[发明专利]一种基于信息增强的稀疏知识图谱推理方法

说明书

本发明提出了一种基于信息增强的稀疏知识图谱推理方法，该方法包括：对待补全的稀疏知识图谱进行加载，在确定头尾目标实体之后，利用实体链接算法和外接的知识库来引入额外的信息，以此来对稀疏知识图谱进行信息增强；利用实体链接算法和外接的知识库来引入额外的信息，利用图卷积神经网络来获取外部知识图谱中的信息特征，使用双注意力机制对待补全知识图谱中抽取到的特征信息和增强的特征性进行特征融合，在对融合之后的特征进行评分，将分值最高的候选结果作为最终结果进行输出。

技术领域

本发明涉及稀疏知识图谱推理补全领域，尤其涉及一种基于信息增强的稀疏知识图谱推理方法。

背景技术

现在公布和接触到的知识图谱大部分都是或者说是公司构建和完善的知识图谱，这样的知识图谱有的在各个领域拥有较全面的知识和信息，而有的是在部分领域拥有比较完善的信息和知识结构。本文所改进的算法也主要是在解决知识图谱从建立到完善阶段使用到的知识图谱推理补全技术。重点是在研究知识图谱中缺失关系部分的问题，在缺失实体部分的问题未提出有效的解决方案。

但在研究的过程中发现，知识图谱永远都是不完整的这个特点是不变的，但是知识图谱也是逐渐丰富的过程。如果知识图谱的完整度划分出等级，那么在知识图谱构建的初期，其完整度是最低的，相应的稀疏程度是最高的。

知识图谱在一定程度上可以说是存储某一领域知识的数据库，而数据库在大多时候只能保存某而信息，无法存储所有信息；这和知识图谱的不完整性是同一的。而知识图谱因为其创建的时间的长短和创建是采集到信息的完整性，使得知识图谱中还存在很多的稀疏知识图谱。稀疏知识图谱本身因为缺少很多的关系，所以在推理时只能收集到目标头实体和尾实体的信息，而不能到更多的与头尾实体相关联的语义信息，这使得在推理过程中语义信息的收集变得困难；另一方面，由于其稀疏性图谱中边相对较少，并且这样使得能够在目标实体头尾节点周获取到的结构信息也变少，对图谱结构信息的提取方面也造成困难。

因此，本发明设计了一种基于信息增强的稀疏知识图谱推理方法，在确定头尾目标实体之后，利用实体链接算法和外接的知识库来引入额外的信息。与已有的知识图谱三元组关系预测推理不同的是，在使用评分函数进行评分之前，使用双注意力机制对待补全知识图谱中抽取到的特征信息和增强的特征性进行特征融合，在进行特征融合之后进行评分。以此来解决稀疏知识图谱推理补全的中的关系预测问题。

发明内容

知识图谱推理关系预测主要包含五个步骤：知识图谱加载、目标头尾节点选定、图谱信息获取并计算候选关系、关系结果评分的确定推理结果。本发明主要针对稀疏图谱在信息获取过程自身信息量较少的问题，提出一种基于信息增强的稀疏知识图谱推理方法。该方法基于图神经网络和外接知识图谱来提供额外信息，以此来对稀疏知识图谱进行信息增强。利用实体链接算法和外接的知识库来引入额外的信息，利用图卷积神经网络来获取外部知识图谱中的信息特征，使用双注意力机制对待补全知识图谱中抽取到的特征信息和增强的特征性进行特征融合，在对融合之后的特征进行评分，关系预测结果。法步骤如下：

(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；

(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；

(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；

(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；

(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；

(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；

(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。