[发明专利]一种知识图谱表示系统及其实施方法

说明书

本发明公开了一种知识图谱表示模型及其方法，其涉及知识图谱表示技术领域，所述表示模型包括实体空间模块、优化函数模块、以及模型训练模块；所述实体空间用于表示实体特征的表示空间，其包括本征态空间和拟态空间；所述优化函数用于表示不同实体在翻译之后的距离，其包括距离计算和权重向量；所述模型训练模块用于特征训练并输出训练结果，所述训练结果用于进行知识图谱预测和分类。本发明基于动态表示空间的翻译模型，对每一个关系设置一个动态的表示空间，解决现有技术中表示模型无法区分不同关系空间的问题，提供了更为全面可靠的表示方法，并降低了模型的复杂度提高算法的效率，在实际应用中取得了较好的效果。

技术领域

本发明涉及知识图谱表示技术领域，具体涉及一种知识图谱表示系统及其实施方法。

背景技术

目前在世界范围内已有的知识图谱表示方法主要集中在利用人工构建的特征和基于RDF框架表示的特征。这些特征表示方法在进行知识表示方面存在效率低下，算法复杂等问题。近几年来，利用深度学习的方法提出了一系列的知识表示方法，但当前的训练的知识表示方法多少存在一些模型复杂度较高，或者训练效率较低的问题。

另外国内外的知识图谱表示方法代表性工作主要包括TransE(基于翻译的嵌入式模型)[1]，TransH(基于超平面的嵌入式模型)[2]，TransR(基于实体关系空间的嵌入式模型)[3]，CTransR(基于聚类和实体关系空间的嵌入式模型)[3]和TransD(基于动态映射矩阵的嵌入式模型)[4]等方法.上述方法被统称为基于翻译的知识表示模型。基于翻译的模型认为，对每个三元组(h,r,t)，其中的关系r是从头实体向量h到尾实体向量t的一个翻译操作，据此，Bordes等人率先提出了TransE(基于翻译的嵌入式模型)知识表示方法，TransE(基于翻译的嵌入式模型)通过欧氏距离上的偏移量来衡量计算实体之间的语义相似度，是一种简单基本的知识表示方法.它的优化目标是尽量使得h+r＝t，因此相应模型学习的得分函数是fr(h,t)＝||h+r-t||²，其中||h+r-t||²是h+r-t的2阶范数，即欧氏距离。TransH(基于超平面的嵌入式模型)方法建立了一个面向关系的超平面，它由一个法向量n_r和翻译向量r表示，头实体向量h和尾实体向量t首先被投影到关系的超平面，得到向量h_⊥＝h-n_r^Thn_r和t_⊥＝t-n_r^Thn_r.因而，TransH(基于超平面的嵌入式模型)的优化目标变为h_⊥+r＝t_⊥，相应的其得分函数修改为f_r(h,t)＝||h_⊥+r-t_⊥||²。TransR(基于实体关系空间的嵌入式模型)和CTransR(基于聚类和实体关系空间的嵌入式模型)希望通过建立一个映像矩阵M_r和一个向量r来表示每一个关系r，具体地，TransR(基于实体关系空间的嵌入式模型)将头实体向量h和尾实体向量t通过矩阵映射到关系向量r的层次上，得到M_rh+r＝M_rt，也即TransR(基于实体关系空间的嵌入式模型)的优化目标，TransD(基于动态映射矩阵的嵌入式模型)以向量操作取代了TransR(基于实体关系空间的嵌入式模型)中的矩阵与向量的乘法操作，提高了算法效率。