[发明专利]基于PtransE模型的知识图谱链接预测方法

权利要求书

1.一种基于PtransE模型的知识图谱链接预测方法，其特征在于，所述方法包括以下步骤：

第一步、从知识库中构建目标三元组，并获得该三元组中头实体和尾实体之间所有的路径关系；

第二步、进行关系编码，结合Word2vec将目标三元组中的直接关系和所有路径关系表示成向量，并将路径关系表示成的向量输入LSTM进行顺序编码；

第三步、进行实体类型编码，获取目标三元组的头实体和尾实体的类型上下文向量；

第四步、计算关系路径可靠性，并将上述结果输入能量函数，判断这个三元组是否成立。

2.如权利要求1所述的一种基于PtransE模型的知识图谱链接预测方法，其特征在于，所述第一步的过程如下：

1.1、在知识库中获取实体集E和关系集R，从中构建一个三元组S＝{(h,r,t)|h,t∈E∧r∈R}，r是实体h和t之间的直接关系，h是头实体，t是尾实体；

1.2、获取h和t之间所有的关系路径集合P＝{p₁,p₂,…p_N}，其中，p_i表示路径集合P中第i条路径，N表示关系路径的数量，h和t之间第i条路径表示为P_i＝＜h,r_i1,r_i2,…,r_iM,t＞，M表示这条关系路径上关系的数量。

3.如权利要求1或2所述的一种基于PtransE模型的知识图谱链接预测方法，其特征在于，所述第二步的过程如下：

2.1、将头实体h和尾实体t之间的关系路径上的关系使用Word2vec转化为向量；初始化一个HashMap，用于存放头实体h和尾实体t之间的关系表示成的向量集合；

2.2、将HashMap中的向量顺序输入LSTM，用LSTM的最后一个状态作为关系路径的向量表示，用v_π(p)表示；

2.3、将头实体h和尾实体t之间的直接关系r使用Word2vec转化为向量，并将该向量记为再将输入LSTM，用LSTM的最后一个当前隐藏状态作为直接关系r的向量表示，用v_π(r)表示。

4.如权利要求3所述的一种基于PtransE模型的知识图谱链接预测方法，其特征在于，所述2.1的流程如下：

2.1.1、初始化一个HashMap，用于存放数组；

2.1.2、初始化一个ArrayList，命名为relationList，用于存放路径上的关系；

2.1.3、取头实体h和尾实体t之间的第i条关系路径，0＜i≤N，将所有这条路径上的关系按照顺序存入relationList；

2.1.4、初始化一个数组ArrayVec，其长度为relationList的长度，用于存放关系转化成的向量；

2.1.5、遍历relationList，得到第j个关系，0＜j≤relationList.length，使用Word2vec将关系转化为向量vec_j；

2.1.6、将向量vec_j存入ArrayVec[j-1]；

2.1.7、判断relationList是否遍历完成，若否，返回2.1.5，否则进行2.1.8；

2.1.8、将数组ArrayVec存入HashMap，HashMap的key值为i，value为数组ArrayVec；

2.1.9、判断关系路径是否已经全部存入HashMap，若否，返回2.1.3，否则进行2.2。