[发明专利]一种基于动态翻译原则的知识图谱表示学习方法

说明书

本发明公开一种基于动态翻译原则的知识图谱表示学习方法，首先采用实体向量与关系向量之间基于翻译的模型，利用动态参数定义了动态翻译原则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；然后然后根据不同的翻译模型构建了不同的动态翻译原则；最后利用正负例元组之间基于边际的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，从而更好地表示实体和关系之间的联系，并更好的应用于大规模知识图谱补全中。本发明能够很好地应用于大规模知识图谱中，具有良好的实用性。

技术领域

本发明涉及知识图谱技术领域，具体涉及一种基于动态翻译原则的知识 图谱表示学习方法。

背景技术

知识图谱是推动人工智能学科发展和支撑智能信息服务应用(如智能搜 索、智能问答、个性化推荐等)的重要基础技术。一个典型的知识图谱通常 将知识描述为多元关系数据并且使用三元组(head entity，relation，tail entity) (简写为(h，r，t))来表示事实，其中r表示头实体h和尾实体t之间的关 系。例如，乔布斯是苹果公司的创始人这一知识，在知识图谱中可以利用(乔 布斯，是……创始人，苹果公司)这一三元组来表示。

随着知识图谱规模的增大，传统基于符号的方法的复杂度也急剧增加， 使其不能很好的处理大规模知识图谱。近年来，基于embedding的方法被证 明具有很好的可行性及良好的鲁棒性，该方法首先将知识图谱中的实体和关 系投影到连续的、实值的、低维的向量空间，然后通过实体之间的距离来衡 量其相似性。在众多方法中，基于翻译的最典型的方法是TransE，它既简单 又高效，并取得了良好的性能，其基本思想是将每个关系看作是嵌入空间中 实体之间的翻译。对于一个三元组(h，r，t)，头实体h的嵌入h加上关系r 的嵌入r与尾实体t的嵌入t相近，也就是h+r≈t。目前表示学习已经广泛应 用于各种领域，如社交网络、智能推荐等。

TransE非常适合1-to-1关系类型，但由于其翻译规则过于严格而不能很 好的处理1-to-N、N-to-1和N-to-N关系。TransE及其之后的扩展模型在知识 图谱的表示学习方向上取得了显著的进展，然而这些模型均采用与TransE同 样的翻译原则，并且引入了更高的特征空间。但由于知识图谱中的实体及其 之间关系复杂性及多样性，该方向仍然面临很多挑战：(1)知识图谱中的实 体有些对应的关系数目较多(我们称之为复杂实体)，有些对应的关系数目则 较少(我们称之为简单实体)，因此知识图谱中的实体是复杂多样的；(2)同一个实体作为头或尾所对应的关系数目不一样，且所展现出来的语义信息可 能也不一样，也即是同一实体在作为头或尾时所展现出的语义不同；(3)同 一实体对之间可能不止存在一种关系而是对应多种关系，因此实体对之间的 复杂程度也不一样。由于实体及其之间关系的复杂性和多样性，且先前的所 有模型都是基于h+r≈t的翻译原则，因此在对复杂关系和复杂实体建模时 引入了更复杂的特征空间，不能很好地应用于大规模知识图谱。

发明内容

本发明所要解决的是现有基于翻译的表示学习方法的翻译原则过于严格 而无法很好的建模知识图谱中复杂多样的实体和关系的问题，提供一种基于 动态翻译原则的知识图谱表示学习方法。

为解决上述问题，本发明是通过以下技术方案实现的：

一种基于动态翻译原则的知识图谱表示学习方法，包括如下步骤：

步骤1、根据实体向量与关系向量之间基于翻译的模型，构建知识图谱 的三元组评分函数；

步骤2、根据不同的翻译模型构建不同的动态翻译原则；

步骤3、建立正负例元组之间基于边际的损失函数，并通过最小化损失 函数，学得实体和关系的向量表示，达到优化目标；即

当更新h时，通过不断调整h和α_h，使h_p+r尽可能与t相等；