[发明专利]一种使用共享参数卷积神经网络的知识图谱表示方法

说明书

本发明提供了一种使用共享参数卷积神经网络的知识图谱表示方法；包括如下步骤：将实体表示向量变换成二维的实体表示矩阵；将关系表示向量设置为卷积层的参数；将实体表示矩阵通过两层卷积层，再通过一层全连接层，得到特征向量；将特征向量与实体嵌入层的参数做点积，得到分类概率。本发明使用的共享参数方法，在两层卷积网络中使用了相同的参数，降低了空间资源开销，相比于两层不同参数的卷积网络，使得参数得到充分训练，提升了表示效果，并提高了使用本发明生成的表示向量进行关系预测任务的准确率。

技术领域

本发明属于人工智能领域；尤其涉及一种使用共享参数卷积神经网络的知识图谱表示方法。

背景技术

随着互联网和大数据时代的到来，信息的爆炸式增长带来了海量的信息冗余，这种从信息缺失到信息过剩的转变，给人们快速高效地获取知识带来了干扰。2012年，谷歌将知识图谱技术融合到其搜索引擎中，从海量网页中抽取命名实体及其属性，并提取它们之间的关系，进行重新整合，大大提升了其搜索效率，知识图谱的热度也随之上升。

知识图谱是描述现实世界概念、实体及其关系的知识库，它采用三元组来表示知识，其构成形式为(实体a，关系，实体b)。实体指的是抽象的概念或具体的实例，关系指的是实体之间存在的某种联系。这样的关系使其可以基于图的结构来表示：其中图的节点表示实体或概念，节点之间的边表示实体或概念之间的关系。也可以这样说，知识图谱是一种描述知识的语义网络。

现有大型知识图谱，诸如Wikidata、Yago、DBpedia，富含海量世界知识，但在其构建过程注定会使其中包含的知识不具有完整性,即知识库无法包含全部的已知知识.此时知识图谱补全技术就显得尤为重要,任何现有的知识图谱都需要通过补全来不断完善知识本身,甚至可以推理出新的知识。

近年来，表示学习在知识图谱上的运用获得了巨大成功，显著提高了知识图谱的表示与自动补全性能。表示学习使用分布式表示方法，将实体与关系映射到低维连续向量空间中，解决了之前知识图谱表示学习中的稀疏性问题，同时也提高了效率。但是，现有的知识图谱表示学习方法会初始化两种维度的关系表示矩阵，往往面临参数量过多，空间复杂度高，训练效率低下的问题，无法应用到实际场景。因此本发明使用参数共享卷积的表示学习方法，将关系表示作为卷积核参数，直接与实体表示进行卷积运算交互，输出的结果作为知识图谱补全的依据。

发明内容

本发明的目的是提供了一种使用共享参数卷积神经网络的知识图谱表示方法。

本发明是通过以下技术方案实现的：

本发明涉及一种使用共享参数卷积神经网络的知识图谱表示方法，包括如下步骤：

将实体表示向量变换成二维的实体表示矩阵；将关系表示向量设置为卷积层的参数；将实体表示矩阵通过两层卷积层，再通过一层全连接层，得到特征向量；将特征向量与实体嵌入层的参数做点积，得到分类概率。

具体步骤为：

数据预处理：