[发明专利]一种知识图谱的链路预测方法及系统

说明书

本发明属于知识图谱链路预测领域，提供了一种知识图谱的链路预测方法及系统。其中，该方法包括获取知识图谱中的实体向量和关系嵌入向量；生成所述实体向量和关系嵌入向量的随机排列；将随机排列的实体向量和关系嵌入向量整形为矩阵形式；批量归一化处理矩阵中整形后的实体向量和关系嵌入向量；对归一化处理后的实体向量和关系嵌入向量使用循环卷积进行卷积，卷积矢量化输出并反馈至全连接层，得到实体嵌入矩阵，预测出知识图谱的链路。

技术领域

本发明属于知识图谱链路预测领域，尤其涉及一种知识图谱的链路预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

知识图谱(KGs)是图形结构的知识库，其中节点表示实体，边表示实体之间的关系。这些关系表示为(s,r,o)三元组的形式(例如：实体s＝姚明，关系r＝国籍，实体o＝中国)。KGs被应用于很多方面，比如信息检索、自然语言理解、问答系统、推荐系统等。

尽管知识图谱中包含数以百万计的实体和三元组，但是与现实世界的已有事实和新添加的知识相比，它们还远远不够完整。因此，知识图谱的补全就显得非常重要。链路预测通过基于KGs中已知事实推断缺失事实来完成这一任务。目前主流方法是学习所有实体与关系的低维表示(称为嵌入)，并利用它们来预测新的事实。给定一个评分函数，通过评分函数去学习嵌入的KGs，评分函数会给真实的事实比无效的事实分配更高的分数。从最开始的TransE模型，许多知识图谱嵌入模型陆续被提出，如TransH，DistMult，TransR，TransD，TransA。

这些浅层模型提取特征数量的能力有限，增加浅层模型中特征数量(以及它们的表现力)的唯一方法是增加嵌入尺寸，这将导致参数数量的急剧增加，从而限制其对更大知识图谱的可扩展性。卷积神经网络(CNN)具有使用多层的优势，从而增加了它们的表达能力，同时保持参数效率。Dettmers利用这些特性，提出了一种将卷积滤波器应用于实体和关系嵌入的2D卷积模型-ConvE。他们旨在增加嵌入组件之间的交互数量，但ConvE并不能最大程度的进行实体与关系的交互。

综上所述，发明人发现，在知识图谱的链路预测领域中，由于浅层模型对实体与关系嵌入的交互捕获能力有限，这样导致链路预测的准确度不高，进而可能导致无法补全知识图谱。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种知识图谱的链路预测方法及系统，其能够增强关系嵌入和实体嵌入之间的交互，增强知识图谱的链路预测的准确性。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种知识图谱的链路预测方法。

一种知识图谱的链路预测方法，其包括：

获取知识图谱中的实体向量和关系嵌入向量；

生成所述实体向量和关系嵌入向量的随机排列；

将随机排列的实体向量和关系嵌入向量整形为矩阵形式；

批量归一化处理矩阵中整形后的实体向量和关系嵌入向量；

对归一化处理后的实体向量和关系嵌入向量使用循环卷积进行卷积，卷积矢量化输出并反馈至全连接层，得到实体嵌入矩阵，预测出知识图谱的链路。

本发明的第二个方面提供一种知识图谱的链路预测系统。

一种知识图谱的链路预测系统，其包括：

向量获取模块，其用于获取知识图谱中的实体向量和关系嵌入向量；

随机排列模块，其用于生成所述实体向量和关系嵌入向量的随机排列；

整形模块，其用于将随机排列的实体向量和关系嵌入向量整形为矩阵形式；