CN115712734B - 一种基于元学习的稀疏知识图谱嵌入方法和装置 - Google Patents

Abstract

一种基于元学习的稀疏知识图谱嵌入方法，包括：步骤1、根据知识图谱中实体所含三元组数量划分头部实体集和尾部实体集；步骤2、将头部实体集进行拆分，以准备数据对MetaTransfer元学习迁移框架进行训练；步骤3、采用传统知识图谱表征模型根据现有三元组集合对各实体进行向量表征；步骤4、将步骤三得到的few‑shot向量表征输入MetaTransfer进行训练得到更高一级shot的表征向量，使其学习到few shot表征向量到many shot表征向量的映射过程；步骤5、结束训练，使用训练好的模型来对尾部实体集合T_k的各实体表征向量进行迁移。本发明能够从头部实体学习训练轨迹信息并应用于尾部实体的训练中。在稀疏知识图谱领域具有重要的作用。

Description

一种基于元学习的稀疏知识图谱嵌入方法和装置

技术领域

本发明属于数据挖掘算法应用技术领域，涉及一种基于元学习的稀疏知识图谱嵌入方法。

背景技术

现实世界中，数据往往呈现稀疏性，信息表达的丰富性也往往带有偏好，例如网络上可供查询的名人信息比普通人要多，并且受限于知识抽取方法本身性能问题或者暗含的常识信息并不会出现在自然语料中等问题。导致大量的普通实体和关系具有极少的可供训练的三元组，而少部分广泛出现的实体却占据绝大部分三元组。因此现实世界中的稀疏知识图谱数据集中的实体和关系往往呈现明显的长尾分布。绝大部分关系仅包含极少的三元组个数，因此其并不能并不能被很好的训练。现有的一些研究工作主要聚焦于关系的长尾效应，采用的普遍框架为采用实体对对关系进行表征，但实体的长尾效应更加严重，因此很难采用未被准确训练的实体对关系进行良好准确的表征。因此有必要解决实体和关系中的长尾效应，从而解决尾部实体的稀疏性。同时，由于尾部的稀疏性也会导致模型在训练过程向头部数据进行过度适应，从而忽视对尾部数据的推理和表征，但尾部实体占比远高于头部实体。但现在并未有相关研究工作提出相应方法用一针对实体的长尾效应以及样本不平衡问题，这是一个丞待解决的重要现实问题，也是知识图谱的数据集中普遍面临的难点问题。

知识图谱的稀疏性呈现长尾效应，大量尾部实体可利用的三元组信息较少，因此对于该类尾部实体，难以对其进行有效和准确的向量表征。并且由于尾部和头部实体所包含训练数据数量的极大差别，导致训练样本失去平衡，模型会更加偏向头部实体而降低对尾部实体的适应。而现有部分针对少样本关系的方法仅考虑了如何采用实体对关系进行更好的表征，并未考虑实体链接的稀疏性以及样本的不平衡性。因此我们需要对尾部实体赋予更多的额外信息，将训练数据更多的头部实体所包含的信息向尾部实体进行迁移，以达到对尾部实体进行更好的表征。同时，由于样本的不平衡性将导致推理模型存在严重的偏向性，因此需要对头部实体和尾部实体所包含三元组对模型训练的重要性程度进行调节。总而言之，应兼顾考虑头部实体信息向尾部的迁移以及压制头部实体对模型的偏向导性。实现在绝大部分实体稀疏的情况下仍能够对其进行很好的表征和推理。

为了对尾部实体赋予更多的额外信息，需要将头部实体的训练数据信息向尾部实体进行迁移，但如何设计有效的迁移网络至关重要，甚至部分头部实体和尾部实体并未有任何链接，从而难以找到可以迁移的共享信息。

发明内容

本发明目的为将长尾分布中头部实体的丰富信息向尾部实体进行迁移，我们设计了一个基于元学习的元信息迁移框架：MetaTransfer，其能够从头部实体学习训练轨迹信息并应用于尾部实体的训练中。此类信息为模型空间中的轨迹，这些轨迹信息为训练示例的增多而发生的模型参数演变过程。并且MetaTransfer 可以和当前的各种知识图谱表征模型进行融合，比如TransE，DisMult等经典模型。它在稀疏知识图谱领域具有重要的作用。

本发明的技术关键在于采用元学习的方式设计一种迁移学习方式，可以从头部实体学习其梯度信息从而迁移至尾部实体进行训练。此外，样本的不平衡性将导致推理模型存在严重的偏向性，需要平衡头部实体和尾部实体对于模型训练的重要性程度，但人为对头部实体加入限制会损失数据的信息量从而影响推理结果。因此应当设计相关方法使得网络自适应的学习如何对头尾部数据进行调节，以降低模型对头部数据的偏向，从而更加注重解决尾部实体的稀疏问题。

一种基于元学习的稀疏知识图谱嵌入方法，包括以下步骤：

步骤1、根据知识图谱中实体所含三元组数量划分头部实体集和尾部实体集；

步骤2、将头部实体集进行拆分，以准备数据对MetaTransfer元学习迁移框架进行训练；

步骤3、采用传统知识图谱表征模型根据现有三元组集合对各实体进行向量表征；

步骤4、将步骤三得到的few-shot向量表征输入MetaTransfer进行训练得到更高一级shot的表征向量，使其学习到few shot表征向量到many shot表征向量的映射过程；

步骤5、结束训练，使用训练好的模型来对尾部实体集合T_k的各实体表征向量进行迁移。

进一步，步骤1具体包括：根据数据集中实体所包含三元组的数量固定拆分为头部实体集和尾部实体集，头尾部实体集分别指代实体长尾分布中的长部和尾部，而非头实体和尾实体，设定超过k个训练样本(h，r，t)的实体为头部实体集，设为H_k，低于k个训练样本的集合为尾部实体集，设为T_k。

进一步，步骤2具体包括：将头部实体集中实体所包含的所有三元组分割成以2为倍数的集合，h实体有n个三元组，则将拆分为{1，2¹，2ⁱ，2^N}；该集合所包含的做大三元组数量为2^N＝k；这限定了头部实体集中所有实体的三元组数量都必然有一个集合；当h实体有16个三元组时，且N＝3，则将进行如下拆分： {8，4，2，1}。

进一步，步骤3具体包括：采用知识图谱表征模型对头部实体集中实体进行初步向量表征，预设知识图谱表征模型为E(·)，其在给定三元组集合{h，l，t}下能够学习到各实体的向量表征：首先采用H_k数据训练E(H_k)得到各实体的many shot向量表征：/>例如E(·)为TransE的情况下，其训练损失如下：

l＝∑_{(h，l，t)∈S}∑_{(h′，l，t′)∈S′}[γ+d(h+l，t)-d(h′+l，t′)]₊， (1)。

进一步，步骤4具体包括：设计元学习迁移框架MetaTransfer，框架模型由多个transformer组成，将步骤二得到的头部实体拆分集合作为输入，其中只有一个三元组的集合得到的表征向量称为1-shotθ，N个三元组的集合所得到的表征向量称为N-shotθ；头部实体集合中的各shotθ按照从小到大挨个输入 MetaTransfer；使得其学习从few shot到manyshot的向量参数映射过程，使得尾部实体的表征向量得以从few shot迁移至mawny shot，因此该网络严格遵循模型回归框架。

进一步，步骤5所述的网络的训练过程如下：

使用H_k数据集中拆分集合样本来学习few shot下的实体向量，得到few shot 训练集下的实体表征向量：随后训练MetaTransfer网络M(·)将few shot 表征向量/>映射成为many shot表征向量/>MetaTransfer网络M(·)本身用权值w进行参数化，每一类的目标函数为：

该目标函数期望将few shot情况下得到的实体表征向量在经过MetaTransfer网络后，能与many shot情况下得到的实体表征向量/>相近，从而使得MetaTransfer网络学习到从few shot表征向量到many shot表征向量的映射；目标函数后半段将生成的many shot表征向量替换原有向量，期望其在知识图谱表征模型上应当得到更好结果。

进一步，步骤5具体包括：结束训练，使用训练好的模型来对尾部实体集合 T_k的表征向量进行迁移；MetaTransfer共有N-1个输入口{1,2¹,2ⁱ,…,2^N},根据T_k中各实体所包含三元组的数量决定输入端口，最终得到many shot三元组下的实体向量表征θ_*；实体所包含三元组数量为向下兼容，T_k中有实体T，其有3个三元组，将该3个三元组经过步骤三得到T的表征向量：3-shotθ,由于3-shot介于{2¹,2²}之间，因此向下兼容由2¹输入口输入，并最终经过Transformer 2,…,N 得到其many shot下的向量表征θ_*。

实施本发明方法的一种基于元学习的稀疏知识图谱嵌入装置，包括：

头部实体集和尾部实体集划分模块，用于根据知识图谱中实体所含三元组数量划分头部实体集和尾部实体集；

头部实体集进行拆分模块，用于将头部实体集进行拆分，以准备数据对MetaTransfer元学习迁移框架进行训练；

向量表征模块，用于采用传统知识图谱表征模型根据现有三元组集合对各实体进行向量表征；

向量表征训练模块，用于将步骤三得到的few-shot向量表征输入 MetaTransfer进行训练得到更高一级shot的表征向量，使其学习到few shot 表征向量到many shot表征向量的映射过程；

实体表征向量迁移模块，用于结束训练，使用训练好的模型来对尾部实体集合T_k的各实体表征向量进行迁移。

实施本发明方法的一种基于元学习的稀疏知识图谱嵌入装置，包括：存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本发明的一种基于元学习的稀疏知识图谱嵌入方法。

本发明还包括一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现本发明的一种基于元学习的稀疏知识图谱嵌入方法。

本发明的有益效果是：

本发明考虑到知识图谱的稀疏性呈现长尾效应，大量尾部实体可利用的三元组信息较少，因此对于该类尾部实体，难以对其进行有效和准确的向量表征。为了将长尾分布中头部实体的丰富信息向尾部实体进行迁移，我们设计了一个基于元学习的元信息迁移框架：MetaTransfer，其能够从头部实体学习训练轨迹信息并应用于尾部实体的训练中。此类信息为模型空间中的轨迹，这些轨迹信息为训练示例的增多而发生的模型参数演变过程。并且MetaTransfer可以和当前的各种知识图谱表征模型进行融合，比如TransE，DisMult等经典模型。它在稀疏知识图谱领域具有重要的作用。

附图说明

图1是本发明的一个实施例的所提出的元信息迁移框架MetaTransfer。

图2是本发明的一个实施例的方法流程图。

图3是本发明的一个实施例的的装置结构图。

图4是知识图谱结构示意图。

图5是实体链接结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。

需要说明的是，在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。

在一个用户网页搜索场景中，基于知识图谱数据库的搜索形式将变成三元组的补全范式，例如当一个用户搜索“中国的首都是哪个城市”，即可解析出其头节点为“中国”、关系为“首都”，对该三元组进行尾节点补全即可返回该搜索答案。而在此类补全任务中，通常需要大量的三元组来对关系的向量表征进行训练，三元组由头实体，关系，尾实体组成(h,r,t)，例如(中国，首都，北京)，其表明中国的首都是北京。而中国这个实体，其可能包含有其他的三元组，例如(中国，英文，China)。当一个关系有大量的三元组时，我们将其划分为头部实体集合。并且根据不同的三元组数量训练得到的表征向量称为不同shot的表征向量，例如只根据(中国，首都，北京)三元组训练得到的“中国”实体向量为1-shot θ，如果根据两个三元组{(中国，首都，北京)，(中国，英文，China)}得到的“中国”实体向量称为2-shotθ。将1-shotθ经过训练好的元信息迁移框架 MetaTransfer，当经过Transformer 0时，可得到2-shotθ，再经过后续的 transformer可得到该实体“中国”的many-shotθ_*。

图1为本发明一实施例提供的一种基于元学习的稀疏知识图谱嵌入方法的流程示意图。如图1所示，本发明实施例中的应用本发明提供一种基于元学习的稀疏知识图谱嵌入算法的用户网页搜索方法，包括以下步骤：

步骤一、根据数据集中实体所包含三元组的数量固定拆分为头部实体集和尾部实体集(注：头尾部实体集分别指代实体长尾分布中的长部和尾部，而非头实体和尾实体)，我们设定超过k个训练样本(h，r，t)的实体为头部实体集，设为H_k，低于k个训练样本的集合为尾部实体集，设为T_k。

步骤二、将头部实体集中实体所包含的所有三元组分割成以2为倍数的集合，例如h实体有n个三元组，则可以拆分为{1，2¹，2ⁱ，2^N}。该集合所包含的做大三元组数量为2^N＝k。这限定了头部实体集中所有实体的三元组数量都必然有一个集合。例如h实体有16个三元组，且N＝3，则可以进行如下拆分：{8，4，2，1}。

步骤三：采用知识图谱表征模型对头部实体集中实体进行初步向量表征，预设知识图谱表征模型为E(·)，其在给定三元组集合{h，l，t}下能够学习到各实体的向量表征：首先我们采用H_k数据训练E(H_k)得到各实体的many shot向量表征：/>例如E(·)为TransE的情况下，其训练损失如下：

l＝∑_{(h，l，t)∈S}∑_{(h′，l，t′)∈S′}[γ+d(h+l，t)-d(h′+l，t′)]₊， (1)

步骤四：设计元学习迁移框架MetaTransfer，框架模型如图1，由多个transformer组成，将步骤二得到的头部实体拆分集合作为输入，其中只有一个三元组的集合得到的表征向量称为1-shotθ，N个三元组的集合所得到的表征向量称为N-shotθ。头部实体集合中的各shotθ按照从小到大挨个输入MetaTransfer。使得其学习从few shot到manyshot的向量参数映射过程，使得尾部实体的表征向量得以从few shot迁移至mawny shot，因此该网络严格遵循模型回归框架。例如图1，经过训练可以使的transformer 0学习到1-shot 情况下的参数到2-shot情况下的参数映射过程。训练过程如下：

使用H_k数据集中拆分集合样本来学习few shot下的实体向量，得到few shot 训练集下的实体表征向量：随后训练MetaTransfer网络M(·)将few shot 表征向量/>映射成为many shot表征向量/>MetaTransfer网络M(·)本身用权值w进行参数化，每一类的目标函数为：

该目标函数期望将few shot情况下得到的实体表征向量在经过MetaTransfer网络后，能与many shot情况下得到的实体表征向量/>相近，从而使得MetaTransfer网络学习到从few shot表征向量到many shot表征向量的映射。目标函数后半段将生成的many shot表征向量替换原有向量，期望其在知识图谱表征模型上应当得到更好结果。

步骤五、结束训练，使用训练好的模型来对尾部实体集合T_k的表征向量进行迁移；MetaTransfer共有N-1个输入口{1，2¹，2ⁱ，...，2^N}，根据T_k中各实体所包含三元组的数量决定输入端口，最终得到many shot三元组下的实体向量表征θ_*。实体所包含三元组数量为向下兼容，例如T_k中有实体T，其有3个三元组，将该 3个三元组经过步骤三得到T的表征向量：3-shotθ，由于3-shot介于{2¹，2²}之间，因此向下兼容由2¹输入口输入，并最终经过Transformer 2，…，N得到其many shot下的向量表征θ_*。

步骤六、用户输入问题，通过实体链接算法得到问题的头节点和关，并将其输入训练好的知识图谱嵌入模型中，该模型会在知识图谱数据库中检索其可能的尾实体结果，并将其作为搜索的结果而返回。

本发明还提供了图3所示的一种对应于图1的一种基于元学习的稀疏知识图谱嵌入装置的示意结构图。

实施本发明方法的一种基于元学习的稀疏知识图谱嵌入装置，包括：

头部实体集和尾部实体集划分模块，用于根据知识图谱中实体所含三元组数量划分头部实体集和尾部实体集；

头部实体集进行拆分模块，用于将头部实体集进行拆分，以准备数据对MetaTransfer元学习迁移框架进行训练；

向量表征模块，用于采用传统知识图谱表征模型根据现有三元组集合对各实体进行向量表征；

向量表征训练模块，用于将步骤三得到的few-shot向量表征输入MetaTransfer进行训练得到更高一级shot的表征向量，使其学习到few shot 表征向量到many shot表征向量的映射过程；

实体表征向量迁移模块，用于结束训练，使用训练好的模型来对尾部实体集合T_k的各实体表征向量进行迁移。

实施本发明方法的一种基于元学习的稀疏知识图谱嵌入装置，包括：存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本发明的一种基于元学习的稀疏知识图谱嵌入方法。

本发明还包括一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现本发明的一种基于元学习的稀疏知识图谱嵌入方法。

如图2、图3所述，在硬件层面，该一种基于元学习的稀疏知识图谱嵌入装置包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的数据采集的方法。当然，除了软件实现方式之外，本发明并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware DescriptionLanguage，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescription Language)、 Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和 /或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM) 和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于知识图谱数据库的问答方法，其特征在于，包括以下步骤：

步骤1、根据知识图谱中实体所含三元组数量划分头部实体集和尾部实体集；头尾部实体集分别指代实体长尾分布中的长部和尾部，而非头实体和尾实体，设定超过k个训练样本(h,r,t)的实体为头部实体集，设为H_k，低于k个训练样本的集合为尾部实体集，设为T_k；

步骤2、将头部实体集进行拆分，以准备数据对MetaTransfer元学习迁移框架进行训练；具体步骤包括：将头部实体集中实体所包含的所有三元组分割成以2为倍数的集合，h实体有n个三元组，则将拆分为{1,2¹,2ⁱ,2^N}；该集合所包含的最大三元组数量为2^N＝k；这限定了头部实体集中所有实体的三元组数量都必然有一个集合；当h实体有16个三元组时,且N＝3，则将进行如下拆分:{8,4,2,1}；

步骤3、采用传统知识图谱表征模型根据现有三元组集合对各实体进行向量表征；预设知识图谱表征模型为E(·)，其在给定三元组集合{h,l,t}下能够学习到各实体的向量表征：首先采用H_k数据训练E(H_k)得到各实体的many shot向量表征：/>E(·)为TransE的情况下，其训练损失如下：

步骤4、将步骤3得到的few-shot向量表征输入MetaTransfer进行训练得到更高一级shot的表征向量，使其学习到few shot表征向量到many shot表征向量的映射过程；具体步骤包括：设计元学习迁移框架MetaTransfer，框架模型由多个transformer组成，将步骤2得到的头部实体拆分集合作为输入，其中只有一个三元组的集合得到的表征向量称为1-shotθ，N个三元组的集合所得到的表征向量称为N-shotθ；头部实体集合中的各shotθ按照从小到大挨个输入MetaTransfer；使得其学习从few shot到many shot的向量参数映射过程,使得尾部实体的表征向量得以从few shot迁移至mawny shot，因此MetaTransfer网络严格遵循模型回归框架；所述的MetaTransfer网络的训练过程如下：

使用H_k数据集中拆分集合样本来学习few shot下的实体向量，得到few shot训练集下的实体表征向量：随后训练MetaTransfer网络M(·)将few shot表征向量/>映射成为many shot表征向量/>MetaTransfer网络M(·)本身用权值w进行参数化，每一类的目标函数为:

该目标函数期望将few shot情况下得到的实体表征向量在经过MetaTransfer网络后，能与many shot情况下得到的实体表征向量/>相近，从而使得MetaTransfer网络学习到从few shot表征向量到many shot表征向量的映射；目标函数后半段将生成的many shot表征向量替换原有向量，期望其在知识图谱表征模型上应当得到更好结果；

步骤5、结束训练，使用训练好的模型来对尾部实体集合T_k的各实体表征向量进行迁移；具体包括：MetaTransfer共有N-1个输入口{1,2¹,2ⁱ,…,2^N},根据T_k中各实体所包含三元组的数量决定输入端口，最终得到many shot三元组下的实体向量表征θ_*；实体所包含三元组数量为向下兼容，T_k中有实体T，其有3个三元组，将该3个三元组经过步骤三得到T的表征向量：3-shotθ,由于3-shot介于{2¹,2²}之间，因此向下兼容由2¹输入口输入，并最终经过Transformer 2,…,N得到其many shot下的向量表征θ_*；

步骤6、用户输入问题文本，通过实体链接算法得到问题的头节点和关系，并将其输入训练好的知识图谱嵌入模型中，在知识图谱数据库中检索可能的尾实体结果，并将其作为搜索的结果而返回。

2.一种基于知识图谱数据库的问答装置，其特征在于，包括：

头部实体集和尾部实体集划分模块，用于根据知识图谱中实体所含三元组数量划分头部实体集和尾部实体集；头尾部实体集分别指代实体长尾分布中的长部和尾部，而非头实体和尾实体，设定超过k个训练样本(h,r,t)的实体为头部实体集，设为H_k，低于k个训练样本的集合为尾部实体集，设为T_k；

头部实体集进行拆分模块，用于将头部实体集进行拆分，以准备数据对MetaTransfer元学习迁移框架进行训练；具体步骤包括：将头部实体集中实体所包含的所有三元组分割成以2为倍数的集合，h实体有n个三元组，则将拆分为{1,2¹,2ⁱ,2^N}；该集合所包含的最大三元组数量为2^N＝k；这限定了头部实体集中所有实体的三元组数量都必然有一个集合；当h实体有16个三元组时,且N＝3，则将进行如下拆分:{8,4,2,1}；

向量表征模块，用于采用传统知识图谱表征模型根据现有三元组集合对各实体进行向量表征；具体包括：预设知识图谱表征模型为E(·)，其在给定三元组集合{h,l,t}下能够学习到各实体的向量表征：首先采用H_k数据训练E(H_k)得到各实体的many shot向量表征：E(·)为TransE的情况下，其训练损失如下：

向量表征训练模块，用于将步骤三得到的few-shot向量表征输入MetaTransfer进行训练得到更高一级shot的表征向量，使其学习到few shot表征向量到many shot表征向量的映射过程；具体步骤包括：设计元学习迁移框架MetaTransfer，框架模型由多个transformer组成，将步骤2得到的头部实体拆分集合作为输入，其中只有一个三元组的集合得到的表征向量称为1-shotθ，N个三元组的集合所得到的表征向量称为N-shotθ；头部实体集合中的各shotθ按照从小到大挨个输入MetaTransfer；使得其学习从few shot到manyshot的向量参数映射过程,使得尾部实体的表征向量得以从few shot迁移至mawny shot，因此MetaTransfer网络严格遵循模型回归框架；所述的MetaTransfer网络的训练过程如下：

使用H_k数据集中拆分集合样本来学习few shot下的实体向量，得到few shot训练集下的实体表征向量：随后训练MetaTransfer网络M(·)将few shot表征向量/>映射成为many shot表征向量/>MetaTransfer网络M(·)本身用权值w进行参数化，每一类的目标函数为:

该目标函数期望将few shot情况下得到的实体表征向量在经过MetaTransfer网络后，能与many shot情况下得到的实体表征向量/>相近，从而使得MetaTransfer网络学习到从few shot表征向量到many shot表征向量的映射；目标函数后半段将生成的many shot表征向量替换原有向量，期望其在知识图谱表征模型上应当得到更好结果；

实体表征向量迁移模块，用于结束训练，使用训练好的模型来对尾部实体集合T_k的各实体表征向量进行迁移；具体包括：MetaTransfer共有N-1个输入口{1,2¹,2ⁱ,…,2^N},根据T_k中各实体所包含三元组的数量决定输入端口，最终得到many shot三元组下的实体向量表征θ_*；实体所包含三元组数量为向下兼容，T_k中有实体T，其有3个三元组，将该3个三元组经过步骤三得到T的表征向量：3-shotθ,由于3-shot介于{2¹,2²}之间，因此向下兼容由2¹输入口输入，并最终经过Transformer 2,…,N得到其many shot下的向量表征θ_*；

检索模块，用于根据输入的问题文本，通过实体链接算法得到问题的头节点和关系，并将其输入训练好的知识图谱嵌入模型中，在知识图谱数据库中检索可能的尾实体结果，并将其作为搜索的结果而返回。

3.一种基于知识图谱数据库的问答设备，其特征在于，包括：存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1所述的一种基于知识图谱数据库的问答方法。

4.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1所述的一种基于知识图谱数据库的问答方法。