[发明专利]一种基于事实上下文的知识图谱补全方法及系统

权利要求书

1.一种基于事实上下文的知识图谱补全方法，其特征是：包括以下步骤：

对知识图谱中的实体、关系进行编码处理和嵌入表示，获得实体和关系的表示向量；

利用特征提取模型，根据实体和关系的向量提取头实体、尾实体、关系在事实中的正向和反向序列依赖特征，得到事实的正向和反向嵌入向量表示；

对事实的正向和反向的嵌入向量表示进行特征融合，最终得到事实的整体嵌入向量表示；

基于深度神经网络对事实整体的嵌入向量表示和当前事实下的实体和关系进行特征融合，使实体和关系映射到对应的事实空间中；

基于深度神经网络构造事实评估模型，通过预训练后的事实评估模型生成与正样本保持近似语义的负样本，利用激活函数评价其合理性，选择符合要求的负样本作为知识图谱补全模型的负样本；

在负采样过程中，通过在替换实体构造负样本的过程中设置一个较高的概率使替换的实体与原事实的实体类别相一致，随后，通过替换实体而构造出来的初始负样本集合输入到预训练好的负样本评估模型中，负样本评估模型将得到这些负样本的对应分数并选择可信度较高的K个负样本作为负样本候选集，最后将在候选集中通过随机选择的方式生成最终的负样本来完成知识图谱补全任务；

构造基于空间距离的评分函数和激活函数的评分函数，通过计算头实体、关系、尾实体的嵌入向量表示的对应的空间距离以及激活函数输出数值来判断由当前实体和关系构成的事实的合理性；

通过事实的合理性分数构造损失函数并计算相应误差，通过误差的反向传播算法更新模型的可学习参数，完成模型的训练，利用训练好的模型处理判别新的事实的合理性分数，将满足设定条件的事实加入到知识图谱中，完成知识图谱补全。

2.如权利要求1所述的一种基于事实上下文的知识图谱补全方法，其特征是：对知识图谱中的实体、关系进行编码处理和嵌入表示的具体过程包括：构建索引代替实体和关系名称并通过实体和关系的索引来对实体和关系进行嵌入表示学习，将实体和关系嵌入到向量空间中，获得实体和关系的表示向量。

3.如权利要求1所述的一种基于事实上下文的知识图谱补全方法，其特征是：利用特征提取模型，根据实体和关系的向量提取头实体、尾实体、关系在事实中的正向和反向序列依赖特征的具体过程包括：构造Bi-GRU，并将实体和关系的向量表示按照头实体、关系、尾实体的顺序输入到Bi-GRU中，通过Bi-GRU提取头实体、尾实体、关系在事实中的正向和反向序列依赖特征。

4.如权利要求1所述的一种基于事实上下文的知识图谱补全方法，其特征是：对事实的正向和反向的嵌入向量表示进行特征融合的具体过程包括：将所述事实的正向和反向的嵌入向量表示输入到卷积神经网络当中，通过卷积神经网络对事实的正向和反向的嵌入向量表示进行特征融合。

5.如权利要求1所述的一种基于事实上下文的知识图谱补全方法，其特征是：使实体和关系映射到对应的事实空间中的具体过程包括：构造基于事实的嵌入模型和基于事实的知识卷积神经网络嵌入模型，使实体和关系获得当前事实的上下文语境。

6.如权利要求1所述的一种基于事实上下文的知识图谱补全方法，其特征是：利用激活函数评价其合理性，选择符合要求的负样本作为知识图谱补全模型的负样本的具体过程包括：

通过sigmod激活函数得到当前负样本的合理性分数，通过使用训练数据集对其进行预训练；

根据负样本合理性分数对负样本进行排序，基于TopK算法构造负样本候选集，最终在负样本候选集中进行随机选择来作为知识图谱补全模型的负样本。

7.如权利要求1所述的一种基于事实上下文的知识图谱补全方法，其特征是：通过事实的合理性分数构造损失函数并计算相应误差的具体过程包括：通过事实的合理性分数构造最大边界损失函数和交叉熵损失函数并计算相应误差，通过误差的反向传播算法更新模型的可学习参数。