[发明专利]一种面向知识图谱补全的链接预测方法

权利要求书

1.一种面向知识图谱补全的链接预测方法，其特征在于，包括：

利用给定的头实体和给定的关系，依次将与头实体无关的其它实体视为尾实体，通过链接预测模型计算三元组的评分，并将评分最高的尾实体作为所预测的尾实体；

利用给定的尾实体和给定的关系，依次将与尾实体无关的其它实体视为头实体，通过链接预测模型计算三元组的评分，并将评分最高的头实体作为所预测的头实体。

2.根据权利要求1所述的面向知识图谱补全的链接预测方法，其特征在于：所述链接预测模型选用人工神经网络训练得到，所述人工神经网络包括卷积神经网络层、全局上下文编码层、胶囊网络层。

3.根据权利要求1所述的面向知识图谱补全的链接预测方法，其特征在于，所述链接预测模型的构建过程具体如下：

根据现有的知识图谱中的有效三元组构建无效三元组；

对有效三元组、无效三元组使用知识图谱嵌入方法进行预训练，根据预训练结果对知识图谱的实体和关系的表示进行初始化，生成三元组的嵌入矩阵；

将嵌入矩阵输入到卷积神经网络中，生成原始特征矩阵；

将原始特征矩阵输入到全局上下文编码模块，生成增强特征矩阵；

将增强特征矩阵输入到胶囊网络的胶囊层中，将胶囊层输出的长度作为评分；

将评分作为输出，通过最小化损失函数来训练链接预测模型。

4.根据权利要求3所述的面向知识图谱补全的链接预测方法，其特征在于：根据有效三元组构建无效三元组时，使用伯努利策略；对于包含关系r的所有三元组，以tph表示平均每个头实体对应的尾实体数量；以hpt表示平均每个尾实体对应的头实体数量；取伯努利分布的参数为以概率p替换三元组的头实体，以概率1-p替换三元组的尾实体。

5.根据权利要求3所述的面向知识图谱补全的链接预测方法，其特征在于：所述知识图谱嵌入方法包括图神经网络、矩阵分解模型或距离转移模型。

6.根据权利要求3所述的面向知识图谱补全的链接预测方法，其特征在于：生成增强特征矩阵具体按以下步骤进行：

通过原始特征矩阵计算注意力矩阵；

根据注意力矩阵和原始特征矩阵的转置矩阵计算第二中间矩阵；

结合第二中间矩阵和比例系数计算增强特征矩阵。

7.根据权利要求6所述的面向知识图谱补全的链接预测方法，其特征在于：结合第二中间矩阵和比例系数计算增强特征矩阵时，将第二中间矩阵乘以比例系数，对原始特征矩阵执行逐元素求和运算，得到增强特征矩阵。

8.根据权利要求3所述的面向知识图谱补全的链接预测方法，其特征在于：胶囊层输出的长度采用以下计算式进行计算：

f(s，r，o)＝||capsnet(G(g([e_s，e_r，e₀]*Ω)))||

在上式中，Ω与为卷积层共享参数，*表示卷积操作，σ表示非线性激活函数Sigmoid，G表示全局上下文编码模块，capsnet表示的胶囊网络层操作。

9.根据权利要求3所述的面向知识图谱补全的链接预测方法，其特征在于：在训练链接预测模型时，使用深度学习优化器Adam，通过最小化带有L2正则化的损失函数对模型进行训练；损失函数定义如下：

在上式中，w为模型的权重，λ为超参数、取值0.01；

在上式中，表示有效三元组的集合，表示无效三元组的集合。

10.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现权利要求1-9中任一所述的面向知识图谱补全的链接预测方法。