[发明专利]一种基于多种语义的知识图谱表示学习方法

摘要

本发明公开一种基于多种语义的知识图谱表示学习方法，首先考虑了关系的不同语义，采用实体向量与关系向量之间基于翻译的模型，利用三元组结构中关系的不同语义并结合头尾实体的投影向量定义关系矩阵，并很好地表示了三元组中实体向量与关系向量之间的相互关联，且无须引入更多的参数；然后利用损失函数将实体向量和关系向量关联起来，并优化该损失函数，当达到优化目标时，就可以学得知识图谱中每个实体的向量和关系的向量。本发明解决了知识库中实体和关系的异质性和不平衡性，更精确地表示实体和关系及其之间的相互联系，并将其应用于大规模知识图谱中。

主权项

一种基于多种语义的知识图谱表示学习方法，其特征是，包括如下步骤：步骤1、根据关系的不同语义定义关系矩阵，通过关系矩阵定义达分函数来表示知识图谱中实体与关系之间的相互关联；步骤11、定义优化目标为：hMr+r＝tMr其中，Mr＝αMh+(1‑α)Mt；h表示头实体，t表示尾实体，r表示头实体h和尾实体t的关系，Mr是关系矩阵，Mh是根据头实体定义的投影矩阵，Mt是根据尾实体定义的投影矩阵，α是用来确定关系矩阵的参数；步骤12、利用实体向量与关系向量之间基于翻译的模型，定义衡量关系和实体对之间相互关联的达分函数；步骤2、通过损失函数将实体向量与关系向量和关系矩阵联系起来，并最小化损失函数，以学习关系的不同语义下实体向量和关系向量，达到优化目标；步骤21、定义损失函数为：L=Σ(h,r,t)∈S(h,r,t)Σ(h′,r,t′)∈S′(h,r,t)[f(h,r,t)+γ-f(h′,r,t′)]+]]>其中，[f(h,r,t)+γ‑f(h′,r,t′)]+＝max(0,f(h,r,t)+γ‑f(h′,r,t′))；γ为设定的边界值；(h,r,t)表示知识图谱的三元组即正例元组，h表示头实体，t表示尾实体，r表示头实体h和尾实体t的关系，f(h,r,t)表示正例三元组的关联函数，S(h,r,t)表示正例三元组集合；(h′,r,t′)表示随机替换掉头实体h和尾实体t所构建的负例三元组，f(h′,r,t′)表示负例三元组的关联函数，S′(h,r,t)表示负例三元组集合；步骤22、最小化损失函数，学习得到知识图谱中每个实体向量和关系向量及其之间的相互联系。