[发明专利]一种基于图神经网络的知识图谱社区划分方法

说明书

本发明公开了一种基于图神经网络的知识图谱社区划分方法，包括以下步骤：1)构建知识图谱及其邻接矩阵；2)利用图神经网络将知识图谱中的节点进行表示学习，得到节点的向量表示；3)基于余弦相似度计算节点间的相似度；4)根据同类型的节点间的邻接关系以及节点相似度构建一个无向有权节点关系网络；5)设置模块度评估社区内部的内聚程度；6)通过社区划分算法将知识图谱中目标节点进行社团划分。本发明通过图神经网络学习知识图谱的节点特征，然后在向量空间中以节点相似度为基准进行社区划分，提高了社区划分的准确率。

技术领域

本发明属于知识图谱、表示学习、社区发现等领域，涉及一种基于图神经网络的知识图谱社区划分方法。

背景技术

社区反映的是网络中的个体行为的局部性特征以及其相互之间的关联关系，研究网络中的社区对理解整个网络的结构和功能起到至关重要的作用，有助于分析及预测整个网络各元素间的交互关系。社区发现能够用来挖掘网络中隐藏的聚簇结构信息，对复杂网络结构与功能的分析具有重要意义，被应用在社交网络、生物网络、交易网络等领域中。

知识图谱本质上是一种大型的语义网络，旨在描述客观世界的概念实体事件及其关系，它以实体概念为节点，以关系为边，提供一种从关系的视角来看世界，使得海量多样的数据能进行更高效地表达、组织和利用。

社区发现作为网络科学的经典问题之一，长期受到研究者的广泛关注。Girvan等人提出了GN算法(National Academy of Sciences，2002)，该算法求解每条边的介数，然后将介数最大的边删去，再重新求解每条边新的介数，依此循环；Newman等人提出了FN算法(Physical Review E Statal NonlinearSoft Matter Physics，2004)，该算法的思想是让社区内部的边尽可能地多，但是社区之间的边尽可能地少；Vincent D等人提出了Louvain算法(Journal of Statistical Mechanics:Theory and Experiment，2008)，该算法是一种基于多层次优化模块度算法，能够发现层次性的社区结构，被认为是性能最好的社区发现算法之一；Zhang等人提出了将网络划分为任意数量社区的谱方法(PhysicalReview，2015)，该方法利用从模块度最大化到向量分区问题的映射，并结合向量分区对网络进行划分，局部社区检测一定程度上缓解了全局社区检测所面临的效率问题；Ding等人设计了基于核检测和社区扩展的2阶段局部社区检测方法(Knowledge-Based Systems，2018)，核心检测阶段将种子替换为目标社区的核心成员，而社区扩展阶段以检测到的社区核心单元为初始社区，并根据节点关系强度对社区进行扩展；Wang等人提出基于改进马尔可夫聚类的社区发现算法(Transactions on Knowledge and Data Engineering，2020)，改进了随机流和转移概率间的迭代过程，在静态和动态网络中都取得了不错的效果；Bian等人提出RWM算法(Knowledge and Information Systems，2020)，将随机游走算法应用于多层网络社区发现任务中；EI等人提出NIGLPA算法(Expert Systems with Applications，2020)，利用节点重要性改进了标签传播算法中标签传播和过滤的过程，在重叠网络社区发现任务上取得了较好的效果。

知识图谱本质上是大规模异构实体语义网络，对知识图谱同类实体进行社区划分对分析实体间的关系具有重要意义，其任务是通过对知识图谱中节点间的关联关系进行分析，对知识图谱同类节点进行社区划分，挖掘图谱中隐藏的聚簇结构信息。

发明内容

为了对知识图谱中同类别实体进行精确的社区划分，本发明提出一种基于图神经网络的知识图谱社区划分方法，通过图神经网络学习知识图谱节点的结构特征，将知识图谱嵌入到一个低维的向量空间，在向量空间中以节点相似度为基准进行社区划分。

一种基于图神经网络的知识图谱社区划分方法，包括以下步骤：

1)构建知识图谱及其邻接矩阵；