[发明专利]一种基于信息增强的稀疏知识图谱推理方法

权利要求书

1.一种基于信息增强的稀疏知识图谱推理方法，该方法目标是对稀疏知识图谱中未知关系进行推理预测，方法的步骤如下：

步骤1：首先对稀疏知识图谱进行加载，将知识图谱的语义信息采用向量嵌入的方式加载，结构信息转变为向量之间的关系；

步骤2：对知识图谱中的目标预测关系的头实体和尾实体进行选定，计算目标节点周围注意力参数信息；

步骤3：利用LSTM文本信息提取对目标节点头尾实体进行特征计算，获得特征结果，作为特征结果1；

步骤4：在确定目标头尾实体后，同时利用实体链接算法确定外接知识库的目标实体；

步骤5：使用图卷积神经网络在外接知识库中获取增强信息特征结果，作为特征结果2；

步骤6：使用双注意力机制对特征结果1和特征结果2进行融合，得到融合特征结果；

步骤7：将不同的融合特征与候选关系进行结合，计算得到每个候选关系的阶段性值；

步骤8：最后通过评分函数对阶段性值进行计算，得到最终的评分值，得到最终的推理预测关系结果。

2.根据权利要求1所述的一种基于信息增强的稀疏知识图谱推理方法，其特征在于所述步骤3中对知识图谱进行文本实体特征抽取的具体方法为：

需实体文本进行特征提取；双向语义特征提取中在经过词向量的嵌入之后，可获得对应序列中的每个词的词向量x_i；在双向LSTM网络中，由正向和负向两个网络同时进行文本语义层和结构层信息，具体的双向计算方式如公式(1)和公式(2)所示；

公式(1)和公式(2)中的分别是t时刻的正向隐藏状态和负向隐藏状态，和分别是t-1时刻的正向隐藏状态和负向隐藏状态，最后将通过和获得一个词向量的最终状态h_t；而LSTM网络提取到的短文本的最终特征可由每个词向量的最终状态表示，如公式(3)所示；

H＝(h₁,h₂,…,h_n) (3)

公式(3)中H∈R^n×2u，n代表词向量的数目，u代表的是每个词向量嵌入的维度大小；

最终的输出特征作为特征结果1。

3.根据权利要求1所述的一种基于信息增强的稀疏知识图谱推理方法，其特征在于所述步骤4中对目标头尾实体链接到外部知识图谱实体链接方法具体为：

实体识别——主要是区分输入文本中的使用到的实体，实体消歧——针对识别的实体和提及的实体预测相应的实体；而实体消歧又分为两个步骤：候选实体生成——找出涉及到的实体之外的可能的其他实体，实体排序——通过上下文信息计算候选实体的分数然后进行排序。

4.根据权利要求1所述的一种基于信息增强的稀疏知识图谱推理方法，其特征在于所述步骤5中利用图神经网络获得增强特征的过程具体指：

稀疏知识图谱信息增强算法需要使用到图神经网络对目标节点周围的信息进行特征获取；首先对于包含多重关系的知识图谱进行建模，用G＝(V,ε,R)表示整个知识图谱，其中实体向量v_i∈V，关系类型R包含多种关系r∈R，有两个不同实体和一种关系组成了三元组关系对(v_i,r,v_j)∈ε；

图神经网络是基于热力学传播转化而来的可微的信息传播模型；进行知识图谱链接推理的图神经网络是基础的图神经网络GCNs的一种变体，GCNs中的消息传播模型如公式(4)所示；

其中是实体变量v_i在隐藏层中的第l层的值，并且是d维的空间中的变量，即公式(4)表示隐层的下一层结果由这一层的隐藏值进行两两线性变换θ_m得来的，θ_m采用权重矩阵W来进行线性变换，如公式(5)；σ(·)而则是神经网络中使用的激活函数，如ReLU；

在GCN基础上，定义了在多重关系图中的关于实体变量v_i的信息传递模型，如公式(6)所示；

其中是知识图谱中与第i个节点存在关系r∈R的节点的下标集合，这样是为了计算到每重与关系相关的其他知识图谱中的实体；

最终的为特征结果2。