[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

说明书

本申请实施例属于人工智能技术领域，涉及一种基于蚁群算法的知识图谱补全方法及其相关设备，包括对语料文档进行实体识别操作，获得实体，基于实体构建知识图谱，知识图谱包括实体节点和边节点；将实体节点和边节点输入向量转换模型，获得实体嵌入向量和边嵌入向量；基于实体嵌入向量和边嵌入向量，计算推理模型从当前实体节点到下一个实体节点的运动概率，将推理模型按照运动概率进行迭代推理，直至达到停止条件；迭代推理后，从推理模型经过的路径中确定最短路径，判断是否达到最大迭代次数，若是，根据最短路径补全知识图谱，获得目标知识图谱。本申请提高了补全知识图谱的效率。

技术领域

本申请涉及人工智能技术领域，尤其涉及基于蚁群算法的知识图谱补全 方法及其相关设备。

背景技术

近年来，知识图谱已经在金融、电商、医疗等多个领域得到了广泛应用， 但构建知识图谱的成本很高，容易出现节点之间关系的缺失，譬如在著名的 知识图谱Freebase中，66％的人都是缺少出生地这一关系的。因此需要做知 识图谱实体补全(又叫知识图谱推理)。给定知识图谱中需要补全的三元组 头实体h，关系r，？，需要在整个知识图谱中进行搜索，经过若干中间实体 的传递，最终找到满足关系r要求的尾实体t，从而形成完整的三元组h，r，t。

PRA(Path Ranking Algorithm)算法目前具有代表性的一种知识图谱补 全方法。该算法的主要思想是：从某个节点出发，采用随机游走(每一步选 择与上一个节点有连接关系的一个节点)方式，进行深度优先搜索得到候选 路径，且用连接两个实体的路径作为特征，来预测两个实体之间的关系。学 习阶段分为特征抽取、特征计算和构造分类器三个部分。当知识图谱节点数 量巨大时，PRA算法采用的随机游走方式计算效率低，效果不佳。

发明内容

本申请实施例的目的在于提出一种基于蚁群算法的知识图谱补全方法及 其相关设备，提高了计算机补全知识图谱的效率。

为了解决上述技术问题，本申请实施例提供一种基于蚁群算法的知识图 谱补全方法，采用了如下所述的技术方案：

一种基于蚁群算法的知识图谱补全方法，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。

进一步的，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。

进一步的，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。

进一步的，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：