[发明专利]一种基于知识图谱推理的预测方法和系统

说明书

提供了一种基于知识图谱推理的预测方法和系统，所述方法包括：对知识图谱进行增广以获得增广知识图谱，其中，所述知识图谱包括结点和边，所述结点指示实体，所述边指示该边所连接的结点之间的关系并且为有向边，所述知识图谱中长度未超过L的关系路径在所述增广知识图谱中被增广到长度L；基于所述增广知识图谱，获取关于查询的关系有向图的表达，其中，所述查询包括查询实体、查询关系和应答实体，所述关于查询的关系有向图包括针对不同候选应答实体的候选关系有向图；基于所述关系有向图的表达建立针对所述知识图谱的损失函数；基于所述损失函数对所述知识图谱的图网络模型进行训练；利用训练完成的图网络模型来预测所述查询中的应答实体。

技术领域

本申请涉及人工智能领域中的知识图谱嵌入技术，更具体地讲，涉及一 种基于知识图谱推理的预测方法和系统。

背景技术

随着信息网络技术的快速发展，各种信息网络数据内容呈现爆炸式增长 的态势。这样的内容通常具有大规模、异质多元、组织结构松散的特点，给 人们有效获取信息和知识提出了挑战。知识图谱(KG，Knowledge Graph)是语 义网络的知识库，能够用可视化技术描述知识资源及其载体，并挖掘、分析、 构建、绘制和显示知识及它们之间的相互联系。

知识图谱作为一种特殊的图形结构，包括实体(entity)和关系(relation)， 实体作为结点，关系作为有向边。在知识图谱中，每个边可被表示为具有(头 部实体，关系，尾部实体)这一形式的三元组(h，r，t)，以指示两个实体h (即，头部实体)和t(即，尾部实体)通过关系r连接，例如(NewYork， isLocatedIn，USA)可表示NewYork位于USA。

知识图谱推理(KGR，Knowledge Graph Reasoning)旨在利用图中已有 信息从现有事实(facts)推导未知的事实。对于一个预测事实，通常需利用 其包含的结点和关系周围的语义或结构信息进行推理。图谱中的推理任务可 分为两种，转换推理(transductivereasoning)，即在已有结点范围内进行事实 推理，和归纳推理(inductive reasoning)，即在训练阶段未知的结点上进行事 实推理。

现有技术通常采用基于关系路径的方法来进行推理，然而，路径在捕获 知识图谱中的复杂拓扑方面受到限制。此外，现有技术的知识图谱嵌入模型 通常只利用了语义信息，且对每个结点需要单独学习一个嵌入(embedding)， 对于预测阶段的新结点，由于训练阶段没有学习到对应的嵌入，无法进行这 类场景下的归纳推导，同时无法对推理结构进行解释。此外，尽管有研究表 明可以利用基于关系的规则进行归纳推导(由于规则不受具体结点所限，所 以可以拓展到不同结点的预测)，但由于没有利用图结构信息，丢失了原图的重要性质，在转换推理任务上表现一般。因此，需要一种能够充分保留知识 图谱的结构信息的高效的基于知识图谱推理的预测方法。

发明内容

根据本发明的实施例，提供了一种基于知识图谱推理的预测方法，所述 方法包括：对知识图谱进行增广以获得增广知识图谱，其中，所述知识图谱 包括结点和边，所述结点指示实体，所述边指示该边所连接的结点之间的关 系并且为有向边，所述知识图谱中长度未超过L的关系路径在所述增广知识 图谱中被增广到长度L；基于所述增广知识图谱，获取关于查询的关系有向 图的表达，其中，所述查询包括查询实体、查询关系和应答实体，所述关于 查询的关系有向图包括针对不同候选应答实体的候选关系有向图；基于所述 关系有向图的表达建立针对所述知识图谱的图网络模型的损失函数；基于所 述损失函数对所述知识图谱的图网络模型进行训练；利用训练完成的图网络 模型来预测所述查询中的应答实体；其中，所述候选关系有向图为L层的有 向图，查询实体被设置为位于所述候选关系有向图中的第0层的源结点，对 应候选应答实体被设置为位于所述候选关系有向图中的第L层的汇聚点，所 述候选关系有向图中的所有边的方向沿从源结点指向汇聚点的方向，并且从 源结点到汇聚点的任意一条路径对应于增广知识图谱上从查询实体到对应候 选应答实体的一条长度为L的关系路径，其中，L是正整数。