[发明专利]一种基于混合翻译模型的带时间知识图谱嵌入方法

说明书

本发明公开了一种基于混合翻译模型的带时间知识图谱嵌入方法，包括以下步骤：1）输入知识图谱相关的数据集，根据数据集情况进行初始化设置；2）使用混合翻译模型对知识图谱的嵌入表示进行更新，得到嵌入表示结果；3）根据嵌入表示结果对相关知识图谱数据集进行补全操作。利用本发明能更好的解决之前算法不能同时处理时间与多元关系的问题，并且能够提高判断的准确性。

技术领域

本发明涉及知识图谱嵌入领域，具体涉及一种基于混合翻译模型的带时间知识图谱嵌入方法。

背景技术

知识图谱是一种有向图，以现实世界中的不同实体作为节点，不同的关系作为有向图上的边。一组现实世界中存在的事实通常以三元组(h,r,t)的形式表示，其中h表示头部实体，t表示尾部实体，r表示两个实体之间的关系。虽然构建的知识图谱包含大量的事实，但是经常出现知识图谱需要补全的情况。知识图谱补全的任务即预测最有可能缺失的实体和关系，头部实体的预测即预测该情况(？,r,t)下最有可能的头部实体，对于尾部实体的预测即预测该情况(h,r,？)，对于关系的预测即预测该种情况(h,？,t)。由于从真实世界所构建的知识图谱是巨大且结构复杂的，基于符号化的方法和传统逻辑的方法既不是可扩展的，也不适合于当前知识图谱补全的任务。

知识图谱嵌入已经成为知识图谱补全的一种重要方法之一。在知识图谱表示学习中，基于翻译模型的知识图谱嵌入方法简单有效，并且在相关的预测任务上有良好的表现。它试图在连续向量空间中学习每个实体的低维嵌入和知识图谱中的关系，并且使用定义在实体和关系嵌入上的评分函数来评测三元组的真实性。在表示学习方法中，基于翻译的嵌入兼顾了模型的简易性与预测的准确性。基于翻译的模型起源于TransE，当(h,r,t)是有效的三元组时,期望h+r≈t在嵌入空间中保持不变。TransE适用于1-1关系的建模，但在处理自反类型与多元关系时存在一些缺陷。为了解决这个问题，相关研究人员提出了更多基于翻译的模型，包括TransH、TransR/CTransR、TransD等，以进一步解决TransE面临的问题，以便于有效地建模各种类型的多元关系型知识图谱。

之前的基于翻译的知识图谱嵌入模型(包括TransH，TransR/CTransR和TransD)专注于对静态知识图谱进行建模。静态知识图谱中的三元组应该是普遍正确的。事实上，KGS中有很多与时间相关的事实，例如，三元组(Einstein，diedIn，Princeton)

网络的方法，它将时间关系建模为随时间变化的事件。它使用RNN作为事件编码器来建模实体间的时态和多元关系交互的情况，并使用所谓的邻域聚合器在同一时间内对并发交互进行建模。

发明内容

本发明的目的是提供一种基于混合翻译模型的带时间知识图谱嵌入方法，通过使用TransD与TransH两种模型混合，达到同时处理时序知识图谱中的时间与多元关系的目的，提高知识图谱补全的准确度，学到更好的知识图谱嵌入表示。

实现本发明目的的具体技术方案是：

一种基于混合翻译模型的带时间知识图谱嵌入方法，该方法包括以下步骤：

步骤1：输入需要补全的时序知识图谱数据集，根据数据集大小进行初始化设置；其中，所述初始化设置具体为：

步骤A1：随机初始化数据集中实体与关系，以向量的形式进行展现，得到初始的关系向量与实体向量；

步骤A2：对于每个关系向量，加入到关系集合R当中，对于每个实体向量，加入到实体集合E当中；

步骤2：使用混合翻译模型对知识图谱的嵌入表示进行更新，得到嵌入表示结果；其中，所述使用混合翻译模型对知识图谱的嵌入表示进行更新，具体为：

步骤B1：从数据集的训练集中采样固定大小为batch的一批数据；