[发明专利]一种采用注意力机制的循环神经嵌入表示方法

权利要求书

1.一种采用注意力机制的循环神经嵌入表示方法，其特征在于，包括如下步骤：

S1，构建基于随机游走的方法对知识图谱中以三元组中两实体为两端进行多跳路径的提取，多跳路径包括关系路径和实体路径；

构建基于随机游走的方法，以知识图谱中三元组的两实体为起始点和终止点，对知识图谱进行多跳路径提取，多跳路径包括关系路径和实体路径；

S2，利用循环神经网络在序列中的效果，进而将多跳实体路径嵌入表示成其对应的多跳实体路径向量，多跳关系路径嵌入表示成其对应的多跳关系路径向量，根据注意力机制用来实现对以知识图谱中三元组两端构成的实体子图和关系子图的向量表示；

利用循环神经网络在序列中的效果，将多跳路径中关系路径嵌入表示成多跳关系路径向量，将多跳路径中实体路径分别嵌入表示成多跳实体路径向量，使用注意力机制得到多跳关系路径向量与三元组嵌入关系向量之间的相关性权重，实现关系子图的向量表示，同样，使用注意力机制得到多跳实体路径向量与三元组嵌入实体向量之间的相关性权重，实现实体子图的向量表示；

其中，步骤S1具体包括：

S11，定义相关概念，其中包括子图、关系子图、实体子图、多跳实体路径、多跳关系路径和三元组基本概念的描述；

S12，序列获取，利用随机游走获取多跳实体序列和多跳关系序列，以序列作为循环神经网络的输入，其中，对于子图，子图相似性取决于实体子图中的多跳实体序列和的单跳实体序列之间的相似性和关系子图中的多跳实体序列和的单跳关系序列之间的相似性，获取给定的两实体之间的序列，基于实验的基础上选择最优的跳数，在实际构建社区时设置序列最大跳数，综合考虑获取多跳序列集合的获取时间和子图序列相似性，通过实验找到最优的；

S13，序列向量表示，利用循环神经网络在序列中表现以实现多跳序列的表示向量；

步骤S2中根据注意力机制用来实现对以知识图谱中三元组两端构成的实体子图和关系子图的向量表示，其向量表示的过程为：

子图向量表示，使用注意力机制得到子图中多跳序列与三元组之间的相关性权重，获取最后的多跳序列构成的关系子图和实体子图的向量表示。