[发明专利]一种基于3D卷积的知识图谱自适应补全方法及设备

说明书

本申请公开了一种基于3D卷积的知识图谱自适应补全方法及设备，包括：基于知识库数据提取三元组信息；基于所述三元组集合构建头实体向量、关系向量、尾实体向量；将所述关系向量重塑为3D矩阵；以及将所述头实体向量拆分为数个块向量，并将拆分的任一块向量重塑为3D卷积的滤波器；将所述3D矩阵作为卷积层的输入，基于构造的滤波器对输入进行卷积，以基于任一所述滤波器生成对应的卷积特征图；将各卷积特征图展平并堆叠成一个目标向量；利用全连接层将所述目标向量投影到关系向量的向量空间，并与尾实体向量进行内积，以获得知识向量；利用所述知识向量对知识图谱进行补全。本申请的方法解决现有的方法实体和关系之间的交互和特征提取不够充分的问题。

技术领域

本申请涉及知识图谱技术领域，尤其涉及一种基于3D卷积的知识图谱自适应补全方法及设备。

背景技术

知识图谱，又称知识库，是一种节点表示实体，边表示关系的特殊的网络结构。它最初被谷歌用于优化搜素引擎返回的结果，以提高搜素质量和用户体验。知识图谱能有效的表示数据资源，高效低查找复杂关联信息，具有杰出的语义处理能力，因此一经提出就受到广泛低关注与研究。随着知识图谱的规模不断扩大，却受困于数据稀疏问题，知识完备性远远不能达到要求，因此知识图谱补全的任务迫在眉睫。知识图谱补全的目的就是寻找未被发现但真实存在的事实，向知识图谱添加新的三元组，弥补缺失的实体和关系信息，依次扩充和完善知识图谱。知识表示学习是实现知识图谱补全的高效手段，往往知识表示学习模型的性能影响着知识图谱补全的效果。

基于神经网络的模式是一种典型的知识表示方法，该类模型对实体和关系进行深层次的建模操作，这种模型在知识图谱补全任务上具有较高的准确度。但是现有的基于神经网络的模型大多只利用一维或者二维卷积对实体和关系进行运算，且未能充分的将实体-关系间进行最大化交互，仅仅只能捕捉少量的特征。

发明内容

本申请实施例提供一种基于3D卷积的知识图谱自适应补全方法及设备，用以解决现有的方法实体和关系之间的交互和特征提取不够充分的问题。

本申请实施例提供一种基于3D卷积的知识图谱自适应补全方法，包括：

基于知识库数据提取三元组信息，形成包括头实体、关系、尾实体的三元组集合；

基于所述三元组集合构建头实体向量、关系向量、尾实体向量，其中头实体向量和尾实体向量属于同一向量空间；

将所述关系向量重塑为3D矩阵；以及

将所述头实体向量拆分为数个块向量，并将拆分的任一块向量重塑为3D卷积的滤波器，且所述滤波器的尺寸、所述滤波器的数量与头实体向量的维度呈对应关系；

将所述3D矩阵作为卷积层的输入，并利用Conv3D-E基于构造的滤波器对输入进行卷积，以基于任一所述滤波器生成对应的卷积特征图；

将各卷积特征图展平并堆叠成一个目标向量；

利用全连接层将所述目标向量投影到关系向量的向量空间，并与尾实体向量进行内积，以获得知识向量；

利用所述知识向量对知识图谱进行补全。

可选的，所述滤波器的尺寸、所述滤波器的数量与所述头实体向量的维度呈如下对应关系：

d_e＝chwl

其中，d_e表示头实体向量的维度，c为滤波器的数量，h,w,l分别表示每个滤波器的高、宽和长。

可选的，基于任一所述滤波器生成对应的卷积特征图包括：

利用任一所述滤波器生成对应的特征图，且任一所述滤波器生成的特征图属于向量空间其中分别表示3维矩阵长、宽、高的维度；

将生成的特征图进行非线性函数ReLU运算，以生成卷积特征图。