[发明专利]面向知识图谱多跳推理的锥嵌入方法

说明书

本发明公开了一种面向知识图谱多跳推理的锥嵌入方法，包括：步骤1，通过训练集利用梯度下降算法对查询锥嵌入模型进行训练，训练集为给定的一个包含若干实体的知识图谱数据集的子集；查询锥嵌入模型能将实体和查询表示为2维锥的笛卡尔积，并在嵌入空间中设置与、或、非算子，建模所有一阶逻辑查询；步骤2，利用训练好的查询锥嵌入模型对一个给定查询，先将其生成锥嵌入，然后计算该锥嵌入与各个实体嵌入之间的距离，以距离最近的实体作为该查询的答案。该方法由于能对查询涉及多种FOL算子时，对答案集的基数进行建模，很好的满足了知识图谱的多跳推理任务中的应用，由于能准确估计查询所对应答案集合的大小，易于实现精确的推理。

技术领域

本发明涉及自然语言处理领域，尤其涉及一种面向知识图谱多跳推理的锥嵌入方法。

背景技术

知识图谱(Knowledge Graphs,KGs)上的多跳推理是利用知识图谱中的知识来寻找给定查询(query)的答案实体，近年来受到学术界和工业界的广泛关注。一般来说，它涉及到回答知识图谱上的一阶逻辑查询，使用的运算符包括存在量词与(∧)、或(∨)和否定常见的知识推理包括基于规则的方法和基于知识图谱嵌入的方法。

目前，在知识图谱上进行多跳推理的一种流行方法是：先将查询转换为相应的计算图，计算图中每个节点表示一个实体集合，每条边表示一个逻辑运算，然后根据计算图遍历知识图谱以获得最终的答案实体集合。然而，这种方法至少面临以下两大挑战：首先，它需要处理推理路径上的所有中间实体，导致计算量呈指数级增长；其次，当知识图谱中缺少一些链接时，它难以找到正确答案。

为了应对这些挑战，研究人员目前多采用查询嵌入(QE)技术。查询嵌入是将知识图谱中的实体集合和一阶逻辑查询嵌入到低维空间中。给定一个查询，查询嵌入模型(即QE模型)根据查询对应的计算图生成查询嵌入。然后，根据查询嵌入和实体嵌入之间的相似性来确定某个实体是否是正确答案。

为了进行精确的推理，若能准确估计查询答案集合的大小(即答案实体的数量)对于查询嵌入模型来说是至关重要的，因此一个查询嵌入模型若能够准确地估计查询答案集合的大小，那么它更有可能识别出所有正确的答案实体，但目前的查询嵌入并无法准确估计查询答案集合的大小，降低了识别出所有正确答案实体的可能。

发明内容

针对现有技术所存在的问题，本发明的目的是提供一种面向知识图谱多跳推理的锥嵌入方法，能解决现有查询嵌入，因不能准确估计查询答案集合的大小，所存在的降低了识别出所有正确的答案实体的问题。

本发明的目的是通过以下技术方案实现的：

本发明实施方式提供一种面向知识图谱多跳推理的锥嵌入方法，包括：

步骤1，通过训练集利用梯度下降算法对查询锥嵌入模型进行训练，所述训练集为给定的一个包含若干实体的知识图谱数据集的子集；所述查询锥嵌入模型能将实体和查询表示为2维锥的笛卡尔积，并在嵌入空间中设置与、或、非算子，建模所有一阶逻辑查询；

步骤2，利用训练好的查询锥嵌入模型对一个给定查询，先将其生成锥嵌入，然后计算该锥嵌入与各个实体嵌入之间的距离，以距离最近的实体作为该查询的答案。

由上述本发明提供的技术方案可以看出，本发明实施例提供的面向知识图谱多跳推理的锥嵌入方法，其有益效果为：

通过查询锥嵌入模型，将实体和查询表示为2维锥的笛卡尔积，因为锥的幅角可以自然地表示任意有限集合的大小，因此，可以用幅角来表示答案集合的大小；因为锥的交、并、补的闭包仍然是锥，在嵌入空间中能方便的设置与、或、非算子，从而建模所有一阶逻辑查询，实验表明，本发明的查询锥嵌入模型在基准数据集上的性能明显优于现有的最新方法。也解决了查询涉及多种FOL算子时，许多现有的QE模型难以对答案集的基数进行建模的问题。

附图说明