[发明专利]面向多源知识图谱融合的实体对齐方法、装置与系统

权利要求书

1.一种面向多源知识图谱融合的实体对齐方法，其特征在于，包括：

提取知识图谱中实体的实体特征，根据所述实体的实体特征生成实体嵌入矩阵，并根据所述实体嵌入矩阵获取所述知识图谱的实体表示；

根据所述实体表示计算所述实体与所述相邻实体的关系信息，并根据所述关系信息增强所述实体表示，以得到所述知识图谱的完整实体表示；

根据所述完整实体表示获取完整实体嵌入矩阵，根据所述完整实体嵌入矩阵获取最终实体嵌入矩阵；

根据所述最终实体嵌入矩阵和数据集计算损失函数；

根据所述损失函数和实体的属性信息，采用双向全局过滤策略生成样本集，并根据所述样本集对神经网络模型进行迭代训练，使得训练后的神网络模型具有对齐和融合多个知识图谱的能力，其中，所述样本集包括迭代正样本集和迭代负样本集。

2.如权利要求1所述的面向多源知识图谱融合的实体对齐方法，其特征在于，还包括：

dropout网络和跨层highway网络；

其中，使用highway网络混合两种不同的实体嵌入矩阵，其中，

α＝sigmoid(X^(a)W+b)，

X^(out)＝(1-α)X^(a)+αX^(b)，

其中，X^(a)，X^(b)是两个实体嵌入矩阵，X^(out)是highway网络的输出，W和b分别是线性层的权重矩阵的偏置矢量，α是门控权重向量；

将所述highway网络的输出X^(out)输入dropout网络，以得到混合特征，将所述混合特征输入到图注意力网络GAT，所述图注意力网络GAT输出为：

其中，是第l层GAT输出的实体ei的嵌入表示，是第l-1层GAT输出的实体e_j′的嵌入表示，α_ij表示实体e_i的相邻实体的注意力权重，a是可训练的参数向量，维数为2d_e×1，a^T表示参数向量的转置，[*||*]表示拼接运算，exp(x)＝e^x，LeakyReLU是激活函数，LeakyReLU(x)＝max(x，0)+0.01*min(x，0)，Ni表示实体ei的所有相邻实体组成的集合。

3.如权利要求2所述的面向多源知识图谱融合的实体对齐方法，其特征在于，根据所述实体表示计算所述实体与所述相邻实体的关系信息，并根据所述关系信息增强所述实体表示，以得到所述知识图谱的完整实体表示，包括：

将每个关系r_k的语义分为两部分，与头实体相关的部分和与尾实体相关的部分每个实体x的表示可以拆分为x^h＝x^(PAN)W^h和x^t＝x^(PAN)W^t，其中W^h，是权重矩阵，d_r是关系嵌入维数，x^(PAN)是来自原始聚合层输出的嵌入矩阵X^(PAN)的实体嵌入；

采用所述图注意力网络GAT将实体信息传播到关系，

其中，是基于关系头语义的实体e_i作为头实体的部分表示，是与头实体e_i相关的关系列表，α_ik表示关系r_k关于头实体e_i的注意力权重；

从计算出和从计算出

使用所述Highway网络自动平衡和中的信息，并通过拼接获得e_i的完整实体表示

4.如权利要求3所述的面向多源知识图谱融合的实体对齐方法，其特征在于，根据所述完整实体表示获取完整实体嵌入矩阵，根据所述完整实体嵌入矩阵获取最终实体嵌入矩阵，包括：

使用回响网络输出所述完整实体对应的完整实体嵌入矩阵X^(EN)，并输出所述最终实体嵌入矩阵