[发明专利]基于蚁群算法的知识图谱补全方法及其相关设备

权利要求书

1.一种基于蚁群算法的知识图谱补全方法，其特征在于，包括下述步骤：

接收语料文档，对所述语料文档进行实体识别操作，获得多个实体，基于所述实体构建知识图谱，其中，所述知识图谱包括实体节点和边节点；

将所述实体节点和所述边节点分别输入至预训练的向量转换模型中，分别获得输出的实体嵌入向量和边嵌入向量；

基于所述实体嵌入向量和所述边嵌入向量，计算推理模型从当前的实体节点到下一个实体节点的运动概率，将所述推理模型从任意实体节点出发，按照对应的运动概率在所述知识图谱中进行迭代推理，直至达到预设的停止条件，完成当前次迭代推理；

在每次迭代推理后，从所有所述推理模型经过的路径中确定出最短路径，并判断是否达到最大的迭代次数，若否，则继续进行所述迭代推理，直至达到最大的迭代次数，若是，则根据所述最短路径补全所述知识图谱，获得目标知识图谱。

2.根据权利要求1所述的基于蚁群算法的知识图谱补全方法，其特征在于，所述从所有所述推理模型经过的路径中确定出最短路径的步骤包括：

计算每个所述推理模型经过的总路径的语义距离，将语义距离最小的所述总路径作为最短路径。

3.根据权利要求1所述的基于蚁群算法的知识图谱补全方法，其特征在于，所述基于所述实体嵌入向量和所述边嵌入向量，计算推理模型从当前的实体节点到下一个实体节点的运动概率的步骤包括：

基于所述实体嵌入向量和所述边嵌入向量计算所述实体节点之间的语义距离，并计算所述实体节点之间的边的信息素的残留强度；

根据所述语义距离和所述信息素的残留强度计算所述运动概率。

4.根据权利要求3所述的基于蚁群算法的知识图谱补全方法，其特征在于，所述并计算所述实体节点之间的边的信息素的残留强度的步骤包括：

分别计算每个推理模型在一次迭代推理后，对实体节点之间的边贡献的信息素的增量；

根据所述信息素的增量计算每个所述推理模型对实体节点之间的边的信息素的残留强度，作为单一模型信息素残留强度；

分别对每个边对应的所述单一模型信息素残留强度进行加和，获得所述信息素的残留强度。

5.根据权利要求4所述的基于蚁群算法的知识图谱补全方法，其特征在于，根据如下公式计算所述单一模型信息素残留强度：

其中，为第t+1次迭代推理后，所述实体节点i和实体节点j之间边e_ij的单一模型信息素残留强度，ρ为预设参数，为一轮迭代推理后，一个推理模型对实体节点i和实体节点j之间边e_ij贡献的信息素的增量，为第t次迭代推理后，所述实体节点i和实体节点j之间边e_ij的单一模型信息素残留强度。

6.根据权利要求3所述的基于蚁群算法的知识图谱补全方法，其特征在于，所述根据所述语义距离和所述信息素的残留强度计算所述运动概率的步骤包括：

根据如下公式计算所述运动概率：

其中，为所述运动概率，AllowedNodes为不在预设的禁忌表中的实体节点的集合，所述禁忌表中存储有每个所述推理模型分别已经经过的实体节点，τ_ij(t)为实体节点i和实体节点j之间的边e_ij上的信息素的残留强度，η_ij为实体节点i和实体节点j之间的语义距离的倒数，α和β分别为预设参数。

7.根据权利要求1所述的基于蚁群算法的知识图谱补全方法，其特征在于，所述在将所述实体节点和所述边节点分别输入至预训练的向量转换模型中，分别获得输出的实体嵌入向量和边嵌入向量的步骤之后，还包括：

基于所述实体嵌入向量和所述边嵌入向量计算实体节点之间的语义距离；

根据预设的兴趣区域和所述语义距离确定每个所述实体节点的邻居节点；

所述直至达到预设的停止条件，完成当前次迭代推理的步骤包括：

直至形成的路径长度等于所述出发节点的邻接节点的数量或运动概率均为0，完成当前次迭代推理。