[发明专利]基于对抗式注意力机制的一样本知识图谱关系学习方法及系统

权利要求书

1.基于对抗式注意力机制的一样本知识图谱关系学习方法，其特征在于，包括：

获取目标知识图谱中关系三元组及其对应的自然文本描述；

对目标知识图谱进行表示学习获得三元组的向量表示；

对三元组相应的文本描述进行表示学习获得文本中词向量表示；

构建带去噪注意力模块和混淆注意力模块的条件对抗式生成网络；

对条件对抗式生成网络进行优化训练，基于训练好的条件对抗式生成网络，预测未见关系r_u的关系查询(e_g，r_u，？)所对应的目标实体；其中，？代表与实体e_q对应的、未见关系r_u的实体；

构建带去噪注意力模块和混淆注意力模块的条件对抗式生成网络，具体为：

构建以文本描述为输入，以关系表示向量为输出的生成器：采用三元组的文本描述作为条件输入，首先采用去噪注意力模块对文本描述进行去噪，只关注三元组描述的关系语义，将其输入到生成器中，监督生成器的特征生成；

构建三元组的向量表示与带注意力权重的关系表示向量的判别器：针对生成器的生成特征，采用混淆注意力模块增加判别器的判别难度，只选取生成特征中包含的三元组描述的关系语义；通过判别器输出判别结果；

基于上述构建的生成器和判别器，得到条件对抗式生成网络；

所述去噪注意力模块对文本描述进行去噪的过程具体为：

计算三元组表示向量x_i和文本描述中每个词向量v_i的余弦相似度x_i，v_i，得到其对应的关系注意力权重α_i；

将文本描述中所有词向量乘以其相应关系注意力权重进行求和；

再通过一个全连接层即可得到文本描述的表示t_i，{i＝1，2，3…S}；S为文本描述的个数；

所述采用混淆注意力模块增加判别器的判别难度的具体过程为：

计算三元组表示向量x_i和生成向量的余弦相似度即可得到其对应的关系注意力权重β_i，将注意力权重乘到关系表示向量上，通过一个全连接层，获得生成向量的新的表示T为向量的个数。

2.如权利要求1所述的基于对抗式注意力机制的一样本知识图谱关系学习方法，其特征在于，对目标知识图谱进行表示学习获得三元组的向量表示，具体为：

采用基于表示学习的方法得到对知识图谱中每个实体的向量表示，对于可见关系r_s的一个三元组得到该关系实体三元组的向量表示x_i，{i＝1，2，3…T}。

3.如权利要求1所述的基于对抗式注意力机制的一样本知识图谱关系学习方法，其特征在于，对三元组相应的文本描述进行表示学习获得文本中词向量表示，具体为：

选取词向量表示学习模型，所述模型将训练语料中包含的|V|个词表示成一个d×|V|的词向量字典W^e，其中d为词向量的维度；

对于一个包含M个词语的文本描述t＝{w₁，w₂，…，w_m}，其每一个词语w_i在整个词表中的独热编码表示为h_i∈{0，1}^|V|，则计算词向量词典和该词语对应的独热编码向量的乘积W^e×h_i，即为该词语的词向量表示v_i。