[发明专利]一种基于锚点的动态知识图谱表示学习方法及系统

权利要求书

1.一种基于锚点的动态知识图谱表示学习方法，其特征在于包括以下步骤：

S1、构建基坐标系统：利用复杂网络分析方法，找出已有知识图谱中对全局信息起支撑作用的关键知识实体作为锚点；并将已有知识图谱中所有三元组信息视为静态数据集，对所述静态数据集进行表征学习，得到所有三元组的向量表示，其中，将所述锚点的向量作为基向量，从而构建基坐标系统；

S2、实体对齐：获取已有知识图谱和新增知识中的实体的文本描述信息以及同义词信息，并将所述文本描述信息以及同义词信息转化为向量，根据转化得到的向量，计算已有知识图谱中的实体与新增知识中的实体之间的相似度，进一步得到对齐的实体对数据集；

S3、关系融合：获取已有知识图谱和新增知识中的关系的词典释义信息，并将所述词典释义信息转化为向量，根据转化得到的向量，计算已有知识图谱中的关系与新增知识中的关系的相似度，进一步得到对齐的关系对数据集；

S4、新增知识表示学习：根据对齐的实体对数据集以及关系对数据集，直接将已有知识图谱中的实体向量以及关系向量替换成新增知识中对齐的实体向量以及关系向量；对于新增知识中未对齐的部分，基于步骤S1中构建的基坐标系统，利用所述未对齐的实体向量以及关系向量对已有知识图谱进行训练，得到新的知识图谱。

2.根据权利要求1所述的基于锚点的动态知识图谱表示学习方法，其特征在于，所述步骤S1中，采用引入最小覆盖算法的贪婪算法寻找已有知识图谱中的锚点，具体过程为：首先计算知识图谱中所有节点的度，将度最大的一组节点标记为锚节点，并将所述锚节点的邻居节点标记为已覆盖，所述邻居节点表示与锚节点直接相连的节点；然后计算剩余未标记的所有节点的度，再次将度最大的一组节点标记为锚节点，并将锚节点的邻居节点标记为已覆盖；重复上述过程，直到所有节点均被标记为已覆盖或锚节点，所述标记为锚节点的所有节点即为寻找得到的锚点。

3.根据权利要求1所述的基于锚点的动态知识图谱表示学习方法，其特征在于，所述步骤S2的具体过程为：

S21、利用Python爬虫技术，爬取已有知识图谱和新增知识中每个实体对应Wikipedia中的文本描述信息，并利用WordNet数据集，获取每个实体对应的同义词信息；

S22、利用word2vec技术将每个实体对应的文本描述信息以及同义词信息转化为向量表示；

S23、实体对齐：计算已有图谱中所有实体和新增知识中所有实体两两之间的相似度S_(i,j)，其中，i表示已有知识图谱中的实体，j表示新增知识中的实体，当相似度S_(i,j)超过阈值α时，将(i,j)加入到对齐的实体对数据集D_e中。

4.根据权利要求1所述的基于锚点的动态知识图谱表示学习方法，其特征在于，所述步骤S3的具体过程为：

S31、通过已建立的词典数据，查阅已有知识图谱和新增知识中每种关系对应的词典释义信息；

S32、利用word2vec技术将每种关系对应的词典释义信息转化为向量表示；

S33、计算已有图谱中所有关系和新增知识中所有关系两两之间的相似度S_(m,n)，其中，m表示已有知识图谱中的关系，n表示新增知识中的关系，当相似度S_(m,n)超过阈值β时，将(m,n)加入到对齐的关系对数据集D_r中。

5.根据权利要求4所述的基于锚点的动态知识图谱表示学习方法，其特征在于，所述步骤S31中，对于由多个关系组成的复杂关系，分布查阅每个关系对应的词典释义信息，作为所述复杂关系的词典释义信息。

6.根据权利要求1所述的基于锚点的动态知识图谱表示学习方法，其特征在于，所述步骤S4的训练过程中，保持所述基向量不变，对新增知识中未对齐的实体向量以及关系向量进行迭代更新。