[发明专利]基于知识图谱嵌入与路径信息的多跳检索方法和系统

权利要求书

1.一种基于知识图谱嵌入与路径信息的多跳检索方法，其特征在于，包括以下步骤：

S1：构建数据集中的知识图谱G，处理数据集中的问答检索数据；定义知识图谱G中的三元组K表示为(h,r,t)，其中h,t∈E分别表示主体实体和客体实体，它们之间的关系为r∈R；对于数据集中问答检索数据进行处理，获取自然语言问句q、主体实体h和问题答案a；

S2：将已有的S1中的知识图谱进行知识图谱嵌入；使用嵌入模型对于每一个实体e∈E和关系r∈R进行嵌入映射，生成固定维度的实体嵌入向量e_e∈R^d和关系嵌入向量e_r∈R^d；

S3：利用S2中所生成的知识图谱嵌入向量，通过查询的方式获取S1中主体实体h与问题答案a的向量嵌入表示e_h与e_a；

S4：将S1所提及的自然语言问句进行问题嵌入，利用预训练自然语言模型将自然语言问句q进行映射嵌入得到固定维度的向量e_q∈C^d；

S5：将S1中的自然语言问句中的主体实体h与问题答案a在知识图谱G上进行链路查询，获得两者之间的链路连接；

S6：对S5中的所获取的路径嵌入P＝p₁,p₂,...,p_i中的每一个路径p＝(r₁,r₂,...,r_l)进行路径嵌入得到关系路径嵌入向量e_p；

S7：将S3中的主体实体嵌入向量e_h、问题答案嵌入向量e_a的表示与S6中的关系路径嵌入向量e_p进行拼接，得到一个包含答案路径信息的嵌入向量e_x；

S8：将S4中的自然语言问句嵌入向量e_q与S7中包含答案路径信息的嵌入向量e_x送入到关系记忆嵌入模块，用于分析问句嵌入与实体嵌入之间潜在的依赖关系，并得到重映射的问题嵌入向量

S9：将e_h和e_a送入评分模块中进行评分计算，并引入路径评分，选择与计算最终得到终答案a_ans。

2.如权利要求1所述的一种基于知识图谱嵌入与路径信息的多跳检索方法，其特征在于，S2中，使用ComplEx模型进行知识图谱嵌入模型。

3.如权利要求1所述的一种基于知识图谱嵌入与路径信息的多跳检索方法，其特征在于，S4中，所述自然语言问句q输入到预训练的自然语言模型RoBERTa中进行训练微调，得到一个问句的初步嵌入向量，再通过全连接网络层，生成得到问题q的嵌入向量e_q∈C^d。

4.如权利要求1所述的一种基于知识图谱嵌入与路径信息的多跳检索方法，其特征在于，S5中，所述链路连接是三元组的实体之间通过关系相连接，在问答检索任务中如果主体实体与问题答案存在知识图谱上的关系连接，则对当前关系的路径进行记录，记录为一个路径p＝(r₁,r₂,...,r_l)，将主体实体h与问题答案a所有的路径进行记录为P＝p₁,p₂,...,p_i，在利用深度学习的思想，在进行路径采样时设置以下三个评分机制：当主体实体能够到达答案实体时，进行正向评分：

当路径长度短时能够更加高效的进行处理，进行正向评分：

为了寻找多样化的路径，使用当前路径与现有路径之间的余弦相似度来定义多样化的评分机制：