[发明专利]一种引入语义约束条件的课程知识图谱联合嵌入方法

说明书

本发明涉及一种引入语义约束条件的课程知识图谱联合嵌入方法，属于计算机领域。所述方法包括以下步骤：第一步：定义课程知识图谱的实体和关系形成结构化数据并进行结构信息嵌入；第二步：编码课程背景信息中的目录文本信息形成目录信息嵌入；第三步：根据课程的简介信息提出相同课程类别下语义约束条件；第四步：在结构嵌入、目录嵌入和语义约束条件下设计新的损失函数，提出联合嵌入方法。本发明充分利用教育知识图谱的背景信息，不仅使实体和关系的嵌入更加准确，而且还能使实体在向量空间呈现聚类效果，进而提高实体分类任务的准确性，更好地适用于教育场景的下游任务。

技术领域

本发明属于计算机领域，涉及一种引入语义约束条件的课程知识图谱联合嵌入方法。

背景技术

知识图谱作为推动人工智能从计算智能、感知智能到认知智能发展的核心驱动力，能为教育信息化2.0时代的教学改革提供新的赋能，为智能教育信息系统的研发特别是个性化知识导航提供有效的知识信息管理。教育知识图谱的构建可以从知识组织视角出发、从学习者认知视角出发和从知识服务视角出发。课程知识图谱是从知识组织视角出发，通过图结构将课程数据组织起来，为下游任务做准备。

现有的知识图谱大多数以图结构的形式进行存储和使用，但是其难以被直接应用于大规模人工智能模型和下游任务中，限制了知识图谱的使用范围，因此需要通过知识图谱嵌入模型进行向量表示。

知识图谱结构嵌入模型一般分为以TransE为代表的平移距离模型和以RESCAL为代表的语义匹配模型。平移距离模型利用了基于距离的评分函数，通过两个实体之间的距离对事实的合理性进行度量。现有的基于平移距离的模型主要有TransE、TransH、TransR、TransD和RotatE等。语义匹配模型是利用基于相似度的评分函数，通过匹配实体的潜在语义和向量空间表示中包含的关系来度量事实的合理性。现有的基于语义匹配的模型主要有RESCAL、DistMult、HolE和SME等。

知识图谱的联合嵌入模型是在结构信息嵌入的基础上，融入描述实体或关系的背景文本信息进行嵌入，增强嵌入向量的语义表达，提升知识图谱嵌入的准确性。现有的联合嵌入模型主要有：

文献[Wang Z,Li J,Liu Z,et al.Text-enhanced representation learningfor knowledge graph[C]//Proceedings ofInternational Joint Conference onArtificial Intelligent.2016:4-17]提出TEKE模型，在Trans系列结构嵌入的基础上，设计实体和文本的共现网络来捕捉实体的上下文信息，并通过共现网络中词向量的加权平均来作为背景信息进行联合嵌入。该模型能有效地关注文本中的上下文信息，但缺乏对结构信息中蕴含的上下文信息关注。

文献[Yao S,Wang R,Sun S,et al.Joint embedding learning of educationalknowledge graphs[J].ArtificialIntelligence SupportedEducationalTechnologies,2020:209-224]提出的模型，其使用基于Transformer的BERT语言模型来对文本信息进行编码，可以实现更加准确的文本信息嵌入，通过门控循环单元(Gated Recurrent Unit,GRU)结合结构信息和文本信息来实现联合嵌入。GRU单元可以实现更加充分的联合嵌入，但其对头实体、关系和尾实体分别使用独立的GRU单元进行训练，当同一个实体分别为不同三元组中的头实体和尾实体时，两个GRU单元对同一实体的向量表示可能存在较大差异，从而影响链接预测的性能。

现有技术“一种基于属性聚合的知识图谱嵌入方法及其存储介质”的思想是将知识图谱中的属性聚合并转化为实体，防止知识图谱嵌入过程中属性信息的丢失，使得知识图谱嵌入结果可以适用于属性推理。但这种方式扩充了知识图谱中三元组的数据量，衍生出更多相同关系的三元组，使得模型对复杂关系的拟合带来了困难。