[发明专利]一种基于动态翻译的知识图谱表示学习方法

说明书

本发明公开了一种基于动态翻译的知识图谱表示学习方法，主要解决了TransE模型在处理复杂关系时效率不高的问题；针对TransE存在的问题，提出了一种基于动态翻译与超平面投影的表示学习方法。首先，将动态翻译与向量嵌入进行结合，得到新的翻译原则，使翻译的原则更加灵活；接着引入投影到特定关系超平面的机制，使得实体在不同关系中有不同的角色，提高模型处理复杂关系的性能；最后在训练模型时，采用新的抽样策略，不同的概率来替换头尾实体；在进行实体替换时需要选用语义最相似的实体，达到显著提升对实体的区分度的效果。该方法将动态翻译和超平面投影相结合，很好解决了TransE处理复杂关系性能不佳的问题。

技术领域

在本发明属于知识图谱表示学习领域，涉及一种基于动态翻译的知识图谱 表示学习方法。

背景技术

知识图谱是一种用图模型来描述知识和建模世界万物之间的关联关系的 技术方法，属于语义层面的知识库，通常以网格的形式出现。在网格中，节点表 示实体，节点之间的边表示关系，并使用三元组(h,r,t)进行知识的表示。知识 图谱最早的应用是提升搜索引擎的能力。随后，知识图谱在辅助智能问答、自然 语言处理、大数据分析、推荐计算、物联网互联、可解释性人工智能等方面展现 出丰富的应用价值。其中，知识表示是这些应用的基础。然而，由于知识的不断 积累，知识库规模扩展非常快，知识形式也变得越来越多样化。以三元组的形式 对知识进行表示的弊端越来越明显，例如实体间语义关系的推理变得越来越难、 数据稀疏性问题变得越来越严重、计算的复杂性变得越来越高、运用到大型的知 识图谱上变得越来越困难。

近年来，以知识表示为代表的知识表示学习取得了新的研究进展，提出 了将稀疏的三元组(h,r,t)语义信息投射到低维稠密的向量空间，将实体与关系 的推理转变为对象间距离的计算。对象间计算的距离越小，则实体越相似。同时， 知识表示学习通过对实体与关系进行学习，能够解决传统知识表示方法面临的数 据稀疏、知识推理困难等问题，并且促进了知识获取、实体消岐性能的不断提升。

考虑到上述的优点，研究者们提出了若干知识表示模型，现有方法中， 受word2vec模型中词向量在语义空间的平移不变现象启发而提出的TransE模型 最著名。TransE在取得较好预测表现的同时保持了简单、高效的特点，但它在 处理复杂属性时的表现并不佳。例如在处理一对多、多对一、多对多和自反等复 杂关系时存在局限性，不能很好地区分具有相同关系的实体。

发明内容

在本发明提供一种基于动态翻译的知识图谱表示学习方法，该方法解决了TransE模型不能处理一对多、多对一、多对多和自反等复杂关系时存在局限性， 不能很好地区分具有相同关系的实体。

为达到上述发明目的，本发明提出一种基于动态翻译的知识图谱表示学习 方法：该方法包括以下步骤：

S1、将动态翻译技术和向量嵌入相融合，得到新的翻译原则；

S2、引入投影到特定关系超平面的机制，使得实体在不同关系中有不同的 角色；

S3、基于深度学习进行训练，训练此时知识图谱中实体和关系的新的向量 表示。

优选的，所述步骤S1中，对于所有的三元组(h,r,t)，假设h和r的嵌入 是给定的，那么可以降低约束，使t是一个平面范围，而不是由TransE模型确 定的一个固定向量或一组相同方向的向量；同样，假设h和t的嵌入是给定的， 那么r的范围可以表示一个平面；假设r和t的嵌入是给定的，那么h的范围也 可以表示为一个平面；将动态翻译模型与TransE模型相结合后，重新定义的翻 译原则为：

(h+α_h)+(r+α_r)≈(t+α_t)#(1)

其中，h为头实体向量，r为关系向量，t为尾实体向量，α_h、α_r和α_t分别为经过动态翻译后得到的头实体、关系和尾实体的向量表示。