[发明专利]一种用于知识超图的可解释性链接预测方法

权利要求书

1.一种用于知识超图的可解释性链接预测方法，其特征在于，包括以下步骤：

步骤一、基于知识超图嵌入模型和马尔科夫逻辑网络构建可解释的知识超图表示学习模型；

步骤二、通过马尔科夫逻辑网络为知识超图的所有可观测元组和隐元组建立联合概率，以最大化可观测元组的对数似然为训练目标；采用变分EM算法优化对数似然函数的置信下界，包括：首先执行变分E步推理隐元组成立的概率，从而对所述的知识超图嵌入模型的参数进行优化，然后执行M步，根据变分E步推理所得隐元组成立概率值对所述的马尔科夫逻辑网络的逻辑规则权重进行调整，按照此顺序循环迭代变分E步与M步以完成可解释的知识超图表示学习模型的训练与验证；

步骤三、利用经过步骤二训练及验证后的可解释的知识超图表示学习模型对知识超图数据集进行链接预测，即将知识超图数据集中的一个隐元组作为该模型的输入，该模型的输出是：该隐元组成立的概率值和与该隐元组相连的实体和关系对该隐元组成立的贡献度。

2.根据权利要求1所述的用于知识超图的可解释性链接预测方法，其特征在于，步骤一的内容是：分别向所述知识超图嵌入模型和马尔科夫逻辑网络输入知识超图的可观测元组，同时，向所述马尔科夫逻辑网络输入与所述的知识超图的可观测元组相应的逻辑规则数据。

3.根据权利要求1所述的用于知识超图的可解释性链接预测方法，其特征在于，步骤二中，所述变分EM算法由变分E步和M步组成，并按照此顺序循环迭代变分E步与M步以完成可解释的知识超图表示学习模型的训练与验证；

执行变分E步时，将逻辑规则中的知识融入知识超图嵌入模型中，对所述的知识超图嵌入模型的参数进行优化；

执行M步时，将嵌入空间中的语义信息与逻辑规则结合，对所述的马尔科夫逻辑网络的逻辑规则权重进行调整。

4.根据权利要求1或2所述的用于知识超图的可解释性链接预测方法，其特征在于，对所述的知识超图嵌入模型的参数进行优化的内容包括；

2-1)调整变分分布优化函数并将知识超图嵌入模型融入变分E步训练中；

2-2)使用马尔科夫逻辑网络获得隐元组的真实后验分布，并采用采样方式优化马尔科夫毯的计算过程；

2-3)通过最小化变分分布和真实后验分布的KL散度以优化知识超图嵌入模型的参数值。

5.根据权利要求1或2所述的用于知识超图的可解释性链接预测方法，其特征在于，对所述的马尔科夫逻辑网络的逻辑规则权重进行调整的内容包括：

3-1)采用伪似然函数作为优化对象，通过优化伪似然函数来最大化对数似然函数以调整逻辑规则权重值；

3-2)采用随机梯度下降方法计算逻辑规则的梯度，并更新权重值。