[发明专利]基于知识图谱嵌入的挖掘人物关系的方法、装置以及介质

权利要求书

1.基于知识图谱嵌入的挖掘人物关系的方法，其特征在于，包括以下步骤：

步骤S1：从具有人物关系的知识图谱中提取原始实体、原始关系，将原始实体、原始关系进行嵌入表示；

步骤S2：将原始关系嵌入、原始实体嵌入进行交互嵌入，得到交互单元；

步骤S3：构建并训练预测模型，所述预测模型包括前馈神经网络层和卷积神经网络层以及评分层，将交互单元进行嵌入表示后，分别输入前馈神经网络层和卷积神经网络层，得到预测的实体嵌入，将预测的实体嵌入输入评分层，获得评分层预测的实体嵌入的得分；

步骤S4：将得分最高的预测的实体嵌入的得分，作为挖掘的得到的人物关系输出；

其中，步骤S2具体包括以下步骤：

步骤S21：基于平移距离模型，将原始关系嵌入从关系空间投影到实体空间，与原始实体嵌入相加，得到实体交互嵌入；

步骤S22：将原始实体、原始关系和实体交互嵌入进行双线性投影，得到关系交互嵌入；

步骤S23：合并原始实体嵌入、原始关系嵌入、实体交互嵌入和关系交互嵌入，得到交互单元；

在步骤S3中，在训练预测模型时，构建训练集，所述训练集包括有标签的实体嵌入，通过标签能够索引得到对应的真实需预测的实体嵌入，采用有监督的学习方式，将训练集中数据对应的交互单元进行嵌入表示，然后输入预测模型的前馈神经网络层和卷积神经网络层，得到预测的实体嵌入，再将预测的实体嵌入与真实需预测的实体嵌入做点积，得到相似度得分，使用softmax函数将相似度得分进行归一化，使用交叉熵计算损失函数，更新预测模型；

在前馈神经网络层中，使用relu做为激活函数，输入的交互单元嵌入被映射到高维空间，得到特征向量，定义转换矩阵，将得到特征向量与转换矩阵相乘，然后使用relu激活函数处理，得到预测的实体嵌入；

在卷积神经网络层中，输入的交互单元嵌入经过卷积神经网络，得到特征向量，定义转换矩阵，将得到特征向量与转换矩阵相乘，然后使用relu激活函数处理，得到预测的实体嵌入；

在评分层中，采用sigmoid函数对预测得到的实体嵌入进行处理，得到预测的实体嵌入的得分。

2.根据权利要求1所述的基于知识图谱嵌入的挖掘人物关系的方法，其特征在于，在步骤S1中，还包括以下步骤：从互联网爬取人物数据，构建人物关系的知识图谱，所述人物关系的知识图谱包含头实体、关系、尾实体的三元组。

3.根据权利要求1所述的基于知识图谱嵌入的挖掘人物关系的方法，其特征在于，步骤S21具体包括以下步骤：

步骤S211：定义转换矩阵，使用所述转换矩阵与原始关系嵌入相乘，将原始关系嵌入的信息从关系空间投影到实体空间；

步骤S212：将步骤S211得到的结果，与初始实体嵌入相加，得到实体交互嵌入。

4.根据权利要求3所述的基于知识图谱嵌入的挖掘人物关系的方法，其特征在于，步骤S22具体包括以下步骤：

步骤S221：将原始实体嵌入与原始关系嵌入，于向量的每一个维度进行哈达玛积操作，得到初级关系交互嵌入；

步骤S222：步骤S221得到的初级关系交互嵌入与步骤S21得到的实体交互嵌入之间，在向量的每一个维度进行哈达玛积操作，得到关系交互嵌入。

5.根据权利要求4所述的基于知识图谱嵌入的挖掘人物关系的方法，其特征在于，步骤S23具体包括以下步骤：

将原始实体嵌入、原始关系嵌入、步骤S21得到的实体交互嵌入、步骤S22得到的关系交互嵌入，在矩阵的第2个维度上做矩阵的连接操作，得到交互单元。

6.根据权利要求1所述的基于知识图谱嵌入的挖掘人物关系的方法，其特征在于：还包括步骤S5：通过挖掘得到的人物关系，更新知识图谱。

7.一种计算机装置，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1所述的基于知识图谱嵌入的挖掘人物关系的方法。

8.一种计算机可读存储介质，其上存储有程序，其特征在于：程序被处理器执行时实现如权利要求1所述的基于知识图谱嵌入的挖掘人物关系的方法。