[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

说明书

本发明提供了基于知识图谱嵌入的挖掘人物关系的方法、装置以及介质，可以更好地表达语义空间中的实体空间和关系空间之间的相互关系，从而更准确的挖掘人物之间隐藏的相互关系和可疑关系，包括步骤：从具有人物关系的知识图谱中提取原始实体、原始关系，将原始关系嵌入、原始实体嵌入进行交互嵌入，得到交互单元；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；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。

技术领域

本发明涉及知识图谱领域，具体涉及基于知识图谱嵌入的挖掘人物关系的方法、装置以及介质。

背景技术

在发现和预防犯罪方面，知识图谱正发挥着重要作用。知识图谱包含海量的现有事实，每一个事实都形成一个三元组(h，r，t)，包括头实体h、尾实体t和关系r。尽管已经在知识图谱中发现了大量的事实，但它们仍然不够完整，并且局限于我们的认知。为了解决这个问题，知识图补全的任务是预测一个推测的事实，即预测三元组中推测的某个元素，借此技术能够在现有事实的基础上进一步扩展知识图谱，从而可用来揭示人物之间隐藏的相互关系和可疑关系，发现和预防更多的欺诈犯罪。

大多数现有的知识图谱嵌入和补全的方法，不能够反映实体和关系之间的相互关系和相互作用。实际上，目前已有的研究甚至很少关注关系嵌入，而只侧重于实体嵌入的表示学习。由于缺乏充分的关系嵌入学习，这些知识图谱嵌入方法很难在关系空间中提取语义特征。他们也不能利用交互将完整的语义信息整合成一个三元组。

发明内容

针对上述问题，本发明提供了基于知识图谱嵌入的挖掘人物关系的方法、装置以及介质，可以更好地表达语义空间中的实体空间和关系空间之间的相互关系，从而更准确的挖掘人物之间隐藏的相互关系和可疑关系，可以发现和预防更多的欺诈犯罪。

其技术方案是这样的：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。

进一步的，还包括步骤S5：通过挖掘得到的人物关系，更新知识图谱。

进一步的，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；

进一步的，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。

进一步的，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。