[发明专利]一种引入实体类型自动化表示的知识图谱嵌入与推理方法

说明书

本发明公开了一种引入实体类型自动化表示的知识图谱嵌入与推理方法，包括定义三元组关于实体类型表示的能量函数，按照实体类型的语义相关性对头实体和尾实体的实体类型表示分别进行约束；对三元组中的实体表示进行关系超平面投影操作并构建关于实体表示；联合建立评价函数，通过最小化评价函数，得到实体类型表示、与实体类型表示相关的关系表示、实体表示和与实体表示相关的关系表示；联合实体类型表示的能量函数和实体表示的能量函数构建两阶段推理策略，实现知识图谱的推理。本发明对任何知识图谱都可自动学习出实体类型表示，能够过滤不满足三元组关于实体类型约束的实体，并能够建模和推理对称关系和复杂关系，提高了知识图谱推理的精度。

技术领域

本发明涉及自然语言处理和知识图谱技术领域，更具体的说是涉及一种对于任何知识图谱都通用的引入实体类型自动化表示的知识图谱嵌入方法。

背景技术

知识图谱以图结构存储和组织由实体和关系构成的知识，并能够根据需求提供查询和推理等功能，成为人工智能领域实现认知系统的重要技术之一。目前，知识图谱已在智慧公安、金融反欺诈和智能医疗等领域发挥重要作用。

由于一般情况下构建的知识图谱规模巨大，不可避免会出现知识图谱信息不全的情况，例如一些三元组缺少其中的一个实体或关系，因此需要在知识图谱上进行推理补全缺失的知识。传统基于符号的方法的复杂度随着知识图谱的规模急剧增加，无法满足现有的大规模知识图谱的推理任务。知识图谱嵌入旨在将知识图谱中的实体和关系嵌入到低维向量空间，借助于低维向量表示的知识图谱推理具有较高的计算效率和泛化性能。如何得到对于任何知识图谱都通用的知识图谱向量表示并实现精确的推理任务是知识图谱嵌入的重点和难点，而仅利用三元组本身的信息来进行知识图谱嵌入难以准确表示知识图谱中实体和关系，需要学习更多的语义信息来辅助表示知识图谱并进行推理。同时，大多数知识图谱中存在对称关系和一对多，多对一和多对多的复杂关系，因此需要设计相应的知识图谱嵌入策略来解决这些问题。

针对上述问题，国内外已有相关方法用于知识图谱嵌入。专利CN201911036820.5设计了一种基于隐式翻译模型的知识图谱嵌入方法，将关系表示为两层全连接神经网络，但这种方法仅考虑了单独的三元组信息，无法得到语义信息更加丰富的知识图谱表示，进一步影响知识图谱的推理性能；专利CN201610350225.9充分利用特定知识图谱中存在的具有层次结构的实体类型信息，使得实体通过关于不同实体类型的映射矩阵得到不同的表示，专利CN201510947068.5基于连续词袋模型和卷积神经网络构建实体描述的表示，然而，以上两种方法依赖于给定的实体类型或实体描述，无法适用于知识图谱中不存在实体类型和无法直接得到实体描述信息的情况，限制了这两种方法的通用性。

因此，如何提供一种引入实体类型自动化表示的知识图谱嵌入与推理方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种引入实体类型自动化表示的知识图谱嵌入与推理方法，由于现有技术无法从不带有实体类型的知识图谱中得到实体类型表示，且难以同时解决对称关系和一对多，多对一和多对多的复杂关系的推理问题，本发明提供一种引入实体类型自动化表示的知识图谱嵌入与推理方法，针对任意存在或不存在实体类型的知识图谱，通过定义三元组分别关于实体类型表示和实体表示的能量函数，并按照实体类型间的语义相关性进行实体类型表示的语义约束，得到实体和关系的表示并自动学习实体类型表示，以提高知识图谱嵌入的性能和知识图谱推理的准确性。

为了实现上述目的，本发明提供如下技术方案：

一种引入实体类型自动化表示的知识图谱嵌入与推理方法，具体步骤如下：

步骤一：针对任何知识图谱中的每个实体，利用三元组构建关于实体类型表示的能量函数；基于实体类型表示的能量函数，按照实体类型的语义相关性对三元组中头实体和尾实体的实体类型表示分别进行约束，得到衡量每两个三元组实体类型间的语义相关度的能量函数；

步骤二：对三元组中的实体表示进行关系超平面投影操作并构建关于实体表示的能量函数；