[发明专利]一种基于改进的嵌入模型SUKE的不确定知识图预测方法

说明书

本发明涉及一种基于改进的嵌入模型SUKE的不确定知识图预测方法。基于已有的确定性嵌入模型DistMult提出SUKE模型。SUKE保留了知识的结构信息和不确定性信息，其内部包括评估器和置信度生成器两个组件，前者依据事实的结构特征和不确定特征评估事实的合理性，筛选出不合理的事实，从而获得候选事实。后者为候选事实生成置信度，表示实体发生特定关系的概率。评估器为每个三元组定义结构得分和不确定得分，用于事实合理性评估任务。此外,评估器引入了未知事实参与训练。置信度生成器为每个三元组生成置信度，用于置信度预测任务。本发明能够有效的完成不确定知识图的链路预测任务。

技术领域

本发明涉及知识图谱下的知识表示与推理技术领域，特别是一种基于改进的嵌入模型SUKE的不确定知识图预测方法。

背景技术

不确定知识图谱会为每个三元组提供置信度分数，置信度反映了三元组的发生的概率。近年来，关系提取和众包的发展推动了大规模不确定性知识图谱的构建，如:ConceptNet、Probase和NELL等。hu等人2017年提出URGE。URGE提出了一种基于矩阵分解的方法来嵌入不确定的网络。但该模型仅考虑了稀疏网络中的节点邻近度，并且仅学习节点嵌入。Chen等人在2019年提出的UKGE，其利用三元组的置信度学习嵌入，同时引入了概率软逻辑推断看不见的事实。但UKGE只使用置信度信息学习嵌入，忽略了三元组的结构信息。

目前，针对不确定性的知识图谱的嵌入研究甚少。Miao等人在2015年首次提出了知识图谱的不确定性推理模型IIKE。虽然IIKE取得了不错的性能，但其在计算三元组的置信度概率得分时只孤立地考虑每个三元组，没有利用知识图谱是相互关联的特性。在不确定性知识图嵌入工作中，表现比较突出的模型有hu等人在2018年提出的URGE和chen等人在2019年提出的UKGE。URGE模型针对不确定网络设计，考虑了节点的邻近度生成节点嵌入，虽然URGE模型可以推广到知识图谱上，但不确定网络与知识图谱存在着差异，其并不能很好的完成不确定知识图的嵌入任务。UKGE相比于URGE，性能更加优秀，但UKGE模型在一定程度上没有充分利用知识的结构信息。

发明内容

有鉴于此，本发明的目的是提供一种基于嵌入模型SUKE的不确定知识图预测方法，能够有效的完成不确定知识图的链路预测任务。

本发明采用以下方案实现：一种基于嵌入模型SUKE的不确定知识图预测方法，包括以下步骤：

步骤S1：给定不确定知识图，其内部包含着多个四元组(h,r,t,w)，其中h代表头实体，t代表尾实体，r代表头尾实体的关系，w代表三元组(h,r,t)发生关系的概率；通过UKGE模型中定义的概率软逻辑推理方法扩充原始四元组的数量；最后将扩充好的四元组划分为训练集60％、验证集20％和测试集20％用于训练SUKE模型；SUKE的模型的输入是h,r,t的向量表示，使用TransE算法对知识库中实体和关系的向量进行预训练或者随机初始化；

步骤S2：构建嵌入模型SUKE：设计了评估器和置信度生成器两个组件，其中，评估器用于评估三元组(h,r,t)的合理性，通过评估器将去除不合理的三元组并且将合理的三元组作为候选集合，置信度生成器用于为候选集合生成置信度从而得到四元组(h,r,t,w)；通过损失函数训练评估器和置信度生成器，用于后续的预测；

步骤S3：将获得的四元组(h,r,t,w)，加入到原始不确定知识图谱；其中链路预测定义为给定一个不完备四元组(h,r,？,？)预测其缺失的尾实体和置信度；将链路预测获得的新四元组加入原始不确定知识图谱用以使知识图谱更完备；其中，在预测时，对于一个缺失尾实体的三元组(h,r,？),使用知识图中的实体集合填充尾实体得到待评估三元组集合。

进一步地，所述步骤S2具体包括以下步骤：

步骤S21：通过DistMult模型计算三元组能量得分，通过训练分别获得能量得分到结构得分和不确定得分的映射函数；