CN112667751A - 一种基于路径张量分解的知识图谱表示学习方法 - Google Patents

Abstract

本发明涉及一种基于路径张量分解的知识图谱表示学习方法，从现有图谱中提取实体集、关系集以及三元组集合，采用TransE模型把满足三元组的实体集和关系集嵌入到低维连续向量空间；通过PRA算法获取实体间的路径；在全部实体可能存在的路径上均进行张量分解，计算分解损失函数，直至达到收敛的预设值或迭代最大次数；如果达到迭代最大次数或收敛于预设值，则进入下一个三元组相关的路径计算，直到训练集全部的三元组都被执行，最后输出模型中相应的实体集和关系集。本发明主要应用于知识图谱的学习和推理过程，可提高知识发现的推理准确性，提高预测精度。

Description

一种基于路径张量分解的知识图谱表示学习方法

技术领域

本发明属于知识图谱及知识图谱推理技术领域，涉及一种基于路径张量分解的知识图谱表示学习方法。

背景技术

知识图谱(Knowledge Graph)作为一种新的知识表示方法和数据管理模式，在自然语言处理、问题回答、信息检索等领域有着重要的应用。知识图谱是结构化的语义知识库，用于以符号形式描述物理世界中的概念及其相互关系，其主要采用(head,relation,tail)三元组形式进行知识表示，head是头实体，tail是尾实体，relation是关系，实体之间是通过关系相互联结，形成了网状的知识结构。

知识图谱推理是从已有的实体关系三元组，经过推理计算，建立起实体间的新关系，从而丰富和拓展知识图谱。目前常用的知识图谱表示学习方法是将高维知识图谱通过嵌入(embedding)转换到低维连续向量空间，产生了多种不同方式的推理算法，包括基于张量分解推理算法和基于路径推理算法等。基于张量分解算法将整个知识图谱看作是一个大的张量，然后通过张量分解技术分解为多个小的张量片，也就是将高维的知识图谱进行降维处理，大大减少计算时的数据规模。然而，现有的张量分解过程中，只是考虑直接相关联的实体间联系，未考虑到知识图谱的多路径特点，因此，其推理性能受到一定的限制，并不能深层次地挖掘出实体间的关系。基于路径推理算法根据知识图谱图形结构的特点，利用实体间的路径关系进行推理计算，能有效地挖掘出知识图谱中实体间的新关系。但是，现有推理算法还不能解决长路径推理，还有很多细致的工作需要完善。

发明内容

本发明的目的在于提供一种基于路径张量分解的知识图谱表示学习方法，其可提高知识发现的推理准确性，提高预测精度。

本发明的技术方案如下：

一种基于路径张量分解的知识图谱表示学习方法，其特征在于包括以下步骤：

步骤1，从现有图谱中提取实体集、关系集以及三元组集合，采用TransE模型把满足三元组的实体集和关系集Embedding嵌入到低维连续向量空间；

步骤2，通过PRA算法获取实体间的路径；

步骤3，在全部实体可能存在的路径上均进行张量分解，计算分解损失函数；

步骤4，重复步骤3，直至达到收敛的预设值或迭代最大次数；

步骤5，如果达到迭代最大次数或收敛于预设值，则进入下一个三元组相关的路径计算，重复步骤2至步骤4，直到训练集全部的三元组都被执行；

步骤6，输出模型中相应的实体集和关系集。

本发明可提高知识发现的推理准确性，提高预测精度，主要应用于知识图谱的学习和推理过程，达到丰富和拓展知识图谱的目的。

具体实施方式

一种基于路径张量分解的知识图谱表示学习方法，包括以下步骤：

步骤1，从现有图谱中提取实体集、关系集以及三元组集合，采用TransE模型把满足三元组的实体集和关系集Embedding嵌入到低维连续向量空间；

步骤2，通过PRA算法获取实体间的路径；

步骤3，在全部实体可能存在的路径上均进行张量分解，计算分解损失函数；

步骤4，重复步骤3，直至达到收敛的预设值或迭代最大次数；

步骤5，如果达到迭代最大次数或收敛于预设值，则进入下一个三元组相关的路径计算，重复步骤2至步骤4，直到训练集全部的三元组都被执行；

步骤6，输出模型中相应的实体集和关系集。

Claims (1)

1.一种基于路径张量分解的知识图谱表示学习方法，其特征在于包括以下步骤：

步骤1，从现有图谱中提取实体集、关系集以及三元组集合，采用TransE模型把满足三元组的实体集和关系集Embedding嵌入到低维连续向量空间；

步骤2，通过PRA算法获取实体间的路径；

步骤3，在全部实体可能存在的路径上均进行张量分解，计算分解损失函数；

步骤4，重复步骤3，直至达到收敛的预设值或迭代最大次数；

步骤5，如果达到迭代最大次数或收敛于预设值，则进入下一个三元组相关的路径计算，重复步骤2至步骤4，直到训练集全部的三元组都被执行；

步骤6，输出模型中相应的实体集和关系集。