[发明专利]一种基于多视角推理的弱监督知识图谱问答方法

权利要求书

1.一种基于多视角推理的弱监督知识图谱问答方法，其特征在于，该方法包含以下步骤：

步骤1）将自然语言问题链接到知识图谱中的实体，并通过实体查询知识图谱获取问题对应的子图；

步骤2）通过知识图谱表示学习算法TransE将知识图谱中的三元组映射到向量空间，学习每个实体和关系和向量表示；

步骤3）通过预训练模型BERT获取自然语言问题的句子向量表示和步骤1）中子图的每个关系向量表示；

步骤4）通过步骤3）中的句子向量表示获取部分语义向量；

步骤5）通过计算步骤4）给出的部分语义向量与步骤3）给出的关系向量的相似度得分，以及部分语义向量在步骤2）中学习到的知识图谱表示学习算法的得分；

步骤6）利用步骤5）给出的相似度得分和表示学习算法得分计算在步骤1）中子图里的每条推理路径的联合推理概率；

步骤7）在大量数据上，通过mini-batch梯度下降的方式来训练初始模型，利用核采样算法选择步骤6）给出的概率和大于阈值的推理路径集合来计算损失分数更新参数，获得经过第一阶段优化的核心路径推理模型；

步骤8）在大量数据上，通过mini-batch梯度下降的方式来训练通过步骤7）给出的模型，通过步骤6）的模型概率计算公式，计算得到步骤7）核采样路径中概率最大的路径，利用该路径来计算损失分数更新参数，获得第二阶段优化的核心路径推理模型。

2.根据权利要求1所述的基于多视角推理的弱监督知识图谱问答方法，其特征在于，步骤1）中将自然语言问题利用实体链接算法链接到知识图谱中的实体，然后利用实体在知识图谱中检索，获取T跳以内的子图。

3.根据权利要求1所述的基于多视角推理的弱监督知识图谱问答方法，其特征在于，步骤2）中，通过知识图谱表示学习算法TransE将知识图谱中的实体和关系映射到低维的向量空间中，获得每个实体和关系和向量表示，对于知识图谱中的正确三元组（h，l，t）和负采样的错误三元组（h’，l，t’），通过代价函数在每个mini-batch更新的实体h、t和关系l的向量：

d()表示距离计算函数。

4.根据权利要求1所述的基于多视角推理的弱监督知识图谱问答方法，其特征在于，步骤3）通过预训练模型BERT获取自然语言问题q的句子向量表示E_q和步骤1）中子图的每个关系r的向量表示E_r，自然语言问题q和关系r都由多个单词组成，E_q和E_r为单词向量之和取平均。

5.根据权利要求1所述的基于多视角推理的弱监督知识图谱问答方法，其特征在于，步骤4）对步骤3）中的句子向量表示E_q获取部分语义向量C_t，部分语义向量C_t表示第t步推理关注的问题语义信息，它由一个记忆单元决定，部分语义向量C_t的计算公式为：

其中W_z、W_r和W为随机初始化的权重矩阵，sigmoid和tanh为非线性激活函数。

6.根据权利要求1所述的基于多视角推理的弱监督知识图谱问答方法，其特征在于，步骤5）使用点积计算步骤4）给出的部分语义向量C_t与步骤3）给出的关系向量E_r的相似度得分S_m：

；

以及部分语义向量C_t在步骤2）中学习到的知识图谱表示学习算法TransE里的三元组得分S_φ：

其中φ()表示TransE计算三元组的得分函数，E_ei和E_ej是三元组的头实体向量和尾实体向量，V_q是随机初始化的转换矩阵M_c和C_t的点积结果。