[发明专利]一种基于神经网络的知识图谱不一致性推理方法

说明书

本发明公开了一种基于神经网络的知识图谱不一致性推理方法，包括以下步骤：利用知识表示学习算法对三元组表示学习得到实体表示和关系表示以及计算表示得分，并将实体表示和关系表示作为神经网络的输入，利用三元组通过神经网络对公理进行建模以学习用来表示相应的公理的神经网络的参数得到公理模型，利用公理模型获得三元组的公理预测值，基于三元组的表示得分和公理预测值实现三元组和对应公理不一致性的判断。该方法不需要给定本体信息，利用神经网络学习不一致性公理，通过知识表示学习算法和神经网络判断一个三元组是否存在不一致性，在给定公理上是否存在不一致性。

技术领域

本发明属于知识图谱和神经网络领域，具体涉及一种基于神经网络的知识图谱不一致性推理方法。

背景技术

知识图谱是将知识结构化形成的知识系统，已被广泛应用到搜索引擎、推荐系统、问答系统等知识驱动的任务。为了高效地存储及利用知识，人们使用人工标注、半自动化或自动化的方式构建了面向开放域和垂直域的大规模知识图谱。经典的知识图谱如Wikidata、Freebase以及DBpedia等，使用三元组的形式存储实体和实之间的关系。每个三元组对应一条知识，例如(中国，首都是，北京)表示中国的首都是北京，其中“中国”被称作头实体，“北京”被称作尾实体，“首都是”被称为关系。

由于知识图谱的构建常通过自动化或半自动化的手段，已构建图谱可能存在知识不完整，知识错误等质量问题。针对知识不完整的问题，许多知识图谱表示学习算法被提出用于预测新知识补全已有知识图谱，主要有通过给定实体和关系预测缺失的实体，或给定两个实体预测它们之间可能存在的关系。针对知识错误的问题，包含不符合公理以及符合公理但知识内容不正确两种情况，主要通过知识不一致性推理实现错误知识的检测，以便进行错误更正。

知识图谱不一致性推理旨在检测错误的知识，它包含两类任务，一是检测一个三元组是否一致，二是检测三元组的某个公理是否一致，本质上都是对一个三元组进行二分类。首先，已有的对知识图谱中三元组进行不一致性推理的工作都需要借助知识库本体信息，或自定义一些模板。现有知识库通常没有定义好的本体，通过专家人工定义不仅时间成本高并且会产生定义的本体不完整的问题。其次，当前知识表示学习模型包括距离模型、语义模型以及神经网络模型等，将知识图谱嵌入到低维向量空间，将三元组中的实体和关系表示成低维向量。

以上这些方法通过向量计算得到三元组的得分从而判断一条知识是否正确，对应了三元组分类任务。同时，这些方法体现了知识表示学习算法和神经网络在知识图谱推理任务上具有优势。但这些方法只能对三元组进行一致性判断，无法细粒度判别三元组对应的公理是否一致，因此亟需一种通过检测三元组的某个公理是否一致来实现错误知识的检测，以便进行错误更正。

发明内容

本发明的目的就是提供一种基于神经网络的知识图谱不一致性推理方法，该方法不需要给定本体信息，利用神经网络学习不一致性公理，通过知识表示学习算法和神经网络判断一个三元组是否存在不一致性，在给定公理上是否存在不一致性。

为实现上述发明目的，本发明提供以下技术方案：

一种基于神经网络的知识图谱不一致性推理方法，包括以下步骤：

将三元组的实体表示和关系表示作为输入，利用知识表示学习算法对知识图谱中的三元组的实体表示和关系表示进行学习，同时计算三元组的表示得分，将三元组的实体表示和关系表示作为神经网络的输入，利用三元组通过神经网络对公理进行建模以学习用来表示相应的公理的神经网络的参数得到公理模型，利用公理模型获得三元组的公理预测值，基于三元组的表示得分和公理预测值实现三元组和对应公理不一致性的判断。