CN112818137B - 基于实体对齐的多源异构知识图谱协同推理方法及装置 - Google Patents

基于实体对齐的多源异构知识图谱协同推理方法及装置 Download PDF

Info

Publication number
CN112818137B
CN112818137B CN202110416650.4A CN202110416650A CN112818137B CN 112818137 B CN112818137 B CN 112818137B CN 202110416650 A CN202110416650 A CN 202110416650A CN 112818137 B CN112818137 B CN 112818137B
Authority
CN
China
Prior art keywords
relation
entity
knowledge
query
inferred
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110416650.4A
Other languages
English (en)
Other versions
CN112818137A (zh
Inventor
王晓
杨林瑶
辛柯俊
张俊
王飞跃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202110416650.4A priority Critical patent/CN112818137B/zh
Publication of CN112818137A publication Critical patent/CN112818137A/zh
Application granted granted Critical
Publication of CN112818137B publication Critical patent/CN112818137B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Behavior & Ethology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于实体对齐的多源异构知识图谱协同推理方法及装置，所述方法包括：基于待推理实体对，以及待推理实体对的查询关系，确定查询关系的等价关系路径；将各等价关系路径对应的特征向量输入至关系推理模型，得到查询关系对应的推理结果。本发明中用于训练关系推理模型的正样本三元组是从多个知识图谱中获取的，同时等价关系路径包括跨知识图谱的等价关系路径，实现了不同知识图谱之间的连通，从而关系推理模型能够学习多个知识图谱中的语义信息，避免传统方法中针对单一知识图谱进行知识推理造成推理精度较低的问题。

Description

基于实体对齐的多源异构知识图谱协同推理方法及装置
技术领域
本发明涉及知识推理技术领域，尤其涉及一种基于实体对齐的多源异构知识图谱协同推理方法及装置。
背景技术
知识推理即根据已知的信息预测某三元组存在与否的任务，是知识图谱补全和基于知识的决策问题的重要基础。
近年来，随着大数据和人工智能技术的发展及发展可解释的人工智能的需求，知识图谱的知识推理问题得到了广泛研究，目前多采用基于规则的方法、基于表示学习的方法和基于路径的方法等进行知识推理。然而，上述方法主要针对单一知识图谱的知识推理，知识推理的精度较低。
发明内容
本发明提供一种基于实体对齐的多源异构知识图谱协同推理方法及装置，用以解决现有技术中知识推理精度较低的缺陷。
本发明提供一种基于实体对齐的多源异构知识图谱协同推理方法，包括：
基于待推理实体对，以及所述待推理实体对的查询关系，确定所述查询关系的等价关系路径；所述等价关系路径包括跨知识图谱的等价关系路径；
将各等价关系路径对应的特征向量输入至关系推理模型，得到所述查询关系对应的推理结果；
其中，所述关系推理模型是基于正样本三元组的等价关系路径对应的特征向量、负样本三元组的等价关系路径对应的特征向量训练得到的，各正样本三元组是从多个知识图谱中获取的，且各正样本三元组的关系类型与所述查询关系类型相同，各负样本三元组是基于各正样本三元组的k阶邻居确定的。
根据本发明提供的一种基于实体对齐的多源异构知识图谱协同推理方法，所述基于待推理实体对，以及所述待推理实体对的查询关系，确定所述查询关系的等价关系路径，包括：
基于所述待推理实体对的查询关系、多个知识图谱的三元组以及对齐锚链，确定强化学习环境；所述对齐锚链用于连通多个知识图谱中的三元组；
基于所述待推理实体对，在所述强化学习环境中确定所述查询关系的等价关系路径。
根据本发明提供的一种基于实体对齐的多源异构知识图谱协同推理方法，所述对齐锚链是基于如下步骤确定的：
将所述多个知识图谱输入至嵌入模型，得到所述嵌入模型输出的实体和关系嵌入向量；
若任意两个嵌入向量之间的距离小于预设值，则为对应的两个实体添加所述对齐锚链；
其中，所述嵌入模型是基于正样本实体对以及负样本实体对训练得到的，所述正样本实体对为多个知识图谱中的对齐种子，所述负样本实体对是基于各正样本实体对的k阶邻居确定的。
根据本发明提供的一种基于实体对齐的多源异构知识图谱协同推理方法，所述将所述多个知识图谱输入至嵌入模型，得到所述嵌入模型输出的实体和关系嵌入向量，包括：
将所述多个知识图谱输入至所述嵌入模型的图注意力层，得到所述图注意力层输出的实体初始嵌入向量；
将所述实体初始嵌入向量输入至所述嵌入模型的翻译向量层，得到所述翻译向量层输出的实体和关系嵌入向量。
根据本发明提供的一种基于实体对齐的多源异构知识图谱协同推理方法，所述基于所述待推理实体对的查询关系、多个知识图谱的三元组以及对齐锚链，确定强化学习环境，包括：
基于所述待推理实体对的查询关系，在所述多个知识图谱的三元组中确定用于构建强化学习环境的训练集；所述训练集为关系类型与所述查询关系类型相同的三元组；
基于所述训练集，以及所述对齐锚链，确定所述强化学习环境。
根据本发明提供的一种基于实体对齐的多源异构知识图谱协同推理方法，所述基于所述待推理实体对，在所述强化学习环境中确定所述查询关系的等价关系路径，包括：
在所述强化学习环境中，以所述待推理实体对的头实体作为起点，根据状态转移规则跳转，并根据所述强化学习环境的奖励更新参数，直至成功到达所述待推理实体对的尾实体，并将对应的成功路径作为所述查询关系的等价关系路径。
根据本发明提供的一种基于实体对齐的多源异构知识图谱协同推理方法，所述以所述待推理实体对的头实体作为起点，根据状态转移规则跳转，包括：
以所述待推理实体对的头实体作为起点，在每次选择下一跳关系类型之前，基于Mask机制滤除不可行的关系类型，并对剩余关系类型进行概率归一化后再进行概率化随机选择，确定下一跳关系类型。
本发明还提供一种基于实体对齐的多源异构知识图谱协同推理装置，包括：
等价路径确定单元，用于基于待推理实体对，以及所述待推理实体对的查询关系，确定所述查询关系的等价关系路径；所述等价关系路径包括跨知识图谱的等价关系路径；
关系推理单元，用于将各等价关系路径对应的特征向量输入至关系推理模型，得到所述查询关系对应的推理结果；
其中，所述关系推理模型是基于正样本三元组的等价关系路径对应的特征向量、负样本三元组的等价关系路径对应的特征向量训练得到的，各正样本三元组是从多个知识图谱中获取的，且各正样本三元组的关系类型与所述查询关系类型相同，各负样本三元组是基于各正样本三元组的k阶邻居确定的。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述基于实体对齐的多源异构知识图谱协同推理方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于实体对齐的多源异构知识图谱协同推理方法的步骤。
本发明提供的基于实体对齐的多源异构知识图谱协同推理方法及装置，基于待推理实体对，以及待推理实体对的查询关系，确定查询关系的等价关系路径，并将各等价关系路径对应的特征向量输入至关系推理模型中得到推理结果，由于等价关系路径包括跨知识图谱的等价关系路径，实现了不同知识图谱之间的连通，从而关系推理模型能够学习多个知识图谱中的语义信息，避免传统方法中针对单一知识图谱进行知识推理造成推理精度较低的问题。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于实体对齐的多源异构知识图谱协同推理方法的流程示意图；
图2是本发明提供的等价关系路径推导的流程示意图；
图3是本发明提供的基于实体对齐的多源异构知识图谱协同推理装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前已有的知识推理方法主要针对单一知识图谱的知识推理。现实中，针对某一领域往往存在大量由不同机构构建的具有一定互补性的知识图谱，如何利用多个知识图谱的互补知识以提升知识推理的精度，尚未得到很好地解决。
针对以上问题，本发明提出基于已有的多源异构知识图谱对齐种子，以实体对齐为目标任务训练图注意力和TransE模型，进而获得统一向量空间下的知识图谱表示并通过实体对齐预测得到对齐实体锚链。为了挖掘有效的等价跨知识图谱关系路径，本发明设计了一种基于LSTM和分层图注意力模型的策略智能体，并基于强化学习方法通过智能体与环境的交互自动挖掘成功的等价关系路径，并以此为特征训练神经网络模型用以预测实体对之间给定类型关系的存在性，进而预测未知三元组的正确性。下面将通过具体实施例对本发明提供的内容进行详细解释和说明。
对此，本发明提供一种基于实体对齐的多源异构知识图谱协同推理方法。图1是本发明提供的基于实体对齐的多源异构知识图谱协同推理方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤110、基于待推理实体对，以及待推理实体对的查询关系，确定查询关系的等价关系路径；等价关系路径包括跨知识图谱的等价关系路径。
具体地，待推理实体对指待预测关系类型的两个实体，例如对于实体A和实体B，需要预测实体A与B之间是否存在关系r，则实体A和实体B为待推理实体对，r为待推理实体对的查询关系。查询关系的等价关系路径指可以从待推理实体对的头实体成功到达尾实体的关系，该关系等价于查询关系。例如对于实体对（A，B），若A与B之间存在成功路径A→r1→C→r2→B，则r1→r2可以看作是r的等价关系路径。其中，等价关系路径包括跨知识图谱的等价关系路径，从而可以实现多个知识图谱的连通，避免传统方法中针对单一知识图谱进行知识推理造成推理精度较低的问题。
其中，待推理实体对的等价关系路径可以基于强化学习方法推导得出，例如可以基于多个知识图谱的三元组以及对齐锚链构造用于强化学习知识推理的环境，其中对齐锚链是基于知识图谱中的三元组对应的实体进行实体对齐后得到的，从而可以连通多个知识图谱，进而能够跨知识图谱获取有效的查询关系的等价关系路径，学习到多个知识图谱的语义信息。
步骤120、将各等价关系路径对应的特征向量输入至关系推理模型，得到查询关系对应的推理结果；
其中，关系推理模型是基于正样本三元组的等价关系路径对应的特征向量、负样本三元组的等价关系路径对应的特征向量训练得到的，各正样本三元组是从多个知识图谱中获取的，且各正样本三元组的关系类型与查询关系类型相同，各负样本三元组是基于各正样本三元组的k阶邻居确定的。
具体地，等价关系路径对应的特征向量可以按等价关系路径的数量顺序编码成特征向量，关系推理模型输出的推理结果可以为待推理实体对的查询关系存在的概率a1和不存在的概率a2，若a1> a2，则表明待推理实体对中存在该查询关系，反之则不存在该查询关系。由此可见，本发明实施例通过将等价关系路径对应的特征向量输入至关系推理模型，从而可以得到查询关系的推理结果。
需要说明的是，关系推理模型是基于正样本三元组的等价关系路径对应的特征向 量、负样本三元组的等价关系路径对应的特征向量训练得到的；其中，各正样本三元组是从 多个知识图谱中获取的，且各正样本三元组的关系类型与查询关系类型相同；此外，各负样 本三元组是基于如下步骤确定的：将正样本三元组中的任一实体替换为对应的k阶邻居，若 形成的新的三元组不存在于正样本三元组中，则将其作为负样本三元组。例如：对于已知的 所推理关系
Figure 861697DEST_PATH_IMAGE001
的三元组正样本
Figure 40393DEST_PATH_IMAGE002
，从尾实体
Figure 293520DEST_PATH_IMAGE003
的 k阶邻居集合中，任选一个 实体
Figure 845724DEST_PATH_IMAGE004
代替
Figure 500696DEST_PATH_IMAGE005
，若
Figure 112943DEST_PATH_IMAGE006
不存在于正样本集合中，则将其添加到负样本集合中。重复 上述方法，直至为每个正样本生成N个负样本，由此即构成负样本三元组。此外，在将正样本 三元组中的任一实体替换为对应的k阶邻居时，k值宜取较小值（如k≤3），从而可以使得关 系推理模型能够准确学习到与正样本实体对相似但具有不同推理关系的负样本实体对信 息。
举例来说，针对任意
Figure 853366DEST_PATH_IMAGE007
样本，基于宽度优先搜索算法查找
Figure 943682DEST_PATH_IMAGE008
和
Figure 450231DEST_PATH_IMAGE009
之间 存在的等价关系路径的数量，并将其按顺序编码成特征向量，将此特征向量及其样本标签 输入关系推理模型（三层感知机模型），模型的输入层维度为等价关系路径类型数量，输出 层维度为2，输出为实体对存在关系
Figure 967800DEST_PATH_IMAGE010
与否的概率，以最小化预测输出与标签之间的 CrossEntropy损失为目标函数，即可训练得到实体对之间给定关系的连接预测模型。对于 任给实体对
Figure 461098DEST_PATH_IMAGE011
，为了判断其是否存在关系
Figure 89526DEST_PATH_IMAGE012
，首先基于宽度优先搜索，查询实体之间存 在的
Figure 453511DEST_PATH_IMAGE013
的等价关系路径的数量，将其编码为特征向量，然后，将特征向量输入的关系推理模 型，若最终模型输出中存在的概率值大于不存在的概率值，则预测
Figure 407560DEST_PATH_IMAGE014
之间存在关系
Figure 125505DEST_PATH_IMAGE015
，即三元组
Figure 557624DEST_PATH_IMAGE016
成立，否则，预测三元组不成立。
由此可见，本发明实施例提供的基于实体对齐的多源异构知识图谱协同推理方法，基于待推理实体对，以及待推理实体对的查询关系，确定查询关系的等价关系路径，并将各等价关系路径对应的特征向量输入至关系推理模型中得到推理结果，由于等价关系路径包括跨知识图谱的等价关系路径，实现了不同知识图谱之间的连通，从而关系推理模型能够学习多个知识图谱中的语义信息，避免传统方法中针对单一知识图谱进行知识推理造成推理精度较低的问题。
基于上述实施例，基于待推理实体对，以及待推理实体对的查询关系，确定查询关系的等价关系路径，包括：
基于待推理实体对的查询关系、多个知识图谱的三元组以及对齐锚链，确定强化学习环境；对齐锚链用于连通多个知识图谱中的三元组；
基于待推理实体对，在强化学习环境中确定查询关系的等价关系路径。
具体地，对齐锚链是对多个知识图谱中的三元组进行对齐预测后得到的，从而可 以连通多个知识图谱，学习到不同知识图谱的语义信息。基于已知的知识图谱三元组和对 齐锚链，针对给定查询关系
Figure 41695DEST_PATH_IMAGE017
，删除三元组集合中所有关系为
Figure 166645DEST_PATH_IMAGE018
的三元组。为了提升搜索 成功路径的效率，可以倒退以使能够调整失败的路径，对于任意三元组
Figure 837798DEST_PATH_IMAGE019
，构造 其逆三元组
Figure 339187DEST_PATH_IMAGE020
，其中
Figure 943343DEST_PATH_IMAGE021
表示关系
Figure 236266DEST_PATH_IMAGE022
的反向关系，进而得到有两个连通知识图 谱组成的强化学习环境。
在确定强化学习环境后，可以建立马尔可夫决策模型，从待推理实体对的头实体出发，在每一步根据当前状态选择一种关系类型，然后根据奖励更新参数，直至能够成功到达待推理实体对的尾实体。即等价关系路径不是一次推出来的，一次推一步，比如A→r1→C→r2→B，从A出发，决策模型选中r1，则跳转到C 继续，直至到达B；若选中r3，则没有下一跳，代表本轮失败。根据奖励更新参数，重选一组样本进行学习，在此过程中只记录下成功的等价路径。
基于上述任一实施例，对齐锚链是基于如下步骤确定的：
将多个知识图谱输入至嵌入模型，得到嵌入模型输出的实体和关系嵌入向量；
若任意两个嵌入向量之间的距离小于预设值，则为对应的两个实体添加对齐锚链；
其中，嵌入模型是基于正样本实体对以及负样本实体对训练得到的，正样本实体对为多个知识图谱中的对齐种子，负样本实体对是基于各正样本实体对的k阶邻居确定的。
具体地，由于不同知识图谱往往具有异构的特征空间，为了避免不同知识图谱的异构空间影响，将多个知识图谱输入至嵌入模型，得到嵌入模型输出的实体嵌入向量，从而可以使得来源于不同知识图谱的实体和关系能够有统一的向量表示，以降低不同图谱特征空间异构对后续强化学习发现等价路径的影响。其中，嵌入模型是基于正样本实体对以及负样本实体对训练得到的，正样本实体对为多个知识图谱中的对齐种子，对齐种子可以是通过人工或众包方式在多个知识图谱中标注的对齐种子，负样本实体对是基于各正样本实体对的k阶邻居确定的。
若任意两个嵌入向量之间的距离小于预设值，则为对应的两个实体添加对齐锚链，从而可以连通多个知识图谱，学习多个知识图谱的语义信息，降低不同知识图谱特征空间异构后对强化学习发现等价关系路径的影响。
举例来说，获取两个知识图谱的三元组和对齐种子集合，构造实体对齐训练集，基于图注意力模型和TransE模型，得到两个知识图谱同一向量空间下的嵌入向量，具体为：
基于人工或众包的方式获得一定数量的实体对齐种子集合
Figure 660294DEST_PATH_IMAGE023
，对于任意
Figure 434215DEST_PATH_IMAGE024
，随机地从
Figure 892878DEST_PATH_IMAGE025
或
Figure 359631DEST_PATH_IMAGE026
的 k阶邻居中选择一个实体对应替换
Figure 5376DEST_PATH_IMAGE025
或
Figure 585918DEST_PATH_IMAGE026
，直至对应任 意正样本生成N个负样本，进而获得负样本集合
Figure 899088DEST_PATH_IMAGE027
，其中，
Figure 271163DEST_PATH_IMAGE028
表示实体
Figure 669783DEST_PATH_IMAGE029
的k阶邻居集合。基于所得正负样本，以最小化正样本实体对之间的嵌入向 量距离、最大化负样本实体对之间的嵌入向量距离，同时最小化三元组嵌入向量距离为目 标，迭代训练图注意力模型和TransE模型，最终得到两个知识图谱所有实体和关系的嵌入 向量。其中，目标函数的数学表达式即为：
Figure 51086DEST_PATH_IMAGE030
其中，
Figure 218762DEST_PATH_IMAGE031
表示实体对之间的曼哈顿向量距离，
Figure 27318DEST_PATH_IMAGE032
是一个权重参数，
Figure 668163DEST_PATH_IMAGE033
为
Figure 853157DEST_PATH_IMAGE034
与
Figure 609760DEST_PATH_IMAGE035
之间的关系类型，
Figure 589218DEST_PATH_IMAGE036
表示给定三元组
Figure 962430DEST_PATH_IMAGE037
嵌入向量的曼哈顿距 离，即
Figure 685536DEST_PATH_IMAGE038
分别表示头实体、关系、尾实体的嵌入向量，
Figure 296646DEST_PATH_IMAGE039
表示一种取最大值的损失函数。
基于两个知识图谱实体和关系的嵌入向量，计算剩余实体对之间的距离，将向量距离小于给定阈值的实体对添加到对齐实体集合中，为上述所得高置信度的对齐实体对添加锚链，具体为：
对于给定的知识图谱
Figure 715513DEST_PATH_IMAGE040
和
Figure 310443DEST_PATH_IMAGE041
，计算两个知识图谱之间除对齐种子外的任意 实体对嵌入向量的曼哈顿距离，得到任意实体对的向量距离矩阵，若实体对
Figure 571660DEST_PATH_IMAGE042
之间的距离
Figure 568434DEST_PATH_IMAGE043
满足：
Figure 155274DEST_PATH_IMAGE044
其中，
Figure 706341DEST_PATH_IMAGE045
为一个给定阈值，则将实体对
Figure 33898DEST_PATH_IMAGE046
添加到包含对齐种子的对齐实体集 合A中，并为对齐实体集合中的实体对添加锚链，构造新的三元组
Figure 885179DEST_PATH_IMAGE047
。
基于上述任一实施例，将多个知识图谱输入至嵌入模型，得到嵌入模型输出的实体和关系嵌入向量，包括：
将多个知识图谱输入至嵌入模型的图注意力层，得到图注意力层输出的实体初始嵌入向量；
将实体初始嵌入向量输入至嵌入模型的翻译向量层，得到翻译向量层输出的实体和关系嵌入向量。
具体地，图注意力层用于提取各知识图谱中实体初始嵌入向量，图注意力层可以基于图注意力模型得到，也可以基于其它神经网络模型得到，其可以最小化历史正样本实体对之间的嵌入向量距离，最大化负样本实体对之间的嵌入向量距离，从而可以准确提取出实体初始嵌入向量。
在得到实体初始嵌入向量之后，将其输入翻译向量层，从而可以得到各知识图谱中实体和关系嵌入向量。其中，翻译向量层可以基于TransE模型得到，TransE模型可以将各知识图谱中各实体和关系进行分布式向量表示，从而可以使得来源于不同知识图谱的实体和关系能够有统一的向量表示。
基于上述任一实施例，基于待推理实体对的查询关系、多个知识图谱的三元组以及对齐锚链，确定强化学习环境，包括：
基于待推理实体对的查询关系，在多个知识图谱的三元组中确定用于构建强化学习环境的训练集；训练集为关系类型与查询关系类型相同的三元组；
基于训练集，以及对齐锚链，确定强化学习环境。
具体地，基于已知的知识图谱三元组和对齐锚链，针对给定查询关系
Figure 377341DEST_PATH_IMAGE048
，删除三元 组集合中所有关系为
Figure 946862DEST_PATH_IMAGE049
的三元组。为了提升搜索成功路径的效率，可以倒退以使能够调整 失败的路径，对于任意三元组
Figure 549882DEST_PATH_IMAGE050
，构造其逆三元组
Figure 255670DEST_PATH_IMAGE051
，其中
Figure 184312DEST_PATH_IMAGE052
表示关系
Figure 978480DEST_PATH_IMAGE053
的反向关系，进而得到有两个连通知识图谱组成的强化学习环境。
在确定强化学习环境后，可以建立马尔可夫决策模型，从待推理实体对的头实体出发，在每一步根据当前状态选择一种关系类型，然后根据奖励更新参数，直至能够成功到达待推理实体对的尾实体。即等价关系路径不是一次推出来的，一次推一步，比如A→r1→C→r2→B，从A出发，决策模型选中r1，则跳转到C 继续，直至到达B；若选中r3，则没有下一跳，代表本轮失败。根据奖励更新参数，重选一组样本进行学习，在此过程中只记录下成功的等价路径。
基于上述任一实施例，基于待推理实体对，在强化学习环境中确定查询关系的等价关系路径，包括：
在强化学习环境中，以待推理实体对的头实体作为起点，根据状态转移规则跳转，并根据强化学习环境的奖励更新参数，直至成功到达待推理实体对的尾实体，并将对应的成功路径作为查询关系的等价关系路径。
具体地，在强化学习环境中，以待推理实体对的头实体作为起点，根据状态转移规则跳转，并根据强化学习环境的奖励更新参数，直至成功到达待推理实体对的尾实体，并将对应的成功路径作为查询关系的等价关系路径。在对待推理实体对进行等价关系路径推导的过程中，可以基于宽度优先搜索算法确定当前节点的所有邻居节点，然后根据状态转移规则选择相应的关系进行跳转。可以理解的是，若查询关系的等价关系路径数量越多，则表明查询关系存在于待推理实体对的概率越高。例如要确认实体对（A，B）之间是否存在查询关系r，则基于强化学习环境进行推导得到从A到B存在A→r1→C→r2→B，则r1→r2可以看作是r的等价关系路径。
如图2所示，将协同知识推理问题建模为一个马尔科夫决策问题，给定所推理关系 的一组实例
Figure 650769DEST_PATH_IMAGE054
，智能体输入状态向量，输出下一跳关系类型的概率分布。智能体 决策模型由长短时记忆网络(LSTM)、分层图注意力网络和感知机模型组成，模型在第i步的 输入为：
Figure 211064DEST_PATH_IMAGE055
其中，
Figure 45028DEST_PATH_IMAGE056
表示当前所处实体的嵌入向量及当前实体与目标实体的向量距离，即
Figure 589141DEST_PATH_IMAGE057
，
Figure 799543DEST_PATH_IMAGE058
表示向量拼接操作。
Figure 476993DEST_PATH_IMAGE059
表示智能体在本轮训练中所选择过的历史 动作的映射表示，
Figure 481858DEST_PATH_IMAGE060
表示周围邻居节点的加权表示，由分层图注意力模型编码得到。
Figure 982110DEST_PATH_IMAGE061
由 一个三层的LSTM网络编码得到，其数学计算过程为：
Figure 996202DEST_PATH_IMAGE062
Figure 531089DEST_PATH_IMAGE063
表示第
Figure 972434DEST_PATH_IMAGE064
步的隐含状态编码，其在第0步的初始编码为一个等尺寸的零 向量，
Figure 959982DEST_PATH_IMAGE065
为智能体在第
Figure 515116DEST_PATH_IMAGE066
步选择的关系类型的编码。
Figure 170088DEST_PATH_IMAGE067
由两部分组成，一是当前所处 实体的同一知识图谱内的一阶邻居的加权编码，即
Figure 782335DEST_PATH_IMAGE068
其中，
Figure 257179DEST_PATH_IMAGE069
表示实体
Figure 347494DEST_PATH_IMAGE070
在同知识图谱的一阶邻居集合，
Figure 856973DEST_PATH_IMAGE071
表示邻居
Figure 640121DEST_PATH_IMAGE072
的嵌入向量，
Figure 864911DEST_PATH_IMAGE073
是一个共享权重矩阵，
Figure 758917DEST_PATH_IMAGE074
表示
Figure 857323DEST_PATH_IMAGE075
与
Figure 811373DEST_PATH_IMAGE076
之间的相似性权重：
Figure 260809DEST_PATH_IMAGE077
其中，
Figure 958506DEST_PATH_IMAGE078
是一个共享的权重向量，LeakyReLU是一个非线性激活函数，最终
Figure 445507DEST_PATH_IMAGE079
由 Softmax函数归一化得到。
Figure 570458DEST_PATH_IMAGE080
的第二部分是
Figure 241611DEST_PATH_IMAGE081
的对齐实体的一阶邻居加权表示，采用如上 方式计算，若
Figure 477420DEST_PATH_IMAGE082
不存在对齐实体，则其为与
Figure 815997DEST_PATH_IMAGE083
等长的零向量。最后，以上述状态向量
Figure 111849DEST_PATH_IMAGE084
作为 特征向量输入一个包含一个隐含层的感知机神经网络模型，模型输出层维度等于所有关系 类型的数量，其输出为智能体选择相应关系类型作为动作的概率。
基于上述任一实施例，以待推理实体对的头实体作为起点，根据状态转移规则跳转，包括：
以待推理实体对的头实体作为起点，在每次选择下一跳关系类型之前，基于Mask机制滤除不可行的关系类型，并对剩余关系类型进行概率归一化后再进行概率化随机选择，确定下一跳关系类型。
具体地，在确定查询关系的等价关系路径时，会从当前实体跳到下一个实体，但为了减少失败的概率，可以基于Mask机制，对各候选关系进行筛选，得到可行关系。例如当前实体a位于知识图谱1，当前实体a的下一跳实体b位于知识图谱2，由于在进行等价关系路径推导时，当前实体和下一跳实体需要位于同一知识图谱，则可以判断下一跳实体b是无效的，可以进行删除，避免对无效路径进行分析造成效率较低的问题。
在决策模型的每一步学习中，根据决策模型输出的关系动作概率分布，智能体在 每一轮随机选择一种关系类型。由于智能体每一步只能处于一个知识图谱中，因此其可行 的动作空间仅包含一个知识图谱的关系类型及锚链关系，为了降低智能体选择失败的概 率，本发明实施例在每一次在选择关系类型前首先由Mask筛选掉一半不可行关系类型，然 后，将剩余关系类型的概率归一化，再进行概率化随机选择。选定下一跳关系后，环境根据 当前实体是否存在相应关系类型的三元组进行状态跳转。若存在，则从相应三元组中随机 选择一个跳转到其尾实体上，否则，判定当前路径失败，通过随机抽取可行的路径有监督指 导智能体学习。若本轮训练智能体成功到达目标实体，则记录其走过的关系路径为关系
Figure 270298DEST_PATH_IMAGE085
的等价关系路径，并给予其每一步动作奖励为
Figure 330306DEST_PATH_IMAGE086
，并以最大化如下 函数为目标反向传播梯度更新决策模型的参数：
Figure 788969DEST_PATH_IMAGE087
其中，
Figure 990144DEST_PATH_IMAGE088
为模型所有待优化的权重参数，
Figure 635889DEST_PATH_IMAGE089
为每一轮训练所允许探索的最大步数，
Figure 479080DEST_PATH_IMAGE090
即为所有奖励的期望。
基于上述任一实施例，推理结果为查询关系存在于待推理实体对中的概率以及查询关系不存在于待推理实体对中的概率。
具体地，关系推理模型输出的推理结果为查询关系存在的概率a1和不存在的概率a2，若a1> a2，则表明待推理实体对中存在查询关系，反之则不存在该查询关系。
下面对本发明提供的基于实体对齐的多源异构知识图谱协同推理装置进行描述，下文描述的基于实体对齐的多源异构知识图谱协同推理装置与上文描述的基于实体对齐的多源异构知识图谱协同推理方法可相互对应参照。
基于上述任一实施例，本发明还提供一种基于实体对齐的多源异构知识图谱协同推理装置，如图3所示，该装置包括：
等价路径确定单元310，用于基于待推理实体对，以及所述待推理实体对的查询关系，确定所述查询关系的等价关系路径；所述等价关系路径包括跨知识图谱的等价关系路径；
关系推理单元320，用于将各等价关系路径对应的特征向量输入至关系推理模型，得到所述查询关系对应的推理结果；
其中，所述关系推理模型是基于正样本三元组的等价关系路径对应的特征向量、负样本三元组的等价关系路径对应的特征向量训练得到的，各正样本三元组是从多个知识图谱中获取的，且各正样本三元组的关系类型与所述查询关系类型相同，各负样本三元组是基于各正样本三元组的k阶邻居确定的。
基于上述任一实施例，所述等价路径确定单元310包括：
第一确定单元，用于基于所述待推理实体对的查询关系、多个知识图谱的三元组以及对齐锚链，确定强化学习环境；所述对齐锚链用于连通多个知识图谱中的三元组；
第二确定单元，用于基于所述待推理实体对，在所述强化学习环境中确定所述查询关系的等价关系路径。
基于上述任一实施例，还包括：
嵌入单元，用于将所述多个知识图谱输入至嵌入模型，得到所述嵌入模型输出的实体和关系嵌入向量；
对齐单元，用于若任意两个嵌入向量之间的距离小于预设值，则为对应的两个实体添加所述对齐锚链；
其中，所述嵌入模型是基于正样本实体对以及负样本实体对训练得到的，所述正样本实体对为多个知识图谱中的对齐种子，所述负样本实体对是基于各正样本实体对的k阶邻居确定的。
基于上述任一实施例，所述嵌入单元，包括：
图注意力单元，用于将所述多个知识图谱输入至所述嵌入模型的图注意力层，得到所述图注意力层输出的实体初始嵌入向量；
翻译向量单元，用于将所述实体初始嵌入向量输入至所述嵌入模型的翻译向量层，得到所述翻译向量层输出的实体和关系嵌入向量。
基于上述任一实施例，所述第一确定单元，包括：
构建单元，用于基于所述待推理实体对的查询关系，在所述多个知识图谱的三元组中确定用于构建强化学习环境的训练集；所述训练集为关系类型与所述查询关系类型相同的三元组；
环境确定单元，用于基于所述训练集，以及所述对齐锚链，确定所述强化学习环境。
基于上述任一实施例，所述第二确定单元，用于：
在所述强化学习环境中，以所述待推理实体对的头实体作为起点，根据状态转移规则跳转，并根据所述强化学习环境的奖励更新参数，直至成功到达所述待推理实体对的尾实体，并将对应的成功路径作为所述查询关系的等价关系路径。
基于上述任一实施例，所述第二确定单元，用于：
以所述待推理实体对的头实体作为起点，在每次选择下一跳关系类型之前，基于Mask机制滤除不可行的关系类型，并对剩余关系类型进行概率归一化后再进行概率化随机选择，确定下一跳关系类型。
基于上述任一实施例，所述推理结果为所述查询关系存在于所述待推理实体对中的概率以及所述查询关系不存在于所述待推理实体对中的概率。
图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行基于实体对齐的多源异构知识图谱协同推理方法，该方法包括：基于待推理实体对，以及所述待推理实体对的查询关系，确定所述查询关系的等价关系路径；所述等价关系路径包括跨知识图谱的等价关系路径；将各等价关系路径对应的特征向量输入至关系推理模型，得到所述查询关系对应的推理结果；其中，所述关系推理模型是基于正样本三元组的等价关系路径对应的特征向量、负样本三元组的等价关系路径对应的特征向量训练得到的，各正样本三元组是从多个知识图谱中获取的，且各正样本三元组的关系类型与所述查询关系类型相同，各负样本三元组是基于各正样本三元组的k阶邻居确定的。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于实体对齐的多源异构知识图谱协同推理方法，该方法包括：基于待推理实体对，以及所述待推理实体对的查询关系，确定所述查询关系的等价关系路径；所述等价关系路径包括跨知识图谱的等价关系路径；将各等价关系路径对应的特征向量输入至关系推理模型，得到所述查询关系对应的推理结果；其中，所述关系推理模型是基于正样本三元组的等价关系路径对应的特征向量、负样本三元组的等价关系路径对应的特征向量训练得到的，各正样本三元组是从多个知识图谱中获取的，且各正样本三元组的关系类型与所述查询关系类型相同，各负样本三元组是基于各正样本三元组的k阶邻居确定的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于实体对齐的多源异构知识图谱协同推理方法，该方法包括：基于待推理实体对，以及所述待推理实体对的查询关系，确定所述查询关系的等价关系路径；所述等价关系路径包括跨知识图谱的等价关系路径；将各等价关系路径对应的特征向量输入至关系推理模型，得到所述查询关系对应的推理结果；其中，所述关系推理模型是基于正样本三元组的等价关系路径对应的特征向量、负样本三元组的等价关系路径对应的特征向量训练得到的，各正样本三元组是从多个知识图谱中获取的，且各正样本三元组的关系类型与所述查询关系类型相同，各负样本三元组是基于各正样本三元组的k阶邻居确定的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于实体对齐的多源异构知识图谱协同推理方法，所述方法应用于智能体，其特征在于，包括：
基于待推理实体对，以及所述待推理实体对的查询关系，确定所述查询关系的等价关系路径；所述等价关系路径包括跨知识图谱的等价关系路径；
将各等价关系路径对应的特征向量输入至关系推理模型，得到所述查询关系对应的推理结果；所述推理结果为所述智能体选择所述查询关系的概率；所述推理结果用于补全知识图谱；
其中，所述关系推理模型是基于正样本三元组的等价关系路径对应的特征向量、负样本三元组的等价关系路径对应的特征向量训练得到的，各正样本三元组是从多个知识图谱中获取的，且各正样本三元组的关系类型与所述查询关系类型相同，各负样本三元组是基于各正样本三元组的k阶邻居确定的。
2.根据权利要求1所述的基于实体对齐的多源异构知识图谱协同推理方法，其特征在于，所述基于待推理实体对，以及所述待推理实体对的查询关系，确定所述查询关系的等价关系路径，包括：
基于所述待推理实体对的查询关系、多个知识图谱的三元组以及对齐锚链，确定强化学习环境；所述对齐锚链用于连通多个知识图谱中的三元组；
基于所述待推理实体对，在所述强化学习环境中确定所述查询关系的等价关系路径。
3.根据权利要求2所述的基于实体对齐的多源异构知识图谱协同推理方法，其特征在于，所述对齐锚链是基于如下步骤确定的：
将所述多个知识图谱输入至嵌入模型，得到所述嵌入模型输出的实体和关系嵌入向量；
若任意两个嵌入向量之间的距离小于预设值，则为对应的两个实体添加所述对齐锚链；
其中，所述嵌入模型是基于正样本实体对以及负样本实体对训练得到的，所述正样本实体对为多个知识图谱中的对齐种子，所述负样本实体对是基于各正样本实体对的k阶邻居确定的。
4.根据权利要求3所述的基于实体对齐的多源异构知识图谱协同推理方法，其特征在于，所述将所述多个知识图谱输入至嵌入模型，得到所述嵌入模型输出的实体和关系嵌入向量，包括：
将所述多个知识图谱输入至所述嵌入模型的图注意力层，得到所述图注意力层输出的实体初始嵌入向量；
将所述实体初始嵌入向量输入至所述嵌入模型的翻译向量层，得到所述翻译向量层输出的实体和关系嵌入向量。
5.根据权利要求2所述的基于实体对齐的多源异构知识图谱协同推理方法，其特征在于，所述基于所述待推理实体对的查询关系、多个知识图谱的三元组以及对齐锚链，确定强化学习环境，包括：
基于所述待推理实体对的查询关系，在所述多个知识图谱的三元组中确定用于构建强化学习环境的训练集；所述训练集为关系类型与所述查询关系类型相同的三元组；
基于所述训练集，以及所述对齐锚链，确定所述强化学习环境。
6.根据权利要求2所述的基于实体对齐的多源异构知识图谱协同推理方法，其特征在于，所述基于所述待推理实体对，在所述强化学习环境中确定所述查询关系的等价关系路径，包括：
在所述强化学习环境中，以所述待推理实体对的头实体作为起点，根据状态转移规则跳转，并根据所述强化学习环境的奖励更新参数，直至成功到达所述待推理实体对的尾实体，并将对应的成功路径作为所述查询关系的等价关系路径。
7.根据权利要求6所述的基于实体对齐的多源异构知识图谱协同推理方法，其特征在于，所述以所述待推理实体对的头实体作为起点，根据状态转移规则跳转，包括：
以所述待推理实体对的头实体作为起点，在每次选择下一跳关系类型之前，基于Mask机制滤除不可行的关系类型，并对剩余关系类型进行概率归一化后再进行概率化随机选择，确定下一跳关系类型。
8.一种基于实体对齐的多源异构知识图谱协同推理装置，所述装置应用于智能体，其特征在于，包括：
等价路径确定单元，用于基于待推理实体对，以及所述待推理实体对的查询关系，确定所述查询关系的等价关系路径；所述等价关系路径包括跨知识图谱的等价关系路径；
关系推理单元，用于将各等价关系路径对应的特征向量输入至关系推理模型，得到所述查询关系对应的推理结果；所述推理结果为所述智能体选择所述查询关系的概率；所述推理结果用于补全知识图谱；
其中，所述关系推理模型是基于正样本三元组的等价关系路径对应的特征向量、负样本三元组的等价关系路径对应的特征向量训练得到的，各正样本三元组是从多个知识图谱中获取的，且各正样本三元组的关系类型与所述查询关系类型相同，各负样本三元组是基于各正样本三元组的k阶邻居确定的。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于实体对齐的多源异构知识图谱协同推理方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于实体对齐的多源异构知识图谱协同推理方法的步骤。
CN202110416650.4A 2021-04-19 2021-04-19 基于实体对齐的多源异构知识图谱协同推理方法及装置 Active CN112818137B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110416650.4A CN112818137B (zh) 2021-04-19 2021-04-19 基于实体对齐的多源异构知识图谱协同推理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110416650.4A CN112818137B (zh) 2021-04-19 2021-04-19 基于实体对齐的多源异构知识图谱协同推理方法及装置

Publications (2)

Publication Number Publication Date
CN112818137A CN112818137A (zh) 2021-05-18
CN112818137B true CN112818137B (zh) 2022-04-08

Family

ID=75863683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110416650.4A Active CN112818137B (zh) 2021-04-19 2021-04-19 基于实体对齐的多源异构知识图谱协同推理方法及装置

Country Status (1)

Country Link
CN (1) CN112818137B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113342809B (zh) * 2021-05-31 2023-08-15 北京工商大学 一种基于图神经网络的互联网食品实体对齐方法及系统
CN113360624B (zh) * 2021-06-30 2022-06-21 北京百度网讯科技有限公司 训练方法、应答方法、装置、电子设备以及存储介质
CN113342995B (zh) * 2021-07-05 2022-12-02 成都信息工程大学 一种基于路径语义和特征提取的负样本提取方法
CN113297338B (zh) * 2021-07-27 2022-03-29 平安科技（深圳）有限公司 产品推荐路径生成方法、装置、设备及存储介质
CN113626612A (zh) * 2021-08-13 2021-11-09 第四范式（北京）技术有限公司 一种基于知识图谱推理的预测方法和系统
CN113688217B (zh) * 2021-08-24 2022-04-22 山东省人工智能研究院 一种面向搜索引擎知识库的智能问答方法
CN113704496B (zh) * 2021-08-31 2024-01-26 平安科技（深圳）有限公司 医疗知识图谱的修复方法、装置、计算机设备及存储介质
WO2023115521A1 (en) * 2021-12-24 2023-06-29 Robert Bosch Gmbh Method and apparatus for enity alignment
CN114626530A (zh) * 2022-03-14 2022-06-14 电子科技大学 一种基于双边路径质量评估的强化学习知识图谱推理方法
CN115630174B (zh) * 2022-12-21 2023-07-21 上海金仕达软件科技股份有限公司 一种多源公告文档处理方法、装置、存储介质及电子设备
CN117851615B (zh) * 2024-03-06 2024-05-03 云南师范大学 一种基于Transformer的关系模式自适应对比学习知识图谱嵌入方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446769A (zh) * 2018-01-23 2018-08-24 深圳市阿西莫夫科技有限公司 知识图谱关系推理方法、装置、计算机设备和存储介质
CN110796254A (zh) * 2019-10-30 2020-02-14 南京工业大学 一种知识图谱推理方法、装置、计算机设备及存储介质
CN110941722A (zh) * 2019-10-12 2020-03-31 中国人民解放军国防科技大学 一种基于实体对齐的知识图谱融合方法
CN112084344A (zh) * 2020-09-11 2020-12-15 清华大学 知识图谱推理方法、装置及存储介质
CN112131404A (zh) * 2020-09-19 2020-12-25 哈尔滨工程大学 一种四险一金领域知识图谱中实体对齐方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307214A (zh) * 2019-07-26 2021-02-02 株式会社理光 一种基于深度强化学习的推荐方法及推荐装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446769A (zh) * 2018-01-23 2018-08-24 深圳市阿西莫夫科技有限公司 知识图谱关系推理方法、装置、计算机设备和存储介质
CN110941722A (zh) * 2019-10-12 2020-03-31 中国人民解放军国防科技大学 一种基于实体对齐的知识图谱融合方法
CN110796254A (zh) * 2019-10-30 2020-02-14 南京工业大学 一种知识图谱推理方法、装置、计算机设备及存储介质
CN112084344A (zh) * 2020-09-11 2020-12-15 清华大学 知识图谱推理方法、装置及存储介质
CN112131404A (zh) * 2020-09-19 2020-12-25 哈尔滨工程大学 一种四险一金领域知识图谱中实体对齐方法

Also Published As

Publication number Publication date
CN112818137A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN112818137B (zh) 基于实体对齐的多源异构知识图谱协同推理方法及装置
CN110263227B (zh) 基于图神经网络的团伙发现方法和系统
Hildebrandt et al. Reasoning on knowledge graphs with debate dynamics
US11651216B2 (en) Automatic XAI (autoXAI) with evolutionary NAS techniques and model discovery and refinement
Gomes et al. BERT-and TF-IDF-based feature extraction for long-lived bug prediction in FLOSS: A comparative study
Wang et al. A novel discrete firefly algorithm for Bayesian network structure learning
CN115526321A (zh) 基于智能体动态路径补全策略的知识推理方法及系统
US20190228297A1 (en) Artificial Intelligence Modelling Engine
CN112990485A (zh) 基于强化学习的知识策略选择方法与装置
Zheng et al. Feature grouping and selection: A graph-based approach
CN114969278A (zh) 一种基于知识增强图神经网络的文本问答模型
US20230244950A1 (en) Distributions over latent policies for hypothesizing in networks
Wang et al. A local search algorithm with reinforcement learning based repair procedure for minimum weight independent dominating set
Soroush et al. A hybrid customer prediction system based on multiple forward stepwise logistic regression mode
Hossain et al. Rule-based classification based on ant colony optimization: a comprehensive review
Gajcin et al. Counterfactual explanations for reinforcement learning
CN117076993A (zh) 基于云原生的多智能体博弈决策系统及方法
CN116610822A (zh) 一种面向糖尿病文本的知识图谱多跳推理方法
CN116208399A (zh) 一种基于元图的网络恶意行为检测方法及设备
Dodaro et al. Deep learning for the generation of heuristics in answer set programming: A case study of graph coloring
CN115860122A (zh) 一种基于多智能体强化学习的知识图谱多跳推理方法
CN116561302A (zh) 基于混合知识图谱推理的故障诊断方法、装置及存储介质
CN117290554B (zh) 一种基于图数据的业务规则确定方法及装置
Swingler Mixed Order Hyper-Networks for Function Approximation and Optimisation
Mascherini et al. M-GA: A genetic algorithm to search for the best conditional Gaussian Bayesian network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant