的能量函数为:

其中，h、t和r为头实体h、尾实体t和关系r对应的向量；c_r为关系的r可信度向量，其为一个二值向量，其中1代表激活，0代表抑制；h_r为头实体h经过可信度向量激活后的向量；t_r为尾实体t经过可信度向量激活后的向量；r_r为关系r经过可信度向量激活后的关系；为哈达吗积。

在上述的一种基于可信度向量的知识图谱表示学习方法，通过损失函数将实体向量、关系向量和可信度向量关联起来，并最小化损失函数，以学习实体向量、关系向量和可信度向量；损失函数为：