[发明专利]一种基于图卷积神经网络的产业图谱融合方法

说明书

本发明公开了一种基于图卷积神经网络的产业图谱融合方法，基于构建的若干产业子图谱，通过构建图谱的局部实体子图，利用图谱中的属性三元组的属性嵌入将实体的结构嵌入转换到相同的向量空间当中，形成实体嵌入向量，将实体对齐问题转换为图匹配的问题，进一步利用图注意力的方法，形成局部匹配向量，在通过GCN使局部匹配信息在图中传播，形成图级的匹配向量，最终通过一个双层的前馈神经网络得到图谱中实体对齐。本发明通过属性嵌入将实体的结构嵌入转换到相同向量空间中，缓解了预对齐实体不足的问题，进一步利用图注意力将图谱中实体对齐问题转化为图匹配问题。为优化产业结构，优化区域结构，提升产业核心竞争力，提供了智力支持。

技术领域

本发明属于深度学习与自然语言处理技术领域，涉及一种基于图卷积神经网络的产业图谱融合方法，为宏观经济领域提供决策支持。

背景技术

近年来，人工智能在全球蓬勃发展，其成功离不开知识图谱的贡献。构建以工业领域汽车产业为代表的特定领域知识图谱，为推进湖北新型工业化进程，优化产业结构，优化区域结构，提升产业核心竞争力，服务于全省工业高质量发展提供了智力支持。本发明专利主要是通过实体对齐技术将汽车产业领域新能源汽车产业图谱、燃油汽车产业图谱、网联汽车产业图谱有效融合，形成包含产业结构、产业分布、产业分工、产业内企业关系等因素的汽车产业图谱。

当前实体对齐技术，传统的方法主要分为两种：一种是基于实体的标签信息。在实际的应用过程中效果并不是很理想，并且跨语言的知识图谱实体对齐很大程度上取决与机器翻译的效果；另一种是基于人工定义特征。这种方法在不同的问题背景下涉及的特征有所不同，很难迁移到其他应用场景。近几年，基于嵌入表示的学习方法越来越流行，主要是通过将知识图谱中的关系三元组以及属性三元组中的实体映射为低维向量空间中的一个点。在现行的技术实现中，多是关注知识图谱中的关系三元组，考虑到其局部结构信息，但是很少有工作考虑到属性三元组的信息。因此在实体对齐的过程中，考虑到图谱中大量的属性三元组，利用图级的全局匹配信息对于图谱融合非常重要。

发明内容：

为了解决上述技术问题，本发明提供了一种基于图卷积神经网络的产业图谱融合方法。

本发明所采用的技术方案是：一种基于图卷积神经网络的产业图谱融合方法，其特征在于，包括以下步骤：

步骤1：基于构建的若干产业子图谱，将产业子图谱内实体、关系以及属性向量化；

步骤2：通过构建与当前实体直接相连的邻接实体集合，得到实体的局部子图，将实体局部子图中的三元组分为属性三元组h，r，a和关系三元组h，r，t；其中，h表示三元组中头实体的嵌入向量，r表示三元组中关系的嵌入向量，a表示属性三元组中属性值向量，t表示三元组中尾实体的嵌入向量。

步骤3：在实体局部子图中使用实体的属性字符嵌入将实体的结构嵌入转换到同一向量空间当中，得到同一向量空间不同知识图谱中实体的嵌入表示；

步骤4：将知识图谱中实体对齐的问题转换为实体局部子图的图匹配问题，进一步利用图注意力方法，首先获得实体局部子图中实体的局部匹配向量；

步骤5：利用图卷积神经网络GCN，在整个图中传播局部匹配信息，为每个实体局部子图生成一个图级的全局匹配向量；

步骤6：将图级的全局匹配向量作为一个双层前馈神经网络输入，并在输出层运用softmax函数获得最后实体对齐的概率。

本发明基于构建的若干产业子图谱，通过构建图谱的局部实体子图，利用图谱中的属性三元组的属性嵌入将实体的结构嵌入转换到相同的向量空间当中，形成实体嵌入向量，将实体对齐问题转换为图匹配的问题，进一步利用图注意力的方法，形成局部匹配向量，在通过GCN使局部匹配信息在图中传播，形成图级的匹配向量，最终通过一个双层的前馈神经网络得到图谱中实体对齐。