[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

说明书

本发明提供一种基于锚点的动态知识图谱表示学习方法及系统，首先找到已有知识图谱中对全局信息起支撑作用的关键实体，利用这些实体的向量构建基坐标系统；其次，将新增知识与已有知识图谱进行语义对齐，包括实体对齐、关系融合；最后，在基坐标系统下进行表征学习，只需联合新增知识与已有知识图谱的相关局部知识进行训练，将新知识实体摆放在知识空间中合适的位置，实现动态知识图谱的自适应增长。本发明的有益效果：将实体及关系的文本信息作为语义基础，提供了知识融合的信息基础，使得实体对齐和关系融合更加全面充分；利用word2vec向量生成模型，将实体及关系的文本信息转化为向量形式，从而用于数学运算。

技术领域

本发明涉及动态知识图谱表示学习领域，尤其涉及一种基于锚点的动态知识图谱表示学习方法及系统。

背景技术

知识图谱常以网络形式表示，其中，节点表示实体，边表示两个实体之间的关系，每一条知识可用三元组头实体，关系，尾实体的形式表示，知识图谱是NLP技术在智能问答、web搜索和语义分析等任务中的重要组成部分。知识图谱往往规模巨大，包含数以百计的实体和数十亿的知识，但通常还不够完整，所以用知识图谱补全来解决知识图谱中的数据稀疏问题。基于三元组这样的符号表示方法，在知识图谱补全中设计者必须为不同应用设计各种图算法。随着知识图谱规模的不断增加，扩展性变差，计算复杂度越来越高。另一方面，基于图表示的知识图谱在应用中面临数据稀疏等问题，且不利于机器学习。

为解决上述问题，知识图谱表示学习(也被称为知识图谱的嵌入式学习)被提了出来，知识图谱的表示学习旨在将知识图谱的实体和关系表示为稠密低维实值向量，进而在低维向量中高效计算实体、关系及其之间的复杂关联，在知识图谱的构建、推理、融合、挖掘以及以及应用中具有重要作用。

现有的知识图谱表示学习方法，比如TransE、TransR等经典模型，将关系作为从头实体向量到尾实体向量的转换，这些方法在知识图谱表示学习中占据重要的地位，但只适用于静态知识图谱。然而，随着信息技术的发展，现实世界的新知识在不断地增长，当知识图谱中加入新的外部知识时，需要将新知识融入到已有知识图谱中。当引入新增知识时，这些方法必需先将所有的知识整合到一起重新训练，效率较低，尤其在现实世界中，已有的图谱数据巨大，若每次新增知识都对其进行重新学习，十分费时费力。

发明内容

有鉴于此，本发明提供了一种利用锚点作为基坐标系统来支撑知识图谱动态扩展的方法，首先找到知识图谱中对全局信息起支撑作用的关键实体，这些实体构成知识空间的基向量，其他所有知识都由这组基向量决定；其次，将新增知识与已有知识图谱进行语义对齐，包括实体对齐、关系融合；最后，基于渐进式学习的基坐标系统进行表征学习，只需联合新增知识与已有知识图谱的相关局部知识进行训练，将新知识实体摆放在知识空间中合适的位置，实现了动态知识图谱的自适应增长。

本发明提供一种基于锚点的动态知识图谱表示学习方法，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；